Uso de teléfonos móviles y datos satelitales para orientar las transferencias de efectivo de emergencia en Togo
Resumen
Desde marzo de 2020, un equipo de investigadores1 ha estado brindando asistencia técnica al Gobierno de Togo para ayudar a guiar su respuesta humanitaria a la crisis de COVID-19. Esta página proporciona un breve resumen no técnico de esos esfuerzos.
Antecedentes: Togo y la crisis de la COVID-19
En Togo, un pequeño país de África Occidental, más del 50% de la población vive en la pobreza. La pandemia de COVID-19 amenaza con revertir años de reducción de la pobreza, ya que las medidas de confinamiento diseñadas para detener la propagación del virus limitan la actividad económica y amenazan la seguridad alimentaria. Más ampliamente, el Banco Mundial estima que la pandemia empujará a entre 88 y 115 millones de personas en países de bajos y medianos ingresos a la pobreza extrema en 2020.
En respuesta a esta crisis, el Gobierno de Togo lanzó “Novissi”, un innovador programa de asistencia social diseñado para brindar asistencia en efectivo de emergencia a las familias más necesitadas de Togo. En el transcurso de solo unas pocas semanas, el gobierno construyó e implementó un sistema digital completamente sin contacto que proporcionó efectivo a más de medio millón de personas. Los beneficiarios se registraron utilizando sus teléfonos móviles (no se requería un teléfono inteligente); después de ingresar la información básica en un menú de USSD, se les envió inmediatamente transferencias de dinero móvil de aproximadamente $15/mes, con una duración de tres meses. Este programa fue el primero en su tipo, descrito como un “caso ejemplar de protección social en respuesta a la pandemia de coronavirus en África”.
El desafío de la focalización
Una pregunta clave en el corazón de Novissi, y en el corazón de los cientos de otros programas de protección social específicos que se han lanzado en respuesta a COVID-19, es ¿Cómo priorizar a aquellas personas con mayor necesidad?2 La dificultad era que el gobierno togolés no tenía un registro social integral que les permitiera identificar y priorizar directamente a sus personas más pobres. El último censo se realizó en 2011, e incluso esa base de datos no tenía ninguna información que pudiera permitirle al gobierno determinar quiénes deberían ser priorizados para recibir asistencia. Y en medio de una pandemia, no era práctico recopilar los datos necesarios para crear un nuevo registro.
Cuando Novissi se lanzó por primera vez en abril de 2020, el gobierno optó por priorizar a los trabajadores informales que viven en las regiones más afectadas por las restricciones de cierre. Para determinar la elegibilidad, se basaron en una base de datos de votantes que se había actualizado recientemente y en la que las personas habían declarado la ubicación de su hogar y su ocupación.
Guiando la Expansión de Novissi
El Gobierno de Togo, en asociación con GiveDirectly, actualmente está expandiendo Novissi a las áreas rurales del país, donde la pobreza extrema es más severa. Una de las principales prioridades de esta expansión es garantizar que los beneficios se dirijan a los ciudadanos más pobres. Un equipo de investigadores del Centro para la Acción Global Efectiva e Innovación para la Acción contra la Pobreza está apoyando este esfuerzo. El enfoque novedoso desarrollado por el equipo de investigación tiene dos etapas principales.
Etapa 1: Priorizar las Aldeas y Barrios más Pobres
El Gobierno de Togo estaba interesado en dar prioridad al apoyo a los cantones más pobres (regiones admin-3) en Togo. Sin embargo, antes de la colaboración con el equipo de investigación, el Gobierno de Togo no poseía un mapa de pobreza que permitiera una focalización tan granular. El gobierno había realizado anteriormente encuestas de hogares representativas a nivel nacional, pero esas encuestas solo podían producir estimaciones de la pobreza representativas a nivel nacional (admin-0) o regional (admin-1). Para permitir una orientación geográfica más granular para el programa, el equipo de investigación utilizó la canalización de aprendizaje profundo descrita en Chi et al. (2020) para identificar los 100 cantones más pobres del país (el número 100 fue elegido por los socios gubernamentales, con base en la distribución estimada de la riqueza de la población que vive en esos cantones).
Específicamente, el equipo de investigación comenzó con una gran encuesta de hogares representativa a nivel nacional que tenía estimaciones confiables de las condiciones de vida de miles de hogares. El equipo de investigación usó esas estimaciones de pobreza basadas en encuestas como "verdades básicas" para entrenar un algoritmo de aprendizaje automático para estimar la riqueza de regiones muy pequeñas (es decir, mosaicos de 2.4 km) en función de las características geográficas de esa región, donde los investigadores usó datos enriquecidos de satélites y otras fuentes para medir esas características geográficas. Intuitivamente, el algoritmo aprende que ciertos patrones en las imágenes son indicativos de riqueza (como lugares con techos de metal y carreteras de alta calidad), mientras que otros son indicativos de pobreza (como lugares con ciertos tipos de terreno y clima). Luego, el equipo de investigación superpuso estimaciones de consumo a nivel de mosaico con estimaciones de densidad de población de alta resolución de Tiecke et al. (2017) estimar el consumo medio per cápita de los hogares de cada uno de los 397 cantones de Togo. Las estimaciones a nivel de mosaico y a nivel de cantón se muestran en la Figura 1 a continuación. Estos mapas se utilizaron para determinar los 100 cantones más pobres.
Figura 1: Priorización de los pueblos y barrios más pobres
Notas de la figura: el equipo de investigación produjo microestimaciones de la riqueza de cada celda de cuadrícula de 2.4 km aplicando algoritmos de aprendizaje profundo a imágenes satelitales de alta resolución (izquierda), combinó esas estimaciones con información sobre la densidad de población de cada celda de cuadrícula (centro) , y utilizó esta información para determinar los 100 cantones más pobres de Togo (derecha).
Etapa 2: Dar prioridad a las personas más pobres en las aldeas más pobres
Al expandir Novissi a las áreas rurales, uno de los objetivos del gobierno era garantizar que los beneficios llegaran a las personas más pobres que vivían en los 100 cantones más pobres. Específicamente, en colaboración con GiveDirectly, el gobierno aseguró fondos suficientes para proporcionar beneficios a aproximadamente 57,000 580,000 de los aproximadamente 100 XNUMX ciudadanos que viven en los XNUMX cantones más pobres. Sobre la base de los avances recientes en la literatura de investigación, el equipo de investigación desarrolló métodos que utilizan metadatos de teléfonos móviles para ayudar a identificar a las personas con mayor necesidad.3
Específicamente, con el apoyo financiero del Banco Mundial, el equipo de investigación realizó una gran encuesta telefónica en septiembre de 2020, inmediatamente antes de la expansión de Novissi en las zonas rurales, para brindar información "veraz" sobre las condiciones de vida de unas 10,000 100 personas. El equipo de investigación hizo todo lo posible para garantizar que las personas de esta encuesta telefónica fueran representativas de la población más amplia de personas que viven en los XNUMX cantones más pobres, mediante una combinación de diseño de encuesta adaptable y el uso de ponderaciones de muestra de encuesta. Esto ayuda a garantizar que las poblaciones de difícil acceso, como los extremadamente pobres y los que viven en pueblos remotos, estén representados en los datos de capacitación. Cada encuestado proporcionó su consentimiento informado para participar en este programa de investigación.
Para cada uno de los 10,000 5.7 encuestados, el equipo de investigación cotejó la información que proporcionaron sobre su consumo diario con los metadatos de su teléfono móvil, que se obtuvieron de los operadores de telefonía móvil en Togo; consulte a continuación una discusión sobre cómo los investigadores protegieron la privacidad de los datos. Los metadatos incluyen información sobre la fecha, la hora, la duración y la torre celular utilizada para llamadas y mensajes de texto, así como información sobre el volumen de uso de datos móviles y transacciones de dinero móvil de cada suscriptor. El equipo de investigación procesó estos datos sin procesar con algoritmos que construyen estadísticas agregadas del patrón de uso del teléfono móvil de cada suscriptor, incluida información que se correlaciona con la riqueza, como el volumen total de llamadas telefónicas internacionales realizadas o el saldo promedio de dinero móvil. En una versión anónima de este conjunto de datos, el equipo de investigación luego entrenó algoritmos de aprendizaje automático para predecir el consumo a partir de metadatos de teléfonos móviles. Estos algoritmos luego se usaron para generar una estimación de consumo para cada uno de los XNUMX millones de suscriptores móviles en el país.
Figura 2: Priorización de los suscriptores móviles más pobres
Notas de la figura: utilizando la riqueza y la pobreza reales recopiladas a través de una gran encuesta telefónica de suscriptores activos de teléfonos móviles, el equipo de investigación entrenó algoritmos de aprendizaje automático para estimar la riqueza de cada suscriptor móvil (izquierda). En los 100 cantones más pobres (distribución en rojo en la figura de la derecha), los que se estima consumen menos de $1.25/día tienen prioridad para Novissi (línea vertical discontinua). Estos individuos son sustancialmente más pobres que el residente promedio de Togo (distribución azul).
Resultados preliminares
Después de desarrollar este enfoque, el equipo de investigación lo evaluó cuidadosa y críticamente utilizando varios conjuntos de datos independientes. El equipo se centró en particular en comparar este nuevo enfoque de focalización con enfoques alternativos que podría haber utilizado el Gobierno de Togo en ese momento. En particular, para la expansión de Novissi a las áreas rurales, el gobierno togolés estaba considerando dos alternativas además del enfoque basado en el teléfono: una expansión de la orientación existente basada en la ocupación; y un enfoque de “cobertura geográfica” que brindaría beneficios a todas las personas que residen en aldeas específicas.
El equipo de investigación utilizó datos de la encuesta telefónica de septiembre de 2020 para comparar estas opciones y evaluar la efectividad de cada uno de los diferentes métodos para llegar a los pobres. Los resultados preliminares indican que, asumiendo que el objetivo es llegar a las 57,000 100 personas más pobres en los 2.5 cantones más pobres, el enfoque satelital+teléfono es significativamente más preciso que los enfoques alternativos disponibles para el gobierno. En particular, como se muestra en la figura a continuación, se espera que el enfoque satelital + teléfono brinde beneficios a casi XNUMX veces más de los ciudadanos más pobres que un programa que brinda beneficios basados en la ocupación.
Figura 3: Comparación del enfoque satelital+teléfono con las alternativas existentes
Notas de la figura: En las simulaciones, el equipo de investigación asumió que cada uno de los tres enfoques posibles para la focalización de los beneficios tiene una restricción presupuestaria de pagar a no más de 57,000 100 beneficiarios. La figura muestra la precisión de cada mecanismo para llegar a los más pobres (es decir, las personas con el consumo más bajo en los 9,484 cantones más pobres), simulada mediante una encuesta telefónica a 2020 personas que viven en esos cantones, realizada en septiembre de XNUMX.
Trabajo en curso y futuro
A través de una colaboración con el Gobierno de Togo y GiveDirectly, aproximadamente 57,000 2021 nuevos beneficiarios se están inscribiendo en Novissi utilizando el método satelital + teléfono descrito anteriormente. El equipo de investigación está realizando actualmente una evaluación cuidadosa de la expansión de este programa. En particular, han planificado encuestas en persona para la primavera de XNUMX, o tan pronto como lo permitan las restricciones de salud pública, para hablar con los beneficiarios del programa, los miembros de la comunidad y los líderes de las aldeas. Estas entrevistas permitirán evaluar críticamente el programa y comparar la nueva metodología de focalización con alternativas comunes utilizadas en el diseño de programas antipobreza, como una prueba de medios de representación (PMT) y la focalización basada en la comunidad (CBT). Aunque el gobierno togolés no estaba en condiciones de utilizar un PMT o CBT para el programa Novissi, representan puntos de referencia importantes para la comparación.
Preocupaciones y limitaciones clave
El equipo de investigación es optimista de que este nuevo enfoque de focalización puede proporcionar un medio eficaz para distribuir dinero en efectivo a las personas extremadamente pobres, con extrema rapidez. Al mismo tiempo, existen importantes consideraciones prácticas, sociales y éticas involucradas en la implementación de un programa de este tipo en el mundo real; estas consideraciones fueron un foco importante del tiempo y la energía de los investigadores mientras trabajaban con el Gobierno de Togo y GiveDirectly. diseñar un programa de ayuda humanitaria basado en esta tecnología. Aquí, el equipo destaca algunas inquietudes clave, así como su enfoque para abordar esas inquietudes.
Exclusiones del programa: Los errores de exclusión (personas que necesitan beneficios pero no los reciben) y los errores de inclusión (personas que no necesitan beneficios pero los reciben) tienen una importancia central para cualquier mecanismo de focalización, incluido el desarrollado por el equipo de investigación. Hay una gran cantidad de literatura académica que documenta los errores de focalización que probablemente ocurran con los métodos de focalización existentes (cf. Banerjee et al. 2009, Alatas et al. 2012, Alatas et al. 2016). Por lo tanto, un enfoque importante de la encuesta en persona que el equipo de investigación ha planeado para principios de 2021 es documentar rigurosamente los errores de focalización que ocurrieron en esta implementación inicial, para asegurarse de que dichos errores sean transparentes y puedan abordarse en el futuro.
Para este programa, una preocupación importante son las exclusiones que ocurren para las personas que no tienen teléfonos móviles. Si bien este tipo de exclusión no es producto del nuevo método de los investigadores, existe en virtud del hecho de que la única forma en que el gobierno podría distribuir efectivo rápidamente en masa durante la pandemia fue mediante el uso de dinero móvil; es una preocupación que el equipo de investigación esté realizando un seguimiento muy cuidadoso a través de encuestas, auditorías y compromiso con los líderes de la comunidad (ver más abajo para obtener más información al respecto). Con base en el análisis del equipo de investigación de datos de encuestas de hogares representativas a nivel nacional, el equipo estima que aproximadamente el 90 % de los hogares en Togo tienen al menos un teléfono móvil, lo que podría limitar el alcance de tales exclusiones. Además, la expansión actual fue diseñada para permitir que cualquier persona con una Tarjeta SIM para registrarse en Novissi. En otras palabras, alguien sin teléfono podría adquirir una tarjeta SIM (que es mucho más barata que un teléfono) y usar esa tarjeta SIM en el teléfono de otra persona para registrarse en el programa y recibir beneficios. En futuras expansiones, el equipo de investigación está explorando la posibilidad de hacer que los teléfonos móviles de bajo costo estén disponibles a través de pay-as-you-go subsidios
El equipo de investigación también ha tomado varias medidas para anunciar el programa al público y fomentar la inscripción. Por ejemplo, el equipo informó a los líderes de las aldeas sobre el programa, envió cientos de miles de mensajes SMS a la población de beneficiarios prevista, distribuyó carteles a cientos de comunidades y colocó anuncios en las estaciones de radio locales. La esperanza de los investigadores es que estos esfuerzos para promover el conocimiento del programa puedan ayudar a reducir el alcance de la exclusión.
Privacidad de datos: Al diseñar este programa, la privacidad del usuario fue una prioridad máxima. El equipo de investigación tomó varias medidas para minimizar el uso de datos privados en la mayor medida posible e hizo que el Comité para la Protección de Sujetos Humanos de UC Berkeley revisara todos los procedimientos de investigación involucrados en este trabajo. Entre otras protecciones, el equipo de investigación incorporó salvaguardas organizativas que minimizaban los datos a los que cada parte tenía acceso: por ejemplo, ni GiveDirectly ni el Gobierno de Togo tienen acceso a los datos recopilados por los operadores de telefonía móvil. Asimismo, ni el gobierno ni GiveDirectly recibieron acceso a los puntajes de pobreza derivados de los datos móviles. En cambio, el equipo de investigación produjo una lista de beneficiarios basada en los puntajes de pobreza, y esos beneficiarios fueron elegibles para recibir transferencias. La única información que recibió el gobierno fue esta lista de beneficiarios elegibles. Los investigadores también implementaron protocolos estrictos de anonimización, encriptación y acceso, por ejemplo, para garantizar que todos los datos sean seudonimizados para eliminar la información de identificación personal antes del análisis. En tercer lugar, recopilaron el consentimiento siempre que fue posible: por ejemplo, los encuestados telefónicos dieron su consentimiento informado antes de participar, y se les pide a los beneficiarios del programa su consentimiento para usar sus datos para la administración del programa durante el proceso de registro de USSD.
Equidad y sesgo: El equipo de investigación reconoce el hecho de que es probable que todos los algoritmos estén sesgados. Como se señaló anteriormente, el equipo tuvo cuidado al diseñar la encuesta y la estrategia de muestreo para garantizar que los datos utilizados para entrenar el algoritmo de aprendizaje automático fueran lo más representativos posible de la población más amplia de suscriptores de teléfonos móviles en los 100 cantones más pobres. El equipo también utilizó varias fuentes independientes de datos de encuestas para calibrar y verificar dos veces el resultado de estos algoritmos, y para realizar auditorías algorítmicas para examinar si los subgrupos vulnerables específicos tenían más probabilidades de ser excluidos sobre la base del algoritmo. El equipo de investigación también ha planificado extensas actividades de encuestas para principios de 2021 que están diseñadas para determinar si las predicciones del algoritmo se sesgaron inadvertidamente contra algún tipo particular de beneficiario (como mujeres, analfabetos y subgrupos marginados); estas encuestas también ayudarán a determinar si este método es mejor para llegar a algunas poblaciones que a menudo están excluidas a través de enfoques alternativos para enfocarse en los pobres (p. ej., la focalización basada en la comunidad a menudo puede descuidar a las personas socialmente excluidas). Aún así, los investigadores son conscientes de que no se pueden anticipar todos los tipos de sesgos y, por lo tanto, se involucran activamente con los miembros de la comunidad a través de entrevistas cualitativas y otros mecanismos de retroalimentación para tratar de sacar a la luz cualquier sesgo o exclusión no intencionado creado por este programa.
Alcance y apoyo a la comunidad: Antes del lanzamiento de Novissi en áreas rurales, y luego de una extensa consulta con socios en Togo, GiveDirectly y miembros del equipo de investigación visitaron varias comunidades para realizar grupos de enfoque cualitativos y entrevistas con posibles beneficiarios. El equipo de investigación también trabajó con el gobierno para contactar a más de 100 líderes de aldeas y comunidades, para informarles sobre el programa y crear una relación para recibir comentarios sobre el diseño y la implementación del programa.
Como se señaló, el equipo de investigación también tomó varias medidas para comunicar el programa al público, a través de segmentos que se transmitieron en la radio local, así como mensajes SMS y carteles públicos. El equipo estableció un centro de llamadas que brinda soporte y resolución de problemas en tiempo real las 24 horas, y los beneficiarios también pueden enviar comentarios directamente a través de la plataforma USSD basada en el teléfono. Los investigadores también tienen varios mecanismos de auditoría en tiempo real: el equipo monitorea constantemente los datos del programa para garantizar que no haya problemas con el registro o los pagos; el gobierno ha contratado a Ernst & Young como auditores externos; y GiveDirectly continuamente realiza llamadas de seguimiento cualitativo con los participantes del programa y los miembros de la comunidad para monitorear la integridad del programa.
Resum
En asociación con el Gobierno de Togo y GiveDirectly, los investigadores han ayudado a desarrollar un enfoque innovador para la respuesta a las crisis humanitarias, diseñado para ayudar a tantas personas como sea posible, lo más rápido posible. Al aprovechar las nuevas fuentes de datos digitales y los avances recientes en el aprendizaje automático, demuestran cómo orientar los programas humanitarios de transferencia de efectivo a las personas necesitadas, incluso en entornos donde no existe un registro social universal.
AGRADECIMIENTOS
El equipo de investigación agradece a sus socios del proyecto en Togo que han apoyado esta iniciativa, especialmente a la ministra Cina Lawson, Shegun Bakari, Stanislas Telou, Leslie Mills, Kafui Ekouhoho y Attia Byll. El equipo de investigación de GiveDirectly también ha sido fundamental para apoyar este esfuerzo, especialmente Han Sheng Chia, Michael Cooke y Alex Nawar. El equipo de investigación cuenta con el apoyo invaluable de la investigación de Isabel Falomir, Shikhar Mehra, Suraj Nair, Nathaniel Ver Steeg y Rachel Warren. Tina George y Zoe Kahn proporcionaron información útil en este artículo.
|
|
|
|
|
Apoyo técnico y financiero
|
|
|
|
1 Equipo de investigación: Emily Aiken, Suzanne Bellue, Josué Blumenstock, Dean Karlan y cris udry. Para preguntas, contactar a Josué Blumenstock.
2 esta pregunta de focalización del programa es una de las dificultades centrales en el diseño de programas antipobreza (Coady et al. (2004), Brown et al. (2018), Hanna y Olken (2018)).
3 Este enfoque se basa en los métodos descritos con mayor detalle en Blumenstock et al. (2015) y Aiken y cols. (2020).