Prevedere la scelta del combustibile per cucinare nelle famiglie dell’Africa subsahariana tramite apprendimento supervisionato sui dati DHS di 28 Paesi

Perché conta il modo in cui le famiglie cucinano

In tutta l’Africa subsahariana la maggior parte delle famiglie cucina ancora su fuochi fumosi usando legna, carbone o residui agricoli. Questa abitudine quotidiana ha conseguenze enormi: danneggia i polmoni, contribuisce al cambiamento climatico e riflette profonde disuguaglianze di reddito e di accesso ai servizi di base come l’elettricità. Lo studio riassunto qui pone una domanda molto pratica: dati alcuni elementi di conoscenza su una famiglia — reddito, istruzione, accesso all’energia e luogo di residenza — è possibile prevedere in modo affidabile se cucina con combustibili puliti o inquinanti? E in tal caso, cosa ci dice questo su come accelerare la transizione verso metodi di cottura più sicuri per centinaia di milioni di persone?

Osservare la vita quotidiana in 28 Paesi

I ricercatori hanno utilizzato indagini domestiche dettagliate di 28 Paesi dell’Africa subsahariana, coprendo più di 430.000 abitazioni tra il 2015 e il 2024. Questi sondaggi chiedono, tra molte altre cose, quale combustibile è principalmente usato per cucinare. Il team ha raggruppato elettricità, gas di petrolio liquefatto (GPL), gas naturale e biogas come opzioni “pulite”, e combustibili come cherosene, carbone, carbone di legna, legna da ardere, residui colturali e sterco animale come “non puliti”. Hanno incluso anche informazioni sull’età e il sesso del capo famiglia, la dimensione del nucleo, il numero di bambini piccoli, il livello di istruzione, la ricchezza, la presenza di elettricità in casa e il possesso di radio o televisione. Nel loro insieme, questi dettagli dipingono un quadro ampio di come vivono, lavorano e accedono a informazioni e servizi le famiglie.

Insegnare ai computer a riconoscere i modelli di combustibile

Per scoprire schemi troppo complessi per la statistica tradizionale, gli autori hanno usato diversi metodi di apprendimento automatico supervisionato — modelli informatici che imparano dagli esempi. Hanno addestrato sette modelli differenti, inclusi alberi decisionali, foreste casuali, reti neurali artificiali e un potente metodo di boosting chiamato XGBoost, sull’80% dei dati e li hanno testati sul restante 20%. Poiché le abitazioni che usano combustibili puliti erano molto meno numerose rispetto a quelle che usano combustibili inquinanti, hanno bilanciato i dati durante l’addestramento in modo che i modelli non imparassero semplicemente a prevedere la scelta maggioritaria. I modelli sono stati valutati sulla loro accuratezza, sulla capacità di identificare gli utenti di combustibili puliti e sulla chiarezza con cui separavano le scelte pulite da quelle non pulite. XGBoost è risultato il migliore, prevedendo correttamente il tipo di combustibile circa quattro volte su cinque e mostrando un’eccellente capacità di distinzione tra i due gruppi.

Ciò che conta di più per una cottura più pulita

Ottenere buone previsioni è utile, ma i decisori devono anche sapere cosa le determina. Per aprire la “scatola nera”, il team ha usato una tecnica chiamata SHAP, che mostra quanto ciascun fattore spinge il modello a prevedere combustibili puliti o non puliti. L’influenza singola più forte è risultata la presenza di elettricità nella casa. Le abitazioni senza elettricità avevano molte più probabilità di dipendere da combustibili fumosi, soprattutto se erano anche povere. Altri segnali potenti associati alla cottura pulita sono stati la residenza in città piuttosto che in campagna, un livello di istruzione più elevato e il possesso di una televisione, che spesso va di pari passo con reddito maggiore e migliore accesso alle informazioni. Il possesso di una radio, la dimensione della famiglia, il numero di bambini piccoli e il luogo dove si cucina (dentro casa, in una capanna separata o all’aperto) hanno avuto anch’essi un ruolo, ma più contenuto.

Progresso diseguale nella regione

Nonostante l’urbanizzazione e l’espansione delle reti elettriche, lo studio rileva che l’84% delle famiglie nei 28 Paesi cucina ancora con combustibili non puliti. In alcuni Paesi — come Burundi, Madagascar, Sierra Leone, Malawi, Liberia e Guinea — più del 95% delle abitazioni dipende dalla biomassa tradizionale. Solo in pochi luoghi, in particolare Sudafrica e Gabon, la maggioranza delle famiglie usa opzioni più pulite. All’interno dei singoli Paesi emerge lo stesso divario: famiglie più ricche, urbane e con maggiore istruzione e con elettricità sono molto più propense a passare a GPL o cottura elettrica, mentre le famiglie rurali più povere continuano a raccogliere legna o comprare carbone. Questi schemi mostrano che il progresso è possibile ma disomogeneo, strettamente legato a reddito, infrastrutture e accesso all’informazione.

Cosa significa per le persone e per le politiche

Per un lettore non specialista, il messaggio principale è chiaro: ora disponiamo di uno strumento basato sui dati per individuare quali comunità sono più a rischio di respirare fumi nocivi derivanti dalla cottura e per quali ragioni. Lo studio dimostra che ampliare l’accesso a elettricità affidabile e conveniente, ridurre il divario tra aree rurali e urbane, migliorare l’istruzione e aumentare i redditi familiari sono elementi centrali per rendere la cottura più pulita. Con strumenti di previsione accurati, governi e organizzazioni di aiuto possono mirare meglio i progetti di elettrificazione, i sussidi sui combustibili e le campagne di sensibilizzazione alle famiglie che ne hanno più bisogno. In termini semplici, la ricerca trasforma risposte di sondaggi frammentarie in una mappa pratica per aiutare milioni di famiglie a sostituire i fuochi fumosi con cucine più sicure e pulite.

Citazione: 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

Parole chiave: cucina pulita, energia domestica, Africa subsahariana, apprendimento automatico, accesso all’elettricità