Wissenschafter:innen kartografieren Armut mit Hilfe von Big Data in hochauflösender Form

HIGHLIGHTS 

• Ein Team der Central European University und des Complexity Science Hub hat Karten von Sierra Leone und Uganda entwickelt, die Armutsgebiete mit größerer Genauigkeit visuell identifizieren. 

• Politische Entscheidungen können durch die neuen Karten unterstützt werden und zu einer besseren Gestaltung von Maßnahmen führen. 
  
  
• Die Forscher:innen haben ein interaktives Online-Tool entwickelt, mit dem die Nutzer:innen den ermittelten Wohlstand in beiden Ländern vergleichen können.  

Ein Team von Forscher:innen der Central European University (CEU) und des Complexity Science Hub (CSH) erstellte mit Hilfe von Berechnungswerkzeugen, die Daten aus Erhebungen sowie Daten und Bilder aus öffentlichen Quellen wie Google und Meta (Facebook) zusammenführen, detailliertere Karten zur Dokumentation von Armut.  

Die Karten („Poverty Maps“) für Sierra Leone und Uganda, zwei afrikanische Länder südlich der Sahara mit extremer Armut, werden Anfang Mai auf der Webkonferenz (ACM) in Texas, USA, vorgestellt.  

Seit Jahren verlassen sich politische Entscheidungsträger:innen, Planer:innen und Forscher:innen auf Erhebungen und Volkszählungsdaten, um Armut zu erfassen und darauf zu reagieren. „Das Sammeln dieser Informationen kann jedoch zeitaufwändig und teuer sein“, erklärt Lisette Espín-Noboa, Postdoc am CSH und an der CEU, die Erstautorin der Studie. „Und bei einer Volkszählung werden schwer erreichbare, abgelegene Gebiete möglicherweise nicht erfasst.“ 

„Die Antwort auf die Frage, warum wir hochauflösende Karten brauchen, um Armut zu dokumentieren, ist einfach. Mit diesen unglaublich detaillierten Poverty Maps können Orte identifiziert werden, in denen Not herrscht und die sonst auf Karten nicht erfasst würden, wenn diese nur Volkszählungsdaten enthalten," so Márton Karsai, Professor an der CEU und Mitautor der Studie. 

„In Regionen, in denen es an direkten Informationen mangelt, ist es schwierig, den sozioökonomischen Status der Menschen einzuschätzen. In unserer Studie haben wir uns auf zwei Länder, Uganda und Sierra Leone, konzentriert, für die keine hochauflösenden, breit angelegten Schätzungen verfügbar sind", betont Professor János Kertész, Leiter der Fakultät für Network and Data Science an der CEU und Mitautor der Studie. 

Datensätze  

In einem ersten Schritt sammelte das Team demografische Daten aus zwei Erhebungen. „Wir haben uns insbesondere auf den Fragebogen zu den Wohncharakteristika konzentriert. Dieser hilft bei der Schätzung des Wohlstands der Haushalte, indem er die Qualität und Quantität der verfügbaren Einrichtungen oder Vermögenswerte in einem Haushalt berücksichtigt“, so die Forscher:innen.  

Für beide Länder wurden die Werte des Internationalen Wohlstandsindex (IWI) berechnet. Der IWI gibt an, wie gut ein Haushalt mit einer Reihe von grundlegenden Vermögenswerten ausgestattet ist. Je niedriger die Kennzahl, desto geringer ist die Qualität des Wohnens. Und je höher die Kennzahl, desto wohlhabender ist der Haushalt. 

In einer zweiten Phase stellten Espín-Noboa und ihre Kollegen einen zweiten Datensatz mit Satellitenbildern und Daten aus geografischen Informationssystemen zusammen, die aus Crowdsourcing- und Social-Media-Quellen wie Google und Meta (Facebook) verfügbar sind.  

Es wurden über 900 Merkmale extrahiert, die Aufschluss über den wirtschaftlichen Status der Bevölkerung, die Entwicklung der Infrastruktur in dem Gebiet und andere Wohlstandsindikatoren geben. „Diese Daten zeigen zum Beispiel, wie viele Antennen sich in einem bestimmten Gebiet befinden oder wie viele Menschen dieses Gebiet besuchen. Sie können auch anzeigen, wie viele Facebook-Nutzer:innen ein iPhone besitzen“, erklärt Espín-Noboa. 

Modelle 

Das Team erstellte drei Modelle für maschinelles Lernen, die so trainiert wurden, dass sie nicht nur den durchschnittlichen Wohlstand eines Ortes, sondern auch dessen Standardabweichung ermitteln. Ziel ist es, ein genaueres Bild der Wohlstandsverteilung in jedem bewohnten Gebiet zu erhalten. „Wir wollten wissen, wie der Wohlstand innerhalb eines Gebiets variiert oder ob es Ungleichheiten gibt“, betont Espín-Noboa.  

Die Modelle wurden so trainiert, dass sie Korrelationen zwischen den demografischen Daten sowie den IWI-Kennzahlen und den Merkmalen, die aus Daten und Bildern aus öffentlichen Quellen extrahiert wurden, lernen. „Sie lernen zum Beispiel, dass eine bestimmte Wohlstandskennzahl mit einem bestimmten Satz von Merkmalen korreliert“, sagt Espín-Noboa. „Als Nächstes haben wir die Modelle getestet, indem wir sie dazu verwendet haben, den Wohlstand in verschiedenen Gebieten vorherzusagen.“  

Das Team entwickelte drei Modelle: eines auf der Grundlage von Satellitenbildern, ein zweites auf der Grundlage von Crowdsourcing- und Social-Media-Daten und ein drittes auf der Grundlage einer Kombination aus beiden. „Wir wollten herausfinden, welche Merkmale am stärksten zur Wohlstandsprognose beitragen“, erklärt Karsai.  

Anhand der Modelle erstellten die Forscher:innen Karten, die die Armut in Gemeinden in Sierra Leone und Uganda zeigen. Sie erstellten auch ein interaktives Kartentool, mit dem die Nutzer:innen den in beiden Ländern ermittelten Wohlstand vergleichen und die Modelle des maschinellen Lernens erkunden können.  

„Die Leistungsfähigkeit unserer Modelle entspricht dem Stand der Technik und übertrifft ihn in einigen Fällen sogar“, meint Karsai. „Wichtig ist dabei, dass wir nicht nur Schätzungen zum wirtschaftlichen Status der an einem bestimmten Ort lebenden Menschen abgeben, sondern auch zu lokalen Schwankungen. Außerdem stellten wir fest, dass für Schätzungen zu Regionen mit hohen Einkommen (wo Satellitenbilder gute Ergebnisse liefern) und zu armen Regionen (wo metadatenbasierte Methoden am besten sind) unterschiedliche Methoden erforderlich sind.“  

Die Covid-19-Pandemie 

Über drei Jahrzehnte dokumentierte die Weltbank einen Rückgang in der Zahl der Menschen, die in extremer Armut leben, d. h. mit weniger als 2,15 Dollar pro Tag auskommen müssen. Dieser Trend wurde durch die Covid-19-Pandemie im Jahr 2020 unterbrochen. Die Zahl der Menschen, die in extremer Armut leben, ist um 70 Millionen gestiegen und liegt nun bei über 700 Millionen.  

Nach Angaben der Weltbank ist die wirtschaftliche Erholung seither ungleichmäßig verlaufen. Und die meisten Menschen, die immer noch in extremer Armut leben, sind in Afrika südlich der Sahara, in von Konflikten betroffenen Gebieten und in ländlichen Gegenden zu finden. 

Folglich sind dringend genauere, zeitnähere und kostengünstigere Methoden zur Messung von Armut erforderlich, betont Kertész. „Durch die Kombination traditionell erhobener Haushaltsdaten mit nicht-traditionellen Datenquellen können wir Armut mit höherer Auflösung und in größerem Maßstab abbilden. Dies kann den politischen Entscheidungsträgern helfen, bei der Gestaltung von Programmen zur Verringerung von Armut und Ungleichheit bessere faktengestützte Entscheidungen zu treffen“, sagt Kertész, der auch ein externes Mitglied des Lehrkörpers am CSH ist.  

Referenz 

Lisette Espín-Noboa, János Kertész, and Márton Karsai. 2023. Interpreting wealth distribution via poverty map inference using multimodal data. In Proceedings of the ACM Web Conference 2023 (WWW '23). Association for Computing Machinery, New York, NY, USA, 4029–4040. https://doi.org/10.1145/3543507.3583862  

ÜBER CEU  

Die Central European University (CEU) ist in den USA und Österreich akkreditiert und bietet englischsprachige Bachelor-, Master- und Doktoratsstudien in den Bereichen Sozial- und Geisteswissenschaften, Recht, Umweltwissenschaften, Betriebswirtschaft und öffentliche Administration an. Mit ihrem Campus in Wien und einem Forschungsstandort in Budapest hat die CEU einen klaren akademischen und intellektuellen Fokus im Herzen Mitteleuropas. Die Universität verbindet das vergleichende Studium der historischen, kulturellen und sozialen Vielfalt der Region mit einer globalen Perspektive auf kritische Bereiche wie gute Regierungsführung, nachhaltige Entwicklung und sozialen Wandel.     

ÜBER CSH 

Die Aufgabe des Complexity Science Hub (CSH) besteht darin, Wissenschafter:innen aufzunehmen, auszubilden und zu inspirieren, die mit komplexen Systemen arbeiten; sie sollen sich der sinnvollen Nutzung von Big Data widmen, um Wissenschaft und Gesellschaft voranzubringen. Die Wissenschaftler:innen des Complexity Science Hub entwickeln Methoden für das wissenschaftliche, quantitative und prädiktive Verstehen komplexer Systeme. 

Das CSH ist eine gemeinsame Initiative des AIT Austrian Institute of Technology, der Central European University CEU, der Donau-Universität Krems, der Technischen Universität Graz, der Medizinischen Universität Wien, der TU Wien, der VetMedUni Wien, der Wirtschaftsuniversität Wien und der Wirtschaftskammer Österreich (WKO). https://www.csh.ac.at