📈 economics

Targeting Efficiency in Means Testing: A Comparison of Money-Metric and Counting Approaches

本文表明，在使用相同的家庭数据时，货币度量聚合方法在针对均值测试的瞄准效率方面显著优于基于计数的聚合方法，从而确立了聚合结构是决定社会保护绩效的关键因素。

原作者： Federico Perali, Martina Menon, Eva Sierminska

发布于 2026-08-04

📖 1 分钟阅读☕ 轻松阅读

原作者： Federico Perali, Martina Menon, Eva Sierminska

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一位经营着大型救济厨房的主厨，正试图为镇上最饥饿的人们提供食物。你有一份清单，上面的成分（金钱、储蓄、健康、家庭规模）可能会告诉你谁才是真正挨饿的人。但棘手的地方在于，你该如何混合这些成分来决定谁能得到一碗汤？你是把他们拥有的所有东西的价值都加起来，就像用财务计算器那样？还是仅仅统计他们清单上有多少个“坏事”，就像在做不幸清单的核对？这就是所谓的“资产调查”（means testing）的核心——政府利用这一过程来确定谁值得获得帮助。重大的问题不仅在于我们收集什么信息，更在于我们如何组合这些信息。如果我们混合成分的方式不对，我们可能会不小心把汤喂给了那些肚子饱满的人，而让真正饥饿的人在原地等待。这篇论文深入探讨了这个问题，对比了两种不同的“配方”，用来决定谁能得到这碗汤。

研究人员费德里科·佩拉利（Federico Perali）、马蒂娜·梅农（Martina Menon）和伊娃·西尔明斯卡（Eva Sierminska）设计了一个迷人的实验，旨在观察哪种配方效果更好。他们不仅仅是在凭空猜测；他们使用了来自 7,951 个意大利家庭的真实数据来测试两种截然不同的方法。第一种方法是货币度量指数（Money-Metric Index）。把它想象成一个高级的奶昔搅拌机。你把收入、储蓄、健康和家庭规模全部扔进去，搅拌机将它们全部混合成一个平滑的数字。它明白一美元对于单身人士而言比对于五口之家更有价值，并且它可以在一点点糟糕的健康状况与大量的储蓄之间进行权衡。这是一种“基数型”（cardinal）方法，意味着它将福祉视为一个连续的尺度，其中事物可以相互抵消。

第二种方法是计数法（Counting Method）。想象一下这是一个“倒霉宾果卡”。与其进行混合，你只需统计你可以勾选多少个格子。是否有低收入？勾选。是否没有储蓄？勾选。是否有人生病？勾选。如果你勾选了足够的格子（比如五分之三），你就被判定为贫困。这种方法将每一个格子视为一个独立的、不可改变的事实。它不会让你的储蓄来“补偿”你的糟糕健康；它只是单纯地计数。

论文将这两种方法置于严格的压力测试中。他们向这两种方法输入了关于同一批家庭的完全相同的信息——同样的收入、同样的资产、同样的健康问题、同样的家庭规模。唯一改变的是组合数据的“配方”。为了看谁是对的，他们将结果与一组真正挣扎中的“基准”人群（定义为低收入、无法储蓄且有自述的困难）进行了比较。

结果清晰且令人惊讶，尽管带有重要的细微差别。货币度量法（搅拌机）通常能更好地找到正确的人，但它并不完美。它确实犯了错误，特别是“第二类错误”，这意味着它确实漏掉了一些实际上需要帮助的人（在某些测试中约为 38%）。然而，计数法（宾果卡）则显得非常挑剔，而且在处理这项特定任务时表现更差。随着研究人员在宾果卡中增加更多的类别（比如加入“失业”或“退休”），计数法开始错过大量的穷人，几乎排除了所有不符合某种非常特定、狭隘痛苦特征的人。

在一种特定的场景下，两种方法的总错误数在统计学上是不相上下的。但即便在这种平局的情况下，它们所犯错的“类型”也大不相同。货币度量法在避免“第一类错误”（把汤给到不需要的人）方面表现得好得多，而计数法在这方面表现得很差。当研究人员平等地权衡这两类错误时，货币度量法通常提供了更平衡、更可靠的表现，而计数法则对宾果卡上的格子数量变得极其敏感。

其中一个最有趣的发现是这两种方法如何看待“退休”。计数法将“退休”视为一个需要勾选的“坏格子”，这会自动标记许多退休人员为贫困，即使他们的养老金足以维持生活。然而，货币度量法会观察从养老金中实际流入的资金，并判定：“好吧，他们有足够的收入，他们并不贫困。”计数法本质上是在根据人们的“标签”（退休人员）来评判，而货币度量法则是根据他们的“实际情况”来评判。

作者认为，计数法过于僵化。它就像试图通过只数电影中英雄哭了多少次来判断一部复杂的电影一样；你可能会错过整个故事。货币度量法通过将一切融合在一起，创造了一个更准确的家庭真实生活的图景。虽然计数法在管理上可能更简单，但论文表明，它会导致极高的“排除错误”——将真正需要帮助的人拒之门外——或者迫使人们必须让许多不合格的人进来，才能捕捉到穷人。

最后，这项研究表明，如果我们想要建立公平且高效的社会安全网，特别是在欧洲联盟这类各国正试图协调其系统的地区，我们应该倾向于使用“搅拌机”方法。这不仅仅是拥有更多数据的问题，而是关于如何以更聪明的方式去混合它。货币度量法并不需要计数法所不具备的秘密信息；它只是以一种尊重现实生活复杂性的方式来处理共享的信息，从而确保那些真正处于困境中的人能以更少的整体误差获得所需的帮助。

技术摘要：均值测试中的目标效率

问题陈述
社会保护中均值测试工具的有效性取决于两个关键的设计选择：关于家庭信息的收集选择，以及如何将这些信息聚合为资格标准的计算方法。虽然现有文献广泛讨论了不同信息基础（例如：收入 vs. 资产 vs. 多维指标）的优劣，但第二个选择——即如何组合各维度——受到的关注相对较少。本文通过研究在应用相同的基本信息时，不同的聚合结构是否会产生系统性的差异化目标定位结果，来填补这一研究空白。具体而言，本文对比了一种基于福利理论对维度进行基数聚合的货币度量指数（money-metric index），与一种将维度视为二元且不可补偿的计数型贫困测度（counting-based poverty measure）。核心问题在于，这两种方法是识别合格受益人的互换工具，还是聚合结构本身就是决定目标效率的主要因素。

研究方法
本研究采用受控实验设计，使用意大利银行开展的2010年意大利家庭收入与财富调查（SHIW）的家庭层面数据。样本包含7,951个家庭。

信息基础： 两种方法均使用一组相同的维度：可支配收入 ( $Y$ )、金融财富 ($FW $)、非金融财富 ($ NFW $)，以及四个规范性家庭特征：健康状况差 ($ HE $)、单亲家庭 ($ SP $)、失业 ($ U $) 和退休 ($ RE$)。
货币度量法： 该方法将各维度聚合为一个单一的基数福利指标。它将净资产转化为年金价值，并将其与可支配收入相结合。至关重要的是，它应用了等值规模（equivalence scales）（包括数据驱动型和混合型）来根据家庭构成和规范性特征（如残疾、单亲）进行调整。这确保了人际间的可比性，并允许维度间的补偿（例如，高额资产可以抵消低收入）。所得指数具有完全的可比基数（CFC）。
计数法： 基于 Alkire-Foster (2011) 方法论，该方法针对特定阈值逐一识别处于匮乏状态的维度。它构建了一个匮乏矩阵，如果家庭的加权匮乏计数超过阈值 ( $K$ )，则被归类为贫困。在该框架下，维度被视为二元的；在识别之前不进行基数聚合，也不生成人际福利排序。
基准构建： 为了评估目标定位性能，作者构建了一个外生的“基准贫困”群体。只有同时满足以下三个条件的家庭才会被纳入基准：(1) 低等值可支配劳动收入（低于第40百分位数）；(2) 低储蓄能力（无法储蓄或正在消耗储蓄）；(3) 自我报告的经济困难（“存在诸多困难”）。
性能指标： 研究通过测量 I 类错误（纳入错误：将非贫困家庭错误地归类为符合资格）和 II 类错误（排除错误：将贫困家庭错误地拒绝支持）来衡量目标定位效率。目标效率定义为使这两种错误总和最小化的方法，并对两者赋予相等权重。

主要贡献

统一的比较框架： 本文开发了一个透明的框架，旨在隔离聚合结构对目标定位性能的纯粹影响。通过在两种方法中保持信息内容、匮乏阈值和等值规模一致，研究将结果的差异仅归因于聚合规则（基数型 vs. 二元/不可补偿型）。
目标错误的实证评估： 作者通过估算不同资格阈值和维度计数下的纳入错误与排除错误，提供了对政策表现的直接实证度量，超越了理论比较，转向实际的目标定位效率研究。
对政策协调的启示： 研究记录了这些方法论差异对于社会保护资格标准协调（特别是在目前依赖不同方法的欧盟背景下）的影响。

结果
实证分析得出以下几项稳健结论：

货币度量法的优越性： 货币度量法始终能提供显著低于计数法的总目标定位错误。在各种设定下，它在纳入错误与排除错误之间实现了更好的平衡。
对维度数量的敏感性： 计数法对所考虑的维度数量高度敏感。随着维度数量的增加，计数法正确识别贫困人口的能力急剧下降（导致排除错误增加），而纳入错误可能降至接近于零。相比之下，货币度量法无论维度如何变化都保持得更为稳定。
资产的作用： 加入资产信息（金融和非金融）显著降低了两种方法的纳入错误，但在货币度量框架下效果尤为显著。忽略资产会导致系统性的误分类和更高的漏损。
对异质性的处理： 计数法将规范性特征（如退休或单亲）视为显性的匮乏维度，实际上是根据其身份而非其实际资源水平对家庭进行分类。货币度量法则通过等值规模整合这些特征，评估这些身份对福利的结果。因此，两种方法识别出的“贫困”家庭特征截然不同；例如，由于货币度量法考虑了养老金收入，相比之下，计数法识别出更高比例的退休家庭为贫困人口。
统计显著性： 两种方法之间总错误率的差异具有统计学显著性（在大多数设定中超过八个标准误），证实了聚合结构是决定性能的首要因素。

意义与主张
本文主张，聚合结构是均值测试表现的首要决定因素，且独立于所使用的信息内容。研究结果表明，货币度量法为构建统一的资格标准提供了一个更可靠且符合理论一致性的基础。

作者认为，计数法对不同性质维度的二元匮乏进行“非理论性”聚合，无法提供完整的人际福祉排序，从而导致高排除错误，并在增加维度时导致目标定位的不稳定性。相反，基于福利理论和等值规模的货币度量法保留了人际可比性，并允许维度间的补偿性权衡。

对于政策制定者，特别是在现代化和协调社会保护制度（如在欧盟范围内）的背景下，本文结论指出，聚合结构的抉择并非中立。货币度量工具之所以能优于计数法，并不一定是因为它需要更优质的数据；而是因为它通过尊重福利的基数性质和家庭需求的异质性，更有效地处理了共享信息。这种结构性优势使其成为最小化目标错误并确保社会转移支付公平获取的更连贯工具。

技术摘要：均值测试中的目标效率

类似论文