Fattigdomsgrænsekoncept afkræftet af ny maskinlæringsmodel

Matematikere har brugt maskinlæring til at udvikle en ny model til måling af fattigdom i forskellige lande, der kasserer gamle forestillinger om en fast 'fattigdomsgrænse'.

Undersøgelsen udført af akademikere ved Aston University, offentliggjort i tidsskriftet Naturkommunikation , foreslår, at mainstream-tankegangen omkring fattigdom er forældet, fordi den lægger for meget vægt på subjektive forestillinger om basale behov og ikke formår at fange den fulde kompleksitet af, hvordan folk bruger deres indkomster.

De siger, at deres nye model - som bruger computeralgoritmer til at syntetisere enorme mængder af udgifter og økonomiske data - kan hjælpe politikere verden over med at forudsige fremtidige fattigdomsniveauer og planlægge interventioner for at afhjælpe problemet.

"Ingen har nogensinde brugt maskinlæring til at afkode multidimensionel fattigdom før, " sagde ledende forsker Dr. Amit Chattopadhyay fra Aston University's College of Engineering and Physical Sciences. "Dette ændrer fuldstændig den måde, folk bør se på fattigdom."

Etablerede mål for fattigdom forsøger at identificere en tærskel for pengeniveauet, under hvilket en person eller husstand defineres som "fattig". Disse definitioner sporer deres oprindelse tilbage til metoder udviklet i det 19. og begyndelsen af ​​det 20. århundrede af reformatorer som Ernst Engel og Seebohm Rowntree.

I øjeblikket, Verdensbanken sætter den internationale fattigdomsgrænse til 1,90 USD om dagen, med omkring 10 % af verdens befolkning – omkring 700 millioner mennesker – der lever for mindre end dette. Dette er baseret på en subjektiv vurdering af den indkomst, der er nødvendig for at dække basale behov i de fattigste lande, justeret for købekraftsparitet (KKP).

I den nye undersøgelse, forskerne analyserede 30 års data fra Indien, opdeling af udgifterne i tre brede kategorier af "basisfødevarer", såsom korn, "andre fødevarer", herunder kød og "non-food", der dækker andre udgifter såsom bolig- og transportomkostninger. Modellen kan anvendes i ethvert land.

Ved at anerkende "skub-og-træk"-samspillet mellem de tre kategorier – flere udgifter på ét område betyder normalt en reduktion i udgifterne på et andet – giver det mulighed for en mere holistisk fattigdomsforanstaltning, der kan tilpasse sig de enkelte landes omstændigheder. Forskerne kombinerede datasæt om indkomster, aktiv- og råvaremarkeder fra Verdensbanken og andre kilder til at producere en matematisk model, der ikke kun var i stand til præcist at forudsige tidligere fattigdomsniveauer i både Indien og USA, men også at forudsige fremtidige niveauer baseret på visse økonomiske antagelser.

Ved at tage hensyn til elasticiteten i udbud og efterspørgsel på markedet, modellen ændrer antallet af mennesker, der traditionelt anses for "fattige", til en mere praktisk "middelklasse". Det kan skaleres til at afspejle forhold i underregioner af et land, eller endda nedskaleret til en enkelt by eller kvarter afhængigt af de tilgængelige data.

"Nuværende tankegang om fattigdom er meget subjektiv, fordi "fattigdom" vil betyde forskellige ting i forskellige lande og regioner, " tilføjede Dr. Chattopadhyay. "Med denne model, vi har endelig et multidimensionelt fattigdomsindeks, der afspejler den virkelige verdens oplevelse af mennesker, uanset hvor de bor og stort set uafhængigt af den sociale klasse, de anses for at tilhøre.

"Vigtigt, det er en model, der tager højde for de økonomiske forhold, folk befinder sig i – og de faktorer, der kan gøre den største forskel for deres materielle velbefindende. Som sådan, det kan være et vigtigt værktøj for regeringer og politiske beslutningstagere globalt til at identificere fattigdom og indføre interventioner, der virkelig tackler den."