Mapa de Pobreza del Banco Mundial en Malaui — Probando si la IA Satelital Puede Dirigir las Transferencias Sociales en Efectivo

Los programas contra la pobreza de Malaui necesitan estimaciones actualizadas y de área pequeña sobre dónde viven los hogares pobres, pero las encuestas de hogares suficientemente detalladas para una focalización precisa son costosas y quedan obsoletas rápidamente.

Investigadores del Banco Mundial (Roy van der Weide, Brian Blankespoor, Chris Elbers y Peter Lanjouw) pusieron a prueba si las imágenes satelitales procesadas mediante modelos de aprendizaje automático podían llenar ese vacío.

Los investigadores combinaron la Encuesta Integrada de Hogares 2010/11 de Malaui con datos del censo de población de 2008 para construir una estimación convencional de pobreza de área pequeña, y luego construyeron un segundo mapa de pobreza usando predicciones de aprendizaje automático derivadas de indicadores de teledetección satelital, comparando qué tan bien identificaba cada mapa las áreas más pobres de Malaui.

Los dos enfoques coincidieron en la geografía general de la pobreza entre regiones y distritos, pero divergieron sustancialmente en muchas áreas específicas pequeñas: el mapa de teledetección/aprendizaje automático funcionó bien para clasificar áreas más grandes (por ejemplo, para asignar un presupuesto nacional de red de seguridad entre distritos), pero no fue lo suficientemente fiable por sí solo para decidir qué aldeas u hogares específicos deberían recibir beneficios.

Los autores advierten explícitamente contra depender de los mapas de pobreza por teledetección como sustituto autónomo de los datos de encuestas de hogares cuando están en juego decisiones de focalización fina, recomendando que complementen, en lugar de sustituir, la focalización tradicional basada en encuestas —una conclusión que contrasta con resultados más optimistas reportados para métodos similares en Nigeria.