Immagina di cercare di individuare le sacche nascoste di povertà in un paese come se fossi un detective alla ricerca di indizi in una città gigante e disordinata. Di solito, i detective devono bussare a ogni singola porta per chiedere alle persone informazioni sui loro soldi, sul loro cibo e sulla loro salute. Questo è simile a un censimento tradizionale o a un'indagine familiare. È accurato, ma è lento, costoso e spesso superato nel momento in cui il rapporto viene terminato. Nel mondo della scienza, questo è il vecchio modo di misurare la "povertà" — una condizione in cui le persone mancano delle cose basilari di cui hanno bisogno per vivere, come cibo, riparo e medicine. Ma cosa succederebbe se non dovessi bussare a ogni porta? Cosa succederebbe se potessi capire chi è in difficoltà solo guardando le luci di una città di notte, il modo in cui le persone muovono i loro telefoni o ciò che pubblicano sui social media? È qui che entra in gioco un nuovo tipo di lavoro investigativo, utilizzando "dati non tradizionali" e modelli informatici per mappare la povertà in tempo reale. È come cercare di indovinare la temperatura di una stanza non infilando un termometro in ogni angolo, ma ascoltando come le persone all'interno parlano, si muovono e cosa indossano osservandole da lontano.

Questo articolo, intitolato "Poverty Mapping: Data, Models and Applications" (Mappatura della povertà: dati, modelli e applicazioni), è una vasta revisione di come gli scienziati stiano usando queste impronte digitali per trovare i poveri. Gli autori, un team di ricercatori provenienti da università cinesi, tedesche e svizzere, agiscono come guide turistiche attraverso un paesaggio di nuova tecnologia. Spiegano che, sebbene non possiamo misurare direttamente la povertà con un satellite o una telefonata, possiamo vedere le "tracce" che la povertà lascia dietro di sé. Esplorano come possiamo usare le immagini della Terra dallo spazio, i registri delle chiamate dei telefoni cellulari e i post sui social media per costruire un quadro di chi sta lottando e dove. Il documento non dice solo "questo funziona"; controlla attentamente le mappe, indica dove la nebbia è ancora fitta e ci avverte di non fidarci ciecamente delle nuove mappe solo perché sembrano accattivanti. Suggerisce che questi nuovi strumenti sono potenti aiutanti, ma non sono bacchette magiche che sostituiscono interamente i vecchi e lenti sondaggi porta a porta.

Il Vecchio Modo vs. Il Nuovo Modo

Per molto tempo, l'unico modo per sapere quante persone fossero povere era inviare squadre per chiederlo loro. Questo è come cercare di contare ogni singolo pesce in un lago catturandoli uno alla volta. Funziona, ma richiede un'eternità, costa una fortuna e, nel momento in cui hai finito, i pesci si sono già spostati. Il documento nota che in molti luoghi, specialmente nei paesi più poveri, queste indagini avvengono così raramente che i dati sono spesso vecchi di anni. Se colpisce un disastro o l'economia crolla, le vecchie mappe sono inutili.

Il nuovo approccio è più simile a osservare il lago da un elicottero. Non puoi vedere ogni singolo pesce, ma puoi vedere dove l'acqua è increspata, dove gli uccelli si tuffano e dove la luce si riflette diversamente. Il documento recensisce tre principali "visioni dall'elicottero" che gli scienziati stanno utilizzando:

1. Le Luci Notturne e le Foto Diurne (Immagini Satellitari)
Pensa a una città di notte. Le aree luminose e splendenti sono solitamente ricche, con molta elettricità e strade trafficate. Le aree scure e fioche sono spesso più povere. Gli scienziati usano le immagini delle "luci notturne" da decenni per ipotizzare quanto sia ricca un'area. È un po' come giudicare una festa guardando quante luci sono accese all'esterno. Ma il documento evidenzia un problema: le zone più povere sono spesso così buie che le luci non compaiono affatto, rendendo difficile distinguere tra "molto povero" e "estremamente povero".

Per risolvere questo problema, i ricercatori hanno iniziato a guardare le foto diurne. Usano i computer per osservare i tetti delle case, le strade sterrate e i tipi di colture nei campi. È come guardare una casa dall'esterno per indovinare come vive la famiglia all'interno. Se il tetto è fatto di fango e le pareti sono crepate, il computer potrebbe ipotizzare che la famiglia sia povera. Il documento spiega che usando il "transfer learning" — un modo elaborato per dire "insegnare a un computer a riconoscere schemi che già conosce" — gli scienziati possono prendere un modello addestrato in un paese e usarlo per ipotizzare la ricchezza di villaggi in un altro paese, anche se non dispongono di un'indagine lì.

2. Le Impronte Digitali (Dati dei Telefoni Cellulari)
Quasi tutti hanno un telefono oggi, anche nei posti molto poveri. Ogni volta che fai una chiamata, invii un messaggio o ti sposti da un luogo all'altro, il tuo telefono lascia una traccia digitale. Il documento spiega che queste tracce sono come un diario della vita di una persona. Se qualcuno chiama spesso gli amici, viaggia in molti posti diversi e acquista molto credito telefonico, potrebbe stare bene. Se il suo telefono è silenzioso, si muove solo in un piccolo cerchio e acquista raramente credito, potrebbe essere in difficoltà.

Gli autori descrivono come gli scienziati costruiscano "reti" da queste chiamate. Immaginate una ragnatela dove ogni persona è un punto e ogni chiamata è un filo che li connette. Nelle aree ricche, la ragnatela è solitamente grande e intricata, con persone che parlano con molti gruppi diversi. Nelle aree povere, la ragnatela potrebbe essere piccola e stretta, con persone che parlano solo con i propri vicini immediati. Il documento suggerisce che guardando questi schemi, possiamo ipotizzare la ricchezza di un intero quartiere senza mai fare una singola domanda. Tuttavia, avverte anche che questo funziona solo se le persone nella rete telefonica sono un campione rappresentativo di tutti. Se le persone più povere non hanno telefoni, la mappa le ignorerà.

3. Il Chiacchiericcio (Dati dei Social Media)
I social media sono come una grande piazza cittadina dove le persone gridano i propri pensieri. Il documento esamina come gli scienziati possano leggere queste grida per ipotizzare come si sentono le persone e quanti soldi abbiano. Se le persone in un quartiere pubblicano principalmente vacanze costose, auto di lusso o eventi felici, quell'area potrebbe essere ricca. Se i post sono pieni di lamentele sulla fame, la tristezza o la mancanza di lavoro, quell'area potrebbe essere povera.

Gli scienziati usano i computer per leggere le parole (text mining) e osservare chi segue chi (analisi delle reti). Hanno scoperto che il linguaggio che le persone usano, i dispositivi che usano per pubblicare (come un iPhone rispetto a un vecchio Android) e persino l'ora del giorno in cui pubblicano possono fornire indizi sul loro reddito. Ma ancora una volta, il documento mette in guardia sul fatto che non tutti sono sui social media. Le persone che sono offline sono spesso quelle che hanno più bisogno di aiuto, quindi affidarsi solo ai social media può creare un'immagine distorta.

Mettere Tutto Insieme: La Super-Mappa

La parte più entusiasmante del documento è quando gli autori parlano di "fusione di dati multi-fonte". Questo è come combinare le luci notturne, le tracole dei telefoni e il chiacchiericcio dei social media in una mappa gigante e super dettagliata. Il documento suggerisce che quando si mescolano questi diversi indizi, l'immagine diventa molto più chiara. Ad esempio, in uno studio in Bangladesh, combinare le immagini satellitari con i dati dei telefoni cellulari ha fornito una stima della povertà molto migliore rispetto all'uso di uno solo dei due elementi. È come risolvere un mistero usando un'impronta digitale, una testimonianza e il video di una telecamera di sicurezza tutto in una volta.

Gli autori mostrano che queste mappe combinate possono prevedere la ricchezza con una precisione sorprendente, spiegando talvolta il 70% o più delle differenze di ricchezza tra diverse aree. Mostrano persino come queste mappe possano essere utilizzate per inviare aiuti rapidamente durante una crisi, come la pandemia di COVID-19, individuando le persone più vulnerabili più velocemente di quanto potrebbero fare i sondaggi tradizionali.

Il Rovescio della Medaglia: Non è Perfetto

Nonostante tutto questo entusiasmo, il documento è molto attento a non dire che questa sia una soluzione perfetta. Gli autori evidenziano diversi grandi problemi:

• Il Problema delle "Persone Mancanti": Se una persona non ha un telefono, non usa i social media o vive in un luogo dove il satellite non riesce a vedere chiaramente, non apparirà sulla mappa. Il documento avverte che questi metodi potrebbero accidentalmente lasciare fuori proprio le persone più povere, gli anziani o coloro che si trovano in zone di conflitto.
• Il Problema del "Non Esiste una Soluzione Unica": Un modello che funziona benissimo in un paese potrebbe fallire in un altro. Il modo in cui le persone usano i telefoni o l'aspetto delle loro case può variare molto a seconda di dove ci si trova. Il documento suggerisce che non possiamo semplicemente copiare e incollare un modello da un posto all'altro senza controllare se funzioni ancora.
• Il Problema della "Scatola Nera": Alcuni modelli informatici sono così complessi che persino gli scienziati non capiscono completamente perché abbiano fatto una certa ipotesi. Se un computer dice che un quartiere è povero, ma non sappiamo il perché, è difficile che i politici si fidino e lo usino per prendere decisioni.

Conclusione

Il documento conclude che questi nuovi strumenti sono incredibili aiutanti, ma non sono sostituti dei vecchi metodi. Sono come un telescopio ad alta tecnologia che ci aiuta a vedere cose che prima non potevamo vedere, ma dobbiamo comunque uscire e parlare con le persone per assicurarci di non perdere nulla di importante. Gli autori suggeriscono che il futuro della lotta alla povertà risiede nel mescolare queste nuove, veloci mappe digitali con i vecchi, lenti ma affidabili sondaggi. Facendo così, possiamo ottenere un quadro che sia sia dettagliato che accurato, aiutando a trovare le persone che hanno più bisogno di aiuto, più velocemente che mai. Il documento non sostiene di aver risolto la povertà, ma suggerisce che finalmente abbiamo una torcia molto migliore per cercare le persone che sono ancora al buio.