Feature Selection for Multidimensional Poverty Measurement: Taming Indicator Dimensionality

لطالاً ما تم قياس الفقر برقم واحد: مقدار المال الذي يمتلكه الشخص أو الأسرة. فإذا انخفض دخلهم عن خط معين، يُصنفون كفقراء. لكن هذه الرؤية الضيقة تغفل حقيقة المعاناة؛ فقد تمتلك الأسرة ما يكفي لشراء الطعام، لكنها تفتقر إلى المياه النظية، أو الكهرباء، أو الوصول إلى طبيب. ولتجسيد هذه الصورة الأكثر اكتمالاً، لجأ علماء الاجتماع وصناع السياسات إلى قياس الفقر متعدد الأبعاد. فبدلاً من النظر إلى شيء واحد فقط، يتتبعون عشرات المؤشرات المختلفة، مثل ما إذا كان الأطفال يذهبون إلى المدرسة، أو ما إذا كان المنزل يحتوي على مرحاض يعمل بنظام الطرد المائي، أو ما إذا كان البالغون يعانون من أمراض مزمنة. ومن خلال الجمع بين هذه الإشارات العديدة، يمكنهم تحديد من هم محرومون حقاً بطرق متعددة في آن واحد. وقد أصبح هذا النهج هو المعيار العالمي لفهم الفقر، وتستخدمه منظمات مثل الأمم المتحدة لتوجيه المساعدات والسياسات في أكثر من مئة دولة. ومع ذلك، ومع ازدياد طول قوائم المؤشرات هذه، والتي تصل غالباً إلى المئات، تظهر مشكلة جديدة: حيث يصبح جمع ومعالجة هذا القدر الهائل من البيانات مكلفاً وبطيئاً للغاية، مما يجعل من الصعب على الحكومات مراقبة الفقراء بفعالية في الوقت الفعلي.

سعى باحث من جامعة فودان في الصين، وهو كان سون، لحل هذه العقبة العملية. لم يكن السؤال عما إذا كان ينبغي لنا قياس جوانب عديدة من الحياة، بل عما إذا كنا نحتاج حقاً لقياس كل جانب منها للحصول على نتيجة دقيقة. تساءل سون عما إذا كانت هناك طريقة لتقليص "الزوائد" من هذه القوائم الضخمة دون فقدان القدرة على تحديد الفقراء بشكل صحيح. ولإيجاد الإجابة، لجأ الباحث إلى أدوات تُستخدم عادةً في الذكاء الاصطناعي والتعلم الآلي. وتحديداً، استخدمت الدراسة مجموعة من التقنيات تسمى "اختيار الميزات" (feature selection). وبعبارة بسيطة، هي طرق تعمل مثل المنخل، حيث تغربل كومة كبيرة من البيانات للعثور على العناصر القليلة التي تحمل المعلومات الأكثر أهمية وتستبعد الباقي باعتباره فائضاً. كان الهدف هو معرفة ما إذا كانت مجموعة صغيرة مختارة بعناية من المؤشرات يمكنها القيام بنفس المهمة التي تقوم بها مجموعة أكبر وأكثر تعقيداً.

اختبرت الدراسة هذه الأفكار باستخدام مسح ضخم شمل أكثر من 42,000 أسرة في الهند، والذي تتبع 15 علامة مختلفة من علامات الحرمان في مجالات التعليم والصحة ومستويات المعيشة. طبق الباحث خمس خوارزميات مختلفة من خوارزميات التعلم الآلي على هذه البيانات. عملت كل خوارمة كأنها قاضٍ مختلف، حيث قامت بترتيب المؤشرات الـ 15 حسب مدى فائدتها في التنبؤ بما إذا كانت الأسرة فقيرة. كانت النتائج مذهلة؛ فقد اتفقت الخوارزميات بالإجماع على أن مجموعة فرعية صغيرة جداً من المؤشرات تحتوي على جميع المعلومات الضرورية تقريباً. وكانت "تعليم الإناث" في مقدمة القائمة؛ إذ أظهرت البيانات أن معرفة ما إذا كانت المرأة الأكثر تعليماً في الأسرة لديها أقل من ست سنوات من التعليم كافٍ للتنبؤ بالفقر بدقة تقارب دقة المجموعة الكاملة. فإذا كانت المرأة في المنزل تفتقر إلى هذا التعليم الأساسي، فمن المؤكد تقريباً أن الأسرة فقيرة في أبعاد متعددة، وإذا كانت تمتلكه، فمن المؤكد تقريباً أن الأسرة ليست فقيرة.

وبعيداً عن تعليم الإناث، ثبت أن بعض العوامل الأخرى مثل صحة البالغين ومعايير المعيشة الأساسية كانت معلوماتية للغاية أيضاً. وفي المقابل، تبين أن المؤشرات التي بدت مهمة على الورق كانت عديمة الفائدة في فرز الفقراء عن غير الفقراء. فعلى سبيل المثال، جاء امتلاك الكمبيوتر في ذيل القائمة؛ ليس لأن الكمبيوتر غير مهم، بل لأن شخصاً تقريباً لم يكن يمتلك واحداً في المسح؛ وبما أن الجميع تقريباً كانوا محرومين من هذا الشيء، فلم يكن بإمكانه التمييز بين أسرة فقيرة وأخرى أقل فقراً بقليل. وبالمثل، كانت الكهرباء منتشرة لدرجة أن غيابها كان نادراً، مما جعلها أداة ضعيفة للفرز. ووجدت الدراسة أنه من خلال حذف المؤشرات الأقل فائدة، استطاع الباحثون تقليص القائمة من 15 عنصراً إلى 8 عناصر دون فقدان الكثير من الدقة؛ حيث ظل النظام قادراً على تحديد الفقراء بدقة متطابقة تقريباً. ومع ذلك، لا تنخفض الدقة بشكل حاد إلا عندما يتبقى أقل من 5 مؤشرات. وقد ظل هذا الاكتشاف ثابتاً حتى عندما غير الباحثون القواعد الخاصة بما يعتبر "فقيراً" أو عدلوا الوزن المعطى للفئات المختلفة.

وللتأكد من أن هذا لم يكن مجرد صدفة ناتجة عن بيانات الهند، كرر الباحث التجربة باستخدام مسح مشابه من جنوب أفريقيا. وكانت النتائج متطابقة تقريباً؛ ففي ذلك البلد أيضاً، شكل التعليم والصحة نواة صغيرة وقوية تحمل ثقل نظام القياس بأكمله، بينما تبين أن عدداً كبيراً من مؤشرات مستوى المعيشة كانت زائدة عن الحاجة. وأكدت الدراسة أن هذا النمط ليس مجرد طفرة في مجموعة بيانات واحدة، بل هو سمة هيكلية لكيفية تجلي الفقر في هذه المناطق.

من الضروري فهم ما تفعله هذه الدراسة وما لا تفعله. لا تجادل الدراسة بأن علينا التوقف عن قياس أشياء مثل امتلاك الكمبيوتر أو جودة الجدران لأنها غير مهمة للرفاه البشري؛ فخيار تحديد الأبعاد التي يجب تضمينها في مقياس الفقر هو قرار أخلاقي وسياسي، يقوم على ما يقدره المجتمع. وهذه الدراسة لا تتخذ تلك القرارات، بل تعمل كأداة عملية للأشخاص الذين اتخذوا تلك القرارات بالفعل. فهي توضح لهم أنه بمجرد اتخاذ قرار بقياس 15 شيئاً، فقد لا يحتاجون لجمع البيانات عن الـ 15 جميعها للحصول على إحصاء موثوق للفقراء. ومن خلال تحديد المؤشرات الزائدة إحصائياً، تقدم الدراسة وسيلة لجعل أنظمة مراقبة الفقر أرخص وأسرع وأسهل في الإدارة دون التضحية بالدقة. يبقى القرار النهائي بشأن ما يجب قياسه بيد صناع السياسات، ولكن يمكنهم الآن القيام بذلك مع خارطة طريق واضحة توضح أي المؤشرات أساسية وأيها مجرد إضافات.