Εκτίμηση της πραγματικής κατάστασης της παγκόσμιας φτώχειας με τη μηχανική μάθηση

Μια συνεργασία από το UoC Berkeley, το Πανεπιστήμιο του Στάνφορντ και το Facebook προσφέρει μια βαθύτερη και πιο αναλυτική εικόνα της πραγματικής κατάστασης της φτώχειας εντός και μεταξύ των εθνών, μέσω της χρήσης της μηχανικής μάθησης.

Η έρευνα, με τίτλο Μικροεκτιμήσεις πλούτου για όλες τις χώρες χαμηλού και μεσαίου εισοδήματος, συνοδεύεται από α ιστοσελίδα beta που επιτρέπει στους χρήστες να εξερευνούν διαδραστικά την απόλυτη και σχετική οικονομική κατάσταση των λεπτών περιοχών και των θυλάκων της φτώχειας σε χώρες χαμηλού και μεσαίου εισοδήματος.

Το πλαίσιο ενσωματώνει δεδομένα από δορυφορικές εικόνες, τοπογραφικούς χάρτες, δίκτυα κινητής τηλεφωνίας και συγκεντρωτικά ανώνυμα δεδομένα από το Facebook και επαληθεύεται έναντι εκτεταμένων ερευνών πρόσωπο με πρόσωπο, για σκοπούς αναφοράς της σχετικής ανισότητας πλούτου σε μια περιοχή, αντί για απόλυτες εκτιμήσεις εισοδήματος .

Ένας χάρτης της παγκόσμιας φτώχειας, σταθμισμένος στις περιοχές που έχουν πληγεί περισσότερο. Κάτω, διευρύνσεις της Νότιας Αφρικής και του Λεσότο (β). μια περιοχή 12 τετραγωνικών χιλιομέτρων γύρω από τον δήμο Khayelitsa κοντά στο Κέιπ Τάουν. Πηγή: https://arxiv.org/ftp/arxiv/papers/2104/2104.07761.pdf

Το σύστημα ήταν θετός από την κυβέρνηση της Νιγηρίας ως βάση για τη διαχείριση προγραμμάτων κοινωνικής προστασίας, και λειτουργεί παράλληλα με το υφιστάμενο πλαίσιο της Παγκόσμιας Τράπεζας, το Εθνικό Έργο Διχτύων Κοινωνικής Ασφάλειας (NASSP). Τον Φεβρουάριο στους πρώτους αποδέκτες του καθεστώτος καταβλήθηκε έμβασμα 5000 νάιρα Νιγηρίας, ένα όφελος που καταβάλλεται έως και έξι μήνες, έως ότου επιτευχθεί το όριο του ενός εκατομμυρίου νάιρα.

Το έγγραφο υποστηρίζει ότι φτώχεια δεδομένων συμβάλλει αξιοσημείωτα στην εσφαλμένη κατανομή της βοήθειας σε χώρες με ελάχιστους πόρους συλλογής δεδομένων ή περιορισμένη υποδομή, καθώς και σε παραπλανητικές αναφορές με πολιτικά κίνητρα (πρόβλημα μη περιορισμένο σε χώρες χαμηλού εισοδήματος) αποτελεί επίσης παράγοντα από την άποψη αυτή.

Εγγραφή των «Μη δηλωθέντων φτωχών»

Οι προσομοιώσεις των ερευνητών στα δεδομένα έδειξαν ότι, βάσει των υφιστάμενων κανονισμών για την κατανομή των πόρων βοήθειας, η διανομή που βασίζεται σε αυτό το σύστημα αυξάνει τις πληρωμές σε όσους έχουν μεγαλύτερη ανάγκη και μειώνει τις πληρωμές για τους υφιστάμενους αποδέκτες με υψηλότερα εισοδήματα. Το έγγραφο επισημαίνει επίσης τη δυσκολία που αντιμετώπισαν οι διαχειριστές προγραμμάτων κοινωνικής προστασίας στην κατανομή πόρων βοήθειας στην αρχή της κρίσης του COVID-19, λόγω της έλλειψης περιεκτικών ή λεπτομερών δεδομένων. Στη Νιγηρία, για παράδειγμα, τα πιο πρόσφατα δεδομένα έρευνας καλύπτουν νοικοκυριά σε μόλις 13.8% όλων των περιοχών της Νιγηρίας, σε σύγκριση με την κάλυψη 100% που παρέχει το νέο σύστημα.

Οι προηγούμενες εργασίες στην εκτίμηση της φτώχειας με τη βοήθεια τεχνητής νοημοσύνης επικεντρώθηκαν σε μεγάλο βαθμό σε δεδομένα που ελήφθησαν από δορυφόρους (βλ. παρακάτω), αλλά οι ερευνητές υποστηρίζουν ότι τα δεδομένα από τη συνδεσιμότητα κινητής τηλεφωνίας αποκτούν μια πιο ακριβή και λεπτομερή εικόνα για την ανισότητα πλούτου μεταξύ των περιοχών, και αυτή η ροή πληροφοριών παρέχει το ήμισυ όλα τα δεδομένα που συνεισφέρουν στο έργο.

Από τη σκοπιά της γενίκευσης στα δεδομένα μηχανικής μάθησης, οι ερευνητές παρατηρούν ότι τα μοντέλα που εκπαιδεύονται σε μία χώρα μπορούν να είναι ένα ωφέλιμο και ακριβές πρότυπο για μοντέλα που καλύπτουν γειτονικές χώρες. Σημειώνουν επίσης ότι το νέο πλαίσιο είναι σε θέση όχι μόνο να κάνει διάκριση μεταξύ αστικών και αγροτικών περιοχών, αλλά είναι ικανό να παρέχει χάρτες ανισοτήτων εντός αστικοποιημένων περιοχών, κάτι που υπερβαίνει το εύρος πολλών πρόσφατων ερευνητικών πρωτοβουλιών σε αυτόν τον τομέα.

Δορυφορικές εικόνες σε ανάλυση φτώχειας

Το βασικό στοιχείο πίσω από την ανάλυση φτώχειας που βασίζεται σε δορυφόρους είναι η υπόθεση ότι οι φτωχοί άνθρωποι έχουν λίγα χρήματα για να λειτουργήσουν ηλεκτρικά φώτα την ώρα του σκότους ή μπορεί να μην έχουν καθόλου εγκαταστάσεις ηλεκτρικού φωτισμού. Όπου η απουσία ακριβών φώτων μπορεί να συσχετιστεί με την παρουσία ανθρώπων, όπως διαπιστώνεται με άλλα μέσα (όπως δεδομένα συνδεσιμότητας κινητής τηλεφωνίας), μπορεί να δημιουργηθεί ένας δείκτης στέρησης.

Αυτή η τεχνική προτάθηκε το 2016 σε ένα παλαιότερη εφημερίδα του Στάνφορντ από άλλη ερευνητική ομάδα. Η μέθοδος που περιγράφεται σε αυτό το έγγραφο πρωτοστάτησε στη χρήση βραδινής δορυφορικής κάλυψης που παρέχεται από το Μετεωρολογικό Δορυφορικό Πρόγραμμα Άμυνας της Αεροπορίας των Ηνωμένων Πολιτειών (DMSP) μέσω της Εθνικής Υπηρεσίας Ωκεανών και Ατμόσφαιρας (NOAA-NGDC).

Τέσσερα συνελικτικά φίλτρα προσδιορίζουν, από αριστερά προς τα δεξιά, χαρακτηριστικά που σχετίζονται με αστικές ζώνες, αγροτικές ζώνες, νερό και δρόμους. Η επάνω σειρά εμφανίζει εικόνες πηγής από τους Χάρτες Google, στη μέση τους χάρτες ενεργοποίησης φίλτρου από ανάλυση μηχανικής εκμάθησης και στην κάτω σειρά μια επικάλυψη χαρτών ενεργοποίησης στις αρχικές εικόνες χάρτη. Πηγή: https://science.sciencemag.org/content/sci/353/6301/790.full.pdf

Το έργο Stanford συσχέτισε τα φιλτραρισμένα στοιχεία των νυχτερινών φώτων στη δορυφορική επιτήρηση με τη δική του βάση δεδομένων των ερευνών του DHS για το έτος που πραγματοποιήθηκαν τόσο οι έρευνες όσο και τα συγκεντρωτικά δορυφορικά αποτελέσματα. Ήταν απαραίτητο να εγκαθιδρύω μέσοι όροι του αθροίσματος των τιμών νυχτερινού φωτός ως δείκτες για ορισμένους οικονομικούς δείκτες.

Βασική αλήθεια για τις παγκόσμιες στατιστικές φτώχειας

Για το νέο έργο του Stanford, οι ερευνητές αποφάσισαν να αντλήσουν το πλαίσιο δεδομένων από την υπάρχουσα δημογραφική έρευνα και έρευνα για την υγεία (DHS) Πρόγραμμα, παρόλο που, όπως παραδέχονται, αυτό αναπαράγει αποτελεσματικά το σχήμα DHS στο σύνολο δεδομένων. Οι ερευνητές παρατηρούν: «Επιλέξαμε να εκπαιδεύσουμε το μοντέλο μας αποκλειστικά σε δεδομένα DHS, επειδή είναι η πιο ολοκληρωμένη ενιαία πηγή δημοσίως διαθέσιμων, διεθνώς τυποποιημένων δεδομένων πλούτου που παρέχει εκτιμήσεις πλούτου σε επίπεδο νοικοκυριού με υποπεριφερειακούς γεωδείκτες».

Ωστόσο, το έργο λειτουργεί σε πολύ υψηλότερη ανάλυση από το DHS και η χρήση του υπάρχοντος πλαισίου ως βασικής αλήθειας παρέχει δύο πλεονεκτήματα: πρώτον, τα δεδομένα του DHS δεν βασίζονται στην επίσημη αναφορά εισοδήματος, κάτι που είναι αναξιόπιστος δείκτης στις χώρες που επηρεάζονται περισσότερο από φτώχεια, όπου οι οικονομίες της μαύρης αγοράς είναι γεμάτες. και δεύτερον, τα δεδομένα συλλέγονται με τυποποιημένο τρόπο και σε ένα διεθνές πρότυπο που επιτρέπει στο πλαίσιο των ερευνητών να συμπεριλάβει άλλες χώρες που υπόκεινται σε αυτή τη μέθοδο μέτρησης, αντί να καθιερώνει ισοδυναμίες σε ανταγωνιστικά πλαίσια.

Η συνδεσιμότητα κινητής τηλεφωνίας ως οικονομικός δείκτης

Για τους ανθρώπους που ζουν σε οικονομικά προβληματικές περιοχές, η συνδεσιμότητα κινητής τηλεφωνίας έχει γίνει τεχνολογική σανίδα σωτηρίας τις τελευταίες δύο δεκαετίες, καθώς τα κινητά τηλέφωνα είναι η ελάχιστη διαθέσιμη τεχνολογική πλατφόρμα στην οποία μπορεί κανείς να βασιστεί σε τέτοιες συνθήκες. Τα κινητά έχουν γίνει επίσης στην πραγματικότητα πλατφόρμες πληρωμής για αποδέκτες βοήθειας που δεν διαθέτουν τραπεζικό λογαριασμό ή άλλα συμβατικά μέσα λήψης χρημάτων.

Ωστόσο, όπως έγινε παρατηρήθηκε πριν, η χρήση δεικτών δικτύου κινητής τηλεφωνίας ως οικονομικού δείκτη για συστήματα μηχανικής μάθησης έχει ορισμένα πιθανά μειονεκτήματα: υπάρχουν άνθρωποι στις πληγείσες περιοχές που είναι τόσο φτωχοί που δεν έχουν καν κινητό τηλέφωνο – οι ίδιοι οι άνθρωποι που το σύστημα έχει σχεδιαστεί περισσότερο για να βοηθήσει. το σύστημα θα μπορούσε ενδεχομένως να παιχτεί από χρήστες με πολλά κινητά τηλέφωνα σε περιπτώσεις όπου ένα τηλέφωνο έχει μετατραπεί σε διακομιστή μεσολάβησης για μοναδικούς κατακερματισμούς ταυτότητας πολιτών. και υπάρχουν επιπτώσεις στην προστασία της ιδιωτικής ζωής στη δημιουργία αυτού του είδους συστήματος αναγνώρισης, σε περιπτώσεις όπου η τοπική ή η εθνική κυβέρνηση διατηρεί κάποια επίβλεψη του έργου.