川海智库

报告概述

本报告提出一种新的韧性指数CLARE（Causal machine Learning Approach to Resilience Estimation），该指数基于因果机器学习算法和纵向家庭调查数据，旨在准确测量家庭应对冲击的韧性。研究覆盖马拉维、尼日利亚、坦桑尼亚和乌干达四国2009-2020年的19轮调查，包含超过28,000个家庭观测。报告详细介绍了CLARE的构建框架，包括使用因果森林估计异质处理效应、基于变量重要性生成数据驱动权重，以及通过冲击下福祉门槛条件概率进行校准。该指数是模型无关、数据驱动、可扩展的，可针对特定冲击或作为通用韧性指标。报告的价值在于为政策制定者提供了一个可操作的工具，用于识别韧性不足的家庭、优化干预目标，并支持跨区域和跨时间的转移学习。

报告的核心结论

CLARE指数在预测粮食不安全方面优于现有韧性指标

在马拉维、尼日利亚、坦桑尼亚和乌干达的测试中，CLARE在预测未来粮食不安全（FCS≤35）时，敏感性达82.5%，总准确率61.1%，显著优于Cissé and Barrett (2018)的韧性得分、简单平均法及随机森林预测模型。

CLARE可分解识别关键韧性能力

通过因果森林的变量重要性权重，CLARE能识别出最重要的韧性子成分，如滞后食物消费得分、资产指数和市场距离，三者占总权重的50%以上，为政策优先领域提供实证依据。

CLARE是模型无关、数据驱动、可扩展的

CLARE不依赖特定因果机器学习方法，可使用任何能估计异质处理效应并生成变量重要性的技术。一旦权重和条件概率估计完成，可在新数据上快速计算，支持跨国家预测和动态预测。

CLARE可应用于不同冲击和福祉结果

通过使用多种冲击（干旱、洪水、价格冲击等）和福祉指标（食物消费得分等），CLARE可构建通用韧性指数，且表现保持稳定，为多危机环境下的韧性评估提供灵活工具。

报告回答的关键问题

如何利用机器学习测量家庭韧性？

报告提出CLARE指数，结合因果森林等因果机器学习算法，估计家庭在冲击下保持福祉水平的能力。通过估计异质处理效应和变量重要性，生成数据驱动权重，再与冲击下福祉门槛条件概率结合，得到综合韧性得分。

CLARE指数能否在不同国家间迁移应用？

是的。报告进行了跨国家预测测试，用三个国家的数据训练模型预测第四个国家的粮食不安全。CLARE在跨国家预测中实现了83.1%的敏感性和63.4%的准确率，表明其权重和支持关系具有跨环境稳定性，可用于数据稀缺地区。

现有韧性指标存在哪些缺陷？

报告指出，现有韧性指标（如RIMA、TANGO、Cissé & Barrett得分）往往缺乏可扩展性、未明确关联冲击、且预测能力有限。Upton et al. (2022)的比较研究表明，多数指标在预测未来福祉时表现不佳，甚至不如简单的历史福祉滞后值。CLARE通过因果机器学习克服了这些缺陷。

报告中的代表性数据

82.5%

CLARE预测粮食不安全的敏感性

测试集（第4-7轮），在预测未来粮食不安全（FCS≤35）时，使用中位数截断点的CLARE正确识别了82.5%的粮食不安全家庭（敏感性），特异性为56.7%，总准确率61.1%。

83.1%

跨国家预测中CLARE的敏感性

所有国家的轮转测试，在留一国的跨国家预测中，CLARE的敏感性达83.1%，特异性58.4%，总准确率63.4%，表明其在不同国家间的泛化能力。

5.3个百分点

干旱冲击平均效应

训练集（前3轮），因果森林估计的干旱冲击对粮食不安全概率的平均处理效应为5.3个百分点（在1%水平显著），且存在显著异质性。

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

  • 完整的数据来源与描述：详细说明马拉维、尼日利亚、坦桑尼亚和乌干达的LSMS调查数据，包括调查名称、年份、样本量及关键变量定义（如食物消费得分、干旱冲击指标等）。
  • 因果森林方法学细节：包括双重正交化步骤、CATE估计、变量重要性计算、交叉验证和聚类标准误等。
  • CLARE指数的构建公式与步骤：从数据分割、估计、预测到聚合的全流程（表1）。
  • 主要结果详表：包含平均处理效应分布图（图B.1）、变量重要性权重图（图B.2）以及因果森林拟合检验（表B.1）。
  • 与Cissé and Barrett (2018)韧性得分的详细比较：包括连续和二元指标的混淆矩阵、相关性、RMSE等指标。
  • 额外对比分析：与朴素方法（历史福祉滞后值）、随机森林预测模型、简单平均聚合法的完整结果。
  • 多种稳健性检验：使用替代干旱数据（SPEI）、缩小变量集、多冲击通用韧性、替换资产指数为电力资产指数等，并附性能对比图（图3、图4）。
  • 政策含义与局限性讨论：包括如何利用CLARE进行政策目标、成本效益分析、以及对数据系统的建议（如混合模式调查、跨国家协调）。

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。

相关报告