Assessing the accuracy of census-independent small area modelled population datasets
تتحقق هذه الدراسة من دقة تقديرات السكان النموذجية المستقلة عن التعداد من خلال مقارنتها ببيانات تعداد زامبيا لعام 2022، حيث وجدت ارتباطات قوية على المستويين الوطني ودون الوطني، مع تحديد أن تحسين تصنيف المستوطنات السكنية أمر بالغ الأهمية للحد من المبالغة المنهجية في التقدير.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
يعد إحصاء السكان أحد أكثر المهام جوهرية التي تضطلع بها المجتمعات، ومع ذلك فهو أيضاً من أصعبها. تعتمد الحكومات والمنظمات الإغاثية على أرقام سكانية دقيقة للتخطيط للمدارس، وبناء المستشفيات، وتوزيع الغذاء أثناء الأزمات. تقليدياً، يتم هذا الإحصاء من خلال التعداد السكاني، وهو جهد ضخم ومكلف حيث يقوم المسؤولون بزيارة كل منزل، وعادة ما يتم ذلك مرة كل عشر سنوات. ولكن في أجزاء كثيرة من العالم، تتعرض عمليات التعداد هذه للتأجيل، أو الاضطراب بسبب النزاعات، أو لا تحدث ببساء. وعندما يغيب الإحصاء الرسمي أو يصبح قديماً، تصبح الأرقام المستخدمة للتخطيط مجرد تخمينات، وكلما ابتعدنا عن آخر تعداد حقيقي، أصبحت تلك التخمينات أقل موثوقية. ولتغطية هذه الفجوات، طور الباحثون نهجاً مختلفاً: استخدام صور الأقمار الصناعية لعدّ المباني ثم تقدير عدد الأشخاص الذين يعيشون داخلها. هذا الأسلوب، الذي يُطلق عليه غالباً نموذج "من القاعدة إلى القمة"، يبني صورة للسكان من الأرض صعوداً، باستخدام الأدلة المادية لمكان عيش الناس بدلاً من انتظار حكومة ترسل فريقاً من العدادين.
في زامبيا، وجد هذا النهج الجديد فرصة نادرة للاختبار في العالم الحقيقي. ففي عام 2020، أنتج الباحثون خريطة تفصيلية لسكان البلاد باستخدام صور الأقمار الصناعية للمباني وبعض البيانات المسحية المحدودة، مما خلق تقديراً لأماكن عيش الناس دون الاعتماد على تعداد سكاني وطني. وبعد عامين، في عام 2022، أجرت زامبيا أخيراً تعدادها الوطني الرسمي، وهو الأول الذي يسجل الموقع الدقيق لكل أسرة باستخدام أجهزة تحديد المواقع (GPS). سمح هذا التوقيت لفريق من العلماء بمقارنة التقديرات القائمة على الأقمار الصناعية مباشرة مقابل العد الحكومي الرسمي. أرادوا معرفة ما إذا كانت النماذج الحاسوبية، التي بُنيت دون أي بيانات تعداد، يمكن أن تعكس واقع السكان بدقة. قدمت النتائج صورة واضحة لكل من قوة هذه التكنولوجيا وحدودها الحالية.
وجد الباحثون أن التقديرات القائمة على الأقمار الصناعية كانت جيدة بشكل ملحوظ في التقاط الشكل العام للسكان. فعندما نظروا إلى مقاطعات وأقاليم البلاد الكبيرة، تحركت أرقام النموذج والتعداد جنباً إلى جنب. فإذا كان هناك عدد كبير من الناس في منطقة ما وفقاً للتعداد، فإن النموذج يتوقع وجود عدد كبير أيضاً. كان الارتباط قوياً لدرجة أن مجموعتي الأرقام كانتا متشابهتين تماماً في أنماطهما. ومع ذلك، كشفت نظرة فاحصة عن مشكلة مستمرة: كان النموذج يميل إلى التخمين بأن هناك عدداً أكبر من الناس مما وجده التعداد فعلياً. في المتوسط، بالغ النموذج في تقدير عدد السكان في معظم المناطق. لم تكن هذه حالة فقد فيها النموذج مدناً بأكملها، بل كان يعدّ الناس في أماكن قد لا يعيشون فيها بالفعل.
يكمن المفتاح لفهم هذه المبالغة في التقدير فيما كان النموذج يراقبه. فقد قام البرنامج الحاسوبي بعدّ كل بصمة مبنى استطاع رؤيتها في صور الأقمار الصناعية وافترض أن كل واحد منها هو منزل. لكن المباني ليست متساوية جميعها؛ فبعضها منازل، بينما البعض الآخر مصانع أو مستودعات أو مكاتب. ولأن بيانات الأقمار الصناعية لم تتضمن تسميات لتمييز الفرق بين منزل ومبنى غير سكني، فقد عدّ النموذج كل هيكل كما لو كان مأهولاً بعائلة. وعندما قام الباحثون بتصفية البيانات لتشمل فقط المربعات الشبكية التي أكد التعداد وجود أسر فعلية فيها، انخفضت المبالغة في التقدير بشكل كبير. ومن خلال إزالة المناطق التي بدت كمبانٍ ولكنها على الأرجح ليست منازل، اقتربت أرقام النموذج كثيراً من العد الرسمي.
وحتى مع هذا التعديل، لم تكن المقارنة مثالية. فقد اضطر الباحثون إلى مراعاة قضية أخرى: توقيت البيانات. فالصور الملتقطة بالأقمار الصناعية والمستخدمة في النموذج تم التقاطها بين عامي 2017 و2019، بينما أُجري التعداد في عام 2022. وفي السنوات الفاصلة، ربما هُدمت بعض المباني، أو بُنيت أخرى جديدة، وربما انتقل الناس. كما أغفل النموذج بعض الناس تماماً لأن منازلهم لم تكن لها بصمة مبنى مرئية في صور الأقمار الصناعية، ربما لأن الهياكل كانت صغيرة جداً أو لأن الصور لم تكن واضحة بما يكفي. وعندما قام الفريق بتعديل أرقام التعداد لاستبعاد هذه الأسر المفقودة، ضاقت الفجوة بين النموذج والتعداد بشكل أكبر. أظهرت المقارنة النهائية أن النموذج كان دقيقاً للغاية في المناطق التي استطاع رؤيتها، لكنه واجه صعوبة في التمييز بين المنزل والمستودع، مما أدى إلى رفع تقديراته في المناطق التي تكثر فيها المباني غير السكنية.
سلطت الدراسة الضوء على تحدٍ محدد في العاصمة لوساكا. ففي هذه المدينة، توقع النموذج عدداً للسكان أعلى بكثير من تعداد التعداد، حتى بعد محاولة الباحثين تصفية المباني غير السكنية. المدينة كثيفة ومعقدة، ويشير الفرق إلى أن النموذج ربما عدّ العديد من المباني التجارية كمنازل، أو أن التوزيع السكاني في المدينة تغير بشكل كبير بين الوقت الذي التقطت فيه صور الأقمار الصناعية وبين إجراء التعداد. رغم ذلك، كان الأداء العام للنموذج مثيراً للإعجاب؛ فقد نجح في تحديد أماكن عيش الناس عبر بلد شاسع ومتنوع، مما أثبت أن الأساليب القائمة على الأقمار الصناعية يمكن أن تعمل كبديل موثوق عندما لا يكون التعداد التقليدي ممكناً.
لا يشير هذا العمل إلى ضرورة استبدال نماذج الأقمار الصناعية للتعدادات السكانية بالكامل. فالتعداد يجمع معلومات أكثر بكثير من مجرد الأرقام؛ فهو يجمع معلومات عن العمر والتعليم والصحة التي لا تستطيع كاميرا القمر الصناعي رؤيتها. ومع ذلك، بالنسبة للبلدان التي لا تستطيع تحمل تكاليف أو تنظيم تعداد سكاني كامل، توفر هذه النماذج شريان حياة حيوياً. فهي توفر وسيلة لمعرفة، بدرجة عالية من الثقة، عدد الأشخاص الذين يعيشون في قرية أو منطقة معينة، مما يسمح بتخطيط وتخصيص أفضل للموارد. تؤكد الدراسة أنه على الرغم من أن التكنولوجيا ليست مثالية بعد، إلا أنها أداة قوية تتحسن باستمرار. ومع تحسن صور الأقمار الصناعية وتعلم الباحثين كيفية التمييز بوضوح أكبر بين أنواع المباني المختلفة، ستصبح هذه التقديرات الرقمية أكثر دقة، مما يوفر رؤية واضحة للمشهد البشري حتى في أكثر بقاع العالم عزلة أو عدم استقرار.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.