वैश्विक गरीबी की वास्तविक स्थिति का अनुमान मशीन लर्निंग के साथ

यूओसी बर्कले, स्टैनफोर्ड विश्वविद्यालय और फेसबुक के एक सहयोग से मशीन लर्निंग के उपयोग के माध्यम से देशों में और देशों के बीच वास्तविक गरीबी की स्थिति का एक गहरा और अधिक विस्तृत चित्र प्रस्तुत किया गया है।

इस शोध में, जिसका शीर्षक सभी निम्न और मध्यम आय वाले देशों के लिए संपत्ति के माइक्रो-अनुमान है, एक बीटा वेबसाइट भी है जो उपयोगकर्ताओं को निम्न और मध्यम आय वाले देशों में गरीबी के क्षेत्रों और क्षेत्रों की आर्थिक स्थिति का अन्वेषण करने की अनुमति देती है।

इस फ्रेमवर्क में उपग्रह इमेजरी, टोपोग्राफिक मैप, मोबाइल फोन नेटवर्क और फेसबुक से एकत्रित डेटा शामिल है, और इसका सत्यापन व्यापक फेस-टू-फेस सर्वेक्षण के खिलाफ किया जाता है, क्षेत्र में सापेक्ष धन असमानता की रिपोर्ट करने के उद्देश्य से आय के निरपेक्ष अनुमान के बजाय।

वैश्विक गरीबी का एक नक्शा, जो सबसे प्रभावित क्षेत्रों की ओर झुका हुआ है। नीचे, दक्षिण अफ्रीका और लेसोथो (बी); केप टाउन के पास खयेलिट्सा टाउनशिप के आसपास 12 वर्ग किलोमीटर का क्षेत्र। स्रोत: https://arxiv.org/ftp/arxiv/papers/2104/2104.07761.pdf

इस प्रणाली को नाइजीरिया सरकार द्वारा सामाजिक सुरक्षा कार्यक्रमों को प्रशासित करने के लिए अपनाया गया है, और यह विश्व बैंक के मौजूदा फ्रेमवर्क के साथ संचालित होती है, जिसे राष्ट्रीय सामाजिक सुरक्षा नेटवर्क परियोजना (एनएसएसपी) कहा जाता है।

इस पत्र में यह कहा गया है कि डेटा गरीबी देशों में सहायता के वितरण में गलत वितरण में एक महत्वपूर्ण योगदान करती है, जहां डेटा संग्रह के संसाधन कम हैं या बुनियादी ढांचा सीमित है, और राजनीतिक रूप से प्रेरित गलत रिपोर्टिंग (एक समस्या जो कम आय वाले देशों तक ही सीमित नहीं है) भी इस संबंध में एक कारक है।

अनरिपोर्टेड गरीबों का पंजीकरण

शोधकर्ताओं के अनुसार, मौजूदा सहायता संसाधनों के आवंटन के नियमों के तहत, इस प्रणाली के आधार पर भुगतान उन लोगों को बढ़ाता है जिन्हें सबसे अधिक आवश्यकता होती है और उच्च-आय वाले वर्गों में मौजूदा प्राप्तकर्ताओं के लिए भुगतान को कम करता है। इस पत्र में यह भी कहा गया है कि सामाजिक सुरक्षा कार्यक्रम प्रशासकों को कोविड-19 संकट की शुरुआत में सहायता संसाधनों को आवंटित करने में कठिनाइयों का सामना करना पड़ा, क्योंकि विस्तृत या व्यापक डेटा की कमी थी। नाइजीरिया में, उदाहरण के लिए, सबसे हाल के सर्वेक्षण डेटा केवल 13.8% नाइजीरियाई जिलों में घरों को कवर करता है, जबकि नई योजना 100% कवरेज प्रदान करती है।

पिछले काम में एआई-सहायता प्राप्त गरीबी अनुमान मुख्य रूप से उपग्रह-प्राप्त डेटा (नीचे देखें) पर केंद्रित रहा है, लेकिन शोधकर्ताओं का कहना है कि मोबाइल कनेक्टिविटी से प्राप्त डेटा क्षेत्रों में धन असमानता के बारे में अधिक सटीक और विस्तृत जानकारी प्रदान करता है, और यह जानकारी इस परियोजना के लिए सभी योगदानकर्ता डेटा का आधा हिस्सा है।

सामान्यीकरण के दृष्टिकोण से मशीन लर्निंग डेटा में, शोधकर्ताओं का कहना है कि एक देश में प्रशिक्षित मॉडल अन्य देशों के लिए एक उपयोगी और सटीक टेम्पलेट हो सकता है। वे यह भी कहते हैं कि नई प्रणाली न केवल शहरी और ग्रामीण स्थानों के बीच अंतर करने में सक्षम है, बल्कि शहरी क्षेत्रों के भीतर असमानता के नक्शे प्रदान करने में भी सक्षम है, जो इस क्षेत्र में कई हाल की शोध पहलों के दायरे से अधिक है।

गरीबी विश्लेषण में उपग्रह इमेजरी

उपग्रह-आधारित गरीबी विश्लेषण के पीछे का सिद्धांत यह है कि गरीब लोगों के पास बिजली के प्रकाश चलाने के लिए पैसे नहीं होते हैं या उनके पास बिजली की सुविधा नहीं होती है। जहां पिनपॉइंट प्रकाश की अनुपस्थिति को लोगों की उपस्थिति से संबंधित किया जा सकता है, जैसा कि अन्य साधनों (जैसे मोबाइल कनेक्टिविटी डेटा) द्वारा निर्धारित किया जाता है, एक वंचना सूचक उत्पन्न किया जा सकता है।

यह तकनीक 2016 में एक पूर्व स्टैनफोर्ड पत्र में प्रस्तावित की गई थी, जिसमें संयुक्त राज्य अमेरिका वायु सेना के रक्षा मौसम विज्ञान उपग्रह कार्यक्रम (डीएमएसपी) के माध्यम से राष्ट्रीय महासागर और वायुमंडलीय प्रशासन (एनओएए-एनजीडीसी) द्वारा प्रदान की गई शाम के समय की उपग्रह कवरेज का उपयोग किया गया था।

चार कन्वोल्यूशनल फिल्टर, बाएं से दाएं, शहरी क्षेत्रों, ग्रामीण क्षेत्रों, जल और सड़कों से संबंधित विशेषताओं की पहचान करते हैं। ऊपरी पंक्ति गूगल मैप्स से स्रोत छवियों को दिखाती है, मध्य फिल्टर सक्रियण मैप्स को मशीन लर्निंग विश्लेषण से दिखाती है, और नीचे की पंक्ति में मूल मैप इमेजरी पर सक्रियण मैप्स का ओवरले है। स्रोत: https://science.sciencemag.org/content/sci/353/6301/790.full.pdf

इस स्टैनफोर्ड परियोजना ने रात के प्रकाश के साक्ष्य को अपने डीएचएस सर्वेक्षणों के लिए उपग्रह निगरानी के खिलाफ संबंधित किया, जो उस वर्ष में हुआ जब दोनों सर्वेक्षण और उपग्रह परिणाम एकत्र किए गए थे। यह आवश्यक था स्थापित करने के लिए रात के प्रकाश मूल्यों के योग के औसत को आर्थिक संकेतकों के लिए प्रॉक्सी के रूप में उपयोग करने के लिए।

वैश्विक गरीबी आंकड़ों के लिए जमीनी सच्चाई

नई स्टैनफोर्ड परियोजना के लिए, शोधकर्ताओं ने डेटा फ्रेमवर्क को मौजूदा जनसांख्यिकी और स्वास्थ्य सर्वेक्षण (डीएचएस) कार्यक्रम से प्राप्त करने का निर्णय लिया, हालांकि वे स्वीकार करते हैं कि यह डेटासेट में डीएचएस स्कीमा को प्रभावी रूप से दोहराता है। शोधकर्ताओं का कहना है: ‘हमने अपने मॉडल को केवल डीएचएस डेटा पर प्रशिक्षित करने का निर्णय लिया क्योंकि यह सबसे व्यापक एकल स्रोत है जो सार्वजनिक रूप से उपलब्ध, अंतरराष्ट्रीय मानकीकृत धन डेटा प्रदान करता है जो घरेलू स्तर पर धन अनुमान प्रदान करता है जिसमें उप-क्षेत्रीय जियो-मार्कर होते हैं।’

हालांकि, यह परियोजना डीएचएस से बहुत अधिक रिज़ॉल्यूशन पर काम करती है, और मौजूदा फ्रेमवर्क का उपयोग जमीनी सच्चाई के रूप में करने से दो लाभ होते हैं: पहला, डीएचएस डेटा आय की औपचारिक रिपोर्टिंग पर निर्भर नहीं करता है, जो उन देशों में एक अविश्वसनीय संकेतक है जो गरीबी से सबसे अधिक प्रभावित हैं, जहां काला बाजार अर्थव्यवस्थाएं हावी हैं; और दूसरा, डेटा एक मानक तरीके से और एक अंतरराष्ट्रीय टेम्पलेट के अनुसार एकत्र किया जाता है जो शोधकर्ताओं के फ्रेमवर्क को अन्य देशों को शामिल करने की अनुमति देता है जो इस प्रकार के माप के अधीन हैं, इसके बजाय प्रतिस्पर्धी फ्रेमवर्क के बीच समानताएं स्थापित करने के।

मोबाइल कनेक्टिविटी के रूप में आर्थिक सूचकांक

आर्थिक रूप से चुनौतीपूर्ण क्षेत्रों में रहने वाले लोगों के लिए, मोबाइल कनेक्टिविटी पिछले दो दशकों में एक प्रौद्योगिकी जीवन रेखा बन गई है, क्योंकि मोबाइल फोन ऐसे क्षेत्रों में न्यूनतम उपलब्ध प्रौद्योगिकी प्लेटफ़ॉर्म हैं जिन पर भरोसा किया जा सकता है। मोबाइल फोन भी डी फैक्टो भुगतान मंच बन गए हैं जो सहायता प्राप्तकर्ताओं के लिए जो बैंक खाते या पारंपरिक माध्यमों से पैसे प्राप्त करने के अन्य साधनों की कमी है।

हालांकि, जैसा कि पहले देखा गया है, मशीन लर्निंग सिस्टम के लिए आर्थिक सूचकांक के रूप में मोबाइल नेटवर्क संकेतकों का उपयोग करने से कुछ संभावित नुकसान हो सकते हैं: ऐसे क्षेत्रों में लोग हैं जो इतने गरीब हैं कि उनके पास मोबाइल फोन भी नहीं है – जिन लोगों की मदद करने के लिए यह प्रणाली सबसे अधिक डिज़ाइन की गई है; यह प्रणाली परिस्थितियों में गेम की जा सकती है जहां एक फोन नागरिकों के लिए एक अद्वितीय आईडी हैश के लिए प्रॉक्सी बन जाता है; और ऐसी पहचान प्रणाली बनाने से गोपनीयता के प्रभाव हो सकते हैं, खासकर जब स्थानीय या राष्ट्रीय सरकार परियोजना के कुछ निरीक्षण को बनाए रखती है।