Stima dello stato reale della povertà globale con l’apprendimento automatico

Una collaborazione tra l’Università della California, Berkeley, l’Università di Stanford e Facebook offre un’immagine più approfondita e dettagliata dello stato reale della povertà all’interno e tra le nazioni, attraverso l’utilizzo dell’apprendimento automatico.

La ricerca, intitolata Micro-stime della ricchezza per tutti i paesi a basso e medio reddito, è accompagnata da un sito web beta che consente agli utenti di esplorare interattivamente lo stato economico assoluto e relativo di aree e sacche di povertà in paesi a basso e medio reddito.

Il framework incorpora dati da immagini satellitari, mappe topografiche, reti di telefonia mobile e dati aggregati anonimi di Facebook, e viene verificato contro ampie indagini faccia a faccia, per scopi di segnalazione della disparità di ricchezza relativa in una regione, piuttosto che stime assolute di reddito.

Una mappa della povertà globale, ponderata verso le aree più colpite. In basso, ingrandimenti del Sudafrica e del Lesotho (b); un’area di 12 km quadrati intorno alla township di Khayelitsa vicino a Città del Capo. Fonte: https://arxiv.org/ftp/arxiv/papers/2104/2104.07761.pdf

Il sistema è stato adottato dal governo della Nigeria come base per l’amministrazione dei programmi di protezione sociale, e funziona in tandem con il framework esistente della Banca Mondiale, il Progetto di reti di sicurezza sociale nazionale (NASSP). A febbraio, i primi beneficiari dello schema hanno ricevuto un trasferimento di denaro di 5.000 naira nigeriane, un beneficio pagabile fino a sei mesi, fino a quando non si raggiunge la soglia di un milione di naira.

Il documento afferma che la povertà dei dati contribuisce in modo significativo alla distribuzione errata di aiuti in paesi con risorse di raccolta di dati minime o infrastrutture limitate, e che la segnalazione errata motivata politicamente (un problema non limitato ai paesi a basso reddito) è anche un fattore in questo senso.

Registrazione dei “poveri non segnalati”

Le simulazioni dei ricercatori sui dati hanno dimostrato che, in base alle norme esistenti per l’allocazione delle risorse di aiuto, la distribuzione basata su questo sistema aumenta il pagamento per coloro che ne hanno più bisogno e diminuisce il pagamento per i beneficiari esistenti nei gruppi di reddito più alti. Il documento afferma anche la difficoltà che gli amministratori dei programmi di protezione sociale hanno affrontato nell’allocare le risorse di aiuto all’inizio della crisi del COVID-19, a causa della mancanza di dati dettagliati o completi. In Nigeria, ad esempio, i dati della più recente indagine coprono solo il 13,8% di tutti i distretti nigeriani, rispetto alla copertura del 100% offerta dal nuovo schema.

Il lavoro precedente sulla stima della povertà assistita da AI si è concentrato in gran parte sui dati ottenuti dalle immagini satellitari (vedi sotto), ma i ricercatori affermano che i dati della connettività mobile forniscono una visione più precisa e dettagliata della disparità di ricchezza tra le regioni, e che questo flusso di dati fornisce la metà di tutti i dati contribuenti al progetto.

Dal punto di vista della generalizzazione dei dati di apprendimento automatico, i ricercatori osservano che i modelli addestrati in un paese possono essere un modello benefico e preciso per modelli che coprono paesi adiacenti. Affermano anche che il nuovo framework non è in grado solo di distinguere tra aree urbane e rurali, ma è in grado di fornire mappe di disparità all’interno di aree urbanizzate, il che supera l’ambito di molte iniziative di ricerca recenti in questo settore.

Immagini satellitari nell’analisi della povertà

Il principio alla base dell’analisi della povertà basata su immagini satellitari è la presunzione che le persone povere abbiano poco denaro per azionare luci elettriche nell’ora di buio, o potrebbero non avere affatto una luce elettrica. Dove l’assenza di luci puntiformi può essere correlata alla presenza di persone, come stabilito da altri mezzi (come i dati di connettività mobile), un indice di privazione può essere generato.

Questa tecnica è stata proposta nel 2016 in un documento precedente di Stanford di un altro gruppo di ricerca. Il metodo descritto in quel documento ha fatto da pioniere nell’uso della copertura satellitare serale fornita dal Programma di satelliti meteorologici della difesa dell’United States Air Force (DMSP) tramite il National Oceanic and Atmospheric Administration (NOAA-NGDC).

Quattro filtri convoluzionali identificano, da sinistra a destra, caratteristiche che si riferiscono a zone urbane, zone rurali, acqua e strade. La riga superiore mostra immagini di origine da Google Maps, la riga centrale le mappe di attivazione dei filtri dall’analisi di apprendimento automatico e la riga inferiore un sovrapposizione delle mappe di attivazione sulle immagini di mappa originali. Fonte: https://science.sciencemag.org/content/sci/353/6301/790.full.pdf

Il progetto di Stanford ha correlato le prove filtrate delle luci notturne nelle immagini satellitari con il proprio database di indagini DHS per l’anno in cui sia le indagini che i risultati satellitari aggregati si sono verificati. È stato necessario stabilire medie della somma dei valori di luce notturna come proxy per certi indicatori economici.

Verifica dei dati sulla povertà globale

Per il nuovo progetto di Stanford, i ricercatori hanno deciso di derivare il framework dei dati dal Programma di indagini demografiche e sanitarie (DHS) esistente, anche se, come ammettono, ciò effettivamente replica lo schema DHS nel set di dati. I ricercatori osservano: ‘Abbiamo scelto di addestrare il nostro modello esclusivamente con dati DHS perché è la fonte più completa di dati di ricchezza pubblicamente disponibili, standardizzati a livello internazionale, che fornisce stime di ricchezza a livello di nucleo familiare con marcatori geografici sub-regionali.’

Tuttavia, il progetto opera a una risoluzione molto più alta rispetto al DHS, e utilizzare il framework esistente come verifica fornisce due benefici: in primo luogo, i dati del DHS non si basano sulla segnalazione formale del reddito, che è un indicatore inaffidabile nei paesi più colpiti dalla povertà, dove le economie del mercato nero sono diffuse; e in secondo luogo, i dati vengono raccolti in modo standardizzato e secondo un modello internazionale che consente al framework dei ricercatori di coprire altri paesi soggetti a questo metodo di misurazione, piuttosto che stabilire equivalenze tra framework concorrenti.

Connettività mobile come indice economico

Per le persone che vivono in aree economicamente sfavorite, la connettività mobile è diventata una linea di vita tecnologica negli ultimi due decenni, poiché i telefoni cellulari sono la piattaforma tecnologica minima disponibile che può essere affidabile in tali condizioni. I telefoni cellulari sono anche diventati de facto piattaforme di pagamento per i beneficiari di aiuti che non hanno un conto bancario o altri mezzi convenzionali per ricevere denaro.

Tuttavia, come è stato osservato in precedenza, utilizzare gli indicatori di rete mobile come indice economico per i sistemi di apprendimento automatico ha alcuni potenziali svantaggi: ci sono persone nelle aree colpite che sono così povere da non possedere nemmeno un telefono cellulare – le persone che il sistema è più progettato per aiutare; il sistema potrebbe potenzialmente essere manipolato da utenti con più telefoni cellulari in circostanze in cui un telefono è diventato un proxy per hash di ID univoci di cittadini; e ci sono implicazioni di privacy nella creazione di questo tipo di sistema di identificazione, nei casi in cui il governo locale o nazionale mantiene una certa supervisione del progetto; em could potenzialmente essere manipolato da utenti con più telefoni cellulari in circostanze in cui un telefono è diventato un proxy per hash di ID univoci di cittadini; e ci sono implicazioni di privacy nella creazione di questo tipo di sistema di identificazione, in casi in cui il governo locale o nazionale mantiene una certa supervisione del progetto.