تقدير الحالة الحقيقية للفقر العالمي باستخدام التعلم الآلي

تعاون بين جامعة كاليفورنيا بيركلي وجامعة ستانفورد وفيسبوك يقدم 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 يسمح للمستخدمين بالاستكشاف التفاعلي للحالة الاقتصادية المطلقة وال tương đối للمناطق والمناطق الفقيرة في البلدان المنخفضة والمتوسطة الدخل.

تتضمن الإطار البيانات من الصور الفضائية والخرائط التوبوغرافية وشبكات الهواتف المحمولة والبيانات المجمعة والمجهولة من فيسبوك، ويتأكد من صحتها من خلال استطلاعات وجهًا لوجه شاملة، لغرض الإبلاغ عن تفاوت الثروة النسبي في المنطقة، بدلاً من التقديرات المطلقة للدخل.

خريطة للفقر العالمي، مع وزن أكبر للمناطق الأكثر تأثرا. أدناه، تكبيرات لجنوب أفريقيا ولسوتو (ب)؛ منطقة 12 كيلومترًا مربعًا حول بلدة خاييليتسا بالقرب من كيب تاون. مصدر: https://arxiv.org/ftp/arxiv/papers/2104/2104.07761.pdf

تم採 هذا النظام من قبل حكومة نيجيريا كأساس لتوفير برامج الحماية الاجتماعية، ويعمل جنبًا إلى جنب مع الإطار الحالي من البنك العالمي، مشروع الشبكات الاجتماعية الوطنية (NASSP). في فبراير، تلقى المستفيدون الأولون في الخطة تحويل نقدي بقيمة 5000 نायरا نيجيري، وهو منفعة يمكن دفعها لمدة تصل إلى ستة أشهر، حتى يتم الوصول إلى عتبة مليون نايرا.

يؤكد البحث على أن فقر البيانات يساهم بشكل ملحوظ في توزيع المساعدات بشكل غير صحيح في البلدان التي تفتقر إلى الموارد أو البنية التحتية المحدودة، وأن الإبلاغ السياسي الخاطئ (مشكلة لا تقتصر على البلدان المنخفضة الدخل) هو أيضًا عاملاً في هذا الصدد.

تسجيل الفقر غير المعلن

أظهرت محاكاة الباحثين على البيانات أن النظام يزيد من الدفع للمستحقين الأكثر حاجة ويقلل من الدفع للمستفيدين الحاليين في الفئات الدخلية الأعلى. كما يلاحظ البحث صعوبة موظفي إدارة برامج الحماية الاجتماعية في تخصيص الموارد عند بداية أزمة كوفيد-19، بسبب نقص البيانات الشاملة أو المفصلة. في نيجيريا، على سبيل المثال، تغطي أحدث بيانات المسح الأسرية 13.8٪ فقط من جميع المناطق النيجيرية، مقارنةً بالتغطية الكاملة التي توفرها الخطة الجديدة.

ركزت الأعمال السابقة في تقدير الفقر بمساعدة التعلم الآلي بشكل رئيسي على البيانات التي تم الحصول عليها من الصور الفضائية (انظر أدناه)، ولكن يؤكد الباحثون على أن البيانات من الاتصالات المتنقلة توفر رؤية أكثر دقة و تفصيلاً لتفاوت الثروة عبر المناطق، وهذه المعلومات توفر نصف جميع البيانات المساهمة في المشروع.

من منظور التعميم في بيانات التعلم الآلي، يلاحظ الباحثون أن النماذج التي تم تدريبها في بلد يمكن أن تكون قوالب مفيدة ودقيقة لبلدان مجاورة. كما يلاحظون أن الإطار الجديد يمكنه تمييز المناطق الحضرية والريفية، ويمكنه تقديم خرائط للتفاوت داخل المناطق الحضرية، مما يتجاوز نطاق العديد من المبادرات البحثية الحديثة في هذا القطاع.

الصورة الفضائية في تحليل الفقر

مبدأ تحليل الفقر بالصور الفضائية يعتمد على افتراض أن الأشخاص 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 البشري، كما تم تحديده بوسائل أخرى (مثل بيانات الاتصالات المتنقلة)، يمكن إنشاء دليل للحرمان.

تم اقتراح هذه التقنية في عام 2016 في ورقة ستانفورد السابقة من مجموعة بحثية أخرى. طوّر البحث المُقدم في ذلك البحث استخدام تغطية الصور الفضائية في وقت المساء التي قدمتها برنامج الطائرات الفضائية العسكرية الأمريكية للطقس (DMSP) عبر الإدارة الوطنية للمحيطات والغلاف الجوي (NOAA-NGDC).

تعرف أربعة مرشحات توافقية على الميزات التي تتعلق بالمناطق الحضرية والريفية والمياه والطرقات. تظهر الصفحة العليا الصور الأصلية من جوجل مابز، والصفحة الوسطى خرائط تفعيل المرشحات من تحليل التعلم الآلي، والصفحة السفلى طبقة خرائط التفعيل على صور الخرائط الأصلية. مصدر: https://science.sciencemag.org/content/sci/353/6301/790.full.pdf

الحقيقة الأرضية لاحصاءات الفقر العالمية

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

然而، يعمل المشروع بقرار أعلى بكثير من DHS، ويوفر استخدام الإطار الحالي كحقيقة أرضية فوائد δύο: أولاً، لا تعتمد بيانات DHS على الإبلاغ الرسمي عن الدخل، وهو مؤشر غير موثوق به في البلدان الأكثر تأثرًا بالفقر، حيث توجد اقتصادات سوق سوداء؛ وثانيًا، يتم جمع البيانات بطريقة معيارية ودونية، مما يسمح لإطار الباحثين بشمول بلدان أخرى خاضعة لهذه الطريقة من القياس، بدلاً من إنشاء التكافؤات عبر الإطارات التنافسية.

التواصل المتنقل كمرجع اقتصادي

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 де facto منصات دفع للمستفيدين من المساعدات الذين يفتقرون إلى حساب بنكي أو وسائل تقليدية لاستلام الأموال.

然而، كما لاحظ من قبل، استخدام مؤشرات الشبكات المتنقلة كمرجع اقتصادي لأنظمة التعلم الآلي له بعض العيوب المحتملة: هناك أشخاص في المناطق المتأثرة الذين يفتقرون حتى إلى هاتف محمول – الأشخاص الذين يهدف النظام إلى مساعدتهم بشكل رئيسي؛ يمكن أن يتم خداع النظام من قبل المستخدمين الذين لديهم هواتف محمولة متعددة في ظروف حيث أصبحت الهاتف بمثابة وكيل فريد للمواطنين؛ وهناك عواقب على الخصوصية لإنشاء نظام تحديد بهذا النوع، في الحالات التي تحتفظ الحكومة المحلية أو الوطنية ببعض الإشراف على المشروع.