国际减贫理论与前沿问题2014-第一部分2

教育、政府和市场在消除贫困方面的作用

刘民权

亚洲开发银行研究所

北京大学经济与人类发展研究中心

一、导论

为了评估政府和市场在消除贫困方面的作用，最重要的是扩大考察的范围，不只关注贫困，还要综合考虑收入不平等和经济增长。大量现代发展经验表明，在纯粹的马尔萨斯模型假设状态下（现实中很少发生），贫穷与收入不平等和经济增长之间密切相关。为了有效地消除贫困，必须投入足够的精力研究收入不平等和经济增长对贫困的影响。反过来，减少和消除贫困将对收入不平等和经济增长产生重要影响。

其实，贫困、增长和收入不平等的三角关系备受文献关注（见Bourguignon，2004；AFD-EUDN，2003），因此无须重复研究基本问题。本文试图通过检验三角关系的动态演变来推动研究进一步深入，以反映发展中国家在现代经济发展过程中的主要特征。发展中国家一直存在贫困现象，部分是由于面临的结构性因素。理解结构性因素可以提供政策建议，非常重要。根据贫困、经济增长和收入不平等关系，减贫也意味着需要理解收入不平等、经济增长和发展的进程。

本文的重心是关注发展进程，探讨一国社会经济结构的基础性变化，表现为以工业化和城市化。早期发展经济学家如刘易斯（1954）和库茨涅兹（1955）对此进行了深入的研究并提供了许多深刻的见解，关于贫困陷阱的其他学术文献也做出了很大贡献（Nurkse，1953；Nelson，1956）。最近出现了大量文献，旨在内生化职业选择和收入不平等两个变量(Banerjee & Newman，1993；Matsuyama，2000；Mookherjee & Ray，2005；Galor，2011)。限于篇幅，无法在此总结上述文献，但其为本文的研究提供了坚实的基础。

下文将介绍关于发展中国家经济发展进程的一个标准模型及其提出的挑战。在该模型中，基础力量决定了收入不平等和人均收入之间的库茨涅兹倒U型关系。贫困或多或少受到不同发展阶段收入不平等和人均收入之间倒U型关系的影响。

二、发展的标准模型

（一）模型

毫无疑问，一国在经济发展的进程中必然要经历重大的结构变化。具体而言，现代部门（工业部门）增长，吸引企业家、金融资本以及具备相应技能和接受相应教育的工人进入。能够获得更高的收入是他们进入工业部门的原因。相反，传统部门（农业部门）存在大量剩余劳动力（边际劳动生产力很低或为零），而且出生率居高不下。这是刘易斯（1954）在其发展经济学原创贡献中所作的前提假设。

在发展的早期阶段，少数现代部门工人收入大幅增长可能引起收入水平分化，导致国家收入不平等状况恶化。然而，长此以往，收入差距将吸引越来越多的工人通过接受技术培训和教育进入现代部门。当越来越多的工人进入现代部门，由此导致的收入分化将更加普遍。同时，农业部门的收入也将增长（因为采用现代科学技术，农业劳动力的生产率大大提高了；社会对农产品的需求大大增加了）。农业部门因为能够享受到更高的教育水平和良好的医疗健康，农村出生率下降，从而降低劳动力增长率。最终，收入提高导致收入不平等的趋势出现拐点。这是库茨涅兹（1955）提出收入不平等和经济增长倒U型关系的根本原因。

然而，上述过程到底如何发生值得进一步探讨。下文介绍的标准模型关注的就是人力资本积累在其中的重要作用。关于内生性不平等的模型强调金融资本非常重要。不完全竞争的资本市场导致一些人可以贷款投资并获得可观的回报，另一些人（通常是穷人）却不能（Matsuyama，2000）。金融资本的配置固然是影响发展的重要因素，但是从长期来看大多数情况下富人的财富最终来源于他们自己或祖先积累的人力资本。

因此下文的模型只集中探讨人力资本的积累。在个人层面，人力资本积累（首要是教育，其次是健康）能提高生产率和工资。在整个经济层面，人力资本积累（更好和更普遍的教育）能提高整体的生产率和收入。最简单的一个情况是只存在两类工人，“熟练工人”和“非熟练工人”，分别在成熟部门和非成熟部门工作。区别两类工人的标准只有教育水平。非熟练工人可能来自传统农业部门，也可能来自只从事简单和低附加值工作的现代部门，教育水平很低。另一方面，熟练工人需要接受更多的教育和人力资本投资。熟练工人和非熟练工人的区分在一定程度上是模糊的。在发展的早期阶段，非熟练工人（一般来自农村）可能是文盲。随后，基础教育得以推广，非熟练工人开始接受基本教育。发展早期阶段的熟练工人只要接受基本教育即可，但是发展后期阶段熟练工人需要接受更多教育。上述变化是世界范围内的普遍现象，教育表现出质量更高范围更广的趋势。发达国家和发展中国家在上世纪都经历这些变化。

图1描述了模型的基本因素，非熟练工人和熟练工人的供给曲线分别为SA和SI，包括平坦和倾斜两部分。首先，刘易斯1954年和森1966年的文献强调农村剩余劳动力（农业边际产出为零或接近零）的重要性。假如存在剩余劳动力，那么非熟练工人的机会成本是农业边际产出，意味着农村剩余劳动力的保留工资为零或接近零。同时还存在所谓的“劳动的主观成本”，即根据收入边际效用测量的劳动边际负效用（或者放弃的闲暇的边际效用）。一般而言，该值为正，代表大于零的保留工资水平。在极端情形下，为了生存，劳动的主观成本虽然为正但是可以降到极低水平（在该情形下，相对于闲暇而言收入的边际效用急剧上升——此时此刻生存为先，劳动的辛劳不值一提）。一个人劳动的主观成本低于为维持生存所需的最低成本，从而愿意继续提供劳动（维持生存，是指在可见未来维持生理和心理正常运转）。本模型在图1中以WAR表示非熟练工人的生存工资。

其次，不考虑熟练工人的保留工资，非熟练工人保留工资应该加上代表过去人力资本投资成本的溢价。这隐含着假设存在一个完全的资本市场，工人可以用未来的收入担保借钱投资于今天的教育。然而，多数经济学文献认为资本市场存在很大缺陷，发展中国家尤为严重。模型如果接受资本市场不完全的假设就将导致两种结果，一是非熟练工人无法通过借钱投资教育转变为熟练工人，二是即使存在上述可能，借钱的成本也许更加昂贵，从而导致相对于完全资本市场熟练工人保留工资更高的工资加成。本文将简化上述的复杂过程，假设加成之后的保留工资是WIR。



第三，模型关注的是人力资本的积累，图1横轴代表熟练工人和非熟练工人的数量。熟练工人和非熟练工人的工资水平将影响工人的工作时间，但是不影响部门内部工人人数，因为工人人数是由过去教育水平单独决定的。然而，由于社会、文化甚至法律对工人在一段时间内的工作时间存在一定标准，工人加班需要支付更高的工资，导致部门需要额外的工人。一个部门的工资越高，工作时间越长，劳动力人数越多。

上述解释揭示了图1两条劳动力供给曲线的意义。图1两个原点OA和OI之间的横向距离代表所有工人。OAN代表非熟练工人的比例，其余代表熟练工人的比例。在OA和N之间SA曲线平坦（工人需求少于OAN工资低于WAR），在N之外SA曲线向上倾斜（劳动力需求大于OAN工资高于WAR）。SI曲线的解释类似。

本模型假设劳动力供给端关注长期，需求端关注短期。图1MA曲线代表对非熟练工人的需求，MI曲线代表对熟练工人的需求。生产技术和市场价格决定两个部门劳动力边际收益产品，进而决定MA和MI曲线。生产技术在短期内不变，产品的市场行情和价格可能发生变化，并对整个系统造成冲击。一旦发生，两个部门的劳动力需求将发生变化。

因此，本模型同时考虑了长短期因素，而且能够呈现长短期结果。即使两部门均衡工资上升，在均衡状况下市场上劳动力供需必须出清。虽然短期劳动力供给可能等于需求，但是并不能保证长期熟练工人和非熟练工人必然充分就业。图1展示了非熟练工人没有充分就业的情况，其中劳动力需求曲线上升达到短期均衡工资（等于保留工资）。显然，部分非熟练工人（L和N之间的比例）失业。另一方面，熟练工人充分就业。两部门中任何高于保留工资的均衡工资水平都意味着充分就业。然而，如果均衡工资等于保留工资，部门中的部分劳动力将处于失业状态。

（二）讨论

图1的标准模型为分析经济发展过程中的很多重要问题提供了一个实用的理论框架。

A．教育和“全面发展的需求”

“全面发展”是指没有任何一个人被排除在发展过程和成果之外的状态。具体而言，这意味着劳动力从非熟练部门转移到熟练部门的过程（发展的本质）必须包括社会全体成员。当然这不要求每个人最终都成为熟练工人，从事熟练部门的工作。即使是理想状态，部分人由于各种原因仍将是非熟练工人，但是希望成为熟练工人的人应该具有机会（全面发展的过程）。而且，非熟练工人也能分享发展的成果。具体而言，他们应该享受相同标准的福利，在本模型中就是相同的工资（全面发展的成果）。

全面发展的关键是教育的扩展——每个人都有接受高等教育的机会。如何实现将在下文讨论（完全依赖市场，还是发挥政府的作用）。首先，东亚的经验说明一个接受良好教育的劳动力群体将提高对熟练工人的需求。事实上，东亚经济在过去几十年中取得的巨大经济成就与此紧密相关，而且形成良性循环。其次，大量研究表明教育，尤其是女性教育，对出生率的降低和儿童质量的提高存在重要影响。这些因素都将对本模型产生明显影响，但不在本文讨论范围内。

B．不平等和成功发展的需求

模型提供了衡量收入不平等和经济增长之间库茨涅兹倒U型关系的一种方式。试想，发展过程的初始阶段所有人都是非熟练工人，获得非熟练工人工资（基本等于保留工资），完成阶段所有劳动力都是熟练工人，获得熟练工人工资，期间部分工人通过教育从非熟练工人转变为熟练工人，收入不平等程度先升后降。如果接受模型中全面发展的本质特征，那么库茨涅兹假设就成立。关键是“全面”发展，并非所有发展过程都是“全面”的，在发展过程中可能出现长期严重不平等问题。很难判断哪些国家只是需要经过一个艰难时期就将迎来曙光，还是会永远陷入困境。但是，确定的是一旦完全经历了全面发展过程，不平等程度也将随之降低。

上述讨论略显累赘：全面发展的最终特征是收入不平等程度低，一国如果实现全面发展，那么收入不平等程度必然很低。实现全面发展的关键在于人力资本积累。当经济中所有人都具备良好的教育和熟练的技能，没有理由发生严重的收入不平等。根据可获得的工资数据，多数发达国家教育公平、高质和普及率高，工资占收入70%左右（尽管今年工资比例有所下降）。其他欠发达国家工资比例低于此。平均而言，发达国家收入分配状况更加健康（Schnerder，2011；Stockhammer，2013）。

本模型阐释了全面发展过程将产生收入不平等和人均收入之间的库茨涅兹倒U型关系，具体形式尚需深入探讨。其实，倒U型关系很大程度上依赖于发展过程中发挥作用的各种因素，从而为长短期政策干预提供了充分的空间。模型还表明熟练工人和非熟练工人之间的工资差距能够影响倒U型曲线的凹凸程度。具体而言，工资差距越大，曲线凹向原点的程度越严重。因此，除了致力于最终为每个人提供公平的教育机会（全面发展的需求），同时政府需要尽力缩小工资差距以促进发展过程顺利实现——只要不会扭曲劳动者投资教育的激励。上述要求可以概括为“顺利发展的条件”。

C．贫困

贫困是什么？本模型并没有直接阐释贫困。其实，无论是绝对贫困还是相对贫困，贫困只能通过收入贫困线来定义和衡量。若非具体划分贫困线，贫困就没有真正定义。本模型如何表示贫困？贫困线可以定义为略高于非熟练工人的保留工资水平（低于熟练工人保留工资水平），此时所有获得非熟练工人工资的人都是穷人，即非熟练工人是穷人。在上述假设下，发展等同于减贫。然而，贫困的定义显得太过宽泛。大家可能更愿意将贫困人口定义为两个部门的失业人群，但主要是甚至完全是非熟练工人部门的失业人群。

图1中LN代表的非熟练工人失业且生活在贫困中。任何能够增加非熟练工人就业的措施都是反贫困的（即向上移动非熟练工人需求曲线）。然而，从长期而言，反贫困的最佳途径是投资于教育，减少非熟练工人的数量，增加熟练工人的数量。在其他条件不变的情况下，非熟练工人数量减少得越多，失业的人数也就越少，总体贫困水平就会越低。

大家主要考虑通过教育进行减贫的长期途径，但是通过增加劳动力需求进行减贫的短期途径也有助于长期减贫。在前种情形下，熟练工人均衡工资上升可以增加私人投资教育的激励；在后种情形下，非熟练工人均衡工资的上升可以增加私人投资教育的资源。

 

三、政府和市场在发展和减贫过程中的作用

（一）市场、政府和设想

标准模型说明发展的本质是人力资本的积累。此外，全面发展要求社会所有成员最终都能够享受到公平的高等教育机会，顺利发展意味着在不扭曲教育投资激励的前提下尽力降低收入不平等。在长期中，消灭贫困是发展过程的一部分，共同组成长期发展目标。发展的最终策略必须以人力资本积累为中心。该部分讨论教育市场以及市场和政府在发展策略中担任的角色。

经济学文献（社会科学文献）有大量讨论市场和政府失灵的文献。教科书通常只提供一个完全竞争市场的严格定义，若不能满足其中任何一个条件则称之为市场失灵。在实践中，基本不存在满足所有条件的市场。一旦存在市场失灵，政府可以采取下述方式干预：不采取任何措施（自由放任）；管制并提高市场运行的功能（市场强化）；与市场合作（市场合作）；直接取代市场的所有功能（市场替代）。积极的公共政策一般包括后三种方式之一或全部。至于哪种方式才是市场和政府分配资源的最佳方式需要具体情况具体分析。虽然能够提高市场分配的效率但是成本高昂的干预措施不应该被采用。一套相互协调和补充的政策组合对市场失灵的作用远大于单独一个政策对市场失灵的作用。

如果认为这是政府干预市场的全部作用，那就忽略了更根本的因素——必须考虑政府的设想、领导和战略规划。不同于市场在一定条件下配置资源可能有效或无效，设想、领导和战略规划是市场无法发挥作用的方面。

这貌似号召回到中央计划经济和国家社会主义时代，但是并非如此。首先，确实存在一定程度的政府计划，但是并非国家社会主义。其次，即使做出计划，计划将致力于保证最终每个人都拥有接受良好教育的公平机会，在道德上更优，相对于过去国家社会主义中央计划经济的精神更加现实（每个人只能过国家规划的生活）。

就设想而言，计划和领导是最重要的。市场主义者可能会认为这是胡言乱语。在他们看来，为什么需要政府规划？为什么不能将一切交给市场，接受市场调节的结果，因为这是最好的结果？然而，假设如此，大量穷人将永远处于贫困之中，因为历史已经证明市场及其失灵无法单独使一国摆脱贫困。如果能够做到，市场早就做了。当然，对市场的正常作用任意干预同样无法实现全面发展和顺利发展。

（二）教育市场

在一个以人力资本积累为中心的发展战略之下，政策的核心必然是教育投资。教育投资可以通过市场组织，世界上大部分地区在不同程度也确实是通过市场完成。在理论上，如果资本市场是完美的，关于教育在未来的回报的预期是完美的，而且教育不存在外部性，个人将同时做出个人最优和社会最优的投资决策。然而，正如已经充分认识到的那样，教育存在明显的外部性，关于未来的回报的完美预期是不可能的。即使个人（风险厌恶）做出个人最优的决策，却可能并不满足社会最优的条件。而且，资本市场存在严重缺陷，发展中国家尤为严重，即使存在人力资本投资的良好机会，个人也无法以未来的现金流得到今天的贷款，除非他们具有其他资源提供足够的担保。这意味着贫困的个人和家庭最终无法利用这样的机会。而他们正是本文关注的人群。

考虑到发展的关键作用和战略意义，积极的公共政策在教育方面将大有作为。如果希望改变一国贫困和欠发达的状况，没有什么比对教育进行充分稳定的投资更加重要。投资可以采取上文提到的三种积极的公共政策中的任何一种或者全部。资本市场可以在诸如为学生提供助学贷款等方面有所改进。整合私人和公共资源，在供给方面增加和提高教育设施（学校、学院、大学等）和教学质量，在需求方面提供奖学金、助学金和其他类似的措施鼓励贫困学生充分利用机会。独立直接的公共投资同样可以在供给和需求方面支持次优的个人投资。为了避免公共投资对私人投资的挤出效应，公共投资的对象应该集中在缺少私人投资的领域，或者因为外部性和公平而需要重点投资的地方，例如普及义务教育。在很多发展中国家，有些人已经接受了高水平的教育，而另一些人甚至没有任何基本教育。如果他们希望参与到发展的过程中，接受基本教育特别重要。伴随着世界和一些国家教育水平的普遍提高，即使基本教育无法使一个人成为熟练工人，但在未来也将是作为一个非熟练工人的必要条件（没有基础教育，他或她可能完全失业）。当然，最后全面发展应该保证所有人都有平等的机会接受教育。

正如上文所说，政府的作用不应该局限于只在市场失灵的情况下紧急干预（市场发挥主要作用）。政府在教育领域必须进行设想、领导和战略规划。除了在教育领域对政府的普遍要求之外，实践中存在一个更紧急的要求：熟练工人的培养需要多年时间，从高中和大学阶段开始培养将事半功倍。如果未来对熟练工人的需求要得到合理的满足，很多长远计划必须现在开始实施。

而且，设想和规划不应该局限于未来熟练工人的需求得到满足。未来熟练工人需求的明确信号来自哪里？设想、规划和领导必须引导预期的形成和推动事情的发生。这样做并不是为了取悦任何人，而是着眼于现实和未来。在教育方面，东亚的经验为我们提供了典范。

上文已经说明了教育的潜在好处（相对于发展过程中埋伏着的众多陷阱，应该竭尽全力去争取教育的好处）。教育不仅能够提供稳定的熟练工人队伍，同时还可以刺激熟练工人的需求，特别是在今天的环境下（开放经济、自由贸易和日益增长的国际贸易和国外直接投资）。一国拥有接受良好教育的熟练工人不仅可以为国内市场还可以为国际市场提供高质量和高科技的商品和服务。因此，这类商品和服务的需求弹性很大而且能够增加，相应的熟练工人的需求弹性也会增加。进而，因为声誉、工业集聚和雪球效应，高质量的熟练工人能够吸引国际需求，影响扩展到全球。在短期，由于教育增加的熟练工人供给实际上可以创造对自己的需求。这是萨伊定律的现代版本，也是东亚成功的第一个原因。

教育市场能够在没有政府干预的情况下发展到足以应对挑战的程度吗？完全交给市场，答案是不能。导致教育市场失灵的关键因素之一是个人缺乏长远的眼光。从预期的角度而言，按照消除所有不确定性的标准，没有任何关于未来的预期是完美的。但是政府关于未来的设想规划能够发送一个可信的信号，具体的计划和目标以及强力的领导和承诺能够协助个人对自己和孩子的教育做出更加优越和明智的决定，特别是在需要以现有财富或者未来收入担保贷款以获得教育投资的时候。从贷款人的角度，政府的设想、承诺和领导能够帮助他们做出更优越和明智的贷款决定。

因此，政府关于教育的明确设想以及强力领导和战略规划能够协助市场更好的运转，但是不应认为政府只需提供设想、计划和领导。即使制定了非常明确的方向和目标，幻想市场能够完成所有任务是不可能的。因此，政府应该参与具体工作，辅助市场发挥作用，包括政府直接在需求和供给方面投资，甚至在某些项目与私人部门达成合作关系。当然，必须监管私人部门的教学质量和教学标准，同时尽量强化资本市场的作用。这是东亚成功的第二个原因。

正如东亚经验，最近世界其他地区通过公共政策干预教育的成功案例不断出现。例如，巴西家庭救济计划在拉丁美洲多个国家实行，将社会救济与子女的教育联系起来，根据子女的教育状况进行现金补贴。当然，这里指的是基础教育。然而，作为对缺少基础教育的一个初步解决方法，关于教育的质量和教育问题的整体方案还需要深入研究。

 

四、结论

本文假定发展的本质是人力资本的积累，特别是教育。教育是发展的持久动力（正如东亚经验所证明的），而且是发展的核心内容之一。虽然反贫困计划在短期中具有更加直接的作用，但是贫困必须在长期中通过教育和发展解决。然而，以人力资本积累为中心的发展战略不能完全依赖市场。政府应该设想、领导和规划，同时进行适度干预保证市场的正常运转。为了实现长期发展、全面发展和顺利发展，本文具体讨论了教育市场，并为政府干预提供了一些建议。资料来源：Minquan Liu, Education and the Role of the State and the Market in Poverty Eradication. http://social.un.org/index/LinkClick.aspx?fileticket=Y9cHICSPXcU

%3D&tabid=1560.

 

选择一种瞄准方法识别印度贫困线以下（BPL）家庭

Sabina Alkire • Suman Seth

 

摘要：本文就如何选择一种方法瞄准多维贫困家庭，以及如何周期性更新该瞄准实践提出建议。我们就印度的瞄准方法选择展开讨论。1992年、1997年以及2002年，印度政府识别贫困线以下（BPL）的家庭并更新2002年的瞄准方法。2002年提议的一种替代方法，引起积极的争论。政府公布了第四种识别贫困线以下的方法，并实施了相应的社会经济种姓普查（SECC）。使用第三次全国家庭健康调查数据（NFHS-3），本文说明使用SECC变量的贫困线以下瞄准方法可能如何被校准为一种多维贫困测度。本文比较了多维贫困基准测度跟几个看似合理的瞄准方法之间的匹配情况，以确定哪一种瞄准方法最充分地近似它及其相关的测量。我们找到一个十项二值得分方法（该方法使用SECC问卷中可用的变量）可以提供一个强的代理。本文的重点在于说明一种特定的瞄准方法如何被证明为合理，而非倡导任何具体的解决方案。

关键词：多维贫困、贫困线以下（BPL）、社会经济种姓普查、瞄准方法、二值得分、印度贫困

一、前言

“谁是穷人”的识别，在瞄准和测量实践中都是个核心的问题。在基本层面，Sen（1992）指出，贫困识别牵涉到“何为贫困”的价值判断。价值判断在变量、权重和临界值（多少才算足够）的选择上是具体化的。本文重点在于瞄准多维贫困家庭的方法设计上。应该如何开发及证明这些瞄准方法？他们是否应该——以任何方式——跟多维贫困测度相关？

为了激发和支持我们的讨论，我们结合印度最近的瞄准实践。在印度，已经开展了一系列实践来识别贫困线以下（BPL）家庭，这些家庭将有资格申请某些特定的福利。1992年，基于自我报告收入直接识别贫困线以下家庭；1997年，通过收集消费支出方面的信息识别贫困线以下家庭。2002年的重心从收入或消费转移到社会经济福利指标（Saxena 2009； GoI 2006a）。尽管如此，2002年的实践仍不完美。因此，方法和数据话题将是后续贫困线以下实践建议的核心。鉴于此，我们致力于提出并说明一些基本的设计原则。

在代理一维贫困的瞄准方法上，存在大量的参考文献。虽然代理的精确性意味着瞄准方法可以被限制，但是许多这些技术可以而且应当在多维空间中进行探讨。然而，着手技术实践前，阐述一种方法选择上的先验概念及其实际问题，大有裨益。

本文结构组织如下。第二部分简单总结贫困线以下方法的历史以及最近提议的贫困线以下识别方法；第三部分就如何生成一个近似于多维贫困测度（本身反映了贫困的突出定义）的瞄准测度提出建议；第四部分介绍NFHS-3数据集以及使用的样本；第五部分回顾了不同贫困线以下识别方法之间的高度差异。然后介绍一种说明性的多维贫困基准测度并识别一组多维贫困人群。注意到，基准测度（可能依赖于更加精确的调查数据）可以用于监控不同时期贫困的变化。随后，本文探索哪一种提议或可行的贫困线以下瞄准方法最充分地匹配这组贫困家庭。出于稳健性考虑，我们还探讨另一种多维测度的匹配。最后一部分总结全文。

二、印度贫困线以下家庭的识别

为了有效地瞄准贫困，印度历届政府已经制定并完善了划分“贫困线以下”家庭的方法。这些家庭将有资格申请许多政府福利，如食品补贴或电力，或计划改造的住房以及鼓励自雇活动。每次贫困线以下普查都应用独特的识别技术。我们首先介绍前三种识别方法，然后详细阐述最近提出的几个关于贫困线以下识别方法改进的建议，其中包括已经正式公布的。

（一）1992年贫困线以下

1992年，第8个五年计划伊始，基于自我报告收入数据识别印度贫困家庭。家庭年均收入低于11000卢比即被认定为贫困线以下。但是因为家庭收入存在潜在的漏报，按照这个标准识别的贫困线以下家庭数量几乎是计划委员会估计的两倍（Saxena 2009）。这个标准还有其他主要的局限性。首先，家庭自我报告的收入数据几乎不可能被证实，因为90%以上的农村家庭成员就职于非正式或无组织的部门（GoI 2007）。此外，收入数据可能不如消费支出数据精确和可靠（Atkinson and Micklewright 1983；Grosh and Glewwe 2000），这也是贫困线以下实践存在争议的部分。最后，这个识别方法没有就家庭规模进行调整。换句话说，识别过程中使用的是家庭总收入而非人均收入。

（二）1997年贫困线以下

1997年第9个五年计划开展第二次贫困线以下实践，并在先前识别方法基础上进行改进。1997年贫困线以下普查分2个阶段展开（Saxena 2009）。

在第一次阶段，普查面向所有的农村家庭。家庭只要满足以下五个条件之一，就被识别为“明显非贫困”。（1）拥有及经营的自有土地超过2公顷；（2）拥有一个小型房子（pucca house）；（3）家庭年收入超过20000卢比；（4）拥有诸如电视、冰箱、吊扇、摩托车或三轮车等耐用消费品。（5）拥有拖拉机、耕耘机、组合式脱谷机/收割机等农场设备。

在第二个阶段，对明显非贫困家庭外的所有家庭收集过去30天里的消费支出信息。人均消费支出低于印度计划委员会确定的贫困线水平的家庭将被识别为贫困线以下。

1997年的识别方法尽管做了改进，后来还是因为五个原因饱受垢议（Hirway 2003；Jalan and Murgai 2007；Sundaram 2003）。第一，排除标准太严格（拥有一个吊扇作为排除在外的依据）；第二，贫困线并不能适用于所有的州/区域；第三，排除及识别贫困线以下家庭的贫困线标准没有因州而异，因此没有捕捉到州际的异质性。第四，往贫困线以下家庭名单中添加新成员时，无合适的程序可循。第五，根据拥有的资源而非家庭成员能够及做什么来确定非贫困家庭，这是基于资源方法和阿玛蒂亚·森基于能力方法的根本区别所在。例如，一个需要轮椅的家庭成员就需要更高的人均消费水平才能达到同等水平的机能，在消费转化为机能中并没有考虑到这些差异。

（三）2002年贫困线以下

从2002年开始，印度采用一种“贫困多维视角”（18页）来确定贫困线以下家庭。与基于卡路里或收入的规范不同，贫困多维视角也被称作“多重贫困视角”（24页，GoI 2006a）。2002年，与第10个五年计划相关的农村贫困线以下普查包含13个问题或维度，这些维度涵盖食品、住房、工作、土地所有权、资产和教育等话题。根据所选择的响应类别，每个维度上分别赋予家庭一个分值。每个维度上的分值区间是0-4,其中0表示最坏的情况，4则表示最好的情况。然后加总13个维度的各自得分，得到每个家庭的总分（分值区间为0-52）。最后，为每个区域确定一个贫困线以下贫困临界值。总分低于该区域贫困临界值的任何家庭将被识别为贫困线以下。例如，“贫困线以下”临界值设为20分，那么得分16的家庭将被识别为贫困线以下。2002年贫困线以下实践中的贫困临界值因州及联合区域而不同，这样可以确保与基于消费贫困的贫困帽相匹配。

同样，虽然2002年普查和方法试图比先前两次实践严厉，但还是受到许多方面的批评(Sundaram2003；Hirway 2003；Jain 2004；Mukherjee 2005；Jalan and Murgai 2007；Alkire and Seth 2008；Saxena 2009；Mehrotra and Mander 2009；Thomas et al. 2009；Dre`ze and Khera 2010；Roy 2011；Sharan 2011）。

对2002年贫困线以下识别方法的批评也许可以被划分为三个主要方面：识别方法的缺陷、数据质量及腐败、数据内容。

1.识别方法的缺陷

（1）基准和可替代性

有学者(Sundaram 2003；Alkire and Seth 2008；Saxena 2009)批评就13个维度内的类别进行评分及加总13个维度得分的方法。类别的评分之所以存在争议，是因为大多数响应是定性的，但我们使用的分值似乎赋予维度内或跨维度的大体意义。例如，如果家庭成员每年每天只吃一平方餐，那么该家庭得到2分；如果家庭中至少有一个成员完成中学教育，该家庭同样得到2分。然而，第二个例子的贫困可以说没有第一个例子严重。对维度得分进行加总，隐含着维度之间完全替代的假定。一个维度多得一分可以由处于任何成就水平上的其他维度少得一分进行等价补偿(Alkire and Seth 2008)。

（2）权重

采取相同权重对13个维度进行合并，表明每个维度对贫困的重要贡献是一样的。Jalan and Murgai(2007)认为，应该允许维度上的相对权重因州而异，例如，比哈尔邦和喀拉拉邦在教育维度上有不同的权重。

（3）贫困帽

在2002年贫困线以下实践中，基于消费支出方法确定贫困线以下家庭的数量不能超过1999-2000年货币贫困估计的10%以上。贫困帽反映州或地区层面上的数量。这个帽子存在广泛的争议，有时甚至导致邻近区域不同的分数阈值(Jain 2004)。考虑到州的多维贫困水平可能跟消费贫困水平不匹配，Hirway（2003）还质疑消费贫困帽的使用。

2.数据质量及腐败

（1）数据质量

鉴于贫困线以下家庭可以享受多重福利且不会受到歧视，因此许多家庭希望被识别为贫困线以下。具体而言，那些富人及享有权利的人常常要求当地官员将他们纳入到贫困线以下名单中（Hirway 2003；Khera 2008)。此外，相关领域对数据质量疏于监管。例如，Jain（2004）发现有个人之所以被排除在贫困线以下名单之外，是因为人口调查员在填写表格时甚至没有走访这个家庭。

（2）操纵

腐败也排挤穷人获得贫困线以下资格卡的所有权(Jalan and Murgai 2007；Saxena 2009)。Khera(2008)利用拉贾斯坦邦村级的研究数据，报告了一个惊人的发现：44%的贫困家庭没有拿到贫困线以下资格卡，而23%拿到贫困线以下资格卡的并非贫困家庭。Hirway(2003)发现1997年吉吉拉特邦贫困线以下名单中有11%-18%显然是当地精英，在西孟加拉邦有14%的穷人被排除在名单之外（Mukherjee 2005）。尽管一些交叉检验成功地修正贫困线以下名单纠正错误，但是其他操作并没发挥效用。例如，对中央邦的100个行政区的研究发现，67个行政区并没有召开规定的第二次贫困线以下名单审议村民大会（Jain 2004)。

3．数据内容

（1）问卷设计

即使2002年贫困线以下人口调查的工具实现精准且没有腐败，许多人仍然认为结果不准确(Sundaram 2003；Jain 2004；Jalan and Murgai 2007；Saxena 2009)。2002年贫困线以下调查问卷主要聚焦于资源（比如土地、房子、衣服、食物、卫生、消费品、贷款）而非能力，因此忽略了人与人之间将资源转化为能力的差异。另外有些问卷为没有获得贫困线以下福利的家庭创造激励以免他们被排除在贫困线以下名单之外。

（2）响应结构

响应结构也受到严重的批评(Sundaram 2003；Jalan and Murgai 2007；Alkire and Seth 2009)。例如关于土地持有的问题并不能反映土地的质量。在债务问题上，没有负债的家庭可以获得最高分“4分”，但是最贫困的家庭之所以没有负债，可能是因为缺乏信贷渠道。

（3）周期性

最后也是最常受到批评的，即贫困线以下调查五年才会开展一次（至多），但是家庭的经济状况却可以迅速转变。若不能对调查间隔期间的贫困线以下状况进行更新，那么即使最初贫困线以下家庭的识别是准确的，随着时间推移变得不准确也是必然的。

（四）萨克塞纳委员会专家组报告

2008年，印度农村发展部任命了以N.C.Saxena为主席的专家组委员会。该委员会负责对2002年贫困线以下方法和数据内容进行批判性的回顾并提出一种新的识别方法。该委员会就2002年贫困线以下识别方法提出的深刻变革内容已经超出本文的范围。例如，对调查问卷进行根本性地重新设计——重点关注那些没有不正当激励、可核实的指标。

委员会提出一个三阶段的方法：（1）自动排除明显在贫困线以上的那些家庭（非贫困）；（2）自动包含那些可能被排除在外的最贫穷和最弱势的群体；（3）按照评分模型对剩下的家庭进行排序，识别其中最贫穷的家庭为贫困线以下，直至达到计划委员会规定的贫困线以下数量上限。

在第一识别阶段中，委员会建议排除那些至少满足表1组1第一列所列标准之一的所有家庭，这些家庭只占总体家庭数量的小部分；在第二个识别阶段，委员会建议允许那些满足小组1中第二列任何一条标准的家庭领取贫困线以下资格卡。在第三个识别阶段，对剩下的家庭用第三列所列的标准从0到10进行打分。然后首先识别得分最高的家庭为贫困线以下，然后是得分第二高的，依此类推，直至完成所有需要被识别的总量。具体标准详见表1。

合理的得分结构如下所示。虽然特定部落和特定种姓占印度人口的比例接近1/4，但是两者在历史上都饱受歧视且社会经济指标较低。基于群体特性获得较高分数可以提高他们被识别为贫困线以下的概率，从而成为社会救助的受益者。同样赋予穆斯林(GoI 2006b；Hasan 2009)及其他落后种姓（OBC）额外的分值。从事低工资工种的家庭也被赋予更高的分值。最后，其他3个种类的家庭——没有成人完成5年教育；家庭成员患有结核病、麻风病、残疾、精神疾病；由60岁及以上老人主导——也被视为弱势群体并相应给予赋值。

学者对Saxena（2009）提出许多修改建议，包括权重、包含标准及排除标准的修改。为了阐述该方法对不同权重的灵敏度，本文采用一种替代得分方法，该方法使用替代的评分标准。本文使用区别于Saxena（2009）的排除标准，但是没有任何自动纳入标准，然后通过表1组2所列的标准对家庭进行评分。将识别贫困线以下家庭的标准划分为三类——职业、社会群体、弱势群体。

Saxena（2009）及替代得分方法首先应用排除标准。因此，如果一个家庭被排除标准排除，那么即使这个家庭满足排除标准或获得高分，也不再考虑贫困线以下资格卡。

（五）应用标准系列

Dre`ze and Khera(2010)应用排除（和/或）包含标准，分析四种识别贫困线以下家庭的可能系列：排除、稳妥、包含、限制。排除法识别至少满足一条排除标准之外的家庭为贫困线以下。稳妥法识别至少满足一条排除标准之外的家庭（同排除法）以及至少满足一条排除标准且满足任何包含标准的家庭为贫困线以下。包含法识别至少满足一条包含标准的家庭为贫困线以下。限制法识别至少满足一条包含标准的那些家庭为贫困线以下（同包含法）， 除非家庭也满足任何排除标准。

 

表1：识别贫困线以下家庭的标准

第一阶段（排除法）	第二阶段（包含法）	第三阶段（评分法）
组1：萨克塞纳委员会专家组标准（2009）
1.家庭持有的需要部分灌溉或全部灌溉的农田是该区域平均每户人家拥有的2倍（3倍，完全不需要灌溉）； 2.家庭拥有3-4辆机动车辆，如吉普车、越野车等； 3.家庭至少拥有一台机械化的农场设备，比如拖拉机、耕耘机、脱谷机、收割机等； 4.家庭成员供职于非政府或私人部门，月薪高于10000卢比或供职于政府部门（包括国企）领取包括养老金或等价福利在内的常规基准工资。 5.纳税人	1.“原始部落群体” 2.最受歧视的SC群体，按照状况称作“摩诃达利特 3.单身女性主导的家庭 4.有一个无经济能力残疾人的家庭 5．未成年人主导的家庭 6.依靠施舍过日的特困户 7.无家可归的家庭 8.家庭成员都是保税劳工	1.SC/ST：3分；名单中排除部落及指定最落后种姓：2分；穆斯林/OBC：1分 2.没有土地的农业工人：4分；农业劳动者（有一些土地）：3分；临时工:2分；自雇的工匠或自雇的渔民（包括受雇的职业渔民）：2分 3.无35岁以上成人，研究等级为5的家庭：1 4.任何家庭成员有结核病、麻风病、残疾,精神疾病和艾滋病:1分 5.由一个60岁及以上老人主导的家庭。
职业	社会群体	弱势群体
组2：选择评分标准（第三阶段）
1.贫困/依赖施舍：4 2.森林采集者：4 3.无地工人：3.5 4.租户/佃农：3 5.边际农民：3 6.小农夫：2.5 7.个体经营的工匠和工人：3	1.SC/ST：3 2.MBC（指定最落后种姓）：1.5 3.穆斯林：1.5 4.指定的原始部落群体：5	1.由单身女人主导家庭：4 2.残疾工人：4 3.保税工人（工人或依赖）：4 4.由老人主导家庭：4 5.艾滋病、麻风病、精神疾病的工人：4 6．结核病工人：2 7.依赖的残疾人：2
第一阶段（排除法）	第二阶段（包含法）	第三阶段（同等权重评分法）
组3：社会经济种姓普查（2011）标准
1.2/3/4机动化的辕马或渔船 2.2/3机械化的农场设备 3.5000及以上信用额度的印度农民信用卡 4.有家庭成员供职于政府部门 5.在政府注册过非农企业的家庭 6.家庭成员中有月收入超过10000卢比 7.缴纳收入税或专业税收 8.三个及以上房间有小型墙壁和屋顶 9.拥有一个冰箱或一台固话 10.2.5英亩以上的灌溉土地及以及至少一个灌溉设备 11.5英亩以上适宜2-3三季农作物的灌溉土地 12.至少7.5英亩灌溉土地及至少一个灌溉设备	1.无栖身之所的家庭 2.贫困或依靠施舍 3.手工拾荒者 4.原始部落群体 5.法律规定的保税劳动者	1．只有一个龟兹墙壁和屋顶的房间 2.没有16-59岁范围的成人 3.女户主家庭且没有16-59岁范围的男性成员 4.有一个残疾的家庭成员且没有健全的成人 5.列入名单的种姓或部落家庭 6.25岁以上成人文盲的家庭 7.没有土地，主要收入来源于手工临时工的家庭

 

 

（六）2011年社会经济种姓普查（SECC 2011）

2011年印度农村发展部发起了第四次贫困线以下普查，称作“2011年社会经济种姓普查（SECC 2011）”。这次普查包括家庭的种姓、部落及其他贫困线以下问题。2011年6月29日，SECC 2011成立于西部特里普拉邦海泽莫拉街区。SECC 2011计划，通过三个阶段法识别贫困线以下家庭。满足任何排除标准的家庭将会自动从贫困线以下名单中排除；满足任何包含标准的家庭将会自动加入到名单中；剩下的家庭将通过7项二值得分标准集进行识别。因此，SECC 2011计划按照萨克塞纳（2009）的三阶段法（限制法）进行识别，但是使用简化的评分标准集（见表一，组3）。

 

SECC 2011的普查工具来源于对2002年普查工具的彻底修正(GoI 2011)。SECC 2011旨在纠正2002年贫困线以下调查问卷中发现的大量排除和包含错误。大家认为SECC 2011的问题简单易答、响应可核实，经过筛选的问题可以避免产生不正当的动机。与2002贫困线以下相比，这些变化预期可以改善数据质量。但是如何证明SECC 2011贫困线以下家庭的识别方法可能是合理的或改进的？第五部分将会经验地探讨这些问题，但是在此之前，第三部分将讨论如何瞄准多维贫困，以及第四部分简要介绍数据。

 

三、瞄准多维贫困

 

当不同的瞄准方法导致差异化的识别结果时(Alkire and Seth 2013)，至关重要的是，要考虑实证分析如何支持瞄准方法的选择，并确保瞄准尽可能地准确且识别对于一系列合理的瞄准方法是稳健的。这一部分概述选择一种瞄准方法的一个途径——基于识别为贫困线以下的人口和使用一种稳健的多维贫困测度（我们称作“基准值”）识别的贫困人口之间的匹配。以下部分将以说明性的方式描述一种贫困线以下瞄准方法选择的方法。

（一）瞄准和测量上的识别

正如前面所述，“谁是穷人”的识别既是为穷人提供各种救助项目目标干预的核心问题，也是随时间推移衡量贫困的核心问题。如果瞄准实践的重点是家庭，比如贫困线以下，那么这项实践必须识别人口中符合或不符合某个特定福利的每个家庭。瞄准方法的一个重要实际挑战是必须能够相对准确地识别穷人且识别穷人的指标收集还不昂贵。为了最小化腐败，这些指标应该容易核实的，且识别方法简单、透明。

“谁是穷人”的识别也是衡量贫困的第一步（Sen 1976）。也就是说，相关数据集——通常是一次代表性的调查——中的每个家庭首先被划分为贫困或非贫困。一个贫困衡量——不管是一维还是多维——然后加总贫困人群的信息得到一个全面的衡量指标。这个指标通常用于比较不同时期、不同地域、不同人口群体的贫困，以及用以探讨贫困的组成成分及决定因素。

瞄准和贫困衡量常常借助于不同的数据源，这极大地影响他们的设计。官方国民贫困衡量指标——不管是反映的收入还是多维贫困——通常利用周期性的家庭调查数据。家庭瞄准的数据通常来源于潜在合格家庭的普查。普查数据收集的规模以及牵涉的利益，影响所要实现的问题。例如，跟印度第11个计划目标相关的许多指标并不包含在SECC中，因为（1）管理昂贵（比如体重指标）；（2）不可核实，因此那些寻求贫困线以下资格卡的人很有可能低报（比如受教育年限）；（3）可能造成不参与政府计划的不正当激励，以免失去贫困线以下福利（比如卫生设施）；与此同时，许多类别或者识别指标涵盖在SECC及建议的评分方法里，因为这些指标可以避免上述问题且和贫困相关。这些指标比如种姓，随着时间的推移是不可能有太大的变化。如果他们发生变化，也不必然意味着贫困的相应变化。相反，他们可能反映迁移、新的立法（例如在离婚方面）、世俗化或女性的赋权等现象。

因此，瞄准和贫困测量都包括贫困识别以及使用各自兼具独特见解和不准确性的数据来源完成识别实践。我们建议，当瞄准实践与降低多维贫困相关或旨在促进多维贫困的减少时，拥有一些关联的衡量指标将有巨大的好处。这些衡量指标包括政策一致性、监管和评估的协同效应、更新目标方法的能力以及不同时期普查工具的一致性。实践中，通过使用一种包含关键指标（高数据质量，反映贫困特征）的调查工具可以识别一组多维贫困家庭。使用一组更严格的可行的普查指标能够最好复制多维贫困的瞄准方法将会被选取。如果测度之间的匹配度足够高且稳健的话，那么上述提及方法可以进行跨时期的关联分析。

（二）识别计数方法

有许多可能的测量方法可以用于识别多维贫困的人群，包括那些使用计数方法、多维反映分析、潜变量计数以及模糊集理论的方法。在下文中，我们使用计数方法来识别一组多维贫困。具体操作是赋予每个家庭一个反映贫困加权之和的分值。通过应用贫困临界值可以选择一组多维贫困（Alkire and Foster 2011)，即如果用于衡量贫困的多维标准中有一定比例大于或等于贫困临界值时，该家庭即被识别为多维贫困。贫困线临界值可以全国统一，也可以在州或地区层面上各自设定。可以选择作为瞄准测量基准的贫困临界值来瞄准给定比例的人群。Dre`ze and Khera (2010)文中提到的“二值得分”法即是计数技术的一种——通过设定第二临界值以匹配贫困线以下帽子。

用计数方法识别一组多维贫困是对2002年贫困线以下关键方法批评的回应。第一，在识别阶段，每个贫困都对总体得分有所贡献可以减少替代性。第二，按照每个指标将一个家庭划分为贫困或非贫困（二值），可以解决不合适的基数问题。第三，可以赋予每个维度同等权重便于交流(Atkinson et al. 2002)，也可以选择其他权重。第四，交叉维度贫困临界值可以像浮动利率一样确定贫困人群的不同比例以匹配各州的贫困帽。也可以识别贫困线以下穷人不同贫困密度的群体。第五，作为一种识别技术，计数技术可以根据州或省份、种姓或宗教、家庭主导者的性别、以及其他相关群体进行拆分。第六及最后，识别的计数方法可以被合并为一个综合的国民贫困测度。例如，Alkire和Foster结合被识别为贫困家庭的比例和他们经历的贫困强度——这些贫困人民经历贫困的平均比例——-来生成该阶层的最简单的贫困标准。这也可以作为一个国民多维贫困测度。

（三）将贫困线以下瞄准与国民贫困标准关联

正如对1992到2002年贫困线以下实践的依次回顾以及围绕当前更新建议的争论，为每个更新建议开发一种全新的贫困线以下方法的资源成本并不是无关紧要的。将贫困线以下家庭的瞄准与国民贫困标准关联，可以产生多个不同的协同效应。第一，贫困线以下家庭在服务、教育或健康方面的改进可以立即反映在关联的国民贫困标准，而这些改进表现在消费或支出变量上可能存在一定程度上的滞后。第二，特别是Alkire–Foster方法，可以积极反映那些比先前时期经历更少的贫困（更低的贫困强度）但依然是贫困线家庭的状况，人头法（headcount）无法实现这一点。第三，关联的国民贫困标准可以单独，也可以结合消费贫困应用于设置贫困帽，因为它可以提供每个州或地区的多维贫困概况。第四，即使贫困线以下家庭的比例因为政治原因在一段时间内保持不变，国民贫困标准可以显示贫困线以下家庭在多维贫困的组成及强度上经历的变化。最后，这种方法适用于后续的贫困线以下实践——下一轮SECC普查工具可以进行更新，那时跟国民多维标准相关度最高的指标以及权重可以进行调整从而再次生成国民标准的最好代理。简而言之，将瞄准和国民贫困测度关联可能产生协同及效率。

 

四、数据

 

在本文分析中，我们使用2005年6月份第三次全国家庭健康调查数据集（NFHS-3）。因为数据集的年限（以及下文描述的样例），所有结果都仅限于说明所提出的方法。在许多方面最好使用全国样本调查（NSS），因为它的频率、货币，还因为它包含了消费和支出项目。然而NSS数据集排除了营养不良的直接人体测量数据——这可以说是关注食物安全的贫困线以下项目最为普遍和突出的贫困之一，而NFHS数据集包括妇女、儿童及部分男性的人体测量数据。

2005年6月的NFHS-3数据具有全国代表性，也能代表所有的28个州和德里中央直辖区。它拥有109041户家庭特征的可用信息。本文使用28个州农村家庭的信息。NFHS-3数据集包含58805户农村家庭信息，其中58544户家庭至少有一个常住人口。在我们的分析中，我们使用一些并不适用于所有家庭成员的个体特征信息如职业状况、营养状况。职业状况仅适用于男性和女性受访者。我们最终的样本包含48005户家庭，以及所有家庭的可用信息和我们感兴趣的个体特征。我们保留样本的82.4%。应用抽样调查权重，48005户家庭的最终样本代表印度28个州农村家庭的82.4%，这些家庭为印度农村人口的88.7%。

 

五、基准贫困测度及识别贫困线以下穷人的一种新建议

 

这部分说明，在选择贫困线以下瞄准方法时，利用调查数据进行的实证分析如何补充政治和程序上的考虑。尤其是，这部分基于公共政策重点识别了一组多维贫困人群，并利用和SECC相似的问题校正一种关联的瞄准方法。因此，这部分说明选择一种贫困线以下瞄准方法的方法。由于数据限制及公众和政策争议的需要，这部分自然仅作说明之用（Sen 2004）。

（一）方法重要吗？

但是方法论重要吗？如果上述所有提议的方法识别出大致相同的一组贫困线以下家庭，那么选择哪一种方法对结果影响不大。然而，正如我们早期发现(Alkire and Seth 2008，2013)，方法很重要。事实上，即使我们只能对方法进行不完全匹配，也会发现显著的不同。如果我们能够匹配所有的标准，那么这个差异可能会更大。

总之，在Alkire和Seth（2013）文中，只要NFHS-3中农村家庭数据允许,我们就为每个家庭构建一个伪分数。这个伪分数匹配Saxena指标、替代得分技术及社会经济种姓普查贫困线以下瞄准方法。然后我们比较三种方法在不同临界值上（从35%左右到80%以上）识别贫困线以下家庭的差异。当全国平均55%-59%左右的家庭被识别为贫困线以下时，我们发现通过三种方法只能同时识别41%的家庭为贫困线以下以及27%的家庭为非贫困。三种方法对剩下32%农村家庭的状况方面存在争议。当覆盖率上升到近80%，方法之间的一致性明显提高。因此，如果把贫困线以下帽子设置在农村平均水平接近于60%而非80%时，使用一种方法而非另一种方法的错误可能影响到农村家庭的32%。

同样地，我们探讨三种方法的排除标准是否排除了相同的家庭。为了做到这一点，我们也使用NFHS-3数据创造不完全的伪分数。在SECC标准匹配中，近四分之一的农村家庭被排除在外；相比之下，被Saxena及替代得分方法排除掉的家庭比例较小。注意，这些不同的排除比例已经限制可能达成共识的方面。被SECC标准排除的家庭中，有58.5%的家庭不会被Saxena或替代得分方法排除。例如，所有农村家庭的4.2%会被SECC标准自动排除，但在Saxena评分中会得到3分及以上——如果全国至少有57%的家庭被识别为贫困线以下，那么上述家庭将会被识别为贫困线以下。此外，被SECC标准自动排除的2%的农村家庭，却会被Saxena标准自动纳入到贫困线以下名单中。

最引人注目的是，近31%的农村家庭会被至少一种排除法排除，但是三种方法仅对其中25%以下的家庭或所有农村家庭的7%达成一致。三种方法在其他24%农村家庭状况上存在争议。所以简而言之，当75-90%的农村家庭被识别为贫困线以下，对这三种特定的排除方法而言，伪排除法生成的结果差异很大。在这个例子中，当75%以上的农村家庭被识别为贫困线以下，同等水平下，得分和包含法似乎比排除法产生更小的分歧。鉴于此，我们将使用得分和包含法而非排除法来校正基准。自然地，相似的方法也可以用于排除法的校正。

（二）多维贫困的一个基准

在第11个计划（GoI 2008）中，印度政府意识到应该重视贫困的某些重要方面。因为多重贫困折磨着最弱势的群体且受公共政策影响，因此将贫困形容为多维的性质。第12个五年计划前景及政策挑战讨论时，Ahluwalia (2011)强调了贫困的多维性质，包括并超越了人均消费支出。

最近Alkire、Santos（2010）和联合国发展计划署人力发展报告处联合开发了一个国际的贫困衡量指标（称作多维贫困指标，MPI），这个指标包含在人力发展报告中。基于三个维度和福利十个指标的MPI，因其简单性和应用性受到关注。这些MPI指标跟第11个计划的一些重要方面（如果不是全部）相匹配。此外，它是从NFHS-3数据中建立起来的一种相对简单的方法。因此，在本文中，出于阐述目的，我们首先使用那些已被用来构建MPI的维度和指标来校正贫困线以下方法。随后，我们使用一组多维标准进行稳健性检验，这组多维标准引进跟第11次计划相关的附加指标及其权重结构。

MPI相关统计数据（来自农村家庭的样本）见表2。

我们使用这组指标的联合分布来检验各项建议选择标准如何充分地识别同一组多维贫困（MD-poor）及其差异程度。当然任何官方基准指标（反映何为贫困，谁是穷人的价值判断）必须由政府论证制定并经过相关机构的适当程序进行采纳。在本文中，从使用MPI变量作为选择瞄准方法及其附加值的方法的便捷工具入手。

MPI遵循Alkire和Foster（2011）的双重临界值方法,对多维贫困家庭进行识别，详见这个特定话题的介绍。表2第一列报告了10个指标分组的维度；第二列报告这些指标；第三列报告每个指标的贫困临界值；表中第四列报告了农村家庭（注意，不是人口）贫困指标的百分比。我们使用与MPI构造中相同的权重结构。赋予教育、健康、生活水平三个维度各1/3的权重，然后赋予健康和教育维度下面的每个指标1/6权重以及赋予生活水平维度下面每个指标1/18的权重。如果一个家庭在加权指标33%及以上显示为贫困，则MPI识别该家庭为MPI穷人。然而，这次实践，我们考虑了不同的贫困临界值，所以首先描述贫困的所有情况。

为了对联合分布有个认识，图1呈现了多维联合贫困的家庭分布情况。仅2.7%的家庭在任何维度上都显示为非贫困，而2.1%的家庭在加权指标90%-100%区间中显示为贫困；圆圈里头，11.7%的家庭在加权指标10%-20%区间显示为贫困，16.6%家庭在加权指标20%-30%区间显示为贫困，以此类推。在下文中，基于这10个指标及其特定权重的MPI贫困值作为多维贫困的基准测度。一个基准值可能反复应用于评估和监控瞄准方法的有效性。我们通过选择不同的贫困临界值（k）识别多组不同的多维贫困。在下文中，我们选择k个全国统一的临界值，然后选取其中一个确定贫困家庭的合适比例（人头比）用于相关比较。实践中，实际的贫困临界值应该通过价值判断进行设置，并告知实践目的。

（三）哪种方法最充分地识别多维贫困？

概述完2002年贫困线以下方法的诸多改进建议以及引入说明性的多维基准测度后，我们试图理解哪一种建议最好地识别多维贫困（MD-poor）。我们指定由Saxena（2009）方法识别的一组伪贫困线以下穷人为S-poor,由SECC 2011识别的这组伪贫困线以下穷人为SECC-poor。注意，对于所有这些方法，都是应用表1中所列的相应排除标准识别伪-贫困线以下穷人的。对于S-poor，我们使用表1中组1第一列所列的排除标准，对于SECC 2011,我们使用表1中组3第一列所列的排除标准。我们通过MD-poor数量与Saxena和SECC两种方法在全国层面下识别的伪-贫困线以下家庭数量相匹配，从而选择识别MD-poor的贫困临界值。比如，我们发现在所有加权指标的1/3及以上区间农村贫困家庭占比64.9%，所以如果贫困临界值设在所有加权指标的1/3，64.9%的农村家庭将被识别为MD-poor。类似地，如果贫困临界值设在所有加权指标的50%，33.8%的农村家庭将会被识别为MD-poor。

 

表2：维度、指标、贫困临界值和MPI指标的人头比例（资料来源：第1-3列来源于Alkire et al.（2011），第四列数据是本文作者利用Sect中描述的农村家庭样本计算而得。）

维度	指标	家庭贫困指标定义	贫困百分比（%）
教育	受教育年限	没有家庭成员完成五年教育	23.9
	儿童上学	家庭任何学龄儿童没有上学到8年级ａ	20.1
健康	儿童死亡率	家庭死去的任何孩子ｂ	29.3
	营养	家庭营养信息中任何营养不良的成年妇女或儿童ｃ	52.7
生活水平	用电	家庭没电	43.1
	获得改善的卫生设施	家庭的卫生设施没有改善或与其他家庭共用	81.7
	获得安全饮用水	家庭没有获得安全饮用水或需要30分钟往返路程才能获得安全水	19.1
	地板材料类型	家庭的地板有飞尘、沙子或粪	63.3
	炊用燃料类型	家庭使用牛粪、木板或木炭做饭	90.4
	资产所有权	家庭拥有的设备不多于一个：广播、电视、电话、自行车、摩托车或冰箱，并且不拥有自己的汽车或卡车	59.7

a如果家庭没有学龄儿童，则在上学维度上，视为没有贫困；

b如果受访资料中的某个家庭没有妇女，则在死亡率维度上，视为没有贫困。

c如果一个成人的BMI小于18.5/kg²，则视为营养不良；如果儿童的体重-年龄Z分数比世界卫生组织儿童成长标准的Z分中位数低2个以上标准差，则视为营养不良。如果家庭中没有妇女或儿童的营养数据，则在营养维度上，视为没有贫困。



 

图1：按照贫困得分的家庭分布

表3将识别为多维贫困的家庭跟三种方法识别的贫困线以下家庭进行了比较。第一列报告了伪-贫困线识别方法；第二列报告了各种伪-识别方法识别的贫困家庭比例；第三列报告了那些可以被识别为多维贫困的相似比例；注意，由于SECC7个指标存在聚拢问题，这个数字并不能完全地匹配，但是可以显示识别之间的差异。

表中组1，将不同贫困帽下识别为多维贫困家庭的比例和识别为S-poor的家庭比例进行比较。当35-36%的家庭被识别为贫困线以下及多维贫困时，仅有17.2%的家庭被两种方法同时识别为贫困。相应的匹配指数为0.48，这意味着被识别为多维贫困家庭的48%也被Saxena方法识别为贫困线以下。因此，17.2/35.9=0.48。换句话说，识别为多维贫困家庭中的52%没有被识别为贫困线以下，所以我们称覆盖不足比例为52%。从另一个角度看待匹配，通过S-poor方法识别为贫困线以下家庭的51.2%没有被识别为多维贫困。所以假设基准测度是准确的话，那么我们称这个指标为“泄漏比例”。当近46%家庭被识别为贫困线以下和多维贫困，覆盖不足比例和泄漏比例分别为39.1%和38.8%。显而易见，可以预期到，当贫困帽增加或更高比例的家庭被识别为贫困线以下，覆盖不足比例和泄漏比例都会降低。

组2将不同贫困帽下识别为多维贫困的家庭比例和识别为SECC-poor的家庭比例进行对比。采用SECC2011方法根本不可能将54.9%以上的农村人口识别为贫困（这本身就是个问题）。我们将多维贫困家庭比例为近30%以及SECC-poor家庭比例为50%的点作为贫困临界值。当近30%的家庭被识别为多维贫困时，15.9%的家庭被两种方式识别为贫困（匹配指数为0.53）。覆盖不足比例为46.8%，泄漏比例则为48.2%。当贫困帽设在近55-56%时，40.1%的家庭被识别为多维贫困（MD-poor）及贫困线以下。虽然SECC 2011的匹配指数稍微高于Saxena（2009），但是从这次实践中可以看到，每种识别方法的错误都很高。值得注意的是，如果更低比例的家庭被识别为贫困，那么这些方法只能识别小部分的多维贫困。这意味着这些方法对贫困家庭的排序不同于我们的基准测度。然而，在贫困线以下数据中，农村贫困帽很可能处于国家层面的70%-80%之间。

现在让我们比较SECC排除法准确排除非多维贫困的程度。注意，我们只能匹配提议排除标准的一个子集。如果我们能够匹配所有（标准），那么被自动排除在外的家庭份额可能会更大。记得使用我们的方法，SECC排除掉近24%的农村家庭。如果在被SECC标准排除的家庭中考虑10个MPI指标，我们发现被排除的家庭中有19.1%在受教育年限上显示为贫困，29.8%在儿童上学上显示为贫困；38.1%在儿童死亡率上显示为贫困，48.2%在营养上显示为贫困，31.2%在用电上显示为贫困，50%在获得改善的卫生设施上显示为贫困，38.5%在获得安全饮用水上显示为贫困，45.6%在地板材料类型上显示为贫困，46.9%在炊具燃料类型上显示为贫困，以及36.0%在资产所有权上显示为贫困。

鉴于被SECC2011自动排除的家庭中在MPI一些指标中有更高的贫困比例，是否这些被自动排除的家庭在多维上是贫困的呢？答案是肯定的。事实上，我们发现被SECC标准自动排除家庭中的57.1%（这个相当于农村家庭的14%）在20%的加权指标中显示为贫困的。所以根据联合国开发署2010年使用的定义及2011年人力发展报告的定义，这些家庭将被视为弱势群体。被排除家庭的34.4%（所有农村家庭的8.4%）在三分之一的加权指标中显示为贫困；被排除家庭的12%（所有农村家庭的2.9%）在加权指标的50%中显示为贫困或严重贫困。分歧看来是真的：被SECC2011排除的家庭中的8.4%在加权指标的三分之一及以上显示为贫困。其中，76%家庭有营养不良的妇女或儿童而93%家庭缺少清洁的炊具燃料。

表3：多维贫困组（MD-poor）与不同贫困线以下方法的比较

贫困线以下比例（%）		多维贫困 比例（%）	BPL和多维 贫困比例（%）	匹配指数	覆盖不足比例（%）	泄漏比例（%）
组1：Saxena（2009）
35.4	35.9		17.2	0.48	52.0	51.2
46.3	46.6		28.4	0.61	39.1	38.8
56.8	56.2		38.6	0.69	31.2	31.9
66.9	64.9		49.8	0.77	23.3	25.5
82.4	81.5		70.4	0.86	13.6	14.6
组2：SECC 2011
30.6	29.8		15.9	0.53	46.8	48.2
54.9	56.2		40.1	0.71	28.7	27.0

表4：十项二值得分指标

序号	指标	定义	贫困比例（%）	多维贫困得分
				贫困	非贫困
1	失去土地	失去土地为1；否则为0	40.7	4.15	4.04
2	外壳（墙）	墙壁是由未改善的材料建造为1；否则为0a	45.9	4.94	3.72
3	住房（屋顶）	屋顶是由未改善的材料建造为1；否则为0b	27.7	5.04	3.81
4	团体	SC/ST家庭为1；否则为0	31.2	4.70	4.02
5	单身	由女性、儿童、老人主导且没有16-59岁男性为1；否则为0c	9.9	4.66	3.46
6	职业	家庭成员都是种植工人、临时工、农业工人为1；否则为0	49.7	4.72	3.28
7	教育	没有家庭成员受教育超过4年为1；否则为0	29.9	5.99	4.06
8	残疾	有肺结核的家庭成员为1；否则为0	2.4	5.02	3.28
9	过度拥挤	3个及以上家庭成员居住一间为1；否则为0	48.2	4.66	3.55
10	抚养	（儿童d及老人）/成人≥2为1；否则为0	8.8	5.47	3.95

a如果房子的墙是由甘蔗/棕榈/树干、泥巴、草/芦苇/茅草、带泥巴的竹子、石头泥、胶合板、纸板、未烧制的砖、原料/再利用木材构成，或者没有墙则视为未改善；

b房子的屋顶如果由茅草/棕榈叶、泥、泥和草混合、塑料/聚乙烯板材、质朴垫、棕榈/竹、原木板/木材、未烧制的砖，松散石头构成，或没有屋顶则视为没有改善；

c未成年人指未满16岁的；老人指的是那些大于59岁的家庭成员；注意到我们的样本并没有涵盖到所有老人主导的家庭，否则，这个人头比例可能会更高；

d儿童指的是未满16岁的成员；老人指的那些大于59岁的成员；儿童和老人跟成人比指的是老人和儿童的数量除以家庭中16-59岁成人的数量。

由于职业排除标准仅适用于受访者及其伴侣（如果有的话）而不是所有的家庭成员，那么这个排除标准可能产生不准确。所以为了探讨上述发现，我们仅应用前6个排除标准（“附录二”）。我们发现被这些更严格特征排除在外家庭中的45.3%在所有加权指标中的20%上显示为贫困。被前六个排除标准排除的所有家庭中有26.1%（所有农村家庭的6.4%）在所有加权指标的三分之一上显示为贫困。因此，我们发现不仅SECC得分标准情形不匹配多维贫困（MD-poor）识别，SECC排除标准也可能不正确地排除掉多维贫困（MD-poor）。事实上，超过四分之一家庭（这些家庭被SECC排除在贫困线以下名单之外）通过其他方式被识别为多维贫困（MD-poor）。出于这个原因，下文中我们将不应用这个排除标准。

（四）十项二值得分：一种建议

上述部分发现Saxena（2009）及SECC伪-得分结构并不能非常接近地识别这组多维贫困（MD-poor）。SECC排除标准还误识别了按照多维贫困方法识别出来的非贫困家庭。此外，由于聚拢问题，SECC2011标准（在识别的第三阶段，将人口有效地划分为3或4组）不能识别54.9%以上的家庭为贫困线以下。所以，即使采用这些方法后，在一些方面还是需要额外的标准。是否存在更简单的替代可能？我们探索了一种与Alkire and Seth（2008）相类似的二值得分方法。在这种情况下，我们探索一种包含得分法而非排除法，但是在实践中，改进过的瞄准方法既可以包含得分法也可以包含排除法。在这种二值得分法中，对10个同等权重指标的每一个，分别将人们识别为贫困或非贫困。然后赋予他们一个贫困线以下分值——这个家庭同时被几个指标识别为贫困的得分。当贫困得分高于贫困线以下临界值时，这些家庭被识别为贫困线以下。

为了代理家庭的直接贫困，我们选择SECC问卷中已经可用的十个同等权重指标——这些指标被认为易于理解、收集成本低廉且容易核实。十个指标见表4。表中第二、第三列罗列了十个指标及其定义。我们已经将SECC2011中的第一个得分标准划分为三个指标——外壳（墙）、住房（屋顶）以及过度拥挤——这样就可以捕捉到贫困家庭更多的变异。出于同样的目的，我们还把第七个标准划分为2个指标——失去土地和职业。我们还修正了一些指标，这样可以更好的捕捉家庭贫困且不会给任何家庭成员带去不利影响。例如，与单纯看待儿童-成人比相反，我们使用略加修改定义的抚养比。因为前者可能鼓励家庭抛弃年老的需要赡养的成员，以获得贫困线以下资格卡的申请资格，然而意图必须创造人性化的激励。

表4第4列报告了使用来自NFHS-3农村数据集的代理在每个指标上显示为贫困的家庭比例。接近一半的家庭在职业和过度拥挤指标上显示为贫困。只有2.4%家庭在残疾指标的不完善代理上显示为贫困。因为NFHS数据集上没有相关的可用的信息，所以无法包含其他种类的残疾。第5列和第6列报告了基于家庭基准测度，每个维度上贫困和非贫困的平均贫困得分。可以看出，每个指标上贫困家庭的平均贫困得分高于相应指标上非贫困的得分。教育和居住指标上贫困分值的差异较大，失去土地指标上的贫困分值差距较小。

正如前面与其他贫困线以下方法比较，表5显示了十项二值得分法如何识别这组多维贫困(MD-poor)。当35-37%的家庭被识别为贫困，22.3%的家庭既被识别为贫困线以下也被识别为多维贫困。匹配指数是0.62。覆盖不足比例和泄漏比例分别为37.8%和39.9%，低于采用其他两种方法在相似贫困家庭数量下的对应比例。这可以从表5中看出来。当56-57%的家庭被识别为贫困，这个十项二值得分方法将其中的41.7%识别为多维贫困（MD-poor），覆盖不足比例和泄漏比例分别为25.9%和26.3%。最后，当74-76%的家庭被识别为贫困，覆盖不足比例为15.4%而泄漏比例为17.3%。显然，对于较低的贫困临界值，匹配优于使用排除标准的方法；对于较高的贫困临界值，匹配并未逊色于使用排除标准的方法。

（五）一种替代的基准测度：稳健性检验

迄今为止，因MPI跟第11个计划共鸣及其简单性，我们已经使用它作为一个说明性的测度。但在实践中，每个国家可能会自己设计最能反映贫困的多维贫困指数（包含维度、指标、临界值及权重）。在本小节中，我们通过使用一种替代基准测度检验上述结果的稳健性，这个替代基准测度使用的十个指标跟第11个五年计划提到的目标密切相关(GoI 2008和Ahluwalia 2011)，并且这些指标都在NFHS-3数据集里。然后，我们重新校准分析去检验上一小节中结论的稳健性。表6罗列了这些指标，其中第一列罗列了在之后表格中用到的指标数量。第三列报告了这些指标上贫困家庭（注意，不是人口）的比例。

正如前文所述，当家庭贫困得分降到贫困临界值以下即被识别为贫困，其中贫困得分是基于特定的权重结构加总贫困而得。在本文中，为了开发一种对于一系列合理的权重结构表现稳健的识别方法（SEN 1996），我们补充了用于替代基准测度（以一种更强的方式）的识别。鉴于这个方法需要对那组识别为贫困线以下的家庭表现稳健，我们将满足条件的家庭识别为多维贫困：一是通过基准测度识别为贫困；二是使用3个额外权重方案的相同指标加总识别为贫困。我们将这组贫困家庭称作-poor。基于这些指标可能被划分为不同的维度，表7报告了一组可能合理的指标及权重方案。

表5：多维贫困组跟十项二值得分法（非排除法）的比较

贫困线以下 比例（%）	多维贫困 （%）	贫困线以下& 多维贫困（%）	匹配指数	覆盖不足 比例（%）	泄漏比例（%）
十项二值得分
37.2	35.9	22.3	0.62	37.8	39.9
56.5	56.2	41.7	0.74	25.9	26.3
75.8	74.2	62.8	0.85	15.4	17.3

 

表6：替代基准测度的指标、贫困临界值及人头比例

S1序号	指标	指标上的贫困家庭（若有）	贫困比例（%）
1	住房	居住在小型房子	18.4
2	用电	没有用电	43.1
3	营养	至少一个家庭成员遭遇营养不良a	55.9
4	改善的卫生设施	没有任何设施或使用无梁板的坑厕，堆肥/干燥/其他未改善设施，灌木或田野	76.3
5	清洁的饮用水	来源于未受很好保护的井水、泉水、河水/水库/湖泊/池塘/溪流、加油车、小坦克车及其他不洁来源	15.6
6	改善的炊具燃料	没有厨房，燃料来源于煤、褐煤、木炭、木材、稻草/灌木/草、农作物、动物粪便及其他未经改善的来源	30.8
7	经济福利	至多拥有四个项目之一：黑/白电视、电风扇、压力锅或者收音机；且不拥有下列任何项目：汽车、摩托车、固话、冰箱、床垫、桌子、彩电、电脑、脱粒机或拖拉机	32.9
8	教育	成人都没有完成5年教育b	29.9
9	就业	主要职业要么是农业劳动者要么是佃农；受访者及其伴侣的主要职业要么是工匠要么是临时工；且财富指数方面，处于底部2/5；或被识别为贫困或保税劳工	34.5
10	儿童状况c	至少有一例童工或至少有一个5-14岁的儿童因任何原因没有上学d	16.1

 

a该指标包括男人、妇女及儿童的营养不良信息，如果有的话；

b如果家庭由未成年人主导或者家庭没有成人成员（14岁以上），那么该家庭视为贫困；

c请注意仅有66.7%的家庭拥有至少一个5-14岁年龄段的孩子，所以这些家庭的24.6%在儿童状况上为贫困；

dNFHS-3不允许我们包括那些15-18岁年龄段的劳动者状况；

表7：表6中10个指标划分为不同纬度的四组

第一组			第二组			第三组			第四组
纬度	SI 序 号	权重	维度	SI 序号	权重	纬度	SI 序号	权重	维度	SI 序号	权重
基础设施	1	1/16	物质	1	1/12	物质	1	1/12	生活 水平	1	1/30
	2	1/16		2	1/12		2	1/12		2	1/30
健康	3	1/8		7	1/12		7	1/12		4	1/30
卫生	4	1/16	健康和卫生	3	1/16	卫生和健康	3	1/16		5	1/30
	5	1/16		4	1/16		4	1/16		6	1/30
空气质量	6	1/8		5	1/16		5	1/16		7	1/30
资产	7	1/8		6	1/16		6	1/16	健康	3	1/5
教育	8	1/8	教育	8	1/4	教育和就业	8	1/8	教育	8	1/5
就业	9	1/8	生计	9	1/8		9	1/8	就业	9	1/5
儿童	10	1/8		10	1/8	儿童	10	1/4	儿童	10	1/5

 

                  

表8：多维贫困（）、不同贫困线以下方法、二值得分方法之间的比较

贫困线以下（%）	多维贫困 比（%）	贫困线以下& 多维贫困（%）	匹配指数	覆盖不足 比例（%）	泄漏比例（%）
组1：Saxena （2009）
35.4	33.0	21.2	0.64	35.8	40.1
46.3	46.2	33.2	0.72	28.2	28.4
56.8	55.1	42.4	0.77	23.0	25.3
66.9	67.0	54.2	0.81	19.0	18.9
82.4	80.8	71.0	0.88ª	12.1	13.9
组2：SECC 2011
30.6	29.9	18.4	0.61	38.5	40.1
54.9	55.1	42.5	0.77	22.9	22.6
组3:10项二值得分
37.2	39.7	27.3	0.69	31.1	26.5
56.5	55.1	44.2	0.80	19.8	21.8
75.8	76.5	65.6	0.86	14.2	13.4

ª当75%-83%的家庭被识别为贫困线以下，表中Saxena（2009）的匹配指数看起来比10项二值得分稍大。然而，我们首先应该注意到：被识别为-poor比Saxena(2009)识别为贫困线以下穷人的比例少1.6%，将会有更大贫困线以下穷人被识别为-poor的可能。反之，被识别为贫困线以下穷人比SECC2011方法识别为-poor的比例少0.7%，将会有更少份额的贫困线以下穷人被识别为-poor的可能。其次，随着识别为贫困线以下及-poor比例的增加，匹配指数也会增加；如果通过SECC2011识别为贫困线以下家庭的比例从75.8%增加到82.4%，那么对应的匹配指数预期也会增加。

第一组中的维度和指标属于替代基准测度；第二组仅将指标划分为4个维度，然后使用嵌套的权重。将基础设施和资产所有权组合，生成一个称作物质的维度。类似地，健康和卫生组合成健康和卫生维度；儿童状况和就业维度也被重新组合生成一个家庭工作状况的维度，称其为生计；注意，第二组中教育维度获得相对较高的权重。第三组也是4个维度，它将教育和就业结合到一起。这些分类给物质、卫生和健康更高的权重，并给儿童状况最大的权重。最后，第四组有5个维度，跟MPI最为类似。生活水平维度上有MPI中6个完全相同的指标。除了MPI的3个维度外，新增了就业和儿童2个维度。

正如前文提到的，为了让多维贫困家庭识别对任何一个权重结构（使用替代的指标）脱敏，当家庭被四种权重结构都识别为多维贫困时，才识别该家庭为。换句话说，通过四组的交集识别这组。为了识别一组，我们选择一个交叉维度的临界值（k），并应用于四种方法中。接下来，我们选择这k个临界值作为全国统一，并选定其中之一识别贫困家庭的合适比例便于相关比较。在实践中，任何实际的贫困临界值应当通过价值判断进行设定，并通过预算约束进行告知。

表8显示了Saxena（2009）、SECC2011以及十项二值得分方法如何识别多维贫困。跟之前一样，我们使用不同的贫困临界值。使用二值得分标准，当37-40%的家庭被识别为贫困时，有27.3%的家庭被识别为多维贫困及贫困线以下贫困。匹配指数是0.69。覆盖不足比例和泄漏比例分别为31.1%和26.5%，低于先前三种方法在相似贫困家庭数量下得到的相应比例。当55-56%的家庭被识别为贫困，十项二值得分方法识别44.2%的家庭为多维贫困，其中覆盖不足比例和泄漏比例分别为19.8%和21.8%。最后，当75-77%的家庭被识别为贫困，覆盖不足比例介于14.2%，泄漏比例介于13.4%。正如之前所述，对于较低的贫困临界值，匹配优于使用排除标准的方法；对于较高的贫困临界值，匹配也未逊色于使用排除标准的方法。

六、结论

本文探讨了用于识别印度贫困线以下家庭的方法。迄今为止，贫困线以下瞄准实践因为普查工具、数据质量差及腐败而受到广泛的批评。2011年，通过萨克塞拉委员会（Saxena 2009）、社会经济种姓普查文件（GoI 2011）及其他方式阐明的不同贫困识别建议也引起了激烈的争议。然而评估这些不同方法建议的标准仍未清晰。

通过补充不同的建议标准尽可能使用相同的数据集，并比较不同方式在选择贫困线以下家庭的不匹配度，我们发现瞄准方法的选择在实证上至关重要。

本文建议选择那种最接近基准多维贫困测度（基于调查数据）的贫困线以下方法。基准测度反映国家及州层面上的多维贫困。这种贫困线以下瞄准方法应该最贴切地代理这组被基准测度（使用普查数据变量及透明、易于理解的方法）识别为贫困的家庭。基准测度可以用于理解和分析随着时间推移多维贫困的减少情况。考虑到多维贫困可核查的代理指标会随着时间改变，未来的BPL/SECC普查设计、排除/包含/得分方法，也需要根据基准测度按照要求进行更新。后续贫困线以下实践中释放出的时间和精力可以专注于其他重要的事项。

声明：本文历经多个版本。感谢2008年6月牛津OPHI研究会议、2008年新德里HDCA会议、赫尔辛基贫困研究前沿WIDER会议、2011年国际经济协会第十六届北京会议、2010年牛津米迦勒OPHI午餐系列研讨会、2011年南亚过渡会议的参与者，感谢Jean Drèze，Reetika Khera，Rinku Murgai，Abhijit Sen及匿名审稿人对这一草案前几个版本的建议。我们承担所有错误。

论文信息：

陈燕凤（译），夏庆杰（校）

Sabina Alkire • Suman Seth，Selecting a Targeting Method to Identify BPL Households in India，Soc Indic Res (2013) 112:417–446，DOI 10.1007/s11205-013-0254-6.

附录1

表9：2002年贫困线以下普查问卷

序号	特征/问题	得分
		0	1	2	3	4
1	持有的经营性土地规模	零	无需灌溉土地少于1公顷（或需灌溉土地少于0.5公顷）	1-2公顷无需灌溉土地（或0.5-1公顷需灌溉土地）	2-5公顷无需灌溉土地（1-2.5需灌溉土地）	5公顷以上的无需灌溉土地（或2.5以上的需灌溉土地）
2	房子类型	没有房子	Kachha	Semi-pucca	Pucca	城市类型
3	普通穿著衣服的平均拥有量（每户家庭件数）	<2	[2，4]	[4，6]	[6，10]	>10
4	食物安全	一年大部分时间少于1平方餐/天	通常1平方餐一天，偶尔少于1平方餐	全年每天都有1平方餐	每天2平方餐，偶尔短缺	全年都有充足的食物供应
5	卫生环境	露天	不定时供水的集体厕所	定时供水的集体厕所	定期供水及清洁的干净的集体厕所	私人厕所
6	消费耐用品的所有权：是否拥有（√）：电视、电风扇、收音机、压力锅	无	任何一个	只有2项	任意三项及以上	所有项目或其中之一：电脑、电话、冰箱、彩电、电动厨房器具、昂贵的家具、LMV、轻型商用车、拖拉机、机械化两轮/三轮车、电力拖拉机、脱谷机、收割机、4轮机械轮子
7	最有文化成年人的识字状态	不识字	小学（五年级）	初中毕业（通过八年级）	大学或专科文凭	研究生/专业研究生
8	家庭劳动力的地位	保税劳动力	女性和童工	只有成年女性，无童工	只有成年男性	其他
9	谋生方式	临时工	种植维持生计	工匠	工资	其他
10	儿童状态（5-14岁的任一儿童）	没有去学校或工作	去学校及工作			去学校或没有工作
11	债务类型	从非正式渠道，用于日常消费	非正式渠道，出于生产目的	非正式渠道，用于其他目的	仅从正规机构借贷	没有债务，有资产
12	从家庭迁出的原因	临时工作	季节性就业	其他谋生形式	无迁出	其他目的
13	援助偏好	工资就业/TPDS（针对性公开分配体系）	自雇	培训及技能提升	住房	贷款/超过1万卢比的补助或无需补助

附录2

表10：Saxena方法和社会种姓普查（SECC）2011的伪标准（资料来源：1-3列来源于Alkire and Seth（2013），第四列数据是作者根据第四部分中农村家庭样本计算而得。）

序号	标准	Saxena 委员会		家庭比例
1	拥有的无需灌溉土地是PSU平均的2倍；需灌溉土地是PSU平均的3倍。	排除	5.6
2	拥有一辆车	排除	1.0
3	拥有一辆打谷机或拖拉机	排除	4.1
4	家庭任一成员拥有健康险且该家庭财富得分不在底部2/5。	排除	2.4
5	由单身女性主导的家庭	包含	12.0
6	由未成年人主导的家庭	包含	0.3
7	家庭任一成员是保税劳动力	包含	0.2
8	被认为贫困的家庭	包含	0.4
9	指定的种姓（SC）或指定部落家庭（ST）	3	31.2
10	穆斯林家庭或其他落后阶层（OBC）	1	48.4
11	任一家庭成员患有肺结核	1	2.4
12	由老人主导的家庭	1	16.2
13	家庭的主要职业是失地农业劳动者	4	12.2
14	家庭的主要职业是份额种植	4	3.3
15	家庭的主要职业是工匠或临时工	2	8.2
16	家庭的主要职业是弄明或拥有部分土地	3	10.3
17	没有家庭成员（30岁以上）完成5年级的学业	1	45.4
	被Saxena（2009）排除的家庭		10.9
序号	标准	标准类型	家庭比例
2011社会经济种姓调查
1	拥有一辆四轮车或吉普车	排除	1.0
2	拥有一辆拖拉机或打谷机	排除	4.1
3	房子是pucca类型，有3个以上房间	排除	2.2
4	家庭有一个冰箱	排除	6.8
5	家庭有固定电话	排除	8.2
6	家庭有一个机动车	排除	11.7
7	家庭有健康险	排除	2.4
8	受访者或其伴侣在专业、管理或技术岗位工作	排除	6.5
9	只有一个房间的kachha类型房子	评分	12.4
10	没有16-59岁的成人成员	评分	0.1
11	没有16-59成人男性成员且由女性主导	评分	7.7
12	任一家庭成员患有肺结核	评分	2.4
13	指定种姓或指定部落家庭	评分	31.2
14	家庭有25岁以上不识字的成人	评分	34.1
15	家庭主要职业是手工劳动者且没有土地	评分	23.2