综述:全球粮食不安全测量现状:方法多元,信号混杂

《Food Policy》:The state of global food insecurity measurement: A mix of methods, and a mix of messages

【字体: 大 中 小 】 时间:2026年06月15日 来源:Food Policy 6

编辑推荐:

  稳健的粮食不安全指标对于监测发展目标、开展应急响应以及合理分配对外援助至关重要。数十年来,全球粮食安全监测长期依赖联合国粮农组织(FAO)的食物不足发生率(PoU),但该指标存在根本性局限,促使FAO开发粮食不安全体验量表(FIES)并采纳健康饮食不可负担性指

  
稳健的粮食不安全指标对于监测发展目标、开展应急响应以及合理分配对外援助至关重要。数十年来,全球粮食安全监测长期依赖联合国粮农组织(FAO)的食物不足发生率(PoU),但该指标存在根本性局限,促使FAO开发粮食不安全体验量表(FIES)并采纳健康饮食不可负担性指标。与此同时,世界银行监测的货币贫困本身也可被视为一种粮食不安全指标。本研究评估这套更广泛的指标体系是否在以下两方面达成一致:(a)哪些国家粮食不安全程度最高;(b)全球粮食不安全是否真的在恶化。遗憾的是,这种新的方法组合产生了混杂的信号。针对PoU的长期批评依然适用,且过去十年PoU的上升由卡路里不平等的模型推算驱动,这与收入不平等趋势并不一致。FIES的表现同样不佳:多个拉丁美洲和加勒比国家的严重FIES粮食不安全水平高于尼日尔等极端粮食不安全的非洲国家。世界银行的贫困和健康饮食可负担性监测工作则受到系统性限制——较贫困和受危机影响国家的家庭调查显著更少。如何改善这一局面?首先,需要对基于体验的指标进行更严格的跨文化可比性评估,并考虑替代方案。其次,国际机构和国家政府应集中资源,在贫困和受危机影响国家实施协调的、高频的、多用途调查,联合监测粮食不安全、贫困和营养不足及其根源。

引言

21世纪以来,低收入和中等收入国家(LMICs)面临多重挑战严重威胁粮食安全。冲突、气候变化、大流行病、粮食通胀、经济增长放缓及对外援助削减均成为实现2030年消除贫困(SDG 1)和消除各种形式饥饿与营养不良(SDG 2)可持续发展目标的重大障碍。尽管各方认同这些因素构成严重阻碍,但自2014年以来,粮食不安全、贫困和营养不足的全球指标走势大多分化。FAO报告两种差异显著的指标均显示粮食不安全自2014年上升:一是建模估算的(热量)食物不足发生率(PoU),二是通过盖洛普世界民意调查(GWP)收集的粮食不安全体验量表(FIES)调查指标,包含中度或重度粮食不安全。两者均呈上升趋势,其中中度FIES粮食不安全从2014年的21%升至2022年的29%。与之形成对比的是,世界银行估计2014至2022年间每日3.65美元贫困率从30%降至22%,但每日2.15美元的极端贫困进展在2014至2019年放缓,2019至2022年停滞。此外,无法负担健康饮食的人口占比从2017年的40%降至2022年的35%,与每日3.65美元贫困趋势高度吻合。儿童生长迟缓等营养不良指标也呈下降趋势,2022年全球5岁以下儿童生长迟缓率为22.3%,低于2012年的26.3%。这种趋势分化令人担忧,因为指标间存在概念关联,且共同驱动因素与图1所示一致。这种全球趋势分化也引出疑问:不同指标是否能就哪些国家处于最迫切需求达成一致?若一国货币贫困程度不高但大量人口报告粮食不安全体验,或反之,国际机构应如何应对?
基于此,本研究重新评估全球粮食安全测量现状,聚焦图2所示的粮食不安全和贫困指标。研究未实证分析未被用于全球监测的指标,即便其在国家调查和各机构监测系统中广泛使用。研究首先考察不同指标的概念与方法论差异,简要评估现有关于其优缺点的证据;其次分析指标间的相关性,以及它们在识别“需求国”时的具体差异;随后分别探讨FIES、食物不足发生率和贫困随时间变化的合理性及局限,尤其是2014至2022年的分化趋势;最后讨论研究局限,总结不同指标的有效性、覆盖范围和透明度,并提出两项明确行动建议:一是重振粮食不安全测量研究,尤其加强跨文化可比性和稳健性的严格检验;二是投资协调的多机构和多主题调查,同步收集改进的粮食安全测量数据与贫困、营养不良及其他福利指标。

全球粮食不安全的概念、指标与实证挑战

1996年世界粮食首脑会议将粮食安全定义为“所有人在任何时候都拥有物理和经济途径获得充足、安全、营养的食物,以满足其积极健康生活的膳食需求和食物偏好”。图3提供了连接实证测量与四个长期维度和两个近年被倡导纳入的新支柱的框架:可用性、可及性/可负担性、生物利用度、稳定性、能动性、可持续性。为简洁起见,本节仅聚焦可用性和可及性/可负担性维度的指标,其余支柱缺乏适用于全球监测的直接指标。

可用性维度

FAO通过其《食物平衡表》直接测量可用于消费的国家食物供应,并利用可用于消费的国家热量供应量建模估算PoU。PoU定义为“习惯性食物消费不足以提供维持正常活跃健康生活所需膳食能量的口比例”,时间跨度为一年。FAO统计人员建模估算膳食能量摄入的概率(对数正态)分布,该分布来自偶发的家庭消费与支出调查,并将这些国家热量分布与经年龄、性别和身高分布调整后的最低膳食能量需求(MDER)进行比较。PoU的一个主要概念缺陷在于,总供应量并非饥饿的主要驱动因素。阿马蒂亚·森的研究表明饥荒源于可及性和可负担性的不足,即各类弱势个体和家庭即使食物供应充足也可能缺乏食物权利。更多实证批评长期存在,以刚果民主共和国(DRC)为例可具体说明PoU建模的挑战:DRC是全球最贫困国家之一,无疑面临严峻粮食不安全挑战,但其政府统计能力极低。FAO估算DRC的PoU依赖DRC政府统计数据作为FAO食物平衡表中总热量供应的输入项,但DRC政府并无任何年份可靠准确的卡路里产量、进口量、食物损失浪费或储存估算数据。即便假设2022年DRC食物平衡表估算的2130亿千卡可用于消费的数据大致准确,下一个挑战是将这些热量在DRC人口中合理分配,这需要利用家庭消费或支出调查建模合成该国家庭和个体的热量分布。由于DRC没有定期的高质量全国经济调查,FAO称使用“间接程序”推算该热量分布,但具体方法不明。最后,该建模的热量分布将与DRC人口的建模个体热量需求分布进行比较,后者基于人口统计学差异进行了调整。现实中,人口的真实能量需求还随活动水平和健康相关的能量利用因素变化,而这些因素未被纳入PoU测量。此外,这些因素会随时间变化,例如劳动者从耗费体力的生计(如农业)转向更久坐的生计(如零售),可能导致估计的粮食不足率上升,因为人口因健康和劳作强度降低而选择减少热量摄入。

测量可及性(可负担性)维度

实践中,“可及性”主要指不同食物、膳食或食物篮子的可负担性,而非物理接触能力。目前全球监测三类可负担性指标:货币贫困、健康饮食可负担性,以及因“缺乏资金或其他资源”导致的FIES粮食不安全体验测量。

货币贫困与健康饮食不可负担性

货币贫困虽不被广泛视为粮食安全指标,但实则应当如此。LMICs的贫困指标通常源自“基本需求”食物贫困线,即衡量典型食物篮子的成本——该篮子由收入和支出接近贫困线的个体的消费模式定义,足以满足热量需求。因此,若家庭处于货币贫困状态,则其无法负担热量充足的符合基本需求的膳食,必然处于粮食不安全状态。当然,这是营养学上狭义的粮食安全定义:多数国家相对贫困人群的典型饮食在营养上是不健康的,既低摄入营养食物,又过量摄入不健康食物。健康饮食不可负担性这一新指标解决了传统食物贫困线仅关注热量的局限。其创新点在于采用新的全球膳食指南,如EAT-Lancet饮食或全球健康饮食,作为避免食物贫困的替代度量标准,基于涵盖个体微量营养素需求、保护健康的食物摄入以及零摄入或不健康食物摄入的更高营养标准。传统基于相对贫困人群消费模式的基本需求食物篮子无法满足这些完整营养标准。2017年起,世界银行和FAO在“营养食品价格”项目支持下,每年报告无法负担最低成本健康饮食的人口占比。健康饮食篮子规定每天包含两种不同的淀粉类主食、三种蔬菜、两种水果、两种动物源性食物、豆类坚果种子类一项、油脂类一项,各数量按能量目标设定,总和达2330千卡。该方法还使用简单方式估算非食物基本需求,再将非食物需求与健康饮食成本之和与家庭支出分布比较,估算一国无法达到这些新定义基本需求的个体占比。健康饮食可负担性测量虽具概念创新性,但预期其与全球贫困指标在水平和趋势上高度相关:一是健康饮食成本估算产生的国家特定“贫困线”大多位于2017年国际美元的每日3.65美元(中低收入国家)和每日6.85美元(中高收入国家)贫困线之间;二是这些指标依赖与标准货币贫困指标相同的家庭收入和支出调查数据,以及世界银行工作人员生成的相同外推收入/支出分布。两者均面临跨国和跨期可比性的实证挑战,包括家庭收入和支出调查标准化有限、依赖可能偏向城市的国际比较项目(ICP)价格调查(仅偶尔实施,迄今为2017年和2021年),以及较贫困国家的频繁及时家庭调查严重短缺,导致年度监测和报告高度依赖收入/支出外推。

粮食不安全体验量表(FIES)

PoU的局限促使FAO投入开发FIES。FIES属于体验式指标类别,起源于20世纪80年代美国的研究,最终形成美国农业部(USDA)家庭粮食安全调查模块、拉丁美洲和加勒比粮食不安全量表(ELCSA)、家庭粮食不安全和获取量表(HFIAS)和家庭饥饿量表(HHS)。通过“饥饿之声”项目,FIES源自ELCSA的成人参考问题,创建了一种简化的标准化基于体验的测量工具,旨在跨社会文化语境使用。自2014年起,FIES通过盖洛普世界民意调查(GWP)收集,询问成年男女性关于过去12个月的个人粮食不安全体验。具体包括八个问题,涵盖中度粮食不安全体验(如担心食物不足、降低饮食质量)或重度体验(因缺乏资金或资源而跳餐、挨饿或全天未进食)。体验式指标基于项目反应理论(IRT)开发,这是一种广泛应用于心理学的心理测量方法。IRT假设受访者不可观测的潜在状况(即粮食不安全)的严重性与每种体验的严重性可置于同一单维尺度,且受访者粮食不安全状况越严重,报告特定粮食不安全体验的概率越高(单调性)。另一个关键假设是局部独立性:在控制潜在(粮食不安全)特质后,项目反应应在统计上无关。最后,不变性假设指出,不同人群对项目的理解应保持恒定。在LMICs中,许多实际调查可能违反这些假设并导致FIES估计偏差,因为FIES要求不同国家的不同人群以大致相同的方式理解和解释问题。FAO指出“即使原则上每个单一项目旨在代表各地相同的粮食不安全体验,该项目相对于其他项目的严重性可能因国家而异,原因多样”,包括翻译的非琐碎问题、对不同问题的理解差异、文化(如羞耻、自豪)和社会期望偏差,以及生计安排或食物稀缺管理的细微问题。换言之,很难确定“只吃少数几类食物”“吃得比认为应有的少”甚至“饿了但没吃东西”在尼日尔和牙买加的含义是否相同。事实上,FIES推出前的一项关于跨国粮食不安全指标概念与实证可比性的研究发现,报告量表并非总是在各国通用,并强调“必须谨慎推广量表反应模式的普遍意义”。认识到这一根本挑战,FAO旨在利用2014年GWP数据构建FIES的全球标准尺度,将各国的受访者严重性参数调整至共同的全球尺度。然而,即使这种调整可能减少国家特定FIES得分的可比性问题,仍不清楚其是否足以支持有效的跨国准确比较。事实上,两项近期关于撒哈拉以南非洲FIES数据的独立研究引发了对FIES有效性和可比性的严重关切。第一项研究中,Wambogo等对37个撒哈拉以南非洲国家的GWP FIES横截面数据进行分析,发现基于不同体验预设严重性的第1至5个问题的排序,常与它们实际排名的流行率顺序不一致,即Rasch检验的关键方面未通过。此外,即使是“全天未进食”这一最严重的体验,在37个国家中的12个(32%样本)也存在不稳定或未预期的回答。在刚果共和国、DRC和索马里这三个全球粮食最不安全的国家,FIES表现尤其差,作者得出结论:这些国家的FIES问题“可能被不同理解,且与撒哈拉以南非洲其他地区相比,可能测量了不同程度的粮食不安全严重性”。第二项研究中,Lain等使用来自10个西非国家的非GWP家庭调查数据,这些调查均收集了FIES、WFP基于7天食物组消费频率的家庭食物消费评分(FCS)以及标准支出型货币贫困测量。在10个国家中的4个,基于FIES的粮食不安全未能区分极可能营养不足的人群与不太可能营养不足的人群的FIES差异。此外,在10个国家中的5个,最不可能营养不足的人群中基于FIES的粮食不安全流行率出人意料地高。在尼日利亚调查中,FIES指标显示南部粮食不安全更普遍,而FCS、基于贫困的指标和儿童生长迟缓数据则明确显示北部粮食和营养不安全严重得多。最后,FAO对FIES测量的一个具体关切是GWP声称其调查具有全国代表性的说法存疑。例如,Blanchflower指出GWP关于心理健康趋势的发现与发达国家和发展中国家的大型样本调查(包括盖洛普自身规模大得多的美国民调)不一致。GWP通常每国样本量仅1000名受访者,印度和中国这样的人口超十亿国家也仅增至2000名。相比之下,印度政府最新的家庭消费支出调查样本量为26万(相差130倍)。GWP还出人意料地声称在阿富汗和缅甸等多个受冲突严重影响国家开展了全国代表性调查,而这些国家近年来几乎无法进行常规面对面调查。因此,在全球粮食安全测量中,很难区分FIES测量本身的挑战(无论数据源如何)与GWP实施FIES的问题。

全球指标的横截面关联:在哪些国家最粮食不安全上是否达成一致?

鉴于不同粮食安全指标的测量存在关切,以及指标间重要的概念和方法论差异,本节首先通过考察各指标预测儿童营养独立测量的能力来评估其构念效度,进而分析FIES、PoU和货币贫困指标在识别最粮食不安全国家上的一致程度。

全球粮食不安全指标与儿童营养不良指标间的跨国相关性

表2报告了这六个全球粮食不安全指标与两类5岁以下儿童营养不良指标(生长迟缓、消瘦),以及两类6至23个月婴幼儿饮食质量指标(饮食多样性差、进餐频率差)的集合相关性。基础数据集为非平衡面板,因为不同国家在不同年份开展营养调查。有益的是,这些营养不良指标完全独立于用于测量六个粮食不安全指标的调查,来自专门的营养/健康调查。但一个关键 caveat 是,儿童营养不良指标的基础决定因素与粮食不安全的可负担性维度无关,特别是健康环境。表2最突出的结果是FIES指标与儿童营养不良指标的关联相对较弱。严重FIES粮食不安全与生长迟缓的关联(r=0.46)弱于其他粮食不安全指标(0.58 for PoU,0.69至0.81 for 贫困/可负担性指标),且严重FIES与消瘦之间的相关性是表2中唯一完全无统计学意义的相关性。这种严重粮食不安全的不显著关联令人惊讶,原因有三:一是消瘦被视为严重急性营养不良,理应严重粮食不安全是其重要原因;二是国家层面的家庭调查发现消瘦与其他体验式粮食不安全指标(如HFIAS)相关,也与无疑会加剧粮食不安全的经济冲击相关;三是更严重HFIAS粮食不安全体验(来自非GWP调查)已被证明比中度和更主观的体验具有更高的跨文化可比性。表2另一个突出结果是,每日3.65美元的适度贫困始终与所有四种儿童营养不良指标具有最强的关联(范围从0.52到0.81),表明货币贫困是比PoU或基于FIES的测量更好的儿童营养不良预测因子。

评估粮食不安全和贫困指标是否在脆弱国家识别上达成一致

我们进一步询问不同指标是否将相同的国家识别为极度“脆弱”,此处脆弱性指高度的粮食不安全、营养不足、货币贫困或多维贫困状况,人们通常预期这些条件在大多数情况下高度重叠。为说明目的,我们任意选择20%的流行率阈值来识别“高度脆弱”国家(推断对该阈值不敏感)。散点图中,两个指标均显示不脆弱的国家位于象限1,均显示脆弱的位于象限3,贫困但不高度粮食不安全的位于象限2,反之亦然位于象限4。图4面板A显示,严重FIES粮食不安全与货币贫困总体上存在统计显著的关联,但有一些国家被报告为极度贫困但非严重粮食不安全,或严重粮食不安全但非极度贫困。撒哈拉以南非洲的几个国家严重FIES粮食不安全低于20%,但货币贫困远高于20%。最极端的案例是尼日尔,FIES显示2021年严重粮食不安全仅为7.7%,而极端货币贫困率为50.6%,多维贫困率为90%(面板B)。尼日尔过去10年的年度人体测量调查显示,40%至50%的学龄前儿童生长迟缓,为全球最高比率之一。尼日尔是极端案例,但图4中许多其他非洲国家也显示出远低于预期的FIES严重粮食不安全率,包括布基纳法索、马里、尼日利亚和埃塞俄比亚。由于许多非洲国家的多维贫困率高于货币贫困率,面板B识别出象限2中有更多异常值。巴基斯坦和阿富汗的多维贫困率高,但严重粮食不安全率低于20%,这在阿富汗背景下尤其令人惊讶。FIES测量问题不仅限于贫困国家的低得分,也包括非贫困国家的高得分。面板A象限4显示,GWP 2021年牙买加的结果表明25.6%的牙买加人处于严重粮食不安全状态,是尼日尔的三倍多。相比之下,仅0.3%的牙买加人处于每日2.15美元的贫困线以下,仅2.8%处于多维贫困。这些戏剧性的异常值或错误分类引发深切关切:严重粮食不安全的“真实”水平在牙买加、秘鲁或多米尼加共和国真的远高于尼日尔、布基纳法索、马里或阿富汗,这根本不合常理。这表明通过GWP实施的FIES跨国可比性相当有限。面板C和D还显示PoU与两个贫困指标的关联具有统计显著性,但在具体国家存在分歧,如尼日尔(PoU 12%对比货币贫困50%和多维贫困90%)和马拉维(PoU 18.5%对比极端货币贫困70%和多维贫困50%)。但与FIES严重粮食不安全指标不同的是,PoU几乎没有国家落在象限4,即高营养不足率伴随低贫困水平。总之,本节结果表明,FIES严重粮食不安全指标与其他粮食和营养不安全指标的关联较弱,且在非洲、亚洲和拉丁美洲的大量国家中存在不合理的模式。

探究基于FIES的粮食不安全上升

观察到FIES跨国比较的异常后,本节探讨2015至2022年基于FIES的粮食不安全上升的潜在解释。我们首先使用多元回归尝试解释FIES流行率趋势,随后考察来自Afrobarometer的替代体验式粮食不安全来源的流行率趋势,最后探讨FIES粮食不安全上升是否与全球观察到的心理健康下降现象相关。

比较基于FIES的粮食不安全趋势与预测的中位家庭支出变化

联合国机构合著的《世界粮食安全和营养状况》(SOFI)定期列举全球粮食不安全上升的一系列共同驱动因素,包括经济增长放缓、粮价上涨、气候变化和自然灾害、冲突以及COVID-19的影响。这些驱动因素与图1所示的趋势相符,因而具有合理性。表3因此对2015至2022年每年均有FIES数据测量的55个LMIC的平衡样本使用人口加权固定效应回归。对于严重和中度粮食不安全流行率,我们首先指定一个简单的模型,包含年度虚拟变量以灵活捕捉FIES趋势。随后向模型加入假设的驱动因素,以评估这些驱动因素是否确实有助于解释FIES指标随时间的变化,以及年度虚拟变量的系数幅度是否减小——换言之,加入协变量是否准确解释了2015至2022年FIES指标的上升。注意标准误在国家层面聚类,详见附录表A3。此外,使用国家固定效应控制了任何解释粮食不安全的时间不变因素,因此模型中的其他协变量实际上解释了FIES随时间的变化。回归(1)显示,严重粮食不安全流行率相对于2014年呈上升趋势,且具有高度统计显著性,包括在2020至2021年COVID-19大流行期间出现的突出且合理的粮食不安全上升。但粮食不安全2022年继续上升。有趣的是,这些年度虚拟变量解释了严重粮食不安全29%的趋势,表明该样本中的粮食不安全趋势要么由协变量冲击(如COVID-19)高度解释,要么由GWP的共同方法论问题导致。向回归(2)加入协变量后,发现严重粮食不安全与GDP增长、冲突和自然灾害之间存在适度的统计显著关联,符号均符合预期。R平方也增至39%(解释力比例提高34%)。然而,年度虚拟变量系数显示,FIES中无法解释的上升趋势实际上幅度增大:控制可观测的粮食不安全驱动因素后,2022年严重粮食不安全比2015年高出5.56个百分点。换言之,当向模型加入协变量后,来自GWP的基于FIES的粮食不安全上升之谜变得更加难以解释,而非减轻。这些发现也延伸至中度粮食不安全。

非洲粮食不安全是否在上升?比较FIES与Afrobarometer粮食不安全趋势

全球基于FIES的粮食不安全上升很大程度上源于GWP调查的非洲子样本。Afrobarometer是一项与GWP目标相似的非洲多主题调查,也报告了其替代体验式粮食不安全指标的上升,该指标仅问一个问题:“在过去一年中,您或您的家人有多少次没有足够的食物可吃?”回答选项为从不、仅一两次、几次、很多次或总是。此处我们使用这些分类构建一个独特的严重粮食不安全指标,基于“很多次或总是没有足够食物”。表4比较了该基于Afrobarometer的指标从2014至2015年到2021至2023年的变化,与GWP调查同期基于FIES的严重粮食不安全率变化。与GWP类似,Afrobarometer报告其特定的严重粮食不安全指标出现戏剧性上升,包括非洲人口最多的国家尼日利亚(+21.5个百分点),以及尼日尔、津巴布韦、马达加斯加和肯尼亚的大幅上升。此外,两种来源的区域粮食不安全人口加权变化幅度相似:Afrobarometer上升7.2个百分点,GWP上升7.5个百分点。不太乐观的是,Afrobarometer与GWP在一些具体国家存在相当大的矛盾。例如,Afrobarometer报告尼日尔严重粮食不安全上升了15个百分点,而GWP FIES数据显示粮食不安全下降了2.1个百分点。津巴布韦的Afrobarometer和GWP趋势也相反。

基于FIES的粮食不安全上升是否与心理健康下降相关?

Frongillo等分析了来自GWP的大型多国个体层面数据样本,发现基于FIES的粮食不安全与前一天的正向或负向情绪之间存在强关联。这种关联随时间是否成立?粮食不安全上升能否解释心理健康下降,或心理健康下降能否解释对粮食不安全体验的报告增多?虽然无法理清因果关系,但全球心理健康下降与基于FIES的粮食不安全上升相关的可能性值得探索。2024年《世界幸福报告》(主要利用GWP数据)报告,2006至2010年至2021至2023年期间,许多LMIC的主观心理健康水平下降,而来自不同国家专门心理健康调查的研究也证实了全球心理健康下降的趋势,尤其是年轻人。为检验FIES与心理健康代理指标之间的显著关联,图5报告了FIES中度粮食不安全指标与GWP指标(受访者报告前一天经历担忧、悲伤或愤怒至少一种)的趋势。2015至2022年大部分时间里这两个指标的共趋势非常突出。此外,使用国家平衡面板的回归,附录表A2提供了更严格的证实,即前一天的负向情绪在统计上解释了中度粮食不安全约10%的国家内趋势,考虑到两种指标因样本量小、回忆期短等因素存在较大的测量误差,这一比例相对较高。虽然我们无法从这些相关性推断任何因果方向,但它们足够引人注目,值得进一步研究基于FIES的指标是否对负向情感、情绪或其他心理指标(如人格特征)敏感。

为何食物不足发生率(PoU)在上升?

虽然基于FIES的粮食不安全上升难以解释,但PoU随时间的变化必然机械地源于PoU测量的一个或两个“输入指标”:一是FAO食物平衡表中人均食物消费可用卡路里;二是卡路里消费的不平等,由FAO从非频繁的全国收入或支出调查中开发的变异系数参数捕获。表5因此报告了2014至2022年PoU及这两个PoU输入指标的按收入水平分层趋势。表5还报告了世界银行用于贫困计算的每年家庭消费支出类型调查(HCES)的数量,因为这些调查是估算卡路里消费不平等的潜在输入项。表5显示,2014至2022年低收入国家的PoU上升了13.4%,这显然由卡路里不平等上升(+9.6%)驱动,而非人均卡路里可用量下降(+0.3%)。中低收入国家情况相同,PoU上升(+7.8%)由卡路里不平等上升(+8.1%)驱动,抵消了人均卡路里可用量小幅上升(3.1%)的好处。在中高收入国家,PoU小幅上升(+2.0%)同样由卡路里不平等上升(+4.9%)驱动。要使这些卡路里不平等上升具有坚实的经验基础,人们会预期LMICs的HCES类型调查也能显示卡路里消费本身的不平等上升,或显示收入/支出不平等上升,从而解释卡路里消费不平等上升。这是因为随着收入或支出增加,人们也会预期卡路里消费上升,尽管速率递减(恩格尔定律)。然而,表6显示,用于建模LMICs PoU的HCES类型调查供应极为匮乏——粮食不安全无疑最普遍的低收入国家更是如此。FAO在2014至2022年每年为23个低收入国家生成PoU估计,但这些国家中任何一年世界银行用于估算收入/支出分布的HCES从未超过7项调查,而2017年根本没有HCES类型调查。也门、马达加斯加、索马里和阿富汗在2014至2022年没有开展任何HCES类型调查,许多低收入国家在整个期间仅有一项调查。中低收入国家的调查可用性仅略好,仅中高收入国家的HCES类型调查覆盖率约为50%。FAO的卡路里不平等指标变化是否与世界银行分析的HCES类型调查的收入/支出不平等(Gini系数)变化正相关?图6使用2010至2023年期间51个LMIC的“可比时段”报告了这一关联,这些国家拥有方法学上可比的HCES类型调查以确保Gini系数测量的一致性。与预期相反,卡路里与收入不平等指标的斜率系数实际上呈中度负相关,但在统计上不显著异于零(p=0.57)。此外,象限显示了两种不平等指标趋势分化的情况。FAO的卡路里不平等估计在51个国家中的30个上升,13个不变,8个略微为负(等于-0.01)。相比之下,51个收入不平等系数中的38个呈下降趋势。总之,很难理解LMICs PoU上升的经验基础,因为:(a)似乎没有足够的HCES类型调查来估算较低收入国家卡路里消费不平等的变化;(b)当此类调查可用时,收入/支出不平等与卡路里不平等之间似乎不存在统计显著的相关;(c)手头数据中收入不平等没有任何上升迹象。

货币贫困与健康饮食不可负担性的趋势解释是什么?

本节考察世界银行最新的货币贫困估计,以及世界银行在重大数据缺口背景下如何建模全球和区域贫困趋势。我们还对数据缺口是否反映某种样本选择偏差进行了新颖的检验。我们注意到,贫困监测面临的挑战同样适用于健康饮食不可负担性的监测,因为该指标从根本上依赖世界银行工作人员估算的多国收入/支出推算。

低收入和中等收入国家的最新贫困趋势

表6报告了33个LMIC在2020至2023年期间开展最新调查轮的每日3.65美元贫困线的最新趋势,每个时段的第一轮调查介于2010至2019年之间,优先选择2014年(如果可能)。根据各国的年化贫困变化,我们将国家分为贫困率随时间上升(红色=> +0.5个百分点/年)、几乎没有贫困变化(橙色,区间-0.5至+0.5个百分点/年)和显著下降(绿色=< -0.5个百分点/年)。表6揭示了近期贫困趋势在区域内和区域间的显著差异。所有亚洲大国均实现了快速的贫困减少,表明亚洲仍是全球减贫的主要驱动力。拉丁美洲和加勒比情况喜忧参半,而撒哈拉以南非洲近期似乎几乎没有贫困减少,肯尼亚、埃塞俄比亚和马里等国贫困令人担忧地上升。撰写本文时,该地区另外两个人口大国尼日利亚和DRC尚未有任何近期的贫困估计。总之,这些最新数据有助于解释世界银行最新贫困报告为何得出结论:近年全球减贫停滞,数个亚洲大国的强劲减贫被数个非洲大国的贫困上升所抵消。

世界银行在缺乏全国调查背景下对区域和全球贫困趋势的建模

虽然货币贫困在解释儿童营养指标方面表现非常好,并且也有潜力捕捉健康饮食的可负担性,但其采用的一个重要障碍是较贫困国家收入和支出调查的匮乏。认识到这一问题,世界银行贫困与不平等平台(PIP)利用人均GDP或家庭消费支出的增长率,向前和向后外推收入或支出数据。PIP统计学家承认这一方法的两个重要局限:一是绝对测量误差相当大;二是外推方法均匀移动收入/支出分布,不允许收入/支出不平等发生变化。世界银行贫困监测方法的第二个组成部分涉及决策规则,即在外推估计与基于调查的估计之间,多大程度上依赖外推估计进行全球和区域贫困报告。PIP采用两个50%规则:一个区域的50%人口必须有近期调查,全球层面LMIC总人口的50%必须由调查覆盖。这些规则是否足够保守尚存争议。假设覆盖全球LMIC人口的50%可以通过获得印度、中国和少数其他大国的近期调查来实现,同时许多人口较少的LMIC(尤其是撒哈拉以南非洲的贫困国家)仍存在缺口。最后值得注意的是,健康饮食不可负担性指标也依赖世界银行的收入/支出分布外推,以及健康饮食成本从ICP价格的额外外推——ICP价格仅在2017年和2021年收集——结合国家消费者价格指数。然而,世界银行或FAO关于健康饮食不可负担性的报告并未遵循世界银行PIP用于贫困报告的更保守的50%决策规则。相反,这些在线数据集和年度SOFI报告几乎呈现了2017至2024年几乎所有国家的健康饮食不可负担性估计,即使一国在该时间段内几乎没有收入/支出调查数据,且健康饮食成本仅在2017年和2021年ICP数据中直接测量。

测试全球贫困监测中的国家选择偏差

贫困估计的调查匮乏即使缺失数据是随机的也是成问题的,但如果较贫困或受冲击影响的国家被调查的频率更低,这种选择偏差可能对全球监测极具危害性。出于后勤原因,冲突或自然灾害可能合理地推迟调查,但面临更多人为政治领导人的国家可能会激励政治领导人推迟、取消或干脆不发布调查结果,如果他们预计调查结果会产生不利的贫困估计。为更严格地探讨这种选择偏差效应,表7报告了线性概率模型回归结果,其中因变量等于1表示国家在t年有世界银行“贫困调查”,以及类似的模型,表示营养调查(即生长迟缓和消瘦测量)或FIES(GWP)调查是否在t年进行。解释变量要么是不随时间变化的(如世界银行收入地位),要么是设计用来捕捉各种冲击的随时间变化的因素。回归(1)的结果证实并量化了较贫困国家在全球贫困测量中的代表性严重不足:低收入国家在任何一年开展贫困测量调查的可能性比中高收入国家低29个百分点,中低收入国家低23个百分点。至于与冲击相关的偏差,“衰退”年份(GDP增长<0)使贫困调查开展的可能性降低6个百分点,发生自然灾害使可能性降低9个百分点,战斗死亡每增加一个标准差预测调查开展的可能性降低3个百分点。这些结果在使用冲击的滞后测量时依然稳健。营养调查和FIES/GWP调查的结果凸显了调查覆盖的重要差异。营养调查在低收入和中低收入国家开展的可能性比中高收入国家高13个百分点。营养调查在衰退年份(5个百分点)和受冲突影响的环境中仍然不太可能开展,但与自然灾害年份无显著偏差。FIES/GWP调查仅在经济衰退年份开展的可能性更低。总之,表7的结果表明,较贫困和受冲击影响国家在全球和区域贫困监测中的代表性不足是一个重大问题。这种代表性不足是否影响世界银行的区域和全球贫困估计尚不清楚。但这确实表明,收入和支出调查尚不适合用于实现对最可能面临贫困和粮食不安全上升风险的国家的广泛、及时和有代表性的监测。

结论

尽管十多年前发表的粮食安全指标深度综述已指出诸多挑战,但此后全球层面仍投入大量资源测量和监测粮食安全,包括取得了一定进展,但旧的挑战持续存在,新的挑战也已出现。

研究局限

本研究也面临方法论挑战。验证跨国粮食不安全指标最简单的方式是与金标准基准指标比较(即构念效度),但显然不存在这样的指标。儿童营养不良和饮食指标是有用但不完美的基准。也很难评估不同指标的不同趋势是反映了指标间真正的概念差异,还是存在显著的测量误差。加之较低收入国家贫困估计的匮乏,必然使世界银行的区域和全球贫困估计更具推测性。随着新数据出现,未来的工作可以重新审视粮食不安全、贫困和营养不良指标之间趋势的相似性与差异性。另一个关键的研究领域是理解为何FIES指标显示出效度和跨文化可比性薄弱。是FIES指标在许多国家未通过Rasch检验的内部效度?Rasch检验本身是否不足以确立粮食不安全体验的跨文化效度?还是全球FIES测量中的异常主要与它们在盖洛普世界民意调查中的具体实施相关?

总结全球粮食安全测量中的新旧挑战

考虑到这些局限,本研究提供了强有力的证据表明全球粮食安全测量存在一些重大挑战。最持久的问题是FAO继续生产和宣传其建模的营养不足指标PoU,尽管存在根本性的概念缺陷,以及国家卡路里供应和卡路里消费不平等的输入数据质量极差,且没有合适的方法及时准确地衡量经济冲击对PoU的影响。本研究中我们还表明,FAO报告的低收入国家卡路里消费不平等近期上升,没有足够的LMICs HCES类型调查来估算卡路里消费不平等的趋势,且现有的HCES类型调查跨国样本并未指向收入/支出不平等的广泛上升。较贫困国家全国收入和支出调查的匮乏也是贫困测量的长期问题,同时也是健康饮食可负担性测量的问题。因此,全球、区域和国家层面的贫困与健康饮食可负担性趋势高度依赖外推方法。但我们还提出了贫困测量中新证据的选择偏差:较贫困国家的收入/支出调查系统性地少20%至30%,且受经济冲击、自然灾害和冲突影响的国家的调查系统性地更少——恰恰是我们需要更多测量粮食不安全和贫困的国家,而非更少。至于新问题,FAO和其他机构在体验式指标上投资测量粮食不安全,鉴于PoU指标的根本局限,是明智且值得称赞的努力。然而,将在美国和拉丁美洲开发的体验式粮食不安全测量适应和推广到全球层面,并通过GWP收集数据,导致了FIES指标——与FAO的主张相反——似乎无法在国家和文化间进行比较。两项关于撒哈拉以南非洲FIES测量的已发表独立研究证实了这一结论,一项使用GWP数据本身,另一项使用大规模家庭调查收集的FIES数据。然而,本研究表明FIES可比性问题不仅限于非洲——尽管鉴于该地区经济脆弱性这已经足够严重——在拉丁美洲、加勒比和南亚国家也很明显。Jollife等概述了数据为发展创造更大价值的12个关键特征:充分的空间和时间覆盖(完整、频繁、及时);数据高质量(准确、可比、精细);易用性(可获取、可理解、可互操作);使用安全(公正、保密、适当)。全球粮食不安全指标在这些关键标准(如质量、可比性、覆盖范围、易用性和透明度)上的表现如何?表8基于上述概念讨论和实证分析提供了我们的结论。没有一套指标是完美的,但PoU和FIES指标的数据质量和可比性是严重问题,而贫困和健康饮食可负担性主要是覆盖范围问题。

如何改进全球粮食不安全的监测?

全球粮食安全测量中严格的方法和最高的透明度对发展研究和政策很重要,也对国际机构、政府、非政府组织、研究界和公众之间的信任与合作至关重要。在当前全球背景下,当科学可信度已受到广泛攻击时,提高官方统计的置信度至关重要。近年来,LMIC政府本身对全球粮食安全监测出现了前所未有的批评,最显著的是印度。与此同时,对外援助削减现在严重限制了监测粮食不安全、贫困和营养不足的的国际资源。那么,国际机构和国家政府如何在如此充满挑战的政治和金融环境中改进全球粮食不安全的测量和监测?首先,我们认为FAO应停止试图用国家食物平衡表估计和一个不透明的将国家卡路里供应分配给个体的方法来测量粮食不安全——这是一个个体、家庭或社区的权利问题。热量营养不足在概念上很重要,但在经验上极其复杂,最好留给营养专家开展的金标准膳食摄入调查。其次,FAO必须面对现实:FIES在GWP中的测量不幸未能提供高质量的跨国可比数据,FAO自身或独立研究人员必须将问题分解为FIES固有的跨文化可比性问题与GWP特有的调查问题。这极具问题性,尤其是FIES现在是SDG2监测的次级指标。鉴于这些关切,FIES和其他体验式指标需要接受的不只是Rasch模型检验,后者具有强假设,且对粮食不安全等多维潜在现象有重要局限。研究人员需要评估体验式问题和量表是否对以下因素稳健:(1)非琐碎的翻译语言问题;(2)负向情感(情绪)和人格特征;(3)性别和家庭内部问题;(4)季节性和天气;(5)参照框架效应;(6)问卷排序和模块位置;(7)调查方式(如电话与面对面调查);(8)测试-重测可靠性稳定。在这方面,粮食不安全研究或许可以从关于主观幸福感测量的更广泛文献中学到很多并加以效仿,这是一个真正理解LMIC背景下体验式指标优势与局限的严谨计划的机会。第三,负责收集、分析和传播粮食不安全、贫困及其他福利指标的国际机构和国家统计局必须更紧密地合作,解决世界上最脆弱国家相关调查数量不足的根本问题;恰恰是这些国家最需要严格、频繁和及时的数据收集。目前,世界银行在LMIC政府请求下支持收入和支出调查,FAO使用GWP调查进行FIES
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号