在最重要的时候衡量福利：实时监测方法的类型2024

实时监控方法的类型

及时提供福利信息对于有效制定政策至关重要，而传统家庭调查的滞后性限制了其时效性。本报告探讨了实时监控福利的方法，分为方法和数据两大部分。

方法部分介绍了三种主要方法：

• 基于协变量的即时预测：利用基线调查数据中消费或收入与其他协变量之间的关系，结合近期辅助调查数据或非调查数据（如地理空间数据）进行插补，以预测福利指标。该方法的优势在于成本相对较低，但依赖于基线数据的质量和假设的稳定性。
• 基于GDP增长的即时预测：利用人均GDP增长率调整福利分配，或计算人均GDP增长对贫困率的影响弹性，以预测福利指标。该方法简单易行，但无法捕捉复杂的相互作用，且依赖于GDP数据的可靠性。
• 微观模拟和一般均衡模型：利用丰富数据剖析宏观经济变化对收入分布不同家庭的影响，考虑不同的传导渠道和分配效应，以提供更精确的贫困估计。该方法准确性较高，但数据和计算需求较大，且依赖于模型假设的合理性。

数据部分介绍了四种主要数据来源：

• 快速测量数据采集：包括高频电话调查（HFPS）、快速面对面调查、调查内插补和在线/基于消息的调查。这些方法可以提供更及时的信息，但需要考虑覆盖范围、回复率、成本效益等因素。
• 地理空间数据：包括具有预处理特征的空间数据（如夜间灯光数据、植被指数）、原始卫星图像和反映经济活动的其他空间数据。这些数据可以提供次国家层面乃至更频繁时间间隔的福利估算，但需要考虑覆盖度、数据质量、时间分辨率等因素。
• 数字跟踪数据：包括通话详细记录（CDR）数据和社交媒体数据。这些数据可以提供有关行为模式、消费习惯和社会网络联系等信息，但需要考虑数据隐私、覆盖偏差和模型稳定性等因素。
• 管理数据：包括金融交易、税务申报、贷款支付、出生记录、社会或工作计划的申请者和/或参与者记录，或是学校入学记录。这些数据可以提供更详尽的信息，但需要考虑数据获取难度、敏感性和覆盖范围等因素。

本报告强调了实时监控福利的重要性，并指出了未来研究的重点领域，包括比较不同方法的准确性、利用地理空间和其他大数据源、识别早期检测的主要指标、澄清电话调查在贫困监测中的作用，以及增强基线/辅助住户调查的可用性。