IMPACT DES GAZ A EFFET DE SERRE SUR LA SANTE DES POPULATIONS DE L’AFRIQUE DE L’OUEST
DIARRASSOUBA Zié Abdoul Kader ; OUEDRAOGO Wendzanda Modeste Magloire ; SIMAGA Alima Lassana ; SORO Sohouolo
2025-04-08
RESUME
Cet article examine l’impact des gaz à effet de serre sur la santé des populations en Afrique de l’Ouest à travers une série d’analyses statistiques approfondies. L’Analyse en Composantes Principales (ACP) met en évidence deux axes majeurs : le premier reflète un gradient à la fois environnemental et démographique, tandis que le second est dominé par les effets sanitaires liés à la pollution. Les pays de la région ont été regroupés en trois classes distinctes selon leur niveau de pollution. Les résultats révèlent une influence significative des gaz à effet de serre sur la santé publique, bien que des disparités notables persistent entre les pays. L’étude souligne l’urgence de sensibiliser les décideurs politiques afin de renforcer les politiques environnementales nationales et de promouvoir une coopération internationale plus efficace.
INTRODUCTION
Les gaz à effet de serre (GES) constituent aujourd’hui l’un des enjeux majeurs du changement climatique et de la santé publique mondiale. Produits principalement par les activités humaines telles que l’industrie, les transports, l’agriculture intensive ou encore la déforestation, ces gaz, dont le dioxyde de carbone (CO₂), le méthane (CH₄) et le protoxyde d’azote (N₂O), contribuent à l’augmentation de la température de la planète(Intergovernmental Panel on Climate Change 2021). En Afrique de l’Ouest, où les populations sont déjà confrontées à de multiples vulnérabilités économiques, sociales et sanitaires, les effets des GES se font ressentir de manière particulièrement marquée(World Health Organization 2020) .
La région africaine connaît la plus forte augmentation des
températures de l’histoire, entraînant des événements de chaleur extrême
fréquents. Cela ajoute davantage de vulnérabilités aux systèmes de santé
existants dans les pays africains. L’épuisement dû à la chaleur, le coup
de chaleur, les maladies cardiovasculaires et respiratoires, ainsi que
l’augmentation des taux de mortalité dans les populations vulnérables
représentent des problèmes de santé publique courants qui entraînent des
conséquences négatives pour la santé. L’impact de la chaleur extrême
s’étend à la productivité agricole, à la sécurité alimentaire, à la
disponibilité et à l’accessibilité de l’eau, et à la stabilité
socio-économique. Il est essentiel de traiter les questions liées au
changement climatique et de renforcer la résilience climatique ainsi
qu’un système de santé durable en Afrique(Organisation Mondiale de la Santé – Bureau Régional de
l’Afrique 2024) . Ainsi, il devient crucial d’évaluer avec
rigueur l’impact des gaz à effet de serre sur la santé des populations
en Afrique de l’Ouest. Cette étude se propose d’analyser en profondeur
les effets directs et indirects de l’exposition aux GES sur les
indicateurs de santé, en mettant en lumière les dynamiques
environnementales, économiques et sociales qui en découlent(World Bank 2020). L’Afrique de l’Ouest, bien
que contribuant faiblement aux émissions mondiales de gaz à effet de
serre (GES), subit de manière disproportionnée les effets néfastes du
changement climatique. Les émissions de GES, notamment le dioxyde de
carbone (CO₂), le méthane (CH₄) et le protoxyde d’azote (N₂O),
entraînent une augmentation des températures et des phénomènes
météorologiques extrêmes, exacerbant les vulnérabilités existantes dans
la région(Banque africaine de développement
2019).
Les conséquences sanitaires de ces changements climatiques sont
multiples. L’Organisation mondiale de la Santé (OMS) estime que la
pollution de l’air est responsable de plus de 7 millions de décès chaque
année, en grande partie attribuables aux GES. Cette pollution est
associée à une recrudescence de maladies chroniques telles que les
cancers, les affections cardiaques et respiratoires, et peut également
détériorer l’état de santé des personnes déjà malades UNDP (2024).
Dans ces pays, les populations sont particulièrement vulnérables aux
impacts du changement climatique, malgré leur faible contribution aux
émissions mondiales de GES. Les récentes inondations ont affecté plus de
3 millions de personnes, provoqué des déplacements massifs et aggravé la
malnutrition et les épidémies de choléra. Cette situation est exacerbée
par des besoins humanitaires croissants et une augmentation
significative des déplacements depuis 2016 (Le
Monde 2024) . La réduction des émissions de méthane, un GES
puissant, est cruciale pour améliorer la qualité de l’air et la santé
publique en Afrique. Des initiatives visant à réduire les émissions de
méthane d’origine humaine apportent des avantages significatifs,
notamment en tenant compte des rôles et des vulnérabilités spécifiques
des femmes et des hommes dans la société(BAD
2023) . Le dernier rapport du Groupe d’experts
intergouvernemental sur l’évolution du climat prévoyait des impacts
sociaux et sanitaires considérables(Groupe
d’experts intergouvernemental sur l’évolution du climat. Fiche
d’information 2022) . Les effets du changement climatique peuvent
être rapides (comme les cyclones) ou lents (comme la sécheresse),
entraînant une gamme d’effets sur la santé, qui sont pour la plupart
négatifs, et comprennent des blessures et des traumatismes, la
malnutrition, les maladies infectieuses, les affections liées à la
chaleur, les maladies non transmissibles et une mauvaise santé mentale
C.L. Lokotola, C.Y. Le juge Wright Wichmman
(2020). Ces effets sur la santé s’accompagnent d’impacts sociaux
connexes tels que la perte de moyens de subsistance, la migration et le
déplacement de populations, l’insécurité alimentaire et les conflits
(Groupe d’experts intergouvernemental sur
l’évolution du climat. Fiche d’information 2022)13. Les impacts
se font déjà sentir et continueront d’être ressentis de manière
disproportionnée par les populations vulnérables et dans les endroits où
la capacité d’adaptation est la plus faible Wise
J (2021). Les pays à revenu faible et intermédiaire (PRFI)
d’Afrique sont parmi ceux qui devraient subir les pires impacts du
changement climatique (Groupe d’experts
intergouvernemental sur l’évolution du climat (GIEC)., n.d.). Il
est donc essentiel de renforcer les systèmes de santé pour les rendre
plus résilients aux effets du changement climatique. Cela inclut la
promotion d’un développement résilient au climat et la construction de
communautés prospères capables de faire face aux défis posés par les GES
(OMS Afrique 2023).
PROBLEMATIQUES ET QUESTIONS DE RECHERCHE
En Afrique de l’Ouest, les effets du changement climatique, amplifiés par les émissions de gaz à effet de serre (GES), compromettent gravement la santé des populations. Les concentrations croissantes de dioxyde de carbone (CO₂), de méthane (CH₄), de protoxyde d’azote (N₂O) et de particules fines (PM2.5) entraînent une augmentation des décès liés à la pollution de l’air, aux maladies cardiovasculaires et respiratoires. Parallèlement, l’espérance de vie stagne ou régresse dans plusieurs pays de la région, malgré une croissance démographique continue. Pourtant, peu d’études ont établi des liens statistiques clairs entre l’évolution de ces émissions et les indicateurs de santé publique dans cette zone géographique. Dès lors, la question centrale est la suivante : « comment expliquer les disparités sanitaires observées en Afrique de l’Ouest face à l’augmentation des émissions de gaz à effet de serre, et comment ces émissions influencent-elles les principaux indicateurs de santé selon les caractéristiques démographiques et territoriales des pays ? » Afin d’apporter des éléments de réponse à cette problématique, il convient de s’interroger sur les dimensions suivantes : La forte exposition aux gaz à effet de serre est-elle associée à une baisse significative de l’espérance de vie dans les pays d’Afrique de l’Ouest ? La densité de population et la taille du territoire amplifient-elles l’impact sanitaire des gaz à effet de serre sur les populations ? L’intensité des émissions de gaz à effet de serre (CO₂, CH₄, N₂O, PM2.5) dans les zones à forte vulnérabilité socio-économique entraîne-t-elle une surmortalité due aux maladies respiratoires et cardiovasculaires ? Notre objectif est donc « d’évaluer l’impact de des gaz à effet de serre sur la santé des populations de l’Afrique de l’ouest ».
POPULATION CIBLE
La population ouest-africaine, dans sa diversité géographique, sociale et économique, constitue la population cible de cette étude. Cette région, bien que faiblement émettrice de gaz à effet de serre à l’échelle mondiale, subit de manière disproportionnée les effets du changement climatique. Les habitants des zones urbaines densément peuplées, des zones rurales à faible accès aux soins de santé, ainsi que les groupes vulnérables tels que les enfants, les personnes âgées et les femmes enceintes, sont particulièrement exposés aux conséquences sanitaires de la pollution atmosphérique et de l’augmentation des températures. Ainsi, notre étude porte spécifiquement sur les populations vivant dans les pays de l’Afrique de l’Ouest, confrontées à des niveaux croissants de pollution liée aux émissions de CO₂, CH₄, N₂O et de particules fines (PM2.5), et cherche à mesurer l’impact de ces polluants sur la santé publique à travers des indicateurs comme l’espérance de vie, les décès liés aux maladies respiratoires et cardiovasculaires, et la densité démographique.
METHODOLOGIE
Dans cette partie, nous présentons les méthodes employées pour la collecte et l’analyse des données, ainsi que les outils scientifiques mobilisés pour étudier la relation entre les émissions de gaz à effet de serre et les indicateurs de santé publique en Afrique de l’Ouest. L’approche méthodologique combine à la fois des techniques statistiques et géospatiales afin de mettre en lumière les corrélations entre les niveaux de pollution atmosphérique (CO₂, CH₄, N₂O, PM2.5) et les variables sanitaires telles que la mortalité respiratoire, cardiovasculaire et l’espérance de vie.
Matériels utilisés dans le projet
Les logiciels Excel et Word de la suite Office ont été indispensables pour la saisie, l’organisation et la représentation graphique de nos recherches, observations, analyses et conclusions. Leur polyvalence nous a permis d’interpréter et de comprendre plus facilement les résultats obtenus.
KoboCollect Plateforme open-source conçue pour la création et la gestion de formulaires, KoboToolbox permet une collecte de données efficace, notamment en contexte de faible connectivité. Grâce à l’application mobile KoboCollect, les données peuvent être collectées aussi bien en ligne qu’hors ligne, via des appareils mobiles à faible coût, ce qui en fait un outil particulièrement adapté aux environnements contraints.
R Studio Environnement de développement intégré pour les langages R et Python, RStudio a été utilisé pour effectuer des analyses statistiques avancées. Son interface conviviale facilite l’écriture, l’exécution et l’interprétation des scripts d’analyse.
QGIS Ce Système d’Information Géographique (SIG) open-source a été employé pour la visualisation cartographique des données collectées. Il nous a permis de représenter spatialement les indicateurs étudiés et de mieux comprendre la distribution géographique des phénomènes observés.
ZOTERO Outil gratuit de gestion des références bibliographiques, Zotero nous a permis d’organiser efficacement notre veille scientifique. Il facilite l’enregistrement automatique de références à partir de bases de données en ligne, leur classement par thématique, et la génération automatique de bibliographies selon les normes académiques.
** Microsoft 365 (Excel, Word) ** l’outils Excel a été utilisés pour la saisie, le traitement et l’analyse préliminaire des données, tandis que Word a servi à la rédaction du rapport et à la structuration du document final
SELECTION DES VARIABLES
La sélection des variables s’est faite à partir de sources accessibles et reconnues telles que Our World in Data et Perspective Monde. Ces plateformes nous ont permis de repérer des données actualisées et cohérentes pour une analyse comparative entre différents pays de la région. Les critères de choix se sont fondés sur leur pertinence par rapport à notre sujet ainsi que leur disponibilité sur une période temporelle exploitable. Au total, neuf (9) variables ont été retenues pour l’étude dont 8 actives et une complémentaire. Elles couvrent à la fois les aspects environnementaux et sanitaires, notamment :
1. Mortalité liée à la pollution (DeathPolu) : Cet indicateur désigne le nombre de décès sur 100.000 personnes attribuables à la pollution de l’air ambiant, notamment en raison de l’exposition prolongée à des particules fines ou à des polluants toxiques. Il reflète directement l’impact sanitaire de la dégradation de la qualité de l’air, en lien avec les émissions de gaz à effet de serre. Une hausse de cet indicateur traduit une vulnérabilité accrue des populations face aux changements environnementaux.
2. Décès liés aux maladies cardiovasculaires (DeathCARIOVASC) (DeathCARIOVASC) : Cette valeur représente le nombre de décès dus à des maladies cardiaques ou vasculaires sur 100.000 personnes. Ces pathologies sont souvent aggravées par les conditions climatiques extrêmes (vagues de chaleur), la pollution atmosphérique ou le stress thermique, tous exacerbés par l’augmentation des gaz à effet de serre dans l’atmosphère.
3.Émissions de méthane (CH₄emi) (CH₄emE)**:elles résultent la production totale en tonne annuelle du méthane. Le méthane est un gaz à effet de serre très puissant, dont le pouvoir de réchauffement est supérieur à celui du CO₂ sur le court terme. Il est émis par l’agriculture (élevage, rizières), les décharges et l’exploitation des combustibles fossiles. Sa concentration accrue contribue au changement climatique et à la détérioration de la qualité de l’air .
4. Émissions de protoxyde d’azote ) (N₂Oemi):elles résultent la production totale en tonne annuelle du protoxyde d’azote. Le protoxyde d’azote, principalement émis par l’agriculture intensive et les engrais azotés, participe à l’effet de serre et affecte les écosystèmes. Son accumulation dans l’atmosphère joue un rôle dans le réchauffement global, ce qui a des retombées sur la santé publique via des phénomènes climatiques extrêmes .
5. Émissions de dioxyde de carbone ) (CO₂em)i:Elles mettent en évidence la production annuelle en tonne du dioxyde de carbone. Le CO₂ est le principal gaz à effet de serre d’origine anthropique. Il est émis principalement par la combustion d’énergies fossiles, les transports et l’industrie. Sa concentration est directement corrélée à l’intensification des changements climatiques, lesquels influencent la morbidité et la mortalité dans les régions vulnérables comme l’Afrique de l’Ouest.
6. Concentration de particules fines **(PM2.5): : Elle donne la concentration de la pollution de l’air. Les PM2.5 sont de fines particules en suspension dans l’air qui pénètrent profondément dans les voies respiratoires. Elles sont fortement liées aux émissions de GES et à la pollution urbaine. Elles provoquent ou aggravent les maladies respiratoires, cardiovasculaires et sont associées à une espérance de vie réduite.
7. Espérance de vie (LifeExp): Cet indicateur mesure la durée moyenne de vie à la naissance. Il est influencé par divers facteurs environnementaux, dont la qualité de l’air, l’exposition aux GES et l’accès à des soins de santé adéquats. Une espérance de vie plus faible peut être le reflet d’une forte exposition à des facteurs de risque environnementaux.
8.Population totale (populat) (populat) :La taille de la population permet d’évaluer la densité démographique et les pressions exercées sur les ressources naturelles. Dans un contexte de forte urbanisation ou de croissance démographique, les effets des GES peuvent être amplifiés, en raison de la concentration des polluants et d’une infrastructure sanitaire souvent inadéquate. Elle est représentée en milliers dans les données d’étude .
9. Superficie du pays (SUP) : La superficie donne une idée de l’étendue géographique d’un pays, influençant la dispersion des populations et la gestion des infrastructures sanitaires. Elle peut aussi jouer un rôle dans la distribution spatiale des sources d’émissions de GES et dans la variabilité des impacts climatiques et sanitaires à l’échelle régionale. Elle est exprimée en kilomètre carré.
Afin de mieux comprendre et analyser les relations entre les différentes dimensions de notre étude, nous avons classé les variables en plusieurs catégories d’indicateurs thématiques, que nous présentons et définissons ci-dessous :
** Indicateurs de pollution atmosphérique et d’émissions de gaz à effet de serre
Ces indicateurs permettent de mesurer la concentration et les émissions de substances polluantes contribuant à l’effet de serre et à la dégradation de la qualité de l’air. Ils sont essentiels pour analyser l’impact environnemental sur la santé humaine, notamment dans les régions fortement exposées comme l’Afrique de l’Ouest. On a CH4emi (Émissions de méthane), N2Oemi (Émissions de protoxyde d’azote), CO2emi (Émissions de dioxyde de carbone), PM2.5 (Concentration de particules fines)
**Indicateurs de santé publique
Ces indicateurs traduisent l’état de santé général des populations et permettent de mesurer les effets directs et indirects des GES sur la morbidité et la mortalité. Ils sont centraux dans l’évaluation des conséquences sanitaires des changements climatiques avec DeathPolu (Décès attribuables à la pollution), DeathCARIOVASC (Décès liés aux maladies cardiovasculaires), LifeExp (Espérance de vie à la naissance)
**Indicateurs démographiques et spatiaux
Ces variables permettent de contextualiser l’impact des GES selon la densité humaine et l’étendue géographique des pays, deux éléments clés dans la gestion de la pollution et la planification des politiques sanitaires. Ils sont définis par populat (Population totale), SUP (Superficie du pays). Nous avons résumé nos variables dans le tableau ci-dessous :
Collecte des données :
Pour la collecte des données, nous avons élaboré des questionnaires qui ont été administrés à l’aide de l’application KoboCollect .
https://ee.kobotoolbox.org/x/hShbB7Ix (Questionnaire sur l’impact des gaz à effet de serre)
Population Cible :
Dans le cadre de notre étude portant sur l’impact des gaz à effet de serre (GES) sur la santé des populations, nous avons choisi de concentrer notre analyse sur la région de l’Afrique de l’Ouest. Ce choix se justifie d’une part par un intérêt personnel en tant que ressortissants de certains pays de cette région, et d’autre part par les spécificités environnementales, sanitaires et socio-économiques communes aux pays ouest-africains. En effet, bien que leur contribution aux émissions mondiales de GES soit relativement faible, les pays d’Afrique de l’Ouest sont parmi les plus exposés aux effets négatifs du changement climatique, avec des conséquences notables sur la santé publique, telles que l’augmentation des maladies respiratoires, cardiovasculaires et infectieuses. Ainsi, notre étude porte sur quinze (15) pays de l’Afrique de l’ouest, à savoir : le Bénin, le Burkina Faso, le Cap-Vert, la Côte d’Ivoire, la Gambie, le Ghana, la Guinée, la Guinée-Bissau, le Liberia, le Mali, le Niger, le Nigeria, le Sénégal, la Sierra Leone et le Togo.
BASE DE DONNES
donnee <- read.csv("PROJET_RTI_GROUPE_4.csv", header=TRUE, row.names=1, sep=";", dec=",")
print(donnee)## DeathPolu CARIOVASC CH4emi N2Oemi CO2emi PM2.5 LifeExp
## Benin 198.5 274.9 7979454.5 3070489.20 5262159 31.51 60.454
## Burkina Faso 193.2 297.5 22451116.0 9348260.00 5620995 40.74 60.039
## Cape Verde 123.7 259.7 206413.5 77508.92 630208 31.08 69.300
## Cote d'Ivoire 206.9 298.8 15847230.0 3643632.80 10535081 40.41 59.319
## Gambia 257.4 337.6 1635121.9 364639.22 710816 39.10 63.755
## Ghana 195.4 299.9 22760604.0 5642604.00 16418407 46.04 64.740
## Guinea 243.1 304.6 20317102.0 6505045.50 3920951 37.57 59.720
## Guinea-Bissau 314.2 349.3 2213492.5 834949.70 322432 34.85 60.882
## Liberia 209.5 273.3 3055101.8 625276.00 931662 35.80 61.104
## Mali 198.1 227.3 28137566.0 13698675.00 5832595 38.55 59.664
## Niger 205.1 270.7 26899028.0 11286524.00 2513365 50.15 62.897
## Senegal 203.3 291.4 11609013.0 5411775.00 12713010 38.21 68.526
## Sierra Leone 237.8 357.6 5117270.5 1326402.10 1003936 39.42 60.255
## Togo 231.4 355.6 6001983.0 1703611.50 2318589 35.66 60.901
## populat SUP
## Benin 11801 114760
## Burkina Faso 20321 272967
## Cape Verde 550 4033
## Cote d'Ivoire 25717 322463
## Gambia 2348 11295
## Ghana 30418 238533
## Guinea 12771 245857
## Guinea-Bissau 1921 36125
## Liberia 4937 111369
## Mali 19658 1240192
## Niger 23311 1267000
## Senegal 16296 196722
## Sierra Leone 7813 71740
## Togo 8082 56758str(donnee)## 'data.frame': 14 obs. of 9 variables:
## $ DeathPolu: num 198 193 124 207 257 ...
## $ CARIOVASC: num 275 298 260 299 338 ...
## $ CH4emi : num 7979455 22451116 206414 15847230 1635122 ...
## $ N2Oemi : num 3070489 9348260 77509 3643633 364639 ...
## $ CO2emi : num 5262159 5620995 630208 10535081 710816 ...
## $ PM2.5 : num 31.5 40.7 31.1 40.4 39.1 ...
## $ LifeExp : num 60.5 60 69.3 59.3 63.8 ...
## $ populat : int 11801 20321 550 25717 2348 30418 12771 1921 4937 19658 ...
## $ SUP : int 114760 272967 4033 322463 11295 238533 245857 36125 111369 1240192 ...summary(donnee)## DeathPolu CARIOVASC CH4emi N2Oemi
## Min. :123.7 Min. :227.3 Min. : 206414 Min. : 77509
## 1st Qu.:198.2 1st Qu.:273.7 1st Qu.: 3570644 1st Qu.: 957813
## Median :206.0 Median :298.1 Median : 9794234 Median : 3357061
## Mean :215.5 Mean :299.9 Mean :12445035 Mean : 4538528
## 3rd Qu.:236.2 3rd Qu.:329.4 3rd Qu.:21917612 3rd Qu.: 6289435
## Max. :314.2 Max. :357.6 Max. :28137566 Max. :13698675
## CO2emi PM2.5 LifeExp populat
## Min. : 322432 Min. :31.08 Min. :59.32 Min. : 550
## 1st Qu.: 949731 1st Qu.:35.70 1st Qu.:60.09 1st Qu.: 5656
## Median : 3217158 Median :38.38 Median :60.89 Median :12286
## Mean : 4909586 Mean :38.51 Mean :62.25 Mean :13282
## 3rd Qu.: 5779695 3rd Qu.:40.16 3rd Qu.:63.54 3rd Qu.:20155
## Max. :16418407 Max. :50.15 Max. :69.30 Max. :30418
## SUP
## Min. : 4033
## 1st Qu.: 60504
## Median : 155741
## Mean : 299272
## 3rd Qu.: 266190
## Max. :1267000ANALYSE DE DONNÉES
Dans le cadre de notre analyse scientifique, nous avons d’abord adopté une approche chronologique afin d’examiner l’évolution des données dans le temps. Par la suite, nous avons appliqué la méthode de l’Analyse en Composantes Principales (ACP), suivie de la Classification Hiérarchique Ascendante (CHA) et de la régression, afin d’explorer en profondeur les structures sous-jacentes de nos données. La section suivante expose les résultats issus de ces différentes méthodes d’analyse, accompagnés d’une interprétation rigoureuse visant à en dégager les tendances et les implications.
STATISTIQUES DESCRIPTIVES AVANCÉES:
desc <- psych::describe(donnee[, 1:8] )
print(desc)## vars n mean sd median trimmed mad
## DeathPolu 1 14 215.54 42.33 206.00 214.98 17.35
## CARIOVASC 2 14 299.87 38.70 298.15 301.11 38.77
## CH4emi 3 14 12445035.48 10040660.46 9794233.75 12157209.77 11667953.10
## N2Oemi 4 14 4538528.07 4350849.18 3357061.00 4146934.08 3894713.33
## CO2emi 5 14 4909586.15 5022795.61 3217158.00 4332780.59 3639915.69
## PM2.5 6 14 38.51 5.08 38.38 38.16 3.66
## LifeExp 7 14 62.25 3.24 60.89 61.91 1.78
## populat 8 14 13281.71 9559.17 12286.00 12914.67 11421.21
## min max range skew kurtosis se
## DeathPolu 123.70 314.20 190.50 0.25 0.79 11.31
## CARIOVASC 227.30 357.60 130.30 0.04 -1.07 10.34
## CH4emi 206413.52 28137566.00 27931152.48 0.27 -1.67 2683479.38
## N2Oemi 77508.92 13698675.00 13621166.08 0.75 -0.81 1162813.36
## CO2emi 322432.00 16418407.00 16095975.00 1.00 -0.32 1342398.59
## PM2.5 31.08 50.15 19.07 0.64 -0.07 1.36
## LifeExp 59.32 69.30 9.98 1.10 -0.24 0.87
## populat 550.00 30418.00 29868.00 0.23 -1.39 2554.79Écart-type élevé (sd > moyenne / 3) : 👉 CH4emi, N2Oemi, CO2emi, Population montrent une forte variabilité entre les pays. ➡ Certains pays émettent beaucoup plus de GES et sont plus peuplés que d’autres.
🔹 Faible dispersion (sd faible) : 👉 LifeExp, PM2.5, CARIOVASC ont des écarts-types modérés. ➡ La santé publique et la pollution de l’air sont relativement homogènes dans la région.
🔹 Asymétrie des données (Skew) Positivement asymétriques (Skew > 0) :
CO2emi (1.00), LifeExp (1.10), N2Oemi (0.75)
Ces variables ont quelques valeurs très élevées, probablement des pays sur-pollueurs.
Asymétrie faible (proche de 0) :
DeathPolu (0.25), CH4emi (0.27), Population (0.23)
Ces variables sont plutôt équilibrées, avec une distribution normale.
MATRICE DE CORRÉLATION:
cor_matrix <- cor(donnee[, 1:8], use="complete.obs", method="pearson")
print(cor_matrix)
corrplot(cor_matrix, method="color", type="upper",
col=brewer.pal(n=8, name="RdBu"),
tl.cex=0.8, number.cex=0.8)La matrice révèle plusieurs liens intéressants. On note une forte corrélation positive entre CH₄emi et CARIOVASC, suggérant un lien entre pollution au méthane et maladies cardiovasculaires. La population est négativement corrélée à LifeExp, ce qui pourrait refléter une pression démographique sur la santé publique. Les gaz polluants sont modérément corrélés entre eux, indiquant une origine commune probable.
CENTRAGE ET RÉDUCTION DES DONNÉES
donnee_scaled <- scale(donnee[, 1:8] )
head(donnee_scaled)## DeathPolu CARIOVASC CH4emi N2Oemi CO2emi
## Benin -0.4025963 -0.6453102712 -0.4447497 -0.3374143 0.07019455
## Burkina Faso -0.5277959 -0.0612823255 0.9965560 1.1054697 0.14163603
## Cape Verde -2.1695652 -1.0381078276 -1.2189061 -1.0253215 -0.85199130
## Cote d'Ivoire -0.2041666 -0.0276877977 0.3388417 -0.2056829 1.11999279
## Gambia 0.9887737 0.9749796489 -1.0766138 -0.9593274 -0.83594286
## Ghana -0.4758262 0.0007383413 1.0273795 0.2537610 2.29131777
## PM2.5 LifeExp populat
## Benin -1.3762071 -0.5549801 -0.1548999
## Burkina Faso 0.4393466 -0.6829339 0.7363912
## Cape Verde -1.4607887 2.1724388 -1.3318854
## Cote d'Ivoire 0.3744351 -0.9049259 1.3008755
## Gambia 0.1167563 0.4627918 -1.1437937
## Ghana 1.4818638 0.7664892 1.7926548ACP AVEC FACTOMINE
pca1 <- PCA(donnee[, 1:8], scale.unit=TRUE, ncp=5, graph=TRUE)
print(pca1$eig)## eigenvalue percentage of variance cumulative percentage of variance
## comp 1 3.98032827 49.7541033 49.75410
## comp 2 1.85578052 23.1972565 72.95136
## comp 3 1.09471579 13.6839473 86.63531
## comp 4 0.58686685 7.3358357 93.97114
## comp 5 0.30765517 3.8456897 97.81683
## comp 6 0.14558887 1.8198609 99.63669
## comp 7 0.01825813 0.2282266 99.86492
## comp 8 0.01080640 0.1350800 100.00000print(pca1$var$contrib)## Dim.1 Dim.2 Dim.3 Dim.4 Dim.5
## DeathPolu 3.7757584 37.1414904 0.9556085 0.1650959 42.933818
## CARIOVASC 8.0393768 19.5671084 21.4189235 0.1825093 4.647490
## CH4emi 22.6886984 2.2443814 2.4216549 0.3377244 1.292616
## N2Oemi 19.2094019 0.8668525 11.0805590 4.0112686 13.659025
## CO2emi 11.5870976 0.8871010 29.4947979 30.3113648 6.062952
## PM2.5 12.5172701 7.5963466 8.1944948 36.6690530 11.098709
## LifeExp 0.1036789 30.6355089 21.9781136 23.1576381 15.479564
## populat 22.0787179 1.0612109 4.4558478 5.1653458 4.825827print(pca1$ind$contrib)## Dim.1 Dim.2 Dim.3 Dim.4 Dim.5
## Benin 0.7343995 2.17001404 4.55567118 20.193759768 0.001809727
## Burkina Faso 5.2664825 0.89650825 2.24353614 0.036380392 3.110543965
## Cape Verde 6.3781459 57.40698580 0.65412152 3.598031588 2.119117249
## Cote d'Ivoire 3.1312399 1.15352112 2.11611751 17.394603074 10.762158940
## Gambia 9.3319961 1.12168993 2.44358764 9.264531284 0.557768697
## Ghana 15.3112750 0.10489958 31.45660989 1.271877529 0.378713726
## Guinea 0.1496715 4.18679770 3.34010162 0.520367737 3.490334878
## Guinea-Bissau 14.9748762 12.73666817 0.08478935 0.037346808 21.653798102
## Liberia 4.1984693 1.39626568 4.72272833 0.215391506 3.056350213
## Mali 13.9192934 0.09928009 27.64711134 0.612862391 11.283612173
## Niger 14.7392622 1.25747238 1.13752449 45.276161180 2.179011308
## Senegal 1.1182842 8.92220102 18.36728364 0.004003444 25.806398062
## Sierra Leone 5.2387327 6.04096781 0.72214737 0.921641862 12.289186257
## Togo 5.5078717 2.50672843 0.50866997 0.653041436 3.311196702Axe 1 (49.75%) : Oppose les émissions de GES (CO₂, N₂O, CH₄, PM2.5, population) aux décès liés à la pollution et aux maladies cardiovasculaires. → Un lien entre pollution et impact sanitaire semble se dessiner.
🔹 Axe 2 (23.20%) : Sépare l’espérance de vie des décès et maladies. Un effet négatif de la pollution sur la longévité est probable.
✅ Interprétation :
Les pays très polluants (hautes émissions de GES, grande population) sont à droite.
Les pays les plus touchés par la pollution et les maladies cardiovasculaires sont en haut à gauche.
L’espérance de vie est négativement corrélée à la pollution, ce qui confirme l’impact sanitaire.
VISUALISATION DE L’ACP
fviz_pca_ind(pca1, label="var", repel=TRUE, col.ind="blue")
fviz_pca_var(pca1, col.var="red")
fviz_pca_biplot(pca1, repel=TRUE, col.var="red", col.ind="blue")
fviz_contrib(pca1, choice="var", axes=1)
fviz_contrib(pca1, choice="var", axes=2)
Axe 1 (49.8%) : Sépare les pays avec fortes émissions de GES (CO₂, N₂O, CH₄, PM2.5, population élevée) à droite (Mali, Ghana, Niger) et ceux avec faibles émissions à gauche (Guinée-Bissau, Gambie, Cap-Vert).
🔹 Axe 2 (23.2%) : Oppose les pays avec forte mortalité liée à la pollution et aux maladies cardiovasculaires en haut (Sierra Leone, Togo, Guinée-Bissau) et ceux avec espérance de vie plus élevée en bas (Cap-Vert, Sénégal).
✅ Interprétation : 1️⃣ Les pays les plus polluants (Mali, Ghana, Niger) sont associés à de fortes émissions de GES et PM2.5. 2️⃣ Les pays avec forte mortalité (Sierra Leone, Togo) sont opposés aux pays où l’espérance de vie est plus élevée (Cap-Vert, Sénégal). 3️⃣ Une corrélation forte entre émissions de GES et population est visible (vecteurs proches).7
CONTRIBUTION DES PAYS (INDIVIDUS) SUR CHAQUE AXE
print(pca1$ind$contrib)## Dim.1 Dim.2 Dim.3 Dim.4 Dim.5
## Benin 0.7343995 2.17001404 4.55567118 20.193759768 0.001809727
## Burkina Faso 5.2664825 0.89650825 2.24353614 0.036380392 3.110543965
## Cape Verde 6.3781459 57.40698580 0.65412152 3.598031588 2.119117249
## Cote d'Ivoire 3.1312399 1.15352112 2.11611751 17.394603074 10.762158940
## Gambia 9.3319961 1.12168993 2.44358764 9.264531284 0.557768697
## Ghana 15.3112750 0.10489958 31.45660989 1.271877529 0.378713726
## Guinea 0.1496715 4.18679770 3.34010162 0.520367737 3.490334878
## Guinea-Bissau 14.9748762 12.73666817 0.08478935 0.037346808 21.653798102
## Liberia 4.1984693 1.39626568 4.72272833 0.215391506 3.056350213
## Mali 13.9192934 0.09928009 27.64711134 0.612862391 11.283612173
## Niger 14.7392622 1.25747238 1.13752449 45.276161180 2.179011308
## Senegal 1.1182842 8.92220102 18.36728364 0.004003444 25.806398062
## Sierra Leone 5.2387327 6.04096781 0.72214737 0.921641862 12.289186257
## Togo 5.5078717 2.50672843 0.50866997 0.653041436 3.311196702#📌 VISUALISATION DE LA CONTRIBUTION DES PAYS SUR LE PREMIER AXE
fviz_contrib(pca1, choice = "ind", axes = 1)
# 📌 VISUALISATION DE LA CONTRIBUTION DES PAYS SUR LE DEUXIÈME AXE
fviz_contrib(pca1, choice = "ind", axes = 2)
Analyse de la Contribution des Pays à l’Axe 1 (Dim-1) 🔹 Pays ayant le plus d’impact sur Dim-1 : ✔️ Ghana, Guinée-Bissau, Niger et Mali (~15%) sont les pays qui contribuent le plus à la première dimension. ✔️ Ces pays influencent donc fortement l’axe 1, qui sépare les pays fortement polluants et peu polluants.
🔹 Interprétation :
Le Ghana et le Niger, pays à fortes émissions de GES, sont bien positionnés sur l’axe 1.
La Guinée-Bissau, qui a une faible industrialisation mais un impact environnemental marqué, contribue aussi fortement.
Le Mali et la Gambie se démarquent aussi, montrant des spécificités importantes dans leurs profils d’émission et de santé.
🔹 Pays avec une contribution faible :
Bénin, Guinée et Sénégal ont une influence faible sur Dim-1, suggérant qu’ils sont moins différenciés en termes de pollution et de santé par rapport aux autres pays.
Contribution des pays à la deuxième dimension de l’ACP (Dim-2) Le graphique ci-dessus illustre la contribution des différents pays d’Afrique de l’Ouest à la deuxième dimension (Dim-2) de l’analyse en composantes principales (ACP). Cette représentation permet d’identifier les pays qui influencent le plus cette dimension, donc ceux dont les caractéristiques sont les plus représentatives ou les plus atypiques au regard des variables retenues dans l’analyse.
Il apparaît que le Cap-Vert se distingue très nettement avec une contribution avoisinant 58 %, ce qui en fait le pays ayant l’impact le plus fort sur la construction de Dim-2. Cette valeur indique que le Cap-Vert possède un profil statistique singulier sur les variables fortement corrélées à cette dimension, probablement en lien avec des indicateurs liés à l’assainissement, à la qualité de vie ou à la santé publique.
La Guinée-Bissau (environ 12 %) et le Sénégal (près de 9 %) présentent également des contributions significatives, ce qui suggère qu’ils partagent certaines spécificités qui influencent cette dimension de manière notable.
À l’inverse, des pays comme le Mali, le Ghana, le Burkina Faso ou encore la Gambie ont des contributions très faibles, souvent inférieures au seuil moyen représenté par la ligne rouge pointillée. Cela signifie qu’ils n’apportent que peu d’information spécifique à la construction de Dim-2, ou qu’ils se situent proches de la moyenne sur les variables concernées.
Ainsi, Dim-2 met en évidence des différences importantes entre certains pays, en particulier le Cap-Vert, ce qui mérite une analyse plus approfondie des variables qui structurent cette dimension. Une telle analyse permettrait de mieux comprendre les facteurs discriminants à l’échelle régionale en matière de qualité de vie ou d’accès aux services essentiels.
REGRESSION SIMPLE : POPULATION VS CH4emi
modele_simple <- lm(populat ~ CH4emi, data = donnee)
summary(modele_simple)##
## Call:
## lm(formula = populat ~ CH4emi, data = donnee)
##
## Residuals:
## Min 1Q Median 3Q Max
## -6978.4 -2520.4 -905.8 1779.1 9640.0
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.057e+03 2.189e+03 1.397 0.188
## CH4emi 8.216e-04 1.389e-04 5.917 7.06e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 5027 on 12 degrees of freedom
## Multiple R-squared: 0.7447, Adjusted R-squared: 0.7235
## F-statistic: 35.01 on 1 and 12 DF, p-value: 7.063e-05ggplot(donnee, aes(x = CH4emi, y = populat)) +
geom_point() +
geom_smooth(method = 'lm', col = 'red') +
labs(title = "Relation entre Population et Émissions de CH4",
x = "Émissions de CH4", y = "Population")## `geom_smooth()` using formula = 'y ~ x'
Le graphique illustre les résultats d’une régression linéaire simple, avec : • Axe des abscisses : les émissions de CH4. • Axe des ordonnées : La densité de la population. • Droite rouge : La droite rouge représente la régression linéaire et montre une relation croissante. Plus les émissions de CH₄ augmentent, plus la population est élevée. • Intervalle de confiance (zone grise) : Cette zone autour de la droite rouge représente l’incertitude du modèle. Plus elle est étroite, plus la régression est fiable. Ici, elle reste raisonnablement serrée, ce qui confirme la pertinence du modèle. Ce modèle suggère que les émissions de méthane sont fortement corrélées avec la population, ce qui est cohérent avec l’impact des activités humaines (agriculture, industries, déchets). Si cette tendance est confirmée par des tests statistiques (p-value, R²), on peut conclure que l’augmentation de la population entraîne une hausse des émissions de méthane. Il serait intéressant d’explorer si les autres gaz à effet de serre (CO₂, N₂O) présentent des tendances similaires avec la population.
regression multiple
# Modèle de régression linéaire multiple
modele_multiple <- lm(populat ~ N2Oemi + CO2emi + PM2.5, data = donnee)
summary(modele_multiple)##
## Call:
## lm(formula = populat ~ N2Oemi + CO2emi + PM2.5, data = donnee)
##
## Residuals:
## Min 1Q Median 3Q Max
## -5799.1 -1101.1 28.4 1185.2 5925.2
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.830e+04 7.822e+03 -2.340 0.041370 *
## N2Oemi 7.277e-04 2.537e-04 2.869 0.016705 *
## CO2emi 1.071e-03 1.953e-04 5.481 0.000269 ***
## PM2.5 5.979e+02 2.212e+02 2.703 0.022193 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3223 on 10 degrees of freedom
## Multiple R-squared: 0.9126, Adjusted R-squared: 0.8863
## F-statistic: 34.79 on 3 and 10 DF, p-value: 1.332e-05library(GGally)## Registered S3 method overwritten by 'GGally':
## method from
## +.gg ggplot2##
## Attachement du package : 'GGally'## L'objet suivant est masqué depuis 'package:pander':
##
## wrapdonnee_subset <- donnee[, c("populat", "N2Oemi", "CO2emi", "PM2.5")]
ggpairs(donnee_subset,
upper = list(continuous = wrap("cor", size = 5)),
lower = list(continuous = wrap("points", alpha = 0.6)),
diag = list(continuous = wrap("densityDiag", alpha = 0.6)))
• Population et N₂Oemi : Corrélation forte positive (0.705) → Une augmentation de la population est associée à une augmentation des émissions de N₂O. • Population et CO₂emi : Corrélation très forte positive (0.798) → Plus la population augmente, plus les émissions de CO₂ sont élevées. • Population et PM2.5 : Corrélation forte positive (0.724) → Une population plus importante est liée à une augmentation des particules fines. • N₂Oemi et CO₂emi : Corrélation modérée (0.341) → Les émissions de N₂O et de CO₂ ne sont pas fortement liées. • N₂Oemi et PM2.5 : Corrélation modérée (0.572) → Une légère relation entre les émissions de N₂O et la concentration de PM2.5. • CO₂emi et PM2.5 : Corrélation faible (0.385) → Les émissions de CO₂ et la concentration de PM2.5 ne sont pas significativement corrélées. 3.Interpretation des résultats • La population joue un rôle clé dans l’augmentation des émissions de gaz à effet de serre (N₂O et CO₂) ainsi que des polluants atmosphériques (PM2.5). • La relation entre CO₂ et PM2.5 est faible, suggérant que d’autres sources influencent la pollution aux particules fines. • Une forte corrélation entre population et pollution atmosphérique renforce l’idée que l’urbanisation et l’industrialisation augmentent les émissions.
CLUSTERING HIÉRARCHIQUE (CAH)
distance <- dist(donnee_scaled, method = "euclidean")
hc <- hclust(distance, method = "ward.D2")
plot(hc, hang = -1, labels = rownames(donnee), main = "Dendrogramme hiérarchique (Ward)")
rect.hclust(hc, k = 3, border = "blue")
# Visualisation des clusters avec factoextra
fviz_dend(hc,
k = 3,
rect = TRUE,
rect_fill = TRUE,
rect_border = "jco",
show_labels = TRUE,
cex = 0.7,
main = "Dendrogramme hiérarchique (factoextra)")## Warning: The `<scale>` argument of `guides()` cannot be `FALSE`. Use "none" instead as
## of ggplot2 3.3.4.
## ℹ The deprecated feature was likely used in the factoextra package.
## Please report the issue at <https://github.com/kassambara/factoextra/issues>.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
La classification hiérarchique a permis d’identifier trois groupes distincts de pays selon leurs profils environnementaux, sanitaires et démographiques :
- Groupe 1 : Ghana, Sénégal, Côte d’Ivoire, Burkina Faso, Guinée, Mali, Niger – forte pollution et démographie modérée à élevée.
- Groupe 2 : Guinée-Bissau, Gambie, Sierra Leone, Togo – pollution et mortalité intermédiaires.
- Groupe 3 : Cap-Vert, Bénin, Liberia – pays isolés avec profils atypiques.
Conclusion:
Cette étude met en évidence l’impact majeur des émissions de gaz à effet de serre sur la santé des populations en Afrique de l’Ouest. Les résultats soulignent une relation significative entre la pollution atmosphérique et la prévalence des maladies respiratoires et cardiovasculaires, ainsi que la réduction de l’espérance de vie. Toutefois, d’importantes disparités entre les pays ont été observées, reflétant des différences dans les niveaux d’industrialisation, les politiques environnementales et les infrastructures sanitaires. Ces inégalités nécessitent des stratégies adaptées pour atténuer les effets néfastes de la pollution et promouvoir une meilleure qualité de vie.
RECOMMANDATION:
Afin de répondre à ces enjeux, nous formulons les recommandations suivantes : 🔹 Renforcer les politiques de réduction des émissions : encourager la transition énergétique vers des sources moins polluantes et adopter des réglementations plus strictes sur les industries et les transports. 🔹 Développer des infrastructures sanitaires adaptées : améliorer la prise en charge des maladies liées à la pollution en renforçant les systèmes de santé et en facilitant l’accès aux soins, notamment dans les zones les plus exposées. 🔹 Promouvoir des stratégies de développement durable : intégrer des pratiques écologiques dans les politiques urbaines et industrielles pour limiter l’impact environnemental et réduire les inégalités en matière d’exposition à la pollution. 🔹 Renforcer la coopération régionale : établir des initiatives communes entre les pays d’Afrique de l’Ouest afin de mieux surveiller les émissions et partager les meilleures pratiques en matière de gestion environnementale et sanitaire. 🔹 Mettre en place des dispositifs de suivi et d’alerte : instaurer des systèmes de surveillance de la qualité de l’air et des indicateurs sanitaires pour identifier les zones à risque et ajuster les interventions en conséquence. En somme, une approche intégrée et concertée, impliquant les gouvernements, les organisations internationales et les populations locales, est indispensable pour réduire l’impact des gaz à effet de serre sur la santé et favoriser un développement durable en Afrique de l’Ouest.
####refereneces