Matematiker har använt maskininlärning för att utveckla en ny modell för att mäta fattigdom i olika länder som skräpar bort gamla föreställningar om en fast "fattigdomsgräns".

Studien av akademiker vid Aston University, publicerad i tidningen Naturkommunikation , menar att det vanliga tänkandet kring fattigdom är föråldrat eftersom det lägger alltför stor vikt vid subjektiva föreställningar om grundläggande behov och misslyckas med att fånga hela komplexiteten i hur människor använder sina inkomster.

De säger att deras nya modell – som använder datoralgoritmer för att syntetisera enorma mängder utgifter och ekonomisk data – skulle kunna hjälpa beslutsfattare över hela världen att förutsäga framtida fattigdomsnivåer och planera insatser för att lindra problemet.

"Ingen har någonsin använt maskininlärning för att avkoda multidimensionell fattigdom tidigare, " sa ledande forskare Dr. Amit Chattopadhyay vid Aston Universitys College of Engineering and Physical Sciences. "Detta förändrar helt hur människor bör se på fattigdom."

Etablerade mått på fattigdom försöker identifiera en tröskel för monetär nivå under vilken en person eller hushåll definieras som "fattiga". Dessa definitioner spårar sitt ursprung tillbaka till metoder som utvecklades på 1800- och början av 1900-talet av reformatorer som Ernst Engel och Seebohm Rowntree.

För närvarande, Världsbanken sätter den internationella fattigdomsgränsen till 1,90 USD per dag, med cirka 10 % av världens befolkning – cirka 700 miljoner människor – som lever på mindre än detta. Detta bygger på en subjektiv bedömning av inkomst som behövs för att täcka grundläggande behov i de fattigaste länderna, justerad för köpkraftsparitet (PPP).

I den nya studien, forskarna analyserade 30 års data från Indien, dela upp utgifterna i tre breda kategorier av "basmat" såsom spannmål, ”annan mat” inklusive kött och ”icke-livsmedel” som täcker andra utgifter såsom boende- och transportkostnader. Modellen kan tillämpas på alla länder.

Genom att erkänna "push-and-pull"-samspelet mellan de tre kategorierna – mer utgifter inom ett område innebär vanligtvis en minskning av utgifterna inom ett annat – möjliggör det en mer holistisk fattigdomsåtgärd som kan anpassas till enskilda länders omständigheter. Forskarna kombinerade datauppsättningar om inkomster, tillgångs- och råvarumarknader från Världsbanken och andra källor för att producera en matematisk modell som inte bara kunde förutsäga tidigare fattigdomsnivåer i både Indien och USA, men också att förutsäga framtida nivåer utifrån vissa ekonomiska antaganden.

Genom att ta hänsyn till elasticiteten i utbud och efterfrågan på marknaden, modellen omarbetar antalet människor som traditionellt anses vara "fattiga" till en mer praktisk "medelklass". Det kan skalas för att återspegla förhållandena i underregioner i ett land, eller till och med skalas ner till en enda stad eller stadsdel beroende på tillgängliga data.

"Nuvarande tänkande om fattigdom är mycket subjektivt, eftersom "fattigdom" kommer att betyda olika saker i olika länder och regioner, " tillade Dr Chattopadhyay. "Med den här modellen, vi har äntligen ett multidimensionellt fattigdomsindex som återspeglar den verkliga upplevelsen hos människor var de än bor och i stort sett oberoende av den sociala klass de anses tillhöra.

"Viktigt, det är en modell som tar hänsyn till de ekonomiska omständigheter som människor befinner sig i – och de faktorer som kan göra störst skillnad för deras materiella välbefinnande. Som sådan, det kan vara ett viktigt verktyg för regeringar och politiska beslutsfattare globalt för att identifiera fattigdom och införa insatser som verkligen tar itu med den."