人工智能帮助识别贫困的 8 种方式

人工智能技术揭示的货币和非货币贫困指标

为了能够消除贫困，首先要认识到它很重要（图片来源：Shutterstock上的panitanphoto）

图片来源：本文基于 Aziza Usmanova、Ahmed Aziz、Dilshodjon Rakhmonov 和 Walid Osamy 的科学文章“人工智能在贫困预测中的应用：综述”。（文章末尾提供完整的引用和链接）

乙尽管许多国家的生活水平在许多西方国家已经有了很大提高，但在世界许多其他地区，贫困仍然是一个巨大的问题。世界上仍有约 9% 的人生活在极端贫困中，每天收入不足 2.15 美元。在这里，贫困被称为货币贫困：当人们没有足够的钱来维持日常生活时，他们就被认为是贫困的。但贫困也可以从非货币的角度来看：当人们缺乏机会、教育、医疗保健等时，他们就被认为是穷人。

无论使用哪个定义，理解和预测贫困对于使外国援助等减贫工作更加有效非常重要。通常，货币贫困是使用不同的经济变量来预测的，例如赚了多少钱和花了多少钱。非货币贫困是根据调查和人口普查数据预测的。人口普查数据是系统获取的有关人口的数据。但由于非货币贫困涉及多个维度，寻找更多相关变量很重要。

推进贫困识别的一种有前途的方法是使用人工智能 (AI)。与经典模型相比，使用 AI 的优势在于 AI 模型可以处理更多参数，更准确，计算速度更快，可以处理更多数据，并且需要更少的人力。此外，人工智能在不同数据集中寻找相关变量方面比人类要好得多，例如遥感数据、通话记录和电子商务数据。由于可以使用不同类型的数据，这些数据可以更细化和更频繁地更新。总之，这可以帮助识别贫困并在未来更好地支持穷人。这就是人工智能如何被用来识别贫困：

人工智能能够分析数据以确定替代贫困指标（图片来源：Shutterstock上的KostiantynL）

货币贫困

人工智能可用于识别贫困的第一种方法是分析不同类型的数据集，了解表明货币贫困的因素。货币贫困可以在不同层面上识别。

在个人层面上，货币贫困可以通过观察人们对贫困的感受来识别。人工智能可以通过分析采访等文本来识别这种感受。例如，人工智能可以找到关于一般贫困、剥夺、原因和机会的陈述。为此，AI需要对这些文本进行预处理，找出人们对贫困的看法，贫困对他们意味着什么，贫困对他们的生活有什么影响等。预处理文本包括：

• 将段落和句子分成更小的单元
• 用词根形式替换单词
• 分析句子中的语法结构以找到相关词
• 定义词的类型，例如名词或动词

自然语言处理涉及分析文本，例如定义名词（黄色）或动词（红色；© Erlijn van Genuchten 博士）等词的类型

在家庭层面，例如可以通过查看 B40 家庭来识别货币贫困。B40 是指社会中收入最低的 40% 家庭。人工智能可以从大型数据集中识别哪些家庭特征定义了 B40 家庭。从超过 100,000 个家庭的数据集中，AI 识别出几个相关特征：

• 状态
• 区域
• 种族
• 一个家庭的人数
• 总收入
• 平均月收入
• 人均收入

在社区层面， 例如可以通过查看城市贫困来识别货币贫困。人工智能可以分析地理空间数据和调查数据，以评估人口密度和建筑物的高度。地理空间数据是关于特定位置的数据。基于这些数据，人工智能可以识别贫民窟的存在，以及哪些特征与贫民窟的社区生活相关。除了高度货币贫困外，这些特征是：

• 种族
• 宗教
• 地区
• 女性生育率高
• 学校出勤率低

贫民窟通常以人口密度高和建筑物低矮为特征（图片来源：Shutterstock上的Manoej Paateel）

在城市层面， 例如可以通过查看城市层面的贫困来识别货币贫困。人工智能可以从庞大的电子商务数据集中识别哪些特征表明城市级贫困。例如，从一个包含 1900 万条汽车、摩托车、公寓、房屋和土地出售或出租广告数据的数据集中，每个广告具有大约 100 个特征，例如销售价格、已售商品数量、观众数量和根据购买者的数量，AI 认识到汽车和摩托车尤其是贫困的良好指标。这也意味着电子商务数据可用于识别城市级贫困。

非货币贫困

人工智能可用于识别贫困的第二种方式是分析不同类型的数据集，了解表明非货币贫困的因素。非货币贫困也可以在不同层面上确定。

在家庭层面，非货币贫困可以通过观察家庭贫困来识别。 人工智能可以根据大量家庭甚至更多家庭成员的人口和健康调查数据识别家庭贫困。尤其是家庭成员的数量和年龄等家庭信息，以及到达水源的时间等生活质量变量表明家庭贫困。比健康、健康行为和受教育年限等教育变量更重要。

女孩从钻孔里挑水；到达水源的时间是贫困的一个指标（来源：Shutterstock上的Riccardo Mayer）

例如，在城市层面，非货币贫困可以通过查看村庄贫困来识别。 人工智能可以根据来自不同数据集的数据识别村庄贫困，这些数据涉及卫星的高分辨率图像、街道地图、医院和学校等兴趣点以及表面高度数据。从这些海量数据中，AI 提炼出了三个可用于预测村级贫困的维度：

• 社会经济条件，例如特定区域内被建筑物覆盖的土地百分比
• 获得设施和服务，例如涉及到达最近医院所需的时间
• 农业生产条件，例如涉及森林、农田或斜坡覆盖的土地比例

在这种情况下，特定区域内被建筑物覆盖的土地百分比与确认村庄贫困最为相关，其次是获得设施和服务的机会。

在县级， 例如可以通过查看县级贫困来识别非货币贫困。AI 可以使用夜间卫星图像来显示例如某个区域使用了多少夜光以及这种光的强度的差异。为此，人工智能评估不同的像素特征以识别这些差异，例如县界内所有像素的总值和县界内大于零的像素数。像素是图像的微小区域。数千个像素共同构成了一张图片。当使用九个或更多这些像素特征时，夜光的差异揭示了不同县的发展和相对贫困。

夜光图像显示了标有红色方块的区域左上角的像素（图片来源：改编自Shutterstock上的Viacheslav Lopatin）

在国家层面， 例如，可以通过观察贫困和营养不良来确定非货币贫困。贫困和营养不良是根据有关资产贫困、体重健康的儿童人数、体重不足的儿童人数、因营养不良导致儿童生长受损的频率以及体重不足的妇女人数的数据来衡量的。人工智能可以根据历史观察和与位置和偏远的地理特征相关的数据来识别这些指标。尤其是资产贫困和体重不足的女性人数是相关的。这些指标比植被和天气更合适。有趣的是，冲突和食品价格冲击经常被用作贫困指标，但结果证明这些指标对识别贫困和营养不良的帮助要小得多。

结论

因此，人工智能可以基于许多不同的庞大数据集来识别货币和非货币贫困。这是可能的，因为可以识别新的指标，然后将其应用于其他数据集。这可以在不同的层面上完成，例如个人、家庭、社区、城市、县或国家层面。

我们如何采取行动

以下是您和我可以为减少贫困做些什么的实用想法：

• 分享您的知识和技能，使低收入人群能够自己增加收入
• 捐赠给慈善机构
• 支持当地企业
• 与支持低收入社区的组织一起做志愿者
• 教育自己关于老年贫困的知识，这样你就可以预防这种情况

您可以在日常生活中实施其中哪一项？你对你和我能做什么有进一步的想法吗？预先感谢您将它们付诸实践并在对此问题的评论中分享它们以激励我们所有人。