URBANIZATION AND FERTILITYRATES IN ETHIOPIA              Fanaye Tadesse and Derek Headey             IFPRI ESSP-II        ...
Outline1.    Introduction2.    Economic Theories of Fertility3.    Data and Estimation4.    Results      -  Basic descript...
1. Introduction• Ethiopia has a long history of Malthusian population   dynamics (Pankhurst 1985). • The population-dense ...
1. Introduction – cont’d• But Ethiopia still has the largest rural-urban fertility   differential in the world:    – 6 chi...
Specific objectives of the paper1) What causes fertility in Ethiopia?2) How do these causes differ by rural and urban areas?
2. Economic theories of fertility• Economic theories tend to emphasize demand-side   determinants of fertility rates, foll...
2. Economic theories of fertility• Child mortality rates influence  expectations; risk averse   parents may have more chil...
3. Data and Estimation•  The data used for this study is EDHS (Ethiopian   Demographic and Health Survey) of 2005. • The E...
3. Data and Estimation• Dependent variables are number of children born and   desired number of children• Former is more l...
3. Data and Estimation• Some potential problems . . . 2. DHS does not have information on consumption or    income variabl...
k                n  yi = α + ∑ β k X ik + ∑ β n ( X in *ui ) + ε i              k =1             n =1                βs•  ...
4. Results – basic descriptive statistics• Differences in dependent variables                Number of children born      ...
Explanatory variables: All differences significant at 5% level                                      Rural   Urban   Differ...
4. Results – basic descriptive statistics• In terms of some more proximate determinants,   contraceptive use among women w...
4. Results – Regression• We begin with national regressions that interact explanatory   variables with an urban dummy• Mos...
Regression Results  (Poisson marginal effects) number of children born                                                    ...
4. Results – Regression• For desired number of children, most results are quite similar,   but rural-urban differences app...
Regression Results - Desired Children                                                               significance          ...
5. Conclusions• Rural-urban fertility gap is explained by both difference   in levels of explanatory variables and differe...
5. Conclusion• In terms of future research we plan to more formally   decompose rural-urban differences into level effects...
Thank You!
Upcoming SlideShare
Loading in …5
×

Urbanization And Fertility Rates In Ethiopia

1,052 views
1,004 views

Published on

Ethiopian Development Research Institute (EDRI) and International Food Policy Research Institute (IFPRI). Seminar Series, March 19, 2012

Published in: Health & Medicine, Business
0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
1,052
On SlideShare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
11
Comments
0
Likes
1
Embeds 0
No embeds

No notes for slide
  • All
  • Urbanization And Fertility Rates In Ethiopia

    1. 1. URBANIZATION AND FERTILITYRATES IN ETHIOPIA  Fanaye Tadesse and Derek Headey IFPRI ESSP-II CSAE conference March 20, 2012 Oxford 1
    2. 2. Outline1. Introduction2. Economic Theories of Fertility3. Data and Estimation4. Results  -  Basic descriptive statistics     -  Regression5.   Conclusion
    3. 3. 1. Introduction• Ethiopia has a long history of Malthusian population  dynamics (Pankhurst 1985). • The population-dense highlands face shrinking farm sizes,  deforestation and soil degradation• Most of these problems are related to high fertility rates• Also widely accepted that reducing fertility can produce a  demographic dividend via reduced age dependency • Hence Ethiopian government has long sought to reduce  fertility• Good news is that fertility rates are falling 7.1 (1990)              5.4 (2005)              4.8 (2011)
    4. 4. 1. Introduction – cont’d• But Ethiopia still has the largest rural-urban fertility  differential in the world:  – 6 children in rural areas; 2.4 children in urban areas (2005) – 5.5 children in rural areas; 2.6 children in urban areas (2011)• So why is the rural-urban fertility gap so large in Ethiopia?• Previous work does not satisfactorily explore this question.• Some papers look at proximate determinants of fertility in the  Bongaarts framework or explain fertility for certain  proportion of the population• A large World Bank study used DHS and other datasets to  look at fertility rates, including by rural and urban areas• But not systematic tests for rural-urban differences
    5. 5. Specific objectives of the paper1) What causes fertility in Ethiopia?2) How do these causes differ by rural and urban areas?
    6. 6. 2. Economic theories of fertility• Economic theories tend to emphasize demand-side  determinants of fertility rates, following Gary Becker’s  seminal work. • Emphasis is on choice, rather than biological factors• Children possess both consumption good and investment  good characteristics• Quality and quantity tradeoffs, which posits a likely  substitution from quantity to quality as family income  increases (Becker and Lewis 1973). • Opportunity costs matter – children come with both  explicit costs and implicit costs – e.g. women’s time use
    7. 7. 2. Economic theories of fertility• Child mortality rates influence  expectations; risk averse  parents may have more children than actually desired• Women’s education tends to reduce fertility, but the  level of education that affect fertility is still not clear. • Urbanization seems to affect fertility (Kuznets 1974),  sometimes even when other controls are introduced• But not clear why – many rural-urban differences in  poverty, education, infrastructure, and unobservables
    8. 8. 3. Data and Estimation•  The data used for this study is EDHS (Ethiopian  Demographic and Health Survey) of 2005. • The ERHS is a nationally representative survey of 14,070  women between the ages of 15 and 49 and 6,033 men  with ages between 15 and 59. • Topics include family planning, fertility, child mortality,  child health, nutrition and knowledge of HIV/AIDS. • Geographic Information Systems (GIS) estimates of travel  times to nearest facilities were merged with the DHS data• GIS data adds info on isolation, and may also be  important since rural-urban divide can be arbitrary
    9. 9. 3. Data and Estimation• Dependent variables are number of children born and  desired number of children• Former is more like revealed reference, latter is stated  preference• Desired number has two phrasing depending on age: “If you could go back to the time you did not have any children and could choose exactly the number of children to have in your whole life, how many would that be?” “If you could choose exactly the number of children to have in your whole life, how many would that be?”
    10. 10. 3. Data and Estimation• Some potential problems . . . 2. DHS does not have information on consumption or  income variables, but measures a wealth index  constructed from the information on asset holdings3. Possible endogeneity of Child Mortality  – Rather than including the Child mortality of the  household, we took the average of the child mortality  in the cluster. – So it is a locally formed expectation rather than actual  for the household.
    11. 11. k n yi = α + ∑ β k X ik + ∑ β n ( X in *ui ) + ε i k =1 n =1 βs•  where the       are the parameters to be estimated, •  the       are  the explanatory variables and  Xs X in * ui•  the expression (               ) are interactions of the explanatory  variables with the urban dummy. •  The interaction variable obviously tests whether the effects of the    explanatory variables on fertility differ by location. •  We also separately estimate urban and rural equations and conduct  Chow tests to check for parameter differences among these groups.• We use poisson regressions since these are count variables
    12. 12. 4. Results – basic descriptive statistics• Differences in dependent variables Number of children born Desired number of children Rural Urban Difference Rural Urban DifferenceAge 15-19 0.21 0.07 0.14*** 3.46 2.79 0.67*** 20-24 1.35 0.53 0.82*** 4.41 3.18 1.23*** 25-29 3.15 1.4 1.75*** 4.91 3.57 1.34*** 30-34 4.82 2.49 2.33*** 5.4 3.84 1.56*** 35-39 6.19 3.45 2.74*** 5.41 4.38 1.03*** 40-44 6.99 4.59 2.4*** 5.7 4.32 1.38*** 45-49 7.54 5.64 1.9*** 5.99 4.39 1.6***
    13. 13. Explanatory variables: All differences significant at 5% level Rural Urban DifferenceMother - Age (years)  28.4 26.8 -1.6Mother - No education  75% 25% -0.5Mother - Primary education  22% 25% 3%Mother - Secondary education 3% 44% 41%Mother - Higher education 0% 7% 7%Christian 66% 86% 21%Other religion 3% 0% -2%Child mortality 56% 18% -38%Mother - Listens to radio  34% 80% 45%Land owned (hectares)  2.2 0.2 -2Mother - Not working 67% 56% -11%Mother - Professional occupation  0% 6% 6%Mother - Clerical/sales occupation  8% 27% 19%Mother - Agriculture occupation  3% 1% -2%Mother - Other occupations  3% 10% 7%Husband - no education 70% 23% -47%Husband - primary education 2% 35% 33%Husband - secondary education 0% 29% 28%Husband - higher education 1% 11% -10%Travel time to health center (hrs)  1.3 0.5 -0.8
    14. 14. 4. Results – basic descriptive statistics• In terms of some more proximate determinants,  contraceptive use among women was  –  18%  (37% urban, 15% rural)  in 2005;  – 29%  (53% urban, 23% rural) in 2011• Reasons for not using contraceptives vary across rural and  urban areas• Rural women are more ignorant of contraceptives, desire  more children, and face slightly more opposition from  husbands• High unmet need for family planning especially in rural  areas
    15. 15. 4. Results – Regression• We begin with national regressions that interact explanatory  variables with an urban dummy• Most of the interaction terms are significant, suggesting not  only differences in levels, but differences in impacts too  • The urban dummy becomes insignificant once interaction  terms are introduced.• Wealth index not very significant in either rural or urban  areas• Much larger effect of female education (only secondary and  above) and work status• Child mortality has big effects, especially in urban areas
    16. 16. Regression Results  (Poisson marginal effects) number of children born parameter    Urban Rural difference age 0.51*** 0.98*** ***  age2 -0.01*** -0.01***  *** Secondary education  -0.39** -0.74*** *  Christian  -0.4** -0.04 ***  Other religion  -1.39*** -0.08  *  Child mortality  1.8*** 0.58*** **  2nd wealth quintile -0.04 0.13** 3rd wealth quintile 0 0.03 4th wealth quintile 0.25 0.04 5th wealth quintile 0.19 0.73 Clerical/sales occupation  -0.32** -0.21** Agricultural occupation  -0.06*** -0.3*** **  Other occupation  0.04 -0.3** Husband’s primary educ.  0.35 0.14** Husband’s Secondary educ.  -0.07** 0.11   
    17. 17. 4. Results – Regression• For desired number of children, most results are quite similar,  but rural-urban differences appear to be less significant• Some evidence that village level contraceptive knowledge,  access to radio matters, suggesting a role for fertility policies
    18. 18. Regression Results - Desired Children significance  of parameter   urban Rural differenceage 0.21*** 0.17***  age2 -0.002** -0.002***  Primary education  -0.39  -0.35***  Secondary education  -0.25  -0.69***  Higher education  -0.72** -0.58   Christian -1.49*** -0.58***  Other religion -1.99*** -0.17 *** Child mortality  0.93 0.77***Listens to radio 0.32  -0.17*  2nd wealth quintile -0.63** 0.05   Agricultural occupation 2.84  -0.42***  ** Contraceptive knowledge (village average)  0.08  -1.43***  Travel time to health center (hrs)   0.13  0.05  * 
    19. 19. 5. Conclusions• Rural-urban fertility gap is explained by both difference  in levels of explanatory variables and differences in  impacts. • Wealth, by itself, does not seem to matter much• Most policy-relevant findings related to female  secondary education, and raising awareness of family  planning goals and technologies• Female secondary education likely to have high returns  because in addition to reducing fertility, it can increase  incomes and improve nutrition outcomes• Currently female education is so low in rural areas (3.2%)  that there is huge scope for expansion 
    20. 20. 5. Conclusion• In terms of future research we plan to more formally  decompose rural-urban differences into level effects,  parameter effects and unexplained effects (e.g. Oaxaca  decomposition).• We will also update with forthcoming 2011 DHS• We can explore regional effects more as there are fertility  differences across regions, even within rural and urban areas
    21. 21. Thank You!

    ×