인도네시아의 빅데이터에서 파생된 상대적 부의 지수의 강점과 한계

저소득 및 중간소득 국가(LMICS)에서 정확한 상대적 부 추정치는 정책 입안자가 유엔의 지속 가능한 개발 목표에 따라 사회-인구학적 불평등을 해결하는 데 필수적입니다. 조사 기반 접근 방식은 전통적으로 소득, 소비 또는 가정의 물질 재화에 대한 매우 세부적인 데이터를 수집하여 지수 기반의 빈곤 추정을 만드는 데 사용되었습니다. 그러나 이러한 방법은 가정 내 개인만을 포착하고(즉, 가정 샘플 프레임워크 내에서) 이주 인구나 노숙 시민을 포함하지 않습니다. 기존 접근 방식을 보완하기 위해 최전선 데이터, 컴퓨터 비전 및 기계 학습을 결합한 새로운 접근 방식이 제안되었습니다. 그러나 이러한 빅데이터에서 파생된 지수의 강점과 한계는 아직 충분히 연구되지 않았습니다. 본 논문에서는 인도네시아 사례에 초점을 맞추고, Facebook의 데이터 포 굿 이니셔티브에서 생성된 최전선 데이터 기반의 상대적 부 지수(RWI)를 살펴봅니다. 이 지수는 Facebook 플랫폼의 연결 데이터와 위성 이미지 데이터를 활용하여 135개 국가에 대한 상대적 부의 고해상도 추정을 생성합니다. 우리는 이를 기존의 고품질 국가 수준 전통 조사 도구로 추정된 자산 기반 상대적 부 지수, USAID가 개발한 인구 건강 조사(DHS) 및 인도네시아 국가 사회 경제 조사(SUSENAS)와 비교합니다. 본 연구의 목표는 최전선 데이터에서 파생된 지수가 인도네시아 및 아시아 태평양 지역의 빈곤 퇴치 프로그램에 어떻게 활용될 수 있는지를 이해하는 것입니다. 첫째, 우리는 전통적 및 비전통적 출처 간 비교에 영향을 미치는 주요 특징을 공개합니다. 여기에는 데이터의 출판 시간, 권한 및 공간 집계의 세분화가 포함됩니다. 둘째, 운영 입력을 제공하기 위해 RWI 맵을 기반으로 자원의 재분배가 현재의 사회 프로그램인 인도네시아 사회 보호 카드(KPS)에 미치는 영향을 가설합니다. 이 가상의 시나리오에서 RWI가 조사 기반 부의 지수 대신 사용되었더라면 잘못 제외되었을 인도네시아인의 비율을 추정합니다. 이 경우 제외 오류는 32.82%가 될 것입니다. KPS 프로그램 타겟팅의 맥락에서 우리는 RWI 맵의 예측과 SUSENAS의 실제 지수 추정치 간의 유의미한 차이를 주목했습니다.