Contribution des nouvelles technologies de soja au bien-etre des ménages agricoles cas de la plaine de Ruzizi

Section 3 : spécification des modèles

3.1. Modèle de Budget partiel

Afin de bien étudier la contribution ou l'impact des nouvelles technologies de soja sur le revenu et les dépenses des ménages agricoles, nous avons fait recours au modèle de budget partiel pour déterminer les revenus des différents systèmes de culture (Meindersma J. D., 2006). Enfin, l'analyse économétrique de la régression multiple est utilisée pour évaluer les facteurs qui déterminent l'utilisation des revenus (Allogni et al., 2004).

Le revenu net est présenté mathématiquement comme:

Revenu monétaire net = Revenu Brut - Charges de production

? =

? = Revenu monétaire net

n = nombre de ménages constituant un système de culture

Qt = quantité de soja produit par période (t)

Pt = prix (CDF) d'une unité de mesure de soja à la période (t)

Qct = quantité de soja consommée par ménage agricole

Xj = quantité des facteurs de production utilisée par le producteur

Pj = prix (CDF) unitaire des facteurs de production

k = des facteurs de production

3.2. Estimation des dépenses 

L'utilisation des revenus du ménage agricole dépend des facteurs socioéconomiques (sexe, niveau d'éducation, expérience en culture de soja, taille du ménage, âge du chef de ménage) et les facteurs liés à la technologie. L'estimation des dépenses affectées à chaque domaine du bien-être des ménages (produits alimentaires, santé, acquisitions de matériels agricoles, scolarisation des enfants, infrastructures, fêtes et cérémonies) est définie par une fonction de dépense (DEP) qui se présente comme suit (Allogni et al, 2004) :

(DEP) = f(RTCS, TVU, GER, EXPCS, NIVCM, SUPER, SUPRMB, TM,AGCM )

La régression multiple de la fonction de dépense se présente sous forme d'une fonction logarithmique. L'introduction de la fonction logarithmique se justifie du fait que les variables dépenses de ménage et les recettes ont des valeurs élevées par rapport à d'autres variables d'où la présence de logarithme pour linéariser le modèle (Bourbonnais, 2009). La présence de logarithme nous évitera d'avoir le biais dans nos résultats:

LogDEP = â₀+ â₁Log(RTCS) + â₂(TVU₂) + â₃SUPER) + â₄(SUPEMB) +â₅(TM)+ â₆(GER)+ â₇(EXPCS)+ â₈(NIVCM) + â₉(AGCM) + å_i

Où â₀ est la constante et e₁, le terme de l'erreur. Les â_i sont les coefficients à estimer et peuvent être interprétés directement comme coefficients des dépenses par rapport aux facteurs correspondants.

L'estimation du paramètre âi est faite par étape qui consiste à sélectionner les variables d'une certaine importance (Allogni et al., 2004). Cependant, la statistique de Student sera utilisée pour vérifier la significativité individuelle des paramètres.