Crédit :Pixabay/CC0 Domaine public
L'insécurité alimentaire dans les pays à faible revenu est en augmentation à mesure que les variations climatiques et les chocs économiques, y compris la pandémie de COVID-19, font des ravages. Prévoir avec précision quand et où les crises de la faim se produisent est essentiel pour une réponse efficace de l'aide humanitaire. Une nouvelle étude de l'Université de l'Illinois explore comment l'apprentissage automatique peut aider à améliorer les prévisions lorsqu'il est utilisé de manière appropriée.
Les prévisions actuelles de l'insécurité alimentaire reposent principalement sur un système dans lequel des groupes d'experts se réunissent et évaluent l'insécurité alimentaire dans les pays. Bien que le processus comprenne certaines données pour guider l'évaluation, il reste principalement une évaluation qualitative basée sur les connaissances locales.
"Notre objectif n'est pas de remanier ce système existant, qui a apporté des contributions incroyables à travers les pays, générant des prédictions sur les crises alimentaires dans des endroits où il y a très peu de données et beaucoup de complexité politique", explique Hope Michelson, professeure agrégée au Département d'agriculture et Consumer Economics à l'Université de l'Ile et co-auteur de l'étude.
L'étude affirme que les modèles d'apprentissage automatique peuvent aider à fournir des informations essentielles pour faciliter le processus de prévision, le rendant plus objectif, ciblé et transparent. Mais les auteurs soulignent que les données doivent être utilisées de manière réfléchie et interprétées correctement en collaboration avec les décideurs dès le départ.
"Il est vraiment important de travailler activement pour améliorer la façon dont nous prévoyons l'insécurité alimentaire", déclare Michelson. "Et cela nécessite que les chercheurs impliquent les décideurs politiques et les priorités politiques. Nous voyons un besoin d'harmonisation et de principes directeurs afin de rendre ces efforts de recherche efficaces et réalisables."
Les chercheurs évaluent trois modèles d'apprentissage automatique différents prédisant l'insécurité alimentaire dans les pays d'Afrique subsaharienne que sont le Malawi, la Tanzanie et l'Ouganda. Ils utilisent deux années de données pour prédire les résultats de l'insécurité alimentaire du village au cours d'une troisième année, puis comparent les résultats du modèle aux résultats réels. La modélisation intègre des données accessibles au public sur la météo, la géographie et les prix des denrées alimentaires.
L'étude identifie également une série de lignes directrices qui sont importantes pour les chercheurs et les décideurs.
"Premièrement, nous voulons avoir un modèle qui capture une grande variété de facteurs qui peuvent influencer l'insécurité alimentaire. Ce ne sont pas seulement les chocs sur la production alimentaire, mais aussi les chocs qui affectent le revenu des gens. Même si vous avez une production alimentaire, vous avez toujours faim si les gens je ne peux pas l'acheter », déclare Kathy Baylis, du Département de géographie de l'Université de Californie à Santa Barbara. Baylis est l'auteur correspondant de l'étude.
"Un deuxième principe est que ces modèles doivent être interprétables et transparents. Si vous voulez embarquer les décideurs politiques, vous devez être en mesure de leur dire pourquoi le modèle prédit un problème. Le troisième point est que nous devrions être en mesure faire une analyse des erreurs pour comprendre où le modèle échoue s'il ne fonctionne pas si bien", note Baylis.
Les chercheurs décrivent également trois critères pour décider quelles données inclure et comment utiliser le modèle :quel résultat prédire, comment gérer les événements rares et comment évaluer l'efficacité. De telles décisions devraient être prises en consultation avec les décideurs politiques, déclarent-ils.
"Nous avons examiné où le modèle fonctionnait bien et où il ne fonctionnait pas. En particulier, nous pourrions nous soucier davantage de ne pas manquer les ménages en situation d'insécurité alimentaire que de l'identification erronée d'un ménage comme étant en situation d'insécurité alimentaire. Cela peut être moins préoccupant. si certaines personnes reçoivent une aide alimentaire alors qu'elles n'en ont pas besoin, par rapport à s'assurer qu'au moins 90 % des personnes qui ont vraiment faim reçoivent une forme de soutien", déclare Baylis.
"Cela dépend vraiment de ce que les décideurs politiques veulent faire de ces données ; par exemple, s'ils veulent déclencher une aide alimentaire ou l'utiliser davantage comme un système d'alerte précoce."
Les modèles de l'étude sont assez simples à mettre en œuvre, ils sont donc accessibles aux gouvernements et aux organisations d'aide. Cependant, les chercheurs soulignent que les données doivent être appliquées et interprétées en coopération entre les chercheurs et les décideurs. Leur étude vise à jeter les bases de ces collaborations.
La recherche a été publiée dans Applied Economic Perspectives and Policy .