在数据匮乏的地方扩大社会援助：新数据和人工智能的机遇和局限2024

在数据稀缺的地方扩大社会援助：新数据和人工智能的机会和局限性 ©2024国际复兴开发银行/世界银行 1818H街西北华盛顿特区20433电话：+1(202)4731000互联网：www.worldbank.org 这项工作是世界银行工作人员在外部贡献下的产物。这项工作中表达的调查结果、解释和结论不一定反映世界银行、其执行董事会或他们所代表的政府的观点。 世界银行不保证本作品中包含的数据的准确性。本作品中任何地图上显示的边界，颜色，面额和其他信息并不意味着世界银行对任何领土的法律地位或认可或接受此类边界的任何判断。 权利和许可本作品中的材料受版权保护。由于世界银行鼓励传播其知识，因此只要给予该作品的全部归属，就可以出于非商业目的全部或部分复制该作品。 Abstract:在最近的新冠肺炎冲击(2020/21)期间，大多数国家使用现金转移来保护受大流行或流动性或经济活动限制影响的人的生计，包括穷人和弱势群体。虽然绝大多数国家动员了现有方案和/或行政数据库，以扩大对新受益者的支持，但没有此类方案或数据库的国家的应对能力受到严重限制。利用Covid-19冲击作为跨越式发展和创新的机会，各个低收入国家使用新的数据来源和计算方法来快速开发以福利为目标的计划。本文回顾了危机时期计划和定期的社会保护行动，以总结可能适用于这两种情况的经验教训。它研究了来自刚果民主共和国，多哥和尼日利亚的三个计划，这些计划使用地理空间和移动电话使用数据和/或人工智能（AI），特别是机器学习方法来估计个人福利目标申请人的福利，并提供紧急现金转移以应对大流行。此外，它还审查了多哥洛美和马拉维利隆圭省农村的两个大流行后计划，这些计划将这些创新纳入了更传统的交付基础设施，并扩大了其监测和评估框架。考虑了各种方法的理由，主要成就和主要挑战，并考虑了其他国家的案例以及目标以外的创新。本文最后提出了政策建议和有希望的研究主题，以就如何利用新颖的数据源和估计方法来改善紧急情况内外的社会援助提供信息。 JEL代码:O31,I38 关键字:社会保护和劳动、贫困、社会援助、现金转移、社会项目的获取、适应性社会保护、袜子响应、技术、创新、G2P (政府对个人)支付、新颖数据源、呼叫细节记录(CDR)、卫星图像、机器学习、人工智能、目标定位、地理空间定位、应急响应、COVID - 19响应。 Acknowledgments:本文由Yo Oamra，Tim Ohlebrg和Emil Teslic撰写。作者感激地感谢Miita Varghese，AitMherjee，Lara Bermeo，Tia George，Aa Lcia Cardeas，Fae Ade，Maheshwor Shrestha，Ubah ThomasUbah，Mderis Abdlahi Mohammed、Arthr Ali Lagrage、Mitja Del Boo、Steisiaasari Mileiva、JliaKoschore、Sebastia Geschwid、Lis I ñ ai Alberro Ecias、Oscar Barriga - Cabaillas、Adr é s Parrado和Tom Mt鉴于该论文是由社会保护和就业全球实践与G2Px倡议合作编写的，该论文正在《社会保护与就业讨论论文系列》和《G2Px论文系列》中交叉发表。提供社会援助的新数据。作者也感谢Loli Arribas - Baos和VyjayatiDesai的指导。该论文受益于以下同事的同行评审：Phillippe Leite，Sveta Milsheva，Joatha Marsell和RobertPalacios。Lara Srivastava提供了编辑帮助，Jihae El Khory Roederer提供了设计和布局帮助。有关评论和查询，可以通过yoamra @ worldba与作者联系。org, mail @ timohlebrg.com和eteslic @ worldba。 Contents 1. Introduction1 2.社会援助的新方法概述4 2.1.探索使用非传统或新颖的数据源6 2.1.1相关性和益处62.1.2需求和瓶颈8 2.2.使用非传统数据源的目标流程 2.2.1地理定位102.2.2个人层面的定位132.2.3关键问题和挑战16 2.3提供社会保护的其他方面的创新 19 2.3.1外联202.3.2进气和登记222.3.3付款232.3.4监测和受益人管理25 3.初步结果和分析29 3.1实施速度293.2行政费用303.3瞄准精度303.4受益人的便利和成本34 4.COVID-19冲击后的创新范例35 4.1多哥社会安全网和基本服务项目354.2马拉维的Canva现金转账37 5.结论和前进方向42 5.1.紧急情况425.2常规操作435.3限制和未知445.4摘要和建议48 不同瞄准方法的适宜性和最低条件52 参考文献55 1.Introduction 社会保护正处于由快速数字化，新技术以及对自适应和通用系统的迫切需要推动的变革性变革的门槛。虽然数字技术和行政数据的使用已成为社会保护的一种规范，但新类型数据(即新数据源、1例如卫星和移动数据）是最近的。过去几年这些新颖方法的兴起2是由于几个因素的融合：随着时间的推移，数据的可用性增加，计算方法和数据分析(如机器学习、人工智能)的演变，以及需要紧急扩大社会保护规模以应对COVID - 19大流行。 为了应对COVID - 19危机，社会援助以前所未有的规模扩大，许多以前被排除在政府支持之外的人获得了援助。An estimated低收入和中等收入国家的17亿人（在大多数地区，世界上大约有五分之一的人）获得了COVID应对社会援助金，其中一半以上是首次获得（Marin和Palacios 2022）。3 在COVID - 19期间，登记和选择新的受益人被证明是向社会保护计划未涵盖的更多人口提供紧急支持的重大挑战。这主要是由于缺乏数据：当时只有一半的全球人口受到社会保护（国际劳工组织2021年），而一半的人口，特别是在非正规部门工作的人口，“看不见”。非正规工人没有受到任何社会保护计划的保护，没有任何行政数据库，因此更容易受到COVID - 19的经济冲击，而无法自动获得任何保护机制。 注册申请人和选择受益人的挑战在缺乏传统基础设施、数据和数字交付系统的“数据沙漠”国家最为明显。设计和实施现金转移需要数据来识别、定位、筛选和支付受益人(例如，行政记录和/或通过社会经济调查从申请人那里收集的数据)，以及数字公共基础设施，如身份证系统、社会登记、管理信息 系统和支付方式。4例如，社会登记册在评估社会援助的资格、根据福利估计(贫困)或人口特征等资格标准确定有需要的个人或家庭方面发挥着关键和有利的作用。在应对COVID - 19时，拥有最新信息和高覆盖率的社会登记册的国家能够迅速有效地向目标人群提供紧急支持(例如Procedre，在土耳其，智利，巴西，约旦，马来西亚）。 在这种情况下，少数没有预先存在的社会保护系统和工具来估计目标人群的福利的国家转向了新的数据源，估计技术和数字交付。虽然大多数缺乏估计目标群体福利的工具的国家诉诸于分类目标(例如，受影响行业的雇员名单)，5本文调查的国家/地区迅速发展并采用了基于福利的标准，使用新颖的数据和估计技术。这些创新方法是本文的重点。 尽管将非传统方法用于个人和家庭目标仍处于起步阶段，但来自世界各地的例子正在出现，其可行性日益得到认可。非洲大陆有几个值得注意的例子。多哥的Novissi Model 26和刚果民主共和国（DRC）的STEP - KIN也许是这些应用程序中最好的宣传。大流行之后还有三个用例：马拉维试点，其方法与多哥的Novissi模型2相同；多哥社会安全网和基本服务项目，旨在结合新方法和传统方法；以及尼日利亚国家社会安全网计划-扩大规模（NASSP SU）。7该项目开始使用通过手机收集的新注册表。此外，类似的计划已经在一些非洲国家进行，或者在其他非洲国家（例如科特迪瓦，马里，喀麦隆）处于政策讨论的初始阶段。 虽然这些例子已经产生了一些初步结果，但仍然缺乏这种方法的有效性和影响的确凿证据。例如，尽管在撰写本文时正在进行一些评估，但尚未对新颖与传统靶向方法的比较性能进行严格的评估。替代方法有许多未知因素，但可以适用于速度比准确性更重要的紧急情况。相比之下，在正常情况下，对于以贫困为目标的常规社会援助计划，纳入和排除错误仍然是关键的绩效指标。 本文的目的是从最近的国家案例研究中汲取教训，并制定关于利用新形式的数据在紧急情况内外提供社会援助的指导。新的数据源，当用于补充传统的方法和数据时，具有 探索创新，以支持对全球流行病等危机的更快反应，将有助于各国应对和准备与危机和流行病准备，气候变化，经济不稳定，脆弱性，粮食不安全，战争和流离失所有关的无数挑战。 本文旨在回答有关使用新颖数据源来确定社会援助受益人的基本原理以及此类做法对未来的影响的实际操作问题。对三个具体国家案例进行了深入研究，所有这些案例都使用卫星和移动数据进行个人或家庭层面的定位：多哥·诺维西模型2，刚果民主共和国STEP -KIN和尼日利亚NASSP SU。下一章讨论了三个案例研究中的每一个，它们的创新背景，主要挑战和缺点。它还强调了其他国家的用例，这些国家在社会援助交付链的其他部分进行了创新，超出了目标确定过程。第三章提炼了一些初步结果。第4章介绍了另外两个案例，这些案例采用了非传统的目标方法来在大流行后提供援助。最后，第5章研究了这种方法在常规和紧急情况下的适用性，并强调了现有的局限性和未知因素。本文最后提出了一系列建议，突出了未来研究的领域。 2.社会援助的新方法概述 本章概述了在以下三个具体案例中使用新数据源进行社会援助的情况： ⚫多哥的Novissi Model 2于2020年11月开始向139, 000名受益人发放福利，覆盖该国一半以上的州；⚫DRC的STEP - KIN于2021年3月向居住在该国首都特定地区的456, 000名受益人提供了第一笔付款；和⚫尼日利亚的NASSP SU使用通过手机收集的注册表选择了636, 000名受益人，并在COVID - 19爆发三年后的2023年11月向他们付款。 下表1列出了三个案例研究计划中首次付款的时间。 在这三个国家中，新数据源的应用从简单到复杂不等。DRC的STEP - KIN仅使用基于使用移动数据的简单标准来获得程序资格：这意味着以先到先得的方式运行的程序（没有任何进一步的优先顺序）就足够了。相比之下，多哥的Novissi模型2使用了一种基于机器学习的更复杂的定位机制来优先考虑最贫穷的地区和个人。尼日利亚采用了类似的程序。 作为多哥制定贫困地图。但是，该地图从未用于地理定位；而是基于手机的外展和注册策略帮助创建了“快速反应注册表（RRR）”，以弥合现有社会注册表中的覆盖范围差距。RRR仅在2023年底才用于选择受益人。下面的表2总结了所有三个程序的突出设计特征和数据点。 2.1.探索使用非传统或新数据源 本章仔细研究了每个案例研究中使用的目标方法。它首先讨论了新的数据源对社会援助的相关性以及这些数据源相对于传统方法的优势。然后，它检查了使用此类资源提供紧急支持所需的国家条件和要求。 2.1.1相关性和益处 由于缺乏传统方法、时间有限、业务挑战和数据限制，一些国家已经转向新的数据源来提供社会援助。现金转移计划的设计和实施通常需要各种数据点来确定计划受益人，以及关键基础设施，例如ID系统，社会注册和支付系统。 人口普查和家庭收入/支出调查等官方统计数据对于确定贫困地区和家庭至关重要。反过来，需要通过应用福利估计和分类变量来确定哪些家庭有资格参加计划。鉴于在像COVID - 19这样的紧急情况下缺乏家庭调查数据或覆盖率足够高的登记册，一些国家不得不改变其社会援助的方法，特别是在地理和个