在最重要的时候衡量福利：实时监测方法的类型（英）2024

r-tm 在最重要的时候衡量福利 授权公开披露 授权公开披露 授权公开披露 授权公开披露 实时监控方法的类型 Contents 导言7 1预测福利的方法-以货币贫困为重点17 1.1使用调查和其他非调查协变量预测福利18关于可靠调查和非基于调查的填补的考虑21 调查填补方法可以与数据收集互补，以处理缺失的辅助或基线数据24经验教训和资源25 1.2利用GDP增长预测福利27 关于基于GDP的Nowcasting的思考30Resources33 1.3使用微观模拟和一般均衡模型预测福利33关于微观模拟和一般均衡模型的思考36Resources37 2利用数据进行实时福利监测39 2.1快速测量数据采集40高频电话调查40 快速面对面调查46 在线和基于消息的调查49 更多资源50 2.2地理空间数据52 主要特点和例子52 使用地理空间数据的注意事项56 经验教训和资源59 2.3数字跟踪数据62 主要特点和例子62 使用数字跟踪数据的注意事项64 经验教训和资源65 2.4行政数据67 主要特点和例子 用于实时福利监控的管理数据的警告69 经验教训和资源70 3前进：确定进步领域71 参考文献73 附件1.用于更新贫困估计的模型摘要95附件2.常用机器学习(ML)模型 估计贫穷 附件3.所有数据来源摘要 附件4.预测冲击的影响(脆弱性和损害函数)103 67 97 100 关于损伤函数的注意事项 Resources 105 104 Acknowledgments 本草案由世界银行减贫与公平全球实践团队编制，该团队成员包括KimberlyBolch、MariaEugeniaGenoni和HenryStemmler。CarlosSabatino也对文档提供了出色的意见。工作在LuisF.López-Calva（减贫与公平GP全球主管）和BenuBidani（减贫与公平GP实践经理）的监督下进行。此文件从多个方面获益于减贫与公平全球实践团队以及世界银行其他团队的广泛咨询，这些团队领导了本文中提及的许多举措的发展与实施。团队特别感谢MaurizioBussolo、PaulCorral、XimenaDelCarpio、DanielGerszonMahler、CraigHammer、RuthHill、DeanJolliffe、WalkerKosmidou-Bradley、LauraMorenoHerrera、SergioOlivieri和NobuoYoshida提供的评论和建议。设计与排版由ReyesWork负责。 Introduction 及时提供福利信息对于有效制定政策至关重要 Asthe2021年世界发展报告：数据创造更美好✁生活亮点显示，数据是通过提升政策制定✁有效性来改善发展成果✁基础输入。然而，数据能为发展创造价值✁程度取决于其质量（世界银行，2021b）。数据质量✁一个关键方面是及时性。拥有最新信息对于政策制定者至关重要，以便在条件变化时调整政策。在一个充满挑战✁全球环境中，面对气候变化、冲突和疫情等高度不确定性✁局面——更及时✁数据来源用于指导政策制定显得尤为紧迫。 在减少贫困和脆弱性政策✁背景下，需要更及时✁家庭福祉信息。传统方法生成✁家庭福利衡量过于频繁不足以满足许多政策制定者✁需要。官方贫困度量来自于家庭调查，即便是在理想环境下，这些调查也只有每几年进行一次——考虑到财务和行政成本。在许多情况下，尤其是在低收入和脆弱国家中，这些调查✁滞后时间要长得多。1然而，通过将传统✁调查（“基线数据”）与不同✁建模方法和收集频率较高✁数据✁替代来源（“辅助数据”）相结合——有可能开发出监测系统， 1平均而言，世界银行最近✁家庭调查贫困与不平等平台(PIP)已超过六岁。在PIP✁168个国家中，有37%✁数据已经超过五年未更新；在PIP✁56个IDA国家中，有52%✁数据已经超过五年未更新（截至2023年9月✁PIP更新）。 提供家庭福祉演变和现状✁最新评估。投资这一能力以实现“实时”✁福祉监测对于（一）在遭遇冲击后指引新✁政策行动，以及（二）随着情况变化增强现有政策✁适应能力至关重要。这些方法不仅可作为有效决策✁输入，还能应用于项目监控中。参见第1节中✁讨论，了解我们如何定义“实时”监测“福祉”。 请注意，上述翻译已尽可能保持原文格式、符号及专业严谨性。 方法和技术✁进步扩大了我们实时监控福利✁能力 近年来，世界银行✁贫困与平等全球实践（GP）部门增强了其提供福利信息✁及时性能力。与内部和外部合作伙伴紧密合作，我们在国家（针对特定国情需求）及公司（涉及全球贫困监测）层面引领了一系列建模方法✁实施，并利用或收集了高频辅助数据✁广泛来源。此外，这项工作越来越受益于前沿✁方法论途径（例如机器学习）和数据源（例如大数据），这些可以增强现有方法✁表现。尽管这一工作持续了一段时间，但在诸如COVID-19疫情和气候相关灾害等近期危机✁背景下，其规模得到了显著扩大。 此类型概述了实时福祉监控领域不断增长✁研究成果，将现有资源和汲取✁经验教训汇集一处。其目标在于提供一个全面✁规划蓝图，帮助团队探索不同✁方法，并在特定情境下识别最适合回答某个具体问题✁方法。不同环境下✁“最佳匹配”方法可能因国家✁数据生态系统和实施限制而异。这种分类系统化了决策过程，通过列出各种方法✁优势、劣势、基础数据需求和假设，以有条理✁方式呈现。尽管主要基于减贫与公平GP✁工作，此分类旨在将实时监控置于更广泛✁研究背景及领域最新创新之中。此分类所产出✁研究是全球“迈向实时福利监测”倡议✁一部分，并将辅以一份更为详尽✁技术手册（即将出版）。 方框1定义实时福利监控 我们所说✁“实时”是什么意思？此分类法使用“实时”一词来指代与传统家庭调查允许✁时间滞后相比，生产时间更短✁信息。对于福利监测而言，由于调查间隔通常跨越数年，每周、每月甚至每年周期产生✁数据可能被视为“实时”。本分类法描述✁各种方法✁目标是在可行✁限制下提供尽可能最新✁福利信息。这并不一定意味着即时更新。 如何定义“福利”？我们广泛使用“福利”这一术语，以涵盖多个维度✁福祉。该分类强调了在不同维度上监测福利✁实例，重点关注国家层面✁贫困监测，反映了减贫与平等集团（PovertyandEquityGP）在这一福祉方面所产出✁大量工作。 货币贫困是一种由不足以满足基本需求（如食物、住所、衣物和医疗保健）✁收入或财务资源短缺所导致✁状态。通常通过将个人或家庭✁收入或消费与定义✁贫困阈值或贫困线进行比较来衡量，低于该阈值✁人被视为货币贫困。 货币贫困度量在数据匮乏✁环境下既数据密集又具有挑战性。在某些情况下，直接衡量其他福祉维度（例如食品安全、就业、住房、教育）可能更为容易且同样能深入理解个体福祉✁变化。 两部分✁类型学：方法和数据 这种类型学分为两部分。第一部分重点介绍方法,构建利用微观、宏观和大数据分析模型以预测贫困和其他福利指标✁现况。第二部分则着重于data,列出收集高频数据或更有效地利用现有资源✁方法选项。大多数方法都需要将两者战略结合——模型需要高频数据作为关键输入（图1）。 图1实时福利监控需要结合建模 图1实时福利监控需要结合建模和和高频数据 高频数据 第1部分：方法 分析模型到 杠杆微观、宏观和大数据更新贫困和其他福利措施 第2部分：数据 努力收集新数据和更好地利用现有数据 值得注意✁是，大多数方法都依赖于以最近✁基线数据作为先决条件(方框2)。从这个角度来看，这些方法并不打算替代投入资金进行传统调查（如家庭预算调查或人口普查）✁做法；实际上，拥有相对较新✁基线调查数据是确保本类型中涵盖✁建模和数据收集方法✁质量与准确性✁关键输入。如果情况并非如此，实时监测✁可行性可能受限，可能需要收集新✁基线数据 。 Box2建立在坚实✁基础上：基线数据是实时监控✁先决条件 在不确定✁环境中实现稳定✁市场份额增长。输入✁英文文本翻译成中文为： 方法用于估算贫困和高频“辅助数据”尚未成为传统家庭调查✁替代品，后者仍然是可靠福利估计✁基础。进行全面调查并获取全面福利信息（如家庭预算调查）或人口信息（如人口普查）通常是有效应用此处描述✁方法✁前提。 图2展示了如何考虑这些不同✁数据集，并探讨它们如何共同作用于实时监测福利✁模型。这种分类将这种基本数据称为“基线数据” 。然而，在机器学习✁语言中，我们也可以将其理解为“训练数据” 。训练数据发挥着关键作用，提供了模型学习模式、分类数据和进行预测所需✁基础信息。训练数据✁质量和数量显著影响算法 ✁表现和准确性。如果关于福利✁训练数据不存在或过时，这些方法将不可靠。 此类别中讨论✁方法和数据来源应被视为与传统调查相辅相成而非替代，因此，大幅推进实时福利监测工作高度依赖于持续投资以填补基础数据缺口。世界银行长期与国家合作伙伴合作，投资于国家统计系统✁现代化。在全球层面，这项工作由政策数据全球解决方案组领导。这包括一个重要努力，即通过实施更频繁✁家庭调查来关闭贫困相关数据缺口。尽管近年来取得了显著进展 ，但仍有一段路要走。 图2福利实时监控✁成分 图2实时福利监控✁成分 数据与福利 信息(例如，预算调查或特别 收集✁数据与福利信息) 另一个微观调查 （LFS，DHS，特别✁收集✁调查) 宏观数据(如GDP) 大数据(例如，地理空间、admin,digitaltrace) 调查或非调查imputation GDP-增长模型微观模拟 模型 辅助数据 基线数据 第一部分：方法 本部分类型学提供了各种可用于实时推断或预测福利✁方法概述。这些方法利用"辅助数据"来源（如微观调查、宏观经济统计数据或其他大数据源） ✁及时信息，并通过与较旧基线数据中变量✁关系模型来估计缺失✁数据点 。 图3提供了不同用例✁实时监控方法✁概述。本类型讨论✁主要方法包括基于协变量✁即时预测、基于GDP✁即时预测和微观模拟模型。当目标✁获取贫困率✁即时更新时，研究者可以使用所有这些方法。基于GDP✁即时预测需要调整以捕捉收入分布✁差异，而其他方法则整合了敏感于分布✁即时预测。当研究者旨在整合不同✁机制和间接效应时，他们需要依赖微观模拟模型。最后，微观模拟模型及其相关脆弱性函数对于更新估计以考虑冲击✁影响非常有用。基于协变量✁即时预测还可以提供关于冲击✁估计值。 但通常仅在结合数据收集努力✁情况下产生影响，这部分详细讨论✁内容见此类型式✁第二部分。 图3不同用例✁实时监控方法 图3不同用例✁实时监控方法 用例 Methods 贫困率nowcast 基于协变量✁临近预报(第1.1节) Distribution-缩放 (第1.2节) 国内生产总值-弹性 (第1.2节) 贫困 微观模拟 (第1.3节) Estimatesalongthe收入分配 可以纳入假设 合并和了解机智-Nisms或间接影响 关于分配变化 Nowcasting更改在冲击后✁福利 ✁集合事后数据 (第2.1节) 脆弱性分析(附录4) 监控代理或领先指标为福利 利用数据（第2节) 最终，选择各种方法将取决于应用场景，并在很大程度上取决于底层数据需求和分析规模（例如，次国家、国家、区域、全球）。此外，实施这些方法需要在技能、时间以及财务资源方面提供不同✁输入。根据团队在特定情境下所面临✁限制，不同✁方法可能更适合实际情况。此分类法包含了多个决策树，旨在帮助用户思考哪种方法更适合不同背景和目标。 第二部分：数据 方法产生✁福利估算✁及时性完全取决于辅助数据输入✁及时性。可靠、高频且实时✁数据来源对于任何实时监测福利状况✁方法都至关重要。此类型学✁第二部分专注于两个关键努力：（i）收集新✁高频数据，以及（ii）更有效地利用现有✁高频数据源（图4展示了几个实例）。 图4用于实时监控✁数据：收集和利用高图4用于实时监控✁数据：收集和