Published July 1, 2023
| Version v1
Publication
Identifying deprived "slum" neighbourhoods in the Greater Accra Metropolitan Area of Ghana using census and remote sensing data
Creators
- 1. McGill University
- 2. McGill University Health Centre
- 3. University of Essex
- 4. University of Ghana
- 5. Imperial College London
- 6. Amherst College
- 7. University of Massachusetts Amherst
Description
Identifying urban deprived areas, including slums, can facilitate more targeted planning and development policies in cities to reduce socio-economic and health inequities, but methods to identify them are often ad-hoc, resource intensive, and cannot keep pace with rapidly urbanizing communities. We apply a spatial modelling approach to identify census enumeration areas (EAs) in the Greater Accra Metropolitan Area (GAMA) of Ghana with a high probability of being a deprived area using publicly available census and remote sensing data. We obtained United Nations (UN) supported field mapping data that identified deprived "slum" areas in Accra's urban core, data on housing and population conditions from the most recent census, and remotely sensed data on environmental conditions in the GAMA. We first fitted a Bayesian logistic regression model on the data in Accra's urban core (n=2,414 EAs) that estimated the relationship between housing, population, and environmental predictors and being a deprived area according to the UN's deprived area assessment. Using these relationships, we predicted the probability of being a deprived area for each of the 4,615 urban EAs in GAMA. 899 (19%) of the 4,615 urban EAs in GAMA, with an estimated 745,714 residents (22% of its urban population), had a high predicted probability (>80%) of being a deprived area. These deprived EAs were dispersed across GAMA and relatively heterogeneous in their housing and environmental conditions, but shared some common features including a higher population density, lower elevation and vegetation abundance, and less access to indoor piped water and sanitation. Our approach using ubiquitously available administrative and satellite data can be used to identify deprived neighbourhoods where interventions are warranted to improve living conditions, and track progress in achieving the Sustainable Development Goals aiming to reduce the population living in unsafe or vulnerable human settlements.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يمكن أن يؤدي تحديد المناطق الحضرية المحرومة، بما في ذلك الأحياء الفقيرة، إلى تسهيل سياسات التخطيط والتنمية الأكثر استهدافًا في المدن للحد من أوجه عدم المساواة الاجتماعية والاقتصادية والصحية، ولكن غالبًا ما تكون طرق تحديدها مخصصة وكثيفة الموارد ولا يمكنها مواكبة المجتمعات سريعة التحضر. نطبق نهج النمذجة المكانية لتحديد مناطق تعداد السكان (EAs) في منطقة أكرا الكبرى الكبرى (GAMA) في غانا مع احتمال كبير لكونها منطقة محرومة باستخدام بيانات التعداد والاستشعار عن بعد المتاحة للجمهور. حصلنا على بيانات رسم الخرائط الميدانية المدعومة من الأمم المتحدة التي حددت المناطق "الفقيرة" المحرومة في قلب أكرا الحضري، وبيانات عن ظروف الإسكان والسكان من أحدث تعداد، وبيانات مستشعرة عن بعد عن الظروف البيئية في غاما. قمنا أولاً بتركيب نموذج انحدار لوجستي بايزي على البيانات الموجودة في قلب أكرا الحضري (العدد=2414 منطقة شرقية) الذي قدر العلاقة بين الإسكان والسكان والتنبؤات البيئية وكونها منطقة محرومة وفقًا لتقييم الأمم المتحدة للمناطق المحرومة. باستخدام هذه العلاقات، توقعنا احتمالية أن تكون منطقة محرومة لكل من مناطق العمل الحضرية البالغ عددها 4615 منطقة في جاما. 899 (19 ٪) من مناطق العمل الحضرية البالغ عددها 4615 منطقة في جاما، مع ما يقدر بنحو 745714 نسمة (22 ٪ من سكانها الحضريين)، كان لديهم احتمالية عالية متوقعة (>80 ٪) لكونهم منطقة محرومة. كانت مناطق العد المحرومة هذه منتشرة في جميع أنحاء جاما وغير متجانسة نسبيًا في ظروفها السكنية والبيئية، ولكنها تشترك في بعض السمات المشتركة بما في ذلك ارتفاع الكثافة السكانية، وانخفاض الارتفاع ووفرة الغطاء النباتي، وقلة الوصول إلى المياه الداخلية عبر الأنابيب والصرف الصحي. يمكن استخدام نهجنا باستخدام البيانات الإدارية والأقمار الصناعية المتاحة في كل مكان لتحديد الأحياء المحرومة حيث تكون التدخلات مبررة لتحسين الظروف المعيشية، وتتبع التقدم المحرز في تحقيق أهداف التنمية المستدامة التي تهدف إلى الحد من السكان الذين يعيشون في مستوطنات بشرية غير آمنة أو ضعيفة.Translated Description (French)
L'identification des zones urbaines défavorisées, y compris les bidonvilles, peut faciliter des politiques de planification et de développement plus ciblées dans les villes pour réduire les inégalités socio-économiques et sanitaires, mais les méthodes pour les identifier sont souvent ponctuelles, gourmandes en ressources et ne peuvent pas suivre le rythme de l'urbanisation rapide des communautés. Nous appliquons une approche de modélisation spatiale pour identifier les zones de recensement (ZD) dans la grande région métropolitaine d'Accra (GAMA) du Ghana avec une forte probabilité d'être une zone défavorisée à l'aide de données de recensement et de télédétection accessibles au public. Nous avons obtenu des données cartographiques de terrain soutenues par les Nations Unies (ONU) qui ont identifié les zones « bidonvilles » défavorisées dans le noyau urbain d'Accra, des données sur les conditions de logement et de population du recensement le plus récent et des données de télédétection sur les conditions environnementales dans le GAMA. Nous avons d'abord adapté un modèle de régression logistique bayésienne sur les données du noyau urbain d'Accra (n=2 414 EA) qui estimaient la relation entre les prédicteurs du logement, de la population et de l'environnement et le fait d'être une zone défavorisée selon l'évaluation des zones défavorisées de l'ONU. En utilisant ces relations, nous avons prédit la probabilité d'être une zone défavorisée pour chacun des 4 615 EA urbains de GAMA. 899 (19 %) des 4 615 EA urbains de GAMA, avec environ 745 714 résidents (22 % de sa population urbaine), avaient une forte probabilité prédite (>80 %) d'être une zone défavorisée. Ces EE défavorisées étaient dispersées à travers GAMA et relativement hétérogènes dans leurs conditions de logement et environnementales, mais partageaient certaines caractéristiques communes, notamment une densité de population plus élevée, une altitude et une abondance de végétation plus faibles et un accès moindre à l'eau courante et à l'assainissement à l'intérieur. Notre approche utilisant des données administratives et satellitaires omniprésentes peut être utilisée pour identifier les quartiers défavorisés où des interventions sont justifiées pour améliorer les conditions de vie et suivre les progrès dans la réalisation des objectifs de développement durable visant à réduire la population vivant dans des établissements humains dangereux ou vulnérables.Translated Description (Spanish)
La identificación de áreas urbanas desfavorecidas, incluidos los barrios marginales, puede facilitar políticas de planificación y desarrollo más específicas en las ciudades para reducir las desigualdades socioeconómicas y de salud, pero los métodos para identificarlas a menudo son ad hoc, requieren muchos recursos y no pueden seguir el ritmo de la rápida urbanización de las comunidades. Aplicamos un enfoque de modelado espacial para identificar áreas de enumeración censal (EA) en el Área Metropolitana de Accra (GAMA) de Ghana con una alta probabilidad de ser un área desfavorecida utilizando datos censales y de teledetección disponibles públicamente. Obtuvimos datos de mapeo de campo respaldados por las Naciones Unidas (ONU) que identificaron áreas de "tugurios" desfavorecidos en el núcleo urbano de Accra, datos sobre las condiciones de vivienda y población del censo más reciente y datos de teledetección sobre las condiciones ambientales en el GAMA. Primero ajustamos un modelo de regresión logística bayesiana en los datos del núcleo urbano de Accra (n=2,414 EA) que estimó la relación entre la vivienda, la población y los predictores ambientales y ser un área desfavorecida de acuerdo con la evaluación del área desfavorecida de la ONU. Utilizando estas relaciones, predijimos la probabilidad de ser un área desfavorecida para cada uno de los 4.615 EA urbanos en GAMA. 899 (19%) de los 4.615 EA urbanos en GAMA, con un estimado de 745.714 residentes (22% de su población urbana), tenían una alta probabilidad prevista (>80%) de ser un área desfavorecida. Estos EA privados estaban dispersos en GAMA y eran relativamente heterogéneos en sus condiciones de vivienda y medio ambiente, pero compartían algunas características comunes, como una mayor densidad de población, una menor altitud y abundancia de vegetación, y un menor acceso al agua corriente interior y al saneamiento. Nuestro enfoque que utiliza datos administrativos y satelitales disponibles de forma ubicua se puede utilizar para identificar vecindarios desfavorecidos donde se justifican intervenciones para mejorar las condiciones de vida y realizar un seguimiento del progreso en el logro de los Objetivos de Desarrollo Sostenible con el objetivo de reducir la población que vive en asentamientos humanos inseguros o vulnerables.Additional details
Additional titles
- Translated title (Arabic)
- تحديد الأحياء الفقيرة المحرومة في منطقة أكرا الكبرى في غانا باستخدام بيانات التعداد والاستشعار عن بعد
- Translated title (French)
- Identifier les quartiers « bidonvilles » défavorisés de la grande région métropolitaine d'Accra au Ghana à l'aide de données de recensement et de télédétection
- Translated title (Spanish)
- Identificación de barrios marginales desfavorecidos en el área metropolitana del Gran Accra de Ghana utilizando datos de censos y teledetección
Identifiers
- Other
- https://openalex.org/W4362640242
- DOI
- 10.1016/j.worlddev.2023.106253
References
- https://openalex.org/W1513386943
- https://openalex.org/W1536497620
- https://openalex.org/W1966730755
- https://openalex.org/W2011554357
- https://openalex.org/W2026147093
- https://openalex.org/W2027056068
- https://openalex.org/W2030481232
- https://openalex.org/W2049593158
- https://openalex.org/W2052993525
- https://openalex.org/W2069018455
- https://openalex.org/W2070859986
- https://openalex.org/W2075050257
- https://openalex.org/W2075414490
- https://openalex.org/W2091600160
- https://openalex.org/W2108733637
- https://openalex.org/W2130902307
- https://openalex.org/W2155675895
- https://openalex.org/W2155910437
- https://openalex.org/W2172037883
- https://openalex.org/W2404611670
- https://openalex.org/W2411498447
- https://openalex.org/W2536599516
- https://openalex.org/W2581718154
- https://openalex.org/W2620195181
- https://openalex.org/W26282040
- https://openalex.org/W2732004434
- https://openalex.org/W2752398197
- https://openalex.org/W2799794936
- https://openalex.org/W2842525189
- https://openalex.org/W2887417196
- https://openalex.org/W2899506370
- https://openalex.org/W2915848986
- https://openalex.org/W2916858247
- https://openalex.org/W2936528776
- https://openalex.org/W2945096295
- https://openalex.org/W2952183053
- https://openalex.org/W2981621059
- https://openalex.org/W2992345683
- https://openalex.org/W2998987173
- https://openalex.org/W3011166455
- https://openalex.org/W3024731180
- https://openalex.org/W3087376617
- https://openalex.org/W3098069145
- https://openalex.org/W3167883164
- https://openalex.org/W3186747671
- https://openalex.org/W3186869931
- https://openalex.org/W624912034
- https://openalex.org/W92486268