Ước tính tình trạng thực sự của nghèo đói toàn cầu với học máy

Một sự hợp tác từ UoC Berkeley, Stanford University và Facebook cung cấp một bức tranh sâu sắc và chi tiết hơn về tình trạng thực sự của nghèo đói trong và giữa các quốc gia, thông qua việc sử dụng học máy.

Nghiên cứu này, có tiêu đề Ước tính nhỏ về tài sản cho tất cả các quốc gia thu nhập thấp và trung bình, đi kèm với một trang web beta cho phép người dùng khám phá tương tác tình trạng kinh tế tuyệt đối và tương đối của các khu vực và vùng nghèo ở các quốc gia thu nhập thấp và trung bình.

Khung khổ này kết hợp dữ liệu từ hình ảnh vệ tinh, bản đồ địa hình, mạng điện thoại di động và dữ liệu ẩn danh tổng hợp từ Facebook, và được xác minh chống lại các cuộc khảo sát trực tiếp rộng rãi, nhằm mục đích báo cáo sự chênh lệch về tài sản tương đối trong một khu vực, chứ không phải ước tính thu nhập tuyệt đối.

Bản đồ về nghèo đói toàn cầu, có trọng số hướng tới các khu vực bị ảnh hưởng nhiều nhất. Dưới, phóng to khu vực Nam Phi và Lesotho (b); một khu vực 12sqkm xung quanh thị trấn Khayelitsa gần Cape Town. Nguồn: https://arxiv.org/ftp/arxiv/papers/2104/2104.07761.pdf

Hệ thống này đã được chấp nhận bởi chính phủ Nigeria làm cơ sở để quản lý các chương trình bảo vệ xã hội, và hoạt động cùng với khuôn khổ hiện có từ Ngân hàng Thế giới, Dự án An sinh Xã hội Quốc gia (NASSP). Vào tháng 2, những người nhận đầu tiên theo chương trình này đã được trả một khoản chuyển tiền 5000 naira Nigeria, một lợi ích có thể được trả lên đến sáu tháng, cho đến khi đạt đến ngưỡng một triệu naira.

Bài báo khẳng định rằng nghèo đói về dữ liệu đóng góp đáng kể vào việc phân phối sai trợ cấp ở các quốc gia có ít tài nguyên thu thập dữ liệu hoặc cơ sở hạ tầng hạn chế, và rằng việc báo cáo sai lệch do động cơ chính trị (một vấn đề không giới hạn ở các quốc gia thu nhập thấp) cũng là một yếu tố trong vấn đề này.

Đăng ký ‘người nghèo không được báo cáo’

Các mô phỏng của các nhà nghiên cứu về dữ liệu cho thấy rằng, dưới các quy định hiện có về phân bổ tài nguyên trợ cấp, phân bổ dựa trên hệ thống này làm tăng thanh toán cho những người cần nhất và giảm thanh toán cho những người nhận hiện tại trong các nhóm thu nhập cao hơn. Bài báo cũng lưu ý về khó khăn mà các nhà quản lý chương trình bảo vệ xã hội phải đối mặt trong việc phân bổ tài nguyên trợ cấp tại thời điểm bắt đầu cuộc khủng hoảng COVID-19, do thiếu dữ liệu toàn diện hoặc chi tiết. Tại Nigeria, ví dụ, dữ liệu khảo sát mới nhất chỉ bao gồm các hộ gia đình trong 13,8% tất cả các khu vực của Nigeria, so với mức độ bao phủ 100% mà chương trình mới này cung cấp.

Công việc trước đây về ước tính nghèo đói hỗ trợ AI đã tập trung chủ yếu vào dữ liệu thu được từ vệ tinh (xem dưới), nhưng các nhà nghiên cứu khẳng định rằng dữ liệu từ kết nối di động thu được một cái nhìn sâu sắc và chi tiết hơn về sự chênh lệch về tài sản trên các khu vực, và luồng thông tin này cung cấp nửa số dữ liệu đóng góp cho dự án.

Từ góc độ tổng quát hóa trong dữ liệu học máy, các nhà nghiên cứu quan sát thấy rằng các mô hình được đào tạo ở một quốc gia có thể là một khuôn mẫu có lợi và chính xác cho các mô hình bao phủ các quốc gia lân cận. Họ cũng lưu ý rằng khuôn khổ mới này không chỉ có thể phân biệt giữa các khu vực đô thị và nông thôn, mà còn có khả năng cung cấp bản đồ chênh lệch trong các khu vực đô thị, điều này vượt quá phạm vi của nhiều sáng kiến nghiên cứu gần đây trong lĩnh vực này.

Hình ảnh vệ tinh trong phân tích nghèo đói

Nguyên tắc đằng sau phân tích nghèo đói dựa trên hình ảnh vệ tinh là giả định rằng những người nghèo có ít tiền để chạy đèn điện trong giờ tối, hoặc có thể không có cơ sở đèn điện nào. Ở nơi sự vắng mặt của các điểm sáng có thể được tương quan với sự hiện diện của người dân, như được xác định bởi các phương tiện khác (chẳng hạn như dữ liệu kết nối di động), một chỉ số về sự thiếu thốn có thể được tạo ra.

Phương pháp này được đề xuất vào năm 2016 trong một bài báo trước của một nhóm nghiên cứu khác tại Stanford. Phương pháp được mô tả trong bài báo đó đã tiên phong trong việc sử dụng dữ liệu vệ tinh vào buổi tối do Chương trình Vệ tinh Khí tượng Quốc phòng của Không quân Hoa Kỳ (DMSP) thông qua Trung tâm Dữ liệu Địa vật lý Quốc gia (NOAA-NGDC).

Bốn bộ lọc convolutional xác định, từ trái sang phải, các tính năng liên quan đến các khu vực đô thị, nông thôn, nước và đường. Hàng trên cùng hiển thị hình ảnh nguồn từ Google Maps, hàng giữa hiển thị các bản đồ hoạt động của bộ lọc từ phân tích học máy, và hàng dưới cùng là lớp phủ của các bản đồ hoạt động trên hình ảnh bản đồ ban đầu. Nguồn: https://science.sciencemag.org/content/sci/353/6301/790.full.pdf

Dự án Stanford đã tương quan bằng chứng về đêm tối trong hình ảnh vệ tinh với cơ sở dữ liệu của họ về các cuộc khảo sát DHS cho năm mà cả cuộc khảo sát và kết quả vệ tinh tổng hợp xảy ra. Họ cần phải thiết lập các giá trị trung bình của tổng giá trị đêm tối như các chỉ số thay thế cho các chỉ số kinh tế nhất định.

Cơ sở thực tế cho thống kê nghèo đói toàn cầu

Đối với dự án Stanford mới, các nhà nghiên cứu quyết định suy dẫn khuôn khổ dữ liệu từ Chương trình Khảo sát Dân số và Sức khỏe (DHS) hiện có, mặc dù, như họ thừa nhận, điều này hiệu quả地 sao chép lược đồ DHS trong tập dữ liệu. Các nhà nghiên cứu quan sát: ‘Chúng tôi đã chọn đào tạo mô hình của mình độc quyền trên dữ liệu DHS vì đó là nguồn dữ liệu về tài sản công khai, tiêu chuẩn hóa quốc tế, cung cấp ước tính tài sản cấp hộ gia đình với các điểm địa lý phụ khu vực.’

Tuy nhiên, dự án hoạt động ở độ phân giải cao hơn nhiều so với DHS, và việc sử dụng khuôn khổ hiện có làm cơ sở thực tế mang lại hai lợi ích: đầu tiên, dữ liệu DHS không dựa trên báo cáo thu nhập chính thức, điều này là một chỉ số không đáng tin cậy ở các quốc gia bị ảnh hưởng nặng nề nhất bởi nghèo đói, nơi các nền kinh tế chợ đen thịnh hành; và thứ hai, dữ liệu được thu thập theo một cách tiêu chuẩn hóa và theo một khuôn khổ quốc tế cho phép khuôn khổ của các nhà nghiên cứu bao gồm các quốc gia khác bị ảnh hưởng bởi phương pháp đo lường này, thay vì thiết lập các tương đương xuyên suốt các khuôn khổ cạnh tranh.

Kết nối di động như một chỉ số kinh tế

Đối với những người sống ở các khu vực kinh tế khó khăn, kết nối di động đã trở thành một lifeline công nghệ trong hai thập kỷ qua, vì điện thoại di động là nền tảng công nghệ tối thiểu có thể được dựa vào trong những điều kiện đó. Điện thoại di động cũng đã trở thành de facto các nền tảng thanh toán cho những người nhận trợ cấp thiếu tài khoản ngân hàng hoặc các phương tiện nhận tiền thông thường.

Tuy nhiên, như đã được quan sát trước đó, việc sử dụng các chỉ số mạng di động làm chỉ số kinh tế cho các hệ thống học máy có một số nhược điểm tiềm năng: có những người trong các khu vực bị ảnh hưởng mà quá nghèo để không có điện thoại di động – những người mà hệ thống này được thiết kế để giúp đỡ nhất; hệ thống có thể tiềm ẩn bị lợi dụng bởi người dùng có nhiều điện thoại di động trong các tình huống mà điện thoại đã trở thành một đại diện cho các mã ID duy nhất của công dân; và có những ý nghĩa về quyền riêng tư khi tạo ra hệ thống nhận dạng này, trong trường hợp chính phủ địa phương hoặc quốc gia giữ một số giám sát dự án.