Het voorspellen van huishoudelijk kookbrandstofgebruik in sub-Saharisch Afrika met behulp van gesuperviseerde machine learning-analyse van DHS-gegevens uit 28 landen

Waarom de manier waarop gezinnen koken ertoe doet

In heel sub-Saharisch Afrika koken de meeste gezinnen nog steeds boven rokerige vuren met hout, houtskool of landbouwafval. Deze alledaagse gewoonte heeft grote gevolgen: het schaadt de longen van mensen, draagt bij aan klimaatverandering en weerspiegelt diepe ongelijkheden in inkomen en toegang tot basisvoorzieningen zoals elektriciteit. De hier samengevatte studie stelt een heel praktische vraag: gegeven wat we over een huishouden weten — het inkomen, het opleidingsniveau, de toegang tot stroom en waar het woont — kunnen we dan betrouwbaar voorspellen of het met schone of vervuilende brandstoffen kookt? En zo ja, wat zegt dat over hoe we de overgang naar veiliger koken voor honderden miljoenen mensen kunnen versnellen?

Een blik op het dagelijks leven in 28 landen

De onderzoekers gebruikten gedetailleerde huishoudonderzoeken uit 28 landen in sub-Saharisch Afrika, met meer dan 430.000 woningen tussen 2015 en 2024. Deze enquêtes vragen, naast vele andere zaken, welke brandstof voornamelijk voor het koken wordt gebruikt. Het team groepeerde elektriciteit, vloeibaar petroleumgas (LPG), aardgas en biogas als “schone” opties, en brandstoffen zoals kerosine, steenkool, houtskool, brandhout, landbouwresidu’s en dierlijke mest als “onrein.” Ze namen ook gegevens op over leeftijd en geslacht van het hoofd van het huishouden, gezinsgrootte, aantal jonge kinderen, opleiding, rijkdom, of het huis elektriciteit heeft en of het eigenaar is van een radio of televisie. Samen schetsen deze details een breed portret van hoe gezinnen leven, werken en toegang hebben tot informatie en diensten.

Computers leren brandstofpatronen te herkennen

Om patronen te ontdekken die te complex zijn voor traditionele statistiek, gebruikten de auteurs verschillende gesuperviseerde machine learning-methoden — computermodellen die leren van voorbeelden. Ze trainden zeven verschillende modellen, waaronder beslisbomen, random forests, kunstmatige neurale netwerken en een krachtige boosting-methode genaamd XGBoost, op 80% van de data en testten ze op de resterende 20%. Omdat huishoudens die schone brandstoffen gebruiken veel zeldzamer waren dan die met vervuilende brandstoffen, balanceerden ze de data tijdens het trainen zodat de modellen niet simpelweg de meerderheidskeuze zouden voorspellen. De modellen werden beoordeeld op hoe vaak ze gelijk hadden, hoe goed ze gebruikers van schone brandstof identificeerden en hoe duidelijk ze schone van onreine keuzes scheidden. XGBoost kwam als winnaar uit de bus en voorspelde het brandstoftype juist in ongeveer vier van de vijf gevallen en toonde een uitstekende capaciteit om tussen de twee groepen te onderscheiden.

Wat het meest telt voor schoner koken

Goede voorspellingen zijn nuttig, maar beleidsmakers moeten ook weten wat die voorspellingen drijft. Om de “black box” te openen, gebruikte het team een techniek genaamd SHAP, die laat zien hoeveel elke factor het model richting een voorspelling van schone of onreine brandstoffen duwt. De sterkste enkele invloed was of een huishouden elektriciteit had. Huizen zonder elektriciteit vertrouwden veel meer op rokerige brandstoffen, vooral wanneer ze ook arm waren. Andere sterke signalen voor schoon koken waren wonen in een stad in plaats van op het platteland, meer opleiding en het bezit van een televisie, wat vaak samenhangt met hogere inkomens en betere toegang tot informatie. Radio-eigendom, gezinsgrootte, aantal jonge kinderen en waar er wordt gekookt (binnen, in een aparte hut of buiten) speelden ook een rol, maar een kleinere.

Ongelijke vooruitgang in de regio

Ondanks toenemende verstedelijking en elektriciteitsnetten vindt de studie dat 84% van de huishoudens in de 28 landen nog steeds kookt met onreine brandstoffen. In sommige landen — zoals Burundi, Madagaskar, Sierra Leone, Malawi, Liberia en Guinee — is meer dan 95% van de woningen afhankelijk van traditionele biomassa. Slechts op enkele plekken, met name Zuid-Afrika en Gabon, gebruikt de meerderheid van de huishoudens schonere opties. Binnen landen verschijnt dezelfde kloof opnieuw: rijkere, stedelijke en beter opgeleide gezinnen met elektriciteit zijn veel waarschijnlijker overgestapt op LPG of elektrisch koken, terwijl armere plattelandsgezinnen blijven hout verzamelen of houtskool kopen. Deze patronen tonen aan dat vooruitgang mogelijk maar ongelijk is, en sterk verbonden met geld, infrastructuur en informatie.

Wat dit betekent voor mensen en beleid

Voor een niet-specialist is de hoofdboodschap duidelijk: we hebben nu een datagedreven manier om te identificeren welke gemeenschappen het meest risico lopen schadelijke kookrook in te ademen, en waarom. De studie toont dat het uitbreiden van betrouwbare en betaalbare elektriciteit, het verkleinen van de kloof tussen platteland en stad, het verbeteren van onderwijs en het verhogen van huishoudinkomens centraal staan in het schoner maken van koken. Met nauwkeurige voorspellingsinstrumenten kunnen regeringen en hulporganisaties elektrificatieprojecten, brandstofsubsidies en bewustwordingscampagnes beter richten op de huishoudens die ze het meest nodig hebben. In eenvoudige termen verandert het onderzoek verspreide enquête-antwoorden in een praktische kaart om miljoenen gezinnen te helpen rokerige vuren in te ruilen voor veiligere, schonere keukens.

Bronvermelding: 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

Trefwoorden: schoon koken, huishoudelijke energie, sub-Saharisch Afrika, machine learning, toegang tot elektriciteit