人力资本支出及其对多项目覆盖的影响：政策优先级调查

奥马尔·A·格雷罗

丹尼尔·瓜里索

冈萨洛·卡斯塔内达

迈克尔·韦伯

政策研究工作论文 11425

摘要

本文使用人工智能增强的代理计算来确定如何在一个庞大的异质性政府项目集合中分配预算资源，这些项目针对的是人力资本。该方法考虑了预算分配过程的关键特征：多维性、政策问题之间的相互依赖性，以及公共官员集体行动的政治经济学。分析使用了高度细分的墨西哥数据，涵盖了2016-2022年期间的49个联邦政府人力资本项目。它关注支出如何在短期内影响项目覆盖范围，定义为拥有公共问题并能够获得各种政府福利以减轻这些问题的人口比例。本文回答了三个研究问题。首先，项目覆盖范围对公共支出变化的敏感性如何？其次，导致覆盖范围响应不佳的结构性瓶颈是什么？第三，哪些是最优的预算分配，可以提高多维目标函数的性能？

affects program coverage, defined as the share of the population with a public problem and that has access to various government benefits to mitigate those problems, in the short run. The paper answers three research questions. First, how sensitive is program coverage to changes in public expenditure? Second, what are the structural bottlenecks behind poor coverage response? 'Third, what are the optimal budgetary allocations that could boost the performance of a multidimensional objective function?

人力资本支出及其对多项目覆盖的影响：政策优先级调查

奥马尔·A·格雷罗1,2, 丹尼尔·瓜里索3, 冈萨洛·卡斯塔内达4, 和迈克尔·韦伯⁵

1赫尔辛基大学

2埃斯皮诺萨伊格莱西亚斯研究中心（CEEY）

3CMCC基金会 - 欧洲地中海气候变化中心

4经济与教学研究中心（CIDE）

5世界银行集团

由世界银行集团人力资本项目经理加布里埃尔·德蒙比内授权分发

关键词：人力资本，公共财政，预算分配，项目覆盖，计算经济学，代理计算，墨西哥

JEL代码：J24, C63, H50, I25, O15

执行摘要

培养人力资本对于包容性增长和社会经济福祉至关重要；然而，如何通过预算规划促进人力资本投资尚未被充分理解。尽管经济学文献中的一些研究分析了公共支出与不同人力资本衡量指标之间的统计关系，但这些研究在回归方程的两边都采取了总体视角。此外，它们没有考虑到人力资本不同维度（健康、教育和社会保护）之间错综复杂的相互依赖性。对于许多贫穷和新兴经济体，在人力资本的多个维度上可用的信息稀缺，而且需要使用异质性国家的数据集来汇总数据，这阻碍了获得考虑情境的政策制定的有洞察力证据的可能性。

在本文中，我们采用计算方法来分析旨在改善不同社会干预措施绩效的预算概况。该方法源自政策优先推断（PPI）研究计划，该计划已成功用于评估国际援助对一系列发展维度的影响（Guerrero等人，2023年），以及许多其他应用（Guerrero和Castañeda，2024年）。通过结合代理计算、网络科学和人工智能，PPI使得从传统定量方法无法评估的反事实预算策略分析发展成果成为可能。PPI的能力基于规划过程的四个基本特征：（i）发展的多维性，（ii）政策问题之间的相互依赖性，（iii）在分配预算的当局和实施政府项目的公共官员之间信息的不对称性，以及（iv）公共治理机构的质量。PPI允许建立即使只有聚合数据也可用的基于系统洞察的预算优先事项。鉴于PPI模拟了分配预算的当局的决策过程，因此可以将总体预算分解到项目层面。

我们提出一个案例研究，以展示公共政策干预（PPI）作为规划过程中支持工具的潜力，以制定更好的人力资本投资策略。我们调查了墨西哥的案例，使用了一个新颖的数据集，该数据集包含了2016-2022年期间49个联邦社会政策项目的年度支出和绩效观察数据。墨西哥是一个理想的案例研究，因为（i）有按项目级别细分的预算数据，（ii）与可比国家相比，人力资本水平较低，以及（iii）近几十年来，全要素生产率（TFP）呈现下降和持续的趋势。TFP的下降促使需要培养人力资本作为生产过程和创新系统的基本投入。该数据集来自墨西哥的社会政策评估机构（CONEVAL），它指定了样本中每一年每个项目覆盖的目标人群的百分比。这个指标适合应用PPI，因为该方法论产生了对响应变量短期和中期影响的评估。然而，如果可以构建一个支出与结果匹配的数据集，人们也可以使用其他发展指标，如构成人类发展指数（HDI）和人类资本指数加（HCI+）的指标。

数据的不同可视化显示，样本中的大多数项目属于两个政策领域：健康和教育。其余的项目则属于其他三个政策领域：少数族裔与平等、多样性与包容性（EDI）、社会保护以及工作条件。前两个政策领域的预算明显高于后三个。同样，预算在各领域的分配随时间基本上是恒定的（但并非在项目层面）。然而，这种稳定性并不适用于覆盖范围。从概念上讲，CONEVAL将覆盖范围定义为“有公共问题并且能够获得各种政府福利以减轻这些问题的人口比例”CONEVAL（2021）。在操作上，CONEVAL构建了一个政府项目覆盖范围的衡量标准，即直接从该项目受益的人口与该项目应受益的目标人口的比例CONEVAL（2021）。例如，在COVID-19大流行期间，健康和教育经历了急剧下降。尽管一些项目针对特定的生命阶段（儿童、青少年、年轻人、中年人和老年人），但其他项目则有来自不同年龄组的受益者。与认为需要在个体发展的早期年份大力推广人力资本（即，特别关注儿童和青少年）的观点相反，墨西哥的数据表明成年人和老年人的覆盖范围更高。

我们分析了以下问题：(i) 覆盖范围对每个项目单独增加10%支出的敏感性；(ii) 前沿分析以推断结构性瓶颈（即，那些表现不佳更多与长期结构性因素而非资金不足相关的项目）；以及(iii) 在所有政策领域内协调财务干预措施及其在项目覆盖范围方面的潜在收益。第一项分析显示，公共支出的影响具有异质性，平均而言，健康和教育政策在预算增加10%时可以产生许多额外的受益者。前沿分析通常表明，需要更多覆盖范围的项目受到长期结构性因素的限制。因此，如果没有同时（在领域专家的帮助下）修订这些项目如何运作，那么多次财务干预不太可能产生显著变化。在研究协调干预时，我们发现重新安排额外的公共支出可以在项目覆盖范围方面产生显著收益，包括少数族裔与EDI和工作条件政策领域。

我们的分析可以支持政策努力，以识别旨在改善人力资本的多样化政府项目中的机会和瓶颈。虽然我们的结果侧重于短期覆盖范围，但它们是对更传统的影响评估框架的有洞察力的预先步骤，后者无法解决人力资本众多维度之间的复杂相互作用。

1 引言

世界银行将人力资本定义为“人们在其一生中积累的知识、技能和良好健康，赋予个人和社区达到其全部潜力”（世界银行，2023a）。这个定义强调了投资人力资本的好处需要多年才能显现。虽然一个社区可能在一代人中就能看到这些投资的一些积极影响，但只有在长期内才能观察到全部潜力。因此，研究人力资本的积累及其影响需要中期和长期的视角。

在人力资本研究中广泛认为，婴儿的健康和营养在儿童发展中起着至关重要的作用。这包括认知能力的发展、社交技能的提高以及日后生活中患病可能性的降低。例如，Rossi, F.和Weber, M.（2024）讨论了培养性格和个性技能对于成功的早期儿童干预的重要性。因此，早期儿童发展有助于更长的在校学习时间。反过来，当教育质量和在校年数足够高时，社会可以从先进技术中受益；而一个健康的社区可以减少与严重疾病相关的重大成本。这些结果转化为更高的成人收入，从而允许更多的财务资源被分配用于下一代的发展。

本文并不直接关注连接人力资本与长期社会经济福祉或包容性增长的因果机制。相反，它关注的是政府预算资源的年度分配，这些资源用于设计以培养人力资本的政府项目；特别是墨西哥的情况。这些政府项目涉及人力资本的多个方面，如教育、健康、工作、社会保护以及基于性别、种族或残疾的歧视预防。因此，它们可以影响个人生命中的特定阶段或影响多个阶段。

例如，向大学生（包括本科生和研究生）提供奖学金直接影响18至30岁的成年人口。旨在提高员工技能的培训研讨会有可能惠及18至30岁的成年人，以及30岁以上的成年人。在边缘化社区改善幼儿园和基础教育水平，影响儿童人口。为没有社会保障的个人提供卫生服务，涵盖所有年龄组：儿童、青少年、18-30岁的成年人、31岁及以上的劳动年龄成年人和老年人。此外，鼓励年轻人参与多样化活动（社会、经济和文化）的计划可以帮助改善少数族裔的社会经济成果。

通过在一个广泛的人力资本项目集合中分配资源，政府可以根据人们的生活阶段需求来应对。虽然人力资本干预措施的影响是一个长期的过程，但公共支出与这些项目的人口覆盖范围之间的关系是一个短期关系。可以认为，更好的覆盖范围有助于期望的结果，前提是这些项目没有重大的设计缺陷。事实上，经验证据表明，社会项目覆盖范围对健康和经济结果有长期影响（参见Goodman-Bacon（2021）关于儿童医疗补助的案例）。因此，我们部署了一个为短期/中期评估公共支出在与人力资本相关的人口覆盖变量上的分析框架。通过这项分析，政策制定者可以识别结构性瓶颈（即哪些项目对额外资金反应不佳）或在目标是增加不同项目覆盖的人口比例时设计适当的分配。

从上述例子中可以看出，将政府支出针对通过关键生命周期阶段的人口群体进行定向投资具有潜在好处。在这些特定阶段进行战略投资通常是政策制定者的优先事项，因此提供一个分析工具来评估相应项目如何有效地触及这些群体是重要的。出于这些原因，在本文中，我们以代表生命周期阶段的人口群体为结果呈现。

在本文中，我们采用了政策优先级推断（PPI）框架。该方法涉及一个带有强化学习的政治经济模型，解释了中央权威机构如何分配预算资源，以及分配的资金在多大程度上被用于由公务员或负责机构管理的项目。PPI考虑了一组因果机制，这些机制使得可以推断出预算对人力资本项目覆盖范围的影响。这种方法考虑的一些关键机制包括：(i) 中央权威机构与执行政策的代理人/机构之间的目标不一致，这可能导致效率低下，具体取决于公共治理的质量；(ii) 一个包含同时覆盖多个项目的多维框架；(iii) 一个网络，捕捉短期覆盖指标之间的条件依赖性；以及(iv) 短期/中期限制公共支出绩效的结构性参数。

在墨西哥，几个部门公布了关于各种政府项目的详细数据，包括它们的年度支出和在实现覆盖方面的绩效。近年来，该国前独立社会政策评估机构CONEVAL发布了专注于社会经济发展的这些数据的专家精炼版本。因此，墨西哥是一个理想的案例研究，可以展示PPI如何在评估人力资本支出的短期效果方面带来好处。

在本文的其余部分，我们将详细阐述模型的经验和理论背景：政府支出与人力资本之间关系的基础，对墨西哥经济的概述，以及对PPI框架的简要解释。然后，我们将展示一个独特的数据集，包含49个政府项目、它们的年度支出以及它们在人口覆盖方面的绩效。接下来，我们使用PPI进行分析并讨论主要见解。最后，我们反思了墨西哥的经验教训以及对其他国家在政府如何支出人力资本方面的更广泛影响。

2 关于政府支出、人力资本以及墨西哥的案例

人力资本，包括知识、技能和健康，被广泛认为对生产力和包容性增长至关重要。鉴于其重要性，评估政府在健康、教育和社会保护方面的支出如何影响人力资本成果，对于政策设计至关重要。然而，由于缺乏详细数据和适当的分析工具来处理人力资本的多维性和政策领域之间复杂的相互依赖性，此类评估面临重大限制。

大多数现有研究依赖于使用高度聚合变量的横截面或面板分析，有时将不同类型的社会部门支出（健康、教育、社会保护）作为独立变量，将综合指数如人力资本指数（HCI）作为响应变量。这些分析的证据表明，社会部门支出与人力资本成果之间的关系弱且往往是非线性的（Andrews等人，2019年）。此外，由于国家结构特征的显著异质性，结果可能会产生误导，难以得出特定背景下的政策建议。

聚合方法的一个关键限制是难以使用其估计值进行政策制定。即使发现了积极的关联，也无法解开如何在特定项目之间重新分配预算以提高成果。在项目级别理解支出权衡对于优先考虑资金以改善人力资本至关重要，但这需要详细的数据和能够考虑政策相互依赖性的分析方法。

墨西哥提供了一个理想的案例研究来解决这些挑战，原因有二。首先，墨西哥的前社会政策评估机构（CONEVAL）维护了一个独特的数据集，其中包含年度观察数据，涵盖众多联邦社会项目的支出和绩效，且按项目级别细分——这在新兴经济体中实属罕见。其次，墨西哥面临的人力资本挑战是众所周知的，这激发了本分析的政策相关性。根据世界银行的人力资本指数，墨西哥在2020年的得分为0.61，这意味着一个墨西哥儿童可能只能实现与那些拥有最高健康和教育水平经济体的潜在生产力的61%（世界银行，2023b）。最近的数据证实了持续的差距：根据经合组织（OECD）的数据，2024年有41%的年轻成年人（25-34岁）缺乏高中后教育，尽管从2019年的49%有所下降，但在经合组织国家中仍然是最高的比例——而从初级到非高等教育的政府每学生支出仅为2,790美元，使墨西哥处于经合组织范围的低端（经合组织，2025a）。健康指标显示了类似的模式：预期寿命为75.5岁（比经合组织平均水平低5.6年），人均医疗支出为1,588美元，与经合组织平均的5,967美元相比，每1,000人口只有2.7名医生和3.0名护士，而经合组织的平均值分别为3.9和9.2（经合组织，2025b）。这些指标使墨西哥在经合组织成员国以及许多地区和收入群体的同行中处于较低的层次。

在过去三十年中，墨西哥适度的经济增长与停滞的全要素生产率（TFP）和持续的人力资本赤字密切相关。对于有兴趣深入了解这些问题的读者，我们推荐Iacovone等人（2022年）的全面分析，他们研究了墨西哥生产力增长的主要动态和关键驱动因素；Levy（2018年）讨论了政策引起的劳动力和资本配置不当如何破坏生产力；Fentanes和Levy（2024年）记录了企业非正规化变得更加普遍，正规与非正规企业之间的生产力差异增加，尽管贸易自由化显著，但负TFP增长持续存在；以及Cañas等人（2024年）分析了低生产力增长如何限制墨西哥的近岸潜力和长期增长前景。

这些人力资本赤字，加上粒度化的项目级数据的可用性，使得墨西哥成为展示计算方法如何支持基于证据的预算规划的合适场景。我们的分析侧重于短期项目覆盖范围，而不是长期增长结果，因为覆盖范围对支出变化的反应更快，并且是实现更广泛人力资本改进的必要（尽管不是充分的）条件。

3 数据

我们利用了一个未被挖掘的数据集，该数据集涵盖了针对不同人力资本维度（例如，健康、教育、社会保障）的个别社会发展项目。这些数据来自墨西哥国家社会政策评估委员会（CONEVAL，其西班牙语缩写）。CONEVAL是一个自治实体，维护着联邦政府实施的社会发展项目和行动的清单。这些信息根据《社会发展通用法》（Ley General de Desarrollo Social）中确立的“社会权利和经济福祉维度”进行了系统化。在使用PPI时，该数据集代表了从政府支出角度进行多维影响评估的黄金标准。

此数据集包含了联邦预算计划、调整和在每个项目上花费的具体信息。此外，CONEVAL根据它们旨在解决的“社会权利和经济福祉维度”对这些项目进行了分组。让我们从此以后将这些类别称为政策领域'。我们审查了这些项目，并将其中一些重新标记为与人力资本概念更直接相关的开发维度。总体而言，我们考虑了五个政策领域：教育；健康；少数族裔与平等、多样性和包容性（EDI）；社会保护；以及工作条件。

图1显示了2022年按不同政策领域分组的项目分布，而图2显示了平均而言在各个政策领域花费的社会项目预算的百分比。我们注意到，在2022年，教育是政府项目比例最大的政策领域（占37.2%），其次是健康（占20.7%）和工作条件（占15.7%）。有趣的是，当我们查看每个政策领域的支出时，我们观察到社会保护得到了大量资金（占22.5%），尽管它包括的项目宇宙比例相当低（大约13.2%）。因此，联邦政府通过使用少数获得大量资源注入的政策干预措施来解决社会安全问题。

此外，CONEVAL的清单报告了成功覆盖人口的项目以及需要政策支持的潜在人口。如前所述，项目覆盖是评估短期内人力资本支出的理想指标，因为更传统的开发指标只有在两代或更多代人过去后才会反映效果。

图1：2022年按政策领域划分的项目分布

我们考虑了49个项目的一个子集，这些项目在2016-2022年期间在覆盖范围和支出方面有持续的观察数据。在图3中，我们展示了这些项目在不同政策领域的分布情况。正如人们所期望的，我们样本中的大部分政府干预措施属于教育（33%）或卫生（31%），较小比例针对少数族裔和EDI（18%）、工作条件（12%）和社会保护（6%）；这与2022年所有项目分布接近。然而，我们不能说这种分布代表了联邦政府的社会政策。例如，卫生维度的项目比例高于图1中相应的比例。然而，这些差异是由于在CONEVAL的清单中没有足够的观察数据来反映每个项目。

图2：2022年按政策领域划分的预算分配

在我们的样本中，针对教育或卫生的项目平均从联邦政府获得的资金最多。这种情况与2022年所有项目中的预算分布相符（图2）。然而，与政府干预的整体清单相比，社会保护获得的资金明显较少。图4显示了2016-2022年期间按政策领域分类的项目平均预算百分比。可以看出，尽管各年度平均预算份额没有显著变化，但卫生和教育的支出始终较高。这些比例的时间波动很小，前者政策领域的波动约为3.9%，后者约为2.4%，这与众所周知的事实相符，即对于大额预算部分，政府很少进行大幅变动。

在政策领域的层面上，资金分配与相应项目在覆盖范围上的表现之间存在弱相关性。我们通过测量覆盖范围来衡量，即项目试图达到的潜在人口比例，这也是CONEVAL在其库存数据集中提供的信息。图5显示，在大流行前的几年里，健康和教育领域的项目干预使得平均覆盖率分别达到了大约38%和27%。此外，在COVID-19大流行期间（2020年和2021年），健康和教育的覆盖率显著下降，这仍然阻碍了2022年健康项目的恢复。然而，州级和市级的项目。CONEVAL还整理了一份当地社会项目的清单。

图3：我们样本中的政府项目按政策领域分类

在这个动荡的时期，联邦当局推广了工作项目，至少部分地抵消了就业损失。有趣的是，尽管是第三大资金支持的政策领域，社会保护项目的表现相对较差，在分析中包括的七年的平均覆盖率最低。

为了更好地理解这些干预措施可能如何影响个体生命周期的不同阶段，以及它们与建立、保护或使用人力资本的关系，我们利用了CONEVAL数据库中项目详细描述的优势。对于每一个项目，库存记录了项目主要针对的年龄组。我们将这些描述细化为五个类别：儿童：0-11岁，青少年：12-17岁，青年人：18-30岁，中年成人：31-59岁，老年人：60岁及以上。请注意，一个项目可以针对多个年龄组（生命阶段）；因此，在图6中，我们报告了根据它们服务的子人口分布政策问题，用颜色突出显示它们所属的政策领域。

年轻成年人（即18-30岁之间的人）是最多项目针对的目标群体：共有41个项目。在分布的另一端，我们发现老年人有19个项目。从人力资本的角度来看，这两个生命阶段的项目数量差异是有道理的，因为年轻成年人仍在使用和保护工作能力。相比之下，大多数老年人都应该已经退休了。然而，仅仅通过观察每个年龄组的政策问题数量，令人惊讶的是，儿童组的项目数量相对较低（23个），鉴于这个生命阶段的发展对认知和社会技能至关重要。同样，人们也可以注意到一些政策问题影响了多个年龄组。例如，健康支持（EquiHealth）、全面社会援助服务（ServSocInt）、残疾人护理计划（DisabRights）、加强医疗保健（StreHealthServ）、饮用水服务（ServWater）、IMSS-BIENESTAR计划（HealthPoverty）和社会福利（SocWelfIMSS）。特别是健康和少数族裔及EDI（平等、多样性和包容性）是政策领域中干预措施最多的，这些干预措施针对多个年龄组的需求。

图4：按政策领域平均预算分配

需要强调的是，针对特定年龄组的项目数量更多，并不自动意味着相应项目的绩效更高，如图7所示。这里显示的是样本期末（即2022年）按生命阶段的项目平均覆盖范围。请注意，平均覆盖范围在各个类别中呈现出积极的趋势，针对儿童和青少年的项目成功率最低（分别为18.8%和18.9%），而那些服务于老年人的项目实现了最高的平均覆盖范围（21.8%）。这些结果表明，从人力资本的角度来看，对关键年龄组的关注较少。也就是说，对那些对生命至关重要的阶段关注不够。

图5：按政策领域平均项目覆盖范围

建立认知技能。

图6：按政策领域和年龄组的项目

图7：2022年按年龄组的平均项目覆盖范围

4 分析

分析包括进行各种反事实练习，以衡量政府项目（即潜在人口的覆盖范围）对增加支出不同情景的反应。在呈现结果之前，我们提供了政策优先推断框架的直观概述，并解释了每项分析背后的具体方法步骤。

4.1 政策优先推断框架概述

让我们首先从宏观角度审视我们分析中采用的方法：政策优先级推断（Policy Priority Inference，简称PPI）。就像任何其他建模方法一样，PPI建立在对现实的某些假设和简化之上。然而，其经验校准和验证要求允许分析师使用模型结果来制定具有分析支持的公共政策。应该指出的是，PPI不仅仅是一个模型，而是一个研究计划，其目的是基于生成性因果关系方案来理解发展政策的优先级排序（Guerrero和Castañeda，2024）。根据这种认识论，要确定总体变量之间的因果关系（例如，预算数据和人力资本指标之间），仅仅研究它们的统计关联性（即使在因果推断框架下）是不够的；还必须模拟在微观层面上产生总体数据中观察到的动态的过程。

就这里分析的问题而言，政策优先级的定义（即预算在政策问题上的分配）意味着影响公共官员行为的干预措施，这些官员最终是有效（或无效）使用分配资金的人（例如，用于扩大社会项目的覆盖范围）。理论上，有了这些资源，人力资本指标可以提高其性能。然而，这种进步可能会受到不同公共政策问题之间条件依赖网络所产生的溢出效应的制约（例如，更好的健康状况使得分配给教育的金融资源使用更加高效）。能够考虑这种条件依赖网络是PPI的一个显著特点。

PPI借鉴了网络科学、计算社会科学和人工智能的建模工具。特别是，这种方法采用了名为代理计算的方法论，它提供了足够的灵活性来指定一个具有不完全信息和有限理性的政治经济行为博弈，在网络中进行。网络节点是基于各种发展指标定义的，而博弈是在一个主体（中央权威）和一组多个代理之间建立的，每个节点对应一个代理（与相应政策问题相关的公共官员）。它被称为行为博弈，因为中央权威和官员使用学习规则（分别是自适应学习和强化学习）。

面对环境带来的变化。此外，它被称为政治经济游戏，因为它模拟了一个集体行动问题，在这个问题中，中央权威的激励与官员们的激励并不一致，官员们以分散的方式做出决策。这种对公共政策管理过程的视角帮助我们理解制度因素，如法治、对低效的监督以及社会规范的自我组织如何产生金融资源的浪费。

4.1.1 PPI的四个基本构成要素

支撑PPI的模型由四个基本构成要素组成，这些要素共同产生了项目覆盖范围的动态变化，这种变化是预算分配和制度特征的函数。理解这些构成要素对于解释后续的结果至关重要。

构成要素1：指标动态。第一个构成要素建立了结果变量所遵循的动态，这些动态基于惯性因素和概率漂移分量（向上或向下）。漂移取决于相关公共官员的贡献（即，分配预算中实际用于相应项目的比例）以及来自网络中其他政策问题的溢出效应。形式上，每个项目在给定时期内的覆盖范围可以以一个概率提高，这个概率随着有效预算贡献的增加和从相关项目接收到的正向溢出效应的增加而增加。

构成要素2：公共官员的行为。第二个构成要素描述了负责实施各种项目的公务员（或政府机构）的决策过程。这些官员权衡促进改善用于评估其政策的结果变量，从而相对于其他官员提高自己的声誉，与滥用分配资源的个人利益之间的关系，无论是由于各种类型的低效还是明显的腐败。这个构成要素包括一个强化学习机制，该机制在考虑到之前的决策和取得的结果后，确定贡献是应该增加还是减少。公共职责与私人激励之间的紧张关系产生了依赖于制度环境的内生性低效。

第三块：预算适应。第三块包含一个适应机制，该机制决定特定问题的预算分配是否应该增加或减少。这个决策规则包括一个惯性因子，一个代表预算中特有变化的随机因子，以及一个惩罚因子，该因子通过减少资源分配给那些有效率低下历史的官员的机构来制裁他们。在墨西哥的理想情况下，我们有不同年份的个别政府计划的预算数据，因此这一块没有被使用，因为预算分配在数据中是直接观察到的。

第四块：相互依赖网络。第四块提出政策问题及其相应的指标之间存在复杂的相互依赖关系，因此在分析中需要考虑一个具有方向性和加权链接的网络。这些属性是通过定量方法确定的，特别是贝叶斯网络，它们在节点之间建立条件依赖关系（详见附录D关于估计程序的细节）。该网络捕捉到一个政策领域中的改进如何促进或阻碍其他领域的进展，使模型能够考虑到孤立分析会遗漏的系统效应。

4.1.2 校准和模拟

由于上下文很重要，网络属性、与指标动态相关的参数以及模型的治理参数仅使用关于墨西哥的数据进行校准。校准程序最小化了所有计划中模拟和观察到的覆盖轨迹之间的差异。能够将模型拟合到特定国家的上下文中，即使数据相对较少，也是PPI的另一个显著特征。

有了这四个模块，就可以创建一个不需要微观数据来校准行为规则的简约模型，并允许在代理人（权威和官员）对系统性质和其他人的行动缺乏了解的不确定性情境中模拟决策。在这个意义上，决策仅基于观察到的个人利益和公共信息（即各种指标的进展和挫折）进行修改。

图8展示了如何通过因果链将这四个模块连接起来，算法迭代这个过程以产生一个动态过程。虽然图表的顶部代表结果变量（例如，社会经济进步指标）的变动，但底部则突出了模型在不同预算聚合水平下运行的能力。

4.2 校准结果和基线性能

在进行反事实分析之前，我们使用2016-2022年墨西哥的项目覆盖范围和支出数据对模型的结构参数进行了校准。校准的参数有两个用途：(i) 它们提供了一个基准，用于评估反事实情景；(ii) 它们揭示了限制项目对财务干预响应的结构性约束。

图8：PPI底层模型的结构

资料来源：Guerrero和Castañeda（2024年，图4.3，第126页）。

我们评估政策干预影响的基准是样本期最后一年（2022年）的项目覆盖范围。根据定义，此类覆盖范围的最大值为潜在人口的100%，即项目能够达到的人群。另外，请注意，虽然大多数项目针对的是人类人口，但并非所有项目都是这样，因为有些项目可能将物理基础设施（例如学校和医院）作为目标人群。如前所述，潜在人口是CONEVAL清单包含的信息的一部分，因此不同项目之间存在差异。潜在人口也是指标性能的一个技术边界。因为PPI考虑了这个技术边界，所以当支出从已经很高的水平增加时，很可能会出现边际回报递减的情况。在公共支出用于发展的背景下，边际回报递减与所谓的“最后一英里”问题有关，该问题指出，随着公共支出逐渐将亚人口从欠发达状态中提升出来，支持最后一组人群的成本越来越高。

对增加支出的敏感性

4.3.1 方法论方法

分析的第一部分包括估计每个项目最终覆盖范围对其预算增加的敏感性，但不改变其他项目的财务资源。换句话说，通过这个练习，我们可以评估在将额外资金定向到特定政策问题时，总预算增加的影响。

具体的反事实程序如下：

对于样本中的每个项目i，在样本期的每一年（2016-2022年），我们将它的预算增加10%，同时保持所有其他项目的预算在其观察到的水平。

使用校准的PPI模型，我们模拟在这种修改后的预算分配下的覆盖动态。
我们运行多个蒙特卡洛模拟（以考虑模型中的随机元素），并计算2022年的平均最终覆盖范围。
我们将这种反事实覆盖范围与基线（观察到的）覆盖范围进行比较，以获得归因于10%预算增加的额外百分比覆盖范围。
We compare this counterfactual coverage to the baseline (observed) coverage to obtain the additional percent coverage attributable to the 10% budget increase.
我们重复这一程序，逐一处理这49个项目。

这种方法隔离了增加资金对每个项目直接影响的效果，同时考虑了模型动态中内生出现的网络溢出效应。重要的是，因为模型包含了公共官员行为的政治经济学，结果不仅反映了资金转化为覆盖范围的机械转换，还反映了制度因素如何调节这一关系。

4.3.2 结果

首先，我们展示了与人力资本相关的五个政策领域额外覆盖百分比的总体结果。由于目标人群可能在各个项目之间存在重叠，我们在2022年计算了政策领域内的平均额外覆盖百分比。图9显示了与2022年报告的平均覆盖百分比相比的结果。注意2022年的覆盖百分比与政策领域平均额外覆盖百分比之间的正（非线性）相关性。尽管教育和卫生项目在预算增加时会增加相对较多的受益人，但在其他三个政策领域（粉红色、黄色和蓝色圆圈），比例覆盖变化实际上不存在。总的来说，我们可以声明，在持续七年的期间内，对年度支出变化10%的反应是异质性的，这表明一些项目表现出结构性限制，延迟了人力资本的进步。

图9：政策领域的平均覆盖影响

注释：垂直轴表示2022年同一政策领域内的额外覆盖百分比（平均）。标记大小与相应政策领域内的项目数量成比例。这一结果来自于一个反事实的描述，即在整个样本期间，每个项目每年平均支出的10%年度变化（一次一个项目）。

在更细粒度的层面上，图10展示了政府项目按相对响应性排名，从最小到最大（即额外覆盖百分比），由于其平均基线预算的10%年度增加。排名显示，只有部分卫生和教育项目在2022年表现出至少1%的覆盖百分比增加。响应性最强的项目对应于教育政策（StreEduDo、ServEduSec和UniGrant），而两个最敏感的卫生干预措施是TrainHRHealth和ResDevHealth。相比之下，绝大多数少数族裔与EDI项目、工作条件和社会保护项目高度缺乏弹性。

鉴于这一结果，我们可以认为资金并不是低影响力政策干预所经历困难的唯一原因。

图10：按影响覆盖范围排序的政府项目

鉴于图10中报告的覆盖范围反应的异质性，我们有兴趣找出那些在2022年覆盖范围相当黯淡，因此需要大幅改进的项目。在图11中，我们展示了每个项目在额外增加10%支出（垂直轴）的情况下，与2022年报告的相对覆盖范围（水平轴）相比的额外百分比覆盖范围。我们的计算显示，只有九个项目实现了超过1%的额外覆盖范围：StreEduAlign、StreEduDo、TrainHRHealth、ResDevHealth、PrevDisSecTer、UniGrant、ServEduSec、ResearchHC和NatSysRes。对于2022年影响相对较高但覆盖范围低于50%的三项干预措施，可以断言它们正在按预期工作。然而，根据这些结果，所有低于1%额外覆盖范围阈值和低于2022年覆盖范围50%阈值的圆圈，对应于需要政策制定者和分析师修订操作的项目。相比之下，低于1%额外覆盖范围阈值且当前表现高于50%阈值的低影响绿色和棕褐色圆圈可能处于收益递减阶段，这使得产生显著覆盖范围增加的可能性变得复杂。

图11：与2022年相对覆盖范围相比的项目对覆盖范围的影响

注释：带有明确标签的项目展示了超过1%的额外覆盖范围。

最后，让我们通过将反事实结果按政策领域和受关注人群的生命周期阶段进行汇总来重新排列。图12展示了这次练习的结果。我们用不同的标记突出显示了每个政策领域所关注的年龄组。首先要注意的是，描述健康和教育干预措施的标记在2022年平均至少有20%的覆盖范围。平均而言，最具弹性的项目对应于青少年的教育干预（棕褐色星形标记）。注意，无论年龄组如何，工作条件、社会保护和健康项目的标记往往聚集在一起。同样，除了健康之外，致力于儿童的项目（三角形标记）在支出变化时影响较低。

4.4 前沿分析和结构性瓶颈

4.4.1 方法论方法

尽管敏感性分析可以提供关于项目对特定预算变化的反应的信息，但从一个我们排除财务限制可能性的情景中获得潜在结果的洞察也是方便的。在PPI文献中，前沿分析考虑了这样的场景。

前沿分析的步骤如下：

图12：2022年按年龄组和政策领域划分的额外覆盖人口与覆盖范围

注释：标记的形状表示年龄组，而颜色表示相应的政策领域。

对于每个项目i，我们构建了一个假设情景，在这个情景中，每个时期的覆盖改善概率被设定为其最大值（即p=1）。这对应于一种情况，即有足够的资金且资源利用没有效率低下的问题。
在这种情景下，限制覆盖增长的唯一因素是校准期间估计的结构参数。这些参数捕捉长期约束，如机构能力、项目设计质量、地理障碍或其他仅通过增加资金无法克服的因素。
我们在这些前沿条件下模拟模型，并记录2022年实现的最终覆盖范围。
前沿覆盖范围与观察到的覆盖范围之间的差异揭示了覆盖差距中有多少是由于财务限制，多少是由于结构性瓶颈。

换句话说，在PPI的指标动态中，覆盖改善发生的概率pi取决于有效预算贡献。在前沿，我们设定pi=1，意味着每个时期都保证有改善。然而，每次改善的规模由保持不变的结构参数控制。因此，即使有无限的资金，具有不利结构参数的项目也会显示出有限的改善——这些是我们标记为存在结构性瓶颈的项目。

表现出较差观察性能和较差前沿性能的项目表明可能存在需要领域专家关注的结构性瓶颈。相比之下，那些观察到的覆盖范围高且在前沿上改善适度的项目更可能是由于边际收益递减，因为一旦政策接近100%的覆盖范围，达到额外覆盖范围变得更加困难。

4.4.2 结果

在图13中，我们按数据中2022年的覆盖范围对数据集中的项目进行排序。在每个数据点（实心有色圆圈）上方，我们可以看到项目在解除财务限制后缩小的距离。对于大多数项目，除了四个之外，即使资金充足，模拟结果也不会产生全人口覆盖。许多健康和教育项目不仅覆盖范围高，而且在有额外资金时（即标记之间有显著的垂直线）覆盖范围显著增加。对于剩余政策领域（粉红色、黄色和蓝色圆圈）中的项目，改善最显著的是LaborRights。

可能的红旗警示候选者可能是那些在实证覆盖度低于20%且前沿覆盖度不超过20%的项目。这些项目的一些例子包括ChildRights、EquiDisabISSSTE、EquiOppYouth、DisabRights、ServEduUni、IndigRights、TrainWork、SocWelfIMSS、ServSocInt和SustNatRes。这些项目需要领域专家的关注，以诊断阻止它们发展的结构性因素——无论是与项目设计、实施挑战还是环境障碍有关。

接下来，我们将前沿分析的结果按政策领域和年龄组进行汇总。图14的垂直轴显示了前沿下覆盖度的平均增加。一般来说，估计的相对变化并不显著，且倾向于按政策领域聚集，除了教育领域，以及在较小程度上的少数族裔与平等、多样性和包容性（EDI）。平均来看，针对青少年的教育干预措施改善最高（星形），而针对儿童的少数族裔EDI干预措施改善最低（粉红色三角形）。与社会保护和少数族裔EDI相关的项目，无论年龄组如何，往往表现出适度的改善，即使是在前沿下。如图12所示，2022年额外覆盖度与覆盖人口之间存在正相关，但我们还注意到健康和教育政策与其他政策之间存在明显分歧，这意味着大多数低预算项目在相对意义上表现出低响应性。

图13：预算前沿上的性能改进

注释：实心标记表示数据中报告的覆盖度。空心标记对应于通过前沿分析生成的覆盖度。前沿反事实包括为单一项目提供无限资金，相当于每个时期产生改进的100%概率。一个项目即使有无限资金也达不到100%覆盖度的原因通常是由于适度的改进幅度；这些通常是由长期结构性因素产生的。

4.5 协调的金融干预

4.5.1 方法论方法

到目前为止进行的反事实练习涉及单个程序的政府支出变化，一次一个。无论这些变化是限制在程序预算的10%还是无限额，它们都没有考虑到互补程序之间可能的协同效应。在本节中，我们探讨了所有政府项目预算增加的潜在协调。请注意，所谓协调，我们不是指行政任务的操作同步，而是在做出预算决策时同时考虑潜在的协同效应。

假设政府能够额外获得总预算的10%（这考虑了潜在的贷款），并且需要将这些资金分配到各个项目和年份中，以在2022年最大化所有项目的平均覆盖率。这是一个复杂的优化问题，需要评估大量的潜在预算配置。它需要对政府支出有一个系统性的视角，以考虑由于各种利益相关者之间的互动以及系统政治经济而产生的协同效应和权衡。

图14：按年龄组划分的预算前沿覆盖率改进

注：为了计算垂直轴上显示的覆盖率相对变化，前沿分析假设有足够的公共资金确保每个时期都能保证覆盖率的正向变化。

优化程序的工作流程如下：

决策变量：优化器确定分配向量a = (ai,t)，指定了额外10%预算中分配给每个项目i在每年t的分数。
模拟：对于每个候选分配a，我们运行校准的PPI模型，并计算2022年的结果覆盖率。
目标函数：优化器寻求最大化基于项目平均覆盖率的目标函数。我们考虑两种变体：

• 无约束：最大化2022年的简单平均覆盖率。

• 青年优先：最大化加权平均值，其中服务于年轻人口的项目获得更高的权重（儿童：16/31，青年：8/31，年轻成人：4/31，中年成人：2/31，老年人：1/31）。

优化算法：我们采用差分进化，这是一种设计用来处理具有许多局部最优解的复杂适应性景观的启发式优化方法（Guerrero等人，2022年）。该算法通过变异、交叉和选择操作迭代改进候选解。
收敛：算法运行直到改进变得微不足道，从而产生一个近似最优的分配策略。

在现实政治中，支出重新分配必须处理各种实际约束（例如，指定预算线，有限的借款能力，政治协议）。无约束优化作为参考点，提供了理论上可以实现的最佳覆盖率。青年优先优化引入了一个与人力资本投资的代际影响理念相一致的约束，承认人力资本支出的结果是在目标人口在生命周期中取得进展后实现的。

4.5.2 结果：最优分配模式

在图15中，我们展示了两种优化的结果。圆形标记对应于特定年份和项目中分配的额外资金。标记的大小越大，表示年份越近。方形标记表示特定项目每年平均分配的额外资金。项目已根据其平均支出增长进行排序。

图15a显示了在资源分配没有限制的情况下优化算法的结果。在图15b中，我们描述了当优先考虑年轻人时优化启发式算法的结果（即，随着受益者在生命周期中的年龄增加，他们在目标函数中的权重降低）。

注意，在两种情况下，最优分配在年份之间有所不同，而且最小的标记（即样本中最远的年份）既不是接收资金最多，也不是最少的。因此，我们观察到项目之间年度分配的非线性动态调整。两个案例之间的明显区别在于项目的排序不同。例如，当优先考虑年轻人时，获得政府支出最大增长的项目是提供研究生奖学金（UniGrant）。对于无约束的目标函数，该项目仅排名第15位。

图16显示，在两个优化设置中，平均（在政策领域内的项目之间）最优分配在时间上存在差异。在优先考虑年轻人的目标函数中，教育和卫生（分别用橙色和绿色线条表示）的额外支出在样本的最后一年开始显著分化。正如预期的那样，历史上接收资金最多，占总预算比例最大的两个政策领域，根据我们的结果，应该是人均接收最大增量的领域。注意，在两种优化启发式中，平均而言，教育项目的支出增量比卫生项目大；这与图5中观察到的历史预算份额相反。最后，在人均基础上，社会保护项目的资金增量在最优分配中最低，与政策领域预算分配的观察模式相反。

4.5.3 结果：协调带来的覆盖范围改善

在协调干预下，最优分配对2022年覆盖范围改善的影响在几个项目中是显著的（即超过2%），如图17所示。这一结果适用于两种优化启发式方法：无约束条件或优先考虑青年。正如预期的那样，每个项目改善的覆盖范围的大小取决于协调干预的类型。阴影柱状图标识了所有优先考虑青年干预方案（星形标记）表现优于无约束方案（圆形标记）的项目。柱状图中灰色调越深，两种方案之间的覆盖范围差异越大。请注意，包括两个深灰色调的不同教育项目呈现阴影柱状图。

4.5.4 结果：协调与非协调干预

接下来，让我们比较协调无约束情景与一个根据4.3小节中获得的敏感性结果所指导的分配方案的性能。回想一下，在敏感性分析中，我们一次分析了一个政府项目的影响。这产生了一个从最敏感到最不敏感的项目排名。有了这个排名，我们确定了在总预算增加10%的情况下，我们为每个项目分配的资金比例。换句话说，我们比较了两个具有相同额外资源但分配规则不同的场景：一个使用孤立模拟干预（使用敏感性估计）的场景，另一个考虑协调决策（使用启发式优化程序）的场景。

在图18中，我们展示了这种比较，并揭示了协调干预的系统效应。请注意，在五个政策领域中，实施协调干预时，几个项目都获得了实质性的利益。特别是，大多数教育项目展示了显著的外来溢出效应，这些效应改善了它们的表现，超出了直接资金的范围。总的来说，我们可以认为，通过采用协调干预，有可能部分克服直接分配的低敏感性。

4.6 分析发现摘要

表1综合了我们三个分析练习的关键发现，突出了每个分析为政策优先级排序提供的互补见解。

表1：分析方法和关键发现摘要

分析	它揭示了什么	关键发现
敏感性（4.3）	对资金的直接反应	教育和健康最敏感；少数族裔&EDI、工作条件、社会保障显示出低弹性
前沿（4.4）	结构性瓶颈	覆盖率低于20%且前沿改进低的项目需要设计/实施审查
协调（4.5）	系统协同效应	协调分配可以通过溢出效应克服直接敏感性低的问题

图15：协调干预下额外资源的分配情况
(a) 无限制条件下

(b) 优先考虑年轻人

注：我们采用了一种名为差分进化的进化计算程序来产生最优的预算分配。圆形标记表示在特定年份给予特定项目的额外资源。标记的大小表示分配应发生在更近期的年份，其中2022年对应最大的标记大小。正方形标记表示在样本所有年份中平均分配给特定项目的额外资源。'每人比索'表示计算是以人均方式进行的（使用该国的总人口）。

(b) 优先考虑年轻人

注：教育（橙色线），健康（绿色线），少数族裔与EDI（粉红线），工作条件（黄色线），社会保护（蓝色线）。'每人比索'表示计算是以人均方式进行的（使用该国的总人口）。

图17：协调干预下的覆盖范围改进

注：阴影柱状图表示在优先考虑年轻人的干预下，与无限制优化相比，程序的性能更佳。请记住，性能是以程序在2022年实现的覆盖百分比来衡量的。

图18：协调与非协调干预下的覆盖范围改进

注：星形标记对应于无限制条件下的协调支出覆盖性能。三角形标记描述了根据图10中发现的敏感性分配额外资源所带来的覆盖范围改进。两种情况下的总预算增加均为10%。

5 讨论与结论

本文介绍了一种替代的回归分析方法，该方法涉及将变量按与人力资本相关的政策领域（教育、健康、社会保障）进行聚合。所提出的计算方法的优势多样，因为它考虑了人力资本的多维性、政策问题的网络结构、政策设计和实施背后的政治经济框架，以及各国的特定情况，如治理。我们认为，社会项目覆盖范围作为结果，而不是长期指标，因为尽管社会项目覆盖范围与人力资本结果有很强的联系，但前者更能捕捉公共支出的短期调整。本文使用的数据接近于使用所提框架的黄金标准，因为公共支出和覆盖时间序列足够长，并且具有适当的详细程度。然而，代理人决策中包含的人工智能特征（中央当局和公职人员）允许在只有年度预算数据可用的情况下，按国家或政策领域分解支出。因此，我们的模型也有助于为缺乏此类详细程度的国家提供政策建议。

尽管政策优先级推断框架（PPI）关注短期和中期内的视角，而且人力资本对生产力和经济增长的主要影响需要时间才能显现，但这项练习非常具有启发性，因为可以将分析的社会项目按照受益人的生活阶段进行分类。因此，政府可以在未来5到10年内重新分配其年度预算，以支持建立和保护人力资本的项目。

我们分析得出的一个主要结果是，在应用协调干预时，能够利用系统性的相互依赖性。当决定使用优化启发式方法在不同的政策问题之间分配预算增量时，可以利用间接效应，这些间接效应可以使对直接预算变化不敏感的项目对政策互动产生积极反应。我们的结果表明，在所有政策领域的几个项目中都存在这种乘数效应。

实际上，虽然该方法并非旨在推断单一项目的因果估计（如随机对照试验），但它可以从系统角度提供对个别干预措施的见解。例如，奖学金项目Elisa Acuña（EduGrant）在资金分配仅基于孤立评估时，并未显示出覆盖率的改善（图18，三角形标记）。这可能是由于正向溢出效应导致的激励扭曲。然而，当将该项目纳入协调预算策略中（图18，星形标记），即从系统角度考虑时，它显示出覆盖率的增加。这一特定见解对于联邦政府最近扩大奖学金项目具有明确的政策相关性。

同时强调分析中另一个诊断产品的重要性：红旗表明资金并非阻碍社会经济指标（例如人口覆盖率）进步的主要约束。尽管该模型无法详细说明长期结构性瓶颈的来源，但它可以就其在特定政策问题中潜在存在的警告信号发出警告。因此，分析人员和政策制定者应重新审视对财务干预反应不佳的项目的设计、实施和运营，特别是当观察到的覆盖率较低时。

最后，在我们的分析中，我们专注于制定反事实情景，其中我们模拟增加支出。然而，鉴于其高度的建模灵活性，该方法可以用来评估预算收缩的影响，这在许多机构环境中可能比扩张更常见。尽管如此，当前的分析已经帮助识别了更具刚性的社会项目，即使其规模缩小，也不会显著阻碍其目标人群的覆盖。

参考文献

Andrews, K. G., Avitabile, C., and Gatti, R. (2019). 国内政府在人力资本上的支出：对近期趋势的跨国分析。世界银行政策研究工作论文，(9033)。

Cañas, J., Hur, S., and Strackman, B. (2024). 墨西哥的生产力问题限制了近岸外包和增长潜力。技术报告，达拉斯联邦储备银行，达拉斯，德克萨斯州。

CONEVAL (2021). 对社会项目和行动的覆盖率指标的探索性分析。技术报告，墨西哥城。

Cunningham, F., Demirag, D., and Weber, M. (2024). 更多的工作岗位需要人力资本：将人们与工作连接起来并创造企业家。技术报告，华盛顿特区。

Fentanes, O. and Levy, S. (2024). 功能失调的公司动态和墨西哥的低迷生产力表现。Economía LACEA Journal，23(1):283–310。

Goodman-Bacon, A. (2021). 儿童保险覆盖的长期影响：医疗补助实施、成人健康和劳动力市场结果。美国经济评论，111(8):2550–2593。

Guerrero, O. A. 和 Castañeda, G. (2024). 复杂经济学与可持续发展：政策优先级推断的计算框架。剑桥大学出版社。

Guerrero, O. A., Castañeda, G., Trujillo, G., Hackett, L., 和 Chávez-Juárez, F. (2022). 地方可持续发展：垂直政府间转移在实现多维目标中的作用。社会经济规划科学，83:101155。

Guerrero, O. A., Guariso, D., 和 Castañeda, G. (2023). 可持续发展中的援助有效性：多维度方法。世界发展，168:106256。

Iacovone, L., Muñoz Moreno, R., Olaberria, E., 和 Pereira López, M. d. 1. P. (2022). 墨西哥的生产力增长：理解主要动态和关键驱动因素。技术报告，世界银行，华盛顿特区。

Levy, S. (2018). 未得到充分回报的努力：墨西哥繁荣的难以捉摸的追求。美洲开发银行，华盛顿特区。

Moreno-Serra, R. 和 Smith, P. C. (2012). 朝着全民健康覆盖的进步是否改善了人口健康？柳叶刀，380(9845):917–923。

经济合作与发展组织 (2025a). 2025年教育概览：经合组织指标。技术报告，经合组织出版，巴黎，法国。

经济合作与发展组织 (2025b). 2025年健康概览：经合组织指标。技术报告，经合组织出版，巴黎法国。

Rossi, F. 和 Weber, M. (2024). 在发展光谱上积累和利用人力资本（英文）。政策研究工作论文。技术报告，PEOPLE华盛顿特区。

世界卫生组织 (2010). 2010年世界卫生报告：卫生系统融资：通往全民覆盖之路。技术报告。

世界银行 (2023a). 如何保护、建设和利用人力资本应对气候变化。技术报告，华盛顿特区。

世界银行 (2023b). 墨西哥 - 人力资本国家简报。技术报告，华盛顿特区。

附录

人力资本支出及其对多程序覆盖效果的影响：政策优先级调查

覆盖度指标

从概念上讲，CONEVAL将覆盖定义为“有公共问题并且能够获得各种政府福利以缓解这些问题的人口比例”CONEVAL（2021）。在操作上，CONEVAL构建了一个政府项目覆盖度的衡量标准，即直接从该项目受益的人口与该项目应该惠及的目标人口的比例CONEVAL（2021）。因此，我们使用操作定义来衡量一个项目的覆盖度。在数据集中，一个项目可能受益的潜在人口在不同年份可能会发生变化，这可能遵循某个行政当局特定的目标（使覆盖度看起来更好），而不是严格的技术标准。因此，为了在整个样本期间规范一个项目的潜在人口，我们使用在所有年份中找到的最大值（仅限于该特定项目）。因此，项目i在时间（年）t的覆盖度衡量标准定义为

(1)

其中bi是我们引入的一个缓冲区，以允许在可能报告100%覆盖度的少数项目中进行额外改进。这个缓冲区包括潜在人口变化的平均绝对差值

B 数据预处理和额外变量

在样本中，我们考虑的49个政府项目中，我们几乎有完整的关于分析年份（2016-2022年）的潜在人口、服务人口和支出的信息。然而，在两个项目/年份的情况下，人口数据不可用。在这种情况下，我们使用高斯过程（GPs）来填补覆盖度指标。GPs是一类高度灵活的机器学习算法，用于模拟时间序列中的非线性动态。即使在相对较短的时间序列上训练，它们也能实现高性能，因此它们是许多预测和填补任务的最佳解决方案。

每个项目的支出信息在原始数据中以百万墨西哥比索（MXN）报告。我们使用消费者价格指数（CPI）对时间序列进行通货膨胀调整，并通过将值除以每年的总人口来计算人均项（这两个变量的信息来源于世界银行开放数据门户）。最后，使用线性回归模型对结果时间序列进行去趋势处理。

此外，为了运行PPI，我们将外生治理参数输入模型，旨在捕捉

正在分析的具体制度环境的特点。这些变量是墨西哥的腐败控制
和法治，来源于全球治理指标。这些变量的值使用流行的公式value-minValue进行标准化，其中
minValue和maxValue是通过对数据集中所有国家和年份计算得出的
maxValue−minValue

C 程序列表

表 C.1: 政策领域：教育
程序标签、名称和年龄组列表

标签	程序名称	年龄组
ServEduSec	高中教育服务	青少年
ServEduUni ProdITEdu	高等教育和研究生服务教育材料的生产和传播	青少年儿童；青少年；
		青少年；中年成人；老年人
SciRes&TechDev	科学研究和技术发展	青少年；中年成人
ProfNatRegistry InfrEdu	专业人员及其协会的国家注册教育服务基础设施和维护计划	青少年儿童；青少年；青少年
EduLag	成人教育（INEA）	青少年；青少年；中年成人；老-
EquiEduBasic EduGrant	社区初始和基础教育奖学金计划 Elisa Acuña	年龄儿童；青少年青少年；
TrainTeach	教师专业发展计划	中年成人中年成人
ChildEngLang	国家英语项目	儿童；青少年；
StreEduDO	分散化州组织的补贴	中年成人青少年；青少年
StreEduAlign	支持教育中心和组织	青少年；青少年
ResearchHC	科学研究（发展和创新）	青少年
UniGrant	研究生奖学金和研究质量支持
NatSysRes	国家研究系统	青少年青年；中年

来源：作者根据CONEVAL清单的整理。

表 C.2: 政策领域：健康
程序标签、名称和年龄组列表

标签	程序名称	年龄组
ServHPSport	体育支持	青少年
TrainHRHealth	健康人力资源培训	青少年；中年成人
ResDevHealth EquiHealth	健康研究和技术发展健康支持（平等访问）	中年成人儿童；青少年；青少年；
PrevAddict	防止和治疗成瘾	中年成人；老年人青少年；青少年；中年
ProgVaccine	疫苗接种计划	成年人；老年人儿童；青少年；青少年；
StreHealthServ	加强医疗服务	中年成人；老年人儿童；青少年；青少年；
ServWater	饮用水服务（排水和处理）	中年成人；老年人儿童；青少年；青少年；
HealthPoverty	IMSS-BIENESTAR计划	中年成人；老年人儿童；青少年；青少年；
PrevDisIMSS	疾病预防和控制（IMSS）	中年成人；老年人儿童；青少年；青少年；
PrevDisSecTer	健康支持（IMSS）	中年成人；老年人儿童；青少年；青少年；
MedicineISSSTE	提供药品	中年成人；老年人
		儿童；青少年；青少年；中年成人；老年人
PrevCommDis	疾病预防和控制（ISSSTE）	儿童；青少年；青少年；中年成人；老年人
PrevDisISSSTE	健康支持（ISSSTE）	儿童；青少年；青少年；中年成人；老年人

来源：作者基于CONEVAL清单的详细阐述。

表C.3：政策领域：少数民族与EDI 程序标签、名称和年龄组列表

标签	程序名称	年龄组
ServSocInt	综合社会援助服务	儿童；青少年；青年人；中年人；老年人
ChildRights DisabRights	保护儿童和青少年权利残疾人关怀计划	年龄组儿童；青少年；
SeniorRights		青年人；中年人；老年人
EquiOppYouth	特殊需求群体服务提供全面青年政策	老年人青少年
EquiOppWom	加强性别视角主流化	青少年；青年人；
IndigRights	针对土著人民全面福祉的计划	中年人儿童；青少年；
		青年人；中年人；老年人
EquiWomISSSTE EquiDisabISSSTE	性别平等	青少年；青年人；中年人
	支持残疾人	儿童；青少年；青年人；中年人；老年人

来源：作者基于CONEVAL清单的详细阐述。

表C.4：政策领域：社会保护
程序标签、名称和年龄组列表

标签	程序名称	年龄组
	CashTransSPFam 支持工作母亲子女福利的计划	儿童；青年人	青少年；
ServDaycare	日托服务	儿童
SocWelfIMSS	社会福利	儿童；	青少年；
		青	年人；
		中年人
		老年人	成年人；

来源：作者基于CONEVAL清单的详细阐述。

表C.5：政策领域：工作条件
程序标签、名称和年龄组列表

标签	程序名称	年龄组
LaborRights	执行劳动政策的项目和行动	青年人；中年人
TrainWork	提高生产力能力构建	青年人；中年人
PlaceFormEmpl	就业支持计划（PAE）	青年人；中年人
SustNatRes	可持续发展保护计划	青年人；中年人
InfrHydAgr	水利农业基础设施支持计划	青年人；中年人
ServHealthWork	工作场所的医疗保健	青年人；中年人

来源：作者基于CONEVAL清单的详细阐述。

D 条件依赖网络

正如正文所述，PPI的一个显著特点是能够考虑到结果变量之间的条件依赖网络。这个网络是一个描述研究国家或地区特定背景的外生变量。在这里，我们使用稀疏贝叶斯网络或sparsebn方法。这种方法的优势在于它旨在处理短期时间序列，允许使用CONEVAL关于覆盖范围的数据集来推断墨西哥背景下的条件依赖结构。

虽然这些网络是有用的描述性对象，可以描述研究背景，但它们不传达因果信息，因此不应用来制定规定。因此，我们不报告网络本身。然而，如果读者希望分析它，数据在随附的存储库中提供。

估计条件依赖网络的方法遵循以下步骤：

首先计算每个项目覆盖时间序列的一阶差分，以避免从虚假相关性推断边。
通过sparsebn估计网络。
剔除绝对值大于1的链接，因为它们很可能是异常值（虚假关联）。

人力资本支出及其对多项目覆盖效果的影响：政策优先级调查（Human Capital Expenditure and Its Effectiveness on）