Wiskundigen hebben machinaal leren gebruikt om een ​​nieuw model te ontwikkelen voor het meten van armoede in verschillende landen dat oude noties van een vaste 'armoedegrens' verwerpt.

Het onderzoek door academici van Aston University, gepubliceerd in het tijdschrift Natuurcommunicatie , suggereert dat het reguliere denken over armoede achterhaald is omdat het te veel nadruk legt op subjectieve noties van basisbehoeften en niet de volledige complexiteit weergeeft van hoe mensen hun inkomen gebruiken.

Ze zeggen dat hun nieuwe model - dat computeralgoritmen gebruikt om enorme hoeveelheden uitgaven en economische gegevens te synthetiseren - beleidsmakers wereldwijd kan helpen toekomstige armoedeniveaus te voorspellen en interventies te plannen om het probleem te verlichten.

"Niemand heeft ooit machine learning gebruikt om multidimensionale armoede te decoderen, "Zei hoofdonderzoeker Dr. Amit Chattopadhyay van Aston University's College of Engineering and Physical Sciences. "Dit verandert de manier waarop mensen naar armoede moeten kijken volledig."

Gevestigde armoedemaatstaven proberen een monetair drempelniveau vast te stellen waaronder een persoon of huishouden als 'arm' wordt gedefinieerd. Deze definities vinden hun oorsprong in methoden die in de 19e en vroege 20e eeuw zijn ontwikkeld door hervormers als Ernst Engel en Seebohm Rowntree.

Momenteel, de Wereldbank stelt de internationale armoedegrens vast op $ 1,90 per dag, met ongeveer 10% van de wereldbevolking - ongeveer 700 miljoen mensen - die leeft van minder dan dit. Dit is gebaseerd op een subjectieve beoordeling van het inkomen dat nodig is om de basisbehoeften in de armste landen te dekken, gecorrigeerd voor koopkrachtpariteit (PPS).

In de nieuwe studie de onderzoekers analyseerden 30 jaar aan gegevens uit India, het verdelen van de uitgaven in drie brede categorieën van 'basisvoedsel', zoals granen, 'overig voedsel' inclusief vlees en 'non-food' voor andere uitgaven zoals huisvesting en transportkosten. Het model kan op elk land worden toegepast.

Door de 'push-and-pull'-wisselwerking tussen de drie categorieën te erkennen - meer uitgaven op het ene gebied betekent meestal een vermindering van de uitgaven op een ander gebied - maakt het een meer holistische armoedemaatstaf mogelijk die kan worden aangepast aan de omstandigheden van individuele landen. De onderzoekers combineerden datasets over inkomens, activa- en goederenmarkten van de Wereldbank en andere bronnen om een ​​wiskundig model te produceren dat niet alleen in staat was om de armoedeniveaus in het verleden in zowel India als de Verenigde Staten nauwkeurig te voorspellen, maar ook om toekomstige niveaus te voorspellen op basis van bepaalde economische veronderstellingen.

Door rekening te houden met de elasticiteit van vraag en aanbod op de markt, het model hervormt het aantal mensen dat traditioneel als 'arm' werd beschouwd tot een meer praktische 'middenklasse'. Het kan worden geschaald om de omstandigheden in subregio's van een land weer te geven, of zelfs verkleind tot een enkele stad of buurt, afhankelijk van de beschikbare gegevens.

"Het huidige denken over armoede is zeer subjectief, omdat 'armoede' in verschillende landen en regio's verschillende dingen zal betekenen, " voegde Dr. Chattopadhyay toe. "Met dit model, we hebben eindelijk een multidimensionale armoede-index die de echte ervaring van mensen weerspiegelt, waar ze ook wonen en grotendeels onafhankelijk van de sociale klasse waartoe ze geacht worden te behoren.

"Belangrijk, het is een model dat rekening houdt met de economische omstandigheden waarin mensen zich bevinden - en de factoren die het grootste verschil kunnen maken voor hun materiële welzijn. Als zodanig, het kan een belangrijk hulpmiddel zijn voor regeringen en beleidsmakers wereldwijd bij het identificeren van armoede en het invoeren van interventies die het echt aanpakken."