应用机器学习方法改善墨西哥社会服务的分配
应用统计
2017-09-19 v1
摘要
墨西哥政府的社会发展机构 SEDESOL 负责社会服务的管理,其使命是帮助墨西哥家庭摆脱贫困。他们面临的一个关键挑战是,将需要社会服务的人群与 SEDESOL 能够提供的服务进行准确且高效的匹配。在本工作中,我们描述了与 SEDESOL 合作实施的两个具体应用,以改善其社会服务的分配。第一个问题涉及社会服务申请中的系统性漏报,这使得难以确定应优先在何处开展外展服务。当社会工作者对家庭进行入户调查以确定其服务资格时,可能会出现这样的漏报情况:家中实际只有三人,却填报有五人居住。第二个问题涉及跨家庭的多维贫困特征近似。也就是说,我们能否刻画贫困人群面临的不同类型的脆弱性——例如粮食不安全和缺乏医疗服务?我们详细介绍了问题背景、可用数据、我们的机器学习建模、实验结果以及有效的特征集。据我们所知,这是首次在墨西哥使用如此规模的政府数据来对抗贫困。我们发现,仅靠调查数据就能提示潜在的漏报情况。此外,我们发现地理特征对住房和服务相关指标很有用,而交易数据对贫困的其他维度提供了信息。我们用于估计贫困特征的机器学习系统的结果将直接帮助更好地将 740 万个体与社会项目进行匹配。
引用
@article{arxiv.1709.05551,
title = {Applying Machine Learning Methods to Enhance the Distribution of Social Services in Mexico},
author = {Kris Sankaran and Diego Garcia-Olano and Mobin Javed and Maria Fernanda Alcala-Durand and Adolfo De Unánue and Paul van der Boor and Eric Potash and Roberto Sánchez Avalos and Luis Iñaki Alberro Encinas and Rayid Ghani},
journal= {arXiv preprint arXiv:1709.05551},
year = {2017}
}
备注
This work was done as part of the 2016 Eric & Wendy Schmidt Data Science for Social Good Summer Fellowship at the University of Chicago