Présentation du projet 3 - Réalisez une étude de santé publique du parcours Data Analyst

1. LES CAUSES DE LAFAIM DANS LE MONDE
ETUDE PRÉLIMINAIRE
Mise en lumière des indicateurs
Data analyse Juin 2020 – V1.01

2. «AIDER À CONSTRUIRE UN MONDE LIBÉRÉ DE LA
FAIM »
2
Mise en place par l’OMS et la FAO pour
couvrir l’ensemble des domaines de
l’étude.
Une nouvelle équipe de
chercheurs de la FAO.
Analyse des données recueillies par
divers organismes.
Etude de grande ampleur
sur la sous-nutrition dans le
monde. Pointer les inégalités en matière
d’alimentation, de disponibilité des
ressources …
Orienter les recherches
vers des pays particuliers.
Orienter les analyses de données pour
déterminer les diverses causes de sous-
nutrition.
Mise en lumière différentes
causes de la faim.
Permettre un accès sécurisé et clair au
données de l’étude via une base de
données dédiée.
Mise une place la base de
données collaborative.

3. SOMMAIRE DE L’ÉTUDE
3
Un constat alarmant -------------------------------------------------------------------------- 5
– 6
Analyse des causes ---------------------------------------------------------------------------
8 – 17
Les données sources ------------------------------------------------------------------------19
– 22
Traitement des données ------------------------------------------------------------------- 24
– 25
Requêtes sur la base MySQL -------------------------------------------------------------
27 – 32

4. Selon Martin Caparros, auteur du livre « La faim », en 2015,
25.000 personnes meurent chaque jour de faim quelque part
dans le monde, soit plus de 9 Millions de personnes / an.
9 125 000
4

5. LES INDICATEURS DE SOUS-ALIMENTATION REPARTENT À LAHAUSSE
5
● 821 000 000 de personnes sous-
alimentées en 2018.
Plus de 800 Millions en 2013, base de notre étude.
● 10,63% de la population en 2013
En 2013, près de 11% de la population mondiale
sont donc considérés en sous-nutrition,
● Des inégalités constatées
Le continent Africain est particulièrement touché. 8
pays parmi les 10 ayant le plus fort taux de sous-
alimentation sont Africain.

6. LES CAUSES PRINCIPALES DE SOUS-ALIMENTATION
6
• Impossibilité d’acheter des aliments faute de
moyens.
• Forte hausse démographique.
• Croissance rapide des niveaux de vie qui
modifie le type de demande.
• Concurrence déloyale et spéculation.
Inaccessibilité économique
• Forte politique d’urbanisation.
• Industrialisation des terres agricoles.
• Capacités de stockage défaillantes.
• Disponibilité en eau et retards d’irrigation.
Inaccessibilité physique
• Mouvements de population importants.
• Destuction des ressources.
• Changements climatiques ayant un impact
sur les rendements de production.
Guerres et climat

7. ANALYSE DES CAUSES
Présentation des résultats des calculs afin d’approfondir les
causes de sous-alimentation en fonction des données
recueillies.
7

8. Indicateurs de l’étude basés sur l’année 2013 :
LES DONNÉES IMPORTANTES DE L’ANALYSE
Calcul de la population mondiale totale en 2013
La population mondiale calculée pour 2013 est de 6 997 326 000 habitants.
8
La disponibilité intérieure : une donnée clé
Elle est égale à : Production + importations - exportations + variations des stocks
Ou encore : Nourriture + Aliments pour animaux + Semences + Traitement + Autres utilisations + Pertes
La disponibilité alimentaire par produit et par pays :
Nous avons calculé pour chaque produit, par pays, la disponibilité alimentaire exprimée en Kcal et en
Kg de protéines. Ce qui nous a également permis de calculer le ratio « énergie / poids » en Kcal / Kg.

9. Disponibilité alimentaire totale en Kcal / Kg de protéines. Ratio poids / énergie et taux de protéines produits
par pays.
9
LES CALCULS INITIAUX SUR LES JEUX DE DONNÉES

10. PROJECTIONS DISPONIBILITÉ INTÉRIEURE DES VÉGÉTAUX
D’après les calculs réalisés dans l’analyse des données en tenant compte des données non renseignées, AJR 2500 Kcal/jour et par personne - 45 g de protéines / jour et par personne.
10
192,74%
Population pouvant être
nourrie avec cette disponibilité
intérieure en Kcal
252,22%
Population pouvant
être nourrie avec cette
disponibilité en Kg de
protéines
96% / 140
%
Population pouvant être nourrie en
Kcal et KgP avec la dispo
alimentaire, la nourriture animale
et les pertes.
115% / 180%
Population pouvant être nourrie en
Kcal et KgP avec la dispo
alimentaire mondiale végétal et
animal.
12 306 826 632 342 440 Kcal
289 882 889 080 Kg de protéines

11. IMPACTDESEXPORTATIONS DANSLESPAYSSOUS-ALIMENTÉS
11
Méthodologie des calculs de ratios
Sous-
alimentation
• Liste des pays comptant une part de sous-
alimentation
Exportations
• Génération du top 15 des produits exportés pour
ces pays
Importations
• Sélection des plus grosses importations pour ces
produits
Calcul des
ratios
• Autres utilisations / Disponibilité intérieure
• Nourriture animale / Disponibilité intérieure

12. 12

13. 13

14. IMPACT DES UTILISATIONSAUTRES ETALIMENTATIONANIMALE
14
sur la disponibilité intérieure mondiale
Taux des autres utilisations sur disponibilité intérieure
Huiles de Palme 72,40 %
Manioc 30,23 %
Maïs 25,98 %
Taux de nourriture animale sur disponibilité intérieure
Maïs 87,80 %
Poissons pélagiques 76,37 %
Soja 64,54 %
0
10
20
30
40
50
60
70
80
90
100
Huiles de Palme Manioc Maïs
0
10
20
30
40
50
60
70
80
90
100
Maïs Poissons pélagiques Soja

15. C’est la quantité de céréales qui pourraient être libérée si les
Etats-Unis diminuaient de 10% leur production de nourriture
animale.
14 009 600 TONNES
15

16. Quantité de Manioc exportée par la Thaïlande alors même que
le pays compte 8,35 % de sa population en sous-alimentation.
(Résultats calculés sur les données compilées lors de l’analyse)
80,10 % D’EXPORTATIONS
16

17. QUE PEUT ON EN CONCLURE ?
Brainstorming sur l’analyse préliminaire
17
● La faim dans le monde ne résulte pas d’un
manque de production.
Nous pourrions nourrir 2 fois la population mondiale avec la
disponibilité intérieure en Kcal. Cependant les pertes sont
importantes et l’utilisation des productions n’est sans doute pas
optimale.
● Près de 10 Milliards de personnes en 2050.
Les prévisions médianes des Nations Unies prévoient près de 10
Milliards d’habitants en 2050. Il n’est pas nécessaire
d’augmenter la production de ressources pour cet horizon
mais certainement d’optimiser les rendements et les flux sur
les produits alimentaires.

18. LES DONNÉES SOURCES
Présentation des fichiers et données sources de l’analyse.
18

19. DONNÉES DE POPULATION
fr_population.csv
Fichier de données au format CSV regroupant le décompte des
populations (en milliers d’habitants) par pays pour l’année 2013.
19
df_population
DataFrame Pandas construit avec le CSV
fr_population.
Action corrective : suppression des provinces de
Chine qui venaient en doublon avec le pays.
Table sql population
Import sql via Pandas depuis le Dataframe
df_population.
Modifications : insert de la population en
nombre d’habitant et non plus en milliers.

20. DONNÉES DE SOUS-ALIMENTATION
fr_sousalimentation.csv
Fichier de données au format CSV regroupant le décompte des populations sous-alimentées estimées (en million
d’habitants) par pays. Chaque ligne du fichier représente la moyenne sur une tranche de 3 ans pour un pays.
20
df_sousalimentation_annee
DataFrame Pandas construit avec le CSV
fr_sousalimentation.
Modifications : pivot table pour obtenir les années
en colonnes et pays en lignes.
Table sql sous_nutrition
Import sql via Pandas depuis le Dataframe
df_sousalimentation_annee.
Modifications : insert de la population en
nombre d’habitant et non plus en milliers,
uniquement sur l’année 2013.

21. DONNÉES SUR LES CÉRÉALES
fr_céréales.csv
Fichier de données au format CSV regroupant, pour chaque pays, la quantité produite de chaque céréales en milliers de
tonnes pour l’année 2013. Une ligne représente un couple « pays / céréale ».
21

22. DONNÉES SUR LES PRODUITS PAR PAYS
fr_animaux.csv et fr_vegetaux.csv
Fichiers de données au format CSV regroupant pour chaque pays et chaque produit (animal ou végétal selon le fichier)
l’ensemble des indicateurs de type production, importations, exportations, variation de stock, disponibilité intérieure …
22
df_bilan_alimentaire
DataFrame Pandas construit avec les CSV
fr_animaux.csv et fr_vegetaux.csv.
Modifications : pivot table pour obtenir les
indicateurs en colonnes et couple zone / produit en
lignes. Il sera enrichit de toutes les colonnes
calculées dans l’analyse
Tables dispo_alim et equilibre_prod
Import sql via Pandas depuis le Dataframe df_bilan_alimentaire.

23. TRAITEMENTS DES DONNÉES
Opérations d'algèbre relationnelle utilisées sur les dataframes.
23

24. JOINTURE PANDAS POUR DF BILAN ALIMENTAIRE
Regrouper les données alimentaires avec la population de chaque pays
24

25. RESTRICTION ETAGRÉGATION
Filtrer le jeu de données bilan_alimentaire et le grouper par produit en appliquant une
moyenne.
25

26. REQUÊTES SUR BASE MYSQL
Utilisation de la base MySQL collaborative pour approfondir
l’analyse.
26

27. LES10PAYSAYANTLEPLUSHAUTRATIODISPONIBILITÉ ALIMENTAIRE/HABITANT
en termes de protéines (en kg) par habitant puis en termes de kcal par habitant.
27

28. LES10PAYSAYANTLEPLUSFAIBLERATIODISPONIBILITÉ ALIMENTAIRE/HABITANT
en termes de protéines (en kg) par habitant.
28

29. LAQUANTITÉ TOTALE (EN KG) DE PRODUITS PERDUS PAR PAYS EN 2013
29

30. LES10PA
YSPOURLESQUELSLAPROPORTIONDEPERSONNESSOUS-ALIMENTÉESESTLAPLUSFORTE
30

31. LES 10 PRODUITS POUR LESQUELS LE RATIOAUTRES
UTILISATIONS/DISPONIBILITÉ INTÉRIEURE EST LE PLUS ÉLEVÉ
31

32. QUELLES SONT LESAUTRES UTILISATIONS POSSIBLES ?
32
• Industrie cosmétique.
• Alcools ménagers
• Carburants
Alcools non comestibles
• Cosmétiques (saponification par exemple)
• Parfumerie.
• Agro-carburants.
Huiles de Palme
• Industrie pharmaceutique et cosmétique.
• Médecine.
• Insecticides.
• Bombes de défense.
Piments
98 % 65 % 74 %

33. MERCI
A TOUS
Michaël FUMERY
mika.fumery@gmail.com
06.59.20.65.39
Formation Data Analyst – OpenClassrooms 2020