Dans la lutte contre la pauvreté, comme tout combat, il est bon de connaître les emplacements de vos cibles.

C'est pourquoi les universitaires de Stanford Marshall Burke, David Lobell et Stefano Ermon ont passé les cinq dernières années à diriger une équipe de chercheurs pour trouver un moyen efficace de trouver et de suivre les zones pauvres à travers l'Afrique.

L'outil puissant qu'ils ont développé combine la gratuité, des images satellite accessibles au public avec intelligence artificielle pour estimer le niveau de pauvreté dans les villages africains et les changements dans leur développement au fil du temps. En analysant les données passées et actuelles, l'outil de mesure pourrait fournir des informations utiles aux organisations, les agences gouvernementales et les entreprises qui fournissent des services et des produits de première nécessité aux pauvres.

Les détails de leur engagement ont été dévoilés dans le numéro du 22 mai de Communication Nature .

« Notre grande motivation est de mieux développer des outils et des technologies qui nous permettent de progresser sur des questions économiques vraiment importantes. Et les progrès sont limités par un manque de capacité à mesurer les résultats, " dit Burke, membre du corps professoral du Stanford Institute for Economic Policy Research (SIEPR) et professeur adjoint de science du système terrestre à la School of Earth, Sciences de l'énergie et de l'environnement (Stanford Earth). "Voici un outil qui, selon nous, peut vous aider."

Lobelle, chercheur principal au SIEPR et professeur de science du système terrestre à Stanford Earth, dit qu'il est essentiel de regarder en arrière pour identifier les tendances et les facteurs qui aident les gens à échapper à la pauvreté.

"Étonnamment, il n'y a pas vraiment eu de bonne façon de comprendre comment la pauvreté évolue au niveau local en Afrique, " dit Lobell, qui est également directeur du Center on Food Security and the Environment et William Wrigley Fellow au Stanford Woods Institute for the Environment. "Les recensements ne sont pas assez fréquents, et les enquêtes en porte-à-porte reviennent rarement aux mêmes personnes. Si les satellites peuvent nous aider à reconstruire une histoire de pauvreté, cela pourrait ouvrir beaucoup de place pour mieux comprendre et atténuer la pauvreté sur le continent. »

L'outil de mesure utilise l'imagerie satellitaire à la fois de nuit et de jour. La nuit, les lumières sont un indicateur de développement, et pendant la journée, des images d'infrastructures humaines telles que des routes, agriculture, matériaux de couverture, les structures d'habitation et les cours d'eau, fournir des caractéristiques corrélées avec le développement.

Ensuite, l'outil applique la technologie de l'apprentissage en profondeur - des algorithmes de calcul qui s'entraînent constamment à détecter des modèles - pour créer un modèle qui analyse les données d'imagerie et forme un indice de la richesse des actifs, une composante économique couramment utilisée par les enquêteurs pour mesurer la richesse des ménages dans les pays en développement.

Les chercheurs ont testé la précision de l'outil de mesure pendant environ 20, 000 villages africains qui disposaient de données sur la richesse patrimoniale issues d'enquêtes, datant de 2009. Ils ont constaté qu'il fonctionnait bien pour évaluer les niveaux de pauvreté des villages sur différentes périodes de temps, selon leur étude.

Ici, Burke, qui est également membre du centre du Stanford Woods Institute for the Environment et du Freeman Spogli Institute for International Studies, discute de la fabrication de l'outil et de son potentiel pour aider à améliorer le bien-être des pauvres dans le monde.

Pourquoi êtes-vous enthousiasmé par cette nouvelle ressource technologique?

Pour la première fois, cet outil démontre que nous pouvons mesurer le progrès économique et comprendre les interventions contre la pauvreté à la fois au niveau local et à grande échelle. Il fonctionne dans toute l'Afrique, sur de nombreuses années différentes. ça marche vachement bien, et cela fonctionne dans beaucoup de types de pays très différents.

Pouvez-vous donner des exemples de la façon dont ce nouvel outil serait utilisé?

Si nous voulons comprendre l'efficacité d'un programme de lutte contre la pauvreté, ou si une ONG souhaite cibler un produit spécifique sur des types d'individus spécifiques, ou si une entreprise veut comprendre où se développe un marché, tout cela nécessite des données sur les résultats économiques. Dans de nombreuses régions du monde, nous n'avons tout simplement pas ces données. Maintenant, nous utilisons des données provenant de toute l'Afrique subsaharienne et formons ces modèles pour qu'ils intègrent toutes les données afin de mesurer des résultats spécifiques.

Comment cette nouvelle étude s'appuie-t-elle sur vos travaux antérieurs ?

Notre travail initial de cartographie de la pauvreté, publié en 2016, était sur cinq pays en utilisant une année de données. Il s'est appuyé sur coûteux, des images haute résolution à un format beaucoup plus petit, échelle pilote. Maintenant, ce travail couvre environ deux douzaines de pays - environ la moitié des pays d'Afrique - en utilisant de nombreuses années de données de grande dimension. Cela a fourni des ensembles de données de formation sous-jacents pour développer les modèles de mesure et nous a permis de valider si les modèles font de bonnes estimations de la pauvreté.

Nous sommes convaincus que nous pouvons appliquer cette technologie et cette approche pour obtenir des estimations fiables pour tous les pays d'Afrique.

Une différence clé par rapport aux travaux antérieurs est que nous utilisons maintenant des images satellites entièrement accessibles au public qui remontent dans le temps - et c'est gratuit, qui je pense démocratise cette technologie. Et nous le faisons de manière globale, échelle spatiale massive.

Comment utilisez-vous l'imagerie satellite pour obtenir des estimations de la pauvreté ?

Nous nous appuyons sur les développements rapides dans le domaine de l'informatique – de l'apprentissage en profondeur – qui se sont produits au cours des cinq dernières années et qui ont vraiment transformé la façon dont nous extrayons les informations des images. Nous ne disons pas à la machine ce qu'elle doit rechercher dans les images; au lieu, nous le disons juste, "Voici un endroit riche. Voici un endroit pauvre. Comprenez-le."

L'ordinateur repère clairement les zones urbaines, zones agricoles, routes, voies navigables :éléments du paysage qui, selon vous, auraient un certain pouvoir prédictif en permettant de séparer les zones riches des zones pauvres. L'ordinateur dit, « J'ai trouvé ce modèle » et nous pouvons ensuite lui attribuer une signification sémantique.

Ces caractéristiques plus larges, examiné au niveau du village, s'avèrent fortement liées à la richesse moyenne des ménages de cette région.

Et après?

Maintenant que nous avons ces données, nous voulons les utiliser pour essayer d'apprendre quelque chose sur le développement économique. Cet outil nous permet de répondre à des questions que nous ne pouvions pas poser il y a un an, car nous disposons désormais de mesures au niveau local des principaux résultats économiques au sens large, échelle spatiale et dans le temps.

Nous pouvons évaluer pourquoi certains endroits se portent mieux que d'autres. Nous pouvons demander :à quoi ressemblent les modèles de croissance des moyens de subsistance ? La plupart des variations sont-elles entre les pays ou à l'intérieur des pays ? S'il y a des variations au sein d'un pays, cela nous dit déjà quelque chose d'important sur les déterminants de la croissance. C'est probablement quelque chose qui se passe localement.

je suis économiste, c'est donc le genre de questions qui m'excitent. Le développement technologique n'est pas une fin en soi. C'est un catalyseur pour les sciences sociales que nous voulons faire.