报告行业投资评级 未提及相关内容 报告的核心观点 - 就业是拉美和加勒比地区减贫的主要途径，2009 - 2014年就业创造和收入增长约占该地区减贫的三分之二 [4][5] - 2016 - 2024年该地区创造约2700万个净新增就业岗位，但就业质量存在问题，如非正规就业占比高、劳动收入不平等、生产率增长有限等 [4][30] - 预计2025年该地区就业创造和收入增长将下降，面临人工智能自动化、数字基础设施差距、可持续经济转型等新挑战 [7][100][101] 根据相关目录分别进行总结 1. 趋势和预测 - 就业是全球减贫的主要机制，2009 - 2014年拉美和加勒比地区就业创造和收入增长约占减贫的三分之二，近期劳动力市场表现使贫困率降至疫情前水平 [5] - 2016年以来该地区劳动力市场表现与商业周期一致，疫情后就业增长稳定在约2%，劳动收入自2022年年中以来一直超过GDP增长，但收入复苏慢于就业 [5][6] - 预计2025年该地区GDP增长将从2.2%降至2.1%，就业创造将降至1.6%，劳动收入增长将降至1.5% [7] - 该地区LinkedIn招聘率显示就业复苏不完全，2024 - 2025年低于2017年水平，在高技能、科技前沿领域表现不佳 [11][12] - 2016 - 2024年该地区就业创造率差异大，玻利维亚最高为4.4%，乌拉圭出现净就业岗位流失 [18][19] - 该地区劳动力受教育程度提高，2016 - 2024年15岁及以上至少接受过高等教育的人口年增长率为5.1%，就业增长在受教育程度较高的群体中更强 [24][25] - 2016 - 2024年该地区就业结构发生变化，零售和酒店业、教育和健康等服务业新增就业岗位多，初级部门就业岗位减少，大企业、城市中心、女性和高学历人群就业增长明显 [30][32] 2. 劳动力市场结构 - 2016 - 2024年该地区劳动年龄就业率上升1.3个百分点至58.9%，失业率从8.5%降至6.2%，但劳动力参与率仍低于疫情前水平 [37] - 青年失业率从2016年以来下降超过5.4个百分点，但2024年仍高达14%，近五分之一的年轻人处于未就业、未受教育或未培训状态 [38] - 2016 - 2024年大多数社会经济群体的就业率增强或保持稳定，女性就业率提高2.3个百分点，低教育程度人群就业率下降2.7个百分点 [43][44] - 该地区就业人口与总人口比率的增长与欧洲和中亚相当，高于除南亚和高收入国家以外的其他地区，但部分国家就业率下降 [48] - 该地区劳动非正规性仍是重大挑战，基于生产率的非正规率从2016 - 2024年下降2.3个百分点至42.1%，但基于社会保护的工资雇员非正规率上升0.6个百分点至30.5% [52][54] - 该地区就业质量指标显示新增就业岗位增多，但高质量就业比例未增加，就业不足率高，约一半国家就业质量下降 [55] 3. 劳动收入 - 2016 - 2019年疫情前劳动市场收入增长有限，年增长率为0.3%，不同教育程度人群收入增长不同，高学历人群平均年收入下降，低学历人群收入增加 [61] - 2024年大多数社会经济群体劳动收入至少增长3%，低教育程度人群收入增长仅0.8%，女性收入增长落后男性0.6个百分点，性别收入差距自2016年以来保持不变 [62] - 该地区劳动收入差距持续存在，乌拉圭、哥斯达黎加和智利中位数收入比区域中位数高22 - 31%，巴西和墨西哥中位数收入比区域中位数低16 - 18% [67] - 该地区是世界上最不平等的地区之一，劳动市场差距是主要驱动因素，阿根廷、巴西和哥伦比亚2024年工资不平等程度远超全球同行 [69] - 2016 - 2024年该地区工资和收入增长超过生产率，但GDP人均就业停滞，多数国家高收入与高生产率相关，但墨西哥和哥斯达黎加例外 [73][74] - 教育和性别不是该时期劳动收入增长的主要驱动因素，不可衡量因素（如努力、运气、能力等）是主要力量，与次要因素（年龄、职业、部门、城市位置）共同解释了中位数收入变化的大部分 [84] 4. 部门重新分配 - 该地区结构转型缓慢且不均衡，巴西、哥斯达黎加和墨西哥就业向高生产率部门转移，同时农业和建筑业就业份额下降，但并非所有国家都有类似转变 [90][91][93] 5. 应对未来：劳动力市场挑战与机遇 - 预计到2025年该地区就业创造和收入增长将下降，难以创造足够的高质量就业岗位来加速减贫进程 [100] - 该地区除面临高非正规性和高劳动收入不平等的结构性挑战外，还面临人工智能自动化、数字基础设施差距、可持续经济转型等新威胁 [101] - 未来政策应从劳动力市场供需两侧考虑，需求侧政策包括缓解战略部门瓶颈、营造友好商业环境，供给侧政策包括提高教育质量和促进终身学习 [103]

报告行业投资评级 未提及 报告的核心观点 - 采用2021年购买力平价（PPPs）和新调查数据更新全球贫困线 国际贫困线从2.15美元涨至3.00美元 全球极端贫困人口在2022年增加约1.25亿 贫困从南亚向撒哈拉以南非洲转移 不同贫困线变化有差异 [3][125][127] - 新调查数据和国家贫困线更新是贫困线变化主因 新印度调查提高消费测量 国家贫困线数据库更新使低收入国家贫困线显著上升 [126][127] - 撒哈拉以南非洲贫困问题加剧 全球消除极端贫困目标更难实现 但自1990年以来减贫进展更快 [97][128][129] 根据相关目录分别进行总结 1. 引言 - 世界银行全球贫困衡量用PPPs考虑全球价格差异 PPPs会定期修订 本文用2021年PPPs数据给出新贫困线 还纳入新调查数据和国家贫困评估信息 [7] - 新消费支出调查影响新贫困线估计 一方面增加部分国家平均消费测量 降低全球贫困 如印度新调查数据；另一方面使低收入国家国家贫困线向上修订 导致国际贫困线上升 [8][9][10] 2. 数据 2.1 购买力平价（PPPs） - 分析2021年PPPs及之前轮次数据 172个国家中154个有价格收集 比2017年增加 对四个国家（埃及、几内亚、圣多美和普林西比、苏丹）PPP采用官方和回归估计的几何平均值 [17][18][19] - 用delta比率评估PPPs变化 平均delta比率为1.13 美国为1.11 多数国家在美delta比率两个标准差内 表明ICP稳定和2021年PPPs可靠 [19][20] 2.2 家庭收入和消费调查 - 使用世界银行贫困与不平等平台（PIP）超2400份调查 覆盖172个国家超97%人口 混合收入和消费调查 对无年度调查国家进行插值和外推 [28][29] - 2025年6月PIP更新含74个国家新数据 印度新调查采用MMRP方法 增加消费测量 降低贫困率 [30][31] 2.3 国家贫困线 - 世界银行全球贫困线基于国家贫困线 极端贫困国际贫困线基于最贫穷国家贫困线 [35] - 构建国家贫困率数据库 低中收入国家数据来自国家统计局和官方报告 高收入国家来自欧洲统计局和经合组织 国家贫困率转换为统一国家贫困线 [36][37] 3. 设置贫困线 3.1 主要方法 - 为每个国家选最接近2021年的贫困线 按收入组分类 取中位数作为全球贫困线 国际贫困线为3.00美元 低中、中高收入国家贫困线分别为4.20美元和8.30美元 [40] - 与2017年PPPs相比 新贫困线样本国家更多 数据更新 低收入国家贫困线显著提高 国际贫困线增长约40% [44] 3.2 替代方法 - 用Harrell - Davis分位数估计器检验贫困线稳健性 国际贫困线Harrell - Davis中位数为3.01美元 与简单中位数接近 [50][51] - 用不同样本重新估计贫困线 不同方法结果显示基线结果有统计和方法支持 极端贫困线在不同方法下范围为2.92 - 3.04美元 [52][53] 3.3 分解全球贫困线变化 - 全球贫困线变化源于PPPs和CPIs价格变化、国家贫困线、国家收入分类和可用数据国家数量 国际贫困线从2.15美元升至3.00美元 主要因低收入国家新贫困线 [59][60] 3.4 其他贫困线和参数 - 社会贫困线（SPL）、繁荣差距标准和底部审查阈值等参数按平均delta比率（1.13）更新 SPL更新为max(3.00, 1.30 + 50%的中位数) [67][71] 4. 理解低收入国家国家贫困线变化 - 全球贫困线变化主要由国家贫困线修订驱动 低收入国家贫困线上升主要因调查数据和方法改进 如西非国家扩大非食品项目清单和采用更合适回忆期 [75][76][80] - 西非经济和货币联盟（WAEMU）的EHCVM调查项目使部分国家构建新贫困线 采用基本需求成本法 非食品部分增加使贫困线上升 项目协调使低收入国家中位数贫困线可能上升 [77][79][81] 5. 结果 5.1 总体全球贫困趋势 - 采用新贫困线修订全球和区域贫困趋势和水平 极端贫困估计因印度新数据向下修订和国际贫困线向上修订而上升 1990年极端贫困率上调6个百分点至44% 2022年上调1.5个百分点至10.5% [91][92][93] - 到2030年 2021年PPPs预计全球极端贫困人口占比为9% 高于之前的7.3% 消除极端贫困目标更难实现 [97] - 较高贫困线结果不一 中下收入国家贫困线历史数据基本不变 近期估计下调 中上收入国家贫困线贫困人口数量自1990年未变 [98] 5.2 分解2022年绝对贫困变化 - 2022年全球极端贫困率上调1.5个百分点至10.5% 增加1.25亿人 新印度调查使贫困减少1.01亿人 采用2021年PPPs使极端贫困人口增加2.26亿人 [99][100][102] - 2021年PPPs上调全球贫困含PPPs转换因子更新和国家贫困线修订 仅更新PPPs使国际贫困线为2.50美元 全球极端贫困减少2200万人 纳入低收入国家贫困线使极端贫困人口增加约2.5亿 [104] 5.3 对全球贫困区域分布的影响 - 新国际贫困线使各地区极端贫困上调 但印度新调查数据使南亚净减少 撒哈拉以南非洲极端贫困人口占比从63%升至67% [111] - 中下收入贫困线非洲占比从44%升至48% 到2025年预计超一半全球贫困人口来自该地区 撒哈拉以南非洲因脆弱性问题贫困加剧 中等收入国家极端贫困人口占比呈下降趋势 [115][116][117] 5.4 其他指标 - 社会贫困线结果受PPP变化影响 早期贫困率上调 近20年下调 主要因印度新调查数据使不平等下降 [118] - 采用2021年PPPs和新调查数据使2022年全球基尼系数降至60.7 全球繁荣差距下调 表明全球福利分配向有利于穷人方向转变 [119][122][123] 6. 结论 - 用2021年PPPs更新全球贫困线 变化源于数据更新 非测量方法改变 [124][125] - 新印度调查数据和国家贫困线数据库更新是主因 全球极端贫困人口增加 但印度新数据使全球极端贫困在固定贫困线下降 [126][127][128] - 撒哈拉以南非洲贫困加剧 全球消除极端贫困目标更难实现 但自1990年以来减贫进展更快 [128][129][130]

报告行业投资评级 未提及 报告的核心观点 报告聚焦2016 - 2024年拉丁美洲和加勒比地区（LAC）劳动力市场，指出就业是减贫关键，虽创造约2700万个净新增就业岗位，但面临诸多挑战，如就业质量不高、青年失业和NEET问题突出、劳动收入不平等严重等，预计2025年就业和收入增长将下降，需从供需两侧制定政策应对[4][100]。 根据相关目录分别进行总结 1. 趋势和 projections - 就业是全球减贫主要机制，2009 - 2014年LAC就业和收入增长贡献约三分之二的减贫成果，近年劳动力市场表现助贫困率降至疫情前水平，劳动收入占家庭总收入57 - 68% [5] - 2016年后LAC劳动力市场表现与商业周期同步，2023年第三季度后就业增长稳定在约2%，劳动收入自2022年年中起持续高于GDP增长，但收入复苏慢于就业 [5][6] - 预计2025年LAC GDP增长从2.2%降至2.1%，将成全球增长最慢地区，就业创造降至1.6%，劳动收入增长减速至1.5% [7] - LinkedIn数据显示LAC招聘率未完全恢复，2024 - 2025年低于2017年水平，在高技能、科技前沿领域表现不佳，不同国家和地区就业创造率差异大 [11][12][18] - 2016 - 2024年LAC劳动力受教育程度提升，高学历人群就业增长强于低学历人群，但教育系统未提供就业所需技能 [24][25][26] - 2016 - 2024年LAC创造约2700万个净新增就业岗位，零售和 hospitality、教育和健康等行业增长显著，女性、城市中心和高学历人群就业增长突出 [30][32] 2. Labor Market Structure - 2016 - 2024年LAC劳动年龄就业率上升1.3个百分点至58.9%，失业率从8.5%降至6.2%，劳动参与率仍低于疫情前0.9个百分点 [37] - 青年失业率下降超5.4个百分点，但2024年仍高达14%，NEET率近五分之一，略低于全球平均但高于高收入和上中等收入国家 [38] - 不同性别、年龄和技能水平就业情况差异大，女性就业增长显著，青年就业率因人口收缩上升，老年人就业率因人口增长下降，低学历人群就业率下降 [43][44] - 2016 - 2024年LAC就业人口与总人口比率提升，部分国家就业率下降，劳动非正式性仍是挑战，不同定义下非正式性变化不同，就业质量指标显示就业数量增加但质量未提升 [48][52][55] 3. Labor Incomes - 2016 - 2019年LAC劳动市场收入年化增长0.3%，不同教育程度收入增长不同，疫情后多数社会经济群体收入至少增长3%，但低学历人群和女性收入增长较慢，性别收入差距自2016年以来未改善 [61][62] - LAC劳动收入差距大，乌拉圭、哥斯达黎加和智利中位数收入高于区域中位数，巴西和墨西哥低于中位数，部分国家工资不平等程度高 [67][69] - 2016 - 2024年LAC工资和收入增长高于生产率但仍温和，多数国家收入与生产率正相关，墨西哥例外，教育升级和女性劳动参与率提高非收入增长主要驱动因素 [73][74][80] 4. Sectoral Reallocations - LAC结构转型缓慢且不均衡，部分国家就业向高生产率部门转移，如巴西、哥斯达黎加和墨西哥，但也有国家低生产率部门就业份额增加 [90][91][93] 5. Navigating Tomorrow: Labor Market Challenges and Opportunities - 预计2025年LAC就业创造和收入增长下降，难以创造足够高质量就业岗位推动减贫 [100] - 面临新威胁，如GenAI使2 - 5%的工作面临自动化高风险，数字基础设施差距阻碍1700万个岗位的生产率提升，部分劳动力集中在易受可持续经济转型影响的部门且缺乏新兴行业所需技能，全球不确定性给外向型就业带来挑战 [101] - 需从供需两侧制定政策，需求侧包括缓解战略部门瓶颈和营造友好商业环境，供给侧包括提高教育质量和促进终身学习 [103]

电商扶贫背景 - 贫困地区交通不便信息闭塞导致优质农产品滞销严重制约农民收入增长[2] - 电商崛起打破地域限制为农产品销售开辟新渠道成为贫困地区经济新引擎[3] - 政府通过优惠政策及农村基建投入(交通/网络)为电商扶贫创造有利条件[3] 农产品电商模式 - 农户直连电商平台模式减少中间环节提升收益水果案例显示新鲜度与价格优势显著[6] - 农超对接模式保障销售稳定性与品质管控蔬菜案例实现供需双赢[6] 电商对农产品优势 - 销售范围从本地扩展至全国/海外某贫困县坚果案例销量激增带动收入跃升[7] - 电商数据反馈指导农民科学种植养殖避免盲目生产提升经济效益[7] 面临挑战 - 偏远地区物流成本高且时效差冷链缺失导致生鲜损耗率上升[10] - 贫困地区缺乏电商运营人才与技术知识制约业务开展[10] 应对策略 - 政府需投资物流基建(道路/冷链)并通过补贴降低运输成本[11] - 政企合作开展电商培训(运营/摄影/推广)培养本土化人才团队[11][12] 未来展望 - 技术驱动下(大数据/物联网)农产品电商将向智能化规范化发展[15] - 贫困地区农产品有望建立品牌效应提升市场竞争力助力乡村振兴[15]

报告行业投资评级 未提及相关内容 报告的核心观点 - 贫困家庭情况各异，需了解不同类型贫困家庭的细微差别，以确定摆脱贫困的关键途径并制定针对性政策 [4] - 运用非参数层次聚类分析，将巴基斯坦消费最低的40%家庭（B40）分为五个非重叠组，为制定扶贫政策提供依据 [4] 根据相关目录分别进行总结 1. 引言 - 2001 - 2018年巴基斯坦家庭福利提升，实际消费增长60%，贫困率从64.3%降至21.9%，不平等水平相对稳定 [7] - 贫困减少面临三大挑战：地区福利差距大、女性和青年劳动力参与率低、近年多重危机使家庭困难增加 [8][9][10] - 贫困家庭特征不同，需通过聚类分析对贫困家庭进行分组，以制定差异化政策 [12][13] 2. 数据和方法论 - **数据**：使用巴基斯坦统计局的HIES 2018 - 19数据，涵盖24,809户家庭，还引入外部地理空间数据 [20][23] - **分析单位**：选择全国收入分布底部40%的家庭作为分析单位，原因包括政策干预以家庭为单位、全国分析可扩大样本且不损失粒度、考虑贫困动态性 [25] - **变量选择和预处理**：选择涵盖生产性资产所有权、人力资本等五个方面的26个聚类变量，需满足能区分潜在集群、样本量与变量数合理、变量间不高度相关等条件 [28][29][30] - **聚类程序**：采用凝聚式层次聚类程序，使用Wards链接算法，该算法能最小化集群内方差增加，还将进行稳健性检查 [34][37][38] - **相似度或相异度度量**：因输入变量包含连续和二进制变量，使用Gower相异系数，可保留连续变量信息 [42][43] - **聚类数量确定**：通过树状图和定量标准（VRC和Duda - Hart指数），确定五聚类解决方案最优，能为政策干预提供有意义的差异 [45][48][51] 3. 结果 - **聚类概况**：B40家庭分为五个互斥组，使用共享繁荣资产框架解释结果，各群特征差异明显，需不同扶贫干预措施 [56][57] - **各群特征** - **第一组**：农村偏远且易受冲击家庭，教育、资产和居住条件差，主要从事低技能佃农工作，依赖公共社会安全网，易受干旱和洪水影响 [73][74][79] - **第二组**：从事农业活动的农村家庭，人力资本、资产和居住条件较好，主要从事自耕农业，部分家庭接收汇款和公共援助，面临农业产量低等问题 [85][86][92] - **第三组**：接收汇款但就业水平低的家庭，女性户主比例高，自雇工人比例高，主要接收内部汇款，可能有家庭成员迁移到城市 [93][94][95] - **第四组**：参与服务业机会的城市家庭，资产所有权、教育程度和基础设施水平高，主要从事制造业和服务业，较少接受政府援助和受冲击影响 [96][97][98] - **第五组**：从事基础服务和工业职业的家庭，大部分在农村，资产和居住条件差，主要从事低技能日薪工作，部分家庭接受政府转移支付且负债，部分家庭经历中度粮食不安全 [99][100][101] 4. 结论 - 通过非参数聚类分析和资产框架，将巴基斯坦B40家庭分为五组，各群贫困情况和面临约束不同 [102] - 对贫困家庭进行分类有助于制定更有针对性的扶贫政策，后续工作将进一步明确各群约束并连接全球发展文献中的干预措施 [108]

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]