Szacowanie prawdziwego stanu globalnego ubóstwa za pomocą uczenia maszynowego

Współpraca pomiędzy UoC Berkeley, Stanford University i Facebook oferuje głębszy i bardziej szczegółowy obraz rzeczywistego stanu ubóstwa w i między narodami, za pomocą wykorzystania uczenia maszynowego.

Badanie, zatytułowane Szacowanie bogactwa dla wszystkich krajów o niskich i średnich dochodach, jest uzupełnione badaniem, które zawiera beta stronę internetową, która pozwala użytkownikom na interaktywne przeglądanie absolutnego i względnego stanu ekonomicznego drobnych obszarów i pocketów ubóstwa w krajach o niskich i średnich dochodach.

Ramka ta wykorzystuje dane z obrazów satelitarnych, map topograficznych, sieci telefonii komórkowej oraz agregowanych i anonimowych danych z Facebooka, a także jest weryfikowana za pomocą obszernych ankiet twarzą w twarz, w celu raportowania względnej dysproporcji dochodów w regionie, zamiast absolutnych szacunków dochodów.

Mapa globalnego ubóstwa, zważona na najbardziej dotknięte obszary. Niższe, powiększenia Południowej Afryki i Lesotho (b); 12-kilometrowy obszar wokół townshipu Khayelitsa w pobliżu Kapsztadu. Źródło: https://arxiv.org/ftp/arxiv/papers/2104/2104.07761.pdf

System ten został zaadaptowany przez rząd Nigerii jako podstawa do administrowania programami ochrony społecznej, a także działa wraz z istniejącą ramą Światowego Banku, Narodowego Projektu Sieci Społecznych (NASSP). W lutym pierwszym odbiorcom w ramach programu wypłacono transfer gotówkowy w wysokości 5000 nairów nigerskich, korzyści wypłacane do sześciu miesięcy, do progu jednego miliona nairów.

Artykuł twierdzi, że ubóstwo danych wnosi znaczący wkład w niewłaściwą dystrybucję pomocy w krajach o minimalnych zasobach danych lub ograniczonej infrastrukturze, a także, że politycznie motywowane nieprawidłowe raportowanie (problem nieograniczony do krajów o niskich dochodach) jest również czynnikiem w tym zakresie.

Rejestrowanie “niewidocznego ubóstwa”

Symulacje badaczy na danych wykazały, że, zgodnie z obowiązującymi przepisami dotyczącymi alokacji zasobów pomocy, dystrybucja oparta na tym systemie zwiększa płatności dla tych, którzy potrzebują ich najbardziej, i zmniejsza płatności dla obecnych odbiorców w wyższych grupach dochodowych. Artykuł zauważa również trudności, z którymi spotkali się administratorzy programów ochrony społecznej przy alokacji zasobów pomocy na początku kryzysu COVID-19, ze względu na brak kompleksowych lub szczegółowych danych. W Nigerii, na przykład, najnowsze dane ankiety obejmują gospodarstwa domowe w zaledwie 13,8% wszystkich nigerskich dystryktów, w porównaniu z 100% pokryciem, które nowy system oferuje.

Poprzednie prace nad szacowaniem ubóstwa za pomocą AI koncentrowały się głównie na danych pozyskiwanych z satelitów (patrz poniżej), ale badacze twierdzą, że dane z łączności komórkowej zapewniają bardziej dokładny i szczegółowy wgląd w dysproporcje dochodów w regionach, a ta strumień danych stanowi połowę wszystkich danych przyczyniających się do projektu.

Z punktu widzenia uogólnienia w danych uczenia maszynowego, badacze obserwują, że modele szkolone w jednym kraju mogą być korzystnym i dokładnym szablonem dla modeli obejmujących sąsiadujące kraje. Zauważają również, że nowa ramka jest w stanie nie tylko odróżnić obszary miejskie i wiejskie, ale także zapewnić mapy dysproporcji w obszarach zurbanizowanych, co przekracza zakres wielu ostatnich inicjatyw badawczych w tym sektorze.

Obrazowanie satelitarne w analizie ubóstwa

Główny powód analizy ubóstwa opartej na satelitach jest założeniem, że ludzie biedni mają mało pieniędzy na uruchomienie świateł elektrycznych w godzinach nocnych, lub mogą nie mieć w ogóle świateł elektrycznych. Gdzie brak punktowych świateł może być skorelowany z obecnością ludzi, ustaloną za pomocą innych środków (takich jak dane z łączności komórkowej), może być wygenerowany wskaźnik deprywacji.

Technika ta została zaproponowana w 2016 roku w wcześniejszym artykule z innego zespołu badawczego. Metoda opisana w tym artykule była pionierskim wykorzystaniem obrazów satelitarnych wieczornych dostarczonych przez Program Meteorologiczny Obrony Sił Powietrznych Stanów Zjednoczonych (DMSP) za pośrednictwem Narodowego Centrum Danych Oceanograficznych i Atmosferycznych (NOAA-NGDC).

Cztery filtry konwolucyjne identyfikują, od lewej do prawej, cechy związane z obszarami miejskimi, wiejskimi, wodą i drogami. Górny rząd przedstawia obrazy źródłowe z Google Maps, środkowy – mapy aktywacji filtrów z analizy uczenia maszynowego, a dolny rząd – nakładkę map aktywacji na oryginalne obrazy map. Źródło: https://science.sciencemag.org/content/sci/353/6301/790.full.pdf

Projekt Stanforda skorelował sfiltrowane dowody nocnych świateł w nadzorze satelitarnym z własną bazą danych ankiet DHS dla roku, w którym odbyły się ankiety i agregowane wyniki satelitarne. Było konieczne ustalenie średnich sumy wartości nocnych świateł jako proxy dla pewnych wskaźników ekonomicznych.

Podstawa prawdziwa dla globalnych statystyk ubóstwa

Dla nowego projektu Stanforda, badacze zdecydowali się wywieźć ramę danych z istniejącego Programu Demografii i Zdrowia (DHS), nawet jeśli, jak przyznają, skutkuje to powieleniem schematu DHS w zbiorze danych. Badacze zauważają: ‘Zdecydowaliśmy się szkolić nasz model wyłącznie na danych DHS, ponieważ jest to najbardziej kompleksowe źródło publicznie dostępnych, międzynarodowo ustandaryzowanych danych o bogactwie, które zapewnia szacunki bogactwa na poziomie gospodarstw domowych z subregionalnymi markerami geograficznymi.’

Jednak projekt działa na znacznie wyższej rozdzielczości niż DHS, a wykorzystanie istniejącej ramy jako podstawy prawdy zapewnia dwie korzyści: po pierwsze, dane DHS nie polegają na formalnym raportowaniu dochodów, które jest niepewnym wskaźnikiem w krajach najbardziej dotkniętych ubóstwem, gdzie gospodarki czarne są powszechne; a po drugie, dane są zbierane w ustandaryzowany sposób i według międzynarodowego szablonu, który pozwala ramie badawców objąć inne kraje, które podlegają tej metodzie pomiaru, zamiast ustanawiania równoważności między konkurującymi ramami.

Łączność komórkowa jako wskaźnik ekonomiczny

Dla ludzi żyjących w obszarach ekonomicznie zagrożonych, łączność komórkowa stała się technologicznym ratunkiem w ciągu ostatnich dwóch dekad, ponieważ telefony komórkowe są minimalnym dostępnym platformem technologicznym, na którym można polegać w takich warunkach. Telefony komórkowe stały się również de facto platformami płatniczymi dla odbiorców pomocy, którzy nie mają konta bankowego lub innych konwencjonalnych środków otrzymywania pieniędzy.

Jednak, jak zaobserwowano wcześniej, wykorzystanie wskaźników sieci komórkowych jako wskaźnika ekonomicznego dla systemów uczenia maszynowego ma pewne potencjalne wady: są ludzie w dotkniętych regionach, którzy są tak biedni, że nie posiadają nawet telefonu komórkowego – ludzie, którym system jest najbardziej przeznaczony do pomocy; system może być potencjalnie oszukany przez użytkowników z wieloma telefonami komórkowymi w okolicznościach, w których telefon stał się proxy dla unikalnych identyfikatorów obywateli; i istnieją implikacje dotyczące prywatności w tworzeniu takiego systemu identyfikacji, w przypadku, w którym lokalny lub narodowy rząd zachowuje pewną kontrolę nad projektem.