Arvioiden todellisen maailmanlaajuisen köyhyyden tilan koneoppimisella

Yhteistyöhön UoC Berkeley, Stanford-yliopisto ja Facebook tarjoavat syvemmän ja yksityiskohtaisemman kuvan köyhyyden todellisesta tilasta ja maiden välillä koneoppimisen avulla.

Tutkimus, joka on otsikoitu Micro-Estimates of Wealth for all Low-and Middle-Income Countries, on saatavilla tutkimus, ja siihen liittyvä beta-sivusto mahdollistaa käyttäjilleen tutkia vuorovaikutteisesti absoluuttista ja suhteellista taloudellista tilaa hienojakoisilla alueilla ja köyhyyden taskuissa matala- ja keskitulotasoisten maiden alueilla.

Runko sisältää satelliittikuvauksen, topografiset kartat, matkapuhelinverkot ja Facebookin anonymisoidun datan, ja se vahvistetaan laajojen kasvotusten tutkimusten avulla, jotta voidaan ilmoittaa suhteellinen varallisuusero alueella eikä absoluuttisia tuloarvioita.

Köyhyyden maailmankartta, joka on painotettu eniten vaikuttuneille alueille. Alempi, Etelä-Afrikan ja Lesothon (b) 12 neliökilometrin alue Khayelitsan kaupungin lähellä Kapkaupungissa. Lähde: https://arxiv.org/ftp/arxiv/papers/2104/2104.07761.pdf

Järjestelmä on otettu käyttöön Nigerian hallituksessa sosiaalisen suojeluohjelman perustana, ja se toimii yhdessä Maailmanpankin kanssa, Kansallisen sosiaalisen turvaverkon projektin (NASSP) kanssa. Helmikuussa ensimmäiset saajat ohjelmassa maksoivat 5000 Nigerian nairaa, joka on etu, joka on maksettavissa enintään kuusi kuukautta, kunnes kynnysarvo ylitetään.

Tutkimus väittää, että datan köyhyyden merkittävä panos väärään avustuksen jakeluun maissa, joilla on vähän datan keräämismahdollisuuksia tai rajoitettu infrastruktuuri, ja että poliittisesti motivoitunut virheellinen raportointi (ongelma, joka ei ole rajoitettu matalatulotasoisiin maihin) on myös tekijä tässä suhteessa.

Rekisteröinti ‘Raportoimattomien Köyhien’

Tutkijoiden simulaatiot osoittivat, että olemassa olevien avustusvarojen jakamisen sääntöjen mukaan, tämän järjestelmän perusteella maksujen jakautuminen niille, joilla on eniten tarvetta, ja vähentää maksuja olemassa oleville saajille korkeammissa tuloluokissa. Tutkimus huomauttaa myös, että sosiaalisen suojeluohjelman johtajat kohtasivat vaikeuksia avustusvarojen jakamisessa COVID-19-kriisin alussa, koska ei ollut kattavaa tai yksityiskohtaista dataa. Nigerian esimerkiksi viimeisimmän tutkimusdatan kattaa vain 13,8 % Nigerian alueista, verrattuna uuden ohjelman 100 %:iin.

Aiemmat työt koneavusteisessa köyhyyden arvioinnissa ovat keskittyneet pääasiassa satelliittikuvaukseen (ks. alla), mutta tutkijat väittävät, että matkapuhelinliittymien data antaa tarkemman ja yksityiskohtaisemman näkymän varallisuuseroon alueilla, ja tämä tietovirta muodostaa puolet kaikista ohjelman osallistuvista tiedoista.

Yleistämisen kannalta koneoppimisen datasta tutkijat huomauttavat, että malleja, jotka on koulutettu yhdessä maassa, voidaan käyttää hyödyllisenä ja tarkin mallina malleille, jotka koskevat naapurimaita. He myös huomauttavat, että uusi runko pystyy erottamaan kaupunkimaiset ja maaseutumaiset alueet ja antamaan epätasaisuuskarttoja kaupunkialueilla, mikä ylittää monien viimeaikaisen tutkimuksen laajuuden tässä sektorissa.

Satelliittikuvauksen käyttö köyhyyden analyysissä

Satelliittikuvauksen periaatteena köyhyyden analyysissä on oletus, että köyhät ihmiset eivät ole varaa käyttää sähkövaloja pimeän aikana, tai heillä ei ole sähkövaloja lainkaan. Jos sähkövalojen puutteen voidaan yhdistää ihmisten läsnäoloon, kuten matkapuhelinliittymien avulla, voidaan luoda puutteen indeksi.

Tämä tekniikka esiteltiin vuonna 2016 aiemmassa Stanfordin tutkimuksessa. Menetelmä, joka on kuvattu siinä tutkimuksessa, oli uranuurtava satelliittikuvauksen käyttö illalla Yhdysvaltain ilmavoimien puolustusmeteorologisen satelliittiohjelman (DMSP) kautta Kansallisen valtameri- ja ilmakehätutkimuslaitoksen (NOAA-NGDC) kautta.

Neljä konvoluutiofiltraa osoittaa vasemmalta oikealle, ominaisuuksia, jotka liittyvät kaupunkialueisiin, maaseutualueisiin, veteen ja teihin. Ylin rivi näyttää lähdekuva Google Mapsista, keskimmäinen filtterien aktivaatiokartat koneoppimisen analyysistä ja alin rivi aktivaatiokarttojen yhdistelmä alkuperäisistä karttakuvista. Lähde: https://science.sciencemag.org/content/sci/353/6301/790.full.pdf

Stanfordin projekti yhdisti satelliittikuvauksen todisteiden yövaloista omiin tietokantoihinsa DHS-tutkimuksista vuodelta, jolloin sekä tutkimukset että satelliittitulokset olivat saatavilla. Heidän oli perustettava keskiarvoja yövalojen summan arvoista taloudellisina osoittimina.

Maailmanlaajuisen köyhyyden tilastojen perusta

Uudessa Stanfordin tutkimuksessa tutkijat päättivät johtaa datarungon olemassa olevasta Demographic and Health Survey (DHS) -ohjelmasta, vaikka he myöntävät, että se tosiasiallisesti kopioi DHS-skeeman tietokantaan. Tutkijat huomauttavat: ‘Valitsimme kouluttaa mallimme yksinomaan DHS-datan avulla, koska se on yksi kaikkein kattavimmista julkisesti saatavilla, kansainvälisesti standardoiduista varallisuustietojen lähteistä, joka antaa kotitalouksittaiset varallisuusarviot alueellisilla geomerkeillä.’

Kuitenkin projekti toimii paljon korkeamman resoluution kanssa kuin DHS, ja olemassa olevan kehyksen käyttäminen perustana antaa kaksi etua: ensinnäkin, DHS-datan ei tarvitse nojata viralliseen tulon ilmoittamiseen, joka on epäluotettava osoitin maissa, joissa mustan pörssin taloudet ovat yleisiä; ja toiseksi, data kerätään standardoidulla tavalla ja kansainväliselle mallille, joka mahdollistaa tutkijoiden kehyksen kattaa muita maita, jotka ovat alttiina tälle mittausmenetelmälle, sen sijaan, että perustettaisiin vertailuja kilpailevien kehysten välillä.

Matkapuhelinliittymien käyttö taloudellisena osoittimena

Ihmisille, jotka elävät taloudellisesti haasteellisilla alueilla, matkapuhelinliittymät ovat muodostuneet teknologiseksi elinehtoiseksi viimeisten kahden vuosikymmenen aikana, koska matkapuhelimet ovat vähintään saatavilla oleva teknologinen alusta, johon voidaan luottaa näissä olosuhteissa. Matkapuhelimet ovat myös muodostuneet de facto maksualustoiksi avustuksen saajille, joilla ei ole pankkitililä tai muita perinteisiä keinoja rahojen vastaanottamiseksi.

Kuitenkin, kuten on aiemmin huomautettu, matkapuhelinverkkojen osoittimien käyttäminen taloudellisena osoittimena 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 hyödyntää käyttäjien toimesta useilla matkapuhelimilla olosuhteissa, joissa puhelin on muodostunut yksilöllisten kansalaisuuksien yksilöiväksi tunnisteeksi; ja on yksityisyyden vaikutuksia luotaessa tällaista tunnistemisjärjestelmää, tapauksissa, joissa paikallinen tai kansallinen hallitus säilyttää joitakin valvontaa projektista.