Abstract

Depuis mars 2020, une équipe de chercheurs¹ a fourni une assistance technique au gouvernement togolais pour l'aider à orienter sa réponse humanitaire à la crise du COVID-19. Cette page fournit un bref résumé non technique de ces efforts.

Contexte : le Togo et la crise du COVID-19

Au Togo, petit pays d'Afrique de l'Ouest, plus de 50% de la population vit dans la pauvreté. La pandémie de COVID-19 menace d'inverser des années de réduction de la pauvreté, car les mesures de confinement conçues pour arrêter la propagation du virus limitent l'activité économique et menacent la sécurité alimentaire. Plus largement, la Banque mondiale estimations que la pandémie plongera entre 88 et 115 millions de personnes dans les pays à revenu faible et intermédiaire dans l'extrême pauvreté en 2020.

En réponse à cette crise, le Gouvernement togolais a lancé «Novissi», un programme d'assistance sociale innovant conçu pour fournir une aide financière d'urgence aux familles les plus nécessiteuses du Togo. En quelques semaines seulement, le gouvernement a construit et déployé un système numérique entièrement sans contact qui a fourni de l'argent à plus d'un demi-million de personnes. Bénéficiaires inscrits à l'aide de leur téléphone portable (pas de smartphone requis) ; après avoir entré des informations de base dans un menu USSD, ils ont ensuite immédiatement reçu des transferts d'argent mobile d'environ 15 $/mois, d'une durée de trois mois. Ce programme était le premier du genre, décrit comme un « cas exemplaire de protection sociale en réponse à la pandémie de coronavirus en Afrique ».

Le défi du ciblage

Une question clé au cœur de Novissi - et au cœur des centaines d'autres programmes de protection sociale ciblés qui ont été lancés en réponse au COVID-19 - est comment prioriser les personnes qui en ont le plus besoin ?² La difficulté était que le gouvernement togolais ne disposait pas d'un registre social complet qui lui permettrait d'identifier directement et de hiérarchiser ses personnes les plus pauvres. Le dernier recensement a été effectué en 2011, et même cette base de données ne contenait aucune information qui pourrait permettre au gouvernement de déterminer qui devrait être prioritaire pour l'assistance. Et au milieu d'une pandémie, il était impossible de collecter les données nécessaires pour créer un nouveau registre.

Lors du lancement de Novissi en avril 2020, le gouvernement a choisi de donner la priorité aux travailleurs informels vivant dans les régions les plus touchées par les restrictions de confinement. Pour déterminer l'éligibilité, ils se sont appuyés sur une base de données électorale qui avait été récemment mise à jour et dans laquelle les personnes avaient auto-déclaré leur lieu de résidence et leur profession.

Guider l'expansion de Novissi

Le gouvernement du Togo, en partenariat avec GiveDirectly, étend actuellement Novissi aux zones rurales du pays, où l'extrême pauvreté est la plus grave. L'une des principales priorités de cette expansion est de veiller à ce que les prestations soient ciblées sur les citoyens les plus pauvres. Une équipe de chercheurs du Center for Effective Global Action and Innovation for Poverty Action soutient cet effort. La nouvelle approche développée par l'équipe de recherche comporte deux étapes principales.

Étape 1 : Prioriser les villages et quartiers les plus pauvres

Le gouvernement togolais souhaitait accorder la priorité à l'aide aux cantons les plus pauvres (administration-3 régions) du Togo. Cependant, avant la collaboration avec l'équipe de recherche, le gouvernement du Togo ne possédait pas de carte de la pauvreté qui permettrait un ciblage aussi granulaire. Le gouvernement avait précédemment mené des enquêtes auprès des ménages représentatives au niveau national, mais ces enquêtes ne pouvaient produire que des estimations de la pauvreté représentatives au niveau national (admin-0) ou régional (admin-1). Pour permettre un ciblage géographique plus précis du programme, l'équipe de recherche a utilisé le pipeline d'apprentissage en profondeur décrit dans Chi et al. (2020) pour identifier les 100 cantons les plus pauvres du pays (le nombre 100 a été choisi par les partenaires gouvernementaux, sur la base de la répartition estimée de la richesse de la population vivant dans ces cantons).

Plus précisément, l'équipe de recherche a commencé par une vaste enquête auprès des ménages représentative à l'échelle nationale qui disposait d'estimations fiables des conditions de vie de milliers de ménages. L'équipe de recherche a utilisé ces estimations de la pauvreté basées sur des enquêtes comme «vérité de terrain» pour former un algorithme d'apprentissage automatique afin d'estimer la richesse de très petites régions (c'est-à-dire des tuiles de 2.4 km) en fonction des caractéristiques géographiques de cette région - où les chercheurs utilisé des données riches provenant de satellites et d'autres sources pour mesurer ces caractéristiques géographiques. Intuitivement, l'algorithme apprend que certains modèles dans l'imagerie sont indicatifs de la richesse (comme les endroits avec des toits en métal et des routes de haute qualité) tandis que d'autres sont indicatifs de la pauvreté (comme les endroits avec certains types de terrain et de conditions météorologiques). L'équipe de recherche a ensuite superposé les estimations de consommation au niveau des tuiles avec des estimations de densité de population à haute résolution à partir de Tiecke et coll. (2017) pour estimer la consommation moyenne des ménages par habitant pour chacun des 397 cantons du Togo. Les estimations au niveau de la tuile et au niveau du canton sont présentées dans la figure 1 ci-dessous. Ces cartes ont été utilisées pour déterminer les 100 cantons les plus pauvres.

Figure 1 : Priorité aux villages et quartiers les plus pauvres

Notes sur les figures : l'équipe de recherche a produit des micro-estimations de la richesse de chaque cellule de la grille de 2.4 km en appliquant des algorithmes d'apprentissage en profondeur à l'imagerie satellite haute résolution (à gauche), a combiné ces estimations avec des informations sur la densité de population de chaque cellule de la grille (au milieu) , et a utilisé ces informations pour déterminer les 100 cantons les plus pauvres du Togo (à droite).

Étape 2 : Donner la priorité aux personnes les plus pauvres dans les villages les plus pauvres

En étendant Novissi aux zones rurales, l'un des objectifs du gouvernement était de veiller à ce que les avantages profitent aux personnes les plus pauvres vivant dans les 100 cantons les plus pauvres. Plus précisément, en collaboration avec GiveDirectly, le gouvernement a obtenu un financement suffisant pour fournir des prestations à environ 57,000 580,000 des quelque 100 XNUMX citoyens vivant dans les XNUMX cantons les plus pauvres. S'appuyant sur les avancées récentes de la littérature de recherche, l'équipe de recherche a développé des méthodes qui utilisent les métadonnées des téléphones portables pour aider à identifier les personnes qui en ont le plus besoin.³

Plus précisément, avec le soutien financier de la Banque mondiale, l'équipe de recherche a mené une vaste enquête téléphonique en septembre 2020, juste avant l'expansion de Novissi dans les zones rurales, afin de fournir des informations de « vérité de terrain » sur les conditions de vie d'environ 10,000 100 personnes. L'équipe de recherche s'est donné beaucoup de mal pour s'assurer que les personnes de cette enquête téléphonique étaient représentatives de la population plus large de personnes vivant dans les XNUMX cantons les plus pauvres, grâce à une combinaison de conception d'enquête adaptative et d'utilisation de pondérations d'échantillon d'enquête. Cela permet de garantir que les populations difficiles à atteindre, telles que les personnes extrêmement pauvres et celles vivant dans des villages reculés, sont représentées dans les données de formation. Chaque répondant à l'enquête a donné son consentement éclairé pour participer à ce programme de recherche.

Pour chacun des 10,000 5.7 répondants à l'enquête, l'équipe de recherche a ensuite comparé les informations fournies sur leur consommation quotidienne aux métadonnées de leur téléphone mobile, qui ont été obtenues auprès des opérateurs de téléphonie mobile au Togo. Voir ci-dessous pour une discussion sur la manière dont les chercheurs ont protégé la confidentialité des données. Les métadonnées comprennent des informations sur la date, l'heure, la durée et la tour cellulaire utilisée pour les appels et les SMS, ainsi que des informations sur le volume d'utilisation des données mobiles et les transactions d'argent mobile de chaque abonné. L'équipe de recherche a traité ces données brutes avec des algorithmes qui construisent des statistiques agrégées sur le modèle d'utilisation du téléphone mobile de chaque abonné, y compris des informations corrélées à la richesse, telles que le volume total d'appels téléphoniques internationaux effectués ou le solde moyen de l'argent mobile. Sur une version anonymisée de cet ensemble de données, l'équipe de recherche a ensuite formé des algorithmes d'apprentissage automatique pour prédire la consommation à partir des métadonnées des téléphones mobiles. Ces algorithmes ont ensuite été utilisés pour générer une estimation de la consommation de chacun des XNUMX millions d'abonnés mobiles du pays.

Figure 2 : Donner la priorité aux abonnés mobiles les plus pauvres

Notes sur les figures : En utilisant la richesse et la pauvreté de la réalité de terrain recueillies par le biais d'une vaste enquête téléphonique auprès d'abonnés actifs à la téléphonie mobile, l'équipe de recherche a formé des algorithmes d'apprentissage automatique pour estimer la richesse de chaque abonné mobile (à gauche). Dans les 100 cantons les plus pauvres (répartition en rouge sur la figure de droite), ceux dont on estime qu'ils consomment moins de 1.25 $/jour sont prioritaires pour Novissi (ligne verticale en pointillés). Ces individus sont sensiblement plus pauvres que le résident moyen du Togo (répartition bleue).
 

Constatations préliminaires

Après avoir développé cette approche, l'équipe de recherche l'a évaluée avec soin et de manière critique à l'aide de plusieurs ensembles de données indépendants. L'équipe s'est particulièrement attachée à comparer cette nouvelle approche de ciblage aux approches alternatives qui auraient pu être utilisées par le gouvernement togolais à l'époque. En particulier, pour l'extension de Novissi aux zones rurales, le gouvernement togolais envisageait deux alternatives en plus de l'approche téléphonique : une extension du ciblage basé sur l'occupation existant ; et une approche de « couverture géographique » qui offrirait des avantages à tous les individus résidant dans des villages spécifiques.

L'équipe de recherche a utilisé les données de l'enquête téléphonique de septembre 2020 pour comparer ces options et évaluer l'efficacité de chacune des différentes méthodes pour atteindre les pauvres. Les résultats préliminaires indiquent qu'en supposant que l'objectif est d'atteindre les 57,000 100 personnes les plus pauvres dans les 2.5 cantons les plus pauvres, l'approche satellite+téléphone est nettement plus précise que les autres approches à la disposition du gouvernement. En particulier, comme le montre la figure ci-dessous, l'approche satellite + téléphone devrait fournir des avantages à près de XNUMX fois plus de citoyens les plus pauvres qu'un programme qui offrait des avantages en fonction de l'occupation.

Figure 3 : Comparaison de l'approche satellite + téléphone avec les alternatives existantes

Remarques sur les figures : Dans les simulations, l'équipe de recherche a supposé que chacune des trois approches possibles pour cibler les avantages a une contrainte budgétaire de ne pas payer plus de 57,000 100 bénéficiaires. La figure montre la précision de chaque mécanisme pour atteindre les plus pauvres (c'est-à-dire les individus les moins consommateurs dans les 9,484 cantons les plus pauvres), simulée à l'aide d'une enquête téléphonique auprès de 2020 XNUMX individus vivant dans ces cantons, réalisée en septembre XNUMX.

Travaux en cours et futurs

Grâce à une collaboration avec le gouvernement du Togo et GiveDirectly, environ 57,000 2021 nouveaux bénéficiaires sont inscrits à Novissi en utilisant la méthode satellite + téléphone décrite ci-dessus. L'équipe de recherche procède actuellement à une évaluation minutieuse de cette expansion du programme. En particulier, ils ont prévu des enquêtes en personne pour le printemps XNUMX - ou dès que les restrictions de santé publique le permettront - pour parler aux bénéficiaires du programme, aux membres de la communauté et aux chefs de village. Ces entretiens permettront d'évaluer de manière critique le programme et de comparer la nouvelle méthodologie de ciblage aux alternatives courantes utilisées dans la conception des programmes de lutte contre la pauvreté, telles qu'un test de ressources par procuration (PMT) et un ciblage communautaire (CBT). Bien que le gouvernement togolais n'ait pas été en mesure d'utiliser un PMT ou un CBT pour le programme Novissi, ils représentent des points de comparaison importants.

Principales préoccupations et limites

L'équipe de recherche est convaincue que cette nouvelle approche de ciblage peut fournir un moyen efficace de distribuer de l'argent aux personnes extrêmement pauvres, très rapidement. Dans le même temps, d'importantes considérations pratiques, sociales et éthiques sont impliquées dans la mise en œuvre d'un tel programme dans le monde réel - ces considérations ont été au centre du temps et de l'énergie des chercheurs lorsqu'ils ont travaillé avec le gouvernement du Togo et GiveDirectly pour concevoir un programme d'aide humanitaire basé sur cette technologie. Ici, l'équipe met en évidence quelques préoccupations clés, ainsi que leur approche pour y faire face.

Exclusions du programme: Les erreurs d'exclusion (personnes qui ont besoin de prestations mais ne les reçoivent pas) et les erreurs d'inclusion (personnes qui n'ont pas besoin de prestations mais qui en reçoivent) sont d'une importance capitale pour tout mécanisme de ciblage, y compris celui développé par l'équipe de recherche. Il existe une importante littérature académique qui documente les erreurs de ciblage susceptibles de se produire avec les méthodes de ciblage existantes (cf. Banerjee et coll. 2009, Alatas et coll. 2012, Alatas et coll. 2016). Ainsi, l'un des principaux objectifs de l'enquête en personne que l'équipe de recherche a prévue pour le début de 2021 est de documenter rigoureusement les erreurs de ciblage qui se sont produites lors de ce déploiement initial, afin de s'assurer que ces erreurs sont transparentes et peuvent être corrigées à l'avenir.

Pour ce programme, une préoccupation importante concerne les exclusions qui se produisent pour les personnes qui n'ont pas de téléphone portable. Bien que ce type d'exclusion ne soit pas le produit de la nouvelle méthode des chercheurs, il existe en vertu du fait que la seule façon pour le gouvernement de distribuer rapidement de l'argent massivement pendant la pandémie était en utilisant l'argent mobile - c'est une préoccupation que l'équipe de recherche suit très attentivement par le biais d'enquêtes, d'audits et d'engagements avec les dirigeants communautaires (voir ci-dessous pour plus d'informations à ce sujet). Sur la base de l'analyse par l'équipe de recherche des récentes données d'enquêtes auprès des ménages représentatives au niveau national, l'équipe estime qu'environ 90 % des ménages au Togo possèdent au moins un téléphone portable, ce qui pourrait limiter la portée de ces exclusions. De plus, l'expansion actuelle a été conçue pour permettre à toute personne possédant un Carte SIM pour vous inscrire à Novissi. En d'autres termes, quelqu'un sans téléphone pourrait acquérir une carte SIM (ce qui est beaucoup moins cher qu'un téléphone) et utiliser cette carte SIM dans le téléphone de quelqu'un d'autre pour s'inscrire au programme et bénéficier des avantages. Dans les extensions futures, l'équipe de recherche étudie la possibilité de proposer des téléphones mobiles à bas prix via payer au fur et à mesure subventions.

L'équipe de recherche a également pris plusieurs mesures pour faire connaître le programme au public et encourager les inscriptions. Par exemple, l'équipe a informé les chefs de village du programme, envoyé des centaines de milliers de messages SMS à la population visée de bénéficiaires, distribué des affiches à des centaines de communautés et placé des publicités sur les stations de radio locales. Les chercheurs espèrent que ces efforts pour promouvoir la sensibilisation au programme peuvent aider à réduire la portée de l'exclusion.

Confidentialité des données: Lors de la conception de ce programme, la confidentialité des utilisateurs était une priorité absolue. L'équipe de recherche a pris plusieurs mesures pour minimiser autant que possible l'utilisation des données privées et a demandé au Comité pour la protection des sujets humains de l'UC Berkeley d'examiner toutes les procédures de recherche impliquées dans ce travail. Entre autres protections, l'équipe de recherche a intégré des garanties organisationnelles qui minimisent les données auxquelles chaque partie a accès : par exemple, ni GiveDirectly ni le gouvernement du Togo n'ont jamais accès aux données collectées par les opérateurs de téléphonie mobile. De même, ni le gouvernement ni GiveDirectly n'ont eu accès aux scores de pauvreté dérivés des données mobiles. Au lieu de cela, l'équipe de recherche a produit une liste de bénéficiaires basée sur les scores de pauvreté, et ces bénéficiaires ont été rendus éligibles pour recevoir des transferts. Les seules données que le gouvernement a reçues étaient cette liste de bénéficiaires éligibles. Les chercheurs ont également mis en place des protocoles stricts d'anonymisation, de cryptage et d'accès, par exemple pour s'assurer que toutes les données sont pseudonymisées afin de supprimer les informations d'identification personnelle avant l'analyse. Troisièmement, ils ont recueilli le consentement chaque fois que possible : par exemple, les répondants à l'enquête téléphonique ont fourni un consentement éclairé avant de participer, et les bénéficiaires du programme sont invités à consentir à utiliser leurs données pour l'administration du programme pendant le processus d'inscription à l'USSD.

Équité et partialité: L'équipe de recherche reconnaît le fait que tous les algorithmes sont susceptibles d'être biaisés. Comme indiqué précédemment, l'équipe a pris soin de concevoir la stratégie d'enquête et d'échantillonnage pour s'assurer que les données utilisées pour former l'algorithme d'apprentissage automatique étaient aussi représentatives que possible de la population plus large d'abonnés au téléphone mobile dans les 100 cantons les plus pauvres. L'équipe a également utilisé plusieurs sources indépendantes de données d'enquête pour calibrer et revérifier les résultats de ces algorithmes, et pour mener des audits algorithmiques afin d'examiner si des sous-groupes vulnérables spécifiques étaient plus susceptibles d'être exclus sur la base de l'algorithme. L'équipe de recherche a également prévu de vastes activités d'enquête pour le début de 2021 qui sont conçues pour déterminer si les prédictions de l'algorithme ont été biaisées par inadvertance contre un type particulier de bénéficiaire (comme les femmes, les analphabètes et les sous-groupes marginalisés) ; ces enquêtes aideront également à déterminer si cette méthode est plus efficace pour atteindre certaines populations souvent exclues par des approches alternatives au ciblage des pauvres (par exemple, le ciblage communautaire peut souvent négliger les personnes socialement exclues). Pourtant, les chercheurs sont conscients que tous les types de préjugés ne peuvent pas être anticipés, et s'engagent donc activement avec les membres de la communauté par le biais d'entretiens qualitatifs et d'autres mécanismes de rétroaction pour essayer de mettre en évidence tout préjugé ou exclusion involontaire créé par ce programme.

Sensibilisation et soutien de la communauté: Avant le lancement de Novissi dans les zones rurales, et après une consultation approfondie avec des partenaires au Togo, GiveDirectly et les membres de l'équipe de recherche ont visité plusieurs communautés pour mener des groupes de discussion qualitatifs et des entretiens avec des bénéficiaires potentiels. L'équipe de recherche a également travaillé avec le gouvernement pour contacter plus de 100 chefs de village et de communauté, pour les informer du programme et pour créer une relation afin de recevoir des commentaires sur la conception et la mise en œuvre du programme.

Comme indiqué, l'équipe de recherche a également pris plusieurs mesures pour communiquer le programme au public, par le biais de segments diffusés à la radio locale, ainsi que par la diffusion de messages SMS et d'affiches publiques. L'équipe a mis en place un centre d'appels qui fournit une assistance et un dépannage en temps réel 24 heures sur XNUMX, et les bénéficiaires peuvent également soumettre directement leurs commentaires via la plate-forme USSD par téléphone. Les chercheurs disposent également de plusieurs mécanismes d'audit en temps réel : l'équipe surveille en permanence les données du programme pour s'assurer qu'il n'y a aucun problème d'inscription ou de paiement ; le gouvernement a embauché Ernst & Young comme vérificateurs externes; et GiveDirectly effectue continuellement des appels de suivi qualitatifs avec les participants au programme et les membres de la communauté pour surveiller l'intégrité du programme.

Résumé

En partenariat avec le gouvernement du Togo et GiveDirectly, les chercheurs ont aidé à élaborer une approche innovante de la réponse aux crises humanitaires, conçue pour aider le plus de personnes possible, le plus rapidement possible. En tirant parti de nouvelles sources de données numériques et des progrès récents de l'apprentissage automatique, ils montrent comment cibler les programmes de transferts monétaires humanitaires vers les personnes dans le besoin, même dans des contextes où il n'existe pas de registre social universel.

Remerciements

L'équipe de recherche est reconnaissante à ses partenaires de projet au Togo qui ont soutenu cette initiative, en particulier la ministre Cina Lawson, Shegun Bakari, Stanislas Telou, Leslie Mills, Kafui Ekouhoho et Attia Byll. L'équipe de recherche de GiveDirectly a également contribué à soutenir cet effort, en particulier Han Sheng Chia, Michael Cooke et Alex Nawar. L'équipe de recherche est soutenue par une aide de recherche inestimable d'Isabel Falomir, Shikhar Mehra, Suraj Nair, Nathaniel Ver Steeg et Rachel Warren. Tina George et Zoe Kahn ont fourni des informations utiles sur cette rédaction.
 

Aide financière

¹ Équipe de recherche : Emily Aiken, Suzanne Bellue, Josué Blumenstock, Doyen Karlanet Chris Udry. Pour toute question, contacter Joshua Blumenstock.

² Cette question de ciblage du programme est l'une des difficultés centrales dans la conception des programmes de lutte contre la pauvreté (Coady et coll. (2004), Brown et al. (2018), Hanna et Olken (2018)).

³ Cette approche est basée sur des méthodes décrites plus en détail dans Blumenstock et coll. (2015) et Aiken et coll. (2020).