Прогнозирование выбора топлива для приготовления пищи в домохозяйствах стран Субсахарской Африки с помощью методов контролируемого машинного обучения на данных DHS из 28 стран

Почему способ приготовления пищи семьёй важен

По всей Субсахарской Африке большинство семей по‑прежнему готовят еду над задымлёнными кострами, используя древесину, древесный уголь или сельскохозяйственные отходы. Эта повседневная практика имеет большие последствия: она вредит лёгким людей, способствует изменению климата и отражает глубокое неравенство в доходах и доступе к базовым услугам, таким как электроэнергия. Исследование, кратко изложенное здесь, задаёт практический вопрос: если знать о домохозяйстве такие характеристики, как доход, образование, доступ к электроснабжению и место проживания, можно ли надёжно предсказать, использует ли оно чистые или загрязняющие виды топлива для готовки? И если да — что это говорит о том, как ускорить переход сотен миллионов людей к более безопасному приготовлению пищи?

Изучая повседневную жизнь в 28 странах

Исследователи опирались на подробные обследования домохозяйств из 28 стран Субсахарской Африки, охватившие более 430 000 домов в период с 2015 по 2024 год. В этих опросах, среди прочего, спрашивали, какое топливо в основном используют для готовки. Команда отнесла к «чистым» вариантам электроэнергию, сжиженный нефтяной газ (СНГ/ЛПГ), природный газ и биогаз, а к «нечистым» — керосин, уголь, древесный уголь, дрова, растительные остатки и навоз. Они также включили сведения о возрасте и поле главы домохозяйства, размере семьи, числе маленьких детей, уровне образования, уровне благосостояния, наличии электроэнергии в жилье и наличии радио или телевизора. В совокупности эти данные дают широкую картину того, как семьи живут, работают и получают информацию и услуги.

Обучение компьютеров распознавать шаблоны топлива

Чтобы выявить закономерности, слишком сложные для традиционной статистики, авторы использовали несколько методов контролируемого машинного обучения — компьютерных моделей, обучающихся на примерах. Они натренировали семь разных моделей, включая решающие деревья, случайные леса, искусственные нейронные сети и мощный метод бустинга XGBoost, на 80% данных и тестировали их на оставшихся 20%. Поскольку домохозяйства, использующие чистые виды топлива, встречались значительно реже, чем использующие загрязняющие, данные сбалансировали при обучении, чтобы модели не сводились к предсказанию большинства. Модели оценивали по доле правильных предсказаний, по способности обнаруживать пользователей чистого топлива и по тому, насколько чётко они разделяли два типа выбора. XGBoost оказался лучшим: он правильно предсказывал тип топлива примерно в четырёх случаях из пяти и показывал отличную способность различать обе группы.

Что важнее всего для перехода на более чистую готовку

Хорошие предсказания полезны, но политикам также важно понимать, что движет этими предсказаниями. Чтобы «раскрыть чёрный ящик», команда использовала технику SHAP, которая показывает, насколько каждый фактор смещает модель в сторону предсказания чистого или нечистого топлива. Самым сильным влиянием оказалось наличие электроэнергии в доме. Жильё без электричества значительно чаще полагалось на задымлённые виды топлива, особенно когда оно также было бедным. Другими сильными признаками чистой готовки оказались жизнь в городе, а не в сельской местности, более высокий уровень образования и наличие телевизора, что часто связано с более высоким доходом и лучшим доступом к информации. Владение радиоприёмником, размер семьи, число маленьких детей и место приготовления пищи (в доме, в отдельно стоящей хижине или на улице) также влияли, но в меньшей степени.

Неравномерный прогресс в регионе

Несмотря на растущую урбанизацию и развитие энергосетей, исследование показывает, что 84% домохозяйств в 28 странах по‑прежнему готовят с использованием нечистых видов топлива. В некоторых странах — таких как Бурунди, Мадагаскар, Сьерра‑Леоне, Малави, Либерия и Гвинея — более 95% домохозяйств зависят от традиционной биомассы. Только в немногих местах, прежде всего в Южной Африке и Габоне, большинство домохозяйств использует более чистые варианты. Внутри стран тот же разрыв повторяется: более состоятельные, городские и лучше образованные семьи с электричеством гораздо чаще перешли на СЖГ/ЛПГ или электрические плиты, тогда как бедные сельские домохозяйства продолжают собирать дрова или покупать древесный уголь. Эти закономерности показывают, что прогресс возможен, но неравномерен и тесно связан с доходами, инфраструктурой и доступом к информации.

Что это значит для людей и политики

Для неспециалиста главный вывод ясен: теперь у нас есть основанный на данных способ определить, какие сообщества находятся в наибольшем риске из‑за вдыхания вредного кухонного дыма, и почему. Исследование показывает, что расширение доступа к надёжной и доступной электроэнергии, сокращение разрыва между сельскими и городскими районами, улучшение образования и повышение доходов домохозяйств — всё это ключевые элементы очистки процесса приготовления пищи. С помощью точных инструментов прогнозирования правительства и благотворительные организации смогут точнее нацеливать проекты электрификации, субсидии на топливо и просветительские кампании на те домохозяйства, которые в них наиболее нуждаются. Проще говоря, исследование превращает разрозненные ответы опросов в практическую карту для помощи миллионам семей в переходе от задымлённых очагов к более безопасным и чистым кухням.

Цитирование: 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

Ключевые слова: чистое приготовление пищи, энергетика домохозяйств, Субсахарская Африка, машинное обучение, доступ к электроэнергии