L'apprentissage automatique et les données téléphoniques peuvent améliorer le ciblage de l'aide humanitaire

L'apprentissage automatique et les données téléphoniques peuvent améliorer le ciblage de l'aide humanitaire

Blocs de contenu du modèle G
Sous-éditeur

La pandémie de COVID-19 a dévasté de nombreux pays à revenu faible ou intermédiaire, provoquant une insécurité alimentaire généralisée et une forte baisse du niveau de vie. En réponse à cette crise, les gouvernements et les organisations humanitaires du monde entier ont distribué une aide sociale à plus de 1.5 milliard de personnes. Le ciblage est un défi central dans l'administration de ces programmes : il reste difficile d'identifier rapidement ceux qui en ont le plus besoin compte tenu des données disponibles. Nous montrons ici que les données des réseaux de téléphonie mobile peuvent améliorer le ciblage de l'aide humanitaire. Notre approche utilise des données d'enquête traditionnelles pour former des algorithmes d'apprentissage automatique afin de reconnaître les modèles de pauvreté dans les données de téléphonie mobile ; les algorithmes formés peuvent alors donner la priorité à l'aide aux abonnés mobiles les plus pauvres. Nous évaluons cette approche en étudiant un programme phare de transfert monétaire d'urgence au Togo, qui a utilisé ces algorithmes pour débourser des millions de dollars américains d'aide de secours COVID-19. Notre analyse compare les résultats, y compris les erreurs d'exclusion, le bien-être social total et les mesures d'équité, sous différents régimes de ciblage. Par rapport aux options de ciblage géographique envisagées par le gouvernement du Togo, l'approche d'apprentissage automatique réduit les erreurs d'exclusion de 4 à 21 %. Par rapport aux méthodes nécessitant un registre social complet (un exercice hypothétique ; aucun registre de ce type n'existe au Togo), l'approche d'apprentissage automatique augmente les erreurs d'exclusion de 9 à 35 %. Ces résultats mettent en évidence le potentiel des nouvelles sources de données pour compléter les méthodes traditionnelles de ciblage de l'aide humanitaire, en particulier dans les situations de crise où les données traditionnelles sont manquantes ou obsolètes.

Le 21 mars 2022