Wissenschaftler erstellen mithilfe von Big Data hochauflösende Armutskarten

Ein Forscherteam des Complexity Science Hub (CSH) und der Central European University (CEU) erstellte detailliertere Armutskarten unter Verwendung von Computerwerkzeugen, die Umfrageinformationen sowie Daten und Bilder aus öffentlichen Quellen wie Google und Meta (Facebook) zusammenführen. .

Die Armutskarten für Sierra Leone und Uganda, zwei afrikanische Länder südlich der Sahara mit extremer Armut, werden Anfang Mai auf der Webkonferenz 2023 in Texas, USA, vorgestellt.

Seit Jahren verlassen sich politische Entscheidungsträger, Planer und Forscher auf Umfragen und Volkszählungsdaten, um Armut zu verfolgen und darauf zu reagieren. „Das Sammeln dieser Informationen kann jedoch zeitaufwändig und teuer sein“, erklärt die wissenschaftliche Mitarbeiterin Lisette Espín-Noboa, Postdoc am CSH und CEU und Erstautorin der Studie. „Und eine Volkszählung darf schwer zugängliche Gebiete nicht umfassen.“

„Wenn Sie sich fragen, warum wir hochauflösende Armutskarten brauchen, ist die Antwort einfach. Diese unglaublich detaillierten Armutskarten können bedürftige Orte identifizieren, die sonst nicht in Karten erfasst würden, indem sie nur Volkszählungsdaten verwenden“, fügt CEU-Sonderprofessor Márton Karsai hinzu. Co-Autor der Studie.

„In Regionen mit einem Mangel an direkten Informationen ist es schwierig, den sozioökonomischen Status der Menschen einzuschätzen. In unserer Studie haben wir uns auf zwei Länder konzentriert, Uganda und Sierra Leone, in denen hochauflösende, groß angelegte Schätzungen nicht verfügbar sind. “, betont Professor János Kertész, Leiter der Abteilung für Netzwerk- und Datenwissenschaft an der CEU und Mitautor der Studie.

Datensätze

Im ersten Schritt sammelte das Team demografische Daten aus zwei Umfragen. „Wir haben uns insbesondere auf den Fragebogen zu den Wohnmerkmalen konzentriert. Dieser hilft bei der Schätzung des Haushaltsvermögens, indem er die Qualität und Quantität der verfügbaren Einrichtungen oder Vermögenswerte zu Hause berücksichtigt“, sagen die Forscher.

Für beide Länder wurden die Ergebnisse des International Wealth Index (IWI) berechnet. IWI gibt an, wie gut ein Haus über eine Grundausstattung an Vermögenswerten verfügt. Je niedriger der Wert, desto geringer die Wohnqualität. Und je höher der Wert, desto wohlhabender der Haushalt.

Zweitens stellten Espín-Noboa und Kollegen einen zweiten Datensatz mit Satellitenbildern und geografischen Informationssystemdaten zusammen, die von Crowdsourcing- und Social-Media-Quellen wie Google und Meta (Facebook) bereitgestellt wurden.

Über 900 Merkmale wurden extrahiert, die einen Einblick in den wirtschaftlichen Status der Bevölkerung, die Infrastrukturentwicklung des Gebiets und andere Wohlstandsindikatoren bieten. „Diese Daten zeigen zum Beispiel, wie viele Antennen sich in einem bestimmten Gebiet befinden oder wie viele Menschen dasselbe Gebiet besuchen. Sie können auch Aufschluss darüber geben, wie viele Facebook-Nutzer ein iPhone besitzen“, erklärt Espín-Noboa.

Modelle

Das Team erstellte drei maschinelle Lernmodelle, die darauf trainiert wurden, nicht nur den durchschnittlichen Wohlstand eines Ortes, sondern auch seine Standardabweichung zu bestimmen. Letztendlich besteht das Ziel darin, ein genaueres Bild der Vermögensverteilung innerhalb jedes besiedelten Gebiets zu liefern. „Wir wollten wissen, wie sich der Reichtum innerhalb eines Gebiets verändert oder ob es Ungleichheiten gibt“, betont Espín-Noboa.

Die Modelle wurden darauf trainiert, Korrelationen zwischen den demografischen Daten und IWI-Scores und den Merkmalen zu lernen, die aus Daten und Bildern extrahiert wurden, die von öffentlichen Quellen bereitgestellt wurden. „Sie lernen zum Beispiel, dass ein bestimmter Vermögenswert mit bestimmten Merkmalen korreliert“, sagt Espín-Noboa. „Als nächstes haben wir die Modelle getestet, indem wir sie gebeten haben, den Reichtum verschiedener Gebiete vorherzusagen.“

Das Team entwickelte drei Modelle: eines basierend auf Satellitenbildern; eine zweite über Crowdsourcing und Social-Media-Daten; und ein drittes über die Kombination der beiden. „Wir wollten feststellen, welche Merkmale am meisten zur Vermögensvorhersage beigetragen haben“, erklärte Karsai.

Unter Verwendung der Modelle erstellten die Forscher Karten, die die Armutsniveaus der Gemeinden in Sierra Leone und Uganda detailliert darstellen. Sie erstellten auch ein interaktives Kartentool, mit dem Benutzer den in beiden Ländern abgeleiteten Reichtum vergleichen und die Modelle des maschinellen Lernens erkunden können.

„Die Leistung unserer Modelle ist vergleichbar mit dem Stand der Technik und übertrifft diese teilweise“, sinniert Karsai. „Wichtig ist, dass wir nicht nur den wirtschaftlichen Status der an einem bestimmten Ort lebenden Menschen schätzen, sondern auch lokale Schwankungen. Darüber hinaus stellen wir fest, dass unterschiedliche Methoden erforderlich sind, um hohe Einkommen (wo Satellitenbilder gute Ergebnisse liefern) und arme Regionen (wo Metadaten- basierte Methoden sind die besten).“

Covid-19 Pandemie

Seit drei Jahrzehnten dokumentiert die Weltbank einen Rückgang der Zahl der Menschen, die in extremer Armut leben, definiert als ein Leben mit weniger als 2,15 Dollar pro Tag. Dieser Trend wurde 2020 durch die COVID-19-Pandemie unterbrochen. Die Zahl der Menschen, die in extremer Armut leben, ist um 70 Millionen auf über 700 Millionen gestiegen.

Laut Weltbank verlief die Erholung seitdem uneinheitlich. Und die meisten Menschen, die immer noch in extremer Armut leben, leben in Subsahara-Afrika, in Konfliktgebieten und in ländlichen Gebieten.

Daher werden dringend genauere, zeitnahere und kostengünstigere Methoden zur Armutsmessung benötigt, betont Kertész. „Durch die Kombination traditioneller Haushaltserhebungsdaten mit nicht traditionellen Datenquellen können wir Armut mit einer höheren Auflösung und einem höheren Maßstab abbilden. Dies kann politischen Entscheidungsträgern helfen, bessere evidenzbasierte Entscheidungen zu treffen, wenn sie Programme zur Verringerung von Armut und Ungleichheit entwerfen“, sagt Kertész, der ebenfalls ein externer Mitarbeiter ist Fakultätsmitglied am CSH.