Analyse de la sous-nutrition dans le monde

Objectif du projet

Fournir une analyse approfondie de l’évolution de la sous-nutrition dans le monde entre 2013 et 2017 pour compléter une étude globale menée par la FAO. Il s’agissait de dégager les grandes tendances mondiales et régionales à partir d’indicateurs produits par l’Organisation, dans le but d’orienter les politiques publiques de lutte contre la faim. Ce projet a été réalisé dans le cadre d’une formation.

Approche méthodologique

Le projet a consisté à explorer et analyser les données statistiques fournies par la FAO, couvrant des indicateurs tels que le nombre de personnes sous-alimentées, la proportion de la population touchée, ainsi que les répartitions par région et zone géographique.

Une première phase d’exploration a permis de comprendre la structure des données, harmoniser les périodes temporelles et filtrer les variables clés. L’analyse descriptive a mis en lumière les dynamiques mondiales, comme la baisse générale du nombre de personnes sous-alimentées, mais aussi des disparités persistantes en Afrique subsaharienne ou en Asie de l’Ouest.

Des représentations graphiques ont été utilisées pour visualiser l’évolution temporelle et les écarts entre zones géographiques. Le travail a également impliqué la comparaison de régions sur plusieurs indicateurs afin de dégager les zones prioritaires. Enfin, des propositions ont été formulées pour enrichir l’étude avec des analyses complémentaires, notamment sur les populations rurales vs urbaines ou l’évolution des données par catégorie de pays.

Sous alimentation dans le monde
Sous alimentation dans le monde

Compétences et outils mobilisés

  • Analyse exploratoire de données

  • Visualisation de données (courbes d’évolution, comparaisons par région, scatterplot)

  • Nettoyage et filtrage de données statistiques

  • Réflexion critique sur les indicateurs d’aide à la décision

💻 Environnement technique et bibliothèques​

Python Jupyter Notebook Pandas Numpy Matplotlib Seaborn

🧠 Méthodes et techniques appliquées

Data cleaning Analyse exploratoire Data Visualisation