Analysis of Socioeconomic and Anthropometric Data via Tree-based Models: Evidence for Policies Against Hunger

• João Gabriel Soares Ferreira UFC
• César Lincoln Cavalcante Mattos UFC
• Antonio Rafael Braga UFC
• Danielo G. Gomes UFC

DOI: https://doi.org/10.5753/eniac.2025.10488

Resumo

A fome e a insegurança alimentar persistem como desafios tanto em escala regional quanto global, sendo agravados pela limitada disponibilidade e acessibilidade a dados sobre essas questões. No entanto, dados socioeconômicos a nível individual (ou de agregado familiar) estão disponíveis, e são coletados, em todo o Brasil. Nesse sentido, este trabalho propõe usar modelos de aprendizado de máquina capazes de predizer indicadores antropométricos ligados à fome, a partir de dados socioeconômicos. Os dados em questão foram extraídos automaticamente da plataforma CECAD (Consulta, Seleção e Extração de Informações do CadÚnico). Os indicadores antropométricos (baixo peso para altura, baixo peso para idade e baixa altura para idade) foram coletados no SISVAN (Sistema de Vigilância Alimentar e Nutricional). Os experimentos focaram-se em modelos baseados em árvore de decisão (Random Forest, Gradient Boosting, XGBoost, LightGBM e CatBoost). Na avaliação dos modelos, todos os municípios brasileiros foram usados para o treinamento, com a exceção daqueles do estado do Ceará, que foram separados para teste. Os melhores modelos obtiveram resultados promissores na tarefa de predição, especialmente para o indicador de baixa altura para a idade, em que o erro percentual chegou a 22%.

Referências

Aguiar, I. W. O., Carioca, A. A. F., Barbosa, B. B., Adriano, L. S., Barros, A. Q. S., Kendall, C., and Kerr, L. R. F. S. (2023). Indicadores antropométricos em povos e comunidades tradicionais do Brasil: Análise de registros individuais do sistema de vigilância alimentar e nutricional, 2019. Epidemiologia e Serviços de Saúde, 32:e2023543.

Barbosa, R. M. and Nelson, D. R. (2016). The use of support vector machine to analyze food security in a region of brazil. Applied Artificial Intelligence, 30(4):318–330.

Bentéjac, C., Csörgő, A., and Martínez-Muñoz, G. (2021). A comparative analysis of gradient boosting algorithms. Artificial Intelligence Review, 54:1937–1967.

Food and Agriculture Organization of the United Nations (2023). Putting a number on hunger – interactive presentation. Interactive web page, The State of Food Security and Nutrition in the World 2023. acessado em 05 agosto 2025.

Grinsztajn, L., Oyallon, E., and Varoquaux, G. (2022). Why do tree-based models still outperform deep learning on typical tabular data? Advances in Neural Information Processing Systems, 35:507–520.

Gubert, M. B., Benicio, M. H. D., and Monteiro, C. A. (2010). Estimativas de insegurança alimentar grave nos municípios brasileiros. Cadernos de Saúde Pública, 26(8):1595–1605.

Lobo, P. L. S., Santos, A. C., and Oliveira, M. R. (2024). Aplicação de algoritmos de aprendizado de máquina na análise da vulnerabilidade social e insegurança alimentar. In Anais do ERI-GO 2024, pages 158–167. Sociedade Brasileira de Computação.

Machefer, M., Thomas, A.-C., Meroni, M., Pena, J. M. V. L., Ronco, M., Corbane, C., and Rembold, F. (2025). Potential and limitations of machine learning modeling for forecasting acute food insecurity. Global Food Security, 45:100859.

Mienye, I. D. and Jere, N. (2024). A survey of decision trees: Concepts, algorithms, and applications. IEEE access.

Mindiyarti, N., Sartono, B., Indahwati, I., Hadi, A. F., and Ramadhani, E. (2023). A study in determining indicators of food-insecure households using SHAP and Boruta SHAP. In AIP Conference Proceedings, volume 2720. AIP Publishing.

Morais, D. d. C., Dutra, L. V., Franceschini, S. d. C. C., and Priore, S. E. (2014). Insegurança alimentar e indicadores antropométricos, dietéticos e sociais em estudos brasileiros: uma revisão sistemática. Ciência & Saúde Coletiva, 19:1475–1488.

Mrejen, M., Cruz, M. V., and Rosa, L. (2023). O sistema de vigilância alimentar e nutricional (sisvan) como ferramenta de monitoramento do estado nutricional de crianças e adolescentes no brasil. Cadernos de Saúde Pública, 39:e00169622.

Silva, N. d. J., Carrilho, T. R. B., Pinto, E. d. J., Andrade, R. d. C. S. d., Silva, S. A., Pedroso, J., Spaniol, A. M., Bortolini, G. A., Fagundes, A., Nilson, E. A. F., et al. (2023). Quality of child anthropometric data from sisvan, brazil, 2008-2017. Revista de Saúde Pública, 57:62.

Sousa, I. M. L. d. and Diniz, R. B. (2024). Controle da qualidade e segurança alimentar durante a pandemia por covid-19 nos setores públicos do Brasil. Nutrivisa - Revista de Nutrição e Vigilância em Saúde, 11(1):e12302.

Subianto, M., ULYA, I. Y., RAMADHANI, E., SARTONO, B., and HADI, A. F. (2023). Application of SHAP on CatBoost classification for identification of variabels characterizing food insecurity occurrences in aceh province households. Jurnal Natural, 23(3):230–244.

World Health Organization (2023). The State of Food Security and Nutrition in the World 2023: Urbanization, agrifood systems transformation and healthy diets across the rural–urban continuum, volume 2023. Food & Agriculture Org.