世界の貧困の真の状況を機械学習で推定する

カリフォルニア大学バークレー校、スタンフォード大学、Facebookの共同研究により、機械学習を使用して、国や地域の貧困の実際の状況をより深く、より詳細に理解することができます。

この研究は、低所得および中所得国の全域における富のマイクロ推定というタイトルで行われ、ベータ版のウェブサイトも公開されています。このウェブサイトでは、低所得および中所得国の細かい地域や貧困地域の絶対的な経済状況や相対的な経済状況をインタラクティブに探索することができます。

このフレームワークでは、衛星画像、地形図、モバイル電話ネットワーク、Facebookの匿名化されたデータを組み込んでいます。また、面接調査の結果と比較して、地域の相対的な富の差を報告するために使用されます。

世界の貧困マップ、最も影響を受けた地域に重み付け。下部は、南アフリカとレソト（b）の拡大図、ケープタウンの近くにあるKhayelitsaタウンシップ周辺の12平方キロメートル地域。 出典：https://arxiv.org/ftp/arxiv/papers/2104/2104.07761.pdf

このシステムは、ナイジェリア政府によって社会保護プログラムの基礎として採用されており、世界銀行の既存のフレームワークであるNational Social Safety nets Project（NASSP）と並行して実行されています。2月には、最初の受給者が5000ナイジェリア・ナイラの現金転送を受け取りました。これは、6か月間支払われることができます。

この論文では、データの貧困が、援助の不正確な配分に大きく貢献していることが示されています。また、政治的に動機付けられた不正確な報告も、貧困国だけでなく、他の国でも問題となっていることが示されています。

報告されていない貧困層の登録

研究者たちのシミュレーションでは、現行の援助資源配分規則に基づいて、このシステムを使用すると、最も必要な人々への支払いが増加し、高所得層の既存の受給者への支払いが減少することが示されています。また、COVID-19の危機の初期に、社会保護プログラムの管理者がデータの不足により援助資源を配分するのに苦労したことも示されています。ナイジェリアでは、最新の調査データは、ナイジェリアの地区のわずか13.8%しかカバーしていません。一方、新しいスキームでは100%のカバーを提供しています。

以前のAIを使用した貧困推定研究では、主に衛星画像を使用してきたが、研究者たちは、モバイル接続データを使用することで、地域間の富の差をより正確に把握できることを示しています。この情報は、プロジェクトの全データの半分を占めています。

機械学習のデータの一般化という観点から、研究者たちは、1つの国で訓練されたモデルは、隣接する国々のモデルにとって有益で正確なテンプレートになることが示されています。また、新しいフレームワークは、都市と農村の地域を区別するだけでなく、都市地域内の差を示すことができることも示されています。

貧困分析における衛星画像

衛星画像を使用した貧困分析の原理は、貧しい人々が夜間に電気を点けるお金がないか、電気の施設がないという仮定に基づいています。電気の点灯のない場所が、他の手段（例：モバイル接続データ）で確認された人々の存在と相関する場合、貧困度の指標を作成することができます。

この手法は、2016年にスタンフォード大学の別の研究グループによって提案されました。この手法では、米国空軍の防衛気象衛星プログラム（DMSP）を通じて、米国国立海洋大気庁（NOAA-NGDC）から提供される夜間の衛星画像を使用しています。

4つの畳み込みフィルタが、左から右に、都市地域、農村地域、水、道路に関連する特徴を識別します。上段はGoogle Mapsからの元の画像、中段は機械学習分析からのフィルタの活性化マップ、下段は活性化マップを元の画像に重ねたものです。 出典：https://science.sciencemag.org/content/sci/353/6301/790.full.pdf

スタンフォード大学のプロジェクトでは、衛星画像の夜間の光の証拠を、DHS調査のデータベースと比較しています。夜間の光の値の合計の平均を、経済指標の代理として確立する必要がありました。

世界の貧困統計の基礎となる真実

新しいスタンフォード大学のプロジェクトでは、研究者たちは、既存のDemographic and Health Survey（DHS）プログラムからデータフレームワークを導出することを決定しました。研究者たちは、次のように述べています：「我々は、DHSデータのみを使用してモデルを訓練することを選択しました。なぜなら、DHSは、家計レベルの富の推定を提供する、公開されている国際的に標準化されたデータの最も包括的な単一の源だからです。」

しかし、このプロジェクトは、DHSよりもはるかに高い解像度で動作しています。また、既存のフレームワークを使用することで、2つの利点が得られます。まず、DHSデータは、所得の正式な報告に頼ることはありません。所得の正式な報告は、貧困に影響を受ける国々では信頼できない指標です。二つ目は、データは標準化された方法で収集され、国際的なテンプレートに従っています。これにより、研究者のフレームワークは、他の国々もこの方法で測定されるようにすることができます。

モバイル接続を経済指標として

経済的に困難な地域に住む人々にとって、モバイル接続は過去20年で技術的な生命線となりました。モバイル電話は、最低限の技術プラットフォームであり、他の方法では頼ることができないからです。モバイル電話は、銀行口座や他の従来の方法でお金を受け取ることができない人々にとって、事実上の支払いプラットフォームともなっています。

しかし、以前にも指摘されているように、モバイルネットワークの指標を機械学習システムの経済指標として使用することには、潜在的な欠点があります。影響を受ける地域に住む人々の中には、モバイル電話を持っていない人々がいます。システムは、電話が市民のユニークなIDハッシュの代理として使用される状況で、複数のモバイル電話を持つユーザーによって操作される可能性があります。また、プロジェクトが地方自治体または国家政府の管理下にある場合、このような識別システムを作成することには、プライバシー上の影響があります。