Mit maschinellem Lernen den wahren Zustand der globalen Armut abschätzen

Eine Zusammenarbeit der UoC Berkeley, der Stanford University und Facebook bietet durch den Einsatz von maschinellem Lernen ein tieferes und detaillierteres Bild des tatsächlichen Zustands der Armut in und zwischen Ländern.

Das ForschungsprojekteTitel Mikro-Vermögensschätzungen für alle Länder mit niedrigem und mittlerem Einkommen, wird von a begleitet Beta-Website Dies ermöglicht Benutzern die interaktive Erkundung der absoluten und relativen wirtschaftlichen Lage fein gegliederter Gebiete und Armutsnester in Ländern mit niedrigem und mittlerem Einkommen.

Das Rahmenwerk umfasst Daten aus Satellitenbildern, topografischen Karten, Mobilfunknetzen und aggregierten anonymisierten Daten von Facebook und wird anhand umfangreicher persönlicher Umfragen überprüft, um relative Wohlstandsunterschiede in einer Region und nicht absolute Einkommensschätzungen zu ermitteln .

Eine Karte der globalen Armut, gewichtet nach den am stärksten betroffenen Gebieten. Unten: Erweiterungen von Südafrika und Lesotho (b); ein 12 Quadratkilometer großes Gebiet rund um das Township Khayelitsa in der Nähe von Kapstadt. Quelle: https://arxiv.org/ftp/arxiv/papers/2104/2104.07761.pdf

Das System war angenommen von der nigerianischen Regierung als Grundlage für die Verwaltung von Sozialschutzprogrammen verwendet und läuft parallel zum bestehenden Rahmenwerk der Weltbank, dem National Social Safety Nets Project (NASSP). Im Februar erhielten die ersten Empfänger des Programms eine Geldüberweisung in Höhe von 5000 nigerianischen Naira, eine Leistung, die bis zu sechs Monate lang ausgezahlt werden kann, bis die Schwelle von einer Million Naira erreicht ist.

Das behauptet das Blatt Datenarmut leistet einen erheblichen Beitrag zur falschen Verteilung der Hilfe in Ländern mit minimalen Datenerfassungsressourcen oder begrenzter Infrastruktur und politisch motivierter Fehlberichterstattung (ein Problem). nicht limitiert in einkommensschwache Länder) ist in diesem Zusammenhang ebenfalls ein Faktor.

Registrierung der „nicht gemeldeten Armen“

Die Simulationen der Forscher zu den Daten zeigten, dass im Rahmen der bestehenden Vorschriften für die Zuweisung von Hilfsressourcen eine Verteilung auf der Grundlage dieses Systems die Zahlungen an die Bedürftigsten erhöht und die Zahlungen für bestehende Empfänger in höheren Einkommensschichten verringert. Das Papier weist auch auf die Schwierigkeiten hin, mit denen die Verwalter von Sozialschutzprogrammen zu Beginn der COVID-19-Krise aufgrund des Mangels an umfassenden oder detaillierten Daten bei der Zuweisung von Hilfsressourcen konfrontiert waren. In Nigeria beispielsweise decken die neuesten Umfragedaten Haushalte in lediglich 13.8 % aller nigerianischen Bezirke ab, verglichen mit der 100 %igen Abdeckung, die das neue System bietet.

Frühere Arbeiten zur KI-gestützten Armutsschätzung konzentrierten sich größtenteils auf satellitengestützte Daten (siehe unten), aber die Forscher behaupten, dass Daten aus der mobilen Konnektivität einen genaueren und detaillierteren Einblick in die Wohlstandsunterschiede zwischen Regionen ermöglichen, und dieser Informationsstrom liefert die Hälfte davon alle beitragenden Daten für das Projekt.

Unter dem Gesichtspunkt der Verallgemeinerung maschineller Lerndaten stellen die Forscher fest, dass in einem Land trainierte Modelle eine nützliche und genaue Vorlage für Modelle sein können, die benachbarte Länder abdecken. Sie stellen außerdem fest, dass das neue Rahmenwerk nicht nur in der Lage ist, zwischen städtischen und ländlichen Gebieten zu unterscheiden, sondern auch Disparitätskarten innerhalb urbanisierter Gebiete bereitzustellen, was den Rahmen vieler neuerer Forschungsinitiativen in diesem Sektor sprengt.

Satellitenbilder in der Armutsanalyse

Das Prinzip der satellitengestützten Armutsanalyse ist die Annahme, dass arme Menschen wenig Geld haben, um in der Dunkelheit elektrisches Licht zu betreiben, oder dass sie möglicherweise überhaupt keine Möglichkeit haben, elektrisches Licht zu betreiben. Wenn das Fehlen von punktuellen Lichtern mit der Anwesenheit von Menschen korreliert werden kann, wie sie durch andere Mittel (z. B. mobile Konnektivitätsdaten) ermittelt werden, kann ein Deprivationsindex erstellt werden.

Diese Technik wurde 2016 in einem vorgeschlagen frühere Stanford-Veröffentlichung aus einer anderen Forschungsgruppe. Die in diesem Artikel beschriebene Methode war Vorreiter bei der Nutzung der abendlichen Satellitenabdeckung, die vom United States Air Force Defense Meteorological Satellite Program (DMSP) über die National Oceanic and Atmospheric Administration (NOAA-NGDC) bereitgestellt wurde.

Vier Faltungsfilter identifizieren von links nach rechts Merkmale, die sich auf städtische Zonen, ländliche Zonen, Wasser und Straßen beziehen. Die obere Reihe zeigt Quellbilder von Google Maps, die mittlere die Filteraktivierungskarten aus der Analyse des maschinellen Lernens und die untere Reihe eine Überlagerung der Aktivierungskarten auf den Originalkartenbildern. Quelle: https://science.sciencemag.org/content/sci/353/6301/790.full.pdf

Das Stanford-Projekt korrelierte die gefilterten Beweise für Nachtlichter bei der Satellitenüberwachung mit seiner eigenen Datenbank von DHS-Erhebungen für das Jahr, in dem sowohl die Untersuchungen als auch die aggregierten Satellitenergebnisse stattfanden. Es war notwendig etablieren Durchschnittswerte der Summe der Nachtlichtwerte als Proxys für bestimmte Wirtschaftsindikatoren.

Grundwahrheit für globale Armutsstatistiken

Für das neue Stanford-Projekt entschieden sich die Forscher, das Datengerüst aus der bestehenden Demographic and Health Survey abzuleiten (DHS) Programm, obwohl es, wie sie einräumen, das DHS-Schema im Datensatz effektiv repliziert. Die Forscher beobachten: „Wir haben uns entschieden, unser Modell ausschließlich auf DHS-Daten zu trainieren, da es sich dabei um die umfassendste einzelne Quelle öffentlich verfügbarer, international standardisierter Vermögensdaten handelt, die Vermögensschätzungen auf Haushaltsebene mit subregionalen Geomarkern liefert.“

Allerdings arbeitet das Projekt mit einer weitaus höheren Auflösung als das DHS, und die Verwendung des bestehenden Rahmenwerks als Grundwahrheit bietet zwei Vorteile: Erstens basieren die DHS-Daten nicht auf formellen Einkommensmeldungen, was in den am stärksten betroffenen Ländern ein unzuverlässiger Indikator ist Armut, wo Schwarzmarktwirtschaft weit verbreitet ist; und zweitens werden die Daten auf standardisierte Weise und nach einer internationalen Vorlage gesammelt, die es den Forschern ermöglicht, andere Länder, die dieser Messmethode unterliegen, in den Rahmen der Forscher einzubeziehen, anstatt Äquivalenzen zwischen konkurrierenden Rahmenwerken herzustellen.

Mobile Konnektivität als Wirtschaftsindex

Für Menschen, die in wirtschaftlich benachteiligten Gebieten leben, ist die mobile Konnektivität in den letzten zwei Jahrzehnten zu einer technologischen Lebensader geworden, da Mobiltelefone die minimal verfügbare technologische Plattform sind, auf die man sich unter solchen Bedingungen verlassen kann. Mobiltelefone sind auch geworden de facto Zahlungsplattformen für Hilfsempfänger, die kein Bankkonto oder andere herkömmliche Mittel zum Geldempfang haben.

Wie auch immer vorher beobachtetDie Verwendung von Mobilfunknetzindikatoren als Wirtschaftsindex für maschinelle Lernsysteme hat einige potenzielle Nachteile: Es gibt Menschen in den betroffenen Regionen, die so arm sind, dass sie nicht einmal ein Mobiltelefon besitzen – genau die Menschen, denen das System am meisten helfen soll; Das System könnte möglicherweise von Benutzern mit mehreren Mobiltelefonen manipuliert werden, wenn ein Telefon zum Proxy für eindeutige ID-Hashes von Bürgern geworden ist. und die Schaffung eines solchen Identifizierungssystems hat Auswirkungen auf die Privatsphäre, wenn die lokale oder nationale Regierung eine gewisse Aufsicht über das Projekt behält.