مهارت های تحقیق را در داده های جدید اعمال کنید ، اثربخشی توسعه را تغییر دهید

برای بیشتر تاریخ ما ، داده ها برای به دست آوردن کمیاب و گران بوده اند و تحقیقات اقتصادی با سرعت آهسته ای پیشرفت کرده است ، به خصوص در کشورهای فقیر داده ها (بانک جهانی ، 2021). به عنوان مثال ، هزینه بالای ارزیابی تأثیر ، عمدتاً با هزینه جمع آوری داده ها تعیین شده است. این به دلیل پیشرفت های اخیر در فناوری به سرعت در حال تغییر است. فناوری ، مانند تلفن های هوشمند ، شبکه های تلفن همراه ، خدمات الکترونیکی و دولت الکترونیکی ، فرایندی را تغییر داده است که از طریق آن داده ها تولید می شود و مقادیر گسترده ای از داده های سطح معامله در زمان واقعی ایجاد کرده است ، 1. 145 تریلیون مگابایت در روز. به سختی می توان فهمید که داده های بیشتری در دو سال گذشته تولید شده است ، نسبت به تمام تاریخ بشر.

حتی اگر استفاده از داده ها برای مقابله با هر چیزی از حداکثر سود تا بهینه سازی عملکرد ورزشی ، به سرعت در حال گسترش است ، بیشتر داده ها به ویژه در بخش دولتی و در محیط های کم ظرفیت استفاده نشده است. کمبودی که اکنون با آن روبرو هستیم از ماهیت متفاوتی برخوردار است: مهارتهای تحقیقاتی با کیفیت بالا و توانایی های نهادی محدود برای درک همه داده ها و تبدیل آن به منبعی برای پیشرفت بشر وجود دارد.

دانش ایجاد زمان و شواهد به ویژه در اقتصاد توسعه نیاز دارد و به دست آوردن کمیاب و دشوار است. در واقع ، شواهد فقط بخش کوچکی از تصمیمات سیاسی که هر روز گرفته می شود را آگاه می کند. سؤال این است که آیا ما می توانیم با استفاده از آنچه می توانیم با اطمینان از انقلاب داده بنامیم ، سرعت تولید شواهد را به طور قابل توجهی افزایش دهیم. حتی قبل از همه گیر Covid ، محققان در حال سرمایه گذاری در ابزارهای نوآورانه برای استفاده از انفجار در منابع غیر سنتی داده ها و استفاده از آنها برای پرداختن به مشکلات توسعه بودند. COVID-19 با افزایش تقاضا برای درک تأثیر بحران و شکل دهی به سیاست که به جمعیت و بخش های جغرافیایی متفاوت است ، باعث افزایش نوآوری می شود. سرمایه گذاری در ابزارهای داده در زمان واقعی که قبل از بحران ساخته شده است به سرعت مجدداً مورد استفاده قرار گرفت.

یکی از سؤالاتی که قبل از بحران پرسیده شده بود ، آیا می توان یک مجموعه داده آشکارا مانند توییتر را به منبعی برای برنامه ریزی و توسعه شهری تبدیل کرد؟و می توان از گزارش های متفقین برای ایجاد داده های موقعیت مکانی برای رویدادهای شهری مانند تصادفات اتومبیل ، کمیاب در اکثر کشورهای در حال توسعه استفاده کرد اما برای پرداختن به علت شماره یک مرگ و میر برای کودکان بیش از پنج سال و بزرگسالان ضروری است. برای انجام این کار ، ما در بانک جهانی 874،588 توییت مربوط به ترافیک در نایروبی ، کنیا ، الگوریتم های یادگیری ماشین را برای شناسایی و تصادفات ژئولوژیک توسعه دادیم و یک سرویس تحویل موتور سیکلت را برای تأیید تصادفات و مکان ها مستقر کردیم. این تمرین به شناسایی یک درصد از شبکه جاده ای که میزبان 50 ٪ از تصادفات است که به مقامات ایمنی جاده اجازه می دهد تا سرمایه گذاری های ایمنی جاده را در جایی که مهمتر از همه هستند ، در اولویت قرار دهند (میلوشوا و همکاران ، 2021).

تصویر 1: برنامه اقدام ایمنی جاده نایروبی

با ادغام داده ها با سوابق اداری ، Uber ، Maps ، Google و Weather Data ، می توانیم یک منبع در زمان واقعی فرکانس بالا برای برنامه ریزی شهری ایجاد کنیم. در حین COVID ، از داده ها برای نظارت بر تأثیر سرنشینان بر تحرک شهری و تصادفات اتومبیل و اندازه گیری کاهش ترافیک و قله تصادفات و مرگ و میر در زمان های مسافرتی استفاده شد.

شکل 1: داده های خرابی بر اساس CURFEW در نایروبی

به همین ترتیب ، سرمایه گذاری در ادغام داده ها برای ایجاد یک مجموعه داده غیرمعمول غنی برای کشور رواندا ، از جمله داده های مالیاتی از صورتحساب الکترونیکی و اطلاعات جمع شده در مورد قیمت های بازار (Bye et. al ، 2021) و مقادیر به ما امکان نظارت ناهمگونی بخش در اقتصادی را می دهد. تأثیر مراحل اولیه و بازیابی بحران COVID بر روی کارگران و بنگاهها. این اطلاعات برای کمک به شکل گیری سیاست های بازیابی دولت بسیار مهم بود.

شکل 2: قیمت بازار و اتصال جاده در رواندا

تجسم با مردم صحبت می کند. این که این نقشه از چراغ های شبانه ماهواره ای باشد ، یک نقشه زنده از سرعتی که وسایل نقلیه در یک شهر حرکت می کنند ، یا نمایشی از جریان افراد بی خانمان از شهر به شهر دیگر در ایالات متحده ، تجسم داده ها مشاهده می شود ، بارگیری می شود ، به اشتراک می گذارند. وادبعضی اوقات آنها حتی در موزه هنرهای مدرن مانند نقشه های پذیرش زندان از منطقه 16 در بروکلین توسط سارا ویلیامز ، استاد MIT و همکار در مطالعه نایروبی ما به نمایش گذاشته می شوند.

این همان فرآیند پرس و جو و تبدیل داده ها به اطلاعات، به ویژه اطلاعات عملی است که به داده ها معنا و هدف می بخشد. هر چه ارزش راهبردی سوالات پرسیده شده بیشتر باشد، تحقیقات بیشتر می تواند به خود ارزش بیافزاید. هر چه سختگیری علمی برای رسیدن به پاسخ درست بیشتر باشد، می توانیم سوزن تصمیم را در جهت پیشرفت انسان حرکت دهیم. در اقتصاد توسعه، ساختارهایی مانند ارزیابی تأثیر توسعه بانک جهانی (DIME) که همکاری بین محققان بسیار ماهر و سیاست گذاران را ایجاد می کند، مؤسسات لازم برای نمایاندن و پاسخ به سؤالات برای کمک به رسیدگی به مهم ترین مشکلات توسعه هستند. این همکاری ها بر تولید مشترک شواهد و ایجاد ظرفیت های محلی متمرکز است که پاسخ ها را به اقدامات سیاستی تبدیل می کند.

این امر مستلزم ایجاد اعتماد است که اولین گام آن کمک به دولت ها است تا بفهمند چگونه می توانند از داده هایی که سیستم اداری خود تولید می کند برای عملکرد بهتر استفاده کنند. سرمایه گذاری های اخیر در سیستم های دولت الکترونیک، حجم عظیمی از داده های سطح تراکنش را تولید می کند که می تواند برای تحقیق مورد استفاده قرار گیرد. داده ها و شواهد DIME برای اصلاحات عدالت (DE JURE)، سرمایه گذاری در دادگاه های هوشمند و سیستم های داده مرتبط را برای افزایش صرفه جویی در مقیاس تولید دانش در مورد کیفیت و کارایی دادرسی های قضایی افزایش می دهد (Legovini و Ruth Jones، 2020). در رواندا، استفاده از داده های دریافت الکترونیکی برای کمک به اداره مالیات برای نظارت بر فعالیت های اقتصادی در طول بحران و تنظیم سیاست های بازیابی استفاده شد.

شکل 3: داده های دریافت الکترونیکی در رواندا

پرسش ها محتوای داده های مورد نیاز ما را شکل می دهند. در بیشتر موارد، داده ها برای استفاده آماده نیستند. شناسایی منابع، دریافت مجوزها، یکپارچه سازی داده ها از منابع مختلف، مثلث بندی و واقعی سازی برای درک سوگیری ها در پوشش و بازنمایی، گام های ضروری برای ایجاد درک درستی از داده هایی هستند که می توانند برای چه داده هایی استفاده شوند و نتایج تفسیر شوند. سطح بالایی از تخصص در مهارت های فنی و تیم های چند رشته ای که اقتصاد را با علم داده و دانش خاص بخش ترکیب می کنند، باید مستقر شوند. جمع آوری داده های اولیه برای تکمیل داده های موجود به منابع انسانی و مالی بیشتری نیاز دارد.

تلاش برای تهیه صحیح و سنتز داده ها ارزش آن را دارد ، در حالی که تیمی از محققان قادر و آماده استفاده از مجموعه داده های حاصل برای استخراج اطلاعات با ارزش بالا و توانمندسازی برای تحمیل تغییرات برونزا در فرآیند تولید داده برای محدود کردن مسیرهای علیت هستند. وادعلاوه بر این ، تنها هنگامی که همتایان سیاست علاقه ، درک و قدرت لازم برای عملی شدن شواهد را دارند.

نحوه انجام این کار در مقیاس به اندازه کافی عالی برای حل جهان مشکلات سیاسی در جهان ، بدون استفاده است. محدودیت اصلی برای مقیاس بندی داده ها و رویکرد محور تحقیق برای ایجاد یک تغییر تحول آمیز در سیاست توسعه ، عدم تأمین اعتبار است. منابع تحقیق دقیقه است. به عنوان مثال در بانک جهانی ، ما فقط 1 ٪ از این پروژه ها را برای ارزیابی تأثیرگذاری برای ارزیابی تأثیرگذاری صرف می کنیم. این مقایسه با بازده هایی است که تحقیقات ارزیابی تأثیر در بازده سرمایه گذاری آن پروژه ها دارد. در موزامبیک ، یک راه حل تحقیقاتی برای مصرف آب ، کمبود آب را به نصف کاهش می دهد (کریستین و همکاران ، 2018). در غنا ، این تحقیق مشوق های کشاورزان را برای کاشت درختان بهینه کرده و اثربخشی پروژه را هشتاد درصد افزایش می دهد (لگووینی ، 2018). در سنگال ، یک تجزیه و تحلیل آگاهانه اصلاحات نظارتی باعث کاهش تأخیرهای دادگاه توسط یک سوم شد (Kondylis and Stein ، 2018). در Cote d’Ivoire ، تحقیقاتی که از یک برنامه حمایت از اجتماعی آگاهانه آگاه است ، هفتاد درصد اثربخشی را افزایش داده است (Bertrand et al. ، 2021).

Bertrand ، M. ، Crépon ، B. ، Marguerie ، A. and Premand ، P. ، 2021. آیا برنامه های کار با وعده های خود عمل می کنند؟شواهد تجربی از ساحل عاج (انگلیسی). مقاله کار تحقیق سیاست ؛ نه. WPS 9611 ؛سری ارزیابی تأثیر. گروه بانک جهانی.

Bye ، K. ، Karpe ، S. ، Kondylis ، F. ، Langb ، M. and Loesera ، J. ، 2021. ناهمگونی بخش در بهبود Covid-19: شواهدی از رواندا. شکل گیری بهبودی پس از کاوی آفریقا.

Christian ، P. ، Kondylis ، F. ، Mueller ، V. M. ، Zwager ، A. M. T. و Siegfried ، T. ، 2018. آب در هنگام شمارش: کاهش کمبود از طریق نظارت بر آبیاری در موزامبیک مرکزی. مقاله تحقیقاتی سیاست بانک جهانی ، (8345).

Kondylis ، F. and Stein ، M. ، 2018. سرعت عدالت. مقاله تحقیقاتی سیاست بانک جهانی ، (8372).

Legovini، A.، و Ruth Jones، M.، 2020. داده های اداری در تحقیقات در بانک جهانی: مورد ارزیابی تاثیر توسعه (DIME)، در: کتابچه راهنمای استفاده از داده های اداری برای تحقیق و سیاست مبتنی بر شواهد. آزمایشگاه اقدام فقر عبداللطیف جمیل، ص 503-549.

Milusheva, S., Marty, R., Bedoya, G., Williams, S., Resor, E., Legovini, A., 2021. استفاده از تکنیک های یادگیری ماشین و مکان یابی مکانی برای داده های رسانه های اجتماعی (توئیتر) برای ایجاد منبعی برایبرنامه ریزی شهری.

بانک جهانی، 2021. داده ها برای زندگی بهتر. گزارش توسعه جهانی 202 1.

آریانا لگووینی، رئیس بخش ارزیابی تأثیر توسعه (DIME) بانک جهانی است.

نویسنده مسئول حقایق مندرج در مقاله و نظرات بیان شده در آن است که لزوماً مربوط به یونسکو نیست و سازمان را متعهد نمی کند.