Evaluation de l'efficience technique des exploitations riricoles du périmètre irrigué de mission-tové

4.2.2.2. Estimation pour tout l'échantillon avec la variable muette type d'écologie

Le tableau suivant expose l'estimation de la frontière stochastique par les MCO de tout l'échantillon avec les variables définies avant et une variable muette qui est le type d'écologie (TYPECO) : riziculture irrigué et celle sur des terres souvent inondées.

4.2.2.2.1. Validation du modèle 

Il ressort de l'analyse du tableau ci-après que les mêmes variables sont significatives comme dans le cas de l'estimation sans la variable muette. Et les coefficients gardent les mêmes valeurs et les mêmes signes dans les deux estimations. Le R² de la première estimation (0,88) est égal à celui de la deuxième estimation (0, 88). Il en est de même pour les F-statistic 119 pour la première et 106 pour la deuxième.

4.2.2.2.2. Discussion des résultats

Il ressort de ce qui précède que l'introduction de la variable muette n'a pas d'influence significative sur l'estimation. Mais en examinant le t-statistic de la variable muette on conclut qu'il y a une différence de 15,84% entre les producteurs en irriguée et ceux exploitant des terres souvent inondées. Néanmoins, comme l'une des hypothèses de cette étude porte sur la comparaison de l'efficience technique de ces deux groupes de producteurs, dans le développement suivant, l'estimation portera sur ces deux groupes de producteurs séparés.

Tableau 13 : MCO pour l'échantillon total utilisant la fonction de production Cobb- Douglas y inclus la variable muette type d'écologie

Included observations: 150
Variable	Coefficien	Std. Error	t-Statistic	probabil
Constante	3,88836	0,98389	3,95203*	0,0001
LOG(AGE)	-0,03829	0,13586	-0,28183	0,7785
LOG(CRED)	0,04010	0,02426	1,65264	0,1007
LOG(ENGM)	-0,07830	0,08277	-0,94598	0,3458
LOG(EXPRI)	0,00121	0,04976	0,02435	0,9806
LOG(INST)	-0,02816	0,04370	-0,64450	0,5203
LOG(MADO)	0,66617	0,07983	8,34324*	0,0000
LOG(QINS)	0,11032	0,07700	1,43272	0,1542
LOG(SEM)	0,91172	0,16196	5,62901*	0,0000
LOG(TEXP)	0,42358	0,05778	7,32994*	0,0000
TYPECO	0,00625	0,03950	0,15840	0,8744
R-squared	0,88466	Mean dependent var		7,96735
Adjusted R-squared	0,87636	S.D. dependent var		0,64653
S.E. of regression	0,22733	Akaike info criterion		-0,0543
Sum squared resid	7,18337	Schwarz criterion		0,16645
Log likelihood	15,0741	F-statistic		106,619
Durbin-Watson stat	1,86509	Prob(F-statistic)		0,00000

* dénote la significativité au seuil de 5%

4.2.2.3. Estimation suivant le type d'écologie :

4.2.2.3.1. Estimation pour la riziculture irriguée

4.2.2.3.1.1. Validation du modèle

· Le F de Fisher (F-statistic = 75) est élevé et sa probabilité est significativement nulle : les paramètres du modèle sont globalement significatifs.

Ceci signifie que toutes les variables exogènes expliquent réellement la production de manière globale.

· Le R² est élevé(R-squared= 0,88, Adjusted R-squared = 0,87) : plus de 88% des variations de la production sont expliquées par le modèle (par les variables indépendantes)

· Le ratio de Log likelihood est significatif au seuil de 0,5% suivant la distribution de Khi-deux donc la relation entre la production et les variables indépendantes est de qualité.

4.2.2.3.1.2. Discussion des résultats

Le t de Student des paramètres tels que la main d'oeuvre (MADO), la quantité de semence en kg/ha (SEM),et la taille de l'exploitation en ha (TEXP) en plus de la constante ont leur probabilité inférieure à 0,05 : ces paramètres du modèle sont significativement différents de zéro. Ainsi la production dépend dans une large mesure de la main d'oeuvre, de la qualité et de la quantité de semences utilisées pour la confection des pépinières et de la superficie emblavée par les producteurs. Donc

l'hypothèse selon laquelle la production dépend dans une large mesure de la disponibilité en engrais n'est pas vérifiée.

Tableau 14 : MCO pour les producteurs en riziculture irriguée utilisant la fonction de production Cobb- Douglas

Included observations: 95
Variable	Coefficien	Std. Error	t-Statistic	Prob.
Constante	4,215273	1,147227	3,674314*	0,0004
LOG(AGE)	-0,10202	0,156338	-0,652579	0,5158
LOG(CRED)	0,052095	0,030706	1,696574	0,0934
LOG(ENGM)	-0,10949	0,094452	-1,159260	0,2496
LOG(EXPRI)	0,032925	0,059183	0,556316	0,5795
LOG(INST)	-0,02617	0,054236	-0,482525	0,6307
LOG(MADO)	0,464537	0,113936	4,077186*	0,0001
LOG(QINS)	0,194390	0,089546	2,170846	0,0327
LOG(SEM)	0,914884	0,185961	4,919773*	0,0000
LOG(TEXP)	0,524742	0,083220	6,305497*	0,0000
R-squared	0,888316	Mean dependent var		8,03025
Adjusted R-squared	0,876490	S.D. dependent var		0,63578
S.E. of regression	0,223441	Akaike info criterion		-0,0600
Sum squared resid	4,243689	Schwarz criterion		0,20878
Log likelihood	12,85193	F-statistic		75,1193
Durbin-Watson stat	1,920766	Prob(F-statistic)		0,00000

* dénote la significativité au seuil de 5%

4.2.2.3.2. Estimation pour la riziculture sur terres souvent inondées

4.2.2.3.2.1. Validation du modèle

· Le F de Fisher (F-statistic = 53) est élevé et sa probabilité est significativement nulle : les paramètres du modèle sont globalement significatifs.

Ceci signifie que toutes les variables exogènes expliquent réellement la production de manière globale.

· Le R² est élevé(R-squared= 0,91, Adjusted R-squared = 0,89) : plus de 89% des variations de la production sont expliquées par le modèle (par les variables indépendantes)

· Le ratio de Log likelihood est significatif au seuil de 0,5% suivant la distribution de Khi-deux donc la relation entre la production et les variables indépendantes est de qualité.

4.2.2.3.2.2. Discussion des résultats

Le t de Student des paramètres tels que la main d'oeuvre (MADO), la quantité de semence en kg/ha (SEM),et la taille de l'exploitation en ha (TEXP) en plus de la constante ont leur probabilité inférieure à 0,05 : ces paramètres du modèle sont significativement différents de zéro. Ce sont ces paramètres qui influencent de façon significative la production. Donc l'hypothèse selon laquelle la production dépend dans une large mesure de la disponibilité en engrais n'est pas vérifiée.

Tableau 15 : MCO pour les producteurs sur terres souvent inondées utilisant la fonction de production Cobb- Douglas

Included observations: 55
Variable	Coefficien	Std. Error	t-Statistic	Prob.
Constante	2,265996	1,755014	1,291156	0,2032
LOG(AGE)	0,079644	0,260073	0,306239	0,7608
LOG(CRED)	0,029111	0,039654	0,734124	0,4667
LOG(ENGM)	0,000823	0,163021	0,005050	0,9960
LOG(EXPRI)	-0,052032	0,090127	-0,577316	0,5666
LOG(INST)	-0,049614	0,068865	-0,720460	0,4750
LOG(MADO)	0,671391	0,132411	5,070505*	0,0000
LOG(QINS)	0,133145	0,156921	0,848486	0,4007
LOG(SEM)	1n072672	0,304793	3519351*	0,0010
LOG(TEXP)	0,413333	0,083345	4,959326*	0,0000
R-squared	0,913297	Mean dependent var		7,858725
Adjusted R-squared	0,895957	S.D. dependent var		0,656322
S.E. of regression	0,211702	Akaike info criterion		-0,104312
Sum squared resid	2,016792	Schwarz criterion		0,260658
Log likelihood	12,86857	F-statistic		52,66821
Durbin-Watson stat	1,858832	Prob(F-statistic)		0,000000

* dénote la significativité au seuil de 5%

Les tests de validation donnent les mêmes résultats. Ainsi les estimateurs issus des MCO du modèle sont sans biais, convergents et efficaces.

On conclut que comme dans le cas de tout l'échantillon, les mêmes variables sont significatives pour les producteurs en riziculture irriguée et ceux sur des terres souvent inondées. Le R² au niveau des deux groupes de producteurs est pratiquement égal et les coefficients aussi ont les mêmes signes et sont égaux en valeurs. Ces résultats sont confirmés par le fait que ces deux groupes de producteurs sont dans le même type d'écologie : riziculture irriguée et que la différence provient du fait que certains sont sur des terrains souvent inondées.