Проценка на вистинската состојба на глобалната сиромаштија со машинско учење

Соработката од UoC Berkeley, Универзитетот Стенфорд и Facebook нуди подлабока и погрануларна слика за вистинската состојба на сиромаштија во и меѓу нациите, преку употреба на машинско учење.

на истражување, со право Микро-проценки на богатството за сите земји со низок и среден приход, е придружена со а бета веб-страница што им овозможува на корисниците интерактивно да ја истражуваат апсолутната и релативната економска состојба на ситно зрнестите области и џебовите на сиромаштија во земјите со низок и среден приход.

Рамката вклучува податоци од сателитски снимки, топографски карти, мрежи на мобилни телефони и збирни анонимизирани податоци од Фејсбук, и е потврдена според обемните анкети лице в лице, за целите на известување за релативната разлика во богатството во регионот, наместо апсолутни проценки на приходот. .

Карта на глобалната сиромаштија, насочена кон најпогодените области. Долна, проширувања на Јужна Африка и Лесото (б); област од 12 квадратни километри околу населбата Хајелица во близина на Кејп Таун. Извор: https://arxiv.org/ftp/arxiv/papers/2104/2104.07761.pdf

Системот беше усвои од страна на владата на Нигерија како основа за администрирање на програми за социјална заштита, и работи во тандем со постоечката рамка од Светската банка, Проектот за национални мрежи за социјална заштита (НАССП). Во февруари на првите приматели во шемата им беше исплатен паричен трансфер од 5000 нигериски нари, бенефиција што се плаќа до шест месеци, додека не се достигне прагот од еден милион наири.

Весникот го тврди тоа сиромаштија на податоци дава значаен придонес за неправилна дистрибуција на помошта во земји со минимални ресурси за собирање податоци или ограничена инфраструктура и тоа политички мотивирано погрешно известување (проблем не ограничен на земјите со ниски приходи) е исто така фактор во овој поглед.

Регистрирање на „непријавените сиромашни“

Симулациите на истражувачите на податоците покажаа дека, според постојните регулативи за распределба на ресурсите за помош, дистрибуцијата заснована на овој систем го зголемува плаќањето на оние на кои им е најпотребно и го намалува плаќањето за постоечките приматели во групи со повисоки приходи. Весникот, исто така, ја забележува тешкотијата со која се соочија администраторите на програмите за социјална заштита при распределбата на ресурсите за помош на почетокот на кризата СОВИД-19, поради недостаток на сеопфатни или детални податоци. Во Нигерија, на пример, најновите податоци од истражувањето опфаќаат домаќинства во само 13.8% од сите нигериски области, во споредба со 100% покриеност што ја овозможува новата шема.

Претходната работа во проценката на сиромаштијата потпомогната од вештачката интелигенција во голема мера се концентрираше на податоците добиени од сателитот (види подолу), но истражувачите тврдат дека податоците од мобилното поврзување добиваат попрецизен и грануларен увид во разликите во богатството низ регионите, а овој проток на информации обезбедува половина од сите податоци кои придонесуваат за проектот.

Од гледна точка на генерализација на податоците за машинско учење, истражувачите забележуваат дека моделите обучени во една земја може да бидат корисен и точен образец за моделите што ги покриваат соседните земји. Тие, исто така, забележуваат дека новата рамка не само што може да прави разлика помеѓу урбаните и руралните локалитети, туку е способна да обезбеди карти на диспаритет во урбанизираните области, што го надминува опсегот на многу неодамнешни истражувачки иницијативи во овој сектор.

Сателитски снимки во анализа на сиромаштијата

Основата зад сателитска анализа на сиромаштијата е претпоставката дека сиромашните луѓе имаат малку пари да палат електрични светла во часот на темнината, или можеби воопшто немаат електричен погон. Онаму каде што отсуството на прецизни светла може да се поврзе со присуството на луѓе, како што е утврдено со други средства (како што се податоците за мобилното поврзување), може да се генерира индекс на лишување.

Оваа техника беше предложена во 2016 година во ан претходен весник на Стенфорд од друга истражувачка група. Методот детален во тој труд беше пионер во употребата на сателитско покривање во вечерните часови обезбедено од метеоролошката сателитска програма за одбрана на Воздухопловните сили на САД (DMSP) преку Националната океанска и атмосферска администрација (NOAA-NGDC).

Четири конволутивни филтри идентификуваат, од лево кон десно, карактеристики кои се однесуваат на урбаните зони, руралните зони, водата и патиштата. Горниот ред ги прикажува изворните слики од „Карти на Google“, средината мапите за активирање на филтерот од анализата на машинско учење, а долниот ред преклопување на мапи за активирање на оригиналните слики на картата. Извор: https://science.sciencemag.org/content/sci/353/6301/790.full.pdf

Проектот Стенфорд ги корелираше филтрираните докази за ноќните светла во сателитскиот надзор со сопствената база на податоци за истражувања на DHS за годината кога се случија и истражувањата и збирните сателитски резултати. Беше неопходно да се утврди просеци од збирот на вредностите на ноќното светло како прокси за одредени економски показатели.

Основната вистина за глобалната статистика за сиромаштија

За новиот проект на Стенфорд, истражувачите одлучија да ја извлечат рамката на податоци од постојното Демографско и здравствено истражување (DHS) Програмата, иако, како што признаваат, ова ефикасно ја реплицира шемата за DHS во базата на податоци. Истражувачите забележуваат: „Избравме да го обучуваме нашиот модел исклучиво на податоци за DHS бидејќи тој е најсеопфатниот единствен извор на јавно достапни, меѓународно стандардизирани податоци за богатството што обезбедува проценки за богатството на ниво на домаќинство со суб-регионални геомаркери.

Сепак, проектот работи со многу повисока резолуција од DHS, а користењето на постоечката рамка како основна вистина дава две придобивки: прво, податоците на DHS не се потпираат на формално известување за приходот, што е несигурен индикатор во земјите кои се најмногу погодени од сиромаштија, каде економиите на црниот пазар се богати; и второ, податоците се собираат на стандардизиран начин и на меѓународен образец што овозможува рамката на истражувачите да опфати и други земји кои се предмет на овој метод на мерење, наместо да воспоставува еквиваленции меѓу конкурентните рамки.

Мобилното поврзување како економски индекс

За луѓето кои живеат во области со економски предизвик, мобилното поврзување стана технолошки спас во последните две децении, бидејќи мобилните телефони се минималната достапна технолошка платформа на која може да се потпреме во такви услови. Мобилните телефони исто така станаа де факто платформи за плаќање за примателите на помош кои немаат банкарска сметка или други конвенционални средства за примање пари.

Сепак, како што беше забележано претходно, користењето на индикаторите за мобилна мрежа како економски индекс за системите за машинско учење има некои потенцијални недостатоци: има луѓе во погодените региони кои се толку сиромашни што дури и не поседуваат мобилен телефон - токму луѓето на кои системот е најмногу дизајниран да им помогне; системот потенцијално би можел да се игра од корисници со повеќе мобилни телефони во околности кога телефонот станал прокси за уникатните хашови за лична карта на граѓаните; и има импликации за приватноста за создавање на ваков систем за идентификација, во случаи кога локалната или националната власт задржува одреден надзор над проектот.