ANOUARELIDRISSI/Morocco-Green-Generation-2030-Enhanced-Thesis

🇲🇦 Maroc Génération Verte 2030 — Analyse Multi-Pilier

Évaluation quantitative de niveau doctoral de la stratégie de transformation agricole du Maroc

📊 Données mises à jour jusqu'en 2025 | 🌍 Benchmarking international (10 pays) | 🤖 ML avancé + Inférence causale | 📈 Simulation d'impact des stratégies

---

📁 Structure du dépôt

├── report/
│   ├── thesis_report.tex          # Source LaTeX du rapport doctoral
│   └── thesis_report.pdf          # ✅ PDF compilé du rapport
│
├── data/
│   ├── morocco/                   # Données existantes Morocco (1990-2025)
│   │   ├── morocco_food_security_1990_2025.csv
│   │   ├── morocco_agri_gdp_1990_2025.csv
│   │   └── morocco_agri_exports_1990_2025.csv
│   ├── international/
│   │   ├── international_agri_benchmarks.csv
│   │   └── country_strategies_database.csv
│   └── metadata/
│       └── data_provenance.json
│
├── data/real_sources/             # ✅ NOUVELLES données téléchargées des sources fiables
│   ├── morocco/
│   │   ├── pillar1_food_security.csv              # 34 ans × 16 indicateurs (Banque mondiale)
│   │   ├── pillar2_economic_transformation.csv    # 34 ans × 21 indicateurs
│   │   ├── pillar3_export_competitiveness.csv     # 34 ans × 11 indicateurs
│   │   ├── pillar4_benchmarking_panel_morocco.csv # 34 ans × 18 indicateurs
│   │   ├── climate_water_indicators.csv           # Eau & irrigation
│   │   └── morocco_combined_all_pillars.csv       # 34 ans × 68 indicateurs fusionnés
│   ├── international/
│   │   ├── pillar1_food_security_10countries.csv  # 10 pays panel
│   │   ├── pillar2_economic_10countries.csv       # 10 pays panel
│   │   ├── pillar3_export_10countries.csv         # 10 pays panel
│   │   └── pillar4_benchmarking_panel.csv         # 10 pays × 19 indicateurs
│   └── metadata/
│       └── data_provenance_and_mapping.json
│
├── saved_models/                  # ✅ Modèles ML entraînés
│   ├── model_metadata.json                # Métadonnées des modèles
│   ├── caloric_availability_best_model.pkl
│   ├── cereal_production_best_model.pkl
│   ├── import_dependency_best_model.pkl
│   ├── undernourishment_best_model.pkl
│   ├── agri_gdp_billion_MAD_best_model.pkl
│   ├── export_gdp_ratio_best_model.pkl
│   ├── agri_gdp_RandomForest.pkl          # Tous les modèles du horse-race
│   ├── agri_gdp_XGBoost.pkl
│   ├── agri_gdp_LightGBM.pkl
│   ├── agri_gdp_GradientBoosting.pkl
│   ├── agri_gdp_ElasticNet.pkl
│   ├── agri_gdp_SVR_RBF.pkl
│   └── agri_gdp_Ridge_Poly.pkl
│
├── analysis/
│   ├── run_enhanced_analysis.py    # Pipeline d'analyse complet
│   ├── framework/
│   │   └── advanced_models.py      # Frameworks ML (HorseRace, VAR, Bayesian)
│   └── results/
│       ├── causal_impact_results.csv
│       ├── gap_analysis_summary.csv
│       ├── pillar1_model_selection.csv
│       └── strategy_recommendations.csv
│
├── figures/                       # ✅ Figures régénérées
│   ├── fig1_securite_alimentaire_strategies.png
│   ├── fig2_pib_strategies.png
│   ├── fig3_export_strategies.png
│   ├── fig4_benchmarking_international.png
│   ├── fig5_impact_causal.png
│   └── fig6_tableau_ecarts.png
│
├── papers/                        # Articles de recherche de référence
│   ├── 2301.12985.pdf → 2509.00368.pdf
│   └── paper_references.json
│
└── scripts/
    ├── collect_real_data.py       # Script de collecte données (World Bank, FAO, IMF)
    ├── collect_data_quickstart.ipynb
    ├── DATA_COLLECTION_README.md
    └── requirements.txt

---

📊 Sources de données réelles

Toutes les données ont été téléchargées depuis des sources institutionnelles fiables :

Source	Licence	Indicateurs	Couverture
Banque mondiale WDI	CC BY 4.0	68+ indicateurs	1990–2023, 10 pays
FAOSTAT	CC BY-NC-SA 3.0	Production, alimentation, commerce	1990–2023
FMI PEM	Open access	PIB en monnaie locale (MAD)	1990–2025
HCP Maroc	Données ouvertes	Comptes nationaux, investissement	1990–2025
ONU Comtrade	CC BY 3.0	Commerce bilatéral par produit	1990–2022
USDA FAS	Domaine public	Production céréalière MAJ 2024-2025	2024–2025

---

🤖 Modèles ML entraînés

7 modèles en compétition (horse-race) pour chaque indicateur :

Modèle	Type	Hyperparamètres
Random Forest	Ensemble	200 arbres
XGBoost	Boosting	300 arbres, lr=0.02, depth=4
LightGBM	Boosting	300 arbres, lr=0.03, depth=4
Gradient Boosting	Boosting	200 arbres, lr=0.05, depth=3
ElasticNet	Linéaire	α=0.1, l1_ratio=0.5
SVR RBF	Noyau	C=100, ε=0.1
Ridge Poly	Polynômial	degré=2, α=1.0

Résultats de sélection

Indicateur	Meilleur modèle	R²
Disponibilité calorique	GradientBoosting	1.000
Production céréalière	GradientBoosting	0.999
Dépendance importations	GradientBoosting	0.999
Sous-alimentation	GradientBoosting	1.000
PIB agricole (Mds MAD)	GradientBoosting	0.999
Ratio export/PIB	GradientBoosting	0.999

---

📈 Résultats clés : Tableau de bord GG2030

Objectif	Cible GG2030	BAU 2030	Statut	Stratégies
Disponibilité calorique	3 500 kcal	3 623	✅ ATTEIGNABLE	—
Autosuffisance céréalière	70%	75,2%	✅ ATTEIGNABLE	—
Dépendance importations	<30%	21,7%	✅ ATTEIGNABLE	—
Sous-alimentation	<2,0%	2,0%	✅ ATTEIGNABLE	—
PIB agricole (×2)	226,8 Mds MAD	128,5 Mds	❌ ÉCART : 98,3 Mds	6 stratégies
Ratio export/PIB (×2)	0,903	0,611	❌ ÉCART : 0,292	5 stratégies

Bilan : 4/6 objectifs en bonne voie. Les 2 objectifs économiques nécessitent des stratégies internationales.

---

🔬 Impact causal de la GG2030

Indicateur	Effet moyen	P(effet > 0)	Interprétation
Superficie irriguée	+137,7K ha/an (+5,0%)	0,960	Positif significatif
Exportations agricoles	+7,5 Mds MAD/an (+12,9%)	0,999	Effet le plus fort
Investissement agricole	−1,2 Mds MAD/an (−1,9%)	0,463	Non significatif
Production céréalière	−4130 MT/an (−36,3%)	0,158	Sécheresse 2024
Utilisation engrais	−0,8 kg/ha (−0,2%)	0,410	Non significatif

---

🚀 Utilisation

Charger les données

import pandas as pd

# Données Morocco fusionnées (68 indicateurs, 1990-2023)
morocco = pd.read_csv("hf://datasets/ANOUARELIDRISSI/Morocco-Green-Generation-2030-Enhanced-Thesis/data/real_sources/morocco/morocco_combined_all_pillars.csv")

# Panel international (10 pays)
panel = pd.read_csv("hf://datasets/ANOUARELIDRISSI/Morocco-Green-Generation-2030-Enhanced-Thesis/data/real_sources/international/pillar4_benchmarking_panel.csv")

Charger un modèle entraîné

import pickle

with open("saved_models/agri_gdp_billion_MAD_best_model.pkl", "rb") as f:
    model = pickle.load(f)

Exécuter l'analyse complète

pip install numpy pandas scikit-learn scipy matplotlib xgboost lightgbm statsmodels
cd analysis && python run_enhanced_analysis.py

Compiler le rapport LaTeX

cd report && tectonic thesis_report.tex
# ou: pdflatex thesis_report.tex && pdflatex thesis_report.tex

---

📚 Citation

@misc{maroc_gg2030_2026,
  title={Maroc Génération Verte 2030 : Analyse Multi-Pilier de la Transformation Agricole},
  author={ANOUARELIDRISSI},
  year={2026},
  url={https://huggingface.co/datasets/ANOUARELIDRISSI/Morocco-Green-Generation-2030-Enhanced-Thesis}
}

---

⚠️ Avertissements

• Les données 2024-2025 sont des estimations préliminaires (USDA FAS, FAO SMIAR)
• Les simulations de stratégies supposent la reproductibilité des impacts mesurés
• Les estimations causales supposent l'absence de confondants non observés
• Les données data/real_sources/ proviennent directement des APIs de la Banque mondiale (CC BY 4.0)

Dernière mise à jour : Mai 2026

Generated by ML Intern

This dataset repository was generated by ML Intern, an agent for machine learning research and development on the Hugging Face Hub.

• Try ML Intern: https://smolagents-ml-intern.hf.space
• Source code: https://github.com/huggingface/ml-intern

Usage

from datasets import load_dataset

dataset = load_dataset('ANOUARELIDRISSI/Morocco-Green-Generation-2030-Enhanced-Thesis')