Approcci basati sul machine learning per identificare i fattori chiave e prevedere l’insicurezza alimentare severa in Africa

Perché questo studio conta nella vita di tutti i giorni

Per molte famiglie in Africa la questione non è cosa mangiare, ma se mangeranno affatto. Questo studio utilizza strumenti dati moderni per scoprire quali condizioni nazionali incidono maggiormente sul rischio che le persone trascorrano un’intera giornata o più senza cibo. Capire quali leve sono più rilevanti permette a governi e organizzazioni umanitarie di concentrarsi sui cambiamenti che aiutano concretamente le famiglie a mantenere cibo sulla tavola.

Osservare la fame a livello nazionale

La maggior parte delle ricerche precedenti sulla fame si è concentrata su famiglie o villaggi. Pur essendo fondamentale quel focus locale, può perdere le forze più ampie che determinano prezzi, occupazione e approvvigionamento alimentare per intere popolazioni. Questo studio invece considera tutti i paesi africani tra il 2015 e il 2021 e analizza come condizioni economiche, ambientali, politiche e sanitarie di ampia scala si traducono in insicurezza alimentare severa. Gli autori combinano informazioni della Food and Agriculture Organization, della World Bank e del Malaria Atlas Project per costruire un quadro continentale del rischio di fame.

Usare algoritmi intelligenti per trovare schemi nascosti

I ricercatori inseriscono dozzine di indicatori nazionali in una serie di modelli di machine learning. Questi indicatori comprendono inflazione, disoccupazione, clima ed emissioni di gas serra, malaria, produzione zootecnica e agricola, perdite alimentari, dipendenza dalle importazioni, investimenti esteri, accesso all’elettricità, acqua e servizi igienico-sanitari e stabilità politica. L’obiettivo è prevedere quanto sia diffusa l’insicurezza alimentare severa in ciascun paese e anno, definita come persone che restano senza cibo per almeno un’intera giornata. Confrontando molte tipologie di modelli, testano quali metodi catturano al meglio le relazioni intricate e spesso non lineari tra questi fattori.

Quale modello e quali fattori contano di più

Tra tutti gli approcci testati, un metodo chiamato extreme gradient boosting, o XGBoost, fornisce le previsioni più accurate quando è chiamato a prevedere anni successivi a partire da dati precedenti. Il team mette a punto con cura questo modello e ne verifica le prestazioni su dati non visti per evitare l’overfitting. Successivamente analizzano il modello addestrato per capire su quali fattori si basa maggiormente e in quale direzione influenzano il rischio di fame. Risultano associati a tassi più elevati di insicurezza alimentare severa: alta inflazione, aumento delle temperature, maggiore disoccupazione, più casi di malaria, maggiori emissioni di gas serra, maggiori perdite caloriche nella catena alimentare e una forte dipendenza dalle importazioni di cereali. Al contrario, una maggiore produzione zootecnica e cerealicola, maggiori investimenti esteri, una maggiore disponibilità di energia e proteine nella dieta, migliore accesso all’elettricità, reddito pro capite più alto e stabilità politica risultano correlati a livelli inferiori di fame prevista.

I pochi segnali di avvertimento più forti

L’analisi non si limita a elencare molte influenze; le classifica. Quattro fattori emergono come particolarmente potenti nel plasmare le previsioni del modello: disoccupazione, produzione zootecnica, emissioni di gas serra e perdite caloriche a livello di vendita al dettaglio. L’elevata disoccupazione segnala mercati del lavoro deboli e redditi familiari in contrazione, limitando direttamente la capacità delle persone di acquistare cibo. Una forte produzione zootecnica, al contrario, sembra offrire una rete di protezione alle famiglie fornendo prodotti animali, reddito e una forma di risparmio. Le emissioni di gas serra sono un indicatore delle pressioni climatiche che minacciano raccolti e risorse idriche, mentre le perdite caloriche evidenziano sprechi e inefficienze che erodono la disponibilità di cibo anche quando la produzione è adeguata.

Cosa significa per contrastare la fame

In termini semplici, lo studio mostra che la fame severa in Africa non è causata da un’unica ragione ma da un insieme di forze nazionali che tirano in direzioni diverse. Alcune, come inflazione, disoccupazione e stress climatico, spingono le famiglie verso la mancanza di cibo. Altre, come posti di lavoro affidabili, bestiame sano, raccolti stabili, politica stabile e infrastrutture robuste, offrono protezione. Evidenziando disoccupazione, sistemi zootecnici, emissioni e perdite alimentari come leve particolarmente importanti, la ricerca suggerisce che politiche volte a creare occupazione, sostenere allevamenti e agricoltura resilienti al clima, ridurre gli sprechi alimentari e contenere l’inquinamento che riscalda il pianeta potrebbero avere benefici particolarmente ampi per la sicurezza alimentare nel continente.

Citazione: 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

Parole chiave: insicurezza alimentare, Africa, machine learning, disoccupazione, produzione zootecnica