Heuer präsentierte ein wissenschaftliches Team von der Central European University (CEU) und dem Complexity Science Hub (CSH) einen Durchbruch: Sie können Armut auf Landkarten sichtbar machen.
Konkret nahmen sich die Forscher:innen dafür Sierra Leone und Uganda vor. Die beiden Staaten in Subsahara-Afrika zählen zu den ärmsten der Welt. Das Wiener Forscherteam entwickelte dazu das interaktive Online-Tool Poverty Maps, mit dem User:innen die Wohlstandsentwicklung in beiden Ländern vergleichen können. Sogar einen Ausblick auf die Zukunft können die Karten geben. Unmengen abstrakter Daten werden damit auf einen Blick zu aussagekräftiger Information.
Vom Taxiverhalten zu Armutskarten
“Die Idee wäre, dass politische Entscheidungsträger:innen, die Menschen unterhalb der Armutsgrenze helfen möchten, diese Art von Instrumenten nutzen können. Um zu verstehen, wo die Menschen sind, die wirklich Hilfe brauchen”, erklärt Lisette Espín-Noboa im brutkasten-Interview.
Die aus Ecuador stammende Computerwissenschaftlerin ist extra für das Projekt nach Wien gekommen. Sie ist Expertin für Predictive Analytics, Netzwerkanalysen und Machine Learning. Davor arbeitete sie vor allem mit Mobilitätsdaten, auf deren Basis sie Prognosen für die Zukunft erstellte. Espín-Noboa erforschte unter anderem, wie sich Taxis in der Metropole New York verhalten.
Wiederverwendbare ML-Modelle
“Sie gaben mir dieses Projekt und ich hatte die Freiheit, zu schauen, wie es funktioniert”, sagt die Computerwissenschaftlerin. Sie entwickelte ein eigenes Framework für drei Machine-Learning-Modelle. Damit visualisieren die Forscher:innen die Wohlstandsentwicklung auf Landkarten. Am Beispiel von Sierra Leone und Uganda bewies das Team bereits, dass es möglich ist.
Espín-Noboa erklärt, dass sie die Modelle nun auch für andere Länder verwenden. Dafür müsse nur die sogenannte Ground Truth für jedes Land anhand einer eigenen Datenbasis neu in das Modell gefüttert werden. Ground Truth ist die genaue und verlässliche Referenz, anhand derer die Richtigkeit von Daten oder Vorhersagen bewertet wird.
Wie viele Antennen, welche Toilette?
Für die beiden afrikanischen Länder verwendeten die Forscher:innen Umfragedaten als Basis. “In Afrika werden Umfragen zum Haushalt oder Lebensstandard durchgeführt. Diese Fragebögen ermitteln, wie viele Zimmer Ihr Haus hat, welche Art von Toilette Sie benutzen, wie Sie an Ihr Wasser kommen, ob Sie ein Auto habe oder ob Sie eine Haus- und Sanitäranlage haben”, erklärt die Computerwissenschaftlerin. Mit dem Internationalen Wohlstandsindex (IWI) wurden auf dieser Basis dann Grundwerte errechnet.
Hinzugefügt wurden in der Folge weitere Daten, die etwa von Satellitenbildern oder Social-Media-Postings stammen. Daraus konnten Espín-Noboa und ihre Kolleg:innen schließen, wie viele Menschen in einer Region ein iPhone besitzen oder wie viele Antennen sich in einem Gebiet befinden. “Wir dachten: Wenn der Ort viele Antennen hat, bedeutet das wahrscheinlich, dass er wohlhabend ist. Wenn er keine Antennen hat, ist er wahrscheinlich arm”, so Espín-Noboa. Daten aus OpenStreetMap würden wiederum verraten, wie weit die nächste Straße oder Schule entfernt ist.
Zukunftsvorhersagen auch für Europa
Nun versuchen Espín-Noboa und ihr Team diese Karten auch für Österreich und Ungarn zu erstellen. Noch fehlen ihr aber die dafür notwendigen Daten für ihre Modelle. Sie ist deshalb auf der Suche nach Organisationen, die Daten zur Verfügung stellen.
“Wir können nicht einfach die gleichen Daten verwenden, weil die Standards unterschiedlich sind. Etwa fragt man in Ungarn nicht, welche Art von Toiletten jemand benutzt”, erklärt Espín-Noboa. Stattdessen sei in etwa Ungarn aussagekräftiger, wie viel Immobilien kosten. Für jedes Land müsse deshalb eine eigene “Ground Truth” ermittelt werden, dann könnten die entwickelten Modelle für verschiedene Länder verwendet werden, glaubt die Expertin.
Bessere Entscheidungsgrundlage
Das Projekt ist ein Novum, denn bisher verließen sich Entscheidungsträger:innen vor allem auf Volkszählungsdaten, wenn es um den Umgang mit Armut ging. Die Karten stellen die Entwicklung jedoch viel detaillierter dar. “Mit der Ground Truth haben wir Armut vorhergesagt, aber Sie können alles vorhersagen. Wenn Sie fundierte Fakten zum Thema Bildung haben, können Sie etwa auch Bildung vorhersagen”, sagt Espín-Noboa. Sie hofft, dass künftig mehr Tools für politische Entscheidungsträger:innen zur Verfügung stehen – damit diese bessere und zielgerichtete Entscheidungen treffen können.
