【文章框架】

精准定位贫困人口身处何处对减贫来说至关重要，所以细化的贫困率估算对于制定干预政策十分必要。近年来，使用机器学习、地理空间数据绘制详细的贫困地图日趋流行。

本文围绕基于机器学习的贫困地图绘制方法和准确性、使用机器学习绘制贫困地图的优势、不使用决定系数度量或相关性来评估预测的原因以及机器学习对于优化贫困地图绘制的意义四个方面进行介绍。

【观点摘要】

1.如何绘制基于机器学习的贫困地图并确认其有效性？

这类地图主要通过建模实现。该模型提取了源自调研的贫困测量标准与地理空间数据之间的空间关联。机器学习地图通常依靠计算决定系数实现，决定系数量化了调查估算中的变化比例，这一比例通过预测估算来解释。在某些情况下，还会采用相关系数来衡量基于调查的估计与预测之间的关系强度。通常来说，较高的决定系数可作为地图质量的保证。

2.使用机器学习的贫困地图能带来什么好处？

在《机器学习时代的贫困地图》一文中，我们引入了“2015年的墨西哥人口普查间调查”，并从中抽取500个样本作为人口普查数据，以获取小范围人口贫困率。在机器学习方法方面，我们依靠梯度提升机，主要使用以下三种数据：人口普查得出的市级协变量（CEN-MUN）、可公开获得的市级GIS协变量（GIS-MUN）、人口普查和地理信息系统协变量的混合（ALL-MUN）。

基于机器学习的贫困地图以传统的的绘制方法为基准。具体而言，我们将机器学习的地图与两类地图进行比较：一是单元级贫困地图，模拟了全部人口的福利值；二是地区级贫困地图，主要使用地区级特征对贫困率进行建模。

用于绘制贫困地图的数据质量与该方法同样重要。基于机器学习的贫困地图在使用优质数据的情况下，可以与世界银行制作的对数据要求更高的传统地图相媲美。若将地理空间数据与更高质量的数据相结合，则可产生更高质量的估算结果。

3.为什么不使用决定系数度量或相关性来评估我们的估算？

绘制贫困地图的目的是估算真实的贫困率。由于基于调查的估算本身就容易产生干扰，它们提供了不够精确的实际值的近似值。因此，预测和基于调查的估算之间的关系强度是有偏差的，在与真实贫困率存在较大差异。

4.机器学习对于优化贫困地图绘制有什么意义？

机器学习有望绘制贫困地图，但现有的验证还不够深入，无法评估地图质量。经过测试，与干扰和偏差相关梯度提升机给出的估算结果，可能与单元级贫困地图相当。用于建模的数据质量是获得高质量贫困地图的关键。在获取地理空间数据以外的数据受阻碍时，我们必须谨慎使用贫困地图，需要付出额外努力对估算结果加以验证。基于机器学习的贫困地图绘制可以为决策者提供有价值的见解，我们要严格评估绘制贫困地图的方法和使用的数据，以确保其在解决贫困问题上的有效性。

【作者简介】

Paul Corral，高级经济学家，世界银行人类发展实践小组办公室首席经济学家。

Heath Henderson，德雷克大学经济学副教授。

Sandra Segovia，世界银行贫困与不平等全球实践顾问。