【文章框架】
全球一半以上人口生活在城市,但是正在发展中国家,社会救助项目面向农村贫困人口,特别是政府在贫困人口认定和瞄准上花费大量资源。在新冠肺大流行背景下,城市的严格封控政策导致城市贫困人群收入锐减、消费不足。但政府在界定城市贫困人群、制定救助政策上缺乏数据。世界银行已开始通过创新技术手段收集城市贫困人口、私人机构、家庭监测、疫苗分配的数据,但城市人口众多且流动性大导致数据获取困难,而地理划分不够细化则阻碍数据应用。本文针对上述问题,给出了从太空绘制城市贫困分布图的方法。
【观点摘要】
1.使用机器
高分辨率的地理空间数据为绘制城市脆弱性和贫困地图提供了思路。我们可以基于数据来打造机器学习的算法,从而利用机器来识别城市中的贫困人群。这些数据包括当地专家通过地面直接评估或通过分析高分辨率卫星图像收集的样本。该算法通过分析这些样本的“特征”来构建模型,模型可根据样本数据中使用的类别来“预测”剩余数据集的属性。
2.数据筛选
高分辨率数据对于运用创新技术进行分析至关重要,如数字非洲和谷歌开放式建筑等数据源就为数据分析提供了基础。此类数据可扩展性强,且具有高效性,具体表现在基于矢量数据的分析大大降低了分析所需的计算能力。
3.应用于实践
城市贫民的地理空间识别(借助机器学习)是快速确定资源目标的关键所在。这些技术也可以用来帮助半城市半农村地区的穷人。当高分辨率地理数据与其他数据相结合时,数据支持决策的价值迅速增加,如应对危害风险、提供公共服务、推进城镇化建设等。
4.发展前景
随着对这项创新技术的需求不断增长,世界银行将这一方法扩展到西非和巴尔干岛上。同时,我们还寻找各类开源数据进行补充,以提高组合分类算法的准确性——其主旨始终在于保持高可扩展性。这项工作也得到欧洲航天局全球发展援助(GDA)项目的大力支持。通过该项目,国际金融机构可以灵活获取必要的地球观测知识。航天局还提供了定制的地球观测产品和服务,以应对世界各地的紧迫问题和需求。
【作者简介】
Megha Mukim:社会、城市、农村和弹性全球实践高级经济学家。
Alex Chunet:欧洲航天局驻世界银行代表。