Des scientifiques créent des cartes de la pauvreté à haute résolution à l’aide de mégadonnées

Une équipe de chercheurs du Complexity Science Hub (CSH) et de l’Université d’Europe centrale (CEU) a créé des cartes de pauvreté plus détaillées à l’aide d’outils informatiques qui rassemblent des informations d’enquête, ainsi que des données et des images fournies par des sources publiques telles que Google et Meta (Facebook) .

Les cartes de la pauvreté pour la Sierra Leone et l’Ouganda, deux pays d’Afrique subsaharienne très pauvres, seront présentées début mai lors de la Web Conference 2023 au Texas, aux États-Unis.

Pendant des années, les décideurs politiques, les planificateurs et les chercheurs se sont appuyés sur des enquêtes et des données de recensement pour suivre et répondre à la pauvreté. « Cependant, la collecte de ces informations peut prendre du temps et coûter cher », explique Lisette Espín-Noboa, chercheuse postdoctorale au CSH et à la CEU et première auteure de l’étude. « Et un recensement peut ne pas inclure les zones difficiles d’accès. »

« Si vous demandez pourquoi nous avons besoin de cartes de la pauvreté à haute résolution, la réponse est simple. Ces cartes de la pauvreté incroyablement détaillées peuvent identifier les endroits dans le besoin qui, autrement, ne seraient pas capturés sur les cartes en utilisant uniquement les données du recensement », ajoute Márton Karsai, professeur associé à la CEU, co-auteur de l’étude.

« Dans les régions où les informations directes manquent, il est difficile d’estimer le statut socio-économique des personnes. Dans notre étude, nous nous sommes concentrés sur deux pays, l’Ouganda et la Sierra Leone, où des estimations à haute résolution et à grande échelle ne sont pas disponibles,  » souligne le professeur János Kertész, chef du département de science des réseaux et des données au CEU et co-auteur de l’étude.

Jeux de données

Dans un premier temps, l’équipe a recueilli des données démographiques à partir de deux enquêtes. « En particulier, nous nous sommes concentrés sur le questionnaire sur les caractéristiques du logement. Cela permet d’estimer la richesse des ménages en considérant la qualité et la quantité d’installations ou d’actifs disponibles à la maison », expliquent les chercheurs.

Pour les deux pays, les scores de l’International Wealth Index (IWI) ont été calculés. IWI indique dans quelle mesure une maison possède un ensemble de base d’actifs. Plus la valeur est faible, plus la qualité du logement est faible. Et plus la valeur est élevée, plus le ménage est riche.

Deuxièmement, Espín-Noboa et ses collègues ont compilé un deuxième ensemble de données d’imagerie satellite et de données du système d’information géographique fournies par le crowdsourcing et les sources de médias sociaux, comme Google et Meta (Facebook).

Plus de 900 caractéristiques ont été extraites qui offrent un aperçu de la situation économique de la population, du développement des infrastructures de la région et d’autres indicateurs de richesse. « Ces données montrent, par exemple, combien d’antennes sont situées dans une certaine zone, ou le nombre de personnes visitant la même zone. Cela peut également indiquer combien d’utilisateurs de Facebook possèdent un iPhone », explique Espín-Noboa.

Des modèles

L’équipe a créé trois modèles d’apprentissage automatique qui ont été formés pour déterminer non seulement la richesse moyenne d’un lieu, mais également son écart type. En fin de compte, l’objectif est de fournir une image plus précise de la répartition des richesses au sein de chaque zone peuplée. « Nous voulions savoir comment la richesse variait au sein d’une zone, ou s’il y avait des inégalités », précise Espín-Noboa.

Les modèles ont été formés pour apprendre les corrélations entre les données démographiques et les scores IWI et les caractéristiques extraites des données et des images fournies par des sources publiques. « Ils apprennent, par exemple, qu’une valeur de richesse spécifique est corrélée à un ensemble spécifique de caractéristiques », explique Espín-Noboa. « Ensuite, nous avons testé les modèles en leur demandant de prédire la richesse de différentes zones. »

L’équipe a développé trois modèles : un basé sur l’imagerie satellite ; une seconde sur le crowdsourcing et les données des réseaux sociaux ; et un troisième sur la combinaison des deux. « Nous voulions déterminer quelles caractéristiques contribuaient le plus à la prédiction de la richesse », a expliqué Karsai.

À l’aide des modèles, les chercheurs ont créé des cartes détaillant les niveaux de pauvreté des communautés en Sierra Leone et en Ouganda. Ils ont également créé un outil cartographique interactif où les utilisateurs peuvent comparer la richesse déduite dans les deux pays et explorer les modèles d’apprentissage automatique.

« Les performances de nos modèles sont comparables à l’état de l’art et, dans certains cas, les surpassent », s’interroge Karsai. « Il est important de noter que nous estimons non seulement le statut économique des personnes vivant à un endroit donné, mais également les fluctuations locales. De plus, nous constatons que différentes méthodes sont nécessaires pour estimer les revenus élevés (où les images satellite fournissent de bons résultats) et les régions pauvres (où les métadonnées- les méthodes basées sont les meilleures).

Pandémie de covid-19

Pendant trois décennies, la Banque mondiale a documenté une baisse du nombre de personnes vivant dans l’extrême pauvreté, définie comme vivant avec moins de 2,15 dollars par jour. Cette tendance a été perturbée par la pandémie de COVID-19 en 2020. Le nombre de personnes vivant dans l’extrême pauvreté a augmenté de 70 millions pour atteindre plus de 700 millions.

Selon la Banque mondiale, la reprise a été inégale depuis lors. Et la plupart des personnes vivant encore dans l’extrême pauvreté se trouvent en Afrique subsaharienne, dans des zones touchées par des conflits et dans des zones rurales.

Par conséquent, des moyens plus précis, plus opportuns et plus rentables de mesurer la pauvreté sont nécessaires de toute urgence, souligne Kertész. « En combinant les données d’enquêtes auprès des ménages traditionnelles avec des sources de données non traditionnelles, nous pouvons cartographier la pauvreté à une résolution et à une échelle plus élevées. Cela peut aider les décideurs politiques à prendre de meilleures décisions fondées sur des preuves lors de la conception de programmes qui réduisent la pauvreté et les inégalités », déclare Kertész, qui est également un consultant externe. membre du corps professoral du CSH.