Prédire le choix du combustible de cuisson des ménages en Afrique subsaharienne à l’aide d’une analyse supervisée par apprentissage automatique des données DHS de 28 pays

Pourquoi la façon dont les familles cuisinent importe

Dans l’ensemble de l’Afrique subsaharienne, la plupart des familles cuisinent encore sur des foyers enfumés utilisant du bois, du charbon ou des résidus agricoles. Cette routine quotidienne a des conséquences considérables : elle endommage les poumons, contribue au changement climatique et reflète de profondes inégalités de revenus et d’accès aux services de base comme l’électricité. L’étude résumée ici pose une question très pragmatique : compte tenu de ce que nous savons d’un ménage — son revenu, son niveau scolaire, son accès à l’électricité et son lieu de résidence — peut-on prédire de manière fiable s’il cuisine avec des combustibles propres ou polluants ? Et si oui, qu’est-ce que cela nous apprend sur la manière d’accélérer la transition vers une cuisson plus sûre pour des centaines de millions de personnes ?

Observer la vie quotidienne dans 28 pays

Les chercheurs se sont appuyés sur des enquêtes ménages détaillées réalisées dans 28 pays d’Afrique subsaharienne, couvrant plus de 430 000 foyers entre 2015 et 2024. Ces enquêtes demandent, entre autres, quel combustible est principalement utilisé pour la cuisson. L’équipe a classé l’électricité, le gaz de pétrole liquéfié (GPL), le gaz naturel et le biogaz comme options « propres », et des combustibles comme le kérosène, le charbon, le charbon de bois, le bois de feu, les résidus de culture et le fumier animal comme « non propres ». Ils ont aussi inclus des informations sur l’âge et le sexe du chef de ménage, la taille de la famille, le nombre de jeunes enfants, le niveau scolaire, la richesse, la présence d’électricité au domicile et la possession d’une radio ou d’une télévision. Ensemble, ces détails dressent un portrait large de la manière dont les familles vivent, travaillent et accèdent à l’information et aux services.

Apprendre aux ordinateurs à repérer les modèles de combustible

Pour découvrir des schémas trop complexes pour les statistiques traditionnelles, les auteurs ont utilisé plusieurs méthodes d’apprentissage automatique supervisé — des modèles informatiques qui apprennent à partir d’exemples. Ils ont entraîné sept modèles différents, y compris des arbres de décision, des forêts aléatoires, des réseaux de neurones artificiels et une méthode de boosting puissante appelée XGBoost, sur 80 % des données et les ont testés sur les 20 % restants. Comme les foyers utilisant des combustibles propres étaient beaucoup plus rares que ceux utilisant des combustibles polluants, ils ont équilibré les données pendant l’entraînement pour que les modèles n’apprennent pas simplement à prédire le choix majoritaire. Les modèles ont été évalués sur leur taux de bonne classification, leur capacité à identifier les utilisateurs de combustibles propres et leur aptitude à séparer clairement les choix propres des choix non propres. XGBoost est arrivé en tête, prédisant correctement le type de combustible dans environ quatre cas sur cinq et montrant une excellente capacité à distinguer les deux groupes.

Ce qui compte le plus pour une cuisson plus propre

Obtenir de bonnes prédictions est utile, mais les décideurs ont aussi besoin de savoir ce qui les motive. Pour ouvrir la « boîte noire », l’équipe a utilisé une technique appelée SHAP, qui montre dans quelle mesure chaque facteur pousse le modèle à prédire des combustibles propres ou non propres. L’influence la plus forte était la présence d’électricité dans le ménage. Les foyers sans électricité étaient beaucoup plus susceptibles de dépendre de combustibles enfumés, surtout lorsqu’ils étaient également pauvres. D’autres signaux puissants de cuisson propre étaient la résidence en milieu urbain plutôt qu’à la campagne, un niveau d’éducation plus élevé et la possession d’une télévision, souvent corrélée à un revenu plus élevé et à un meilleur accès à l’information. La possession d’une radio, la taille de la famille, le nombre de jeunes enfants et le lieu de cuisson (à l’intérieur, dans une paillote séparée ou à l’extérieur) jouaient aussi un rôle, mais plus modéré.

Progrès inégaux dans la région

Malgré l’urbanisation croissante et les réseaux électriques, l’étude constate que 84 % des ménages des 28 pays cuisinent encore avec des combustibles non propres. Dans certains pays — comme le Burundi, Madagascar, la Sierra Leone, le Malawi, le Libéria et la Guinée — plus de 95 % des foyers dépendent de la biomasse traditionnelle. Seuls quelques pays, notamment l’Afrique du Sud et le Gabon, comptent une majorité de ménages utilisant des options plus propres. À l’intérieur des pays, la même fracture apparaît : les ménages plus riches, urbains et mieux éduqués disposant d’électricité ont beaucoup plus de chances d’être passés au GPL ou à la cuisson électrique, tandis que les ménages ruraux plus pauvres continuent de collecter du bois ou d’acheter du charbon de bois. Ces schémas montrent que le progrès est possible mais inégal, et étroitement lié à l’argent, aux infrastructures et à l’accès à l’information.

Ce que cela signifie pour les populations et les politiques

Pour un non-spécialiste, le message principal est clair : nous disposons désormais d’un outil fondé sur les données pour identifier les communautés les plus exposées aux fumées nocives de cuisson, et pour en connaître les causes. L’étude montre que l’extension d’un accès électrique fiable et abordable, la réduction des écarts entre zones rurales et urbaines, l’amélioration de l’éducation et l’augmentation des revenus des ménages sont autant d’éléments centraux pour assainir la cuisson. Avec des outils de prédiction précis, les gouvernements et les organisations d’aide peuvent mieux cibler les projets d’électrification, les subventions de combustibles et les campagnes de sensibilisation vers les foyers qui en ont le plus besoin. En termes simples, la recherche transforme des réponses d’enquêtes dispersées en une carte pratique pour aider des millions de familles à troquer les foyers enfumés contre des cuisines plus sûres et plus propres.

Citation: 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

Mots-clés: cuisson propre, énergie domestique, Afrique subsaharienne, apprentissage automatique, accès à l’électricité