在最重要的时候衡量福利：实时监测方法的类型2024

r-tm 实时监控方法的类型 Contents 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 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 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 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、Maria Eugenia Genoni和Henry Stemmler。Carlos Sabatino也对文档提供了出色的意见。工作在Luis F. López-Calva（减贫与公平GP全球主管）和Benu Bidani（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Maurizio Bussolo、Paul Corral、Ximena Del Carpio、Daniel Gerszon Mahler、Craig Hammer、Ruth Hill、Dean Jolliffe、Walker Kosmidou-Bradley、LauraMoreno Herrera、Sergio Olivieri和Nobuo Yoshida提供的评论和建议。设计与排版由Reyes Work负责。 Introduction 及时提供福利信息对于有效制定政策至关重要 As the2021 年世界发展报告 ： 数据创造更美好的生活亮点显示，数据是通过提升政策制定的有效性来改善发展成果的基础输入。然而，数据能为发展创造价值的程度取决于其质量（世界银行，2021b）。数据质量的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。在一个充满挑战的全球环境中，面对气候变化、冲突和疫情等高度不确定性的局面——更及时的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的背景下，需要更及时的家庭福祉信息。传统方法生成的家庭福利衡量过于频繁不足以满足许多政策制定者的需要。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，这些调查的滞后时间要长得多。1然而，通过将传统的调查（“基线数据”）与不同的建模方法和收集频率较高的数据的替代来源（“辅助数据”）相结合——有可能开发出监测系统， 提供家庭福祉演变和现状的最新评估。投资这一能力以实现“实时”的福祉监测对于（一）在遭遇冲击后指引新的政策行动，以及（二）随着情况变化增强现有政策的适应能力至关重要。这些方法不仅可作为有效决策的输入，还能应用于项目监控中。参见第1节中的讨论，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。 方法和技术的进步扩大了我们实时监控福利的能力 近年来，世界银行的贫困与平等全球实践（GP）部门增强了其提供福利信息的及时性能力。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的实施，并利用或收集了高频辅助数据的广泛来源。此外，这项工作越来越受益于前沿的方法论途径（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的表现。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的背景下，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的研究成果，将现有资源和汲取的经验教训汇集一处。其目标在于提供一个全面的规划蓝图，帮助团队探索不同的方法，并在特定情境下识别最适合回答某个具体问题的方法。不同环境下的“最佳匹配”方法可能因国家的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，通过列出各种方法的优势、劣势、基础数据需求和假设，以有条理的方式呈现。尽管主要基于减贫与公平GP的工作，此分类旨在将实时监控置于更广泛的研究背景及领域最新创新之中。此分类所产出的研究是全球“迈向实时福利监测”倡议的一部分，并将辅以一份更为详尽的技术手册（即将出版）。 方框 1 定义实时福利监控 我们所说的 “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的时间滞后相比，生产时间更短的信息。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的数据可能被视为“实时”。本分类法描述的各种方法的目标是在可行的限制下提供尽可能最新的福利信息。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，以涵盖多个维度的福祉。该分类强调了在不同维度上监测福利的实例，重点关注国家层面的贫困监测，反映了减贫与平等集团（Poverty and Equity GP）在这一福祉方面所产出的大量工作。 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）的收入或财务资源短缺所导致的状态。通常通过将个人或家庭的收入或消费与定义的贫困阈值或贫困线进行比较来衡量，低于该阈值的人被视为货币贫困。 货币贫困度量在数据匮乏的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的变化。 两部分的类型学 ： 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的现况。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的方法选项。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）。 值得注意的是 ， 大多数方法都依赖于以最近的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）的做法；实际上，拥有相对较新的基线调查数据是确保本类型中涵盖的建模和数据收集方法的质量与准确性的关键输入。如果情况并非如此，实时监测的可行性可能受限，可能需要收集新的基线数据。 Box 2建立在坚实的基础上 ： 基线数据是实时监控的先决条件 在不确定的环境中实现稳定的市场份额增长。 输入的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的替代品，后者仍然是可靠福利估计的基础。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的方法的前提。 图2展示了如何考虑这些不同的数据集，并探讨它们如何共同作用于实时监测福利的模型。这种分类将这种基本数据称为“基线数据”。然而，在机器学习的语言中，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的基础信息。训练数据的质量和数量显著影响算法的表现和准确性。如果关于福利的训练数据不存在或过时，这些方法将不可靠。 此类别中讨论的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的现代化。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，即通过实施更频繁的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 福利实时监控的成分图 2实时福利监控的成分 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的方法概述。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）的及时信息，并通过与较旧基线数据中变量的关系模型来估计缺失的数据点。 图 3 提供了不同用例的实时监控方法的概述。本类型讨论的主要方法包括基于协变量的即时预测、基于GDP的即时预测和微观模拟模型。当目标是获取贫困率的即时更新时，研究者可以使用所有这些方法。基于GDP的即时预测需要调整以捕捉收入分布的差异，而其他方法则整合了敏感于分布的即时预测。当研究者旨在整合不同的机制和间接效应时，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的影响非常有用。基于协变量的即时预测还可以提供关于冲击的估计值。 但通常仅在结合数据收集努力的情况下产生影响，这部分详细讨论的内容见此类型式的第二部分。 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的输入。根据团队在特定情境下所面临的限制，不同的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 方法产生的福利估算的及时性完全取决于辅助数据输入的及时性。可靠、高频且实时的数据来源对于任何实时监测福利状况的方法都至关重要。此类型学的第二部分专注于两个关键努力：（i）收集新的高频数据，以及（ii）更有效地利用现有的高频数据源（图4展示了几个实例）。 这些更前沿类型的数据源可以通过多种方式进行实时监控。首先，它们可以作为输入补充现有的基线调查数据，以改进上述讨论的现时预测方法。当现有调查数据不够近期、未能覆盖整个人口或缺乏与福利估算相关的特定维度时，这一点特别有用。其次，它们可以在数据限制导致货币福利估计可行性受限的情况下，提供更广泛的福利视角。在许多情况下，其他（非货币）指标对于描绘福利趋势或不同人口之间的差异非常有信息价值。例如，就业、食物安全或主观幸福感等变量可能来自其他来源或比全面了解收入或消费信息更容易收集。第三，领先指标，如干旱或洪水预测以及通货膨胀数据，可以在这些变化在调查数据中可观察之前，提供关于福利变化的重要信号。最后两种使用案例由图3的最后一行总结。 选择最适合的方法 这种分类并非旨在给出指导性建议，亦不对方法进行排名。相反，其目的是提供一种更结构化的方法，帮助用户识别可用选项的核心集，并系统地思考权衡。 他们之间每种类型涵盖的方法都包括对主要特征、注意事项和经验教训的讨论，以及一系列资源。在一个上下文中适用的最佳方法可能在另一个上下文中不一定能成功地转化为成功案例。在所有情况下，都需要记住驱动分析的核心政策问题，以及用户将应用这些方法的广泛数据生态系统，从丰富的常规基准和辅助数据环境到数据输入有限且实施限制高的脆弱和冲突影响环境。 1.Nowcasting 福利的方法 -关注货币贫困 实时预测和插补方法利用基线数据，该数据包含直接的福利度量指标，并结合更近期的辅助数据源进行福利度量的插补。基线数据提供了分析的基础，包含了可用来评估福利（例如，来自家庭调查）的变量。辅助数据来源各不相同；一些模型利用诸如劳动力、人口普查、人口统计和健康等微观家庭数据；其他则依赖于更广泛的经济数据，如当前GDP或最终消费支出数字。某些方法还会使用大型数据源，如地理空间或呼叫详细记录数据。几乎所有的这些方法都需要基线信息来理解这些辅助变量与福利的关系，或者需要基线收入分布来进行关于福利变化的推断。 以下部分详细介绍了估算福利和贫困的几种不同方法，包括其优缺点的具体指导，并提供了示例应用场景及进一步资源链接。附件1提供了不同方法的摘要，这些方法在此类型学中被讨论，包括对方法 进行准确估计福利指标的要求以及该方法所具有的限制。 在继续之