Arvioiden todellisen tilan maailmanlaajuinen köyhyyden koneoppimisella

Yhteistyö UoC Berkeley, Stanford University ja Facebook tarjoaa syvemmän ja tarkemman kuvan köyhyyden todellisesta tilasta ja maiden välillä käyttäen koneoppimista.

Tutkimus, joka on otsikoitu Micro-Estimates of Wealth for all Low-and Middle-Income Countries, on saatavilla tutkimus, ja siihen liittyy beta-sivusto, jossa käyttäjät voivat tutkia vuorovaikutteisesti absoluuttista ja suhteellista taloudellista tilaa hienojakoisilla alueilla ja köyhyyden taskuissa matala- ja keskituloisissa maissa.

KeHYs perustuu satelliittikuvauksiin, topografisiin kartoituksiin, matkapuhelinverkkoihin ja Facebookin anonymisoiduista tietoja, ja se on vahvistettu laajojen kasvojen edessä olevien tutkimusten avulla, jotta voidaan raportoida suhteellista varallisuuseroa alueella, eikä absoluuttisia tuloarvioita.

Maailman köyhyyden kartta, joka on painotettu eniten vaikuttuneille alueille. Alempana, Etelä-Afrikan ja Lesothon (b) 12 neliökilometrin alue Khayelitsan kaupungissa lähellä Cape Townia. Lähde: https://arxiv.org/ftp/arxiv/papers/2104/2104.07761.pdf

Järjestelmä on otettu käyttöön Nigerian hallituksessa sosiaalisen suojeluohjelman hallinnon perustana, ja se toimii rinnakkain maailmanpankin kanssa olemassa olevan keHYksen kanssa, National Social Safety nets Project (NASSP). Helmikuussa ensimmäiset saajat saivat 5000 Nigerian nairan käteisen siirron, joka on maksimoitu kuusi kuukautta, kunnes kynnysarvo ylitetään.

Tutkimus väittää, että tietojen köyhyyden tekee merkittävän vaikutuksen virheelliseen avustusten jakamiseen maissa, joissa on vähän tietoja tai rajoitettu infrastruktuuri, ja että poliittisesti motivaatioinen virheellinen raportointi (ongelma joka ei ole rajoitettu matalatuloisiin maihin) on myös tekijä tässä suhteessa.

Rekisteröinti ‘Raportoimattomat Köyhät’

Tutkijoiden simulaatiot osoittivat, että olemassa olevien avustusvarojen jakamisen sääntöjen mukaan, jakelu tämän järjestelmän avulla lisää maksua niille, joilla on eniten tarvetta, ja vähentää maksua olemassa oleville saajille korkeammissa tuloluokissa. Tutkimus huomauttaa myös, että sosiaalisen suojeluohjelman hallinnon oli vaikea jakaa avustusvaroja COVID-19-kriisin alussa, koska ei ollut kattavia tai yksityiskohtaisia tietoja. Nigerian esimerkiksi viimeisimmät tutkimustiedot kattavat vain 13,8 % Nigerian alueista, verrattuna uuden järjestelmän 100 %:iin.

Aikaisemmat tutkimukset AI-tukeutuvassa köyhyyden arvioinnissa ovat keskittyneet pääasiassa satelliittikuvauksiin (ks. alla), mutta tutkijat väittävät, että matkapuhelinliittymien tietojen avulla saadaan tarkempi ja yksityiskohtaisempi näkemys varallisuuserosta alueilla, ja tämä tietovirta muodostaa puolet kaikista järjestelmän tietolähteistä.

Yleistymisen kannalta koneoppimisen tietoja, tutkijat huomauttavat, että malleja, jotka on koulutettu yhdessä maassa, voidaan käyttää hyödyllisenä ja tarkin mallina malleja, jotka kattavat naapurimaita. He myös huomauttavat, että uusi keHYs pystyy erottamaan kaupunkimaiset ja maaseutumaiset alueet, ja se pystyy tarjoamaan epätasaisuuskarttoja kaupunkialueilla, mikä ylittää monien viimeaikaisten tutkimushankkeiden laajuuden tässä sektorissa.

Satelliittikuvauksia Köyhyyden Analyysissä

Pääperiaate satelliittikuvauksissa perustuu oletukseen, että köyhät ihmiset eivät ole varallisia käyttämään sähkövaloja pimeän aikana, tai heillä ei ole lainkaan sähkövaloja. Jos sähkövalojen puutetta voidaan yhdistää ihmisten läsnäoloon, kuten määritetään muilla tavoilla (kuten matkapuhelinliittymien tietojen avulla), voidaan luoda puutteen indeksi.

Tämä menetelmä ehdotettiin vuonna 2016 aiemmassa Stanfordin tutkimuksessa. Menetelmä, joka on kuvattu siinä tutkimuksessa, käytti ilta-aikaisia satelliittikuvauksia, jotka on tarjoanut Yhdysvaltain ilmavoimien puolustusmeteorologinen satelliittiohjelma (DMSP) kanssa National Oceanic and Atmospheric Administration (NOAA-NGDC).

Neljä konvoluutiofiltraa etsivät, vasemmalta oikealle, piirteitä, jotka liittyvät kaupunkimaisiin alueisiin, maaseutumaisiin alueisiin, veteen ja teihin. Ylin rivi näyttää lähdekuva Google Mapsista, keskimmäinen filtterien aktivaatiokartat koneoppimisanalyysistä ja alin rivi filtterien aktivaatiokarttojen yhdistelmä alkuperäisistä karttakuvaista. Lähde: https://science.sciencemag.org/content/sci/353/6301/790.full.pdf

Stanfordin projekti yhdisti satelliittikuvauksissa todisteita yövaloista satelliittivalvontaan sen omassa tietokannassa DHS-tutkimuksista vuodelta, jolloin sekä tutkimukset että satelliittitulokset olivat saatavilla. Se oli välttämätöntä luoda keskiarvoja yövalojen summan arvoista tiettyjen taloudellisten indikaattoreiden vertailukohtina.

Maailmanlaajuinen Köyhyyden Tilastojen Todellinen Arvo

Uudessa Stanfordin tutkimuksessa tutkijat päättivät johtaa tietokeHYksen olemassa olevasta Demographic and Health Survey (DHS) -ohjelmasta, vaikka he myöntävät, että tämä tosiasia toistaa DHS-skeeman tietojoukossa. Tutkijat huomauttavat: ‘Valitsimme kouluttaa mallimme yksinomaan DHS-tietojen avulla, koska se on yksi kaikkein kattavimmista julkisesti saatavilla olevista, kansainvälisesti standardoiduista varallisuustietojen lähteistä, joka tarjoaa kotitalouksien tason varallisuusarviot alueellisilla geo-merkinnöillä.’

Kuitenkin projekti toimii paljon korkeamman resoluution kanssa kuin DHS, ja olemassa olevan keHYksen käyttäminen antaa kaksi etua: ensinnäkin, DHS-tiedot eivät riipu virallisten tulojen raportoinnista, joka on epäluotettava indikaattori maissa, joissa köyhyyden vaikutus on suurin, missä mustan pörssin taloudet ovat yleisiä; ja toiseksi, tiedot kerätään standardoidulla tavalla ja kansainväliselle mallille, joka mahdollistaa tutkijoiden keHYksen kattaa muita maita, jotka noudattavat tätä mittausmenetelmää, eikä perustaa vertailuja kilpaileviin keHYksiin.

Matkapuhelinliittymien Käyttö Taloudellisena Indikaattorina

Ihmisille, jotka elävät taloudellisesti haasteellisilla alueilla, matkapuhelinliittymät ovat muodostuneet teknologiseksi elinehtoisiksi viimeisen kahden vuosikymmenen aikana, koska matkapuhelimet ovat vähintään saatavilla oleva teknologinen alusta, jota voidaan luottaa näissä olosuhteissa. Matkapuhelimet ovat myös muodostuneet de facto maksualustoiksi avustusten saajille, joilla ei ole pankkitililtä tai muuta perinteistä tapaa vastaanottaa rahaa.

Kuitenkin, kuten on huomautettu aiemmin, matkapuhelinverkkojen indikaattoreiden käyttäminen taloudellisena indikaattorina koneoppimisjärjestelmissä voi olla joitakin haittoja: on ihmisiä vaikuttuneilla alueilla, jotka ovat niin köyhyydessä, ettei heillä ole edes matkapuhelinta – juuri niitä ihmisiä, joiden avuksi järjestelmä on tarkoitettu; järjestelmä voidaan potentiaalisesti manipuloida käyttäjillä, joilla on useita matkapuhelimia tilanteissa, joissa puhelin on muodostunut yksilöiväksi tunnisteeksi kansalaisille; ja on yksityisyyden vaikutuksia luotaessa tällaista tunnistusjärjestelmää, tapauksissa, joissa paikallinen tai kansallinen hallitus säilyttää joitakin valvontaa projektissa.