Table of Contents
对外援助监测和评价的演变
外国援助方案每年投资数十亿美元,旨在减少发展中国家的贫困、改善健康和促进经济增长。 几十年来,捐助方和执行机构一直在努力衡量这些干预措施的真正影响。 传统的监测和评估(M&E)方法 — — 通常依赖于项目结束调查、定期报告和故事实地访问 — — 已证明不足以掌握实时结果或将变革归因于具体援助活动。 最近的创新重新塑造了M&E的面貌,引入了能够更准确、及时和参与性评估的技术和方法。 这一扩大的文章审视了最重要的趋势,讨论了其应用,并探讨了在建立强有力的外国援助证据系统方面仍然存在的挑战。
并购新技术;E
卫星图像和遥感
卫星图像已经超越了简单的测绘,成为监测基础设施项目、环境变化和农业成果的强大工具。 世界银行[等组织现在使用高分辨率图像跟踪道路建设、毁林和灌溉网络的扩展,而不需要地面团队。 机器学习的进步使得算法能够自动检测土地利用、建筑足迹和植被健康的变化,从而将数据采集的时间从几个月缩短到几天,从而可以采取行动的洞察力。
例如,在南苏丹,卫星数据使人道主义机构能够实时监测难民定居点的状况和评估洪水风险,从而能够主动进行资源重新分配,同样,在埃塞俄比亚,卫星产生的植被指数有助于评价流域管理项目的有效性,为土壤侵蚀减少提供了客观证据。
移动数据收集和实地工具
智能手机在低收入国家的普及 — — 即使是在偏远地区 — — 使实地数据收集发生了革命性的变化。 ODK、SurveyCTO和KoboToobox等工具使统计员能够管理复杂的离线调查、获取全球定位系统坐标、上传照片或录音。 这些应用软件的验证规则在输入点捕捉错误,比纸面方法大大提高了数据质量。
无人驾驶飞机和无人驾驶飞机
无人机填补了卫星图像和地面观测之间的空白,可以按需获取项目地点的高分辨率图像,即使在卫星故障的云层条件下也是如此。在发展背景下,无人机被用于绘制农业地块、评估自然灾害后的损失以及监测学校或诊所等大型建筑项目的进展。商用无人机的成本急剧下降,使当地非政府组织和政府机构能够使用这些设备。加纳和尼泊尔等国的培训方案现在使当地工作人员能够测试和分析无人机数据,促进当地对M&E进程的拥有权。
物联网(IoT)和传感器网络
互联网连接的IOT传感器提供连续的数据流。 比如,坦桑尼亚农村的水泵越来越配备传感器,将流量率和机械状态传递到中央仪表板上。 这使得维护团队能够在数小时内修复断裂的泵,而不是等待季度检查。 同样,太阳能家用系统设备中的智能仪自动报告能源生产和使用模式,让投资者获得关于项目绩效和客户偿还行为的可靠数据。
数据分析和人工智能
趋势识别大数据
数字数据 — — 从移动电话通话记录、社交媒体帖子、金融交易和行政来源 — — 的爆炸为M&E创造了十年前无法想象的机会。大数据分析可以确定人口规模的趋势。例如,移动运营商的Call详细记录有助于跟踪危机后的人口流动情况,为人道主义援助的目标提供信息。综合和匿名的CDR数据通过分析流动性和支出模式随时间推移的变化来评估现金转移方案的影响。
机器学习模式
机器学习(ML)算法越来越多地用于预测项目结果和发现异常。 在农业推广方案中,经过历史气候数据、土壤状况和采纳率培训的ML模型可以预测哪些农民最有可能采用新做法,从而能够调整其推广范围。 在健康方面,算法分析病人记录,以识别疾病爆发的预警信号,让援助组织预先部署供应。 预测模型也有助于发现欺诈:支出报告或付款时间表中的异常模式触发了审计小组的自动警报。
定性数据的自然语言处理
外援中的许多证据是重点小组的定性说明、开放式调查答复或实地官员日记。自然语言处理工具现在可以对大量文本进行分类和分析,提取主题、情绪和关键词的频率。 儿童基金会评价办公室 试验NLP,以综合数百份评价报告的结论,找出交叉的经验教训,这些经验教训不切实际,无法手工汇编。虽然NLP并不取代对人的分析师的细致理解,但它大大加快了证据综合的过程。
创新评价方法
参与性办法
社区参与评价已经从象征性的协商转向真正的伙伴关系。参与性并购;E框架使当地利益有关者参与确定成功指标、收集数据和解释结果。最重大变革、社区计分卡和参与性绘图等技术使受益者有发言权,并往往揭示项目的积极和消极的意外后果。例如,在孟加拉国农村的供水卫生项目中,社区成员确认,新的厕所被重新用于储存而不是使用,外部评价人员本来会忽略这一结论,而外部评价人员只注重基础设施的计算。
随机控制试验和准实验设计
严格的影响评价仍然是循证援助的基石。随机控制试验是确定因果关系的金本位标准,但其成本高、道德约束限制了其使用。准实验方法——如差异差、回归不连续和倾向性评分——随机处理不可行时的强价替代方案。最近的创新包括适应性试验,随着临时结果的出现调整样本大小或处理武器,使评价在动态环境中更加有效。
实时反馈系统
传统的评价往往在项目的中点和结束时进行,为校正课程提供了有限的范围。实时反馈系统利用移动调查、短信民意测验和社交媒体监测来收集受益者不断提供的投入。Dashboards立即显示结果,从而能够进行适应性管理。由诸如比尔·汉普·梅林达·盖茨基金会[这样的组织倡导的快速反馈M&E方法使方案小组能够测试、学习和调整每周或每月周期的执行情况。在肯尼亚的一次教育干预中,实时反馈显示,教师出勤率远远低于自我报告的;项目以使用生物鉴别出勤记录为主,并看到透明度和学习结果的改善。
贡献分析和进程追踪
对于难以证明因果关系的复杂干预,基于理论的评估方法,如贡献分析和过程追踪,正在获得牵引力。 这些方法通过系统测试替代解释,为观察到的变化创造了一个可信的故事。 它们依赖于混合方法的证据和强大的程序理论,在实验设计不切实际的治理、宣传和增强能力项目中尤其有用。
透明度和问责制区块链
分散分类账技术为外国援助的M&E提供了有希望的应用。 区块链可以为资金支付建立一个不可改变的审计线索,确保每一美元从捐助者到最终受益者都有追踪。 智能合同可以在预先确定里程碑核实后自动释放付款 — — 例如,学校建设项目通过上传到区块链的地理标记照片认证为完整。 世界粮食计划署的“建筑区块”倡议的试点项目表明,基于区块链的转移降低了交易成本,并最大限度地减少难民援助中的欺诈行为。 具体而言,区块链提供了数据收集点的不言自明的记录,增强了报告结果的可信度。
挑战和道德考虑
数据隐私和安全
数字数据收集的激增引起了严重的隐私问题,受益数据——包括姓名、地点、健康状况和金融信息——如果得不到适当保护,就可能被滥用。许多援助组织在数据保护法薄弱的情况下运作,给评估人员带来沉重的道德负担,以确保知情同意、数据匿名和安全储存。使用移动跟踪和社交媒体数据引起了关于同意和监视潜力的其他问题。制定明确的道德准则和投资于数据安全基础设施是扩大技术化的M&E。
数字鸿沟
技术创新有可能扩大连接良好的城市地区和边缘化农村社区之间的差距。 在很多最贫穷地区,移动网络覆盖面仍然有限,电力不可靠,数字化知识水平低。 仅仅依靠高技术数据收集可能排斥最脆弱的人口,产生偏差的结果。 混合方法――将一些社区采用纸质调查等低技术方法与另一些社区采用的数字化工具结合起来――是确保代表性的关键。
能力建设和可持续性
采用先进的M&E工具而不投资于当地技能和基础设施往往导致依赖外部顾问。短期项目可能会部署昂贵的无人机或分析软件,但一旦资金到位,当地工作人员可能缺乏维持系统的专门知识。 可持续的创新需要将培训方案嵌入当地机构,推广开源软件,并建设国家M&E单位的分析能力。 诸如评价能力网络等举措支持全球南方评价者的同行学习。
有效性和适当性
新技术和方法并不自动优越。“大数据”的吸引力可以导致关注什么是易于衡量的,而不是什么是重要的。例如,卫星图像对于衡量基础设施的物理变化是极好的,但对一个项目如何提高社会凝聚力或增强能力却不能提供见解。 M&E 实践者必须始终对每个工具的适当性持批评态度,确保方法与评价问题和背景相符。
未来方向
人工智能与卫星图像的结合,将使得能够对整个区域的经济活动、环境退化和冲突风险的变化进行近实时监测。 使用人工智能模型生成的合成数据模拟人口,可有助于填补缺乏真实数据或数据太敏感而无法收集的空白。
参与性数字平台可能变得更加复杂,让社区不仅提供反馈,而且还可以共同设计干预和分析自己的数据。 公民科学举措,即当地志愿者收集和解读数据的地方,正在扩大健康和环境监测,这些方法转移了动力动态,同时建设了当地能力。
板链可能超越试验阶段,成为援助透明度的标准组成部分,特别是在大型基础设施和采购项目中。 与此同时,日益强调本地化——主要捐助者承诺将资源和决策转移到地方行为者——将推动对由国家政府和民间社会组织拥有和管理的并购和amp;E系统的需求。
最后,将M&E与实时决策(有时称为“适应性编程 ” ) 的结合,将继续模糊评价与项目管理之间的界限。 将连续数据流与自动化分析仪表板和仪表板相结合的系统将使援助方案能够以前所未有的速度应对不断变化的条件,但前提是维持道德保障和人类监督。
结论
本条描述的创新是外援项目监测和评估方式的根本转变。 卫星图像、移动工具、人工智能分析、参与方法和板链各有其独特的优势,但都不是万能药。 最有效的并购系统结合了多种方法,适应当地环境,并优先考虑受益者的参与和保护。 随着外援部门的不断发展,投资深思熟虑、道德和有能力的并购和标本的各组织将最能展示影响、从失败中吸取教训并最终为其服务的社区带来更好的结果。
利益攸关方 — — 从捐助方和执行机构到政府和地方社区 — — 必须合作克服数据隐私、数字排斥和能力差距等长期挑战。 只有这样,监测和评估的创新承诺才能充分实现,以改善世界上最弱势人民的生活。