evidoria

← Retour à la liste

Bonne pratique Importée

Carte de la Pauvreté de la Banque Mondiale au Malawi — Tester si l'IA Satellitaire Peut Cibler les Transferts Sociaux en Espèces

Malawi · Lilongwe · Voir le profil de Malawi · Voir le profil de Lilongwe

Preuves: Quasi expérimental Top 83% 40/100 · Demandez à Evidence Copilot à propos de cette pratique

Une étude de la Banque mondiale a testé si des images satellite traitées par IA peuvent remplacer de coûteuses enquêtes auprès des ménages pour cibler le filet de sécurité sociale du Malawi, concluant que les cartes de pauvreté par apprentissage automatique suivent bien les tendances régionales mais sont moins fiables pour repérer les zones locales les plus pauvres.

Détails

Promoteur
World Bank, with Malawi's National Statistical Office
Période
2022-2024
Mots-clés
social protection, poverty mapping, remote sensing, machine learning, cash transfers

Contexte

Les programmes de lutte contre la pauvreté du Malawi ont besoin d'estimations à petite échelle et à jour sur l'emplacement des ménages pauvres, mais les enquêtes auprès des ménages suffisamment détaillées pour un ciblage précis sont coûteuses et se périment rapidement.

Objectifs

Des chercheurs de la Banque mondiale (Roy van der Weide, Brian Blankespoor, Chris Elbers et Peter Lanjouw) ont testé si l'imagerie satellite traitée par des modèles d'apprentissage automatique pouvait combler cette lacune.

Activités

Les chercheurs ont combiné l'enquête intégrée sur les ménages 2010/11 du Malawi avec les données du recensement de la population de 2008 pour construire une estimation conventionnelle de la pauvreté à petite échelle, puis ont construit une seconde carte de la pauvreté utilisant des prédictions d'apprentissage automatique dérivées d'indicateurs de télédétection par satellite, comparant la capacité de chaque carte à identifier les zones les plus pauvres du Malawi.

Résultats

Les deux approches s'accordaient sur la géographie générale de la pauvreté entre régions et districts, mais divergeaient sensiblement pour de nombreuses zones spécifiques à petite échelle : la carte de télédétection/apprentissage automatique a bien fonctionné pour classer les grandes zones (par exemple, pour répartir un budget national de filet de sécurité entre districts), mais n'était pas assez fiable à elle seule pour décider quels villages ou ménages spécifiques devraient recevoir des prestations.

Conclusions

Les auteurs mettent explicitement en garde contre le fait de s'appuyer sur des cartes de pauvreté par télédétection comme substitut autonome aux données d'enquêtes auprès des ménages lorsque des décisions de ciblage fin sont en jeu, recommandant qu'elles complètent, plutôt que remplacent, le ciblage traditionnel basé sur les enquêtes — une conclusion en contraste avec des résultats plus optimistes rapportés pour des méthodes similaires au Nigeria.

Mise en œuvre
Coût indicatif
Faible (< 50 k€) — Not disclosed; a research project building on existing survey/census data and satellite imagery rather than new field data collection.
Délai jusqu’aux résultats
Moyen (1–3 ans) — Built on 2008 census and 2010/11 survey data; published as a working paper in 2022 and in a peer-reviewed journal in 2024.
Personnel et compétences
World Bank research team (van der Weide, Blankespoor, Elbers, Lanjouw), Malawi's National Statistical Office (survey/census data partner)

Conditions de réussite

  • Access to a recent, high-quality household survey (2010/11 Integrated Household Survey) and census (2008) as ground truth
  • Transparent publication of methodology and limitations, including where the approach underperforms
  • Framing the tool as a complement to, not replacement for, survey-based targeting

Modes d’échec courants

  • Machine-learning/satellite map was not reliable enough for household- or village-level targeting decisions, only for larger-area budget allocation
  • Results diverged from more optimistic findings for comparable methods in Nigeria, meaning performance is not assumed to transfer across countries
  • No Malawian government safety-net programme had adopted the method at time of reporting

Où cela s’applique

Type de gouvernance
research / World Bank technical assistance
Échelle
national (Malawi)
Niveau de revenu
low-income

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