Enfoques basados en aprendizaje automático para identificar los factores clave y predecir la inseguridad alimentaria severa en África

Por qué este estudio importa en la vida cotidiana

Para muchas familias en África, la cuestión no es qué comer sino si comerán. Este estudio utiliza herramientas de datos modernas para descubrir qué condiciones nacionales influyen con mayor fuerza en el riesgo de que las personas pasen todo un día o más sin alimento. Al identificar las palancas que más importan, los gobiernos y las organizaciones de ayuda pueden centrar sus esfuerzos en los cambios que realmente ayudarán a que los hogares mantengan la comida sobre la mesa.

Mirando el hambre desde una perspectiva nacional

La mayoría de las investigaciones anteriores sobre el hambre se han centrado en hogares o aldeas. Aunque ese enfoque local es vital, puede pasar por alto las fuerzas más amplias que determinan los precios, los empleos y los suministros de alimentos para poblaciones enteras. Este estudio, en cambio, examina todos los países africanos entre 2015 y 2021 y pregunta cómo las condiciones económicas, ambientales, políticas y sanitarias amplias se traducen en inseguridad alimentaria severa. Los autores combinan información de la Organización de las Naciones Unidas para la Alimentación y la Agricultura, el Banco Mundial y el Malaria Atlas Project para construir una visión continental del riesgo de hambre.

Usando algoritmos inteligentes para encontrar patrones ocultos

Los investigadores introducen docenas de indicadores nacionales en una variedad de modelos de aprendizaje automático. Estos indicadores incluyen inflación, desempleo, clima y emisiones de gases de efecto invernadero, malaria, producción ganadera y agrícola, pérdidas alimentarias, dependencia comercial, inversión extranjera, acceso a la electricidad, agua y saneamiento, y estabilidad política. El objetivo es predecir qué tan común es la inseguridad alimentaria severa en cada país y año, definida como personas que pasan sin comer al menos un día completo. Al comparar muchos tipos de modelos, prueban qué métodos capturan mejor las relaciones enredadas y, a menudo, no lineales entre estos factores.

Qué modelo y qué factores importan más

De entre todos los enfoques evaluados, un método llamado extreme gradient boosting, o XGBoost, ofrece las predicciones más precisas cuando se le pide pronosticar años posteriores a partir de datos anteriores. El equipo ajusta cuidadosamente este modelo y verifica su rendimiento con datos no vistos para evitar el sobreajuste. Luego examinan el modelo entrenado para ver en qué factores se apoya más y en qué dirección influyen en el riesgo de hambre. Encuentran que la alta inflación, el aumento de las temperaturas, el mayor desempleo, más malaria, mayores emisiones de gases de efecto invernadero, mayores pérdidas calóricas en la cadena alimentaria y una mayor dependencia de cereales importados se asocian con tasas predichas de inseguridad alimentaria severa más altas. En contraste, una mayor producción ganadera y de cultivos cerealeros, más inversión extranjera, mayor suministro de energía y proteínas en la dieta, mejor acceso a la electricidad, mayor ingreso por persona y una mayor estabilidad política se alinean con una menor desnutrición predicha.

Las pocas señales de advertencia más fuertes

El análisis hace más que enumerar muchas influencias; las clasifica. Cuatro factores destacan como especialmente poderosos en la conformación de las predicciones del modelo: desempleo, producción ganadera, emisiones de gases de efecto invernadero y pérdidas calóricas a nivel minorista. El alto desempleo señala mercados laborales débiles y una reducción de los ingresos de los hogares, lo que limita directamente la capacidad de comprar alimentos. Por el contrario, una fuerte producción ganadera parece proteger a los hogares al proporcionar productos animales, ingresos y una forma de ahorro. Las emisiones de gases de efecto invernadero son un indicador de presiones climáticas que amenazan las cosechas y los suministros de agua, mientras que las pérdidas calóricas destacan el desperdicio y las ineficiencias que erosionan la disponibilidad de alimentos incluso cuando la producción es adecuada.

Qué significa esto para abordar el hambre

En pocas palabras, el estudio muestra que el hambre severa en África no es impulsada por una sola causa, sino por un conjunto de fuerzas nacionales que tiran en direcciones diferentes. Algunas, como la inflación, el desempleo y el estrés climático, empujan a las familias hacia la falta de alimentos. Otras, como empleos fiables, rebaños sanos, cosechas estables, política estable e infraestructura robusta, ofrecen protección. Al señalar el desempleo, los sistemas ganaderos, las emisiones y las pérdidas alimentarias como palancas especialmente importantes, la investigación sugiere que las políticas que crean empleo, apoyan la ganadería y la agricultura resilientes al clima, reducen el desperdicio alimentario y frenen la contaminación que calienta el clima probablemente tendrán beneficios desproporcionados para la seguridad alimentaria en todo el continente.

Cita: Ayalew, M.M., Dessie, Z.G., Mitku, A.A. et al. Machine learning-based approaches to identify key drivers and predict severe food insecurity in Africa. Sci Rep 16, 15499 (2026). https://doi.org/10.1038/s41598-026-47139-9

Palabras clave: inseguridad alimentaria, África, aprendizaje automático, desempleo, producción ganadera