การประมาณการสถานะที่แท้จริงของความยากจนระดับโลกด้วยเครื่องมือ Machine Learning

การร่วมมือกันจาก UoC Berkeley, Stanford University และ Facebook มอบภาพที่ลึกซึ้งและละเอียดเกี่ยวกับสถานะที่แท้จริงของความยากจนในและระหว่างประเทศ โดยใช้เครื่องมือ Machine Learning

การวิจัย นี้ ซึ่งมีชื่อเรื่องว่า Micro-Estimates of Wealth for all Low-and Middle-Income Countries มาพร้อมกับ เว็บไซต์เบต้า ที่ช่วยให้ผู้ใช้สามารถสำรวจสถานะทางเศรษฐกิจที่แท้จริงของพื้นที่และพื้นที่ยากจนที่มีรายละเอียดสูงในประเทศที่มีรายได้น้อยและปานกลาง

เฟรมเวิร์กนี้รวมข้อมูลจากภาพถ่ายดาวเทียม แผนที่ภูมิประเทศ เครือข่ายโทรศัพท์มือถือ และข้อมูลที่รวบรวมและทำให้ไม่สามารถระบุถึงบุคคลได้จาก Facebook และได้รับการตรวจสอบจากการสัมภาษณ์แบบตัวต่อตัวอย่างกว้างขวาง เพื่อวัตถุประสงค์ในการรายงานความไม่เท่าเทียมกันของความมั่งคั่งในภูมิภาค มากกว่าการประมาณการรายได้ที่แท้จริง

แผนที่ความยากจนระดับโลกที่มีน้ำหนักมากที่สุด พื้นที่ที่มีรายละเอียดสูงในแอฟริกาใต้และเลโซโท (b); พื้นที่ 12 ตารางกิโลเมตรรอบๆ เมือง Khayelitsa ใกล้เคปทาวน์ Source: https://arxiv.org/ftp/arxiv/papers/2104/2104.07761.pdf

ระบบนี้ได้รับการนำมาใช้โดยรัฐบาลไนจีเรียเป็นพื้นฐานสำหรับการบริหารโครงการคุ้มครองทางสังคม และทำงานควบคู่ไปกับเฟรมเวิร์กที่มีอยู่จากธนาคารโลก โครงการเครือข่ายความปลอดภัยทางสังคมแห่งชาติ (NASSP) ในเดือนกุมภาพันธ์ ผู้รับเงินช่วยเหลือคนแรกภายใต้โครงการได้รับเงินช่วยเหลือ 5,000 ไนจีเรีย นาไรา ซึ่งเป็นผลประโยชน์ที่จ่ายได้มากถึง 6 เดือน จนกว่าจะถึงเกณฑ์ 1 ล้านนาไรา

การวิจัยระบุว่า ความยากจนของข้อมูล มีส่วนช่วยอย่างมากในการกระจายเงินช่วยเหลือที่ไม่ถูกต้องในประเทศที่มีทรัพยากรในการรวบรวมข้อมูลน้อยหรือโครงสร้างพื้นฐานที่จำกัด และการรายงานที่มีแรงจูงใจทางการเมือง (ปัญหาที่ ไม่จำกัด เฉพาะประเทศที่มีรายได้น้อย) ก็เป็นปัจจัยหนึ่งในเรื่องนี้เช่นกัน

การลงทะเบียน ‘ผู้ยากจนไม่ได้รายงาน’

การจำลองของนักวิจัยเกี่ยวกับข้อมูลแสดงให้เห็นว่าภายใต้กฎระเบียบการกระจายทรัพยากรช่วยเหลือที่มีอยู่ ระบบนี้เพิ่มการชำระเงินให้กับผู้ที่ต้องการความช่วยเหลือมากที่สุดและลดการชำระเงินสำหรับผู้รับเงินช่วยเหลือที่มีรายได้สูงกว่า การวิจัยยังชี้ให้เห็นว่าผู้ดูแลโครงการคุ้มครองทางสังคมเผชิญกับความยากลำบากในการจัดสรรทรัพยากรช่วยเหลือในช่วงเริ่มต้นของวิกฤต COVID-19 เนื่องจากขาดข้อมูลที่ครอบคลุมหรือมีรายละเอียด ในไนจีเรีย ตัวอย่างเช่น ข้อมูลการสำรวจล่าสุดครอบคลุมเพียง 13.8% ของพื้นที่ในไนจีเรียเท่านั้น เมื่อเทียบกับการครอบคลุม 100% ที่โครงการใหม่นี้ให้ไว้

งานวิจัยก่อนหน้านี้เกี่ยวกับการประมาณการความยากจนโดยใช้ AI มุ่งเน้นไปที่ข้อมูลที่ได้รับจากดาวเทียม (ดูข้างล่าง) แต่นักวิจัยระบุว่าข้อมูลจากความเชื่อมต่อโทรศัพท์มือถือให้ข้อมูลที่แม่นยำและละเอียดเกี่ยวกับความไม่เท่าเทียมกันของความมั่งคั่งระหว่างภูมิภาค และสตรีมข้อมูลนี้ให้ข้อมูลครึ่งหนึ่งของทั้งหมดที่มีส่วนร่วมในโครงการ

จากมุมมองของการสร้างแบบจำลองทั่วไปในข้อมูล Machine Learning นักวิจัยสังเกตว่าแบบจำลองที่ได้รับการฝึกอบรมในประเทศหนึ่งสามารถเป็นแบบจำลองที่มีประโยชน์และแม่นยำสำหรับประเทศที่อยู่ติดกัน นักวิจัยยังชี้ให้เห็นว่าเฟรมเวิร์กใหม่นี้ไม่เพียงแต่สามารถแยกความแตกต่างระหว่างพื้นที่เมืองและพื้นที่ชนบทเท่านั้น แต่ยังสามารถให้แผนที่ความไม่เท่าเทียมกันภายในพื้นที่เมือง ซึ่งเกินขอบเขตของการวิจัยล่าสุดหลายโครงการในภาคส่วนนี้

ภาพถ่ายดาวเทียมในการวิเคราะห์ความยากจน

หลักการเบื้องหลังของการวิเคราะห์ความยากจนโดยใช้ภาพถ่ายดาวเทียมคือสมมติฐานที่ว่าคนยากจนมีเงินไม่มากพอที่จะใช้ไฟในเวลากลางคืน หรืออาจไม่มีไฟฟ้าเลย เมื่อความไม่มีแสงไฟสามารถสัมพันธ์กับการมีอยู่ของคนโดยวิธีอื่น (เช่น ข้อมูลความเชื่อมต่อโทรศัพท์มือถือ) ดัชนีการขาดแคลนสามารถสร้างขึ้นได้

เทคนิคนี้ถูกเสนอในปี 2016 ใน เอกสารวิจัยของ Stanford จากกลุ่มวิจัยอื่น วิธีการที่อธิบายไว้ในเอกสารนั้นเป็นผู้บุกเบิกการใช้ภาพถ่ายดาวเทียมในช่วงเวลากลางคืนจากโปรแกรมดาวเทียมอุตุนิยมวิทยาของกองทัพอากาศสหรัฐ (DMSP) ผ่านองค์การบริหารมหาสมุทรและบรรยากาศแห่งชาติ (NOAA-NGDC)

ฟิลเตอร์เชิงบวก 4 แบบระบุจากซ้ายไปขวา คุณลักษณะที่เกี่ยวข้องกับพื้นที่เมือง พื้นที่ชนบท น้ำ และถนน แถวบนสุดแสดงภาพต้นฉบับจาก Google Maps แถวกลางแสดงแผนที่การทำงานของฟิลเตอร์จากวิเคราะห์ Machine Learning และแถวล่างแสดงภาพที่ซ้อนทับของแผนที่การทำงานบนภาพต้นฉบับ Source: https://science.sciencemag.org/content/sci/353/6301/790.full.pdf

โครงการ Stanford สัมพันธ์กับหลักฐานที่กรองแล้วของแสงไฟในเวลากลางคืนจากภาพถ่ายดาวเทียมกับฐานข้อมูลของ DHS สำหรับปีที่ทั้งการสำรวจและผลลัพธ์ของดาวเทียมเกิดขึ้น จำเป็นต้อง สร้าง ค่าเฉลี่ยของผลรวมของค่าแสงไฟในเวลากลางคืนเป็นตัวแทนของตัวชี้วัดทางเศรษฐกิจบางอย่าง

พื้นฐานสำหรับข้อมูลความยากจนระดับโลก

สำหรับโครงการ Stanford ใหม่นี้ นักวิจัยตัดสินใจที่จะพัฒนาฐานข้อมูลจากโปรแกรมการสำรวจประชากรและสวัสดิการ (DHS) ที่มีอยู่แล้ว แม้ว่าพวกเขาจะยอมรับว่าสิ่งนี้จะทำซ้ำโครงสร้างของ DHS ในชุดข้อมูล นักวิจัยสังเกตว่า: ‘เราเลือกที่จะฝึกแบบจำลองของเราโดยใช้ข้อมูลจาก DHS เท่านั้น เนื่องจากเป็นแหล่งข้อมูลที่สมบูรณ์ที่สุดซึ่งเปิดให้ใช้ฟรีและเป็นมาตรฐานระหว่างประเทศที่ให้การประมาณการความมั่งคั่งระดับครัวเรือนพร้อมกับเครื่องหมายภูมิศาสตร์ย่อยภูมิภาค’

อย่างไรก็ตาม โครงการนี้ดำเนินการที่ความละเอียดที่สูงกว่า DHS และการใช้เฟรมเวิร์กที่มีอยู่เป็นพื้นฐานให้ประโยชน์ 2 ประการ: ประการแรก ข้อมูลของ DHS ไม่พึ่งพาการรายงานรายได้ ซึ่งเป็นตัวชี้วัดที่ไม่น่าเชื่อถือในประเทศที่ได้รับผลกระทบจากความยากจนมากที่สุด ซึ่งมีเศรษฐกิจใต้ดิน遍布ไปทั่ว และประการที่สอง ข้อมูลถูกเก็บรวบรวมในลักษณะที่เป็นมาตรฐานและตามเทมเพลตระหว่างประเทศ ซึ่งช่วยให้เฟรมเวิร์กของนักวิจัยสามารถครอบคลุมประเทศอื่นๆ ที่ใช้วิธีการวัดที่คล้ายกัน แทนที่จะสร้างความเท่าเทียมกันระหว่างเฟรมเวิร์กที่แตกต่างกัน

ความเชื่อมต่อโทรศัพท์มือถือเป็นตัวชี้วัดทางเศรษฐกิจ

สำหรับคนในพื้นที่ที่ท้าทายทางเศรษฐกิจ ความเชื่อมต่อโทรศัพท์มือถือได้กลายเป็นทางเลือกทางเทคโนโลยีที่เชื่อถือได้ในช่วงสองทศวรรษที่ผ่านมา เนื่องจากโทรศัพท์มือถือเป็นแพลตฟอร์มเทคโนโลยีที่น่าเชื่อถือที่สุดที่สามารถใช้ได้ในสถานการณ์ดังกล่าว โทรศัพท์มือถือยังได้กลายเป็น de facto แพลตฟอร์มการชำระเงินสำหรับผู้รับเงินช่วยเหลือที่ไม่มีบัญชีธนาคารหรือวิธีการรับเงินแบบอื่น

อย่างไรก็ตาม ตามที่ สังเกตการณ์ก่อนหน้านี้ การใช้ตัวชี้วัดเครือข่ายโทรศัพท์มือถือเป็นตัวชี้วัดทางเศรษฐกิจสำหรับระบบ Machine Learning มีข้อเสียที่อาจเกิดขึ้น: มีคนในพื้นที่ที่ได้รับผลกระทบซึ่งยากจนจนไม่มีแม้แต่โทรศัพท์มือถือ – คนที่ระบบนี้ออกแบบมาเพื่อช่วยเหลือมากที่สุด; ระบบอาจถูกหลอกลวงโดยผู้ใช้ที่มีโทรศัพท์มือถือหลายเครื่องในสถานการณ์ที่โทรศัพท์กลายเป็นตัวแทนของแฮช ID ที่ไม่ซ้ำกันของพลเมือง; และมีผลกระทบด้านความเป็นส่วนตัวในการสร้างระบบระบุประจำตัวประเภทนี้ ในกรณีที่รัฐบาลท้องถิ่นหรือรัฐบาลระดับชาติเก็บการดูแลโครงการไว้บางส่วน