行业投资评级 - 报告未明确给出具体的行业投资评级 [1][2][3] 核心观点 - 实时福利监测对于政策制定至关重要，尤其是在全球不确定性增加的背景下 [7] - 传统家庭调查数据更新频率低，无法满足政策制定者的需求，因此需要结合基线数据和辅助数据进行实时监测 [8][9] - 方法和技术进步使得实时福利监测成为可能，特别是在应对COVID-19大流行和气候相关灾害等危机时 [10] - 报告提出了一种实时福利监测的分类方法，帮助团队根据不同情境选择最佳方法 [11] 方法部分总结 基于调查和非调查协变量的福利预测 - 使用调查和非调查数据进行福利预测，通过基线调查数据与辅助数据的结合来估算消费或收入水平 [30] - 线性回归模型是常用的方法，但也涉及热卡插补和多重插补等统计方法 [31] - 机器学习方法在福利预测中的应用逐渐增加，尤其是非参数模型如随机森林和支持向量机 [33] - 调查到调查的插补方法在多个国家得到验证，但模型稳定性依赖于协变量与消费之间的关系是否稳定 [38][39] 基于GDP增长的福利预测 - GDP增长与贫困率之间存在显著相关性，GDP贫困预测方法包括分布缩放和贫困弹性法 [55] - 分布缩放方法通过GDP人均增长来调整福利分布，通常假设分布中性增长 [56] - 贫困弹性法通过历史GDP增长与贫困率的关系来预测当前或未来的贫困率 [58] - GDP预测的准确性依赖于GDP数据的质量，且GDP数据通常存在滞后性 [60][61] 微观模拟和一般均衡模型 - 微观模拟模型通过丰富的微观数据来模拟宏观经济变化对不同收入家庭的影响，提供更准确的贫困率估算 [68] - ADePT模型是一种简单的宏观-微观模型，通过宏观经济变化来预测家庭福利 [71] - GIDD模型是一个全球模拟模型，结合了120多个国家的家庭调查数据和全球CGE模型 [75] - 微观模拟模型的准确性依赖于数据的质量和模型的假设，评估其预测能力较为困难 [77][78] 数据部分总结 高频电话调查 - 高频电话调查（HFPS）在COVID-19大流行期间得到广泛应用，成本低且频率高，但覆盖范围有限 [87] - HFPS在脆弱和冲突地区尤其有用，可以跟踪难民的福利状况 [90][91] - 电话调查的缺点是样本可能偏向拥有电话的富裕家庭，且响应率较低 [93][95][98] 快速面对面调查 - 快速面对面调查通过缩短调查时间和利用本地资源来降低成本，适用于需要高频数据收集的情境 [102] - 调查内插补方法可以减少数据收集的时间和成本，例如SWIFT 2.0和快速消费调查（RCS） [103][104][106] - 社区调查在马拉维等地的应用表明，本地调查员可以显著降低调查成本 [109][110] 地理空间数据 - 地理空间数据包括卫星图像、夜间灯光数据等，可用于贫困地图绘制和福利监测 [127] - 夜间灯光数据常用于经济活动的监测，但其在预测贫困率方面的准确性有限 [129][142] - 植被指数（NDVI）在农业依赖型社区中可以作为贫困的预测指标 [130] - 地理空间数据的应用受到云覆盖、数据分辨率等限制，且通常需要与其他数据源结合使用 [141][143] 数字痕迹数据 - 数字痕迹数据如手机通话记录和社交媒体数据可以用于福利监测，尤其是在缺乏传统调查数据的情况下 [82] - 手机通话记录数据在卢旺达的应用表明，可以通过机器学习模型预测贫困率 [37] - 社交媒体数据可以用于快速收集公众情绪和福利指标，但样本代表性有限 [114][116]