[논문 리뷰] Micro-Estimates of Wealth for all Low- and Middle-Income Countries

Guanghua Chi|arXiv (Cornell University)|2021. 01. 01.

Human Mobility and Location-Based Analysis참고 문헌 22인용 수 22

한 줄 요약

이 논문은 저소득 및 중간소득국가(LMICs) 135개 전역에 걸쳐 처음으로 글로벌로 일관되며 고해상도(2.4km)의 미세 단위 재산 및 빈곤 추정치를 제시한다. 이는 위성 영상, 모바일 통신망, 지형도, 익명화된 페이스북 연결 데이터 등 다양한 데이터 소스를 기반으로 훈련된 기계학습 모델을 활용한 것이다. 모델은 56개의 국가 주거 조사 데이터를 활용한 校정과 18개 국가에서의 검증을 통해 높은 정확도를 확보하였으며, 정책적 활용을 위한 신뢰구간을 제공한다.

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 Yet many poverty maps are out of date or exist only at very coarse levels of granularity.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.

연구 동기 및 목표

• 저소득 및 중간소득국가(LMICs)에서 실시간으로 신속하고 고해상도의 재산 및 빈곤 데이터 부족 문제를 해결함으로써 효과적인 정책 및 개발 원조 배분을 저해하는 문제를 해결하고자 한다.
• 粗미세도 또는 오래된 빈곤 지ap을 초월하여, 모든 LMICs 전역에서 미세 공간 해상도에서 재산을 추정할 수 있는 확장 가능한 데이터 기반 방법을 개발하고자 한다.
• 모든 미세 추정치에 대해 불확실성 추정치(신뢰구간)를 제공하여 신뢰성과 책임감 있는 사용을 보장하고자 한다.

제안 방법

• 위성 영상, 모바일 통신망 활동, 지형 특성, 익명화된 페이스북 연결 데이터 등 다양한 소스의 데이터 융합을 기반으로 기계학습 모델을 훈련한다.
• 모델 예측을 56개의 LMICs에서 수집한 국가 대표 주거 조사 데이터를 활용해 실제 조사 결과와 일치하도록 校정한다.
• 훈련 또는 校정에 사용되지 않은 18개 국가의 4개 독립 주거 조사 데이터셋을 활용해 모델 성능을 검증하고 정확도 및 일반화 능력을 평가한다.
• 공간 모델링 기법을 적용하여 모든 135개 LMICs의 인구 거주 지구 전체에 걸쳐 2.4km 해상도의 재산 추정치를 생성한다.
• 모든 미세 추정치에 대해 불확실성 정량화를 통합하여 신뢰구간을 생성함으로써 투명성 향상과 책임감 있는 사용을 강화한다.

실험 결과

연구 질문

• RQ1 다양한 지리공간 및 디지털 트레이스 데이터를 기반으로 훈련된 기계학습 모델이 모든 저소득 및 중간소득국가에서 정확하고 고해상도의 재산 추정치를 생성할 수 있는가?
• RQ2 이러한 모델 기반 추정치는 훈련 또는 校정에 사용되지 않은 독립적인 주거 조사 데이터에 대해 얼마나 잘 일반화되는가?
• RQ3 미세 추정치의 신뢰구간은 정책 및 인도적 지원 현장에서 재산 데이터의 신뢰성과 책임감 있는 사용을 얼마나 향상시킬 수 있는가?
• RQ4 익명화된 페이스북 연결 데이터 통합은 데이터가 부족한 지역에서 재산 추정 모델의 예측 능력을 얼마나 향상시키는가?

주요 결과

• 모델은 모든 135개 저소득 및 중간소득국가에서 2.4km 해상도로 재산 추정치를 높은 정확도로 산출하였으며, 4개의 독립 주거 조사 데이터셋을 통한 검증 결과 강력한 일관성을 보였다.
• 익명화된 페이스북 연결 데이터 통합은 특히 전통적 데이터 자원이 제한된 지역에서 모델 성능을 크게 향상시켰다.
• 모든 미세 추정치에 대해 성공적으로 신뢰구간을 생성하여 사용자가 불확실성을 평가하고 더 나은 의사결정을 내릴 수 있도록 했다.
• 해당 데이터셋은 공공의 무료로 제공되며, 코로나19 패an드믹 대응과 같은 맞춤형 정책 대응 및 지속가능발전목표(SDGs)와 관련된 경제 개발 연구를 진전시키는 데 기여하고 있다.