描述性统计显示，2020–2023年风险组阈值从4。5%升至5。9%。单亲家庭、多后代家庭（4个及以上儿童，lift=4。4）、赋闲者（lift=4。9）、租房者（lift=2。6）等正在风险组中比例过高；东部地域（普雷绍夫lift=1。5、尼特拉1。4、班斯卡·比斯特里察1。3）风险显著高于首都布拉迪斯拉发（lift=0。4）。
SHAP值排序显示，区域（NUTS3）是最强预测因子，班斯卡·比斯特里察和普雷绍夫地域预测风险高，布拉迪斯拉发最低；16岁以下儿童数量、家庭类型（单亲家庭风险最高）、社会经济地位（赋闲者风险高）、住房权属（租房者风险高）、教育程度（高档教育为要素）等顺次为主要预测因子。春秋变量影响较弱。
摘要：斯洛伐克正在2020年至2023年期间履历了严沉的食物价钱压力，对家庭粮食平安的经济可及性维度形成了庞大压力，特别是对懦弱家庭。本研究旨正在识别属于风险组家庭的社会经济特征。风险组被定义为从食收入取可安排收入比率分布中处于最高十分位的家庭，该比率被用做食物收入懦弱性的代办署理目标。研究人员操纵斯洛伐克家庭预算查询拜访（Slovak Household Budget Survey， 2020–2023）的微不雅数据，采用Categorical Boosting（CatBoost）机械进修算法连系SHapley Additive ExPlanations（SHAP）来阐发懦弱性的复杂非线性预测因子。成果显示，正在研究期间，根基食物消费的收入承担显著上升。食物收入懦弱性次要集中于收入能力无限的群体，具体包罗单亲家庭、多后代家庭、赋闲者、残疾人、养老金领取者以及租房者。此外，阐发凸显了显著的区域差别，取首都比拟，农村地域和斯洛伐克东部家庭面对更高的风险。值得留意的是，正在通缩高峰期（2022–2023年），食物收入懦弱性扩展到了保守风险群体之外，使得社会经济特征变得不那么较着。并通过取加权逻辑回归基准的比力获得支撑。交互效应表白，当劣势累积时（如普雷绍夫地域的农村家庭），预测风险更高。这些发觉表白，但政策制定者必需针对特定生齿特征和布局亏弱区域制定有针对性的干涉办法，以无效减轻食物通缩的晦气影响。
**结论翻译**：本研究旨正在通过梯度提拔方式（CatBoost）连系SHAP阐发识别斯洛伐克家庭中受食物价钱上涨影响最懦弱的群体。成果表白，食物收入懦弱性取无限收入能力、高扶养等到显著区域差别亲近相关。系统性冲击（如2022–2023年高通缩）可改变懦弱性布局，使其扩展到保守风险组之外。政策上，需正在遍及办法根本上弥补针对特定生齿特征（如单亲家庭、多后代家庭、残疾人、赋闲者）和布局亏弱区域（如普雷绍夫、班斯卡·比斯特里察农村地域）的定向干涉。方式上，可注释机械进修可弥补保守回归方式。将来研究应引入框架（整合其他粮食不平安目标）以供给更全面评估。
研究人员操纵斯洛伐克家庭预算查询拜访（Household Budget Survey， HBS）2020–2023年微不雅数据，将从食收入取总收入比率处于全国分布加权第90百分位以上的家庭定义为风险组，采用Categorical Boosting（CatBoost）机械进修算法连系SHapley Additive ExPlanations（SHAP）阐发，识别懦弱家庭的预测因子。次要结论：食物收入懦弱性集平分布于收入能力无限群体（单亲家庭、多后代家庭、赋闲者、残疾人、养老金领取者、且存正在显著区域差别（东部和农村地域风险更高）；2022–2023年通缩高峰期懦弱性扩展至保守风险组之外，社会经济特征区分度下降。该研究为设想更具针对性的社会支撑办法供给了根本，论文颁发正在《Food Security》期刊。
摘要：斯洛伐克正在2020年至2023年期间履历了严沉的食物价钱压力，对家庭粮食平安的经济可及性维度形成了庞大压力，特别是对懦弱家庭。本研究旨正在识别属于风险组家庭的社会经济特征。风险组被定义为从食收入取可安排收入比率分布中处于最高十分位的家庭，该比率被用做食物支。
**会商总结**：研究发觉取恩格尔定律和贝内特定律分歧，低收入家庭（赋闲者、残疾人、单亲、多后代家庭）将更大比例预算分派给从食，表白食物收入懦弱性。模子机能下降注释为2022–2023年高通缩使懦弱性扩展至更普遍人群，保守风险组特征区分度削弱。区域差别（普雷绍夫、班斯卡·比斯特里察）取斯洛伐克布局性不服等及边缘化罗姆生齿问题相关。政策：当前养老金导向的弥补办法轻忽了单亲家庭、多后代家庭等更懦弱群体，应转向更精准的定向支撑，包罗儿童补助、就业联系关系援帮及区域成长打算。
研究人员采用以下次要方式：1）基于HBS 2020–2023年斯洛伐克家庭微不雅数据（样本量19，138个加权家庭-年不雅测值），定义风险组为从食收入取总收入比率跨越年度加权第90百分位数的家庭；2）利用Categorical Boosting（CatBoost）监视梯度提拔算法，建立二分类模子预测家庭属于风险组的概率；3）通过SHAP（SHapley Additive ExPlanations）阐发量化各特征对预测概率的边际贡献；4）采用加权逻辑回归做为基准模子进行机能比力，85th、95th百分位）的稳健性。
SHAP依赖图环节交互：普雷绍夫地域农村家庭风险更高，且该地域35–49岁户从家庭风险凸起；布拉迪斯拉发地域农村家庭正在2020–2021年风险较高，2022–2023年下降；养老金领取者正在2020–2021年风险较高，但2022–2023年相对不变；高档教育户从即便正在赋闲或经济不活跃时仍连结较低风险。