Read in: English
Aerial view of a palm oil plantation
Insight

Pas seulement qui, mai où : Le besoin de données géospatiales pour atteindre les ODD

Pour améliorer la collecte de données sur les personnes laissées pour compte, les organisations s'efforcent d'améliorer la disponibilité des données géospatiales et de combler les lacunes en matière de données afin de déterminer non seulement qui est laissé pour compte, mais aussi où il se trouve.

Par Kyle Wiebe on 13 mai 2022

Le Programme 2030 vise à garantir que personne ne soit laissé pour compte dans la poursuite d'un monde plus juste et durable. Pour remplir cet engagement, il faut d'abord se poser la question « qui est actuellement laissé pour compte » ? Bien que la question puisse sembler simple, y répondre empiriquement peut être techniquement et méthodologiquement difficile. En effet, les données utilisées pour suivre et évaluer l'impact des ODD proviennent en grande partie des instituts nationaux de statistique (INS) - agences nationales chargées de la conceptualisation, de la collecte et de la diffusion des statistiques. Les INS fonctionnent généralement à l'aide d'approches standardisées (par exemple, des recensements et des enquêtes), et de nombreuses populations en situation de marginalisation - telles que les personnes sans-abris ou sans papiers - peuvent passer à travers et faire lacunes. Si les INS ne sont pas en mesure de collecter des informations sur les personnes laissées pour compte, elles ne savent pas non plus où se trouvent celles qui sont laissées pour compte. De cette façon, il ne s'agit pas seulement de savoir qui est laissé pour compte, mais où il se trouve.

Pour améliorer la collecte de données concernant les personnes laissées pour compte, la communauté statistique mondiale s'efforce d'utiliser des données géo-référencées, c'est-à-dire des données pouvant être attribuées à un lieu particulier. Ce type de données est également appelé données géo-spatiales, données spatiales ou informations géographiques. Les avantages des données géo-référencées sont évidents ; vous ne pouvez pas mettre en œuvre une politique visant à améliorer les conditions de logement si vous ne pouvez pas localiser les logements inadéquats. Par conséquent, les données sont plus efficaces lorsque les informations se rapportent à l'emplacement. Cependant, combler le fossé entre l'information et l'emplacement peut être difficile pour les OSN pour plusieurs raisons. Cet article explore les efforts déployés par les INS pour améliorer la disponibilité des données géo-spatiales et montre comment d'autres organisations comblent les lacunes en matière de données.

Afin de promouvoir la disponibilité de données géo-référencées parmi les INS, le Partenariat statistique pour le développement au 21e siècle (PARIS21) et Statistics Sweden ont publié un guide complet en 8 étapes permettant aux INS d'intégrer leurs statistiques et données géo-spatiales de manière transparente à toutes les échelles géographiques (PARIS 21, 2021). Le guide a été motivé par la prise de conscience que les INS de nombreux pays à revenu faible et intermédiaire (PRFI) s'appuient sur une technologie obsolète ou n'ont pas la capacité requise pour développer les données géo-spatiales nécessaires à une prise de décision efficace et efficiente. Les huit étapes comprennent un processus séquentiel pour guider les INS depuis l'identification des groupes qui doivent être cartographiés et la mise en place d'un cadre de base pour les géographies, jusqu'à l'étape finale consistant à s'assurer que les données sont interopérables. En bref, il aide les pays à opérationnaliser le processus complexe de développement de données géo-référencées. En fournissant ce guide, PARIS21 espère contribuer à la réalisation du Programme 2030 en mettant à disposition les données nécessaires permettant de déterminer non seulement qui est laissé pour compte, mais où il se trouve.

Vous ne pouvez pas mettre en œuvre une politique visant à améliorer les conditions de logement si vous ne pouvez pas localiser les logements inadéquats.

Un obstacle important à la capacité des INS à identifier les populations laissées pour compte est la méthode statistique de dénombrement des ménages. Pour administrer les enquêtes, les INS ont besoin d'une méthode pour les envoyer et les recevoir. Traditionnellement, cela se fait en envoyant par la poste des copies physiques des enquêtes aux ménages, chose qui exclut les personnes qui n'ont pas d'adresse. La Banque mondiale estime qu'en 2018, près de 30 % de la population urbaine vivait dans des quartiers informels et potentiellement sans adresse. Par conséquent, même si les INS pouvaient géo-référencer leurs données, ces personnes ne seraient jamais prises en compte. 

Des approches alternatives voient le jour pour combler les lacunes de données laissées par cette méthode d'enquête. IDEAMAPS a été fondée en 2020 dans le but de développer des cartes de bidonvilles informées - des données géo-référencées sur les bidonvilles et leurs habitants. Les habitants des bidonvilles sont souvent sous-représentés à la fois dans les informations générales et dans les données géo-référencées en raison de leur statut informel, souvent non reconnu par les gouvernements. En combinant la cartographie de terrain basée sur la communauté avec l'imagerie numérisée et l'apprentissage automatique, IDEAMAPS a développé une «carte des zones défavorisées» des bidonvilles qui fournit des données géo-référencées essentielles pour une prise de décision fondée sur des preuves.

La nécessité d'identifier ceux laissés de côté n'est pas seulement un problème d'établissements informels dans les pays à revenu faible ou intermédiaire. Au Canada, la méthode de dénombrement utilisée par Statistique Canada pour effectuer le recensement exclut la population en situation d'itinérance. À Winnipeg, au Canada, des organismes communautaires ont lancé un moyen de combler cet écart en effectuant un recensement de rues - un décompte ponctuel de la population de Winnipeg en situation d'itinérance. L'enquête pose des questions similaires au recensement national et aide à identifier les besoins en matière de services.

Bien que les enquêtes soient un exemple où les données géo-référencées sont importantes, les enquêtes sont généralement menées annuellement ou même moins fréquemment dans le cas des recensements. Pour atteindre les ODD, il est nécessaire de disposer de données géo-référencées, à jour et disponibles en temps réel. Dans le cadre de sa stratégie de prévention et de contrôle des envenimations par morsures de serpent, l'Organisation mondiale de la santé (OMS) a lancé la plate-forme d'information et de données sur les morsures de serpent. À l'aide d'un logiciel géo-spatial conçu par Esri, la plate-forme permet aux utilisateurs d'identifier l'emplacement potentiel des serpents venimeux et de télécharger des observations géo-marquées de serpents venimeux. La disponibilité de ces données au public aide non seulement à sensibiliser les gens sur la présence et l'identité des serpents venimeux, mais elle fournit également des ressources sur comment et où traiter les morsures potentiellement mortelles. L'outil met les données géo-spatiales au service immédiat de ceux qui pourraient se trouver dans le besoin désespéré.

The World Bank estimates that in 2018 nearly 30% of the urban population lived in informal settlements and potentially without an address.

Les données géo-spatiales peuvent faire plus que simplement fournir des informations en temps réel ; il peut également être utilisé pour analyser des données pour la prise de décision. L'un des premiers exemples de données géo-spatiales a été compilé en 1854 par le médecin anglais John Snow. Pendant ce temps, Londres connaissait une épidémie de choléra et on croyait que la pollution provoquait la propagation de la maladie. En cartographiant les emplacements des épidémies, Snow a commencé à voir des modèles émerger et a déterminé que les groupes d'épidémies étaient liés aux sources d'eau potable. Ce type de cartographie, réalisé pour la première fois il y a plus de 150 ans, est devenu monnaie courante dans la façon dont nous présentons et analysons les données, et il s'avère une fois de plus important alors que nous subissons la pandémie la plus grave de notre époque.

Utilisant le même principe, le gouvernement de l'Ontario a lancé en 2020 le Tableau de bord scolaire de la COVID-19 pour suivre les cas dans les écoles de la province. L'outil suit également le pourcentage de ménages à faible revenu et le nombre de familles immigrantes à proximité des écoles, pour aider à identifier les disparités dans l'exposition socio-économique à la COVID-19. Ce type de plateforme est devenu largement disponible depuis le début de la COVID-19, en raison de la demande croissante d'identification des cas et de localisation des zones potentielles de transmission. L'accès aux données localisées a aidé les gouvernements à prendre des décisions fondées sur des preuves qui ont ralenti la propagation du virus. Il suffit d'imaginer à quel point il serait difficile de planifier une pandémie si nous ne pouvions pas localiser les épidémies, pour comprendre l'importance des données géo-référencées.

Ces études de cas mettent en évidence les diverses utilisations des données géo-spatiales. Bien qu'il existe de nombreuses applications, aucun acteur ou institution n'est chargé du géo-référencement des données. Au lieu de cela, les projets de données doivent rechercher un mariage entre l'information et la localisation, pour identifier et rendre compte de ceux qui sont laissés pour compte. Ce n'est que lorsque nous savons où se trouvent ceux qui sont marginalisés que nous pouvons prendre les décisions fondées sur des preuves nécessaires pour nous assurer qu'ils ne sont plus laissés pour compte.