De nouvelles méthodes pour une cartographie de la pauvreté plus précise

|

Cette page en:

Le numérique révolutionne la collecte, le traitement et l’exploitation de données qui permettent d’assurer le suivi des Objectifs de développement durable (ODD) et de prendre des décisions éclairées en vue de leur réalisation. Il existe aujourd’hui de nouvelles méthodes prometteuses pour cartographier la pauvreté avec une meilleure résolution. Ces méthodes allient données classiques issues des enquêtes auprès des ménages et données innovantes issues de la téléphonie mobile (a), d’images satellites (a) ou encore de la fouille de textes (a). Leur mise en œuvre se heurte cependant à d'importants obstacles techniques, pratiques et éthiques.

« L’incorporation réfléchie d’une myriade de mégadonnées aux enquêtes de terrain ne diminue pas la valeur de ces enquêtes, au contraire elle l’accroît. »
Marshall Burke
Marshall Burke
Maître assistant en sciences du système terrestre à l'université Stanford

Pour discuter de ces enjeux, Dalberg Data Insights, le Qatar Computing Research Institute et le Groupe de la Banque mondiale ont convié des experts à un séminaire de cartographie de la pauvreté, lors du sommet mondial 2019 de l'Union internationale des télécommunications sur l’intelligence artificielle (a). L'objectif était d’échanger des connaissances et de mettre sur pied des stratégies pour mieux allier les données classiques sur le développement (enquêtes auprès des ménages ou sur la population active, recensements…) et des sources complémentaires de mégadonnées (satellites, téléphonie mobile, réseaux sociaux), afin d'obtenir des mesures de la pauvreté plus précises, actualisées et à un coût abordable.

Pourquoi mieux mesurer la pauvreté ?

Les tendances qui régissent aujourd’hui la cartographie de la pauvreté s’inspirent largement d’une publication de la Banque mondiale de 2007 intitulée More Than A Pretty Picture (a), qui a permis de développer le recours à des cartes de la pauvreté à grande échelle afin d’éclairer les stratégies de développement. Ce sont traditionnellement les données sur le revenu, les biens et la consommation qui servent à mesurer la pauvreté. La Banque mondiale a publié récemment un nouveau rapport sur la pauvreté (a) qui détaille les estimations et les tendances les plus récentes dans le monde, en proposant une définition et une évaluation plus larges de la pauvreté. Le Groupe de la Banque mondiale et ses pays clients ont besoin de cartes pour comprendre la pauvreté et ses facteurs déterminants, dans le but de mieux concevoir les programmes de réduction des inégalités et d’améliorer la fourniture des services publics en faveur des populations touchées par l’extrême pauvreté (1,90 dollar ou moins par jour) et des 40 % les plus pauvres. Ce besoin se traduit par une demande de données plus fines, susceptibles d'étayer des estimations portant sur des petites zones géographiques (données granulaires), des prévisions immédiates (estimations en temps quasi réel) et un suivi à grande échelle (données à grande échelle).

« Dans les zones urbaines, l'une des principales difficultés est de localiser les populations défavorisées dans un souci de consolider les programmes sociaux et de promouvoir l’égalité des chances. »
Gonzalo Hernandez Licona
Gonzalo Hernández Licona
Secrétaire exécutif de CONEVAL

Les cartes de la pauvreté fournissent des informations indispensables à la prise de décisions, tant pour cibler et répartir les investissements publics qu’améliorer la fourniture des services publics et les infrastructures dans les territoires qui en ont le plus besoin — comme l’expérimentent déjà la Croatie (a) ou le Mexique (es) — faire face aux crises ou évaluer les vulnérabilités liées aux catastrophes naturelles, aux conflits et à la sécurité alimentaire (FEWS NET).

Les mesures de la pauvreté s’effectuent généralement tous les 5 à 10 ans (voire plus) et ces diagnostics manquent de précision. C’est ce qu’indique, par exemple, l’étude de Serajuddin et al. (a) menée en 2015 : sur les 155 pays pour lesquels le Groupe de la Banque mondiale recense les données sur la pauvreté, 57 possédent moins de deux points de mesure (seuil minimum pour mesurer valablement la pauvreté sur une décennie) pour la période 2002-2011. La densité des points de mesure s'améliore cependant. Le Groupe de la Banque mondiale a ainsi pris récemment l’engagement inédit d’appuyer la réalisation d’enquêtes multithématiques auprès des ménages (a) tous les trois ans, entre 2016 et 2030, dans 78 pays qui bénéficient de l’aide de l'Association internationale de développement.

De nouvelles sources de données pour combler les lacunes

Les méthodes alternatives (a) qui veulent fournir des estimations de la pauvreté dans des environnements où les données sont rares se confrontent à plusieurs obstacles, notamment la densité des données et leur comparabilité. Pour remédier à ces difficultés, elles utilisent souvent des données satellitaires et mobiles. Les satellites fournissent chaque jour des images haute résolution de la Terre à partir desquelles on peut évaluer le bien-être des ménages : l’occupation et la nature de l’utilisation des sols offrent de précieuses indications tout comme certains équipements (bâtiments ou voitures, par exemple). Un éclairage nocturne (a) peut par ailleurs dénoter une activité économique. Les données issues de la téléphonie mobile fournissent des informations sur la consommation téléphonique, la mobilité, les réseaux sociaux et les transactions financières (argent mobile) des utilisateurs, ce qui permet d’évaluer la pauvreté à l'échelle individuelle en temps quasi réel.

« Grâce aux données de la téléphonie mobile, on peut obtenir des estimations dynamiques de la pauvreté à un niveau de désagrégation très élevé, ce qui constitue une ressource inestimable pour l’amélioration du suivi de la pauvreté, notamment lorsqu’on ne dispose d’aucune enquête, que leur coût est trop élevé ou que les données sont difficiles à collecter. »
Nancy Lozano Gracia
Nancy Lozano-Gracia
Économiste senior au Groupe de la Banque mondiale

Malheureusement, face à l’absence de marché et de pénétration de la téléphonie mobile, ces données sont généralement biaisées et non représentatives de la population générale (a). L’exploitation de données par nature sensibles implique également l'élaboration de mécanismes supplémentaires qui garantissent la vie privée des utilisateurs (a). L'accès à ces données n'est donc pas homogène, même en temps de crise (a).

Si les données satellitaires échappent à ces problématiques, elles n’en demeurent pas moins limitées (a) : toutes les mesures du développement humain ne peuvent être vues de l'espace. Toutefois, plusieurs nouvelles approches cartographiques ont montré que l’incorporation réfléchie de données mobiles et satellitaires aux données d'enquêtes (mobiles) peut conduire à des estimations fiables.

Blumenstock et son équipe (a) sont parvenus en 2015 à obtenir dix fois plus rapidement des estimations comparables à celles d’enquêtes sur la démographie et la santé, pour un coût 50 fois inférieur (coûts variables). Plusieurs autres études ont mêlé données mobiles et satellitaires à celles d'enquêtes — Njuguna et al, 2017 ; Steele et al, 2017 ; et Pokhriyal et al, 2017 (a). Certains chercheurs se sont même appuyés sur des données publicitaires (a), sur Wikipedia (a) et Google Street View (a) pour cartographier la pauvreté. Ces approches en sont encore au stade expérimental ou en phase pilote et il convient de noter que les mégadonnées complètent les données d'enquête de grande qualité et ne s’y substituent pas.

En veillant à une plus grande complémentarité entre enquêtes et mégadonnées (meilleur accès aux données, interopérabilité accrue et conception affinée des enquêtes), la communauté du développement peut valider et évaluer dans des délais plus courts les coûts et les bénéfices de ces approches innovantes, capables d’offrir une plus grande actualisation, densité et qualité d’informations stratégiques. 

Des mesures haute résolution à exploiter

Les participants à l'atelier ont défini plusieurs étapes pour améliorer l'accessibilité, l'intégration et l'utilisation responsables de sources de données diverses et de l’apprentissage automatique pour la cartographie de la pauvreté :

  1. Accélérer la validation de nouvelles approches prometteuses par le biais de concours en ligne et d'activités programmatiques afin d’étalonner les méthodes et d'évaluer leur rapport coût/bénéfice et leur adéquation aux fins recherchées ;
  2. Renforcer les capacités locales de traitement et de renouvellement des mesures haute résolution, au moyen de pratiques reproductibles en matière d'analyse et de contenu de formation ;
  3. Promouvoir des accords d'accès aux données, notamment des modèles économiques pérennes (a) qui s’éloignent des modèles de financement philanthropiques et autres dispositions juridiques et techniques, afin que les institutions et les pays s’approprient un plus large corpus de données qui formerait un bien commun ;
  4. Améliorer les infrastructures de données publiques et commerciales en adoptant des normes et des formats qui favorisent l'interopérabilité spatiale, l'exploitation immédiate (a) et une gestion informatisée via le cloud (a).

Depuis la publication il y a cinq ans du rapport A World That Counts (a) des Nations Unies, on assiste à une montée en puissance des innovations en matière de cartographie de la pauvreté. S’il est démontré que ces approches axées sur le big data et l'apprentissage automatique complètent utilement les statistiques officielles, leur adoption à grande échelle reste à concrétiser. Grâce à une évolution réfléchie de l'écosystème des données, la communauté du développement pourrait exploiter des cartes de la pauvreté haute résolution et avancer dans la réalisation de l’ODD 1 : pas de pauvreté.

 

Vous souhaitez prendre part au débat ? Rejoignez la communauté en nous contactant aux adresses suivantes : [email protected] et [email protected] 

Thèmes

Auteurs

Carlos Rodríguez Castelán

Économiste principal au sein du pôle mondial d'expertise sur la pauvreté et l'équité

Ingmar Weber

Research Director for Social Computing at the Qatar Computing Research Institute (QCRI)

Prenez part au débat