Hoppa till huvudinnehåll
Länkstig

Kombinera satelliter och artificiell intelligens för att mäta fattigdom mellan 1982-2020 och använda dessa data för att förklara effekterna av Världsbankens och Kinesiska utvecklingsprogram i Afrika

Forskningsprojekt
Pågående forskning
Projektets storlek
12 239 000
Projekttid
2021 - 2027
Projektägare
Institutionen för sociologi och arbetsvetenskap

Kort beskrivning

Ungefär 900 miljoner av jordens befolkning, en tredjedel i Afrika, lever i extrem fattigdom. Vardagen i extremfattigdom är så annorlunda att det kan leda människor in i en ond cirkel av otillräcklighet, och därmed fånga dem i så kallade fattigdomsfällor. Ett sätt att bryta sådana onda cirklar är att intervenera genom utvecklingsprojekt—fattigdomsinterventioner. Detta är också utgångspunkten för många utvecklingsaktörer. En av de mest erfarna och inflytelserika aktörerna är Världsbanken, men Kina är med sina många infrastrukturprojekt en ny aktör som vinner inflytande i Afrika. Dessa intressenter har investerat miljarder i Afrika, dels för att lirka upp fattigdomsfällor, dels för att främja amerikanska och kinesiska intressen.

På grund av bristen på datakan forskare inte besvara grundläggande frågor som: ”på vilket sätt existerar fattigdomsfällor?”; ”om de existerar, till vilken grad hjälper dessa utvecklingsaktörer att frigöra samhällen från fattigdom?”; ”vilka underliggande strategier använder dessa biståndsaktörer för att välja ut byar, städer och samhällen för sina fattigdomsinterventioner?”.  Målet med vår forskning är att identifiera till vilken utsträckning afrikanska samhällen är fångade i fattigdom och förklara hur konkurrerande fattigdomsinterventioner förändrar dessa samhällens möjligheter att bryta sig ur den onda cirkeln. För att uppnå detta mål så kommer vi att kombinera metodologiska innovationer från forskning i artificiell intelligens. Vår forskningsgrupp kommer att (i) träna maskininlärningsalgoritmer för att identifiera fattigdom från satellitbilder. Vi kommer sedan att använda dessa algoritmer för att skapa en databas som kan fånga uppstigande och stagnerande trender i utvecklingen mellan 1984 och 2020. Skalan för dessa data kommer att vara på by- och stadsdelsnivå. Vi kommer sedan (ii) att använda dessa högupplösta fattigdomsdata för att utföra statistiska analyser om hur Världsbanken och kinesiska utvecklingsprogrammen strategiskt väljer ut de byar och städer som de skall investera i. Genom dessa analyser av vilka faktorer som styr urvalet kommer vi kunna avgöra vilka underliggande intressen som styr dessa aktörer. Vi kommer också kunna utvärdera till vilken grad dessa aktörers fattigdomsinterventioner verkligen hjälper samhällen att lyfta sig ur fattigdom, eller om de istället skapar lokalt beroende av hjälpinsatser. Vår forskningsgrupp kommer att använda kunskapen vi genererat från (i) och (ii) för att sedan (iii) skala upp analyserna. Vi kommer att inkludera två andra utvecklingsaktörer, FNs utvecklingsprogram och Afrikanska utvecklingsbanken. Målet med detta är att utveckla teorier om hur dessa organisationer definierar vilka sorters fattigdomsfällor som Afrikanska samhällen kämpar mot, varför de värdesätter att investera i vissa samhällen över andra, och på vilket sätt deras val påverkar människors chanser att ta sig ur fattigdom. Projektet kommer(iv) att utveckla ett statistiskt datorprogram—PovertyMachine—som automatiskt kan ta fram fattigdoms data från nya satellit bilder. Programmet kommer att göra våra innovativa metoder fritt tillgängliga för andra forskare, och därmed avancera forskningsfronten om global fattigdom. Forskningsuppgiften är av större och mer utmanande karaktär än vad kan angripas av enskilda forskare. Vi har därmed bildat en forskargrupp på sju individer från både samhälls- och datavetenskap för att angripa denna uppgift. Denna grupp erbjuder en unik kombination av kompetenser och har sitt säte i universiteten i Göteborg, Chalmers, Linköping, samt Harvard.

Forskare

Adel Daoud, Göteborgs universitet, projektledare

Maria Brandén, Linköpings universitet

Devdatt Dubhashi, Chalmers Tekniska Högskola

Peter Hedström, Linköpings universitet

Fredrik Johansson, Chalmers Tekniska Högskola

Ellen Lust, Göteborgs universitet

Xiao-Li Meng, Harvard University