Memanfaatkan Data Bukan Tradisional Untuk Strategi Pemulihan Sosioekonomi Covid-19

Artikel ini dikarang bersama dengan Selva Ramachandran, Wakil Penduduk, UNDP Filipina.

Data kini diiktiraf sebagai "minyak baharu" untuk ekonomi digital. Walaupun aktor pembangunan bergantung kepada sumber data tradisional, seperti yang diperoleh daripada tinjauan awam dan pentadbiran kerajaan, terdapat potensi besar untuk memanfaatkan nilai sumber bukan konvensional atau bukan tradisional seperti data daripada sektor swasta, yang boleh membantu memacu jenama tadbir urus yang lebih lincah, tangkas dan inklusif.

Malah, syarikat swasta secara rutin mengumpul, menganalisis dan menggunakan jumlah data yang besar—kedua-duanya diperoleh daripada operasi mereka sendiri dan daripada firma lain—untuk memperoleh cerapan yang boleh diambil tindakan dan memaklumkan strategi perniagaan. Keupayaan dan kepantasan data ini dimanfaatkan dengan bantuan sains data, analitik dan alatan kecerdasan buatan telah membolehkan perniagaan yang celik data berjaya mengharungi beberapa bentuk krisis, termasuk wabak Covid-19. Dalam persekitaran yang dinamik dan tidak menentu ini, kepentingan data frekuensi tinggi, tepat pada masanya dan berbutir untuk memaklumkan pembuatan keputusan telah menjadi tidak ternilai.

Untuk tujuan ini, adalah sesuai untuk mengemukakan soalan berikut: Bolehkah kita memanfaatkan kuasa data yang dikumpul secara rutin oleh syarikat—termasuk penyedia pengangkutan, pengendali rangkaian mudah alih, rangkaian media sosial dan lain-lain—untuk kebaikan awam? Bolehkah kita merapatkan jurang data untuk memberi kerajaan akses kepada data, cerapan dan alatan yang boleh memaklumkan strategi respons dan pemulihan nasional dan tempatan?

Potensi Data Bukan Tradisional

Terdapat peningkatan pengiktirafan bahawa data tradisional dan bukan tradisional harus dilihat sebagai sumber pelengkap. Data bukan tradisional boleh membawa faedah yang ketara dalam merapatkan jurang data sedia ada tetapi masih mesti ditentukur terhadap penanda aras berdasarkan sumber data tradisional yang telah ditetapkan. Set data tradisional ini dilihat secara meluas sebagai boleh dipercayai kerana ia tertakluk kepada piawaian antarabangsa dan nasional yang ketat. Walau bagaimanapun, mereka sering terhad dalam kekerapan dan butiran, terutamanya di negara berpendapatan rendah dan sederhana, memandangkan kos dan masa yang diperlukan untuk mengumpul data tersebut. Contohnya, penunjuk ekonomi rasmi seperti KDNK, penggunaan isi rumah dan keyakinan pengguna mungkin tersedia hanya sehingga peringkat nasional atau serantau dengan kemas kini suku tahunan.

Sementara itu, data bukan tradisional seperti penyelidikan pasaran yang dikumpul secara rutin setiap bulan daripada tinjauan isi rumah seluruh negara mungkin hanya khusus untuk produk dan jenama tertentu, tetapi boleh memberikan maklumat yang lebih kerap dan terperinci, dengan pengasingan mengikut kawasan geografi, kumpulan sosio-ekonomi isi rumah, jantina dan sifat-sifat lain. Selanjutnya, data yang dikumpul daripada peranti mudah alih, platform internet dan imej satelit selalunya tersedia dalam masa nyata dan menawarkan butiran yang tinggi di lokasi. Ini tidak selalunya mematuhi piawaian statistik tradisional bagi pensampelan dan pengumpulan data dan selalunya memerlukan metodologi "data besar" baru untuk memproses dan menganalisis. Pendekatan inovatif yang menggabungkan penunjuk daripada jenis data yang berbeza ini boleh menunjukkan ketekalan dan pelengkapnya, mengeksploitasi kelebihan setiap satu dan menghasilkan cerapan baru.

Contoh Dari Filipina

Di Filipina, UNDP, dengan sokongan daripada The Rockefeller Foundation dan kerajaan Jepun, baru-baru ini menyediakan Pintig Lab: rangkaian pelbagai disiplin saintis data, ahli ekonomi, ahli epidemiologi, ahli matematik dan saintis politik, yang ditugaskan untuk menyokong tindak balas dan pembangunan krisis yang dipacu data. strategi. Pada awal 2021, Makmal menjalankan kajian yang meneroka bagaimana perbelanjaan isi rumah untuk barangan dibungkus pengguna, atau barangan pengguna bergerak pantas (FMCG), boleh digunakan untuk menilai kesan sosioekonomi Covid-19 dan mengenal pasti heterogeniti dalam kadar pemulihan. merentasi isi rumah di Filipina. Agensi Pembangunan Ekonomi Kebangsaan Filipina kini dalam proses memasukkan data ini untuk ramalan KDNK mereka, sebagai input tambahan kepada model ramalan mereka untuk penggunaan. Selanjutnya, data ini boleh digabungkan dengan set data bukan tradisional lain seperti transaksi kad kredit atau dompet mudah alih, dan teknik pembelajaran mesin untuk penyiaran KDNK frekuensi tinggi sekarang, untuk membolehkan dasar ekonomi yang lebih lincah dan responsif yang boleh menyerap dan menjangkakan kejutan. daripada krisis.

Data bukan tradisional juga berpotensi untuk memberikan pandangan tentang status kumpulan yang terdedah, termasuk sektor tidak formal, yang tidak selalu ditangkap oleh statistik rasmi. Sebagai mengiktiraf perkara ini, Jabatan Komunikasi dan Teknologi Maklumat dan UNDP telah mula meneroka penggunaan imej satelit untuk mengenal pasti komuniti "last mile" yang tinggal di kawasan terpencil dan kurang bernasib baik secara geografi dan memahami tahap ketersambungan mereka dari segi WiFi, elektrik, jalan raya, pendidikan, penjagaan kesihatan dan pasaran. Tambahan pula, UNDP telah menggunakan chatbots di platform media sosial untuk mengumpulkan maklumat dengan pantas daripada sektor yang kurang bernasib baik dan perusahaan kecil, untuk memahami cara wabak itu memberi kesan kepada mereka, dan sejauh mana program pemulihan sosial telah berjaya.

Ini adalah contoh yang berkesan tentang bagaimana data bukan tradisional boleh dan telah memberi penerangan tentang kumpulan yang kurang bernasib baik yang sebelum ini tidak kelihatan, membolehkan rancangan dan program yang lebih inklusif supaya tiada siapa yang ketinggalan.

Data Bukan Tradisional Boleh Memudahkan Keterangkuman

Pada masa ini, keupayaan kerajaan dan organisasi pembangunan untuk menghargai, mengakses dan menggunakan sumber data bukan tradisional secara bertanggungjawab daripada sektor swasta adalah terhad— ini terpakai secara global, tetapi lebih-lebih lagi di negara membangun. Dari segi penawaran, syarikat mungkin belum menghargai sepenuhnya bagaimana data mereka boleh dimanfaatkan untuk menyokong keperluan awam dan pembangunan. Selanjutnya, terdapat keperluan untuk menyelaraskan dan mengoperasikan piawaian antarabangsa dan nasional untuk pelesenan data, privasi dan keselamatan untuk menangani kebimbangan undang-undang dan kewangan serta mengurangkan halangan untuk perkongsian data. Dalam kerja ini, ia mesti diakui bahawa risiko perlu dikenal pasti dan strategi mitigasi disediakan—termasuk ketepatan perwakilan, risiko keselamatan digital, risiko kerahsiaan dan pelanggaran privasi, dan potensi pelanggaran hak harta intelek dan kepentingan komersial lain. Dari segi permintaan, agensi kerajaan dan organisasi pembangunan mempunyai pelbagai tahap kapasiti teknikal dan sumber untuk kerja berkaitan data. Selain itu, walaupun dalam unit di mana kerja berkaitan data teknikal dilakukan, mungkin masih terdapat keperluan untuk membuat inovasi pada pendekatan yang menggabungkan jenis data baharu ini untuk menambah set data dan metodologi rasmi. Cabaran sedia ada termasuk isu metodologi, undang-undang, privasi dan keselamatan perlu ditangani untuk menggalakkan penggunaan praktikal data bukan tradisional.

Meluaskan Data Untuk Komuniti Pembangunan

Membuka kunci data sektor swasta untuk kepentingan awam pada skala memerlukan penubuhan pasaran yang diperlukan, infrastruktur undang-undang dan teknikal, membina tiang asas undang-undang, tadbir urus data, seni bina IT yang selamat, pengurusan perkongsian dan pasukan pelbagai disiplin. Inisiatif cemerlang yang telah mempeloporinya ialah Perkongsian Data Pembangunan, sebuah konsortium swasta-awam yang diasaskan oleh Bank Dunia, IMF dan IADB dengan sokongan daripada The Rockefeller Foundation. Setakat ini, ia mempunyai 26 syarikat utama sebagai rakan kongsi data—termasuk Google, Facebook, Twitter, Waze dan LinkedIn—dan 6 rakan pembangunan—iaitu UNDP, IADB, IMF, Bank Dunia, OECD dan The Rockefeller Foundation. Pasukan pelbagai disiplin di seluruh dunia memanfaatkan sumber data bukan tradisional yang kaya yang ditawarkan melalui perkongsian untuk menginovasi penyelesaian bagi menangani pandemik Covid-19 serta cabaran pembangunan utama yang merangkumi perubahan iklim, kemiskinan, keselamatan makanan, perkhidmatan pengangkutan dan ketidaksamaan jantina.

Hanya untuk memetik beberapa contoh, data bukan tradisional perkongsian digunakan untuk menjejaki kesan sekatan Covid-19 ke atas mobiliti di Vietnam untuk menilai keberkesanan penutupan setempat, memetakan mobiliti bandar di Haiti untuk memaklumkan dasar pengangkutan dan pelaburan dan mengisi jurang data mengenai kesan aktiviti ekonomi terhadap perubahan iklim untuk membolehkan penggubal dasar melakukan analisis ekonomi dan kewangan yang mantap. Penggunaan data bukan tradisi untuk menyokong pemantauan matlamat pembangunan mampan juga telah diiktiraf secara rasmi, dengan Jawatankuasa Pakar Data Besar dan Sains Data PBB untuk Statistik Rasmi^{ditugaskan untuk mempromosikan penggunaan praktikal mereka untuk pemantauan SDG, termasuk sebagai asas bagi penunjuk baharu atau proksi penunjuk, dengan ketepatan masa yang lebih baik dan pecahan sosial dan geo-spatial yang terperinci.}

Kami baru sahaja mula membuka pintu kepada dunia selari data bukan tradisional yang telah wujud bersama kami selama beberapa dekad sekarang. Semasa kami terlibat dalam wacana awam mengenai tanggungjawab syarikat yang mengumpul dan mengewangkan data kami serta kesan positif dan negatifnya terhadap masyarakat, terdapat ruang untuk mempertimbangkan potensi manfaat jika data dan alat berkuasa sedemikian digunakan untuk kebaikan awam.

Data sememangnya bersifat politik dan memaksimumkan kesan positifnya kepada masyarakat, terutamanya dalam mendedahkan wajah kumpulan terdedah yang sebelum ini tidak kelihatan, memerlukan usaha bersepadu daripada komuniti pengamal dan peguam bela dalam kerajaan, perniagaan, masyarakat sivil dan organisasi antarabangsa untuk membentuk cara data diakses, dianalisis dan digunakan di luar batasan asal "untuk untung" mereka. Melakukannya boleh membuka kunci potensi intervensi berasaskan bukti yang lebih pantas dan inklusif bagi mereka yang paling memerlukannya.