Approches basées sur l’apprentissage automatique pour identifier les facteurs clés et prédire l’insécurité alimentaire sévère en Afrique

Pourquoi cette étude compte pour la vie quotidienne

Pour de nombreuses familles à travers l’Afrique, la question n’est pas tant ce qu’il faut manger que si elles mangeront du tout. Cette étude utilise des outils de données modernes pour révéler quelles conditions nationales façonnent le plus fortement le risque que des personnes passent une journée entière ou plus sans nourriture. En identifiant les leviers les plus importants, les gouvernements et les organisations d’aide peuvent concentrer leurs efforts sur les changements qui aideront réellement les ménages à garder de la nourriture sur la table.

Regarder la faim à l’échelle nationale

La plupart des recherches antérieures sur la faim se sont focalisées sur les ménages ou les villages. Si ce regard local est essentiel, il peut manquer les forces plus larges qui déterminent les prix, l’emploi et l’approvisionnement alimentaire pour des populations entières. Cette étude examine donc tous les pays africains entre 2015 et 2021 et se demande comment des conditions économiques, environnementales, politiques et sanitaires générales se traduisent en insécurité alimentaire sévère. Les auteurs combinent des informations de la FAO, de la Banque mondiale et du Malaria Atlas Project pour construire un tableau continental du risque de faim.

Utiliser des algorithmes intelligents pour déceler des schémas cachés

Les chercheurs alimentent des dizaines d’indicateurs nationaux dans une variété de modèles d’apprentissage automatique. Ces indicateurs incluent l’inflation, le chômage, le climat et les émissions de gaz à effet de serre, le paludisme, la production animale et végétale, les pertes alimentaires, la dépendance aux échanges commerciaux, l’investissement étranger, l’accès à l’électricité, l’eau et l’assainissement, et la stabilité politique. L’objectif est de prédire la prévalence de l’insécurité alimentaire sévère dans chaque pays et chaque année, définie comme des personnes privées de nourriture pendant au moins une journée complète. En comparant plusieurs types de modèles, ils testent quelles méthodes captent le mieux les relations complexes, souvent non linéaires, entre ces facteurs.

Quel modèle et quels facteurs importent le plus

Parmi toutes les approches testées, une méthode appelée extreme gradient boosting, ou XGBoost, fournit les prédictions les plus précises lorsqu’il s’agit de prévoir des années ultérieures à partir de données antérieures. L’équipe ajuste soigneusement ce modèle et vérifie sa performance sur des données non vues pour éviter le surapprentissage. Ils examinent ensuite le modèle entraîné pour déterminer sur quels facteurs il s’appuie le plus et dans quelle direction ils influencent le risque de faim. Ils trouvent qu’une inflation élevée, des températures en hausse, un chômage plus important, davantage de paludisme, des émissions de gaz à effet de serre plus élevées, des pertes caloriques plus importantes dans la chaîne alimentaire et une plus grande dépendance aux céréales importées s’accompagnent de taux prédits plus élevés d’insécurité alimentaire sévère. En revanche, une production animale et céréalière plus élevée, davantage d’investissements étrangers, un apport énergétique et protéique alimentaire plus élevé, un meilleur accès à l’électricité, un revenu par personne plus élevé et une stabilité politique renforcée s’alignent avec une faim prédite plus faible.

Les quelques signes d’alerte les plus forts

L’analyse ne se contente pas d’énumérer de nombreuses influences ; elle les classe. Quatre facteurs se détachent comme particulièrement puissants dans la formation des prédictions du modèle : le chômage, la production animale, les émissions de gaz à effet de serre et les pertes caloriques au niveau de la vente au détail. Un chômage élevé signale des marchés du travail faibles et une contraction des revenus des ménages, limitant directement la capacité des personnes à acheter de la nourriture. À l’inverse, une production animale robuste semble protéger les ménages en fournissant des produits d’origine animale, des revenus et une forme d’épargne. Les émissions de gaz à effet de serre marquent les pressions climatiques qui menacent les récoltes et les ressources en eau, tandis que les pertes caloriques mettent en lumière le gaspillage et les inefficacités qui érodent la disponibilité alimentaire même lorsque la production est suffisante.

Ce que cela implique pour lutter contre la faim

En termes simples, l’étude montre que la faim sévère à travers l’Afrique n’est pas causée par une seule raison, mais par un ensemble de forces nationales qui tirent dans des directions différentes. Certaines, comme l’inflation, le chômage et le stress climatique, poussent les familles vers la privation alimentaire. D’autres, telles que des emplois fiables, des cheptels sains, des récoltes régulières, une politique stable et des infrastructures solides, offrent une protection. En mettant en lumière le chômage, les systèmes d’élevage, les émissions et les pertes alimentaires comme leviers particulièrement importants, la recherche suggère que des politiques favorisant la création d’emplois, le soutien à l’élevage et à l’agriculture résilients au climat, la réduction du gaspillage alimentaire et la diminution de la pollution contribuant au réchauffement climatique devraient avoir des effets particulièrement bénéfiques pour la sécurité alimentaire sur le continent.

Citation: 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

Mots-clés: insécurité alimentaire, Afrique, apprentissage automatique, chômage, production animale