📊 statistics

Context-Aware Displacement Estimation from Mobile Phone Data: A Methodological Framework

Cet article présente un cadre méthodologique qui exploite les données de téléphonie mobile pour générer des estimations de déplacement de population contextuelles et en temps quasi réel en distinguant les usagers réguliers des personnes affectées par une catastrophe, réduisant ainsi les erreurs de surestimation et fournissant aux acteurs humanitaires des mesures exploitables et des marges d'incertitude pour l'aide à la décision.

Auteurs originaux : Rajius Idzalika, Muhammad Rheza Muztahid, Radityo Eko Prasojo

Publié 2026-07-08

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Rajius Idzalika, Muhammad Rheza Muztahid, Radityo Eko Prasojo

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 que vous essayez de compter combien de personnes ont fui leur foyer après une tempête dévastatrice. Par le passé, les travailleurs humanitaires devaient se rendre dans les villages, frapper aux portes et demander : « Êtes-vous parti ? ». C’est lent, coûteux et souvent impossible lorsque les routes sont coupées par les eaux.

Cet article propose une méthode plus rapide : utiliser les données de téléphonie mobile comme une « empreinte numérique » pour voir où les gens se déplacent en temps quasi réel. Cependant, les auteurs ont constaté un problème majeur dans la manière dont cela était habituellement fait, et ils ont conçu un nouveau « filtre intelligent » pour le corriger.

Voici la décomposition de leur méthode, utilisant des analogies simples.

Le Problème : La « Confusion du Navetteur »

Pensez à une journée typique pour une personne qui vit dans la Ville A mais travaille dans la Ville B.

Du lundi au vendredi : Elle se réveille en Ville A, va travailler en Ville B, et dort en Ville A.
L'ancienne méthode : Si une tempête frappe, l'ancien programme informatique analyse les données de téléphonie. Un mardi, il voit la personne en Ville B. Comme sa « maison » est en Ville A, l'ordinateur s'écrie : « Cette personne est déplacée ! Elle a quitté son domicile ! »

C'est une fausse alerte. La personne n'est pas déplacée ; elle est simplement au travail. Si vous comptez chaque navetteur comme un réfugié, vous finissez par surestimer massivement les chiffres, ce qui conduit les groupes d'aide à envoyer trop de fournitures aux mauvais endroits.

La Solution : Le Filtre « Sensible au Contexte »

Les auteurs ont créé un nouveau cadre qui agit comme un videur intelligent à l'entrée d'un club. Au lieu de simplement vérifier si quelqu'un est dans un lieu différent, le videur vérifie qui est la personne et quel jour on est.

Ils procèdent en trois étapes :

1. Construire un « Profil de Personnalité » (Classification de la Mobilité)

Avant que la tempête ne frappe, le système observe tout le monde pendant quelques semaines pour apprendre leurs habitudes. Il classe les gens en groupes :

Le Local : Reste toujours dans la même ville.
Le Navetteur Quotidien : Vit en Ville A, travaille en Ville B, tous les jours de la semaine.
Le Voyageur du Week-end : Ne se déplace que les samedis et dimanches.

2. Les Règles du « Videur Intelligent » (Détection Sensible au Contexte)

Quand la tempête frappe, le système applique des règles différentes selon le profil :

Si vous êtes un Local : Si vous n'êtes pas dans votre ville d'origine, vous êtes Déplacé.
Si vous êtes un Navetteur Quotidien :
- Un mardi : Si vous êtes dans votre ville de travail (Ville B), vous n'êtes PAS Déplacé. (Le videur vous laisse passer).
- Un samedi : Si vous êtes dans votre ville de travail (Ville B) au lieu de votre maison (Ville A), vous ÊTES Déplacé. (Le videur vous arrête, car vous devriez être chez vous).

Ce simple changement empêche le système de paniquer chaque fois qu'un travailleur se rend à son bureau.

3. La « Marge de Sécurité » (Limites d'Incertitude)

Les auteurs savent que ce n'est pas parfait. Parfois, les téléphones tombent en panne ou les antennes se brisent pendant une tempête. Ainsi, ils ne donnent pas seulement un chiffre unique (ex: « 5 000 personnes déplacées »). Au lieu de cela, ils donnent une fourchette, comme une prévision météo.

Exemple : « Nous estimons que 5 000 personnes sont déplacées, mais le chiffre réel pourrait se situer entre 4 300 et 5 700. »
Ils calculent cette fourchette en regardant de combien les mouvements des gens oscillent normalement les jours ordinaux, puis en ajoutant un « facteur de catastrophe » pour tenir compte du chaos d'une tempête.

Le Test en Conditions Réelles : Le Typhon Nando

L'équipe a testé cela aux Philippines lors du super typhon Nando (2025) dans une ville appelée Aparri.

Le Résultat : L'ancienne méthode indiquait qu'environ 9 % des personnes étaient déplacées en semaine. La nouvelle méthode « intelligente » indiquait seulement 6,5 %.
La Différence : L'ancienne méthode comptait environ 2,5 % de la population (les navetteurs) comme réfugiés alors qu'ils étaient simplement au travail.
L'Intuition : La nouvelle méthode a également montré où les gens sont allés. Elle a découvert que beaucoup de personnes se sont déplacées vers la capitale régionale (Tuguegarao) pour leur sécurité, et pas seulement vers le village voisin.

Ce que cet article NE FAIT PAS

Pour être clair sur les limites :

Il ne compte pas les personnes qui sont restées chez elles. Si une tempête frappe et que vous restez dans votre maison, votre téléphone peut toujours être connecté à l'antenne locale. Le système pense que vous êtes « chez vous », donc il ne vous compte pas comme déplacé, même si votre maison est inondée.
Il ne sait pas pourquoi vous avez bougé. Il voit que vous avez bougé, mais il ne sait pas si vous avez bougé à cause de la tempête ou pour rendre visite à un ami. Il suppose que la tempête a causé le mouvement car cela s'est produit juste après la tempête.
Ce n'est pas un recensement parfait. Cela dépend du fait que les gens aient des téléphones et les laissent allumés. Si vous êtes pauvre, âgé ou dans une zone rurale sans signal, vous pourriez être invisible pour ce système.

L'Essentiel

Cet article propose une manière plus rapide et plus intelligente d'estimer où les gens se rendent après une catastrophe. En apprenant à l'ordinateur à faire la différence entre « aller au travail » et « fuir une tempête », les organisations humanitaires peuvent cesser de gaspiller des ressources dans des fausses alertes et se concentrer sur les personnes qui ont réellement besoin d'aide. Cela transforme un signal flou et bruyant en une image plus claire de qui est en sécurité et qui est en danger.

Résumé technique : Estimation du déplacement sensible au contexte à partir de données de téléphonie mobile

Énoncé du problème
Des estimations de déplacement de population rapides et précises sont cruciales pour la réponse humanitaire lors de catastrophes. Les méthodes traditionnelles, telles que les enquêtes auprès des ménages et les évaluations sur le terrain, demandent beaucoup de ressources, sont lentes à déployer et sont souvent limitées par l'accès physique aux zones sinistrées. Bien que les données de téléphonie mobile offrent un mécanisme de suivi en temps quasi réel, les approches existantes appliquent généralement des définitions de déplacement uniformes qui ne parviennent pas à distinguer le déplacement forcé des modèles de mobilité réguliers. Plus précisément, les méthodes standards classent souvent par erreur les navetteurs réguliers comme personnes déplacées lorsqu'ils sont observés dans des lieux différents de leur domicile, ce qui entraîne une surestimation systématique des chiffres de déplacement.

Cadre méthodologique
Le document présente un cadre méthodologique conçu pour séparer le déplacement potentiel des modèles de mobilité réguliers en utilisant des données de téléphonie mobile. Le cadre fonctionne via un pipeline à six étapes :

Signal de localisation quotidien : Le système utilise un signal de localisation unique fourni par le fournisseur par utilisateur et par jour (mode externe), distinguant les localisations de week-end (de type résidentiel) des localisations de semaine (de type activité diurne).
Établissement de la base de référence résidentielle : Un « véritable domicile » stable est déterminé à partir d'une période de référence pré-catastrophe (minimum 6 semaines). La méthodologie privilégie les observations de week-end (nécessitant $\ge$ 2 jours) pour identifier la localisation résidentielle, avec un recours à la localisation modale en semaine (nécessitant $\ge$ 5 jours) si les données de week-end sont insuffisantes.
Classification du profil de mobilité : Les utilisateurs sont catégorisés selon la relation entre leur base de référence résidentielle et leur localisation modale en semaine :
- Résident local : Même emplacement les jours de semaine et les week-ends.
- Navetteur intra-urbain : Emplacement différent au sein de la même ville.
- Navetteur inter-urbain : Emplacement différent dans une autre ville.
- Utilisateur de week-end uniquement : Aucune donnée disponible en semaine.
Détection du déplacement sensible au contexte : Des règles de déplacement sont appliquées dynamiquement en fonction du type d'utilisateur et du jour de la semaine.
- Résidents locaux / Navetteurs intra-urbains : Déplacés s'ils sont observés en dehors de leur ville de résidence.
- Navetteurs inter-urbains : Déplacés uniquement s'ils sont observés en dehors de leur ville de résidence et de leur ville de travail les jours de semaine. Le week-end, ils sont considérés comme déplacés s'ils sont en dehors de leur ville de résidence.
- Utilisateurs de week-end uniquement : Déplacés s'ils sont en dehors de leur ville de résidence.
Calcul des métriques : Le cadre calcule trois métriques : les taux de déplacement, les flux origine-destination (O-D) et la dynamique de retour.
Mise à l'échelle de la population et incertitude : Le nombre d'abonnés est mis à l'échelle pour atteindre les niveaux de population à l'aide d'un ratio spécifique à la ville. Les limites d'incertitude sont dérivées du coefficient de variation (CV) de base des comptes d'utilisateurs quotidiens, ajusté par un multiplicateur de catastrophe (par défaut 2,0) pour tenir compte de la variabilité comportementale induite par la crise.

Contributions clés
Le document identifie trois principales innovations méthodologiques :

Classification du profil de mobilité : Catégorisation explicite des utilisateurs par modèles de navette (locaux, intra-urbains, inter-urbains) pour différencier la mobilité régulière du déplacement.
Logique de détection sensible au contexte : Application de règles de déplacement qui varient selon le type d'utilisateur et le jour de la semaine, créant spécifiquement une « exception » pour les navetteurs inter-urbains en semaine afin d'éviter les faux positifs.
Quantification de l'incertitude opérationnelle : Utilisation d'une approche basée sur le CV avec un facteur d'ajustement de catastrophe pour fournir des limites d'aide à la décision plutôt que des intervalles d'inférence statistique formelle. Cette approche reconnaît le problème d'identification partielle où les utilisateurs « manquants » (inobservables en raison de problèmes de réseau ou d'un manque d'activité) ne peuvent être classés ni comme déplacés ni comme non-déplacés.

Résultats de l'étude de cas
Le cadre a été appliqué aux données d'Aparri, Cagayan, suite au super typhon Nando en septembre 2025, en utilisant les données de localisation quotidiennes de Globe Telecom.

Réduction de la surestimation : La méthode sensible au contexte a réduit l'estimation du déplacement entre municipalités de 1,6 à 2,7 points de pourcentage en semaine par rapport aux méthodes naïves. Cette différence est attribuée à l'exclusion des navetteurs inter-urbains qui étaient incorrectement signalés comme déplacés par des règles uniformes.
Convergence du week-end : Le week-end, la méthode sensible au contexte et la méthode naïve produisent des résultats presque identiques (différence de 0,1 pp), confirmant que la logique d'exception pour les navetteurs fonctionne comme prévu uniquement pour les jours de semaine.
Modèles de déplacement : L'étude a identifié que les personnes déplacées se sont déplacées vers les municipalités voisines immédiates ainsi que vers la capitale régionale, Tuguegarao City (environ 80 km de distance).
Dynamique de retour : Une analyse rétrospective a montré un taux de retour cumulé passant de 0 % à 87,6 % sur 15 jours, avec 50 % des abonnés déplacés de retour au 9ème jour.
Comparaison avec les données officielles : L'estimation du cadre de 6,5 % de déplacement entre municipalités était inférieure au décompte officiel de la DSWD de 15,5 %. Les auteurs notent que cela est attendu, car le décompte officiel inclut les évacués internes (au sein de la même municipalité), ce que le cadre de données mobiles ne détecte pas.

Signification et limites
Le document positionne ce cadre comme un outil d'aide à la décision opérationnelle plutôt que comme une inférence statistique formelle. Sa principale importance réside dans sa capacité à fournir des estimations rapides, au niveau municipal, qui tiennent compte des modèles de navette réguliers, réduisant ainsi le risque de mauvaise allocation des ressources humanitaires basées sur des chiffres de déplacement gonflés.

Les auteurs reconnaissent explicitement plusieurs limites :

Portée : La méthode ne détecte que le déplacement entre municipalités ; l'évacuation intra-municipale est hors de son champ d'application.
Validation : La logique d'exception pour les navetteurs n'a pas été validée indépendamment par rapport à une vérité terrain GPS ou des données auto-déclarées ; les résultats sont présentés comme une preuve de concept.
Biais de données : Les estimations reposent sur les abonnés mobiles, sous-représentant potentiellement les personnes âgées, les populations rurales et les populations à faible revenu. Les données d'un opérateur unique (Globe Telecom) peuvent introduire des biais de parts de marché.
Généralisabilité : Le cadre est conçu pour les catastrophes à déclenchement soudain. L'application aux catastrophes à déclenchement lent ou aux zones de conflit nécessite des modifications méthodologiques.
Données manquantes : Les utilisateurs inobservables pendant la période post-catastrophe ne peuvent être classés, créant un scénario d'« identification partielle » où le taux de déplacement réel se situe entre le taux observé et le taux observé plus le taux de données manquantes.

Le document conclut que bien que la validité externe à travers de multiples événements reste un travail futur, le cadre offre une approche viable et respectueuse de la vie privée pour générer une intelligence de déplacement opportune afin de compléter les évaluations de terrain traditionnelles.