Voor jaren, beleidsmakers hebben vertrouwd op enquêtes en volkstellingsgegevens om extreme armoede op te sporen en erop te reageren.

Hoewel effectief, het verzamelen van deze informatie is kostbaar en tijdrovend, en het ontbreekt vaak aan details die hulporganisaties en overheden nodig hebben om hun middelen optimaal in te zetten.

Dat zou snel kunnen veranderen.

Een nieuwe kaarttechniek, beschreven in het nummer van 14 november van de Proceedings van de National Academies of Sciences , laat zien hoe onderzoekers computerhulpmiddelen ontwikkelen die mobiele telefoongegevens combineren met gegevens van satellieten en geografische informatiesystemen om tijdige en ongelooflijk gedetailleerde armoedekaarten te maken.

"Ondanks veel vooruitgang in de afgelopen decennia, er zijn nog steeds meer dan 1 miljard mensen wereldwijd zonder voedsel, onderdak en andere basisbehoeften van de mens, " zegt Neeti Pokhriyal, een van de co-hoofdauteurs van de studie, en een PhD-kandidaat bij de afdeling Computer Science and Engineering aan de Universiteit van Buffalo.

De studie is getiteld "Combineren van ongelijksoortige gegevensbronnen voor verbeterde voorspelling en in kaart brengen van armoede."

Sommige organisaties definiëren extreme armoede als een ernstig gebrek aan voedsel, gezondheidszorg, onderwijs en andere basisbehoeften. Anderen relateren het aan inkomen; bijvoorbeeld, de Wereldbank zegt dat mensen die van minder dan $ 1,25 per dag moeten leven (prijzen van 2005) extreem arm zijn.

Hoewel ze in de meeste delen van de wereld afnemen, ongeveer 1,2 miljard mensen leven nog steeds in extreme armoede. De meeste zijn in Azië, Sub-Sahara Afrika en het Caribisch gebied. Hulporganisaties en overheidsinstanties zeggen dat tijdige en nauwkeurige gegevens essentieel zijn om extreme armoede te beëindigen.

Het onderzoek richt zich op Senegal, een land ten zuiden van de Sahara met een hoog armoedecijfer.

De eerste dataset bestaat uit 11 miljard telefoontjes en sms'jes van meer dan 9 miljoen Senegalese gsm-gebruikers. Alle informatie is anoniem en legt vast hoe, wanneer, waar en met wie mensen communiceren.

De tweede dataset is afkomstig van satellietbeelden, geografische informatiesystemen en weerstations. Het biedt inzicht in voedselzekerheid, economische activiteit en toegankelijkheid van diensten en andere indicatoren van armoede. Dit kan worden afgeleid uit de aanwezigheid van elektriciteit, verharde wegen, landbouw en andere tekenen van ontwikkeling.

De twee datasets worden gecombineerd met behulp van een op machine learning gebaseerd raamwerk.

Met behulp van het kader, de onderzoekers maakten kaarten met details over de armoedeniveaus van 552 gemeenschappen in Senegal. De huidige armoedekaarten verdelen het land in vier regio's. Het raamwerk kan ook helpen bij het voorspellen van bepaalde dimensies van armoede, zoals ontberingen in het onderwijs, levensstandaard en gezondheid.

In tegenstelling tot enquêtes of tellingen, wat jaren kan duren en miljoenen dollars kan kosten, deze kaarten kunnen snel en kostenefficiënt worden gegenereerd. En ze kunnen net zo vaak worden bijgewerkt als de gegevensbronnen worden bijgewerkt. Plus, hun diagnostische karakter kan beleidsmakers helpen bij het ontwerpen van betere interventies om armoede te bestrijden.

Pokhriyal, die in 2015 aan het project begon en naar Senegal is gereisd, zegt dat het niet de bedoeling is om tellingen en enquêtes te vervangen, maar om deze informatiebronnen tussen de cycli aan te vullen. De aanpak kan ook nuttig zijn in oorlogs- en conflictgebieden, evenals afgelegen gebieden.