Identification of vulnerable urban areas in Accra, Ghana using census and remote sensing data

Schmidt, Alexandra (Supervisor2) Baumgartner, Jill (Supervisor1) Contexte : Les pays d'Afrique subsaharienne connaissent les taux d'urbanisation et de croissance urbaine les plus rapides au monde. Si les populations urbaines ont, en moyenne, un meilleur accès aux services et infrastructures de santé que leurs homologues rurales, ces moyennes peuvent masquer les grandes inégalités qui existent au sein des villes. Les zones urbaines vulnérables (ZUV) des pays à faible et moyen revenu (également appelées bidonvilles, établissements informels ou colonies de squatters) présentent des risques économiques, sociaux et sanitaires. Les villes doivent identifier, délimiter et surveiller ces ZUV afin de mettre en œuvre des politiques et des interventions ciblées qui améliorent les conditions de vie. Objectifs: J'ai utilisé une approche de modélisation par régression logistique bayésienne pour identifier les zones de dénombrement vulnérables (ZD, la plus petite unité administrative), et leurs caractéristiques dans la grande region métropolitaine d'Accra (GRMA) au Ghana. J'ai ensuite appliqué ces résultats pour comparer la mortalité infantile entre les quartiers urbains vulnérables et non vulnérables de la GRMA.Méthodes: J'ai obtenu des données transversales sur le logement et les conditions de vie de la population à partir du recensement de 2010 au Ghana, une carte des bidonvilles de la region métropolitaine d'Accra (RMA) provenant d'une enquête menée en 2011 par la ville d'Accra, et des images de télédétection. En utilisant ces données, j'ai construit des modèles de la relation entre le logement, la densité et les attributs environnementaux avec la classification des ZUV de 2,418 ZDs dans la RMA. La variable dépendante était la classification des bidonvilles d'une ZD de la RMA par la ville d'Accra, et les variables prédictives comprenaient le logement et les conditions de vie, la densité de population, l'altitude et la végétation. Le modèle final a été utilisé pour prédire la vulnérabilité des ZD dans les 4,611 ZD urbaines de la GRMA, dont les résultats ont été superposés à la mortalité infantile des quartiers de Bixby et al. pour comparer la mortalité infantile moyenne entre les ZUV et non vulnérables de la GRMA. Résultats: Les variables de niveau ZD associées à une plus grande probabilité d'être vulnérable comprenaient une plus grande densité de population [rapport de cotes (RC): 5.72 (IC de 95% : 3.85, 8.65)], tandis qu’une variable inversement associées à la probabilité d'être une ZUV comprenaient une mesure de l'abondance de la végétation dérivée d'un satellite [RC : 0.25 (95% IC : 0.16, 0.39)]. Environ 20 % des évaluations environnementales dans la région de GRMA avaient une probabilité de ZUV supérieure à 0.80. Cinquante-quatre quartiers (13 % des quartiers de la région GRMA) étaient considérés comme des quartiers urbains vulnérables, et avaient une moyenne de mortalité infantile similaire à celle des quartiers urbains non vulnérables [9.1 % de probabilité de décès avant l'âge de 5 ans (écart-type (ét)=1.5 %) contre 8.9 %, (ét =1.5 %), respectivement].Discussion: J'ai mené la première étude utilisant un modèle de régression logistique bayésien pour classer les ZUV, développer les études précédentes en intégrant à la fois des données de recensement et d'enquête, et évaluer la relation entre les variables prédictives et la classification des ZUV. Les similitudes observées en matière de mortalité infantile entre les ZUV et non vulnérables peuvent être attribuées à l'amélioration des services de santé dans GRMA. Les recherches futures devraient examiner d'autres inégalités dans les ZUV. Conclusion: Mon analyse et mon identification à haute résolution spatiale des régions vulnérables d'Accra peuvent permettre des interventions et des politiques plus ciblées, afin d’améliorer les conditions de logement, les infrastructures et l'accès aux services urbains pour les citadins les plus pauvres Background: Countries in Sub-Saharan Africa are experiencing the most rapid rates of urbanization and urban growth globally. While urban populations, on average, have better access to health services and infrastructure than their rural counterparts, these averages can mask the large inequalities that exist within cities. Vulnerable urban areas in low- and middle-income countries (also known as slums and informal/squatter settlements) pose serious economic, social, and health risks for their populations. Cities must be able to identify, demark, and monitor these vulnerable urban areas to implement targeted policies and interventions that improve living conditions and health. Objectives: I used a Bayesian logistic regression modelling approach to identify vulnerable enumeration areas (EAs; i.e., the smallest administrative unit) and their characteristics in the Greater Accra Metropolitan Area (GAMA) in Ghana. I then applied these results to compare child mortality between urban vulnerable and urban non-vulnerable neighbourhoods in the GAMA.Methods: I obtained cross-sectional data on population housing and living conditions from the 2010 Ghana Census, a map of slums in the Accra Metropolitan Area (AMA) from a 2011 survey conducted by the city of Accra, and publicly available remote sensing imagery. Using these data, I built and evaluated models of the relationship between housing, density, and environmental attributes with the vulnerable urban area classification of 2,418 EAs in the AMA. The dependent variable was an AMA EA’s slum classification by the city of Accra, and the predictor variables included housing and living conditions, population density, elevation, and vegetation abundance. The final model was used to predict EA vulnerability across all 4,611 urban EAs in the GAMA, the results of which were overlayed with neighbourhood child mortality from Bixby et al. (under review) to compare average child mortality between vulnerable and non-vulnerable urban areas in the GAMA. Results: EA-level variables associated with a higher probability of being a vulnerable urban EA included the use of a public toilet facility for sanitation [OR: 3.51 (95% credible interval (CI): 1.55,7.53)] and greater population density [OR: 5.72 (95% CI: 3.85,8.65)], while variables inversely associated with the probability of being a vulnerable urban area included improved wall materials [OR: 0.11 (95% CI: 0.03,0.43)] and a satellite-derived measure for vegetation abundance [OR: 0.25 (95% CI: 0.16,0.39)]. Approximately 20% of EAs in the GAMA had a vulnerable urban area probability above 80%. Vulnerable urban neighbourhoods had a similar child mortality mean to urban non-vulnerable neighbourhoods [9.1% probability of dying before the age of 5 (sd=1.5%) versus 8.9%, (sd=1.5%), respectively].Discussion: I conducted the first study to use a Bayesian logistic regression model to classify vulnerable urban areas in a low- and middle-income country (LMIC) setting, and expanded on previous studies by incorporating both survey and remote sensing data at high spatial resolution, and assessing the relationship between predictor variables and vulnerable urban area classification. The observed similarities in child mortality between vulnerable and non-vulnerable urban EAs may be attributed to improved health services in the GAMA including universal maternal health services. Future research should investigate other inequalities between vulnerable and non-vulnerable urban areas. Conclusion: My analysis and high-spatial resolution identification of vulnerable urban areas in Accra can inform more targeted interventions and policies aimed at improving housing conditions, infrastructure, and access to urban services for the urban poor