Giới thiệu dự án

Đo lường và đánh giá nghèo đói là trọng tâm hàng đầu trong các chiến lược phát triển kinh tế - xã hội của Việt Nam. Theo thống kê của Ngân hàng Thế giới (World Bank) và Tổng cục Thống kê (GSO), dù Việt Nam đã chuyển dịch thành công từ nhóm quốc gia thu nhập thấp sang nhóm thu nhập trung bình thấp với tỷ lệ nghèo tiền tệ giảm mạnh, các thách thức phi tiền tệ vẫn tồn tại dai dẳng. Việc sử dụng chuẩn nghèo đơn chiều (dựa thuần túy trên thu nhập/chi tiêu theo Quyết định 59/2015/QĐ-TTg) bộc lộ hạn chế lớn: không phản ánh được mức độ thiếu hụt các quyền tiếp cận an sinh xã hội cơ bản như y tế, giáo dục, nhà ở, nước sạch và thông tin.

Vấn đề cốt lõi đặt ra là sự chênh lệch sâu sắc giữa tăng trưởng kinh tế danh nghĩa và chất lượng sống thực tế của hộ gia đình. Tình trạng nghèo phi tiền tệ dẫn đến việc nhận diện sai đối tượng thụ hưởng, phân bổ ngân sách kém tối ưu và nguy cơ tái nghèo cao khi gặp các cú sốc ngoại sinh.

Đề tài "Các nhân tố tác động đến nghèo đa chiều của các hộ gia đình tại Việt Nam năm 2020" giải quyết bài toán trên thông qua các mục tiêu nghiên cứu cụ thể:

  1. Hệ thống hóa cơ sở lý thuyết về Chỉ số Nghèo đa chiều (Multidimensional Poverty Index - MPI) và phương pháp đo lường Alkire - Foster (AF).
  2. Lượng hóa tỷ lệ đếm đầu nghèo ($H$), độ sâu nghèo ($A$) và chỉ số $MPI$ cho toàn bộ 6 vùng kinh tế - xã hội Việt Nam từ bộ dữ liệu Điều tra Mức sống Dân cư Việt Nam 2020 (VHLSS 2020).
  3. Xây dựng mô hình hồi quy Binary Logistic nhằm xác định và đo lường cường độ tác động của các nhân tố đặc trưng của chủ hộ và hộ gia đình lên xác suất nghèo đa chiều chung và từng chiều thiếu hụt cụ thể.
  4. Đề xuất hệ thống chính sách an sinh xã hội theo mục tiêu, tối ưu hóa nguồn lực công dựa trên bằng chứng định lượng.

Phạm vi nghiên cứu bao quát dữ liệu cấp vi mô của $47.040$ hộ gia đình đại diện cho toàn quốc năm 2020, phản ánh toàn diện hiện trạng tiếp cận dịch vụ công cơ bản trong bối cảnh chịu ảnh hưởng ban đầu của đại dịch COVID-19.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Cách tiếp cận đo lường nghèo đơn chiều truyền thống chỉ dựa vào thu nhập/chi tiêu (chuẩn nghèo 1,9 USD/người/ngày của WB hay chuẩn nghèo quốc gia) đã bộc lộ nhiều lỗ hổng trong hoạch định chính sách an sinh xã hội.

Tiêu chí so sánh Tiếp cận Đơn chiều (Monetary Poverty) Tiếp cận Đa chiều (Multidimensional Poverty - MPI)
Bản chất đo lường Thu nhập hoặc chi tiêu danh nghĩa của hộ gia đình. Phúc lợi tổng hợp và quyền tiếp cận các dịch vụ công cơ bản.
Độ bao phủ thiếu hụt Chỉ đo lường khía cạnh tài chính/tiền tệ. 5 chiều: Giáo dục, Y tế, Nhà ở, Nước sạch & Vệ sinh, Thông tin.
Nhận diện đối tượng Bỏ sót nhóm có thu nhập trên chuẩn nhưng thiếu hụt dịch vụ cơ bản. Phân loại chính xác mức độ và cấu trúc thiếu hụt cụ thể của từng hộ.
Độ sâu phân tích Chỉ tính toán được tỷ lệ đếm đầu ($H$). Tính toán đồng thời Tỷ lệ đếm đầu ($H$) và Cường độ nghèo ($A$).
Cơ sở hoạch định Trợ cấp tiền mặt cào bằng, ngắn hạn. Thiết kế chính sách can thiệp theo từng chiều thiếu hụt mục tiêu.

Phân tích khoảng trống nghiên cứu cho thấy các nghiên cứu trước đây (Lê Thị Thanh Loan và cs., 2018; Đinh Phi Hổ và cs., 2017) chủ yếu khai thác dữ liệu VHLSS giai đoạn 2014–2018 hoặc tập trung vào không gian hẹp (Đồng bằng sông Cửu Long, Quảng Ngãi), chưa phản ánh được hiện trạng thay đổi theo khung phân loại nghèo đa chiều quốc gia giai đoạn 2016–2020 trên quy mô toàn quốc.

Thiết kế hệ thống

Hệ thống phân tích định lượng được thiết kế thành một quy trình khép kín gồm ba tầng xử lý dữ liệu và tính toán kinh tế lượng:

[Tầng Dữ liệu Thô: VHLSS 2020]
[Tầng Đo lường Nghèo đa chiều (Alkire-Foster Engine)]
[Tầng Mô hình hóa Kinh tế lượng (Econometric Modeling)]

Kiến trúc dữ liệu sử dụng bộ tiêu chuẩn 5 chiều và 10 chỉ số với cấu trúc trọng số đồng đều ($w_j = \frac{1}{10} = 0,1$):

  • Chiều Giáo dục: (1) Trình độ học vấn người lớn ($\ge 15$ tuổi chưa tốt nghiệp THCS), (2) Trẻ em trong độ tuổi 5–14 không đi học.
  • Chiều Y tế: (3) Tiếp cận dịch vụ y tế khi ốm đau nặng, (4) Thẻ bảo hiểm y tế.
  • Chiều Nhà ở: (5) Chất lượng nhà ở (nhà thiếu kiên cố/đơn sơ), (6) Diện tích nhà ở bình quân đầu người $< 8\text{m}^2$.
  • Chiều Điều kiện sống: (7) Nguồn nước sinh hoạt hợp vệ sinh, (8) Hố xí/nhà tiêu hợp vệ sinh.
  • Chiều Tiếp cận thông tin: (9) Sử dụng dịch vụ viễn thông (điện thoại/Internet), (10) Tài sản tiếp cận thông tin (Tivi, radio, máy tính, loa truyền thanh).

Methodology

Phương pháp đo lường Alkire - Foster (AF) triển khai theo 8 bước chuẩn hóa:

  1. Xác định đơn vị phân tích: Hộ gia đình ($N = 47.040$).
  2. Xác định các chiều ($d = 5$) và chỉ báo thiếu hụt ($D = 10$).
  3. Thiết lập đường nghèo đói (ngưỡng cắt) riêng $z_j$ cho từng chỉ báo $j$.
  4. Áp dụng đường cắt thiếu hụt: Nhận giá trị $1$ nếu hộ bị thiếu hụt, $0$ nếu không thiếu hụt.
  5. Xác định điểm số thiếu hụt $c_i = \sum_{j=1}^{10} w_j \cdot I_{ij}$ với $w_j = 0,1$.
  6. Xác định ngưỡng nghèo đa chiều $k = 3/10 = 0,3$. Hộ được coi là nghèo đa chiều nếu $c_i \ge 0,3$.
  7. Tính toán Tỷ lệ đếm đầu: $$H = \frac{q}{N} = \frac{\sum_{i=1}^N I(c_i \ge k)}{N}$$
  8. Tính toán Độ sâu nghèo ($A$) và Chỉ số nghèo đa chiều ($MPI$): $$A = \frac{\sum_{i=1}^q c_i(k)}{q \cdot D}, \quad MPI = H \times A$$

Mô hình phân tích thực nghiệm sử dụng Hồi quy Logistic nhị phân (Binary Logistic Regression) để ước lượng xác suất hộ gia đình rơi vào trạng thái nghèo đa chiều: $$\ln\left(\frac{P_i}{1 - P_i}\right) = \beta_0 + \sum_{m=1}^M \beta_m X_{mi} + u_i$$

Trong đó $P_i = P(Y_i = 1 | X_i)$ là xác suất hộ $i$ nghèo đa chiều. Xác suất nghèo thay đổi $P_1$ khi biến độc lập $X_j$ thay đổi với xác suất nền ban đầu $P_0$ được tính theo công thức xác suất biên: $$P_1 = \frac{P_0 \cdot e^{\beta_j}}{1 - P_0 (1 - e^{\beta_j})}$$

Implementation và kết quả

Development process

Quá trình làm sạch, ghép nối dữ liệu và thực thi mô hình hóa được xây dựng trên ngôn ngữ lập trình R (RStudio IDE) với các thư viện chuyên dụng dplyr, tidyr, ggplot2, và survey.

Đoạn mã trích xuất tính toán ma trận thiếu hụt và chỉ số MPI theo phương pháp Alkire-Foster:

library(dplyr)

# 1. Tích hợp dữ liệu VHLSS 2020 theo mã hộ gia đình
vhlss_clean <- raw_data %>%
  mutate(maho = paste(maphieu, id_ho, sep = "_")) %>%
  filter(!is.na(maho))

# 2. Xây dựng 10 biến chỉ báo thiếu hụt (1: Thiếu hụt, 0: Đạt chuẩn)
deprivation_matrix <- vhlss_clean %>%
  transmute(
    maho,
    d1_edu_adult = ifelse(edu_adult_min < 2, 1, 0),
    d2_edu_child = ifelse(child_out_school == 1, 1, 0),
    d3_health_access = ifelse(sick_no_doctor == 1, 1, 0),
    d4_health_ins = ifelse(no_health_insurance == 1, 1, 0),
    d5_housing_quality = ifelse(house_type %in% c("temporary", "simple"), 1, 0),
    d6_housing_area = ifelse(area_per_capita < 8, 1, 0),
    d7_clean_water = ifelse(hygienic_water == 0, 1, 0),
    d8_sanitation = ifelse(hygienic_latrine == 0, 1, 0),
    d9_telecom = ifelse(has_phone == 0 & has_internet == 0, 1, 0),
    d10_info_assets = ifelse(info_asset_score == 0, 1, 0)
  )

# 3. Tính toán điểm thiếu hụt c_i và xác định hộ nghèo (ngưỡng k = 0.3)
weights <- rep(0.1, 10)
deprivation_matrix <- deprivation_matrix %>%
  rowwise() %>%
  mutate(
    deprivation_score = sum(c_across(d1_edu_adult:d10_info_assets) * weights),
    is_poor_mpi = ifelse(deprivation_score >= 0.3, 1, 0)
  ) %>%
  ungroup()

# 4. Tính toán H, A, MPI
N_total <- nrow(deprivation_matrix)
q_poor <- sum(deprivation_matrix$is_poor_mpi)
H <- q_poor / N_total
A <- mean(deprivation_matrix$deprivation_score[deprivation_matrix$is_poor_mpi == 1])
MPI <- H * A

cat(sprintf("Kết quả: H = %.4f%%, A = %.4f%%, MPI = %.4f\n", H * 100, A * 100, MPI))

Testing và validation

Mô hình hồi quy Binary Logistic được kiểm định thông qua các tiêu chuẩn thống kê nghiêm ngặt trên tập mẫu $N = 46.980$ quan sát:

  • Kiểm định độ phù hợp tổng thể (Omnibus Test): Giá trị $p$-value $< 0,001$ khẳng định mối quan hệ tương quan đồng thời giữa tập biến độc lập và xác suất nghèo đa chiều.
  • Hệ số xác định Pseudo-$R^2$ (Nagelkerke $R^2$): Đạt $0,1523$ (mô hình tổng thể) và $0,2341$ (chiều giáo dục), chứng minh năng lực giải thích tốt của các biến số nhân khẩu và vùng miền đối với biến phụ thuộc nhị phân.
  • Kiểm định Wald: Đánh giá mức ý nghĩa thống kê của từng hệ số hồi quy riêng lẻ; phần lớn các biến đạt độ tin cậy $99%$ ($p < 0,01$) hoặc $95%$ ($p < 0,05$).

Kết quả đạt được

Kết quả đo lường chỉ số MPI năm 2020 trên quy mô quốc gia và phân vùng kinh tế xã hội ghi nhận:

  • Toàn quốc: Tỷ lệ hộ nghèo đa chiều $H = 5,568%$, Độ sâu nghèo $A = 34,204%$, Chỉ số $MPI = 0,019$ (mức thấp theo chuẩn UNDP).
  • Phân hóa theo vùng: Trung du và Miền núi phía Bắc có $MPI$ cao nhất ($0,035; H = 10,035%$), kế tiếp là Tây Nguyên ($MPI = 0,030$) và Đồng bằng sông Cửu Long ($MPI = 0,027$). Đồng bằng sông Hồng có $MPI$ thấp nhất cả nước ($0,001; H = 0,402%$).
                      TỶ LỆ NGHÈO ĐA CHIỀU (H) THEO VÙNG NĂM 2020 (%)

Cấu trúc thiếu hụt cho thấy các chỉ báo có tỷ lệ thiếu hụt cao nhất tập trung vào: Bảo hiểm y tế ($27,67%$), Tài sản thông tin ($17,20%$), Trình độ giáo dục người lớn ($13,95%$), Hố xí hợp vệ sinh ($12,80%$) và Chất lượng nhà ở ($10,98%$).

Bảng kết quả hồi quy Logistic các nhân tố tác động đến xác suất nghèo đa chiều chung:

Biến độc lập Hệ số $\beta$ Sai số chuẩn $p$-value Odds Ratio ($e^\beta$) Mức giảm xác suất ($P_0=5% \to P_1$)
Giới tính chủ hộ (Nam=1) -0,9543 0,0512 < 0,001*** 0,3851 $1,99%$ (Giảm $3,01%$)
Dân tộc (Kinh=1) -1,8721 0,0495 < 0,001*** 0,1538 $0,80%$ (Giảm $4,20%$)
Tuổi của chủ hộ -0,0112 0,0018 < 0,001*** 0,9889 $4,94%$ (Giảm $0,06%$/năm)
Học vấn: Tiểu học -0,5410 0,0621 < 0,001*** 0,5822 $2,97%$ (Giảm $2,03%$)
Học vấn: THCS -1,2021 0,0648 < 0,001*** 0,3006 $1,55%$ (Giảm $3,45%$)
Học vấn: THPT -2,6185 0,1120 < 0,001*** 0,0729 $0,38%$ (Giảm $4,62%$)
Học vấn: Trên THPT -3,1420 0,1850 < 0,001*** 0,0432 $0,23%$ (Giảm $4,77%$)
Chủ hộ có việc làm (Có=1) -0,4210 0,0580 < 0,001*** 0,6564 $3,34%$ (Giảm $1,66%$)
Quy mô hộ gia đình +0,1825 0,0142 < 0,001*** 1,2002 $5,94%$ (Tăng $0,94%$/người)
Khu vực (Thành thị=1) -0,7820 0,0610 < 0,001*** 0,4575 $2,35%$ (Giảm $2,65%$)
Vay tín dụng chính thức +0,0580 0,0482 0,229 (ns) 1,0597 Không có ý nghĩa thống kê
Tiếp cận Khám chữa bệnh -0,1456 0,0812 0,073* 0,8645 Ý nghĩa ở mức 10%

(Ghi chú: *** $p < 0,01$; ** $p < 0,05$; * $p < 0,1$; ns: không có ý nghĩa thống kê).

Đổi mới và đóng góp

Nghiên cứu mang lại các đóng góp học thuật và thực tiễn mang tính hệ thống:

  • Khắc phục độ trễ dữ liệu thực nghiệm: Nghiên cứu là một trong những công trình đầu tiên tính toán chỉ số MPI và ước lượng mô hình hồi quy vi mô trên toàn bộ mẫu VHLSS 2020 ($47.040$ quan sát), cập nhật sát thực trạng so với các nghiên cứu trước (vốn dừng lại ở giai đoạn 2014–2018).
  • Định lượng tác động theo xác suất biên: Thay vì chỉ dừng lại ở việc đọc dấu hệ số hồi quy $\beta$, nghiên cứu đã giải mã chỉ số Odds Ratio ($e^\beta$) thành mức thay đổi xác suất nghèo thực tế ($P_1$) với xác suất tiền định ($P_0 = 5%, 10%, 15%$), cung cấp thông số trực quan cho các nhà hoạch định.
  • Mô hình hóa chuyên sâu 5 chiều thành phần: Khác với các nghiên cứu đơn khối, đề tài triển khai 5 mô hình Logistic phụ cho từng chiều (Giáo dục, Y tế, Nhà ở, Điều kiện sống, Thông tin), giúp bóc tách tác động đặc thù (ví dụ: biến Vay vốn chính thức có ý nghĩa tích cực đối với cải thiện Nhà ở và Nước sạch nhưng chưa tác động rõ nét đến Giáo dục).
  • Phát hiện nghịch lý hạ tầng Đông Nam Bộ: Dù là trung tâm kinh tế phát triển năng động, vùng Đông Nam Bộ có chỉ số $MPI = 0,019$, cao hơn Đồng bằng sông Hồng ($0,001$). Điều này chỉ ra áp lực nhập cư và quá tải hạ tầng nhà ở/dịch vụ xã hội tại các khu công nghiệp.

Ứng dụng thực tế và triển khai

Kết quả nghiên cứu cung cấp cơ sở dữ liệu định lượng phục vụ trực tiếp cho việc triển khai Chương trình Mục tiêu Quốc gia Giảm nghèo Bền vững giai đoạn 2021–2025:

  1. Phân bổ ngân sách theo trọng điểm địa lý: Tập trung trên $60%$ nguồn vốn chương trình mục tiêu quốc gia vào ba vùng lõi nghèo: Trung du & Miền núi phía Bắc, Tây Nguyên và Đồng bằng sông Cửu Long. Đặc biệt tại ĐBSCL, chính sách cần tập trung vào chiều giáo dục và nước sạch/nhà tiêu hợp vệ sinh.
  2. Can thiệp chiều thiếu hụt chiếm tỷ trọng lớn nhất (BHYT: $27,67%$): Mở rộng chính sách hỗ trợ $100%$ kinh phí mua bảo hiểm y tế cho hộ cận nghèo, lao động phi chính thức và người dân tộc thiểu số không thuộc diện xã đặc biệt khó khăn.
  3. Phát triển nguồn nhân lực qua giáo dục nghề nghiệp: Vì nâng trình độ học vấn từ dưới THCS lên THPT giúp giảm tỷ lệ nghèo từ $5%$ xuống $0,38%$ (mức giảm rủi ro nghèo tới $92,4%$), cần thực hiện chính sách miễn học phí và cấp bù sinh hoạt phí cho con em hộ nghèo học trung cấp/cao đẳng nghề.

Hạn chế và hướng phát triển

Dù đạt được những kết quả định lượng chặt chẽ, đề tài vẫn tồn tại một số hạn chế:

  • Hạn chế dữ liệu cắt ngang (Cross-sectional Data): Dữ liệu VHLSS 2020 chỉ phản ánh trạng thái tĩnh tại thời điểm điều tra, chưa theo dõi được biến động nghèo (chuyển dịch vào/ra khỏi nghèo) qua thời gian của từng hộ như dữ liệu bảng (Panel Data).
  • Khía cạnh tâm lý và phúc lợi chủ quan: Chưa bao quát được các chỉ số phúc lợi phi vật chất như sự hài lòng với cuộc sống, bất bình đẳng nội bộ hộ gia đình hoặc tổn thương môi trường.
  • Hướng nghiên cứu tương lai:
    • Xây dựng mô hình dữ liệu bảng kết hợp VHLSS 2018, 2020 và 2022 để phân tích động lực giảm nghèo đa chiều dài hạn.
    • Ứng dụng các thuật toán Học máy (Random Forest, XGBoost) trong phân loại rủi ro nghèo đa chiều nhằm tăng độ chính xác dự báo trong quản lý an sinh số.

Đối tượng hưởng lợi

  • Nhà hoạch định chính sách & Cơ quan quản lý (Bộ LĐ-TB&XH, Tổng cục Thống kê): Tiếp cận bức tranh toàn diện về MPI và hệ thống trọng số định lượng để điều chỉnh tiêu chí phân loại hộ nghèo chuẩn xác.
  • Sinh viên & Học viên chuyên ngành Thống kê, Kinh tế ứng dụng: Nắm vững phương pháp luận Alkire-Foster, quy trình xử lý dữ liệu khảo sát quy mô lớn bằng R và kỹ thuật hồi quy Logistic nhị phân.
  • Các tổ chức phi chính phủ (UNDP, World Bank, Oxfam): Sử dụng các chỉ số phân hóa theo vùng và dân tộc làm bằng chứng xây dựng các dự án tài trợ phát triển cộng đồng.

Câu hỏi thường gặp

1. Tại sao ngưỡng nghèo đa chiều được chọn là $k = 3/10$?

Ngưỡng $k = 3/10$ (thiếu hụt từ $30%$ tổng số chỉ báo trở lên) là chuẩn được quy định tại Quyết định 59/2015/QĐ-TTg của Thủ tướng Chính phủ và phù hợp với khung phân tích chuẩn của UNDP/OPHI cho các quốc gia đang phát triển, đảm bảo nhận diện chính xác nhóm hộ chịu thiếu hụt nghiêm trọng mà không làm loãng nguồn lực hỗ trợ.

2. Sự khác biệt căn bản giữa chỉ số đếm đầu ($H$) và chỉ số $MPI$ là gì?

Tỷ lệ đếm đầu $H$ ($5,568%$) chỉ cho biết tỷ lệ hộ gia đình bị nghèo đa chiều. Trong khi đó, $MPI$ ($0,019$) là tích số giữa $H$ và Độ sâu nghèo $A$ ($34,204%$), phản ánh cường độ thiếu hụt trung bình của những hộ nghèo. Nếu hai vùng có cùng tỷ lệ nghèo $H$, vùng nào có hộ thiếu nhiều chiều hơn thì $MPI$ sẽ cao hơn.

3. Tại sao biến "Vay định chế chính thức" không có ý nghĩa thống kê trong mô hình tổng thể?

Trong mô hình tổng quát, biến vay vốn chính thức có $p$-value $> 0,05$. Điều này phản ánh thực tế tín dụng vi mô cần độ trễ thời gian để chuyển hóa thành tích lũy tài sản và tiếp cận dịch vụ, hoặc vốn vay đôi khi được dùng để giải quyết các nhu cầu tiêu dùng cấp bách thay vì đầu tư nâng cấp chất lượng sống lâu dài.

Kết luận

Chuyên đề tốt nghiệp đã giải quyết thành công bài toán đo lường và đánh giá các nhân tố tác động đến nghèo đa chiều tại Việt Nam năm 2020 bằng phương pháp Alkire - Foster và mô hình hồi quy Binary Logistic trên bộ dữ liệu quy mô $47.040$ hộ gia đình. Nghiên cứu khẳng định Việt Nam đã đạt được những bước tiến lớn với $MPI = 0,019$, nhưng vẫn đối mặt với sự phân hóa sâu sắc theo vùng miền (tập trung tại Trung du & Miền núi phía Bắc, Tây Nguyên) và nhóm dân tộc. Học vấn của chủ hộ, khu vực cư trú và quy mô hộ là các biến số mang tính quyết định đến xác suất thoát nghèo. Các phát hiện thực nghiệm này là luận cứ khoa học quan trọng cho việc chuyển đổi toàn diện sang hệ thống an sinh xã hội tích hợp, đa chiều và bền vững.