1. مقدمه

2. بازبینی مطالعات پیشین

3. روش تحقیق

4. نتایج و مباحثات

5. نتیجه گیری

در دسترس بودن داده ها

تعارض منافع

تقدیم تشکر

منابع

برای رسیدن به درکی جامع تر و سیستماتیک تر از تاثیر کمک های دولت به خانوارهای فقیر به منظور تحقق اهداف مبتنی بر کاهش فقر، در این مقاله در کنار بررسی الگوریتم داده کاوی کلان داده ها به بررسی تلفیقی از یک جامعه آماری و تحلیل اطلاعات برنامه کاهش هدفمند فقر می پردازیم. در این بررسی مطابق ماژول خط لوله در یادگیری ماشین (ML) در چارچوب اسپارک که یک چارچوب محاسباتی کلان داده می باشد پیش رفتیم و علم کلان داده های عصر جدید و الگوریتم های شناخته شده داده کاوی را با یکدیگر ادغام نمودیم،‌ پیش تر برای مدل سازی و تحلیل به حجم زیادی از داده نیاز بود اما در این مدل، روش نمونه گیری تصادفی طبقه ای را مورد استفاده قرار دادیم و بدین ترتیب توانستیم مدل جنگل تصادفی، مدل لجستیک و مدل آبشاری جدید پیشنهادی خود برای بررسی خانوارهای فقیر را تدوین نماییم. برای شناسایی خانوارهای ضعیف از چندین روش شناسایی استفاده نمودیم و به ارزیابی مقایسه ای نتایج آن ها پرداختیم، در نهایت، ‌نتایج نشان می دهند هنگامی که با 100 داده واقعی صحت سه روش شناسایی خانوار فقیر را مورد آزمایش قرار دهیم، مقدار مدل جنگل تصادفی تا 82 درصد و مقدار مدل لجستیک تا 72 درصد کاهش می یابد که تغییر اندکی به شمار می آید، اما مقدار مدل آبشاری بدون تغییر در همان 83 در صد ثابت باقی می ماند و در هر سه مدل تغییرات ناچیزی رخ خواهد داد. مزیت طراحی جدیدی که در این مقاله برای مدل آبشاری ارائه شده این است که در این روش می توان تا درصد زیادی نمونه ها را مجدد مورد استفاده قرار داد و از این طریق می توان به شکل موثری از برازش بیش از حد نمونه ها اجتناب ورزید، به همین دلیل دیگر نیازی به وجود حجم زیادی از داده نمی باشد. مدل جدید ما مدلی پایدار و قابل اعتماد می باشد. به کارگیری تلفیقی از الگوریتم های هدفمند کاهش فقر با فناوری اطلاعات کلان و داده کاوی را می توان از عمده دلایلی دانست که منجر شدند نتایج حاصل از استفاده از این مدل دقیق تر و قانع کننده‌تر بشوند. شیار تنه و شیار سمت راست غالبا به خاطر جامعه آماری از علت های شایع کنار گذاشته می‌شوند.

2. بازبینی مطالعات پیشین

الگوی کاهش هدفمند فقر تنها چهار یا پنج سال است که مطرح شده است و زمان به کارگیری عملی آن در جامعه کوتاه تر از همین چند سال می باشد، به همین دلیل تحقیقات کمی در این زمینه انجام شده است. مدت کمی است که طرح کاهش هدفمند فقر ارائه شده، اما با حمایت قوی دولت مرکزی و تلاش های توامان دولت‌های محلی، طرح کاهش هدفمند فقر در سال های اخیر نتایج قابل توجهی به دست آورده است. امروزه، بسیاری از محققان چینی پیشنهادهای خلاقانه ای برای کاهش فقر ارائه می دهند و توصیف و تحلیل های مفصلی از طرح‌های خود و مشکلاتی که ممکن است در حین عملی کردن طرح با آن مواجه شوند را نیز تشریح می کنند. ژائو اس و دیگر محققان برای مطالعه وضعیت فقر در ساختار خانواده از روش اندازه گیری استفاده کردند. در نتیجه این تحقیقات متوجه شدند چه دسته ای از خانواده ها بیشتر در معرض فقر قرار دارند [8]. آواجان و محققان دیگر برای کمک به کاهش هدفمند فقر علم کلان داده ها را به کار گرفتند. آن ها به مقایسه کلان داده های کاهش فقر با داده های کاهش فقر به روش سنتی پرداختند، یافته های آن ها نشان می دهد که کاهش هدفمند فقر به کمک کلان داده ها مزایای بیشتری نسبت به روش های سنتی کاهش فقر دارد و این روش در شناسایی و کمک به خانوارهای فقیر موفق تر عمل می کند [9]. گای و چند تن دیگر از محققان فناوری ها و الگوهای سنتی کاهش فقر را به چالش کشیدند. مدل های کاهش فقری که در گذشته مورد استفاده قرار می گرفتند در مقیاس بزرگ کارایی داشتند و ظرفیت اعمال منطقه ای را نداشته و به همین دلیل شناسایی فقیرترین خانوارها به کمک این روش ها دشوار بود. افزون بر این، اگر اطلاعات خانوارهای فقیر برای مدتی طولانی به روز نشود، مشکلات جدید فراوانی ظاهر خواهد شد؛ به همین دلیل لازم است فورا الگوهای سنتی کاهش فقر تغییر پیدا کنند. الگوی جدیدی که ارائه می شود می بایست برای کاهش فقر مد نظر و افزایش کارایی الگوی کاهش هدفمند فقر به صورت همه جانبه فناوری کلان داده ها را به کار ببندد [10].

در کنار ترجمه مقاله، فایل پاورپوینت این مقاله نیز ایجاد شده و در این محصول قرار داده شده است که پس از خریداری به همراه ترجمه قابل دانلود خواهد بود. تعداد اسلایدهای این پاورپوینت 18 می باشد و آماده ارائه در دانشگاه یا سایر سمینارها است.

در صورتی که نیاز به خلاصه ای از متن ترجمه این مقاله دارید، می توانید از فایل خلاصه ترجمه استفاده نمایید که به این محصول اضافه شده است. خلاصه ترجمه این مقاله در 6 صفحه در فایل word انجام شده و داخل بسته قرار گرفته است.