Démasquer les différences au niveau communautaire pour mieux lutter contre l’insécurité alimentaire

Prospective Afrique 2021La pandémie COVID-19 a mis en évidence le défi créé par les données agrégées de haut niveau lorsqu’il s’agit de faire face à la sécurité alimentaire chronique et à d’autres défis durables affectant l’Afrique – à savoir le masquage des différences au niveau communautaire, qui entrave la distribution efficace des ressources dans la région. Les progrès technologiques clarifient désormais ces lacunes, permettant à la génération actuelle de décideurs politiques engagés de s’attaquer à des problèmes complexes, en particulier ceux liés à la sécurité alimentaire. Jusqu’à présent, les meilleures données disponibles étaient rares, datées et agrégées. Heureusement, les scientifiques des données ont développé de nouveaux modèles d’apprentissage automatique (ML) qui peuvent désormais produire des données locales fiables pour les zones où les données étaient historiquement difficiles ou impossibles d’accès.

Cette approche permet aux décideurs politiques de développer des stratégies basées sur les données qui améliorent la sécurité alimentaire jusqu’au niveau du quartier. Au sein d’un continent d’une diversité étonnante, cette compréhension rapide et localisée sera essentielle pour atténuer la menace de la pandémie COVID-19 (et toute future) menace pour la sécurité alimentaire et fournir un accès stable à la nourriture dans ses conséquences.

Déjà, nous avons été témoins de la puissance des données produites par le ML pour aider à lutter contre l’urgence sanitaire du COVID-19. Par exemple, au début, Fraym a fourni des données géospatiales hyper-locales aux intervenants à travers le continent pour aider à identifier et à comprendre les risques au niveau communautaire. En fait, les données géospatiales sur l’assainissement, les moyens de subsistance et les comportements ont été parmi les premières contributions guidant le plan d’action national au Kenya. Les données d’accès aux communications ont aidé les décideurs zambiens de santé publique à identifier, quantifier et localiser les populations que les méthodes de collecte de données par Internet ou par téléphone auraient pu manquer. Les données produites par le ML ont permis des réponses rapides et ciblées comme celles-ci et d’innombrables autres pendant la crise sanitaire qui se déroule rapidement.

Des technologies et des données similaires transformeront la compréhension des décideurs politiques des défis locaux multidimensionnels de l’insécurité alimentaire, en particulier au fur et à mesure que l’impact de la pandémie se déploie. En améliorant radicalement notre compréhension des communautés qui étaient auparavant restées unidimensionnelles ou invisibles dans les référentiels de données traditionnels, le ML offre aux décideurs une nouvelle boîte à outils pour allouer des ressources avec le plus grand impact et efficacité. Fraym a déjà commencé à étudier des applications plus complexes de ces données, notamment en adaptant l’indice de la faim de l’Institut international de recherche sur les politiques alimentaires pour quantifier rapidement la vulnérabilité d’un kilomètre carré à l’insécurité alimentaire (figure 3.6). Des approches créatives similaires qui maximisent les outils nouvellement disponibles peuvent garantir que les décideurs, les agents de santé et autres personnes qui luttent contre l’insécurité alimentaire parmi les communautés les plus vulnérables d’Afrique puissent agir sur des informations granulaires qui les aident à atteindre les individus plus rapidement, plus efficacement et plus efficacement. Même au milieu d’une pandémie, la sécurité alimentaire en Afrique n’est pas seulement ambitieuse, mais réalisable avec les bons outils soutenant les décideurs engagés et axés sur les données.

Les niveaux de sécurité alimentaire varient considérablement au Nigéria

Vous pourriez également aimer...