Nella lotta alla povertà, come ogni combattimento, è bene conoscere le posizioni dei tuoi obiettivi.

Ecco perché gli studiosi di Stanford Marshall Burke, David Lobell e Stefano Ermon hanno trascorso gli ultimi cinque anni alla guida di un team di ricercatori per individuare un modo efficiente per trovare e monitorare le zone povere in tutta l'Africa.

Il potente strumento che hanno sviluppato combina gratuitamente, immagini satellitari pubblicamente accessibili con intelligenza artificiale per stimare il livello di povertà nei villaggi africani e i cambiamenti nel loro sviluppo nel tempo. Analizzando i dati passati e attuali, lo strumento di misurazione potrebbe fornire informazioni utili alle organizzazioni, agenzie governative e aziende che forniscono servizi e necessità ai poveri.

I dettagli della loro impresa sono stati svelati nel numero del 22 maggio di Comunicazioni sulla natura .

"La nostra grande motivazione è sviluppare meglio strumenti e tecnologie che ci permettano di fare progressi su questioni economiche davvero importanti. E il progresso è limitato dalla mancanza di capacità di misurare i risultati, "disse Burke, un docente presso lo Stanford Institute for Economic Policy Research (SIEPR) e un assistente professore di scienze del sistema terrestre presso la School of Earth, Scienze energetiche e ambientali (Stanford Earth). "Ecco uno strumento che pensiamo possa aiutare."

Lobello, un senior fellow al SIEPR e un professore di scienze del sistema terrestre alla Stanford Earth, afferma che guardare indietro è fondamentale per identificare tendenze e fattori per aiutare le persone a fuggire dalla povertà.

"Incredibilmente, non c'è stato davvero un buon modo per capire come sta cambiando la povertà a livello locale in Africa, " disse Lobell, che è anche direttore del Center on Food Security and the Environment e William Wrigley Fellow presso lo Stanford Woods Institute for the Environment. "I censimenti non sono abbastanza frequenti, e le indagini porta a porta raramente tornano alle stesse persone. Se i satelliti possono aiutarci a ricostruire una storia di povertà, potrebbe aprire molto spazio per comprendere meglio e alleviare la povertà nel continente".

Lo strumento di misurazione utilizza immagini satellitari sia di notte che di giorno. Di notte, le luci sono un indicatore di sviluppo, e durante il giorno, immagini di infrastrutture umane come strade, agricoltura, materiali di copertura, strutture abitative e corsi d'acqua, fornire caratteristiche correlate allo sviluppo.

Quindi lo strumento applica la tecnologia del deep learning, algoritmi di calcolo che si allenano costantemente per rilevare schemi, per creare un modello che analizzi i dati delle immagini e formi un indice per la ricchezza delle risorse, una componente economica comunemente usata dai geometri per misurare la ricchezza delle famiglie nei paesi in via di sviluppo.

I ricercatori hanno testato la precisione dello strumento di misurazione per circa 20, 000 villaggi africani che disponevano di dati sulla ricchezza esistente provenienti da sondaggi, risalenti al 2009. Hanno scoperto che ha funzionato bene nel misurare i livelli di povertà dei villaggi in diversi periodi di tempo, secondo il loro studio.

Qui, Burke, che è anche membro del centro presso lo Stanford Woods Institute for the Environment e il Freeman Spogli Institute for International Studies, discute la realizzazione dello strumento e il suo potenziale per contribuire a migliorare il benessere dei poveri del mondo.

Perché sei entusiasta di questa nuova risorsa tecnologica?

Per la prima volta, questo strumento dimostra che possiamo misurare il progresso economico e comprendere gli interventi sulla povertà sia a livello locale che su vasta scala. Funziona in tutta l'Africa, attraverso molti anni diversi. Funziona dannatamente bene, e funziona in molti tipi molto diversi di paesi.

Puoi fornire esempi di come verrebbe utilizzato questo nuovo strumento?

Se vogliamo capire l'efficacia di un programma contro la povertà, o se una ONG vuole indirizzare un prodotto specifico a specifici tipi di individui, o se un'azienda vuole capire dove sta crescendo un mercato, tutto ciò richiede dati sui risultati economici. In molte parti del mondo, semplicemente non abbiamo quei dati. Ora stiamo utilizzando i dati provenienti da tutta l'Africa sub-sahariana e addestrando questi modelli a raccogliere tutti i dati per misurare risultati specifici.

In che modo questo nuovo studio si basa sul tuo lavoro precedente?

Il nostro lavoro iniziale di mappatura della povertà, pubblicato nel 2016, era su cinque paesi utilizzando un anno di dati. Si basava su costosi, immagini ad alta risoluzione in un formato molto più piccolo, scala pilota. Ora questo lavoro copre circa due dozzine di paesi, circa la metà dei paesi africani, utilizzando molti più anni di dati ad alta dimensionalità. Ciò ha fornito set di dati di formazione sottostanti per sviluppare i modelli di misurazione e ci ha permesso di convalidare se i modelli effettuano buone stime della povertà.

Siamo fiduciosi di poter applicare questa tecnologia e questo approccio per ottenere stime affidabili per tutti i paesi dell'Africa.

Una differenza fondamentale rispetto al lavoro precedente è che ora stiamo utilizzando immagini satellitari completamente disponibili pubblicamente che vanno indietro nel tempo ed è gratuito, che penso democratizzi questa tecnologia. E lo stiamo facendo in modo completo, enorme scala spaziale.

Come si utilizzano le immagini satellitari per ottenere stime sulla povertà?

Ci stiamo basando sui rapidi sviluppi nel campo dell'informatica, del deep learning, che sono avvenuti negli ultimi cinque anni e che hanno davvero trasformato il modo in cui estraiamo le informazioni dalle immagini. Non stiamo dicendo alla macchina cosa cercare nelle immagini; Invece, lo stiamo solo dicendo, "Ecco un posto ricco. Ecco un posto povero. Scoprilo."

Il computer individua chiaramente le aree urbane, aree agricole, strade, corsi d'acqua:caratteristiche del paesaggio che si potrebbe pensare abbiano un potere predittivo in grado di separare le aree ricche da quelle povere. Il computer dice, "Ho trovato questo modello" e possiamo quindi assegnargli un significato semantico.

Queste caratteristiche più ampie, esaminati a livello di villaggio, risultano essere fortemente legati alla ricchezza media delle famiglie di quella regione.

Qual è il prossimo?

Ora che abbiamo questi dati, vogliamo usarli per cercare di imparare qualcosa sullo sviluppo economico. Questo strumento ci consente di rispondere a domande che non potevamo porre un anno fa perché ora disponiamo di misurazioni a livello locale dei principali risultati economici in generale, scala spaziale e nel tempo.

Possiamo valutare perché alcuni posti stanno andando meglio di altri posti. Possiamo chiederci:come sono i modelli di crescita dei mezzi di sussistenza? La maggior parte della variazione è tra paesi o all'interno dei paesi? Se ci sono variazioni all'interno di un paese, che già ci dice qualcosa di importante sulle determinanti della crescita. Probabilmente sta succedendo qualcosa a livello locale.

sono un economista, quindi questi sono i tipi di domande che mi eccitano. Lo sviluppo tecnologico non è fine a se stesso. È un abilitatore per le scienze sociali che vogliamo fare.