Машинне навчання та супутникові дані визначають осередки бідності у світі

Дослідники Корнельського університету, використовуючи національні опитування, великі дані та машинне навчання, розробили новий метод картографування бідності.

Джерело: phys.org

Деталі:

Цей підхід може допомогти політикам ефективніше визначати найбільш уразливі групи населення та спрямовувати ресурси туди, де вони найбільше потрібні.

Ліквідація крайньої бідності—визначеної як життя на $2.15 на день (у цінах 2017 року)—є головним пріоритетом ООН серед 17 цілей сталого розвитку. Для досягнення цієї мети урядам та гуманітарним агентствам потрібні точні дані про кількість бідних та їхнє розташування.

Однак ці дані часто відсутні у країнах, які найбільше потребують допомоги. Опитування домогосподарств щодо доходів або витрат—які вважаються золотим стандартом у визначенні рівня бідності—можуть бути застарілими або недоступними, адже їх дорого та важко регулярно проводити.

Як працює нова методика

Дані з супутників та інших систем спостереження Землі вже застосовувалися для створення індексів бідності на основі активів, проте вони не завжди відповідали грошовим показникам, якими керуються уряди.

Команда Корнельського університету вирішила цю проблему, створивши нові оцінки "структурної бідності", які:

• Перекладають супутникові спостереження у більш зручну форму для політиків
• Враховують частку населення, що живе нижче глобальної межі бідності ($2.15 на день)
• Підвищують точність прогнозів, особливо в країнах із недостатньою кількістю фінансових даних

Які результати дає нова методика

Дослідження фокусувалося на чотирьох країнах Африки:

• Ефіопія
• Малаві
• Танзанія
• Уганда

Ці країни мають високий рівень бідності та є важливими об’єктами для діяльності міжнародних організацій, проте інформація про реальний розподіл бідного населення є нечіткою.

"Це ті місця, де модель структурної бідності є найбільш актуальною",—сказала Елізабет Теннант, провідна авторка дослідження.

Що враховує модель:

• Житлові умови
• Володіння землею та худобою
• Наявність транспортних засобів
• Доступ до технологій (мобільні телефони тощо)

Модель аналізує зв’язок між активами домогосподарств (наприклад, велосипеди, автомобілі, земля, худоба, бізнес) та доходами, які вони генерують.

Машинне навчання та великі дані в дії

Команда навчала ШІ-моделі на основі 13 опитувань домогосподарств у чотирьох країнах, проведених з 2008 до 2020 року.

Дані включали:

• Житлові умови
• Землеволодіння та худобу
• Транспортні засоби
• Доступ до технологій

Супутникові спостереження були використані для формування прогнозів реального рівня бідності на основі найактуальніших даних.

Оцінка точності моделі:

• Модель, навчена на даних усіх чотирьох країн, пояснювала 72–78% варіації структурної бідності на рівні сіл
• Коли модель використовувала дані тільки сусідніх країн, точність знижувалася до 40–54%
• Модель можна використовувати з відкритими даними, доступними алгоритмами машинного навчання та навіть на звичайних комп’ютерах.

Що це означає для майбутньої політики

"Ми демонструємо, що можна отримати точність сучасних технологій аналізу даних, поєднуючи її з практичною корисністю для політиків",—сказав Кріс Барретт, старший автор дослідження.

Головні переваги моделі:

• Вона орієнтована на майбутнє, а не на застарілі опитування
• Допомагає швидко оновлювати дані про бідність без проведення дорогих опитувань
• Підтримує гнучке планування гуманітарних програм на основі актуальних даних
• Політики та благодійні організації більше не повинні покладатися лише на старі опитування. Завдяки новій методиці можна визначити, хто є найбіднішим зараз, а не кілька років тому.

Довідково:

Супутникові дані та машинне навчання роблять це можливим.

• #ШІ
• #супутники
• #карти