Récolte de données : modélisation prédictive de la famine

Fl'amine arrive rarement sans avertissement. Pourtant, dans de nombreux cas, les signes passent inaperçus jusqu’à ce que les gens soient déjà au bord du gouffre. Une nouvelle vague d’outils basés sur les données et de modèles prédictifs de famine cherche à changer cela. Les satellites, les enquêtes mobiles, l’intelligence artificielle (IA) et les ensembles de données harmonisés sont utilisés pour prévoir la faim des mois à l’avance et pour déterminer si ces prévisions peuvent se concrétiser.

L’urgence : la faim en hausse

Dans le monde, plus de 343 millions de personnes sont confrontées insécurité alimentaire graveune poussée provoquée par les chocs climatiques, les conflits et l’instabilité économique. Derrière ces chiffres se cachent des familles qui sautent des repas, des parents qui ont faim pour que leurs enfants puissent manger et des communautés contraintes de faire des choix impossibles. En 2025, le Programme alimentaire mondial (PAM) a averti que 58 millions de personnes risquaient de perdre leur aide alimentaire si un financement d’urgence n’était pas obtenu.

Pour ceux qui sont sur le terrain, cela ne signifie pas seulement des rations plus petites, cela peut également signifier aucune ration. Dans les régions déjà touchées par la sécheresse ou un conflit, l’absence d’aide peut faire basculer les ménages de la misère vers la catastrophe. Les contributions des donateurs ont chuté de 40 % par rapport à l’année précédente, mettant de nombreux programmes de secours sous tension et risquant de s’effondrer.

Ce déficit de financement survient au pire moment possible : les guerres et les phénomènes météorologiques extrêmes se multiplient, les prix des denrées alimentaires sont volatiles et les plus vulnérables du monde en font les frais. La communauté humanitaire l’a décrit comme une « tempête parfaite », où la diminution des ressources se heurte à des besoins croissants.

Dans ce contexte, la modélisation prédictive de la famine revêt une importance cruciale. Si le monde ne peut pas garantir une aide alimentaire accrue aujourd'hui, il peut au moins renforcer sa capacité à prévoir où frappera la faim de demain. La question est de savoir si nous pouvons transformer la prospective en action, en passant d’un cycle de réponse aux crises à un cycle de prévention.

La révolution des données

Les chercheurs combinent des flux de données qui semblaient autrefois sans rapport pour prévoir plus efficacement la faim. Chaque signal raconte une partie de l'histoire, depuis les satellites qui surveillent les précipitations et la croissance des cultures jusqu'aux enquêtes par téléphone mobile qui capturent ce que les familles mangent chaque semaine. La télédétection offre une vue d’ensemble des conditions terrestres et météorologiques qui laissent présager de mauvaises récoltes. Dans le même temps, des entretiens téléphoniques et des enquêtes auprès des ménages montrent comment les gens font face, que ce soit en sautant des repas ou en réduisant leur régime alimentaire.

Pour rassembler ces informations, de nouveaux outils tels que le Ensemble de données harmonisées sur l'insécurité alimentaire (HFID) intègre désormais plusieurs indicateurs dans une série mensuelle et infranationale. Cela donne aux analystes une idée plus claire du moment et du lieu où le stress alimentaire s’aggrave. Même les sources non conventionnelles sont exploitées : le modèle de l’IA FaimGistpar exemple, analyse des milliers de reportages pour détecter les signaux de crises alimentaires imminentes que les enquêtes traditionnelles peuvent manquer.

Le résultat est une nouvelle façon de voir la faim. Au lieu de réagir une fois que la famine s’installe, les analystes peuvent détecter les problèmes des mois à l’avance et identifier les régions spécifiques à risque. En regroupant ces diverses sources, la modélisation prédictive de la famine fait passer la réponse humanitaire d’une approche rétrospective à une approche prospective.

Étude de cas : Fusion d'enquêtes au Zimbabwe

L’un des exemples concrets les plus prometteurs vient du Zimbabwe. Les chercheurs ont développé un projet commun Régression multiniveau et poststratification (jMRP) qui fusionne les données d'enquêtes mobiles à haute fréquence du mVAM du PAM avec les enquêtes annuelles en face-à-face menées par ZimVAC. Les données des téléphones mobiles seules sont rapides mais imprécises, tandis que les enquêtes en personne sont précises mais lentes. Le modèle fusionné corrige les biais, réduit l’incertitude et produit des estimations mensuelles de l’insécurité alimentaire au niveau du district.

Il a permis aux agences de détecter une aggravation des conditions dans des régions spécifiques avant l’arrivée de nouvelles séries d’enquêtes – une étape majeure vers une surveillance de la faim en temps réel. Cela illustre comment la modélisation prédictive de la famine peut combiner des données imparfaites mais fréquentes avec des enquêtes plus lentes et plus précises pour produire des informations exploitables.

Défis et angles morts

Cependant, la modélisation prédictive de la famine n’est pas une solution miracle. Les zones de conflit et les zones reculées restent souvent invisibles car des enquêtes fiables ne peuvent y être menées. Les biais sont un autre problème : les enquêtes téléphoniques excluent les personnes n’ayant pas accès à la technologie mobile et les modèles basés sur l’information peuvent être faussés par une couverture médiatique inégale.

Les données indirectes ont également des limites : les mauvaises récoltes ou les déficits pluviométriques ne se traduisent pas toujours par la faim si l’aide, les marchés ou les envois de fonds interviennent. Et même les meilleures prévisions ne peuvent garantir l’action : les acteurs humanitaires sont confrontés à des déficits de financement, à des défis logistiques et à des obstacles politiques qui peuvent empêcher l’aide d’atteindre les populations à temps.

Regarder vers l’avenir : des octets aux bouchées

Malgré ces défis, le potentiel des modèles prédictifs est clair. Alors que les chocs climatiques, les conflits et les crises économiques se chevauchent, les alertes précoces sont plus nécessaires que jamais. Les experts affirment que trois étapes sont essentielles : étendre la couverture des données grâce à des enquêtes communautaires, intégrer les prévisions directement dans la planification de l'aide pour déclencher des transferts monétaires ou des fournitures prépositionnées et garantir un financement fiable afin que les alertes soient prises en compte plutôt qu'ignorées.

En fin de compte, l’objectif est de transformer « les octets en bouchées ». La modélisation prédictive de la famine n’est pas la même chose que la prévention de la faim. Cependant, avec de meilleures données et des systèmes de réponse plus solides, la famine ne doit pas nécessairement arriver silencieusement. Si les alertes précoces pouvaient s’accompagner d’une action rapide, le monde pourrait enfin commencer à mettre fin à la famine avant qu’elle ne frappe.