Predicción de la elección de combustible de cocina en los hogares del África subsahariana mediante análisis supervisado de aprendizaje automático de datos DHS de 28 países

Por qué importa la forma en que cocinan las familias

En el África subsahariana, la mayoría de las familias aún cocina sobre hogueras llenas de humo usando leña, carbón o residuos de cultivos. Esta rutina cotidiana tiene enormes consecuencias: daña los pulmones, contribuye al cambio climático y refleja profundas desigualdades en ingresos y en el acceso a servicios básicos como la electricidad. El estudio resumido aquí plantea una pregunta muy práctica: con lo que sabemos de un hogar—su ingreso, educación, acceso a la energía y lugar de residencia—¿podemos predecir de forma fiable si cocina con combustibles limpios o contaminantes? Y si es así, ¿qué nos indica eso sobre cómo acelerar el cambio hacia una cocina más segura para cientos de millones de personas?

Mirando la vida cotidiana en 28 países

Los investigadores se basaron en encuestas domiciliarias detalladas de 28 países del África subsahariana, que cubren más de 430.000 hogares entre 2015 y 2024. Estas encuestas preguntan, entre muchas otras cosas, qué combustible se utiliza principalmente para cocinar. El equipo agrupó la electricidad, el gas licuado de petróleo (GLP), el gas natural y el biogás como opciones “limpias”, y combustibles como keroseno, carbón, carbón vegetal, leña, residuos de cultivos y estiércol animal como “sucios”. También incluyeron información sobre la edad y el sexo del jefe de hogar, el tamaño de la familia, el número de niños pequeños, la escolaridad, la riqueza, si la vivienda tiene electricidad y si posee radio o televisión. En conjunto, estos datos dibujan un retrato amplio de cómo viven, trabajan y acceden a la información y los servicios las familias.

Enseñar a las computadoras a detectar patrones de combustible

Para descubrir patrones demasiado complejos para la estadística tradicional, los autores emplearon varios métodos supervisados de aprendizaje automático: modelos informáticos que aprenden a partir de ejemplos. Entrenaron siete modelos distintos, incluidos árboles de decisión, bosques aleatorios, redes neuronales artificiales y un potente método de potenciación llamado XGBoost, usando el 80% de los datos y probándolos en el 20% restante. Dado que los hogares que usan combustibles limpios eran mucho menos frecuentes que los que usan combustibles contaminantes, equilibraron los datos durante el entrenamiento para que los modelos no aprendieran simplemente a predecir la opción mayoritaria. Los modelos se evaluaron según la frecuencia con la que acertaban, su capacidad para identificar a los usuarios de combustibles limpios y su claridad para separar elecciones limpias de sucias. XGBoost resultó ganador, prediciendo correctamente el tipo de combustible en aproximadamente cuatro de cada cinco casos y mostrando una excelente capacidad para distinguir entre ambos grupos.

Qué importa más para una cocina más limpia

Obtener buenas predicciones es útil, pero los responsables de políticas también necesitan saber qué impulsa esas predicciones. Para abrir la “caja negra”, el equipo utilizó una técnica llamada SHAP, que muestra cuánto empuja cada factor al modelo hacia la predicción de combustibles limpios o sucios. La influencia más fuerte fue si el hogar tenía electricidad. Las viviendas sin electricidad eran mucho más propensas a depender de combustibles que producen humo, especialmente cuando también eran pobres. Otras señales poderosas de cocina limpia fueron vivir en una ciudad en lugar del campo, tener mayor escolaridad y poseer televisión, lo cual suele ir de la mano con mayores ingresos y mejor acceso a la información. La posesión de radio, el tamaño de la familia, el número de niños pequeños y el lugar donde se cocina (en el interior, en una cabaña separada o en el exterior) también jugaron un papel, pero menor.

Progreso desigual en la región

A pesar de la creciente urbanización y de las redes eléctricas, el estudio encuentra que el 84% de los hogares en los 28 países aún cocinan con combustibles sucios. En algunos países—como Burundi, Madagascar, Sierra Leona, Malawi, Liberia y Guinea—más del 95% de las viviendas dependen de biomasa tradicional. Solo en unos pocos lugares, notablemente Sudáfrica y Gabón, la mayoría de los hogares utiliza opciones más limpias. Dentro de los países, aparece la misma división: familias más ricas, urbanas y con mayor educación y electricidad tienen muchas más probabilidades de haber pasado al GLP o a la cocina eléctrica, mientras que los hogares rurales más pobres continúan recogiendo leña o comprando carbón vegetal. Estos patrones muestran que el progreso es posible pero desigual, y está estrechamente ligado al dinero, la infraestructura y la información.

Qué significa esto para las personas y las políticas

Para un público no especializado, el mensaje principal es claro: ahora disponemos de una manera basada en datos para identificar qué comunidades corren más riesgo de respirar humo nocivo por cocinar, y por qué. El estudio muestra que ampliar la electricidad fiable y asequible, reducir la brecha entre zonas rurales y urbanas, mejorar la educación y aumentar los ingresos de los hogares son medidas centrales para limpiar la cocina. Con herramientas de predicción precisas, los gobiernos y las organizaciones de ayuda pueden orientar mejor los proyectos de electrificación, los subsidios a los combustibles y las campañas de concienciación hacia los hogares que más los necesitan. En términos simples, la investigación convierte respuestas dispersas de encuestas en un mapa práctico para ayudar a millones de familias a cambiar hogueras llenas de humo por cocinas más seguras y limpias.

Cita: Demoze, L., Asnake, A.A., Gebrehana, A.K. et al. Predicting household cooking fuel choice in sub-Saharan Africa using supervised machine learning analysis of DHS data from 28 countries. Sci Rep 16, 14208 (2026). https://doi.org/10.1038/s41598-026-44937-z

Palabras clave: cocina limpia, energía doméstica, África subsahariana, aprendizaje automático, acceso a la electricidad