可持续愿景:对全球发展目标的无监督机器学习见解
Alberto García-Rodríguez1,2,3, Matias Núñez4,5, Miguel Robles Pérez6
1Instituto de Física, Universidad Nacional Autónoma de México, Coyoacán, Ciudad de México, México.
到2030年,没有一个国家有望实现联合国所有可持续发展目标 (SDGs). 机器学习分析显示,地理,文化和社会经济因素对可持续发展目标的进展产生重大影响,需要针对特定地区的战略.
科学领域:
- 全球发展研究 全球发展研究
- 数据科学数据科学数据科学
- 环境政策 环境政策
背景情况:
- 联合国2030年可持续发展议程包括17个目标,以应对全球挑战.
- 实现这些可持续发展目标 (SDGs) 的进展比预期的要慢,这促使人们对潜在因素进行调查.
研究的目的:
- 分析107个国家在20年 (2000-2022) 期间实现可持续发展目标的进展情况.
- 通过数据驱动的方法,确定不同可持续发展目标和影响因素之间的相关性.
- 提出一个框架,为开发有效的,以数据为基础的可持续发展战略.
主要方法:
- 利用无监督机器学习 (ML) 技术对来自107个国家的时间序列数据进行分析,时间跨度从2000年到2022年.
- 采用了新的数据驱动方法来分析可持续发展目标之间的趋势和相关性.
- 确定了影响可持续发展目标实现的关键地理,文化和社会经济因素.
主要成果:
- 揭示了各种可持续发展目标之间的显著正负相关性.
- 表明,没有一个国家预计在2030年截止日期之前实现所有可持续发展目标.
- 发现地理,文化和社会经济因素对可持续发展目标的实现有很大的影响.
结论:
- 针对特定区域的系统性方法对于可持续发展至关重要,承认目标之间的相互依赖性.
- 可变的国家能力需要为实现可持续发展目标量身定制的战略.
- 机器学习为基于数据的策略和合作倡议提供了一个强大的框架,以推动可持续发展.
更多相关视频
08:27Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Published on: January 5, 2024
08:10Neuroimaging Field Methods Using Functional Near Infrared Spectroscopy NIRS Neuroimaging to Study Global Child Development: Rural Sub-Saharan Africa
Published on: February 2, 2018
相关概念视频
Outliers and Influential Points
Levels of Use of a GIS
Regression Toward the Mean
Machines: Problem Solving II
Types of Global Positioning System Surveys
Aggregates Classification
Petrographic classification groups aggregates based on common mineralogical characteristics. Some of the common mineral groups found in aggregates are...
