Imaginez que vous essayiez de trouver les poches de pauvreté cachées dans un pays comme si vous étiez un détective cherchant des indices dans une ville géante et désordonnée. Habituellement, les détectives doivent frapper à chaque porte pour interroger les gens sur leur argent, leur nourriture et leur santé. C'est ce qui ressemble à un recensement traditionnel ou à une enquête auprès des ménages. C'est précis, mais c'est lent, coûteux et souvent obsolète au moment où le rapport est terminé. Dans le monde de la science, c'est l'ancienne façon de mesurer la « pauvreté » — une condition où les gens manquent des choses de base dont ils ont besoin pour vivre, comme la nourriture, le logement et les médicaments. Mais et si vous n'aviez pas besoin de frapper à chaque porte ? Et si vous pouviez identifier qui est en difficulté simplement en regardant les lumières d'une ville la nuit, la façon dont les gens utilisent leurs téléphones, ou ce qu'ils publient sur les réseaux sociaux ? C'est là qu'intervient un nouveau type de travail de détective, utilisant des « données non traditionnelles » et des modèles informatiques pour cartographier la pauvreté en temps réel. C'est comme essayer de deviner la température d'une pièce non pas en insérant un thermomètre dans chaque coin, mais en écoutant la façon dont les gens à l'intérieur parlent, se déplacent et ce à quoi ressemblent leurs vêtements à distance.

Cet article, intitulé « Poverty Mapping: Data, Models and Applications », est une revue massive de la manière dont les scientifiques utilisent ces empreintes numériques pour trouver les pauvres. Les auteurs, une équipe de chercheurs d'universités chinoises, allemandes et suisses, agissent comme des guides touristiques à travers un paysage de nouvelles technologies. Ils expliquent que, bien que nous ne puissions pas mesurer la pauvreté directement avec un satellite ou un appel téléphonique, nous pouvons voir les « traces » que la pauvreté laisse derrière elle. Ils exploreent comment nous pouvons utiliser des images de la Terre depuis l'espace, des registres d'appels de téléphones mobiles et des publications sur les réseaux sociaux pour construire une image de qui est en difficulté et où. L'article ne se contente pas de dire « cela fonctionne » ; il vérifie soigneusement les cartes, indique où le brouillard est encore épais et nous avertit de ne pas faire confiance aveuglément aux nouvelles cartes sous prétexte qu'elles ont l'air impressionnantes. Il suggère que ces nouveaux outils sont des aides puissants, mais qu'ils ne sont pas des baguettes magiques remplaçant entièrement les anciennes enquêtes lentes de porte-à-porte.

L'ancienne méthode vs La nouvelle méthode

Pendant longtemps, la seule façon de savoir combien de personnes étaient pauvres était d'envoyer des équipes pour leur poser la question. C'est comme essayer de compter chaque poisson dans un lac en les attrapant un par un. Cela fonctionne, mais cela prend une éternité, coûte une fortune, et le temps que vous ayez fini, les poissons ont bougé. L'article note que dans de nombreux endroits, en particulier dans les pays plus pauvres, ces enquêtes sont si rares que les données sont souvent vieilles de plusieurs années. Si une catastrophe frappe ou si l'économie s'effondre, les anciennes cartes sont inutiles.

La nouvelle approche ressemble davantage à observer le lac depuis un hélicoptère. Vous ne pouvez pas voir chaque poisson individuellement, mais vous pouvez voir où l'eau est agitée, où les oiseaux plongent et où la lumière se reflète différemment. L'article passe en revue trois principales « vues d'hélicoptère » que les scientifiques utilisent :

1. Les lumières nocturnes et les photos de jour (Imagerie satellite)
Pensez à une ville la nuit. Les zones brillantes et lumineuses sont généralement riches, avec beaucoup d'électricité et des rues animées. Les zones sombres et ternes sont souvent plus pauvres. Les scientifiques utilisent les images des « lumières nocturnes » depuis des décennies pour deviner la richesse d'un lieu. C'est un peu comme juger une fête par le nombre de lumières allumées à l'extérieur. Mais l'article souligne un problème : les zones les plus pauvres sont souvent si sombres que les lumières n'apparaissent pas du tout, ce qui rend difficile la distinction entre « très pauvre » et « extrêmement pauvre ».

Pour corriger cela, les chercheurs ont commencé à regarder les photos de jour. Ils utilisent des ordinateurs pour examiner les toits des maisons, les routes de terre et les types de cultures dans les champs. C'est comme regarder une maison de l'extérieur pour deviner comment la famille vit à l'intérieur. Si le toit est fait de boue et que les murs sont fissurés, l'ordinateur peut deviner que la famille est pauvre. L'article explique qu'en utilisant l'« apprentissage par transfert » (transfer learning) — une façon sophistiquée de dire « enseigner à un ordinateur à reconnaître des modèles qu'il connaît déjà » — les scientifiques peuvent prendre un modèle entraîné dans un pays et l'utiliser pour deviner la richesse de villages dans un autre pays, même s'ils n'ont pas d'enquête là-bas.

2. Les empreintes numériques (Données de téléphonie mobile)
Presque tout le monde possède un téléphone de nos jours, même dans les endroits très pauvres. Chaque fois que vous passez un appel, envoyez un SMS ou vous déplacez d'un endroit à un autre, votre téléphone laisse une trace numérique. L'article explique que ces traces sont comme le journal intime de la vie d'une personne. Si quelqu'un appelle souvent ses amis, voyage dans de nombreux endroits différents et achète beaucoup de crédit, il pourrait s'en sortir bien. Si son téléphone est silencieux, qu'il ne se déplace que dans un petit cercle et qu'il achète rarement du crédit, il pourrait être en difficulté.

Les auteurs décrivent comment les scientifiques construisent des « réseaux » à partir de ces appels. Imaginez une toile où chaque personne est un point et chaque appel est une corde qui les relie. Dans les zones riches, la toile est généralement grande et emmêlée, avec des gens parlant à de nombreux groupes différents. Dans les zones pauvres, la toile peut être petite et serrée, avec des gens ne parlant qu'à leurs voisins immédiats. L'article suggère qu'en observant ces modèles, nous pouvons deviner la richesse d'un quartier entier sans jamais poser une seule question. Cependant, il prévient également que cela ne fonctionne que si les personnes dans le réseau téléphonique sont un échantillon représentatif de tout le monde. Si les plus pauvres n'ont pas de téléphones, la carte passera à côté d'eux.

3. Le bavardage (Données des réseaux sociaux)
Les réseaux sociaux sont comme une immense place de village où les gens crient leurs pensées. L'article examine comment les scientifiques peuvent lire ces cris pour deviner comment les gens se sentent et combien d'argent ils ont. Si les gens d'un quartier publient principalement des messages sur des vacances luxueuses, des voitures de luxe ou des événements joyeux, cette zone peut être riche. Si les publications sont pleines de plaintes sur la faim, la tristesse ou le manque d'emplais, cette zone peut être pauvre.

Les scientifiques utilisent des ordinateques pour lire les mots (text mining) et examiner qui suit qui (analyse de réseau). Ils ont découvert que le langage utilisé par les gens, les appareils qu'ils utilisent pour publier (comme un iPhone par rapport à un vieil Android) et même l'heure de la journée à laquelle ils publient peuvent donner des indices sur leur revenu. Mais encore une fois, l'article met en garde : tout le monde n'est pas sur les réseaux sociaux. Les personnes qui sont hors ligne sont souvent celles qui ont le plus besoin d'aide, donc s'appuyer uniquement sur les réseaux sociaux peut créer une image biaisée.

Tout mettre ensemble : La Super-Carte

La partie la plus excitante de l'article est lorsque les auteurs parlent de la « fusion de données multi-sources ». C'est comme combiner les lumières nocturnes, les traces de téléphone et le bavardage des réseaux sociaux en une seule carte géante et ultra-détaillée. L'article suggère que lorsque vous mélangez ces différents indices, l'image devient beaucoup plus claire. Par exemple, dans une étude au Bangladesh, la combinaison des images satellites et des données de téléphonie mobile a donné une estimation de la pauvreté bien meilleure qu'en utilisant l'un ou l'autre seul. C'est comme résoudre un mystère en utilisant simultanément une empreinte digitale, le témoignage d'un témoin et une vidéo de caméra de surveillance.

Les auteurs montrent que ces cartes combinées peuvent prédire la richesse avec une précision surprenante, expliquant parfois jusqu'à 70 % ou plus des différences de richesse entre différentes zones. Ils montrent même comment ces cartes peuvent être utilisées pour envoyer de l'aide rapidement lors d'une crise, comme la pandémie de COVID-19, en trouant les personnes les plus vulnérables plus rapidement que les enquêtes traditionnelles ne pourraient le faire.

Le revers de la médaille : Ce n'est pas parfait

Malgré tout cet enthousiasme, l'article prend grand soin de ne pas dire qu'il s'agit d'une solution parfaite. Les auteurs soulignent plusieurs problèmes majeurs :

• Le problème des « personnes manquantes » : Si une personne n'a pas de téléphone, n'utilise pas les réseaux sociaux ou vit dans un endroit où le satellite ne voit pas clairement, elle n'apparaîtra pas sur la carte. L'article prévient que ces méthodes pourraient accidentellement laisser de côté les plus pauvres, les personnes âgées ou celles vivant dans des zones de conflit.
• Le problème du « taille unique » : Un modèle qui fonctionne très bien dans un pays peut échouer dans un autre. La façon dont les gens utilisent les téléphones ou l'aspect de leurs maisons peut varier considérablement selon l'endroit où l'on se trouve. L'article suggère que nous ne pouvons pas simplement copier-coller un modèle d'un endroit à l'autre sans vérifier s'il fonctionne toujours.
• Le problème de la « boîte noire » : Certains modèles informatiques sont si complexes que même les scientifiques ne comprennent pas pleinement pourquoi ils ont fait une certaine supposition. Si un ordinateur dit qu'un quartier est pauvre, mais que nous ne savons pas pourquoi, il est difficile pour les politiciens de lui faire confiance et de l'utiliser pour prendre des décisions.

L'essentiel

L'article conclut que ces nouveaux outils sont des aides incroyables, mais qu'ils ne remplacent pas les anciennes méthodes. Ils sont comme un télescope de haute technologie qui nous aide à voir des choses que nous ne pouvions pas voir auparavant, mais nous devons toujours sortir et parler aux gens pour nous assurer que nous ne manquons rien d'important. Les auteurs suggèrent que l'avenir de la lutte contre la pauvreté réside dans le mélange de ces nouvelles cartes numériques rapides et des enquêtes anciennes, lentes mais fiables. En faisant cela, nous pouvons obtenir une image qui soit à la fois détaillée et précise, aidant à trouver les personnes qui ont le plus besoin d'aide, plus rapidement que jamais. L'article ne prétend pas avoir résolu la pauvreté, mais il suggère que nous avons enfin une bien meilleure lampe de poche pour chercher les personnes qui sont encore dans l'obscurité.