Voedselonzekerheid in lage-inkomenslanden neemt toe naarmate klimaatvariaties en economische schokken, waaronder de COVID-19-pandemie, hun tol eisen. Nauwkeurig voorspellen wanneer en waar hongercrises optreden, is van cruciaal belang voor een effectieve respons op humanitaire hulp. Een nieuwe studie van de Universiteit van Illinois onderzoekt hoe machine learning prognoses kan helpen verbeteren als ze op de juiste manier worden gebruikt.

De huidige voorspellingen van voedselonzekerheid zijn meestal gebaseerd op een systeem waarin groepen deskundigen samenkomen en voedselonzekerheid binnen landen beoordelen. Hoewel het proces enkele gegevens bevat om de beoordeling te begeleiden, blijft het meestal een kwalitatieve evaluatie op basis van lokale kennis.

"Ons doel is niet om dit bestaande systeem te herzien, dat ongelooflijke bijdragen heeft geleverd in verschillende landen en voorspellingen heeft gegenereerd over voedselcrises op plaatsen waar er heel weinig gegevens zijn en veel politieke complexiteit", zegt Hope Michelson, universitair hoofddocent bij het ministerie van Landbouw. en Consumenteneconomie bij U of I en co-auteur van het onderzoek.

De studie stelt dat machine learning-modellen kunnen helpen bij het verstrekken van kritieke informatie om het prognoseproces te ondersteunen, waardoor het objectiever, gerichter en transparanter wordt. Maar de auteurs benadrukken dat gegevens vanaf het begin op een doordachte manier moeten worden gebruikt en correct moeten worden geïnterpreteerd in samenwerking met beleidsmakers.

"Het is echt belangrijk om actief te werken aan het verbeteren van de manier waarop we voedselonzekerheid voorspellen", stelt Michelson. "En daarvoor zijn onderzoekers nodig die beleidsmakers en beleidsprioriteiten betrekken. We zien de noodzaak van enige harmonisatie en leidende principes om die onderzoeksinspanningen effectief en uitvoerbaar te maken."

De onderzoekers evalueren drie verschillende machine learning-modellen die voedselonzekerheid voorspellen in de landen ten zuiden van de Sahara, Malawi, Tanzania en Oeganda. Ze gebruiken gegevens van twee jaar om de uitkomsten van voedselonzekerheid in het dorp in een derde jaar te voorspellen, en vergelijken vervolgens de modelresultaten met de werkelijke uitkomst. De modellering omvat openbaar beschikbare gegevens over weer, geografie en voedselprijzen.

De studie identificeert ook een reeks richtlijnen die belangrijk zijn voor onderzoekers en beleidsmakers.

"Ten eerste willen we een model hebben dat een breed scala aan factoren vastlegt die van invloed kunnen zijn op voedselonzekerheid. Het zijn niet alleen schokken voor de voedselproductie, maar ook schokken die het inkomen van mensen beïnvloeden. Zelfs als je voedselproductie hebt, heb je nog steeds honger als mensen kan het niet kopen", zegt Kathy Baylis, afdeling Geografie aan de Universiteit van Californië, Santa Barbara. Baylis is de corresponderende auteur van het onderzoek.

“Een tweede uitgangspunt is dat deze modellen interpreteerbaar en transparant moeten zijn. Als je beleidsmakers aan boord wilt krijgen, moet je ze kunnen vertellen waarom het model een probleem voorspelt. Het derde punt is dat we in staat moeten zijn om foutenanalyse uit te voeren om te begrijpen waar het model faalt als het niet zo goed werkt", merkt Baylis op.

De onderzoekers schetsen ook drie criteria om te beslissen welke gegevens moeten worden opgenomen en hoe het model moet worden gebruikt:welke uitkomst te voorspellen, hoe om te gaan met zeldzame gebeurtenissen en hoe de effectiviteit te evalueren. Dergelijke beslissingen moeten worden genomen in overleg met beleidsmakers, stellen zij.

"We hebben gekeken waar het model goed werkte en waar niet. In het bijzonder zouden we er misschien meer om geven om voedselonzekere huishoudens niet te missen dan om een ​​huishouden verkeerd te identificeren als voedselonzeker. Het is misschien minder zorgwekkend als sommige mensen voedselhulp krijgen die het niet nodig heeft, vergeleken met ervoor zorgen dat ten minste 90% van de mensen die echt honger hebben een vorm van ondersteuning krijgen", zegt Baylis.

"Het hangt er echt van af wat de beleidsmakers met deze gegevens willen doen, bijvoorbeeld of ze voedselhulp willen activeren of het meer als een systeem voor vroegtijdige waarschuwing willen gebruiken."

De modellen in het onderzoek zijn vrij eenvoudig te implementeren, dus toegankelijk voor overheden en hulporganisaties. De onderzoekers benadrukken echter dat data moeten worden toegepast en geïnterpreteerd in samenwerking tussen onderzoekers en beleidsmakers. Hun onderzoek wil de basis leggen voor die samenwerkingen.

Het onderzoek is gepubliceerd in Applied Economic Perspectives and Policy .