Script_Donnees_structurees

Chargement de packages

library(tidyverse)
library(readxl)
library(countries)
library(rnaturalearth)
library(rnaturalearthdata)
library(sf)

Importation de la base de données

base <- read_excel("C:/Users/monrenike.agossou/OneDrive - Fondation PIERRE FABRE/Stage/Base_MAJ2.xlsx")

 names(base)

##  [1] "ID"                                                                                                                         
##  [2] "WPML Language Code"                                                                                                         
##  [3] "Status"                                                                                                                     
##  [4] "Title"                                                                                                                      
##  [5] "Content"                                                                                                                    
##  [6] "Name of the organisation responsible for the initiative"                                                                    
##  [7] "Business sector of the organisation"                                                                                        
##  [8] "Presentation of the organisation"                                                                                           
##  [9] "Country"                                                                                                                    
## [10] "Organisation website"                                                                                                       
## [11] "Initiative name"                                                                                                            
## [12] "Website"                                                                                                                    
## [13] "Initiatives mission / Overall objective"                                                                                    
## [14] "Detailed description of the initiative"                                                                                     
## [15] "Initiative field(s) of application"                                                                                         
## [16] "Other field(s) of application"                                                                                              
## [17] "What is (are) the healthcare theme(s) targeted by the initiative"                                                           
## [18] "Specify infectious diseases"                                                                                                
## [19] "Specify chronic diseases"                                                                                                   
## [20] "Other healthcare theme(s)"                                                                                                  
## [21] "Target audience(s) for your initiative"                                                                                     
## [22] "Other target audience(s)"                                                                                                   
## [23] "What problem does the initiative address ?"                                                                                 
## [24] "How does the proposed solution add value to other available solutions ?"                                                    
## [25] "Initiative progress stage"                                                                                                  
## [26] "Initiative start date"                                                                                                      
## [27] "Initiative end date"                                                                                                        
## [28] "What is the objective of the medical service(s) provided ?"                                                                 
## [29] "Area where initiative is currently implemented / utilised"                                                                  
## [30] "In what country(s) is the initiative currently being implemented / utilised ?"                                              
## [31] "Materials used"                                                                                                             
## [32] "Other materials used"                                                                                                       
## [33] "Specify connected objects"                                                                                                  
## [34] "Other materials used_1"                                                                                                     
## [35] "Technologies used"                                                                                                          
## [36] "Other technologies used"                                                                                                    
## [37] "Is offline use possible ?"                                                                                                  
## [38] "Is the developed service open source ?"                                                                                     
## [39] "Are the generated data available as open data ?"                                                                            
## [40] "Has this initiative been evaluated ?"                                                                                       
## [41] "What is the total number of beneficiaries since the initiative was first implemented ?"                                     
## [42] "How many people (full-time equivalents) are working on this initiative ?"                                                   
## [43] "Number of employee(s) working on this initiative"                                                                           
## [44] "Number of volunteer(s) working on this initiative"                                                                          
## [45] "Number of service provider(s) (company/ies) working on this initiative"                                                     
## [46] "Funding sources"                                                                                                            
## [47] "Other funding source(s)"                                                                                                    
## [48] "Economic model"                                                                                                             
## [49] "Other economic models"                                                                                                      
## [50] "Do you work with partners (organisations that agree to join forces to help achieve your goal, while remaining autonomous) ?"
## [51] "Partners_nom_de_la_structure_partenaire"                                                                                    
## [52] "Partners_secteur_de_la_structure_partenaire"                                                                                
## [53] "laureats_0_laureat_mis_en_avant"                                                                                            
## [54] "laureats_0_devenue_laureat"

Traitement et nettoyage de la base de données

Sélection des projets en langue française et publiés sur le site de l’ODESS

base1 <- base %>%
  filter (Status == "publish" & `WPML Language Code` == "fr") 

Sélection des variables à utiliser

base1 <- base1 %>% 
 select (c(1,7,9, 11, 15, 16, 17, 18, 19, 20, 21, 22, 25, 26, 27, 28, 29, 30, 37, 38, 39, 41, 46, 47, 48, 49, 53, 54 ))

Recodage des titres

 base1 <- base1 %>% 
  mutate(business_org = str_sub(`Business sector of the organisation`,23,23)) %>%
  mutate(country_org = str_sub(Country,1,2)) %>% 
  mutate(start_date=as.Date(base1$`Initiative start date`,format = "%d/%m/%Y" )) %>% 
  mutate(end_date=as.Date(base1$`Initiative end date`,format = "%d/%m/%Y" )) 

base1 <- base1 %>%
           
  rename(field = "Initiative field(s) of application",
         field_other= "Other field(s) of application",
         theme= "What is (are) the healthcare theme(s) targeted by the initiative",
         theme_other= "Other healthcare theme(s)",
         target="Target audience(s) for your initiative",
         target_other="Other target audience(s)",
         stage= "Initiative progress stage",
         o_source= "Funding sources",
         o_source_other= "Other funding source(s)",
         f_source= "Economic model",
         f_source_other= "Other economic models",
         objective="What is the objective of the medical service(s) provided ?",
         imp_area="Area where initiative is currently implemented / utilised", 
         imp_country= "In what country(s) is the initiative currently being implemented / utilised ?",
         offline_use="Is offline use possible ?",
         opensource="Is the developed service open source ?",
         opendata="Are the generated data available as open data ?",
         nb_benef="What is the total number of beneficiaries since the initiative was first implemented ?",
         prix_date= "laureats_0_devenue_laureat")

Les variables business…, “country”, “initiative start date” et “initiative end date” sont en double après recodage, suppression des variables initiales

base1 <- base1 %>%
  select (-`Business sector of the organisation`,- Country, - `Initiative start date`, - `Initiative end date`)

Création d’une nouvelle variable qui renseigne si un projet est lauréat ou non

base1 <- base1 %>% 
  mutate(statut_l = if_else(!is.na(prix_date),
                         "lauréat",
                         "non lauréat"))

prix_date car c’est la variable qui renseigne sur les projets lauréats…tous les projets avec une date (modalité pour la variable prix_date) sont des projets lauréats

Changement de la nature de certaines variables

base1 <- base1 %>% 
  mutate(
     field = as.factor(field),
     theme = as.factor(theme),
     target = as.factor(target),
     offline_use= as.factor(offline_use),
     opensource= as.factor(opensource),
     opendata= as.factor(opendata),
     stage = as.factor(stage),
     objective = as.factor(objective),          
     nb_benef = as.integer(nb_benef),
     o_source = as.factor(o_source), 
     imp_country = as.factor (imp_country),
     f_source = as.factor (f_source),
     business_org = as.factor (business_org),     
     country_org = as.factor(country_org),
     statut_l = as.factor(statut_l))

Extraction des années des variables start_date et end_date

base1 <- base1 %>% 
  mutate(start_date = year (start_date)) %>% 
  mutate(end_date = year (end_date))

Vérification des données aberrantes, NA,…

  summary(base1)

##        ID        Initiative name        field     field_other       
##  Min.   :13586   Length:206         3      : 17   Length:206        
##  1st Qu.:14067   Class :character   1|3|4  : 16   Class :character  
##  Median :14600   Mode  :character   3|4    : 16   Mode  :character  
##  Mean   :19684                      4      : 13                     
##  3rd Qu.:15185                      1      : 12                     
##  Max.   :55703                      1|2    : 11                     
##                                     (Other):121                     
##      theme     Specify infectious diseases Specify chronic diseases
##  18     :  9   Length:206                  Length:206              
##  12     :  7   Class :character            Class :character        
##  1      :  6   Mode  :character            Mode  :character        
##  2|18   :  4                                                       
##  4      :  4                                                       
##  5      :  4                                                       
##  (Other):172                                                       
##  theme_other                    target    target_other       stage  
##  Length:206         1              : 30   Length:206         1: 75  
##  Class :character   1|2            : 16   Class :character   2:131  
##  Mode  :character   1|3            : 13   Mode  :character          
##                     1|2|3|4|5|6|7|8:  7                             
##                     2              :  6                             
##                     1|2|5|6|7|8    :  5                             
##                     (Other)        :129                             
##      objective     imp_area      imp_country  offline_use opensource opendata  
##  1|2|3|4  :40   Min.   :1.000   in     : 10   1   :151    1   :101   1   : 56  
##  4        :23   1st Qu.:1.000   ml     : 10   NA's: 55    NA's:105   NA's:150  
##  1|2|4    :22   Median :2.000   ng     : 10                                    
##  1|2|3|4|5:18   Mean   :1.922   ci     :  7                                    
##  5        :12   3rd Qu.:2.000   sn     :  7                                    
##  1|2      : 8   Max.   :4.000   bf     :  6                                    
##  (Other)  :83                   (Other):156                                    
##     nb_benef             o_source  o_source_other        f_source  
##  Min.   :       1   2        :41   Length:206         7      : 24  
##  1st Qu.:    1000   1        :20   Class :character   3      : 23  
##  Median :    8750   1|2      :20   Mode  :character   6      : 23  
##  Mean   : 1077991   6        :15                      2      : 15  
##  3rd Qu.:  100000   1|2|3|4|5:10                      3|6    : 10  
##  Max.   :50000000   (Other)  :98                      (Other):110  
##  NA's   :6          NA's     : 2                      NA's   :  1  
##  f_source_other     laureats_0_laureat_mis_en_avant   prix_date    business_org
##  Length:206         Min.   :0.0000                  Min.   :2016   1:51        
##  Class :character   1st Qu.:0.0000                  1st Qu.:2017   2:65        
##  Mode  :character   Median :0.0000                  Median :2019   3:71        
##                     Mean   :0.3182                  Mean   :2020   4:19        
##                     3rd Qu.:1.0000                  3rd Qu.:2022               
##                     Max.   :1.0000                  Max.   :2025               
##                     NA's   :162                     NA's   :159                
##   country_org    start_date      end_date           statut_l  
##  fr     : 18   Min.   :1993   Min.   :2016   lauréat    : 47  
##  us     : 15   1st Qu.:2014   1st Qu.:2020   non lauréat:159  
##  in     : 14   Median :2016   Median :2022                    
##  ng     : 12   Mean   :2016   Mean   :2022                    
##  ml     :  9   3rd Qu.:2019   3rd Qu.:2024                    
##  za     :  9   Max.   :2025   Max.   :2028                    
##  (Other):129                  NA's   :155

Séparation des différentes modalités de la variable field et suppression de la variable initiale de la base

moda_f <- base1 %>%
  pull(field) %>%            # extraction de la colonne et création d'une liste de valeurs (vecteurs)
  str_split("\\|") %>%       # découpe toutes les cellules où il y a "|"
  unlist() %>%               # garde un vecteur
  str_trim() %>%             # enlève les avant/après
  unique();                  # garde les valeurs une seule fois
print(moda_f)

## [1] "1" "3" "2" "4" "6" "5"

base1 <- base1 %>%
  mutate(
    field_1 = if_else(str_detect(field, "1"), "Oui", "Non"),
    field_2 = if_else(str_detect(field, "2"), "Oui", "Non"),
    field_3 = if_else(str_detect(field, "3"), "Oui", "Non"),
    field_4 = if_else(str_detect(field, "4"), "Oui", "Non"),
    field_5 = if_else(str_detect(field, "5"), "Oui", "Non"),
    field_6 = if_else(str_detect(field, "6"), "Oui", "Non")
  ) %>%
  mutate(across(c(field_1, field_2, field_3, field_4, field_5, field_6), as.factor))

base1 <- base1 %>%
  select(-field) %>% 
  relocate(field_other,.after = field_6)

Mise au propre de la variable autres, renseigner oui pour la modalité Autres pour les projets ayant rempli field_other mais n’ayant pas coché autres au niveau de field

Identification de ces projets

tab_verif1 <- base1 %>% 
  filter(!is.na(field_other) & field_other != "" & field_6 == "Non") %>% 
  select(ID, `Initiative name`, field_6, field_other)

base1 <- base1 %>% 
  mutate(field_6 = if_else(
    !is.na(field_other) & field_other != "" & field_6 != "Oui",
    "Oui",
    field_6))

vérification des nouvelles variables field créées

tab_verif1_2 <- base1 %>%
  select(field_1, field_2, field_3, field_4, field_5, field_6,field_other)

Séparation des différentes modalités de la variable theme et suppression de la variable initiale de la base

moda_t <- base1 %>%
  pull(theme) %>%
  str_split("\\|") %>%        
  unlist() %>%
  str_trim() %>%
  unique();
print(moda_t)

##  [1] "1"  "3"  "6"  "11" "2"  "4"  "7"  "8"  "9"  "12" "13" "14" "15" "16" "10"
## [16] "17" "18" "5"

base1 <- base1 %>%
  mutate(
    theme_1  = if_else(str_detect(theme, "\\b1\\b"),  "Oui", "Non"),
    theme_2  = if_else(str_detect(theme, "\\b2\\b"),  "Oui", "Non"),
    theme_3  = if_else(str_detect(theme, "\\b3\\b"),  "Oui", "Non"),
    theme_4  = if_else(str_detect(theme, "\\b4\\b"),  "Oui", "Non"),
    theme_5  = if_else(str_detect(theme, "\\b5\\b"),  "Oui", "Non"),
    theme_6  = if_else(str_detect(theme, "\\b6\\b"),  "Oui", "Non"),
    theme_7  = if_else(str_detect(theme, "\\b7\\b"),  "Oui", "Non"),
    theme_8  = if_else(str_detect(theme, "\\b8\\b"),  "Oui", "Non"),
    theme_9  = if_else(str_detect(theme, "\\b9\\b"),  "Oui", "Non"),
    theme_10 = if_else(str_detect(theme, "\\b10\\b"), "Oui", "Non"),
    theme_11 = if_else(str_detect(theme, "\\b11\\b"), "Oui", "Non"),
    theme_12 = if_else(str_detect(theme, "\\b12\\b"), "Oui", "Non"),
    theme_13 = if_else(str_detect(theme, "\\b13\\b"), "Oui", "Non"),
    theme_14 = if_else(str_detect(theme, "\\b14\\b"), "Oui", "Non"),
    theme_15 = if_else(str_detect(theme, "\\b15\\b"), "Oui", "Non"),
    theme_16 = if_else(str_detect(theme, "\\b16\\b"), "Oui", "Non"),
    theme_17 = if_else(str_detect(theme, "\\b17\\b"), "Oui", "Non"),
    theme_18 = if_else(str_detect(theme, "\\b18\\b"), "Oui", "Non")) %>%
  mutate(across(starts_with("theme_"), as.factor))

base1 <- base1 %>%
  select(-theme) %>% 
  relocate(theme_other,.after = theme_18)

Mise au propre de la variable autres, renseigner oui pour la modalité Autres pour les projets ayant rempli theme_other mais n’ayant pas coché autres au niveau de theme

Identification de ces projets

tab_verif2 <- base1 %>% 
  filter(!is.na(theme_other) & theme_other != "" & theme_18 == "Non") %>% 
  select(ID, `Initiative name`, theme_18, theme_other)

base1 <- base1 %>% 
  mutate(theme_18 = if_else(
    !is.na(theme_other) & theme_other != "" & theme_18 == "Non",
    "Oui",
    theme_18))

vérification des nouvelles variables theme créées

tab_verif2_2 <- base1 %>% 
  select(`Initiative name`, theme_1, theme_2, theme_3, theme_4, theme_5, theme_6, theme_7, theme_8, theme_9, theme_10, theme_11, theme_12, theme_13, theme_14, theme_15, theme_16, theme_17, -theme_18,theme_other)

Recatégorisation de la variable theme en fonction du GBD, niveau 1

base1 <- base1 %>% 
  mutate (GBD1_NCD = if_else (theme_10 == "Oui" | theme_11 == "Oui" | theme_12 == "Oui" | theme_13 == "Oui" | theme_14 == "Oui" | theme_15 == "Oui", "Oui", "Non")) %>% 
  
  mutate (GBD1_CMNND = if_else (theme_1 == "Oui" | theme_3 == "Oui" | theme_4 == "Oui" | theme_5 == "Oui" | theme_7 == "Oui" | theme_9 == "Oui", "Oui", "Non")) %>% 
  
  mutate(GBD1_Trans = if_else (theme_2 == "Oui" | theme_8 == "Oui" & (theme_1 == "Non" & theme_3 == "Non" & theme_4 == "Non" & theme_5 == "Non" & theme_6 == "Non" & theme_7 == "Non" & theme_9 == "Non" & theme_10 == "Non" & theme_11 == "Non" & theme_12 == "Non" & theme_13 == "Non" & theme_14 == "Non" & theme_15 == "Non" ), "Oui", "Non")) %>% 
  
  mutate(GBD1_injuries = if_else( base1$`Initiative name`== "TraumaLink", "Oui", "Non")) %>% 
  
  mutate(GBD1_Autres = if_else(theme_6 == "Oui" | theme_16 == "Oui" | theme_17 == "Oui", "Oui", "Non"))

Vérification des nouvelles variables

base_2 <- base1 %>% 
  relocate(GBD1_NCD, GBD1_CMNND, GBD1_Trans, GBD1_injuries, GBD1_Autres,.after = theme_15) %>% 
  select(ID,`Initiative name`, GBD1_NCD, GBD1_CMNND, GBD1_Trans, GBD1_injuries, GBD1_Autres)

Séparation des différentes modalités de la variable target et suppression de la variable initiale de la base

moda_t2 <- base1 %>%
  pull(target) %>%
  str_split("\\|") %>%        
  unlist() %>%
  str_trim() %>%
  unique();
print(moda_t2)

## [1] "5" "7" "8" "1" "3" "2" "6" "9" "4"

base1 <- base1 %>%
  mutate(
    target_1 = if_else(str_detect(target, "1"), "Oui", "Non"),
    target_2 = if_else(str_detect(target, "2"), "Oui", "Non"),
    target_3 = if_else(str_detect(target, "3"), "Oui", "Non"),
    target_4 = if_else(str_detect(target, "4"), "Oui", "Non"),
    target_5 = if_else(str_detect(target, "5"), "Oui", "Non"),
    target_6 = if_else(str_detect(target, "6"), "Oui", "Non"),
    target_7 = if_else(str_detect(target, "7"), "Oui", "Non"),
    target_8 = if_else(str_detect(target, "8"), "Oui", "Non"),
    target_9 = if_else(str_detect(target, "9"), "Oui", "Non")) %>%
  mutate(across(c(target_1, target_2, target_3, target_4, target_5, target_6, target_7, target_8, target_9), as.factor))

base1 <- base1 %>%
  select(-target) %>% 
  relocate(target_other,.after = target_9)

Mise au propre de la variable autres, renseigner oui pour la modalité Autres pour les projets ayant rempli target_other mais n’ayant pas coché autres au niveau de target

Identification de ces projets

tab_verif3 <- base1 %>% 
  filter(!is.na(target_other) & target_other != "" & target_9 == "Non") %>% 
  select(ID, `Initiative name`, target_9, target_other)

base1 <- base1 %>% 
  mutate(target_9 = if_else(
    !is.na(target_other) & target_other != "" & target_9 == "Non",
    "Oui",
    target_9))

vérification des nouvelles variables target créées

tab_verif3_2 <- base1 %>% 
  select(target_1, target_2, target_3, target_4, target_5, target_6, target_7, target_8, target_9,target_other )

Séparation des différentes modalités de la variable o_source et suppression de la variable initiale de la base

moda_o <- base1 %>%
  pull(o_source) %>%
  str_split("\\|") %>%        
  unlist() %>%
  str_trim() %>%
  unique();
print(moda_o)

## [1] "1" "3" "4" "6" "2" "5" NA

On observe deux données manquantes

base1 <- base1 %>%
  mutate(
    o_source_1 = if_else(str_detect(o_source, "1"), "Oui", "Non"),
    o_source_2 = if_else(str_detect(o_source, "2"), "Oui", "Non"),
    o_source_3 = if_else(str_detect(o_source, "3"), "Oui", "Non"),
    o_source_4 = if_else(str_detect(o_source, "4"), "Oui", "Non"),
    o_source_5 = if_else(str_detect(o_source, "5"), "Oui", "Non"),
    o_source_6 = if_else(str_detect(o_source, "6"), "Oui", "Non")) %>%
  mutate(across(c(o_source_1, o_source_2, o_source_3, o_source_4, o_source_5, o_source_6), as.factor))

base1 <- base1 %>%
  select(-o_source) %>% 
  relocate(o_source_other,.after = o_source_6)

Mise au propre de la variable autres, renseigneroui pour la modalité Autres pour les projets ayant rempli o_source_other mais n’ayant pas coché autres au niveau de o_source

Identification de ces projets

tab_verif4 <- base1 %>% 
  filter(!is.na(o_source_other) & o_source_other != "" & o_source_6 == "Non") %>% 
  select(ID, `Initiative name`, o_source_6, o_source_other)

base1 <- base1 %>% 
 mutate(o_source_6 = if_else(
    !is.na(o_source_other) & o_source_other != "" & o_source_6 == "Non",
    "Oui",
    o_source_6))

vérification des nouvelles variables o_source créées

tab_verif4_2 <- base1 %>% 
  select(o_source_1, o_source_2, o_source_3, o_source_4, o_source_5, o_source_6, o_source_other )

Séparation des différentes modalités de la variable objective et suppression de la variable initiale de la base

moda_o <- base1 %>%
  pull(objective) %>%
  str_split("\\|") %>%        
  unlist() %>%
  str_trim() %>%
  unique();
print(moda_o)

## [1] "5" "4" "1" "2" "3"

base1 <- base1 %>%
  mutate(
    objective_1 = if_else(str_detect(objective, "1"), "Oui", "Non"),
    objective_2 = if_else(str_detect(objective, "2"), "Oui", "Non"),
    objective_3 = if_else(str_detect(objective, "3"), "Oui", "Non"),
    objective_4 = if_else(str_detect(objective, "4"), "Oui", "Non"),
    objective_5 = if_else(str_detect(objective, "5"), "Oui", "Non")) %>%
  mutate(across(c(objective_1,objective_2, objective_3, objective_4, objective_5 ), as.factor))

base1 <- base1 %>%
  select(-objective)

vérification des nouvelles variables objective créées

tab_verif4 <- base1 %>% 
  select(objective_1,objective_2, objective_3, objective_4, objective_5)

Séparation des différentes modalités de la variable f_source et suppression de la variable initiale de la base

On observe une donnée manquante

moda_f <- base1 %>%
  pull(f_source) %>%
  str_split("\\|") %>%        
  unlist() %>%
  str_trim() %>%
  unique();
print(moda_f)

## [1] "3" "1" "5" "2" "6" "7" "4" NA

base1 <- base1 %>%
  mutate(
    f_source_1 = if_else(str_detect(f_source, "1"), "Oui", "Non"),
    f_source_2 = if_else(str_detect(f_source, "2"), "Oui", "Non"),
    f_source_3 = if_else(str_detect(f_source, "3"), "Oui", "Non"),
    f_source_4 = if_else(str_detect(f_source, "4"), "Oui", "Non"),
    f_source_5 = if_else(str_detect(f_source, "5"), "Oui", "Non"),
    f_source_6 = if_else(str_detect(f_source, "6"), "Oui", "Non"),
    f_source_7 = if_else(str_detect(f_source, "7"), "Oui", "Non")) %>%
  mutate(across(c(f_source_1, f_source_2, f_source_3, f_source_4, f_source_5, f_source_6, f_source_7), as.factor))

base1 <- base1 %>%
  select(-f_source) %>% 
  relocate(f_source_other,.after = f_source_7)

Mise au propre de la variable autres, renseigner oui pour la modalité Autres pour les projets ayant rempli f_source_other mais n’ayant pas coché autres au niveau de f_source

Identification de ces projets

tab_verif5 <- base1 %>% 
  filter(!is.na(f_source_other) & f_source_other != "" & f_source_7 == "Non") %>% 
  select(ID, `Initiative name`, f_source_7, f_source_other)

base1 <- base1 %>% 
 mutate(f_source_7 = if_else(
    !is.na(f_source_other) & f_source_other != "" & f_source_7 == "Non",
    "Oui",
    f_source_7))

vérification des nouvelles variables f_source créées

tab_verif5_2 <- base1 %>% 
  select(f_source_1, f_source_2, f_source_3, f_source_4, f_source_5, f_source_6, f_source_7, f_source_other )

Recatégorisation de la variable eco

base1 <- base1 %>% 
  mutate (ECO1 = if_else(f_source_1 == "Oui" | f_source_2 == "Oui", "Oui", "Non")) %>% 
  
  mutate (ECO2 = if_else(f_source_3 == "Oui" | f_source_6 == "Oui", "Oui", "Non")) %>% 
  
  mutate (ECO3 = if_else(f_source_4 == "Oui", "Oui", "Non")) %>% 
  
  mutate (ECO4 = if_else( f_source_5 == "Oui", "Oui", "Non")) %>% 
  
  mutate (ECO5 = if_else(f_source_7 == "Oui", "Oui", "Non")) %>% 
  
  rename (ECO_other = f_source_other)

Vérification des nouvelles variables

base_3 <- base1 %>% 
  relocate(ECO1, ECO2, ECO3, ECO4, ECO5, ECO_other,.after = f_source_7) %>% 
  select(ID,`Initiative name`,ECO1, ECO2, ECO3, ECO4, ECO5, ECO_other )

Séparation des différentes modalités de la variable imp_country et suppression de la variable initiale

codes_pays <- base1 %>%
  pull(imp_country) %>%
  replace_na("") %>%
  str_split("\\|") %>%        
  unlist() %>%
  str_trim() %>%
  str_to_upper() %>% 
  unique()
print(codes_pays)

##   [1] "BF" "CI" "ML" "NE" "SN" "SL" "NG" "KH" "NP" "IN" "CM" "CA" "CD" "US" "GP"
##  [16] "KE" "MQ" "SD" "TT" "FR" "LB" "MA" "TG" "TN" "MZ" "BD" "MM" "MY" "ID" "UG"
##  [31] "ZA" "BW" "MW" "ZM" "ZW" "TZ" "CG" "GA" "LY" "SO" "BJ" "AF" "KG" "PK" "TJ"
##  [46] "LK" "GN" "VN" "LA" "MG" "MU" "RW" "ET" "GT" "LS" "DZ" "AR" "PT" "DO" "SA"
##  [61] "NA" "GB" "LR" "CN" "EG" "AE" "KW" "SG" "PH" "TH" "HT" "MR" "TD" "BI" "IT"
##  [76] "GH" "MX" "MN" "DJ" "CV" "GM" "GW" "BH" "IR" "IQ" "JO" "PG" "SY" "UA" "YE"
##  [91] "SS" "AO" "ER" "GQ" "CF" "ST" "BZ" "BE" "SZ" "BO" "LU" "DM"

noms_pays <- if_else(
  is_country(codes_pays),
  country_name(codes_pays, to = "name_fr", verbose = TRUE),
  codes_pays)

## 
## In total 102 unique country names were provided
## 102/102 have been matched with EXACT matching
## 0/102 have been matched with FUZZY matching
## 
## 
## The following country IDs do not have a match in one or more of the requested naming conventions,  NA returned:
## (To avoid NAs, use - to = 'simple'- or set - na_fill = TRUE)
##   - NA

noms_pays[codes_pays == "NA"] <- "Namibie"

pays_clean <- replace_na(base1$imp_country, "") %>% 
  str_to_upper()              
for (i in seq_along(codes_pays)) {
  base1[[noms_pays[i]]] <- if_else(
    str_detect(pays_clean, fixed(codes_pays[i])),  
    "Oui", "Non") %>% as.factor()}

base1 <- base1 %>%
  select(-imp_country) 

Vérification de quelques variables pays

base1 %>%
  select(all_of(noms_pays)) %>%
  head(10) 

## # A tibble: 10 × 102
##    `Burkina Faso` `Côte d'Ivoire` Mali  Niger Sénégal `Sierra Leone` Nigeria
##    <fct>          <fct>           <fct> <fct> <fct>   <fct>          <fct>  
##  1 Oui            Non             Non   Non   Non     Non            Non    
##  2 Non            Oui             Non   Non   Non     Non            Non    
##  3 Non            Non             Oui   Non   Non     Non            Non    
##  4 Non            Non             Non   Oui   Oui     Non            Non    
##  5 Non            Non             Non   Non   Non     Oui            Non    
##  6 Oui            Non             Non   Non   Non     Non            Non    
##  7 Non            Non             Non   Non   Non     Non            Oui    
##  8 Non            Oui             Non   Non   Non     Non            Non    
##  9 Non            Non             Oui   Non   Non     Non            Non    
## 10 Non            Non             Oui   Non   Non     Non            Non    
## # ℹ 95 more variables: Cambodge <fct>, Népal <fct>, Inde <fct>, Cameroun <fct>,
## #   Canada <fct>, `République démocratique du Congo` <fct>, `États-Unis` <fct>,
## #   Guadeloupe <fct>, Kenya <fct>, Martinique <fct>, Soudan <fct>,
## #   `Trinité-et-Tobago` <fct>, France <fct>, Liban <fct>, Maroc <fct>,
## #   Togo <fct>, Tunisie <fct>, Mozambique <fct>, Bangladesh <fct>,
## #   Birmanie <fct>, Malaisie <fct>, Indonésie <fct>, Ouganda <fct>,
## #   `Afrique du Sud` <fct>, Botswana <fct>, Malawi <fct>, Zambie <fct>, …

Séparation des différentes modalités de la variable imp_area et suppression de la variable initiale de la base

moda_a <- base1 %>%
  pull(imp_area) %>%            
  str_split("\\|") %>%       
  unlist() %>%               
  str_trim() %>%             
  unique();                 
print(moda_a)

## [1] "4" "2" "1" "3"

base1 <- base1 %>%
  mutate(
    imp_area_1 = if_else(str_detect(imp_area, "1"), "Oui", "Non"),
    imp_area_2 = if_else(str_detect(imp_area, "2"), "Oui", "Non"),
    imp_area_3 = if_else(str_detect(imp_area, "3"), "Oui", "Non"),
    imp_area_4 = if_else(str_detect(imp_area, "4"), "Oui", "Non")) %>%
  mutate(across(c(imp_area_1, imp_area_2, imp_area_3, imp_area_4), as.factor))

base1 <- base1 %>%
  select(-imp_area) 

vérification des nouvelles variables imp_area créées

tab_verif6 <- base1 %>%
  select(imp_area_1, imp_area_2, imp_area_3, imp_area_4)

Un projet ne doit avoir qu’une seule échelle d’implémentation. Vérifions et identifions les projets avec plusieurs plusieurs échelles

base1 <- base1 %>%
  mutate(
    nb_imp_area = rowSums(across(c(imp_area_1, imp_area_2, imp_area_3, imp_area_4), ~ . == "Oui"), na.rm = TRUE),
    multi_area = ifelse(nb_imp_area > 1, "Oui", "Non"))

base1 %>%
  filter(multi_area == "Oui") %>%
  select(ID, `Initiative name`, imp_area_1, imp_area_2, imp_area_3, imp_area_4)

## # A tibble: 0 × 6
## # ℹ 6 variables: ID <dbl>, Initiative name <chr>, imp_area_1 <fct>,
## #   imp_area_2 <fct>, imp_area_3 <fct>, imp_area_4 <fct>

Un projet doit avoir un seul stade d’avancement. Vérifions et identifions les projets avec les deux stades d’avancement

base1 %>%
  filter(str_detect(stage, "\\|")) %>%
  select(ID, `Initiative name`, stage)

## # A tibble: 0 × 3
## # ℹ 3 variables: ID <dbl>, Initiative name <chr>, stage <fct>

Création de la variable end_stage pour identifier les projets clôturés

base1 <- base1 %>% 
  mutate (end_stage = if_else(is.na(end_date), "non clôturé", "clôturé"))

Identification des données manquantes au niveau des dates de démarrage, s’il y en a

base1 %>%
  filter(is.na(start_date)) %>% 
  select(start_date, ID, `Initiative name`)

## # A tibble: 0 × 3
## # ℹ 3 variables: start_date <dbl>, ID <dbl>, Initiative name <chr>

Vérification des abberrances au niveau de la date de démarrage des projets

verif_date <- base1 %>% 
  filter((end_date<start_date))

verif_date1 <- base1 %>% 
  filter((end_date==start_date))

Pour 5 projets, les années de début correspondent aux années de fin. Pour 3 projets, cela provient de l’extraction des années uniquement. Pour les 2 autres (MedicActiv et Support diagnostique en Afrique Subsaharienne), dans la fiche projet aucune information n’est renseignée et ils ne disposent pas d’enquête terrain

*****************************************************************************************************************************

Statistiques pour tous les projets

base1 <- base1 %>% 
  filter(prix_date!= "2022" | is.na(prix_date))

Nombre de projets

Par année

ggplot(base1, aes(x = start_date)) +
  geom_bar(fill = "mediumpurple") +
  stat_count(geom = "text", aes(label = ..count..), vjust = -0.3) +
  labs(title = "Répartition des projets par année de démarrage",
       x = "Année de démarrage",
       y = "Nombre de projets") +
  theme_minimal()

  nb_prj_an <- table(base1$start_date)
top3 <- sort(nb_prj_an, decreasing = TRUE)[1:3]

cat(paste0("Les plus grands nombres de projets démarrés s'observent respectivement en ", paste0(names(top3), " (", top3, ")", collapse = ", "), "."))

## Les plus grands nombres de projets démarrés s'observent respectivement en 2016 (30), 2015 (26), 2017 (23).

mean(table(base1$start_date)) 

## [1] 9.136364

sd(table(base1$start_date))

## [1] 8.860267

Par tranches de 5ans

base1 <- base1 %>%
  mutate(
    start_date = as.numeric(start_date),
    start_date2 = cut(
      start_date,
      breaks = c(1999, 2004, 2009, 2014, 2019, 2024, 2029),
      labels = c("[2000-2004]", "[2005-2009]", "[2010-2014]", "[2015-2019]", "[2020-2024]", "[2025-2029]"),
      right = TRUE,
      include.lowest = TRUE))

ggplot(base1, aes(x = start_date2)) +
  geom_bar(fill = "mediumpurple") +
  stat_count(geom = "text", aes(label = ..count..), vjust = -0.3) +
  labs(title = "Répartition des projets par année de démarrage",
       x = "Année de démarrage",
       y = "Nombre de projets") +
  theme_minimal()

###### Le NA observé s’explique par le projet commencé en 1993.

  nb_prj_5ans <- table(base1$start_date2)
top2 <- sort(nb_prj_5ans, decreasing = TRUE)[1:2]

cat(paste0("Les plus grands nombres de projets démarrés sont observés sur les périodes ",
           paste0(names(top2), collapse = " et "),
           ", avec respectivement ",
           paste0(top2, collapse = " et "),
           " projets."))

## Les plus grands nombres de projets démarrés sont observés sur les périodes [2015-2019] et [2010-2014], avec respectivement 114 et 43 projets.

Suppression des valeurs extrêmes de la variable start_date

base1 <- base1 %>% 
  filter(start_date %in% 2007:2024)

Nombre de projets, après suppression des valeurs extrêmes

Par année

ggplot(base1, aes(x = start_date)) +
  geom_bar(fill = "mediumpurple") +
  stat_count(geom = "text", aes(label = ..count..), vjust = -0.3) +
  labs(title = "Répartition des projets par année de démarrage",
       x = "Année de démarrage",
       y = "Nombre de projets") +
  theme_minimal()

  nb_prj_an <- table(base1$start_date)
top3 <- sort(nb_prj_an, decreasing = TRUE)[1:3]

cat(paste0("Les plus grands nombres de projets démarrés s'observent respectivement en ", paste0(names(top3), " (", top3, ")", collapse = ", "), "."))

## Les plus grands nombres de projets démarrés s'observent respectivement en 2016 (30), 2015 (26), 2017 (23).

mean(table(base1$start_date)) 

## [1] 10.94444

sd(table(base1$start_date))

## [1] 8.828245

Par tranches de 5ans

ggplot(base1, aes(x = start_date2)) +
  geom_bar(fill = "mediumpurple") +
  stat_count(geom = "text", aes(label = ..count..), vjust = -0.3) +
  labs(title = "Répartition des projets par année de démarrage",
       x = "Année de démarrage",
       y = "Nombre de projets") +
  theme_minimal()

  nb_prj_5ans <- table(base1$start_date2)
top2 <- sort(nb_prj_5ans, decreasing = TRUE)[1:2]

cat(paste0("Les plus grands nombres de projets démarrés sont observés sur les périodes ",
           paste0(names(top2), collapse = " et "),
           ", avec respectivement ",
           paste0(top2, collapse = " et "),
           " projets."))

## Les plus grands nombres de projets démarrés sont observés sur les périodes [2015-2019] et [2010-2014], avec respectivement 114 et 43 projets.

names(base1)

##   [1] "ID"                               "Initiative name"                 
##   [3] "Specify infectious diseases"      "Specify chronic diseases"        
##   [5] "stage"                            "offline_use"                     
##   [7] "opensource"                       "opendata"                        
##   [9] "nb_benef"                         "laureats_0_laureat_mis_en_avant" 
##  [11] "prix_date"                        "business_org"                    
##  [13] "country_org"                      "start_date"                      
##  [15] "end_date"                         "statut_l"                        
##  [17] "field_1"                          "field_2"                         
##  [19] "field_3"                          "field_4"                         
##  [21] "field_5"                          "field_6"                         
##  [23] "field_other"                      "theme_1"                         
##  [25] "theme_2"                          "theme_3"                         
##  [27] "theme_4"                          "theme_5"                         
##  [29] "theme_6"                          "theme_7"                         
##  [31] "theme_8"                          "theme_9"                         
##  [33] "theme_10"                         "theme_11"                        
##  [35] "theme_12"                         "theme_13"                        
##  [37] "theme_14"                         "theme_15"                        
##  [39] "theme_16"                         "theme_17"                        
##  [41] "theme_18"                         "theme_other"                     
##  [43] "GBD1_NCD"                         "GBD1_CMNND"                      
##  [45] "GBD1_Trans"                       "GBD1_injuries"                   
##  [47] "GBD1_Autres"                      "target_1"                        
##  [49] "target_2"                         "target_3"                        
##  [51] "target_4"                         "target_5"                        
##  [53] "target_6"                         "target_7"                        
##  [55] "target_8"                         "target_9"                        
##  [57] "target_other"                     "o_source_1"                      
##  [59] "o_source_2"                       "o_source_3"                      
##  [61] "o_source_4"                       "o_source_5"                      
##  [63] "o_source_6"                       "o_source_other"                  
##  [65] "objective_1"                      "objective_2"                     
##  [67] "objective_3"                      "objective_4"                     
##  [69] "objective_5"                      "f_source_1"                      
##  [71] "f_source_2"                       "f_source_3"                      
##  [73] "f_source_4"                       "f_source_5"                      
##  [75] "f_source_6"                       "f_source_7"                      
##  [77] "ECO_other"                        "ECO1"                            
##  [79] "ECO2"                             "ECO3"                            
##  [81] "ECO4"                             "ECO5"                            
##  [83] "Burkina Faso"                     "Côte d'Ivoire"                   
##  [85] "Mali"                             "Niger"                           
##  [87] "Sénégal"                          "Sierra Leone"                    
##  [89] "Nigeria"                          "Cambodge"                        
##  [91] "Népal"                            "Inde"                            
##  [93] "Cameroun"                         "Canada"                          
##  [95] "République démocratique du Congo" "États-Unis"                      
##  [97] "Guadeloupe"                       "Kenya"                           
##  [99] "Martinique"                       "Soudan"                          
## [101] "Trinité-et-Tobago"                "France"                          
## [103] "Liban"                            "Maroc"                           
## [105] "Togo"                             "Tunisie"                         
## [107] "Mozambique"                       "Bangladesh"                      
## [109] "Birmanie"                         "Malaisie"                        
## [111] "Indonésie"                        "Ouganda"                         
## [113] "Afrique du Sud"                   "Botswana"                        
## [115] "Malawi"                           "Zambie"                          
## [117] "Zimbabwe"                         "Tanzanie"                        
## [119] "République du Congo"              "Gabon"                           
## [121] "Libye"                            "Somalie"                         
## [123] "Bénin"                            "Afghanistan"                     
## [125] "Kirghizistan"                     "Pakistan"                        
## [127] "Tadjikistan"                      "Sri Lanka"                       
## [129] "Guinée"                           "Viêt Nam"                        
## [131] "Laos"                             "Madagascar"                      
## [133] "Maurice (pays)"                   "Rwanda"                          
## [135] "Éthiopie"                         "Guatemala"                       
## [137] "Lesotho"                          "Algérie"                         
## [139] "Argentine"                        "Portugal"                        
## [141] "République dominicaine"           "Arabie saoudite"                 
## [143] "Namibie"                          "Royaume-Uni"                     
## [145] "Liberia"                          "Chine"                           
## [147] "Égypte"                           "Émirats arabes unis"             
## [149] "Koweït"                           "Singapour"                       
## [151] "Philippines"                      "Thaïlande"                       
## [153] "Haïti"                            "Mauritanie"                      
## [155] "Tchad"                            "Burundi"                         
## [157] "Italie"                           "Ghana"                           
## [159] "Mexique"                          "Mongolie"                        
## [161] "Djibouti"                         "Cap-Vert"                        
## [163] "Gambie"                           "Guinée-Bissau"                   
## [165] "Bahreïn"                          "Iran"                            
## [167] "Irak"                             "Jordanie"                        
## [169] "Papouasie-Nouvelle-Guinée"        "Syrie"                           
## [171] "Ukraine"                          "Yémen"                           
## [173] "Soudan du Sud"                    "Angola"                          
## [175] "Érythrée"                         "Guinée équatoriale"              
## [177] "République centrafricaine"        "Sao Tomé-et-Principe"            
## [179] "Belize"                           "Belgique"                        
## [181] "Eswatini"                         "Bolivie"                         
## [183] "Luxembourg (pays)"                "Dominique"                       
## [185] "imp_area_1"                       "imp_area_2"                      
## [187] "imp_area_3"                       "imp_area_4"                      
## [189] "nb_imp_area"                      "multi_area"                      
## [191] "end_stage"                        "start_date2"

Répartition par pays

country <- base1 %>%
  pivot_longer(cols = c(83:184),
               names_to = "pays",
               values_to = "presence") %>%
  filter(presence == "Oui")

#Nombre de pays 
country %>%
  distinct(pays) %>%
  nrow()

## [1] 98

count_country <- country %>%
  group_by(pays) %>%
  summarise(nb_projets = n())

world <- ne_countries(scale = "medium", returnclass = "sf")

world_sel <- world %>%
  filter(continent %in% c("Africa", "Asia"))

map_data <- world_sel %>%
  left_join(count_country, by = c("name_fr" = "pays"))

ggplot(map_data) +
  geom_sf(aes(fill = nb_projets), color = "black") +
  scale_fill_distiller(palette = "YlOrRd", direction = 1, na.value = "grey90") +
  geom_sf_text(data = map_data %>% filter(!is.na(nb_projets)),  
               aes(label = name), size = 4.3, color = "black", fontface = "bold") +
  labs(title = "Répartition des projets par pays",
       fill = "Nombre de projets")

## Warning in st_point_on_surface.sfc(sf::st_zm(x)): st_point_on_surface may not
## give correct results for longitude/latitude data

nb_prj_pays <- table(country$pays)
top5 <- sort(nb_prj_pays, decreasing = TRUE)[1:5]

cat(paste0("Pour les projets renseignés, les pays dans lesquels on observe le plus de projets sont ",
           paste0(names(top5), collapse = ", "),
           ", avec respectivement ",
           paste0(top5, collapse = ", "),
           " projets."))

## Pour les projets renseignés, les pays dans lesquels on observe le plus de projets sont Nigeria, Inde, Côte d'Ivoire, Mali, Sénégal, avec respectivement 25, 23, 22, 22, 20 projets.

Thématiques

Statistiques globales par thématiques GBD

GBD_col <- names(base1)[43:47]

top_gbd <- base1 %>% 
pivot_longer(
    cols      = all_of(GBD_col),
    names_to  = "GBDS",
    values_to = "modalite"
  ) %>%
  filter(modalite == "Oui") %>%
  group_by(GBDS) %>%
  summarise(nb_oui = n(), .groups = "drop") %>%
  mutate(GBDS = case_when(
  GBDS == "GBD1_NCD"  ~ "Maladies non transmissibles",
  GBDS == "GBD1_CMNND"  ~ "Maladies transmissibles, maternelles, néonatales et nutritionnelles",
  GBDS == "GBD1_Trans"  ~ "Transversal",
  GBDS == "GBD1_injuries"  ~ "Blessures",
  GBDS == "GBD1_Autres"  ~ "Autres",
)) %>%
  mutate(
    pct  = round(nb_oui / 197 * 100, 1),
    rang = rank(-nb_oui, ties.method = "min")
  ) %>%
  arrange(desc(nb_oui))
print(top_gbd)

## # A tibble: 5 × 4
##   GBDS                                                        nb_oui   pct  rang
##   <chr>                                                        <int> <dbl> <int>
## 1 Maladies transmissibles, maternelles, néonatales et nutrit…    139  70.6     1
## 2 Transversal                                                    105  53.3     2
## 3 Autres                                                          92  46.7     3
## 4 Maladies non transmissibles                                     84  42.6     4
## 5 Blessures                                                        1   0.5     5

ggplot(top_gbd, aes(x = reorder(GBDS, nb_oui), y = nb_oui, fill = nb_oui)) +
  geom_col() +
  geom_text(aes(label = paste0(nb_oui, " (", round(nb_oui/197*100, 2), "%)")), 
            hjust = -0.1, size = 4) +
  coord_flip() +
  scale_y_continuous(expand = expansion(mult = c(0, 0.3))) +
  scale_fill_gradient(high = "#D73027", low = "#FEE5D9", guide = "none") +
  labs(
    title = "Répartition des projets par thématique (GBD1)",
    x = "Thématiques des projets",
    y = "Nombre de projets"
  ) +
  theme_minimal(base_size = 16) +
  theme(plot.title = element_text(face = "bold"))

top3_gbd <- top_gbd %>% slice(1:3)

cat(paste0("Les thématiques les plus représentées sont respectivement: ", paste0(top3_gbd$GBDS, " (", top3_gbd$pct, "%)", collapse = ", "), "."))

## Les thématiques les plus représentées sont respectivement: Maladies transmissibles, maternelles, néonatales et nutritionnelles (70.6%), Transversal (53.3%), Autres (46.7%).

Statistiques par tranche de 5 ans GBD1

theme_res2 <- base1 %>%
 pivot_longer(
    cols      = all_of(GBD_col),
    names_to  = "GBDS",
    values_to = "modalite"
  ) %>%
  filter(modalite == "Oui") %>%
  group_by(start_date2,GBDS) %>%
  summarise(nb_oui = n(), .groups = "drop") %>%
  group_by(start_date2) %>%
  mutate(GBDS = case_when(
  GBDS == "GBD1_NCD"  ~ "Maladies non transmissibles",
  GBDS == "GBD1_CMNND"  ~ "Maladies transmissibles, maternelles, néonatales et nutritionnelles",
  GBDS == "GBD1_Trans"  ~ "Transversal",
  GBDS == "GBD1_M"  ~ "Maladies transmissibles, non transmissibles, maternelles, néonatales et nutritionnelles",
  GBDS == "GBD1_injuries"  ~ "Blessures",
  GBDS == "GBD1_Autres"  ~ "Autres",
)) %>%
  mutate(
    total_start_date2 = sum(nb_oui),
    pct         = round(nb_oui / total_start_date2 * 100, 2),
    rang        = rank(-nb_oui, ties.method = "min")
  )

ggplot(theme_res2, aes(x = factor(start_date2), y = pct, fill = GBDS)) +
  geom_col(position = "stack") +
  geom_text(
    aes(label = paste0(pct, "")),
    position = position_stack(vjust = 0.5),
    size = 5, color = "black", fontface = "bold"
  ) +
  scale_fill_brewer(palette = "Reds", name = "Thématiques GBD1") +
  labs(
    title    = "Répartition relative des thématiques par année de démarrage des projets",
    x        = "Année de démarrage des projets",
    y        = "Pourcentage relatif (en %)"
  ) +
  theme_minimal(base_size = 18) +
  theme(plot.title = element_text(face = "bold"))

Champs d’application

Toutes les années confondues

field_col <- names(base1)[17:22]

top_fields <- base1 %>%
  pivot_longer(
    cols      = all_of(field_col),
    names_to  = "Fields",
    values_to = "modalite"
  ) %>%
  filter(modalite == "Oui") %>%
  group_by(Fields) %>%
  summarise(nb_oui = n(), .groups = "drop") %>%
   mutate(Fields = recode(Fields,
    "field_1" = "Formation des professionnels de santé",
    "field_2" = "Télémédecine (diagnostic et consultations à distance)",
    "field_3" = "Information, éducation et changement des comportements (IECC)",
    "field_4" = "Suivi des patients et de santé",
    "field_5" = "Accès financier au soin, micro-assurance",
    "field_6" = "Autres"
  )) %>%
  mutate(
    pct  = round(nb_oui / 197 * 100, 2),
    rang = rank(-nb_oui, ties.method = "min")
  ) %>%
  arrange(desc(nb_oui))
print(top_fields)

## # A tibble: 6 × 4
##   Fields                                                      nb_oui   pct  rang
##   <chr>                                                        <int> <dbl> <int>
## 1 Suivi des patients et de santé                                 114 57.9      1
## 2 Information, éducation et changement des comportements (IE…    107 54.3      2
## 3 Formation des professionnels de santé                           89 45.2      3
## 4 Télémédecine (diagnostic et consultations à distance)           79 40.1      4
## 5 Autres                                                          36 18.3      5
## 6 Accès financier au soin, micro-assurance                        17  8.63     6

ggplot(top_fields, aes(x = reorder(Fields, nb_oui), y = nb_oui, fill = nb_oui)) +
  geom_col() +
  geom_text(aes(label = paste0(nb_oui, " (", pct, "%)")),
            hjust = -0.1, size = 4) +
  coord_flip() +
  scale_y_continuous(expand = expansion(mult = c(0, 0.3))) +
  scale_fill_gradient(low = "#edf8b1", high = "#225ea8", guide = "none") +
  labs(
    title = "Répartition des projets par champs d'application",
    x = "Champs d'application",
    y = "Nombre de projets"
  ) +
  theme_minimal(base_size = 16) +
  theme(plot.title = element_text(face = "bold"))

top3_fields <- top_fields %>% slice(1:3)

cat(paste0("Les champs d'application qui ressortent le plus sont:", paste0(top3_fields$Fields, collapse = "; ")),"avec des proportions respectives de", paste0(top3_fields$pct, "%", collapse = ", "), ".")

## Les champs d'application qui ressortent le plus sont:Suivi des patients et de santé; Information, éducation et changement des comportements (IECC); Formation des professionnels de santé avec des proportions respectives de 57.87%, 54.31%, 45.18% .

Par tranches de 5ans

f_res <- base1 %>%
  pivot_longer(
    cols      = all_of(field_col),
    names_to  = "Fields",
    values_to = "modalite"
  ) %>%
  filter(modalite == "Oui") %>%
  group_by(start_date2, Fields) %>%
  summarise(nb_oui = n(), .groups = "drop") %>%
  group_by(start_date2) %>%
  mutate(Fields = recode(Fields,
    "field_1" = "Formation des professionnels de santé",
    "field_2" = "Télémédecine (diagnostic et consultations à distance)",
    "field_3" = "Information, éducation et changement des comportements (IECC)",
    "field_4" = "Suivi des patients et des données de santé",
    "field_5" = "Accès financier au soin, micro-assurance",
    "field_6" = "Autres"
  )) %>% 
  mutate(
    total_start_date2 = sum(nb_oui),
    pct         = round(nb_oui / total_start_date2 * 100, 2),
    rang        = rank(-nb_oui, ties.method = "min")
  )

ggplot(f_res, aes(x = factor(start_date2), y = pct, fill = Fields)) +
  geom_col(position = "stack") +
  geom_text(
    aes(label = paste0(pct, "")),
    position = position_stack(vjust = 0.5),
    size = 5, color = "black", fontface = "bold"
  ) +
  scale_fill_brewer(palette = "YlGnBu", name = "Champs d'application") +
  labs(
    title    = "Répartition relative des champs d'application par année de démarrage des projets",
    x        = "Année de démarrage des projets",
    y        = "Pourcentage relatif (en %)"
  ) +
  theme_minimal(base_size = 18) +
  theme(plot.title = element_text(face = "bold"))

vue_autres_f <- base1 %>%
  filter (field_6 == "Oui") %>% 
  filter (start_date %in% c("2020", "2021", "2022", "2023", "2024")) %>% 
  select(ID, `Initiative name`, field_6, field_4, field_other)

#Pour autres sur la période [2020,2024], nous avons: accès aux produits médicaux et paramédicaux, gestion des données de santé, surveillance épidémiologique, aide à la décision clinique

Secteurs des porteurs

Toutes les années confondues

business_base <- base1 %>%
  group_by(business_org) %>%
  mutate(business_org = recode(business_org,
    "1" = "Sanitaire (Professionnels et structures de santé)",
    "2" = "Industriel (Start-ups, Entreprises, ...)",
    "3" = "Organisationnel (Collectivités, ONG, Associations, Fondations, ...)",
    "4" = "Académique (Universités, Laboratoires de recherche, ...)"
    )) %>% 
  summarise(nb = n(), .groups = "drop") %>%
  mutate(pct = round(nb / 197 * 100, 2))

ggplot(business_base, aes(x = reorder(business_org, nb), y = nb, fill = business_org)) +
  geom_col() +
  geom_text(aes(label = paste0(nb, " (", pct, "%)")),
            hjust = -0.1, size = 4) +
  coord_flip() +
  scale_y_continuous(expand = expansion(mult = c(0, 0.2))) +
  scale_fill_brewer(palette = "Set2", guide = "none") +
  labs(
    title = "Répartition des projets par secteur des porteurs",
    x     = "Secteurs des porteurs",
    y     = "Nombre de projets"
  ) +
  theme_minimal(base_size = 13) +
  theme(plot.title = element_text(face = "bold"))

top3_bb <- business_base %>% slice(1:3)

cat(paste0("Avec des proportions respectives de ", paste0(top3_bb$pct, "%", collapse = ", "),", ", "les 3 secteurs des porteurs qui se distinguent le plus sont ", paste0(top3_bb$business_org, collapse = "; ")), ".")

## Avec des proportions respectives de 24.37%, 32.49%, 34.01%, les 3 secteurs des porteurs qui se distinguent le plus sont Sanitaire (Professionnels et structures de santé); Industriel (Start-ups, Entreprises, ...); Organisationnel (Collectivités, ONG, Associations, Fondations, ...) .

Par tranches de 5ans

business_col <- base1$business_org

business_res <- base1 %>%
  group_by(start_date2, business_org) %>%
  summarise(nb_oui = n(), .groups = "drop") %>%
  group_by(start_date2) %>%
  mutate(
    business_org = recode(business_org,
      "1" = "Sanitaire (Professionnels et structures de santé)",
      "2" = "Industriel (Start-ups, Entreprises, ...)",
      "3" = "Organisationnel (Collectivités, ONG, Associations, Fondations, ...)",
      "4" = "Académique (Universités, Laboratoires de recherche, ...)"
    ),
    total_start_date2 = sum(nb_oui),
    pct  = round(nb_oui / total_start_date2 * 100, 2),
    rang = rank(-nb_oui, ties.method = "min")
  )

ggplot(business_res, aes(x = factor(start_date2), y = pct, fill = business_org)) +
  geom_col(position = "stack") +
  geom_text(aes(label = paste0(pct, "")),
            position = position_stack(vjust = 0.5),
            size = 5, color = "black", fontface = "bold") +
  scale_fill_brewer(palette = "Set2") +
  labs(
    title = "Répartition des secteurs des porteurs par année de démarrage des projets",
    x = "Année de démarrage des projets",
    y = "Proportion des secteurs des porteurs des projets (en %)",
    fill = "Secteurs des porteurs"
  ) +
  theme_minimal(base_size = 18) +
  theme(plot.title = element_text(face = "bold"),
        axis.text.x = element_text(angle = 45, hjust = 1))

Echelles d’implémentation

Toutes les années confondues

imp_area_col <- names(base1)[185:188]

top_imp_areas <- base1 %>%
  pivot_longer(
    cols      = all_of(imp_area_col),
    names_to  = "imp_areas",
    values_to = "modalite"
  ) %>%
  filter(modalite == "Oui") %>%
  group_by(imp_areas) %>%
  summarise(nb_oui = n(), .groups = "drop") %>%
   mutate(imp_areas = recode(imp_areas,
    "imp_area_1" = "Internationale (dans plusieurs pays)",
    "imp_area_2" = "Nationale (dans un seul pays)",
    "imp_area_3" = "Provinciale/Régionale (dans une région d'un seul pays)",
    "imp_area_4" = "Locale (dans une seule ville/village/localité)"
  )) %>%
  mutate(
    pct  = round(nb_oui / 197 * 100, 2),
    rang = rank(-nb_oui, ties.method = "min")
  ) %>%
  arrange(desc(nb_oui))
print(top_imp_areas)

## # A tibble: 4 × 4
##   imp_areas                                              nb_oui   pct  rang
##   <chr>                                                   <int> <dbl> <int>
## 1 Nationale (dans un seul pays)                              92 46.7      1
## 2 Internationale (dans plusieurs pays)                       65 33.0      2
## 3 Provinciale/Régionale (dans une région d'un seul pays)     29 14.7      3
## 4 Locale (dans une seule ville/village/localité)             11  5.58     4

ggplot(top_imp_areas, aes(x = reorder(imp_areas, nb_oui), y = nb_oui, fill = nb_oui)) +
  geom_col() +
  geom_text(aes(label = paste0(nb_oui, " (", pct, "%)")),
            hjust = -0.1, size = 4) +
  coord_flip() +
  scale_y_continuous(expand = expansion(mult = c(0, 0.3))) +
  scale_fill_gradient(low = "#EDF8E9", high = "#238B45", guide = "none") +
  labs(
    title = "Répartition des projets par échelle d'implémentation ",
    x = "Echelles d'implémentation",
    y = "Nombre de projets"
  ) +
  theme_minimal(base_size = 16) +
  theme(plot.title = element_text(face = "bold"))

top_ia <- top_imp_areas %>% slice(1:2)

cat(paste0( paste0(top_ia$imp_areas, collapse = " et "),  " avec respectivement ", paste0(top_ia$pct, "%", collapse = ", "),", ", "sont les échelles d'implémentation les plus représentées."))

## Nationale (dans un seul pays) et Internationale (dans plusieurs pays) avec respectivement 46.7%, 32.99%, sont les échelles d'implémentation les plus représentées.

Par tranches de 5ans

i_res <- base1 %>%
   pivot_longer(
    cols      = all_of(imp_area_col),
    names_to  = "imp_areas",
    values_to = "modalite"
  ) %>%
  filter(modalite == "Oui") %>%
  group_by(start_date2, imp_areas) %>%
  summarise(nb_oui = n(), .groups = "drop") %>%
  group_by(start_date2) %>% 
  mutate(imp_areas = recode(imp_areas,
    "imp_area_1" = "Internationale (dans plusieurs pays)",
    "imp_area_2" = "Nationale (dans un seul pays)",
    "imp_area_3" = "Provinciale/Régionale (dans une région d'un seul pays)",
    "imp_area_4" = "Locale (dans une seule ville/village/localité)"
  )) %>%
  mutate(
    total_start_date2 = sum(nb_oui),
    pct  = round(nb_oui / total_start_date2 * 100, 2),
    rang = rank(-nb_oui, ties.method = "min")
  )

ggplot(i_res, aes(x = start_date2, y = pct, fill = imp_areas)) +
  geom_col(position = "stack") +
  geom_text(aes(label = paste0(pct, "")),
            position = position_stack(vjust = 0.5),
            size = 5, color = "black", fontface = "bold") +
  scale_fill_brewer(palette = "Greens") +
  labs(
     title    = "Répartition relative des échelles d'implémentation par année de démarrage des projets",
    x        = "Année de démarrage des projets",
    y        = "Pourcentage relatif (en %)",
    fill = "Echelles d'implémentation"
  ) +
  theme_minimal(base_size = 18) +
  theme(plot.title = element_text(face = "bold"),
        axis.text.x = element_text(angle = 45, hjust = 1))

Origines des financements (années confondues)

o_source_col <- names(base1)[58:63]

top_o_source <- base1 %>%
  pivot_longer(
    cols      = all_of(o_source_col),
    names_to  = "O_source",
    values_to = "modalite"
  ) %>%
  filter(modalite == "Oui") %>%
  group_by(O_source) %>%
  summarise(nb_oui = n(), .groups = "drop") %>%
   mutate(O_source = recode(O_source,
    "o_source_1" = "Public (Subvention, Appel à projets/Appel d'offre,...)",
    "o_source_2" = "Privé (Investisseurs privés, Crowdfunding, Mécénat, ...)",
    "o_source_3" = "ONG",
    "o_source_4" = "Agence gouvernementale",
    "o_source_5" = "Agence intergouvernementale/internationale",
    "o_source_6" = " Autres"
  )) %>%
  mutate(
    pct  = round(nb_oui / 197 * 100, 2),
    rang = rank(-nb_oui, ties.method = "min")
  ) %>%
  arrange(desc(nb_oui))
print(top_o_source)

## # A tibble: 6 × 4
##   O_source                                                   nb_oui   pct  rang
##   <chr>                                                       <int> <dbl> <int>
## 1 "Privé (Investisseurs privés, Crowdfunding, Mécénat, ...)"    113  57.4     1
## 2 "Public (Subvention, Appel à projets/Appel d'offre,...)"       90  45.7     2
## 3 "Agence gouvernementale"                                       56  28.4     3
## 4 "ONG"                                                          55  27.9     4
## 5 "Agence intergouvernementale/internationale"                   40  20.3     5
## 6 " Autres"                                                      36  18.3     6

ggplot(top_o_source, aes(x = reorder(O_source, nb_oui), y = nb_oui, fill = nb_oui)) +
  geom_col() +
  geom_text(aes(label = paste0(nb_oui, " (", pct, "%)")),
            hjust = -0.1, size = 4) +
  coord_flip() +
  scale_y_continuous(expand = expansion(mult = c(0, 0.3))) +
  scale_fill_gradient(low = "linen", high = "saddlebrown", guide = "none") +
  labs(
    title = "Répartition de l'ensemble des projets par origine des financements",
    x = "Origines des financements",
    y = "Nombre de projets"
  ) +
  theme_minimal(base_size = 16) +
  theme(plot.title = element_text(face = "bold"))

Sources de financement (années confondues)

ECO_col <- names(base1)[78:82]

top_ECO <- base1 %>%
  pivot_longer(
    cols      = all_of(ECO_col),
    names_to  = "ECOS",
    values_to = "modalite"
  ) %>%
  filter(modalite == "Oui") %>%
  group_by(ECOS) %>%
  summarise(nb_oui = n(), .groups = "drop") %>%
   mutate(ECOS = recode(ECOS,
    "ECO1" = "Revenus générés par les utilisateurs",
    "ECO2" = "Subventions et dons",
    "ECO3" = "Publicités",
    "ECO4" = "Vente d'analyse de données",
    "ECO5" = "Autres"
  )) %>%
  mutate(
    pct  = round(nb_oui / 197 * 100, 2),
    rang = rank(-nb_oui, ties.method = "min")
  ) %>%
  arrange(desc(nb_oui))
print(top_ECO)

## # A tibble: 5 × 4
##   ECOS                                 nb_oui   pct  rang
##   <chr>                                 <int> <dbl> <int>
## 1 Subventions et dons                     125  63.4     1
## 2 Revenus générés par les utilisateurs     93  47.2     2
## 3 Autres                                   65  33.0     3
## 4 Publicités                               29  14.7     4
## 5 Vente d'analyse de données               23  11.7     5

ggplot(top_ECO, aes(x = reorder(ECOS, nb_oui), y = nb_oui, fill = nb_oui)) +
  geom_col() +
  geom_text(aes(label = paste0(nb_oui, " (", pct, "%)")),
            hjust = -0.1, size = 4) +
  coord_flip() +
  scale_y_continuous(expand = expansion(mult = c(0, 0.3))) +
  scale_fill_gradient(low = "lightyellow", high = "darkorange", guide = "none") +
  labs(
    title = "Répartition de l'ensemble des projets par source de financement",
    x = "Sources de financement",
    y = "Nombre de projets"
  ) +
  theme_minimal(base_size = 16) +
  theme(plot.title = element_text(face = "bold"))

Stade d’avancement

Toutes les années confondues

base1 %>%
  count(stage) %>%
  mutate(stage = recode(stage,
    "1" = "Projet pilote",
    "2" = "Projet en routine / en exploitation"
  )) %>%
  mutate(pct = n / 197 * 100) %>%
  ggplot(aes(x = "", y = pct, fill = stage)) +
  geom_bar(stat = "identity", position = "stack") +
  geom_text(aes(label = paste0(n, " (", round(pct), "%)"), fontface = "bold"),
            position = position_stack(vjust = 0.5)) +
  coord_polar("y") +
  labs(title = "Répartition des projets par stade d'avancement",
       fill = "Stades d'avancement") +
  theme_void()+
  theme(plot.title = element_text(face = "bold"))

top_stage <- round(prop.table(table(base1$stage))*100,0)

cat(paste0("Le stade routine/en exploitation représente ", unname(top_stage[2]),"%, contre ", unname(top_stage[1]), "% pour le stade pilote."))

## Le stade routine/en exploitation représente 63%, contre 37% pour le stade pilote.

Par tranches de 5ans

base1 %>%
  count(start_date2, stage) %>%
  group_by(start_date2) %>%
  mutate(stage = recode(stage,
    "1" = "Projet pilote",
    "2" = "Projet en routine / en exploitation"
  )) %>% 
  mutate(pct = n / sum(n) * 100) %>%
  ggplot(aes(x = factor(start_date2), y = pct, fill = stage)) +
  geom_bar(stat = "identity", position = "stack") +
  geom_text(aes(label = paste0(round(pct), ""),fontface = "bold"), 
            position = position_stack(vjust = 0.5)) +
  labs(title = "Répartition des stades d'avancement par année de démarrage des projets",
       x = "Année de démarrage des projets", y = "Pourcentage (en %)", fill = "Stades d'avancement") +
  theme_minimal()+
theme(plot.title = element_text(face = "bold"))

Statut de clôture des projets

base1  %>% 
count(end_stage) %>%
  mutate(pct = n / 197 * 100) %>%
  ggplot(aes(x = "", y = pct, fill = end_stage)) +
  geom_bar(stat = "identity", position = "stack") +
  geom_text(aes(label = paste0(n, " (", round(pct), "%)"),
            fontface = "bold"),
            position = position_stack(vjust = 0.5)) +
  coord_polar("y") +
  scale_fill_manual(values = c("clôturé" = "#7C3AED", "non clôturé" = "#F9A8D4")) +
  labs(title = "Répartition des projets selon leur satut de clôture",
       fill = "Stade des projets") +
  theme_void() +
  theme(plot.title = element_text(face = "bold"))

top_end_stage <- round(prop.table(table(base1$end_stage))*100,0)

cat(paste0("A ce jour, les projets clôturés représentent ", unname(top_end_stage[1]),"%, contre ", unname(top_end_stage[2]), "% pour les projets non clôturés."))

## A ce jour, les projets clôturés représentent 25%, contre 75% pour les projets non clôturés.

****************************************************************************************************************************

Croisement de variables (tous projets)

Sources de financement en fonction du secteur des porteurs

ECO_bus <- base1 %>%
  select(business_org, ECO1, ECO2, ECO3, ECO4, ECO5) %>%
  mutate(business_org = recode(business_org,
      "1" = "Sanitaire",
      "2" = "Industriel",
      "3" = "Organisationnel",
      "4" = "Académique"
  )) %>%
  pivot_longer(cols = starts_with("ECO"),
               names_to = "ECOS",
               values_to = "valeur") %>%
  filter(valeur == "Oui") %>%
  mutate(ECOS = recode(ECOS,
    "ECO1" = "Revenus générés par les utilisateurs",
    "ECO2" = "Subventions et dons",
    "ECO3" = "Publicités",
    "ECO4" = "Vente d'analyse de données",
    "ECO5" = " Autres"
  )) %>%
  group_by(business_org, ECOS) %>%
  summarise(nb = n(), .groups = "drop") %>%
  group_by(business_org) %>%
  mutate(
    total = sum(nb),
    pct   = round(nb / total * 100, 1)
  )

ggplot(ECO_bus, aes(x = business_org, y = nb, fill = ECOS)) +
  geom_col(position = "fill") +
  geom_text(aes(label = paste0(pct, "")),
            position = position_fill(vjust = 0.5),
            size = 2.5, fontface = "bold") +
  scale_y_continuous(labels = scales::percent) +
  scale_fill_brewer(palette = "Set2") +
  labs(
    title = "Répartition de sources de financement en fonction du secteur des porteurs",
    x     = "Secteurs des porteurs",
    y     = "Proportion (en %)",
    fill  = "Sources de financement"
  ) +
  theme_minimal(base_size = 12) +
  theme(
    plot.title  = element_text(face = "bold"),
    axis.text.x = element_text(angle = 45, hjust = 1)
  )

vue_autres_eco <- base1 %>% 
  filter(ECO5== "Oui") %>% 
  select(ID, `Initiative name`, ECO2, ECO5, ECO_other )

Origines des financements en fonction du secteur des porteurs

o_source_bus <- base1 %>% 
  select(business_org, o_source_1, o_source_2, o_source_3, o_source_5, o_source_6) %>% 
  mutate(business_org = recode(business_org,
      "1" = "Sanitaire (Professionnels et structures de santé)",
      "2" = "Industriel (Start-ups, Entreprises, ...)",
      "3" = "Organisationnel (Collectivités, ONG, Associations, Fondations, ...)",
      "4" = "Académique (Universités, Laboratoires de recherche, ...)"
  )) %>%
  pivot_longer(cols = starts_with("o_source_"),
               names_to = "O_source",
               values_to = "valeur") %>%
  filter(valeur == "Oui") %>%
  mutate(O_source = recode(O_source,
    "o_source_1" = "Public (Subvention, Appel à projets/Appel d'offre,...)",
    "o_source_2" = "Privé (Investisseurs privés, Crowdfunding, Mécénat, ...)",
    "o_source_3" = "ONG",
    "o_source_4" = "Agence gouvernementale",
    "o_source_5" = "Agence intergouvernementale/internationale",
    "o_source_6" = "Autres"
  )) %>%
  group_by(business_org, O_source) %>%
  summarise(nb = n(), .groups = "drop") %>%
  group_by(business_org) %>%
  mutate(
    total = sum(nb),
    pct   = round(nb / total * 100, 1)
  )

ggplot(o_source_bus, aes(x = business_org, y = nb, fill = O_source)) +
  geom_col(position = "fill") +
  geom_text(aes(label = paste0(pct, "")),
            position = position_fill(vjust = 0.5),
            size = 3.5, fontface = "bold") +
  scale_y_continuous(labels = scales::percent) +
  scale_fill_brewer(palette = "Set2") +
  labs(
    title = "Répartition des origines des financements en fonction du secteur des porteurs",
    x     = "Secteurs des porteurs",
    y     = "Proportion (en %)",
    fill  = "Origines des financements"
  ) +
  theme_minimal(base_size = 14) +
  theme(
    plot.title  = element_text(face = "bold"),
    axis.text.x = element_text(angle = 45, hjust = 1)
  )

Thématiques en fonction du secteur des porteurs

theme_bus <- base1 %>% 
  select(GBD1_NCD, GBD1_CMNND, GBD1_Trans, GBD1_injuries, GBD1_injuries, GBD1_Autres, business_org) %>% 
  mutate(business_org = recode(business_org,
      "1" = "Sanitaire (Professionnels et structures de santé)",
      "2" = "Industriel (Start-ups, Entreprises, ...)",
      "3" = "Organisationnel (Collectivités, ONG, Associations, Fondations, ...)",
      "4" = "Académique (Universités, Laboratoires de recherche, ...)"
  )) %>%
  pivot_longer(cols = starts_with("GBD1_"),
    names_to  = "GBDS",
    values_to = "valeur" ) %>%
  filter(valeur == "Oui") %>%
  mutate(GBDS = case_when(
  GBDS == "GBD1_NCD"  ~ "Maladies non transmissibles",
  GBDS == "GBD1_CMNND"  ~ "Maladies transmissibles, maternelles, néonatales et nutritionnelles",
  GBDS == "GBD1_Trans"  ~ "Transversal",
  GBDS == "GBD1_injuries"  ~ "Blessures",
  GBDS == "GBD1_Autres"  ~ "Autres")) %>%
  group_by(business_org, GBDS) %>%
  summarise(nb = n(), .groups = "drop") %>%
  group_by(business_org) %>%
  mutate(
    total = sum(nb),
    pct   = round(nb / total * 100, 1))

ggplot(theme_bus, aes(x = business_org, y = nb, fill = GBDS)) +
  geom_col(position = "fill") +
  geom_text(aes(label = paste0(pct, "")),
            position = position_fill(vjust = 0.5),
            size = 3.5, fontface = "bold") +
  scale_y_continuous(labels = scales::percent) +
  scale_fill_brewer(palette = "Set2") +
  labs(
    title = "Répartition des thématiques en fonction du secteur des porteurs",
    x     = "Secteurs des porteurs",
    y     = "Proportion (en %)",
    fill  = "Thématiques"
  ) +
  theme_minimal(base_size = 14) +
  theme(
    plot.title  = element_text(face = "bold"),
    axis.text.x = element_text(angle = 45, hjust = 1)
  )

Champs d’application en fonction des thématiques

field_theme <- base1 %>% 
  select(GBD1_NCD, GBD1_CMNND, GBD1_Trans, GBD1_injuries, GBD1_Autres, field_1, field_2, field_3, field_4, field_5, field_6 ) %>% 
   pivot_longer(cols = starts_with("field_"),
    names_to  = "Fields",
    values_to = "valeur" ) %>%
  filter(valeur == "Oui") %>%
  mutate(Fields = recode(Fields,
    "field_1" = "Formation des professionnels de santé",
    "field_2" = "Télémédecine (diagnostic et consultations à distance)",
    "field_3" = "Information, éducation et changement des comportements (IECC)",
    "field_4" = "Suivi des patients et des données de santé",
    "field_5" = "Accès financier au soin, micro-assurance",
    "field_6" = "Autres")) %>%
         
   pivot_longer(cols = starts_with("GBD1_"),
    names_to  = "GBDS",
    values_to = "presence" ) %>%
  filter(presence == "Oui") %>%
  
   mutate(GBDS = case_when(
  GBDS == "GBD1_NCD"  ~ "Maladies non transmissibles",
  GBDS == "GBD1_CMNND"  ~ "Maladies transmissibles, maternelles, néonatales et nutritionnelles",
  GBDS == "GBD1_Trans"  ~ "Transversal",
  GBDS == "GBD1_injuries"  ~ "Blessures",
  GBDS == "GBD1_Autres"  ~ "Autres")) %>%
   group_by(Fields, GBDS) %>%
  summarise(nb = n(), .groups = "drop") %>%
  group_by(GBDS) %>%
  mutate(
    total = sum(nb),
    pct   = round(nb / total * 100, 1))

ggplot(field_theme, aes(x = GBDS, y = nb, fill = Fields)) +
  geom_col(position = "fill") +
  geom_text(aes(label = paste0(pct, "")),
            position = position_fill(vjust = 0.5),
            size = 3.5, fontface = "bold") +
  scale_y_continuous(labels = scales::percent) +
  scale_fill_brewer(palette = "Set2") +
  labs(
    title = "Répartition des champs d'application en fonction des thématiques",
    x     = "Thématiques",
    y     = "Proportion (en %)",
    fill  = "Champs d'application"
  ) +
  theme_minimal(base_size = 14) +
  theme(
    plot.title  = element_text(face = "bold"),
    axis.text.x = element_text(angle = 45, hjust = 1))

Thématiques et classification de la banque mondiale

matrice <- read_excel("C:/Users/monrenike.agossou/OneDrive - Fondation PIERRE FABRE/Stage/Copie de Matrice de correspondance pays.xlsx")

## New names:
## • `Verif WB/Pays` -> `Verif WB/Pays...10`
## • `Verif WB/Pays` -> `Verif WB/Pays...11`

base_country <- base1 %>% 
  pivot_longer(cols = c(80:176),
               names_to = "country",
               values_to = "valeur") %>%
  filter(valeur == "Oui")

je ressors les codes ISO pour faciliter la fusion des deux tables

base_country <- base1 %>% 
  pivot_longer(cols = c(80:176),
               names_to = "country_fr",
               values_to = "valeur") %>%
  filter(valeur == "Oui") %>%
  mutate(iso2 = codes_pays[match(country_fr, noms_pays)])

Fusion des deux tables

base1_matrice <- merge(base_country, matrice , by.x = "iso2", by.y = "Code ISO 2", all.x= TRUE) 

WB <- base1_matrice %>% 
  filter(! is.na(Continent)) %>% # je n'ai donc sélectionné que les pays africains et asiatiques
  select(`Initiative name`,Zone_WB, GBD1_NCD, GBD1_CMNND, GBD1_Trans, GBD1_injuries, GBD1_Autres, LangueFR) %>% 
pivot_longer(cols = starts_with("GBD1_"),
    names_to  = "GBDS",
    values_to = "valeur"
  ) %>%
  filter(valeur == "Oui") %>%
  mutate(GBDS = case_when(
  GBDS == "GBD1_NCD"  ~ "Maladies non transmissibles",
  GBDS == "GBD1_CMNND"  ~ "Maladies transmissibles, maternelles, néonatales et nutritionnelles",
  GBDS == "GBD1_Trans"  ~ "Transversal",
  GBDS == "GBD1_injuries"  ~ "Blessures",
  GBDS == "GBD1_Autres"  ~ "Autres",
)) %>%
  mutate(Zone_WB = recode(Zone_WB,
    "East Asia & Pacific" = "Asie de l'Est et Pacifique",
    "Sub-Saharan Africa" = "Afrique subsaharienne",
    "South Asia" = "Asie du Sud",
    "Middle East & North Africa" = "Moyen-Orient et Afrique du Nord",
    "Europe & Central Asia" ="Asie Centrale et Europe"
  )) %>%
   group_by(GBDS, Zone_WB) %>%
  summarise(nb = n(), .groups = "drop") %>%
  group_by(Zone_WB) %>%
  mutate(
    total = sum(nb),
    pct   = round(nb / total * 100, 1)
  )

ggplot(WB, aes(x = Zone_WB, y = nb, fill = GBDS)) +
  geom_col(position = "fill") +
  geom_text(aes(label = ifelse(pct > 5, paste0(pct, ""), "")),
            position = position_fill(vjust = 0.5),
            size = 3.5, fontface = "bold") +
  scale_y_continuous(labels = scales::percent) +
  scale_fill_brewer(palette = "Set2") +
  labs(
    title = "Répartition des thématiques des projets en fonction des régions de la Banque mondiale",
    x     = "Régions de la Banque mondiale",
    y     = "Proportion (en %)",
    fill  = "Thématiques des projets"
  ) +
  theme_minimal(base_size = 14) +
  theme(
    plot.title  = element_text(face = "bold"),
    axis.text.x = element_text(angle = 45, hjust = 1)
  )

Thématiques en fonction de l’Afrique subsaharienne (francophones, anglophones, lusophones et hispanophones)

WB2 <- base1_matrice %>% 
  filter(Zone_WB== "Sub-Saharan Africa") %>% 
  select(Zone_WB, GBD1_NCD, GBD1_CMNND, GBD1_Trans, GBD1_injuries, GBD1_Autres, LangueFR, iso2) %>% 
pivot_longer(cols = starts_with("GBD1_"),
    names_to  = "GBDS",
    values_to = "valeur"
  ) %>%
  filter(valeur == "Oui") %>%
  mutate(GBDS = case_when(
  GBDS == "GBD1_NCD"  ~ "Maladies non transmissibles",
  GBDS == "GBD1_CMNND"  ~ "Maladies transmissibles, maternelles, néonatales et nutritionnelles",
  GBDS == "GBD1_Trans"  ~ "Transversal",
  GBDS == "GBD1_injuries"  ~ "Blessures",
  GBDS == "GBD1_Autres"  ~ "Autres",
)) %>%
  mutate(Sub_Afro = case_when (
   iso2 %in% c("BJ", "BF", "BI", "CM", "CF", "TD", "KM", "CG", "CD", "CI", 
                "DJ", "GA", "GN", "MG", "ML", "MR", "NE", "RW", "SN", "TG") ~ "Afrique subsaharienne francophone",
   iso2 %in% c("BW", "ER", "SZ", "GM", "GH", "KE", "LS", "LR", "MW", "NA", "NG", "SC", "SL", "SO", "ZA", "SS", "SD", "TZ", "UG", "ZM", "ZW", "ET", "MU") ~ "Afrique subsaharienne anglophone",
   iso2 %in% c("AO", "CV", "GW", "MZ", "ST") ~ "Afrique subsaharienne lusophone",
   iso2 == "GQ" ~ "Afrique subsaharienne Hispanophone"
)) %>% 
   group_by(GBDS, Sub_Afro) %>%
  summarise(nb = n(), .groups = "drop") %>%
  group_by(Sub_Afro) %>%
  mutate(
    total = sum(nb),
    pct   = round(nb / total * 100, 1)
  )

ggplot(WB2, aes(x = Sub_Afro, y = nb, fill = GBDS)) +
  geom_col(position = "fill") +
  geom_text(aes(label = paste0(pct, "")),
            position = position_fill(vjust = 0.5),
            size = 4, fontface = "bold") +
  scale_y_continuous(labels = scales::percent) +
  scale_fill_brewer(palette = "Set2") +
  labs(
    title = "Répartition des thématiques des projets en fonction des régions de l'Afrique subsaharienne",
    x     = "Régions de l'Afrique subsaharienne",
    y     = "Proportion (en %)",
    fill  = "Thématiques des projets"
  ) +
  theme_minimal(base_size = 14) +
  theme(
    plot.title  = element_text(face = "bold"),
    axis.text.x = element_text(angle = 45, hjust = 1)
  )

***************************************************************************************************************************

Statistiques pour les projets lauréats

Filtre sur les projets lauréats

base2 <- base1 %>% 
  filter(statut_l=="lauréat")

Table sans les valeurs extrêmes de la variable start_date

base2 <- base2 %>% 
    filter(start_date %in% 2010:2024)

Nombre de projets

Par année

ggplot(base2, aes(x = start_date)) +
  geom_bar(fill = "mediumpurple") +
  stat_count(geom = "text", aes(label = ..count..), vjust = -0.3) +
  labs(title = "Répartition des projets lauréats par année de démarrage",
       x = "Année de démarrage",
       y = "Nombre de projets") +
  theme_minimal()

  nb2_prj_an <- table(base2$start_date)
top3 <- sort(nb2_prj_an, decreasing = TRUE)[1:3]

cat(paste0("Les plus grands nombres de projets lauréats démarrés s'observent respectivement en ", paste0(names(top3), " (", top3, ")", collapse = ", "), "."))

## Les plus grands nombres de projets lauréats démarrés s'observent respectivement en 2013 (7), 2016 (5), 2014 (4).

Par tranches de 5ans

base2 <- base2 %>%
  mutate(
    start_date = as.numeric(start_date),
    start_date2 = cut(
      start_date,
      breaks = c(1999, 2004, 2009, 2014, 2019, 2024, 2029),
      labels = c("[2000-2004]", "[2005-2009]", "[2010-2014]", "[2015-2019]", "[2020-2024]", "[2025-2029]"),
      right = TRUE,
      include.lowest = TRUE))

ggplot(base2, aes(x = start_date2)) +
  geom_bar(fill = "mediumpurple") +
  stat_count(geom = "text", aes(label = ..count..), vjust = -0.3) +
  labs(title = "Répartition des projets lauréats par année de démarrage",
       x = "Année de démarrage",
       y = "Nombre de projets") +
  theme_minimal()

  nb2_prj_5ans <- table(base2$start_date2)
top2 <- sort(nb2_prj_5ans, decreasing = TRUE)[1:2]

cat(paste0("Les plus grands nombres de projets lauréats démarrés sont observés sur les périodes ",
           paste0(names(top2), collapse = " et "),
           ", avec respectivement ",
           paste0(top2, collapse = " et "),
           " projets."))

## Les plus grands nombres de projets lauréats démarrés sont observés sur les périodes [2015-2019] et [2010-2014], avec respectivement 17 et 15 projets.

mean(table(base2$start_date))

## [1] 3.153846

sd(table(base2$start_date))

## [1] 1.724633

Répartition par pays

country2 <- base2 %>%
  pivot_longer(cols = c(83:184),
               names_to = "pays",
               values_to = "presence") %>%
  filter(presence == "Oui")

#Nombre de pays 
country2 %>%
  distinct(pays) %>%
  nrow()

## [1] 58

count_country2 <- country2 %>%
  group_by(pays) %>%
  summarise(nb_projets2 = n())

world2 <- ne_countries(scale = "medium", returnclass = "sf")

world_sel2 <- world2 %>%
  filter(continent %in% c("Africa", "Asia"))

map_data2 <- world_sel2 %>%
  left_join(count_country2, by = c("name_fr" = "pays"))

ggplot(map_data2) +
  geom_sf(aes(fill = nb_projets2), color = "black") +
   scale_fill_distiller(palette = "YlOrRd", direction = 1, na.value = "grey90") +
  geom_sf_text(data = map_data2 %>% filter(!is.na(nb_projets2)),  
               aes(label = name), size = 4.3, color = "black", fontface = "bold") +
  labs(title = "Répartition des projets par pays",
       fill = "Nombre de projets")

## Warning in st_point_on_surface.sfc(sf::st_zm(x)): st_point_on_surface may not
## give correct results for longitude/latitude data

nb2_prj_pays <- table(country2$pays)
top5 <- sort(nb2_prj_pays, decreasing = TRUE)[1:5]

cat(paste0("Les pays dans lesquels on observe le plus de projets lauréats sont ",
           paste0(names(top5), collapse = ", "),
           ", avec respectivement ",
           paste0(top5, collapse = ", "),
           " projets."))

## Les pays dans lesquels on observe le plus de projets lauréats sont Inde, Sénégal, Éthiopie, Ghana, Afrique du Sud, avec respectivement 10, 6, 5, 5, 4 projets.

Thématique

Toutes années confondues

top_gbd2 <- base2 %>% 
pivot_longer(
    cols      = all_of(GBD_col),
    names_to  = "GBDS",
    values_to = "modalite"
  ) %>%
  filter(modalite == "Oui") %>%
  group_by(GBDS) %>%
  summarise(nb_oui = n(), .groups = "drop") %>%
  mutate(GBDS = case_when(
  GBDS == "GBD1_NCD"  ~ "Maladies non transmissibles",
  GBDS == "GBD1_CMNND"  ~ "Maladies transmissibles, maternelles, néonatales et nutritionnelles",
  GBDS == "GBD1_Trans"  ~ "Transversal",
  GBDS == "GBD1_injuries"  ~ "Blessures",
  GBDS == "GBD1_Autres"  ~ "Autres",
)) %>%
  mutate(
    pct  = round(nb_oui / 41 * 100, 1),
    rang = rank(-nb_oui, ties.method = "min")
  ) %>%
  arrange(desc(nb_oui))
print(top_gbd2)

## # A tibble: 5 × 4
##   GBDS                                                        nb_oui   pct  rang
##   <chr>                                                        <int> <dbl> <int>
## 1 Maladies transmissibles, maternelles, néonatales et nutrit…     31  75.6     1
## 2 Autres                                                          21  51.2     2
## 3 Transversal                                                     17  41.5     3
## 4 Maladies non transmissibles                                     15  36.6     4
## 5 Blessures                                                        1   2.4     5

ggplot(top_gbd2, aes(x = reorder(GBDS, nb_oui), y = nb_oui, fill = nb_oui)) +
  geom_col() +
  geom_text(aes(label = paste0(nb_oui, " (", round(nb_oui/41*100, 2), "%)")), 
            hjust = -0.1, size = 4) +
  coord_flip() +
  scale_y_continuous(expand = expansion(mult = c(0, 0.3))) +
  scale_fill_gradient(high = "#D73027", low = "#FEE5D9", guide = "none") +
  labs(
    title = "Répartition des projets lauréats par thématique (GBD1)",
    x = "Thématiques des projets",
    y = "Nombre de projets"
  ) +
  theme_minimal(base_size = 16) +
  theme(plot.title = element_text(face = "bold"))

top3_gbd2 <- top_gbd2 %>% slice(1:3)

cat(paste0("Les thématiques les plus représentées sont respectivement: ", paste0(top3_gbd2$GBDS, " (", top3_gbd2$pct, "%)", collapse = ", "), "."))

## Les thématiques les plus représentées sont respectivement: Maladies transmissibles, maternelles, néonatales et nutritionnelles (75.6%), Autres (51.2%), Transversal (41.5%).

Par tranches de 5 ans GBD1

theme_res2 <- base2 %>%
 pivot_longer(
    cols      = all_of(GBD_col),
    names_to  = "GBDS",
    values_to = "modalite"
  ) %>%
  filter(modalite == "Oui") %>%
  group_by(start_date2,GBDS) %>%
  summarise(nb_oui = n(), .groups = "drop") %>%
  group_by(start_date2) %>%
  mutate(GBDS = case_when(
  GBDS == "GBD1_NCD"  ~ "Maladies non transmissibles",
  GBDS == "GBD1_CMNND"  ~ "Maladies transmissibles, maternelles, néonatales et nutritionnelles",
  GBDS == "GBD1_Trans"  ~ "Transversal",
  GBDS == "GBD1_M"  ~ "Maladies transmissibles, non transmissibles, maternelles, néonatales et nutritionnelles",
  GBDS == "GBD1_injuries"  ~ "Blessures",
  GBDS == "GBD1_Autres"  ~ "Autres",
)) %>%
  mutate(
    total_start_date2 = sum(nb_oui),
    pct         = round(nb_oui / total_start_date2 * 100, 2),
    rang        = rank(-nb_oui, ties.method = "min")
  )

ggplot(theme_res2, aes(x = factor(start_date2), y = pct, fill = GBDS)) +
  geom_col(position = "stack") +
  geom_text(
    aes(label = paste0(pct, "")),
    position = position_stack(vjust = 0.5),
    size = 5, color = "black", fontface = "bold"
  ) +
  scale_fill_brewer(palette = "Reds", name = "Thématiques GBD1") +
  labs(
    title    = "Répartition relative des thématiques par année de démarrage des projets",
    x        = "Année de démarrage des projets",
    y        = "Pourcentage relatif (en %)"
  ) +
  theme_minimal(base_size = 18) +
  theme(plot.title = element_text(face = "bold"))

Champs d’application

Toutes les années confondues

field_col2 <- names(base2)[17:22]

top_fields2 <- base2 %>%
  pivot_longer(
    cols      = all_of(field_col2),
    names_to  = "Fields",
    values_to = "modalite"
  ) %>%
  filter(modalite == "Oui") %>%
  group_by(Fields) %>%
  summarise(nb_oui = n(), .groups = "drop") %>%
   mutate(Fields = recode(Fields,
    "field_1" = "Formation des professionnels de santé",
    "field_2" = "Télémédecine (diagnostic et consultations à distance)",
    "field_3" = "Information, éducation et changement des comportements (IECC)",
    "field_4" = "Suivi des patients et des données de santé",
    "field_5" = "Accès financier au soin, micro-assurance",
    "field_6" = "Autres"
  )) %>%
  mutate(
    pct  = round(nb_oui / 41 * 100, 2),
    rang = rank(-nb_oui, ties.method = "min")
  ) %>%
  arrange(desc(nb_oui))
print(top_fields2)

## # A tibble: 6 × 4
##   Fields                                                      nb_oui   pct  rang
##   <chr>                                                        <int> <dbl> <int>
## 1 Suivi des patients et des données de santé                      27  65.8     1
## 2 Information, éducation et changement des comportements (IE…     26  63.4     2
## 3 Formation des professionnels de santé                           18  43.9     3
## 4 Télémédecine (diagnostic et consultations à distance)           11  26.8     4
## 5 Autres                                                           9  22.0     5
## 6 Accès financier au soin, micro-assurance                         5  12.2     6

ggplot(top_fields2, aes(x = reorder(Fields, nb_oui), y = nb_oui, fill = nb_oui)) +
  geom_col() +
  geom_text(aes(label = paste0(nb_oui, " (", pct, "%)")),
            hjust = -0.1, size = 4) +
  coord_flip() +
  scale_y_continuous(expand = expansion(mult = c(0, 0.3))) +
  scale_fill_gradient(low = "#C6DBEF", high = "#2171B5", guide = "none") +
  labs(
    title = "Répartition des projets lauréats par champ d'application",
    x = "Champs d'application",
    y = "Nombre de projets"
  ) +
  theme_minimal(base_size = 16) +
  theme(plot.title = element_text(face = "bold"))

top3_fields2 <- top_fields2 %>% slice(1:3)

cat(paste0("Les champs d'application qui ressortent le plus pour les projets lauréats sont: ", paste0(top3_fields2$Fields, collapse = "; ")),"avec des proportions respectives de", paste0(top3_fields2$pct, "%", collapse = ", "), ".")

## Les champs d'application qui ressortent le plus pour les projets lauréats sont: Suivi des patients et des données de santé; Information, éducation et changement des comportements (IECC); Formation des professionnels de santé avec des proportions respectives de 65.85%, 63.41%, 43.9% .

Par tranches de 5ans

f_res2 <- base2 %>%
  pivot_longer(
    cols      = all_of(field_col2),
    names_to  = "Fields",
    values_to = "modalite"
  ) %>%
  filter(modalite == "Oui") %>%
  group_by(start_date2, Fields) %>%
  summarise(nb_oui = n(), .groups = "drop") %>%
  group_by(start_date2) %>%
  mutate(Fields = recode(Fields,
    "field_1" = "Formation des professionnels de santé",
    "field_2" = "Télémédecine (diagnostic et consultations à distance)",
    "field_3" = "Information, éducation et changement des comportements (IECC)",
    "field_4" = "Suivi des patients et des données de santé",
    "field_5" = "Accès financier au soin, micro-assurance",
    "field_6" = "Autres"
  )) %>% 
  mutate(
    total_start_date2 = sum(nb_oui),
    pct         = round(nb_oui / total_start_date2 * 100, 2),
    rang        = rank(-nb_oui, ties.method = "min")
  )

ggplot(f_res2, aes(x = factor(start_date2), y = pct, fill = Fields)) +
  geom_col(position = "stack") +
  geom_text(
    aes(label = paste0(pct, "")),
    position = position_stack(vjust = 0.5),
    size = 5, color = "black", fontface = "bold"
  ) +
  scale_fill_brewer(palette = "YlGnBu", name = "Champs d'application") +
  labs(
    title    = "Répartition relative des champs d'application par année de démarrage des projets",
    x        = "Année de démarrage des projets lauréats",
    y        = "Pourcentage relatif (en %)"
  ) +
  theme_minimal(base_size = 18) +
  theme(plot.title = element_text(face = "bold"))

vue_autres_f2 <- base2 %>%
  filter (field_6 == "Oui") %>% 
  filter (start_date %in% c("2020", "2021", "2022", "2023", "2024")) %>% 
  select(ID, `Initiative name`, field_6, field_4, field_other)

#Pour autres sur la période [2020,2024], nous avons: gestion des données de santé, surveillance épidémiologique

Secteurs des porteurs

Toutes les années confondues

business_base2 <- base2 %>%
  group_by(business_org) %>%
  mutate(business_org = recode(business_org,
    "1" = "Sanitaire (Professionnels et structures de santé)",
    "2" = "Industriel (Start-ups, Entreprises, ...)",
    "3" = "Organisationnel (Collectivités, ONG, Associations, Fondations, ...)",
    "4" = "Académique (Universités, Laboratoires de recherche, ...)"
    )) %>% 
  summarise(nb = n(), .groups = "drop") %>%
  mutate(pct = round(nb / 41 * 100, 2))

ggplot(business_base2, aes(x = reorder(business_org, nb), y = nb, fill = business_org)) +
  geom_col() +
  geom_text(aes(label = paste0(nb, " (", pct, "%)")),
            hjust = -0.1, size = 4) +
  coord_flip() +
  scale_y_continuous(expand = expansion(mult = c(0, 0.2))) +
  scale_fill_brewer(palette = "Set2", guide = "none") +
  labs(
    title = "Répartition des projets lauréats par secteur des porteurs",
    x     = "Secteurs des porteurs",
    y     = "Nombre de projets"
  ) +
  theme_minimal(base_size = 13) +
  theme(plot.title = element_text(face = "bold"))

top_bb <- business_base2 %>% slice(1:3)

cat(paste0("Avec des proportions respectives de ", paste0(top_bb$pct, "%", collapse = ", "),", ", "les 3 secteurs des porteurs qui ressortent le plus pour les projets lauréats sont ", paste0(top_bb$business_org, collapse = "; ")), ".")

## Avec des proportions respectives de 12.2%, 41.46%, 31.71%, les 3 secteurs des porteurs qui ressortent le plus pour les projets lauréats sont Sanitaire (Professionnels et structures de santé); Industriel (Start-ups, Entreprises, ...); Organisationnel (Collectivités, ONG, Associations, Fondations, ...) .

Par tranches de 5ans

business_res2 <- base2 %>%
  group_by(start_date2, business_org) %>%
  summarise(nb_oui = n(), .groups = "drop") %>%
  group_by(start_date2) %>%
  mutate(
    business_org = recode(business_org,
      "1" = "Sanitaire (Professionnels et structures de santé)",
      "2" = "Industriel (Start-ups, Entreprises, ...)",
      "3" = "Organisationnel (Collectivités, ONG, Associations, Fondations, ...)",
      "4" = "Académique (Universités, Laboratoires de recherche, ...)"
    ),
    total_start_date2 = sum(nb_oui),
    pct  = round(nb_oui / total_start_date2 * 100, 2),
    rang = rank(-nb_oui, ties.method = "min")
  )

ggplot(business_res2, aes(x = start_date2, y = pct, fill = business_org)) +
  geom_col(position = "stack") +
  geom_text(aes(label = ifelse(pct > 5, paste0(pct, ""), "")),
            position = position_stack(vjust = 0.5),
            size = 5, color = "black", fontface = "bold") +
  scale_fill_brewer(palette = "Set2") +
  labs(
    title = "Répartition des secteurs des porteurs par année de démarrage des projets",
    x = "Année de démarrage des projets",
    y = "Proportion des secteurs des porteurs des projets",
    fill = "Secteurs des porteurs"
  ) +
  theme_minimal(base_size = 18) +
  theme(plot.title = element_text(face = "bold"),
        axis.text.x = element_text(angle = 45, hjust = 1))

Echelles d’implémentation

Toutes les années confondues

imp_area_col2 <- names(base2)[185:188]

top_imp_areas2 <- base2 %>%
  pivot_longer(
    cols      = all_of(imp_area_col2),
    names_to  = "imp_areas",
    values_to = "modalite"
  ) %>%
  filter(modalite == "Oui") %>%
  group_by(imp_areas) %>%
  summarise(nb_oui = n(), .groups = "drop") %>%
   mutate(imp_areas = recode(imp_areas,
    "imp_area_1" = "Internationale (dans plusieurs pays)",
    "imp_area_2" = "Nationale (dans un seul pays)",
    "imp_area_3" = "Provinciale/Régionale (dans une région d'un seul pays)",
    "imp_area_4" = "Locale (dans une seule ville/village/localité)"
  )) %>%
  mutate(
    pct  = round(nb_oui / 41 * 100, 2),
    rang = rank(-nb_oui, ties.method = "min")
  ) %>%
  arrange(desc(nb_oui))
print(top_imp_areas2)

## # A tibble: 4 × 4
##   imp_areas                                              nb_oui   pct  rang
##   <chr>                                                   <int> <dbl> <int>
## 1 Nationale (dans un seul pays)                              17 41.5      1
## 2 Internationale (dans plusieurs pays)                       16 39.0      2
## 3 Provinciale/Régionale (dans une région d'un seul pays)      6 14.6      3
## 4 Locale (dans une seule ville/village/localité)              2  4.88     4

ggplot(top_imp_areas2, aes(x = reorder(imp_areas, nb_oui), y = nb_oui, fill = nb_oui)) +
  geom_col() +
  geom_text(aes(label = paste0(nb_oui, " (", pct, "%)")),
            hjust = -0.1, size = 4) +
  coord_flip() +
  scale_y_continuous(expand = expansion(mult = c(0, 0.3))) +
  scale_fill_gradient(low = "#EDF8E9", high = "#238B45", guide = "none") +
  labs(
    title = "Répartition des projets lauréats par échelle d'implémentation ",
    x = "Echelles d'implémentation",
    y = "Nombre de projets"
  ) +
  theme_minimal(base_size = 16) +
  theme(plot.title = element_text(face = "bold"))

top2_ia <- top_imp_areas2 %>% slice(1:2)

cat(paste0( paste0(top2_ia$imp_areas, collapse = " et "),  " avec respectivement ", paste0(top2_ia$pct, "%", collapse = ", "),", ", "sont les échelles d'implémentation les plus représentées pour les projets lauréats."))

## Nationale (dans un seul pays) et Internationale (dans plusieurs pays) avec respectivement 41.46%, 39.02%, sont les échelles d'implémentation les plus représentées pour les projets lauréats.

Par tranches de 5ans

i_res2 <- base2 %>%
   pivot_longer(
    cols      = all_of(imp_area_col),
    names_to  = "imp_areas",
    values_to = "modalite"
  ) %>%
  filter(modalite == "Oui") %>%
  group_by(start_date2, imp_areas) %>%
  summarise(nb_oui = n(), .groups = "drop") %>%
  group_by(start_date2) %>% 
  mutate(imp_areas = recode(imp_areas,
    "imp_area_1" = "Internationale (dans plusieurs pays)",
    "imp_area_2" = "Nationale (dans un seul pays)",
    "imp_area_3" = "Provinciale/Régionale (dans une région d'un seul pays)",
    "imp_area_4" = "Locale (dans une seule ville/village/localité)"
  )) %>%
  mutate(
    total_start_date2 = sum(nb_oui),
    pct  = round(nb_oui / total_start_date2 * 100, 2),
    rang = rank(-nb_oui, ties.method = "min")
  )

ggplot(i_res2, aes(x = start_date2, y = pct, fill = imp_areas)) +
  geom_col(position = "stack") +
  geom_text(aes(label = ifelse(pct > 5, paste0(pct, ""), "")),
            position = position_stack(vjust = 0.5),
            size = 5, color = "black", fontface = "bold") +
  scale_fill_brewer(palette = "Greens") +
  labs(
     title    = "Répartition relative des échelles d'implémentation par année de démarrage des projets",
    x        = "Année de démarrage des projets",
    y        = "Pourcentage relatif (en %)",
    fill = "Echelles d'implémentation"
  ) +
  theme_minimal(base_size = 18) +
  theme(plot.title = element_text(face = "bold"),
        axis.text.x = element_text(angle = 45, hjust = 1))

Stades d’avancement

Toutes les années confondues

base2 %>%
  count(stage) %>%
  mutate(stage = recode(stage,
    "1" = "Projet pilote",
    "2" = "Projet en routine / en exploitation"
  )) %>%
  mutate(pct = n / 41 * 100) %>%
  ggplot(aes(x = "", y = pct, fill = stage)) +
  geom_bar(stat = "identity", position = "stack") +
  geom_text(aes(label = paste0(n, " (", round(pct), "%)"), fontface = "bold"),
            position = position_stack(vjust = 0.5)) +
  coord_polar("y") +
  labs(title = "Répartition des projets lauréats par stade d'avancement",
       fill = "Stades d'avancement") +
  theme_void()+
  theme(plot.title = element_text(face = "bold"))

top2_stage <- round(prop.table(table(base2$stage))*100,0)

cat(paste0(unname(top2_stage[2]),"% ", "des projets lauréats étaient au stade routine/en exploitation",", contre ", unname(top2_stage[1]), "% pour le stade pilote."))

## 78% des projets lauréats étaient au stade routine/en exploitation, contre 22% pour le stade pilote.

Par tranches de 5ans

base2 %>%
  count(start_date2, stage) %>%
  group_by(start_date2) %>%
  mutate(stage = recode(stage,
    "1" = "Projet pilote",
    "2" = "Projet en routine / en exploitation"
  )) %>% 
  mutate(pct = n / sum(n) * 100) %>%
  ggplot(aes(x = factor(start_date2), y = pct, fill = stage)) +
  geom_bar(stat = "identity", position = "stack") +
  geom_text(aes(label = paste0(round(pct), ""),fontface = "bold"), 
            position = position_stack(vjust = 0.5)) +
  labs(title = "Répartition des stades d'avancement par année de démarrage des projets lauréats",
       x = "Année de démarrage des projets", y = "Pourcentage (en %)", fill = "Stades d'avancement") +
  theme_minimal(base_size = 8)+
theme(plot.title = element_text(face = "bold"))

Statut de clôture des projets lauréats

base2  %>% 
count(end_stage) %>%
  mutate(pct = n / 41 * 100) %>%
  ggplot(aes(x = "", y = pct, fill = end_stage)) +
  geom_bar(stat = "identity", position = "stack") +
  geom_text(aes(label = paste0(n, " (", round(pct), "%)"),
            fontface = "bold"),
            position = position_stack(vjust = 0.5)) +
  coord_polar("y") +
  scale_fill_manual(values = c("clôturé" = "#7C3AED", "non clôturé" = "#F9A8D4")) +
  labs(title = "Répartition des projets lauréats selon leur satut de clôture",
       fill = "Statut des projets") +
  theme_void() +
  theme(plot.title = element_text(face = "bold"))

top2_end_stage <- round(prop.table(table(base2$end_stage))*100,0)

cat(paste0("Les projets lauréats clôturés représentent ", unname(top2_end_stage[1]),"%, contre ", unname(top2_end_stage[2]), "% pour les projets lauréats non clôturés."))

## Les projets lauréats clôturés représentent 22%, contre 78% pour les projets lauréats non clôturés.

Origines des financements (années confondues)

o_source_col2 <- names(base2)[58:63]

top_o_source2 <- base2 %>%
  pivot_longer(
    cols      = all_of(o_source_col2),
    names_to  = "O_source",
    values_to = "modalite"
  ) %>%
  filter(modalite == "Oui") %>%
  group_by(O_source) %>%
  summarise(nb_oui = n(), .groups = "drop") %>%
   mutate(O_source = recode(O_source,
    "o_source_1" = "Public (Subvention, Appel à projets/Appel d'offre,...)",
    "o_source_2" = "Privé (Investisseurs privés, Crowdfunding, Mécénat, ...)",
    "o_source_3" = "ONG",
    "o_source_4" = "Agence gouvernementale",
    "o_source_5" = "Agence intergouvernementale/internationale",
    "o_source_6" = " Autres"
  )) %>%
  mutate(
    pct  = round(nb_oui / 41 * 100, 2),
    rang = rank(-nb_oui, ties.method = "min")
  ) %>%
  arrange(desc(nb_oui))
print(top_o_source2)

## # A tibble: 6 × 4
##   O_source                                                   nb_oui   pct  rang
##   <chr>                                                       <int> <dbl> <int>
## 1 "Privé (Investisseurs privés, Crowdfunding, Mécénat, ...)"     29  70.7     1
## 2 "Public (Subvention, Appel à projets/Appel d'offre,...)"       27  65.8     2
## 3 "Agence gouvernementale"                                       19  46.3     3
## 4 "ONG"                                                          18  43.9     4
## 5 "Agence intergouvernementale/internationale"                   14  34.2     5
## 6 " Autres"                                                       6  14.6     6

ggplot(top_o_source2, aes(x = reorder(O_source, nb_oui), y = nb_oui, fill = nb_oui)) +
  geom_col() +
  geom_text(aes(label = paste0(nb_oui, " (", pct, "%)")),
            hjust = -0.1, size = 4) +
  coord_flip() +
  scale_y_continuous(expand = expansion(mult = c(0, 0.3))) +
  scale_fill_gradient(low = "linen", high = "saddlebrown", guide = "none") +
  labs(
    title = "Répartition des projets lauréats par origine des financements",
    x = "Origines des financements",
    y = "Nombre de projets"
  ) +
  theme_minimal(base_size = 16) +
  theme(plot.title = element_text(face = "bold"))

Sources de financement (années confondues)

ECO_col2 <- names(base2)[78:82]

top_ECO2 <- base2 %>%
  pivot_longer(
    cols      = all_of(ECO_col2),
    names_to  = "ECOS",
    values_to = "modalite"
  ) %>%
  filter(modalite == "Oui") %>%
  group_by(ECOS) %>%
  summarise(nb_oui = n(), .groups = "drop") %>%
   mutate(ECOS = recode(ECOS,
    "ECO1" = "Revenus générés par les utilisateurs",
    "ECO2" = "Subventions et dons",
    "ECO3" = "Publicités",
    "ECO4" = "Vente d'analyse de données",
    "ECO5" = "Autres"
  )) %>%
  mutate(
    pct  = round(nb_oui / 41 * 100, 2),
    rang = rank(-nb_oui, ties.method = "min")
  ) %>%
  arrange(desc(nb_oui))
print(top_ECO2)

## # A tibble: 5 × 4
##   ECOS                                 nb_oui   pct  rang
##   <chr>                                 <int> <dbl> <int>
## 1 Subventions et dons                      31  75.6     1
## 2 Revenus générés par les utilisateurs     19  46.3     2
## 3 Autres                                   17  41.5     3
## 4 Publicités                               10  24.4     4
## 5 Vente d'analyse de données                8  19.5     5

ggplot(top_ECO2, aes(x = reorder(ECOS, nb_oui), y = nb_oui, fill = nb_oui)) +
  geom_col() +
  geom_text(aes(label = paste0(nb_oui, " (", pct, "%)")),
            hjust = -0.1, size = 4) +
  coord_flip() +
  scale_y_continuous(expand = expansion(mult = c(0, 0.3))) +
  scale_fill_gradient(low = "lightyellow", high = "darkorange", guide = "none") +
  labs(
    title = "Répartition des projets lauréats par source de financement",
    x = "Sources de financement",
    y = "Nombre de projets"
  ) +
  theme_minimal(base_size = 16) +
  theme(plot.title = element_text(face = "bold"))

vue_user <- base2 %>% 
  filter (ECO1=="Oui") %>% 
  select (ID,`Initiative name`, ECO1, f_source_1, f_source_2)

#Ceux qui ont coché revenus générés par les bénéficiaires n'ont pas forcément coché les revenus générés par les professionnels/structures de santé et vice versa.

*********************************************************************************************************************

###Répartition des projets par année de démarrage (agrégés)

base1$type <- "Tous les projets"
base2$type <- "Projets lauréats"

base_combined <- bind_rows(base1, base2)


ggplot(base_combined, aes(x = start_date2, fill = type)) +
  geom_bar(position = "dodge") +
  stat_count(
    aes(label = ..count..),
    geom = "text",
    position = position_dodge(width = 0.9),
    vjust = -0.3
  ) +
  labs(
    title = "Répartition des projets par année de démarrage",
    x = "Année de démarrage",
    y = "Nombre de projets",
    fill = "Type de projet"
  ) +
  scale_fill_manual(values = c("mediumpurple", "skyblue")) +
  theme_minimal()