📈 economics

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

Este artigo apresenta uma estrutura de aprendizado de máquina reprodutível que aborda lacunas de dados e utiliza redução de dimensionalidade para construir um Índice Global de Facilidade de Vivência abrangente e longitudinal para as principais economias desde 1970, fornecendo aos formuladores de políticas uma ferramenta transparente para identificar e melhorar áreas socioeconômicas e de infraestrutura fundamentais.

Autores originais: Arun Kumar Selvaraj, Tanay Panat, Rohitash Chandra

Publicado 2026-06-19

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Arun Kumar Selvaraj, Tanay Panat, Rohitash Chandra

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine tentar avaliar o boletim de um aluno, mas em vez de apenas olhar suas notas de matemática e leitura, você quer saber o quão feliz, saudável, seguro e próspero ele é de forma geral. Agora, imagine fazer isso para todos os países do mundo, mas com um grande problema: alguns dos boletins têm páginas faltando, cantos rasgados ou disciplinas inteiras que nunca foram avaliadas porque os dados não foram coletados.

Foi exatamente isso que os autores deste artigo se propuseram a fazer. Eles construíram um novo "boletim" para o mundo chamado Global Ease of Living Index (Global-EoLI). Veja como eles fizeram isso, explicado de forma simples:

1. O Problema: Peças Faltantes no Quebra-Cabeça

O mundo está cheio de diferentes formas de medir o quão boa é a vida (como o "Índice de Felicidade" ou o "PIB"), mas os autores argumentam que estes são falhos.

A Armadilha da "Felicidade": Alguns índices dependem de perguntar às pessoas: "Você está feliz?". Mas o artigo diz que isso é como perguntar a uma pessoa tímida se ela é barulhenta; vieses culturais e a forma como as pessoas querem ser vistas podem distorcer os resultados.
Os Dados Faltantes: Muitos países, especialmente os em desenvolvimento, não possuem registros para tudo. Talvez tenham esquecido de rastrear o preço do pão por 20 anos, ou não contaram quantos médicos existem em uma região específica. Se você simplesmente descartar os países com dados faltantes, perderá uma grande parte do quadro geral.

2. A Solução: A "Oficina de Reparos de IA"

Para consertar as páginas faltando nos boletins, os autores usaram o Aprendizado de Máquina (Machine Learning) como uma oficina de reparos.

A Analogia: Imagine que você tem um quebra-cabeça com 40% das peças faltando. Você não pode apenas adivinhar aleatoriamente. Em vez disso, você olha para as peças que tem. Se você vê um padrão de céu azul e grama verde, pode supor razoavelmente que a peça que falta no meio provavelmente também seja azul ou verde.
A Ferramenta: Eles usaram dois modelos de computador inteligentes (chamados Random Forest e MICE) para agir como adivinhos especialistas. Esses modelos observaram as relações entre diferentes fatos (como o fato de que o PIB geralmente se relaciona com a expectativa de vida) para preencher os espaços vazios com os números mais prováveis. Eles testaram esses modelos para garantir que as "suposições" se encaixassem perfeitamente na imagem original.

3. Construindo o Índice: Os Quatro Pilares

Uma vez que tiveram um conjunto completo de dados, eles não apenas somaram tudo. Eles organizaram os dados em quatro "pilares" ou categorias principais, como as quatro pernas de uma mesa robusta:

Econômico: Quanto dinheiro existe? (Crescimento, empregos, custo de vida).
Institucional: Quão bem o governo funciona? (A lei é justa? Existe corrupção? As pessoas podem falar livremente?).
Qualidade de Vida: Quão saudáveis e seguros são as pessoas? (Expectativa de vida, acesso à saúde, taxas de criminalidade).
Sustentabilidade: O planeta está sendo bem tratado? (Poluição, energia renovável, emissões de carbono).

4. O "Filtro Mágico": Encontrando a História Real

Eles tinham centenas de números diferentes (indicadores). Para dar sentido a eles, usaram uma técnica estatística chamada Análise Fatorial.

A Analogia: Imagine que você tem um saco de 100 bolas de gude de cores diferentes. Algumas são vermelhas, outras azuis, outras verdes. A Análise Fatorial é como um filtro mágico que as separa em quatro baldes distintos baseados em seus padrões de cor. Ela diz: "Ok, esses 25 números todos se movem juntos e representam a 'Saúde Econômica', enquanto esses 15 números representam a 'Qualidade do Governo'".
Isso permitiu que criassem quatro sub-pontuações claras para cada país, que depois combinaram em uma pontuação final única.

5. O Que Eles Descobriram: O Quadro Geral

Eles rodaram este índice de 1970 a 2022 e observaram grandes economias como EUA, China, Índia, Austrália e Alemanha.

As Nações Desenvolvidas: Países como Austrália, Alemanha e Japão pontuaram consistentemente alto. Eles possuem "mesas" fortes com todas as quatro pernas (economia, governo, qualidade de vida, meio ambiente) erguidas.
Os Gigantes em Ascensão: Países como China e Índia mostraram um crescimento massivo em sua perna Econômica. Eles estão construindo a mesa muito rápido! No entanto, suas pernas de Sustentabilidade e Qualidade de Vida ainda estão alcançando o restante, o que significa que estão enriquecendo, mas ainda enfrentam desafios com poluição e acesso à saúde.
O Conflito "Felicidade" vs. "Facilidade de Viver": O artigo comparou seu novo índice com o famoso "Índice Mundial de Felicidade". Eles encontraram uma grande desconexão. Por exemplo, a Índia classifica muito mais alto no novo índice de "Facilidade de Viver" (51º) do que no índice de "Felicidade" (139º).
- Por quê? Os autores argumentam que o Índice de Felicidade é falho porque depende de pequenas pesquisas que não representam bilhões de pessoas e foca demais no dinheiro (PIB) sem considerar o quão caro é o custo de vida. Seu novo índice diz: "A Índia pode não ser o país mais 'feliz' em uma pesquisa, mas as condições reais de vida lá estão melhorando e são melhores do que o Índice de Felicidade sugere".

6. A Conclusão

Os autores não apenas fizeram uma lista de números; eles construíram uma ferramenta transparente e reproduzível.

Código Aberto: Eles colocaram todo o seu código e dados na internet (GitHub) para que qualquer pessoa possa verificar seu trabalho ou usar o índice para atualizá-lo.
Para Formuladores de Políticas: Esta ferramenta ajuda os líderes a verem exatamente onde seu país é fraco. Se um país vai muito bem em dinheiro, mas muito mal em poluição, o índice acende uma bandeira vermelha na perna da "Sustentabilidade", dizendo: "Ei, conserte esta parte específica da mesa".

Em resumo, este artigo trata da construção de um boletim mais justo e completo para o mundo, usando computadores inteligentes para preencher as lacunas, para que possamos ver o verdadeiro estado de como as pessoas vivem, e não apenas quanto dinheiro elas ganham.

Resumo Técnico: Índice Global de Facilidade de Vida (Global-EoLI)

Definição do Problema
Os índices existentes para avaliar a qualidade de vida e a facilidade de vida, como o Índice Mundial da Felicidade ou o Índice Global de Habitabilidade, sofrem de limitações significativas. Estas incluem uma forte dependência de dados subjetivos autorrelatados (o que introduz viés cultural e efeitos de desejabilidade social), uma falta de transparência nas metodologias de ponderação e uma dependência excessiva de dados agregados que podem não refletir as realidades locais. Além disso, muitos índices falham em capturar adequadamente a natureza multidimensional do bem-estar, frequentemente isolando fatores econômicos de condições socioeconômicas e infraestruturais. Um desafio técnico crítico é a prevalência de dados ausentes em indicadores econômicos e sociais históricos, particularmente para nações em desenvolvimento e períodos específicos (por exemplo, o Índice de Custo de Vida ausente de 1970 a 2012, o Índice de Saúde ausente em até 92,44% em certos períodos). Métodos simples de imputação, como substituição pela média ou exclusão de lista, podem distorcer os padrões subjacentes dos dados e levar à perda de informação.

Metodologia
Os autores propõem uma estrutura de aprendizado de máquina para construir um Índice Global de Facilidade de Vida (Global-EoLI) longitudinal, abrangendo as principais economias de 1970 a 2022. A metodologia procede através de sete etapas distintas:

Coleta de Dados: Os dados foram agregados de fontes incluindo o FMI, a OMS e o Banco Mundial, abrangendo 70 países. O conjunto de dados inclui quatro subíndices primários: Econômico, Institucional, Qualidade de Vida e Sustentabilidade.
Imputação de Dados: Para lidar com valores ausentes (variando de ~2% a mais de 90% para variáveis específicas), o estudo compara duas técnicas avançadas de imputação:
- Regressor de Floresta Aleatória (RFR): Um método de conjunto (ensemble) capaz de capturar relações não lineares complexas sem pressuposições distributivas fortes.
- Imputação Múltipla por Equações Encadeadas (MICE): Uma técnica estatística que gera múltiplos conjuntos de dados plausíveis para contabilizar a incerteza da imputação.
- Seleção: O estudo avalia ambos os métodos usando o Erro Quadrático Médio (RMSE) e o Erro Absoluto Médio (MAE) em dados sintéticos ausentes. O RFR demonstrou desempenho superior, particularmente ao lidar com dados ambientais não lineares e complexos, e foi priorizado para a construção do índice final. Gráficos de Estimativa de Densidade de Kernel (KDE) foram usados para verificar se as distribuições imputadas alinhavam-se com os dados observados.
Pré-processamento e Padronização: Os dados foram agrupados por país e ano. Variáveis ordinais e categóricas foram removidas antes da padronização. Variáveis contínuas passaram por padronização z-score ( $x - \mu / \sigma$ ) após a imputação para garantir que os parâmetros de escala fossem derivados do conjunto de dados completo, evitando viés.
Redução de Dimensionalidade e Construção de Subíndices:
- Análise de Componentes Principais (PCA): Utilizada como uma ferramenta exploratória para determinar o número apropriado de fatores latentes com base na análise de autovalores (critério de Kaiser) e para avaliar a variância explicada.
- Análise Fatorial (FA): Empregada com rotação varimax como o método principal para extrair dimensões latentes e calcular escores fatoriais. Esta etapa identificou quatro fatores distintos correspondentes aos quatro subíndices (Institucional, Qualidade de Vida, Econômico e Sustentabilidade). O teste de Kaiser-Meyer-Olkin (KMO) foi usado para verificar a adequação da amostragem; notadamente, o subíndice de Sustentabilidade mostrou adequação mais fraca (KMO < 0,5 com RFR), levando os autores a tratar seus resultados com cautela e preferir especificações baseadas em MICE para esta dimensão específica.
Ponderação e Agregação: Os quatro subíndices foram agregados no Global-EoLI final usando pesos fixos inspirados no Índice de Facilidade de Vida do Ministério da Habitação e Assuntos Urbanos da Índia, mas ajustados para reduzir a dependência de fatores puramente econômicos. Os pesos atribuídos foram:
- Qualidade de Vida: 0,35
- Econômico: 0,25
- Institucional: 0,25
- Sustentabilidade: 0,15
Análise Longitudinal: O índice resultante foi utilizado para classificar os países anualmente de 1970 a 2021, com foco nos membros do G20 e uma mistura de nações desenvolvidas (ex: EUA, Alemanha, Austrália) e em desenvolvimento (ex: Índia, China, Malásia).

Principais Resultados

Desempenho da Imputação: O RFR superou o MICE em termos de RMSE e MAE na maioria dos subíndices, particularmente nos domínios de Sustentabilidade e Qualidade de Vida, onde as relações de dados são não lineares.
Estrutura Fatorial: A Análise Fatorial identificou com sucesso quatro fatores latentes coerentes. O fator Institucional foi dominado por indicadores de governança (Estado de Direito, Controle de Corrupção), enquanto o fator Qualidade de Vida foi impulsionado por métricas de desenvolvimento humano (IDH, Expectativa de Vida).
Classificação de Países (2021): Nações desenvolvidas (Austrália, Japão, Canadá, Alemanha) classificaram-se consistentemente alto no Global-EoLI. A Austrália ficou em 4º lugar, seguida pelo Japão (8º) e Canadá (17º). Economias emergentes como a Índia (51º) e a China (41º) mostraram classificações gerais mais baixas, apesar do forte crescimento econômico, destacando lacunas na estabilidade institucional, qualidade de vida e sustentabilidade.
Comparação com o Índice da Felicidade: O estudo encontrou disparidades significativas entre o Global-EoLI e o Índice Mundial da Felicidade. Por exemplo, a Índia ocupou o 51º lugar no Global-EoLI, mas o 139º no Índice da Felicidade. Os autores atribuem isso à dependência do Índice da Felicidade em amostras pequenas (2.000–3.000 respondentes) para populações massivas e sua forte ponderação do PIB per capita sem o ajuste pelo custo de vida.
Robustez: A análise de sensibilidade usando esquemas de ponderação alternativos (ex: pesos iguais, pesos maiores para sustentabilidade) mostrou que as classificações das principais nações desenvolvidas permaneceram relativamente estáveis, enquanto as economias emergentes mostraram mais volatilidade, refletindo seu desempenho desigual através das quatro dimensões.

Significância e Alegações
O artigo afirma oferecer um framework transparente, reproduzível e abrangente para avaliar padrões de vida que aborda as limitações de índices existentes. As principais contribuições são:

Rigor Metodológico: A integração de aprendizado de máquina (RFR) para lidar com altos níveis de dados ausentes em conjuntos de dados longitudinais, garantindo a completude dos dados sem recorrer a exclusões simplistas.
Perspectiva Multidimensional: Ao combinar as dimensões Econômica, Institucional, Qualidade de Vida e Sustentabilidade, o índice oferece uma visão mais holística do bem-estar do que índices centrados no PIB ou de fator único.
Utilidade para Políticas Públicas: O framework serve como uma ferramenta prática para formuladores de políticas identificarem áreas específicas que exigem intervenção (ex: sistemas de saúde, segurança pública, sustentabilidade ambiental) em diferentes contextos econômicos.
Transparência: Os autores enfatizam que o código e os dados são de código aberto, permitindo a verificação independente e aplicação em outros contextos.

Os autores reconhecem modestamente as limitações, observando que variáveis com ausência extremamente alta (ex: >80%) dependem fortemente de reconstrução baseada em modelos e devem ser interpretadas com cautela. Eles também observam que o subíndice de Sustentabilidade exibiu uma estrutura fatorial mais fraca em comparação com outras dimensões. O estudo conclui que, embora o Global-EoLI melhore em relação aos índices existentes, trabalhos futuros devem explorar a inferência Bayesiana para quantificação de incerteza e incorporar métricas ambientais mais granulares.