贫穷在斐济的地理集中程度如何？外文翻译资料

贫穷在斐济的地理集中程度如何？

原文作者 Laura pabon Nithin Umapathi and Epeli Waqavonovonodagger; 单位Department of Social Protection for East Asia and Pacific, World Bank, Washington, DC, USA.

摘要：在本文件中，我们利用2007年全国人口普查和2008-2009年家庭收入和支出调查的数据，对斐济(斐济群岛的旧称)基于支出的贫穷情况进行了高度分类的估计。在省一级和基纳一级对预测的贫困进行了估计。在斐济(斐济群岛的旧称)，贫穷的特点是空间差异很大，无法用分区一级的家庭调查估计数来衡量，这表明即使在相对富裕的地区，也存在着一些贫穷地区。北部卡考德罗夫省的预计贫困率最高。最惊人的是，我们发现，在*斐济(斐济群岛的旧称)所有穷人中，50%集中在85个提金纳人中的6个，即苏瓦、拉巴萨、巴、Naitasiri、Vuda和纳迪。这一结论对有针对性的减贫方案的效率有重要影响。此外，我们亦关注在住户收入及开支调查不可行的情况下，估计贫穷人口的棚户区。我们发现这些住区的贫穷人口比率在38-55%之间，取决于棚户区所在的分区；这一范围远远高于城市平均贫困率（估计为26%），并为解决城市贫困提出了重要的社会政策问题。

关键词：斐济(斐济群岛的旧称)、全国人口普查、贫穷绘图、贫穷计量

导言
根据最新的全国家庭调查对*斐济(斐济群岛的旧称)贫困状况的估计是基于收入-lrb-narsey等人，2010-rrb-。本文旨在对这些估计数进行补充和进一步完善。通过编制支出贫穷估计数和在更地方一级介绍斐济(斐济群岛的旧称)贫穷的空间分布情况。一般来说，采用住户调查的贫穷估计数通常不是为了在较低的地理水平上估计贫穷发生率。在斐济(斐济群岛的旧称)，这一比例很少低于农村或城市行政区划的比例。采用elbers等人提出的小面积估计方法，对省级和蒂基纳一级的贫困人口进行评估。-lrb-2003-rb-利用斐济家庭收入和支出调查-lrb-hys2008-rrb-2007年全国人口普查。在第一阶段，我们用his估算了一个家庭消费模型。模型中使用的变量仅限于调查和人口普查中的变量；为了确保这一点，对数据源进行了仔细的比较。在第二阶段，对普查数据采用了估计参数。这提供了人口普查中每户居民的人均消费估计数，2这种估计数在贫困线沿线用于估计各级汇总的贫困计量。然后将估计数与地图合并，以便于对贫穷模式进行表述和直观分析。贫困地图对贫困地区提供了强有力的直观描述，有助于确保扶贫方案惠及穷人。了解全国穷人的地理分布有助于确保通过改进社会方案的针对性，使扶贫方案惠及穷人。elbers等人-rrb-2007-rrb-表明，在柬埔寨，基于贫困地图的地理定位大大降低了减贫成本，约为统一转移成本的三分之一。地图可以为国家以下一级的规划进程提供信息，地图可以协助区域规划工作。各国还可以利用小面积估计（贫困地图）分析现有方案或资源分配，并评估其有效性。例如，贫困地图可以覆盖的政府援助斐济各地行政信息评估目标的援助最需要帮助的地区效率的程度。贫困地图的另一个关键应用是确定资助方案，根据不同的贫困程度和其他指标，使干预措施在不同地区有所不同。例如，在肯尼亚，对选民发展基金使用的分配公式进行了修订，使25%的拨款是以贫困发生率为基础的。在保加利亚，五个正式的标准，用于分配社会基础设施项目在市贫困地图账户（贝迪等人.，2007）。这种贫困地图在其他国家估计过，但在帕西菲克估计的唯一贫困地图是2004的巴布亚新几内亚农村地区（艾伦等人，2005；吉普森等人，2005）。太平洋国家提供的社会安全网的作用越来越大，区域预算拨款往往不是由区域需要决定的。贫困地图可以通过通知援助分配来提高影响的有效工具。

基于2008-2009年的官方收入贫困率，斐济(斐济群岛的旧称)城市和农村地区分别为19%和43%，lrb-narsey等人，2010。我们没有依赖以收入为基础的贫穷，而是估计以支出为基础的福利，并将其与基本需求成本贫困线进行比较，结果在城市和农村地区分别为26%和44%，显示城市地区以支出为基础的贫穷率较高。收入和支出估计都显示，自2002年的上一轮调查以来，收入和支出也发生了类似的变化。虽然基于支出的贫穷水平较高，但基于收入和基于支出的贫穷之间的区域和其他贫穷状况排名非常吻合。我们对贫穷指标的小地区估计表明，即使在相对富裕的地区，也存在着贫困地区。在ra省、卡奥德罗省和马库阿塔省，贫困率最高，高于50%。绝大多数的穷人居住在巴，这也是该国人口最多的省份。最引人注目的是，我们发现几乎50%的穷人集中在86个提金纳人中的6个，即苏瓦、拉巴萨、巴、Naitasiri、Vuda和纳迪。这一结论对有针对性的减贫方案的效率有相当大的影响，特别是考虑到*斐济(斐济群岛的旧称)岛屿政府已将减贫列为一项主要的发展目标。下一节简要说明用于新的消费贫困估计和绘图的数据。第三节简要说明新的基于支出的贫穷计量办法。第四节审查了方法，最后，第五节介绍了贫困的空间层面，利用全国人口普查和人口调查来估计省和县一级的贫困。

数据

小面积预测依赖于2007期间进行的人口普查。问卷分为两部分：一份住宅问卷和一份个人问卷。该国被划分为1602个枚举区（EAS），并收集了175个246户居民组成的271户居民的数据。归责模式是基于家庭收入2008/2009，包括3570户，其中1662和1911是农村城市。无论是家庭收入和全国人口普查收集到的信息对家庭的特点包括：就业状况、教育水平、住房和家庭拥有的固定资产。关键的区别是，HIES收集详细的支出信息超过2000条。这些货物跨越多个类别，即食品（购买和自制），个人护理和卫生、服装、教育、卫生、服务、交通、住房和耐用品的购买。食物信息是从为期两周的日记中收集的；其他支出的召回期为四周。从家庭收入构成的总消费遵循标准的做法在Deaton和扎伊迪描述（2002）。

在行政上，斐济分为4个区，15个省和86 tikinas。这项调查的目的是在阶层层面（农村地区）的代表性。这意味着这项调查不能保证在较低的综合水平上（如该省或蒂基纳-rrb-）的持续贫困估计。

在准备阶段，在对人口普查和hys进行仔细的交叉检查之后，我们确定了两个数据集共有的变量。我们比较了表1中这些变量的平均值；其中40个变量来自家庭，6个与户主的特征有关，最后9个涉及家庭人口特征。

我们还构建了tikina级数据，并将其与家庭级数据合并。对于2007年人口普查中选定的家庭一级变量，我们得出了ea水平平均值，并将其与ea水平值合并。注意，这些变量按工程分列是可比的，因此未列入表1。

从酒店普查和普查期间收集的环境评价特征中获得的其他针对具体地点的信息补充了环境评价一级的变量。我们增加了酒店床位的数量和每个酒店雇佣的人数。我们还包括了涵盖九个社会经济等级的变量：高、中、低、擅自占地者居住区、住房当局土地、混合阶级、城市村庄、机构和工业区。

基于支出的贫困线和估计数

在本文中，我们依靠新建立的福利指标和基于报告支出的新贫困线。人们普遍认为，在低收入环境中使用支出而不是收入有几个好处，因为生计部门在家庭资源方面发挥着重要作用。消费总量包括所有食品支出和自产食品市价。非食品类消费包括个人护理和卫生用品、服装、公用事业、运输和其他非食品项目的支出。消费总量不包括耐用品和住院费用。租金按住房支出计算，计入消费。但是，斐济的住房租赁市场还不太发达，尤其是农村地区。因此，租金是归属于房主的享乐回归，并包括在消费总量。消费总量是根据农村和城市的食物价格变化而调整的。价格是使用报告的数量和购买的货物总价值的2008/2009计算在家庭收入。所构建的指标反映了消费篮子的成本相对于全国平均价格，在城市地区估计为0.96，在农村地区为1.04。贫困线是以人均每日2100卡的适当营养基本需要为代价的。食品包的成本在斐济固定——只有一个食品贫困线。然而，我们为农村和城市地区设置了不同的贫困线，允许这些地区不同的非粮食需求，这反映在城市家庭中非粮食支出的比例较高。在城市和农村地区，所用食物的份额分别为41%和53%。由此产生的贫困线在农村地区为1830美元，城市地区为2349美元。相比之下，同一年的官方（以收入为基础的）贫困线在农村地区为2140美元，在城市地区为2420美元。国家贫困成果见表2。

估计方法

通过Elbers等人开发的小区域估计方法。（2002, 2003）允许住户调查数据通过收入或支出模式与普查数据相结合。

我们按照标准设置，首先估计一个家庭的支出模型使用麻疹：ln（x）=′beta;eta;εC CH（1）其中ln（Y）表示对数人均支出，X被解释变量的向量，B的回归系数向量，HC EA具体随机效应每一户具体的随机效应。是指家庭的subscriptch H生活在枚举地区C.解释变量X必须在人口普查和调查。家庭特定的错误被认为是相互独立的，独立于EA错误。

一旦所有感兴趣的参数已经确定，因变量是输入到人口普查：LN，Y X（）=′beta;eta;εC CH（2），beta;，eta;C和εCH表示B的估计，HC和环氧氯丙烷。为了准确估计标准误差，我们使用了100次重复Monte Carlo模拟。在每一轮中，一个模拟的回归系数是有效beta;画（从其分布的估计），其中T为仿真第轮。此外，eta;C T和εCH T从估计的分布得出的，导致在一个模拟的特质和家庭的错误在人口普查每户。每一轮模拟产生一个贫穷指标的新估计。通过对贫困人口总数和差距的t模拟值的平均值和标准差，得到了点估计值和相应的标准误差。

一个单独的支出模型估计各个组别的家庭收入，即中部、东部、西部和北部的部门。具体地说，我们在一组人工选择的家庭和地区特征中回归成人等值支出的日志。变量的选择是由对贫困决定因素、回归拟合程度和解释变量重要性的先验考虑指导的。因此，不同的部门在支出模型中有不同的解释变量。总的来说，避免过度拟合，我们倾向于模型都是相对较小的稳健。使用HIES参数估计，消费量估计在普查户给予观察家庭特征。表3给出了每个成人等价支出的对数的regressions4。发现模型参数的所有估计都具有经济意义（有预期的迹象）。例如，大户型家庭比小户型家庭的成人同等支出要低。正如预期的那样，资产与支出呈正相关。工作人员较多或受教育程度较高的家庭往往支出较高。最后的R平方值是相当令人鼓舞的范围从0.5到0.6。

对于各省和蒂基纳，贫穷人口比率和穷人的贡献估计数为5。

贫穷估计数

省一级估计数

我们可以从一个阶层和阶层来估计贫困。我们可以在每一个分区或阶层的贫困图结果和hy的结果之间进行三角测量。表4显示，各司的汇总数据相当接近，这并不奇怪，因为人口普查和调查几乎同时进行。令人欣慰的是，这些可以通过人口普查和his进行估计的数据并没有统计上的差异。我们将无法进行超出分区或地层一级估计的比较。

最贫穷的地区是北部，贫困率在53%左右。中央划分的特点是贫困程度最低；约24%的人口生活在贫困线以下。尽管西方国家并不是最贫穷的国家，但在贫困人口数量上却是最大的贡献，因为44%的贫困人口生活在这一地区。同样，尽管中央分区是最不贫穷的，但它几乎占全国穷人总数的三分之一。东部地区由于人口少，对穷人的贡献最低。

表5列出了各阶层的贫困估计数，按地区分列，城乡状况。再次表明，基于人口普查的预测非常接近阿富汗政府的预测。省贫困估计数见表6。例如，在总贫困率为24%的中部省份，贫困程度要高得多，如Tailevu和Namosi。Tikina一级的估计数将说明是否存在更多的分类贫困地区。

贫困率是最高的（50%以上）在RA的省份，萨考恩德罗韦省和马库阿塔。这可以在图1中看到，它显示了一个在省一级有贫困估计的地图。对nadroga / navosa BUA的省份也报告高贫困率40%和50%之间。同样，各省的贫困率不同，贫困人口似乎集中在一些特定的地区。绝大多数穷人居住在巴河（见图2），这也是该国人口最多的省。tikina估计一般，为了提高定位资源，减少贫困，这是有精确的贫困很有用的估计在最低水平，尽可能的聚集。而在EA水平估计将是不可靠的，由于在每个簇的家庭数量较少，对tikina贫困估计可以用一个可接受的水平的精度得到了。图3给出的地图，所有tikina贫困的估计。精确的贫困估计和标准错误包含在支持信息表S1中。

我们发现，斐济(斐济群岛的旧称)的贫困以相当大的空间异质性为特征，而这是无法用部门层面的数据来衡量的。2007年奥伊纳法蒂基纳的贫困率-rb-6.3%，见辅助资料1的确切数字-rb-不到nakorotubitikina-rbkina-76%-rb-十分之一。图3显示了塔吉克斯坦一级的贫穷人口比率图，并说明了贫穷发生率的一些有趣的地理特征。首先，即使在西部或中部等条件较好的地区，也有贫困发生率很高的地区。 第二，最高的贫困率出现在维提岛偏远的内陆地区。

高总人数比率并不总是表明贫困人口众多。这种情况甚至在贫困发生率高tikinas在可怜的绝对数量将取决于该地区的总人口。图4清楚地说明了这一点。因此，例如，即使在中央部门tikinas的人数比例较低，在这些，特别是苏瓦和Naitasiri的贫困人口是非常高的相对于斐济其他地区。其中最引人注目的结果是，几乎50%的穷人仅来自6的86 tikinas，即巴、Nadi、巴萨、苏瓦和Naitasiri Vuda。在苏瓦的情况下，Nadi和倪塔思日，这是尽管贫困率低于全国平均水平。

棚户区贫困和面积类型

每个城市的EA在调查和普查分为“地区班”由统计局（斐济

剩余内容已隐藏，支付完成后下载完整资料

How geographically concentrated is poverty in Fiji?

Laura Pabon,* Nithin Umapathi* and Epeli Waqavonovonodagger;

*Department of Social Protection for East Asia and Pacific, World Bank, Washington, DC, USA.

Email: laura.pabon@gmail.com (L. Pabon); numapathi@worldbank.org (N. Umapathi) dagger;

Household Surveys Unit, Fiji Bureau of Statistics, Suva, Fiji.

Email: epeliw@statsfiji.gov.fj

Abstract: In this paper, we present highly disaggregated estimates of expenditure-based poverty in Fiji using data from the 2007 national census and 2008–2009 Household Income and Expenditure Survey. Predicted poverty is estimated at provincial and tikina levels. Poverty in Fiji is marked by considerable spatial heterogeneity that cannot be gauged by the division level household survey estimates revealing pockets of poverty even within relatively well-off regions. Predicted poverty is highest in Cakaudrove province in Northern Division. Most strikingly, we find that 50% of all the poor in Fiji are concentrated in just 6 out of 85 tikinas, namely Suva, Labasa, Ba, Naitasiri, Vuda and Nadi. This finding has important implications for efficiency of targeted poverty alleviation programmes. We also focus on squatter settlements for which poverty headcount estimates using the Household Income and Expenditure Survey are not feasible. We find these settlements have rates of poverty headcount ratio that range from 38–55% depending on the Division the squatter settlement is located in; this range is significantly higher compared with the average urban poverty estimated at 26% and raises important social policy issues for addressing urban poverty.

Keywords: Fiji, national census, poverty mapping, poverty measurement

Introduction

The most recent national household surveybased estimates of poverty in Fiji are based on income (Narsey et al., 2010). This paper aims to complement and go further than those estimates by developing expenditure poverty estimates and presenting the spatial dispersion of poverty in Fiji at a more local scale. As a general rule, poverty estimates using household surveys are typically not designed to estimate poverty incidence at low geographic levels. In the case of Fiji, this rarely goes lower than at the scale of rural or urban administrative divisions. We present provincial and tikina1 level poverty using the small area estimation method proposed by Elbers et al. (2003) utilising the Fiji Household Income and Expenditure Survey (HIES 2008/2009) and the national census of 2007. In the first stage, we estimated a model of household consumption using the HIES. The variables used in the model are restricted to those that are available in both the survey and the census; the data sources are carefully compared to ensure this is the case. In the second stage, the estimated parameters are applied to the census data. This provides an estimate of consumption per capita for every household2 in the census that is used along the poverty line to estimate poverty measures at various levels of aggregation. The estimates are then merged with a map to facilitate presentation and visual analysis of poverty patterns.

Poverty maps provide a powerful visual depiction of poverty pockets that can help to ensure that anti-poverty programmes reach the poor. Knowing the geographical distribution of the poor across the country helps to ensure that anti-poverty programmes reach the poor through improved targeting of social programmes. Elbers et al. (2007) showed that geographic targeting in the case of Cambodia based on poverty maps significantly reduced the cost of reducing poverty by about one-third the cost of a uniform transfer. Maps can be informative for the planning process at a subnational level where maps may assist in regional planning efforts. Countries can also use small area estimation (poverty maps) to analyse existing programmes or resource allocation and assess their effectiveness. For example, the poverty map can be overlaid with the administrative information on governmental aid flows across Fiji to assess the extent of efficiency in targeting aid to the neediest areas. Another key application of poverty maps is in determining the funding formulas that will cause interventions to vary across areas depending on the level of poverty and other indicators. For example, in Kenya, the allocation formula used in the Constituency Development Fund has been revised so that 25% of the allocations are based on the incidence of poverty. In Bulgaria, the poverty maps account for one of five formal criteria used in allocating social infrastructure projects among municipalities (Bedi et al., 2007). Such poverty maps have been estimated in other countries, but the only poverty map estimated in the Pacific was for rural Papua New Guinea in 2004 (Allen et al., 2005; Gibson et al., 2005). There is a growing role for state-provided social safety nets in the Pacific, and regional budgetary allocations are often not determined by regional needs. Poverty mapping can provide an effective tool for improving impact by informing aid allocation.

The official income poverty rates based on 2008/2009 HIES for Fiji are 19% and 43% in urban and rural areas, respectively (Narsey et al., 2010). Instead of relying on incomebased poverty, we estimated expenditure-based welfare and compared it with a cost-of-basicneeds poverty line, the resulting poverty estimates are 26% and 44% in urban and rural areas, respectively, indicating a higher expenditurebased poverty rate in urban areas. Both income and expenditure estimates show a similar change over time since the previous round of HIES (in 2002/2003). Although the levels of expenditure-based poverty are higher, regional and other poverty profile rankings between income and expenditure-based poverty accord very well.

Our

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[280567]，资料为PDF文档或Word文档，PDF文档可免费转换为Word