Covid-19-pandemien har slået bunden ud af økonomien i mange lav- og middelindkomstlande og medført fødevareusikkerhed og et brat fald i levestandard. Derfor har regeringer og NGO’er verden over distribueret hjælp til mere end 1,5 milliarder mennesker siden begyndelsen af 2020 – men det er yderst kompliceret at identificere, hvem der har mest brug for assistance lige nu og her.
Nu har forskere fra bl.a. University of California og University of Mannheim udviklet en metode, der via algoritmer, machine learning og mobildata kan målrette nødhjælp til de allermest trængende. Det skriver Nature, hvor artiklen også blev publiceret.
I mere velstående lande udregnes adgangen til økonomisk bistand ofte på baggrund af husholdningsindkomst – men i lande, hvor den økonomiske aktivitet ikke registreres på samme måde eller er baseret på selvforsyning og naturalieøkonomi, er det ofte umuligt at afgøre, hvem der bliver hårdest ramt i krisetider. Og det gælder særligt i de lande, hvor man ikke har gennemført folketællinger i årevis. Togo er sådan et land.
Forskningsgruppen gik derfor alternativt til værks. Med udgangspunkt i et stort humanitært bistandsprogram i netop Togo, hvor støtten blev udbetalt digitalt for at mindske den menneskelige kontakt, indsamlede gruppen ’big data’ fra de anvendte mobilnetværk. Derefter udviklede de en algoritme, som de fodrede med disse mobildata og som via machine learning løbende lærte at identificere, lokalisere og gruppere de fattigste mobilbrugere ud fra mobilaktivitet og satellitdata. Og resultatet var klart: den nye tilgang reducerede fejlene i tildelingen, f.eks. ved at fremhæve ’nye’ trængende grupper, med 4-21 pct.
”Vores studie viser tydeligt, at der er et potentiale for at supplere mere traditionelle metoder med nye datatilgange i arbejdet med at målrette nødhjælp – særligt i krisetider, hvor traditionelle data ofte er forældede eller utilstrækkelige,” skriver forskningsgruppen i artiklen.