evidoria

← Retour à la liste

Bonne pratique Importée

Aswesuma — le score algorithmique de ciblage social du Sri Lanka et son problème d'exclusion

Sri Lanka · Colombo · Voir le profil de Sri Lanka · Voir le profil de Colombo

Preuves: Observationnel / avant-après Top 83% 40/100 · Demandez à Evidence Copilot à propos de cette pratique

Le programme Aswesuma du Sri Lanka utilise un score de privation multidimensionnelle à 22 indicateurs, calculé par le Département du recensement et des statistiques, pour classer les demandeurs d'aide sociale en niveaux de prestations ; des analyses indépendantes documentent une forte exclusion de ménages éligibles et un manque de transparence sur le mode de calcul du score.

18.8 %
Couverture de la population sous Samurdhi (2016)
29.1 %
Couverture de la population sous Aswesuma (2024-25)
35 %
Objectif de couverture gouvernemental
12.34 million (55.7%) of population
Population évaluée comme multidimensionnellement vulnérable
~2 million households
Ménages sélectionnés comme bénéficiaires

Détails

Maturité
Établie
Promoteur
Welfare Benefits Board / Department of Census and Statistics, Ministry of Finance, Planning and Economic Development
Période
2023-2025
Mots-clés
social protection, welfare targeting, algorithmic scoring, poverty measurement

Contexte

Aswesuma est le programme sri-lankais de ciblage de l'aide sociale fondé sur une formule, lancé en 2023 en tant que successeur, lié au FMI, du programme discrétionnaire Samurdhi. Le Département du recensement et des statistiques du Sri Lanka calcule un score de privation multidimensionnelle à partir de 22 indicateurs recueillis par enquête auprès des ménages, répartissant les ménages en l'un des quatre niveaux de prestations.

Objectifs

Remplacer le ciblage manuel et politiquement discrétionnaire de l'aide sociale par un système de notation objectif fondé sur une formule.

Activités

Des enquêteurs recueillent des données sur l'éducation, la santé, le logement, les biens, la démographie et la situation économique des ménages, en utilisant la méthodologie du Proxy Means Test pour calculer le score de privation de chaque ménage.

Résultats

La couverture est passée de 18,8 % de la population sous Samurdhi en 2016 à 29,1 % sous Aswesuma selon l'enquête BRIGHT 2024-2025, encore en deçà de l'objectif gouvernemental de 35 % ; par ailleurs, Groundviews a constaté que 12,34 millions de personnes (55,7 % de la population) étaient évaluées comme multidimensionnellement vulnérables, alors que seuls environ 2 millions de ménages ont effectivement été sélectionnés comme bénéficiaires.

Conclusions

Human Rights Watch a documenté des résultats de réforme « chaotiques », avec des seuils arbitraires et une forte exclusion des ménages éligibles ; Groundviews a intitulé son enquête « Forte exclusion, faible transparence » ; et l'institut de politiques LIRNEasia réclame une explication publique plus claire du fonctionnement de l'algorithme ; les articles notent que la responsabilité publique des erreurs de sélection est souvent attribuée au « logiciel » plutôt qu'à la conception de la politique.

Mise en œuvre

Coût indicatif
Moyen (50 k€–500 k€)
Délai jusqu’aux résultats
Long (> 3 ans)
Personnel et compétences
Department of Census and Statistics enumerators and analysts, Welfare Benefits Board, Ministry of Finance, Planning and Economic Development

Conditions de réussite

  • Accurate, up-to-date household survey data
  • Transparent public communication of how the scoring algorithm works

Modes d’échec courants

  • Arbitrary cutoffs and high exclusion of eligible households
  • Low transparency in how the algorithm operates
  • Public blame for errors misdirected at 'the software' rather than policy design

Habituellement financé par

National / regional programmes

Pistes de financement indicatives pour des pratiques de ce type — vérifiez toujours les appels en cours et les règles d'éligibilité de chaque programme.

Vous portez cette pratique ? Revendiquez-la — les porteurs vérifiés obtiennent un contact public sur la page et peuvent proposer des corrections.

Sources de données

D'où proviennent les informations de cette pratique, et quand.

Pratiques similaires qui pourraient vous être utiles