机器学习如何改善粮食不安全预测

机器学习
Pixabay/CC0 公共领域

随着气候变化和经济冲击(包括 COVID-19 大流行)的影响,低收入国家的粮食不安全状况正在加剧。准确预测饥饿危机发生的时间和地点对于有效的人道主义援助响应至关重要。伊利诺伊大学的一项新研究探讨了机器学习如何在适当使用时帮助改进预测。

当前的粮食不安全预测主要依赖于专家组聚集在一起评估国家内部粮食不安全的系统。虽然该过程包括一些数据来指导评估,但它仍然主要是基于当地知识的定性评估。

“我们的目标不是彻底改革这个现有系统,它在各国做出了令人难以置信的贡献,在数据很少且政治复杂性很高的地方产生了对粮食危机的预测,”农业系副教授霍普·迈克尔森说和 U of I 的消费者经济学和该研究的合著者。

该研究断言机器学习模型可以帮助提供关键信息来协助预测过程,使其更加客观、集中和透明。但作者强调,数据必须以深思熟虑的方式使用,并从一开始就与政策制定者一起正确解释。

“积极努力改善我们预测粮食不安全的方式非常重要,”迈克尔逊说。“这需要政策制定者和政策优先事项的研究人员参与。我们认为需要一些协调和指导原则,以使这些研究工作有效且可实施。”

研究人员评估了三种不同的机器学习模型来预测撒哈拉以南非洲国家马拉维、坦桑尼亚和乌干达的粮食不安全状况。他们使用两年的数据来预测第三年村庄粮食不安全的结果,然后将模型结果与实际结果进行比较。该模型结合了有关天气、地理和食品价格的公开数据。

该研究还确定了一系列对研究人员和政策制定者很重要的指导方针。

“首先,我们希望有一个模型来捕捉各种可能影响粮食不安全的因素。这不仅仅是对粮食生产的冲击,而且还有影响人们收入的冲击。即使你有粮食生产,如果人们仍然会感到饥饿买不到,”加州大学圣巴巴拉分校地理系的 Kathy Baylis 说。Baylis 是该研究的通讯作者。

“第二个原则是这些模型应该是可解释和透明的。如果你要让政策制定者参与进来,你需要能够告诉他们为什么模型会预测问题。第三点是我们应该能够进行错误分析,以了解如果模型不能很好地工作,它会在哪里失败,”Baylis 指出。

研究人员还概述了决定包含哪些数据以及如何使用模型的三个标准:预测哪些结果、如何处理罕见事件以及如何评估有效性。他们表示,此类决定应与政策制定者协商后做出。

“我们研究了该模型在哪里运作良好,在哪里运作不佳。特别是,我们可能更关心不要错过粮食不安全的家庭,而不是我们会错误地将一个家庭认定为粮食不安全。这可能不那么令人担忧如果有些人得到了不需要的粮食援助,相比之下,确保至少 90% 真正饥饿的人得到某种支持,”贝利斯说。

“这真的取决于政策制定者想用这些数据做什么;例如,他们是想触发粮食援助还是更像是一个早期预警系统。”

研究中的模型实施起来相当简单,因此政府和援助组织可以使用它们。然而,研究人员强调数据的应用和解释应在研究人员和政策制定者之间进行合作。他们的研究旨在为这些合作奠定基础。

该研究发表在《应用经济展望与政策》上。

本文为作者 何斌 独立观点,并不代表 我是CIO 立场。

发表评论

登录后才能评论