A Comparative Review of Methods to Create a Composite Index for Sustainable and Inclusive Wellbeing

技术摘要：构建可持续与包容性福祉综合指数方法的比较综述

问题陈述
本文探讨了衡量可持续与包容性福祉（Sustainable and Inclusive Wellbeing, SIW）而非仅通过国内生产总值（GDP）来衡量这一关键挑战。虽然联合国高层专家组（HLEG）已呼吁转向更广泛的进步指标，但并未提出具体的综合指数结构，这凸显了聚合异质性维度的统计学难度。标准的处理方法，如加权算术平均值或将 SIW 简化为仅由主观福祉构成，被认为是不充分的，因为这些方法依赖于完全可替代性（即一个领域的赤字可以被另一领域的盈余完全抵消）、线性关系以及缺乏环境或社会限制的假设。这些假设与 SIW 的核心本质相冲突，因为 SIW 涉及非线性关系、收益递减以及“强可持续性”约束，即自然资本和基本人类需求是不可替代的。

研究方法
作者开发了一个规范性框架来评估聚合方法，基于需求理论和强可持续性原则，推导出评估有效 SIW 综合指标的九项条件：

1. 形成性测量模型： 指标定义构念本身，而非反映潜变量。
2. 分配敏感性： 必须惩罚国家内部的不平等。
3. 跨境溢出效应： 不得通过损害其他国家来实现自身的福祉。
4. 有限的可替代性： 赤字不能被其他地方的盈余完全补偿。
5. 不平衡惩罚机制： 表现不均衡应降低整体得分。
6. 跨时聚合： 当前的福祉不得损害未来的条件。
7. 非线性转换： 必须捕捉饱和效应和阈值效应。
8. 尊重上限： 行星边界作为硬性约束。
9. 尊重下限： 必须满足人类基本需求的最低阈值。

本研究回顾了13 种聚合方法，分为三类：

• 基准方法： 算术/几何平均值、线性加法模型 (LAM) 和主成分分析 (PCA)。
• 高级/非补偿性方法： 基于惩罚的指数（AMPI, MSI）、联合国指数（PHDI, MPI）、排序法多准则决策分析（Outranking MCDA，如 PROMETHEE, MCM）、数据包络分析 (DEA) 以及中位数百分位聚合。
• 跨学科见解： 借鉴生态学（李比希最小因子定律、协同限制）、积极心理学、神经科学和机器学习（神经加法模型）的原理。

为了说明这些方法论选择的影响，作者构建了一个包含 10 个国家和 5 个 SIW 领域（二氧化碳排放量、物质足迹、预期寿命、教育和收入）的虚拟数据集。他们将 13 种方法应用于该数据集，并利用斯皮尔曼秩相关系数分析了所得出的国家排名。

主要结果
比较分析揭示了三类具有显著政策叙事影响的方法集群：

1. 补偿型集群： 算术平均值、LAM 和几何平均值具有高度一致性（相关系数高达 $\rho = 0.98$）。它们假设完全的可替代性和线性关系，因此如果一个国家拥有高收入，即使其环境赤字严重（例如示例中的国家 C），也会在排名中位居前列。
2. 限制因子集群： 诸如最小算子（Minimum operator）、协同限制代理（Co-limitation proxy）和饱和变体等方法彼此之间具有高度一致性（$\rho > 0.83$），但与补偿型方法表现出中度一致。这些方法会对不平衡进行惩罚并强制执行不可替代性，导致在某一维度存在极端短缺的国家排名大幅下降。
3. 排序型集群： PROMETHEE 和多准则映射（MCM）等方法构成了一个独特的群体。它们利用否决阈值来实施硬性约束（例如，排除未能达到环境限制的国家），导致其排名与平均法产生显著分歧（$\rho \approx 0.55–0.60$）。

诊断发现：

• PCA 的错位： PCA 显示出与大多数其他方法的负相关性（$\rho$ 低至 -0.67）。论文将其视为一种诊断性警告：PCA 寻求的是最大方差轴（通常是发展与环境之间的权衡），而非福祉的构念，因此不适合用于形成性的 SIW 测量。
• 排名敏感性： 聚合方法的选择会剧烈改变国家排名。例如，一个收入很高但环境表现接近零的国家，在 PCA 下排名第一，但在非补偿型方法下则排名最后或接近最后。
• 不存在“银弹”： 审查的所有方法中，没有一种能满足全部九项条件。例如，虽然排序法很好地处理了否决逻辑，但其资源消耗较高；虽然 DEA 提供了灵活性，但需要严格的权重限制以避免忽略必要的维度。

意义与主张
本文声称为联合国 HLEG 所倡导的“头条聚合指标”提供了基础性的一步。其主要贡献在于：

1. 规范性基准： 它建立了一套源于强可持续性和需求理论的九项条件，用于严格评估聚合方法。
2. 系统性比较： 它首次系统地展示了如何将 13 种不同的方法（从简单的平均值到机器学习和生态模型）应用于同一数据，从而产生迥异的政策叙事。
3. 跨学科综合： 它弥合了统计学、经济学与生态学及神经科学等领域之间的鸿沟，识别出了在福祉测量中极少使用的聚合原则（如最小算子、饱和曲线）。

结论与建议
作者得出结论，未来的 SIW 综合指标不能依赖单一方法。相反，他们提出了一个结合以下要素的混合框架：

• 非线性归一化（以应对饱和和阈值问题）。
• 非补偿性聚合（以实施有限的可替代性和针对行星边界等关键维度的否决逻辑）。
• 测量层面的选择（以解决包容性和跨境溢出问题）。

本文断言，已经存在能够超越线性平均法的工具（如 PHDI、中位数百分位法、排序法 MCDA）。障碍不再是技术可行性，而是政治意愿和制度能力。作者敦促国际机构在真实数据上试点混合框架，并纳入敏感性分析，强调延迟行动的代价将由当代人和后代人承担。值得注意的是，论文承认跨时聚合（如何权衡当前与未来的福祉）仍然是最被忽视的条件，仍需进一步研究。