世界银行-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（英）-2024-66页_5mb

缩写：在数据稀缺的情况下扩大社会援助——新兴数据与人工智能的机遇与局限

这篇报告分析了低收入国家在COVID-19疫情期间及之后如何利用新型数据源（如卫星图像、手机使用数据）和人工智能技术，实施目标导向的社会援助计划，特别是在传统数据匮乏的情况下的应用及局限性。

一、新型数据与人工智能的核心应用

1. 地理定位技术：

   • 通过卫星图像分析城市建筑、风险区域和基础设施（如在刚果民主共和国、多哥、尼日利亚）来识别贫困较为严重的地理区域。
   • 利用近期高分辨率卫星图像来填补因人口增长导致的传统人口普查数据滞后的问题。

2. 手机数据应用：

   • 使用通信数据记录（CDR），结合人工智能模型来估算个人消费水平（如在多哥、刚果民主共和国），并识别经济弱势个体。
   • 依赖手机支付账户扩大支付范围，并放松“认识你的客户”（KYC）规则以方便紧急注册（如在刚果、尼日利亚）。

3. 人工智能与机器学习：

   • 基于卫星和教育相关的多种非传统人工智能模型开发相结合来准确预测贫困水平，可用于补充传统手段。
   • 学习模型优化传统手段（如“代表性的贫困衡量标准”）的方式，以实现更精准的受益者选择。

二、实施效果评估

1. 实施速度：在数据匮乏情况下，设计和实施包含数字组件的临时计划通常比完全采用传统方法更快速（如多哥Novissi模型2、刚果这些案例，通常在8-11个月内完成首期支付）。
2. 行政成本：数字技术等方法（如刚果、多哥）的-admin成本大致与传统的福利转嫁计划相当，但去除了部分繁琐的流程。
3. 目标准确性：模拟与比较（如在Simbora等地）显示，手机数据相关方法对目标的识别表现优于或多刚性性传统方法（如传统方法估计多达63%的真正脆弱群体被选中，而手机方法在某些情境下识别率接近63%）；但也存在误差，特别是在覆盖贫困家庭方面，以及数据套利的风险。

三、新兴技术对社会援助的潜在影响

1. 提升效率与覆盖范围：这些技术有助于在紧急情况下迅速扩大援助覆盖面，并降低管理成本。
2. 融合与互补：混合模式（结合传统手段和新技术）可能成为未来发展方向，确保既受益于数据和技术的优点，又避免过度依赖单一方法。
3. 降低显性门槛：例如，能在不需要政府标记地图的情况下识别贫困区域，并可能在不影响居民自觉性的情况下设定筛选机制。

四、局限性与未来研究方向

1. 潜在问题是：只能在已经大致识别该区域内贫困状况的情况下发挥作用；数据本身可能存在偏差；对新颖方法的追踪效果仍不明确，需要更多基于实证的评估。
2. 数据偏见与数字鸿沟：手机定位等单一技术方法难以达到最终目标，例如可能忽略了未安装SIM卡的低收入家庭和部分女性群体。对于极度贫困的家庭来说，仅凭社交媒体数据无法完全揭示真相，需要结合多源验证信息。
3. 反馈与更新机制：评估人工智能模型的表现需要频繁的数据更新和广泛的社区参与，以保持准确性和及时响应。
4. 伦理与法律考虑：处理手机和卫星数据时，必须确定满足数据隐私保护所需的法律保护措施。

责任……限于数据和社会经济状况的复杂性。