Εκτιμώντας την Πραγματική Κατάσταση της Παγκόσμιας Φτώχειας με τη Βοήθεια του Μηχανικού Μάθησης

Μια συνεργασία από το UoC Berkeley, το Πανεπιστήμιο του Στάνφορντ και την Facebook προσφέρει μια πιο sâuιά και πιο λεπτομερή εικόνα της πραγματικής κατάστασης της φτώχειας σε και μεταξύ των εθνών, μέσω της χρήσης του μηχανικού μάθησης.

Η ερευνά, με τίτλο Μικρο-εκτιμήσεις του Πλούτου για όλες τις Χώρες με Χαμηλό και Μέσο Επίπεδο Εισοδήματος, συνοδεύεται από ένα βета ιστοχώρο που επιτρέπει στους χρήστες να εξερευνούν διαδραστικά την απόλυτη και σχετική οικονομική κατάσταση των λεπτομερών περιοχών και των τσεπών της φτώχειας στις χώρες με χαμηλό και μέσο επίπεδο εισοδήματος.

Το πλαίσιο ενσωματώνει δεδομένα από δορυφορικές εικόνες, τοπογραφικούς χάρτες, δίκτυα κινητής τηλεφωνίας και συναθροισμένα ανώνυμα δεδομένα από την Facebook, και επαληθεύεται έναντι εκτεταμένων προσωπικών ερευνών, για τους σκοπούς της αναφοράς της σχετικής διαφοράς του πλούτου σε μια περιοχή, αντί για απόλυτες εκτιμήσεις του εισοδήματος.

Χάρτης της φτώχειας του κόσμου, με βάρος στις πιο επηρεαζόμενες περιοχές. Κάτω, μεγενθυμένες περιοχές της Νότιας Αφρικής και του Λεσότο (β); μια περιοχή 12 τ.μ. γύρω από την πόλη Khayelitsa κοντά στο Κέιπ Τάουν. Πηγή: https://arxiv.org/ftp/arxiv/papers/2104/2104.07761.pdf

Το σύστημα έχει υιοθετηθεί από την κυβέρνηση της Νιγηρίας ως βάση για τη διοίκηση των κοινωνικών προγραμμάτων προστασίας, και λειτουργεί παράλληλα με το υπάρχον πλαίσιο του Παγκόσμιου Οργανισμού Υγείας, το Εθνικό Πρόγραμμα Κοινωνικών Δικτύων (NASSP). Τον Φεβρουάριο, οι πρώτοι δικαιούχοι του προγράμματος έλαβαν μια μεταφορά χρημάτων 5000 νιγηριανών ναίρα, một όφελος που μπορεί να καταβληθεί μέχρι έξι μήνες, μέχρι να επιτευχθεί το όριο του ενός εκατομμυρίου ναίρα.

Το έγγραφο αναφέρει ότι η φτώχεια των δεδομένων συμβάλλει σημαντικά στην λανθασμένη κατανομή της βοήθειας σε χώρες με ελάχιστες πόρους συλλογής δεδομένων ή περιορισμένη υποδομή, και ότι η πολιτικά мотιβωμένη αναφορά (ένα πρόβλημα που δεν είναι περιορισμένο στις χώρες με χαμηλό εισόδημα) είναι επίσης ένας παράγοντας σε αυτήν την περίπτωση.

Καταγραφή των ‘Αναφερόμενων Φτωχών’

Οι προσομοιώσεις των ερευνητών στα δεδομένα έδειξαν ότι, υπό τις υφιστάμενες κανονιστικές ρυθμίσεις για την κατανομή των πόρων της βοήθειας, η κατανομή με βάση αυτό το σύστημα αυξάνει την πληρωμή σε εκείνους που έχουν την μεγαλύτερη ανάγκη και μειώνει την πληρωμή για τους υφιστάμενους δικαιούχους στις υψηλότερες κατηγορίες εισοδήματος. Το έγγραφο αναφέρει επίσης τη δυσκολία που αντιμετώπισαν οι διαχειριστές των κοινωνικών προγραμμάτων προστασίας στην κατανομή των πόρων της βοήθειας στην αρχή της κρίσης του COVID-19, λόγω της έλλειψης綜οικικής ή λεπτομερούς δεδομένων. στη Νιγηρία, για παράδειγμα, τα πιο πρόσφατα δεδομένα της έρευνας καλύπτουν μόνο το 13,8% των συνολικών νομών της Νιγηρίας, σε σύγκριση με την 100% κάλυψη που προσφέρει το νέο πρόγραμμα.

Προηγούμενη εργασία στην εκτίμηση της φτώχειας με τη βοήθεια του AI έχει επικεντρωθεί σε μεγάλο βαθμό στα δεδομένα που λαμβάνονται από δορυφορικές εικόνες (βλέπε παρακάτω), αλλά οι ερευνητές αναφέρουν ότι τα δεδομένα από τη συνδεσιμότητα κινητής τηλεφωνίας παρέχουν μια πιο ακριβή και λεπτομερή εικόνα της διαφοράς του πλούτου σε διάφορες περιοχές, και αυτή η ροή δεδομένων παρέχει το ήμισυ όλων των συνεισφορών δεδομένων για το πρόγραμμα.

Από την άποψη της γενίκευσης στα δεδομένα του μηχανικού μάθησης, οι ερευνητές παρατηρούν ότι τα μοντέλα που εκπαιδεύονται σε μια χώρα μπορούν να είναι ένα полезτικό και ακριβές πρότυπο για μοντέλα που καλύπτουν γειτονικές χώρες. Αναφέρουν επίσης ότι το νέο πλαίσιο είναι ικανό όχι μόνο να διακρίνει μεταξύ αστικών και αγροτικών περιοχών, αλλά και να παρέχει χάρτες της διαφοράς του πλούτου εντός αστικοποιημένων περιοχών, το οποίο υπερβαίνει το πεδίο πολλών πρόσφατων ερευνητικών πρωτοβουλιών σε αυτόν τον τομέα.

Δορυφορικές Εικόνες στην Ανάλυση της Φτώχειας

Ο κύριος λόγος για την ανάλυση της φτώχειας με τη βοήθεια δορυφορικών εικόνων είναι η υπόθεση ότι οι φτωχοί άνθρωποι έχουν λίγα χρήματα για να τρέχουν ηλεκτρικά φώτα τη νύχτα, ή μπορεί να μην έχουν καν ηλεκτρικό φως. Όπου η απουσία σημείων φωτός μπορεί να συσχετιστεί με την παρουσία ανθρώπων, όπως καθορίζεται από άλλα μέσα (όπως δεδομένα συνδεσιμότητας κινητής τηλεφωνίας), μπορεί να δημιουργηθεί ένας δείκτης της στέρησης.

Αυτή η τεχνική προτάθηκε το 2016 σε một πρότερο έγγραφο του Στάνφορντ από μια άλλη ερευνητική ομάδα. Η μέθοδος που περιγράφεται σε εκείνο το έγγραφο πρωτοπόρησε τη χρήση δορυφορικών εικόνων το βράδυ που παρέχονται από το πρόγραμμα αερομετεωρολογικών δορυφορικών εικόνων του Αμερικανικού Στρατού (DMSP) μέσω του Εθνικού Κέντρου Δεδομένων Ωκεανών και Ατμόσφαιρας (NOAA-NGDC).

Τέσσερις畳 convolutional φίλτρα αναγνωρίζουν, από αριστερά προς δεξιά, χαρακτηριστικά που σχετίζονται με αστικές ζώνες, αγροτικές ζώνες, νερό και δρόμους. Η πρώτη σειρά δείχνει πηγαία εικόνες από το Google Maps, η μεσαία σειρά δείχνει χάρτες ενεργοποίησης φίλτρων από την ανάλυση του μηχανικού μάθησης, και η κάτω σειρά δείχνει einen επικάλυψη των χαρτών ενεργοποίησης στις πηγαίες εικόνες. Πηγή: https://science.sciencemag.org/content/sci/353/6301/790.full.pdf

Το πρόγραμμα του Στάνφορντ συσχετίζει τα φίλτρα των δεδομένων των δορυφορικών εικόνων με τη βάση δεδομένων των ερευνών του DHS για το έτος που πραγματοποιήθηκαν και τα δεδομένα. Ήταν απαραίτητο να καθορίσει μέσες τιμές των συνόλων των τιμών των δορυφορικών εικόνων ωςproxies για ορισμένους οικονομικούς δείκτες.

Επίσημη Αλήθεια για τις Παγκόσμιες Στατιστικές της Φτώχειας

Για το νέο πρόγραμμα του Στάνφορντ, οι ερευνητές αποφάσισαν να κατασκευάσουν το πλαίσιο δεδομένων από το υπάρχον Πρόγραμμα Δημογραφικής και Υγείας (DHS),尽管, όπως παραδέχονται, αυτό effectively αναπαράγει το σχήμα του DHS στο σύνολο δεδομένων. Οι ερευνητές αναφέρουν: ‘Επιλέξαμε να εκπαιδεύσουμε το μοντέλο μας αποκλειστικά με δεδομένα του DHS, επειδή είναι η πιο綜οικική πηγή δημοσίως διαθέσιμων, διεθνώς τυποποιημένων δεδομένων πλούτου που παρέχει εκτιμήσεις πλούτου σε επίπεδο νοικοκυριού με υπο-περιφερειακές γεω-σημάνσεις.’

Ωστόσο, το πρόγραμμα λειτουργεί σε πολύ υψηλότερη ανάλυση από το DHS, και η χρήση του υπάρχοντος πλαισίου ως επίσημης αλήθειας παρέχει δύο οφέλη: πρώτον, τα δεδομένα του DHS δεν βασίζονται στην επίσημη αναφορά του εισοδήματος, το οποίο είναι ένας αξιόπιστος δείκτης στις χώρες που επηρεάζονται περισσότερο από τη φτώχεια, όπου οι μαύρες αγορές είναι συχνές; και δεύτερον, τα δεδομένα συλλέγονται με стандάρδιο τρόπο και σε διεθνές πρότυπο που επιτρέπει στο πλαίσιο των ερευνητών να περιλαμβάνει άλλες χώρες που υπόκεινται σε αυτόν τον τρόπο μέτρησης, αντί να καθορίσει ισοδυναμίες μεταξύ ανταγωνιστικών πλαισίων.

Συνδεσιμότητα Κινητής Τηλεφωνίας ως Οικονομικός Δείκτης

Για τους ανθρώπους που ζουν σε οικονομικά προβληματικές περιοχές, η συνδεσιμότητα κινητής τηλεφωνίας έχει γίνει μια τεχνολογική ζωτική γραμμή τα τελευταία είκοσι χρόνια,既然 τα κινητά τηλέφωνα είναι η ελάχιστη διαθέσιμη τεχνολογική πλατφόρμα που μπορεί να εξαρτηθεί σε τέτοιες συνθήκες. Τα κινητά τηλέφωνα έχουν επίσης γίνει de facto платформες πληρωμών για τους δικαιούχους της βοήθειας που δεν έχουν τραπεζικό λογαριασμό ή άλλους συμβατικούς τρόπους λήψης χρημάτων.

Ωστόσο, όπως έχει παρατηρηθεί trước, η χρήση δεικτών δικτύου κινητής τηλεφωνίας ως οικονομικού δείκτη για τα συστήματα μηχανικού μάθησης έχει ορισμένα πιθανά μειονεκτήματα: υπάρχουν άνθρωποι στις επηρεαζόμενες περιοχές που είναι τόσο φτωχοί που δεν έχουν καν κινητό τηλέφωνο – οι ίδιοι άνθρωποι που το σύστημα είναι σχεδιασμένο να βοηθήσει; το σύστημα μπορεί να γίνει αντικείμενο χειραγώγησης από χρήστες με πολλαπλά κινητά τηλέφωνα σε περιπτώσεις όπου ένα τηλέφωνο έχει γίνει πρόσωπο για μοναδικούς δείκτες πολιτών; και υπάρχουν προβλήματα ιδιωτικού απορρήτου στη δημιουργία τέτοιου συστήματος ταυτοποίησης, σε περιπτώσεις όπου η τοπική ή εθνική κυβέρνηση διατηρεί κάποια εποπτεία του προγράμματος.