Por anos, os formuladores de políticas contam com pesquisas e dados do censo para rastrear e responder à pobreza extrema.

Embora eficaz, reunir essas informações é caro e demorado, e muitas vezes faltam os detalhes de que as organizações de ajuda e os governos precisam para melhor distribuir seus recursos.

Isso pode mudar em breve.

Uma nova técnica de mapeamento, descrito na edição de 14 de novembro do Proceedings of the National Academies of Sciences , mostra como os pesquisadores estão desenvolvendo ferramentas computacionais que combinam registros de telefones celulares com dados de satélites e sistemas de informação geográfica para criar mapas de pobreza oportunos e incrivelmente detalhados.

"Apesar de muito progresso nas últimas décadas, ainda há mais de 1 bilhão de pessoas em todo o mundo sem comida, abrigo e outras necessidades humanas básicas, "diz Neeti Pokhriyal, um dos co-autores principais do estudo, e um candidato a PhD no Departamento de Ciência da Computação e Engenharia da University at Buffalo.

O estudo é intitulado "Combinação de fontes de dados discrepantes para uma melhor previsão e mapeamento da pobreza".

Algumas organizações definem a pobreza extrema como uma grave falta de alimentos, cuidados de saúde, educação e outras necessidades básicas. Outros relacionam isso à renda; por exemplo, o Banco Mundial afirma que as pessoas que vivem com menos de US $ 1,25 por dia (preços de 2005) são extremamente pobres.

Embora em declínio na maioria das áreas do mundo, cerca de 1,2 bilhão de pessoas ainda vivem em extrema pobreza. A maioria está na Ásia, África Subsaariana e Caribe. Organizações de ajuda e agências governamentais dizem que dados oportunos e precisos são vitais para acabar com a pobreza extrema.

O estudo se concentra no Senegal, um país subsaariano com uma alta taxa de pobreza.

O primeiro conjunto de dados são 11 bilhões de chamadas e textos de mais de 9 milhões de usuários de telefones móveis senegaleses. Todas as informações são anônimas e capturam como, quando, onde e com quem as pessoas se comunicam.

O segundo conjunto de dados vem de imagens de satélite, sistemas de informação geográfica e estações meteorológicas. Ele oferece uma visão sobre a segurança alimentar, atividade econômica e acessibilidade a serviços e outros indicadores de pobreza. Isso pode ser obtido a partir da presença de eletricidade, ruas pavimentadas, agricultura e outros sinais de desenvolvimento.

Os dois conjuntos de dados são combinados usando uma estrutura baseada em aprendizado de máquina.

Usando a estrutura, os pesquisadores criaram mapas detalhando os níveis de pobreza de 552 comunidades no Senegal. Os mapas atuais da pobreza dividem o país em quatro regiões. A estrutura também pode ajudar a prever certas dimensões da pobreza, como privações na educação, padrão de vida e saúde.

Ao contrário de pesquisas ou censos, que pode levar anos e custar milhões de dólares, esses mapas podem ser gerados de forma rápida e econômica. E eles podem ser atualizados com a mesma frequência com que as fontes de dados são atualizadas. Mais, sua natureza diagnóstica pode ajudar os formuladores de políticas a projetar melhores intervenções para combater a pobreza.

Pokhriyal, que começou a trabalhar no projeto em 2015 e já viajou para o Senegal, afirma que o objetivo não é substituir o censo e as pesquisas, mas complementar essas fontes de informação entre os ciclos. A abordagem também pode ser útil em áreas de guerra e conflito, bem como regiões remotas.