نقش ابر داده (بیگ دیتا) برای تشخیص بهتر فقر و ریشه کن کردن آن، مطالعه موردی از سنگال

Big-Data-and-Emerging-Markets

تخمین زده می شود که ۹۵ اشتراک تلفن همراه به ازای هر ۱۰۰ نفر در سراسر جهان وجود دارد و این باعث رونق اقتصادی در کشورهای در حال توسعه  شده است که در آن تعداد کاربران تلفن همراه به سرعت موشک در حال افزایش است. در واقع در سال های اخیر ، انقلاب فناوری اطلاعات و ارتباطات به فرصتی برای دورشدن از فقر تبدیل شده و به امرار معاش مردم کمک کرده است به خصوص برای کسانی که در مناطق دور افتاده زندگی می کنند. شایان ذکر است، هر چند در بسیاری از مناطق، جمعیت فقیر و مصیبت زده همچنان وجود دارند و این فقر همچنان ادامه دارد. آیا می توان از فناوری اطلاعات و ارتباطات (ICT )  به عنوان یک موتور برای ریشه کنی فقر و بهبود کیفیت زندگی از لحاظ معیشت بهتر، آموزش و پرورش قوی و کیفیت سلامت استفاده کرد؟ چگونه؟ آیا فناوری های ارتباطی امروزی چنین آثار بالقوه ای دارند؟ به طور خاص ما وقتی از تلفن همراه استفاده می کنیم از حجم بی سابقه ای از داده ها در تعاملات اجتماعی و پویایی و … استفاده می کنیم. بنابراین ما می پرسیم آیا این داده ها و اطلاعات به درک بهتر و کاهش فقر کمک می کند؟

نقشه برداری از سوابق اطلاعات تماس، پویایی و فعالیت های اقتصادی

اولین قدم به سوی کاهش فقر، تولید نقشه فقر است. در حال حاضر، نقشه فقر با استفاده از آمار گیری از سرپرستان خانوار در سراسر کشور ساخته می شود که این کار نیاز به نیروی انسانی و زمان دارد. چنین نقشه هایی با وضوح بالای منطقه ای تولید می شود و البته این آمارگیری با تاخیر برای کشور های جنوب صحرای آفریقا نسبت به سایر نقاط جهان انجام می شود. داده های سوابق تماس (CDRs) به ما اجازه می دهند نمایی از الگوهای جابجایی و ارتباطات مردم در یک مقیاس بسیار بزرگ داشته باشیم، که به ما نشان می دهد که چگونه این داده ها می توانند استفاده شوند برای ایجاد نقشه های فقر با جزییات بیشتر و موثر تر و وضوح بالای فضایی. چنین نقشه های بهبود یافته ای، تشخیص فقر را تسهیل خواهد کرد و به برنامه ریزان سیاست های عمومی جامعه در سطح غیر متمرکز برای ریشه کن کردن فقر بشر و اطمینان از کیفیت بالاتر زندگی کمک خواهد کرد.

چگونه ما می توانیم نقشه های فقر با وضوح بالا از داده های سوابق تماس ( CDR ) داشته باشیم ؟

به منظور ایجاد این  نقشه های فقر با جزییات بالا،  ما باید شبکه مجازی یک کشور را به صورت یک (چه کسی-تماس ها-چه کسی را )   ( “who-calls-whom” ) شبکه تعریف کنیم. این نشانگرها نمایش سطوح بالای ارتباطات و پیوندهای اجتماعی بین مردم، انتشار اطلاعات یا دانش، یا پراکندگی خدمات را نشان می دهد. به عنوان مثال تماس ها به دلایل مختلف از جمله درخواست برای منابع، انتشار اطلاعات، و یا شخصی و… می باشد. داده های سوابق تماس (CDRs) یک روش جالب برای ساخت یک شبکه مجازی برای کشور سنگال ارائه می کنند. ما شروع به تعیین کمیت برای دسترسی های ارتباطات تلفن همراه در سنگال، هم فضایی و هم در سراسر جامعه را با استفاده از داده های سوابق تماس CDR می کنیم. این کمیت، میزان ارتباطات در سراسر مناطق سنگال را اندازه گیری می کند.

نتیجه: یک شبکه مجازی برای کشور سنگال هست که در شکل ۱ نشان داده شده است. دایره ها در نقشه به پایتخت و مراکز شهر ها و خط های مشکی به حجم ارتباطات تلفن همراه بین این شهر ها اشاره دارد. خط های پر رنگ تر، نشانگر حجم بالای ارتباطات و دایره های بزرگتر به معنای ارتباطات ورودی و خروجی سنگین تر برای آن منطقه است. شکل ۱ همچنین شاخص فقر منطقه ای را با به صورت یک پوشش نشان می دهد. شاخص فقر بالا مربوط به مناطق بسیار فقیر نشین است که با رنگ سبز روشن بر روی نقشه نشان داده شده است. به وضوح در نقشه نمایان است، مناطقی که دارای خط های مشکی بسیار زیاد و پررنگ است فقر پایین تری دارند. در حالی که بسیاری از مناطق فقیر نشین به صورت دور افتاده از مناطق دیگر ظاهر شده اند. حالا ما می توانیم یک نگاه دقیق تر به پراکندگی فقر داشته باشیم. با استفاده از این شبکه های مجازی، ما معیارهای کمی که نشان دهنده مرکزیت هر منطقه در سنگال است را استخراج می کنیم. سپس ما مرکزیت اندازه گیری شده از کوچکترین بخش های سنگال را با یک منطقه مقایسه می کنیم. سپس ما برای ایجاد یک مدل رگرسیون، مرکزیت اندازه گیری شده هر منطقه را با شاخص فقر ارتباط می دهیم. با استفاده از مدل رگرسیون، ما شاخص فقر را برای هر منطقه کوچک از سنگال پیش بینی می کنیم.

شکل ۱: شبکه مجازی برای سنگال با شاخص فقر چند بعدی ( MPI ) به صورت هم پوشانی

 

big data 1 (1)

شکل ۲ ، نقشه فقر تولید شده بوسیله مدل های ما، در هر منطقه از کشور سنگال را نشان می دهد. جالب است برای دیدن بهتر توده های فقر، باید هسته های کوچک هر شهر را که بیشتر نیاز به توسعه پایدار دارند را شناسایی کنیم. در شکل ۲  مناطق فقیر تر با رنگ سبز کمرنگ نشان داده شده است که این رنگ ارزش بالایی برای شاخص فقر دارد.

شکل ۲: پیش بینی نقشه فقر در سطح هر شهر از کشور سنگال با شاخص فقر چند بعدی ( MPI ) به صورت همپوشانی

big data 1

چه کاری باید در قدم بعدی برای ثبت داده های تماس و ابر داده های (بیگ دیتا) دیگر در رابطه با ریشه کن کردن فقر و توسعه انسانی انجام دهیم؟ این بررسی ها فقط قدم اول است. از آنجا که فقر یک پدیده پیچیده است، نقشه های فقر چشم اندازهای چند گانه ای را به نمایش می گذارند، و به سیاست گذاران کمک می کنند تا با بینش بهتر، پاسخ های موثرتری برای ریشه کنی فقر ارائه دهند.  همان طور که در متن بالا اشاره شد، این نقشه ها می توانند برای تجزیه اطلاعات در مورد محرومیت از بهداشت، آموزش، و استانداردهای زندگی ( از شاخص های اصلی شاخص توسعه انسانی) استفاده شوند. ما معتقدیم که این ابر داده ها (بیگ دیتا) و داده های ما می تواند نقشه فقر جداگانه ای برای کشور سنگال بر اساس جنسیت، شکاف شهری/ روستایی، یا تقسیمات قومی / اجتماعی تولید کند. چنین نقشه های فقری، به برنامه ریزان سیاسی برای رشد پایدار و فراگیر برای تمام بخش های جامعه کمک می کنند. روش ما عمومی است و می تواند برای مطالعه سایر شاخص های اجتماعی و اقتصادی جامعه مورد استفاده قرار گیرد. مانند بسیاری از موارد استفاده از ابر داده  ( بیگ دیتا) ، مدل ما در مراحل نوپای آن است. در حال حاضر، ما در حال کار برای تست روش مان، در سطح زمین در سنگال هستیم. به طوری که می توان آن را بر اساس نیازهای مردم و چشم انداز های توسعه بیشتر بروز کرد که می تواند برنامه ریزی شود. در آخر اینکه این پروژه آزمایشی کمک خواهد کرد تا روش ما در کشور های توسعه نیافته دیگر، تکرار شود.

 

 

منبع :

brookings

به اشتراک بگذارید:

یک دیدگاه