Краще картографування бідності: Нове машинне навчання

ITHACA, Нью -Йорк – Використовуючи національні опитування, великі дані та машинне навчання, дослідники університету Корнелла розробили новий підхід до відображення бідності, який може допомогти розробникам політики та НУО краще визначити найне потребу в бідних країнах та більш ефективно розподілити ресурси.

Щоб усунути надзвичайну бідність, визначену як виживання менше ніж 2,15 долара за людину на день, уряди та розвиток та гуманітарні агенції повинні знати, скільки людей живе під цим порогом і де. Але цій інформації часто не вистачає країн, які потребують допомоги більшості, зазначають дослідники.

Обстеження домогосподарств щодо доходу або споживання – вважаються золотим стандартом для визначення ліній бідності – можуть бути недоступними або застарілими, оскільки їх дорого і важко вводити часто. Тим часом дані супутників та інших систем спостереження за землею, що контролюють інфраструктуру, природні умови та поведінка людини, успішно використовувались для створення індексів бідності на основі активів, відключених від грошової міри, найбільш релевантної для політиків.

Нові оцінки структурної бідності команди Корнелла прагнуть вирішити цей розрив, перекладаючи рясні дані спостереження за землею на більш діючі терміни для розробників політики.

Зосереджено на чотирьох південних та східних країнах, пілотний проект відображав бідність приблизно так само точно, як і існуючі методи індексу активів, але для більш корисних заходів – включаючи частку людей, що живуть за глобальною межею бідності. Структурний підхід до бідності перевищував попередні методи грошової бідності та є перспективним, що робить його особливо корисним для інформування програмування.

“Швидкий прогрес у науці про дані не набув широкого прийняття, оскільки вони не дали корисних оцінок”, – сказав Кріс Барретт, професор прикладної економіки та менеджменту. “Ми зробили обчислювальні досягнення більш практичними, пов'язуючи їх з грошовими лініями бідності”.

Барретт – старший автор “Miclolevel структурних оцінок бідності для Південної та Східної Африки”, опублікованого в Праці Національної академії наук У рамках серії вступних статей членів академії, обраних у 2022 році, включаючи Барретт.

Дослідження було зосереджене на Ефіопії, Малаві, Танзанії та Уганді – сільськогосподарських країнах з високими рівнями бідності, де багато агентств розвитку працюють, але лише з грубим уявленням про те, де живуть найбідніші люди, зазначили дослідники.

“Це місця, де ми вважаємо, що модель структурної бідності є досить актуальною”, – сказала перша автор Елізабет Теннант, науковий співробітник економіки. “Вони також місця, де ми мали хороші дані про споживання та активи, тому ми змогли подивитися на обох і моделювати їх зв'язки”.

Команда підготувала моделі машинного навчання, використовуючи 13 національних домашніх опитувань, проведених у чотирьох країнах між 2008 та 2020 роками, пов'язуючи їх із даними спостереження за землею на такі активи, як якість житла, земля, худоба, транспортні засоби та доступ до технологій, включаючи стільникові телефони. Коротше кажучи, за словами дослідників, старші дані опитування підготували моделі для генерування локалізованих «носиків» поточних умов із останніх супутникових спостережень.

“Ми показуємо, що ви можете отримати всю обчислювальну точність досягнень, які здійснила наукова спільнота, при цьому при цьому політика та програмування використовують корисність цих грошових заходів-і вперед, а не відсталого вигляду”,-сказав Барретт. “Ви хочете знати, хто зараз буде бідним – не тоді, коли велике опитування було проведено років тому – і це допомагає прогнозувати наші структурні моделі бідності”.

Дослідження фінансувалося Центром стійкості Корнелла Аткінсона та отримали обчислювальну підтримку від Центру соціальних наук Корнелла.

Для отримання додаткової інформації прочитайте це Корнельська хроніка розповідь.

-30-

Відмова: AAAS та Eurekalert! не несуть відповідальності за точність випусків новин, розміщених в Eurekalert! шляхом внесення інститутів або для використання будь -якої інформації через систему eurekalert.