Feature Selection for Multidimensional Poverty Measurement: Taming Indicator Dimensionality

Armut wurde lange Zeit mit einer einzigen Zahl gemessen: wie viel Geld eine Person oder eine Familie besitzt. Wenn ihr Einkommen unter eine bestimmte Linie fällt, werden sie als arm gezählt. Doch diese enge Sichtweise verkennt die Realität der Notlage. Eine Familie mag genug haben, um Lebensmittel zu kaufen, aber es mangelt ihr an sauberem Wasser, Elektrizität oder Zugang zu einem Arzt. Um dieses umfassendere Bild zu erfassen, haben Sozialwissenschaftler und politische Entscheidungsträger die multidimensionale Armutsmessung entwickelt. Anstatt nur auf eine Sache zu schauen, verfolgen sie Dutzende verschiedener Indikatoren – etwa ob Kinder zur Schule gehen, ob das Haus über eine Toilettenspülung verfügt oder ob Erwachsene unter chronischen Krankheiten leiden. Durch die Kombination dieser vielen Signale können sie identifizieren, wer auf vielfältige Weise wirklich benachteiligt ist. Dieser Ansatz ist heute der globale Standard für das Verständnis von Armut und wird von Organisationen wie den Vereinten Nationen genutzt, um Hilfsmaßnahmen und politische Maßnahmen in mehr als hundert Ländern zu steuern. Doch während diese Listen von Indikatoren immer länger werden und oft in die Hunderte gehen, entsteht ein neues Problem. Das Sammeln und Verarbeiten solch riesiger Datenmengen wird unglaublich teuer und langsam, was es Regierungen erschwert, die Armen in Echtzeit effektiv zu überwachen.

Ein Forscher an der Fudan-Universität in China, Kan Sun, setzte sich zum Ziel, diesen praktischen Engpass zu lösen. Die Frage war nicht, ob wir viele Aspekte des Lebens messen sollten, sondern ob wir wirklich jeden einzelnen messen müssen, um ein genaues Ergebnis zu erhalten. Sun fragte sich, ob es einen Weg gäbe, das „überflüssige Fett“ von diesen massiven Listen abzuschneiden, ohne die Fähigkeit zu verlieren, die Armen korrekt zu identifizieren. Um die Antwort zu finden, griff der Forscher auf Werkzeuge zurück, die normalerweise der künstlichen Intelligenz und dem maschinellen Lernen vorbehalten sind. Konkret nutzte die Studie eine Methode namens „Feature Selection“ (Merkmalsauswahl). In einfachen Worten sind dies Methoden, die wie ein Sieb wirken, das einen großen Haufen von Daten durchsiebt, um die wenigen Artikel zu finden, die die wichtigsten Informationen tragen, und den Rest als redundant auszusortieren. Das Ziel war es zu sehen, ob eine kleine, sorgfältig ausgewählte Gruppe von Indikatoren dieselbe Aufgabe erfüllen kann wie ein viel größerer, schwerfälliger Satz.

Die Studie testete diese Ideen anhand einer massiven Erhebung unter über 42.000 Haushalten in Indien, die 15 verschiedene Anzeichen von Benachteiligung in den Bereichen Bildung, Gesundheit und Lebensstandard erfasste. Der Forscher wandte fünf verschiedene Algorithmen des maschinellen Lernens auf diese Daten an. Jeder Algorithmus fungierte wie ein anderer Richter, der die 15 Indikatoren danach bewertete, wie nützlich sie waren, um vorherzusagen, ob ein Haushalt arm war. Die Ergebnisse waren bemerkenswert. Die Algorithmen stimmten einstimmig überein, dass eine sehr kleine Teilmenge von Indikatoren fast alle notwendigen Informationen enthielt. Ganz oben auf der Liste stand die Bildung von Frauen. Die Daten zeigten, dass das Wissen darüber, ob die am besten gebildete Frau in einem Haushalt weniger als sechs Jahre Schulbildung hatte, ausreichte, um Armut mit nahezu identischer Genauigkeit zum vollständigen Datensatz vorherzusagen. Wenn eine Frau im Haus diese grundlegende Bildung nicht besaß, war der Haushalt mit fast völliger Sicherheit in mehreren Dimensionen arm. Wenn sie sie besaß, war der Haushalt mit fast völliger Sicherheit nicht arm.

Neben der Bildung von Frauen erwiesen sich auch einige andere Faktoren wie die Gesundheit von Erwachsenen und grundlegende Lebensstandards als äußerst informativ. Im Gegensatz dazu stellten sich die Indikatoren, die auf dem Papier wichtig erschienen, als nutzlos heraus, um die Armen von den Nicht-Armen zu unterscheiden. So wurde beispielsweise der Besitz eines Computers ganz unten eingestuft. Dies lag nicht daran, dass Computer unwichtig seien, sondern weil fast niemand in der Umfrage einen besaß; da fast jeder von diesem Gegenstand benachteiligt war, konnte er nicht dabei helfen, zwischen einer armen Familie und einer etwas weniger armen Familie zu unterscheiden. Ähnlich verhielt es sich mit der Elektrizität: Sie war so verbreitet, dass ihr Fehlen selten war, was sie zu einem schlechten Instrument zur Sortierung machte. Die Studie fand heraus, dass die Forscher durch das Weglassen der am wenigsten nützlichen Indikatoren die Liste von 15 auf 8 Artikel reduzieren konnten, ohne viel Genauigkeit zu verlieren; das System konnte die Armen immer noch mit nahezu identischer Genauigkeit identifizieren. Die Genauigkeit sinkt jedoch deutlich ab, wenn weniger als 5 Indikatoren übrig bleiben. Dieses Ergebnis blieb auch dann bestehen, wenn die Forscher die Regeln dafür änderten, was als „arm“ galt, oder die Gewichtung der verschiedenen Kategorien anpassten.

Um sicherzustellen, dass dies nicht nur eine Besonderheit der indischen Daten war, wiederholte der Forscher die Übung mit einer ähnlichen Umfrage aus Südafrika. Die Ergebnisse waren nahezu identisch. Auch in diesem Land bildeten Bildung und Gesundheit einen kleinen, kraftvollen Kern, der das gesamte Messsystem trug, während eine große Anzahl von Indikatoren des Lebensstandards redundant war. Die Studie bestätigte, dass dieses Muster kein Zufall eines einzelnen Datensatzes ist, sondern ein strukturelles Merkmal dessen, wie sich Armut in diesen Regionen manifestiert.

Es ist entscheidend zu verstehen, was diese Studie sagt und was sie nicht sagt. Die Forschung argumentiert nicht, dass wir aufhören sollten, Dinge wie Computerbesitz oder die Qualität der Wände zu messen, weil sie für das menschliche Wohlergehen unwichtig sind. Die Entscheidung, welche Dimensionen in ein Armutsmaß einbezogen werden, ist eine moralische und politische Entscheidung, die darauf basiert, was eine Gesellschaft wertschätzt. Diese Studie trifft diese Entscheidungen nicht. Stattdessen fungiert sie als praktisches Werkzeug für die Menschen, die diese Entscheidungen bereits getroffen haben. Sie zeigt ihnen, dass sie, sobald sie beschlossen haben, 15 Dinge zu messen, vielleicht nicht alle 15 sammeln müssen, um eine zuverlässige Zählung der Armen zu erhalten. Indem sie identifiziert, welche Indikatoren statistisch redundant sind, bietet die Studie einen Weg, Armutsmesssysteme billiger, schneller und einfacher verwaltbar zu machen, ohne die Genauigkeit zu opfern. Die endgültige Entscheidung darüber, was gemessen wird, bleibt bei den politischen Entscheidungsträgern, aber sie können dies nun mit einer klaren Karte darüber tun, welche Indikatoren essenziell und welche lediglich zusätzlich sind.