Lomé, Togo. Kredit:Unsplash/CC0 Public Domain
Regeringar och humanitära grupper kan använda maskininlärningsalgoritmer och mobiltelefondata för att få hjälp till dem som behöver det mest under en humanitär kris, fann vi i ny forskning.
Den enkla idén bakom detta tillvägagångssätt, som vi förklarade i tidskriften Nature den 16 mars 2022, är att rika människor använder telefoner annorlunda än fattiga. Deras telefonsamtal och textmeddelanden följer olika mönster, och de använder till exempel olika dataabonnemang. Maskininlärningsalgoritmer – som är snygga verktyg för mönsterigenkänning – kan tränas för att känna igen dessa skillnader och sluta sig till om en given mobilabonnent är rik eller fattig.
När covid-19-pandemin spred sig i början av 2020 hjälpte vårt forskarteam Togos ministerium för digital ekonomi och GiveDirectly, en ideell organisation som skickar pengar till människor som lever i fattigdom, att omvandla denna insikt till en ny typ av hjälpprogram.
Först samlade vi in nya, tillförlitliga och representativa data. Vi arbetade på plats med partners i Togo och genomförde 15 000 telefonundersökningar för att samla in information om levnadsvillkoren för varje hushåll. Efter att ha matchat enkätsvaren med data från mobiltelefonföretagen tränade vi maskininlärningsalgoritmerna för att känna igen mönstren för telefonanvändning som kännetecknade människor som lever på mindre än 1,25 USD per dag.
Nästa utmaning var att ta reda på om ett system baserat på maskininlärning och telefondata skulle vara effektivt för att få pengar till de fattigaste människorna i landet. Vår utvärdering visade att detta nya tillvägagångssätt fungerade bättre än andra alternativ som Togos regering övervägde.
Att till exempel fokusera helt på de fattigaste kantonerna – som är analoga med amerikanska län – skulle ha gett fördelar till endast 33 % av de människor som lever på mindre än 1,25 USD om dagen. Däremot riktade sig maskininlärningsmetoden till 47 % av den befolkningen.
Vi samarbetade sedan med Togos regering, GiveDirectly och samhällsledare för att utforma och testa ett program för kontantöverföring baserat på denna teknik. I november 2020 registrerades och betalades de första förmånstagarna. Hittills har programmet gett nästan 10 miljoner dollar till ungefär 137 000 av landets fattigaste medborgare.
Vårt arbete visar att data som samlas in av mobiltelefonföretag – när den analyseras med maskininlärningsteknik – kan hjälpa till att rikta hjälpen till de som har störst behov.
Redan före pandemin levde över hälften av den västafrikanska nationens 8,6 miljoner människor under den internationella fattigdomsgränsen. När covid-19 bromsade den ekonomiska aktiviteten ytterligare visade våra undersökningar att 54 % av alla togoleser tvingades missa måltider varje vecka.
Situationen i Togo var inte unik. Nedgången till följd av covid-19-pandemin drev miljontals människor in i extrem fattigdom. Som svar lanserade regeringar och välgörenhetsorganisationer flera tusen nya biståndsprogram, som gav förmåner till över 1,5 miljarder människor och familjer runt om i världen.
Men mitt i en humanitär kris kämpar regeringar för att ta reda på vem som behöver hjälp mest akut. Under idealiska omständigheter skulle dessa beslut baseras på omfattande hushållsundersökningar. Men det fanns inget sätt att samla in denna information mitt under en pandemi.
Vårt arbete hjälper till att visa hur nya källor till big data – såsom information hämtad från satelliter och mobiltelefonnät – kan göra det möjligt att rikta in bistånd mitt i krisförhållanden när mer traditionella datakällor inte är tillgängliga.
Vi genomför uppföljningsundersökningar för att bedöma hur kontantöverföringar påverkade mottagarna. Tidigare fynd tyder på att kontantöverföringar kan bidra till att öka livsmedelssäkerheten och förbättra det psykiska välbefinnandet under normala tider. Vi utvärderar om det stödet har liknande resultat under en kris.
Det är också viktigt att hitta sätt att registrera och betala personer utan telefon. I Togo hade ungefär 85 % av hushållen minst en telefon, och telefoner delas ofta inom familjer och samhällen. Det är dock inte klart hur många människor som behövde humanitär hjälp i Togo som inte fick det på grund av deras brist på tillgång till en mobil enhet.
I framtiden kommer system som kombinerar nya metoder som utnyttjar maskininlärning och big data med traditionella metoder baserade på undersökningar att förbättra inriktningen av humanitärt bistånd.