Dimensionnement du Composante Adaptative du Registre Social en Mauritanie Note technique 1 Contexte et objectifs Le Projet d’Appui au système de filets sociaux en Mauritanie prévoit la mise en place d’un Registre Social (RS) permettant de centraliser les informations de ménages bénéficiaires potentiels, pouvant être ciblés par (i) des programmes sociaux de lutte contre la pauvreté (chronique) et/ou (ii) des interventions dans le cadre d’une réponse à un choc, notamment d’origine climatique. A cet effet, le registre social est constitué de deux composantes : (i) une composante de base, i.e. les 150 000 ménages les plus pauvres2, bénéficiaires prioritaires des programmes sociaux de lutte contre la pauvreté (transferts monétaires) et (ii) une composante adaptative prenant en compte les ménages non inclus dans le registre de base mais pouvant être affectés de manière significative par des chocs. Cette note présente une méthodologie permettant de dimensionner la composante adaptative du registre au niveau communal, en faisant la synthèse de données utilisées par les acteurs publics et les partenaires au développement en Mauritanie pour le déclenchement et le ciblage des interventions d’urgence. Un indice communal d’exposition au risque de sécheresse est notamment développé à partir des données disponibles du FSMS3 calculé par le PAM-CSA, des profils HEA ou encore d’anomalies de biomasse et de précipitations historiques. Cet indice est formé à partir d’un indicateur d’aléa (intensité et fréquence historiques des sécheresses), d’un indicateur d’exposition (nombre de ménages non inclus dans le registre de base) et d’un indicateur de vulnérabilité socio-économique. Etant données les limites imposées par la disponibilité des données historiques, cette méthodologie se concentre sur le risque lié aux sécheresses et leurs impacts sur la sécurité alimentaire. Cette approche demeure pertinente car (i) les sécheresses constituent l’aléa le plus fréquent et affectant le plus grand nombre de personnes en Mauritanie4 et (ii) les critères d’exposition et de vulnérabilité aux sécheresses choisis sont également applicables pour d’autres types d’aléas (inondations, invasion acridienne par exemple). Indice d’exposition au risque de sécheresse Dans le cadre général de l’évaluation des risques de catastrophe, on cherche à calculer l’impact potentiel sur les infrastructures et le risque est donc mesuré à partir du coût probable de reconstruction total des 1 La note a été développé par Paul Blanchard (Economiste) et Oscar A. Ishizawa (Spécialiste Senior en Gestion du Risque de Catastrophes) en collaboration avec Matthieu Lefebvre (Spécialiste Senior en Protection Sociale) et Aline Coudouel (Economiste Principal). 2 Estimations effectuées au niveau communal issues d’un travail conjoint ONS-Banque Mondiale sur la base des données du recensement général de 2012 et de l’enquête EPCV 2014. 3 WFP Food Security Monitoring System: https://www.wfp.org/food-security/assessments/food-security- monitoring-system 4 Un événement tous les 3.5 ans en moyenne et plus de 7 millions de personnes affectées entre 1960 et 2017. Source : base de données EMDAT (The International Disaster Database, Centre for Research on the Epidemiology of Disasters (CRED). http://www.emdat.be/) actifs physiques détruits ou endommagés. Pour une zone donnée, celui-ci est calculé à partir du niveau d’aléa (distribution de probabilité pour l’occurrence d’événements d’intensités données), du niveau d’exposition (stock de capital physique) et du niveau de vulnérabilité de l’exposition face à ces aléas. Dans le contexte étudié ici, l’impact des sécheresses se mesure au niveau des ménages, en s’appuyant principalement sur le niveau de l’insécurité alimentaire (IA). Le risque associé aux sécheresses au niveau communal est donc conçu comme l’impact probable des sécheresses sur l’IA des ménages au niveau communal et peut être estimé à partir des trois composantes du risque : (i) aléa, (ii) exposition, (iii) vulnérabilité. L’indice d’exposition au risque s’exprime comme le produit d’indicateurs d’aléa, d’exposition et de vulnérabilité : R i = Ai . Ei . Vi (1) A partir de ce cadre conceptuel, l’indice communal d’exposition au risque de sécheresse présenté ci-après se propose d’estimer le niveau de risque relatif entre les moughataas et les communes en définissant des indicateurs d’aléa de sécheresse, d’exposition et de vulnérabilité des ménages. Les valeurs établies permettent – étant donnée une contrainte pour la composante adaptative totale au niveau national – de distribuer le nombre total de ménages au sein des communes et ainsi déterminer la composante adaptative au niveau communal. Le détail du calcul de ces trois indicateurs est donné dans les sous-parties suivantes. Note : cet indice n’est pas une estimation d’une métrique du risque de sécheresse (e.g. l’espérance du taux d’IA annuel/semestriel par commune) mais permet seulement une approximation du niveau relatif d’exposition au risque de sécheresse entre les communes. Cet indice est suffisant pour procéder à une distribution d’un nombre de bénéficiaires potentiels total dans la composante adaptative du RS au sein des communes. Un modèle probabiliste bien plus évolué et nécessitant des données fiables et suffisantes serait nécessaire pour évaluer la distribution de probabilité du nombre annuel de ménages affectés par des sécheresses. Indicateur d’aléa L’indicateur d’aléa 𝐀𝐢 permet de rendre compte à la fois de la fréquence et de l’intensité des sécheresses au niveau départemental sur la période 1981-2014 en utilisant le maximum d’informations disponibles. Cet indicateur est calculé à partir de valeurs historiques du Standardized Precipitation-Evapotranspiration Index (SPEI), du Normalized Difference Vegetation Index (NDVI) et de la production de biomasse. Ces trois indicateurs sont complémentaires pour caractériser les conditions de sécheresse (cf. Etude sur la détection des sécheresses historiques en Mauritanie). Le SPEI mesure les écarts à la moyenne (mesurés en déviations standards) de la différence entre précipitations et évapotranspiration potentielle pour une période donnée. On considère ici la fenêtre temporelle juin-octobre afin de rendre compte des déficits hydriques enregistrés en saison des pluies. Le NDVI est utilisé pour mesurer les variations du couvert végétal et les anomalies (z- score) sont calculées sur deux périodes : (i) NDVI1 entre janvier et juin pour rendre compte de l’état des pâturages pendant la saison sèche chaude et (ii) NDVI2 entre juillet et décembre afin d’évaluer l’état de la végétation pendant et après la saison des pluies. La biomasse représente la production totale de matière sèche en kilogramme par jour et par hectare. La matière sèche désigne toute forme de végétation au-dessus du sol, sans prendre en compte son contenu en eau. L’indicateur de biomasse est employé en complément du NDVI afin de mesurer le couvert végétal en prenant en compte la fraction de matière sèche effectivement utilisable pour l’élevage et l’accessibilité aux points d’eau (biomasse accessible). Une série de SPEI a été construite pour la période 1981-1989 à partir des données de précipitations du Climate Hazard Group et des données d’évapotranspiration du CGIAR-CSI Global-Aridity and Global PET database5, à une résolution de 0.05°. Cette série est complétée par les données du CSIC6 qui fournit des données globales sur la période 1990-2014 à une résolution de 0.5°. A partir de cette série, le SPEI 5 mois calculé en octobre a été agrégé au niveau départemental7 (moughataa) sur la période 1981-2014. Les anomalies de NDVI sont calculées à partir de données de la NASA8 qui produit des données mensuelles à une résolution de 0.1°. De même, les anomalies du NDVI 6 mois en décembre et juin sont calculées au niveau départemental sur la période 2000-2015. Des anomalies annuelles de biomasse (z-score) sont calculées à partir de données annuelles de production de biomasse fournies par ACF-Spain sur la période 1998-20169. Sur la période 1981-2015, on associe à chaque campagne agricole N-N+1 la valeur du SPEI en année N, la moyenne du NDVI2 en année N et du NDVI1 en année N+1 et l’anomalie de biomasse en année N, que l’on notera SPEI(N), NDVI(N) et Bio(N) respectivement. Par exemple, la campagne agricole 1981-1982 est caractérisée par la valeur du SPEI 5-mois calculé en octobre 1981, la moyenne du NDVI-6 mois calculé en décembre 1981 et juin 1982 et l’anomalie de biomasse enregistrée en 1981. L’indicateur de sécheresse (i.e. d’aléa) est alors calculé comme suit : 1999 Ai = ∑ �{SPEI𝑖 <−0.75} (N). |SPEI𝑖 (N)| N=1981 2014 + ∑ 0,7. �{SPEI𝑖 <−0.75} (N). |SPEI𝑖 (N)| + 0,15. �{NDVI𝑖<−0.75} (N). |NDVI𝑖 (N)| + 0,15. �{Bio𝑖 <−0.75} (N). |Bio𝑖 (N)| (2) N=2000 Où �{𝑆𝑃𝐸𝐼𝑖<−0.75} (�) vaut 1 si 𝑆𝑃𝐸𝐼𝑖 (�) < −0.75 et 0 sinon – et de même pour �{NDVIi<−0.75} (N) et �{Bioi<−0.75} (N)– 𝑆𝑃𝐸𝐼𝑖 (�) (resp. �𝐷𝑉𝐼𝑖 (�) et 𝐵𝑖𝑜𝑖 (�)) est la valeur du SPEI (resp. NDVI et Bio) pour la campagne agricole N-N+1 au niveau départemental pour la commune i10. Les coefficients de pondération attribués aux trois indicateurs dans le second terme de (2) représentent l’importance attribuée à chacun d’entre eux dans le calcul de l’indice d’aléa sur la période 2000-2014 (jusqu’en 1999, seul le SPEI est disponible). Un poids légèrement supérieur est associé au SPEI car celui-ci s’est montré particulièrement pertinent pour la détection des chocs passés (cf. Etude sur la détection des sécheresses historiques en Mauritanie) et sa disponibilité sur une fenêtre temporelle plus large permet des estimations plus robustes. Le procédé de calibration-validation exposé dans la section Validation ci-dessous confirme cette tendance. Note : L’indice d’aléa (et in fine l’indice de risque) n’est calculé que pour 31 départements sur 45 (voir carte en annexe). En effet, les indicateurs d’anomalies de précipitations/évapotranspiration/végétation ne sont 5 Zomer RJ, Trabucco A, Bossio DA, van Straaten O, Verchot LV, 2008. Climate Change Mitigation: A Spatial Analysis of Global Land Suitability for Clean Development Mechanism Afforestation and Reforestation. Agric. Ecosystems and Envir. 126: 67-80. Zomer RJ, Bossio DA, Trabucco A, Yuanjie L, Gupta DC & Singh VP, 2007. Trees and Water: Smallholder Agroforestry on Irrigated Lands in Northern India. Colombo, Sri Lanka: International Water Management Institute. pp 45. (IWMI Research Report 122) (http://www.cgiar-csi.org) 6 SPEIbase v.2.4 [Dataset], 2016, http://digital.csic.es/handle/10261/128892 7 Les indicateurs de sécheresse sont agrégés au niveau départemental et non au niveau communal, afin de limiter les erreurs dues aux incertitudes des mesures satellitaires au niveau local. De plus, les conditions de sécheresse sont en général relativement homogènes au niveau départemental et la désagrégation de cet indicateur au niveau communal n’apporte que peu de variance supplémentaire. 8 Images by Reto Stockli, NASA's Earth Observatory Group, using data provided by the MODIS Land Science Team. (https://neo.sci.gsfc.nasa.gov/view.php?datasetId=MOD13A2_M_NDVI&year=2000) 9 http://sigsahel.info/index.php/knowledgebase/ 10 Le seuil de -0.75 a été fixé par rapport aux valeurs usuelles pour la caractérisation des conditions de sécheresses à partir de ces indicateurs (<-0.5 : sécheresse faible, <-1 : sécheresse modérée). Une analyse de sensibilité de ce paramètre a montré qu’il n’avait que peu d’influence sur les résultats finaux. pas pertinents en zone désertique où les précipitations sont trop faibles. Ces 31 départements rassemblent en fait 65.7% de la population, soit la quasi-totalité de la population hors Nouakchott. Le dimensionnement du tampon du registre dans les départements restants est détaillé dans le paragraphe « Dimensionnement du registre au niveau communal » ci-dessous. Faible Elevé Figure 1. Indicateur d’aléa au niveau communal Indicateur d’exposition Au niveau communal, l’indicateur 𝑬𝒊 représente donc le nombre de ménages dans i non inclus dans le registre de base11. La population-cible à considérer pour la composante adaptative est donc contenue dans l’ensemble des ménages ne faisant pas partie des 150 000 ménages les plus pauvres. Le nombre total de ménages par commune est fourni par l’Office National de la Statistique (ONS). Des cartes de pauvreté produites par l’ONS et la Banque Mondiale selon la méthodologie des Small Area Estimations (SAE) fournissent les proportions de ménages faisant partie des 100 000 et 150 000 ménages les plus pauvres du pays au niveau communal. 11 Pour rappel, la capacité du registre de base a été fixé à 150 000 ménages et la composante de base au niveau communal a été déterminée grâce à des estimations de la répartition de ces 150 000 ménages au sein des communes (ONS-Banque Mondiale). Les principales données utilisées proviennent du recensement générale de 2012. Figure 2. Indicateur d’exposition au niveau communal Indicateur de vulnérabilité L’indicateur de vulnérabilité au niveau communal 𝑽𝒊 est calculé à partir des proportions de ménages parmi les 100 000 et 150 000 les plus pauvres au niveau national (ONS-Banque Mondiale), du taux de ménages ruraux (ONS) et d’informations spécifiques sur les niveaux et sources des revenus des ménages « moyens » issues des profils HEA (ACF, FAO, FewsNet). La vulnérabilité communale est définie comme la relation entre l’amplitude de la variation du taux d’IA communal et l’intensité d’un choc donné auquel elle fait face. Cette vulnérabilité au niveau d’un ménage peut être déterminée a priori par plusieurs facteurs socio-économiques : niveau de revenus, secteur d’activité, capital productif, accès au marché et aux zones d’activités économiques majeures (urbaines), capacité d’endettement, taille du ménage, diversification des sources de revenus, opportunités d’emplois en période de soudure, niveau des prix, résilience des cultures etc. La disponibilité de ces informations au niveau communal reste très limitée et le poids relatif de ces déterminants sur la vulnérabilité est encore mal connu en pratique. Ici, le choix est fait de caractériser la vulnérabilité au niveau communal grâce : (i) Aux proportions de ménages parmi les 100 000 (« extrêmes pauvres ») et 150 000 (« pauvres ») les plus pauvres du pays. Ces variables permettent de mesurer en partie le niveau et la profondeur de la pauvreté au niveau communal et donc de caractériser l’environnement économique pour les ménages. Les estimations au niveau communales sont issues d’un travail conjoint ONS-Banque Mondiale. (ii) Au taux de ruralité : les communes moins urbanisées sont supposées être plus vulnérables aux conditions de sécheresse (accès au marché plus limité, activités principalement agro-pastorales vulnérables aux conditions climatiques). En effet, d’après les estimations rapportées par les enquêtes FSMS entre 2011 et 2015, le taux d’insécurité alimentaire moyen en période de soudure est d’environ 13% en milieu urbain contre 33% en milieu rural. Les taux de ruralité au niveau communal ont été fournis par l’ONS. (iii) Au niveau des revenus des ménages « moyens »12. Les données par zone de moyens d’existence proviennent des profils HEA développés par FewsNet, la FAO et ACF13. (iv) La proportion des sources de revenus des ménages moyens issue de la vente de bétail et de récoltes. Ces sources de revenus sont considérées comme pouvant être directement affectées par un choc et leur prépondérance représente un facteur de vulnérabilité pour les ménages exposés. Les estimations correspondantes proviennent également des profils HEA. L’indicateur de vulnérabilité est donc donné par la moyenne pondérée de ces indicateurs14. Figure 3. Indicateur de vulnérabilité au niveau communal. Dimensionnement du registre au niveau communal  Au niveau wilaya La répartition des ménages de la composante adaptative au niveau régional est basée sur les données d’IA historiques en période de soudure au niveau wilaya sur la période 2011-201515. Pour chaque wilaya, la différence entre le nombre maximum de ménages en insécurité alimentaire sur la période et le nombre de ménages inclus dans la composante de base est considérée, lorsqu’elle est positive, comme la composante adaptative théorique permettant de couvrir l’ensemble des ménages : au niveau national, cela représente un total de 51 743 ménages. Il est possible d’imposer une valeur de la composante adaptative totale supérieure ou inférieure à ce nombre, auquel cas la distribution au niveau wilaya est déterminée selon celle de la composante adaptative théorique. La taille de la composante adaptative totale est limitée par l’exposition, c’est-à-dire le nombre total de ménages non inclus dans la composante de base du RS, ce qui représente un total de 407 549 ménages. WILAYA Juillet 2011 Juillet 2012 Juillet 2013 Juillet 2014 Juillet 2015 12 « Les groupes de richesse sont généralement définis en fonction de leurs terres, leur bétail, le capital, l'éducation, les compétences, la disponibilité de la main�d'oeuvre et / ou le capital social. » (Mauritanie, Profil des moyens d’existence. Février2015, FewsNet, FAO, ACF. Trois groupes sont définis : les ménages pauvres, les ménages moyens et les ménages nantis. 13 L’année de référence choisie est 2013-2014. Cette année était caractérisée par une pluviométrie moyenne, une situation épidémiologique stable, des niveaux de prix stables et un niveau de pâturages acceptable. 14 Les poids sont déterminés par un processus d’optimisation (voir section Validation). Les poids sont fixés à 0.15, 0.16, 0.17, 0.36 et 0.16 pour le taux de « pauvreté », le taux « d’extrême pauvreté », le taux de ruralité, le niveau de revenus et les sources de revenus respectivement. 15 Enquêtes FSMS, PAM-CSA. Les taux d’insécurité alimentaire comprennent l’insécurité alimentaire sévère. D. Nouadhibou 10.4% 0.2% 17.3% 10.0% 26.2% Brakna 12.9% 17.2% 19.7% 19.5% 29.4% Assaba 26.4% 42.3% 37.7% 34.6% 24.0% Adrar 10.4% 22.8% 26.8% 19.3% 20.4% Hodh El Gharbi 44.0% 46.0% 20.7% 23.0% 25.0% Guidimakha 26.5% 51.0% 40.0% 32.1% 37.4% Hodh El Charghi 57.2% 55.4% 29.2% 50.7% 44.1% Gorgol 28.5% 30.8% 31.3% 36.5% 30.1% Trarza 4.5% 42.6% 10.7% 12.0% 12.0% Tiris-Zemour 10.4% 22.8% 26.8% 19.3% 19.3% Tagant 33.8% 45.2% 34.8% 19.8% 15.8% Nouakchott 4.2% 10.9% 16.9% 17.5% 17.5% Inchiri 10.4% 22.8% 26.8% 19.3% 15.3% Tableau 1. Taux d'insécurité alimentaire en période de soudure, 2011-2015. Valeur maximale en rouge pour chaque wilaya. Source: FSMS.  Au niveau moughataa et communal L’indice 𝑅𝑖 = 𝐴𝑖 . 𝐸𝑖 . 𝑉𝑖 est calculé à partir des indicateurs16 décrits plus haut, au niveau départemental puis communal. Pour chaque département i, deux cas se présentent17 : (i) Si l’indicateur d’aléa – et donc l’indice de risque – n’est pas calculé pour ce département (cf. Note dans Indicateur d’aléa ci-dessus), le nombre de ménages attribué par défaut est déterminé sur la base d’un indice prenant en compte seulement les indicateurs d’exposition et de vulnérabilité18. (ii) Dans le cas contraire, la composante adaptative régionale est désagrégée au niveau des moughataas en fonction de l’indice 𝑅𝑖 . Le même processus est appliqué au niveau communal afin de désagréger les valeurs départementales de la composante adaptative. Validation La méthode de désagrégation utilisée a été calibrée et validée grâce aux données d’IA disponibles sur la période 2011-2015. D’une part, le nombre maximum de ménages en IA est considéré pour chaque wilaya afin de calculer une composante adaptative théorique, c’est-à-dire la différence entre ces maxima et le nombre de ménages inclus dans la composante de base19. D’autre part, un dimensionnement au niveau 16 Les valeurs au niveau moughataa (resp. communal) des indicateurs pour chaque composante sont normalisées par la somme des valeurs des moughataas (resp. communes) appartenant à la même wilaya (resp. moughataa), de sorte que tous les indicateurs sont compris entre 0 et 1 afin d’assurer leur comparabilité. Une normalisation par le minimum et le maximum a également été testée mais donne de moins bons résultats (selon le procédé de validation détaillé dans la prochaine section). De plus, un poids est attribué à chaque composante ( 𝑅𝑖 = 𝐴𝑖 𝛼 . 𝐸𝑖 𝛽 . 𝑉𝑖 𝛾 ) à partir d’un processus d’optimisation (voir section Validation). Les valeurs fixées pour α, β et γ sont 0.9, 0.8, et 0.3 respectivement. 17 Deux cas particuliers sont à noter : Nouakchott et Dakhlet-Nouadhibou sont à la fois des régions et des départements. Le tampon au niveau départemental est donc le même qu’au niveau régional basé sur les taux d’insécurité alimentaire. 18 L’allocation selon cette méthode représente 20% de la composante adaptative totale. 19 Seuls les ménages faisant partie des 100 000 les plus pauvres sont considérés comme étant inclus dans la composante principale du registre pour cet exercice de validation. départemental a été effectué en utilisant l’indice de risque20. Enfin, les tampons départementaux sont agrégés au niveau régional puis comparés aux tampons théoriques basés sur les données historiques d’IA. Onze paramètres (α, β, γ, Pa1, Pa2, Pa3, Pv1, Pv2, Pv3, Pv4, Pv5 ; voir équation ci-dessous) sont optimisés21 afin d’obtenir la meilleure adéquation entre composante adaptative théorique et composante adaptative calculée et agrégée au niveau wilaya. Au niveau départemental, l’indice d’exposition au risque est donné par : R j = (Pa1. SPEIj + Pa2. NDVIj + Pa3. Bioj )α . Ej β . (Pv1. v1j + Pv2. v2j + Pv3. v3j + Pv4. v4j + Pv5. v5j )γ (2) Où 𝑣1𝑗 , 𝑣2𝑗 , 𝑣3𝑗 , 𝑣4𝑗 et 𝑣5𝑗 sont le taux de ménages parmi les 150 000 plus pauvres, le taux de ménages parmi les 100 000 plus pauvres, le taux de ruralité, le niveau de revenus des ménages moyens et le pourcentage de revenus issus de sources vulnérables pour les ménages moyens du département j respectivement. Les résultats sont présentés en figure 4. Tout d’abord, il résulte du processus d’optimisation qu’un poids conséquent est accordé au SPEI pour la caractérisation de l’aléa (0.9) tandis que les poids attribués aux facteurs de vulnérabilités sont relativement équilibrés. Puis, l’élasticité-aléa (0,9) de l’indice estimée est supérieure à l’élasticité-exposition (0,8), elle-même supérieure à l’élasticité-vulnérabilité (0,1). La figure 4.a représente la composante adaptative théorique en fonction du celle calculée à partir de l’indice non optimisé22. L’indice optimisé donne des résultats nettement améliorés (figure 4.b). Ces résultats sont à prendre avec précaution étant donnée la taille très réduite de l’échantillon utilisé. Les estimations des paramètres sont considérées pour dégager les tendances sur lesquelles s’appuyer afin de fixer a priori les valeurs de ces paramètres dans le calcul de l’indice d’exposition au risque. α=1 β=1 γ=1 Pa1=0.33 Pa2=0.33 Pa3=0.33 Pv1=0.2 Pv2=0.2 Pv3=0.2 Pv4=0.2 Pv5=0.2 (a) Version Non optimisée 20 Evidemment, l’indice d’aléa prend en compte les données de la période 2011 -2015 afin de rendre compte des impacts des conditions de sécheresse sur l’IA pour cette période. Plus précisément, le maximum de chaque indicateur de sécheresse (SPEI, NDVI, Biomasse) au niveau départemental sur la période est considéré. 21 Le procédé d’optimisation consiste à minimiser la somme des carrés des résidus entre composante adptative théorique et composante adaptative calculé au niveau wilaya. L’algorithme utilisé s’appuie sur une méthode quasi - Newton. On notera que deux observations, le Brakna et le Gorgol, ont été exclus de l’échantillon pour la calibration. 22 Les élasticités sont égales et fixées à 1 et les poids sont également distribués. α=0.9 β=0.8 γ=0.1 Pa1=0.96 Pa2≈0 Pa3=0.04 Pv1=0.15 Pv2=0.16 Pv3=0.17 Pv4=0.36 Pv5=0.16 (b) Version Optimisée Figure 4. Résultats du procédé d’optimisation des paramètres de l’indice de risque. Enfin, la figure 5 présente l’IA maximale observée en période de soudure au niveau wilaya en fonction de la capacité totale du registre après dimensionnement de la composante adaptative. Il apparaît qu’une composante adaptative totale de 51 743 ménages réparti selon cette méthodologie aurait permis au registre de répondre aux besoins estimés par les FSMS et d’appuyer le ciblage des interventions d’urgence (tous les points verts se situent sur ou au-dessus de la droite y=x). Des valeurs de la composante adaptative au niveau communal sont données en annexe pour un total de 40 000, 45 000 et 50 000 ménages. Cette note s’accompagne d’un fichier Excel contenant les valeurs des indices et de leurs composantes au niveau moughataa et communal, ainsi que les formules de calcul de la composante adaptative. (a) Capacité du registre sans composante adaptative en fonction de l’IA maximum historique (b) Capacité du registre avec composante adaptative en fonction de l’IA maximum historique Figure 5. Validation de la capacité du registre sur la base de l’insécurité alimentaire maximale historique. Annexe 1 Figure 6. Départements inclus dans le calcul de l’indice d’exposition au risque de sécheresse. (a) Distribution de la composante adaptative (b) Distribution du registre total par par commune commune Figure 7. Composante adaptative et registre total au niveau communal. Annexe 2 Données Caractéristiques Source Nombre de ménages au niveau communal Office National de la Population pour l’année 2012 Statistique Taux de ménages « pauvres » (150 000 Office National de la ménages les plus pauvres) et « extrême Pauvreté Statistique et Banque pauvres » (100 000 ménages les plus pauvres) Mondiale au niveau communal Pourcentage de ménages en zone rurale au Office National de la Ruralité niveau communal en 2012 Statistique Revenus annuels moyens pour la catégorie des Niveau de revenus des ménages moyens déterminé dans les profils FewsNet, FAO, ACF ménages moyens HEA. Pourcentage de Pourcentage du revenus annuels total des revenus vulnérable des ménages moyens issus de la vente de bétail et FewsNet, FAO, ACF ménages moyens de récoltes, déterminé dans les profils HEA. Données mensuelles désagrégées à une résolution de 0.5 (base de données pour la CSIC, Climate Hazard SPEI période 1990-2014) puis 0.05 (base de Group (CHG) et CGIAR-CSI données pour la période 1981-1989) Données mensuelles à une résolution de NDVI NASA 0.1 sur la période 2000-2017 Données annuelles à une résolution d’1km sur Biomasse ACF-Spain la période 1998-2016 Taux d’insécurité alimentaire (modéré et sévère) au niveau régional sur la période 2011- Enquêtes FSMS réalisées Insécurité alimentaire 2015, mesuré deux fois par an (en période de par le PAM et le CSA soudure et en période post-récolte) Table 1. Données utilisées et sources. Annexe 3 Composante Composante Composante adaptative pour un adaptative pour un adaptative pour un Commune total de 40 000 total de 45 000 total de 50 000 ménages ménages ménages Akjoujt 2 11 12 13 Tmeimichat 73 81 89 Inal 52 57 63 Nouadhibou 3464 3849 4234 Boulenouar 203 226 248 Nouamghar 175 194 213 Male 0 0 0 Cheggar 0 0 0 Agchourguit 0 0 0 Djellewar 0 0 0 Bouhdide 0 0 0 Aleg 0 0 0 El Varae 0 0 0 Bababe 0 0 0 Aere M'bar 0 0 0 Boghe 0 0 0 Dar El Avia 0 0 0 Wel Birem 0 0 0 Dar El Barka 0 0 0 Boghe 2 0 0 0 Sangrava 0 0 0 Djonabe 0 0 0 Ouad Amour 0 0 0 Maghta Lahjar 0 0 0 Maghta Lahjar 2 0 0 0 Bagodine 0 0 0 Mbagne 0 0 0 Niabina 0 0 0 Debay El Hejaj 0 0 0 Lebheir 73 81 89 Gueller 65 72 80 Daghveg 84 93 103 Boulahrath 99 110 121 Barkeol 101 112 123 Hsey Tine 34 38 42 Boumdeid 63 70 77 Leftah 55 61 67 Boumdeid 2 0 0 0 Laoueissi 109 121 133 El Ghabra 142 157 173 Rdheidhie 93 103 114 Oudei J'rid 59 66 72 El Ghayra 102 113 124 Kamour 107 119 131 Guerou 286 317 349 Guerrou 2 0 0 0 Legran 117 130 143 Eghaourat 194 216 237 El Melgue 117 130 143 Kouroudjel 44 49 54 Kiffa 549 609 671 Blajmil 112 124 137 Sani 100 111 122 Kankossa 151 168 184 Hamed 161 178 196 Tenaha 88 97 107 Nouamlein 54 60 66 El Meddah 0 0 0 Maeden 0 0 0 Aoujeft 0 0 0 N'Teirguent 0 0 0 Aoujeft 2 0 0 0 Choum 0 0 0 Tawaz 0 0 0 Ain Ehel Taya 0 0 0 Atar 0 0 0 N'Savenni 141 157 172 Tinhemmad 70 78 86 Bennemane 71 79 87 Oum Lahyadh 146 163 179 Leghlig 139 154 170 Voulaniya 154 171 188 Devaa 222 247 272 Tintane 347 386 424 Hassi Abdalla 88 98 108 Agharghar 156 173 190 Aweinatt 198 220 242 Ain Varba 195 217 238 Twil 174 193 212 Lehreijatt 182 202 222 Mabrouk 66 73 80 Sava 214 238 261 Guaet Teidouma 132 146 161 Radhi 145 161 177 Tamchekett 66 73 80 Doueirare 187 208 229 Timzine 219 243 268 Kobenni 152 169 186 Gogui Zemmal 133 148 163 Medbougou 138 154 169 Hassi Ehel Ahmed 183 203 223 Bechne Ould M'bonny 45 50 55 Tachout 72 80 88 Ejar 81 90 99 Hassi Cheggar 84 93 102 Arr 110 122 134 Souvi 90 100 110 Baydiam 90 100 110 Ghabou 166 184 203 Wompou 78 87 95 Gouraye 129 143 157 Lehraj 97 107 118 Leweinat 61 67 74 Ould Yenge 100 111 122 Tektake 122 136 149 Lebouly 129 144 158 Davoue 87 96 106 Bouanze 50 55 61 Amourj 402 447 492 Adel Bagrou 2114 2349 2584 Bougadoum 1795 1994 2194 Dhar 490 544 599 El Megve 414 460 506 Vessale 3611 4012 4414 Aoueinat Ezbel 497 552 607 Ghlig Ehel Beye 301 334 368 Beneamane 301 335 368 Mabrouk 288 320 352 Kasr El Barka 306 340 374 Feirenni 323 359 395 Djigueni 641 712 783 Nema 1149 1276 1404 Achemime 186 206 227 Agoueinit 633 703 773 Noual 259 288 317 Jreif 362 402 443 El Mabrouk 360 400 440 Beribavat 273 303 333 Bangou 564 627 690 Hassi Atile 412 458 503 Oum Avnadech 896 995 1095 Koumbi Saleh 576 640 704 Bousteile 847 941 1036 Hassi M'Hadi 700 777 855 Ganki 0 0 0 Nere Walo 0 0 0 Kaedi 0 0 0 Djewol 0 0 0 Lexeiba 0 0 0 Toghomadi 0 0 0 Tifonde Cive 0 0 0 Wali Djantang 0 0 0 Sagne 0 0 0 Toulel 0 0 0 Vrae Litam 0 0 0 Dao 0 0 0 Dolol Cive 0 0 0 Beilouguet Litam 0 0 0 Maghama 0 0 0 Melzem Teichet 0 0 0 Azgueilem Tiyab 0 0 0 Monguel 0 0 0 Bathet Moit 0 0 0 Bokhol 0 0 0 Souva 0 0 0 Tarengue 0 0 0 N'Djadjbenni 0 0 0 Edebaye Ehel 0 0 0 Guelaye Foum Gleita 0 0 0 Tikobra 0 0 0 Lahrach 0 0 0 Chelkhet Tiyab 0 0 0 Mbout 0 0 0 Boutalhaya 207 230 253 Lexeiba 131 145 160 Tekane 183 203 224 Bareina 275 306 337 Rosso 914 1015 1117 Jedrel Mohguen 146 163 179 Tiguent 242 269 296 Taguilalet 81 90 99 Mederdra 164 183 201 Beir Etaouress 49 55 60 El Khat 147 164 180 Ouad Naga 2 0 0 0 El Ariya 174 193 212 Ouad Naga 204 227 249 Aouleygat 178 198 217 N'Diago 135 150 165 Keur Macene 112 124 137 M'Balal 413 459 505 Boutilimit 2 0 0 0 Elb Adress 66 73 81 El Mouyessar 38 42 47 Tenghadej 122 135 149 Nebaghiye 127 142 156 N'Teichet 155 172 189 Ajweir 74 82 90 Zoueirat 278 308 339 Fderik 34 37 41 Fderik 2 10 12 13 Soudoud 155 173 190 Moudjeria 29 33 36 N'Beika 159 177 194 El Wahat 41 46 50 Tidjikja 135 150 165 Tensigh 67 74 81 Tidjikja 2 0 0 0 Lehsira 32 35 39 Lekhcheb 133 148 error Tichitt 211 234 257 Tichitt 2 0 0 0 Selibaby 265 294 324 Bassikounou 765 850 935 Boutilimit 360 400 440 RKiz 194 216 237 Aioun 416 463 509 Egjert 133 148 163 Bir Mogrein 19 21 23 Bir Mogrein 2 10 11 12 Arafat 583 647 712 Dar Naim 485 539 593 El Mina 445 495 544 Ksar 209 232 255 Ryad 353 393 432 Sebkha 266 295 325 Tevragh Zeina 212 236 260 Teyaret 318 353 388 Toujounine 554 615 677 Ain Savra 0 0 0 Ouadane 0 0 0 Ouadane 2 0 0 0 Oualata 146 162 178 Oualata 2 559 622 684 Tembedgha 874 971 1069 Touil 707 785 864 Akjoujt 78 86 95 Bennechab 23 26 28 Boubacar Ben 69 77 84 Amer Chinguity 3 0 0 0 Chinguity 0 0 0