6 Sécurité alimentaire

Ce chapitre traite de la sécurité alimentaire des ménages des observatoires ruraux d’Alaotra et de Marovoay. Il aborde trois dimensions : la période de soudure et le stress alimentaire, l’alimentation de base hors et pendant la soudure, et les stratégies d’adaptation adoptées par les ménages.

Travail de vérification en cours

Les résultats présentés ci-dessous sont provisoires, et sont susceptibles de faire l’objet de corrections.

Code

options(encoding = "UTF-8")

library(tidyverse)
library(haven)
library(gt)

# Loading observatories data
res_deb <- read_dta("data/ROS_MDG_microdata/2025/res_deb.dta")
# Loading food security data
res_sa <- read_dta("data/ROS_MDG_microdata/2025/res_sa.dta")
# Loading food security strategy data
res_ssa <- read_dta("data/ROS_MDG_microdata/2025/res_ssa.dta")

# Préparer la variable Observatory dans res_deb
res_deb <- res_deb %>%
  mutate(
    Observatory = case_when(
      j0 == 3  ~ "Marovoay",
      j0 == 21 ~ "Alaotra",
      TRUE     ~ as.character(j0)
    ),
    j4bis = case_when(
      str_starts(str_to_lower(j4), "bepako")          ~ "Bepako",
      str_starts(str_to_lower(j4), "ampijoroa")       ~ "Ampijoroa",
      str_starts(str_to_lower(j4), "maroala")          ~ "Maroala",
      str_starts(str_to_lower(j4), "madiromiongana")   ~ "Madiromiongana",
      TRUE ~ j4
    )
  )

source("utils/helpers_report.R")
source("utils/sites.R")
source("utils/downloadable_output.R")

# Add Site column
res_deb <- assign_site(res_deb)
res_deb <- res_deb %>% filter_for_profile()

res_deb_site <- res_deb |> expand_sites_for_profile()

# Pre-joined datasets for site-level downloads
sa_full  <- res_sa  %>% left_join(res_deb %>% select(j5, Observatory, Site, j4bis), by = "j5") %>% filter(!is.na(Observatory))
ssa_full <- res_ssa %>% left_join(res_deb %>% select(j5, Observatory, Site), by = "j5") %>% filter(!is.na(Observatory))

6.1 Disponibilité alimentaire

La sécurité alimentaire des ménages ruraux est étroitement liée au calendrier agricole et à la gestion des stocks.

Dans l’Alaotra, 100 % des ménages déclarent au moins un mois de soudure.

A Marovoay, 97.3 % des ménages déclarent au moins un mois de soudure.

6.1.1 Période de soudure

La période de soudure désigne les mois durant lesquels les stocks alimentaires du ménage sont insuffisants pour couvrir ses besoins.

Dans l’Alaotra, La soudure dure en moyenne 3.8 mois (médiane : 3).

A Marovoay, La soudure dure en moyenne 2.2 mois (médiane : 2).

6.1.1.1 Durée de la soudure par observatoire

Code

# T1 : Statistiques descriptives du nombre de mois de soudure par observatoire
soudure_stats <- res_sa %>%
  left_join(res_deb, by = "j5") %>%
  group_by(Observatory) %>%
  summarise(
    `Nombre de ménages` = n(),
    Minimum = min(sal2d, na.rm = TRUE),
    Médiane = median(sal2d, na.rm = TRUE),
    Moyenne = round(mean(sal2d, na.rm = TRUE), 1),
    Maximum = max(sal2d, na.rm = TRUE),
    `Écart-type` = round(sd(sal2d, na.rm = TRUE), 1),
    .groups = "drop"
  )

soudure_stats %>%
  gt() %>%
  tab_header(
    title = "Durée de la période de soudure par observatoire",
    subtitle = "Nombre de mois de soudure (sal2d)"
  ) %>%
  tab_style(
    style = cell_text(weight = "bold"),
    locations = cells_column_labels()
  )

Observatory	Nombre de ménages	Minimum	Médiane	Moyenne	Maximum	Écart-type
Durée de la période de soudure par observatoire
Nombre de mois de soudure (sal2d)
Alaotra	507	1	3	3.8	12	1.8
Marovoay	519	0	2	2.2	11	1.4

📥 Télécharger par hameau et par observatoire

6.1.1.2 Durée de la soudure par hameau et observatoire

📥 Télécharger par hameau et par observatoire

📥 Télécharger par hameau et par observatoire

6.1.1.3 Distribution du nombre de mois de soudure

Code

# G1 : Histogramme de la distribution du nombre de mois de soudure
res_sa %>%
  left_join(res_deb, by = "j5") %>%
  expand_sites_for_profile() %>%
  filter(!is.na(sal2d)) %>%
  mutate(sal2d = factor(sal2d)) %>%
  count(Observatory, sal2d) %>%
  mutate(pct = round(n / sum(n) * 100, 1), .by = Observatory) %>%
  ror_bar_v(x = sal2d, y_label = "% ménages", x_angle = 45)

📥 Télécharger par hameau et par observatoire

6.1.1.4 Calendrier de la soudure

📥 Télécharger par hameau et par observatoire

Code

# G2 : Graphique du calendrier de la soudure
calendrier_soudure %>%
  ror_bar_v(x = Mois, y_label = "% ménages en soudure", x_angle = 45)

📥 Télécharger par hameau et par observatoire

6.1.2 Stress alimentaire

Le stress alimentaire reflète les mois durant lesquels le ménage éprouve des difficultés à se nourrir correctement, que ce soit en quantité ou en qualité. Sa durée est généralement supérieure à celle de la soudure stricto sensu.

Dans l’Alaotra, La durée moyenne du stress alimentaire atteint 2.5 mois.

A Marovoay, La durée moyenne du stress alimentaire atteint 3.3 mois.

6.1.2.1 Durée du stress alimentaire par observatoire

Code

# T4 : Statistiques du stress alimentaire par observatoire
stress_stats <- res_sa %>%
  left_join(res_deb, by = "j5") %>%
  group_by(Observatory) %>%
  summarise(
    `Nombre de ménages` = n(),
    Minimum = min(sal15a, na.rm = TRUE),
    Médiane = median(sal15a, na.rm = TRUE),
    Moyenne = round(mean(sal15a, na.rm = TRUE), 1),
    Maximum = max(sal15a, na.rm = TRUE),
    `Écart-type` = round(sd(sal15a, na.rm = TRUE), 1),
    .groups = "drop"
  )

stress_stats %>%
  gt() %>%
  tab_header(
    title = "Durée du stress alimentaire par observatoire",
    subtitle = "Nombre de mois de stress alimentaire (sal15a)"
  ) %>%
  tab_style(
    style = cell_text(weight = "bold"),
    locations = cells_column_labels()
  )

Observatory	Nombre de ménages	Minimum	Médiane	Moyenne	Maximum	Écart-type
Durée du stress alimentaire par observatoire
Nombre de mois de stress alimentaire (sal15a)
Alaotra	507	0	2	2.5	12	1.6
Marovoay	519	0	3	3.3	12	2.0

📥 Télécharger par hameau et par observatoire

6.1.2.2 Calendrier du stress alimentaire

6.1.2.3 Comparaison soudure et stress alimentaire

Code

# G3 : Superposition soudure vs stress alimentaire
comparaison <- bind_rows(
  calendrier_soudure %>% mutate(Indicateur = "Soudure"),
  calendrier_stress %>% mutate(Indicateur = "Stress alimentaire")
)

comparaison %>%
  ror_bar_grouped(x = Mois, fill = Indicateur,
                  y_label = "% ménages", direction = "vertical",
                  x_angle = 45)

Figure 6.1: Comparaison soudure et stress alimentaire

6.1.3 Alimentation de base

Cette section compare les aliments de base consommés aux trois repas, hors et pendant la période de soudure. Le riz constitue la base alimentaire dans les deux observatoires, mais sa place relative varie selon la saison et le site. Les substitutions opérées pendant la soudure (manioc, patate douce, maïs) témoignent des stratégies d’adaptation alimentaire des ménages.

Code

# Définir les labels des aliments
alim_labels <- c(
  "1" = "Riz", "2" = "Maïs", "3" = "Patate douce",
  "4" = "Manioc", "5" = "Pain/beignet/galettes", "6" = "Pomme de terre",
  "7" = "Taro", "8" = "Blé/farine de blé", "9" = "Millet/sorgho",
  "11" = "Autre céréale", "12" = "Igname",
  "14" = "Autre racine/tubercule", "15" = "Pâte alimentaire",
  "23" = "Banane", "24" = "Fruit à pain",
  "25" = "Boisson chaude", "26" = "Lait", "27" = "Fruit sauvage",
  "28" = "Rien", "29" = "Brèdes", "30" = "Légumineuse seule",
  "31" = "Légumineuse+Céréale", "32" = "Céréale+Légumes",
  "33" = "Mélange tubercules", "34" = "Tubercule+Céréale",
  "35" = "Tubercule+Légumes", "36" = "Autres mélanges"
)

6.1.3.1 Alimentation hors soudure

Code

# T6 : Aliment principal aux 3 repas hors soudure, par observatoire
alim_hors <- res_sa %>%
  left_join(res_deb, by = "j5") %>%
  select(Observatory, sal1a, sal1b, sal1c) %>%
  pivot_longer(
    cols = c(sal1a, sal1b, sal1c),
    names_to = "repas_var",
    values_to = "aliment_code"
  ) %>%
  mutate(
    Repas = case_when(
      repas_var == "sal1a" ~ "Petit-déjeuner",
      repas_var == "sal1b" ~ "Déjeuner",
      repas_var == "sal1c" ~ "Dîner"
    ),
    Aliment = alim_labels[as.character(aliment_code)]
  ) %>%
  filter(!is.na(Aliment)) %>%
  count(Observatory, Repas, Aliment) %>%
  group_by(Observatory, Repas) %>%
  mutate(pct = round(n / sum(n) * 100, 1)) %>%
  ungroup() %>%
  filter(pct >= 2) %>%
  arrange(Observatory, Repas, desc(pct))

alim_hors %>%
  select(Observatory, Repas, Aliment, pct) %>%
  obs_gt() %>%
  tab_header(
    title = "Alimentation de base hors soudure par observatoire",
    subtitle = "Aliments représentant au moins 2% des réponses"
  ) %>%
  cols_label(Repas = "Repas", Aliment = "Aliment", pct = "%") %>%
  fmt_number(columns = pct, decimals = 1) %>%
  tab_style(
    style = cell_text(weight = "bold"),
    locations = cells_column_labels()
  ) %>%
  tab_options(row_group.font.weight = "bold")

Repas	Aliment	%
Alimentation de base hors soudure par observatoire
Aliments représentant au moins 2% des réponses
Alaotra
Déjeuner	Riz	93.5
Déjeuner	Manioc	4.0
Dîner	Riz	99.6
Petit-déjeuner	Riz	97.8
Marovoay
Déjeuner	Riz	95.2
Déjeuner	Maïs	2.5
Dîner	Riz	99.6
Petit-déjeuner	Riz	89.9
Petit-déjeuner	Rien	2.7
Petit-déjeuner	Boisson chaude	2.3

6.1.3.2 Alimentation pendant la soudure

Code

# T7 : Aliment principal aux 3 repas pendant la soudure
alim_pendant <- res_sa %>%
  left_join(res_deb, by = "j5") %>%
  select(Observatory, sal2a, sal2b, sal2c) %>%
  pivot_longer(
    cols = c(sal2a, sal2b, sal2c),
    names_to = "repas_var",
    values_to = "aliment_code"
  ) %>%
  mutate(
    Repas = case_when(
      repas_var == "sal2a" ~ "Petit-déjeuner",
      repas_var == "sal2b" ~ "Déjeuner",
      repas_var == "sal2c" ~ "Dîner"
    ),
    Aliment = alim_labels[as.character(aliment_code)]
  ) %>%
  filter(!is.na(Aliment)) %>%
  count(Observatory, Repas, Aliment) %>%
  group_by(Observatory, Repas) %>%
  mutate(pct = round(n / sum(n) * 100, 1)) %>%
  ungroup() %>%
  filter(pct >= 2) %>%
  arrange(Observatory, Repas, desc(pct))

alim_pendant %>%
  select(Observatory, Repas, Aliment, pct) %>%
  obs_gt() %>%
  tab_header(
    title = "Alimentation de base pendant la soudure par observatoire",
    subtitle = "Aliments représentant au moins 2% des réponses"
  ) %>%
  cols_label(Repas = "Repas", Aliment = "Aliment", pct = "%") %>%
  fmt_number(columns = pct, decimals = 1) %>%
  tab_style(
    style = cell_text(weight = "bold"),
    locations = cells_column_labels()
  ) %>%
  tab_options(row_group.font.weight = "bold")

Repas	Aliment	%
Alimentation de base pendant la soudure par observatoire
Aliments représentant au moins 2% des réponses
Alaotra
Déjeuner	Riz	52.6
Déjeuner	Manioc	27.4
Déjeuner	Maïs	16.7
Dîner	Riz	98.0
Petit-déjeuner	Riz	92.0
Petit-déjeuner	Rien	3.6
Marovoay
Déjeuner	Riz	60.8
Déjeuner	Maïs	20.7
Déjeuner	Manioc	11.5
Déjeuner	Patate douce	4.6
Dîner	Riz	92.5
Dîner	Manioc	2.6
Dîner	Maïs	2.4
Petit-déjeuner	Riz	55.7
Petit-déjeuner	Rien	25.3
Petit-déjeuner	Manioc	6.1
Petit-déjeuner	Boisson chaude	3.6
Petit-déjeuner	Maïs	3.4
Petit-déjeuner	Patate douce	2.8

6.1.3.3 Comparaison de l’alimentation au déjeuner : hors vs pendant soudure

Code

# G4 : Comparaison hors soudure vs pendant soudure au déjeuner (top 5 aliments)
comp_dejeuner <- res_sa %>%
  left_join(res_deb, by = "j5") %>%
  select(Observatory, sal1b, sal2b) %>%
  pivot_longer(
    cols = c(sal1b, sal2b),
    names_to = "periode",
    values_to = "aliment_code"
  ) %>%
  mutate(
    Période = if_else(periode == "sal1b", "Hors soudure", "Pendant soudure"),
    Aliment = alim_labels[as.character(aliment_code)]
  ) %>%
  filter(!is.na(Aliment)) %>%
  count(Observatory, Période, Aliment) %>%
  group_by(Observatory, Période) %>%
  mutate(pct = round(n / sum(n) * 100, 1)) %>%
  ungroup()

# Garder le top 5 des aliments les plus fréquents
top_aliments <- comp_dejeuner %>%
  group_by(Aliment) %>%
  summarise(total = sum(n), .groups = "drop") %>%
  slice_max(total, n = 5) %>%
  pull(Aliment)

comp_dejeuner %>%
  filter(Aliment %in% top_aliments) %>%
  ror_bar_grouped(x = Aliment, fill = Période,
                  y_label = "% ménages", direction = "horizontal")

6.1.3.4 Changement d’aliment de base au déjeuner entre hors et pendant soudure

Code

# T8 : Matrice de transition simplifiée (déjeuner)
transition <- res_sa %>%
  left_join(res_deb, by = "j5") %>%
  mutate(
    Hors_soudure = alim_labels[as.character(sal1b)],
    Pendant_soudure = alim_labels[as.character(sal2b)]
  ) %>%
  filter(!is.na(Hors_soudure) & !is.na(Pendant_soudure)) %>%
  count(Observatory, Hors_soudure, Pendant_soudure) %>%
  group_by(Observatory) %>%
  mutate(pct = round(n / sum(n) * 100, 1)) %>%
  ungroup() %>%
  filter(pct >= 1) %>%
  arrange(Observatory, desc(pct))

transition %>%
  select(Observatory, Hors_soudure, Pendant_soudure, n, pct) %>%
  obs_gt() %>%
  tab_header(
    title = "Changement d'aliment de base au déjeuner",
    subtitle = "Transitions hors soudure → pendant soudure (≥ 1%)"
  ) %>%
  cols_label(
    Hors_soudure = "Hors soudure",
    Pendant_soudure = "Pendant soudure",
    pct = "%"
  ) %>%
  cols_hide(n) %>%
  tab_style(
    style = cell_text(weight = "bold"),
    locations = cells_column_labels()
  ) %>%
  tab_options(row_group.font.weight = "bold")

Hors soudure	Pendant soudure	%
Changement d'aliment de base au déjeuner
Transitions hors soudure → pendant soudure (≥ 1%)
Alaotra
Riz	Riz	52.2
Riz	Manioc	23.4
Riz	Maïs	15.3
Manioc	Manioc	3.6
Riz	Patate douce	1.2
Riz	Autres mélanges	1.0
Marovoay
Riz	Riz	60.6
Riz	Maïs	18.1
Riz	Manioc	9.7
Riz	Patate douce	4.2
Maïs	Maïs	2.2
Manioc	Manioc	1.6
Riz	Rien	1.0

6.2 Stratégies de sécurité alimentaire

Face à l’insécurité alimentaire, les ménages déploient un éventail de stratégies d’adaptation dont la sévérité varie : réduction des portions, substitution d’aliments, endettement, cueillette sauvage, voire décapitalisation. Chaque stratégie est évaluée sur une échelle de fréquence : 0 = Jamais, 1 = Rarement, 2 = Quelquefois, 3 = Souvent.

6.2.1 Fréquence des stratégies d’adaptation

Code

# G5 : Barres horizontales empilées — profil Likert des stratégies
strat_plot <- strat_data %>%
  mutate(
    Fréquence = factor(Fréquence, levels = c("Souvent", "Quelquefois", "Rarement", "Jamais"))
  )

ggplot(strat_plot, aes(x = pct, y = reorder(Stratégie, pct), fill = Fréquence)) +
  geom_col(position = "stack") +
  facet_wrap(~Observatory) +
  labs(
    title = "Profil de fréquence des stratégies d'adaptation",
    x = "% de ménages",
    y = NULL,
    fill = "Fréquence"
  ) +
  scale_fill_manual(values = c(
    "Souvent" = "#d62728", "Quelquefois" = "#ff7f0e",
    "Rarement" = "#ffbb78", "Jamais" = "#aec7e8"
  )) +
  theme_ror() +
  theme(
    plot.title = element_text(face = "bold", size = 12),
    axis.text.y = element_text(size = 8)
  )

6.2.2 Sources d’endettement et d’emprunt alimentaire

📥 Télécharger par hameau et par observatoire

📥 Télécharger par hameau et par observatoire

Code

# G6 : Top 5 des stratégies les plus fréquentes
top5 <- strat_resume %>%
  slice_head(n = 5) %>%
  pivot_longer(cols = where(is.numeric), names_to = "Observatory", values_to = "pct")

Code

top5 %>%
  make_bar_obs(x = Stratégie, y_label = "% ménages")

6.3 Indice synthétique de stratégies d’adaptation (CSI simplifié)

Un score simplifié est calculé en sommant les fréquences de toutes les stratégies (0 à 3) pour chaque ménage. Plus le score est élevé, plus le ménage recourt intensément à des stratégies d’adaptation.

Code

# T12 : Score CSI simplifié par observatoire et hameau
csi <- res_ssa %>%
  left_join(res_deb, by = "j5") %>%
  mutate(
    csi_score = rowSums(across(all_of(strat_vars), ~replace_na(., 0)))
  )

csi_hameau <- csi %>%
  group_by(Observatory, j4bis) %>%
  summarise(
    n_hh = n(),
    mean_csi = round(mean(csi_score, na.rm = TRUE), 1),
    .groups = "drop"
  )

# Ajouter lignes "Ensemble"
csi_combined <- csi_hameau %>%
  group_by(Observatory) %>%
  summarise(
    j4bis = "Ensemble",
    mean_csi = round(weighted.mean(mean_csi, n_hh), 1),
    n_hh = sum(n_hh),
    .groups = "drop"
  ) %>%
  bind_rows(csi_hameau, .) %>%
  arrange(Observatory, j4bis == "Ensemble", j4bis)

csi_combined %>%
  obs_gt() %>%
  tab_header(
    title = "Score CSI simplifié par hameau et observatoire",
    subtitle = "Somme des fréquences des stratégies (0–3 par stratégie)"
  ) %>%
  cols_label(j4bis = "Hameau", n_hh = "Nb ménages", mean_csi = "Score CSI moyen") %>%
  tab_style(
    style = list(cell_text(weight = "bold"), cell_fill(color = "#F0F0F0")),
    locations = cells_body(rows = j4bis == "Ensemble")
  ) %>%
  tab_options(row_group.font.weight = "bold") %>%
  tab_style(
    style = cell_text(weight = "bold"),
    locations = cells_column_labels()
  )

Hameau	Nb ménages	Score CSI moyen
Score CSI simplifié par hameau et observatoire
Somme des fréquences des stratégies (0–3 par stratégie)
Alaotra
Ambatoharanana	31	7.2
Ambatomanga	68	8.6
Ambodivoara	58	8.3
Ambohidrony	52	9.0
Analamiranga	46	8.5
Avaradrano	90	6.8
Feramanga Atsimo	89	10.1
Mangabe	73	8.5
Ensemble	507	8.4
Marovoay
Ampijoroa	143	9.6
Bepako	123	9.1
Madiromiongana	137	9.3
Maroala	116	10.0
Ensemble	519	9.5

Code

# G7 : Distribution du score CSI par observatoire
ggplot(csi, aes(x = Observatory, y = csi_score, fill = Observatory)) +
  geom_boxplot(show.legend = FALSE) +
  labs(
    title = "Distribution du score CSI simplifié par observatoire",
    x = "Observatoire",
    y = "Score CSI"
  ) +
  theme_ror() +
  theme(plot.title = element_text(face = "bold", size = 12))

6.4 Évolution de la sécurité alimentaire (1995–2025)

La durée de la période de soudure (sal2d, en mois) est disponible pour un nombre significatif de campagnes. On retrace ici son évolution pour les deux observatoires.

Code

sa_trends |> make_trend_plot(y_var = soudure_moy, y_label = "Durée moyenne soudure (mois)", gap_year = 2015)

Évolution de la durée moyenne de soudure (mois/ménage)

Code

sa_trends |> make_trend_plot(y_var = pct_soudure, y_label = "% ménages en soudure", gap_year = 2015)

Évolution du pourcentage de ménages en soudure