F5KGN7X4

1236

24 novembre 2020 22:28

24 novembre 2020 22:28

Une planification efficace des mesures limitant la propagation de l'épidémie nécessite des informations sur l'emplacement et la taille des exploitations (nombre d'animaux par exploitation). Cependant, ces données sont rarement disponibles. Le processus d'intensification qui opère dans la plupart des pays à revenu faible et intermédiaire (PRFI) s'accompagne d'un regroupement spatial des exploitations, une caractéristique des modèles épidémiologiques auxquels sont sensibles. Nous avons développé des modèles de distribution des exploitations qui prédisent à la fois l'emplacement et le nombre d'animaux par ferme, tout en tenant compte du regroupement spatial des exploitations dans les pays pauvres en données, en utilisant la production avicole comme exemple. Nous avons sélectionné quatre pays, le Nigéria, la Thaïlande, l'Argentine et la Belgique, selon un gradient d'intensification exprimé par le produit intérieur brut (PIB) par habitant. Tout d'abord, nous avons étudié la répartition des élevages de poulets le long du spectre d'intensification. Deuxièmement, nous avons construit des modèles de répartition des exploitations (FDM) basés sur les recensements des exploitations commerciales de chacun des quatre pays, en utilisant des modèles de points et des modèles forestiers aléatoires. À titre de validation externe, nous avons prédit l'emplacement et la taille des exploitations agricoles au Bangladesh. Le nombre de poulets par ferme a augmenté progressivement en fonction du gradient du PIB par habitant dans l'ordre suivant: Nigéria, Thaïlande, Argentine et Belgique. Fait intéressant, nous n'avons pas trouvé un tel gradient pour le regroupement agricole. Notre procédure de modélisation n'a pu reproduire que partiellement les ensembles de données observés dans chacun des quatre pays de l'échantillon lors de la validation interne. Cependant, lors de la validation externe, le regroupement des exploitations n'a pas pu être reproduit et les prédicteurs spatiaux ont mal expliqué le nombre et l'emplacement des exploitations et la taille des exploitations au Bangladesh. D'autres améliorations de la méthodologie devraient explorer d'autres covariables de l'intensité des exploitations et de la taille des exploitations, ainsi que des améliorations de la méthodologie. La transformation structurelle, le développement économique et les conditions environnementales sont des caractéristiques essentielles à considérer pour une extrapolation de notre procédure FDM, la généralisation paraissant difficile. Nous pensons que la procédure FDM pourrait à terme être utilisée comme outil prédictif dans les pays pauvres en données.

Efficient planning of measures limiting epidemic spread requires information on farm locations and sizes (number of animals per farm). However, such data are rarely available. The intensification process which is operating in most low- and middle-income countries (LMICs), comes together with a spatial clustering of farms, a characteristic epidemiological models are sensitive to. We developed farm distribution models predicting both the location and the number of animals per farm, while accounting for the spatial clustering of farms in data-poor countries, using poultry production as an example. We selected four countries, Nigeria, Thailand, Argentina and Belgium, along a gradient of intensification expressed by the per capita Gross Domestic Product (GDP). First, we investigated the distribution of chicken farms along the spectrum of intensification. Second, we built farm distribution models (FDM) based on censuses of commercial farms of each of the four countries, using point pattern and random forest models. As an external validation, we predicted farm locations and sizes in Bangladesh. The number of chicken per farm increased gradually in line with the gradient of GDP per capita in the following order: Nigeria, Thailand, Argentina and Belgium. Interestingly, we did not find such a gradient for farm clustering. Our modelling procedure could only partly reproduce the observed datasets in each of the four sample countries in internal validation. However, in the external validation, the clustering of farms could not be reproduced and the spatial predictors poorly explained the number and location of farms and farm sizes in Bangladesh. Further improvements of the methodology should explore other covariates of the intensity of farms and farm sizes, as well as improvements of the methodology. Structural transformation, economic development and environmental conditions are essential characteristics to consider for an extrapolation of our FDM procedure, as generalisation appeared challenging. We believe the FDM procedure could ultimately be used as a predictive tool in data-poor countries.

None

• AB - Non-spécifique
• agricultural intensification

• farm distribution model
• livestock distribution
• point pattern analysis

Preventive Veterinary Medicine

105206

November 20, 2020

20 novembre 2020

10.1016/j.prevetmed.2020.105206 Le DOI est une URL unique de référencement d'une publication. Il est donc plus fiable et permanent qu'une URL classique

0167-5877 L’ISSN est un code de 8 chiffres servant à identifier les journaux, revues, magazines, périodiques de toute nature et sur tous supports, papier comme électronique.