Analyse multidimensionnelle de données

Construction d’un indicateur synthétique de développement durable pour les pays d’Afrique du sud du Sahara à partir des techniques d’analyses multidimensionnelles de données

Le recours aux indicateurs composites ou indices synthétiques se justifie par le besoin de disposer d’une information simple, facilement compréhensible et communicable, et ce afin d’aider à la décision (contrôler l’évolution vers les objectifs souhaités, voire même, indiquer les objectifs inappropriés à réviser.) et permettre des comparaisons. Toutefois, la confection d’indices n’est pas facile. La mise en oeuvre pratique d’un système d’indicateurs doit être appréhendée par des indicateurs disponibles et doit s’appuyer sur des méthodes de synthèse. Les méthodes subjectives amènent inévitablement des jugements de valeur sur l'importance de certaines variables par rapport à d'autres. L’Analyse en Composante Principale a le mérite de contourner deux problèmes que sont la subjectivité dans la pondération et la normalisation des données. La construction de l’indicateur composite s’est basée sur le critère de la dimensionnalité du concept de développement durable. Le choix des indicateurs s’est fait sur la base du critère de la pertinence vis-à-vis du processus de développement durable et on a essayé de mettre en exergue des indicateurs reflétant la qualité dans chaque dimension. Le critère qui a prévalu à la sélection, aussi bien des indicateurs que des pays, est celui de la disponibilité de données, ainsi, 20 indicateurs et 48 pays furent retenus. Les données ayant servi à la construction de notre indicateur portant sur les 48 pays de l’Afrique sont issues dans leur majorité du site de la banque mondiale pour l’année 2017.

Outils utilisés : R et Excel

Partager sur :
Mamoudou KOUME
Mamoudou KOUME
Data Scientist Researcher

I am mainly interested in Mathematics and Artificial Intelligence as a whole but more particularly in Machine Learning, Bayesian statistics, Natural Language Processing, Optimization processes (Gradient descent, Gradient boosting...), Signal processing, Inverse problems, and Parsimonious representations.

comments powered by Disqus

Related