Le ministère de l'enseignement supérieur et de la recherche scientifique a publié le résultat des concours d'entrée à l'université (INMES, IFSIO, ENEAM, ENSPD, ENSTIC, INJEPS, INSPEI, IUEP-MA). Ces résultats peuvent être consultés sur le lien suivant : https://enseignementsuperieur.gouv.bj/actualite/show/ACT-smvVjrB9-7CA2851
Le 2e Sommet mondial de la Coalition pour l'alimentation scolaire a été marqué par la signature d'un accord de partenariat entre la France, le Brésil et le Programme alimentaire mondial (PAM). Le Bénin à l'instar du Sénégal et de la Centrafrique, a procédé à la signature dudit accord.
Le 2e Sommet mondial de la Coalition pour l'alimentation scolaire, c'était du 18 au 19 septembre 2025 à Fortaleza au Brésil. La délégation béninoise conduite par le Salimane Karimou, ministre des enseignements maternel et primaire, a pris part aux discussions sur le thème, « Faire correspondre l'ambition avec des stratégies de financement durables ». Occasion pour le ministre, d'aborder la question clé du financement domestique et du soutien externe pour pérenniser et améliorer les programmes nationaux.
Salimane KARIMOU a exposé à ce grand rendez international, l'expérience béninoise, mettant en avant une approche multisectorielle et inclusive impliquant les ministères des finances, de l'agriculture et de l'éducation. Il a souligné l'importance de garantir à chaque enfant un repas chaud et équilibré à l'école, quel que soit son lieu de résidence, saluant le travail coordonné entre les différentes structures gouvernementales et partenaires. L'autorité ministérielle n'a pas manqué d'insister sur les efforts pour diversifier les sources de financement, en combinant ressources nationales et appuis des institutions internationales. Les repas scolaires a-t-il souligné, ne représentent pas seulement une dépense mais un investissement stratégique, renforçant la légitimité de l'État tout en répondant aux besoins nutritionnels des écoliers et en favorisant leur réussite académique.
Les délégations de plusieurs pays, notamment le Paraguay, l'Angola et le Sao Tomé-et-Principe, ont salué la participation du Bénin à ce sommet. Aux côtés du Sénégal et de la Centrafrique, le Bénin a été convié à la cérémonie de signature de l'accord de partenariat entre la France, le Brésil et le Programme Alimentaire Mondial. Le but visé est de soutenir les initiatives d'alimentation scolaire au Bénin et au Sénégal.
Depuis 2017, le Programme national de l'alimentation scolaire intégré (PNASI) couvre 1.400 000 écoliers dans 5.709 écoles publiques, soit 75% de couverture nationale. Présent dans les 77 communes et 12 départements, le dispositif mobilise le gouvernement, l'Agence nationale de l'alimentation et de la nutrition, le PAM, les collectivités locales et les ONG.
F. A. A.
Amidst different global food insecurity challenges, like the COVID-19 pandemic and economic turmoil, this article investigates the potential of machine learning (ML) to enhance food insecurity forecasting. So far, only few existing studies have used pre-shock training data to predict food insecurity and if they did, they have neither done this at the household-level nor systematically tested the performance and robustness of ML algorithms during the shock phase. To address this research gap, we use pre-COVID trained models to predict household-level food insecurity during the COVID-19 pandemic in Uganda and propose a new approach to evaluate the performance and robustness of ML models. The objective of this study is therefore to find high-performance and robust ML algorithms during a shock period, which is both methodologically innovative and practically relevant for food insecurity research. First, we find that ML can work well in a shock context when only pre-shock food security data are available. We can identify 80% of food-insecure households during the COVID-19 pandemic based on pre-shock trained models at the cost of falsely classifying around 40% of food-secure households as food insecure. Second, we show that the extreme gradient boosting algorithm, trained by balanced weighting, works best in terms of prediction quality. We also identify the most important predictors and find that demographic and asset features play a crucial role in predicting food insecurity. Last but not least, we also make a contribution by showing how different ML models should be evaluated in terms of their area under curve (AUC) value, the ability of the model to correctly classify positive and negative cases, and in terms of the change in AUC in different situations.