evidoria

← Retour à la liste

Bonne pratique Importée

Novissi — transferts d'espèces d'urgence ciblés par l'IA au Togo

Togo · Lomé · Voir le profil de Togo · Voir le profil de Lomé

Preuves: Observationnel / avant-après Top 14% 80/100 · Demandez à Evidence Copilot à propos de cette pratique

Pour accélérer l'aide COVID aux plus pauvres, le Togo a utilisé l'apprentissage automatique sur l'imagerie satellite et les données de téléphonie mobile pour cibler les transferts d'espèces — atteignant 138 500+ personnes avec ~10M USD et améliorant la précision du ciblage de 42%.

138,500+
Personnes inscrites et payées
~10 million USD
Total de l'aide d'urgence versée
42 %
Amélioration de la précision du ciblage par rapport au ciblage géographique simple
Novissi — transferts d'espèces d'urgence ciblés par l'IA au Togo

Détails

Promoteur
Government of Togo (with GiveDirectly, CEGA & IPA)
Mots-clés
Data, forecasting & decision support, cash transfers, machine learning, satellite & mobile data, social protection

Contexte

Novissi est le programme togolais de transferts monétaires d'urgence lié à la COVID-19, mis en œuvre par le gouvernement togolais en partenariat avec GiveDirectly, le CEGA de UC Berkeley et l'IPA, créé pour atteindre rapidement les habitants les plus pauvres du pays alors qu'aucun registre de revenus fiable n'existait.

Activités

Le partenariat a utilisé des modèles d'apprentissage automatique entraînés sur des images satellite haute résolution et des données d'appels téléphoniques mobiles pour estimer la richesse des ménages à un niveau géographique et individuel fin, puis a utilisé ces estimations pour décider qui recevrait les paiements en espèces d'urgence.

Résultats

Le programme a enregistré et versé à plus de 138 500 Togolais parmi les plus pauvres environ 10 millions de dollars américains en aide d'urgence; le ciblage fondé sur l'apprentissage automatique aurait été environ 42% plus précis que le simple ciblage géographique des cantons les plus pauvres.

Conclusions

La page présente ce cas comme un jalon de la protection sociale fondée sur les données, tout en notant que le ciblage par téléphone peut exclure les personnes qui n'en possèdent pas, et que déduire la richesse à partir de données personnelles soulève des questions de confidentialité que l'équipe de recherche affirme avoir en partie traitées grâce à des méthodes de confidentialité différentielle.

Mise en œuvre

Les détails de mise en œuvre (coût, calendrier, personnel, conditions de réussite) ne sont pas encore disponibles pour cette pratique.

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.

Pièces jointes

Pratiques similaires qui pourraient vous être utiles