Ny kortlægningsteknik kan hjælpe med at bekæmpe ekstrem fattigdom

Årevis, politikere har påberåbt sig undersøgelser og folketællingsdata for at spore og reagere på ekstrem fattigdom.

Selvom det er effektivt, at samle disse oplysninger er dyrt og tidskrævende, og det mangler ofte detaljer, som hjælpeorganisationer og regeringer har brug for for bedst muligt at anvende deres ressourcer.

Det kan snart ændre sig.

En ny kortlægningsteknik, beskrevet i 14. november udgaven af Proceedings of the National Academy of Sciences , viser, hvordan forskere udvikler beregningsværktøjer, der kombinerer mobiltelefonoptegnelser med data fra satellitter og geografiske informationssystemer til at skabe rettidige og utroligt detaljerede fattigdomskort.

"På trods af store fremskridt i de seneste årtier, der er stadig mere end 1 milliard mennesker verden over, der mangler mad, husly og andre basale menneskelige fornødenheder, "siger Neeti Pokhriyal, en af ​​studiets medforfattere, og en ph.d. -kandidat i instituttet for datalogi og teknik ved universitetet i Buffalo.

Undersøgelsen har titlen "Kombination af forskellige datakilder til forbedret forudsigelse og kortlægning af fattigdom."

Nogle organisationer definerer ekstrem fattigdom som en alvorlig mangel på mad, sundhedspleje, uddannelse og andre grundlæggende behov. Andre relaterer det til indkomst; for eksempel, Verdensbanken siger, at mennesker, der lever på under 1,25 dollar pr. dag (2005 -priser), er ekstremt fattige.

Mens den er faldende i de fleste områder af verden, omkring 1,2 milliarder mennesker lever stadig i ekstrem fattigdom. De fleste er i Asien, Afrika syd for Sahara og Caribien. Hjælpeorganisationer og statslige organer siger, at rettidige og nøjagtige data er afgørende for at udrydde ekstrem fattigdom.

Undersøgelsen fokuserer på Senegal, et land syd for Sahara med en høj fattigdomsrate.

Det første datasæt er 11 milliarder opkald og tekster fra mere end 9 millioner senegalesiske mobiltelefonbrugere. Alle oplysninger er anonyme, og de viser hvordan, hvornår, hvor og med hvem folk kommunikerer med.

Det andet datasæt kommer fra satellitbilleder, geografiske informationssystemer og vejrstationer. Det giver indsigt i fødevaresikkerhed, økonomisk aktivitet og tilgængelighed til tjenester og andre indikatorer for fattigdom. Dette kan hentes fra tilstedeværelsen af ​​elektricitet, asfalterede veje, landbrug og andre tegn på udvikling.

De to datasæt kombineres ved hjælp af en machine learning-baseret ramme.

Ved at bruge rammerne, forskerne lavede kort, der beskriver fattigdomsniveauet i 552 samfund i Senegal. Nuværende fattigdomskort deler nationen i fire regioner. Rammen kan også hjælpe med at forudsige visse dimensioner af fattigdom, såsom afsavn i uddannelse, levestandard og sundhed.

I modsætning til undersøgelser eller folketællinger, som kan tage år og koste millioner af dollars, disse kort kan genereres hurtigt og omkostningseffektivt. Og de kan opdateres lige så ofte, som datakilderne opdateres. Plus, deres diagnostiske karakter kan hjælpe politikere med at udforme bedre interventioner til at bekæmpe fattigdom.

Pokhriyal, som begyndte arbejdet med projektet i 2015 og har rejst til Senegal, siger, at målet ikke er at erstatte folketællinger og undersøgelser, men at supplere disse informationskilder i mellem cyklusser. Tilgangen kan også vise sig nyttig i områder med krig og konflikt, såvel som fjerntliggende regioner.