Description

L’utilisation de l’apprentissage automatique et des données géospatiales pour la prédiction des taux de pauvreté en Côte d’Ivoire: cas de la Forêt Aléatoire

Par Jean Baptiste Love KPOSSOU

Mémoire de Master

Résumé

L’objectif principal de cette étude est d’utiliser les outils d’apprentissage automatique pour prédire la pauvreté ou précisément de vérifier si la Forêt Aléatoire (FA), un algorithme moderne et récent d’apprentissage automatique a un pouvoir explicatif plus élevé que celui des autres modèles dans la prédiction des taux de pauvreté en Côte d’Ivoire en 2018. Pour y arriver, nous avons employé une méthode inspirée de Adoho et Tokpavi (2021) avec trois modèles : la régression linéaire avec pénalisation Lasso (Least Absolute Shrinkage and Selection Operator), le Réseau de Neurones (RN) et la Forêt Aléatoire (FA) où le taux de pauvreté est la variable cible. Ces modèles emploient huit (08) prédicteurs statiques : la lumière nocturne, la précipitation, la température de l’air, la densité de la population, la densité des agglomérations, le SPEI (Standardized Precipitation Evapotranspiration Index), la longitude et la latitude sur 11782 communautés. Utilisant les logiciels Python, R, Excel et QGis, trois (03) résultats importants se dégagent. Premièrement, les modèles non linéaires s’adaptent au mieux à la prédiction de la pauvreté. Deuxièmement, le RN explique à environ 31% les taux de pauvreté contrairement à la régression linéaire Lasso qui en explique à 19% seulement pendant que la Forêt Aléatoire bat le record à environ 59% confirmant ainsi les résultats existants dans la littérature. Troisièmement, une analyse territoriale est primordiale dans les politiques de réduction de la pauvreté étant donné la pertinence des variables géographiques et surtout les lumières nocturnes. Comme recommandations de politiques économiques, le gouvernement pourrait réduire la pauvreté des ménages suivant trois axes de développement : renforcer le système d’alerte précoce, renforcer la santé de reproduction et développer des politiques territoriales.

Mots clés :

Apprentissage Automatique, Données Géospatiales, Forêt Aléatoire, Prédiction, Taux de Pauvreté, Côte d’Ivoire

ABSTRACT

The main objective of this study is to use Machine Learning (ML) tools to predict poverty or precisely to check whether Random Forest (RF), a modern and recent ML algorithm has a higher explanatory power than that other models in predicting poverty rates in Côte d’Ivoire during 2018. To achieve this, we used a method inspired from Adoho and Tokpavi (2021) with three models: linear regression with Lasso (Least Absolute Shrinkage and Selection Operator), the Neural Network (NN) and the Random Forest (RF) where the poverty rate is the target variable. These models use eight (08) static predictors: nightlight, precipitation, air temperature, population density, built-up area density, SPEI (Standardized Precipitation Evapotranspiration Index), longitude and latitude on 11782 communities. Using Python, R, Excel and QGis software, three (03) important results emerge. First, non linear models fit best in predicting poverty. Second, the NN explains about 31% of the poverty rates unlike the Lasso linear regression which explains only 19% while the Random Forest out performs the record about 59%, thus confirming the existing results in the literature. Third, a territorial analysis is essential in poverty reduction policies given the relevance of geographical variables and especially nightlights. As economic policy recommendations, the government could reduce household poverty along three lines of development: strengthen the early warning system, strengthen reproductive health and develop territorial policies.

Keywords:

Machine Learning, Geospatial Data, Random Forest, Prediction, Poverty rates, Côte d’Ivoire