Projet RTI Groupe 8 S7 GC BTP / La migration
AGBEHADJI Yao, COULIBALY G. Nimbé, NIKIEMA B. Roxane
2024-12-04
### Introduction### l'Afrique de l'Ouest est confronté à un véritable fléau de migration de populations motivées par des raisons diverses. On cherchera les facteurs determinants de ce phénomène de migration des poulations Ouest africains vers les autres pays du tiers monde### . Objectif: Etudier les facteurs déterminants dans l'émigration des pays Ouest africains}
### . Année d'Etude 2020
### . Méthode: Analyse en composante principale
### . Outil Technique: Rstudio### les données sont collectées de différents sites et organismes internationaux: www.ourworldindata.org, www.perspective.usherbrooke.ca, Banque mondiale.
### On utilisera 15 pays (individus) et 11 variables.
### Liste des individus
### Bénin, Burkina Faso, Côte d'Ivoire, Cap-Vert, Gambie, Ghana, Guinée, Guinée-Bissau, Libéria, Mali, Mauritanie, Niger, Nigeria, Sénégal, Sierra Leone et Togo.
### Liste des variables
### Pop : la population de chaque pays à l’an 2020
### TE (Taux d'émigré) : Pourcentage de la population qui émigre.
### Nbre R (Nombre de réfugiés) : Nombre total de réfugiés externes par pays.
### Ni.E (Niveau d'études) : Niveau d'instruction moyen de la population.
### TC (Taux de chômage) : Pourcentage de la population active sans emploi.
### NRM.AN (Niveau de revenu moyen/AN) : Niveau de Revenu Moyen Annuel par habitant.
### DP (Densité de population) : Nombre de personnes par unité de surface.
### Ni.SM (Niveau de satisfaction moyen) : Niveau moyen de satisfaction de la population.
### Pauvre (Pauvreté) : Pourcentage de la population vivant sous le seuil de pauvreté (<2.75$/j).
### Nbre.VT (Nombre de personnes vivant dans les taudis) : Indicateur de conditions de vie précaires.
### PIBH (PIB par habitant) : Valeur du produit intérieur brut par individu.### ANALYSE DES DONNEES AVEC LES INDIVIDUS ATYPIQUES (NIGERIA ET CAP VERT)setwd("D:/2iE/COURS AGBEHADJI/PROJET RTI/")donnees1 <- read.csv(file="DONNEES RTI_Elements atypiques.csv", header = TRUE, sep = ";", quote = "\"",
dec = ",", row.names = 1)library(ggplot2)vars_quantitatives1 <- sapply(donnees1, is.numeric)
for (var in names(donnees1)[vars_quantitatives1]){
print(ggplot(donnees1, aes_string(x = var)) +
geom_histogram(bins = 30, fill = "blue", color = "black") +
theme_minimal() +
labs(title = paste("Histogramme de", var), x = var, y = "Fréquence"))
}## Warning: `aes_string()` was deprecated in ggplot2 3.0.0.
## ℹ Please use tidy evaluation idioms with `aes()`.
## ℹ See also `vignette("ggplot2-in-packages")` for more information.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
for (var in names(donnees1)[vars_quantitatives1]) {
print(ggplot(donnees1, aes_string(x = factor(1), y = var)) +
geom_boxplot(fill = "skyblue", color = "darkblue") +
theme_minimal() +
labs(title = paste("Boxplot de", var), x = "", y = var))
}
if (!require(corrplot)) install.packages("corrplot")## Loading required package: corrplot## corrplot 0.95 loadedlibrary(ggplot2)
library(corrplot)matrice_correlation1 <- cor(donnees1)# Créer la heatmap de corrélation avec des coefficients plus visibles
corrplot(matrice_correlation1, method = "color", type = "upper", order = "hclust",
tl.col = "black", tl.srt = 45,
addCoef.col = "black", # Couleur des coefficients
cl.pos = "n", # Position de la légende de couleur
cl.cex = 1.2, # Taille de la légende de couleur
addCoefasPercent = TRUE, # Afficher les coefficients en pourcentage
number.cex = 0.8) # Taille des chiffres des coefficients
# Centrer et réduire les données
donnees_centrees_reduites1 <- scale(donnees1,center = TRUE,scale=TRUE) # Charger les packages
library(FactoMineR)
library("factoextra")## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa library("devtools")## Loading required package: usethis# Réaliser l'ACP
resultat_acp1 <- PCA(donnees_centrees_reduites1, graph = TRUE)## Warning: ggrepel: 3 unlabeled data points (too many overlaps). Consider
## increasing max.overlaps
print(resultat_acp1)## **Results for the Principal Component Analysis (PCA)**
## The analysis was performed on 15 individuals, described by 11 variables
## *The results are available in the following objects:
##
## name description
## 1 "$eig" "eigenvalues"
## 2 "$var" "results for the variables"
## 3 "$var$coord" "coord. for the variables"
## 4 "$var$cor" "correlations variables - dimensions"
## 5 "$var$cos2" "cos2 for the variables"
## 6 "$var$contrib" "contributions of the variables"
## 7 "$ind" "results for the individuals"
## 8 "$ind$coord" "coord. for the individuals"
## 9 "$ind$cos2" "cos2 for the individuals"
## 10 "$ind$contrib" "contributions of the individuals"
## 11 "$call" "summary statistics"
## 12 "$call$centre" "mean of the variables"
## 13 "$call$ecart.type" "standard error of the variables"
## 14 "$call$row.w" "weights for the individuals"
## 15 "$call$col.w" "weights for the variables"fviz_eig(resultat_acp1, addlabels = TRUE)
# Graphique du cercle de corrélation
fviz_pca_var(resultat_acp1,
col.var = "cos2", # Utiliser la qualité de représentation (cos2) pour la couleur
gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"), # Palette de couleurs
repel = TRUE, # Éviter le chevauchement des étiquettes
title = "Cercle de Qualité de représentation des variables")
# Graphique du cercle de corrélation
fviz_pca_var(resultat_acp1,
col.var = "contrib", # Utiliser la contribution
gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"), # Palette de couleurs
repel = TRUE, # Éviter le chevauchement des étiquettes
title = "Cercle de Contribution des variables")
fviz_pca_ind(resultat_acp1, col.ind="cos2") +
scale_color_gradient2(low="blue", mid="white",
high="red", midpoint=0.50)+
theme_minimal()
# Filtrer les individus avec cos² > 50%
ind_cos21 <- apply(resultat_acp1$ind$cos2, 1, max) > 0
# Filtrer les variables avec cos² > 50%
var_cos21 <- apply(resultat_acp1$var$cos2, 1, max) > 0
# Créer un graphique combiné des individus et des variables
fviz_pca_biplot(resultat_acp1,
select.ind = list(cos2 = 0), # Sélectionner les individus avec cos² > 50%
select.var = list(cos2 = 0), # Sélectionner les variables avec cos² > 50%
repel = TRUE, # Éviter le chevauchement des étiquettes
title = "Biplot des Individus et des Variables (cos²)",
col.ind = "blue", # Couleur des individus
col.var = "red" # Couleur des variables
)
### Interprétation du cercle des corrélations :
### Le premier plan factoriel synthétise 67% de l’inertie totale, ce qui nous permettra de faire notre étude sur ce plan.
### En effet, la 1ére composante est prédominante, elle résume 43.09% de l’inertie, la deuxième composante est relativement importante car elle absorbe 23.1% de l’inertie totale.
### Donc d’après le critère du coude (le cumul des pourcentages de variance est supérieur à 50%), l’ACP est significative et il suffit de projeter les observations sur le premier plan factoriel pour obtenir le maximum d’informations.
### • D’après le cercle des corrélations, on remarque que toutes les variables sont bien représentées sauf les variables Densité de population (DP), Niveau de Satisfaction Moyen (Ni.SM), Pauvres et Nbres personne vivant dans les taudis (Nbre VT). En effet, la majorité a un cos2 supérieur à 0.5.
### • D’une part, Les variables Taux d'émigrés (TE), le Taux de chômage (TC), le PIB par habitant (PIBH), et le Niveau de revenu moyen annuel (NRM.AN) qui sont bien représentées et corrélées, sont celles qui contribuent fortement et positivement à la formation de l’axe 1 (49.09%). Alors que les variables Ni.SM et Pauvres qui sont mal représentées, contribuent faiblement à cet axe.
### • D’autre part, les variables Population totale (Pop), Nombre de réfugiés (Nbre.R), qui sont aussi bien représentées et corrélées, contribuent fortement et positivement à la formation de l’axe2 (23.1%). Alors que la variable Densité de population (DP) mal représenté contribue fortement et positivement à la formation de l’axe2
### Interprétation du nuage des individus :
### Le nuage des individus met en lumière une différence significative entre les pays.
### Interpréter le nuage des individus et le cercle des corrélations (simultanément) est équivalent à interpréter le Biplot. On a dessiné le nuage des individus en le superposant à celle des variables illustratives.
### D’après le tableau ci-dessus et le graphe de la superposition des individus par rapport aux variables :
### Nous notons deux individus qui sortent du lot. Dans le but de mieux interpréter les individus (pays de la CEDEAO) par rapport à notre thématique, nous avons retiré ces deux pays (Nigeria et Cap vert) de notre ACP (Individus atypiques).
### Nous reprenons l'ACP, cette fois ci sans les deux individus atypiques### ANALYSE DES DONNEES SANS LES INDIVIDUS ATYPIQUES (CAP-VERT et NIGERIA)setwd("D:/2iE/COURS AGBEHADJI/PROJET RTI/")donnees <- read.csv(file="DONNEES RTI4.csv", header = TRUE, sep = ";", quote = "\"",
dec = ",", row.names = 1)library(ggplot2)vars_quantitatives <- sapply(donnees, is.numeric)
for (var in names(donnees)[vars_quantitatives]) {
print(ggplot(donnees, aes_string(x = var)) +
geom_histogram(bins = 30, fill = "blue", color = "black") +
theme_minimal() +
labs(title = paste("Histogramme de", var), x = var, y = "Fréquence"))
}
for (var in names(donnees)[vars_quantitatives]) {
print(ggplot(donnees, aes_string(x = factor(1), y = var)) +
geom_boxplot(fill = "skyblue", color = "darkblue") +
theme_minimal() +
labs(title = paste("Boxplot de", var), x = "", y = var))
}
if (!require(corrplot)) install.packages("corrplot")library(ggplot2)
library(corrplot)matrice_correlation <- cor(donnees)# Créer la heatmap de corrélation avec des coefficients plus visibles
corrplot(matrice_correlation, method = "color", type = "upper", order = "hclust",
tl.col = "black", tl.srt = 45,
addCoef.col = "black", # Couleur des coefficients
cl.pos = "n", # Position de la légende de couleur
cl.cex = 1.2, # Taille de la légende de couleur
addCoefasPercent = TRUE, # Afficher les coefficients en pourcentage
number.cex = 0.8) # Taille des chiffres des coefficients
# Centrer et réduire les données
donnees_centrees_reduites <- scale(donnees,center = TRUE,scale=TRUE) # Charger les packages
library(FactoMineR)
library("factoextra")
library("devtools")
# Réaliser l'ACP
resultat_acp <- PCA(donnees_centrees_reduites, graph = TRUE)
print(resultat_acp)## **Results for the Principal Component Analysis (PCA)**
## The analysis was performed on 13 individuals, described by 11 variables
## *The results are available in the following objects:
##
## name description
## 1 "$eig" "eigenvalues"
## 2 "$var" "results for the variables"
## 3 "$var$coord" "coord. for the variables"
## 4 "$var$cor" "correlations variables - dimensions"
## 5 "$var$cos2" "cos2 for the variables"
## 6 "$var$contrib" "contributions of the variables"
## 7 "$ind" "results for the individuals"
## 8 "$ind$coord" "coord. for the individuals"
## 9 "$ind$cos2" "cos2 for the individuals"
## 10 "$ind$contrib" "contributions of the individuals"
## 11 "$call" "summary statistics"
## 12 "$call$centre" "mean of the variables"
## 13 "$call$ecart.type" "standard error of the variables"
## 14 "$call$row.w" "weights for the individuals"
## 15 "$call$col.w" "weights for the variables"Coordonnées_individus <- resultat_acp$ind$coord
Coordonnées_individus## Dim.1 Dim.2 Dim.3 Dim.4 Dim.5
## BENIN 0.2759068 0.48193634 -0.6578582 1.5517085 1.0712183355
## BURKINA FASO -0.6687667 -1.29129951 1.8087489 -0.8142025 -0.7416569075
## COTE D'IVOIRE 3.1837922 2.04171219 0.4446124 0.7470678 0.6649641446
## GAMBIE 1.0314579 -2.80340507 -0.3382116 0.4522495 -1.0183077896
## GHANA 3.4465554 1.52855155 -0.2163590 -1.3858513 -0.6930276054
## GUINEE -0.1975918 -0.59381434 0.8989017 1.0789073 -1.0849982867
## GUINEE BISSAU -1.0554828 -0.85377823 -1.0829358 0.6259676 0.6469874815
## LIBERIA -1.3574625 -0.39229377 -0.9453416 0.7808528 0.0006584301
## MALI -2.0885657 0.28549449 3.5031365 -0.4797148 1.1247162254
## NIGER -3.2084356 3.42601317 -1.0026589 -0.2868590 -0.8868573572
## SENEGAL 1.5873096 0.08892652 0.6403476 0.2361285 -0.3976083921
## SIERA LEONNE -1.5252589 -0.53692621 -1.7434669 -0.9708424 -0.1792997727
## TOGO 0.5765422 -1.38111713 -1.3089150 -1.5354119 1.4932114940Cos2_individus <- resultat_acp$ind$cos2
Cos2_individus## Dim.1 Dim.2 Dim.3 Dim.4 Dim.5
## BENIN 0.01262790 0.038528831 0.071791184 0.399417190 1.903542e-01
## BURKINA FASO 0.04816854 0.179584231 0.352347161 0.071396862 5.924072e-02
## COTE D'IVOIRE 0.62307864 0.256237382 0.012151128 0.034306268 2.718003e-02
## GAMBIE 0.08207949 0.606322043 0.008824878 0.015779301 7.999996e-02
## GHANA 0.69246953 0.136204142 0.002728852 0.111960130 2.799827e-02
## GUINEE 0.00832221 0.075162652 0.172236488 0.248124123 2.509336e-01
## GUINEE BISSAU 0.24553640 0.160658504 0.258475271 0.086360918 9.225827e-02
## LIBERIA 0.41889182 0.034983963 0.203153212 0.138606787 9.855203e-08
## MALI 0.22882050 0.004275571 0.643743321 0.012071601 6.635666e-02
## NIGER 0.41332866 0.471288597 0.040365961 0.003304044 3.158031e-02
## SENEGAL 0.52383957 0.001644136 0.085252387 0.011592360 3.286897e-02
## SIERA LEONNE 0.23144989 0.028681315 0.302410779 0.093770724 3.198375e-03
## TOGO 0.03758241 0.215666835 0.193706974 0.266545989 2.520954e-01Contribution_individus <- resultat_acp$ind$contrib
Contribution_individus## Dim.1 Dim.2 Dim.3 Dim.4 Dim.5
## BENIN 0.1639453 0.73682573 1.7053291 20.7788296 1.180053e+01
## BURKINA FASO 0.9632160 5.28980188 12.8914010 5.7209179 5.656547e+00
## COTE D'IVOIRE 21.8305060 13.22435426 0.7789448 4.8163812 4.547176e+00
## GAMBIE 2.2912759 24.93200131 0.4507343 1.7650497 1.066359e+01
## GHANA 25.5826139 7.41217411 0.1844562 16.5742574 4.939084e+00
## GUINEE 0.0840838 1.11863087 3.1839629 10.0454427 1.210608e+01
## GUINEE BISSAU 2.3992566 2.31246722 4.6211386 3.3814620 4.304643e+00
## LIBERIA 3.9685337 0.48821177 3.5214463 5.2618581 4.458253e-06
## MALI 9.3944353 0.25857164 48.3568140 1.9859444 1.300862e+01
## NIGER 22.1697616 37.23604015 3.9614117 0.7101298 8.088219e+00
## SENEGAL 5.4262232 0.02508696 1.6157534 0.4811690 1.625760e+00
## SIERA LEONNE 5.0102745 0.91456515 11.9776328 8.1338891 3.306015e-01
## TOGO 0.7158741 6.05126895 6.7509747 20.3446691 2.292915e+01valeurspropres <- resultat_acp$eig
valeurspropres## eigenvalue percentage of variance cumulative percentage of variance
## comp 1 3.571759963 32.47054512 32.47055
## comp 2 2.424773708 22.04339735 54.51394
## comp 3 1.952149530 17.74681391 72.26076
## comp 4 0.891365511 8.10332282 80.36408
## comp 5 0.748016731 6.80015210 87.16423
## comp 6 0.604212013 5.49283648 92.65707
## comp 7 0.381556958 3.46869961 96.12577
## comp 8 0.247628609 2.25116917 98.37694
## comp 9 0.096089650 0.87354227 99.25048
## comp 10 0.080114296 0.72831179 99.97879
## comp 11 0.002333031 0.02120937 100.00000Qualite_de_representation <- resultat_acp$var$cos2
Qualite_de_representation## Dim.1 Dim.2 Dim.3 Dim.4 Dim.5
## Pop 0.100379722 0.539592350 0.19535925 0.099863404 0.022401817
## TE 0.005110874 0.363242792 0.21072068 0.002279818 0.168525589
## Nbre.R 0.051979462 0.023142093 0.63686356 0.015115545 0.088468788
## Ni.E 0.751366491 0.026596094 0.10097238 0.004746269 0.016496677
## TC 0.012376650 0.510035956 0.11039076 0.017669496 0.226412785
## NRM.AN 0.804113229 0.005606823 0.07845052 0.010719367 0.014960214
## DP 0.308019515 0.296699118 0.12749172 0.017499217 0.005400761
## Ni.SM 0.183519549 0.175205104 0.14491055 0.217830235 0.117494651
## Pauvres 0.394999037 0.116493070 0.11159337 0.194300848 0.035777011
## Nbre.VT 0.201869467 0.179522546 0.21826270 0.307754697 0.043564240
## PIBH 0.758025968 0.188637762 0.01713404 0.003586614 0.008514197contribution_des_variables <- resultat_acp$var$contrib
contribution_des_variables## Dim.1 Dim.2 Dim.3 Dim.4 Dim.5
## Pop 2.8103714 22.2533075 10.0073915 11.2034180 2.9948284
## TE 0.1430912 14.9804821 10.7942901 0.2557669 22.5296551
## Nbre.R 1.4552899 0.9544022 32.6237080 1.6957741 11.8271136
## Ni.E 21.0363098 1.0968485 5.1723690 0.5324717 2.2053887
## TC 0.3465141 21.0343734 5.6548313 1.9822953 30.2684119
## NRM.AN 22.5130814 0.2312308 4.0186735 1.2025782 1.9999838
## DP 8.6237462 12.2361570 6.5308380 1.9631921 0.7220108
## Ni.SM 5.1380706 7.2256270 7.4231275 24.4378129 15.7074897
## Pauvres 11.0589469 4.8042863 5.7164354 21.7981115 4.7829158
## Nbre.VT 5.6518206 7.4036825 11.1806343 34.5262066 5.8239660
## PIBH 21.2227579 7.7796027 0.8777014 0.4023729 1.1382362fviz_eig(resultat_acp, addlabels = TRUE)
### le barplot des variances montre que le premier axe factoriel renferme 32,5% de la variance totale expliquée . En effet les deux premièrs axes factoriels présentent 54,5% de la variance totale expliquée. Donc pour notre étude d’ACP, nous allons retenir les deux prmiers axes factoriels.# Créer le graphique du cercle de corrélation
fviz_pca_var(resultat_acp,
col.var = "cos2", # Utiliser la qualité de représentation (cos2) pour la couleur
gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"), # Palette de couleurs
repel = TRUE, # Éviter le chevauchement des étiquettes
title = "Cercle de Qualité de représentation des variables")
# Créer le graphique du cercle de corrélation
fviz_pca_var(resultat_acp,
col.var = "contrib", # Utiliser la contribution
gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"), # Palette de couleurs
repel = TRUE, # Éviter le chevauchement des étiquettes
title = "Cercle de Contribution des variables")
# Contributions of variables to PC1"
fviz_contrib(resultat_acp, choice = "var", axes = 1, top = 12)
# Contributions of variables to PC2
fviz_contrib(resultat_acp, choice = "var", axes = 2, top = 12)
# Cosinus carré des variables sur la première composante principale (PC1)
fviz_cos2(resultat_acp, choice = "var", axes = 1, top = 10) +
ggtitle("Qualité de la représentation des variables sur la PC1 (cos²)")
# Cosinus carré des variables sur la deuxième composante principale (PC2)
fviz_cos2(resultat_acp, choice = "var", axes = 2, top = 10) +
ggtitle("Qualité de la représentation des variables sur la PC2 (cos²)")
fviz_pca_ind(resultat_acp, col.ind="cos2") +
scale_color_gradient2(low="blue", mid="white",
high="red", midpoint=0.50)+
theme_minimal()
# Filtrer les individus avec cos² > 50%
ind_cos2 <- apply(resultat_acp$ind$cos2, 1, max) > 0
# Filtrer les variables avec cos² > 50%
var_cos2 <- apply(resultat_acp$var$cos2, 1, max) > 0
# Créer un graphique combiné des individus et des variables
fviz_pca_biplot(resultat_acp,
select.ind = list(cos2 = 0), # Sélectionner les individus avec cos² > 50%
select.var = list(cos2 = 0), # Sélectionner les variables avec cos² > 50%
repel = TRUE, # Éviter le chevauchement des étiquettes
title = "Biplot des Individus et des Variables (cos²)",
col.ind = "blue", # Couleur des individus
col.var = "red" # Couleur des variables
)
### Interprétation du cercle des corrélations :
### Le premier plan factoriel synthétise 54.5% de l’inertie totale, ce qui nous permettra de faire notre étude sur ce plan.
### En effet, la 1ére composante est prédominante, elle résume 32.5% de l’inertie, la deuxième composante est relativement importante car elle absorbe 22% de l’inertie totale.
### • D’après le cercle des corrélations, on remarque que toutes les variables sont bien représentées sauf les variables : Densité de population (DP), Niveau de Satisfaction Moyen (Ni.SM), Taux d’émigré (TM) et Nbres personne vivant dans les taudis (Nbre VT). En effet, la majorité a un cos2 supérieur à 0.5.
### • D’une part, Les variables : PIBH/ habitant, le Niveau d’Etude (Ni.E), Niveau de revenu Annuel moyen (NRM.AN), et Densité de population (DP), qui sont bien représentées et corrélées, sont celles qui contribuent fortement et positivement à la formation de l’axe 1 (32.5%). Alors que la variable Ni.SM qui est mal représentée, contribue faiblement à cet axe.
### • D’autre part, les variables : Population (Pop), le Taux de chômage qui sont aussi bien représentées et corrélées, contribuent fortement et positivement à la formation de l’axe 2 (23.1%). Alors que les variables : Nbres personne vivant dans les taudis (Nbre VT), Pauvres et le Taux d’émigré (TE) mal représentés contribuent faiblement et positivement et le Taux d’émigré (TE) contribue faiblement et négativement à la formation de l’axe2
### Interprétation du nuage des individus :
### Le nuage des individus met en lumière une différence significative entre les pays.
### Interpréter le nuage des individus et le cercle des corrélations (simultanément) est équivalent à interpréter le Biplot. On a dessiné le nuage des individus puis faire la Classification
### Le nuage des individus indique 3 groupes :
### • 1er groupe est situé en dessous de l’axe 2 dans le quadrant Sud-Est, est composé d’individus tels que Gambie, Guinée Bissau, Serra Leone, Togo et Liberia. Ce groupe est caractérisé par : de faibles valeurs pour les variables Pop et Ni.SM (de la plus extrême à la moins extrême).Caractéristiques principales: Faibles populations et densités démographiques. Niveau de satisfaction sociale et développement économique limité. Systèmes de santé fragiles exacerbés par le COVID-19
### • 2éme groupe est situé un peu au centre de l’axe1 et 2, est composé d’individus partageant : des variables dont les valeurs ne diffèrent pas significativement de la moyenne. Indicateurs socioéconomiques et démographiques porches des moyennes régionales.et absence de disparités extrêmes dans les données.
### • 3éme groupe est situé à gauche de l’axe 2 dans le quadrant Sud-Ouest,, composé de la Côte d’Ivoire, du Mali, du Niger, du Ghana et du Burkina Faso, se distingue par une forte population et une pression démographique significative.
### En 2020, les pays ouest-africains ont été marqués par des défis socioéconomiques, politiques et sanitaires exacerbés par la pandémie de COVID-19. Les pays à faibles revenus (Gambie, Guinée-Bissau, Liberia) ont connu des migrations liées à la précarité et l'instabilité, tandis que ceux à indicateurs intermédiaires (Sénégal, Bénin, Guinée) ont attiré des flux régionaux malgré une pression économique croissante. Les pays comme (Côte d’Ivoire, Ghana) ont joué un rôle de pôles migratoires, alors que les pays sahéliens (Mali, Niger, Burkina Faso) ont subi des déplacements massifs dus à l'insécurité. Partout, l’éducation et les systèmes de santé ont été fortement impactés, amplifiant les inégalités. Ces crises appellent à des solutions coordonnées pour renforcer la résilience régionale
### Conclusion
### Nous avons pu synthétiser l’information relative à 15 pays en 2 dimensions à partir des différentes variables avec une précision de 54.5%.
### L’analyse de la base de données montre que :
### L’émigration des pays Ouest Africain est marquée par divers facteurs
### • Facteurs économiques : pauvreté, chômage, faibles revenus.
### • Le manque d'opportunités d'emploi, les faibles salaires, et la pauvreté sont des facteurs clés qui poussent les populations à l'émigration.
### • Facteurs sociaux : manque d'accès à l'éducation, santé et infrastructures.
### • Facteurs politiques : instabilité et conflits.
###• L’accès à une meilleure éducation est un facteur important, surtout pour les jeunes qui cherchent à s'épanouir.