Istraživači sa Univerziteta Cornell razvili su inovativan pristup mapiranju siromaštva koristeći nacionalne ankete, velike podatke i mašinsko učenje. Njihov pilot-projekat, nazvan „strukturno siromaštvo“, omogućava preciznije identifikovanje najugroženijih zajednica u siromašnim zemljama, čime bi se resursi mogli efikasnije raspoređivati.
U fokusu istraživanja bile su četiri afričke zemlje – Etiopija, Malavi, Tanzanija i Uganda – gde su visoke stope siromaštva, a dostupni podaci često zastareli ili nepotpuni. Model kombinuje podatke o imovini domaćinstava sa satelitskim snimcima i drugim izvorima informacija kako bi generisao ažurirane procene siromaštva.
Tim, predvođen profesorom Chrisom Barrettom i istraživačicom Elizabeth Tennant, istakao je da ovaj pristup može pomoći donosiocima politika da brzo prepoznaju oblasti kojima je najpotrebnija pomoć, za razliku od tradicionalnih metoda koje se oslanjaju na skupe i retke ankete o prihodima domaćinstava.
Rezultati su pokazali da model može objasniti između 72% i 78% varijacija u siromaštvu kada koristi podatke iz svih analiziranih zemalja, dok su predviđanja na osnovu podataka iz susednih država dala preciznost od 40% do 54%. Istraživači veruju da će dalja poboljšanja omogućiti široku primenu ovog modela, što bi značajno unapredilo globalne napore u borbi protiv siromaštva.
