論文の概要: Micro-Estimates of Wealth for all Low- and Middle-Income Countries
- arxiv url: http://arxiv.org/abs/2104.07761v1
- Date: Thu, 15 Apr 2021 20:37:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-19 14:10:29.733298
- Title: Micro-Estimates of Wealth for all Low- and Middle-Income Countries
- Title（参考訳）: 低所得国・中所得国における富のマイクロ評価
- Authors: Guanghua Chi, Han Fang, Sourav Chatterjee, Joshua E. Blumenstock
- Abstract要約: 2.4kmの解像度で135か所の低所得国と中所得国の人口を包含する富と貧困の最初のマイクロ見積もりを開発した。
この推定は、衛星、携帯電話ネットワーク、地形地図、およびFacebookの集合的および非特定接続データからの膨大なおよび異種データに機械学習アルゴリズムを適用することによって構築される。
- 参考スコア（独自算出の注目度）: 14.717329936263672
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many critical policy decisions, from strategic investments to the allocation
of humanitarian aid, rely on data about the geographic distribution of wealth
and poverty. Yet many poverty maps are out of date or exist only at very coarse
levels of granularity. Here we develop the first micro-estimates of wealth and
poverty that cover the populated surface of all 135 low and middle-income
countries (LMICs) at 2.4km resolution. The estimates are built by applying
machine learning algorithms to vast and heterogeneous data from satellites,
mobile phone networks, topographic maps, as well as aggregated and
de-identified connectivity data from Facebook. We train and calibrate the
estimates using nationally-representative household survey data from 56 LMICs,
then validate their accuracy using four independent sources of household survey
data from 18 countries. We also provide confidence intervals for each
micro-estimate to facilitate responsible downstream use. These estimates are
provided free for public use in the hope that they enable targeted policy
response to the COVID-19 pandemic, provide the foundation for new insights into
the causes and consequences of economic development and growth, and promote
responsible policymaking in support of the Sustainable Development Goals.
- Abstract（参考訳）: 戦略的投資から人道援助の配分に至るまで、多くの重要な政策決定は、富と貧困の地理的分布に関するデータに依存している。
しかし、多くの貧困マップは時代遅れであり、非常に粗い粒度でしか存在しない。
ここでは、135の低所得国・中所得国(LMIC)の人口を2.4kmの解像度でカバーする、最初の富と貧困のマイクロ推定を開発する。
この推定は、衛星、携帯電話ネットワーク、地形地図、およびFacebookの集合的および非特定接続データからの膨大なおよび異種データに機械学習アルゴリズムを適用することによって構築される。
56 LMIC の全国代表世帯調査データを用いて推定値の校正を行い,その精度を18 カ国の4 つの個別世帯調査データを用いて検証した。
また、各マイクロ推定値に対して信頼区間を提供し、責任ある下流利用を促進する。
これらの見積もりは、新型コロナウイルス(COVID-19)のパンデミックに対する政策対応を目標とし、経済発展と成長の因果に関する新たな洞察の基盤を提供し、持続可能な開発目標を支持する責任ある政策作成を促進することを願って、公的に無料で提供される。
関連論文リスト
- Fairness and representation in satellite-based poverty maps: Evidence of
urban-rural disparities and their impacts on downstream policy [5.456665139074406]
本稿では,都市部および農村部における衛星による貧困マッピングにおける表現の格差,予測誤差の体系的バイアス,公平性の懸念について検討する。
本研究は,衛星による貧困マップを現実の政策決定に利用する前に,注意深い誤りとバイアス分析の重要性を強調した。
論文 参考訳（メタデータ） (2023-05-02T21:07:35Z) - Learning and Reasoning Multifaceted and Longitudinal Data for Poverty
Estimates and Livelihood Capabilities of Lagged Regions in Rural India [22.98110639419913]
このプロジェクトは、生活の質と生活の指標に基づいて、1990-2022年のインド農村の貧困状況を調べることを目的としている。
また、因果関係や縦断的分析も検討し、貧困の原因について検討する。
論文 参考訳（メタデータ） (2023-04-27T05:33:08Z) - Interpreting wealth distribution via poverty map inference using
multimodal data [0.0]
本稿では,複数の人口にまたがる富の平均および標準偏差を推論する機械学習モデルのパイプラインを提案する。
これらのモデルは、衛星画像と、オンラインのクラウドソーシングとソーシャルメディアを通じて収集されたメタデータに基づいて、7つの独立した、自由に利用可能な機能ソースを利用する。
その結果, 富の局所的平均と変動が回復し, 正の非単調な相関関係を正しく捉えた。
論文 参考訳（メタデータ） (2023-02-17T11:35:44Z) - Graph-based Village Level Poverty Identification [52.12744462605759]
Webインフラストラクチャとそのモデリングツールの開発は、貧しい村を識別するための新しいアプローチを提供する。
地理的距離を通して村の接続をグラフとしてモデル化することにより,村の貧困状況とグラフトポロジ的位置との相関関係を示す。
貧しい村を識別する最初のグラフベース手法を提案する。
論文 参考訳（メタデータ） (2023-02-14T06:58:40Z) - Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。
本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
論文 参考訳（メタデータ） (2023-01-04T05:19:33Z) - Releasing survey microdata with exact cluster locations and additional
privacy safeguards [77.34726150561087]
本稿では,プライバシ保護を付加した独自のマイクロデータの有用性を活用した,代替的なマイクロデータ配信戦略を提案する。
当社の戦略は, 再識別の試みにおいても, 任意の属性に対する再識別リスクを60～80%削減する。
論文 参考訳（メタデータ） (2022-05-24T19:37:11Z) - Interpretable Poverty Mapping using Social Media Data, Satellite Images,
and Geospatial Information [0.0]
本稿では、機械学習とアクセスしやすいデータソースを用いた貧困推定に対する解釈可能かつ費用効率のよいアプローチを提案する。
フィリピンの資産推定ではR2ドル0.66ドル、衛星画像では0.63ドルである。
論文 参考訳（メタデータ） (2020-11-27T05:24:53Z) - High-Resolution Poverty Maps in Sub-Saharan Africa [0.0]
本稿では、村レベルで貧困マップを作成するための一般化可能な予測手法を提案する。
提案手法をサハラ以南の25か国で検証し,調査データと比較した。
論文 参考訳（メタデータ） (2020-09-01T16:23:43Z) - Predicting Livelihood Indicators from Community-Generated Street-Level
Imagery [70.5081240396352]
本稿では,クラウドソースによるストリートレベルの画像から重要な生活指標を予測するための,安価でスケーラブルで解釈可能なアプローチを提案する。
全国的に代表される世帯調査で収集した地上データと比較することにより,貧困,人口,健康の指標を正確に予測する上でのアプローチの有効性を実証した。
論文 参考訳（メタデータ） (2020-06-15T18:12:12Z) - When and How to Lift the Lockdown? Global COVID-19 Scenario Analysis and
Policy Assessment using Compartmental Gaussian Processes [111.69190108272133]
新型コロナウイルス(COVID-19)の世界的な感染拡大を受け、多くの国が前例のないロックダウン措置を講じている。
さまざまなロックダウンポリシーシナリオの下で、新型コロナウイルスの死亡率を予測するデータ駆動モデルが不可欠だ。
本稿では,グローバルな状況下での新型コロナウイルスロックダウンポリシーの効果を予測するためのベイズモデルを開発する。
論文 参考訳（メタデータ） (2020-05-13T18:21:50Z) - Generating Interpretable Poverty Maps using Object Detection in
Satellite Images [80.35540308137043]
衛星画像に物体検出装置を適用することにより、局所レベルでの貧困を正確に予測するための解釈可能な計算手法を実証する。
対象物の重み付けを特徴として、ウガンダの村レベルの貧困を予測する0.539 Pearson's r2を達成し、既存の(解釈不可能でない)ベンチマークよりも31%改善した。
論文 参考訳（メタデータ） (2020-02-05T02:50:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。