Accès à l’électricité en Afrique de l’ouest: quels sont les leviers et freins à l’accès à l’électricité
OKA Kouakou Fidèl, ODOU Elisha, TOGOLA Demba, TOU Kito Abdel
2025-04-09
Introduction
L’accès à l’électricité en Afrique de l’Ouest demeure un défi crucial pour le développement. Malgré des ressources énergétiques abondantes, la région est confrontée à un faible taux d’électrification, des inégalités d’accès et une forte dépendance aux énergies fossiles. L’électricité est essentielle pour la santé, l’éducation et l’industrie, mais les infrastructures limitées et les coûts élevés entravent son développement.
Pour mieux comprendre ces enjeux, l’étude repose sur plusieurs analyses statistiques. L’Analyse en Composantes Principales (ACP) permettra de simplifier les données tout en préservant les informations clés. Cette méthode aidera à mettre en évidence les relations sous-jacentes entre les variables influençant l’accès à l’électricité.. L’analyse de régression évaluera l’impact des facteurs clés sur l’électrification, tandis que la classification segmentera les pays en groupes homogènes pour affiner les recommandations aux décideurs.
En somme, bien que l’électricité ne puisse résoudre à elle seule tous les défis socio-économiques, son accès reste un moteur indispensable du développement en Afrique de l’Ouest.
Chargement des bibliothèques nécessaires
Nous allons charger les bibliothèques nécessaires pour l’ACP, la régression linéaire et la classification.
Charger les bibliothèques nécessaires
library(ggplot2) # Pour les graphiques
library(ggdendro) # Pour la manipulation des données
library(ggrepel) # graphique 2D
library(FactoMineR) # Pour l'ACP
library(factoextra)# Pour la visualisation de l'ACP## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBalibrary(car) ## Le chargement a nécessité le package : carDatalibrary(plotly) # Pour viauliser les groupes apres classification##
## Attachement du package : 'plotly'## L'objet suivant est masqué depuis 'package:ggplot2':
##
## last_plot## L'objet suivant est masqué depuis 'package:stats':
##
## filter## L'objet suivant est masqué depuis 'package:graphics':
##
## layoutlibrary(corrplot)## corrplot 0.95 loadedlibrary(psych)##
## Attachement du package : 'psych'## L'objet suivant est masqué depuis 'package:car':
##
## logit## Les objets suivants sont masqués depuis 'package:ggplot2':
##
## %+%, alphalibrary(rsconnect)Charger le jeu de données
setwd("C:/Users/demba/OneDrive/Documents/S7_GEE/UE RTI/Projet/ACP/Projet rti")
Base_de_données <- read.csv("BD1.csv", header=TRUE, sep=";", dec=",", stringsAsFactors=FALSE,row.names = "Country", fileEncoding="ISO-8859-1")
Base_de_données## Electricty.access.rate Electricity.production.capacity
## Bénin 56.5 1.13
## Burkina Faso 19.5 0.77
## Cap-vert 97.1 0.43
## Cote d'ivoire 70.4 11.12
## Gambie 65.4 0.51
## Ghana 85.1 22.50
## Guinée 47.7 3.04
## Guinée-Bissau 37.4 0.08
## Libéria 31.8 0.79
## Mali 53.0 3.75
## Mauritanie 49.0 1.17
## Niger 19.5 0.79
## Sénégal 67.9 7.76
## Sierra Leone 29.4 0.20
## Togo 57.2 0.88
## Electricity.consumption Electricity.demand.per.person
## Bénin 18 136
## Burkina Faso 79 102
## Cap-vert 765 725
## Cote d'ivoire 400 374
## Gambie 114 188
## Ghana 637 620
## Guinée 205 219
## Guinée-Bissau 39 38
## Libéria 177 149
## Mali 155 174
## Mauritanie 407 399
## Niger 18 75
## Sénégal 333 467
## Sierra Leone 25 23
## Togo 73 190
## Average.electricity.price Installed.renewable.energy.capacity
## Bénin 125.00 28
## Burkina Faso 121.00 214
## Cap-vert 192.60 53
## Cote d'ivoire 89.00 925
## Gambie 158.50 3
## Ghana 66.44 1761
## Guinée 107.00 830
## Guinée-Bissau 79.00 1
## Libéria 211.57 96
## Mali 109.00 593
## Mauritanie 91.80 260
## Niger 79.00 92
## Sénégal 110.00 446
## Sierra Leone 94.50 104
## Togo 88.00 124
## Poverty.rate... IDH GDP.per.capita Grid.reliability
## Bénin 12.72 0.504 2477.0903 Weak
## Burkina Faso 25.28 0.438 1704.9660 Weak
## Cap-vert 4.56 0.661 7202.7670 Good
## Cote d'ivoire 9.73 0.534 4011.7122 Good
## Gambie 17.24 0.495 2010.5322 Very Weak
## Ghana 25.20 0.602 4242.4106 Average
## Guinée 13.82 0.471 1809.2666 Weak
## Guinée-Bissau 25.96 0.483 1625.3876 Very Weak
## Libéria 27.61 0.487 811.2146 Very Weak
## Mali 20.85 0.410 1651.9413 Very Weak
## Mauritanie 5.35 0.540 3680.3662 Average
## Niger 50.61 0.394 1007.7210 Weak
## Sénégal 9.93 0.517 2660.6816 Average
## Sierra Leone 26.06 0.458 1690.4982 Very Weak
## Togo 26.59 0.547 1586.5889 Averagestr(Base_de_données)## 'data.frame': 15 obs. of 10 variables:
## $ Electricty.access.rate : num 56.5 19.5 97.1 70.4 65.4 85.1 47.7 37.4 31.8 53 ...
## $ Electricity.production.capacity : num 1.13 0.77 0.43 11.12 0.51 ...
## $ Electricity.consumption : int 18 79 765 400 114 637 205 39 177 155 ...
## $ Electricity.demand.per.person : int 136 102 725 374 188 620 219 38 149 174 ...
## $ Average.electricity.price : num 125 121 193 89 158 ...
## $ Installed.renewable.energy.capacity: int 28 214 53 925 3 1761 830 1 96 593 ...
## $ Poverty.rate... : num 12.72 25.28 4.56 9.73 17.24 ...
## $ IDH : num 0.504 0.438 0.661 0.534 0.495 0.602 0.471 0.483 0.487 0.41 ...
## $ GDP.per.capita : num 2477 1705 7203 4012 2011 ...
## $ Grid.reliability : chr "Weak" "Weak" "Good" "Good" ...dim(Base_de_données)## [1] 15 10summary(Base_de_données)## Electricty.access.rate Electricity.production.capacity Electricity.consumption
## Min. :19.50 Min. : 0.080 Min. : 18.0
## 1st Qu.:34.60 1st Qu.: 0.640 1st Qu.: 56.0
## Median :53.00 Median : 0.880 Median :155.0
## Mean :52.46 Mean : 3.661 Mean :229.7
## 3rd Qu.:66.65 3rd Qu.: 3.395 3rd Qu.:366.5
## Max. :97.10 Max. :22.500 Max. :765.0
## Electricity.demand.per.person Average.electricity.price
## Min. : 23.0 Min. : 66.44
## 1st Qu.:119.0 1st Qu.: 88.50
## Median :188.0 Median :107.00
## Mean :258.6 Mean :114.83
## 3rd Qu.:386.5 3rd Qu.:123.00
## Max. :725.0 Max. :211.57
## Installed.renewable.energy.capacity Poverty.rate... IDH
## Min. : 1.0 Min. : 4.56 Min. :0.3940
## 1st Qu.: 72.5 1st Qu.:11.32 1st Qu.:0.4645
## Median : 124.0 Median :20.85 Median :0.4950
## Mean : 368.7 Mean :20.10 Mean :0.5027
## 3rd Qu.: 519.5 3rd Qu.:26.01 3rd Qu.:0.5370
## Max. :1761.0 Max. :50.61 Max. :0.6610
## GDP.per.capita Grid.reliability
## Min. : 811.2 Length:15
## 1st Qu.:1638.7 Class :character
## Median :1809.3 Mode :character
## Mean :2544.9
## 3rd Qu.:3170.5
## Max. :7202.8Matrice centrée-reduite
Mcr <- scale(Base_de_données[,1:8], center = TRUE, scale = TRUE)
Mcr## Electricty.access.rate Electricity.production.capacity
## Bénin 0.17792972 -0.41610913
## Burkina Faso -1.45162465 -0.47528714
## Cap-vert 1.96603533 -0.53117749
## Cote d'ivoire 0.79011366 1.22608083
## Gambie 0.56990361 -0.51802682
## Ghana 1.43753121 3.09676368
## Guinée -0.20963997 -0.10213687
## Guinée-Bissau -0.66327267 -0.58871167
## Libéria -0.90990793 -0.47199948
## Mali 0.02378269 0.01457533
## Mauritanie -0.15238535 -0.40953379
## Niger -1.45162465 -0.47199948
## Sénégal 0.68000864 0.67375268
## Sierra Leone -1.01560875 -0.56898567
## Togo 0.20875913 -0.45720497
## Electricity.consumption Electricity.demand.per.person
## Bénin -0.9078297 -0.5768161
## Burkina Faso -0.6462032 -0.7367815
## Cap-vert 2.2960228 2.1943479
## Cote d'ivoire 0.7305527 0.5429411
## Gambie -0.4960896 -0.3321633
## Ghana 1.7470360 1.7003373
## Guinée -0.1057943 -0.1863126
## Guinée-Bissau -0.8177615 -1.0378927
## Libéria -0.2258852 -0.5156529
## Mali -0.3202423 -0.3980314
## Mauritanie 0.7605754 0.6605627
## Niger -0.9078297 -0.8638128
## Sénégal 0.4431924 0.9804933
## Sierra Leone -0.8778070 -1.1084656
## Togo -0.6719369 -0.3227536
## Average.electricity.price Installed.renewable.energy.capacity
## Bénin 0.2416303 -0.6997328
## Burkina Faso 0.1466187 -0.3176869
## Cap-vert 1.8473261 -0.6483825
## Cote d'ivoire -0.6134740 1.1427143
## Gambie 1.0373523 -0.7510830
## Ghana -1.1493393 2.8598667
## Guinée -0.1859218 0.9475833
## Guinée-Bissau -0.8510029 -0.7551910
## Libéria 2.2979186 -0.5600601
## Mali -0.1384160 0.4607829
## Mauritanie -0.5469659 -0.2232024
## Niger -0.8510029 -0.5682761
## Sénégal -0.1146632 0.1588434
## Sierra Leone -0.4828330 -0.5436280
## Togo -0.6372269 -0.5025478
## Poverty.rate... IDH
## Bénin -0.62946646 0.01820827
## Burkina Faso 0.44172386 -0.93053850
## Cap-vert -1.32539902 2.27507560
## Cote d'ivoire -0.88447116 0.44945681
## Gambie -0.24397440 -0.11116629
## Ghana 0.43490100 1.42695348
## Guinée -0.53565202 -0.45616512
## Guinée-Bissau 0.49971825 -0.28366570
## Libéria 0.64043990 -0.22616590
## Mali 0.06390753 -1.33303713
## Mauritanie -1.25802320 0.53570651
## Niger 2.60201454 -1.56303635
## Sénégal -0.86741399 0.20508264
## Sierra Leone 0.50824683 -0.64303948
## Togo 0.55344833 0.63633117
## attr(,"scaled:center")
## Electricty.access.rate Electricity.production.capacity
## 52.4600000 3.6613333
## Electricity.consumption Electricity.demand.per.person
## 229.6666667 258.6000000
## Average.electricity.price Installed.renewable.energy.capacity
## 114.8273333 368.6666667
## Poverty.rate... IDH
## 20.1006667 0.5027333
## attr(,"scaled:scale")
## Electricty.access.rate Electricity.production.capacity
## 22.70559402 6.08334009
## Electricity.consumption Electricity.demand.per.person
## 233.15680397 212.54606223
## Average.electricity.price Installed.renewable.energy.capacity
## 42.10012835 486.85252485
## Poverty.rate... IDH
## 11.72527396 0.06956545Matrice de correlation
mat_cor <- cor(Base_de_données[,1:8])
View(mat_cor)
corrplot(mat_cor, method='color', type='upper', tl.col='black', tl.srt=45)
Les résultats révèlent une forte corrélation entre la demande et la
consommation d’électricité par habitant (0,9712), indiquant que la
consommation évolue proportionnellement à la demande. Par ailleurs, le
taux d’accès à l’électricité est étroitement lié à l’indice de
développement humain (IDH), mettant en évidence l’impact de
l’électrification sur le développement socio-économique. À l’inverse,
une corrélation négative est observée entre l’accès à l’électricité et
le taux de pauvreté (-0,5), suggérant que les régions les plus pauvres
ont un accès limité à l’énergie. Cette tendance est renforcée par la
relation négative entre le taux de pauvreté et l’IDH, illustrant que les
populations vulnérables cumulent plusieurs formes de précarité, dont un
accès restreint aux infrastructures essentielles. Enfin, l’analyse met
en évidence une forte corrélation positive entre la production totale
d’électricité et la capacité installée en énergies renouvelables,
soulignant le rôle croissant des énergies vertes dans l’augmentation de
la production électrique globale. # Verifions si c’est une matrice
identitaire
det(mat_cor)## [1] 4.420084e-05cortest.bartlett(mat_cor, n=16)## $chisq
## [1] 115.3078
##
## $p.value
## [1] 1.465597e-12
##
## $df
## [1] 28Indice de maximisation de la base s’il y’a une solution factorielle
KMO(mat_cor)## Kaiser-Meyer-Olkin factor adequacy
## Call: KMO(r = mat_cor)
## Overall MSA = 0.7
## MSA for each item =
## Electricty.access.rate Electricity.production.capacity
## 0.79 0.63
## Electricity.consumption Electricity.demand.per.person
## 0.67 0.71
## Average.electricity.price Installed.renewable.energy.capacity
## 0.64 0.55
## Poverty.rate... IDH
## 0.79 0.81Le coefficient KMO (Kaiser-Meyer-Olkin) est un indicateur utilisé en analyse factorielle et en Analyse en Composantes Principales (ACP) pour évaluer ladéquation des données à une analyse factorielle. 0.6 < KMO ≤ 0.7 : Acceptable
Réalisatiio de l’ACP
resultats_ACP <- PCA(Base_de_données[,1:9], scale.unit = TRUE,ncp=5, graph=FALSE, quanti.sup=9)Valeurs propres
valeur_propre <- get_eigenvalue(resultats_ACP)
screen.plot <- fviz_eig(resultats_ACP,addlabels = TRUE, ylim=c(0,50))L’analyse des valeurs propres montre que les deux premiers axes expliquent à eux seuls 82,6 % de la variance totale, ce qui justifie leur sélection pour l’interprétation des résultats. Le premier axe explique 58 %, tandis que le second en explique 24,6 %. Cela signifie que la majorité de l’information contenue dans les variables est préservée malgré la réduction de dimension.
Cercle de correlation
fviz_pca_var(resultats_ACP, col.var = "black", col.quanti.sup = "red",repel=TRUE)
L’analyse met en évidence deux axes principaux structurant l’accès et la production énergétique des pays étudiés. Le premier axe est fortement lié à l’IDH, au taux d’accès à l’électricité, ainsi qu’à la consommation et à la demande énergétique. Il distingue les pays économiquement avancés, où l’accès à l’énergie est généralisé et la consommation élevée, illustrant ainsi le lien entre développement humain et électrification. Cet axe est donc nommé “axe du développement énergétique”. Le second axe est associé à la capacité de production, en particulier en énergies renouvelables, et au tarif de l’électricité. Il oppose les pays ayant une infrastructure énergétique développée à ceux encore dépendants des sources conventionnelles. Ainsi, il est désigné comme “axe de la production et de la transition énergétique”. Enfin, le taux de pauvreté, corrélé aux deux axes, souligne son rôle central dans l’accès limité à l’électricité et la faiblesse des infrastructures de production, en particulier pour les énergies renouvelables.
Résultats de l’ACP pour les Variables
res.var <- get_pca_var(resultats_ACP)creation de graphique des variables
Contribution des variables à la construction des axes
fviz_contrib(resultats_ACP, choice = 'var',axis=1:2, top = 5)
Les variables les plus contributives mises en évidence dans le cercle de correlation
fviz_pca_var(resultats_ACP,col.var = 'contrib', gradient.cols=c('blue','yellow','red'),repel=T)
Resultat de l’ACP pour les individus
res.ind <- get_pca_ind(resultats_ACP)création de graphiques des individus
fviz_pca_ind(resultats_ACP,col.ind.sup = 'blue',repel=T)
Qualité de représentation des individus:
fviz_pca_ind(resultats_ACP,col.ind = 'cos2', gradient.cols=c('blue','yellow','red'),repel=T)
Contribution des individus aux axes
fviz_contrib(resultats_ACP, choice = 'ind',axe=1:2, top = 10)
les individus les plus contributifs mises en évidence sur le graphique
fviz_pca_ind(resultats_ACP,col.ind = 'contrib', gradient.cols=c('blue','yellow','red'),repel=T)
Regression multiple
Créer le modèle de régression
Model 1
model_1 <- lm(Electricty.access.rate ~ Electricity.production.capacity + Electricity.consumption + Electricity.demand.per.person +Average.electricity.price+Installed.renewable.energy.capacity+IDH+ Poverty.rate... , data = Base_de_données)
summary(model_1)##
## Call:
## lm(formula = Electricty.access.rate ~ Electricity.production.capacity +
## Electricity.consumption + Electricity.demand.per.person +
## Average.electricity.price + Installed.renewable.energy.capacity +
## IDH + Poverty.rate..., data = Base_de_données)
##
## Residuals:
## Min 1Q Median 3Q Max
## -14.8304 -4.9475 0.4571 5.1720 15.8394
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -28.264334 53.250641 -0.531 0.612
## Electricity.production.capacity 0.512061 1.925818 0.266 0.798
## Electricity.consumption -0.081228 0.069039 -1.177 0.278
## Electricity.demand.per.person 0.113682 0.077320 1.470 0.185
## Average.electricity.price 0.054858 0.101805 0.539 0.607
## Installed.renewable.energy.capacity 0.005416 0.023961 0.226 0.828
## IDH 133.818548 101.723968 1.316 0.230
## Poverty.rate... -0.371335 0.395129 -0.940 0.379
##
## Residual standard error: 12.31 on 7 degrees of freedom
## Multiple R-squared: 0.8531, Adjusted R-squared: 0.7061
## F-statistic: 5.805 on 7 and 7 DF, p-value: 0.01675summary(model_1)$r.squared## [1] 0.85306vif(model_1)## Electricity.production.capacity Electricity.consumption
## 12.682566 23.943212
## Electricity.demand.per.person Average.electricity.price
## 24.956319 1.697465
## Installed.renewable.energy.capacity IDH
## 12.574942 4.627284
## Poverty.rate...
## 1.983428Le modèle explique bien la variance du taux d’accès à l’électricité (85,31 %), mais certains des facteurs pris en compte peuvent être inutiles. Aucun des facteurs n’est significatif individuellement, bien que certains présentent des tendances intéressantes.
plot(model_1)
La courbe de lissage rouge indique une tendance non linéaire. Certains pays, tels que le Mali, la Gambie et le Burkina Faso, présentent des résidus élevés, ce qui suggère une sous-estimation ou une surestimation des taux d’accès à l’électricité. La multicolinéarité présente dans le modèle rend difficile l’interprétation des effets des variables individuelles, bien que le modèle dans son ensemble soit pertinent. # Model 2
model_2 <- model_2 <- lm(Electricty.access.rate ~Electricity.production.capacity+ Electricity.consumption + Poverty.rate... , data = Base_de_données)
summary(model_2)##
## Call:
## lm(formula = Electricty.access.rate ~ Electricity.production.capacity +
## Electricity.consumption + Poverty.rate..., data = Base_de_données)
##
## Residuals:
## Min 1Q Median 3Q Max
## -20.0235 -7.0508 0.6207 7.5878 18.8491
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 52.96682 11.22165 4.720 0.000629 ***
## Electricity.production.capacity 0.81158 0.75282 1.078 0.304081
## Electricity.consumption 0.04636 0.02325 1.994 0.071534 .
## Poverty.rate... -0.70269 0.38438 -1.828 0.094759 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 13.51 on 11 degrees of freedom
## Multiple R-squared: 0.722, Adjusted R-squared: 0.6462
## F-statistic: 9.524 on 3 and 11 DF, p-value: 0.002159summary(model_2)$r.squared## [1] 0.7220328vif(model_2)## Electricity.production.capacity Electricity.consumption
## 1.609892 2.255129
## Poverty.rate...
## 1.559233Un second modèle a été développé pour réduire les variables explicatives et ainsi améliorer la précision des estimations, en réponse aux problèmes de multicolinéarité rencontrés dans le premier modèle.Le deuxième modèle, avec un R² de 0,722, explique toujours une grande partie de la variance du taux d’accès à l’électricité. La réduction des variables a permis d’éliminer les redondances tout en maintenant une bonne qualité de prédiction.
plot(model_2)
Bien que la distribution des résidus soit globalement normale,
certaines valeurs aberrantes (notamment au Liberia, Cap-Vert et Mali)
persistent, suggérant que le modèle ne capture pas tous les effets. La
réduction des variables a amélioré la normalité des résidus, mais des
observations influentes restent présentes. # Graphiques de diagnostic
{r par(mfrow = c(2, 2)) plot(model_1) plot(model_2) #
Prédictions avec de nouvelles données
Classification
dist_matrix <- dist(Mcr, method = "euclidean")
hc <- hclust(dist_matrix, method = "ward.D2")Convertir en format compatible avec ggplot
dendro_data <- dendro_data(hc)Visualiser avec ggplot2 (dendogramme)
ggplot() +
geom_segment(data = segment(dendro_data), aes(x = x, y = y, xend = xend, yend = yend), color = "blue") +
geom_text(data = label(dendro_data), aes(x = x, y = y, label = label), size = 3, vjust = -0.5) +
labs(title = "Classification hiérarchique ascendante", x = "", y = "Distance") +
theme_minimal() +
theme(axis.text.x = element_blank(), axis.ticks.x = element_blank())
# Decouper en k groupe
k <- 4
clusters <- cutree(hc, k)Visualisation 2D
Extraire les coordonnées des individus après l’ACP
pca_data <- data.frame(resultats_ACP$ind$coord[, 1:2])
colnames(pca_data) <- c("Dim.1", "Dim.2") # Renommer les colonnes
pca_data$Individu <- rownames(resultats_ACP$ind$coord)#es noms des individus
pca_data$Clusters <- as.factor(cutree(hc, k = 4)) # Ajouter les clusters directement en facteurVisualisation avec ggplot2
ggplot(pca_data, aes(x = Dim.1, y = Dim.2, color = as.factor(Clusters), label = Individu)) +
geom_point(size = 3, alpha = 0.8) + # Points avec transparence
geom_text_repel(size = 3) + # Étiquettes ajustées
scale_color_brewer(palette = "Set1") + # Palette de couleurs améliorée
labs(title = "Visualisation des groupes après classification",
x = "Dimension 1",
y = "Dimension 2",
color = "Cluster") +
theme_light()
knitr::include_graphics("Classification.png")
Le groupe 1 comprend les pays confrontés aux plus grands défis en matière d’accès à l’électricité et de développement énergétique. Ces pays sont fortement associés à des taux de pauvreté élevés, une faible capacité de production d’électricité et des taux d’électrification faibles. Le Niger, le Liberia et la Guinée-Bissau semblent être parmi les plus affectés.
Le groupe 2 (Cap-Vert) se distingue par des tarifs d’électricité nettement plus élevés, en particulier en comparaison avec la Côte d’Ivoire, le Sénégal et la Mauritanie. Ce tarif élevé peut être lié à une dépendance vis-à-vis des importations d’énergie ou de la production à partir de sources coûteuses.
Le groupe 3 partage une dynamique énergétique positive, bien qu’avec des différences entre les pays. La Côte d’Ivoire et le Sénégal ont des capacités de production et de consommation d’électricité relativement développées, avec un taux d’électrification en amélioration. La Mauritanie est un peu en retard, mais son inclusion dans ce groupe suggère qu’elle a des perspectives de développement énergétique similaires.
Le groupe 4 (Ghana) occupe une position unique, se distinguant des autres pays en termes de développement énergétique et économique. Son accès à l’électricité est le meilleur de la région et il bénéficie d’une croissance économique soutenue, ce qui lui permet d’être en avance sur les autres pays d’Afrique de l’Ouest.
Visualisation en 3D
#install.packages('plotly')
pca_data <- data.frame(resultats_ACP$ind$coord[, 1:3]) # Garde les 3 premières dimensions
colnames(pca_data) <- c("Dim.1", "Dim.2", "Dim.3") # Renommer les colonnes
pca_data$Individu <- rownames(resultats_ACP$ind$coord) # Ajouter les noms des individus
pca_data$Clusters <- as.factor(cutree(hc, k = 4)) # Ajouter les clusters en facteur
plot_ly(pca_data,
x = ~Dim.1,
y = ~Dim.2,
z = ~Dim.3,
color = ~Clusters,
text = ~Individu, # Afficher le nom des individus au survol
colors = "Set1", # Palette de couleurs
type = "scatter3d",
mode = "markers") %>%
layout(title = "Visualisation 3D des groupes après CAH",
scene = list(xaxis = list(title = "Dimension 1"),
yaxis = list(title = "Dimension 2"),
zaxis = list(title = "Dimension 3")))Conclusion
L’accès à l’électricité en Afrique de l’Ouest est complexe, influencé par des facteurs économiques et sociaux. L’augmentation de la production d’électricité soutient l’électrification, surtout avec les énergies renouvelables, mais nécessite des investissements dans les infrastructures. Les initiatives pour un accès universel sont freinées par la pauvreté et le chômage. Le développement économique améliore l’accès, mais l’affordabilité reste un défi : des prix trop bas ou trop élevés peuvent nuire à l’expansion et à l’accessibilité. Une production élevée ne garantit pas un meilleur accès sans une distribution efficace. Les décideurs doivent renforcer la production, optimiser le réseau et équilibrer les tarifs pour garantir une électrification durable et équitable.