Estimering av den sanne tilstanden til global fattigdom med maskinlæring

Et samarbeid fra UoC Berkeley, Stanford University og Facebook gir et dypere og mer detaljert bilde av den faktiske fattigdomstilstanden i og på tvers av nasjoner, gjennom bruk av maskinlæring.

De forskning, har krav på Mikroestimat av formue for alle lav- og mellominntektsland, er ledsaget av en betanettsted som lar brukere interaktivt utforske den absolutte og relative økonomiske tilstanden til finkornede områder og lommer av fattigdom i lav- og mellominntektsland.

Rammeverket inneholder data fra satellittbilder, topografiske kart, mobiltelefonnettverk og aggregerte anonymiserte data fra Facebook, og er verifisert mot omfattende ansikt-til-ansikt-undersøkelser, med det formål å rapportere relativ formuesforskjell i en region, snarere enn absolutte estimater av inntekt. .

Et kart over global fattigdom, vektet mot de mest berørte områdene. Nedre, utvidelser av Sør-Afrika og Lesotho (b); et 12 kvadratkilometer stort område rundt Khayelitsa township nær Cape Town. Kilde: https://arxiv.org/ftp/arxiv/papers/2104/2104.07761.pdf

Systemet har vært vedtatt av regjeringen i Nigeria som grunnlag for å administrere sosiale beskyttelsesprogrammer, og går i takt med det eksisterende rammeverket fra Verdensbanken, National Social Safety Nets Project (NASSP). I februar fikk de første mottakerne under ordningen utbetalt en kontantoverføring på 5000 nigerianske naira, en ytelse som kan betales inntil seks måneder, inntil en terskel på én million naira er nådd.

Avisen hevder det datafattigdom gir et bemerkelsesverdig bidrag til feil distribusjon av bistand i land med minimale datainnsamlingsressurser eller begrenset infrastruktur, og at politisk motivert feilrapportering (et problem Ikke begrenset til lavinntektsland) er også en faktor i denne forbindelse.

Registrering av de "urapporterte fattige"

Forskernes simuleringer av dataene viste at i henhold til eksisterende regelverk for tildeling av bistandsressurser, øker distribusjon basert på dette systemet betalingen til de mest trengende og reduserer betalingen til eksisterende mottakere i høyere inntektsgrupper. Artikkelen bemerker også vanskelighetene som administratorer av sosiale beskyttelsesprogram møtte med å tildele bistandsressurser i begynnelsen av COVID-19-krisen, på grunn av mangelen på omfattende eller detaljerte data. I Nigeria, for eksempel, dekker de siste undersøkelsesdataene husholdninger i bare 13.8 % av alle nigerianske distrikter, sammenlignet med den 100 % dekningen som den nye ordningen gir.

Tidligere arbeid med AI-assistert fattigdomsberegning har i stor grad konsentrert seg om satellitt-innhentede data (se nedenfor), men forskerne hevder at data fra mobil tilkobling får en mer nøyaktig og detaljert innsikt i formuesforskjeller på tvers av regioner, og denne informasjonsstrømmen gir halvparten av alle bidragsdata for prosjektet.

Fra et synspunkt om generalisering i maskinlæringsdata, observerer forskerne at modeller trent i ett land kan være en fordelaktig og nøyaktig mal for modeller som dekker tilstøtende land. De bemerker også at det nye rammeverket ikke bare er i stand til å skille mellom urbane og landlige lokaliteter, men er i stand til å gi ulikhetskart innenfor urbaniserte områder, som overskrider omfanget av mange nyere forskningsinitiativer i denne sektoren.

Satellittbilder i fattigdomsanalyse

Prinsippet bak satellittbasert fattigdomsanalyse er antagelsen om at fattige mennesker har lite penger til å kjøre elektrisk lys i mørkets stund, eller kanskje ikke har noe elektrisk lysanlegg i det hele tatt. Der fraværet av nøyaktige lys kan korreleres med tilstedeværelsen av mennesker, slik det kan fastslås på andre måter (for eksempel mobiltilkoblingsdata), kan en indeks for deprivasjon genereres.

Denne teknikken ble foreslått i 2016 i en tidligere Stanford-papir fra en annen forskningsgruppe. Metoden beskrevet i denne artikkelen var banebrytende for bruken av satellittdekning på kveldstid levert av United States Air Force Defense Meteorological Satellite Program (DMSP) via National Oceanic and Atmospheric Administration (NOAA-NGDC).

Fire konvolusjonsfiltre identifiserer, fra venstre til høyre, funksjoner som er relatert til urbane soner, landlige soner, vann og veier. Den øverste raden viser kildebilder fra Google Maps, den midterste filteraktiveringskartene fra maskinlæringsanalyse, og den nederste raden et overlegg av aktiveringskart på de originale kartbildene. Kilde: https://science.sciencemag.org/content/sci/353/6301/790.full.pdf

Stanford-prosjektet korrelerte de filtrerte bevisene for nattlys i satellittovervåkingen mot sin egen database med DHS-undersøkelser for året som både undersøkelsene og de aggregerte satellittresultatene fant sted. Det var nødvendig å etablere gjennomsnitt av summen av nattlysverdier som proxyer for visse økonomiske indikatorer.

Ground Truth For Global Poverty Statistics

For det nye Stanford-prosjektet bestemte forskerne seg for å utlede datarammeverket fra den eksisterende demografiske og helseundersøkelsen (DHS) Program, selv om, som de innrømmer, dette effektivt replikerer DHS-skjemaet i datasettet. Forskerne observerer: "Vi valgte å trene modellen vår utelukkende på DHS-data fordi det er den mest omfattende enkeltkilden til offentlig tilgjengelige, internasjonalt standardiserte formuesdata som gir formueestimater på husholdningsnivå med subregionale geomarkører."

Prosjektet opererer imidlertid med en langt høyere oppløsning enn DHS, og å bruke det eksisterende rammeverket som grunnsannhet gir to fordeler: For det første er ikke DHS-dataene avhengige av formell rapportering av inntekt, som er en upålitelig indikator i landene som er mest berørt av fattigdom, hvor svartemarkedsøkonomier er utbredt; og for det andre samles dataene inn på en standardisert måte og etter en internasjonal mal som gjør at forskernes rammeverk kan omfatte andre land som er underlagt denne målemetoden, i stedet for å etablere ekvivalenser på tvers av konkurrerende rammeverk.

Mobil tilkobling som en økonomisk indeks

For mennesker som bor i økonomisk utfordrede områder, har mobil tilkobling blitt en teknologisk livline i løpet av de siste to tiårene, siden mobiltelefoner er den minimale tilgjengelige teknologiske plattformen man kan stole på under slike forhold. Mobiltelefoner har det også blitt de facto betalingsplattformer for hjelpemottakere som mangler bankkonto, eller andre konvensjonelle måter å motta penger på.

Imidlertid som det har vært observert før, bruk av mobilnettverksindikatorer som en økonomisk indeks for maskinlæringssystemer har noen potensielle ulemper: det er mennesker i de berørte regionene som er så fattige at de ikke engang har en mobiltelefon – de samme menneskene som systemet er mest designet for å hjelpe; systemet kan potensielt spilles av brukere med flere mobiltelefoner i omstendigheter der en telefon har blitt en proxy for unike ID-hasher til innbyggere; og det er personvernimplikasjoner ved å lage denne typen identifikasjonssystem, i tilfeller der den lokale eller nasjonale regjeringen har noe tilsyn med prosjektet.