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

Les programmes de lutte contre la pauvreté du Malawi ont besoin d'estimations actualisées et à petite échelle des lieux où vivent les ménages pauvres, mais des enquêtes auprès des ménages suffisamment détaillées pour un ciblage précis sont coûteuses et se périment rapidement. Des chercheurs ont testé si des images satellite traitées par des modèles d'apprentissage automatique pouvaient combler cette lacune.
Les chercheurs de la Banque mondiale Roy van der Weide, Brian Blankespoor, Chris Elbers et Peter Lanjouw ont combiné l'enquête intégrée auprès des ménages du Malawi de 2010/11 avec les données du recensement de la population de 2008 pour construire une estimation classique de la pauvreté à petite échelle, puis ont construit une seconde carte de la pauvreté à partir de prédictions d'apprentissage automatique dérivées d'indicateurs de télédétection satellitaire, en comparant la capacité de chaque carte à identifier les zones les plus pauvres du Malawi.
Les deux approches se sont accordées sur la géographie générale de la pauvreté dans les régions et districts du Malawi, mais ont divergé sensiblement pour de nombreuses petites zones spécifiques : la carte de télédétection/apprentissage automatique s'est bien comportée 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 précis devraient recevoir les prestations. Ces travaux ont été publiés sous forme de document de travail de recherche sur les politiques de la Banque mondiale n° 10171 en 2022, puis dans la revue à comité de lecture Journal of Development Economics en 2024.
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 de les utiliser en complément, et non en remplacement, du ciblage traditionnel fondé sur des enquêtes — une conclusion qui contraste avec des résultats plus optimistes rapportés pour des méthodes similaires au Nigeria.