مراقبة
تقدير الحالة الحقيقية للفقر العالمي من خلال التعلم الآلي
يقدم التعاون بين جامعة كاليفورنيا في بيركلي وجامعة ستانفورد وفيسبوك صورة أعمق وأكثر تفصيلاً للحالة الفعلية للفقر في الدول وفيما بينها، من خلال استخدام التعلم الآلي.
أكثر من بحث، مخول تقديرات صغيرة للثروة لجميع البلدان منخفضة ومتوسطة الدخل، يرافقه موقع بيتا التي تتيح للمستخدمين استكشاف الحالة الاقتصادية المطلقة والنسبية للمناطق الدقيقة وجيوب الفقر بشكل تفاعلي في البلدان المنخفضة والمتوسطة الدخل.
يشتمل الإطار على بيانات من صور الأقمار الصناعية والخرائط الطبوغرافية وشبكات الهاتف المحمول والبيانات المجمعة مجهولة المصدر من Facebook ، ويتم التحقق منه مقابل استطلاعات الرأي الشاملة وجهًا لوجه ، لأغراض الإبلاغ عن التفاوت النسبي في الثروة في المنطقة ، بدلاً من التقديرات المطلقة للدخل .
خريطة للفقر العالمي ، مرجحة نحو المناطق الأكثر تضرراً. الأدنى ، توسعات جنوب أفريقيا وليسوتو (ب) ؛ منطقة 12sqkm حول بلدة Khayelitsa بالقرب من كيب تاون. المصدر: https://arxiv.org/ftp/arxiv/papers/2104/2104.07761.pdf
لقد كان النظام اعتمد من قبل حكومة نيجيريا كأساس لإدارة برامج الحماية الاجتماعية ، وتعمل جنبًا إلى جنب مع الإطار الحالي من البنك الدولي ، مشروع شبكات الأمان الاجتماعي الوطني (ناسب). في فبراير ، تم دفع تحويل نقدي إلى المستفيدين الأوائل بموجب المخطط بقيمة 5000 نيرة نيجيرية ، وهي ميزة مستحقة الدفع تصل إلى ستة أشهر ، حتى الوصول إلى عتبة المليون نيرة.
الورقة تؤكد ذلك فقر البيانات يقدم مساهمة ملحوظة في التوزيع غير الصحيح للمساعدات في البلدان ذات الحد الأدنى من موارد جمع البيانات أو البنية التحتية المحدودة ، وهذا الإبلاغ الخاطئ بدوافع سياسية (مشكلة غير محدود إلى البلدان المنخفضة الدخل) هو أيضًا عامل في هذا الصدد.
تسجيل "الفقراء غير المبلغ عنهم"
أظهرت عمليات المحاكاة التي أجراها الباحثون على البيانات أنه في ظل اللوائح الحالية لتخصيص موارد المساعدات، فإن التوزيع القائم على هذا النظام يزيد من المدفوعات المقدمة إلى الفئات الأكثر احتياجًا، ويقلل المدفوعات المقدمة للمستفيدين الحاليين من ذوي الدخل المرتفع. كما تشير الورقة البحثية إلى الصعوبة التي واجهها القائمون على برامج الحماية الاجتماعية في تخصيص موارد المساعدات في بداية أزمة كوفيد-19، نظرًا لنقص البيانات الشاملة أو التفصيلية. ففي نيجيريا، على سبيل المثال، تغطي أحدث بيانات المسح الأسر في 13.8% فقط من جميع المقاطعات النيجيرية، مقارنةً بتغطية 100% التي يوفرها النظام الجديد.
ركز العمل السابق في تقدير الفقر بمساعدة الذكاء الاصطناعي إلى حد كبير على البيانات التي تم الحصول عليها من الأقمار الصناعية (انظر أدناه) ، لكن الباحثين يؤكدون أن البيانات من اتصال الهاتف المحمول تحصل على رؤية أكثر دقة ودقة في تفاوت الثروة عبر المناطق ، ويوفر تدفق المعلومات هذا نصف جميع البيانات المساهمة للمشروع.
من وجهة نظر التعميم في بيانات التعلم الآلي ، لاحظ الباحثون أن النماذج المدربة في دولة واحدة يمكن أن تكون نموذجًا مفيدًا ودقيقًا للنماذج التي تغطي البلدان المجاورة. كما أشاروا إلى أن الإطار الجديد قادر ليس فقط على التمييز بين المناطق الحضرية والريفية ، ولكنه قادر على توفير خرائط التباين داخل المناطق الحضرية ، وهو ما يتجاوز نطاق العديد من المبادرات البحثية الحديثة في هذا القطاع.
صور الأقمار الصناعية في تحليل الفقر
يتمثل العامل الرئيسي وراء تحليل الفقر المستند إلى الأقمار الصناعية في افتراض أن الفقراء لديهم القليل من المال لتشغيل الأضواء الكهربائية في ساعة الظلام ، أو قد لا يكون لديهم مرفق إضاءة كهربائي على الإطلاق. حيث يمكن ربط غياب الأضواء الدقيقة بوجود الأشخاص ، كما تم التأكد من ذلك بوسائل أخرى (مثل بيانات الاتصال بالهاتف المحمول) ، يمكن إنشاء فهرس للحرمان.
تم اقتراح هذه التقنية في عام 2016 في ورقة ستانفورد السابقة من مجموعة بحثية أخرى. كانت الطريقة المفصلة في تلك الورقة رائدة في استخدام التغطية الساتلية في وقت المساء التي يوفرها برنامج الأقمار الصناعية للأرصاد الجوية التابع للقوات الجوية الأمريكية (DMSP) عبر الإدارة الوطنية للمحيطات والغلاف الجوي (NOAA-NGDC).
تحدد أربعة مرشحات تلافيفية ، من اليسار إلى اليمين ، السمات التي تتعلق بالمناطق الحضرية والمناطق الريفية والمياه والطرق. يعرض الصف العلوي صور المصدر من خرائط Google ، ويظهر في المنتصف خرائط تنشيط الفلتر من تحليل التعلم الآلي ، والصف السفلي عبارة عن تراكب لخرائط التنشيط على صور الخريطة الأصلية. المصدر: https://science.sciencemag.org/content/sci/353/6301/790.full.pdf
ربط مشروع ستانفورد الأدلة المصفاة للأضواء الليلية في مراقبة الأقمار الصناعية بقاعدة البيانات الخاصة به لمسوح DHS للعام الذي حدثت فيه المسوحات ونتائج الأقمار الصناعية المجمعة. كان من الضروري إنشاء متوسطات مجموع قيم الإضاءة الليلية كنماذج بديلة لبعض المؤشرات الاقتصادية.
الأرض الحقيقة لإحصائيات الفقر العالمي
بالنسبة لمشروع ستانفورد الجديد ، قرر الباحثون اشتقاق إطار البيانات من المسح الديموغرافي والصحي الحالي (DHS) البرنامج ، على الرغم من تنازلهم ، فإن هذا يكرر بشكل فعال مخطط DHS في مجموعة البيانات. لاحظ الباحثون: "لقد اخترنا تدريب نموذجنا حصريًا على بيانات وزارة الأمن الداخلي لأنها المصدر الأكثر شمولاً للبيانات المتاحة للجمهور والموحدة دوليًا والتي توفر تقديرات الثروة على مستوى الأسرة مع العلامات الجغرافية الفرعية الإقليمية."
ومع ذلك، يعمل المشروع بدقة أعلى بكثير من بيانات المسح الديمغرافي والصحي، واستخدام الإطار الحالي كحقيقة أساسية يوفر فائدتين: أولاً، لا تعتمد بيانات المسح الديمغرافي والصحي على التقارير الرسمية عن الدخل، وهو مؤشر غير موثوق به في البلدان الأكثر تضرراً من الفقر، حيث تنتشر اقتصادات السوق السوداء؛ وثانياً، يتم جمع البيانات بطريقة موحدة ووفقاً لنموذج دولي يسمح لإطار الباحثين بأن يشمل بلداناً أخرى تخضع لهذه الطريقة من القياس، بدلاً من إقامة معادلات بين الأطر المتنافسة.
اتصال المحمول كمؤشر اقتصادي
بالنسبة للأشخاص الذين يعيشون في المناطق التي تعاني من تحديات اقتصادية ، أصبح الاتصال بالهاتف المحمول شريان الحياة التكنولوجي على مدى العقدين الماضيين ، نظرًا لأن الهواتف المحمولة هي الحد الأدنى من المنصة التكنولوجية المتاحة التي يمكن الاعتماد عليها في مثل هذه الظروف. أصبحت الهواتف المحمولة أيضًا في الواقع منصات الدفع لمتلقي المساعدات الذين يفتقرون إلى حساب مصرفي أو وسائل تقليدية أخرى لتلقي الأموال.
ومع ذلك ، كما كان لوحظ من قبلاستخدام مؤشرات شبكة الهاتف المحمول كمؤشر اقتصادي لأنظمة التعلم الآلي له بعض العيوب المحتملة: هناك أشخاص في المناطق المتضررة فقراء لدرجة أنهم لا يمتلكون حتى هاتفًا محمولًا - وهم الأشخاص الذين صمم النظام للمساعدة ؛ من المحتمل أن يتم التلاعب بالنظام من قبل المستخدمين بهواتف محمولة متعددة في الظروف التي يصبح فيها الهاتف وكيلاً لتجزئة هوية المواطنين الفريدة ؛ وهناك آثار تتعلق بالخصوصية لإنشاء هذا النوع من نظام تحديد الهوية ، في الحالات التي تحتفظ فيها الحكومة المحلية أو الوطنية ببعض الإشراف على المشروع.
