English 
Français

A bottom-up population modelling approach to complement the population and housing census

Edith Darin, University of Southampton
Gianluca Boo, University of Southampton
Andrew J. Tatem, University of Southampton

Le recensement de la population et des logements fournit des informations démographiques essentielles pour la prise de décision et l'intervention aux niveaux local, national et international. Cependant, les données de recensement dans les pays les plus vulnérables sont souvent obsolètes ou partielles car l'instabilité politique, les conflits et les catastrophes naturelles empêchent un dénombrement à l'échelle nationale. L'approche de modélisation ascendante permet de compléter les données de recensement obsolètes ou incomplètes en estimant les chiffres de population et les structures âge/sexe dans des cellules de grille d'environ 100 m à l'aide de données de population collectées sur un ensemble de lieux entièrement dénombrés et de covariables géospatiales auxiliaires. Nous présentons l'effort de modélisation réalisé en République Démocratique du Congo — le dernier recensement a été réalisé en 1984 — et au Burkina Faso — le dernier recensement a été réalisé en 2020 mais ne couvrait que 70 % du pays. Les deux modèles ont montré de bonnes performances prédictives, indiquées par des valeurs R2 de 0,73 et 0,63 pour les prédictions respectives hors échantillon des dénombrements de population. Les estimations de population ascendantes et maillées qui en résultent sont actuellement utilisées pour le soutien au recensement et l'intervention humanitaire dans les deux pays. Ce travail met en évidence la flexibilité de l'approche de modélisation ascendante, en termes de données de population d'entrée, de spécification de modèle et d'agrégation des estimations de population pour prendre en charge des cas d'utilisation spécifiques.

Keywords: Bayesian methods / estimation, Census data, Geo-referenced/geo-coded data, Remote sensing

See extended abstract.

  Presented in Session 59. Counting and Classifying Populations