Predizendo a escolha de combustível de cocção doméstica na África subsaariana usando análise supervisionada de machine learning em dados do DHS de 28 países

Por que a forma como as famílias cozinham importa

Em toda a África subsaariana, a maioria das famílias ainda prepara refeições sobre fogueiras fumegantes usando madeira, carvão ou resíduos agrícolas. Essa rotina cotidiana tem consequências enormes: prejudica os pulmões das pessoas, contribui para as mudanças climáticas e reflete profundas desigualdades de renda e acesso a serviços básicos como eletricidade. O estudo resumido aqui faz uma pergunta muito prática: dadas as informações que temos sobre um domicílio — sua renda, escolaridade, acesso à energia e local de residência — podemos prever com segurança se ele cozinha com combustíveis limpos ou poluentes? E, em caso afirmativo, o que isso nos diz sobre como acelerar a transição para uma cocção mais segura para centenas de milhões de pessoas?

Analisando o cotidiano em 28 países

Os pesquisadores utilizaram pesquisas domiciliares detalhadas de 28 países da África subsaariana, abrangendo mais de 430.000 lares entre 2015 e 2024. Essas pesquisas perguntam, entre várias outras coisas, qual combustível é usado principalmente para cozinhar. A equipe agrupou eletricidade, gás liquefeito de petróleo (GLP), gás natural e biogás como opções “limpas”, e combustíveis como querosene, carvão mineral, carvão vegetal, lenha, resíduos agrícolas e esterco animal como “não limpos”. Também incluíram informações sobre idade e sexo do chefe do domicílio, tamanho da família, número de crianças pequenas, escolaridade, riqueza, se a casa tem eletricidade e se possui rádio ou televisão. Em conjunto, esses detalhes pintam um retrato amplo de como as famílias vivem, trabalham e têm acesso a informações e serviços.

Ensinando computadores a identificar padrões de combustível

Para descobrir padrões complexos demais para a estatística tradicional, os autores empregaram vários métodos supervisionados de machine learning — modelos computacionais que aprendem a partir de exemplos. Treinaram sete modelos diferentes, incluindo árvores de decisão, florestas aleatórias, redes neurais artificiais e um poderoso método de boosting chamado XGBoost, usando 80% dos dados para treino e testando-os nos 20% restantes. Como lares que usam combustíveis limpos eram muito mais raros do que os que usam combustíveis poluentes, equilibraram os dados durante o treinamento para que os modelos não aprendessem apenas a prever a escolha majoritária. Os modelos foram avaliados pela frequência de acerto, pela capacidade de identificar usuários de combustíveis limpos e pela clareza em separar escolhas limpas das não limpas. O XGBoost ficou em primeiro lugar, prevendo corretamente o tipo de combustível cerca de quatro vezes em cada cinco e mostrando excelente habilidade para distinguir entre os dois grupos.

O que mais importa para uma cocção mais limpa

Obter boas previsões é útil, mas os formuladores de políticas também precisam saber o que impulsiona essas previsões. Para abrir a “caixa-preta”, a equipe usou uma técnica chamada SHAP, que mostra quanto cada fator empurra o modelo na direção de prever combustíveis limpos ou não limpos. A influência isolada mais forte foi se o domicílio tinha eletricidade. Casas sem eletricidade eram muito mais propensas a depender de combustíveis fumegantes, especialmente quando também eram pobres. Outros sinais fortes de cocção limpa foram morar em cidade em vez de zona rural, ter mais escolaridade e possuir televisão, que frequentemente se associa a maior renda e melhor acesso à informação. Posse de rádio, tamanho da família, número de crianças pequenas e onde a culinária ocorre (internamente, em uma cabana separada ou ao ar livre) também tiveram papel, mas menor.

Progresso desigual na região

Apesar do crescimento da urbanização e das redes elétricas, o estudo constatou que 84% dos domicílios nos 28 países ainda cozinham com combustíveis não limpos. Em alguns países — como Burundi, Madagascar, Serra Leoa, Malawi, Libéria e Guiné — mais de 95% das casas dependem de biomassa tradicional. Apenas alguns lugares, notadamente África do Sul e Gabão, têm maioria de domicílios usando opções mais limpas. Dentro dos países, a mesma divisão reaparece: famílias mais ricas, urbanas e com maior escolaridade e eletricidade têm muito mais probabilidade de ter migrado para GLP ou cocção elétrica, enquanto domicílios rurais mais pobres continuam a coletar lenha ou comprar carvão vegetal. Esses padrões mostram que o progresso é possível, mas desigual, e fortemente ligado a dinheiro, infraestrutura e informação.

O que isso significa para as pessoas e para as políticas públicas

Para um público não especializado, a mensagem principal é clara: agora temos uma maneira orientada por dados de identificar quais comunidades estão mais em risco de respirar fumaça nociva da cocção, e por quê. O estudo mostra que expandir eletricidade confiável e acessível, reduzir a lacuna entre áreas rurais e urbanas, melhorar a educação e aumentar a renda das famílias são medidas centrais para tornar a cocção mais limpa. Com ferramentas de previsão precisas, governos e organizações de ajuda podem direcionar melhor projetos de eletrificação, subsídios de combustíveis e campanhas de conscientização às famílias que mais precisam. Em termos simples, a pesquisa transforma respostas dispersas de pesquisas em um mapa prático para ajudar milhões de famílias a trocar fogueiras fumegantes por cozinhas mais seguras e limpas.

Citação: 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

Palavras-chave: cocção limpa, energia doméstica, África subsaariana, machine learning, acesso à eletricidade