Tim istraživača iz Complekiti Science Hub-a (CSH) i Centralnoevropskog univerziteta (CEU) kreirao je detaljnije mape siromaštva koristeći računarske alate koji objedinjuju informacije iz ankete, podatke i slike koje pružaju javni izvori kao što su Google i Meta (Facebook).
Mape siromaštva za Sijera Leone i Ugandu, dve podsaharske afričke zemlje sa ekstremnim siromaštvom, biće predstavljene početkom maja na Veb konferenciji 2023. u Teksasu, SAD.
Godinama su se kreatori politike, planeri i istraživači oslanjali na ankete i podatke popisa da bi pratili i odgovorili na siromaštvo. „Prikupljanje ovih informacija, međutim, može biti dugotrajno i skupo“, objašnjava istraživačica Liset Espin-Noboa, postdoktor na CSH i CEU i prvi autor studije. „A popis možda ne uključuje teško dostupna područja.“
„Ako pitate zašto su nam potrebne mape siromaštva visoke rezolucije, odgovor je jednostavan. Ove neverovatno detaljne mape siromaštva mogu da identifikuju mesta u nevolji koja inače ne bi bila prikazana na mapama koristeći samo podatke popisa“, dodaje vanredni profesor CEU Marton Karsai, koautor studije.
„U regionima sa nedostatkom direktnih informacija, teško je proceniti socio-ekonomski status ljudi. U našoj studiji smo se fokusirali na dve zemlje, Ugandu i Sijera Leone, gde nisu dostupne velike procene visoke rezolucije, “ ističe profesor Janoš Kertes, šef Odeljenja za nauku o mrežama i podacima u CEU i koautor studije.
U prvom koraku, tim je prikupio demografske podatke iz dve ankete. „Posebno smo se fokusirali na upitnik o karakteristikama stanovanja. Ovo pomaže u proceni bogatstva domaćinstva uzimajući u obzir kvalitet i kvantitet raspoloživih objekata ili imovine kod kuće“, kažu istraživači.
Za obe zemlje izračunati su rezultati Međunarodnog indeksa bogatstva (IVI). IVI pokazuje koliko dobro kuća poseduje osnovni skup sredstava. Što je niža vrednost, to je niži kvalitet stanovanja. I što je veća vrednost, to je domaćinstvo bogatije.
Drugo, Espin-Noboa i njegove kolege sastavili su drugi skup podataka satelitskih slika i podataka geografskog informacionog sistema koje su obezbedili crovdsourcing i izvori društvenih medija, kao što su Google i Meta (Facebook).
Izvučeno je preko 900 karakteristika koje pružaju uvid u ekonomski status stanovništva, infrastrukturni razvoj područja i druge pokazatelje bogatstva. „Ovi podaci pokazuju, na primer, koliko se antena nalazi u određenoj oblasti, ili broj ljudi koji posećuju istu oblast. Takođe može da ukaže na to koliko korisnika Fejsbuka poseduje iPhone“, objašnjava Espin-Noboa. Zasluge: Centralnoevropski univerzitet
Tim je kreirao tri modela mašinskog učenja koji su obučeni da odrede ne samo prosečno bogatstvo mesta, već i njegovu standardnu devijaciju. Na kraju, cilj je da se obezbedi tačnija slika raspodele bogatstva unutar svakog naseljenog područja. „Želeli smo da znamo kako bogatstvo varira unutar jedne oblasti, ili da li postoji nejednakost“, ističe Espin-Noboa.
Modeli su obučeni da nauče korelacije između demografskih podataka i rezultata IVI i karakteristika koje su izvučene iz podataka i slika dobijenih iz javnih izvora. „Oni uče, na primer, da određena vrednost bogatstva korelira sa određenim skupom karakteristika“, kaže Espin-Noboa. „Dalje, testirali smo modele tražeći od njih da predvide bogatstvo različitih oblasti.“
Tim je razvio tri modela: jedan zasnovan na satelitskim snimcima; sekunda o crovdsourcingu i podacima društvenih medija; a treći na kombinovanju to dvoje. „Želeli smo da utvrdimo koje su karakteristike najviše doprinele predviđanju bogatstva“, objasnio je Karsai.
Koristeći modele, istraživači su napravili mape koje detaljno prikazuju nivoe siromaštva u zajednicama u Sijera Leoneu i Ugandi. Takođe su kreirali interaktivni alat za mapu gde korisnici mogu da uporede bogatstvo zaključeno u obe zemlje i istraže modele mašinskog učenja.
„Performanse naših modela su uporedive sa najsavremenijim i, u nekim slučajevima, nadmašuju ih“, razmišlja Karsai. „Važno je da procenjujemo ne samo ekonomski status ljudi koji žive na datoj lokaciji, već i lokalne fluktuacije. Štaviše, nalazimo da su potrebne različite metode za procenu visokog prihoda (gde satelitski snimci daju dobre rezultate) i siromašnih regiona (gde su metapodaci) zasnovane metode su najbolje).“
Već tri decenije, Svetska banka je dokumentovala pad broja ljudi koji žive u ekstremnom siromaštvu, definisanom kao život sa manje od 2,15 dolara dnevno. Ovaj trend je poremetila pandemija COVID-19 2020. Broj ljudi koji žive u ekstremnom siromaštvu porastao je za 70 miliona na više od 700 miliona.
Prema podacima Svetske banke, oporavak je od tada bio neujednačen. Većina ljudi koji još uvek žive u ekstremnom siromaštvu nalazi se u podsaharskoj Africi, u područjima pogođenim sukobima i u ruralnim područjima.
Shodno tome, hitno su potrebni tačniji, blagovremeniji i isplativiji načini merenja siromaštva, ističe Kertes. „Kombinovanjem tradicionalnih podataka istraživanja domaćinstava sa netradicionalnim izvorima podataka, možemo mapirati siromaštvo u većoj rezoluciji i skali. Ovo može pomoći kreatorima politike da donesu bolje odluke zasnovane na dokazima kada osmišljavaju programe koji smanjuju siromaštvo i nejednakost“, kaže Kertes, koji je takođe spoljni član fakulteta u CSH.
