En plus de ses effets dévastateurs sur la santé publique, la pandémie du COVID-19 a exacerbé les inégalités dans le monde. Les populations pauvres ont subi une infection au COVID-19 de manière disproportionnée tout en endurant de plus grandes difficultés financières en raison des ordonnances de verrouillage et des fermetures d’entreprises. Et malgré l’augmentation des taux de vaccination dans de nombreux pays, les pauvres sont aussi souvent les plus difficiles à atteindre et les derniers à recevoir la vaccination contre le COVID-19. Dans le même temps, la capacité d’aider efficacement les populations pauvres dans de nombreux pays reste entravée par l’absence de réponse solide à une question simple – où résident ces populations.
Dans de nombreuses régions du monde, les ensembles de données sur la pauvreté sont obsolètes ou n’existent qu’à des niveaux élevés. Ces données proviennent souvent d’ensembles de données de recensement ou d’autres enquêtes auprès des ménages datant de 10 ans ou plus. Cependant, il existe une abondante littérature qui suggère que les sources de données non traditionnelles peuvent aider à combler les lacunes d’information sur la pauvreté. Ces sources non traditionnelles peuvent servir d’indicateurs de l’endroit où vivent les pauvres, que ce soit parce que les zones à forte pénétration des smartphones ont tendance à être plus riches ou que les zones plus éloignées des routes et autres infrastructures ont tendance à être plus pauvres.
Au cours des quatre dernières années, l’équipe Data for Good de Facebook et l’Université de Californie à Berkeley ont travaillé à l’élaboration de micro-estimations de la richesse et de la pauvreté pour les pays à revenu faible et intermédiaire en utilisant des données non traditionnelles. Les estimations sont construites en appliquant des algorithmes d’apprentissage automatique à une gamme de données non traditionnelles, notamment des images satellite, des cartes topographiques et des données de connectivité anonymisées de Facebook.
Figure 1. Comment les ensembles de données non traditionnels aident à construire l’indice de richesse relative dans les pays à revenu faible et intermédiaire
Source: Guanghua Chi, Han Fang, Sourav Chatterjee, Joshua E. Blumenstock. Micro-estimations de la richesse pour tous les pays à revenu faible et intermédiaire.
Pour prédire où vivent les populations pauvres, l’équipe de recherche forme des algorithmes d’apprentissage automatique à l’aide de données d’enquêtes démographiques et sanitaires de 56 pays qui offrent des données de référence sur les ménages sur une gamme d’indicateurs sanitaires et économiques. Cette approche permet de prédire la pauvreté dans des carreaux de quadrillage de 2,4 kilomètres de côté – une vue beaucoup plus détaillée de l’endroit où vivent les populations pauvres par rapport aux mesures traditionnelles.
Pour s’assurer que le modèle est précis, l’équipe a validé l’indice de richesse relative (RWI) prévu à l’aide de quatre sources indépendantes de données d’enquête auprès des ménages. Par exemple, pour chacun des 15 pays disposant de données de recensement accessibles au public, ils comparent l’indice de richesse relative moyenne prévu de chaque région administrative à la richesse moyenne saisie dans le recensement. À travers ces validations, ils constatent que le modèle fonctionne toujours très bien.
Figure 2. Qualité de l’ajustement entre l’indice de richesse relative prévu et les ensembles de données de recensement de la vérité terrain dans divers pays à revenu faible et intermédiaire
Source: Guanghua Chi, Han Fang, Sourav Chatterjee, Joshua E. Blumenstock. Micro-estimations de la richesse pour tous les pays à revenu faible et intermédiaire.
Facebook Data for Good et UC Berkeley publient maintenant l’indice de richesse relative en tant qu’ensemble de données accessible au public pour les pays à revenu faible et intermédiaire dans l’espoir de pouvoir soutenir la prestation de services aux pauvres pendant le COVID-19, y compris la distribution de l’assistance et la distribution équitable des vaccins.
L’indice de richesse relative a déjà été utilisé avec succès dans la mise en œuvre de tels programmes. En avril dernier, le gouvernement togolais a lancé le programme Novissi pour aider les personnes qui avaient été poussées dans la pauvreté à la suite de la pandémie. Bien qu’initialement concentrés sur les centres urbains, ils avaient besoin de nouvelles méthodes pour identifier les populations rurales à faible revenu alors que le virus se propageait. Le gouvernement togolais a travaillé avec l’UC Berkeley et GiveDirectly, une organisation à but non lucratif qui se concentre sur la fourniture d’une assistance numérique en espèces aux pauvres, pour tirer parti d’une combinaison de l’indice de richesse relative et des données de téléphonie mobile afin de cibler efficacement la fourniture de l’aide. Au cours du projet, GiveDirectly et le gouvernement ont utilisé les paiements mobiles pour distribuer 10 millions de dollars à plus de 100 000 personnes vivant dans la pauvreté.
La pandémie COVID-19 et ses effets seront ressentis par les communautés pauvres pour les années à venir. Cependant, en partageant publiquement l’indice de richesse relative, on espère que la communauté du développement pourra exploiter ces informations pour atténuer certains de ses impacts sur les communautés les plus vulnérables du monde.
Facebook fournit un soutien à la Brookings Institution. Les résultats, interprétations et conclusions de ce blog ne sont influencés par aucun don. Brookings reconnaît que la valeur qu’elle fournit réside dans son engagement absolu envers la qualité, l’indépendance et l’impact. Les activités soutenues par ses donateurs reflètent cet engagement.
