Mapping electricity access disparities in Mozambique: an AI-driven satellite imagery approach

This study develops an artificial intelligence and high-resolution satellite imagery approach to map and analyze electricity access disparities in Mozambique over the period 2015–2024. The main research question is: what factors explain electricity access disparities in Mozambique? The derived applied question is: where should the government intervene to maximise electricity access expansion? The study integrates nighttime satellite imagery with socioeconomic, infrastructural, and conflict variables in a dataset of approximately 38.5 million observations at 1 km² spatial resolution, covering the entire Mozambican territory over 2015–2024. The study trains a Random Forest algorithm on 2015–2021 observations and evaluates its predictive capacity on the 2022–2024 period, which remains entirely unseen during training. Model interpretability is ensured through SHAP analysis, an interpretable AI tool quantifying each variable's contribution to predictions, applied at both national and provincial level. Results are translated into an operational planning tool through a gap analysis identifying areas with unrealised structural electrification potential. The model achieves an R² of 0.785 on the out-of-time test set. SHAP analysis reveals that electricity access is primarily a socioeconomic phenomenon: individual wealth and population density jointly explain approximately 74% of total feature importance. Drivers vary geographically in a systematic manner: Maputo, Cabo Delgado, and Niassa present anomalous profiles interpretable respectively as effects of urban maturity, armed conflict, and extreme geographic marginalisation. The gap analysis identifies 26,874 priority pixels organised into three intervention clusters: grid extension (11–21 km), connection subsidies for Maputo, and off-grid solutions for Tete and Niassa. A uniform national electrification strategy would be methodologically inefficient. Province-differentiated approaches are necessary to achieve universal access targets by 2030. The framework is annually updatable and represents a decision support tool directly usable by EDM and international organisations operating in Mozambique's energy sector.

Questo studio sviluppa un approccio basato sull'intelligenza artificiale e sull'analisi di immagini satellitari ad alta risoluzione per mappare e analizzare le disparità di accesso all'elettricità in Mozambico nel periodo 2015–2024. La domanda di ricerca principale è: quali fattori spiegano le disparità di accesso all'elettricità in Mozambico? La domanda applicativa derivata è: dove dovrebbe intervenire il governo per massimizzare l'espansione dell'accesso elettrico? Lo studio integra dati di luminosità notturna da satellite con variabili socioeconomiche, infrastrutturali e di conflitto in un dataset di circa 38.5 milioni di osservazioni a risoluzione di 1 km², coprendo l'intero territorio mozambicano per il periodo 2015–2024. Lo studio addestra un algoritmo Random Forest sulle osservazioni 2015–2021 e ne valuta la capacità predittiva sul periodo 2022–2024, rimasto completamente escluso dalla fase di training. L'interpretabilità del modello è assicurata tramite analisi SHAP, uno strumento di intelligenza artificiale interpretabile che quantifica il contributo di ciascuna variabile alle predizioni, applicata sia a livello nazionale che per ciascuna delle dieci province. I risultati sono infine tradotti in uno strumento operativo attraverso una gap analysis che identifica le aree con potenziale strutturale non ancora realizzato. Il modello raggiunge un R² di 0.785 sul test set out-of-time. L'analisi SHAP rivela che l'accesso elettrico è primariamente un fenomeno socioeconomico: reddito individuale e densità demografica spiegano circa il 74% dell'importanza totale delle variabili. I driver variano geograficamente in modo sistematico: Maputo, Cabo Delgado e Niassa presentano profili anomali interpretabili rispettivamente come effetto della maturità urbana, del conflitto armato e della marginalizzazione geografica estrema. La gap analysis identifica 26.874 pixel prioritari organizzati in tre cluster di intervento: estensione della rete (11–21 km), sussidi alla connessione per Maputo, e soluzioni off-grid per Tete e Niassa. Una strategia nazionale uniforme sarebbe metodologicamente inefficiente. Approcci differenziati per provincia sono necessari per raggiungere gli obiettivi di accesso universale al 2030. Il framework è aggiornabile annualmente e rappresenta uno strumento di supporto decisionale direttamente utilizzabile da EDM e dalle organizzazioni internazionali operanti nel settore energetico del paese.