Globaalin köyhyyden todellisen tilan arviointi koneoppimisen avulla

UoC Berkeleyn, Stanfordin yliopiston ja Facebookin yhteistyö tarjoaa syvemmän ja tarkemman kuvan todellisesta köyhyyden tilasta eri maissa ja niiden välillä koneoppimisen avulla.

- tutkimus, oikeutettu Varallisuuden mikroarviot kaikille matalan ja keskitulotason maille, mukana on a beeta-verkkosivusto jonka avulla käyttäjät voivat vuorovaikutteisesti tutkia pieni- ja keskituloisten maiden pieni- ja keskituloisten alueiden ja köyhyystaskujen absoluuttista ja suhteellista taloudellista tilaa.

Viitekehys sisältää tietoja satelliittikuvista, topografisista kartoista, matkapuhelinverkoista ja Facebookin anonymisoituja aggregoituja tietoja, ja se on varmistettu laajoja kasvokkain suoritettuja tutkimuksia vastaan, jotta voidaan raportoida alueen suhteelliset varallisuuserot, eikä absoluuttisia tuloarvioita. .

Maailmanlaajuisen köyhyyden kartta painotettuna eniten kärsineille alueille. Alaosa, Etelä-Afrikan ja Lesothon laajentuminen (b); 12 neliökilometrin alue Khayelitsan kylän ympärillä lähellä Kapkaupunkia. Lähde: https://arxiv.org/ftp/arxiv/papers/2104/2104.07761.pdf

Järjestelmä on ollut hyväksytty Nigerian hallitus perustaa sosiaalisen suojelun ohjelmien hallinnointiin, ja se toimii rinnakkain Maailmanpankin olemassa olevan kansallisen sosiaaliturvaverkkoprojektin (National Social Safety Nets Project) kanssa.NASSP). Helmikuussa järjestelmän ensimmäisille edunsaajille maksettiin 5000 Nigerian nairan käteissiirto, joka on maksettava enintään kuuden kuukauden ajan, kunnes miljoonan nairan kynnys saavutetaan.

Lehti väittää sen tiedon köyhyys myötävaikuttaa merkittävästi avun virheelliseen jakamiseen maissa, joissa on vain vähän tiedonkeruuresursseja tai rajoitettu infrastruktuuri, ja että poliittisista syistä johtuva väärien tietojen ilmoittaminen (ongelma ei rajoitettu alhaisen tulotason maihin) on myös tekijä tässä suhteessa.

Ilmoittamattomien köyhien rekisteröinti

Tutkijoiden simulaatiot aineistosta osoittivat, että nykyisten apuresurssien kohdentamista koskevien säännösten mukaan tähän järjestelmään perustuva jako lisää maksua eniten tarvitseville ja alentaa maksuja olemassa oleville korkeatuloisille. Paperi panee myös merkille vaikeudet, joita sosiaalisen suojelun ohjelmien ylläpitäjät kohtasivat avustusresurssien jakamisessa COVID-19-kriisin alussa, koska kattavia tai yksityiskohtaisia ​​tietoja ei ollut saatavilla. Esimerkiksi Nigeriassa uusimmat tutkimustiedot kattavat kotitaloudet vain 13.8 prosentissa kaikista Nigerian alueista, kun uusi järjestelmä tarjoaa 100 prosentin kattavuuden.

Aiempi tekoälyavusteisen köyhyyden arvioinnin työ on keskittynyt suurelta osin satelliiteista saatuihin tietoihin (katso alla), mutta tutkijat väittävät, että mobiiliyhteyksien data antaa tarkemman ja yksityiskohtaisemman käsityksen varallisuuseroista alueiden välillä, ja tämä tietovirta tarjoaa puolet kaikki projektiin liittyvät tiedot.

Koneoppimisdatan yleistyksen näkökulmasta tutkijat havaitsevat, että yhdessä maassa koulutetut mallit voivat olla hyödyllinen ja tarkka malli naapurimaiden malleille. He huomauttavat myös, että uusi viitekehys ei pysty ainoastaan ​​erottamaan kaupunki- ja maaseutualueita, vaan se pystyy tarjoamaan erokartat kaupungistuneiden alueiden sisällä, mikä ylittää monien viimeaikaisten tällä alalla tehtyjen tutkimushankkeiden laajuuden.

Satelliittikuvat köyhyysanalyysissä

Pääasiallinen satelliittipohjaisen köyhyysanalyysin taustalla on olettamus, että köyhillä ihmisillä on vähän rahaa sähkövalojen käyttöön pimeän tunnin aikana tai heillä ei ehkä ole lainkaan sähkövaloa. Jos tarkan valon puuttuminen voidaan korreloida ihmisten läsnäoloon, kuten todetaan muilla tavoilla (kuten matkapuhelinliittymien tiedoilla), voidaan luoda puutteen indeksi.

Tätä tekniikkaa ehdotettiin vuonna 2016 aikaisempi Stanford-lehti toisesta tutkimusryhmästä. Tässä asiakirjassa kuvattu menetelmä oli edelläkävijä Yhdysvaltain ilmavoimien ilmavoimien ilmavoimien meteorologisen satelliittiohjelman (DMSP) tarjoaman ilta-aikaisen satelliittipeiton käyttöön National Oceanic and Atmospheric Administrationin (NOAA-NGDC) kautta.

Neljä konvoluutiosuodatinta tunnistaa vasemmalta oikealle piirteitä, jotka liittyvät kaupunkialueisiin, maaseutualueisiin, veteen ja teihin. Ylärivillä näkyy lähdekuvia Google Mapsista, keskimmäisellä suodattimen aktivointikartat koneoppimisanalyysistä ja alarivillä aktivointikarttojen peittokuva alkuperäisistä karttakuvista. Lähde: https://science.sciencemag.org/content/sci/353/6301/790.full.pdf

Stanford-projekti korreloi suodatettuja todisteita yövaloista satelliittivalvonnassa omaan DHS-tutkimustietokantansa kanssa siltä vuodelta, jolloin sekä tutkimukset että aggregoidut satelliittitulokset tapahtuivat. Se oli välttämätöntä perustaa yövalon arvojen summan keskiarvot tiettyjen taloudellisten indikaattoreiden sijaisina.

Perustotuus maailmanlaajuisiin köyhyystilastoihin

Uutta Stanford-projektia varten tutkijat päättivät johtaa tietokehyksen olemassa olevasta väestö- ja terveystutkimuksesta (DHS) Ohjelma, vaikka, kuten he myöntävät, tämä toistaa tehokkaasti DHS-skeeman tietojoukossa. Tutkijat havaitsevat: "Päätimme kouluttaa mallimme yksinomaan DHS-tietojen pohjalta, koska se on kattavin yksittäinen julkisesti saatavilla oleva, kansainvälisesti standardoitu varallisuustietojen lähde, joka tarjoaa kotitaloustason varallisuusarvioita osa-alueellisten maantieteellisten merkintöjen avulla."

Projekti toimii kuitenkin paljon korkeammalla resoluutiolla kuin DHS, ja olemassa olevan viitekehyksen käyttäminen perustotuuksina tarjoaa kaksi etua: Ensinnäkin DHS:n tiedot eivät perustu muodolliseen tuloraportointiin, mikä on epäluotettava indikaattori maissa, joista eniten vaikuttaa. köyhyys, jossa mustat markkinataloudet ovat täynnä; ja toiseksi tiedot kerätään standardoidulla tavalla ja kansainväliseen malliin, jonka avulla tutkijoiden viitekehys voi kattaa muut maat, joihin tämä mittausmenetelmä sovelletaan, sen sijaan, että määritettäisiin vastaavuuksia kilpailevien viitekehysten välillä.

Mobiiliyhteydet talousindeksinä

Taloudellisesti haasteellisilla alueilla asuville ihmisille mobiiliyhteyksistä on tullut teknologinen elinkeino kahden viime vuosikymmenen aikana, koska matkapuhelimet ovat pienin käytettävissä oleva teknologinen alusta, johon tällaisissa olosuhteissa voidaan luottaa. Myös matkapuhelimista on tullut tosiasiallinen maksualustat avunsaajille, joilla ei ole pankkitiliä tai muita tavanomaisia ​​rahan vastaanottamistapoja.

Kuitenkin, kuten on ollut havaittu ennen, mobiiliverkon indikaattoreiden käyttämisessä koneoppimisjärjestelmien talousindeksinä on joitain mahdollisia haittoja: kärsivillä alueilla on ihmisiä, jotka ovat niin köyhiä, ettei heillä ole edes matkapuhelinta – juuri ihmisiä, joita järjestelmä on parhaiten suunniteltu auttamaan; käyttäjät, joilla on useita matkapuhelimia, voivat mahdollisesti pelata järjestelmää olosuhteissa, joissa puhelimesta on tullut kansalaisten yksilöllisten ID-hajautuspalvelinten välityspalvelin; ja tällaisen tunnistusjärjestelmän luomisella on yksityisyyttä koskevia vaikutuksia tapauksissa, joissa paikallinen tai kansallinen hallitus säilyttää jonkin verran hankkeen valvontaa.