[論文レビュー] Micro-Estimates of Wealth for all Low- and Middle-Income Countries

Guanghua Chi|arXiv (Cornell University)|Jan 1, 2021

Human Mobility and Location-Based Analysis参考文献 22被引用数 22

ひとこと要約

本論文は、低・中所得国（LMICs）135カ国すべてをカバーする、世界で初めてのグローバルに一貫した高解像度（2.4km）のマイクロレベルの富と貧困推計を、人工知能（AI）モデルを用いて実現した。このモデルは、衛星画像、モバイル電話ネットワーク、地形図、および匿名化されたFacebook接続データなど多様なデータソースを統合して学習させた。56か国の家計調査データを用いたキャリブレーションと18か国の独立した検証を通じて高い正確性を達成し、政策意思決定における責任ある利用を可能にするための信頼区間を提供している。

ABSTRACT

Author(s): Chi, Guanghua; Fang, Han; Chatterjee, Sourav; Blumenstock, Joshua E. | Abstract: Many critical policy decisions, from strategic investments to the allocation of humanitarian aid, rely on data about the geographic distribution of wealth and poverty. Yet many poverty maps are out of date or exist only at very coarse levels of granularity. Here we develop the first micro-estimates of wealth and poverty that cover the populated surface of all 135 low and middle-income countries (LMICs) at 2.4km resolution. The estimates are built by applying machine learning algorithms to vast and heterogeneous data from satellites, mobile phone networks, topographic maps, as well as aggregated and de-identified connectivity data from Facebook. We train and calibrate the estimates using nationally-representative household survey data from 56 LMICs, then validate their accuracy using four independent sources of household survey data from 18 countries. We also provide confidence intervals for each micro-estimate to facilitate responsible downstream use. These estimates are provided free for public use in the hope that they enable targeted policy response to the COVID-19 pandemic, provide the foundation for new insights into the causes and consequences of economic development and growth, and promote responsible policymaking in support of the Sustainable Development Goals.

研究の動機と目的

• 低・中所得国（LMICs）におけるタイムリーで高解像度の富と貧困データの不足が、効果的な政策立案や支援配分を妨げているという問題に対処すること。
• 粗いまたは古くなった貧困地図の限界を克服し、すべてのLMICsにおいて細かい空間的粒度で富を推定できるスケーラブルでデータドリブンな手法を開発すること。
• 各マイクロ推計の不確実性を推定（信頼区間）することで、信頼性を確保し、責任ある利用を促進すること。

提案手法

• 衛星画像、モバイル電話ネットワーク活動、地形的特徴、および匿名化されたFacebook接続データなど、多様なデータソースの統合を活用して機械学習モデルを学習する。
• 56か国の代表的な家計調査データを用いて、モデルの予測結果を現実の調査結果と一致させるキャリブレーションを実施する。
• 訓練やキャリブレーションに使用していない18か国の独立した家計調査データ4セットを用いて、モデルの性能と一般化能力を検証する。
• 空間モデリング技術を適用し、135か国のすべての有人居住地域をカバーする2.4km解像度の富推計を生成する。
• 各マイクロ推計に対して不確実性の定量化を組み込み、信頼区間を生成することで、透明性の向上と責任ある利用を促進する。

実験結果

リサーチクエスチョン

• RQ1 多様な地理空間的データおよびデジタルトレースデータで学習された機械学習モデルは、すべての低・中所得国で正確で高解像度の富推計を実現できるか？
• RQ2 このモデルで得られた推計値は、訓練やキャリブレーションに使用されていない独立した家計調査データに対してもどの程度一般化できるか？
• RQ3 マイクロ推計値の信頼区間を提供することで、政策立案および人道的支援の文脈における富データの信頼性と責任ある利用はどの程度向上できるか？
• RQ4 匿名化されたFacebook接続データの統合は、データが乏しい地域における富推定モデルの予測性能をどの程度向上させるか？

主な発見

• モデルは、135か国のすべての低・中所得国で2.4km解像度の富推計において高い正確性を達成しており、4つの独立した家計調査データセットを用いた検証結果から、強い一貫性が確認された。
• 匿名化されたFacebook接続データの統合により、特に従来のデータ源が限られる地域においてモデルの性能が顕著に向上した。
• 各マイクロ推計に対して信頼区間が成功裏に生成され、ユーザーが不確実性を評価し、より的確な意思決定を下せるようになった。
• 得られたデータセットは、無料で公開されており、COVID-19パンデミック対応などの標的型政策対応や、経済開発および持続可能な開発目標（SDGs）に関する研究を促進している。