【文章框架】

文章指出，多维贫困测量虽好，但因指标分散在不同调查数据集中，导致仅能覆盖全球仅三分之二的国家，产生了“数据碎片化”的政策成本。因此，作者提出基于概率论的数据融合方法。核心逻辑是利用“链式法则”和“条件独立性假设”，将不同调查中的单项指标（如饮用水、电力）在总体层面进行数学整合，无需依赖同一份家庭微观数据。为了验证这一方法的可行性，作者利用全球监测数据库中跨度30余年的571项调查进行“反事实”测试，结果显示“指标重叠度”对准确性具有决定性作用。

【观点摘要】

1. 数据碎片化是多维贫困监测的主要瓶颈。

尽管单个贫困指标的全球数据覆盖率高达85%以上，但由于它们分散于不同调查，导致多维贫困指数的官方估算覆盖率仅为三分之二的国家，严重制约了全球贫困的横向比较与政策响应。

2. 基于概率论的“数据融合”可替代微观数据匹配。

在不必合并原始家庭问卷的前提下，利用条件独立性假设（贫困维度受共同潜在因素影响），可将不同来源的总体聚合统计量（如比例）通过数学链式法则整合，有效推导出多维剥夺的重叠概率。

3.共享/重叠指标的数量是预测精度的决定性因素。

验证表明，不同数据集之间共享的指标越多，融合估算的误差越小。在全球监测数据库最常见的数据缺失模式下（占比32%），其预测准确性比所有指标完全分离的最坏场景高出4.5倍。

4.该方法能量化估算结果的不确定性区间。

概率论能计算出各项剥夺之间可能重叠的绝对最大值和最小值。这一“不确定性界限”可用于校正系统性偏差，使政策制定者清晰了解估算结果的可靠浮动范围。

5.该技术路径是扩展全球贫困监测“工具箱”的有效补充。

除了填补国别和时间序列的数据空白，该方法还允许将此前因数据限制被排除的维度（如健康、人身安全）纳入评估范围，帮助政府精准定位“剥夺如何重叠”及“发生在何处”，从而实现更具针对性的政策干预。

【作者简介】

Ben Brunckhorst，世界银行发展数据库部研究分析员。

Minh Cong Nguyen，世界银行发展数据库部高级数据科学家。

Nishant Yonzan，世界银行发展数据部经济学家。

Hai-Anh H. Dang，世界银行生活水平测量研究高级经济学家。

Christoph Lakner，世界银行发展数据部项目经理。