پیشبرد به سمت اهداف دوگانه بانک جهانی برای پایاندادن به فقر شدید و تقویت رفاه مستلزم آگاهی از این موضوع است که فقرا چه کسانی هستند و کجا زندگی میکنند. به همین دلیل است که بانک جهانی در طول سالها، تلاش قابلتوجهی را برای بهبود مجموعهدادههای نظرسنجی و توسعه رویکردهای مدلسازی به کار برده است. رسیدن به ریزترین سطوح تجمیع جغرافیایی میتواند به طور قابلتوجهی سیاستگذاری را بهبود بخشد.
انتشار روشی نوآورانه از دادههای سرشماری و پیمایش برای مطالعه ابعاد جغرافیایی فقر، نوید معرفی رویکرد بسیار نوین و جدیدی را میدهد. این دستورالعملها بر اساس درسآموختههاست و به دنبال راهنمایی افراد در شناخت بهترین روش موجود برای ترسیم چشماندازهای داده است. این روش همچنین جزئیاتی در مورد مزایا و معایب این روشها و همچنین نمونههای کدنویسی ارائه میدهند که کاربران میتوانند آن روند را نیز دنبال کنند.
ایده پشت تخمین نقشهبرداری فقر در مناطق کوچک نسبتاً ساده است. با استفاده از دادههای نظرسنجی، میتوانیم مدلی برای رابطه بین معیار رفاه خانوار – مانند هزینههای سرانه خانوار – و مجموعهای از ویژگیهای خانوار، اعضای آن و مکان آن برقرار کنیم. با استفاده از پارامترهای مدل برآورد شده، میتوانیم از همان ویژگیها در سرشماری جمعیت کشور برای شبیهسازی هزینهها (یا درآمد) سرانه خانوار برای هر خانوار استفاده کنیم. از ارزشهای رفاهی سرشماری تولید شده، میتوانیم هر شاخص رفاهی را محاسبه کنیم.
سیاستگذاران با داشتن درک کاملی از تکامل فقر در طول زمان، به راحتی می توانند مناطق عقب مانده و بخش های فقر مزمن را که ممکن است نیاز به تمرکز ویژه ای داشته باشند، شناسایی کنند (شکل 1).
شکل 1: نقشه فقر در سطح منطقه در کشور ویتنام
روش معرفی شده در سال 1998 بعداً برای تخمینهای جهت دارتری بهبود یافت. این تکامل با اصلاحات پیشنهادی در سال 2003، معروف به روش ELL، امکانپذیر شد و با یک نرمافزار مستقل PovMap که در سال 2006 راهاندازی شد نیز به مرحله تکمیلتری رسید. اندازهگیری شاخصهای فقر در بسیاری از کشورهای جهان به سیاستگذاری حیاتی کمک شایان توجهی کرد و اهمیت سیاستهای مبتنی بر مکان را در سراسر جهان، از جمله در کشورهای با درآمد بالا، نشان داد.
پس از ELL، اصلاحات دیگری برای روشها پیشنهاد شده است. یکی از موارد مهم، اجرای بهترین تخمینهای تجربی (EB) در سال 2010 بود. این روش بر حسب میانگین مربعات خطا (MSE) برای هر ناحیه هدف اندازهگیری میشود که بهبود قابلتوجهی در کار بود.
درحالیکه تخمینهای تجربی در حال تبدیلشدن به استاندارد طلایی برای نقشهبرداری فقر هستند، اما همیشه امکانپذیر نیستند، زیرا دادههای خرد سرشماری جمعیت که برای پیوند با دادههای یک نظرسنجی خانوار مناسب هستند، همیشه در دسترس نیستند. گاهی اوقات دادههای سرشماری فقط بهصورت انبوه در دسترس هستند، یا دادههای خرد در دسترس اما قدیمی هستند – دادههای سرشماری اغلب تنها هر ده سال یکبار جمعآوری میشوند. چنین مواردی نیازمند رویکردهای مدلسازی جایگزین است. یکی از آنها روش سطح منطقه است که در سال 1979 پیشنهاد شد که به محققان اجازه میدهد تا نرخ فقر را مستقیماً بهعنوان تابعی از ویژگیهای سطح منطقه مدل کنند.
علیرغم بیش از دو دهه کار بانک جهانی در این منطقه، نقشهبرداری فقر یک زمینه تحقیقاتی جوان با بسیاری از مسائل نوظهور است که هنوز حل نشده است. درحالیکه ما فقط میتوانیم در مورد چگونگی تکامل این رشته حدس بزنیم، بسیاری از کارهای اخیر بر تولید تخمینهای دقیق با فراوانی بیشتر تمرکز دارد. رویکردهای یادگیری ماشینی (ML) که اغلب بر تصاویر ماهوارهای تکیه میکنند، به جایگزینی محبوب برای روشهای سنتی تخمین منطقه کوچک تبدیل شدهاند. این روشها دقیقاً جدید نیستند، اما کیفیت و میزان دادههای موجود در حال حاضر بسیار عالی است.
این دستورالعملها به دنبال ارائه شواهدی در مورد مزایا و معایب روشهایی است که ممکن است در سناریوهای مختلف قابلاجرا باشند. آنها همچنین توصیههایی را در مورد اجرا ارائه میدهند و اطلاعات کلیدی را در اختیار کشورها قرار میدهند تا به آنها کمک کند از آسیبپذیرترین شهروندان خود حمایت کنند.
بدون دیدگاه