使用机器学习估计全球贫困的真实状况

伯克利加州大学、斯坦福大学和Facebook的合作提供了对贫困的实际状况的更深入、更细致的了解，通过使用机器学习来分析贫困状况。

这项研究，名为《低收入和中等收入国家的财富微观估计》，附带一个beta网站，允许用户交互式地探索低收入和中等收入国家中特定地区和贫困地区的绝对和相对经济状况。

该框架结合了来自卫星图像、地形图、移动电话网络和Facebook的匿名化数据，并通过面对面调查进行验证，以报告某个地区的相对财富差距，而不是绝对收入估计。

全球贫困地图，重点关注最受影响的地区。下方放大显示南非和莱索托（b）；开普敦附近的Khayelitsa镇周围12平方公里的区域。 来源：https://arxiv.org/ftp/arxiv/papers/2104/2104.07761.pdf

该系统已被采用，作为尼日利亚政府实施社会保护计划的基础，并与世界银行现有的框架（国家社会安全网项目（NASSP））一起运行。在二月份，首批受助者根据该计划获得了5000尼日利亚奈拉的现金转账，这是一项最多可享受六个月的福利，直到达到一百万奈拉的阈值。

该论文断言，数据贫困对援助在数据收集资源有限或基础设施不完善的国家中的分配做出了显著贡献，而且政治动机的错误报告（不仅限于低收入国家）也是这种情况下的一个因素。

登记“未报告的贫困人口”

研究人员对数据的模拟表明，在现有的援助资源分配规定下，基于该系统的分配会增加对最需要的人的付款，并减少对较高收入阶层现有受助者的付款。该论文还指出，社会保护计划管理员在COVID-19危机开始时面临的困难是由于缺乏全面或详细的数据。在尼日利亚，例如，最近的调查数据仅涵盖了尼日利亚13.8%的地区，而新的计划提供了100%的覆盖率。

以前关于人工智能辅助贫困估计的工作主要集中在卫星获取的数据上（见下文），但研究人员断言，来自移动连接的数据可以获得更准确、更细致的财富差距见解，这些信息流提供了项目中一半的数据。

从机器学习数据的一般化角度来看，研究人员观察到，在一个国家训练的模型可以成为其他国家模型的有益和准确的模板。他们还指出，新的框架不仅可以区分城市和农村地区，还可以在城市地区提供差异图，这超出了该领域许多最近研究项目的范围。

贫困分析中的卫星图像

基于卫星的贫困分析背后的原理是，穷人没有足够的钱来支付晚上的电费，或者根本没有电灯设施。通过其他手段（如移动连接数据）确定的人的存在与电灯的缺席相关联，可以生成一个贫困指数。

这种技术是在2016年由斯坦福大学另一研究小组提出的，详见早期斯坦福论文。该论文中描述的方法开创了使用美国空军防御气象卫星计划（DMSP）通过国家海洋和大气管理局（NOAA-NGDC）提供的夜间卫星图像的用法。

四个卷积滤波器识别，左到右，分别与城市区域、农村区域、水和道路相关的特征。顶行显示来自Google Maps的源图像，中间行显示机器学习分析的滤波器激活图，底行显示源图像上的滤波器激活图叠加图。 来源：https://science.sciencemag.org/content/sci/353/6301/790.full.pdf

斯坦福项目将夜间灯光的卫星监测数据与其自己的DHS调查数据库进行了关联，关联时使用的是夜间灯光值的平均数作为某些经济指标的代理变量。

全球贫困统计的基准

对于新的斯坦福项目，研究人员决定从现有的人口和健康调查（DHS）计划中派生出数据框架，尽管他们承认，这实际上是复制了DHS模式。研究人员指出：“我们选择仅使用DHS数据来训练我们的模型，因为它是最全面的、公开可用的、国际标准化的财富数据来源，提供了带有子区域地理标记的家庭级财富估计。”

然而，该项目的分辨率远高于DHS，并且使用现有的框架作为基准提供了两个好处：首先，DHS数据不依赖于收入的正式报告，这在最受贫困影响的国家中是一个不可靠的指标，因为那里有大量的黑市经济；其次，数据以标准化的方式收集，并遵循国际模板，这使得研究人员的框架能够涵盖其他使用这种测量方法的国家，而不是在竞争框架之间建立等价性。

移动连接作为经济指数

对于生活在经济困难地区的人来说，移动连接在过去二十年中已经成为一种技术生命线，因为移动电话是可以依赖的最低技术平台。在这些条件下，移动电话也已经成为事实上的支付平台，用于向没有银行账户或其他传统接受钱款方式的援助受益人提供援助。

然而，正如之前观察到的，使用移动网络指标作为机器学习系统的经济指数有一些潜在的缺点：有些人在受影响的地区太穷，以至于没有甚至一部移动电话——这正是该系统旨在帮助的人；该系统可能会被拥有多部移动电话的用户在特定情况下操纵，情况下一部电话已经成为公民的唯一ID哈希的代理；在项目受到当地或国家政府监管的情况下，创建此类识别系统存在隐私影响；em could potentially be gamed by users with multiple mobile phones in circumstances where a phone has become a proxy for unique ID hashes of citizens; and there are privacy implications to creating this kind of identification system, in cases where the local or national government retains some oversight of the project。