新数据和人工智能的机会和限制：在数据稀缺的地方扩大社会援助（中）
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限制 YukoOkamura，TimOhlenburg和EmilTesliuc ©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捐款下的产物。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、其执行董事会或它们所代表的政府的观点。 世界银行不保证这项工作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对此类边界的认可或接受有任何判断。 权利和权限 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，只要完全归因于这项工作，就可以出于非商业目的全部或部分复制这项工作。 有关权利和许可证的任何疑问，包括附属权利，应联系世界银行出版物，世界银行集团，1818HStreetNW，华盛顿特区20433，美国;传真:+1(202)5222625;电子邮件:pubrights@worldbank.org。 摘要:在最近的Covid-19冲击(2020/21)期间，大多数国家使用现金转移来保护受大流行影响或受流动或经济活动限制影响的人的生计，包括穷人和弱势群体。虽然大多数国家动员了现有的方案和/或行政数据库来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针对福利的计划。本文回顾了危机时期的计划和定期的社会保护行动，以提炼出适用于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项目，这些项目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，它审查了在多哥洛美和马拉维利隆圭农村地区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。考虑了各种方法的原理，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前途的研究主题，以说明如何利用新颖的数据源和估算方法来改善紧急情况下及以后的社会援助。 JEL代码:I38，O31 关键词:社会保护和劳动，贫困，社会援助，现金转移，获得社会计划，适应性社会保护，袜子响应，技术，创新，G2P(政府对人)支付，新的数据源，呼叫详细记录(CDR)，卫星图像，机器学习，人工智能，目标定位，地理空间目标定位，应急响应，COVID-19响应。 致 谢:本 文 由OkamuraYuko，TimOhlenburg和EmilTesliuc撰 写 。 作 者 感 谢MinitaVarghese、AnitMukherjee、LauraBermeo、TinaGeorge、AnaLuciaCardenas、FanenAde、MaheshworShrestha、UbahThomasUbah、Muderis Abdulahi Mohammed、Arthur Alik Lagrange、Mitja Del boneo boneo、chorisseisisyanasiesiagiasia、奥斯卡·巴里加·卡巴尼利亚斯、安德烈斯·帕拉多和汤姆·姆滕耶。鉴于本文是由社会保护与就业全球实践与G2Px倡议合作编写的，目的是收集有关使用新数据提供社会援助的论文，因此本文将在社会保护与就业讨论文件系列和G2Px文件系列中交叉出版。作者还感谢LoliArribas-Banos和VyjayantiDesai的指导。该论文受益于以下同事的同行评审:PhillippeLeite，SvetaMilusheva，JonathanMarskell和RobertPalacios。LaraSrivastava提供了编辑协助，JihaneElKhouryRoederer提供了设计和布局协助。有关评论和查询，请访问yokamura@worldbank.org，mail@timohlenburg.com，etesliuc@worldbank.org。 内容 1.导言1 2.概述新方法的社会援助4 2.2.1地理定位102.2.2个人一级目标定位132.2.3关键问题和挑战16 2.3.创新在其他方面的社会保护提供19 2.3.1外联202.3.2入学和登记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方便和费用为受益人34 4.创新实例后的COVID-19冲击35 4.1多哥社会安全网和基本服务项目354.2马拉维的Canva现金转移37 5.结论和前进方向42 5.1.紧急情况425.2常规操作435.3限制和未知数445.4摘要和建议48 附件适当性和最低条件的不同定位方法52 参考文献55 1.导言 社会保护正处于快速数字化、新技术以及对适应性和通用系统的迫切需求推动的变革的门槛。，虽然数字技术和行政数据的使用已成为社会保护的规范，但新类型数据(即新数据源，1卫星和移动数据)的应用是最近的。在过去的几年中，这些新颖方法的兴起2是由于以下几个因素的融合:随着时间的推移，数据可用性的增加，计算方法和数据分析(例如，机器学习，人工智能)的发展，以及迫切需要扩大社会保护以应对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，惠及许多以前被排除在任何政府支持之外的人。估计低收入和中等收入国家的17亿人(世界上大多数地区大约五分之一的人)获得了COVID响应的社会救济金，其中一半以上是第一次(马恩和帕拉西奥斯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方案未涵盖的更多人口提供紧急支持的一个重大挑战。这主要是由于缺乏数据:当时只有一半的全球人口得到社会保护(劳工组织2021)，一半的人口，特别是在非正规部门工作的人“看不见”。非正规工人不受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经济冲击的影响，而无法自动获得任何保护机制。 ，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，注册申请人和选择受益人的挑战最为明显。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，社会登记册在评估获得社会援助的资格、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。为了应对COVID-19，拥有最新信息和高覆盖面的社会登记册的国家能够迅速有效地向其目标人群提供紧急支持(例如，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。，虽然大多数国家缺乏估计其目标群体福利的工具，但采用了分类目标(例如，受影响行业的雇员名单)，5本文调查的国家迅速发展并采用了基于福利的标准，使用了新的数据和估计技术。这些创新方法是本文的重点。 尽管在个人和家庭目标方面使用非传统方法仍处于起步阶段，但世界各地的例子正在出现，其可行性日益得到认可。在非洲大陆有一些值得注意的例子。多哥的NovissiModel26和刚果民主共和国(DRC)的STEP-KIN可能是这些应用中宣传得最好的。大流行之后还有另外三个用例:马拉维试点，复制了与多哥的Novissi模型2相同的方法;多哥社会安全网和基本服务项目，旨在结合新颖和传统方法；尼日利亚国家社会安全网计划-扩大规模(NASSPSU)7项目开始使用通过手机收集的新注册表。此外，一些非洲国家已经在开展类似的方案，或者其他非洲国家(如科特迪瓦、马里、喀麦隆)正处于政策讨论的初始阶段。 ，虽然这些例子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，但尚未对新型目标方法与传统目标方法的比较性能进行严格的评估。替代方法有许多未知数，但可以适用于速度比准确性更重要的紧急情况。相比之下，对于正常情况下以贫困为目标的常规社会援助计划，包容和排斥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经验教训，并就利用新形式的数据在紧急情况下和紧急情况之外提供社会援助制定指导。新的数据来源，当用于补充传统的方法和数据时， 使社会保护体系更具适应性、包容性、弹性和效率的潜力。探索支持更快应对全球大流行病等危机的创新，将有助于各国应对和应对与危机和大流行病防范、气候变化、经济不稳定、脆弱性、粮食不安全、战争和流离失所相关的无数挑战。 本文旨在回答有关使用新颖数据源来识别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。深入研究了三个具体的国家案例，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目标定位:多哥NovissiModel2，DRCSTEP-KIN和NigeriaNASSPSU。下一章讨论了三个案例研究中的每一个，它们的创新背景，关键挑战和缺点。它还重点介绍了其他国家的用例，在这些用例中，除了目标确定过程之外，社会援助提供链的其他部分也进行了创新。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针对性方法来提供大流行后的援助。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.新的社会援助方法概述 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: y多哥的NovissiModel2于2020年11月开始向139,000名受益人支付福利，覆盖了该国一半以上的州；yDRC的STEP-KIN能够在20213月向居住在该国首都选定地区的总共456,000名受益人支付第一笔款项;和y尼日利亚的NASSPSU使用通过手机收集的登记处选择了636,000名受益人，并在COVID-19开始三年后以2023年11月支付了他们。 下表1列出了三个案例研究计划中第一次付款的时间。 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程序资格的简单标准: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级)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，以优先考虑最贫困的地区和个人。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;相反，基于移动电话的宣传和注册策略有助于创建“快速响应注册表(RRR)”，以弥合现有社会注册表中的覆盖范围差距。RRR仅在2023年用于选择受益人。下表2总结了所有三个程序的突出设计特征和数据点。 2.1.探索非传统或新数据源的使用 本章将仔细研究每个案例研究中使用的定位方法。，首先讨论了新数据源与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相关性和好处 由于无法使用传统方法，时间有限，操作挑战和数据限制，一些国家已转向使用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，社会登记和支付系统。 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，需要社会登记处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足够高覆盖率的家庭调查数据或登记册，一些国家不得不改变其社会援助方法，特别是在地理
