食物不足发生率
定义：食物不足指一个人的惯常食物消费量平均不足以为维持正常、积极、健康的生活提供必要的膳食能量。
报告方式：这项指标（以“食物不足发生率” [PoU]表示）是指处于食物不足状态的个人在总人口中的估计百分比。国家估计数以三年移动平均值进行报告，以便减少因很难找到全面可靠的信息而导致某些基本参数估计值可靠性较低造成的影响，如食品库存，它是粮农组织年度食物平衡表的内容之一。另一方面，区域和全球合计数则报告为年度估计数，因为预计国家之间的可能估计误差并不存在关联，因而在合计时误差可大幅减少至可接受水平。
每次发布新版报告时，都会对所有的食物不足发生率数值进行修订，以反映自上一版报告发布以来粮农组织获得的新数据和信息。因为这个过程通常需要对所有的食物不足发生率系列进行回溯修订，所以建议读者不要将本报告不同版本中的序列进行比较，而应始终参考本报告的当前版本，对过去几年的数值而言也是如此。
方法：为估计某个人群的食物不足发生率，要对普通个体惯常膳食能量摄入水平（以每人每日千卡数表示）的概率分布进行建模，表示为参数概率密度函数，f(x) 1, 2 。该指标显示为惯常膳食能量摄入量(x)低于最低膳食能量需求量（MDER）（即人群中有代表性的普通个体能量需求量最低容许范围）的累计概率，如下方公式所示：
其中θ是描述参数概率密度函数的参数向量。在实际计算中，假设分布为对数正态，仅通过两项参数便能充分体现，即膳食能量消费量（DEC）及其变异系数（CV）。
数据来源：模型不同参数的估计使用了不同的数据来源。
最低膳食能量需求量(MDER) 特定性别/年龄组个体能量需求量的确定方法：每公斤体重基础代谢率（BMR）的标准需求，乘以该性别/年龄组健康个体身高所对应的理想体重，再乘以体力活动水平（PAL）系数bd ，以期反映体力活动。鉴于健康体重指数（BMI）和正常体力活动水平在同一性别和年龄组的积极健康个体中都有所不同，所以每个性别和年龄组都有若干个适用的能量需求数值。人群中普通个体的最低膳食能量需求量是食物不足发生率公式中采用的参数，以每个性别和年龄组人口比例作为权重，对各性别和年龄组的能量需求量范围下限平均值加权计算得出。与最低膳食能量需求量相近，平均膳食能量需求量（ADER）（用于估算下文介绍的变异系数）是基于体力活动水平中“积极或适度积极生活方式”类别的平均数值估计得出。
联合国经济和社会事务部（经社部）两年修订一次的《世界人口展望》中提供了世界上大多数国家和每年按性别和年龄划分的人口结构信息，用于计算最低膳食能量需求量。本报告参照的是《世界人口展望》2022年修订版。4
特定国家各性别和年龄组的中位数身高信息来自最新人口和健康调查（DHS），或收集儿童和成人人体测量数据的其它调查。即使此类调查的年份不同于食物不足发生率的估计年份，但期间中位数身高的小幅变化对最低膳食能量需求量的影响，进而导致食物不足发生率估计数的变化可以忽略不计。
膳食能量消费量 (DEC) 理想情况下，食物消费数据应来自具有全国代表性的家庭调查（如“生活水平测量研究”或“家庭消费和支出调查”），可据此估算膳食能量消费量。然而，只有极少数国家每年开展这种调查。因此，粮农组织在估计用于全球监测工作的食物不足发生率时，采用本组织为大多数国家编制的食物平衡表中报告的膳食能量供应量来估计膳食能量消费量。5
自本报告前一版本发布以来，粮农组织统计数据库中食物平衡表域中的数据均已更新，该系列所有国家的数值已更新至2020年。
此外，在本报告编写结束之时，食物平衡表系列已经更新到2021年，涵盖了以下66个食物不足人数占全世界比重较大的重点国家：阿富汗、安哥拉、阿根廷、孟加拉国、贝宁、多民族玻利维亚国、巴西、布基纳法索、柬埔寨、喀麦隆、中非共和国、乍得、哥伦比亚、刚果、科特迪瓦、朝鲜民主主义人民共和国、刚果民主共和国、多米尼加共和国、厄瓜多尔、埃及、埃塞俄比亚、加纳、危地马拉、海地、洪都拉斯、印度、印度尼西亚、伊朗伊斯兰共和国、伊拉克、日本、约旦、肯尼亚、
利比里亚、马达加斯加、马拉维、马里、墨西哥、摩洛哥、缅甸、尼泊尔、尼加拉瓜、尼日尔、尼日利亚、巴基斯坦、巴布亚新几内亚、秘鲁、菲律宾、卢旺达、沙特阿拉伯、塞内加尔、塞拉利昂、索马里、南非、苏丹、阿拉伯叙利亚共和国、塔吉克斯坦、泰国、多哥、乌干达、乌克兰、坦桑尼亚联合共和国、委内瑞拉玻利瓦尔共和国、
越南、也门、赞比亚和津巴布韦。
今年食物平衡表系列的修订照例纳入了这些国家新报告的粮食生产、贸易和利用方面的官方数据，但因为采用了更高的营养转换
系数6，所以也对2021年以前的食物平衡表系列进行了大幅修订，此外还根据经社部2022年修订版《世界人口展望》提供的新人口估计数进行了必要调整。4
2021年人均膳食能量供应量估计数（除了上述国家之外的国家）和2022年估计数（所有国家）为临近预测，依据是粮农组织为“世界粮食形势”门户网站7提供参考而开展的短期市场前景预测，用于从食物平衡表系列中可以获得膳食能量供应量数据的最新年份开始，临近预测2021年和2022年每个国家的膳食能量消费量。
变异系数(CV) 人群中惯常膳食能量消费量的变异系数为CV|y和CV|r这两项的几何平均值：
第一项指不同社会人群的家庭间人均消费的变异性，因此称为“收入变异系数”；第二项反映的是家庭成员之间因性别、年龄、体重指数以及体力活动水平等差异而导致的个体间变异性。因为这些也是决定能量需要的因素，所以第二项称为“需求变异系数”。
CV|y
若具有全国代表性的家庭调查能够提供可靠的食物消费数据，则可以直接估计收入变异系数（CV|y）。自本报告上一版以来，对以下10个国家的14项新调查进行了处理，以更新CV|y：阿根廷（2018）、亚美尼亚亚（2019、2020、2021）、贝宁（2019）、不丹（2012）、柬埔寨（2019）、几内亚比绍（2019）、墨西哥（2012、2020）、蒙古（2020、2021）、秘鲁（2019）和乌拉圭（2017）。共计有65个国家的129项调查，CV|y估计值是基于国家调查得出。
对于没有合适调查数据的年份，则采用粮农组织2014年以来收集的粮食不安全体验分级数据，基于观察到的重度粮食不安全趋势，预测CV|y从2015年（或上次食物消费调查年份，若该年份时间更近）到2019年的变化。预计运用的假设是，使用粮食不安全体验分级表测量的观察到的重度粮食不安全状况变化能够表明食物不足发生率的相应变化。鉴于食物不足发生率可能发生的此类变化无法通过平均食物供应量变化的“供应侧”影响完全解释，因此这些变化可归结于CV|y同时出现的一些未观察到的变化。对食物不足发生率历史估计数的分析表明，平均来看，在控制了膳食能量消费量、最低膳食能量需求量和CV|r的差异后，CV|y就能解释各时段和各地区约三分之一的食物不足发生率差异。因此，根据上述所有信息，对于每个已有粮食不安全体验分级数据的国家，就可以估计2015年之后或最近调查日期之后CV|y的变化，因为重度粮食不安全发生率每个观察到的百分点变化中，就有1/3个食物不足发生率百分点是来自于CV|y的变化。对于所有缺乏支撑证据的其他国家，CV|y保持不变，均为最近年份的估计值。与去年报告一样，2020年、2021年和2022年CV|y的临近预测需要进行特殊处理，纳入COVID-19疫情的影响（见附件2，A节）。
CV|r
CV|r反映的是代表健康人群的假设普通个体的膳食能量需求分布变异性，也等于假设普通个体在所属人群营养充足情况下的膳食能量摄入量分布变异系数。出于估算目的，若假设普通个体的膳食能量需求量呈正态分布，那么就可以通过任意两个已知百分位数估计出标准差（SD）。我们用最低膳食能量需求量和平均膳食能量需求量来粗略估计第1个和第50个百分位数，8, 9 随后通过最低膳食能量需求量和平均膳食能量需求量之间差值的逆累积标准正态分布推导得出CV|r值。
挑战和局限：从正规意义上讲，食物不足状态适用于个体；但由于可以获得的数据通常都是较大尺度，故无法准确地鉴别出特定群体中哪些个体面临实际的食物不足问题。通过上述统计模型，只有在可获得充分代表性样本的人群或群体中，才能计算出指标结果。因此，食物不足发生率仅为人群中处于此种状况的个体所占比例，但无法进一步细分。
由于推断的概率性质和与模型参数估计相关的不确定性，食物不足发生率估计结果的准确度通常较低。食物不足发生率估计结果误差率虽无法准确计算，但在大多数情况下都会超过5%。因此，粮农组织认为估计结果低于2.5%的食物不足发生率数据不够可靠，也未加以 报告。
必须指出的是，所列出的2020年、2021年和2022年食物不足发生率数值范围不应被视为统计置信区间。相反，它们代表了2020年至2022年对CV|y值进行临近预测的不同 场景。
参考资料：
FAO. 1996. Methodology for assessing food inadequacy in developing countries. In: FAO. The Sixth World Food Survey, pp. 114–143. Rome.
FAO. 2003. Proceedings: Measurement and Assessment of Food Deprivation and Undernutrition: International Scientific Symposium. Rome.
FAO. 2014. Advances in hunger measurement: traditional FAO methods and recent innovations. FAO Statistics Division Working Paper, No. 14–04. Rome.
Naiken, L. 2002. Keynote paper: FAO methodology for estimating the prevalence of undernourishment. Paper presented at the Measurement and Assessment of Food Deprivation and Undernutrition International Scientific Symposium, Rome, 26–28 June 2002. Rome, FAO.
Wanner, N., Cafiero, C., Troubat, N. & Conforti, P. 2014. Refinements to the FAO methodology for estimating the prevalence of undernourishment indicator. Rome, FAO.
用粮食不安全体验分级表衡量的粮食不安全发生率
定义：本指标所衡量的粮食不安全是指个人或家庭由于缺乏资金或其他资源而导致的粮食获取受限。粮食不安全的严重程度使用了通过粮食不安全体验分级表调查模块（FIES-SM）收集的数据加以衡量。该模块有8个问题，要求受调者自我报告通常与粮食获取受限有关的状况和体验。为每年监测可持续发展目标实现 情况，问题涉及调查前12个月的情况。
采用基于Rasch测量模型的复杂统计技术，从粮食不安全体验分级表调查模块调查中收集到的数据经过内部一致性验证后，转换成从低到高的严重程度等级量化值。之后，根据对调查问题的答复，为全国代表性人口调查中访问的个人或家庭分配一个划入三个等级其中之一的概率，分别为：（1）粮食安全或仅有轻度粮食不安全；（2）中度粮食不安全；（3）重度粮食不安全（由两个全球设定的阈值界定）。根据2014至2016三年间收集的粮食不安全体验分级表数据，粮农组织制定了粮食不安全体验分级表参考量表，作为基于体验的粮食不安全衡量方法的全球标准，并设定了两个严重程度参考阈值。
可持续发展目标指标2.1.2是属于中度和重度粮食不安全两类中其中一类的累积概率。另一项指标（FIsev）则仅考虑重度粮食不安全一类计算得出。
报告方式：在本报告中，粮农组织提供了两个不同严重程度的粮食不安全估计数：中度或重度粮食不安全（FImod+sev）；重度粮食不安全（FIsev）。每种严重程度都报告了两个估计数：
- 总人口中所在家庭至少一位成人处于粮食不安全状态的个体比例（%）；
- 总人口中所在家庭至少一位成人处于粮食不安全状态的个体估计数。
数据来源：自2014年以来，由8个问题组成的粮食不安全体验分级表调查模块已在盖洛普©世界民意调查所包括的140多个国家（覆盖90%的世界人口）开展，调查对象为具有全国代表性的成人（定义为15岁或以上）样本。2022年，访谈采用了电话和当面结合的形式。鉴于COVID-19疫情期间当面收集数据引发群体传播的风险较高，因此在2020年已采用电话访谈的部分国家仍保留了此种模式。通过评价双框架覆盖方法 （即固定电话和移动电话访谈加在一起覆盖的成人比例），以计算机辅助电话访谈的形式，将覆盖率至少达到70%的国家纳入了2020年盖洛普©世界民意调查。
一直以来，盖洛普©世界民意调查在北美、西欧、亚洲部分地区以及海湾阿拉伯国家合作委员会国家采用的是电话调查。在中东欧、拉丁美洲多数地区、亚洲几乎所有国家以及近东及非洲，通过区域框架设计组织了面对面访谈。
在多数国家，人群样本数约为1000人，印度（3000人）、中国大陆（3500人）和俄罗斯联邦（2000人）样本数更大一些。2022年未收集中国大陆的数据。
2022年，除盖洛普©世界民意调查以外，粮农组织还通过Geopoll®公司和Kantar®公司在7个国家收集数据，具体目标是填补粮食获取方面的数据缺口。72 涉及国家如下：喀麦隆、刚果民主共和国、几内亚比绍、海地、利比亚、罗旺达和赞比亚。
在这些国家采用了政府调查数据，利用粮农组织的统计方法，按照相同的全球参考标准对国家结果进行调整，然后估计出粮食不安全发生率，这些国家约占世界人口的四分之一。这些国家包括：阿富汗、安哥拉、亚美尼亚、伯利兹、贝宁、博茨瓦纳、布基纳法索、佛得角、加拿大、乍得、智利、哥斯达黎加、科特迪瓦、多米尼加共和国、厄瓜多尔、斐济、加纳、希腊、格林纳达、几内亚比绍、洪都拉斯、印度尼西亚、以色列、哈萨克斯坦、肯尼亚、基里巴斯、吉尔吉斯斯坦、莱索托、马拉维、墨西哥、纳米比亚、尼日尔、尼日利亚、巴基斯坦、巴勒斯坦、巴拉圭、菲律宾、大韩民国、俄罗斯联邦、圣基茨和尼维斯、圣卢西亚、圣文森特和格林纳丁斯、萨摩亚、塞内加尔、塞舌尔、塞拉利昂、南非、南苏丹、斯里兰卡、苏丹、多哥、汤加、乌干达、阿拉伯联合酋长国、坦桑尼亚联合共和国、美利坚合众国、乌拉圭、瓦努阿图、越南和赞比亚。在可获得国家数据的年份，将相关国家纳入考虑。对于其余年份，采用了如下策略：
- 若可获得一年以上的国家数据，则采用线性插值法将缺失年份的数据补充进来。
- 若仅能获得一年的数据，则采用以下方法处理缺失年份：
- –若与国家调查具有可比性，则使用粮农组织数据；
- –若国家数据不可比，则使用粮农组织数据呈现的趋势进行估计；
- –若无其他及时可靠的数据，则使用次区域趋势进行估计；
- –考虑到支撑趋势的各类实证（例如贫困、极端贫困、就业和食品价格上涨等因素的发展动态），若次区域数据无法计算，或其他调查或次区域趋势不适用于特定国家情境，则考虑保持国家调查水平不变；这同样适用于粮食不安全发生率极低（重度比例低于3%）或极高（中度或重度比例高于85%）的国家。
由于调查数据来源的异质性以及粮农组织某些调查的样本量较小，新数据偶尔会预测出该指标从某一年份到下一年份明显出现大幅增长或下降。在这种情况下，标准做法是寻找有关该国的外部信息（数据和/或报告，可能与粮农组织国家或区域官员等国家专家进行磋商） ，探讨是否发生了重大冲击或干预。如果该趋势可以得到支撑证据证明，但似乎幅度过大，那么就会保留该趋势，但进行平滑处理（例如采用三年平均值）。否则，将采用与缺失年份相同的做法（即保持水平不变或使用次区域趋势）。2022年，在中国大陆没有收集任何粮食不安全体验分级表数据，因此保持趋势不变。
方法：对数据进行验证后，通过Rasch模型构建出粮食不安全严重程度分级表。该模型假定观察到受调者i对问题j做出肯定回答的概率是严重程度分级表上受调者所在位置ai与项目所在位置bj之间距离的逻辑函数。
通过将Rasch模型应用于粮食不安全体验分级表数据，可以估计出每个受调者i在每个粮食不安全严重程度L（中度或重度，或重度）上粮食不安全的跨国可比概率（pi,L），其中0 < pi,L < 1。
人口中每种严重程度（FIL）的粮食不安全发生率以样本中所有受调者（i）的粮食不安全概率的加权求和计算得出：
其中wi是分层采样后的权重，表示样本中每条记录所代表的个人或家庭在全国人口中的比例。
由于盖洛普©世界民意调查只对15岁或以上个人进行抽样调查，因此从这些数据中直接得出的发生率估计数仅适用于15岁及以上的人口。为了得出人口中（所有年龄组）粮食不安全发生率和人数，需要对家庭中估计至少有一个成人处于粮食不安全状态的人数进行估计。这就需要采用《“饥饿者之声”技术报告》附件II详细介绍的多步骤程序（见下文“参考资料”中的链接）。
中度或重度以及重度粮食不安全的区域和全球合计数FIL,r的计算公式如下：
其中r表示区域，FIL,c是该区域c国在L级的FI估计数，Nc是相应的人口规模。若一国缺乏FI的估计数，则假定FIL等于同一次区域其余国家估计数的人口加权平均值。只有当有估计数的国家至少占该区域人口的50%时，才会生成区域合计数。
我们根据粮食不安全体验分级表全球标准分级表（以2014至2016年间盖洛普©世界民意调查涵盖的所有国家的结果为基础确立的一系列项目参数值）确定了通用阈值，并按照当地分级表将其转换成对应数值。对照粮食不安全体验分级表全球标准校准每个国家分级表的过程可称为“等同法”，有助于针对个体受调者制定具有国际可比性的粮食不安全严重程度衡量标准以及可比的国家发生率。
问题在于，如果被视为一项隐性特性，那么粮食不安全严重程度在评估时就缺乏绝对参考标准。Rasch模型有助于找出各个条目在分级表上的相对位置，称为逻辑单位，但“零”值为主观设置，通常等于严重程度的估计平均数。这意味着每次应用时，分级表上的零值都会发生变化。为了生成不同时间、不同人群之间的可比数值，就必须确立通用的分级表作为参考标准，同时找到所需的公式，便于在不同分级法之间进行换算。就像在不同温度计量标准（如摄氏和华氏）之间相互换算一样，这个过程需要确定几个“锚”点。在粮食不安全体验分级法中，这些锚点就是与各项相关的严重程度，它们在分级表上的相对位置可以被等同为相对应项目在全球参考分级表上的位置。这样，通过找到公式将共同项严重程度的平均数和标准差相互等同，就能将一个分级表上的数值“映射”到另一个上。
挑战和局限：当粮食不安全发生率估计数以盖洛普©世界民意调查中收集的粮食不安全体验分级表数据为基础，且大多数国家的样本量约为1000个人时，置信区间很少高于测得发生率的20%（即发生率为50%时，误差范围最大为正负5%）。然而，当估计国家发生率时采用更大的样本量，或估计几个国家的合计数时，置信区间就可能小很多。为减少年际抽样方法变化带来的影响，国家层面的估计数以三年平均值表示，由所涉及三年中所有年份的平均值计算而来。
参考资料：
FAO. 2016. Methods for estimating comparable rates of food insecurity experienced by adults throughout the world. Rome. www.fao.org/3/a-i4830e.pdf
FAO. 2018. Voices of the Hungry. In: FAO. [Cited 28 April 2020]. www.fao.org/in-action/voices-of-the-hungry
Gallup. 2020. Gallup Keeps Listening to the World Amid the Pandemic. In: Gallup. [Cited 25 May 2021]. https://news.gallup.com/opinion/gallup/316016/gallup-keeps-listening-world-amid-pandemic.aspx
五岁以下儿童发育迟缓、消瘦和超重
发育迟缓的定义（五岁以下儿童）：年龄（月龄）别身高/身长（厘米）低于世卫组织儿童生长发育标准中位数两个标准差。年龄别身高较低表明出生后甚至出生前曾受营养不足和感染的累积影响，可能是长期营养不足、反复感染以及水和卫生基础设施不足所致。
报告方式：比世卫组织儿童生长发育标准身高别体重中位数低两个标准差的0-59月龄儿童比例。
消瘦的定义：身高/身长（厘米）别体重（公斤）低于世卫组织儿童生长发育标准中位数两个标准差。身高别体重较低表明体重显著下降或体重增加不足，可能是食物摄入不足和/或传染病（特别是腹泻）发病所致。
报告方式：比世卫组织儿童生长发育标准身高别体重中位数低两个标准差的0-59月龄儿童比例。
超重的定义：身高/身长（厘米）别体重（公斤）高于世卫组织儿童生长发育标准中位数两个标准差。这一指标反映出身高别体重增加过度，一般是能量摄入超过儿童能量需求所致。
报告方式：比世卫组织儿童生长发育标准身高别体重中位数高两个标准差的0-59月龄儿童比例。
数据来源：联合国儿童基金会、世卫组织和世界银行。2023。《联合国儿童基金会–世卫组织–世界银行：儿童营养不良联合估计 — 水平和趋势》2023年版。[2023年4月27日引用]。 https://data.unicef.org/resources/jme-report-2023，www.who.int/teams/nutrition-and-food-safety/monitoring-nutritional-status-and-food-safety-and-events/joint-child-malnutrition-estimates，https://datatopics.worldbank.org/child-malnutrition
方法：
国家层面估计数
联合国儿童基金会/世卫组织/世界银行“营养不良联合估计”国家数据集
联合国儿童基金会/世卫组织/世界银行“营养不良联合估计”国家数据集要求收集包含儿童营养不良信息的国家数据源，即五岁以下儿童身高、体重和年龄数据，用于估计各国的发育迟缓、消瘦和超重发生率。这些国家层面数据源主要包括家庭调查（例如多指标类集调查、人口和健康调查）。如人口覆盖率高，也可包含一些行政数据（例如监测系统）。截至最近一次审核的结束日期，即2023年2月28日，一手数据集包含了162个国家和领地的1100个数据源，近80%的儿童所在国家过去五年至少有一个发育迟缓、消瘦和超重数据点。这表明，全球估计数可广泛代表近期全球大多数儿童的状况。该数据集包含点估计（及相关标准误差）、95%置信区间和未加权样本量。在可以获得微数据的条件下，“营养不良联合估计”采用根据全球标准定义重新计算的估计数。如没有微数据，则采用报告估计数，但以下三种情况下需作调整以符合规范：（1）采用2006年世卫组织儿童生长发育标准作为替代生长发育参照标准；（2）年龄段中不包含完整的0-59月龄年龄组； （3）仅代表农村人口的国家数据来源。数据来源汇总、微数据重新分析和数据源审核详情参见报告其他部分。10
“营养不良联合估计”国家数据集中不同指标用途各异。就消瘦而言，“营养不良联合 估计”国家数据集被用作国家估计数（即“营养不良联合估计”国家数据集中某年某国家庭调查得出的消瘦发生率就是该年该国报告的消瘦发生率）。就发育迟缓和超重而言，“营养不良联合估计”国家数据集被用于生成国家 建模估计数，作为正式的“营养不良联合估计”数据（即某年某国家庭调查得出的发育迟缓率不作为该年该国报告的发育迟缓率，而是作为下文将要介绍的建模估计数的参考）。
国家层面发育迟缓和超重估计模型
统计模型技术细节参见报告其他部分。10 简而言之，就发育迟缓和超重而言，采用加入一个异质性误差项的惩罚纵向混合模型，对发生率模型取对数，得到分对数（对数几率）。模型的质量根据平衡模型复杂性与观测数据拟合性的模型拟合标准进行量化。这一拟用方法具有一些重要特点，包括非线性时间趋势、区域趋势、国别趋势、协变量数据和异质性误差项。所有具备数据的国家均为估计总体时间趋势及协变量数据对发生率的影响提供了数据。就超重而言，协变量数据包含线性和二次社会人口指数（SDI）be 及数据来源类型。估计发育迟缓时采用的是同样的协变量，加上一个附加协变量，即前五年卫生体系平均可及性。
2023年，对至少有1个数据点（例如家庭调查）纳入上述“营养不良联合估计”国家数据集的160个国家，“营养不良联合估计”发布了2000至2022年间各国发育迟缓和超重年度建模估计数。此外，还发布了另外45个国家的国家建模估计数，但仅用于计算区域和全球合计数。这45个国家的模拟估计数不予列示，因为“营养不良联合估计”国家数据集不包括这些国家的家庭调查，或在发布之时，建模估计数仍未通过最终审核。这205个国家的结果可用于计算任何国家组别的合计估计数和不确定度区间。不确定度区间对监测趋势至关重要，而对于数据稀少以及一手数据来源出现较大抽样误差的国家来说，尤其如此。如某项调查仅获得少量近期数据，那么它被加入到估计中后，可能引起预期轨迹的大幅变化。为此，从慎重角度出发，要采用不确定度区间来加强趋势的可解读性。新的“营养不良联合估计”方法采用的不确定度区间已通过多种数据类型进行了测试和验证。
区域和全球估计数
区域和全球消瘦估计数仅列示了最近年份，即2022年的数据，但发育迟缓和超重估计数则列示了2000年至2022年时间序列数据。这是因为“营养不良联合估计”是基于国家层面的发生率数据，这些数据源自大多数国家很少收集（每三到五年收集一次）的横截面调查（即某个时间点概况）数据。一个历年内发育迟缓和超重发生率相对较稳定，因此可用这些数据跟踪这两种状况的长期变化，而消瘦则是一种可能经常和快速改变的急症。一个历年内，一名儿童可能出现不止一次消瘦状况（即康复后可能于同年内复发），而很多情况下，季节变化也可能增加消瘦风险，以致发生率出现季节性激升。例如，某些情况下，从收获后（往往粮食供应充足，天气条件不容易引发疾病）到收获前（通常缺粮，会出现可能影响营养状况的大雨和相关疾病），消瘦发生率可能升高一倍。鉴于任何季节都能开展国家调查，因此调查估计的发生率可能忽高忽低；如果数据收集工作持续多个季节，则有可能不高不低。因此，消瘦发生率反映的是特定时间点而非一整年的消瘦状况。由于调查结果因季节而异，因此难以据此推导趋势。缺少能体现季节性和偶发消瘦状况的方法，正是“营养不良联合估计”无法呈现这种形式营养不良年度趋势的主要原因。
编制区域和全球估计数
区域和全球发育迟缓和超重估计方法与消瘦估计方法不同，详见下文。简而言之，新的国家层面模型得出的结果被用于编制发育迟缓和超重的区域和全球估计数，而“营养不良联合估计”的次区域多层次模型则用于编制区域和全球消瘦估计数。
发育迟缓和超重
计算2000至2022年间各年份全球和区域估计数时，采用204个国家的建模估计数，取联合国经社部《世界人口展望》2022年修订版4 统计的各国五岁以下人口加权得出的各国平均数。其中155个国家的国家数据源（例如家庭调查）纳入了上述“营养不良联合估计”国家数据集。另外49个国家生成的建模估计数用于计算区域和全球合计数，但其国家建模估计数不予列示，因为“营养不良联合估计”国家数据集未包括这些国家的家庭调查，或在发布之时，模拟估计数尚未通过最终审核。置信区间采用自举法生成。
消瘦
上文介绍“营养不良联合估计”国家数据集时提及的来自国家数据来源的消瘦发生率数据被用于编制2020年区域和全球估计数，其中使用的是“营养不良联合估计”次区域多层次模型，并采用联合国经社部《世界人口展望》2022年修订版统计的五岁以下儿童人口权重。
挑战和局限：各国针对发育迟缓、超重和消瘦的推荐报告周期是每三到五年，但一些国家报告数据的频率较低。尽管已经尽力提高各国各时期统计数据之间的可比性，但国家数据在数据收集方法、人口覆盖率和所用估计方法方面仍可能存在差异。由于抽样误差和非抽样误差（技术测量误差、记录误差等），调查估计数也存在不同程度的不确定性。国家或区域和全球层面在得出估计数时，均未充分考虑到以上两类误差中的任何一类。
从消瘦发生率来看，由于调查通常在一年里的特定时段进行，因此估计数可能受季节性影响。与消瘦相关的季节性因素包括粮食可供量（例如收获前时期）和疾病（雨季和腹泻、疟疾等），而自然灾害和冲突也会导致趋势出现实质性变化，应与季节性变化区分对待。长期来看，各国不同年份的消瘦估计数可能不一定具有可比性。因此，本报告仅提供最近年份，即2022年的估计数。
参考资料：
de Onis, M., Blössner, M., Borghi, E., Morris, R. & Frongillo, E.A. 2004. Methodology for estimating regional and global trends of child malnutrition. International Journal of Epidemiology, 33(6): 1260–1270. https://doi.org/10.1093/ije/dyh202
GBD 2019 Risk Factors Collaborators. 2020. Global burden of 87 risk factors in 204 countries and territories, 1990–2019: a systematic analysis for the Global Burden of Disease Study 2019. The Lancet, 396(10258): 1223–1249. https://doi.org/10.1016/s0140-6736(20)30752-2
UNICEF, WHO & World Bank. 2021. Technical notes from the background document for country consultations on the 2021 edition of the UNICEF-WHO-World Bank Joint Malnutrition Estimates. SDG Indicators 2.2.1 on stunting, 2.2.2a on wasting and 2.2.2b on overweight. New York, USA, UNICEF. data.unicef.org/resources/jme-2021-country-consultations
UNICEF, WHO & World Bank. 2023. UNICEF-WHO-World Bank: Joint child malnutrition estimates – Levels and trends (2023 edition). [Cited 27 April 2023]. https://data.unicef.org/resources/jme-report-2023，www.who.int/teams/nutrition-and-food-safety/monitoring-nutritional-status-and-food-safety-and-events/joint-child-malnutrition-estimates，https://datatopics.worldbank.org/child-malnutrition
WHO. 2014. Comprehensive Implementation Plan on maternal, infant and young child nutrition. Geneva, Switzerland. www.who.int/publications/i/item/WHO-NMH-NHD-14.1
WHO. 2019. Nutrition Landscape Information System (NLIS) country profile indicators: interpretation guide. Geneva, Switzerland. www.who.int/publications/i/item/9789241516952
纯母乳喂养
定义：六月龄内婴儿纯母乳喂养的定义是婴儿只接受母乳喂养，不摄入其他食物或饮料，甚至水。纯母乳喂养是儿童生存的基石，也是新生儿的最佳喂养方式，因为母乳能为婴儿建立微生物菌群，增强免疫系统，降低慢性病风险。
母乳喂养还对母亲有利，可预防产后出血，促进子宫恢复，降低缺铁性贫血和各类癌症风险，促进心理健康。
报告方式：调查前24小时内纯母乳喂养，未喂食其他食物或饮料（甚至水）的0-5月龄婴儿 比例。11
数据来源： 联合国儿童基金会。2022。婴幼儿喂养。参见： 联合国儿童基金会。[2023年4月6日引用]。 data.unicef.org/topic/nutrition/infant-and-young-child-feeding
方法：
该指标基于0-5月龄婴儿前一天喂养回忆情况的截面数据。
2012年，利用2005至2012年间每个国家的最新估计数生成了纯母乳喂养的区域和全球估计数。同样，利用2014至2020年间每个国家的最新估计数生成了2020年估计数。全球和区域估计数按每个国家纯母乳喂养率的加权平均数计算，采用了《世界人口展望》2022年修订版4 （2012年为基线，2021年为当前）提供的 0-5月龄婴儿总数作为权数。除非另有说明，否则仅在现有数据能够代表相应区域新生儿总数至少50%的情况下才提供估计数。
挑战和局限：虽然有很大比例的国家收集了纯母乳喂养数据，但高收入国家尤其缺乏数据。纯母乳喂养的推荐报告周期是每三到五年；但是，一些国家报告数据的频率较低，这意味着喂养方式的变化往往在几年之后仍未被察觉。
区域和全球平均数可能会受到影响，具体取决于哪些国家在本报告所涉时期有数据。
采用前一天的喂养情况作为计算基础可能会导致高估纯母乳喂养婴儿的比例，因为有些不定期被喂食其他液体或食物的婴儿可能在调查前一天未被喂食这些液体或食物。
参考资料：
UNICEF. 2022. Infant and young child feeding: exclusive breastfeeding. In: UNICEF. [Cited 6 April 2023]. data.unicef.org/topic/nutrition/infant-and-young-child-feeding
WHO. 2014. Comprehensive Implementation Plan on maternal, infant and young child nutrition. Geneva, Switzerland. www.who.int/publications/i/item/WHO-NMH-NHD-14.1
WHO. 2019. Nutrition Landscape Information System (NLIS) country profile indicators: interpretation guide. Geneva, Switzerland. www.who.int/publications/i/item/9789241516952
WHO & UNICEF. 2021. Indicators for assessing infant and young child feeding practices: definitions and measurement methods. https://apps.who.int/iris/rest/bitstreams/1341846/retrieve
低出生体重
定义：低出生体重指无论胎龄大小，出生体重低于2500克（低于5.51磅）。新生儿出生时的体重是衡量孕妇及胎儿健康和营养的一项重要指标。12
报告方式：出生时体重低于2500克（低于 5.51磅）的新生儿比例。
数据来源：联合国儿童基金会和世卫组织。2023。《低出生体重联合估计》2023年版。[2023年6月 30日引用]。www.who.int/teams/nutrition-and-food-safety/monitoring-nutritional-status-and-food-safety-and-events/joint-low-birthweight-estimates
方法：具有全国代表性的低出生体重发生率估计数可从一系列来源获得，这些来源大致可定义为国家行政数据或具有代表性的家庭调查。国家行政数据来自国家系统，包括民事登记和生命统计系统、国家卫生管理信息系统和出生登记处。国家家庭调查包含出生体重信息以及关键的相关指标，包括产妇对婴儿出生时体型大小的看法（多指标类集调查、人口和健康调查）。这些信息也是低出生体重数据的重要来源，在许多出生未称重和/或数据堆积的情况下尤其如此。在录入国家数据集之前，要对数据的覆盖面和质量进行审核，如果数据来源是家庭调查，则要进行调整。若要纳入数据集，行政数据中可用的出生体重数据需要覆盖联合国经社部《世界人口展望》中该年新生儿估计数的80%。调查数据若要纳入数据集，需要满足以下条件：
- 数据集中至少有30%的样本标明出生体重；
- 数据集中至少有200个出生体重数据；
- 没有严重的数据堆积现象，这意味着：a）≤55%的出生体重数据属于最常见的三类出生体重（即如果3000克、3500克、2500克是最常见的三类出生体重，那么它们在数据集中的合计占比不得超过所有出生体重数据的55%）；b）出生体重≥4500克的婴儿数量占比≤10%；c）出生体重小于500克或大于5000克的婴儿数量占比≤5%；
- 对缺失的出生体重和数据堆积进行了 调整。12
在国家层面，低出生体重发生率估计数是使用贝叶斯多层次回归模型进行预测的。13 该模型在对数（对数几率）标尺上进行拟合，以确保比例介于0和1之间，然后进行反变换并乘以100以获得发生率估计数。
分层随机国家特定截距（全球各区域内国家）考虑了区域内部和之间的相关性。对六个可持续发展目标区域进行了调整，并用于建模。在时间序列26-28中，使用了惩罚样条作为时间平滑方法，这意味着所获取的国家层面非线性时间趋势排除了随机变化的影响。建模过程中还纳入了国家层面的协变量。模型中最终包含的协变量有：按购买力平价计算的人均国民总收入（以2017年不变国际美元为单位）、成年女性体重不足发生率、成年女性识字率、现代避孕方法普及率以及城市人口比例。
同时，按照数据质量类别（表A1.5）来应用偏差变化和额外方差项。偏差变化用于较低质量类别的行政数据，这近似于来自调查调整中已纳入的数据堆积中的预期偏差。额外方差基于：（1）行政数据的数据质量类别，以及（2）如果该国既有行政数据又有调查数据，则基于行政数据和调查数据之间的加权比例。
表A1.5 行政来源数据质量类别
资料来源：Okwaraji, Y.B.、Krasevec, J.、Bradley, E.、Conkle, J.、Stevens, G.A.、Gatica-Domínguez, G.、Ohuma, E.O.等。2023。“2020 年国家、地 区和全球低出生体重估计，以及2000 年以来的趋势：系统分析”。《柳叶刀》（即将出版）。
标准诊断检查用于评估趋同性和采样效率。采用了交叉验证，对数据进行200次随机划分后取计算结果平均值，其中20%为测试数据，80%为训练数据。进行了敏感性分析，包括检查协变量、偏差方法、时间平滑和非信息先验。所有模型都在R统计软件中使用R软件包 “rjags”和“R2jags”进行拟合。
该模型包括所有符合纳入标准的2040个国家年份数据，并针对95%的置信区间内的195个国家和地区，生成了2000年至2020年的年度估计数。bf 只报告了有数据的国家和地区的估计数。这195个国家中有37个无数据或数据不符合纳入标准，针对这些国家，先根据所有国家年份的区域和国家级协变量估算国家截距，在此基础上使用最终模型预测低出生体重发生率估计值。然后，使用来自所有195个国家和地区的估计值生成区域和全球总量。
挑战和局限：监测全球低出生体重状况时，一项主要局限就是很多儿童的出生体重数据缺失。在此方面存在着极大偏差，那些较贫困、受教育水平较低、生活在农村的母亲所生的婴儿与较富裕、受教育水平较高、生活在城市的母亲所生的婴儿相比，更不可能具备出生体重数据。13 由于未称重婴儿的各种特征都是造成低出生体重的风险因素，因此未充分代表这些婴儿的估计数可能低于真实数值。此外，大多数中等偏下收入国家13 现有数据质量不高，在500克或100克倍数上存在过度堆积问题，也使低出生体重估计数存在更大偏差。当前数据库中用于处理出生体重数据缺失和调查估计数堆积问题的方法13 本意是解决问题。一项最近的验证研究发现，经过调整的低出生体重发生率估计数近似于真实的发生率，而未经调整的数值对一个人群中低体重新生儿的覆盖甚至不足 一半。14
行政输入数据也存在局限性，包括缺乏个体层面的数据，以及有关出生体重数据堆积和缺失的信息有限。数据质量分类（表A1.5）试图通过按数据质量指标对国家进行分组来解决这个问题，但需要制定更有效的方法，以便在单个国家层面调整行政数据质量差异，而非同时针对一组国家进行偏差调整。此外，调查数据的标准误差要大于行政输入数据的标准误差，这是由于家庭调查中的抽样性质所致。行政数据和调查数据之间的这些标准误差差异可能会人为地影响模型结果。
在建模中使用的可持续发展目标地理分组可能不适用于流行病学或经济区域的离群值。总体而言，195个国家中，37个没有输入数据的国家的估计值可能受到影响。例如，海地不具备符合纳入标准的输入数据，而该国的预测发生率是根据国家层面协变量以及拉丁美洲及加勒比区域的国家截距和时间趋势计算得出的，这对于该国来说并不合适。
此外，由于约半数建模国家每次采用自举法预测时都会随机产生特定的国家影响，包括正面影响和负面影响，区域和全球估计数的置信区间可能被人为设置得过小，导致区域和全球层面的相对不确定性往往低于单个国家层面的不确定性。
参考资料：
Blanc, A. & Wardlaw, T. 2005. Monitoring low birth weight: An evaluation of international estimates and an updated estimation procedure. Bulletin World Health Organization, 83(3): 178–185. www.ncbi.nlm.nih.gov/pmc/articles/PMC2624216
Blencowe, H., Krasevec, J., de Onis, M., Black, R.E., An, X., Stevens, G.A., Borghi, E., Hayashi, C., Estevez, D., Cegolon, L., Shiekh, S., Ponce Hardy, V., Lawn, J.E. & Cousens, S. 2019. National, regional, and worldwide estimates of low birthweight in 2015, with trends from 2000: a systematic analysis. The Lancet Global Health, 7(7): e849–e860. https://doi.org/10.1016/S2214-109X(18)30565-5
Chang, K.T., Carter, E.D., Mullany, L.C., Khatry, S.K., Cousens, S., An, X., Krasevec, J., LeClerq, S.C., Munos, M.K. & Katz, J. 2022. Validation of MINORMIX approach for estimation of low birthweight prevalence using a rural Nepal dataset. The Journal of Nutrition, 152(3): 872–879. https://doi.org/10.1093/jn/nxab417
Okwaraji, Y.B., Krasevec, J., Bradley, E., Conkle, J., Stevens, G.A., Gatica-Domínguez, G., Ohuma, E.O. et al. 2023. National, regional, and global estimates of low birthweight in 2020, with trends from 2000: a systematic analysis. The Lancet (in press).
成人肥胖
定义：体重指数（BMI）≥30.0kg/m2。体重指数指体重与身高之比，通常用于成人营养状况 分类，由体重（公斤）除以身高（米）的平方 （kg/m2）计算得出。体重指数大于或等于30kg/m2的人即为肥胖。
报告方式：按年龄标准化并按性别加权，体重指数≥30.0kg/m2的18岁以上人口的比例。15
数据来源：世卫组织。2020。全球卫生观察站数据库。参见：世卫组织。[2020年4月28日引用]。apps.who.int/gho/data/node.main.A900A?lang=en（1698项基于人群的研究，涉及超过1920万名18岁或以上的参与者，在186个国家/地区进行测量）。16
方法：选定部分基于人口的研究应用贝叶斯分层模型；选定研究测量18岁及以上成人身高和体重，旨在估计1975至2014年间平均体重指数趋势和体重指数各类别（低体重、超重和 肥胖）发生率的趋势。模型纳入了非线性时间趋势和年龄分布；全国与地方/社区代表性；并标明了数据仅涵盖农村/城市或是两者均涵盖。模型还纳入了有助于预测体重指数的协变量，包括国民收入、城市人口比例、平均受教育年限以及供人类食用的各类食物可供量综合性 指标。
挑战和局限：一些国家的数据来源很少，只有42%的数据来源报告了70岁以上人群的数据。
参考资料：
NCD-RisC (NCD Risk Factor Collaboration). 2016. Trends in adult body-mass index in 200 countries from 1975 to 2014: a pooled analysis of 1698 population-based measurement studies with 19.2 million participants. The Lancet, 387(10026): 1377–1396. https://doi.org/10.1016/S0140-6736(16)30054-X
WHO. 2019. Nutrition Landscape Information System (NLIS) country profile indicators: interpretation guide. Geneva, Switzerland. https://www.who.int/publications/i/item/9789241516952
15-49岁妇女贫血
定义：考虑海拔和吸烟因素，血红蛋白浓度低于120g/L（非孕期和哺乳期妇女）和低于110g/L（孕妇）的15-49岁妇女比例。
报告方式：15-49岁育龄妇女中血红蛋白浓度低于110g/L的孕妇和低于120g/L的非孕妇所占比例。
数据来源：世卫组织。2021。《全球贫血估测》2021年版。参见：世卫组织|全球卫生观察站数据库。[2023年4月20日引用]。www.who.int/data/gho/data/themes/topics/anaemia_in_women_and_children
方法：2021年版15-49岁妇女贫血发病率估计数按妊娠状况分列，包括来自世卫组织“维生素和矿物质营养信息系统”中微量营养素数据库以及从1995年到2020年的匿名个人数据。血液中血红蛋白浓度数据尽可能根据海拔和吸烟情况进行了调整。已排除生物学上不合理的血红蛋白值（低于25g/L或高于200g/L）。采用贝叶斯分层混合模型估计血红蛋白分布，并系统解决数据缺失、非线性时间趋势和数据来源代表性的问题。简而言之，该模型计算每个国家每个年份的估计数，参考的是对应国家对应年份的数据，以及对应国家和其他具有相近时期数据的国家（尤其是同区域国家）其他年份的数据。数据不存在或不充分的情况下，该模型尽量借用数据，但对于数据丰富的国家和区域，则尽量不借用数据。如此得出的估计数还参考了有助于预测血液中血红蛋白浓度的协变量（例如社会人口指数、肉类供应量[人均千卡]、妇女平均体重指数和五岁以下儿童死亡率对数）。不确定度区间（可信度区间）反映不确定性的主要来源，包括抽样误差、抽样设计/测量问题造成的非抽样误差、无数据情况下对国家和年份估计所致不确定性。
挑战和局限：尽管较高比例的国家公布了关于贫血的全国代表性调查数据，但该指标的报告工作仍然欠缺，尤其是高收入国家。因此，估计数可能无法充分反映出各国和各区域间的差异，在数据稀缺的情况下，估计数可能会“缩小”到接近全球平均值。
参考资料：
Stevens, G.A., Finucane, M.M., De-Regil, L.M., Paciorek, C.J., Flaxman, S.R., Branca, F., Peña-Rosas, J.P., Bhutta, Z.A. & Ezzati, M. 2013. Global, regional, and national trends in haemoglobin concentration and prevalence of total and severe anaemia in children and pregnant and non-pregnant women for 1995–2011: a systematic analysis of population-representative data. The Lancet Global Health, 1(1): e16–e25. https://doi.org/10.1016/s2214-109x(13)70001-9
Stevens, G.A., Paciorek, C.J., Flores-Urrutia, M.C., Borghi, E., Namaste, S., Wirth, J.P., Suchdev, P.S., EzzatI, M., Rohner, F., Flaxman, S.R. & Rogers, L.M. 2022. National, regional, and global estimates of anaemia by severity in women and children for 2000–19: a pooled analysis of population-representative data. The Lancet Global Health, 10(5): e627–e639. https://doi.org/10.1016/S2214-109X(22)00084-5
WHO. 2011. Haemoglobin concentrations for the diagnosis of anaemia and assessment of severity. Vitamin and Mineral Nutrition Information System. Geneva, Switzerland. https://apps.who.int/iris/bitstream/handle/10665/85839/WHO_NMH_NHD_MNM_11.1_eng.pdf
WHO. 2014. Comprehensive Implementation Plan on Maternal, Infant and Young Child Nutrition. Geneva, Switzerland. www.who.int/publications/ i/item/WHO-NMH-NHD-14.1
WHO. 2021. Global anaemia estimates, edition 2021. In: WHO | Global Health Observatory (GHO) data repository. [Cited 20 April 2023]. www.who.int/data/gho/data/themes/topics/anaemia_in_women_and_children
WHO. 2021. Vitamin and Mineral Nutrition Information System (VMNIS). In: WHO. [Cited 20 April 2023]. www.who.int/teams/nutrition-food-safety/databases/vitamin-and-mineral-nutrition-information-system
WHO. 2021. Nutrition Landscape Information System (NliS) Country Profile. In: WHO. [Cited 20 April 2023]. www.who.int/data/nutrition/nlis/country-profile
WHO. 2023. Nutrition Data Portal. In: WHO. [Cited 20 April 2023]. https://platform.who.int/nutrition/nutrition-portals
