L'insicurezza alimentare continua a minacciare la vita di centinaia di milioni di persone in tutto il mondo oggi. Secondo l'Organizzazione delle Nazioni Unite per l'alimentazione e l'agricoltura, il numero di persone denutrite è aumentato da 624 milioni di persone nel 2014 a 688 milioni nel 2019. La situazione è fortemente peggiorata da allora, a causa degli shock interconnessi della pandemia di COVID-19, dei cambiamenti climatici e dei conflitti, con tra 702 e 828 milioni di persone in tutto il mondo che hanno affrontato la fame nel 2021. La grave insicurezza alimentare è aumentata sia a livello globale che in ogni regione nel 2021 ed è ora una priorità assoluta della comunità internazionale.
Si stima che circa 75 miliardi di dollari siano stati spesi per l'assistenza globale alla sicurezza alimentare tra il 2014 e il 2018. Prove considerevoli dimostrano che rispondere rapidamente ai rischi emergenti di insicurezza alimentare salva vite umane, preserva il sostentamento dei più vulnerabili e riduce i costi umanitari, il che porta le agenzie umanitarie a ricorrere a sistemi di allarme rapido per decidere quando e dove distribuire aiuti di emergenza. Mentre i fattori di rischio sono ben consolidati, che vanno dai cambiamenti climatici ai conflitti, ai parassiti e alla migrazione, misurazioni ritardate o poco frequenti di questi fattori a livello locale in genere impediscono ai sistemi di allarme rapido di anticipare tempestivamente le crisi alimentari. Inoltre, i paesi con insicurezza alimentare spesso non hanno la capacità di misurare sistematicamente i fattori di rischio, generando lacune nei dati.
In questo contesto, l'ultimo decennio ha visto un'esplosione nella disponibilità di vasti archivi di dati digitali, dalle immagini satellitari ai record dettagliati delle chiamate di telefonia mobile, che vengono sempre più sfruttati per affrontare le sfide dello sviluppo. Incoraggiato da questi approcci, ho collaborato con Ananth Balashankar e Lakshmi Subramanian della New York University per sviluppare un nuovo metodo che sfrutta i recenti progressi nell'apprendimento profondo e nell'elaborazione del linguaggio naturale per estrarre menzioni di fattori di rischio di insicurezza alimentare dal testo di oltre 11 milioni di articoli di notizie sui paesi con insicurezza alimentare pubblicati tra il 1980 e il 2020 (Fig. 1). Abbiamo scoperto quasi 170 parole chiave e frasi pertinenti – come "conflitto", "parassiti", "siccità", "inondazioni", "aumento dei prezzi alimentari" o "migrazione" – e abbiamo costruito indicatori di rischio di insicurezza alimentare dal verificarsi di queste menzioni negli articoli di notizie nel tempo e attraverso i distretti.
Figura 1: Un nuovo modello di apprendimento automatico ha scoperto 167 parole chiave e frasi predittive dell'insicurezza alimentare da un corpus di 11 milioni di articoli di notizie sui paesi con insicurezza alimentare pubblicati tra il 1980 e il 2020. Ogni casella contiene un esempio di frase in cui il modello ha rilevato un elemento di testo rilevante (evidenziato a colori). Le 167 caratteristiche del testo sono raggruppate in 12 categorie di fattori di rischio di insicurezza alimentare indicati nella legenda e mappati in una rete. La dimensione di un nodo è proporzionale alla frequenza della caratteristica di testo negli articoli di notizie e la larghezza di un bordo codifica la vicinanza semantica tra i nodi. Nel periodo 2009-2020 e in 37 paesi con insicurezza alimentare in Africa, America Latina e Asia meridionale, la copertura mediatica ha prodotto previsioni sostanzialmente più accurate di focolai di crisi alimentare a livello distrettuale rispetto alle misurazioni tradizionali che non includevano il testo delle notizie.
Abbiamo quindi sviluppato un modello di apprendimento automatico che incorpora gli indicatori delle notizie per generare previsioni mensili a livello distrettuale della classificazione integrata della fase di sicurezza alimentare (IPC), un indicatore ampiamente esaminato della sicurezza alimentare. I nostri risultati recentemente pubblicati su Science Advances indicano che le nostre previsioni sono considerevolmente più accurate fino a dodici mesi prima del tempo rispetto agli esperti e alle previsioni esistenti che non includono il testo della notizia. Nel periodo 2009-2020 e in 37 paesi con insicurezza alimentare in Africa, America Latina e Asia meridionale, incorporare indicatori di notizie nelle previsioni esistenti di crisi alimentari tre mesi prima avrebbe ridotto gli errori di previsione di oltre il 40%. Inoltre, abbiamo anche scoperto che mentre gli indicatori di rischio tradizionali, come i livelli di precipitazione, la gravità dei conflitti o gli indici dei prezzi alimentari, sono costosi e richiedono molto tempo per la raccolta, gli indicatori di notizie potrebbero servire come sostituto economico. Infine, contrariamente ai sistemi di allerta precoce esistenti, gli articoli che abbiamo raccolto vengono pubblicati quotidianamente, il che ci consente di generare previsioni ad alta frequenza dell'insicurezza alimentare.
Perché le previsioni basate sulle notizie sono così accurate? Questo approccio innovativo sfrutta il fatto che i fattori di rischio che innescano una crisi alimentare sono spesso menzionati nelle notizie sul campo prima di essere registrati negli indicatori di rischio tradizionali, che possono essere incompleti, ritardati o obsoleti.
Per capire i meccanismi di ciò che sta accadendo sotto il cofano, ci concentriamo su un episodio di crisi durante il quale i fattori di notizie avrebbero contribuito ad anticipare il deterioramento della situazione. All'inizio del 2016, il parassita autunnale - un parassita lepidottero originario delle Americhe - ha iniziato a diffondersi in 20 paesi in Africa, decimando grandi quantità di colture. A settembre, le notizie dalla contea di Yambio in Sud Sudan che menzionavano termini relativi ai parassiti avevano raggiunto il picco, cinque mesi prima che l'IPC passasse da una fase "stressata" a una "di crisi". Il nostro modello basato sulle notizie era quindi in grado di prevedere correttamente l'imminente scoppio della crisi con tre mesi di anticipo, fornendo ulteriore tempo per agire.
Al contrario, l'indice di vegetazione tipicamente utilizzato nei modelli tradizionali per quantificare l'impatto delle infestazioni di parassiti sul verde della vegetazione è diminuito solo un mese prima dell'inizio della fase di crisi. Questo ritardo di misurazione non ha offerto un tempo sufficiente per i modelli tradizionali per fornire informazioni utili per anticipare la crisi imminente. I danni alle colture causati dall'infestazione da parassiti si sono riflessi nel verde della vegetazione solo quando la sicurezza alimentare delle popolazioni vicine ha iniziato a deteriorarsi, rafforzando l'importanza di misurare i segnali anticipatori dalle notizie. Questo esempio illustra anche che, mentre i modelli di apprendimento automatico sono spesso troppo complessi per essere interpretabili dagli esseri umani, il nostro approccio consente di interpretare esplicitamente le previsioni di focolai di crisi alimentare risalendo alle variazioni nelle menzioni delle notizie delle cause alla base di un'epidemia imminente.
Sebbene i fattori dell'insicurezza alimentare siano ben noti, mancano ancora sistemi di allarme rapido basati su misurazioni ad alta frequenza di questi fattori. Il nostro modello di apprendimento automatico migliora drasticamente la previsione delle epidemie di crisi alimentare utilizzando flussi di notizie in tempo reale e le previsioni del modello sono semplici da interpretare e spiegare ai responsabili politici. Il codice e i dati per riprodurre questo studio sono disponibili pubblicamente su Github. Stiamo anche pianificando di rilasciare un sistema di dati automatizzato in cui gli aggiornamenti regolari dei nostri indicatori di notizie e le previsioni dei modelli saranno disponibili pubblicamente. Pertanto, incoraggiamo i professionisti dello sviluppo e i responsabili politici a utilizzare le previsioni del nostro modello per dare priorità all'assegnazione dell'assistenza alimentare di emergenza tra le regioni vulnerabili in modo mirato. L'adozione della nostra valutazione basata sui dati dell'insicurezza alimentare potrebbe consentire una preparazione alle crisi più efficace, una risposta più rapida, più rapida e più mirata quando una crisi colpisce e una riduzione della sofferenza umana.
Gli allarmi precoci non possono affrontare tutte le cause di ritardo nelle risposte alle emergenze; Tuttavia, può mitigarlo aumentando il costo dell'inazione per i governi e la comunità internazionale. Al di là del contesto dell'insicurezza alimentare, misurare i segnali anticipatori dei rischi di fragilità dai flussi di notizie potrebbe avere profonde implicazioni su come gli aiuti vengono assegnati e aprire strade precedentemente inesplorate per l'apprendimento automatico per migliorare il processo decisionale in ambienti con scarsità di dati.
