Богатство данных о развитии не было изучено или проанализировано в масштабе, что ограничивает наше понимание того, обеспечивают ли инвестиции конкурентоспособные результаты на местах. Однако недавние достижения в области машинного обучения позволили DevelopMetrics, компании по обработке и анализу данных в области международного развития, объединить результаты миллионов исследовательских документов, оценок проектов и других ключевых источников, тем самым открыв невероятное понимание того, что работает в международном масштабе. разработка.

Одним из фундаментальных открытий, обеспечиваемых машинным обучением, является лучшее понимание дизайна проекта. «Читая» каждую доступную оценку проекта, полууправляемое машинное обучение позволяет собирать невероятное количество информации. Одним из результатов таких усилий является карта траектории интервенций во времени и пространстве, раскрывающая детали состава портфеля. При масштабном анализе состав портфеля оказывается своего рода кубиком Рубика, состоящим из вмешательств, которые комбинируются по разным схемам во времени, формируя структуру различных проектов и основу самого портфолио. Такая ясность в отношении состава портфеля является необходимым условием для определения того, какое влияние оказывают проекты развития, если таковые имеются.

Если взять USAID в качестве примера, на Рисунке 1 ниже показаны тенденции портфеля по ста двадцати трем странам и шестидесяти годам в рамках сельскохозяйственного портфеля USAID. Если верить теории организационного знания, которая постулирует, что организации учатся на прошлом опыте, то падение популярности вмешательства будет означать, что USAID извлек уроки из неудачи этого вмешательства в достижении желаемого результата и осуществил необходимую коррекцию курса. .

Рисунок 1. Популярность мероприятий USAID в области сельского хозяйства с течением времени (отображается как доля от общего портфеля сельскохозяйственных проектов)

Подробно изучите эту визуализацию трендов сельскохозяйственного портфеля USAID, открыв эту Визуализацию в виде таблицы.

Например, оранжевая линия на Рисунке 2 ниже отражает популярность мероприятия «Исследования и разработки» за шестьдесят лет сельскохозяйственных проектов, реализованных USAID. Исследования и разработки были популярным мероприятием до 1990-х годов, но затем примерно в 1995 году их популярность резко упала. Может ли этот рост популярности быть связан с успехом сельскохозяйственных исследований и разработок во время зеленой революции? Если да, то почему тогда он вышел из моды? Альтернативное объяснение может заключаться в том, что, вопреки теории организационного обучения, USAID не учится на прошлом опыте, а, скорее, реализация вмешательства больше связана с целевыми показателями Конгресса или другими внешними факторами, чем с изучением прошлого опыта. Для лучшего понимания полной картины необходимы дальнейшие исследования причинно-следственных механизмов, лежащих в основе тенденций.

Рисунок 2: Популярность вмешательства «Исследования и разработки» в рамках сельскохозяйственных проектов во времени

Как сказал лорд Кевин: «Когда вы можете измерить то, о чем говорите, и выразить это в цифрах, вы кое-что об этом знаете. (Иначе) ваши знания скудны и неудовлетворительны; это может быть началом знания, но вы едва продвинулись до стадии науки». Машинное обучение дает нам возможность говорить цифрами, количественно оценивая огромное количество качественной информации, которую до сих пор нельзя было проанализировать одними силами. Таким образом, теперь мы можем лучше понимать тенденции и продвигать наше понимание и, в конечном счете, наше влияние в рамках международных программ развития.