Identifying and Characterizing the Poorest Urban Population Using National Household Surveys in 38 Cities in Sub-Saharan Africa
Notice bibliographique
Résumé
Identifying and classifying poor and rich groups in cities depends on several factors. Using data from available nationally representative surveys from 38 sub-Saharan African countries, we aimed to identify, through different poverty classifications, the best classification in urban and large city contexts. Additionally, we characterized the poor and rich groups in terms of living standards and schooling. We relied on absolute and relative measures in the identification process. For absolute ones, we selected people living below the poverty line, socioeconomic deprivation status and the UN-Habitat slum definition. We used different cut-off points for relative measures based on wealth distribution: 30%, 40%, 50%, and 60%. We analyzed all these measures according to the absence of electricity, improved drinking water and sanitation facilities, the proportion of children out-of-school, and any household member aged 10 or more with less than 6 years of education. We used the sample size, the gap between the poorest and richest groups, and the observed agreement between absolute and relative measures to identify the best measure. The best classification was based on 40% of the wealth since it has good discriminatory power between groups and median observed agreement higher than 60% in all selected cities. Using this measure, the median prevalence of absence of improved sanitation facilities was 82% among the poorer, and this indicator presented the highest inequalities. Educational indicators presented the lower prevalence and inequalities. Luanda, Ouagadougou, and N'Djaména were considered the worst performers, while Lagos, Douala, and Nairobi were the best performers. The higher the human development index, the lower the observed inequalities. When analyzing cities using nationally representative surveys, we recommend using the relative measure of 40% of wealth to characterize the poorest group. This classification presented large gaps in the selected outcomes and good agreement with absolute measures.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».