Geographic Targeting and Normative Frames: Revisiting the Equity of Conditional Cash Transfer Program Distribution in Bolivia, Colombia, Ecuador, and Peru
Notice bibliographique
Résumé
BACKGROUND: Four Andean countries of Bolivia, Colombia, Ecuador, and Peru introduced national health-focused conditional cash transfer (CCT) programs in the 2000s. This study probes whether policymakers in these countries targeted CCT programs to subregions with the highest prevalence of ill-health or those with the lowest socioeconomic status (SES) to evaluate the equity of geographic targeting and means-testing, as well as the potential role of normative frames, bounded rationality, and clientelism as explanatory mechanisms for inequities in social spending. METHODS: The distribution of vaccination coverage, underweight, stunting, and child deaths is established both within and between subnational regions and SES quintiles from 1998 to 2012 using every available nationally representative household survey. The equity of CCT program targeting and strength of association with subregional SES and health outcomes are measured using generalized entropy index decomposition and meta-regression. Finally, simple predictive models for CCT targeting are created using lagged subregional SES, health outcomes, and concentration indices. RESULTS: Bolivia and Peru both effectively targeted at-risk subregions, but subregions in Peru with no CCT program coverage result in higher mistargeting rates for the country as a whole. Only Bolivia failed to attain CCT coverage concentration indices that are at least as large as the health inequalities they are targeting. Despite this insufficient progressivity, Bolivia has the most efficient subregional targeting, while the lowest rates of mistargeting for child deaths are found in Colombia and Ecuador. Finally, the simple predictive model performs as well or better than observed CCT coverage distribution for every country, year, and outcome. CONCLUSIONS: Both Peru and Ecuador have targeted programs to their poorest populations effectively, demonstrating that this is possible with both universal and geographic targeting. No clear evidence of clientelism was found, while the dominant normative frame underlying CCT program targeting decisions appears to be the relative SES of subregions, rather than absolute SES, prevalence of health outcomes, or health inequalities. To reduce the inequitable impacts of bounded rationality, policymakers can use simple predictive models to target CCT coverage effectively and without leaving behind the most vulnerable populations that happen to live in more affluent subregions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,023 | 0,066 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».