消除贫困是联合国17个可持续发展目标中的首要任务。为实现消除贫困这一目标，政府部门、国际性机构等需要了解有多少人处于贫困之中，以及他们生活的具体位置。研究人员认为，目前最需要帮助的国家往往缺乏有效的人口结构信息。为此，研究人员汇集了卫星和地球观测系统数据、自然条件和人类行为数据等信息，并结合大数据、人工智能和机器学习等软件，共同确定了基于资产的结构性贫困指数（asset-based poverty indexes）。

　　研究人员提到，结构性贫困是指基于人们所拥有的资产，如自行车、汽车、土地、牲畜、企业等与其产生的收入之间的关系而进行的贫困状况预测。关注这种关系可能会以更易于理解的方式捕捉现有数据源特征。

　　研究人员认为，绘制“结构性贫困”地图和提出基于资产的结构性贫困指数，可以将丰富的数据转化为可供决策者操作的可行术语。目前，该项目已在4个非洲国家进行试点。康奈尔大学商学院应用经济与管理学教授克里斯·巴雷特（Chris Barrett）表示：“基于资产的结构性贫困指数比过去的货币贫困法（monetary poverty methods）分析贫困问题更加合理，并且更具前瞻性，因此新的指数可以指导制定有关解决贫困问题的规划。同时，虽然数据科学和机器学习快速发展，但还未在实践领域获得广泛认可，部分原因是它们无法生成实用的估算值。有了研究人员的帮助，才会让这些数据在实践中发挥更大作用。”

　　研究人员说，这项研究重点关注了埃塞俄比亚、马拉维、坦桑尼亚和乌干达4个非洲农业国家，他们的贫困率很高，虽然许多机构都在这些国家开展工作，但对于最贫困人口居住在哪里，政策制定者并不充分了解。“结构性贫困”指数把这些地区居民的消费、资产数据结合起来让人们可以更直观地了解贫困人口的特征。研究人员一共收集了2008年至2020年间埃塞俄比亚、马拉维、坦桑尼亚和乌干达4个国家的13项家庭生活水平调查数据，并用他们来训练学习模型。与此同时，研究人员还结合了4个国家居民的资产信息，包括住房大小和质量、土地和牲畜、车辆以及手机使用等情况，最终形成了“结构性贫困”地图。目前这个地图模型运行良好，大家不但可以看到4个国家不同村庄之间存在的贫困差异，还能将4个国家进行对比。

　　巴雷特表示，我们展示了数据科学领域所取得的进步，同时将这些数据用于实践领域，帮助我们更好地对这些国家的贫困问题进行干预。

　　（赵倩/编译）