Die wahre Situation der globalen Armut mit Machine Learning schätzen

Eine Zusammenarbeit von UoC Berkeley, Stanford University und Facebook bietet ein tieferes und detaillierteres Bild der tatsächlichen Situation der Armut in und zwischen Ländern durch den Einsatz von Machine Learning.

Die Forschung, betitelt Mikroschätzungen des Vermögens für alle niedrigen und mittleren Einkommensländer, wird von einer Beta-Website begleitet, die es Benutzern ermöglicht, die absolute und relative wirtschaftliche Situation feiner Gebiete und Armutspockets in niedrigen und mittleren Einkommensländern interaktiv zu erkunden.

Das Framework integriert Daten aus Satellitenbildern, topografischen Karten, Mobilfunknetzen und aggregierten anonymisierten Daten von Facebook und wird gegen umfangreiche Face-to-Face-Umfragen verifiziert, um die relative Wohlstandsdifferenz in einer Region zu melden, anstatt absolute Einkommensschätzungen.

Eine Karte der globalen Armut, gewichtet auf die am stärksten betroffenen Gebiete. Unten, Vergrößerungen von Südafrika und Lesotho (b); ein 12 km² großes Gebiet um die Khayelitsa-Township in der Nähe von Kapstadt. Quelle: https://arxiv.org/ftp/arxiv/papers/2104/2104.07761.pdf

Das System wurde von der Regierung Nigerias als Grundlage für die Verwaltung von Sozialprogrammen übernommen und läuft in Verbindung mit dem bestehenden Framework der Weltbank, dem National Social Safety Nets Project (NASSP). Im Februar wurden die ersten Empfänger unter dem Programm eine Barzahlung von 5000 Nigerianischen Naira erhalten, ein Vorteil, der bis zu sechs Monate gezahlt wird, bis ein Schwellenwert von einer Million Naira erreicht ist.

Die Studie behauptet, dass Datenarmut einen bemerkenswerten Beitrag zur falschen Verteilung von Hilfe in Ländern mit minimalen Ressourcen für Datenerfassung oder begrenzter Infrastruktur leistet und dass politisch motivierte Falschberichterstattung (ein Problem, das nicht auf niedrige Einkommensländer beschränkt ist) ebenfalls ein Faktor in dieser Hinsicht ist.

Registrierung der ‘unregistrierten Armen’

Die Simulationen der Forscher auf den Daten zeigten, dass unter den bestehenden Vorschriften für die Zuweisung von Hilfsressourcen die Verteilung auf der Grundlage dieses Systems die Zahlung an die Bedürftigsten erhöht und die Zahlung für bestehende Empfänger in höheren Einkommensgruppen verringert. Die Studie weist auch auf die Schwierigkeit hin, mit der die Verwalter von Sozialprogrammen bei der Zuweisung von Hilfsressourcen zu Beginn der COVID-19-Krise konfrontiert waren, aufgrund des Fehlens umfassender oder detaillierter Daten. In Nigeria beispielsweise decken die neuesten Umfragedaten nur 13,8 % aller nigerianischen Distrikte ab, im Vergleich zu den 100 % Abdeckung, die das neue System bietet.

Frühere Arbeiten zur AI-gestützten Armutsschätzung haben sich hauptsächlich auf satellitengewonnene Daten konzentriert (siehe unten), aber die Forscher behaupten, dass Daten aus der Mobilfunkverbindung eine genauere und detailliertere Einsicht in die Wohlstandsdifferenz zwischen Regionen bieten, und diese Informationsquelle liefert die Hälfte aller beitragenden Daten für das Projekt.

Aus der Sicht der Verallgemeinerung in Machine-Learning-Daten beobachten die Forscher, dass Modelle, die in einem Land trainiert werden, ein nützliches und genaues Template für Modelle in angrenzenden Ländern sein können. Sie weisen auch darauf hin, dass das neue Framework nicht nur zwischen städtischen und ländlichen Gebieten unterscheiden kann, sondern auch Wohlstandsdifferenzkarten innerhalb von städtischen Gebieten liefern kann, was den Umfang vieler neuer Forschungsinitiativen in diesem Sektor übertrifft.

Satellitenbilder in der Armutsanalyse

Das Prinzip hinter der satellitengestützten Armutsanalyse ist die Annahme, dass arme Menschen wenig Geld haben, um elektrische Lichter in der Dunkelheit zu betreiben, oder möglicherweise keine elektrische Lichtanlage haben. Wo das Fehlen von präzisen Lichtern mit der Anwesenheit von Menschen korreliert werden kann, wie durch andere Mittel (wie Mobilfunkdaten) festgestellt, kann ein Index der Deprivation erstellt werden.

Diese Technik wurde 2016 in einem früheren Stanford-Papier von einer anderen Forschergruppe vorgeschlagen. Die in diesem Papier beschriebene Methode hat den Einsatz von Abend-Satellitenbildern bereitgestellt, die von dem Verteidigungs-Meteorologischen Satellitenprogramm (DMSP) der US-Luftwaffe über die National Oceanic and Atmospheric Administration (NOAA-NGDC) bereitgestellt werden.

Vier konvolutionale Filter identifizieren, von links nach rechts, Merkmale, die mit städtischen Zonen, ländlichen Zonen, Wasser und Straßen in Verbindung stehen. Die obere Zeile zeigt Quellbilder von Google Maps, die mittlere Zeile die Filter-Aktivierungs-Karten von der Machine-Learning-Analyse und die untere Zeile eine Überlagerung der Aktivierungs-Karten auf die ursprüngliche Karten-Bilder. Quelle: https://science.sciencemag.org/content/sci/353/6301/790.full.pdf

Das Stanford-Projekt korrelierte die gefilterten Nachweise von Nachtlichtern in der Satellitenüberwachung mit seiner eigenen Datenbank von DHS-Umfragen für das Jahr, in dem sowohl die Umfragen als auch die aggregierten Satellitenergebnisse auftraten. Es war notwendig, Durchschnittswerte der Summe der Nachtlichtwerte als Proxy für bestimmte Wirtschaftsindikatoren zu etablieren.

Grundwahrheit für globale Armutstatistiken

Für das neue Stanford-Projekt entschieden sich die Forscher, das Datenframework aus dem bestehenden Demografischen und Gesundheits-Überwachungs-Programm (DHS) abzuleiten, obwohl sie zugeben, dass dies das DHS-Schema im Datensatz effektiv repliziert. Die Forscher bemerken: ‘Wir haben uns entschieden, unser Modell ausschließlich auf DHS-Daten zu trainieren, da es die umfassendste einzige Quelle öffentlich verfügbarer, international standardisierter Wohlstandsdaten ist, die Haushalts-Wohlstandsschätzungen mit subregionalen Geo-Markern liefert.’

Das Projekt operiert jedoch mit einer viel höheren Auflösung als DHS und die Verwendung des bestehenden Frameworks als Grundwahrheit bietet zwei Vorteile: Erstens sind die DHS-Daten nicht auf die formelle Berichterstattung von Einkommen angewiesen, was in den am stärksten von Armut betroffenen Ländern ein unzuverlässiger Indikator ist, wo Schwarzmärkte verbreitet sind; und zweitens werden die Daten in standardisierter Weise und nach einem internationalen Template gesammelt, das es dem Framework der Forscher ermöglicht, andere Länder einzubeziehen, die diesem Messverfahren unterliegen, anstatt Äquivalenzen zwischen konkurrierenden Frameworks herzustellen.

Mobilfunkverbindung als Wirtschaftsindex

Für Menschen, die in wirtschaftlich benachteiligten Gebieten leben, ist die Mobilfunkverbindung in den letzten zwei Jahrzehnten zu einer technologischen Lebenslinie geworden, da Mobiltelefone die Mindesttechnologie sind, auf die in solchen Bedingungen zugegriffen werden kann. Mobiltelefone sind auch zu de facto-Zahlungsplattformen für Hilfeempfänger geworden, die über kein Bankkonto oder andere konventionelle Mittel zur Empfangnahme von Geld verfügen.

Es wurde jedoch bereits beobachtet, dass die Verwendung von Mobilfunk-Netzindikatoren als Wirtschaftsindex für Machine-Learning-Systeme einige potenzielle Nachteile hat: Es gibt Menschen in den betroffenen Regionen, die so arm sind, dass sie nicht einmal ein Mobiltelefon besitzen – die Menschen, denen das System am meisten helfen soll; das System könnte von Benutzern mit mehreren Mobiltelefonen in Situationen, in denen ein Telefon zu einem Proxy für eindeutige ID-Hashes von Bürgern geworden ist, manipuliert werden; und es gibt Datenschutzimplikationen bei der Erstellung eines solchen Identifizierungssystems, insbesondere in Fällen, in denen die lokale oder nationale Regierung einige Aufsicht über das Projekt behält.