زمین را در شب تصور کنید: تاریکی فراگیری که با نهرهایی از نور لکه لکه شده است. منظره‌ای زیبا و آشنا؛ اما برای اقتصاددانان این چیزی بیشتر از یک منظره زیبا یا نمادی از در ارتباط بودن بشر است؛ این‌یک مجموعه داده‌ی قوی است.
از چند دهه قبل و تقریباً از زمانی فضانوردان اولین تصویر شبانه از زمین را گرفتند، محققان کشف کردند که اطلاعات «نورهای شبانه»، به شکل غیرمستقیم، نشان‌دهنده ثروت مردمانی است که نور را تولید کرده‌اند. این نیروی اقتصادسنجی به نظر می‌رسد در سرتاسر سیاره قابل کاربرد باشد: نه‌تنها شهرها از مزارع درخشان‌ترند بلکه شهرهای امریکا از شهرهای هند بیشتر می‌درخشند؛ و همان‌طور که تولید ناخالص داخلی یک کشور بیشتر می‌شود، درخشش آن کشور در شب هم بیشتر می‌شود. حتی دو سال پیش یک استاد دانشگاه استنفورد با استفاده از اطلاعات نورهای شبانه نشان داد که تحریم‌ها در کره شمالی موجب رشد بیشتر پیونگ‌یانگ پایتخت شده و در عوض مناطق حاشیه‌ای که محل زندگی کشاورزان و روستائیان است کم‌نورتر شده‌اند.
بنابراین به نظر می‌رسد نورهای شبانه یک منبع فوق‌العاده اطلاعات باشند. به‌طوری‌که در کشورهایی که دستگاه آماری ضعیف دارند، می‌توانند از آن به‌عنوان میان‌بری برای انجام نظرسنجی و بررسی آماری اقتصادی استفاده کنند که البته در آن‌کسی مجبور نیست در تک‌تک خانه‌ها را بزند و از آن‌ها بخواهد که پرسشنامه پر کنند. تحقیقات تاکنون نشان داده‌اند که این روش هنوز غیردقیق است: برای ماهواره در شب، تعداد اندکی قصر که به‌خوبی نورپردازی شده‌اند با حلبی‌آبادی که به‌شدت متراکم ولی کم‌نور است، یکسان به نظر می‌رسد.
مقاله‌ای که به‌تازگی از سوی یک گروه از دانشگاه استنفورد در مجله Science منتشرشده، از تکنیکی رایج برای حل این مشکل استفاده‌شده است. به‌منظور قابل‌فهم‌تر کردن اطلاعات نورهای شبانه، مهندسان و دانشمندان علوم کامپیوتر، به یک شبکه عصبی مصنوعی-نوع استانداردی از برنامه هوش مصنوعی- یک سری از مجموعه داده دادند.
ابتدا آن‌ها به شبکه عصبی یک برنامه شناسایی تصویر دارند که با آن می‌توانست بین لبه‌ها، گوشه‌ها و بیش از ۱۰۰۰ شیء معمول تمایز قائل شود. سپس آن‌ها از مدل خواستند تا سری اطلاعات نورهای شبانه یک کشور را با یک نقشه از روز هنگام همان کشور هم‌بسته (Correlated) کند. درنهایت هم واضح‌ترین اطلاعاتی که در مورد ثروت خانوار در آن کشور وجود داشت را به شبکه دادند.
درواقع محققان سعی دارند به این روش به شبکه عصبی یاد بدهند که چگونه فقر را در اطلاعات ماهواره‌ها ببیند.
این کار به یک دلیل خیلی واضح صورت می‌گیرد: «ما اطلاعات خوبی درباره اینکه مردم فقیر در کجاها زندگی می‌کنند نداریم، به‌خصوص در کشورهای فقیر». این را یکی از اعضای گروه نویسنده مقاله جدید می‌گوید.
بسیاری از اقتصاددانان، جغرافی‌دانان و دولت‌ها موافق‌اند. اطلاعاتی که توسط گروه به مدل داده شد مربوط به کشورهای جنوب صحرا مانند نیجریه، تانزانیا اوگاندا، مالی و روآندا است که همه‌ی آن‌ها به شکل غیرمعمولی از فقر آمار و اطلاعات رنج می‌برند. محققان به دلیل فقر شدید اطلاعات در این کشورها، در سال‌های اخیر اقدامات مختلفی را برای به دست آوردن اطلاعات اقتصادی در این ناحیه استفاده کرده‌اند که ازجمله‌ی آن‌ها می‌توان به استفاده از متادیتاهای شبکه تلفن همراه یا شناسایی سقف خانه‌ها که از فلز است یا کاه‌گل اشاره کرد. حتی فیس‌بوک سعی کرد تا با طراحی یک شبکه عصبی، سطح جمعیت روستا را از طریق شناسایی شکل ساختمان‌ها از بالا تخمین بزند.
نویسندگان این مقاله به‌منظور آزمودن مدل ابداعی‌شان، آن را با اطلاعات اصلی شبکه روشنایی و همچنین با اطلاعات بررسی بانک جهانی مقایسه کردند. مدل بیشتر با اطلاعات بانک جهانی تطابق داشت. از این مهم‌تر اینکه برای ساخت مدل از اطلاعات یک کشور-مثلا تانزانیا- استفاده شد و وقتی برای تطبیق در مورد باقی کشورها به کار رفت، نتایج قابل قبولی به دست آمد. این نشان می‌دهد مدل نشانگرهای درستی را برای ثروت شناسایی کرده است.
اما محققان از این مدل تنها برای پیش‌بینی اطلاعات در سطح ملی استفاده کردند. مدل فقر و نابرابری را در نیجریه یا روآندا به‌عنوان یک کل نشان می‌دهد و نقشه توزیع ثروت زیر ناحیه‌ها را به دست نمی‌دهد. به گفته محققان این می‌تواند گام بعدی مهمی برای این روش باشد که فقر را در زیر ناحیه‌ها و نواحی هم تخمین بزند. به گفته نویسندگان این مقاله، آن‌ها می‌دانند که در مراکز پرجمعیت چه می‌گذرد اما آنچه نمی‌دانند این است که در نواحی دورافتاده‌تر چه می‌گذرد زیرا این نواحی سیگنال کافی متصاعد نمی‌کنند که بتوان آن را دریافت کرد.
این مدل ضعف‌هایی هم دارد. مثلاً اینکه شبکه عصبی تعداد بسیار زیادی از همبستگی‌ها را بین سری‌های اطلاعاتی شناسایی می‌کند که خروجی را برای تفسیر و شناسایی کاربر بسیار دشوار می‌کند.
منبع: [button color=”white” size=”normal” alignment=”none” rel=”nofollow” openin=”samewindow” url=”http://www.citylab.com/”]citylab[/button]
