Estimar l'estat real de la pobresa global amb l'aprenentatge automàtic

Una col·laboració de la UoC Berkeley, la Universitat de Stanford i Facebook ofereix una imatge més profunda i granular de l'estat real de la pobresa als països i entre ells, mitjançant l'ús de l'aprenentatge automàtic.

El investigació, titulat Microestimacions de riquesa per a tots els països de renda baixa i mitjana, va acompanyat d'a lloc web beta que permet als usuaris explorar de manera interactiva l'estat econòmic absolut i relatiu de les zones i les bosses de pobresa de gran fi als països d'ingressos baixos i mitjans.

El marc incorpora dades d'imatges de satèl·lit, mapes topogràfics, xarxes de telefonia mòbil i dades anònimes agregades de Facebook, i es verifica amb extenses enquestes presencials, per tal d'informar sobre la disparitat relativa de la riquesa en una regió, en lloc d'estimacions absolutes d'ingressos. .

Un mapa de la pobresa global, ponderat cap a les zones més afectades. Abaix, ampliacions de Sud-àfrica i Lesotho (b); una àrea de 12 quilòmetres quadrats al voltant del municipi de Khayelitsa prop de Ciutat del Cap. Font: https://arxiv.org/ftp/arxiv/papers/2104/2104.07761.pdf

El sistema ha estat adoptat pel govern de Nigèria com a base per a l'administració de programes de protecció social, i s'executa conjuntament amb el marc existent del Banc Mundial, el Projecte Nacional de xarxes de seguretat social (NASSP). Al febrer, als primers beneficiaris del programa se'ls va pagar una transferència en efectiu de 5000 naira nigeriana, un benefici pagable fins a sis mesos, fins que s'assoleixi el llindar d'un milió de naira.

El paper ho afirma pobresa de dades contribueix notablement a la distribució incorrecta de l'ajuda en països amb recursos mínims de recollida de dades o infraestructures limitades, i que els informes erròniament motivats per motius polítics (un problema no limitat als països de baixos ingressos) també és un factor en aquest sentit.

Registre dels "pobres no denunciats"

Les simulacions dels investigadors sobre les dades van demostrar que, d'acord amb la normativa existent per a l'assignació de recursos d'ajuda, la distribució basada en aquest sistema augmenta el pagament als més necessitats i disminueix el pagament dels beneficiaris existents en els trams d'ingressos més elevats. El document també assenyala la dificultat amb què es van trobar els administradors dels programes de protecció social per destinar els recursos d'ajuda a l'inici de la crisi de la COVID-19, a causa de la manca de dades exhaustives o detallades. A Nigèria, per exemple, les dades de l'enquesta més recent cobreixen les llars en només el 13.8% de tots els districtes nigerians, en comparació amb la cobertura del 100% que ofereix el nou esquema.

El treball anterior en l'estimació de la pobresa assistida per IA s'ha concentrat principalment en les dades obtingudes per satèl·lit (vegeu més avall), però els investigadors afirmen que les dades de la connectivitat mòbil obtenen una visió més precisa i granular de la disparitat de riquesa entre regions, i aquest flux d'informació proporciona la meitat de totes les dades aportades al projecte.

Des del punt de vista de la generalització de les dades d'aprenentatge automàtic, els investigadors observen que els models formats en un país poden ser una plantilla beneficiosa i precisa per als models que cobreixen països adjacents. També assenyalen que el nou marc no només és capaç de distingir entre localitats urbanes i rurals, sinó que és capaç de proporcionar mapes de disparitat dins les zones urbanitzades, cosa que supera l'abast de moltes iniciatives de recerca recents en aquest sector.

Imatges de satèl·lit en l'anàlisi de la pobresa

El principal darrere de l'anàlisi de la pobresa basada en satèl·lit és la presumpció que les persones pobres tenen pocs diners per fer funcionar llums elèctriques a l'hora de la foscor, o potser no tenen cap instal·lació de llum elèctrica. Quan l'absència de llums puntuals es pot correlacionar amb la presència de persones, tal com es constata per altres mitjans (com les dades de connectivitat mòbil), es pot generar un índex de privació.

Aquesta tècnica es va proposar l'any 2016 en un document anterior de Stanford d'un altre grup de recerca. El mètode detallat en aquest document va ser pioner en l'ús de la cobertura de satèl·lit al vespre proporcionada pel Programa de satèl·lits meteorològics de defensa de la força aèria dels Estats Units (DMSP) a través de l'Administració nacional oceànica i atmosfèrica (NOAA-NGDC).

Quatre filtres convolucionals identifiquen, d'esquerra a dreta, característiques que es relacionen amb zones urbanes, zones rurals, aigua i carreteres. La fila superior mostra les imatges d'origen de Google Maps, la part central els mapes d'activació del filtre de l'anàlisi d'aprenentatge automàtic i la fila inferior una superposició de mapes d'activació a les imatges del mapa original. Font: https://science.sciencemag.org/content/sci/353/6301/790.full.pdf

El projecte de Stanford va correlacionar l'evidència filtrada de les llums nocturnes a la vigilància per satèl·lit amb la seva pròpia base de dades d'enquestes DHS per a l'any en què es van produir tant les enquestes com els resultats agregats dels satèl·lits. Era necessari establir mitjanes de la suma dels valors de la llum nocturna com a indicadors aproximats de determinats indicadors econòmics.

Veritat bàsica per a les estadístiques de pobresa global

Per al nou projecte de Stanford, els investigadors van decidir derivar el marc de dades de l'Enquesta demogràfica i de salut existent (DHS) Programa, tot i que, com admeten, replica efectivament l'esquema DHS al conjunt de dades. Els investigadors observen: "Vam optar per entrenar el nostre model exclusivament en dades DHS perquè és la font única més completa de dades de riquesa estandarditzades internacionalment i disponibles públicament que proporciona estimacions de riquesa a nivell de les llars amb geomarcadors subregionals".

No obstant això, el projecte funciona a una resolució molt superior a la del DHS, i utilitzar el marc existent com a veritat bàsica ofereix dos avantatges: en primer lloc, les dades del DHS no es basen en la declaració formal d'ingressos, que és un indicador poc fiable als països més afectats per la pobresa, on les economies del mercat negre són abundants; i en segon lloc, les dades es recullen de manera estandarditzada i amb una plantilla internacional que permet que el marc dels investigadors abasti altres països que estan subjectes a aquest mètode de mesura, en lloc d'establir equivalències entre marcs competidors.

La connectivitat mòbil com a índex econòmic

Per a les persones que viuen en zones amb dificultats econòmiques, la connectivitat mòbil s'ha convertit en una línia de vida tecnològica durant les últimes dues dècades, ja que els telèfons mòbils són la plataforma tecnològica mínima disponible en la qual es pot confiar en aquestes condicions. Els telèfons mòbils també s'han convertit de facto plataformes de pagament per als destinataris de l'ajuda que no tinguin un compte bancari o altres mitjans convencionals per rebre diners.

Tanmateix, com ha estat observat abans, l'ús d'indicadors de xarxa mòbil com a índex econòmic per als sistemes d'aprenentatge automàtic té alguns inconvenients potencials: hi ha persones a les regions afectades que són tan pobres que ni tan sols posseeixen un telèfon mòbil, les mateixes persones a les quals el sistema està més dissenyat per ajudar; El sistema podria ser jugat per usuaris amb diversos telèfons mòbils en circumstàncies en què un telèfon s'hagi convertit en un intermediari per a hash d'identificació únic dels ciutadans; i hi ha implicacions de privadesa per crear aquest tipus de sistema d'identificació, en els casos en què el govern local o nacional manté una certa supervisió del projecte.