报告行业投资评级 未提及相关内容 报告的核心观点 - 主流多维贫困衡量指标中的调整后贫困发生率指数存在不当激励，政策会优先针对贫困程度最轻的个体而非最重的个体 [2][8] - 提出快速修正方案，调整调整后贫困发生率指数，消除不当激励且不影响个体未脱贫时的比较结果 [8] - 新指数除维度分解属性外，满足与调整后贫困发生率指数相同的属性，且维度分解属性在寻找最优政策和监测贫困进展时存在局限性 [9][12] 根据相关目录分别进行总结 引言 - 优先主义认为社会保护政策应优先针对贫困个体，而调整后贫困发生率指数存在不当激励，本文提出快速修正方案 [7][8] - 多维贫困衡量指标广泛应用且多基于调整后贫困发生率指数，其不当激励可能影响政策制定 [8] - 问题源于个体脱贫时贫困贡献的“跳跃”，解决方案是降低贫困个体的贫困贡献，保留Alkire - Foster贫困识别方法并调整指数 [8] 基本框架 - 引入必要符号，个体在各维度有剥夺或非剥夺状态，通过剥夺分数与贫困阈值比较识别贫困个体 [15] - 多维贫困衡量指标需贫困识别方法和贫困指数，全球MPI和世界银行的MPM基于调整后贫困发生率指数定义 [15][16] 不当激励 - 货币贫困中，优先主义贫困衡量指标应满足Pigou - Dalton转移原则，调整后贫困发生率指数在多维情况下违反强转移公理 [20] - 以全球MPI为例，说明其违反强转移公理，存在政策优先针对贫困程度最轻个体的不当激励 [21] - 头count比率也存在不当激励且程度更大，Alkire和Foster定义的Mα和Mγ类贫困指数也有类似问题 [22][25] 快速修正：调整M0 - 一种解决方案是将贫困阈值改为k′ = minj wj，但会失去Alkire - Foster识别方法得出合理贫困发生率的优势 [26] - 另一种解决方案是保留识别方法，将贫困个体的贫困贡献改为多维“贫困差距”，新指数M′0满足强转移公理 [26][32] - M′0与M0在比较具有相同识别向量的剥夺矩阵时结果相同，能避免M0的不当激励 [32] 维度分解的两个局限性 - M′0不满足维度分解属性，但该属性在寻找最小化M0的政策和监测M0进展时存在局限性 [35] - 维度分解在寻找最小化M0的政策时不直接有用，无法提供必要信息，不同剥夺矩阵的分解相同但最优政策不同 [38][42] - 维度分解在监测M0进展时可能产生误导，对各维度进展的评估与实际情况不符 [43][49] 结论 - 最优政策会优先针对贫困程度最轻的个体，提出的调整方案可消除不当激励，保留Alkire - Foster识别方法 [52] - 调整后的指数违反维度分解属性，该属性在最优政策制定中不一定有明确作用 [52]