借助卫星数据提供COVID援助的明智策略

当新颖的冠状病毒在三月份到达多哥时，其领导人与许多国家的领导人一样，以留在家里的命令来遏制传染，并通过经济援助计划来弥补失去的收入。但是，多哥针对和提供这种援助的方式在某些方面比许多更大，更富裕的国家更以技术为中心。没人收到纸质支票。

取而代之的是，多哥政府迅速建立了一个系统，以移动现金支付支持最贫困的人们。这种技术在非洲比在富国中更为成熟，而富国则处于移动技术的最前沿。由非营利组织GiveDirectly资助的最新付款是在机器学习算法的帮助下进行的，该算法在卫星照片和手机数据中寻找贫困的迹象。

多哥的项目就是这种流行病的例子，这种流行病迫使人们进行紧急试验，可能导致持久的变化。转向卫星和手机数据的部分原因是缺乏有关公民及其需求的可靠数据。多哥总统的顾问谢贡·巴卡里（Shegun Bakari）表示，它运作得很好，以数据为中心的方法可能会得到更广泛的使用。他说：“就未来如何在多哥建立社会保障体系而言，该项目对我们而言是基础。”

新的援助系统称为Novissi，在当地的母羊语言中意为“团结”，并在3月下旬开始的10天紧张工作中形成。多哥数字经济部长西娜·劳森（Cina Lawson）出于对大流行性流感停产的副作用的担忧而受到激励。多哥的800万人中有一半每天的生活费不足1.90美元。大多数多哥人在所谓的非正规部门工作，例如体力劳动者或裁缝，而COVID-19限制突然中断了他们的收入。劳森说：“我们认为我们必须支持这些人，因为如果他们不死于COVID，他们将死于饥饿。”

诺维西于4月8日启动，并于当天向多哥首都洛美及其周边的非正式工人提供了援助。广播广告要求人们给短信发送特殊号码，以便他们通过SMS进行简短的问卷调查。如果对覆盖多国93％人口的多哥的选民ID数据库进行的检查确认某人先前已经宣布从事非正规职业并居住在合格地区，则付款或多或少会立即发送。该计划迅速扩展到多哥第二大城市索科德附近。

男性每两周分期付款每月10,500非洲法郎，约合20美元，女性每月12,250非洲法郎，约合23美元。区别在于设计以更好地支持家庭。该金额旨在替代多哥最低工资的大约三分之一。到目前为止，政府已通过Novissi向近60万人发送了约2200万美元。

劳森（Lawson）看到政府提供的援助如此之快而感到自豪，但是随着COVID-19的传播，她还担心自己的计划无法针对最需要帮助的人们，部分原因是她不知道在哪里可以找到他们。政府官员与加州大学伯克利分校的有效全球行动中心联合主任Joshua Blumenstock进行了联系，后者一直在研究大数据如何填补多哥等国家面临的信息空白。他的实验室表明，电话记录可以预测卢旺达的个人财富以及亲自进行的调查，卫星图像可以跟踪撒哈拉以南非洲的贫困地区。

Blumenstock提出要利用他的技术来提供帮助，并招募了一个团队，其中包括伯克利（Berkeley）研究生，西北大学的两名教职员工以及非营利组织“创新扶贫行动”。他还将Lawson与GiveDirectly联系起来，后者在贫困国家/地区分配现金付款。 GiveDirectly曾与Blumenstock讨论过使用他的工作来确定援助的优先次序，现在看到了将这个想法付诸实践的机会。

GiveDirectly的付款通常反映出访问贫困社区并进行家庭调查的工作人员收集的信息。但这在大流行期间构成了风险。该组织特别项目总监汉胜嘉（Han Sheng Chia）很好奇，卫星和类似数据能否帮助该组织更快，更广泛地分发援助物资。他说：“我们今年面临的需求规模如此之大。”世界银行在十月估计，赤贫人口将在今年增加约一亿，这是20年来的首次全球增长。

Blumenstock和他的团队训练了图像分析算法，可以根据卫星图像创建多哥的细粒度地图，并使用2018年仅覆盖该国部分地区的家庭调查进行了校准。该算法收集了财富和贫困指标，例如不同的屋面材料和路面。研究人员构建了第二个系统，该系统使用呼叫模式和其他帐户详细信息（例如信用充值）来估算多哥两个主要蜂窝网络的用户数量。该系统的这一部分是根据9月份电话调查得出的，该电话调查显示了卫星分析标记的最贫困地区的大约10,000人。 GiveDirectly还向多哥派出了一个小型小组，以收集有关需要社区的更多信息。

11月，使用GiveDirectly的资金推出了一种新的，自动化程度更高的系统。在被认为最不富裕的地区，算法标记为可能每天生活费不足1.25美元的人们会收到短信，邀请他们申请帮助，该过程不到3分钟。男性每月分五次付款，每人大约13美元，女性每月大约15美元。已根据多哥的选民ID数据库和GiveDirectly的要求对申请人进行了验证。

Chia说，在两周之内，该计划已经支付了30,000多哥最贫困的人，其中许多人在农村地区。他说：“要覆盖这一地理范围，将需要庞大的现场团队200人以上，”他补充说，这种方法可能适用于其他地方。

布卢门斯托克说，这是他第一次看到贫困代理人直接用来筹集现金，而不仅仅是用来告知援助决定。他说：“整个援助机制都是非接触式的。”尽管他的团队正在使用电话调查来追溯该计划，并计划明年在多哥进行一次亲自调查。到目前为止，GiveDirectly已分配了计划中的1000万美元预算中的近80万美元，旨在覆盖约115,000人。

多哥的项目并不是使用算法将援助直接提供给世界上最贫穷的人的第一个实验。 Facebook的机器学习专家创建的人口密度图去年在飓风造成广泛破坏和洪水之后，指导了莫桑比克的针对性霍乱疫苗接种运动。同样在去年，洛克菲勒基金会（Rockefeller Foundation）帮助启动了一家名为Atlas AI的初创公司，以使斯坦福大学利用卫星图像和机器学习来测量贫困和农作物产量的研究商业化。

该基金会创新高级副总裁Zia Khan表示，技术应帮助诸如农业发展等计划，或决定在哪里支持农村太阳能“微型电网”的建设，以改善电力供应。从太空照片测量电气基础设施可以减少耗时，并避免地面敏感性，从而无法清晰地了解社区的需求。汗说：“有时候，政府部门希望如何准确地描绘农村地区的贫困状况存在政治问题。”

但是，利用卫星和算法不能保证准确性或经验性。为可靠起见，必须对机器学习模型进行训练，以代表其使用情况的数据。 Khan说：“如果将有偏见的数据放进去，就会得出有偏见的决策。”

洛克菲勒（Rockefeller）支持了一个名为“拉库纳基金（Lacuna Fund）”的项目，该项目于今年早些时候启动，旨在帮助创建数据集，以支持在低收入国家使用机器学习。最初，它着重于撒哈拉以南非洲地区，包括更好地识别该地区发现的作物和害虫的方法，这些作物和害虫是西方AI实验室中大多数人所不熟悉的。

随着政府和捐助者越来越多地使用机器学习，如何帮助或失败人道主义项目变得更加明显。多哥可能是领先的实验者之一。该国总统顾问巴卡里（Bakari）说，诺维西（Novissi）激发了人们对该技术用于其他援助计划和帮助政府财政的兴趣。他说：“如果您可以使用大数据瞄准最贫穷的人，您可以使用相同的技术来知道您应该要求谁缴纳更多税款，以支持该国最贫穷的地区。”