📈 economics

Global Ease of Living Index: a machine learning framework for longitudinal analysis of major economies

Dit artikel introduceert een reproduceerbaar machine learning-framework dat gegevenstekorten aanpakt en dimensionaliteitsreductie gebruikt om een uitgebreide, longitudinale Mondiale Index voor Leefbaarheid voor grote economieën sinds 1970 te construeren, waardoor beleidsmakers een transparant hulpmiddel krijgen om belangrijke sociaal-economische en infrastructurele gebieden te identificeren en te verbeteren.

Oorspronkelijke auteurs: Arun Kumar Selvaraj, Tanay Panat, Rohitash Chandra

Gepubliceerd 2026-06-19

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Arun Kumar Selvaraj, Tanay Panat, Rohitash Chandra

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een rapportcijfer van een student moet beoordelen, maar in plaats van alleen naar hun reken- en leescijfers te kijken, wil je weten hoe gelukkig, gezond, veilig en welvarend ze in het algemeen zijn. Stel je nu voor dat je dit voor elk land ter wereld doet, maar met een groot probleem: sommige rapportcijfers hebben ontbrekende pagina's, gescheurde hoeken of hele vakken die nooit zijn beoordeeld omdat de gegevens niet zijn verzameld.

Dat is precies wat de auteurs van dit artikel wilden doen. Ze hebben een nieuw "rapportcijfer" voor de wereld gebouwd, genaamd de Global Ease of Living Index (Global-EoLI). Hier is hoe ze het deden, simpel uitgelegd:

1. Het Problek: Ontbrekende stukjes van de puzzel

De wereld zit vol met verschillende manieren om te meten hoe goed het leven is (zoals de "Happiness Index" of "BBP"), maar de auteurs stellen dat deze gebrekkig zijn.

De "Geluksval": Sommige indices vertrouwen op het vragen aan mensen: "Ben je gelukkig?" Maar het artikel zegt dat dit is alsof je een verlegen persoon vraagt of hij luidruchtig is; culturele vooroordelen en hoe mensen overkomen willen worden, kunnen de resultaten vertekenen.
De Ontbrekende Gegevens: Veel landen, vooral ontwikkelingslanden, hebben geen gegevens voor alles. Misschien zijn ze vergeten om twintig jaar lang de prijs van brood bij te houden, of hebben ze niet geteld hoeveel artsen er in een specifieke regio zijn. Als je alleen de landen met ontbrekende gegevens wegwerpt, verlies je een enorm deel van het plaatje.

2. De Oplossing: De "AI-Reparatiewerkplaats"

Om de ontbrekende pagina's in de rapportcijfers te repareren, gebruikten de auteurs Machine Learning als een reparatiewerkplaats.

De Analogie: Stel je voor dat je een legpuzzel hebt waarvan 40% van de stukjes ontbreeft. Je kunt niet zomaar willekeurig gokken. In plaats daarvan kijk je naar de stukjes die je wel hebt. Als je een patroon ziet van een blauwe lucht en groen gras, kun je redelijkerwijs raden dat het ontbrekende stukje in het midden waarschijnlijk ook blauw of groen is.
Het Instrument: Ze gebruikten twee slimme computermodellen (genaamd Random Forest en MICE) om als deskundige gokkers te fungeren. Deze modellen keken naar de relaties tussen verschillende feiten (zoals hoe het BBP meestal samenhangt met levensverwachting) om de lege plekken in te vullen met de meest waarschijnlijke cijfers. Ze testten deze modellen om er zeker van te zijn dat de "gokken" perfect pasten bij het originele plaatje.

3. Het Bouwen van de Index: De Vier Zuilen

Zodra ze een volledige set gegevens hadden, hebben ze niet zomaar alles bij elkaar opgeteld. Ze organiseerden de gegevens in vier hoofd "zuilen" of categorieën, zoals de vier poten van een stevige tafel:

Economisch: Hoeveel geld is er? (Groei, banen, kosten van levensonderhoud).
Institutioneel: Hoe goed functioneert de overheid? (Is de wet eerlijk? Is er corruptie? Kunnen mensen vrij spreken?).
Kwaliteit van Leven: Hoe gezond en veilig zijn mensen? (Levensverwachting, toegang tot zorg, criminaliteitscijfers).
Duurzaamheid: Wordt de planeet goed behandeld? (Vervuiling, hernieuwbare energie, CO2-uitstoot).

4. Het "Magische Filter": Het Echte Verhaal Vinden

De auteurs hadden honderden verschillende cijfers (indicatoren). Om er zin aan te geven, gebruikten ze een statistische techniek genaamd Factoranalyse.

De Analogie: Stel je voor dat je een zak hebt met 100 verschillende gekleurde knikkers. Sommige zijn rood, andere blauw, andere groen. Factoranalyse is als een magisch filter dat ze sorteert in vier duidelijke bakken op basis van hun kleurpatronen. Het vertelt je: "Oké, deze 25 cijfers bewegen allemaal samen en vertegenwoordigen 'Economische Gezondheid', terwijl die andere 15 cijfers 'Overheidskwaliteit' vertegenwoordigen."
Dit stelde hen in staat om vier duidelijke deelscores voor elk land te creëren, die ze vervolgens combineerden in één definitieve score.

5. Wat Ze Vonden: Het Grote Plaatje

Ze draaiden deze index van 1970 tot 2022 en keken naar grote economieën zoals de VS, China, India, Australië en Duitsland.

De Ontwikkelde Naties: Landen als Australië, Duitsland en Japan scoorden consequent hoog. Zij hebben sterke "tafels" met alle vier de poten (economie, overheid, levenskwaliteit, milieu) die hoog staan.
De Opkomende Reuzen: Landen als China en India vertoonden enorme groei in hun Economische poot. Ze bouwen de tafel erg snel! Echter, hun Duurzaamheid en Kwaliteit van Leven poten moeten nog inhalen, wat betekent dat ze weliswaar rijk worden, maar nog steeds uitdagingen ervaren met vervuiling en toegang tot de gezondheidszorg.
De "Geluk" vs. "Ease of Living" Clash: Het artikel vergeleek hun nieuwe index met de beroemde "World Happiness Index". Ze vonden een grote discrepantie. Zo staat India bijvoorbeeld veel hoger op de nieuwe "Ease of Living" index (51ste) dan op de "Happiness" index (139ste).
- Waarom? De auteurs stellen dat de Happiness Index gebrekkig is omdat deze leunt op kleine enquêtes die geen miljarden mensen vertegenwoordigen en te veel focust op geld (BBP) zonder rekening te houden met hoe duur het leven is. Hun nieuwe index zegt: "India is misschien niet de 'gelukkigste' in een enquête, maar de werkelijke levensomstandigheden daar verbeteren en zijn beter dan de Happiness Index suggereert."

6. De Kernboodschap

De auteurs hebben niet alleen een lijst met cijfers gemaakt; ze hebben een transparant, reproduceerbaar instrument gebouwd.

Open Source: Ze hebben al hun code en gegevens op internet geplaatst (GitHub), zodat iedereen hun werk kan controleren of de index kan bijwerken.
Voor Beleidsmakers: Dit instrument helpt leiders om precies te zien waar hun land zwak is. Als een land het geweldig doet qua geld, maar verschrikkelijk qua vervuiling, licht de index een rood signaal op bij de "Duurzaamheid"-poot, wat hen vertelt: "Hé, verbeter dit specifieke deel van de tafel."

Kortom, dit artikel gaat over het bouwen van een eerlijker, completer rapportcijfer voor de wereld, door slimme computers te gebruiken om de gaten op te vullen, zodat we de werkelijke staat van hoe mensen leven kunnen zien, en niet alleen hoeveel geld ze verdienen.

Technische Samenvatting: Global Ease of Living Index (Global-EoLI)

Probleemstelling
Bestaande indices voor het beoordelen van de levenskwaliteit en het gemak van leven, zoals de World Happiness Index of de Global Livability Index, lijden aan aanzienlijke beperkingen. Deze omvatten een zware afhankelijkheid van subjectieve zelfgerapporteerde gegevens (wat culturele bias en effecten van sociale wenselijkheid introduceert), een gebrek aan transparantie in de wegingsmethodologieën, en een overmatige nadruk op geaggregeerde gegevens die de lokale realiteit mogelijk niet weerspiegelen. Bovendien slagen veel indices er niet in om het multidimensionale karakter van welzijn adequaat te vatten, waarbij economische factoren vaak geïsoleerd worden van socio-economische en infrastructurele omstandigheden. Een kritieke technische uitdaging is de prevalentie van ontbrekende gegevens in historische economische en sociale indicatoren, met name voor ontwikkelingslanden en specifieke perioden (bijv. de Cost of Living Index ontbrak van 1970–2012, de Healthcare Index ontbrak tot 92,44% in bepaalde perioden). Eenvoudige imputatiemethoden zoals gemiddelde substitutie of listwise deletie kunnen onderliggende datapatronen verstoren en leiden tot informatieverlies.

Methodologie
De auteurs stellen een machine learning-framework voor om een longitudinale Global Ease of Living Index (Global-EoLI) te construeren die de belangrijkste economieën beslaat van 1970 tot 2022. De methodologie verloopt via zeven afzonderlijke stappen:

Dataverzameling: Data werd geaggregeerd uit bronnen zoals de IMF, WHO en Wereldbank, dekkend voor 70 landen. De dataset bevat vier primaire sub-indices: Economisch, Institutioneel, Kwaliteit van Leven en Duurzaamheid.
Data-imputatie: Om ontbrekende waarden aan te pakken (variërend van ~2% tot meer dan 90% voor specifieke variabelen), vergelijkt de studie twee geavanceerde imputatietechnieken:
- Random Forest Regressor (RFR): Een ensemble-methode die in staat is complexe niet-lineaire relaties te vangen zonder sterke distributionele aannames.
- Multiple Imputation by Chained Equations (MICE): Een statistische techniek die meerdere plausibele datasets genereert om rekening te houden met de onzekerheid van de imputatie.
- Selectie: De studie evalueert beide methoden met behulp van Root Mean Square Error (RMSE) en Mean Absolute Error (MAE) op synthetische ontbrekende data. RFR vertoonde een superieure prestatie, met name bij het afhandelen van niet-lineaire en complexe milieudata, en werd geprioriteerd voor de uiteindelijke constructie van de index. Kernel Density Estimation (KDE) plots werden gebruikt om te verifiëren dat de geïmputeerde distributies overeenkwamen met de geobserveerde data.
Preprocessing en Standaardisatie: Data werd gegroepeerd per land en jaar. Ordinale en categorische variabelen werden verwijderd vóór standaardisatie. Continue variabelen ondergingen z-score standaardisatie ( $x - \mu / \sigma$ ) na imputatie om ervoor te zorgen dat de schaalparameters werden afgeleid van de volledige dataset, wat bias voorkomt.
Dimensiereductie en Sub-index Constructie:
- Principal Component Analysis (PCA): Gebruikt als een exploratief instrument om het gepaste aantal latente factoren te bepalen op basis van eigenvalue-analyse (Kaiser-criterium) en om de verklaarde variantie te beoordelen.
- Factoranalyse (FA): Toegepast met varimax-rotatie als de primaire methode om latente dimensies te extraheren en factor scores te berekenen. Deze stap identificeerde vier duidelijke factoren die overeenkomen met de vier sub-indices (Institutioneel, Kwaliteit van Leven, Economisch en Duurzaamheid). De Kaiser-Meyer-Olkin (KMO) test werd gebruikt om de representativiteit van de steekproef te verifiëren; opvallend genoeg vertoonde de Duurzaamheids-sub-index een zwakkere adequaatheid (KMO < 0,5 met RFR), wat leidde ertoe dat de auteurs de resultaten hiervan met voorzichtigheid behandelden en de voorkeur gaven aan MICE-gebaseerde specificaties voor deze specifieke dimensie.
Weging en Aggregatie: De vier sub-indices werden geaggregeerd tot de uiteindelijke Global-EoLI met vaste gewichten geïnspireerd door de Ease of Living Index van het Indiase Ministerie van Huisvesting en Stedelijke Zaken, maar aangepast om de afhankelijkheid van puur economische factoren te verminderen. De toegewezen gewichten waren:
- Kwaliteit van Leven: 0,35
- Economisch: 0,25
- Institutioneel: 0,25
- Duurzaamheid: 0,15
Longitudinale Analyse: De resulterende index werd gebruikt om landen jaarlijks te rangschikken van 1970 tot 2021, met een focus op G20-leden en een mix van ontwikkelde (bijv. VS, Duitsland, Australië) en ontwikkelende (bijv. India, China, Maleisië) naties.

Belangrijkste Resultaten

Imputatieprestaties: RFR presteerde beter dan MICE in termen van RMSE en MAE over de meeste sub-indices, met name in de domeinen Duurzaamheid en Kwaliteit van Leven waar de relaties tussen data niet-lineair zijn.
Factorstructuur: Factoranalyse identificeerde succesvol vier coherente latente factoren. De Institutionele factor werd gedomineerd door governance-indicatoren (Rechtsstaat, Controle op Corruptie), terwijl de Kwaliteit van Leven-factor werd gedreven door menselijke ontwikkelingsmetrieken (HDI, Levensverwachting).
Landenranglijsten (2021): Ontwikkelde landen (Australië, Japan, Canada, Duitsland) rangschikten consistent hoog in de Global-EoLI. Australië rangschikte 4e, gevolgd door Japan (8e) en Canada (17e). Opkomende economieën zoals India (51e) en China (41e) vertoonden lagere algemene rangschikkingen ondanks sterke economische groei, wat wijst op tekortkomingen in institutionele stabiliteit, kwaliteit van leven en duurzaamheid.
Vergelijking met Happiness Index: De studie vond significante verschillen tussen de Global-EoLI en de World Happiness Index. Zo rangschikte India bijvoorbeeld 51e op de Global-EoLI maar 139e op de Happiness Index. De auteurs schrijven dit toe aan de afhankelijkheid van de Happiness Index van kleine steekproeven (2.000–3.000 respondenten) voor enorme populaties en de zware weging van BBP per capita zonder correctie voor de kosten van levensonderhoud.
Robuustheid: Sensitiviteitsanalyse met alternatieve weegschema's (bijv. gelijke gewichten, hogere duurzaamheidsgewichten) toonde aan dat de rangschikkingen voor top-presterende ontwikkelde landen relatief stabiel bleven, terwijl opkomende economieën meer volatiliteit vertoonden, wat hun ongelijkmatige prestaties over de vier dimensies weerspiegelt.

Betekenis en Claims
Het artikel beweert een transparant, reproduceerbaar en uitgebreid kader te bieden voor het beoordelen van levensstandaarden dat de beperkingen van bestaande indices aanpakt. Belangrijke bijdragen zijn:

Methodologische Rigor: De integratie van machine learning (RFR) voor het afhandelen van hoge niveaus van ontbrekende data in longitudinale datasets, wat zorgt voor volledige data zonder terug te vallen op eenvoudige deletie.
Multidimensionaal Perspectief: Door Economische, Institutionele, Kwaliteit van Leven en Duurzaamheid dimensies te combineren, biedt de index een holistischer beeld van welzijn dan GDP-centrische of enkelvoudige factor-indices.
Beleid nut: Het framework dient als een praktisch instrument voor beleidsmakers om specifieke gebieden te identificeren die interventie vereisen (bijv. gezondheidszorgsystemen, openbare veiligheid, milieustabiliteit) over verschillende economische contexten heen.
Transparantie: De auteurs benadrukken dat de code en data open-source zijn, wat onafhankelijke verificatie en toepassing in andere contexten mogelijk maakt.

De auteurs erkennen bescheiden de beperkingen, waarbij zij opmerken dat variabelen met extreem hoge mate van ontbrekende gegevens (bijv. >80%) sterk leunen op model-gebaseerde reconstructie en met voorzichtigheid moeten worden geïnterpreteerd. Zij merken ook op dat de Duurzaamheids-sub-index een zwakkere factorstructuur betrouwbaarheid vertoonde vergeleken met andere dimensies. De studie concludeert dat hoewel de Global-EoLI verbeteringen biedt ten opzichte van bestaande metrieken, toekomstig werk de exploratie van Bayesiaanse inferentie voor onzekerheidskwantificering en de incorporatie van meer granulaire milieumetrieken moet verkennen.