ビッグデータ、社会経済調査、機械学習を用いたカンボジアにおける貧困の諸次元のマッピング

Mon, 06 Oct 2025 00:00:00 +0000

メモ：カンボジアは力強い成長を経験しましたが、貧困は依然として残っています。本研究は、グローバルMPIに沿った多次元的アプローチを適用し、教育・保健・生活水準に焦点を当てて、所得を超えた剥奪を捉えます。

メモ：目的は、AI/MLを用いて空間データと調査データを統合し、詳細な貧困マップを作成することです。これは政策担当者が資源を効率的に配分し、地域の脆弱性を特定するのに役立ちます。

メモ：先行研究は、衛星とMLが貧困の予測に役立つことを示していますが、多次元貧困のために社会経済調査と統合する取り組みは限られています。本研究はその課題を埋めます。

メモ：幅広いデータセットを利用しました。世帯情報にはCSESを、環境とインフラには地球観測データを、予測を世帯レベルへ拡張するには建物フットプリントを用いました。

メモ：ランダムフォレストのアルゴリズムは、その頑健性と混在したデータ型を処理する能力ゆえに選ばれました。モデルは、コミューン、地区、州のレベルで集計可能な確率マップを生成します。

保健（2）： 食料消費、医療へのアクセス

教育（2）： 達成された教育水準、就学

生活水準（6）： 調理用燃料、衛生設備、水、電気、住居、資産

メモ：グローバルMPIに従って10の指標を選定しました。3つの主要次元に等しい重みを適用しました。これらの指標は、教育、保健、安全な飲料水、エネルギーといったSDGsの優先課題を反映しています。

メモ：夜間光と人口密度が剥奪を最もよく説明します。インフラへのアクセスも極めて重要です。空間的相関を持つ指標（例：公共サービス）は、世帯固有の状況に結びついた指標よりも良好な成績を示しました。

メモ：空間マップは、遠隔かつ接続性の乏しい地域に剥奪が集中していることを示しています。インフラを備えた都市部や国境地域では貧困が低くなっています。

メモ：有望ではあるものの、データに空間的相関が欠ける場合、MLは困難に直面します。調査設計の改善は統合を強化できます。このハイブリッドなアプローチは、リアルタイムかつきめ細かな貧困モニタリングの可能性を示しています。

メモ：本研究は、AIと地球観測データが、多次元貧困をマッピングするうえで伝統的な調査をどのように補完するかを示しています。今後の方向性としては、より高い精度のための先進的な空間分析と深層学習モデルが挙げられます。

Poortinga Ate | Carlos Mendez