Source : Guanghua Chi, Han Fang, Sourav Chatterjee, Joshua E. Blumenstock (2022). Microestimates of wealth for all low- and middle-income countries, PNAS.
De nombreuses décisions politiques cruciales, depuis les investissements stratégiques jusqu’à la distribution de l'aide humanitaire, reposent sur des données concernant la répartition géographique de la richesse et de la pauvreté. Pourtant, beaucoup de cartes de la pauvreté sont obsolètes ou n’existent qu’à des niveaux de granularité très grossiers. Les chercheurs ont développé ici des micro-estimations de la richesse et de la pauvreté relatives pour 135 pays à revenu faible et intermédiaire à une résolution de 2,4 km. Les estimations sont construites en appliquant des algorithmes d'apprentissage automatique à des données vastes et hétérogènes provenant de satellites, de réseaux de téléphonie mobile et de cartes topographiques, ainsi qu'à des données de connexion Facebook qui ont été agrégées et anonymisées. Les estimations ont été formées et calibrées à partir de données d'enquête effectuées auprès des ménages dans 56 pays, confrontées ensuite à quatre sources indépendantes de données d'enquête auprès des ménages de 18 pays. Ces estimations ont été mises gratuitement à la disposition du public dans l’espoir qu’elles permettent une réponse politique ciblée à la pandémie de Covid-19. Elles fournissent également une base pour mieux comprendre les causes et les conséquences du développement économique et favoriser l'élaboration de politiques responsables en matière de développement durable.
Micro-estimations de la richesse pour 135 pays à revenu faible ou intermédiaire (source :
Chi et al., 2022).
Le laboratoire d'intelligence artificielle de Stanford a été pionnier dans la façon de mesurer l'activité économique à l'aide d'images satellites diurnes (voir cet article). Celle-ci s’appuie sur des méthodes antérieures d’utilisation des images satellites nocturnes pour évaluer la croissance économique. Cette méthode a eu une influence majeure sur la manière de calculer l’indice de richesse relative de Facebook (Meta). L'utilisation d'images satellites diurnes dans les études économiques en est pourtant encore à ses balbutiements.
Concernant le RWI, il s'agit d'un indice relatif pour chaque pays au moment de l'enquête (2021). Il présente une valeur moyenne de 0 et un écart type de 1. Les scores ne peuvent être comparés ni entre pays ni dans le temps. Les erreurs sont plus importantes dans les régions éloignées des zones d'enquête. La précision du modèle est plus élevée lorsque les données sont agrégées au niveau du gouvernement local.
Une étude réalisée en 2023 a porté sur le RWI de l'Indonésie. Il a été constaté que l'utilisation du RWI permettait d'identifier 14 % des populations les plus pauvres. Les résultats sont restés cependant mitigés. Le taux d'erreur était élevé : 50,65 %. C'est-à-dire que la moitié des régions les plus pauvres d'Indonésie ont été mal identifiées. Et chose surprenante, certaines régions qualifiées de plus pauvres du point de vue du RWI correspondaient en fait aux plus riches.
Ce que l'on peut retenir de l'indice de richesse relative (RWI) de Meta, c'est qu'il s'agit d'une nouvelle façon d’estimer la richesse au niveau des ménages. Mais la méthode présente encore des limites. Le message clé lorsque l'on recherche des informations granulaires sur la richesse et le PIB, c'est que rien n'est parfait : il importe de connaître les limites de chaque jeu de données.
Les données concernant l'Indice de richesse relative (RWI) sont disponibles en téléchargement sur le site Humanitarian Data Exchange, qui utilise ces données à des fins humanitaires.
Facebook (Meta) a consacré tout un dossier à cet indice ainsi qu'à d'autres algoritmes d'IA sur le site DataforGood. A la suite de la crise de Covid-19, Meta a produit des données granulaires sur l'estimation de l'activité des entreprises, sur la connectivité sociale, sur les différents types de mobilités. Toutes ces données mises à jour mensuellement à l'échelle mondiale sont disponibles en téléchargement sur le site Humanitarian Data Exchange. A travers la mise à disposition de gros jeux de données en open data, les GAFAM se donnent l'image d'entreprises au service de l'humanitaire.
Lien ajouté le 31 janvier 2024
Il est difficile de mesurer le PIB mondial, en particulier dans les pays à revenu faible ou intermédiaire, où les statistiques fiables sont rares. Selon cette nouvelle étude, Hansberg Rossi combine l’éclairage nocturne, l’utilisation des terres, les émissions et un modèle de forêt aléatoire pour estimer le PIB à un niveau infranational. Une
application cartographique permet de visualiser les inégalités de richesse et de mesurer les évolutions entre 2012 et 2021.
Lien ajouté le 17 novembre 2025
Ali Ben Abbes, Jeaneth Machicao, Pedro LP Corrêa
& al. « DeepWealth : A generalizable open-source deep learning framework using satellite images for well-being estimation » [DeepWealth : un cadre d'apprentissage profond open source généralisable utilisant des images satellites pour l'estimation du bien-être],
Sciencedirect, volume 27, September 2024, 10178,
https://www.sciencedirect.com/science/article/pii/S2352711024001560
La mesure des indices socio-économiques à l'échelle régionale ou nationale est essentielle dans divers contextes, notamment pour éclairer les politiques publiques. L'utilisation de l'apprentissage profond (DL) et des données d'observation de la Terre (OT) se généralise pour estimer des variables spécifiques telles que la richesse sociétale. Cet article présente DeepWealth, un cadre intégré qui calcule un tel indice de richesse à partir de données d'OT open source et de l'apprentissage profond. Les auteurs utilisent une approche multidisciplinaire intégrant l'imagerie satellitaire, les données socio-économiques et les modèles d'apprentissage profond. Ils démontrent l'efficacité et la généralisabilité de DeepWealth en l'entraînant sur 24 pays africains et en le déployant à Madagascar, au Brésil et au Japon. Les auteurs utilisent 92 enquêtes auprès des ménages menées dans 24 pays africains (1997-2020) pour entraîner un modèle d'apprentissage profond. Ils utilisent les jeux de données d'observation de la Terre suivants : Landsat (5-8) et Nightlights (VIIRS et DMSP). Les résultats montrent que DeepWealth fournit des estimations précises et stables concernant l'indice de richesse.
Ce framework open source, dont le score est de 0,69, permet aux utilisateurs maîtrisant Python et R d'estimer et de visualiser des données relatives au bien-être. Respectant les principes FAIR (Facile à trouver, Accessible, Interopérable, Réutilisable), il fournit les données, le code source, les métadonnées et les points de contrôle d'entraînement. Son code source est disponible sur Zenodo et GitHub.
Lien ajouté le 1er avril 2026
Marty, R., Duhaut, A. « Global poverty estimation using private and public sector big data sources »
[Estimation de la pauvreté mondiale à partir de données massives issues des secteurs public et privé]. Scientific Reports 14 , 3160 (2024). https://doi.org/10.1038/s41598-023-49564-6
Les enquêtes auprès des ménages fournissent une estimation précise de la pauvreté ; toutefois, elles sont coûteuses et peu fréquentes. Les auteurs démontrent l’importance d’utiliser conjointement de multiples sources de données des secteurs public et privé pour estimer les niveaux et les variations de richesse dans un grand nombre de pays. Ils ont entraîné des modèles à partir de 63 854 zones d’enquête réparties dans 59 pays, en s'appuyant sur l'éclairage nocturne, les images satellites diurnes, les données OSM (notamment les routes), les données marketing Facebook, les données SAR de Sentinel-1. Les données d'analyse Facebook ont servi d'entrée. Elles permettent de mieux comprendre les types de téléphones utilisés, les centres d'intérêt et d'autres comportements. Par exemple, un pourcentage plus élevé de personnes utilisant des téléphones haut de gamme est susceptible d'indiquer une zone plus aisée. Ils utilisent un indice de richesse relative fourni par le programme DHS de la Banque mondiale comme données de référence pour 59 pays. Il s'agit de la première composante principale résumant les attributs socio-économiques des ménages, comme le matériau de la toiture ou la possession de biens tels qu'un téléviseur. Le modèle généralise les approches précédentes à un large éventail de pays. En moyenne, tous pays confondus, le modèle explique 55 % (min. = 14 % ; max. = 85 %) de la variation des niveaux de richesse au niveau des zones d’enquête et 59 % (min. = 0 % ; max. = 93 %) de la variation au niveau des districts. Il explique également 4 % (min. = 0 % ; max. = 17 %) et 6 % (min. = 0 % ; max. = 26 %) de la variation des variations de richesse aux niveaux des zones et des districts, respectivement. Les modèles sont les plus performants dans les pays à faible revenu et dans ceux où la variance de la richesse est plus élevée. Les caractéristiques issues de l'éclairage nocturne, d'OpenStreetMap et des données de couverture terrestre sont primordiales pour expliquer les niveaux de richesse, et les caractéristiques issues de l'éclairage nocturne sont primordiales pour expliquer les variations de richesse. L'indice de richesse du DHS, basé sur le patrimoine, n'est pas conçu pour être comparé entre pays. Ce nouvel indice de pauvreté est comparable à l'échelle mondiale et présente une forte corrélation avec l'indice du DHS au sein de chaque pays. Le code de réplication et les jeux de données sont disponibles sur Github.
Articles connexes
Une cartographie très précise des densités à l'échelle mondiale pour améliorer l'aide humanitaire
