Decoding Food Insecurity in West Africa : XAI-based IPC Phase Prediction and Actionable Driver Identification = 서아프리카 식량안보 분석을 위한 XAI 기반 통합식량안보단계분류 (IPC) 예측과 구조적 대응 요인 분석

국문 초록 (Abstract)

식량안보 문제의 해결을 위해서는 식량안보의 현황을 파악함과 동시에 식량안보의 원인을 파악하는 것이 중요하다. 식량안보는 기후변화, 사회구조적 기능, 경제적 불안정과 분쟁 등의 다차원적 요인이 함께 상호작용하며 결정되는 복합적 문제이다. 식량안보를 평가하는 기존의 국제적 표준 체계인 IPC (Integrated Food Security Phase Classification)는 지역 단위의 식량불안정 수준을 효과적으로 분류하는 평가체제이지만, 평가의 시·공간적 공백이 발생하거나 구조적 요인이 충분히 설명되지 못하는 한계가 존재한다. 최근에는 이러한 한계를 보완하고자 머신러닝 기법과 설명가능한 인공지능(XAI)를 활용한 식량안보 예측 및 해석 모델 관련 연구가 진행되고 있다. 본 연구는 서아프리카 18개국 256개 행정구역을 대상으로 기후, 환경, 농업, 사회적 요소를 포함한 다양한 개방형 데이터를 통합하여 식량불안정성을 평가하고 해석하는 모델을 구축하는 것을 목표로 한다. 이를 위해 XGBoost 기반의 머신러닝 모델과 SHAP 값을 활용한 변수 기여도 해석을 통합한 분석 프레임워크를 구성하여, 식량불안정 상태뿐 아니라 취약성을 형성하는 핵심 요인을 동시에 도출하고자 하였다. 연구 결과, 서아프리카 지역의 식량안보를 평가하는 모델 (F2 = 0.7)을 구축할 수 있었다. 이를 기반으로 산출된 예측값은 IPC 기반 기존 평가 적용 범위를 확대하여 지역적 자료 공백을 보완하는 데 기여하였다. 또한 지역 단위 특성을 반영한 유형화(Clustering)를 수행하고, SHAP 값을 활용하여 식량불안정 단계별 주요 요인을 분석함으로써 지역별 핵심 취약 요인을 도출하였다. 사회구조적·농업적·기후적 특성이 상이한 4개 유형의 클러스터로 구분되었으며, 각 클러스터는 식량불안정 단계에 따라 영향을 미치는 요인에서도 뚜렷한 차이를 보였다. 이러한 결과는 식량불안의 원인이 지역별로 다르게 나타난다는 점을 보여주고, 지역 맞춤형 식량불안정성 대응 정책의 필요성을 시사했다. 본 연구를 통해 서아프리카 지역의 식량불안정성을 정량적으로 평가함과 동시에 지역별 취약 요인을 설명할 수 있는 프레임워크를 개발하였으며 이는 국가·지역별 식량안보 취약성을 반영한 정책 설계 및 운영적 의사결정의 실질적 근거자료를 제공할 수 있을 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

Addressing food security challenges requires not only understanding the current status but also identifying the underlying causes of food insecurity. Food security is a complex issue determined by multidimensional factors. The Integrated Food Security Phase Classification (IPC) effectively classifies food insecurity levels at the regional level. However, it has limitations such as spatial and temporal gaps in evaluation and insufficient consideration of structural drivers. In recent years, machine learning techniques and explainable AI (XAI) have been increasingly applied to complement these limitations by enhancing the prediction and interpretation of food insecurity. This study aims to develop a model framework for assessing and predicting food insecurity by integrating diverse open-access data, including climate, environmental, agricultural, and socio-economic factors, across 256 administrative units in 18 West African countries. An analytical framework was developed by integrating an XGBoost-based machine learning assessment model with SHAP value–based contribution analysis. This framework enables both the prediction of food insecurity and the identification of key factors underlying regional vulnerability. The model achieved an F2 score of 0.7, demonstrating effective predictive performance for assessing food security in West Africa. The resulting predictions also helped fill spatial gaps in IPC-based assessments by extending coverage to regions with missing information. Furthermore, regional clustering based on structural characteristics was conducted, and SHAP values were used to identify the main drivers associated with each food insecurity phase. Four cluster types with distinct socio-structural, agricultural, and climatic characteristics were identified, and each cluster exhibited unique factor contributions across food insecurity phases. These findings demonstrate that the determinants of food insecurity vary regionally and highlight the need for tailored, context-specific policy interventions. Overall, this study presents a framework capable of both quantitatively assessing food insecurity and explaining region-specific vulnerability factors across West Africa. The framework provides valuable evidence to support policy design and operational decision-making that reflects the diverse food security vulnerabilities of countries and regions in the area.

목차 (Table of Contents)

• 1. Introduction 1
• 2. Theoretical background 4
• 2.1. Food security 4
• 2.2. The food security in West Africa 4
• 2.2.1. Statistic and demographic current statue 4
• 2.2.2. Underlying structural drivers 5
• 2.3. Food security assessment framework 6
• 2.4. Modeling based approach on food security assessment 9
• 2.5. Study objective 11
• 3. Methodology 12
• 3.1. Cadre-Harmonisé IPC data 13
• 3.2. Scope of study 13
• 3.2.1. Geographical scope 13
• 3.2.2. Temporal scope 13
• 3.3. Input data 15
• 3.3.1. Rainfall 17
• 3.3.2. Drought 17
• 3.3.3. Agricultural production 18
• 3.3.4. Others 18
• 3.4. IPC phase prediction 20
• 3.4.1. Model development 20
• 3.4.1.1. XGBoost model 20
• 3.4.1.2. Feature filtering 20
• 3.4.1.3. Feature selection 20
• 3.4.1.4. Model building 21
• 3.4.2. Model evaluation 22
• 3.4.3. Extrapolation of missing IPC records 23
• 3.5. Interpretation of predicted IPC phases 24
• 3.5.1. Regional level cluster 24
• 3.5.2. SHAP value 25
• 4. Result 26
• 4.1. Food security prediction model development 26
• 4.1.1. IPC data aggregation 26
• 4.1.2. Input feature processing and filtering 28
• 4.1.2.1. Correlation and redundancy analysis 28
• 4.1.2.2. Model-based feature selection 29
• 4.1.3. Model performance 30
• 4.1.4. Model prediction outcomes 32
• 4.1.4.1. Model-based extrapolation and coverage improvement 32
• 4.1.4.2. IPC phase based on model predictions 33
• 4.2. Interpreting food security drivers 34
• 4.2.1. Regional clustering results 34
• 4.2.2. SHAP-based feature interpretation 37
• 4.2.3. Phase specific feature contributions with regional cluster 40
• 4.2.3.1. Phase 1 40
• 4.2.3.2. Phase 2 43
• 4.2.3.3. Phase 3 46
• 4.2.3.4. Phase 4 48
• 4.2.3.5. Contributory features by cluster in each phase 51
• 5. Discussion 53
• 5.1. Model development in XAI framework 53
• 5.2. Extrapolating food security assessments to uncovered areas 54
• 5.3. Interpretation of food insecurity drivers 55
• 5.4. Limitation of this study and future direction 65
• 6. Conclusion 67
• Reference 69
• Supplementary 76
• Korean abstract 90