Pauvreté et analyse de la distribution des revenus dans le

Transcription

Pauvreté et analyse de la distribution des
revenus dans les modèles d’EGC
Objectifs
Objectif principal :
Présenter deux méthodes pour évaluer la paovreté avec
les indices de Foster, Greer and Thorbecke (FGT)
pour l’année de base et après simulations avec seuil
de pauvreté endogène :
Méthode empirique avec DAD
Méthode
paramétrique avec un logiciel
économétrique

Données : 2 méthodes
I.
¾
¾
¾
Groupes de ménages : Decaluwé, Patry, Thorkecke et
Savard (1999) et Boccanfuso, Decaluwé et Savard (2002)
Choisir des sous-groupes selon certaines caratéristiques : rural avec /
sans terre, urbain qualifié / non qualifié, … et appliquer un modèle
d’EGC puis faire une analyse de la pauvreté (et / ou inégalité).
La variation des revenus sera la même pour tous les ménages dans
un même groupe.
En terme de politique : comparaison d’impact entre les groupes de
ménages.
Les données : 2 méthodes (suite)
II.
¾
¾
¾
Microsimulations : Decaluwé, Dumont et Savard (1999),
Cockburn (2001)
Choisir un échantillon représentatif de ménages dans une enquête ou
prendre tous les ménages et appliquer un modèle d’EGC puis faire
une analyse de la pauvreté (et / ou inégalité).
En terme de politique : Identifier l’impact d’une politique sur chacun
des ménages.
Gams donne directement le nouveau vecteur de revenu après
simulation.
La MCS : Le travail préliminaire
Pour les deux approches : désagrégation
de la MCS en considérant le nombre de
groupes représentatifs ou le nombre de
ménages.
Le principe général :
Choisir
un
vecteur
de
revenu,
Nouveau
vecteur
obtenu :
(1+∆%)I
Modélisation EGC
Simulations
∆%
I
Seuil de pauvreté
à l’année de base
Analyse de pauvreté
avec DAD ou
méthode paramétrique
ou
Nouveau
vecteur de
revenu =
output GAMS.
Seuil de pauvreté
incluant la
variation des prix
Le seuil de pauvreté endogène

Avant simulation, constriore un panier de bien en
volume tel que :
Prixannée de base x panier = ligne de pauvreté empirique connue

Après simulation, recalculer le seuil de pauvreté :
Prixaprès simulation x panier = nouveau seuil de pauvreté
Méthode empirique avec DAD
L’analyse de pauvreté et d’inégalité est faite avec le
logiciel DAD :
-
Sur le vecteur de revenu de l’année de base.
Et sur le vecteur de revenu simulé obtenu
avec DAD ou excel.
Méthode empirique avec DAD(suite)
Exemple avec les groupes de ménages : L’output de GAMS donne la
variation du revenu pour chaque sous-groupe. L’output de DAD :
FileName
mrur.dad
FileName
mrur.dad
OBS
Variable of
interest
371
OBS
Variable of
interest
371
revo (Base Year)
revb (After Simulation)
Weight variable
Vector5
Weight variable
Vector5
Group variable
No Selection
Group variable
No Selection
Group Number
1
Group Number
1
Normalised
YES
Normalised
YES
alpha
0
alpha
0
Index Value
0.68463976
Index Value
0.69003062
(0.02412411)
EDE Value
0.00000000
(0.02401101)
EDE Value
(0.00000000)
Poverty Line
930000.00000000
(0.00000000)
0.00000000
(0.00000000)
Poverty Line
891126.00000000
(0.00000000)
Méthose empirique avec DAD(suite)

Distributions de revenu: Sauvegarder les coordonnées dans
DAD (Graph et save XY) et les exporter dans Excel pour
tracer le graphique. Possibilité d’ajouter la ligne de pauvreté.
Méthode paramétrique avec logiciel d’économétrie

Principale différence : Postuler une distribution statistique,
estimer les paramètres (MV ou autre) et faire l’analyse de
pauvreté en considérant la distribution choisie. Par exemple,
l’indice FGT d’une distribution continue a la forme suivant :
Pα =
z
∫
o
Avec :
( z − y )α
f ( y ) dy
z
- z est le seuil de pauvreté,
- α est le degrès d’aversion à la pauvreté,
- y est le vecteur de revenu,
- f(y) est la distribution de revenu postulée.
Méthode paramétrique avec logiciel d’économétrie
Choisir un
vecteur de
revenu, I
et une
distribution
de revenu
Modélisation EGC
Ligne de pauvreté
À l’année de base
Nouveau
vecteur de
revenu
obtenu par
groupe ou
microsimulations.
Simulations
∆%
Estimation des
paramètres par
MV ou autre
Ligne de pauvreté
incluant la variation des
prix
Analyse de pauvreté avec méthode
paramétrique
(suite)
Méthode paramétrique avec logiciel d’économétrie (suite)
Poverty, Income
Distribution and CGE
modeling: Does the
Functional Form of
Distribution Matter?
By:
Dorothée Boccanfuso, Bernard Decaluwé and Luc
Savard
March 2002
Objective of the paper

Compare appropriateness of different
functional forms that approximate
income distribution for poverty
analysis in a CGE context applied to
Cameroon.
Past work Poverty and CGE

First wave, early 80’s

Second wave early 90’s

Adelman and Robinson, Korea (1979),
Dervis, de Melo and Robinson (1982),
Gunning (1983).
OECD papers (1991), Morisson, Bourguinon et al. de Janvry et al.,
Thorbecke,
Chia, Wahba and Whalley (1994)
Third wave late 90’s

Decaluwé, Patry, Savard and Thorbecke (1999)
Cogneau (1999), Decaluwé, Dumont et Savard (1999), Cogneau
and Robilliard (2000) and Cockburn (2001)
Agenor, Izquierdo and Fofack (2001).
What did other researchers do?

Used different forms to approximate income
distribution to measure poverty.

Lognormal: (Dervis et al. (1982), Chia et al.
(1994), Agenor et al. (2001)
Pareto: de Janvry et al. (1991)
Beta: Decaluwé et al. (1999)
Empiric: Cockburn (2001)
Little justification for the choice of form.
We think that:

The choice of the form can have implications.
Qualitative
Quantitative
Ranking (targeting)
Rich literature on income distribution should be
exploited.
Different function forms have different fitting
properties,
The nature of CGE modeling warrants testing
appropriateness of different forms.
Importance of ranking, grouping of households and
small impact on income
What do we do?

Constructed standard Cameroon CGE.

Use 1995 SAM for Cameroon.

Use ECAM for household classification.

Compare 7 functional forms.

Use FGT poverty indices for poverty analysis.

Endogenous poverty line.
Functional forms used

Normal
Lognormal
Displaced Lognormal (or 3 parameters)
Pareto
Champernowne
Beta
Empirical DAD method
To come: Generalized Beta

Group of Households:

Rural Landowners
Rural landless
Urban educated
Urban non educated
Simulations

2 simulations

elimination of import duties + increase
10% world price of oil.
elimination of import duties + uniform
producer tax.
Cameroon CGE Results
Variable
s
r
ra
poverty threshold
it
yg
yt
sg
PIB
Pindex
H-Group
ym_runoland
ym_ruland
ym_urhe
ym_urle
Simulation 1 :
Simulation 2:
Base
Level (% change from base) (% change from base)
1,00
0,18
-2,00
1,00
9,62
5,22
1,00
-1,10
5,17
19,49
0,24
-5,44
64,09
8,43
3,94
78,58
-6,11
-33,31
386,83
1,79
0,15
7,26
0,00
0,00
441,88
0,06
0,05
1,00
3,21
1,00
55,73
43,51
169,42
118,17
0,10
-0,41
2,39
2,56
-1,26
2,47
0,14
-0,03
Parametrical
with econometric
Méthodemethod
paramétrique
avecsoftware
logiciel(suite)
d’économétrie (suite)
Graphical method of comparison
Graphical by groups
Poverty indices: 2 groups
URHE
RUNoLand
DAD LOGN LogN 3 Champ Beta
FGT0
BASE FGT1
FGT2
FGT0
Variation
Sim 1
FGT1
Variation
FGT0
Variation
Sim 2
FGT1
Variation
65,56
26,41
13,35
65,56
0,00%
26,11
-1,14%
63,08
-3,78%
24,73
-6,36%
60,81
24,21
12,42
60,89
0,13%
24,26
0,21%
58,27
-4,18%
22,64
-6,48%
63,60
25,90
13,27
63,68
0,13%
25,95
0,22%
61,25
-3,69%
24,28
-6,25%
63,08
24,49
12,35
63,17
0,14%
24,55
0,24%
60,40
-4,25%
22,85
-6,70%
56,02
24,05
13,26
56,10
0,14%
24,10
0,21%
53,73
-4,09%
22,69
-5,65%
DAD
14,14
3,27
1,33
13,45
-4,88%
3,04
-7,03%
12,76
-9,76%
2,67
-18,35%
LOGN LogN 3 Champ Beta
14,24
3,98
1,63
13,60
-4,49%
3,76
-5,53%
12,54
-11,94%
3,42
-14,07%
14,26
3,96
1,61
13,62
-4,49%
3,75
-5,30%
12,56
-11,96%
3,41
-13,96%
13,17
3,91
1,73
12,58
-4,48%
3,72
-4,86%
11,61
-11,85%
3,41
-12,79%
16,42
5,88
2,91
15,90
-3,17%
5,66
-3,74%
15,05
-8,34%
5,30
-9,86%
Comparative table, graphical and ranking
DAD
Rural Land
Owner
Rural
Landless
Urban High
Education
Urban Low
education
Cameroon
++
+
-++
+
-++
+
-++
+
-++
PAR
LOGN LogN 3 Champ
Beta
6
5
1
6
1
2
3
6
3
5
4
9
3
6
3
1
5
3
5
1
6
9
3
2
3
+
5
1
-
2
2
--
3
6
5
1
6
2
7
3
3
6
3
2
4
6
6
6
6
6
1
9
2
6
3
6
1
2
4
2
3
3
6
2
9
1
5
4
3
1
4
7
2
5
7
6
7
9
6
3
3
9
2
1
9
1
2
9
3
Results of comparison

10 cases of group ranking of impact
Some forms produce different P0
Qualitative changes in a few cases
Many quantitative changes
No best functional form for all cases
4 forms can be good
Conclusion

Need to test and compare for appropriateness: no
one size fits all.
The more groups are sub-divided this is likely to
increase.
One alternative might be to use more flexible forms
such as generalized beta proposed by McDonald and
Matrala (1995)
Need to apply Goodness of fit test to refine the
comparison of forms
Comment choisir entre les méthodes emptirique et
paramétriques?
Si le nombre d’observation est petit : il est préférable
d’utiliser la distribution paramétrique car la distribution
empirique est discrête :

•
•
Si la distribution est discrète, les FGT peuvent ne pas être
affectés.
Dans le cas continue, le FGT varieront.