Алгоритмы машинного обучения все чаще применяются в исследовательских работах, когда требуется выполнять обработку объемных массивов с разнородными данными. Теперь искусственный интеллект окажет помощь и в определении уровня черты бедности. Ученые признают, что старое мышление устарело, является субъективным и контрпродуктивным, поэтому настало время обращаться к более прогрессивным современным методам для обозначения уровня жизни.
Принципиальный разделитель
Бедность можно назвать одной из самых распространенных характеристик, которой обозначаются страны и отдельные лица с определенными качествами. Существуют разные оценки бедности, в том числе посредством установления черты, преодоление которой позволяет занести изучаемый объект в условную группу малоимущих. И страны, и отдельные организации могут иметь собственные параметры определения бедности, что, конечно, обуславливает весьма субъективный характер подобных классификаций.
В свою очередь, группа исследователей Астонского университета предложила использовать машинное обучение для универсального определения бедности с учетом различных контекстов.
Сложности определения
По мнению ученых, общепринятые устоявшиеся представления о понятии бедности устарели. В них заложено много субъективных оценок и критериев с обязательным упоминанием основных потребностей, однако такие подходы не способны учесть всю сложность бедности как социального, экономического и даже культурного явления в современном обществе. Но в этом деле может помочь система компьютерного анализа, построенная на алгоритмах искусственного интеллекта.
Подходы к определению бедности
Для начала стоит рассмотреть базовые подходы к самому обозначению бедности. На сегодняшний день выделяется три системных определения:
- Бедность определяется через дефицитный уровень жизни, который выражается через недостаточное потребление основных товаров. Объектом исследования обычно выступают люди с низкими доходами, которые расходуют практически все средства на товары первой необходимости. Этот подход, в частности, практиковал экономист Эрнст Энгель в XIX веке.
- Самый распространенный подход в определении бедности предполагает установление линии, за которой люди уже не могут удовлетворять основные потребности. Данный подход ввел социолог Сибом Раунтри в 1901 году. Проблема такой идентификации заключается в ее однозначности и универсальности применительно к исследуемой группе. Этот метод нельзя, например, применять к жителям США и Индии, так как они живут в разных экономически-социальных условиях с разными представлениями о той же бедности. Даже если исключить косвенные факторы влияния на бедность, сами понятия малообеспеченного человека в развитых и развивающихся странах будут различаться.
- В третьем подходе фигурирует понятие многомерной бедности. Это более оправданная модель с точки зрения универсального определения, так как она предполагает использование сразу нескольких пороговых значений. Но и в этом случае возникает проблема локального обозначения бедности, в котором не берутся во внимание экономические предпосылки и контексты.
Система дифференциации расходов
Доктор Амит Чаттопадхай из Астонского университета говорит, что прежде никто не использовал технологии машинного обучения для определения бедности. Но сегодня эта возможность есть, и она позволит исследователям более глубоко и объективно изучить данное явление.
В своей работе команда специалистов представила материалы изучения данных об Индии за 30 лет, разделив расходы населения на три группы:
- Основные продукты питания наподобие злаковых.
- Продукты питания, такие как мясо.
- Непродовольственные товары и услуги наподобие расходов на жилье и транспорт.
Как утверждают ученые, между этими категориями расходов в любой стране будет прослеживаться взаимозависимая связь. К примеру, повышение уровня трат в одной группе неизбежно способствует сокращению в другой и т. д. Учет данного аспекта позволяет вывести более целостное представление бедности с ее оценкой.
«Умное» определение и прогнозирование бедности
Специалисты предлагают использовать массивы данных о товарных рынках, доходах, активах и другие финансовые показатели для формирования математической модели, которая также позволит определять и предсказывать уровни бедности применительно к разным странам. То есть в каждом случае модель подстраивается к конкретным условиям с индивидуальными исходными показателями и экономическими предпосылками.
Более того, как отмечает Чаттопадхьяй, этот алгоритм оценки бедности можно адаптировать к разным масштабам изучения, в том числе на региональном уровне, к городам, районам и т. д. Самое главное, что система машинного обучения позволяет отказываться от субъективных оценок, переходя к более сложным многомерным индексам определения уровней бедности с отражением реального опыта людей независимо от социального класса.
Нашли нарушение? Пожаловаться на содержание