Matosäkerheten i låginkomstländer ökar när klimatvariationer och ekonomiska chocker, inklusive covid-19-pandemin, tar ut sin rätt. Att korrekt förutsäga när och var hungerkriser inträffar är avgörande för ett effektivt humanitärt bistånd. En ny studie från University of Illinois undersöker hur maskininlärning kan hjälpa till att förbättra prognoser när den används på rätt sätt.

Aktuella förutsägelser om livsmedelsförsörjning bygger mest på ett system där expertgrupper samlas och bedömer livsmedelssäkerheten inom länder. Även om processen innehåller en del data för att vägleda bedömningen, förblir det mestadels en kvalitativ utvärdering baserad på lokal kunskap.

"Vårt mål är inte att se över det här befintliga systemet, som har gjort otroliga bidrag över länder och genererat förutsägelser om livsmedelskriser på platser där det finns väldigt lite data och mycket politisk komplexitet", säger Hope Michelson, docent vid Institutionen för jordbruk. och Consumer Economics vid U of I och medförfattare på studien.

Studien hävdar att maskininlärningsmodeller kan hjälpa till att tillhandahålla viktig information för att hjälpa prognosprocessen, vilket gör den mer objektiv, fokuserad och transparent. Men författarna betonar att data måste användas på ett genomtänkt sätt och tolkas korrekt i samverkan med beslutsfattare från början.

"Det är verkligen viktigt att arbeta aktivt för att förbättra sättet vi förutsäger livsmedelsosäkerhet", säger Michelson. "Och det kräver att forskare involverar beslutsfattare och politiska prioriteringar. Vi ser ett behov av viss harmonisering och vägledande principer för att göra dessa forskningsinsatser effektiva och genomförbara."

Forskarna utvärderar tre olika maskininlärningsmodeller som förutsäger matosäkerhet i de afrikanska länderna söder om Sahara i Malawi, Tanzania och Uganda. De använder två års data för att förutsäga utfall av matosäkerhet i byn under ett tredje år, och jämför sedan modellresultaten med det faktiska resultatet. Modelleringen innehåller allmänt tillgänglig data om väder, geografi och matpriser.

Studien identifierar också en rad riktlinjer som är viktiga för forskare och beslutsfattare.

"För det första vill vi ha en modell som fångar upp en mängd olika faktorer som kan påverka livsmedelsotryggheten. Det är inte bara chocker för livsmedelsproduktionen utan också chocker som påverkar människors inkomst. Även om du har livsmedelsproduktion har du fortfarande hunger om människor kan inte köpa det", säger Kathy Baylis, Institutionen för geografi vid University of California, Santa Barbara. Baylis är motsvarande författare i studien.

"En andra princip är att dessa modeller ska vara tolkbara och transparenta. Om du ska få med dig beslutsfattare måste du kunna berätta för dem varför modellen förutspår ett problem. Den tredje punkten är att vi borde kunna att göra felanalyser för att förstå var modellen misslyckas om den inte fungerar så bra", konstaterar Baylis.

Forskarna beskriver också tre kriterier för att bestämma vilken data som ska inkluderas och hur modellen ska användas:vilket resultat som ska förutsägas, hur man hanterar sällsynta händelser och hur man utvärderar effektiviteten. Sådana beslut bör fattas i samråd med beslutsfattare, konstaterar de.

"Vi tittade på var modellen fungerade bra, och var den inte fungerade. I synnerhet kanske vi bryr oss mer om att inte missa hushåll som är osäker på mat än vad vi skulle göra om att felidentifiera ett hushåll som ett matosäkert. Det kan vara mindre oroande. om vissa människor får mathjälp som inte behöver det, jämfört med att se till att minst 90 % av människor som verkligen är hungriga får någon form av stöd, säger Baylis.

"Det beror verkligen på vad beslutsfattarna vill göra med dessa data, till exempel om de vill utlösa livsmedelsbistånd eller använda det mer som ett system för tidig varning."

Modellerna i studien är ganska enkla att implementera, så de är tillgängliga för regeringar och hjälporganisationer. Men forskarna betonar att data bör tillämpas och tolkas i samarbete mellan forskare och beslutsfattare. Deras studie syftar till att lägga grunden för dessa samarbeten.

Forskningen publicerades i Applied Economic Perspectives and Policy .