Frontière des données de l’Asie: modélisation de la pauvreté depuis l’espace

Alors que nous célébrons la Journée mondiale de la statistique, les données ont un impact de plus en plus important sur nos vies, non seulement dans la façon dont nous gérons notre vie privée, mais de plus en plus sur le fonctionnement des gouvernements. Un nombre croissant de pays, en particulier en Asie, utilisent les données pour concevoir des politiques, gérer les opérations et répondre aux crises. Elle est devenue la pierre angulaire de l'élaboration de politiques fondées sur des preuves. Compte tenu de ce rôle essentiel, il est plus crucial que jamais de disposer de données précises, de haute qualité et fiables. La pandémie sans précédent de COVID-19 souligne l'importance d'obtenir des données crédibles et fiables. C'est un outil essentiel pour concevoir des réponses, allouer des ressources et mesurer l'efficacité des interventions.

Selon l’horloge mondiale de la pauvreté du World Data Lab, la pauvreté mondiale d’ici la fin de 2020 pourrait atteindre une proportion de la population mondiale. En fait, la pandémie a inversé la récente diminution de la pauvreté. Au lieu de réduire la pauvreté de 20 millions de personnes, la pandémie pousse au moins 60 millions de personnes supplémentaires dans l'extrême pauvreté. Par conséquent, une attention particulière doit être accordée aux pauvres car ils sont les plus vulnérables à l'impact socio-économique négatif du COVID-19.

Les statistiques granulaires de la pauvreté sont essentielles pour faciliter des interventions plus efficaces et ciblées pour répondre aux divers besoins des différents segments de pauvres. Cependant, les sources conventionnelles de données sur la pauvreté, telles que les enquêtes sur les revenus et les dépenses des ménages, ne fournissent pas suffisamment de données granulaires, ni ne sont suffisamment actualisées pour être utiles aux décideurs. Nous devons rechercher des sources alternatives pour compléter et intégrer les sources traditionnelles.

Le numérique a créé un raz-de-marée de données, que la Banque asiatique de développement (BAD), avec ses partenaires, commence à exploiter pour la conception de projets de développement. Ces sources de données innovantes peuvent potentiellement remédier aux limites des sources traditionnelles de données sur la pauvreté, telles que la question de la granularité. S'inspirant d'une méthode proposée par des chercheurs de l'Université de Stanford, des chercheurs de la BAD ont examiné la faisabilité de l'intégration d'enquêtes auprès des ménages et de l'imagerie satellitaire, et ont utilisé des algorithmes d'apprentissage automatique pour prédire la distribution spatiale de la pauvreté.

Les résultats de la recherche sont maintenant disponibles pour un projet conjoint entre des responsables des Philippines, de Thaïlande et du World Data Lab. Ces deux pays ont été choisis pour leurs initiatives existantes visant à combiner les données d'enquêtes auprès des ménages avec les données de recensement pour produire des estimations de la pauvreté plus granulaires mais fiables. Ces initiatives ont fourni des données adéquates pour former des algorithmes d'apprentissage automatique. De plus, les Philippines et la Thaïlande ont des profils de pauvreté légèrement différents, cette dernière affichant des taux de pauvreté nettement inférieurs (figure 1). Cela nous a permis d'examiner comment la distribution de la pauvreté pourrait affecter l'estimation granulaire de la pauvreté qui intègre des données d'images satellite.

L'équipe de recherche a formé l'algorithme pour prédire l'intensité des lumières nocturnes sur la base de l'imagerie satellitaire de jour, car des études montrent que l'intensité lumineuse nocturne est une approximation raisonnable du niveau d'activité économique. L'objectif était d'obtenir un modèle capable de reconnaître les caractéristiques de l'imagerie satellite de jour, telles que les motifs des rues, la densité des bâtiments et les toits, qui conduisent à des niveaux élevés de luminosité la nuit. Les chercheurs ont ensuite utilisé des agrégats de ces caractéristiques pour analyser leur relation avec les taux de pauvreté à ces niveaux, qui représentent le niveau le plus granulaire de nos données d'entrée. Lorsqu'une relation était établie, il était possible de prédire la prévalence de la pauvreté pour une zone aussi petite que 4 kilomètres sur 4 kilomètres.

Figure 1. Modélisation de la pauvreté en Thaïlande depuis l’espace

Figure 1. Modélisation de la pauvreté en Thaïlande depuis l’espace

Source: BAD. Cartographie de la pauvreté grâce à l'intégration de données et à l'intelligence artificielle; Septembre 2020

Les résultats sont encourageants. Après calibrage, les estimations de la pauvreté prédite, produites par les algorithmes d'apprentissage automatique appliqués sur des images satellite accessibles au public, sont non seulement alignées sur les estimations publiées par le gouvernement, mais sont également plus granulaires. Mieux encore, des gains supplémentaires dans la granularité des statistiques peuvent être obtenus si des images à plus haute résolution, comme celles provenant du commerce, sont utilisées dans les études futures.

Des études comme celle-ci font partie des efforts déployés par les organisations de développement pour renforcer les systèmes statistiques nationaux afin de répondre aux demandes croissantes de données pour une élaboration de politiques et un suivi efficaces des objectifs et des cibles de développement. Cependant, il ne suffit pas de renforcer la capacité des compilateurs de données à intégrer les sources traditionnelles avec une technologie innovante. Il ne suffit pas non plus de disposer de données fiables et fiables. Il est également important de s'assurer que les données sont utilisées de manière appropriée et communiquées efficacement.

La pandémie COVID-19 a peut-être rapproché l'horloge de la pauvreté des niveaux que nous avions lorsque les ODD ont été lancés pour la première fois il y a cinq ans. Il nous reste maintenant 10 ans avant le calcul des ODD. Des données précises, opportunes, fiables et granulaires peuvent nous aider à avancer et à parcourir la voie du redressement socio-économique, alors que nous nous rapprochons de notre objectif d'éradiquer la pauvreté et de garantir que personne ne sera laissé pour compte.

Remarque: Ce blog s'appuie sur un rapport de la BAD Mapping Poverty through Data Integration and Artificial Intelligence: A Special Supplement of the Key Indicators for Asia and the Pacific, développé conjointement avec World Data Lab. Ses résultats ont été présentés lors d'un webinaire mondial sur l'exploitation des données à l'ère numérique pour la réduction de la pauvreté le 14 octobre 2020.

Vous pourriez également aimer...