Stellen Sie sich vor, Sie müssten versuchen, die verborgenen Armutsmuster eines Landes aufzuspüren, als wären Sie ein Detektiv, der nach Hinweisen in einer riesigen, chaotischen Stadt sucht. Normalerweise müssen Detektive an jede einzelne Tür klopfen, um Menschen nach ihrem Geld, ihrem Essen und ihrer Gesundheit zu fragen. Das ist wie eine traditionelle Volkszählung oder eine Haushaltsumfrage. Es ist genau, aber es ist langsam, teuer und oft schon veraltet, wenn der Bericht fertiggestellt ist. In der Welt der Wissenschaft ist dies die alte Art, „Armut“ zu messen – ein Zustand, in dem Menschen die grundlegenden Dinge vermissen, die sie zum Leben brauchen, wie Nahrung, Unterkunft und Medizin. Aber was wäre, wenn man nicht an jede Tür klopfen müsste? Was wäre, wenn man herausfinden könnte, wer Schwierigkeiten hat, indem man einfach nur auf die Lichter einer Stadt bei Nacht schaut, auf die Art und Weise, wie sich Menschen mit ihren Telefonen bewegen, oder darauf, was sie in den sozialen Medien posten? Hier kommt eine neue Art der Detektivarbeit ins Spiel, die „nicht-traditionelle Daten“ und Computermodelle nutzt, um Armut in Echtzeit abzubilden. Es ist, als würde man versuchen, die Temperatur eines Raumes zu erraten, nicht indem man ein Thermometer in jede Ecke steckt, sondern indem man darauf hört, wie die Menschen darin sprechen, sich bewegen und wie ihre Kleidung aus der Ferne aussieht.

Dieses Papier mit dem Titel „Poverty Mapping: Data, Models and Applications“ ist ein umfassender Rückblick darauf, wie Wissenschaftler diese digitalen Fußabdrücke nutzen, um die Armen zu finden. Die Autoren, ein Team von Forschern aus Universitäten in China, Deutschland und der Schweiz, fungieren als Reiseführer durch eine Landschaft neuer Technologien. Sie erklären, dass wir Armut zwar nicht direkt mit einem Satelliten oder einem Telefonanruf messen können, wir aber die „Spuren“ sehen können, die Armut hinterlässt. Sie untersuchen, wie wir Bilder der Erde aus dem Weltraum, Aufzeichnungen von Mobiltelefonanrufen und Social-Media-Posts nutzen können, um ein Bild davon zu zeichnen, wer kämpft und wo. Das Papier sagt nicht nur „das funktioniert“, sondern überprüft sorgfältig die Karten, weist darauf hin, wo der Nebel noch dicht ist, und warnt uns davor, den neuen Karten blind zu vertrauen, nur weil sie cool aussehen. Es legt nahe, dass diese neuen Werkzeuge mächtige Helfer sind, aber keine Zauberstäbe, die die alten, langsamen Tür-zu-Tür-Umfragen vollständig ersetzen.

Der alte Weg vs. der neue Weg

Lange Zeit war der einzige Weg zu wissen, wie viele Menschen arm waren, Teams auszusenden, um sie zu fragen. Das ist, als würde man versuchen, jeden einzelnen Fisch in einem See zu zählen, indem man sie einen nach dem anderen fängt. Es funktioniert, aber es dauert ewig, kostet ein Vermögen, und bis man fertig ist, sind die Fische bereits weitergezogen. Das Papier stellt fest, dass diese Umfragen in vielen Orten, insbesondere in ärmeren Ländern, so selten stattfinden, dass die Daten oft Jahre alt sind. Wenn eine Katastrophe eintritt oder die Wirtschaft zusammenbricht, sind die alten Karten nutzlos.

Der neue Ansatz ist eher so, als würde man den See aus einem Helikopter beobachten. Man kann nicht jeden einzelnen Fisch sehen, aber man kann sehen, wo das Wasser unruhig ist, wo die Vögel tauchen und wo sich das Licht anders reflektiert. Das Papier untersucht drei Hauptaspekte des „Helikopter-Blicks“, die Wissenschaftler verwenden:

1. Nachtlichter und Tagesfotos (Satellitenbilder)
Denken Sie an eine Stadt bei Nacht. Die hellen, leuchtenden Gebiete sind meist reich, mit viel Elektrizität und belebten Straßen. Die dunklen, trüben Gebiete sind oft ärmer. Wissenschaftler nutzen seit Jahrzehnten Bilder von „Nachtlichtern“, um zu schätzen, wie reich ein Ort ist. Es ist ein wenig so, als würde man eine Party danach beurteilen, wie viele Lichter draußen an sind. Aber das Papier weist auf ein Problem hin: Die ärmsten Gebiete sind oft so dunkel, dass die Lichter gar nicht erst erscheinen, was es schwierig macht, zwischen „sehr arm“ und „extrem arm“ zu unterscheiden.

Um dies zu beheben, begannen Forscher, Tagesfotos zu betrachten. Sie nutzen Computer, um die Dächer von Häusern, die unbefestigten Straßen und die Arten der Pflanzen auf den Feldern zu analysen. Es ist, als würde man ein Haus von außen betrachten, um zu erraten, wie gut die Familie darin lebt. Wenn das Dach aus Schlamm besteht und die Wände Risse haben, könnte der Computer vermuten, dass die Familie arm ist. Das Papier erklärt, dass durch die Nutzung von „Transfer Learning“ – eine schicke Art zu sagen: „einem Computer beizubringen, Muster zu erkennen, die er bereits kennt“ – Wissenschaftler ein Modell, das in einem Land trainiert wurde, nutzen können, um den Wohlstand von Dörfern in einem anderen Land vorherzusagen, selbst wenn es dort keine Umfragen gibt.

2. Digitale Fußabdrücke (Mobiltelefondaten)
Fast jeder besitzt heutzutage ein Telefon, selbst in sehr armen Regionen. Jedes Mal, wenn man einen Anruf tätigt, eine SMS versendet oder sich von einem Ort zum anderen bewegt, hinterlässt das Telefon eine digitale Spur. Das Papier erklärt, dass diese Spuren wie ein Tagebuch im Leben eines Menschen sind. Wenn jemand oft seine Freunde anruft, viel reist und viel Guthaben kauft, geht es ihm vielleicht gut. Wenn das Telefon schweigsam ist, die Person sich nur in einem winzigen Kreis bewegt und selten Guthaben kauft, kämpft sie vielleicht ums Überleben.

Die Autoren beschreiben, wie Wissenschaftler aus diesen Anrufen „Netzwerke“ aufbauen. Stellen Sie sich ein Netz vor, in dem jeder Mensch ein Punkt ist und jeder Anruf eine Verbindung darstellt, die sie verbindet. In reichen Gebieten ist das Netz meist groß und komplex, wobei Menschen mit vielen verschiedenen Gruppen kommunizieren. In armen Gebieten ist das Netz vielleicht klein und eng, wobei die Menschen nur mit ihren unmittelbaren Nachbarn kommunizieren. Das Papier legt nahe, dass wir durch die Betrachtung dieser Muster den Wohlstand eines ganzen Viertels erraten können, ohne jemals eine einzige Frage gestellt zu haben. Es warnt jedoch auch davor, dass dies nur funktioniert, wenn die Menschen im Telefonnetz eine faire Stichprobe der Gesamtheit darstellen. Wenn die Ärmsten keine Telefone besitzen, wird die Karte sie übersehen.

3. Das Geplapper (Social-Media-Daten)
Soziale Medien sind wie ein riesiger Marktplatz, auf dem Menschen ihre Gedanken herausbrüllen. Das Papier untersucht, wie Wissenschaftler diese Rufe lesen können, um zu erraten, wie sich die Menschen fühlen und wie viel Geld sie haben. Wenn die Menschen in einem Viertel hauptsächlich über teure Urlaube, schicke Autos oder freudige Ereignisse posten, könnte dieses Gebiet reich sein. Wenn die Posts voll von Klagen über Hunger, Traurigkeit oder mangelnde Arbeitsmöglichkeiten sind, ist dieses Gebiet arm.

Wissenschaftler nutzen Computer, um Wörter zu analysen (Text Mining) und zu untersuchen, wer wem folgt (Netzwerkanalyse). Sie fanden heraus, dass die Sprache, die Menschen verwenden, die Geräte, mit denen sie posten (wie ein iPhone gegenüber einem alten Android-Handy), und sogar die Tageszeit, zu der sie posten, Hinweise auf ihr Einkommen geben können. Aber auch hier warnt das Papier davor, dass nicht jeder in den sozialen Medien präsent ist. Die Menschen, die offline sind, sind oft diejenigen, die Hilfe am dringendsten benötigen, daher kann eine alleinige Abhängigkeit von sozialen Medien ein verzerrtes Bild erzeugen.

Alles zusammenfügen: Die Super-Karte

Der spannendste Teil des Papiers ist, wenn die Autoren über „Multiquellen-Datenfusion“ sprechen. Dies ist vergleichbar mit der Kombination von Nachtlichtern, Telefonspuren und dem Social-Media-Geplapper zu einer einzigen, riesigen, hochdetaillierten Karte. Das Papier legt nahe, dass das Bild viel klarer wird, wenn man diese verschiedenen Hinweise kombiniert. Beispielsweise ergab eine Studie in Bangladesch, dass die Kombination von Satellitenbildern mit Mobiltelefondaten eine viel bessere Schätzung der Armut lieferte als die Verwendung jeweils nur einer Quelle. Es ist, als würde man ein Rätsel lösen, indem man gleichzeitig einen Fingerabdruck, eine Zeugenaussage und ein Video einer Überwachungskamera verwendet.

Die Autoren zeigen, dass diese kombinierten Karten den Wohlstand mit überraschender Genauigkeit vorhersagen können und manchmal bis zu 70 % oder mehr der Unterschiede im Wohlstand zwischen verschiedenen Gebieten erklären. Sie zeigen sogar, wie diese Karten während einer Krise, wie der COVID-19-Pandemie, eingesetzt werden können, um die verwundbarsten Menschen schneller zu finden, als es traditionelle Umfragen je könnten.

Der Haken: Es ist nicht perfekt

Trotz all der Begeisterung ist das Papier sehr vorsichtig damit, dies als perfekte Lösung darzustellen. Die Autoren weisen auf mehrere große Probleme hin:

• Das Problem der „fehlenden Menschen“: Wenn eine Person kein Telefon hat, keine sozialen Medien nutzt oder an einem Ort lebt, den der Satellit nicht klar sehen kann, wird sie auf der Karte nicht auftauchen. Das Papier warnt davor, dass diese Methoden versehentlich die ärmsten Menschen, die Älteren oder Menschen in Konfliktzonen ausschließen könnten.
• Das Problem „Ein Modell passt nicht für alle“: Ein Modell, das in einem Land hervorragend funktioniert, kann in einem anderen scheitern. Die Art und Weise, wie Menschen Telefone nutzen oder wie ihre Häuser aussehen, kann je nach Ort sehr unterschiedlich sein. Das Papier legt nahe, dass wir ein Modell nicht einfach von einem Ort auf einen anderen kopieren können, ohne zu prüfen, ob es weiterhin funktioniert.
• Das „Black Box“-Problem: Einige Computermodelle sind so komplex, dass selbst die Wissenschaftler nicht vollständig verstehen, warum sie eine bestimmte Vermutung angestellt haben. Wenn ein Computer sagt, dass ein Viertel arm ist, wir aber nicht wissen, warum, ist es für Politiker schwierig, dem zu vertrauen und darauf basierend Entscheidungen zu treffen.

Das Fazbe-Fazit

Das Papier kommt zu dem Schluss, dass diese neuen Werkzeuge zwar großartige Helfer sind, aber keinen Ersatz für die alten Wege darstellen. Sie sind wie ein Hightech-Teleskop, das uns hilft, Dinge zu sehen, die wir zuvor nicht sehen konnten, aber wir müssen immer noch nach draußen gehen und mit den Menschen sprechen, um sicherzustellen, dass wir nichts Wichtiges übersehen. Die Autoren schlagen vor, dass die Zukunft im Kampf gegen die Armut darin liegt, diese neuen, schnellen, digitalen Karten mit den alten, langsamen, aber zuverlässigen Umfragen zu mischen. Durch dies können wir ein Bild erhalten, das sowohl detailliert als auch genau ist, was hilft, die Menschen, die Hilfe am dringendsten benötigen, schneller als je zuvor zu finden. Das Papier behauptet nicht, die Armut gelöst zu zu haben, aber es deutet darauf an, dass wir endlich eine viel bessere Taschenlampe haben, um nach den Menschen zu suchen, die noch immer im Dunkeln liegen.