Alivio de Covid-19 en Togo
Desde el inicio de la pandemia de COVID-19, se estima que más de 100 millones de personas han pasado a la pobreza extrema. En respuesta a esto, los programas de asistencia social han proporcionado más de 800 000 millones de USD en pagos de transferencias en efectivo a más de 1 500 millones de personas en todo el mundo (aproximadamente una quinta parte de la población mundial). A menudo se utiliza un indicador del nivel socioeconómico para determinar la elegibilidad para estos programas de asistencia social, como los datos de ingresos familiares recientes. Sin embargo, en los países de ingresos bajos y medianos bajos, donde la actividad económica suele ser informal y se basa en la agricultura de producción casera. Estos datos de ingresos a menudo no se registran formalmente ni están disponibles.
Aiken et al. Ha recientemente publicó un artículo en Nature (acceso abierto), lo que demuestra un papel valioso para el aprendizaje automático basado en metadatos telefónicos para estimar con precisión los ingresos de los suscriptores de teléfonos individuales y, en consecuencia, su elegibilidad para recibir ayuda humanitaria como el subconjunto de población más pobre. Sus resultados se basan en la focalización de la población con Novissi – un programa emblemático de asistencia social de emergencia llevado a cabo en Togo en 2020. “Novissi fue construido y diseñado para ayudar a aquellas personas que son la población más vulnerable y más afectada por las medidas anti-COVID”, el ministro togolés C. Lawson explicado.
Novissi se diseñó inicialmente para beneficiar a los trabajadores informales en el Gran Lomé (la gran área metropolitana que rodea la ciudad capital), donde inicialmente se concentraron las órdenes de cierre. La justificación para apuntar a los trabajadores informales era que tenían más probabilidades de ser vulnerables y más propensos a verse afectados por las órdenes de cierre. La elegibilidad inicial para Novissi se determinó en base a un registro nacional de votantes que se actualizó a fines de 2019. Los beneficios inicialmente se dirigieron a personas que cumplían con tres criterios: (1) ‘autoseleccionados llamando a la plataforma Novissi e ingresando información básica desde su teléfono móvil teléfono; (2) registrado para votar en la región del Gran Lomé alrededor de la ciudad capital; y (3) autodeclararon trabajar en una ocupación informal.
Aprendizaje automático
Aiken et al.’srLos esfuerzos de investigación se centraron en ayudar al gobierno a expandir el programa Novissi para enfocarse en las personas más pobres de las regiones rurales del país. Los beneficiarios elegibles recibieron pagos quincenales de aproximadamente US$10. Bajo las presiones de tiempo críticas de una crisis socioeconómica, estas estrategias de focalización de aprendizaje automático ofrecen una nueva forma de desembolsar subvenciones a quienes más necesitan asistencia. El programa Novissi tenía fondos suficientes para apuntar al 29% de los solicitantes de registro elegibles. Por contexto, este percentil 29 corresponde a un umbral de consumo de US$1,18 por día en el conjunto de datos de la encuesta telefónica de 2020, que cae por debajo de la línea de pobreza extrema de US$1,43 por día. los línea de pobreza extrema se define como las tres cuartas partes de la línea de pobreza internacional de US$1,90 por día.
Métodos y fuentes de datos
El análisis central se basa en gran medida en dos encuestas realizadas. La primera encuesta, que es representativa a nivel nacional e incluyó a 6171 personas, se realizó en el campo en 2018 y 2019. La segunda encuesta incluyó a 8915 personas y se realizó por teléfono en septiembre de 2020. Con base en los datos de esta encuesta, los investigadores construyeron cuatro resultados de pobreza : Gasto de consumo, un índice de riqueza basado en activos, un índice de probabilidad de pobreza (IPP)y una prueba de medios de representación (PMT). El gasto de consumo se basó en gastos desglosados para más de 200 artículos alimentarios y no alimentarios. Los índices de activos estuvieron dominados por la variación en la propiedad de tres activos principales: inodoro, radio y motocicleta, y también incluyeron una serie de otros activos. La ‘probabilidad de pobreza’ se calificó en base a diez preguntas del hogar, incluida la región de residencia, la educación de adultos y niños, la propiedad de activos y el consumo de azúcar. Los puntajes de la prueba de medios indirectos se construyeron para seleccionar las 12 variables demográficas y de activos que, en conjunto, son más predictivas del consumo familiar per cápita.
Los metadatos del teléfono móvil contenían la siguiente información. Llamadas: número de teléfono de la persona que llama, número de teléfono del destinatario, fecha, hora y duración de la llamada, e ID de la torre celular a través de la cual se realiza la llamada; mensajes SMS: número de teléfono del remitente, número de teléfono del destinatario, fecha y hora del mensaje, ID de la antena a través de la cual se envía el mensaje; uso de datos móviles: número de teléfono, fecha y hora de la transacción, cantidad de datos consumidos; transacciones de dinero móvil: número de teléfono del remitente, número de teléfono del destinatario (si es de igual a igual), fecha, hora y monto de la transacción, y categoría amplia del tipo de transacción (entrada de efectivo, retiro de efectivo, de igual a igual o pago de facturas) .
Luego, estos datos se interpretaron aún más, desde Estadísticas Generales (por ejemplo, número de llamadas o mensajes SMS, o saldo de transacciones entrantes versus salientes), para caracteristicas de las redes sociales (por ejemplo, número y diversidad de contactos), para medidas de movilidad en función de las ubicaciones de las torres de telefonía móvil (por ejemplo, el número de torres únicas y el radio de giro). El número y la duración de las transacciones internacionales salientes se calcularon utilizando los códigos de país asociados a los números de teléfono, tanto para llamadas como para mensajes SMS.
Entrenando el algoritmo
En el primer paso, los investigadores obtuvieron microestimaciones públicas de la riqueza relativa de cada región de 2,4 km por 2,4 km en Togo, que se construyeron aplicando algoritmos de aprendizaje automático a imágenes satelitales de alta resolución. Estas estimaciones indican la riqueza relativa de todos los hogares en cada pequeña celda de la cuadrícula. Luego estimaron el consumo diario promedio de cada suscriptor de teléfono móvil aplicando algoritmos de aprendizaje automático a los metadatos de teléfonos móviles proporcionados por los dos operadores de telefonía móvil de Togo. En dos encuestas amplias y representativas realizadas, varias preguntas se referían a los gastos de consumo y la propiedad de activos de los participantes. Luego, estos datos se usaron para estimar la riqueza relativa y/o el consumo de cada suscriptor de teléfono móvil, y se superpusieron en metadatos detallados del historial de uso del teléfono de cada suscriptor. Esta muestra se utilizó para entrenar algoritmos de aprendizaje automático supervisados que predicen la riqueza y el consumo en función del uso del teléfono.
Este enfoque basado en el teléfono se basa en gran medida en el aprendizaje automático para construir un puntaje de pobreza para cada suscriptor móvil, donde la elegibilidad es una función compleja de cómo cada suscriptor usa su teléfono. En comparación con un enfoque alternativo que no utiliza el aprendizaje automático, sino que se dirige a los suscriptores de teléfonos móviles con los gastos de telefonía móvil más bajos, el modelo basado en el aprendizaje automático funciona sustancialmente mejor. Para que el modelo de aprendizaje automático tenga éxito, la actualidad de los datos recopilados es un factor importante: el estado de pobreza de un individuo puede cambiar con el tiempo, y los mejores predictores de riqueza basados en teléfonos también pueden cambiar.
Evaluación del enfoque de focalización
Los investigadores evaluaron el rendimiento de este nuevo enfoque de focalización que combina el aprendizaje automático y los datos de teléfonos móviles comparándolo con tres enfoques hipotéticos: un enfoque de focalización geográfica que el gobierno puso a prueba en el verano de 2020, en el que todas las personas son elegibles dentro de las prefecturas más pobres; focalización basada en la ocupación (como el enfoque original de Novissi para focalizar a los trabajadores informales); y un método basado en datos telefónicos sin aprendizaje automático (utilizando los gastos totales en llamadas y mensajes de texto como indicador de la riqueza). Descubrieron que la focalización basada en el teléfono (0,70) supera a los otros métodos factibles de focalizar la ayuda rural de Novissi. Como resultado, los errores de exclusión son menores para el enfoque basado en el teléfono (53 %) que para las alternativas viables (59 %–78 %).
Cuando los investigadores simularon un hipotético programa nacional de lucha contra la pobreza, su enfoque de focalización basado en el teléfono también superó a otros métodos en la focalización efectiva de los participantes más pobres. Con respecto a esta ampliación hipotética del programa, una excepción se refiere a la focalización basada en la ocupación, donde centrarse en la categoría ocupacional más pobre (trabajadores agrícolas) supera ligeramente a la focalización basada en el teléfono. Esto indica que el enfoque de focalización basado en el teléfono fue más efectivo en el programa rural real de Novissi que en un programa nacional hipotético.
Este nuevo método de dirigirse a las personas más pobres que necesitan ayuda financiera puede proporcionar una adición necesaria y bienvenida al conjunto de herramientas de las agencias humanitarias, particularmente en tiempos de crisis. Cuando se trata de áreas del mundo y poblaciones que más necesitan asistencia durante crisis, como la pandemia de COVID-19, las fuentes de datos públicos a menudo están incompletas o desactualizadas. Aiken et al. demostró cómo los datos de teléfonos móviles combinados con el aprendizaje automático pueden brindarnos una imagen más clara en tiempo real de dónde la asistencia humanitaria puede tener un mayor impacto.
Referencias
Aiken, E., Bellue, S., Karlan, D., Udry, C. y Blumenstock, J., (2022). El aprendizaje automático y los datos telefónicos pueden mejorar la orientación de la ayuda humanitaria. Naturaleza, 603 (7903), págs. 864-870.
