Hvordan maskinlæring kan forbedre forudsigelser om fødevareusikkerhed

Fødevareusikkerhed i lavindkomstlande er stigende, efterhånden som klimavariation og økonomiske chok, herunder COVID-19-pandemien, tager deres vejafgift. Nøjagtig forudsigelse af, hvornår og hvor sultkriser opstår, er afgørende for en effektiv humanitær bistandsreaktion. En ny undersøgelse fra University of Illinois undersøger, hvordan maskinlæring kan hjælpe med at forbedre prognoser, når de bruges korrekt.

De nuværende forudsigelser om fødevareusikkerhed bygger for det meste på et system, hvor grupper af eksperter samles og vurderer fødevareusikkerhed i landene. Selvom processen indeholder nogle data til at vejlede vurderingen, er den for det meste en kvalitativ evaluering baseret på lokal viden.

"Vores mål er ikke at revidere dette eksisterende system, som har ydet utrolige bidrag på tværs af lande og genereret forudsigelser om fødevarekriser på steder, hvor der er meget få data og en masse politisk kompleksitet," siger Hope Michelson, lektor i Institut for Landbrug. og Forbrugerøkonomi ved U af I og medforfatter på studiet.

Undersøgelsen hævder, at maskinlæringsmodeller kan hjælpe med at give kritisk information til at hjælpe prognoseprocessen, hvilket gør den mere objektiv, fokuseret og gennemsigtig. Men forfatterne understreger, at data skal bruges på en gennemtænkt måde og fortolkes korrekt i samarbejde med politikere fra starten.

"Det er virkelig vigtigt at arbejde aktivt for at forbedre den måde, vi forudsiger fødevareusikkerhed på," siger Michelson. "Og det kræver, at forskere involverer politiske beslutningstagere og politiske prioriteter. Vi ser et behov for nogle harmonisering og vejledende principper for at gøre disse forskningsindsatser effektive og implementerbare."

Forskerne evaluerer tre forskellige maskinlæringsmodeller, der forudsiger fødevareusikkerhed i de afrikanske lande syd for Sahara i Malawi, Tanzania og Uganda. De bruger to års data til at forudsige landsbyernes fødevareusikkerhed resultater i et tredje år, og sammenligner derefter modellens resultater med det faktiske resultat. Modelleringen inkorporerer offentligt tilgængelige data om vejr, geografi og fødevarepriser.

Undersøgelsen identificerer også en række retningslinjer, der er vigtige for forskere og politiske beslutningstagere.

"For det første vil vi have en model, der fanger en lang række faktorer, som kan påvirke fødevareusikkerheden. Det er ikke kun stød for fødevareproduktionen, men også stød, der påvirker folks indkomst. Selvom man har fødevareproduktion, har man stadig sult, hvis folk kan ikke købe det," siger Kathy Baylis, Department of Geography ved University of California, Santa Barbara. Baylis er den tilsvarende forfatter på undersøgelsen.

"Et andet princip er, at disse modeller skal være fortolkbare og gennemsigtige. Hvis du skal have politikere med på banen, skal du være i stand til at fortælle dem, hvorfor modellen forudsiger et problem. Det tredje punkt er, at vi skal kunne at lave fejlanalyse for at forstå, hvor modellen fejler, hvis den ikke fungerer så godt," bemærker Baylis.

Forskerne skitserer også tre kriterier for at beslutte, hvilke data der skal inkluderes, og hvordan modellen skal bruges:hvilket resultat der skal forudsiges, hvordan man håndterer sjældne hændelser, og hvordan man evaluerer effektiviteten. Sådanne beslutninger bør træffes i samråd med politikere, fastslår de.

"Vi kiggede på, hvor modellen fungerede godt, og hvor den ikke gjorde. Især ville vi måske bekymre os mere om ikke at gå glip af madusikre husstande, end vi ville gøre ved at fejlidentificere en husstand som værende fødevareusikre. Det kan være mindre bekymrende. hvis nogle mennesker får fødevarehjælp, som ikke har brug for det, sammenlignet med at sikre, at mindst 90 % af de mennesker, der virkelig er sultne, får en form for støtte," siger Baylis.

"Det afhænger virkelig af, hvad de politiske beslutningstagere ønsker at gøre med disse data; for eksempel om de vil udløse fødevarehjælp eller bruge det mere som et tidligt varslingssystem."

Modellerne i undersøgelsen er ret enkle at implementere, så de er tilgængelige for regeringer og hjælpeorganisationer. Forskerne understreger dog, at data skal anvendes og fortolkes i samarbejde mellem forskere og politiske beslutningstagere. Deres undersøgelse har til formål at lægge grunden til disse samarbejder.

Forskningen blev offentliggjort i Applied Economic Perspectives and Policy .