Food Security Monitoring for Developing Countries in the Age of Big Data

Abstract

Approximately 817 million people are currently estimated to be undernourished and 85 million people across 46 countries are estimated to be in need of food emergency assistance over the course of 2019. Conflict, migration and climate-related disasters are expected to further exacerbate already existing risks to food security. Important pillars that contribute to anticipating crises and informing a potential emergency response are early warning and monitoring systems. The emergence of big data as well as increasing Internet and mobile phone adoption rates across developing countries have enabled the inclusion of different, timelier, more frequent and spatially disaggregated data, as well as the at-risk population itself into monitoring systems. This dissertation is placed at the intersection of food security monitoring, early warning and big data.<br /> The first part of this thesis focuses on exploring the information content of current early warning systems (EWSs) for food security risks. We evaluate the information content of the four largest international monitoring system for food security against a conceptual benchmark. We find that EWSs have partially moved towards the inclusion of more diverse indicators for risk monitoring. However, our results further show that timely information is missing, information is published irregularly and the geographical scope of monitoring systems is smaller than stated. <br /> Subsequently, this thesis explores ways to improve monitoring systems for food security by using two strings of new data, i.e. Internet metadata and direct assessments from the at-risk population gathered via mobile phones. We test whether Internet metadata in the form of Google search queries (GSQ) can improve now-casts of crop prices in Ethiopia, Kenya, Mozambique, Malawi, Rwanda, Tanzania, Uganda, Zambia and Zimbabwe. In an pseudo-out-of-sample, one-step-ahead forecasting environment, we find models containing the Google search-string textit{maize} to beat the benchmark model in 8 of the 9 countries. By including the GSQ data, we reduce the now-casting error of maize prices between 3% and 23% and achieve the largest improvements for Malawi, Kenya, Zambia and Tanzania with improvements larger than 14%.<br /> Furthermore, using a citizen-science approach this thesis analyzes whether the at-risk population can validly assess the food security status of their community, by collecting near real-time food security assessments over an 8 month period from the local population in Kenya. We test the validity of the gathered information against standard food security indicators, i.e. the food consumption score (FCS) and reduced coping strategy index (rCSI), using Pooled Poisson, Negative Binomial and Poisson Fixed Effects models. We find robust results that the assessments from the at-risk population conform to the FCS and rCSI observed during the study period.

<strong>Ernährungssicherheits-Monitoring für Entwicklungsländer im Zeitalter von Big Data</strong><br /> Schätzungen zufolge sind derzeit rund 817 Millionen Menschen unterernährt und 85 Millionen Menschen in 46 verschiedenen Ländern werden im Laufe des Jahres 2019 auf Nahrungsmittelhilfe angewiesen sein. Voraussichtlich werden Konflikte, Migration und klimabedingte Katastrophen die bereits bestehenden Risiken für die Ernährungssicherheit in Zukunft weiter verschärfen. Frühwarn- und Überwachungssysteme für die Ernährungssicherheit sind in diesem Kontext wichtige Säulen, die zur Antizipation von Krisen beitragen und eine potenzielle Notfallintervention auslösen und gestalten. Das Aufkommen von Big Data sowie steigende Internet- und Handy-Nutzung in Entwicklungsländern haben die Einbeziehung verschiedener, häufiger und räumlich detaillierter Daten sowie die Integration der gefährdeten Bevölkerung selbst in Überwachungssysteme ermöglicht. Diese Dissertation befindet sich an der Schnittstelle von Frühwarnsystemen für die Ernährungssicherheit und Big Data.<br /> Zunächst untersucht diese Dissertation den Informationsgehalt aktueller Frühwarnsysteme (EWSs) für Ernährungssicherheitsrisiken. Dabei wird der Informationsgehalt von vier großen, internationalen Überwachungssystemen für die Ernährungssicherheit anhand eines konzeptionellen Benchmarks für Frühwarnsystem analysiert. Wir stellen fest, dass EWSs eine breite Bandweite an Indikatoren abdecken und der anfängliche Fokus auf Verfügbarkeit ebenfalls um die Zugangskomponente zu Nahrung erweitert wurde. Unsere Ergebnisse zeigen jedoch weiterhin, dass zeitnahe Information fehlt, Information unregelmäßig veröffentlicht wird und die geografische Reichweite der Überwachungssysteme geringer ist als angegeben.<br /> Anschließend untersucht diese Arbeit Möglichkeiten, Überwachungssysteme für die Ernährungssicherheit zu verbessern, indem sie das Potenzial zwei neuer Datenströme für Frühwarnsysteme untersucht, i.e. Internet-Metadaten und die direkten Einschätzungen der Risikopopulation selbst. Wir prüfen, ob Modelle, basierend auf Internet-Metadaten in Form von Google-Suchanfragen (GSQ) die textit{now-casts} von Maispreisen in Äthiopien, Kenia, Mosambik, Malawi, Ruanda, Tansania, Uganda, Sambia und Simbabwe verbessern können. In einer textit{Now-Casting, Pseudo-Out-of-Sample-}Umgebung, finden wir, dass Modelle, die den Google-Suchstring textit{maize} enthalten, das Benchmark-Modell in 8 der 9 Länder schlagen. Durch die Einbeziehung der GSQ-Daten reduzieren wir den Forecasting-Fehler von Maispreisen zwischen 3% und 23% und erzielen die größten Verbesserungen in Malawi, Kenia, Sambia und Tansania mit mehr als 14%.<br /> Desweitern analysiert diese Dissertation anhand eines Citzen-Science Ansatzes, ob lokale Teilnehmer den Ernährungssicherheitsstatus der lokalen Bevölkerung einschätzen können. Anhand von Mobiltelefonen und in nahezu Echtzeit wurden dazu über einen Zeitraum von acht Monaten Bewertungen der Ernährungssicherheit von der lokalen Bevölkerung in Kenia gesammelt. In Pooled-Poisson-, Negative-Binomial- und Poisson-Fixed-Effects-Modellen analysieren wir die Validität der gesammelten Informationen im Vergleich zu Indikatoren für die Ernährungssicherheit, i.e. Lebensmittelkonsum (FCS) und Bewältigungsstrategien (rCSI). Wir finden robuste Ergebnisse, dass die Einschätzungen der Risikopopulation mit den Werten des FCS und rCSI übereinstimmen, die während des Untersuchungszeitraums beobachtet wurden.