تقدير الحالة الحقيقية للفقر العالمي باستخدام التعلم الآلي

يُقدم تعاون بين جامعة كاليفورنيا في بيركلي وجامعة ستانفورد وشركة فيسبوك صورة أعمق وأكثر تفصيلاً للحالة الفعلية للفقر في الدول وعبرها، من خلال استخدام التعلم الآلي.

البحث ، الذي يحمل عنوان تقديرات دقيقة للثروة لجميع البلدان المنخفضة والمتوسطة الدخل، يرافقه موقع إلكتروني تجريبي يسمح للمستخدمين بالاستكشاف التفاعلي للحالة الاقتصادية المطلقة وال相対ية لمناطق دقيقة ومجالات الفقر في البلدان المنخفضة والمتوسطة الدخل.

يدمج الإطار البيانات من صور الأقمار الصناعية والخرائط الطوبوغرافية وشبكات الهواتف المحمولة والبيانات المجمعة والمجهولة من فيسبوك، ويتم التحقق منها مقابل استطلاعات مكثفة وجهاً لوجه، لغرض الإبلاغ عن تفاوت الثروة النسبي في منطقة ما، بدلاً من التقديرات المطلقة للدخل.

خريطة للفقر العالمي، مع التركيز على المناطق الأكثر تضرراً. أسفل، تصاميم لمدينة جنوب أفريقيا ولسوتو (ب)؛ منطقة تبلغ 12 كيلومترًا مربعًا حول مدينة خاييليتسا بالقرب من كيب تاون. مصدر: https://arxiv.org/ftp/arxiv/papers/2104/2104.07761.pdf

لقد تم تبني النظام من قبل حكومة نيجيريا كأساس لإدارة برامج الحماية الاجتماعية، ويعمل بالتزامن مع الإطار الحالي من البنك الدولي، مشروع الشبكات الاجتماعية الوطنية (NASSP). في فبراير، تم دفع أول المستفيدين في الإطار بمبلغ 5000 نيرة نيجيرية، وهو مبلغ قابل للدفع لمدة تصل إلى ستة أشهر، حتى يتم الوصول إلى عتبة مليون نيرة نيجيرية.

يؤكد البحث أن فقر البيانات يساهم بشكل ملحوظ في توزيع المساعدات بشكل غير صحيح في البلدان التي تفتقر إلى الموارد أو البنية التحتية للجمع البيانات، وأن الإبلاغ المتحيز سياسياً (مشكلة ليست مقتصرة على البلدان المنخفضة الدخل) هو أيضًا عاملاً في هذا الصدد.

تسجيل “الفقر غير المبلور”

أظهرت محاكاة الباحثين على البيانات أن نظام التوزيع القائم على هذا النظام يزيد من الدفع للمستفيدين الأكثر حاجة ويقلل من الدفع للمستفيدين الحاليين في الفئات الدخلية الأعلى. كما يشير البحث إلى صعوبة مواجهة مشرفي برامج الحماية الاجتماعية في تخصيص الموارد عند بداية أزمة كوفيد-19، بسبب عدم وجود بيانات شاملة أو مفصلة. في نيجيريا، على سبيل المثال، تغطي أحدث بيانات الاستطلاع الأسر في 13.8٪ فقط من جميع المناطق النيجيرية، مقارنةً بالغطاء الكامل الذي يوفره النظام الجديد.

ركز العمل السابق في تقدير الفقر بمساعدة الذكاء الاصطناعي بشكل رئيسي على البيانات المكتسبة من الأقمار الصناعية (انظر أدناه)، لكن الباحثين يؤكدون أن البيانات من الاتصالات المتنقلة توفر رؤية أكثر دقة وتفصيلاً لتفاوت الثروة عبر المناطق، وهذه التيار من البيانات يوفر نصف جميع البيانات المساهمة في المشروع.

من وجهة نظر التعميم في بيانات التعلم الآلي، يلاحظ الباحثون أن النماذج المدربة في بلد يمكن أن تكون نموذجًا مفيدًا ودقيقًا للنماذج التي تغطي البلدان المجاورة. كما يلاحظون أن الإطار الجديد لا يمكنه فقط التمييز بين المناطق الحضرية والريفية، بل يمكنه أيضًا تقديم خرائط التفاوت داخل المناطق الحضرية، وهو ما يتجاوز نطاق العديد من المبادرات البحثية الحديثة في هذا القطاع.

صور الأقمار الصناعية في تحليل الفقر

مبدأ تحليل الفقر القائم على صور الأقمار الصناعية هو افتراض أن الناس الفقراء لديهم القليل من المال لتشغيل الأضواء الكهربائية في ساعة الظلام، أو قد لا يكون لديهم منشأة أضواء كهربائية على الإطلاق. حيث يمكن ربط غياب الأضواء الدقيقة بالوجود الناس، كما تم تحديده من خلال وسائل أخرى (مثل بيانات الاتصالات المتنقلة)، يمكن إنشاء دليل للحرمان.

تم اقتراح هذه التقنية في عام 2016 في ورقة ستانفورد السابقة من مجموعة بحثية أخرى. أ술ت الطريقة المحددة في تلك الورقة رائدة في استخدام تغطية الأقمار الصناعية في وقت المساء التي قدمها برنامج الأقمار الصناعية الدفاعية للمناخ من القوات الجوية الأمريكية (DMSP) عبر الإدارة الوطنية للمحيطات والغلاف الجوي (NOAA-NGDC).

تم تحديد أربعة مرشحات التجميع لخصائص تتعلق بالمناطق الحضرية، المناطق الريفية، الماء والطرقات. تظهر الصفحة العليا الصور المصدر من جوجل مابس، والصفحة الوسطى خرائط تفعيل المرشحات من تحليل التعلم الآلي، والصفحة السفلية تلاعب خرائط التفعيل على صور الخرائط الأصلية. مصدر: https://science.sciencemag.org/content/sci/353/6301/790.full.pdf

الحقيقة الأرضية لإحصاءات الفقر العالمية

للمشروع الجديد في ستانفورد، قرر الباحثون استخراج إطار البيانات من برنامج المسح الديموغرافي والصحي (DHS) الحالي، على الرغم من أنهم يعترفون بأن هذا يكرر مخطط DHS في مجموعة البيانات. يلاحظ الباحثون: ‘لقد اخترنا تدريب نموذجنا حصريًا على بيانات DHS لأنها هي المصدر الأكثر شمولاً للبيانات العامة المتاحة والمعيارية دوليًا والتي توفر تقديرات الثروة على مستوى الأسرة مع علامات جغرافية فرعية.’

然而، يعمل المشروع بdecision أعلى من DHS، ويوفر استخدام الإطار الحالي كحقيقة أرضية فوائد δύο: أولاً، لا تعتمد بيانات DHS على الإبلاغ الرسمي عن الدخل، وهو مُشير غير موثوق به في البلدان الأكثر تضرراً من الفقر، حيث توجد اقتصادات السوق السوداء؛ وثانيًا، يتم جمع البيانات بطريقة معيارية وطبقًا لنمط دولي يسمح لإطار الباحثين بشمول بلدان أخرى خاضعة لهذا الأسلوب من القياس، بدلاً من إنشاء التكافؤات عبر الإطارات التنافسية.

التواصل المتنقل كأداة اقتصادية

لأشخاص يعيشون في مناطق تواجه تحديات اقتصادية، أصبحت الاتصالات المتنقلة خطًا حياتيًا تكنولوجيًا خلال العقدين الماضيين، منذ أن أصبحت الهواتف المحمولة هي المنصة التكنولوجية الأدنى المتاحة التي يمكن الاعتماد عليها في هذه الظروف. كما أصبحت الهواتف المحمولة منصات دفع de facto للمستفيدين الذين يفتقرون إلى حساب بنكي أو وسائل تقليدية لاستلام الأموال.

然而، كما لوحظ من قبل، استخدام مؤشرات الشبكات المتنقلة كأداة اقتصادية لأنظمة التعلم الآلي قد يكون له بعض العيوب المحتملة: هناك أشخاص في المناطق المتضررة الذين هم فقراء جدًا بحيث لا يمتلكون حتى هاتفًا محمولًا – الأشخاص الذين صمم النظام لهم؛ يمكن أن يتم لعب النظام من قبل مستخدمين مع هواتف محمولة متعددة في ظروف حيث أصبحت الهاتف بمثابة معرف فريد للمواطنين؛ وهناك عواقب على الخصوصية لإنشاء نظام تحديد هكذا، في حالات حيث يحتفظ الحكومة المحلية أو الوطنية ببعض الإشراف على المشروع.