La migration des populations de l’Afrique de l’Ouest vers les autres pays du tiers monde
AGBEHADJI Yao, COULIBALY G. Nimbé, NIKIEMA B. Roxane
2024-12-20
RESUME
Cette étude examine les causes principales des migrations en Afrique de l’Ouest, en mettant l’accent sur les facteurs socio-économiques, environnementaux, et politiques qui motivent les mouvements de population tant internes qu’internationaux. À travers une analyse des données démographiques, économiques et migratoires, l’étude identifie la pauvreté, le chômage, l’instabilité politique, les inégalités économiques, et les changements climatiques comme des moteurs clés de l’émigration.
Les données, collectées via des bases publiques et traitées avec des outils comme RStudio et QGIS, révèlent des disparités marquées entre les pays de la région en termes de revenu moyen, densité de population, niveau d’éducation et de satisfaction, et taux de chômage. Ces disparités alimentent des flux migratoires vers des pays plus stables ou économiquement dynamiques comme la Côte d’Ivoire et le Ghana, ainsi que des migrations internationales, notamment vers l’Europe.
Les résultats montrent également l’importance des envois de fonds des migrants pour les économies locales et les impacts négatifs de la fuite des cerveaux sur les pays d’origine. L’analyse en composantes principales (ACP) met en évidence les corrélations entre le taux d’émigration et des variables comme le PIB par habitant, le taux de chômage et la stabilité politique. L’étude conclut en recommandant des politiques ciblées pour réduire les facteurs incitatifs de la migration, notamment par l’amélioration des opportunités économiques locales, la gestion des crises environnementales et le renforcement de la stabilité politique.
1. INTRODUCTION
Par sa position stratégique entre l’Afrique du Nord et les zones tropicales, mais aussi par son ouverture sur l’Atlantique et les Amériques, l’Afrique de l’Ouest a toujours été un lieu d’intenses mobilités et de brassage de populations. Depuis les années 1960, elle a compté divers pôles de stabilités politique et économique (Sénégal, Côte d’Ivoire, Ghana, Nigeria), qui ont fait d’elle un espace attractif par rapport au reste du continent.
La migration est un est un phénomène global qui a marqué l’histoire de l’humanité. Depuis les 1eres migrations humaines jusqu’au flux contemporains, les mouvements de populations ont façonné les sociétés, les cultures et les économies. Aujourd’hui la migration est un enjeu central des débats politiques et économiques, tant pour les pays de départs que ceux de destination.
Terre d’immigration, l’Afrique de l’Ouest est aussi devenue une terre d’émigration dès la période coloniale, avec d’importants mouvements de population des pays du centre de la sous-région vers les pays côtiers, mais aussi vers d’autres pays africains (Gabon, Congo, Cameroun) et, dans une moindre mesure, vers les anciennes métropoles coloniales (France, Grande Bretagne, Portugal etc..).
Cette zone est caractérisée par un flux intense de populations motivé par des raisons diverses.
Cette étude s’intéresse justement à ressortir les différents facteurs qui influent sur la mobilité des peuples tant au sein de l’Afrique de l’Ouest elle-même que vers les autres pays du tiers monde.
PROBLEMATIQUE ET FORMULATION DES QUESTIONS DE RECHERCHE
THEME : LA MIGRATION
SUJET : Migration des populations de l’Afrique de l’ouest vers les autres pays du tiers monde
Problématique : Causes de l’émigration des pays de l’Afrique occidentale
2. CADRE DE LA ZONE D’ETUDE
2.1. SITUATION GEOGRAPHIQUE DE LA ZONE DE L’ETUDE
L’Afrique de l’Ouest est une région terrestre couvrant toute la partie occidentale de l’ Afrique subsaharienne. Elle comprend approximativement les pays côtiers au nord du golfe de Guinée jusqu’au fleuve Sénégal, les pays couverts par le bassin du fleuve Niger ainsi que les pays de l’arrière-pays sahélien. Elle comprend entre autre les pays suivants : Bénin, Burkina Faso, Côte d’Ivoire, Cap-Vert, Gambie, Ghana, Guinée, Guinée-Bissau, Libéria, Mali, Mauritanie, Niger, Nigeria, Sénégal, Sierra Leone et Togo.
2.2. DEMOGRAPHIE
D’après le dernier rapport de l’ONU sur les perspectives démographiques mondiales, la population en Afrique de l’Ouest (391 millions d’habitants en 2019) devrait doubler d’ici 2050 (796 millions d’habitants) et être multipliée par 3,8 à la fin du siècle (1,5 milliard habitant). Cette évolution s’explique par le maintien d’un taux de fécondité éminemment élevé (5,2 enfants par femme en moyenne ces 5 dernières années).
Le rythme de croissance démographique varie selon les pays de la zone. Avec un taux de fécondité de près de 7 enfants par femme, le Niger est de loin celui dont la croissance est la plus forte : sa population pourrait être multipliée par 7 d’ici 2100 et ainsi passer de 23,3 millions d’habitants en 2019 à près de 165 millions à la fin du siècle. Le Mali, le Burkina Faso et le Bénin devraient également connaître une forte tendance à la hausse – avec une population multipliée par 4 d’ici 2100. Les prévisions de croissance pour le Ghana, la Sierra Leone ou encore la Guinée-Bissau sont en revanche moins élevées (relativement aux autres), à moins de 200% d’ici 2100. Celles du Nigéria, poids lourd du continent avec plus de 200 millions d’habitants en 2019, sont équivalentes à la moyenne de la sous-région.[1]
Le tableau ci-après présente la population de la zone d’étude en 2020
| Pays | Population |
|---|---|
| BENIN | 12643123 |
| BURKINA FASO | 21522626 |
| CAP-VERT | 582640 |
| COTE D’IVOIRE | 26811790 |
| GAMBIE | 2573995 |
| GHANA | 32180401 |
| GUINEE | 13205153 |
| GUINEE BISSAU | 2015828 |
| LIBERIA | 5087584 |
| MALI | 21224040 |
| NIGER | 24333639 |
| NIGERIA | 208327405 |
| SENEGAL | 16436120 |
| SIERA LEONNE | 8233970 |
| TOGO | 8442580 |
2.3. CLIMAT
L’Afrique de l’Ouest est découpée en deux grandes zones climatiques:
le Sud équatorial, avec un climat chaud et humide, d’abondantes pluies et des forêts;
et le Nord sahélien, avec des savanes, des steppes et des régions désertiques.
L’Afrique est caractérisée par de fortes chaleurs et des zones très sèches. Elle connaît des précipitations plus fortes, une humidité parfois proche des 100 % et une faible amplitude thermique (25 °C durant l’hiver et 30 °C durant l’été). Les saisons se découpent en quatre périodes, deux saisons sèches et deux saisons humides. La grande saison sèche dure de décembre à avril et la grande saison humide de mai à juillet. La petite saison sèche dure d’août à septembre et la petite saison humide d’octobre à novembre. La plupart des précipitations annuelle peuvent atteindre 350 mm en juin, le mois le plus humide. La partie nord du pays est couverte de savanes, elles-mêmes décomposées en savane humide au sud et savane sèche au nord. Les précipitations sont inférieures à 1 200 mm et ont une répartition très saisonnière[2]
2.4. RELIEF
L’Afrique de l’Ouest occupe une surface de 6.140.568 km2, soit environ un cinquième du continent africain. La grande majorité de la région est composée de plaines dont l’altitude est inférieure à 300 m. Plusieurs sommets isolés parsèment la côte Sud.
La partie septentrionale est occupée par le Sahel, zone de transition aride à semi-aride entre le désert du Sahara et l’Afrique intertropicale. Le Sahel forme une bande de 160 à 240 km de large.
Le mont Nimba, situé aux confins de la Côte d’Ivoire et de la Guinée est le point culminant de l’Afrique de l’Ouest avec une altitude de 1 752 m.
3. MATERIELS ET METHODES
3.1. MATERIEL UTILISES
3.1.1. ZOTERO
ZOTERO est un outil de gestion de références bibliographiques conçu pour collecter et organiser des sources provenant de diverses références. Dans ce projet, il a été utilisé pour élaborer la bibliographie.
3.1.2. RStudio
RStudio est un environnement de développement intégré pour le langage de programmation R, conçu spécifiquement pour l’analyse statistique et la visualisation des données. Il nous a permis d’analyser et d’interpréter nos données.
3.1.3. QGIS
QGIS est un logiciel de Système d’Information Géographique (SIG) qui permet la collecte, le traitement, l’analyse, la gestion et la présentation de divers types de données géographiques. Il nous a permis de réaliser l’analyse spatiale de nos données.
4. PRESENTATION DES PARAMETRES DE SUIVIS
Pour mener à bien notre étude, nous avons procédé par des méthodes dont :
La collecte des données
Nos données ont été extraites de la base de données https://ourworldindata.org et d’autres documents qui seront présentés plus bas dans les références bibliographiques.
Analyse des données
Le traitement de données a été réalisé principalement avec le logiciel Rstudio
Présentation sur une carte des pays liés à notre étude
Cette partie de notre étude a été effectué avec le logiciel de traitement d’informations géographique QGIS
5. REVUE BIBLIOGRAPHIQUE
5.1. CONTEXTE
Un consensus se dégage pour définir un migrant comme une personne âgée de plus de 15 ans vivant depuis plus d’un an dans un pays dont il n’est pas ressortissant Selon les Nations Unies, l’Afrique de l’Ouest est de longue date caractérise par des niveaux élevé de mobilité. Le phénomène de la migration en Afrique de l’ouest est un enjeu qui touche de de nombreuses nations de la région. Souvent motivée par les inégalités économiques, l’instabilité politique et les impacts des changements climatiques, la sécheresse prolongée dans la corne de l’Afrique et les graves inondations saisonnières sur l’ensemble du continent ont visiblement entraîné des déplacements avec l’Europe d’autres pays africain comme principales destinations. En effet, pendant de longs mois, de jeunes Africains, hommes et femmes, risquent tout, y compris leur vie, pour entreprendre un périlleux périple qui leur fait traverser des dizaines de frontières et les dangereux courants de la Méditerranée à la recherche d’une vie meilleure dans le Nord. Certains y laissent leur vie, d’autres sont renvoyés chez eux et d’autres encore, qui atteignent leur destination, comprennent que leur existence n’y sera pas forcément plus facile. Mais étant donné le manque d’emplois et les sombres perspectives auxquels ils sont confrontés dans leur pays, des millions de jeunes Africains préfèrent encore l’exode, souvent clandestin. Bien que ce phénomène soit aperçu comme un échappatoire aux conditions difficiles, il a aussi des répercussions profondes sur les familles, les communautés et les sociétés d’origines, notamment à travers la fuites de cerveaux et les tensions liées aux politiques migratoires internationales.
5.1.1. Dimension Économique
Les migrations en Afrique de l’Ouest sont souvent motivées par des facteurs économiques. L’Organisation internationale pour les migrations (IOM) souligne que les rapatriements de fonds des migrants représentent une contribution significative aux économies locales, atteignant jusqu’à 12% du PIB dans certains pays comme Cabo Verde, le Liberia et le Sénégal. Ces fonds sont utilisés pour améliorer l’éducation, la santé et investir dans des entreprises locales[3]. D’un autre côté, les inégalités économiques persistent, et la recherche d’opportunités d’emploi pousse les individus à migrer vers des pays voisins ou à entreprendre des voyages plus longs vers l’Europe ou les Amériques[4].[5]
Les travailleurs migrants incluent les personnes employées ou en chômage actif dans leur pays de résidence. Cela englobe également les travailleurs familiaux ou auto-employés. La migration de main-d’œuvre est un moteur central de l’émigration en Afrique de l’Ouest. Les jeunes non qualifiés, confrontés à un chômage élevé, migrent souvent en quête de travail dans d’autres pays de la région ou en Europe.
C’est le salaire brut moyen des travailleurs, qui est utilisé pour comparer les conditions économiques entre les pays. Les écarts salariaux significatifs entre les pays d’Afrique de l’Ouest et les destinations européennes sont une incitation majeure pour les migrants économiques.[6]
Disparités Régionales
Les pays d’Afrique de l’Ouest affichent une grande hétérogénéité en termes de niveau de revenus moyens avec le Nigeria à environ 0.539/an, en partie grâce à ses ressources pétrolières, la Côte d’Ivoire et Ghana ont respectivement 0.530 et 0.601/an, grâce à une économie diversifiée (agriculture, mines, services).Niger, Liberia, et Guinée-Bissau sont à environ 0.483 à 0.482/an, représentant les économies les plus vulnérables de la région[7]
Les pays dépendants des ressources naturelles (pétrole, or, cacao) comme le Nigeria ou le Ghana tendent à avoir un revenu moyen plus élevé que ceux axés sur une agriculture de subsistance (Niger, Burkina Faso). En 2020, la baisse des exportations, le ralentissement du commerce, et les restrictions sanitaires ont réduit les revenus dans presque tous les pays de la région. Bien que certains pays aient un NRM.AN relativement élevé, les disparités entre les zones urbaines et rurales restent marquées. Par exemple, les populations rurales dans des pays comme le Mali et la Guinée-Bissau perçoivent des revenus bien inférieurs à ceux des villes. Les faibles revenus moyens poussent les populations à migrer pour rechercher des opportunités économiques. Cela inclut Migrations internes: Vers les centres urbains comme Lagos, Abidjan, ou Dakar et migrations internationales: Vers l’Europe, en particulier via les routes méditerranéennes, pour les habitants de pays comme le Mali, le Niger, ou la Gambie.
Un revenu annuel faible est souvent corrélé avec un faible accès à l’éducation, à la santé, et aux infrastructures, exacerbant les facteurs d’émigration. Par exemple, le Niger, avec un des plus faibles NRM.AN (environ 0.391/an), souffre également d’un indice de développement humain (IDH) parmi les plus bas au monde. Le NRM.AN permet d’évaluer les raisons économiques derrière les flux migratoires, notamment les départs massifs des zones rurales vers des régions plus prospères. En 2020, les pays avec les niveaux de revenu les plus bas ont montré des taux d’émigration plus élevés, reflétant la recherche d’opportunités dans des économies plus dynamiques.[8]
- [Banque Mondiale - Perspectives économiques en Afrique de l’Ouest](https://www.worldbank.org
- [OECD - Inégalités économiques en Afrique de l’Ouest](https://www.oecd-ilibrary.org
5.1.2. Dimension Sociale
Pauvreté en Afrique de l’Ouest (2020)
La pauvreté reste une problématique majeure dans la région, où près de 47 % des habitants vivent sous le seuil de pauvreté international (1,90 USD par jour en parité de pouvoir d’achat). En 2020, environ 60 % des habitants de certains pays d’Afrique de l’Ouest ont signalé une perte de revenus ou d’emploi à cause de la pandémie de COVID-19. Cela a accru le nombre de personnes vivant dans l’extrême pauvreté, annulant des années de progrès dans la lutte contre la pauvreté. Les taux de pauvreté sont particulièrement élevés dans les pays sahéliens comme le Niger, le Mali et le Burkina Faso, où l’agriculture de subsistance domine. En revanche, des pays comme le Ghana et la Côte d’Ivoire ont des taux relativement plus faibles grâce à des économies diversifiées et des investissements dans les infrastructures urbaines.[10]
PIB par habitant (PIBH) en Afrique de l’Ouest (2020)
Le PIB par habitant reflète les inégalités économiques significatives dans la région, oscillant entre 500USD pour les pays les plus pauvres (Niger, Liberia) et plus de 2 000 USD pour des pays comme le Ghana et la Côte d’Ivoire. Pays à bas PIB par habitant : Le Niger et le Liberia figurent parmi les pays ayant le PIB par habitant le plus faible, aggravé par des conflits, une forte dépendance à l’aide internationale, et une démographie croissante. [11]
Facteur d’émigration économique : Les faibles revenus et les taux élevés de pauvreté poussent de nombreux habitants à migrer pour améliorer leurs conditions de vie, principalement vers des pays plus stables de la région ou vers l’Europe.[12] ; [13]
Ni.SM (Niveau de Satisfaction Moyen)
En Afrique de l’Ouest, cette variable est influencée par des disparités régionales marquées entre zones rurales et urbaines. Dans les zones rurales, où l’accès aux soins, à l’éducation et aux infrastructures est limité, les niveaux de satisfaction sont généralement bas. En revanche, dans des zones urbaines comme Dakar ou Abidjan, une classe moyenne émergente exprime un niveau de satisfaction relativement meilleur[14]
Les régions en proie à des conflits, comme le Sahel, affichent des niveaux très bas en raison de l’insécurité, du déplacement des populations et de la perte des moyens de subsistance.
Togo, Sierra Leone et Liberia : Ces pays affichent des indices de satisfaction faibles en raison des défis socio-économiques tels que le chômage, la précarité des infrastructures et l’accès limité à la santé.
Les faibles niveaux de satisfaction motivent les départs, notamment vers des pays offrant une meilleure qualité de vie ou des opportunités économiques.[15]
DP (Densité de Population)
La Densité de Population, qui mesure le nombre d’habitants par kilomètre carré, révèle des disparités significatives en Afrique de l’Ouest.
En 2020 les pays côtiers, comme le Nigeria et le Ghana, affichent une forte densité, dépassant 200 hab. /km² dans certaines régions, alimentée par une urbanisation rapide. Cette densité contribue à des pressions sur les infrastructures, l’emploi et le logement, exacerbant les migrations internes vers des zones moins peuplées [16]
À l’inverse, des pays comme le Niger ou le Mali, bien qu’étendus géographiquement, présentent de faibles densités (< 50 hab. /km²). Cependant, ces régions rurales peu peuplées souffrent de conditions de vie précaires, souvent à l’origine de migrations internes ou internationales.
Togo : Une densité de population de 152 hab. /km², concentrée dans les zones urbaines comme Lomé. Cette forte densité accentue les besoins en infrastructures urbaines, exacerbant les problèmes de logement et de services publics.
Liberia : Avec 53 hab. /km², le pays affiche une densité modérée mais souffre d’une mauvaise répartition des ressources entre les zones urbaines et rurales.
Les régions surpeuplées (Nigeria) génèrent des migrations vers des zones rurales ou des pays voisins moins peuplés, tandis que les zones à faible densité subissent des départs en raison du manque d’infrastructures.[17]
Nbre.VT (Nombre de personnes vivant dans les taudis)
Togo : Environ 60 % de la population urbaine vit dans des taudis. Lomé, la capitale, illustre bien ce problème avec une urbanisation rapide dépassant la capacité des infrastructures.
Liberia : Avec une population urbaine croissante, Monrovia, la capitale, enregistre également un taux élevé de personnes vivant dans des conditions insalubres.
Les conditions de vie insalubres poussent les populations urbaines défavorisées à chercher de meilleures conditions ailleurs, souvent par le biais de migrations régionales ou internationales.
Dimension Politique
L’OIM a également noté que les déplacements internes liés aux conflits (déplacement forcé des populations) sont significatifs, et que ces migrations internes alimentent souvent des migrations internationales en raison du manque de solutions locales à long terme[18]
Le Taux de Chômage (TC), mesuré comme le pourcentage de la population active sans emploi, est un indicateur clé pour comprendre les défis socio-économiques de l’Afrique de l’Ouest. En 2020, le taux de chômage dans la région a été marqué par des disparités notables entre les pays et a été exacerbé par la pandémie de COVID-19.
Des pays comme le Niger (0,62 %), le Mali (3,53 %), et le Bénin (1,56 %) affichent des taux de chômage très bas, mais cela reflète souvent une dépendance importante à l’agriculture de subsistance et à l’économie informelle plutôt qu’un véritable plein emploi. Ces taux masquent un sous-emploi important, particulièrement dans les zones rurales.[19]
o Sénégal : 3,40 % en 2020, mais avec un sous-emploi élevé, particulièrement chez les jeunes.
o Nigeria : 5,71 %, aggravé par la chute des prix du pétrole, principal moteur de son économie.
o Liberia : 4,09 %, reflétant une économie encore en reconstruction après des années de conflits.
o Gambie: 5,86 %, en partie lié au secteur touristique affecté par la pandémie.
Environ 30,4 % des jeunes âgés de 15 à 24 ans en Afrique de l’Ouest n’étaient ni en emploi, ni en éducation, ni en formation en 2020. Ce phénomène amplifie les pressions socio-économiques et pousse une partie de la jeunesse vers la migration économique ou clandestine.[20]
En 2020, la pandémie a aggravé le chômage dans presque tous les secteurs du tourisme, des transports et de l’hôtellerie ont subi des pertes massives, notamment au Sénégal et en Gambie. Les fermetures d’entreprises ont affecté l’emploi urbain, tandis que les restrictions sanitaires ont perturbé les économies informelles, aggravant le chômage déguisé dans les zones rurales. La région a connu une contraction économique moyenne de -5 % en 2020, ce qui a réduit les perspectives de création d’emplois formels. Les taux de chômage élevés, combinés au sous-emploi, ont poussé les populations, notamment les jeunes, à migrer vers les centres économiques régionaux comme la Côte d’Ivoire, ou à tenter des routes internationales vers l’Europe via le Sahel ou la Méditerranée.[21]
Dimension Démographique
Les migrants sont souvent des jeunes en âge de travailler, cherchant des opportunités économiques et éducatives dans des pays voisins ou en Europe[22].
Les jeunes, définis comme les personnes âgées de 15 à 35 ans, représentent un groupe d’intérêt clé dans les études sur les migrations. La population en âge de travailler comprend toute personne âgée de 15 ans et plus. La majorité des migrants ouest-africains sont des jeunes en âge de travailler, cherchant des opportunités économiques ou fuyant des contextes difficiles (conflits, pauvreté).[6]
La population représente le nombre total d’habitants d’un pays, mesuré en millions ou en nombre absolu.
La taille de la population est un indicateur essentiel pour analyser la pression démographique. Une forte population combinée à une faible densité de ressources peut conduire à une émigration massive, tandis qu’une population plus faible peut indiquer une capacité migratoire limitée.
La population en Afrique de l’Ouest, qui comptait environ 390 millions d’habitants en 2020, est marquée par une forte croissance démographique alimentée par des taux de natalité élevés. Cette région, où le taux de fécondité moyen est de 5,2 enfants par femme, est parmi les plus fécondes au monde, après l’Afrique centrale. Cette dynamique démographique implique des pressions significatives sur les ressources naturelles, les infrastructures éducatives et sanitaires, et les opportunités économiques
Dynamique démographique en Afrique de l’Ouest en 2020 :
La majorité des habitants ont moins de 25 ans, ce qui crée une forte demande en éducation et en emplois, surtout dans des pays comme le Nigeria, la Côte d’Ivoire et le Ghana et la population urbaine augmente rapidement, alimentée par la migration rurale en quête de meilleures opportunités. Des centres urbains comme Lagos, Abidjan, et Dakar voient leur population croître, créant des défis liés au logement, à la santé, et à l’accès aux services de base. Le Niger et le Mali, malgré de grandes superficies, ont des densités faibles, tandis que le Nigeria affiche une densité élevée dans certaines régions, exacerbant les problèmes liés à la pression démographique.[23]
La pression démographique, combinée à des opportunités économiques limitées et des infrastructures souvent insuffisantes, pousse de nombreux habitants à migrer. Cette migration peut être interne, avec des mouvements vers les zones urbaines, régionales, les pays comme la Côte d’Ivoire attirant des travailleurs des pays voisins et/ou international, avec des flux vers l’Europe ou l’Amérique du Nord en quête d’opportunités économiques.[7]
Dimension éducationnel
Le Niveau d’Études (Ni.E) est une variable clé pour comprendre les dynamiques socio-économiques et migratoires en Afrique de l’Ouest. Cette variable reflète le niveau moyen d’instruction de la population, mesuré par les taux de scolarisation, d’alphabétisation, et les niveaux d’éducation (primaire, secondaire, et supérieur). En 2020, la région affichait des disparités importantes en matière d’éducation, influencées par des facteurs économiques, politiques, et culturels.
Les taux d’alphabétisation dans la région varient de moins de 30 % (Niger, Burkina Faso) à environ 70 % (Ghana, Sénégal). Ces écarts reflètent les disparités dans l’accès à l’éducation et les ressources pédagogiques. Malgré ces défis, des progrès significatifs ont été réalisés grâce à des initiatives internationales et locales, avec une augmentation de la scolarisation au primaire dans des pays comme le Sénégal et le Bénin cependant les filles restent sous-représentées, avec un accès limité à l’éducation secondaire et supérieure, particulièrement dans les zones rurales,
Les faibles niveaux d’éducation poussent de nombreux jeunes à migrer pour des opportunités professionnelles, souvent dans des secteurs peu qualifiés. Par exemple, les travailleurs migrants venant du Niger ou du Mali sont souvent impliqués dans des travaux manuels ou agricoles dans les pays voisins à l’inverse, les populations mieux éduquées cherchent des opportunités dans des pays à revenu élevé, accentuant la fuite des compétences, notamment dans les secteurs médicaux et techniques
Dynamique des migrations clandestines
Les concepts clés de la migration internationale soulignent l’importance des facteurs économiques, comme les disparités salariales et le chômage, et des facteurs démographiques, comme le poids des jeunes dans les flux migratoires. En Afrique de l’Ouest, ces dynamiques se conjuguent pour façonner des flux inter-régionaux et internationaux significatifs, souvent influencés par des politiques migratoires régionales comme celles de la CEDEAO. Les défis liés aux données migratoires montrent également un besoin accru de suivi statistique pour mieux comprendre et gérer ces mouvements. [6]
Le Taux d’émigré (TE) mesure le pourcentage de la population quittant son pays pour s’établir à l’étranger, soit de manière temporaire, soit permanente. En Afrique de l’Ouest, ce taux varie fortement en fonction des pays et est influencé par des facteurs économiques, sociaux, politiques et environnementaux.
Environ 70 à 90 % des émigrés d’Afrique de l’Ouest citent la recherche d’opportunités économiques comme la principale raison de leur départ. Les taux de chômage élevés, le travail informel dominant et les faibles revenus moyens poussent les populations, notamment les jeunes, à migrer pour améliorer leurs conditions de vie. Le Ghana, le Sénégal et le Mali enregistrent des flux importants vers l’Europe et l’Amérique du Nord pour ces raisons. Des pays comme le Mali, le Niger et le Burkina Faso ont connu des déplacements massifs internes et transfrontaliers à cause des violences dans la région du Sahel. Plus de 1,1 million de personnes ont été déplacées au Burkina Faso à la fin de 2020. Ces crises alimentent également l’émigration clandestine vers l’Europe. La pandémie a réduit les flux migratoires internationaux d’environ 50 % au premier semestre 2020, en raison des fermetures de frontières et des restrictions de mobilité. Cependant, les migrations internes et régionales ont continué, notamment pour des raisons de survie économique ou en réponse aux crises climatiques et alimentaires. Environ 84 % des migrations en Afrique de l’Ouest sont inter-régionales. Les migrants se dirigent vers des pays plus stables ou économiquement dynamiques comme la Côte d’Ivoire, le Ghana et le Sénégal.
Les jeunes (15-35 ans) représentent 46 % des travailleurs migrants en Afrique de l’Ouest. Les faibles niveaux d’éducation et les discriminations dans l’accès aux visas poussent beaucoup d’entre eux vers des itinéraires irréguliers.
Nombre de Réfugiés en Afrique de l’Ouest (2020)
En 2020, l’Afrique de l’Ouest a connu une augmentation significative des déplacements forcés, incluant les réfugiés et les déplacés internes, principalement à cause de conflits armés, de crises humanitaires et d’événements climatiques extrêmes. Selon le HCR, on comptait environ 1,1 million de réfugiés dans la région, principalement concentrés dans des pays touchés par des crises sécuritaires et environnementales comme le Burkina Faso, le Mali, et le Niger. Le Sahel central (Burkina Faso, Mali, et Niger) a été l’épicentre de l’une des crises de déplacement les plus importantes. Les violences croissantes ont conduit à environ 3,7 millions de déplacés internes et à l’augmentation du nombre de réfugiés cherchant asile dans des pays voisins plus stables comme la Côte d’Ivoire et le Ghana
Les chocs climatiques, tels que les sécheresses récurrentes et la désertification, ont aggravé la vulnérabilité des populations rurales, particulièrement au Niger et au Burkina Faso, poussant ces personnes à chercher refuge dans d’autres régions ou à traverser les frontières
6. OBJECTIF
L’objectif principal de cette étude est d’évaluer les données sur les différentes causes de la migration en Afrique de l’ouest.
o Notion des différentes causes de la migration des pays de l’Afrique de l’ouest
o Pauvreté et chômage : de nombreux pays d’Afrique de l’ouest sont confrontés à des taux de pauvreté élevés, les conditions économiques difficiles, et un manque d’emplois stables, en particulier pour les jeunes. Cela pousse une partie de la population à rechercher de meilleures opportunités ailleurs.
o Revenues des migrants : les envois de fonds (rémittences) constituent une source importante de revenus pour de nombreuses familles dans les pays de la région, rendant l’émigration plus attractive.
o Croissance rapide de la population : L’Afrique de l’Ouest connait une forte croissance démographique, entrainant une pression sue les ressources, les infrastructures et les services publics.
o Jeunesse de la population : La majorité des migrants sont des jeunes, souvent mieux éduqués mais confrontés à des marchés de travail locaux saturés ou sous-développés.
o Conflits armés et instabilité politique : Des pays comme le Mali, le Burkina Faso et le Niger ont été déstabilisés par des conflits internes, des insurrections djihadistes et des coups d’État militaires. Ces crises poussent de nombreuses personnes à fuir vers des régions plus stables ou vers l’Europe.
o Mauvaise gouvernance et corruption : L’inefficacité des gouvernements à créer des conditions de vie et de travail décentes contribue à l’émigration.
o Changements climatiques : L’Afrique de l’Ouest est vulnérable aux sécheresses, à la désertification et à l’érosion côtière, qui affectent gravement les moyens de subsistance agricoles et pastoraux. Cela pousse les populations rurales à migrer vers les villes, puis souvent à chercher à quitter la région.
o Dégradation des terres : L’épuisement des terres agricoles, lié à une utilisation intensive ou à des pratiques agricoles inadaptées, contribue aussi au départ des populations.
o Facteur sociaux et familiaux : Certains migrent pour rejoindre des membres de leurs familles déjà installés dans d’autres pays où pour accéder à de meilleures infrastructures de santé ou d’éducation.
o Migration forcée : le trafic humain et la traite des personnes poussent parfois des individus à quitter leur pays contre leur propre gré.
7. CONCEPTION DES OUTILS DE COLLECTE DE DONNEES
La collecte de données a pour but de fournir l’information qu’on veut avoir de chaque cible par rapports aux hypothèses établies et d’avoir de réponses exactes sur la problématique. Les outils de collecte de données peuvent être l’observation, les questionnaires, la revue de vie, les guides d’entretien…
7.1. ECHANTILLONNAGE
Sur la base de travaux antérieurs sur le sujet, et souhaitant réaliser une analyse détaillée, nous avons décidé de recourir à l’échantillonnage par quotas. Ceci est quelque peu similaire à l’échantillonnage stratifié, qui est un échantillonnage probabiliste, dans la mesure où des unités similaires sont regroupées. C’est également un moyen de satisfaire les objectifs de tailles d’échantillon pour les sous-populations. Les quotas peuvent être basés sur des proportions de populations.
7.2. LES OUTILS DE COLLECTES DE DONNEES
7.2.1. Populations cibles
• Les jeunes de plus de 15 ans
• Le ministère des affaires étrangères
• L’aéroport
• Les habitants vivants à l’extérieur
• Les familles des migrants restées au pays
• Les organisations de migration
Il existe plusieurs grands systèmes de collecte de donnée démographique tels que : les enregistrements continus, les recensements (de divers types), les entretiens, les questionnaires, les enquêtes (de nature et procédures très variées) … la diversité de ces techniques et la variété des problèmes sont telles qu’elles sont souvent simplifiées et résumées afin d’en dégager une synthèse aussi lisible que possible.
Pour notre étude nous avons fait recours à des :
7.2.2. Questionnaire et enquête
Questionnaire:
Avantage : permet de collecter des données quantitatives standardisées.
Mode : En face à face, pour toucher des populations sans accès aux outils numériques. Et en ligne (Kobotoolbox) pour des populations ayant accès à internet.
Entretien collectifs (Focus Groups) : Pour recueillir des données qualitatives en réunissant des groupes de discussions avec jeunes adultes, les organisations
Entretien semi-structuré : Avec les familles des migrants restés aux pays et les migrants de retour, permettant d’analyser les impacts indirects de la migration.
Interview d’experts : avec les autorités locales des pays et les organisations et expert impliquées dans la migration tels que les ONG, HCR (Agence des Nations Unies pour les Réfugiés), OIM (Organisation internationales pour la Migration).
Observations directes : observer les flux de passagers, les comportements et les interactions des migrants à l’aéroport.
Guide d’entretien : Migration des habitants de l’Afrique de l’Ouest
1. Introduction
• Objectif de l’entretien :
• Contexte et cadre :
• Confidentialité et consentement :
Nous vous assurons que toutes les informations recueillies durant cet entretien resteront confidentielles. Votre participation est volontaire et vous pouvez vous retirer à tout moment.
• Durée estimée :
L’entretien prendra environ 45 à 60 minutes.
2. Profil de l’interviewé
• Identité de l’interviewé :
Pouvez-vous, s’il vous plaît, vous présenter brièvement ? Quel est votre rôle et votre expérience professionnelle dans le domaine de la migration ?
• Contexte d’implication :
Depuis combien de temps travaillez-vous sur la question de la migration en Afrique de l’Ouest ? Quelles sont les principales problématiques que vous avez observées ?
________________________________________
3. Questions d’introduction
• Contexte personnel ou professionnel :
o Pouvez-vous décrire votre parcours et vos principales responsabilités en lien avec la migration ?
o Qu’est-ce qui vous a motivé à travailler sur cette question ?
________________________________________
4. Questions principales
1. Contexte général de la migration
• Quelles sont les principales tendances migratoires observées ces dernières années dans la région (migration interne, vers l’Europe, autres destinations) ?
2. Facteurs influençant la migration
• Quels sont, selon vous, les principaux facteurs qui poussent les habitants de l’Afrique de l’Ouest à migrer ? (Facteurs économiques, politiques, sociaux, environnementaux)
• Comment le chômage, les conflits, et le changement climatique influencent-ils les décisions migratoires ?
• Les migrations sont-elles plus marquées chez certains groupes (jeunes, femmes, ruraux) ? Pourquoi ?
3. Impact de la migration sur les pays d’origine et de destination
• Quelles sont les conséquences de la migration pour les pays d’origine (réductions de la main-d’œuvre, remises de fonds, impacts sociaux, etc.) ?
• Y a-t-il des effets inattendus ou peu connus liés à la migration (positifs ou négatifs) ?
4. Politiques migratoires nationales et régionales
• Que pensez-vous des politiques migratoires mises en place par les gouvernements ouest-africains ? Sont-elles adaptées aux besoins actuels ?
• Comment évaluez-vous l’impact des politiques de la CEDEAO (Communauté économique des États de l’Afrique de l’Ouest) en matière de gestion de la migration ?
• Quels sont les principaux défis pour la coopération régionale et internationale dans la gestion de la migration (avec l’Union européenne, les Nations Unies, etc.) ?
5. Protection des migrants et gestion des crises
• Les migrants ouest-africains bénéficient-ils d’une protection suffisante dans les pays de transit et d’accueil ?
• Quelles sont les principales difficultés rencontrées par les migrants (conditions de voyage, exploitation, risques de traite des êtres humains) ?
• Existe-t-il des dispositifs d’accompagnement pour les migrants dans les pays d’origine ? Quelles initiatives devraient être renforcées ou mises en place pour mieux les soutenir ?
6. Solutions et stratégies à envisager
• Quelles politiques ou stratégies pourraient être mises en place pour améliorer la gestion des migrations dans la région ?
• Quelles sont les solutions pour favoriser une migration sûre, régulière et légale ?
• Comment promouvoir l’insertion des migrants dans les pays d’accueil tout en facilitant les retours volontaires dans les pays d’origine ?
• Quelle place les gouvernements ouest-africains devraient-ils accorder à la diplomatie migratoire dans leurs relations internationales ?
________________________________________
5. Questions de conclusion
• Bilan :
En résumé, quels sont, selon vous, les éléments clés à prendre en compte pour améliorer la gestion de la migration dans l’Afrique de l’Ouest ?
• Réflexion finale :
Si vous deviez résumer les actions à entreprendre en une phrase, que diriez-vous pour aborder la migration de manière plus effective dans la région ?
• Suggestions :
Quelles initiatives concrètes recommanderiez-vous aux responsables politiques, aux organisations internationales et aux ONG pour mieux répondre aux défis migratoires en Afrique de l’Ouest ?
________________________________________
6. Clôture de l’entretien
• Remerciements :
Nous vous remercions pour votre temps et pour avoir partagé vos connaissances et perspectives sur ce sujet crucial.
• Prochaines étapes :
Nous analyserons les informations collectées et vous tiendrons informé(e) des résultats ou des actions futures si cela vous intéresse.
________________________________________
#7. Notes et observations (facultatif) ## • Espace pour les remarques personnelles :
________________________________________
7.2.3. Présentation des donnes extraites
Les données utilisées pour le traitement sont extraites de la base Our World in Data (https://ourworldindata.org/) par le biais du lien https://ourworldindata.org/causes-of-death#what-do-people-die-from. Les données du site sont à l’échelle mondiale. Pour ce faire nous avons téléchargé l’ensemble des données sur le thème ensuite filtré sur Excel pour pouvoir extraire celles dont nous avons besoin pour le travail.
Les données sur les migrations internationales sont souvent limitées par l’absence d’harmonisation entre les pays et par des méthodologies hétérogènes. Par exemple, peu de pays incluent des indicateurs de migration dans leurs recensements.
Cette lacune dans les données complique l’analyse précise des flux migratoires et souligne l’importance de recourir à des sources complémentaires (enquêtes, projections, données consulaires).
Les données recueillies de ces bases de données sont consignées dans le tableau ci-après
| INDIVIDUS | Pop | TE | Nbre.R | Ni.E | TC | NRM/AN | DP | Ni.SM | Pauvres | Nbre.VT | PIBH |
|---|---|---|---|---|---|---|---|---|---|---|---|
| BENIN | 12643123 | 5,62 | 606 | 0,471 | 1,56 | 0,501 | 115,9 | 5,05 | 0,127 | 0,679 | 1165 |
| BURKINA FASO | 21522626 | 7,65 | 15694 | 0,344 | 4,99 | 0,446 | 78,5 | 4,83 | 0,253 | 0,265 | 712,38 |
| CAP-VERT | 582640 | 33,73 | 5 | 0,91 | 14,66 | 0,649 | 127,7 | 2,21 | 0,045 | 0,325 | 2876 |
| COTE D’IVOIRE | 26811790 | 4,36 | 37525 | 0,898 | 2,56 | 0,53 | 90,9 | 5,31 | 0,097 | 0,532 | 2216 |
| GAMBIE | 2573995 | 5,76 | 10579 | 0,586 | 5,86 | 0,492 | 248,6 | 5,05 | 0,172 | 0,388 | 655 |
| GHANA | 32180401 | 3,23 | 13844 | 0,803 | 3,29 | 0,601 | 140,1 | 5,09 | 0,252 | 0,334 | 1951 |
| GUINEE | 13205153 | 4,19 | 26792 | 0,453 | 5,99 | 0,471 | 54,4 | 4,98 | 0,138 | 0,49 | 959,43 |
| GUINEE BISSAU | 2015828 | 5,68 | 1638 | 0,539 | 3,61 | 0,482 | 71,6 | 4,5 | 0,259 | 0,608 | 694,28 |
| LIBERIA | 5087584 | 4,62 | 5195 | 0,483 | 4,09 | 0,483 | 53,5 | 4,63 | 0,276 | 0,638 | 612,38 |
| MALI | 21224040 | 6,44 | 164588 | 0,307 | 3,53 | 0,407 | 17,8 | 4,72 | 0,208 | 0,419 | 745,89 |
| NIGER | 24333639 | 1,65 | 18853 | 0,381 | 0,62 | 0,391 | 18,7 | 5,07 | 0,506 | 0,704 | 519,7 |
| NIGERIA | 208327405 | 0,81 | 352960 | 0,62 | 5,71 | 0,539 | 235 | 4,76 | 0,308 | 0,49 | 2401 |
| SENEGAL | 16436120 | 4,14 | 13986 | 0,576 | 3,4 | 0,514 | 87,2 | 5,13 | 0,093 | 0,316 | 1391 |
| SIERA LEONNE | 8233970 | 1,91 | 5734 | 0,486 | 3,48 | 0,453 | 109,6 | 3,85 | 0,26 | 0,506 | 608,34 |
| TOGO | 8442580 | 6,59 | 7704 | 0,667 | 2,21 | 0,54 | 159,4 | 4,11 | 0,265 | 0,385 | 829,61 |
8. ANALYSE ET INTERPRETATION DES RESULTATS OBTENUS
L’analyse de données s’est faite avec 15 individus et 13 variables parmi lesquels 4 sont des variables quantitatives illustratives.
8.1. DESCRIPTION DES DONNEES
8.1.1. Données Initiales
Les variables analysées dans cette étude incluent :
TE (Taux d’émigré) : Pourcentage de la population qui émigre.
Nbre R (Nombre de réfugiés) : Nombre total de réfugiés 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) : Revenu annuel moyen par habitant.
SP (Stabilité politique) : Mesure de la stabilité gouvernementale.
DP (Densité de population) : Nombre de personnes par unité de surface.
Ni.SM (Niveau de satisfaction moyen) : Niveau moyen de satisfaction des citoyens.
Pauvre (Pauvreté) : Pourcentage de la population vivant sous le seuil de pauvreté.
Nbre.VT (Nombre de personnes vivant dans les taudis) : Indicateur de conditions de vie précaires.
TMM (Taux de mortalité maternelle) : Nombre de décès de femmes pendant la grossesse.
PIBH (PIB par habitant) : Valeur du produit intérieur brut par individu.
8.1.2. Observation des individus pars rapports aux différents variables
Histogramme de la répartition de la population
A partir de cette histogramme, la plus part des pays ont une population plus proche les uns des autres hormis le Nigeria qui a une population de plus de 200 millions d’habitants
Histogramme du taux d’émigrés en fonction des différents pays
De cette histogramme, le cap vert est le pays qui a un taux d’émigrés élevé(33%) et on a 4 pays (Côte d’ivoire, Guinée, Liberia, Sénégal) qui ont des taux relativement proches les uns des autres (4%).
Histogramme du Nombre de réfugiés externes de chaque pays
La plupart des pays ont un nombre de réfugiés qui se situe entre 5 et 7704 personnes à l’exception du Nigeria (352 960 personnes) et du Mali (164 588 personnes).
Histogramme du Niveau d’études des différents pays
Le niveau d’études des pays est moyennement réparti sur une échelle de 0,3 à 0,9.
Histogramme du Taux de chômage
De cette histogramme liée au taux chômage, le cap vert est le pays qui a le taux le plus élevé (14,66%), les pays tels que la Gambie, la Guinée et le Nigeria ont un taux autour de 5% et 5 autres pays ont des taux relativement proches les uns des autres (Ghana, Guinée Bissau, Mali, Sierra Léone et le Sénégal) d’environ 3%.
Histogramme de la densité de la population
De cette histogramme, Le Nigeria a une densité de population élevé (235 hbts/km2) tandis que le Mali a la densité la plus faible (17,8 hbts/km2).
Histogramme du Niveau de satisfaction moyen
Le cap vert est le pays qui a le niveau de satisfaction le plus faible. La Côte d’Ivoire est celui qui a le niveau le plus élevé.
Histogramme des personnes à revenus faibles (pauvres)
De cette histogramme, le Niger est le pays qui a le part de population pauvre vivant avec moins de 2,15$/ jour le plus élevé (0.506). Les autres pays ont un part qui varie entre 0,09 et 0,3.
Histogramme du Nombre de personnes vivants dans les taudis
Le taux de personnes vivants dans les taudis est moyennement reparti de 0,265 (Burkina Faso) à 0,704 (Niger).
Le Cap-Vert a le PIB par habitant le plus élevé (2876) alors que le Niger a celui le plus bas (519,70). La moitié des pays ont un PIB qui tourne autour de 650.
8.1.3. Analyse des valeurs manquantes
Observations sur les valeurs manquantes
Absence de valeurs manquantes : Le tableau ci-dessus indique qu’il n’y a aucune valeur manquante pour chacune des variables considérées dans l’analyse. Autrement dit, toutes les observations pour les variables telles que le Taux d’émigré (TE), le Nombre de réfugiés (Nbre R), le Niveau d’études (Ni.E), le Taux de chômage (TC), et toutes les autres sont complètes.
La proportion de valeurs manquantes pour chaque variable est de 0%, ce qui signifie que les données sont complètes à 100%. Cela représente une situation idéale pour la qualité et la fiabilité de l’analyse des données.
Implications pour l’analyse
Impact positif sur l’ACP : L’absence de valeurs manquantes renforce la précision de l’Analyse en Composantes Principales (ACP). Cela signifie que toutes les variables disponibles contribuent pleinement à la construction des composantes principales, améliorant ainsi la qualité des projections et des interprétations.
Aucune nécessité de traitement supplémentaire : Étant donné qu’il n’y a pas de valeurs manquantes, il n’y a pas besoin de recourir à des techniques de traitement des données telles que l’imputation des valeurs manquantes ou l’exclusion des cas incomplets.
8.1.4. Observation des individus pars rapports aux différents variables
Cette analyse des individus a été réalisé en générant des Boxplot.
La représentation de la Boite signifie que la majorité (plus de 50%) des individus se trouve dans cette plage.
La ligne noire au milieu de la boîte représente la médiane, soit la valeur centrale de la variable. Cela nous donne une idée de la valeur médiane de cette variable.
Un point au-dessus ou en dessous de la boîte indique la présence d’une valeur extrême.
L’étirement de la “moustache” vers le haut montre qu’il y a un certain nombre de valeurs plus élevées, mais la majorité des valeurs sont beaucoup plus basses. Cela suggère une asymétrie vers le haut ou vers le bas dépendamment de l’étirement de la moustache.
Boxplot des individus par rapport à la population
De ce Boxplot, nous remarquons que le Nigeria a la population la plus élevée, évaluée à plus de 200 millions alors que la population moyenne des individus étudiés tourne autour de 26 millions.
Boxplot des individus par rapport au taux d’émigrés
De ce Boxplot, On note que le Cap vert a le taux d’émigrés le plus élevé (33,73%). La taux moyen d’émigrés tourne autour de 4,43%.
Boxplot des individus par rapport au nombre de réfugiés
De ce Boxplot, on note deux individus extrêmes à savoir le Mali (164 588 personnes) et le Nigeria (352 960 personnes) alors que la moyenne se situe autour 45 000 personnes.
Boxplot des individus par rapport au Niveau d’études
On note une homogénéité des valeurs en ce qui concerne le niveau d’études dans les pays étudiés avec des valeurs un peu élevés par rapport à la médiane.
Boxplot des individus par rapport au taux de chômage
Le Boxplot ci-dessus nous montre que le Cap vert est le pays ayant le taux de chômage le plus élevé (14,66%) alors que la moyenne se situe autour de 4%.
Box plot des individus par rapport au Niveau de revenus annnuel
Boxplot des individus par rapport à la Stabilité politique
De ce graphe, on note une dispersion significative de plusieurs individus par rapport au Box
Boxplot des individus par rapport à la densité de la population
On note une densité élevé en Gambie (248 habitants/Km2) alors que la moyenne se situe autour de 107 habitants/km2.
Boxplot des individus par rapport au Niveau de satisfaction moyen
On note que le Cap-vert a un Niveau de satisfaction moyen (2,21) faible par rapport aux autres pays alors que sur une échelle de 0 à 10, la moyenne pour tous les individus étudiés est de 4.
Boxplot de la Part de population pauvre vivant avec moins de 2,15$/ jour
Ce graphe nous révèle que le Niger a un nombre de population vivant avec moins de 2,15 $/jour élevé.
Boxplot des individus par rapport au nombre de personnes vivant dans les taudis
On note une homogénéité de cette variable par rapport aux individus étudiés.
Boxplot des individus par rapport au PIBH
On note également une homogénéité avec des valeurs élevées par rapport à la médiane.
8.2. CARACTERISTIQUES DES DONNEES (MOYENNE, MEDIANE, ECART-TYPE…)
8.3. CORRELATION BIVARIE ENTRE VARIABLES
ANALYSE DES DONNEES AVEC LES INDIVIDUS ATYPIQUES (NIGERIA ET CAP VERT)
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"))
}
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))
}
## Loading required package: corrplot## corrplot 0.95 loadedmatrice_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)
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$col.w" "weights for the variables"fviz_eig(resultat_acp1, addlabels = TRUE)
# Graphique du cercle de représentation
fviz_pca_var(resultat_acp1,
col.var = "cos2", # Utiliser la qualité de représentation (cos2) pour la couleur
gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"), # Palette de couleurs
repel = TRUE, # Éviter le chevauchement des étiquettes
title = "Cercle de Qualité de représentation des variables")
# Graphique du cercle de contribution
fviz_pca_var(resultat_acp1,
col.var = "contrib", # Utiliser la contribution
gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"), # Palette de couleurs
repel = TRUE, # Éviter le chevauchement des étiquettes
title = "Cercle de Contribution des variables")
fviz_pca_ind(resultat_acp1, col.ind="cos2") +
scale_color_gradient2(low="blue", mid="white",
high="red", midpoint=0.50)+
theme_minimal()
# Filtrer les individus avec cos² > 50%
ind_cos21 <- apply(resultat_acp1$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)
donnees <- read.csv(file="DONNEES RTI4.csv", header = TRUE, sep = ";", quote = "\"",
dec = ",", row.names = 1)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))
}
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 représentation
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 contribution
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
)
8.7 ANALYSE ET INTERPRETATION DU CERCLE DE CORRELATION
Pour interpréter de manière détaillée le cercle de corrélation dans le contexte de l’émigration des pays d’Afrique de l’Ouest vers d’autres horizons, il est essentiel de comprendre comment chaque variable étudiée se relie à ce phénomène migratoire. Le cercle de corrélation permet de visualiser les relations entre les variables dans l’espace des dimensions principales (Dim1 et Dim2), mettant en évidence les facteurs influents.
Taux de Chômage (TC)
Un taux de chômage élevé dans un pays pousse les individus à émigrer pour chercher du travail ailleurs. Le chômage est l’une des motivations principales de l’émigration, car les individus, en particulier les jeunes, cherchent des opportunités d’emploi plus stables à l’étranger.
Dans les pays d’Afrique de l’Ouest, où le chômage est souvent élevé, cela peut encourager une émigration de masse vers les pays voisins ou même vers des continents lointains (comme l’Europe), où l’espoir d’un emploi est plus élevé.
Niveau de Revenu Moyen (NRM.AN)
Les pays ayant un faible revenu moyen par habitant voient souvent une émigration accrue, car les individus cherchent à améliorer leur niveau de vie. Un faible revenu signifie généralement un faible pouvoir d’achat et des conditions de vie précaires.
Le revenu moyen bas incite les individus à chercher de meilleures conditions économiques dans des pays où le revenu est plus élevé. Cela peut conduire à des migrations économiques, où les individus partent en quête d’une vie meilleure pour eux-mêmes et leurs familles.
Pauvreté (Pauvre)
La pauvreté est un facteur majeur d’émigration. Dans les pays où une grande partie de la population vit en dessous du seuil de pauvreté, les gens sont prêts à prendre des risques pour échapper à la précarité.
En Afrique de l’Ouest, la pauvreté extrême pousse de nombreux individus à chercher des opportunités ailleurs. Cette émigration est souvent motivée par le désir de subvenir aux besoins de leur famille en trouvant un emploi mieux rémunéré.
Niveau d’Études (Ni.E)
Les personnes ayant un niveau d’éducation plus élevé sont souvent plus enclines à émigrer pour chercher des opportunités professionnelles correspondant à leur niveau de qualification. Cela peut aussi contribuer au phénomène de “Brain drain”.
Dans les pays d’Afrique de l’Ouest, les diplômés peuvent migrer pour des raisons professionnelles, surtout s’ils ne trouvent pas de travail adéquat à leur niveau de compétence dans leur pays d’origine.
Densité de Population (DP)
Les zones très peuplées avec peu de ressources peuvent inciter à l’émigration. Les individus des pays ou des régions à forte densité de population peuvent choisir de migrer vers des endroits où ils perçoivent de meilleures opportunités et moins de compétition pour les ressources.
Taux de Mortalité Maternelle (TMM)
Dans des pays où les services de santé sont insuffisants et où la mortalité maternelle est élevée, les individus peuvent chercher à migrer vers des pays avec de meilleurs systèmes de santé pour assurer un avenir plus sûr à leur famille.
8.9. INTERPRETATION RECAPITULATIF
Dans le contexte de l’émigration des pays d’Afrique de l’Ouest, les dimensions économiques et politiques sont les principaux moteurs de la migration. Les pays qui montrent des difficultés économiques (comme un faible niveau de revenu, un taux de chômage élevé et une forte pauvreté) ainsi qu’une instabilité politique voient plus de départs. Les individus émigrent pour échapper à ces conditions difficiles et chercher un meilleur avenir pour eux-mêmes et leurs familles.
Les variables socio-démographiques comme la densité de population et le niveau de satisfaction viennent compléter cette analyse. Une forte densité de population sans opportunités adéquates mène souvent à la surpopulation urbaine, ce qui ajoute une pression supplémentaire sur les ressources locales et pousse les gens à partir.
En conclusion, le cercle de corrélation permet de visualiser que l’émigration en Afrique de l’Ouest est un phénomène multi-facette, influencé par un ensemble complexe de facteurs économiques, sociaux, et politiques. La pauvreté, le chômage, et l’instabilité politique sont les moteurs clés qui expliquent pourquoi tant de personnes cherchent à partir de leur pays d’origine vers d’autres horizons, espérant y trouver des opportunités de vie meilleures.
8.10. NUAGE DES INDIVIDUS
L’interprétation du nuage des individus consiste à analyser la répartition des pays d’Afrique de l’Ouest dans le plan factoriel (Dim1 et Dim2)
Dans le nuage des individus, chaque pays est représenté par un point dont les coordonnées sont définies par ses contributions aux dimensions principales (Dim1 et Dim2). Ces coordonnées reflètent la manière dont chaque pays est influencé par les variables explicatives (taux de chômage, pauvreté, stabilité politique, etc.).Les pays proches les uns des autres partagent des caractéristiques similaires. Les pays éloignés des axes ou positionnés à l’extrémité des dimensions ont des contributions marquées par des variables spécifiques. Les pays proches de l’origine (0,0) sont faiblement représentés par ces dimensions principales.
Côte d’Ivoire (CIV) et Ghana (GHANA)
Ces pays ont des coordonnées élevées sur Dim1, indiquant qu’ils sont fortement influencés par des facteurs économiques comme le taux de pauvreté, le revenu moyen, et le chômage. Ces pays peuvent être considérés comme des points de départ importants pour l’émigration économique. Malgré une croissance économique relative, une grande partie de la population reste confrontée à des inégalités, ce qui pousse certains à chercher de meilleures opportunités à l’étranger.
Niger (NIGER) :
Situé à l’extrémité négative de Dim1, il reflète des conditions économiques particulièrement défavorables (faible revenu par habitant, pauvreté élevée, et chômage). Le Niger, étant un des pays les plus pauvres, voit une forte émigration vers d’autres pays d’Afrique de l’Ouest ou des pays plus développés. Les migrations sont souvent motivées par la recherche de meilleures opportunités économiques et la lutte contre la pauvreté.
Gambie (GAMBIE)
Niger (NIGER) et Mali (MALI)
Ces pays ont des coordonnées élevées sur Dim2, ce qui traduit des problèmes socio-politiques comme l’insécurité, les conflits, ou une gouvernance fragile. Ces pays connaissent une émigration importante en raison des conflits armés (comme ceux liés au terrorisme) et de l’instabilité politique. La recherche de sécurité pousse les populations à fuir vers des pays plus stables.
Burkina Faso:
Ce pays est influencé à la fois par les dimensions économiques (faibles revenus et pauvreté) et socio-politiques (instabilité). Le Burkina Faso connaît une émigration mixte, motivée autant par des raisons économiques que politiques. Les populations fuient la pauvreté et les conflits armés dans les zones rurales.
Sierra Leone :
Bénin (BENIN) et Guinée (GUINEE):
Ces pays sont proches de l’origine, indiquant qu’ils sont faiblement influencés par les dimensions principales. Les migrations en provenance de ces pays sont généralement moins importantes ou influencées par d’autres facteurs non captés dans cette analyse, comme les réseaux familiaux ou les opportunités d’études.
Interprétation récapitulatif
8.10.1. Classification des individus
8.10.1.1. Étapes pour une classification hiérarchique
Recueil des données :
Nous utilisons les coordonnées des pays sur Dim1 et Dim2, qui reflètent leurs contributions aux facteurs d’analyse.
Les variables (issues du cercle de corrélation) aident à comprendre les caractéristiques qui différencient ou regroupent ces pays.
8.10.1.2. Calcul des distances :
Les distances euclidiennes sont généralement utilisées pour mesurer la similarité ou la dissimilarité entre les individus (pays).
8.10.1.3. Création d’une matrice de distance :
Une matrice de distance est construite pour capturer la dissimilarité entre chaque paire de pays.
Application de l’algorithme de classification hiérarchique :
Nous appliquons une méthode comme l’agrégation ascendante hiérarchique (CAH) pour regrouper les pays de manière itérative.
Les critères de liaison peuvent être single linkage (plus proche voisin), complète linkage (plus éloigné voisin), ou ward.D2 (minimisation de l’inertie intra-classe).
Dendrogramme :
Le résultat est un dendrogramme (arbre hiérarchique), qui montre les regroupements des pays à différents niveaux.
Choix du nombre de classes :
Le dendrogramme est coupé à un certain niveau pour former des groupes distincts, basés sur les objectifs d’analyse et l’inertie intra-classe
La classification réalisée sur les individus fait apparaître 3 classes.
La classe 1 est composée d’individus tels que GAMBIE, GUINEE BISSAU, SERRA LIONNE, 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).
La classe 2 est composé d’individus partageant : des variables dont les valeurs ne diffèrent pas significativement de la moyenne.
La classe 3 est composée d’individus tels que COTE D’IVOIRE, GHANA, MALI et NIGER. Ce groupe est caractérisé par : de fortes valeurs pour la variable Pop.
Classification des individus (pays)
Classe 1 : Pays à Pression Modérée et Défis Multiples
Pays inclus: Gambie, Guinée-Bissau, Liberia, Sierra Leone, Togo.
Caractéristiques principales:
Faibles populations et densités démographiques.
Systèmes de santé fragiles exacerbés par le COVID-19.
Ces pays combinent une faible pression démographique avec des défis sociaux, politiques et économiques prononcés, souvent à l’origine de flux migratoires pour la survie ou la quête de meilleures opportunités.
Ces pays affichent des densités de population variées, la Gambie et la Guinée-Bissau ayant une faible densité, tandis que le Togo et le Liberia connaissent une urbanisation croissante. Les flux migratoires, surtout en Gambie et au Liberia, sont marqués par des migrations économiques internes et internationales. La Gambie reste un point de transit clé pour les migrations clandestines vers l’Europe via la Méditerranée. En Guinée-Bissau, la migration est influencée par les pressions économiques et l’instabilité politique. La Sierra Leone, après les crises précédentes, enregistre des mouvements migratoires internes liés à la recherche de meilleures opportunités économiques.
Politique et Gouvernance
- La Guinée-Bissau a traversé une année de tension politique en 2020, marquée par des élections contestées et une gouvernance instable. Le Liberia, bien qu’ayant une transition politique pacifique, a continué de lutter contre la corruption et les défis de reconstruction post-guerre
Économie
- La pandémie a eu un impact dévastateur sur les économies de ces pays, principalement dépendants de l’agriculture et du secteur informel. En Guinée-Bissau, le PIB par habitant a diminué de 4,7 % en raison de la baisse des exportations agricoles et de l’augmentation des prix alimentaires. La Sierra Leone et le Liberia ont connu des ralentissements économiques similaires, aggravés par des systèmes fiscaux inefficaces et un endettement croissant.
• Comment décririez-vous la situation migratoire actuelle dans les pays de l’Afrique de l’Ouest ?