Afrika’da şiddetli gıda güvensizliğinin ana sürücülerini belirlemek ve tahmin etmek için makine öğrenmesi yaklaşımları

Bu çalışmanın günlük yaşam için önemi

Afrika’nın birçok ailesi için soru ne yiyecekleri değil, hiç yiyip yemeyecekleridir. Bu çalışma, insanların bir bütün gün veya daha uzun süre yiyeceksiz kalma riskini en güçlü şekilde hangi ulusal koşulların şekillendirdiğini ortaya çıkarmak için modern veri araçlarını kullanır. Hangi kaldıraçların en etkili olduğunu öğrenerek, hükümetler ve yardım kuruluşları hanelerin sofrada yiyecek bulundurmasına gerçekten yardımcı olacak değişikliklere odaklanabilir.

Açlığı ülke ölçeğinden görmek

Açlık üzerine yapılan önceki çalışmaların çoğu hane veya köye odaklandı. Bu yerel odak hayati olsa da, fiyatları, iş olanaklarını ve tüm nüfus için gıda arzını şekillendiren daha geniş güçleri gözden kaçırabilir. Bu çalışma bunun yerine 2015 ile 2021 yılları arasında tüm Afrika ülkelerini inceler ve geniş ekonomik, çevresel, politik ve sağlık koşullarının şiddetli gıda güvensizliğine nasıl dönüştüğünü sorar. Yazarlar, kıta çapında bir açlık riski tablosu oluşturmak için Gıda ve Tarım Örgütü, Dünya Bankası ve Sıtma Atlası Projesi’nden bilgileri birleştirir.

Gizli desenleri bulmak için akıllı algoritmalar kullanmak

Araştırmacılar onlarca ulusal göstergiyi çeşitli makine öğrenmesi modellerine besler. Bu göstergeler arasında enflasyon, işsizlik, iklim ve sera gazı emisyonları, sıtma, hayvancılık ve tarımsal üretim, gıda kayıpları, ticarete bağımlılık, doğrudan yabancı yatırım, elektrik erişimi, su ve sanitasyon ile siyasi istikrar bulunur. Amaç, her ülke ve yıl için şiddetli gıda güvensizliğinin ne kadar yaygın olduğunu tahmin etmektir; bu, insanların en az bir tam gün boyunca yiyeceksiz kalması olarak tanımlanır. Birçok model türünü karşılaştırarak, bu faktörler arasındaki karmaşık ve sıklıkla doğrusal olmayan ilişkileri en iyi yakalayan yöntemleri test ederler.

Hangi model ve hangi faktörler en önemli

Test edilen tüm yaklaşımlar arasında, extreme gradient boosting olarak bilinen XGBoost adlı yöntem, önceki verilerden sonraki yılları tahmin etme istendiğinde en doğru tahminleri verir. Ekip bu modeli dikkatle ayarlar ve aşırı uyumu önlemek için görülmemiş verilerde performansını kontrol eder. Ardından eğitilmiş modeli, en çok hangi faktörlere dayandığını ve bunların açlık riskini hangi yönde etkilediğini görmek için inceler. Yüksek enflasyon, artan sıcaklıklar, daha büyük işsizlik, daha fazla sıtma vakası, daha yüksek sera gazı emisyonları, gıda zincirindeki daha büyük kalorik kayıplar ve ithal tahıllara daha fazla bağımlılık, daha yüksek öngörülen şiddetli gıda güvensizliği oranlarıyla birlikte bulunur. Buna karşılık, daha yüksek hayvancılık ve tahıl üretimi, daha fazla doğrudan yabancı yatırım, daha yüksek enerji ve protein sağlayan diyet, daha iyi elektrik erişimi, kişi başına daha yüksek gelir ve daha güçlü siyasi istikrar daha düşük öngörülen açlıkla ilişkilidir.

Birkaç güçlü erken uyarı işareti

Analiz birçok etkiyi listelemenin ötesine geçer; bunları sıralar. Modelin tahminlerini özellikle güçlü biçimde şekillendiren dört faktör öne çıkar: işsizlik, hayvancılık üretimi, sera gazı emisyonları ve perakende düzeyindeki kalorik kayıplar. Yüksek işsizlik zayıf iş piyasalarını ve azalan hane geliri anlamına gelerek insanların yiyecek satın alma yeteneğini doğrudan kısıtlar. Buna karşılık güçlü hayvancılık üretimi, hayvansal ürünler, gelir ve bir tür tasarruf sağlayarak haneleri tamponlayabilir. Sera gazı emisyonları hasatları ve su kaynaklarını tehdit eden iklim baskılarının bir göstergesi iken, kalorik kayıplar üretim yeterli olsa bile gıda mevcudiyetini aşındıran israf ve verimsizliklere dikkat çeker.

Açlıkla mücadele için bunun anlamı

Kısacası çalışma, Afrika genelinde şiddetli açlığın tek bir nedene bağlı olmadığını, farklı yönlere çeken bir dizi ulusal güç tarafından yürütüldüğünü gösterir. Enflasyon, işsizlik ve iklim stresi gibi bazı faktörler aileleri yiyeceksiz kalmaya iterken; güvenilir işler, sağlıklı sürüler, istikrarlı verimler, istikrarlı siyaset ve güçlü altyapı koruma sağlar. Araştırma, özellikle işsizlik, hayvancılık sistemleri, emisyonlar ve gıda kayıplarını önemli kaldıraçlar olarak öne çıkararak, istihdam yaratan politikaların, iklime dayanıklı hayvancılık ve tarımı desteklemenin, gıda israfını azaltmanın ve iklim ısınmasını tetikleyen kirliliği sınırlamanın kıta genelinde gıda güvenliği için orantısız faydalar sağlayabileceğini düşündürmektedir.

Atıf: 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

Anahtar kelimeler: gıda güvensizliği, Afrika, makine öğrenmesi, işsizlik, hayvancılık üretimi