# ============================================================================= # Compter les naissances : fréquence, ratio, proportion, prévalence, incidence # (cumulée et densité), risque, probabilité, taux, intensité et calendrier # # Données : Enquête démographique et de santé RDC 2023-2024 (EDS-RDC III), # fichier Femmes (Individual Recode) au format Stata. # Auteur : Guerschom Mugisho — version 2 (octobre 2026) # # Seul le package « haven » est indispensable. Si « jsonlite » est installé, # le script écrit aussi le fichier JSON qui alimente les graphiques de la page web. # Tous les résultats sont pondérés (v005 / 1 000 000). # ============================================================================= # install.packages(c("haven", "jsonlite")) library(haven) # ---- 0. Paramètres ---------------------------------------------------------- fichier <- "DATA2023.dta" # chemin vers le fichier Femmes de l'EDS dossier_sortie <- "." # où écrire les tableaux, la figure et le JSON # ---- 1. Lecture des données ------------------------------------------------- ir <- read_dta(fichier, col_select = c(caseid, v005, v008, v011, v013, v025, v201, v211, v213, v214, starts_with("b3_"), starts_with("b4_"))) ir <- zap_labels(ir) n <- nrow(ir) w <- ir$v005 / 1e6 # poids d'échantillonnage v008 <- ir$v008 # date de l'entretien (code siècle-mois, CMC) v011 <- ir$v011 # date de naissance de la femme (CMC) v211 <- ir$v211 # date de la première naissance (CMC ; NA si aucune) grp <- ir$v013 # groupe d'âges à l'enquête : 1 = 15-19 ... 7 = 45-49 milieu <- ir$v025 # 1 = urbain, 2 = rural ages <- c("15-19", "20-24", "25-29", "30-34", "35-39", "40-44", "45-49") b3_cols <- grep("^b3_[0-9]+$", names(ir), value = TRUE) # dates de naissance des enfants b4_cols <- grep("^b4_[0-9]+$", names(ir), value = TRUE) # sexe des enfants (1 = garçon, 2 = fille) B <- as.matrix(ir[, b3_cols]); storage.mode(B) <- "double" S <- as.matrix(ir[, b4_cols]); storage.mode(S) <- "double" mois_avant <- v008 - B # ancienneté de chaque naissance, en mois wmean <- function(x, w) { ok <- !is.na(x); sum(x[ok] * w[ok]) / sum(w[ok]) } wmean_by <- function(x, w, g) sapply(1:7, function(k) wmean(x[g == k], w[g == k])) cat("Femmes enquêtées :", n, "\n") # ============================================================================= # 2. TAUX PAR ÂGE (densité d'incidence) — méthode standard des EDS # Période : 1 à 36 mois avant l'entretien. Chaque femme contribue, mois par # mois, au groupe d'âges qu'elle a à ce moment-là ; chaque naissance est # classée selon l'âge de la mère à l'accouchement. # ============================================================================= taux_par_age <- function(periode = 36, filtre = rep(TRUE, n)) { naissances <- numeric(7); annees_femmes <- numeric(7); effectif <- numeric(7) for (m in 1:periode) { cmc <- v008 - m g <- ((cmc - v011) %/% 12) %/% 5 - 2 # 15-19 -> 1, ..., 45-49 -> 7 ok <- g >= 1 & g <= 7 & filtre fg <- factor(g[ok], levels = 1:7) e <- tapply(w[ok] / 12, fg, sum); e[is.na(e)] <- 0 nb <- rowSums(B == cmc, na.rm = TRUE) b <- tapply(w[ok] * nb[ok], fg, sum); b[is.na(b)] <- 0 k <- tapply(nb[ok], fg, sum); k[is.na(k)] <- 0 annees_femmes <- annees_femmes + as.numeric(e) naissances <- naissances + as.numeric(b) effectif <- effectif + as.numeric(k) } list(taux = naissances / annees_femmes, naissances = naissances, annees_femmes = annees_femmes, effectif = effectif) } t36 <- taux_par_age(36) taux_ens <- sum(t36$naissances) / sum(t36$annees_femmes) # ============================================================================= # 3. FRÉQUENCES : naissances des 3 dernières années selon l'âge de la mère # fréquence absolue = un effectif ; fréquence relative = une part du total # ============================================================================= freq_abs <- t36$effectif # naissances observées dans l'échantillon freq_rel <- 100 * t36$naissances / sum(t36$naissances) # répartition pondérée (%) # ============================================================================= # 4. RATIO et PROPORTION : le sexe des naissances des 5 dernières années # ratio = garçons / filles (le numérateur n'est pas dans le dénominateur) # proportion = garçons / (garçons + filles) (le numérateur en fait partie) # ============================================================================= dans60 <- mois_avant >= 0 & mois_avant <= 59 garcons <- sum((w * (dans60 & S == 1))[], na.rm = TRUE) filles <- sum((w * (dans60 & S == 2))[], na.rm = TRUE) rapport_masculinite <- 100 * garcons / filles proportion_garcons <- 100 * garcons / (garcons + filles) # ============================================================================= # 5. PRÉVALENCE (un état, à une date) et INCIDENCE CUMULÉE (un événement, sur 12 mois) # ============================================================================= enceinte <- as.numeric(ir$v213 == 1) nb12 <- rowSums(mois_avant >= 1 & mois_avant <= 12, na.rm = TRUE) au_moins1 <- as.numeric(nb12 > 0) prev_age <- wmean_by(enceinte, w, grp); prev_ens <- wmean(enceinte, w) inc_age <- wmean_by(au_moins1, w, grp); inc_ens <- wmean(au_moins1, w) naiss12 <- wmean(nb12, w) # naissances par femme en 12 mois # ============================================================================= # 6. PREMIÈRE NAISSANCE : densité d'incidence, probabilité, incidence cumulée (risque) # Âges simples 12-49, période 1 à 36 mois avant l'entretien. Une femme est # « à risque » tant qu'elle n'a pas encore eu de premier enfant. # ============================================================================= a_simples <- 12:49 evts <- numeric(length(a_simples)); annees <- numeric(length(a_simples)) for (m in 1:36) { cmc <- v008 - m a <- (cmc - v011) %/% 12 risque <- a >= 12 & a <= 49 & (is.na(v211) | v211 >= cmc) fa <- factor(a[risque], levels = a_simples) e <- tapply(w[risque] / 12, fa, sum); e[is.na(e)] <- 0 premiere <- risque & !is.na(v211) & v211 == cmc fp <- factor(a[premiere], levels = a_simples) d <- tapply(w[premiere], fp, sum); d[is.na(d)] <- 0 annees <- annees + as.numeric(e); evts <- evts + as.numeric(d) } densite <- evts / annees # densité d'incidence (par année-femme) probabilite <- 1 - exp(-densite) # probabilité d'avoir un 1er enfant dans l'année d'âge incid_cumulee <- 1 - cumprod(1 - probabilite) # risque d'avoir eu un 1er enfant à la fin de chaque âge somme_dens <- cumsum(densite) # ce qu'on obtiendrait en additionnant les taux (à tort) age_median_1re <- a_simples[which(incid_cumulee >= 0.5)[1]] + 1 jamais_50 <- 100 * (1 - incid_cumulee[length(incid_cumulee)]) # ============================================================================= # 7. INTENSITÉ et CALENDRIER, par milieu de résidence # intensité = ISF = 5 x somme des taux ; # calendrier = âge moyen à la maternité et part des naissances déjà atteinte # ============================================================================= centres <- c(17.5, 22.5, 27.5, 32.5, 37.5, 42.5, 47.5) calend <- lapply(list(Ensemble = rep(TRUE, n), Urbain = milieu == 1, Rural = milieu == 2), function(f) { t <- taux_par_age(36, f)$taux list(taux = 1000 * t, isf = 5 * sum(t), age_moyen = sum(centres * t) / sum(t), part_cumulee = 100 * cumsum(t) / sum(t), cumul_enfants = 5 * cumsum(t)) }) parite_45_49 <- wmean(ir$v201[grp == 7], w[grp == 7]) # ============================================================================= # 8. LIENS MATHÉMATIQUES # ============================================================================= D_mois <- 12 * prev_ens / ((1 - prev_ens) * taux_ens) # (a) P/(1-P) = T x D inc_attendue <- taux_ens * 1 # (b) I ≈ T x t, t = 1 an isf_verif <- 5 * sum(t36$taux) # (c) ISF = 5 x somme des taux # ============================================================================= # 9. RÉSULTATS # ============================================================================= tab_age <- data.frame( age = c(ages, "Ensemble"), frequence_absolue = c(freq_abs, sum(freq_abs)), frequence_relative_pct = round(c(freq_rel, 100), 1), prevalence_pct = round(100 * c(prev_age, prev_ens), 1), incidence_cumulee_12m_pct = round(100 * c(inc_age, inc_ens), 1), taux_pour1000 = round(1000 * c(t36$taux, taux_ens), 1), intensite_cumulee = round(c(calend$Ensemble$cumul_enfants, calend$Ensemble$isf), 2) ) print(tab_age, row.names = FALSE) tab_premiere <- data.frame(age = a_simples, densite_pour1000 = round(1000 * densite, 1), probabilite_pct = round(100 * probabilite, 1), incidence_cumulee_pct = round(100 * incid_cumulee, 1), somme_densites_pct = round(100 * somme_dens, 1)) cat("\n---- Synthèse ----\n") cat(sprintf("Naissances observées (3 ans) : %d\n", as.integer(sum(freq_abs)))) cat(sprintf("Rapport de masculinité à la naissance : %.1f garçons pour 100 filles\n", rapport_masculinite)) cat(sprintf("Proportion de garçons : %.1f %%\n", proportion_garcons)) cat(sprintf("Prévalence (enceintes) : %.1f %%\n", 100 * prev_ens)) cat(sprintf("Incidence cumulée sur 12 mois : %.1f %% (%.1f naissances pour 100 femmes)\n", 100 * inc_ens, 100 * naiss12)) cat(sprintf("Taux (densité d'incidence) 15-49 ans : %.1f pour 1 000 années-femmes\n", 1000 * taux_ens)) cat(sprintf("Âge médian à la 1re naissance (moment): %d ans ; jamais mère à 50 ans : %.1f %%\n", age_median_1re, jamais_50)) for (k in names(calend)) cat(sprintf("%-8s ISF %.2f ; âge moyen à la maternité %.1f ans\n", k, calend[[k]]$isf, calend[[k]]$age_moyen)) cat(sprintf("Parité moyenne des 45-49 ans : %.2f\n", parite_45_49)) cat(sprintf("(a) Durée implicite de grossesse : %.1f mois\n", D_mois)) cat(sprintf("(b) Incidence attendue T x 1 an : %.1f %% (observée : %.1f naissances pour 100 femmes)\n", 100 * inc_attendue, 100 * naiss12)) cat(sprintf("(c) ISF = 5 x somme des taux : %.2f\n", isf_verif)) write.csv(tab_age, file.path(dossier_sortie, "indicateurs_par_age_RDC2023.csv"), row.names = FALSE) write.csv(tab_premiere, file.path(dossier_sortie, "premiere_naissance_RDC2023.csv"), row.names = FALSE) # ---- Export JSON pour la page web (facultatif) ------------------------------- if (requireNamespace("jsonlite", quietly = TRUE)) { donnees <- list( ages = ages, taux = 1000 * t36$taux, taux_ensemble = 1000 * taux_ens, isf = calend$Ensemble$isf, freq_abs_echantillon = freq_abs, freq_rel_pct = freq_rel, freq_total_echantillon = sum(freq_abs), rapport_masculinite = rapport_masculinite, proportion_garcons = proportion_garcons, prevalence = 100 * prev_age, prevalence_ensemble = 100 * prev_ens, incidence12 = 100 * inc_age, incidence12_ensemble = 100 * inc_ens, naiss12_pour100 = 100 * naiss12, duree_implicite_mois = D_mois, pn_ages = a_simples, pn_densite = 1000 * densite, pn_incidence_cumulee = 100 * incid_cumulee, pn_somme_densites = 100 * somme_dens, pn_age_median = age_median_1re, pn_jamais_50ans_pct = jamais_50, calendrier = calend, parite_45_49 = parite_45_49) jsonlite::write_json(donnees, file.path(dossier_sortie, "donnees_page.json"), auto_unbox = TRUE, digits = 6, pretty = TRUE) } # ---- Figure : prévalence, incidence cumulée et taux par âge ------------------ png(file.path(dossier_sortie, "figure_prevalence_incidence_taux.png"), width = 1800, height = 1100, res = 200) par(mar = c(4.5, 4.5, 2, 1)) y <- cbind(100 * prev_age, 100 * inc_age, 100 * t36$taux) cols <- c("#0e5f70", "#c26a1a", "#7c2f4c") matplot(1:7, y, type = "b", pch = 16, lty = 1, lwd = 2, col = cols, xaxt = "n", xlab = "Groupe d'âges", ylab = "Pour 100 femmes (ou années-femmes)", main = "Fécondité en RDC (EDS 2023-2024)") axis(1, at = 1:7, labels = ages) legend("topright", bty = "n", lwd = 2, pch = 16, col = cols, legend = c("Prévalence : enceintes le jour de l'enquête", "Incidence cumulée : ont accouché dans les 12 mois", "Taux : naissances pour 100 années-femmes")) dev.off()