Can Poverty Be Reduced by Acting on Discrimination? An Agent-based Model for Policy Making
Cet article présente le Modèle à Base d'Agents de l'Aporophobie (AABM), qui utilise des données réelles de Barcelone pour démontrer de manière computationnelle que la discrimination envers les pauvres (l'aporophobie) exacerbe les inégalités de richesse, plaidant ainsi pour des changements de politiques qui traitent la pauvreté comme un problème sociétal ancré dans la discrimination plutôt que par de simples mesures redistributives traditionnelles.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez une ville numérique géante où vivent des milliers de petites personnes générées par ordinateur. Il ne s'agit pas d'un jeu vidéo de construction de villes ; c'est une « boule de cristal » utilisée par des chercheurs pour tester comment les lois affectent le portefeuille des gens réels avant que ces lois ne soient jamais adoptées dans le monde réel.
Voici l'histoire de ce document, décomposée en concepts simples.
Le gros problème : Le « piège de la pauvreté »
Pendant longtemps, le monde a essayé de combattre la pauvreté en donnant simplement de l'argent aux gens ou en partageant la richesse (comme un parent partageant une tarte). Mais ces derniers temps, cela ne fonctionne plus aussi vite qu'auparavant. Les chercheurs ont remarqué que quelque chose d'autre pourrait bloquer le chemin : l'aporophobie.
Considérez l'aporophobie comme une « phobie de la pauvreté ». C'est la peur, le dégoût ou le rejet des personnes pauvres. C'est comme si un quartier décidait que toute personne ayant les poches vides était « mauvaise » ou « paresseuse », et que les règles de la ville étaient écrites pour les punir plutôt que pour les aider. Le document pose une question simple : Si nous changeons les règles pour arrêter de punir les pauvres, la pauvreté diminuera-t-elle ?
L'outil : Un simulateur de ville numérique
Pour répondre à cela, l'équipe a construit un Modèle à Base d'Agents (MBA).
- Les Agents : Ce sont les personnes numériques. Elles ne sont pas aléatoires ; elles sont construites à partir de données réelles de Barcelone, en Espagne. Elles ont des emplois, certaines sont sans abri, elles ont des familles et elles ont des factures.
- Le Cerveau : Ces personnes numériques ont un « cerveau » basé sur la hiérarchie des besoins de Maslow. Imaginez une pyramide. À la base, vous avez besoin de nourriture et d'un lit. Si vous n'avez pas cela, vous ne pouvez pas vous soucier du sommet de la pyramide (comme faire de l'art ou se sentir respecté). Les personnages informatiques agissent pour remplir leur « coupe vide » la plus urgente en premier. S'ils ont faim, ils vont à l'épicerie. S'ils n'ont pas de logement, ils cherchent un abri.
- Les Règles (Les Lois) : Les chercheurs ont programmé la ville avec de vraies lois de Barcelone. Certaines lois sont gentilles (non-aporophobes), comme donner des allocations de chômage ou des logements gratuits. D'autres sont méchantes (aporophobes), comme amender les gens pour avoir dormi dans la rue ou les envoyer en prison s'ils ne peuvent pas payer.
L'expérience : Faire tourner la simulation
Les chercheurs ont fait tourner la simulation 64 fois de manières différentes. Dans certains cas, ils ont activé les lois « gentilles ». Dans d'autres, ils ont activé les lois « méchantes ». Dans certains cas, ils les ont toutes activées en même temps.
Ils ont mesuré le résultat à l'aide d'un coefficient de Gini.
- Voyez cela comme un « Score d'Équité ».
- Un score de 0 signifie que tout le monde possède exactement la même quantité d'argent (équité parfaite).
- Un score de 1 signifie qu'une seule personne possède tout l'argent et que tous les autres n'ont rien (injustice totale).
Ce qu'ils ont trouvé
Les résultats ont été un déclic pour l'élaboration des politiques :
- Les lois « méchantes » aggravent la situation : Lorsque la simulation incluait des lois qui punissaient les pauvres (comme amender les sans-abris pour avoir dormi dans la rue), le « Score d'Équité » se dégradait fortement. L'écart entre les riches et les pauvres s'élargissait. C'était comme essayer d'éteindre un feu en y jetant de l'essence.
- Les lois « gentilles » aident : Lorsqu'ils utilisaient des lois qui apportaient un soutien (comme les allocations de chômage ou les logements gratuits), le « Score d'Équité » s'améliorait. L'écart entre les riches et les pauvres rétrécissait.
- L'impact spécifique : Une loi « gentille » spécifique (donner des allocations de chômage) était la plus efficace pour empêcher les gens de toucher le fond. Inversement, une loi qui transformait les amendes impayées en temps de prison rendait la situation pour les plus pauvres nettement pire, poussant davantage d'entre eux à la faillite.
La conclusion
Le document soutient que la pauvreté n'est pas seulement un problème de « manque d'argent ». C'est aussi un problème de la façon dont la société traite les personnes qui n'ont pas d'argent.
Si les lois d'une ville sont écrites avec peur ou haine envers les pauvres (aporophobie), ces lois rendent la pauvreté plus difficile à résoudre. Mais si les lois sont écrites pour soutenir et protéger les vulnérables, toute la société devient plus égale.
En bref : On ne peut pas réparer un bateau qui fuit simplement en écoupant l'eau (redistribution de la richesse) ; il faut aussi arrêter de percer des trous dans le fond du bateau (lois discriminatoires). Ce modèle informatique prouve que le fait d'arrêter de « percer » aide le bateau à rester à flot.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.