CLARE: A Causal machine Learning Approach to Resilience Estimation

World Bank2026-02-0266 页

世界银行元宇宙/虚拟现实虚拟现实AR/VR 银行/开放银行/开放金融/智慧银行 resilience measurement causal machine learning food security drought resilience household survey

报告概述

报告提出一种名为CLARE（Causal machine Learning Approach to Resilience Estimation）的新型韧性指数，该指数根植于因果推断框架，利用因果机器学习算法从纵向家庭调查数据中估计数据驱动的权重。CLARE是模型无关的、可扩展的，并基于福利阈值进行规范化。报告基于马拉维、尼日利亚、坦桑尼亚和乌干达四国2009-2020年间19轮全国代表性纵向调查的28,000多户家庭数据，展示了CLARE的构建过程。尽管核心应用是衡量干旱韧性，但指数可适用于任何类型冲击。分析表明，CLARE在预测粮食不安全方面优于现有韧性指标，且可分解以识别不同韧性能力的相对重要性，为政策设计和监测提供支持。

报告的核心结论

CLARE在预测粮食不安全方面优于现有韧性指标。

报告比较了CLARE与Cissé和Barrett（2018）方法、朴素预测、实现韧性指标、随机森林和简单平均法等。在预测未来粮食不安全（动态预测）和留出国预测（横截面预测）任务中，CLARE的皮尔逊相关系数约0.53-0.57，显著高于其他方法，且归一化RMSE更低。

CLARE的权重是数据驱动的，且可分解为韧性子组件。

通过因果森林估计各韧性子组件（如过去食物消费得分、资产指数、市场距离等）在缓解冲击影响中的相对重要性，权重由变量在树分裂中的频率确定。这使得CLARE既能综合评估，又能识别关键韧性能力。

CLARE可应用于数据稀缺环境，支持迁移学习。

CLARE的权重估计后可迁移至新数据，仅需横截面数据即可计算韧性指数。报告展示了在留出国预测中，CLARE能正确识别83%以上的粮食不安全家庭，表明其可用于缺乏纵向调查但需要韧性评估的环境。

CLARE的预测性能对冲击定义和组件选择具有鲁棒性。

报告使用不同干旱数据（EDDI和SPEI）、多冲击综合指标以及缩减的组件集（仅三个最强组件）重复分析，结果均稳健。使用电力资产指数替代一般资产指数时，性能保持稳定且突出了能源获取的重要性。

报告回答的关键问题

什么是CLARE韧性指数，它如何工作？

CLARE是一种基于因果机器学习的韧性指数。它通过因果森林估计冲击对福利的异质性处理效应，利用变量重要性权重对韧性子组件进行加权平均，再乘以冲击下超福利阈值的概率。权重来自数据，可解释且可迁移。

CLARE与其他韧性指标相比表现如何？

报告在动态预测和跨国家预测任务中比较了CLARE与Cissé-Barrett方法、朴素预测、实现韧性、随机森林和简单平均法。CLARE在所有指标上表现最优，例如在预测未来粮食不安全时，灵敏度达82.5%，总准确率61.1%，显著高于其他方法。

CLARE能用于哪些类型的冲击和环境？

CLARE是冲击特定的，但可适用于干旱、洪水、价格变化、疾病等任何冲击。报告示范了针对干旱的韧性测量，也构建了多冲击通用指数。其模型无关性允许在不同地区和国家推广，只需假设权重稳定。

CLARE如何帮助政策制定者进行干预瞄准？

CLARE可以生成连续指数或基于中位数等阈值的二分类变量，识别非韧性家庭。报告显示使用中位数阈值时，CLARE能正确识别82.5%的未来粮食不安全家庭，有助于提前分配资源。改变阈值可平衡误报和漏报成本。

报告中的代表性数据

82.5%

CLARE预测粮食不安全状态（中位数阈值）的灵敏度

2010-2020，在动态预测任务中，CLARE以中位数作为二分类阈值，正确识别未来粮食不安全家庭的比例。数据基于四国纵向调查的测试集（waves 4-7）。

0.567

CLARE与食物消费得分的皮尔逊相关系数（跨国家预测）

2009-2020，在留出国预测任务中，CLARE连续指数与未来食物消费得分的相关系数，表明其与福利水平的一致性。

5.3个百分点

干旱冲击的平均处理效应

2009-2020，因果森林估计的干旱冲击对粮食不安全概率的平均影响，在1%水平上显著。基于训练集（前3波数据）估计。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

详细的方法论解释：包括CLARE构建的三个步骤（估计、聚合、评估），因果森林的算法细节，以及数据分裂原则（时间或国家分层）。
完整的家庭调查数据描述：来自LSMS-ISA项目的四国纵向调查，涵盖19波、28,112户观测，变量包括食物消费得分、资产指数、教育、人口结构等。
冲击数据整合方法：使用EDDI和SPEI两种干旱指数，基于生长季节月份和75百分位阈值定义冲击，并说明多冲击综合变量的构建。
详细的比较分析结果：CLARE与Cissé-Barrett、朴素方法、实现韧性、随机森林、简单平均法在多项指标（相关系数、归一化RMSE、混淆矩阵）上的全面对比图表。
鲁棒性检验：包括使用缩减组件集（仅三个关键变量）、替代天气数据（SPEI）、多冲击通用指数、电力资产指数等情景下的性能表现。
变权重要性排名：展示18个韧性子组件在预测中的相对权重，如滞后食物消费得分、资产指数、市场距离位列前三。
离散化阈值分析：展示不同阈值（中位数和25百分位）下CLARE二分类的灵敏度、特异性和总准确率，为政策选择提供参考。
附录：变量定义表、全样本描述性统计、资产指数清单、电力资产指数清单、因果森林校准测试、Cissé-Barrett方法详细步骤等。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。