18 دسامبر 2020توسط دانشگاه استون
ریاضیدانان از یادگیری ماشینی برای ایجاد مدل جدیدی برای اندازه گیری فقر در کشورهای مختلف استفاده کرده اند که مفاهیم قدیمی “خط فقر” ثابت را از بین می برد.
مطالعه دانشگاهیان دانشگاه استون ، منتشر شده در مجله Nature Communications ، نشان می دهد که تفکر جریان اصلی پیرامون فقر منسوخ شده است زیرا تأکید بیش از حد بر مفاهیم ذهنی که یکی از نیازهای اساسی است و نمی تواند پیچیدگی کامل نحوه استفاده مردم از درآمد خود را ارایه کند.
آنها می گویند مدل جدید آنها – که از الگوریتم های رایانه ای برای تلفیق مقادیر زیادی از هزینه ها و داده های اقتصادی استفاده می کند – می تواند به سیاست گذاران در سراسر جهان کمک کند تا سطح فقر آینده را پیش بینی کنند و برای کاهش مشکل برنامه ریزی کنند.
دکتر آمیت چاتوپادیای از دانشکده مهندسی و علوم فیزیکی دانشگاه آستون گفت: “هیچ کس قبلاً از یادگیری ماشینی برای رمزگشایی فقر چند بعدی استفاده نکرده است.” “این کار جدید کاملاً نگاه مردم به فقر را تغییر می دهد.”
یکی از معیارهای مشخص شدن میزان فقر تلاش برای شناسایی یک سطح پولی است که در زیر آن فرد یا خانوار به عنوان “فقیر” تعریف می شود. این تعاریف ریشه دار بوده و ریشه آنها به روشهای توسعه یافته در قرن نوزدهم و اوایل قرن 20 توسط اصلاح طلبان مانند ارنست انگل و سیبوهم رونتری برمی گردد.
در حال حاضر ، بانک جهانی خط فقر بین المللی را 1.90 دلار در روز تعیین می کند ، در حالی که حدود 10٪ از جمعیت جهان – حدود 700 میلیون نفر – با درآمد کمتر از این زندگی می کنند. این بر اساس ارزیابی ذهنی درآمد مورد نیاز برای تأمین نیازهای اساسی در فقیرترین کشورها است که برای برابری قدرت خرید (PPP) تنظیم شده است.
در مطالعه جدید ، محققان داده های 30 ساله هند را مورد تجزیه و تحلیل قرار دادند ، هزینه ها را به سه دسته عمده “غذای اساسی” مانند غلات ، “سایر مواد غذایی” از جمله گوشت و “غیر غذایی” که سایر هزینه ها مانند مسکن و هزینه های حمل و نقل را پوشش می دهد تقسیم کردند. این مدل برای هر کشوری قابل استفاده است.
با شناخت تعامل “فشار و کشش” بین سه دسته فوق – هزینه بیشتر در یک زمینه معمولاً به معنای کاهش هزینه در بخش دیگر است – این امکان را برای اندازه گیری فقر کلی تر فراهم می کند که می تواند متناسب با شرایط هر کشور باشد. محققان مجموعه داده های مربوط به درآمد ، دارایی ها و بازارهای کالاها از بانک جهانی و منابع دیگر را برای تولید یک مدل ریاضی که قادر بود نه تنها پیش بینی دقیق فقر گذشته در هند و ایالات متحده را داشته باشد ، بلکه همچنین می تواند سطح آینده را بر اساس برخی فرضیات اقتصادی تعیین کند .
با در نظر گرفتن کشش عرضه و تقاضا در بازار ، این مدل تعداد افرادی را که به طور سنتی “فقیر” تلقی می شوند ، به “طبقه متوسط” عملی تر تبدیل می کند. این امر می تواند مقیاس بندی شود تا شرایط مناطق زیر در یک کشور را منعکس کند ، یا حتی بسته به داده های موجود در یک شهر یا محله واحد کوچک شود.
دکتر چاتوپادیای افزود: “تفکر فعلی در مورد فقر بسیار ذهنی است ، زیرا” فقر “در کشورها و مناطق مختلف معنای متفاوتی خواهد داشت.” “با این مدل ، سرانجام ما یک شاخص فقر چند بعدی داریم که منعکس کننده تجربه دنیای واقعی مردم در هر کجا که زندگی می کنند و تا حد زیادی مستقل از طبقه اجتماعی که به آن تعلق دارند ، است.
“مهم این است که این مدلی است که شرایط اقتصادی افراد و عواملی که می توانند بیشترین تفاوت را در رفاه مادی آنها داشته باشند را در نظر می گیرد. به همین ترتیب ، می تواند برای شناسایی فقر و قرار دادن مداخلات واقعاً مقابله با آن کار کند . “
