Zurück zu Bigger Picture

BIGGER PICTURE Öffentliche Dienste & Alltag

Als eine aktuelle Liste hilfsbedürftiger Familien fehlte

Togo musste Nothilfen rasch in ländliche Gebiete ausweiten. Befragungen, Satellitenbilder und Telefon-Metadaten ermöglichten eine praktikable Auswahl, obwohl ein vollständiges Haushaltsregister fehlte.

KI-generierte Illustration: Mobile Überweisungen verbinden sich mit einem konzeptionellen Netz ländlicher Haushalte.
Mobile Überweisungen verbinden sich mit einem konzeptionellen Netz ländlicher Haushalte. Konzeptionelle Illustration; kein Foto und keine exakte Darstellung des realen Projekts.KI-generierte Illustration der Idee, keine Aufnahme der tatsächlichen Personen, Geräte oder Ereignisse.
Erreichte Personen der ländlichen Ausweitung
>138.500 Empfänger
Gegenüber geografischer Auswahl
Weniger arme Haushalte ausgeschlossen
Auszahlungskanal
Mobiles Geld

So funktioniert die Idee

  1. Ärmere Gebiete kartieren

    Befragungen machen Satellitenmuster für die Auswahl nutzbar.

  2. Haushaltsbedarf einschätzen

    Befragung und Metadaten helfen, Konsum einzuschätzen.

  3. Reale Geldhilfen auszahlen

    Berechtigte erhalten Unterstützung über mobiles Geld.

Die Hilfe konnte nicht auf eine neue Erhebung warten

Während der Pandemie zahlte Togos Novissi-Programm Geldhilfen über Mobiltelefone aus. Bei der Ausweitung von Städten aufs Land entstand eine schwierige Frage: Welche Familien sollten bei begrenztem Budget Hilfe erhalten, wenn genaue Haushaltsinformationen fehlten? Forschung und Regierung verbanden vorhandene Informationen mit neuen Befragungen, um den Bedarf schnell genug für die Nothilfe einzuschätzen.

Belege: [1]

Erst arme Gebiete finden, dann Bedarf einschätzen

Ein erstes Modell verknüpfte den in Befragungen erfassten Wohlstand mit sichtbaren Merkmalen in Satellitenbildern und identifizierte ärmere Gebiete. Ein zweites verband Telefonbefragungen mit anonymisierten Anruf- und Guthabenkaufmustern, um Konsum einzuschätzen. Das waren statistische Hilfsmerkmale, keine Gesprächsinhalte. Die zwei Schritte führten von der Gebietsauswahl zu möglichen Empfängern vor Ort.

Belege: [3]

Entscheidend war Geld für mehr Berechtigte

Die ländliche Ausweitung nahm schließlich mehr als 138.500 besonders bedürftige Personen auf. Auswertungen fanden weniger irrtümlich ausgeschlossene arme Menschen als bei alternativen geografischen Auswahlverfahren. J-PAL nennt für die zusammengefassten Vergleiche 4 bis 21 Prozent weniger Ausschlussfehler. Der Nutzen entstand aus dem Zusammenspiel von Auswahlwerkzeug, auszahlender Organisation und tatsächlich verfügbarem Geld.

Belege: [1][2]

Menschen außerhalb der Daten bleiben wichtig

Ein telefonbasiertes System kann Haushalte ohne Telefon übersehen. Es ist auch nicht automatisch genauer als ein vollständiges, aktuelles Sozialregister. Das Projekt zeigt ein nützliches Nothilfewerkzeug unter bestimmten Bedingungen, keinen universellen Berechtigungsalgorithmus. Verbesserungen durch Geldtransfers sind nicht allein der KI zuzuschreiben; verantwortliche Auszahlung und Alternativen für ausgeschlossene Haushalte bleiben wesentlich.

Belege: [3][1]

Die Originalquellen

  1. J-PALUsing machine learning and mobile phone data to improve social protection
  2. GiveDirectlyStudy: AI targeting helped reach more of the poorest people in Togo
  3. J-PAL research projectUsing Mobile Phone and Satellite Data to Target Togo’s Emergency Cash Transfer Program

Was Sie als Nächstes entdecken können

Ampeln, die der nächsten Kreuzung melden, was kommtDie Form eines Proteins wurde für jedes Labor nachschlagbar
Alle 99 Anwendungen entdecken