Memoire Online - Efficacité de la production agricole et pauvreté au Cameroun.

23
Section1 : Déterminants de l'efficacité productive, travaux mené avec les méthodes non paramétriques

Section2 : Définition de l'échantillon et résultats des indices de productivité 32

CHAPITRE 3 : PRODUCTIVITE GLOBALE DES FACTEURS AGRICOLES ET

CHAPITRE 4 : INCIDENCE DE LA PRODUCTIVITE GLOBALE DES FACTEURS SUR LA

DEDICACE

REMERCIEMENTS

Ce mémoire est l'output d'un ensemble d'actions individuelles et institutionnelles auxquelles nous voudrions rendre hommage.

Au niveau individuel, nous exprimons tout d'abord notre profonde gratitude au coordonnateur du master II en Ingénierie Economique et Financière, le professeur GANKOU Jean Marie qui nous a appris à travailler sous pression et avec rigueur. Nous exprimons également notre profonde gratitude à notre directeur, le Docteur NANA DJOMO Jules Médard, pour avoir accepté de consacrer son précieux temps à diriger les travaux de ce mémoire.

Au niveau institutionnel, ce mémoire a bénéficié du concours actif et du soutien de l'Université de Yaoundé II au Cameroun et de l'Université de Rennes I en France. Trouver par son aboutissement notre profonde reconnaissance.

M. MBOUTCHOUANG Armand qui nous a guidé dans toutes les étapes de cette recherche et a toujours été très encourageant. Nous tenons à le remercier particulièrement.

Il importe également de souligner la participation de : Dr SOH Syrie Galex, Dr ATANGANA ONDOA, Dr NGOMSI Augustin, Messieurs YANKAM Dary, NGUENKWE Bertrand et OUMAROU. Chacun d'eux a apporté son expertise et son soutien, compléments essentiels à la réalisation de cette recherche. Merci de votre collaboration !

Nous désirons remercier les cadres du Ministère de l'Agriculture pour leur accueil chaleureux et pour les informations et les précieux conseils reçus.

Nos remerciements vont aussi à l'endroit des membres de la famille qui nous ont soutenus matériellement et moralement. Nous pouvons citer papa YAMCHEU Jean-Paul, maman YAMCHEU née NGUEKAM Madeleine, NGAMBOU Salma, NOUPIEU Nelson, KEOU Lionel, OUANSI Franck-Emmanuel, TEMAPO Achil, WANDEU Fidèle, OUANSI Zachée, maman NOUKAM Emilienne et tous les autres que nous ne pourrons citer ici.

Nous remercions également des amis qui n'ont cessé de nous encourager et qui ont parfois sacrifié leur temps pour nous assister. Nous pensons à TENE Blondel, FOTSING Cédric, NGADEU Julie, NDO Flora, ADA Nélie, NGUEKAM Cyrille, KAKEU Arnold, NGAMALEU Anselme et tous ceux qui, de près ou de loin, ont contribué à l'aboutissement de ce travail.

LISTE DES TABLEAUX

Tableau 4.2 : Résultats de l'estimation des paramètres du modèle par les MCO. 670

LISTE DES FIGURES ET GRAPHIQUES

Graphique 2.2 : Evolution des indices de changement d'efficacité par période 36

Graphique 4.3 : Evolution du taux de PIB non agricole par travailleur et du taux d'envoi de

LISTE DES ABREVIATIONS

RESUME

L'objectif principal de cette recherche est d'évaluer l'impact du niveau d'efficacité de la production agricole sur la pauvreté des agriculteurs au Cameroun. Recherche qui s'est intéressée particulièrement à la production agricole végétale c'est-à-dire à base de la terre. De manière spécifique, la recherche s'est attelée à quantifier le niveau d'efficacité des producteurs agricoles et à estimer l'effet de la productivité globale des facteurs (constituée de l'efficacité technique et de l'efficacité technologique) sur le niveau de pauvreté.

L'usage d'un modèle non paramétrique (à travers la méthode de l'indice de productivité de Malmquist) et d'un modèle de régression multiple (à travers la méthode des moindres carrés ordinaires) sur les données recueillies auprès des régions du Cameroun allant de la période 2005-2012 a permis d'atteindre les résultats suivants : la disponibilité de la terre, du travail, des tracteurs, des engrais ou du capital humain conduit à une inefficacité technique mais plutôt à une efficacité technologique de la production agricole. Les résultats montrent également que, la productivité globale des facteurs agit positivement sur le niveau de pauvreté des agriculteurs au Cameroun. En d'autres termes, une augmentation de la productivité globale des facteurs conduit à une réduction du niveau de pauvreté.

Mots clés : Indice de productivité de Malmquist, efficacité technique, efficacité technologique, productivité globale des facteurs.

ABSTRACT

The main objective of this research is to evaluate the impact of the level of efficiency of agricultural production on poverty status of farmers in Cameroon. This research has focused particularly on vegetal agriculture, which is from the land. Specifically, this research concentrates on the quantification of the level of efficiency of agricultural producers and to estimate the effects of global productivity of factors (constituted of technical and technological efficiency) on the level of poverty.

The use of a nonparametric (through the method of the productivity index of Malmquist) and multiple regression model (through ordinary least squares) on data collected from the different regions of Cameroon from 2005-2012 has achieved the following results: the availability of land, labor, tractors, fertilizers or human capital leads to technical inefficiency but rather a technological efficiency of agricultural production. The results also show that the total factor productivity is positively on the level of poverty of farmers in Cameroon. In other words, an increase in total factor productivity leads to a reduction in poverty levels.

Keywords: Malmquist productivity index, technical efficiency, technological efficiency, total factors productivity.

INTRODUCTION GENERALE

1. Contexte et problématique

Theodore Schultz entama son discours d'acceptation du prix Nobel d'économie de 1979 en faisant l'observation suivante : « Pour la plupart, les habitants de la planète sont pauvres ; par conséquent, étudier l'économie de la pauvreté nous apporterait beaucoup de renseignements sur les principes économiques qui comptent vraiment. Partout dans le monde, les pauvres tirent en majorité leur revenu de l'agriculture ; par conséquent, étudier l'économie agricole nous apporterait beaucoup de renseignements sur l'économie de la pauvreté » (Schultz, 1979 cité par Cervantes-Godoy et Dewbre, 2010).

Trente ans plus tard, nous constatons que les habitants des pays en développement dont la subsistance est tributaire de l'agriculture sont encore, en règle générale, bien plus pauvres que ceux qui travaillent dans d'autres secteurs de l'économie et qu'ils représentent une forte proportion, souvent la majeure partie, de la totalité des pauvres dans leur pays.

Pour atteindre l'objectif du millénaire pour le développement (OMD) visant à réduire de moitié la pauvreté d'ici à 2015, il faut trouver les moyens d'augmenter la valeur ajoutée de ces populations. Comment pouvons-nous améliorer l'action conjointe publique-privée dans le domaine de la coopération pour le développement de l'agriculture pour que cette dernière contribue d'avantage à la lutte contre la pauvreté au Cameroun? Le présent document est le premier résultat d'un projet de recherche qui vise à répondre à cette question.

Globalement, la valeur ajoutée agricole au Cameroun est faible. Une des principales causes de cette faiblesse est le bas niveau d'efficacité technique des producteurs agricoles Camerounais. Une unité de production est dite efficace si, à partir du panier d'intrants qu'elle détient, elle produit le maximum d'extrants possibles ou si, pour produire une quantité donnée d'extrant, elle utilise les plus petites quantités possibles d'intrants (Atkinson et Cornwell, 1994). La mesure du degré d'efficacité d'une unité de production permet donc de cerner si cette dernière peut accroître sa production sans pour autant consommer plus de ressources, ou diminuer l'utilisation d'au moins un intrant tout en conservant le même niveau de production.

Le continent africain en général et le Cameroun en particulier est la seule région du Monde en voie de développement à être passée à côté de la révolution verte des années 1970 et 1980 (Sanchez et Sachs, 2004). La situation du continent n'est guère reluisante sur le plan agricole. Depuis les années 1970, la production alimentaire par tête du continent a connu une baisse de plus de 20% (Ouédraogo, 2005). Afin de renverser la tendance au déclin du secteur agricole sur le continent, l'Assemblée des Chefs d'Etat et de Gouvernement de l'Union Africaine a ratifié la Déclaration sur l'agriculture et la sécurité alimentaire en Afrique à Maputo en juillet 2003. Cette Déclaration les engage à consacrer au moins 10% de leurs budgets respectifs au secteur agricole.

On ne soulignera jamais assez l'importance de l'agriculture pour l'avenir économique de l'Afrique. Plus de 65% de la population Camerounaise travaillent dans l'agriculture, et le secteur est à l'origine de plus du quart du produit intérieur brut dans le pays. Les produits agricoles représentent environ 20% des échanges commerciaux internationaux de l'Afrique et constituent l'une des principales sources de matières premières pour l'industrie. D'après les estimations du Programme Alimentaire Mondial des Nations Unies, plus de 30 millions d'Africains ont actuellement besoin d'aide alimentaire internationale. Des chercheurs de l'Union Africaine ont signalé que la population augmentait plus rapidement que la production alimentaire du continent depuis 1993, ce qui explique la hausse de 20% du nombre de personnes souffrant de la faim passant de 176 millions à 210 millions.

2. Objectifs de l'étude

L'objectif principal de cette recherche est d'évaluer l'impact du niveau d'efficacité de la production agricole sur le niveau de pauvreté des agriculteurs au Cameroun. Il s'agit précisément de :

? Estimer le niveau de pauvreté compte tenu de la productivité globale des facteurs.

3. Hypothèses

? H2 : Une augmentation de la productivité globale des facteurs correspond à une réduction du niveau de pauvreté des producteurs agricoles.

4. Revue de la littérature

Jusqu'au début des années cinquante, la possibilité que les entreprises puissent exploiter leurs ressources d'une manière inefficace était implicitement écartée des études empiriques. On supposait ainsi que les entreprises en faisaient une allocation efficace, en regard des contraintes imposées par la technologie de production, par la structure des marchés (intrants et extrants) et par les objectifs qui motivent les entrepreneurs. Cette omission du traitement de l'efficacité a caractérisé les travaux de plusieurs économistes renommés tels que Carlson (1939), Hicks (1946) et Samuelson (1947). L'engouement sans précédent constaté au cours des années 1960 pour l'innovation technologique en général et pour les nouvelles technologies de production en particulier a du même coup stimulé l'intérêt des chercheurs pour étudier les impératifs d'une utilisation efficace de ces nouvelles technologies de production (Nishimizu et Page, 1982). La notion d'efficacité prenait une place de plus en plus importante dans les débats et les recherches scientifiques, et cela dans tous les secteurs de l'économie. Ainsi, plusieurs approches et méthodes d'évaluation et de mesure de l'efficacité ont été développées et utilisées dans des études empiriques, et ce pour plusieurs secteurs d'activités.

La question agricole a longtemps constitué une préoccupation majeure des économistes. Dès 1766 les physiocrates, dont le chef de file est Dr Quesnay, postulaient déjà que la richesse n'était pas monétaire, mai agricole : « toute richesse provient de la terre ». Plusieurs autres études par la suite ont été effectuées.

5. Méthodologie

Dans le cadre de cette recherche, tout d'abord, nous utilisons la méthode non paramétrique d'indice de productivité de Malmquist pour capter les niveaux d'efficacité. Un cadre théorique supplémentaire a pris son essor depuis la fin des années quatre-vingt, celui des fonctions de distance (voir Grosskopf, 2003, pour un historique). Cette approche non paramétrique permet en particulier de distinguer les gains en efficience de ceux issus d'un progrès technique pur (Benin et al., 2010a, 2010b). Empiriquement ces fonctions de distance peuvent être estimées à l'aide de la méthode d'enveloppement des données qui selon Mahadevan (2004) est une réponse possible aux objections soulevées par Felipe et McCombie (2003) puisqu'elle ne demande pas l'estimation d'une fonction de production agrégée. Ensuite, nous évaluons l'impact que pourrait avoir 1'amélioration du niveau d'efficacité des producteurs agricoles sur leur niveau de pauvreté au Cameroun.

6.Source de données

La base de données est la Country-Stat et le World Development Indicators (WDI, 2014). Les données vont de 2005 à 2012 pour l'ensemble du Cameroun. L'étude sera faite sur la période allant de 2005 à 2012 pour la première partie, donc 8 ans. Et de 2006 à 2012 pour la deuxième partie ; ceci étant dû à la perte des informations sur l'année 2005 à cause du calcul de l'indice de productivité de malmquist qui prend en compte l'année précédente. Les changements structurels au cours du temps peuvent biaiser les résultats. Il est supposé qu'en longue période, les changements structurels survenus à l'intérieur et à l'extérieur d'un pays peuvent modifier les comportements socio-économiques. Les données étant disponibles sur l'ensemble de la période d'étude, nous pourrons ferrons nos résultats. Par ailleurs, la méthode « robust » du logiciel STATA12 sera utilisée.

7. Intérêt du sujet

Ce sujet présente un intérêt particulier. En effet, l'agriculture est essentielle à la croissance ainsi qu'à la réduction de la pauvreté et de l'insécurité alimentaire. C'est pourquoi une révolution au niveau de la productivité agricole au Cameroun est une condition sine qua none pour que l'agriculture au Cameroun puisse jouer ces rôles (World Bank 2008). Ensuite, parce qu'une utilisation plus efficace des ressources nécessaires pour la production agricole permettrait d'accroître les revenus en réduisant les coûts de production et par ce biais de lutter contre la pauvreté.

8. Plan de travail

Notre travail sera divisé en deux parties. Chaque partie sera constituée de deux chapitres.

La première partie est intitulée concepts et évidence de l'efficacité productive.

La seconde partie est intitulée l'impact de l'efficacité de la production sur la pauvreté.

PREMIERE PARTIE

En analyse économétrique, l'efficacité et la productivité sont deux termes complémentaires, qui permettent tous les deux d'évaluer l'efficacité de la production agricole. L'efficacité mesure l'écart entre la production maximale réalisable, compte tenu des inputs consommés, et le niveau de production observé ; alors que la productivité se mesure par le rapport de l'output réalisé a un input particulier. L'objectif de cette partie est d'évaluer l'efficacité de la production agricole au Cameroun.

A cet effet, il sera question, à partir de l'indice de productivité de malmquist, d'analyser l'efficacité productive afin de mieux appréhender l'efficacité dans quelques régions du Cameroun. Un premier chapitre sera à cet égard consacré au cadre théorique et conceptuel de l'efficacité productive. Le second quant à lui sera réservé à la mise en évidence de l'efficacité productive au Cameroun.

CHAPITRE I : CONCEPTS DE L'EFFICACITE PRODUCTIVE

Introduction

Toute activité de production met en jeux des intrants (inputs) constituant les ressources productives à transformer ou à utiliser et des extrants (ou output) qui sont les résultats de production. La relation entre les intrants et les extrants permettra de mesurer la performance et d'évaluer les types d'allocation des ressources à la production. Ainsi, pour tenir compte du critère de maximalité du produit obtenu d'une part, et de la possibilité d'une utilisation moindre des moyens de production d'autre part, les économistes ont souvent recourt à la notion d'efficacité productive. Dans cette mesure une exploitation agricole est dite efficace si, à partir du panier d'inputs qu'elle détient, elle produit le maximum d'outputs possible ou si, pour produire une quantité donnée d'outputs, elle utilise les plus petites quantités possibles d'inputs.

L'objectif de ce chapitre est de dégager les concepts d'efficacité technique. Il s'agira d'exposer dans la première section la notion d'efficacité productive et l'indice de productivité de malmquist, et dans la deuxième section, nous exposerons les méthodes d'estimation de l'efficacité productive en parlant notamment des approches non paramétrique et paramétrique.

Section1 : L'efficacité productive et l'indice de productivité de malmquist

Dans le domaine agricole, les inefficacités proviennent de plusieurs raisons parmi lesquelles : le manque de formation du chef de l'exploitation agricole, la taille de l'exploitation agricole, l'accès aux crédits, l'individualisme des exploitants (Nuama, 2006). Pour mieux comprendre les facteurs qui influencent l'efficacité productive, on se propose d'étudier au préalable la notion d'efficacité productive.

1.1. La notion d'efficacité productive

A la notion d'efficacité productive est rattachée différents concepts en économie. De même elle est une notion qui repose sur plusieurs fondements théoriques.

1.1.1 Fondements de l'efficacité productive

La théorie néo-classique présente l'économie comme un régime de concurrence, le jeu des entrées et de sorties du marché porte en lui les mécanismes de rétablissement de la compétitivité des entreprises. Condamnées en effet à réussir sur le champ de bataille de la concurrence au risque de perdre des parts de marchés ou de sortir entièrement du marché au profit des autres, les entreprises veillent à une allocation optimale de leurs ressources et sur une utilisation efficace des facteurs de production (Nodjitidjé, 2009). Ainsi, les entreprises qui tiennent sur le marché sont celles qui combinent au mieux les facteurs de production. Cette philosophie peut trouver ses origines dans la théorie de la « main invisible » d'Adam Smith(1776). Pour cet auteur, le marché porte les germes de l'efficacité productive ; donc à priori, il n'est pas opportun pour une unité de production agricole de surmonter ses défaillances. Cependant, cette théorie qui se veut universelle a fait l'objet de nombreuses critiques.

En effet, dans la pratique, les marchés sont en concurrence imparfaite, et les risques d'inefficacité permanente ne sont pas exclus. Ainsi, Hirshman (1992)¹ écrivait qu'aucun système économique ne peut garantir que les entreprises(ou les exploitations agricoles) agiront toujours de façon à avoir une conduite efficace et respectueuse des comportements qu'on attend d'elles.

Les études empiriques ont dans cette mesure, jusqu'au début des années cinquante, écarté de manière implicite la possibilité que les entreprises puissent exploiter leurs ressources d'une manière inefficace. Cette omission du traitement de l'efficacité a caractérisé les travaux de plusieurs économistes [Carlson (1939), Hicks (1946) et Samuelson (1947)]².

L'intérêt des chercheurs pour étudier les impératifs d'une utilisation efficace des nouvelles technologies de production a été stimulé par l'engouement pour l'innovation technologique au cours des années 60. La notion d'efficacité productive prenait une place de plus en plus importante dans les débats et les recherches scientifiques ; et cela dans tous les secteurs de l'économie. Plusieurs approches et méthodes d'évaluation et de mesure de l'efficacité ont été développées et utilisées dans des études empiriques, et ce pour plusieurs secteurs d'activités (Amara et Romain, 2000).

Koopmans (1951) et Debreu (1951) sont les premiers à travailler sur le concept d'efficacité productive. Koopmans proposa une mesure du concept d'efficacité et Debreu la

mesura empiriquement. Debreu (1951) propose le coefficient d'utilisation des ressources, qui donne une évaluation numérique de la perte associée à une situation non optimale.

Une primeur revient également à Farrell (1957), celle d'avoir défini clairement le concept d'efficacité économique et distinguer les concepts d'efficacité technique et d'efficacité allocative. C'est également lui qui proposa une approche pour l'estimation des frontières d'efficacité, partant de l'idée que les informations disponibles sur une activité donnée devaient permettre l'estimation du « best practice enveloppe », pour cette activité.

Le terme d'efficacité productive englobe certaines notions de la théorie microéconomique que sont : la fonction de production, les coûts, le profit et le prix. Ainsi, Selon Issaka (2002), l'efficacité en agriculture peut être définie comme le degré auquel les producteurs obtiennent le meilleur résultat avec les ressources disponibles et les technologies données. Pour Amara et Romain (2000), le terme d'inefficacité est utilisé pour signifier que l'atteinte de la capacité optimale que vise l'efficacité, ne peut être atteinte en réalité. C'est dans ce sens que Rainelli (1996) affirme que les écarts entre le niveau maximum de production que l'on puisse obtenir en intégrant toutes les contraintes auxquelles font face les producteurs et la réalité sont sensibles et montrent l'existence d'importantes marges de manoeuvre.

Le concept d'efficacité présente trois composantes que sont l'efficacité technique, allocative et économique (Xiasong Xu et al, 1998 ; Adesina, 1997 ; Mensah, 1992 ; Ellis, 1989, Anda, 1996 ; Bravo-Ureta et al, 1997 ; Sharma et al., 1999).

1.1.2 L'efficacité productive : notion à plusieurs sens

L'efficacité productive a pour objet de juger de la capacité d'un système de production (ici agricole) à produire « au mieux » par la mise en oeuvre de l'ensemble des moyens de production (capital, foncier et travail) (Coelli et al., 1998). Ainsi, les différentes notions d'efficacité telles que perçues par les économistes vont être définies dans cette partie.

D'un point de vue technique, la production est une combinaison donnée d'intrants ou inputs en vue de l'obtention d'un ou plusieurs produits ou outputs. La relation physique entre les quantités d'intrant et d'extrant définira l'efficacité technique de la production. Farrell (1957) qui définit de manière plus précise l'efficacité en dissociant ce qui est d'origine

technique de ce qui est d'un mauvais choix par rapport au prix des intrants. L'efficacité technique, proche de l'esprit du coefficient d'utilisation des ressources de Debreu, mesure la façon dont l'entrepreneur combine les facteurs de production lorsque leurs proportions d'utilisation sont données.

Il y a inefficacité technique quand on pourrait obtenir le même résultat avec une moindre quantité d'intrants. L'efficacité technique exprime l'aptitude ou la capacité d'une entreprise à obtenir le maximum d'output possible à partir d'un niveau donné de ressources productives (Atkinson et Cornewell 1994). Pour Agbodjan (2000), l'efficacité technique est définie comme la capacité pour une entreprise à fournir ses produits ou services avec le moins possible de ressources ou en inverse pour une dotation donnée de facteurs de production, sa capacité à maximiser son output. Une entreprise techniquement efficace est donc une organisation qui utilise les ressources de façon optimale, c'est-à-dire qui est gérée à moindre coût. Pour Amara et Romain (2000) une unité de production est dite techniquement efficace, si à partir du panier d'intrants qu'elle détient, elle produit le maximum d'output possible ou si pour produire une quantité donnée d'output, elle utilise les plus petites quantités possibles d'intrants. Ces définitions se rejoignent et sont similaires à beaucoup d'autres comme celle de Adésina et Djato (1997) qui parlent d'efficacité technique en termes d'habilité à atteindre le niveau élevé d'output avec des niveaux similaires d'input.

Dans notre cas de recherche, l'efficacité technique sera évaluée par l'indice de productivité de malmquist.

L'efficacité allocative, également connue sous le nom d'efficacité - prix (Price efficiency) qui est le terme employé par Farell (1957), tient compte des prix des marchés et mesure la capacité de l'entreprise à maximiser son profit en comparant le coût marginal des outputs au coût marginal des inputs (Kalirajel, 1990). C'est la combinaison optimale, ou dans les meilleures proportions, des ressources, étant donnés leurs prix relatifs (Amara et Romain 2000). Selon Piot-le-petit et Rainelli (1996), l'efficacité allocative se définit par la façon dont l'entrepreneur fixe les proportions entre les différents intrants participant à la combinaison productive en se basant sur leurs prix respectifs. Cette mesure donne d'après ces auteurs, une appréciation de la manière dont les firmes allouent leurs ressources productives par rapport à un objectif de production. L'inefficacité allocative stigmatise l'utilisation des inputs dans des

proportions qui ne correspondent pas à l'optimalité décrite par les prix relatifs des inputs. L'intervention des prix des facteurs dans le choix des quantités d'input fait donc référence au marché qui est clairement spécifié dans la définition donnée par Nkunzimana (2005).

L'efficacité allocative évalue la manière dont l'unité de production combine les proportions des différents inputs par rapport aux prix proposés par le marché supposé concurrentiel.

L'efficacité allocative fait donc référence aux conditions marginales de maximisation du profit. Pour une technologie donnée, le producteur ajuste les quantités de produits et de facteurs pour refléter les prix relatifs (le rapport entre la productivité marginale en valeur et le prix doit donc être égal à l'unité pour tous les facteurs).

L'obtention simultanée de ces deux efficacités, technique et allocative, est une condition nécessaire et suffisante pour parler d'efficacité économique. Il est possible pour une unité de production d'obtenir l'efficacité technique ou celle allocative sans avoir l'efficacité économique. Ces efficacités sont nécessaires et une fois atteintes simultanément, sont les conditions suffisantes pour l'obtention de l'efficacité économique. Cet aperçu du concept correspond à celui d'Ellis (1989) qui note que l'atteinte d'une des deux types d'efficacité peut être une condition nécessaire mais pas suffisante pour obtenir l'efficacité économique.

L'efficacité économique apparaît donc comme la résultante entre l'efficacité technique output maximal possible) et l'efficacité d'allocation (coûts minima), composantes exclusives et exhaustives de l'efficacité économique (Honlonkou, 1999).

Il ressort qu'une unité de production n'est économiquement efficace que si elle est techniquement efficace (ou si elle possède la meilleure organisation technique et matérielle) et alloue de manière efficace ses ressources productives, les deux conditions devant être réalisées simultanément.

La figure 1.1, proposée par Farrell (1957) et reprise par Albouchi et al (2005) présente une illustration des types d'efficacité productive. L'isoquant SS' représente la frontière de production. Elle délimite, à sa droite, l'ensemble des combinaisons d'inputs techniquement faisables. Selon Farrell, l'efficacité technique de l'exploitation au point P est donnée par le rapport OQ/OP. Tous les points situés sur la frontière de production sont techniquement efficaces.

Théoriquement, pour être allocativement efficaces, les firmes doivent égaliser leur taux marginal de substitution technique entre les deux inputs avec le rapport des prix des inputs déterminés par le marché. La droite (AA') représente graphiquement ce rapport des prix. Le point Q correspond à la projection radiale de celui de P sur la frontière. Ceci assure qu'il possède les mêmes proportions d'input que P. En effet, Farrell mesure géométriquement l'efficacité allocative par le rapport OR/OQ. De même, l'efficacité allocative est comprise entre 0 et 1. Tous les points situés sur l'iso coût (AA') sont allocativement efficaces mais ne sont pas tous faisables.

Selon Farrell, l'efficacité économique correspond à l'efficacité technique et à l'efficacité allocative réunies. Elle est obtenue au point Q'. L'efficacité économique au point P est égale au produit TE*AE = OQ/OP * OR/OQ = OR/OP. En conséquence, le point P n'est ni techniquement ni allocativement efficace. Le point Q, bien qu'il soit techniquement efficace, est allocativement inefficace. Les points P et Q ont la même inefficacité allocative car ils utilisent leurs inputs dans les mêmes proportions. Le point E est allocativement efficace mais techniquement inefficace. Enfin, les points situés sur la droite OE sont tous allocativement efficaces mais seul le point Q' est techniquement efficace et il est aussi économiquement efficace.

Dans le cadre de ce travail, on se limite au concept d'efficacité technique ; c'est d'ailleurs à ce dernier que nous ferons référence en termes d'efficacité productive. En effet, la

mesure de l'efficacité productive, dans la littérature économique, se limite généralement au calcul de l'efficacité technique (Nyemeck et al., 2004 ; Bravo-Ureta et al., 1993). Les différents types d'efficacité ayant été définis, vient le moment de s'interroger sur l'indice de productivité de malmquist qui servira à mesurer le terme d'efficacité.

1.1.3. Indice de productivité de Malmquist

L'indice de productivité de Malmquist (1953) permet que des changements de productivité soient décomposés en changements de l'efficacité et du progrès technique. En outre, à la différence de l'AFS, il offre un taux différent de changement technique pour chaque individu ce qui est plus adéquat à l'objectif de cette recherche concernant l'analyse du changement technique au Cameroun. Aussi, si elle emploie un modèle de frontière non-paramétrique³, qui est le plus généralement l'approche employée, il ne sera pas nécessaire d'imposer n'importe quelle forme fonctionnelle aux données, ni faire des suppositions distributionnelles pour le terme d'inefficacité, à la différence de l'AFS. L'inconvénient principal de cette approche est que l'évaluation d'inefficacité peut montrer un déplacement ascendant, capturé comme l'inefficacité l'influence d'autres facteurs, tels des erreurs dans la mesure de données, la malchance, le temps, etc.

A la suite de cette présentation de l'indice de productivité de malmquist, intéressons-nous aux méthodes d'estimation de l'efficacité productive en science sociale.

Section2 : Les méthodes d'estimation de l'efficacité productive

Dans la littérature économique, les méthodes d'estimation de la frontière de production peuvent être classées selon la forme prévue de la frontière, selon la technique d'estimation utilisée pour l'obtenir, et selon la nature de l'écart entre la production observée et la production optimale (Albouchi et al., 2005). Par ailleurs on note qu'il est possible de synthétiser les différentes méthodes d'estimation de l'efficacité en deux approches : l'approche non paramétrique et l'approche paramétrique. Ainsi l'idée d'une comparaison peut être intéressante.

2.1. L'approche non paramétrique

Les fondements de l'approche non paramétrique précèderont une brève présentation de la méthode d'enveloppement des données communément appelé DEA (Data envelopment analysis).

2.1.1. Fondement de l'approche non paramétrique

L'approche non paramétrique a été introduite par Farrell en 1957. C'est une approche de type déterministe qui n'impose pas une forme fonctionnelle à la fonction de production. L'isoquant frontière est estimée par les ratios intrants/extrants de chaque exploitation. L'isoquant convexe qui reflète la fonction de production efficace est ainsi construit à partir d'un nuage de points de sorte qu'aucune observation ne se situe ni à gauche ni au-dessous de ce isoquant (Figure 1.2).

Cette façon de mesurer l'efficacité technique des unités de production est définie dans un contexte ou la technologie de production est caractérisée par des rendements constants. Cependant, cette hypothèse est très restrictive (Amara et Romain, 2000). En effet, en cas de déséconomie d'échelle, la Figure (1.3) montre qu'un segment qui rejoint deux points situés sur S est probablement inefficace ; ce qui n'est pas forcément vrai en cas d'économie d'échelle alors que la courbe S est convexe (Figure 1.4).

Plusieurs mesures de l'efficacité peuvent être définies de la même façon pour le cas des rendements non constants à l'échelle, en considérant que l'isoquant de la figure 1.1 représente la limite inférieure de l'ensemble des intrants associés à la production d'un niveau donné de produit. Le cas des rendements croissants à l'échelle a été étudié par Farrel et Fieldhouse (1962) en reprenant la base de données de Farrel (1957). Ils trouvent que toute économie d'échelle est épuisée dès qu'un certain niveau de production est atteint.

L'approche non paramétrique développe de manière simultanée les deux étapes suivantes (Piot-Le-Petit et Rainelli, 1996 ; Coelli et al. 1998) :

Etape1 : construction d'une représentation de la technologie à partir de l'ensemble des observations disponibles. Chaque unité de production agricole est donc comparée aux autres. C'est pourquoi, si aucune observation ne produit plus avec une quantité moindre d'intrants ou avec la même dotation factorielle, l'exploitation étudiée appartient à la frontière de production et elle est considérée comme techniquement efficace. Dans le cas contraire, elle est incluse dans l'ensemble des possibilités de production et est déclarée techniquement inefficace d'où son nom d'approche déterministe.

Etape2 : Pour calculer l'efficacité de chaque unité de production agricole, il faut mesurer l'écart existant entre chacune de ses unités de production agricole et la frontière de production précédemment définie. Les valeurs des écarts sont comprises entre 0 et 1. Raison pour laquelle, toute unité de production agricole située sur la frontière se voit attribuer la valeur de 1 alors que les autres unités de production agricole obtiendront un score inférieure à 1, qui

sera d'autant plus faible que la situation initiale de l'unité de production agricole est éloignée de la frontière de production.

L'approche non paramétrique se base sur la méthode d'enveloppement des données (DEA), ci-dessous présentée.

2.1.2. La méthode DEA

L'approche de la DEA est une méthode non paramétrique qui vise à évaluer à partir d'un programme linéaire, l'efficacité relative des unités de prise de décision, les DMU. Contrairement aux méthodes paramétriques qui nécessitent de faire une régression dont les résultats s'appliquent à toutes les DMU, la DEA cherche plutôt à optimiser chacune des DMU.

La méthode DEA (Data Envelopment Analysis), initialement introduite par Charmes et al. (1978), a permis d'étendre l'analyse de l'efficacité technique à des situations multi produits et de rendements d'échelle non constants. D'après celle-ci, la frontière est construite par la technique de la programmation linéaire. Le terme « envelopment » est utilisé pour désigner l'hypothèse selon laquelle la frontière de production enveloppe toutes les observations.

La méthode DEA évalue l'efficacité relative des unités de production comparables et génère les niveaux d'efficacité à partir des informations sur les inputs et outputs des entreprises (Kobou et al., 2009). Elle est fondée sur la programmation linéaire et permet d'identifier des fonctions de production empiriques. C'est une méthode qui se base sur la théorie économique, qui compare toutes les unités similaires en prenant en compte simultanément plusieurs dimensions. Elle détermine la frontière d'efficience du point de vue de la meilleure pratique. Chaque unité est considérée comme une unité décisionnelle (« decision making unit » DMU)⁴. Les inputs sont des ressources utilisées pour créer des outputs d'une qualité donnée.

La méthode DEA permet d'identifier un ensemble efficace pouvant servir de référence pour les unités de production inefficaces. Les unités de productions efficaces ont des inputs et des outputs similaires à ceux des exploitations inefficaces. Ainsi, elles peuvent servir de référence. La méthode DEA produit une surface de production empirique par morceaux qui, en termes économiques, représente la frontière de production de la meilleure

⁴ Dans le cas de notre étude, ce sont les unités de production agricole du Cameroun qui transforment des « inputs » en « outputs ».

pratique révélée. Les unités de production efficace se situent sur la frontière d'efficacité empirique qui indique le maximum de production qui peut être produit avec différentes combinaisons de facteurs pour une technologie donnée.

Dans la littérature, les deux variantes de la méthode DEA les plus employées sont : le modèle CCR (Charnes, Cooper et Rhodes, 1978) qui suppose les rendements d'échelles constants (CRS model)⁵ et le modèle BCC (Banker, Charnes et Cooper, 1984) qui suppose les rendements d'échelles variables (VRS model)⁶. Dans le cas des rendements d'échelles constants, on suppose qu'une augmentation dans la quantité d'inputs consommés mènera à une augmentation proportionnelle dans la quantité d'outputs produits. En revanche, dans le cas des rendements d'échelle variables (croissants ou décroissants), la quantité d'outputs produits est considérée pour augmenter plus ou moins que l'augmentation dans les inputs. La différence de mesure de l'efficacité entre les deux modèles donne l'efficacité d'échelle (Figure 1.5) qui représente le cas d'une entreprise en situation de concurrence parfaite, et qui opère à une échelle appropriée ; c'est-à-dire que son coût marginal doit être égal aux prix du marché de son produit.

Soit une technologie à rendements d'échelles constants (ABOX sur la figure 1.5), à rendements d'échelles non croissants (ABDD'X) et à rendements d'échelle croissants (C'CBDD'X). La mesure de l'efficacité technique obtenue pour l'unité de production E par rapport à la technologie à rendements variables est plus faible que celle obtenue par rapport à la technologie à rendements constants ou non croissants, comme l'illustre cette figure. Ainsi, on en déduit que l'observation E présente, à court terme, des rendements d'échelles croissants et donc que les économies de coûts peuvent être obtenues pour cette unité de production en augmentant son niveau de production. Inversement pour F, qui présente des rendements d'échelles décroissants, c'est en réduisant le volume produit que les économies peuvent apparaître.

Les modèles dits « orientés inputs » si l'on étudie l'efficacité en termes d'inputs ; c'est-à-dire si l'on s'intéresse à l'inefficacité en termes d'excès d'inputs.

Les modèles dits « orientés outputs » si l'on veut analyser l'efficacité en termes d'outputs ; c'est-à-dire si l'on souhaite appréhender l'inefficacité par l'insuffisance d'outputs.

Dans le cadre de notre recherche, nous retiendrons la méthode DEA d'indice de productivité de malmquist, car comme le note Blancard et Boussemart (2006), cette approche est particulièrement adaptée à la modélisation d'une technologie primale multi produits-multi facteurs, sans passer par la fonction de coût dual présupposant l'absence d'inefficacité technique. Il s'agit d'une méthode ne retenant que des hypothèses de libre disposition des inputs et des outputs et de convexité pour l'ensemble de la production. Elle n'impose aucune forme fonctionnelle des fonctions de production et de coût.

La méthode DEA est traitée de façon intensive comme la note Ambapour (2001) par Seiford et Thrall (1990), Lovell (1993), Ali et Seiford (1993) et Charnes, Cooper, Lewin et Seiford (1995).

2.2. Approche paramétrique et approche non paramétrique : une complémentarité certaine

Quand on a compris en quoi consiste l'approche paramétrique, on échappe difficilement à la tentation de la comparer à celle non paramétrique.

2.2.1. L'approche paramétrique

L'approche paramétrique peut être regroupée en deux grandes catégories selon que la frontière est déterministe ou stochastique et selon que la méthode d'estimation de la frontière, est les moindres carrés ordinaires (MCO), ou le Maximum de vraisemblance (MV). La frontière de production est dite déterministe si tout écart observé est uniquement dû à l'inefficacité. Si par contre, en plus de la défaillance technique, l'on prend en compte un autre terme aléatoire qui englobe les erreurs éventuelles de mesure, les erreurs de la mauvaise spécification du modèle, L'omission de certaines variables explicatives et la considération des évènements (politique, cours mondiaux, aléas climatiques, mauvais rendement des machines ou encore pénuries des intrants etc.) qui ne sont pas sous le contrôle de l'unité de production, la frontière devient alors stochastique.

Farrel (1957) fût aussi à l'origine de l'approche déterministe et paramétrique. Il proposa l'approximation de la fonction de production efficace par une forme fonctionnelle connue à priori. Ainsi, une spécification plus facile et une meilleure analyse des différentes propriétés algébriques de cette fonction deviennent possibles. Il utilisa la forme fonctionnelle Cobb-douglas pour illustrer l'utilisation de cette approche sur les données agricoles de 48 Etats américains, tout en imposant des rendements constants à l'échelle. En relâchant l'hypothèse des rendements constants d'échelle en faveur de l'hypothèse de l'homogénéité de la fonction de production, Aigner et Chu (1968) ont estimé une fonction de production frontière à partir d'un échantillon de firmes manufacturières américaines en utilisant une forme fonctionnelle Cobb-Douglas. Par ailleurs, plusieurs auteurs se sont inspirés de cette étude et diverses modifications y ont été introduites.

Timmer (1971)⁷, a proposé le modèle probabiliste basé sur la sensibilité de la fonction frontière aux observations extrêmes⁸ . Cette technique a fait l'objet d'application dans le secteur agricole avec succès par Bravo-Ureta et Pinheiro (1997) et Ali et Chaudhry (1990).

⁸ Cette méthode itérative en trois étapes consiste à estimer dans un premier temps la fonction frontière pou l'ensemble des échantillons, réduire progressivement l'échantillon d'un certain nombre de firmes, choisies à priori, parmi celles qui sont les plus près de la frontière et estimer une nouvelle pour aboutir à des coefficients rattachés à la fonction de production beaucoup plus stable

D'autres auteurs se sont intéressés de plus près à l'approche paramétrique par fonction déterministe, notamment Richmond (1974), Greene (1980)... et ont apporté quelques modifications dans l'objectif de tendre vers des modèles avec meilleures précisions et des estimateurs efficaces.

Malgré le grand nombre d'études qui l'ont utilisé, l'approche paramétrique et déterministe n'a pas cessé d'essuyer de sérieuses critiques. Outre ses limites dictées par la nature déterministe de la frontière de production ; limites qui sont en grande partie à l'origine de l'approche stochastique qui sera abordée dans le paragraphe suivant, l'approche déterministe est sujette à d'autres critiques⁹.

L'approche stochastique ou d'erreur composée, initialement proposée par Aigner, Lovell et Schmidt (1997), Meeusen et Van Den Broek (1977), a été améliorée par Jondrow et al. (1982) pour permettre l'estimation d'indices d'efficacité technique, spécifique à chaque unité de production. Cette approche postule que le terme d'erreur est composé de deux parties indépendantes :

? Une composante purement aléatoire qui se trouve dans n'importe quelle relation et qui

se distribue de chaque côté de la frontière de production (two-sided error term). Cette composante aléatoire est une mesure de l'erreur et d'autres facteurs aléatoires sur l'output et des effets combinés des variables non spécifiés inputs sur la fonction de production.

? Une composante représentant l'inefficacité technique et qui est répartie d'un seul côté de la frontière (one-sided error term).

L'estimation de cette frontière stochastique se fait par le maximum de vraisemblance, les moindres carrés et la méthode des moments.

Après avoir présenté les méthodes non paramétriques et paramétriques, il nous semble judicieux de faire une comparaison entre ces deux méthodes.

2.2.2. Approche non paramétrique « versus » approche paramétrique

L'objectif de cette section est de présenter une analyse comparée des approches paramétrique et non paramétrique des frontières de production en essayant de faire ressortir les avantages et les faiblesses de chaque approche.

⁹ Premièrement, elle est très sensible aux observations extrêmes et, deuxièmement, l'attribution d'une forme fonctionnelle à la fonction frontière est restrictive, dans le sens que chaque forme fonctionnelle traduit implicitement un certain nombre d'hypothèses (Fried et al, 1993 cité par Amara et Romain, 200).

Fondamentalement, la différence entre l'approche paramétrique et l'approche non paramétrique réside dans le fait que la première se base sur un modèle statistique explicite concrétisé par l'utilisation d'une forme fonctionnelle ; ce qui n'est pas le cas dans l'approche non paramétrique. Utilisant moins de fonctions que dans l'approche paramétrique, les résultats dans l'approche non paramétrique devraient être moins précis. Cependant, il y a le risque d'influencer les résultats en imposant une forme fonctionnelle qui n'est pas la plus appropriée (Nodjitidjé, 2009). En effet des hypothèses fortes génèrent des résultats forts pourvu que les contraintes (par exemple la forme fonctionnelle choisie) soient vraies. Ainsi, la méthode non paramétrique permet d'éviter les erreurs qui peuvent être causées par le mauvais choix de la fonction de production.

L'approche non paramétrique permet plus facilement la prise en compte de la technologie multi production. Néanmoins, elle attribue toutes les inefficacités à l'unité de production et ne tient pas compte des facteurs aléatoires hors du contrôle de l'unité de production, qui peuvent être sources d'inefficacités.

Toutefois, l'approche paramétrique regroupe la frontière de production déterministe et

la frontière de production stochastique. Théoriquement, le recours à des frontières
stochastique permet d'isoler le terme d'erreur purement aléatoire de celui reflétant l'inefficacité technique de l'unité de production et devrait par conséquent conduire à une mesure plus précise de son efficacité technique. L'utilisation des méthodes déterministes, qui attribuent tout écart affiché par rapport à la frontière, à l'inefficacité technique, serait donc une surestimation des niveaux d'inefficacité technique (Amara et Romain, 2000).

Les conclusions de Bravo-Ureta et Rieger (1990) permettent cependant de nuancer ce dernier résultat ; du moins pour ce qui est de la comparaison de l'approche déterministe et de l'approche stochastique. Pour ces auteurs, l'utilisation d'une frontière déterministe ou d'une fonction frontière stochastique conduit à la même conclusion générale lorsque le but de l'étude est de déterminer si une unité de production est efficace ou inefficace. Ce sont plutôt les valeurs calculées des indices d'efficacité technique qui pourront différer selon que la frontière est déterministe ou stochastique. Ils sont parvenus à cette conclusion en comparant les résultats obtenus selon plusieurs méthodes d'estimation de la frontière pour des fermes laitières de la Nouvelle-Angleterre et de l'Etat de New-york.

En tout état de cause, il semble évident que la convergence ou la divergence des résultats selon les approches non paramétriques ou paramétriques dépendent fortement de l'échantillon retenu (Amara et Romain, 2000). Et donc, le choix de la frontière de production

se base sur la qualité des données et en fonction de l'objectif du travail. De plus, le choix de la méthode d'estimation n'est pas primordial lorsque l'objectif de l'étude est d'identifier les facteurs qui déterminent l'efficacité des unités de production et non de rechercher leur niveau absolu d'efficacité (Romain et Lambert, 1995).

Comme on peut le constater, il s'avère qu'aucune de ces approches ne domine l'autre ; chacune a son intérêt et elles sont dans une certaine mesure complémentaires, surtout lorsqu'il manque des informations sur les prix.

CONCLUSION

Arrivé au terme de cette analyse ou il a été question de mettre en évidence le concept d'efficacité productive dans la théorie économique, il ressort qu'elle dépend de plusieurs facteurs. Son étude est faite grâce à deux méthodes à savoir l'approche paramétrique et l'approche non paramétrique. Cependant après une étude comparative des dites méthodes, il s'avère que la méthode non paramétrique est celle qui intègre dans l'analyse le caractère multi facteurs qui caractérise les unités de production agricoles étudiées. Toutefois, le choix de l'une ou de l'autre de ces méthodes n'a aucun impact majeur sur le résultat final, lorsque l'objectif de l'étude est d'identifier les facteurs qui expliquent l'efficacité.

CHAPITRE 2 : MISE EN EVIDENCE DE L'EFFICACITE PRODUCTIVE AU CAMEROUN

Introduction

Nous avons exposé dans le premier chapitre les concepts de l'efficacité productive. Il s'agit à présent de mettre en évidence cette notion de l'efficacité productive au Cameroun. Cela sera fait à travers le calcul de l'indice de productivité de malmquist pour quelques régions du Cameroun. Pour le faire, il sera judicieux de présenter les données qui vont servir à ces calculs. Nous allons dans une première section, parler des déterminants de l'efficacité productive, des travaux menés avec les méthodes non paramétrique et de la méthodologie de calcul de l'efficacité productive. La deuxième section sera consacrée à la présentation des résultats et aux interprétations des différents indices de productivité de malmquist.

Section1 : Déterminants de l'efficacité productive, travaux menés avec les méthodes non paramétriques et méthodologie de calcul de l'indice de productivité de malmquist.

1.1. Analyse des déterminants potentiels de l'efficacité productive

Pour analyser les déterminants potentiels de l'efficacité productive, nous partons de la théorie du capital humain. C'est la somme des précisions qu'émet cette théorie qui permet de pousser l'étude plus loin et appréhender d'autres facteurs clés de l'efficacité productive.

1.1.1. La théorie du capital humain

La théorie du capital humain est née du constat selon lequel les facteurs classiques de production (terre, capital et travail) n'expliquent qu'une partie de la croissance économique. Ainsi, une partie de la croissance économique est imputable au capital humain, défini comme un ensemble de compétences, de savoirs, de savoir-faire, acquis par un individu et qui augmentent sa capacité productive. Deux économistes américains de renoms : Théodore Schultz (1902-1998) et Gary Becker (né en 1930) sont à l'origine de ce concept.

Théodore Schultz¹⁰, économiste du développement pense que la formation/éducation des individus permet de transformer un ouvrier en un travailleur efficace capable d'analyser une situation. Ainsi, la formation permet de réaliser des gains de productivité ; elle contribue à

constituer et à accroître le capital humain. Par ailleurs, le concept de capital humain est largement diffusé et précisé par Gary Becker¹¹. Ses travaux ont élargi le champ de l'analyse micro-économique à de nombreux comportements humains. Le capital humain est considéré comme un capital pouvant s'acquérir (par l'éducation), se préserver et se développer (par la formation continue) et donner des dividendes (sous forme d'une augmentation de la productivité du détenteur).

L'hypothèse fondamentale au coeur de cette théorie est que, l'éducation est un investissement (privé ou social) qui accroît la productivité de ceux qui la reçoivent. La formation affecte donc positivement la productivité des individus en leur permettant d'accroître leurs connaissances et leurs compétences et donc leurs capacités à travailler (Abessolo, 2007). Elle donne également une meilleure adaptabilité face aux changements et permet de diminuer les risques d'obsolescence de la main d'oeuvre.

A partir de l'analyse du capital humain, de nombreuses études empiriques ont été consacrées à la relation entre l'éducation, l'efficacité et la productivité dans le secteur agricole. Une revue de la littérature, relayée par la banque mondiale a crédité l'idée que l'éducation a un fort effet sur l'efficacité productive des agriculteurs (Lockheed, Jamison et Lau, 1980). Grâce à une méta-analyse sur les pays en voie de développement d'Asie et d'Amérique Latine, ces auteurs montrent qu'en moyenne, les agriculteurs ayant fait quatre années d'école primaire ont une productivité supérieure de 7,4% à celle de leurs homologues qui n'ont pas le niveau primaire. Par ailleurs, l'environnement économique général, qu'il soit en cours ou non de modernisation (technologies en voie d'évolution, marchés en expansion, nouvelles cultures en cours d'introduction) affecte ce lien entre éducation des agriculteurs et productivité. C'est pourquoi parlant de productivité, l'avantage des agriculteurs éduqués est de 9,5% dans un environnement en cours de modernisation et seulement de 1,3% dans un environnement plus traditionnel.

D'autres études portant sur les déterminants de l'efficacité trouvent l'existence d'un lien positif entre l'éducation du chef d'une unité de production et l'efficacité : Ali et Flinn, 1989 ; Coelli et Fleming, 2004) en Papouasie et Nouvelle Guinée... L'un des arguments évoqués pour justifier ce lien positif entre l'éducation et l'efficacité est qu'un agriculteur a facilement la maîtrise des techniques modernes de production et l'opportunité d'avoir des informations nécessaires sur les prix de marché et d'acheter ses inputs à moindre prix.

Néanmoins, Gurgand (1993) met en évidence un paradoxe en ce qui concerne l'agriculture africaine. Il établit le fait que, en Afrique, plus il y a des membres scolarisés dans un groupe familial, plus la production agricole est faible. Un prolongement de ces études aboutit au constat selon lequel, l'effet de l'éducation sur la productivité des agriculteurs est plus important en Asie et en Amérique Latine qu'en Afrique (Phillips, 1994). Dans cet ordre d'idées, Hasnah et al. (2004), trouvent un impact significativement négatif de l'éducation du chef sur l'efficacité technique d'une unité de production agricole à l'Ouest de l'Indonésie.

Il est important de préciser que les facteurs qui influencent l'efficacité productive ne sont pas uniquement fondés sur la théorie du capital humain ; il existe d'autres non moins importants.

1.1.2. Les autres déterminants de l'efficacité productive

Dans la littérature économique, de nombreux auteurs ont montré que certains facteurs ont un impact sur le niveau d'efficacité productive. Le choix des déterminants de l'efficacité dépend de l'échelle d'analyse et de l'objectif de l'étude. Ainsi, on distingue les facteurs explicatifs du niveau d'efficacité des exploitations individuelles, des facteurs explicatifs à échelle plus grande (la sous-région CEMAC par exemple).

Lorsque l'étude porte sur une plus grande échelle, les variables utilisées sont des moyennes. Ainsi, les déterminants de l'efficacité dans ce cadre peuvent être des infrastructures (nombre ou longueur des pistes agricoles, distances à route principale et aux grandes villes), la population rurale et urbaine (importance des agglomérations), le nombre de marchés, le nombre d'écoles, le nombre de centres de formation agricole... (Albouchi, 2005).

Le principal inconvénient de ces actions est que leurs effets ne sont pas ressentis immédiatement à l'échelle locale. Par exemple : l'impact de la création des écoles à l'échelle sous-régionale se manifeste après plusieurs générations.

Toutefois, au niveau des exploitations individuelles, les déterminants de l'efficacité productive peuvent être : la taille de l'exploitation, l'âge des exploitants, l'appartenance à un groupe d'intérêt économique, l'accès au crédit, l'éloignement du marché (Nuama, 2006).

A la suite de cette présentation des déterminants potentiels de l'efficacité, intéressons-nous aux travaux menés avec des méthodes non paramétriques.

1.2. Travaux menés avec différentes méthodes

Les premiers travaux sur le concept d'efficacité sont attribués à Koopmans (1951) et Debreu (1951). Alors que Koopmans fut le premier à proposer une mesure du concept d'efficacité, Debreu fut le premier à le mesurer empiriquement. Debreu proposa ainsi le coefficient d'utilisation des ressources qui portait essentiellement sur des mesures de ratio extrant-intrant. Cependant, Farrell (1957) introduisit le concept d'efficacité économique tout en distinguant les notions d'efficacité technique et d'efficacité allocative.

Deux principales méthodes sont généralement utilisées pour analyser l'efficacité de la production. L'approche paramétrique, tel que proposé par Aigner et al. (1977), consiste à spécifier et à estimer une fonction de frontière de production paramétrique, et le calcul de l'inefficacité technique. Une frontière de production reflète la production maximale obtenue étant donné un ensemble d'inputs ; l'efficacité technique, dans ce cas, décrit la proximité de la production d'un ménage agricole à cette production possible (Coelli et al., 2002). Bien que cette approche fournit un cadre pratique pour la réalisation des tests d'hypothèses, les résultats peuvent être sensibles à la forme paramétrique choisie (Chavas et al., 2005) et Wouterse (2010, 2011).

Les approches non paramétriques et paramétriques permettent la détermination d'une fonction frontière déterministe partagée par toutes les firmes c'est-à-dire, toutes les firmes partagent un mode de production commun et leurs performances respectives sont comparées à la même frontière de production, de coût ou de profit. De plus, tout écart que les firmes affichent par rapport à la frontière est totalement attribué à de l'inefficacité. Farrell (1957) fut aussi à l'origine de l'approche déterministe et paramétrique. Il propose l'approximation de la fonction de production efficace par une forme fonctionnelle connue à priori. Ainsi, une spécification plus facile et une meilleure analyse des différentes propriétés algébriques de cette fonction deviennent possibles. Il emploie la forme fonctionnelle Cobb-Douglas pour illustrer l'utilisation de cette approche sur des données agricoles de 48 Etats américains, tout en imposant des rendements constants à l'échelle. Aigner et Chu (1968) ont continué sur la même voie en utilisant également la forme fonctionnelle Cobb-Douglas pour estimer une fonction de production frontière à partir d'un échantillon de firmes manufacturières américaines. Ils ont, par ailleurs, relâché l'hypothèse des rendements d'échelle constants en faveur de l'hypothèse moins contraignante de l'homogénéité de la fonction de production. Inspiré par les suggestions de Aigner et Chu (1968), Timmer (1971) a proposé le modèle

probabiliste pour pallier l'une des lacunes de l'approche déterministe et paramétrique, soit la sensibilité de la fonction frontière aux observations extrêmes. Cette méthode en trois étapes consiste à estimer, dans un premier temps, la fonction frontière pour l'ensemble de l'échantillon. Par la suite, la taille de l'échantillon est réduite d'un certain nombre de firmes, choisies à priori, parmi celles qui sont les plus près de la frontière. Finalement, une nouvelle frontière est estimée à partir de l'échantillon réduit. Timmer a constaté aussi que l'élimination de quelques observations extrêmes faisait en sorte que les coefficients rattachés à la fonction de production frontière devenaient beaucoup plus stables. Malgré la nature arbitraire de cette approche en ce qui a trait au choix du pourcentage des firmes à éliminer de l'échantillon initial, plusieurs auteurs s'en sont inspirés, dont Bravo-Ureta (1986) et Ali et Chaudhry (1990), dans des études portant sur le secteur agricole. Une autre méthode proposée par Richmond (1974) est utilisée pour estimer la fonction frontière déterministe. Il s'agit de la méthode des moindres carrés ordinaires corrigés (MCOC) (Taylor et al., 1986 ; Aly et al., 1987 ; Tauer et Belbase, 1987 ; Ekayanake et Jayasuriya, 1987 ; Kalaitzandonakes et al., 1992). Cette méthode consiste à estimer la fonction de production moyenne pour l'ensemble de l'échantillon et à ajuster l'origine en lui ajoutant la valeur de la plus grande erreur positive. Cette méthode fait en sorte qu'une seule entreprise est parfaitement efficace et que les niveaux d'efficacité des autres entreprises sont calculés par rapport à cette entreprise. Greene (1980) a prouvé que les estimateurs obtenus par cette méthode sont consistants si les termes d'erreurs aléatoires sont indépendants et possèdent une distribution identique. Cette approche est cependant sujette à plusieurs critiques. La plus importante renvoie à la sensibilité de cette correction de l'ordonnée à l'origine quant à la distribution assignée au terme d'erreur. Cette notion de frontière déterministe néglige la possibilité que la performance d'une firme puisse être affectée par plusieurs facteurs hors de son contrôle, tels les aléas climatiques, le mauvais rendement des machines ou encore les pénuries des intrants, dont l'effet est aussi important que les facteurs contrôlables par la firme.

Ces arguments sont à l'origine du développement de l'approche stochastique ou d'erreur composée, initialement proposée par Aigner et al. (1977), Meeusen et Van Den Broek (1977), et améliorée par Jondrow et al. (1982) pour permettre l'estimation d'indices d'efficacité technique spécifique à chaque firme. Cette approche modifie la fonction de production standard en supposant que l'inefficacité forme la partie du terme d'erreur. Ce terme d'erreur composé inclut donc un composant d'inefficacité et un composant purement aléatoire qui capture l'effet des variables qui sont au-delà du contrôle de l'unité de production

qui est analysée¹². La fonction de frontière de production est bâtie sur le principe suivant : la production optimale peut être réalisée, si toutes les décisions ont été prises en fonction des meilleures pratiques (Friebel et al, 2003). Dans les petites exploitations agricoles, l'efficacité technique d'une exploitation agricole est une mesure de sa capacité à produire le maximum d'output possible à partir d'un ensemble donné d'intrants et la technologie de production (Aigner et al., 1977 ; Meeusen et van den Broeck 1977). Ainsi, l'approche de frontière stochastique (AFS) permet d'isoler l'influence de facteurs autres que l'efficacité. Toutefois, elle s'appuie sur une approche paramétrique¹³ . De fait, il est nécessaire de spécifier des hypothèses distributionnelles pour séparer les deux composants du terme d'erreur.

Par ailleurs, l'indice de productivité de Malmquist (1953) permet d'observer les changements sur la productivité à partir des évolutions de l'efficacité technique. En outre, à la différence de l'AFS, il offre un taux différent de changement technique pour chaque individu. Aussi, s'il emploie un modèle de frontière non-paramétrique¹⁴, qui est le plus généralement l'approche employée, il ne sera pas nécessaire d'imposer n'importe quelle forme fonctionnelle aux données, ni faire des suppositions distributionnelles pour le terme d'inefficacité, à la différence du AFS. L'inconvénient principal de cette approche est que l'évaluation d'inefficacité peut montrer un déplacement ascendant, capturé comme l'inefficacité l'influence d'autres facteurs, tels des erreurs dans la mesure de données, la malchance, le temps, etc. L'indice de Malmquist emploie la notion de fonction de distance, donc son calcul exige l'évaluation antérieure de la frontière correspondante. Maudos et al. (1998), ont employé la méthodologie de frontière déterministe non paramétrique (DEA). Seulement deux périodes (t et t+1) ont été considérées, et ces définitions ont été faites en prenant comme référence la technologie de la période t ou t+1. Cependant, l'analyse du changement productif d'une plus longue série qui s'appuie sur l'utilisation d'une technologie connue (référencée) peut causer des problèmes lorsqu'on approche l'année de référence. Selon Moorsten (1961), le choix d'une année de référence n'est pas neutre dans les résultats. Pour essayer de résoudre ces problèmes, on offre deux méthodologies. La première consiste à calculer deux indices basés sur les paires des années consécutives qui prennent comme base la technologie des deux périodes t et t+1 et le calcul de la moyenne géométrique des deux. Ainsi, en est-il de l'admission de la technologie de référence pour examiner la minimisation des problèmes causés par le changement (Färe et al., 1994). Une autre procédure, employée

¹³ Il est nécessaire d'imposer a priori la forme fonctionnelle particulière.

par Berg et al. (1992) pour résoudre les problèmes ci-dessus mentionnés consiste à considérer deux frontières de référence correspondant aux années initiales et finales et de prendre la moyenne géométrique de deux indices de Malmquist.

1.3. Méthodologie

Pour mettre en évidence l'efficacité de la production agricole au Cameroun, nous utilisons l'indice de productivité de Malmquist.

L'indice de Malmquist emploie la notion de fonction de distance, donc son calcul exige l'évaluation antérieure de la frontière correspondante. Dans leur étude Maudos et al. (1998), emploient la méthodologie de frontière déterministe non paramétrique (DEA). Pour illustrer le calcul de l'indice de Malmquist, ils supposent que la fonction de transformation qui décrit la technologie dans chaque période t est :

Où y^t= (y1^t, ..., yN ^t) ? R+ N est le vecteur de productions et x^t= (x1^t, ..., xM^t) ? R+ M dénote le vecteur d'inputs ; tous les deux correspondant à la période t.

D'après Shephard (1970) ou Caves et al. (1982) la technologie peut être représentée alternativement au moyen de la fonction de distance :

Cette fonction est définie comme étant l'inverse de l'expansion maximale à laquelle il est nécessaire de soumettre le vecteur d'extrants de la période t (y^t), étant donné le niveau d'intrants (x^t), de sorte que l'observation se situe à la frontière de la période t. Cette fonction

caractérise complètement la technologie d'une telle façon que si et seulement

de la frontière, ce qui se produit lorsque l'observation est efficace dans le sens utilisé par Farrell (1957).

La fonction de distance est calculée comme l'inverse de la plus grande augmentation de la production, compte tenu de l'input, de telle sorte que la production expansée atteint la frontière technologique. Pour définir l'indice de Malmquist il est nécessaire de définir des fonctions de distance en ce qui concerne les technologies de périodes différentes.

l'augmentation proportionnelle maximale de productions, étant donné les inputs, pour représenter l'observation de la période t+1, (x^t+1, y^t+1), faisable dans la période t.

D'une façon semblable, il est possible de définir la fonction de distance d'une observation en t, (x^t, y^t), pour qu'il soit faisable par rapport à la technologie courante en t+1,

. Notons qu'en comparant les observations d'une période avec les technologies de périodes différentes, la fonction de distance peut être plus élevée que l'unité. En particulier

Sur la base des concepts ci-dessus, l'indice de productivité de Malmquist basé sur les productions pour analyser le changement productif entre les périodes t et t+1, et prenant la technologie de la période t comme référence, est défini comme¹⁵ :

, indique que la productivité de la période t+1 est supérieure à celle de la période t,

puisque l'expansion nécessaire dans les productions de la période t+1 pour l'observation possible en t est inférieure à celui applicable aux productions de la période t. D'autre part,

Des définitions ci-dessus, seulement deux périodes (t et t+1) ont été considérées et ces définitions ont été faites en prenant comme référence la technologie de la période t ou t+1. Cependant, quand nous voulons analyser le changement productif d'une série chronologique plus longue, l'utilisation d'une technologie fixe (référence) peut causer des problèmes plus on s'éloigne de l'année de référence. Moorsten (1961), dit que le choix d'année de référence n'est pas neutre dans les résultats. Pour tenter de résoudre ces problèmes deux méthodes sont proposées. La première consiste à calculer deux indices basés sur des paires d'années consécutives qui prennent comme base la technologie des deux périodes t et t+1 et le calcul de la moyenne géométrique des deux, permettant ainsi à la technologie de référence de changer, en minimisant les problèmes causés par le changement (Färe et al., 1994).

Une autre procédure, employée par Berg et al. (1992) pour résoudre les problèmes mentionnés ci-dessus, doit considérer deux frontières de référence correspondant aux années initiale et finale et prendre la moyenne géométrique de deux indices de Malmquist.

Dans cette étude, parce que la série de temps utilisée est longue nous considérons la première des alternatives étant donné des raisons ci-dessus évoquées :

L'indice de Malmquist peut se calculer de plusieurs façons (Caves et al. 1982).

Comme nous avons dit auparavant, nous calculons l'indice de Malmquist employant une technique non-paramétrique de programmation linéaire.

Supposons qu'à chaque période t existe k=1,..., K pays qui emploient n=1..., N inputs (xnk t) pour produire m=1,..., M productions (ymk ^t). Le calcul de l'indice de Malmquist pour un pays j exige le calcul de quatre types de fonction de distance :

C'est en faisant usage de la propriété selon laquelle la distance de la production est égale à l'inverse de la mesure de l'efficacité technique axée sur les résultats de Farrell que

pour t+1. Enfin, le calcul de la première des distances référencé à deux instants différents

Notons que l'observation (x^t+1, y^t+1) est comparée à la technologie en t, formée par l'ensemble des observations existantes en t, donc il se peut que l'observation n'est pas possible, compte tenu de la technologie actuelle en t (F^t) et la solution est supérieure à l'unité.

Le second, , se fait de la même manière, mais en substituant t pour t+1 et t+1

Section2 : Définition de l'échantillon et résultats des indices de productivité

2.1 Définition de l'échantillon

Notre étude porte sur quelques régions du Cameroun (le Centre, l'Est, le Littoral, l'Ouest et le Sud) et 8 années, soit 180 programmes linéaires résolus [6(4*8-2)]. L'indice de productivité globale des facteurs de Malmquist et ses deux composantes, le progrès technique et l'efficacité technique, ont été calculés de 2005 à 2012 pour l'ensemble des régions. Nous disposons de 6 variables définies (un output et 5 inputs) :

- L'output : elle est mesurée par la production agricole végétale exprimée en tonnes - L'input terre : la terre représente la superficie agricole exprimée en hectares ;

- L'input tracteur : Le nombre de tracteurs est utilisé comme un proxy pour les machines ;

- L'input travail : le travail est approximé par la population économiquement active dans le secteur agricole ;

- L'input engrais : Les engrais sont les quantités totales d'azote, de potassium et de phosphates consommés en tonnes.

- L'input capital humain : Le capital humain représente la proportion de la population économiquement active ayant pour niveau d'éducation, le primaire, le secondaire ou le supérieur.

Les données sont issues de la base COUNTRY-STAT. Le logiciel Win4DEAP (version 2.1) est appliqué.

Cinq indices sont calculés par région et par année, ils sont calculés par rapport à l'année précédente. Ainsi, les indices relatifs à la première année d'observation ne sont pas rapportés. Il s'agit de :

- l'indice de changement de la productivité totale des facteurs désigné par (TFPCH).

2.2 Présentation des résultats et interprétations

Nous présenterons et analyserons dans un premier temps l'indice de Malmquist et ses deux composantes (l'efficacité technique et l'efficacité technologique), avant de présenter et analyser l'indice de l'efficacité technique et ses deux composantes (l'efficacité technique pure et l'efficacité d'échelle).

2.2.1 L'indice de Malmquist et ses deux composantes

Nous présentons et analysons l'indice de productivité de Malmquist et ses deux composantes pour chacune des régions du Cameroun, et la moyenne pour l'ensemble de l'échantillon. En calculant avec le logiciel DEAP (version 2.1), nous avons les résultats présentés dans le tableau 1 ci-dessous :

Source : Calculs de l'auteur à partir des données de la COUNTRY-STAT NB : 1= Centre ; 2= Est ; 3= Littoral ; 4= Ouest ; 5= Sud

Remarquons que les régions du Cameroun n'ont pas connu les mêmes performances au cours de la période d'étude tant sur le plan d'efficacité technique que sur le plan du progrès

technique. Cependant, les régions camerounaises de l'échantillon ont connu des taux de croissance négatifs pour l'efficacité technique. C'est ainsi que le Centre, l'Est, le littoral, et le Sud ont respectivement -2,1%, -5,9%, -5% et -4,7% de baisse de l'efficacité technique au cours de la période d'étude. Seule la région de l'ouest garde constant son efficacité technique sur l'ensemble de la période d'étude.

A contrario, toutes les régions camerounaises ont des performances très satisfaisantes en progrès techniques en termes d'augmentation sur la période d'étude. Il s'agit d'un taux d'augmentation de 176,1% ; 173,1% ; 177,6% ; 166,4% ; 177,7% respectivement pour le Centre, l'Est, le Littoral, l'Ouest et le Sud.

En moyenne, la productivité globale des facteurs de l'ensemble de l'échantillon s'est accrue au taux moyen annuel de 164,4% de 2006 à 2012. Elle s'est améliorée tout au long de la période mais avec une tendance à la baisse et à la hausse (voir graphique 2.1).

Graphique 2.1 : Evolution de l'indice de productivité totale des facteurs de Malmquist et ses deux composantes (moyennes géométriques annuelles)

A travers ce graphique, la plus forte augmentation annuelle de la productivité totale est observée en 2007 avec un taux de 18,4%. Le taux d'augmentation de la productivité a diminué jusqu'à 9,5% en 2011.

Les régions camerounaises peuvent accroitre leur productivité agricole soit par une amélioration du niveau d'efficacité dans la production (EFFCH), soit par la diffusion technologique (TECHCH).

Ainsi, l'amélioration de la productivité agricole de 2% est attribuable au progrès technique qui a connu un taux d'augmentation annuel moyen de 5,6%. Plutôt qu'à l'efficacité technique qui a décru de -3,6% en moyenne par an pendant la même période.

Nous abordons au point suivant l'indice de changement de l'efficacité technique (EFFCH) et ses deux composantes l'efficacité technique pure (PECH) et l'efficacité d'échelle (SECH).

L'efficacité technique pure reflète, la capacité d'une unité de production à atteindre une production maximale pour un ensemble d'intrants indépendamment des prix des facteurs et des produits. L'efficacité d'échelle quant à elle renseigne sur le niveau optimal de la taille de chaque unité de production des producteurs agricoles.

2.2.2 L'indice de l'efficacité technique et ses deux composantes

Nous présentons et analysons les résultats, par région pour la période de 2006 à 2012 de cet indice et de ses composantes.

Ce tableau indique que, de 2006 à 2012, pour l'ensemble de l'échantillon, le niveau d'efficacité technique des producteurs agricole a diminué en moyenne de 3,6% par an. Cette diminution est attribuable d'abord à l'efficacité d'échelle qui a connu un taux de décroissance moyen de 2,8%, ensuite l'efficacité technique pure avec un taux de 0,7% en moyenne. Ce qui veut dire que le secteur de la production agricole aurait inefficacement exploité les gains d'efficacité d'échelle et relativement les changements d'efficacité technique pure survenus au cours de la période d'étude. Nous présentons sur le graphique ci-après l'évolution des indices des gains d'efficacité par période.

Graphique 2.2 : Evolution des indices de changement d'efficacité par période

Il ressort de ce graphique que l'efficacité technique totale a connu une forte chute du taux de croissance moyen de -4,4% ; -8,9% ; -6,7% ; -9,2% respectivement en 2007, 2009, 2010, 2011. Ce taux a néanmoins fait un bond de 2,4% en 2008 avant de diminuer, puis

reprendre en 2012 avec un taux moyen de 2,4%. Ces taux globaux masquent les réalités de chaque région du Cameroun.

Les résultats de l'indice de productivité de Malmquist et ses deux composantes par année et par région seront présentés en annexes.

CONCLUSION

Au terme de ce chapitre, il était question de mesurer l'indice de productivité de Malmquist des producteurs agricole au Cameroun. Pour y arriver, nous avons d'abord présenté les déterminants de l'efficacité productive et la méthodologie de calcul de l'indice de productivité de Malmquist dans la première section. Dans la seconde section nous avons présenté les résultats. Les résultats suggèrent plusieurs enseignements :

d'utiliser les différents inputs de la production agricole qui est un vecteur important de la compétitivité internationale.

iii) Les pertes globales d'efficacité technique réalisées par les producteurs agricole des régions camerounaises de notre échantillon sont en grande partie dues à des pertes d'efficacité d'échelle qu'à des pertes d'efficacité techniques pure. Ceci qui nous laisse croire que la production agricole dans les régions camerounaises aurait inefficacement exploitée les changements d'échelle intervenus au cours de la période 2006-2012.

CONCLUSION DE LA PREMIERE PARTIE

La première partie de cette recherche dont l'objectif était d'analyser les concepts et mettre en évidence l'efficacité productive au Cameroun a été présentée en deux chapitres.

Dans un premier temps, l'étude s'est intéressée au concept d'efficacité dans la théorie économique. Ainsi, après avoir discuté des fondements théoriques de la notion d'efficacité, un temps d'arrêt a été marqué sur les méthodes d'estimation de l'efficacité. La théorie distingue deux approches : Approche paramétrique et approche non paramétrique. La présentation de ces deux approches a permis de conclure que malgré leur opposition, ces approches présentent une complémentarité certaine.

Dans un second chapitre, l'étude s'est intéressée à l'analyse empirique de l'efficacité de la production agricole. Cette analyse de l'efficacité a été faite avec l'indice de productivité de Malmquist. De cette analyse, il ressort que la production agricole est techniquement inefficace mais technologiquement efficace. Ainsi, le niveau d'efficacité est estimé à 0,964 lorsque les rendements d'échelle sont constants.

La seconde partie de nos travaux sera consacrée à l'analyse de l'impact de l'efficacité de la production sur la pauvreté.

DEUXIEME PARTIE

L'accroissement de la productivité agricole dans les pays d'Afrique sub-saharienne, mal en point depuis plus de deux décennies, constitue l'une des solutions indispensables pour surmonter les problèmes de famine et de pauvreté. L'agriculture reste la principale source et d'ailleurs, le fondement de revenus dans la plupart des pays africains (IFRI, 2003). C'est pourquoi l'accroissement de la productivité agricole permettrait non seulement d'augmenter la production nationale, les revenus des ménages, et la sécurité alimentaire, mais également et surtout de substituer l'offre agricole nationale aux importations excessives des denrées alimentaires, qui s'élevaient déjà à plus de 480 milliards de CFA au Cameroun en 2010. Ceci accélérerait la croissance et réduirait la pauvreté. Cette partie est intitulée impact de l'efficacité de la production sur la pauvreté au Cameroun. A cet effet, il sera question d'aborder dans le premier chapitre les contours théoriques de la productivité globale des facteurs et de la pauvreté, et dans le second chapitre, nous procèderons à une évaluation de l'incidence de la productivité globale des facteurs sur la pauvreté au Cameroun.

CHAPITRE 3 : PRODUCTIVITE GLOBALE DES FACTEURS

AGRICOLES ET PAUVRETE

Introduction

Au 21ème siècle, l'agriculture continue à être un instrument fondamental pour le développement soutenable et la réduction de la pauvreté (WDR, 2008). Le rapport de développement du monde (2008) récapitule que le taux de pauvreté (moins de 1$ par jour) dans les pays en voie de développement a diminué de 28% en 1993 et de 22% en 2002. Cependant, il reste 2.1 milliards de personnes vivant avec moins de 2$ par jour et 880 millions avec moins de 1$ par jour, et la plupart d'entre eux dépendent de l'agriculture pour vivre. La promotion de l'agriculture est importante pour atteindre l'objectif du millénaire pour le développement, de réduire de moitié la pauvreté et la faim d'ici 2015. La productivité agricole est essentielle pour stimuler la croissance agricole des pays en voie de développement et précisément celle du Cameroun. La productivité agricole peut contribuer au développement de beaucoup de manières : en augmentant la production agricole, le revenu, et en réduisant la pauvreté. Beaucoup d'études empiriques ont prouvé que la productivité agricole peut de manière significative réduire la pauvreté. Cependant, dans la plupart des études, la productivité de la terre ou la productivité du travail a été employée. Il est important de savoir que la production agricole change quand tous les facteurs de production changent ensemble. Dans notre recherche, nous employons la productivité globale des facteurs pour étudier son impact sur la pauvreté.

L'objectif de ce chapitre est de présenter la littérature du lien entre la productivité globale des facteurs et la pauvreté dans le domaine agricole.

Ce chapitre est organisé comme suit : La section 1 passe brièvement en revue la littérature sur la productivité globale des facteurs(PGF). Dans la section 2 nous parlerons de la notion de pauvreté et du lien entre productivité et réduction de la pauvreté.

Section1 : Notion de productivité globale des facteurs

En premier lieu, un regard très rapide sera porté sur les origines théoriques et les limitations pratiques concernant le concept de productivité des facteurs; ensuite les méthodes de calcul seront présentées. On terminera par un survol de la littérature récente.

1.1. Origines et critiques

La productivité globale des facteurs se base, sous sa forme la plus élémentaire, sur les fondements conceptuels derrière l'identité comptable du produit intérieur brut (PIB). Introduite d'après Griliches (1995), par Copeland en 1937 dans son ouvrage ½Concepts of National Income½, puis estimée à l'appui d'une fonction de production de type Cobb-Douglas (avec des pondérations fixes) par Tinbergen en 1942. Il a fallu attendre Solow (1957) pour qu'elle soit théoriquement formalisée.

En effet, en partant d'une fonction de production générale à rendements d'échelle constants, telle que :

En supposant également que la technologie est exogène (neutre au sens de Hicks), L'équation (1) devient :

Le taux de croissance de la production n'est rien d'autre que la somme des taux de croissance des facteurs, pondérés par leurs élasticités de production, et du taux décroissance de la technologie. Cependant ces élasticités ne sont observables que si l'on suppose que les facteurs sont rémunérés à leur productivité marginale:

FLt = productivité marginale du travail = Dans ce cas l'équation (3) devient :

SKt = part du capital dans le revenu total SLt = part du travail dans le revenu total

La croissance de la production n'est pas expliquée par l'accroissement des facteurs de production, à savoir, le déplacement de la fonction de production pour un niveau donné d'intrants. Cependant, il ne s'agit là que d'une approche théorique. En réalité, lors des applications empiriques, plusieurs sont les difficultés rencontrées et nombreuses sont les critiques portées sur la méthodologie de calcul, les hypothèses de base et l'interprétation des résultats. L'une des principales critiques portées sur le calcul de la productivité globale des facteurs repose sur « l'impureté » de la mesure obtenue du progrès technique, ainsi Abramovitz (1956) en faisant allusion à la PGF parle de « mesure de notre ignorance' ». Les erreurs de mesure dans les séries du travail et surtout dans celles du stock de capital physique, l'omission d'éléments susceptibles d'influencer la qualité et la productivité des facteurs tels que l'éducation, la nutrition, la recherche et développement ont soulevé tout un ensemble de mises en garde à l'égard de l'utilisation du résidu de Solow pour étudier le rôle du progrès technologique dans le processus de croissance.

Un des problèmes soulevés par Jorgenson et Griliches (1967) est celui de l'agrégation des facteurs de production, l'impossibilité de distinguer entre différents types ou qualités de capital et de travail entraîne une surestimation du progrès technologique dans le cas où les facteurs employés deviennent de plus en plus performants (de meilleure qualité). Barro (1998) montre également que des changements quantitatifs dans les types de facteurs, par exemple une augmentation du travail industriel par rapport au travail agricole, entraînent des variations

dans les prix relatifs de ces facteurs et par conséquent des différences dans les taux de participation de ces derniers dans la production totale. Ainsi, la PGF calculée à partir de l'équation (5) serait supérieure à celle qui tiendrait compte des changements factoriels antérieurement mentionnés.

De même l'hypothèse de rendements d'échelle constants, de par son aspect peu réaliste, a provoqué la remise en cause de l'approche de Solow. Cependant Hulten (1973) remarque que cette hypothèse n'est ni restrictive ni indispensable dans le calcul de la PGF. En effet, les rendements d'échelle constants ne sont nécessaires que si l'on ne dispose pas d'information suffisante pour obtenir le taux de rendement du capital¹⁶. Ainsi, si le taux de rendement du capital est calculé par une autre méthode (par exemple en employant une méthode économétrique), le résidu peut être dérivé sans imposer de restrictions sur les participations des facteurs.

Une autre critique portée sur le calcul de la PGF vise le lien existant entre la rémunération des facteurs et leur productivité marginale. Hulten (2000) signale qu'en cas de concurrence imparfaite, et donc avec des prix supérieurs aux coûts marginaux, le calcul du progrès technique, par l'approche comptable classique, est biaisé. Cependant pour Barro (1998) ce problème peut être résolu de deux façons : soit en estimant économétriquement l'équation (4), les coefficients obtenus pour chaque taux de croissance des facteurs correspondraient directement aux SKt et SLt, sans avoir besoin de supposer l'égalité entre prix des facteurs et coûts marginaux; soit en employant l'approche duale de la comptabilité de la croissance.

A cet effet, l'approche duale, introduite par Jorgenson et Griliches (1967) explique l'évolution du progrès technique par des changements dans les prix des facteurs, sans supposer de relation prix-coûts marginaux. Ainsi en introduisant le prix des facteurs, l'équation (4) devient :

¹⁶ Dans ce cas le taux de rendement du capital est calculé de façon résiduelle = 1- rendement du travail.

La PGF est donnée par l'accroissement du prix des facteurs pondéré par la part de ces derniers dans le revenu total. En d'autres termes, une augmentation du prix des facteurs n'est réalisable que si la production s'accroît en utilisant la même quantité d'inputs. Malgré les critiques et les limitations, le concept de productivité globale des facteurs garde une place importante dans l'analyse de la croissance de long terme. Dans la suite nous allons nous intéresser plus en détail aux façons de la calculer et aux limitations pratiques rencontrées.

1.2 Méthodes de calcul de la PGF

La PGF peut être approximée par deux méthodes distinctes: l'approche comptable et l'estimation économétrique.

L'approche comptable est centrée sur le calcul des relations (5) ou (5'), notons que dans le cas de l'équation (5) les hypothèses sur les rendements et l'égalisation des prix des facteurs aux coûts marginaux supposent l'adoption d'une fonction de production à rendements constants de type Cobb-Douglas.

La production est représentée par le PIB ou la Valeur Ajoutée, le facteur travail par la force de travail ou le nombre d'heures travaillées, et le facteur capital par une mesure réelle du stock de capital. A ce niveau, la principale difficulté rencontrée réside dans la façon de mesurer les facteurs.

En relation au capital, une mesure idéale de celui-ci devrait porter sur le flux, en heures, de services employés dans le processus de production. Cependant, puisque généralement ce type d'information n'est pas disponible au niveau agrégé, une approche alternative basée sur l'évolution de la formation brute de capital fixe est employée ; il s'agit de la méthode des inventaires permanents. Soit :

Kt est le stock de capital physique au temps t, It est l'investissement brut au temps t et ? représente le taux de dépréciation du capital.

Le stock de capital initial, à un moment donné dans le temps, est fonction du taux de croissance de l'investissement (g), du taux de dépréciation et de l'investissement brut initial.

A l'aide des équations (6) et (7) il est donc possible de mesurer le stock de capital dans le temps. Cette méthode suppose néanmoins, le choix parfois difficile d'un taux de dépréciation, ainsi que l'adoption d'un taux d'investissement constant¹⁷. De même elle n'intègre pas les changements qualitatifs du capital.

En ce qui concerne le facteur travail, celui-ci devrait être mesuré en termes d'heures totales travaillées pour une période donnée. Mais une fois de plus, le manque d'information statistique, surtout dans le cas de PED, oblige à utiliser un proxy tel que la force de travail.

Par ailleurs, la méthode économétrique porte sur l'estimation, en fonction de l'information disponible, des relations présentées en (4) ou (4'). Le progrès technique est dérivé, soit à partir des coefficients de l'équation estimée (ceci permet d'avoir l'évolution de la technologie par période), soit en introduisant une constante telle que suggérée par Barro (1998), dans ce cas on obtient une mesure moyenne de la PGF.

Le grand avantage de l'estimation économétrique est la flexibilisation des hypothèses. Tout d'abord il n'est plus nécessaire de supposer l'existence d'une relation préétablie entre le prix des facteurs et leur coût marginal. De même, les rendements peuvent être croissants, décroissants ou constants, ce qui permet de ne pas avoir à choisir, dans le cas de la procédure de Solow, une fonction de production spécifique ou en tout cas de choisir une fonction ayant une forme plus flexible¹⁸. Cependant des problèmes liés aux erreurs de mesure de certains agrégats, à la simultanéité des variables et à leur non stationnarité posent des contraintes assez significatives sur les procédures d'estimation. Passons maintenant en revue quelques travaux portant sur l'estimation de la PGF.

1.3. Revue de la littérature

Nous nous intéressons à des travaux portant sur l'estimation de la PGF au niveau international (Easterly et Levine, 2001), au niveau régional (Fajnzylber et Lederman, 1998) et au niveau national (Clemente, 2002 ; Rodríguez, 2004).

Easterly et Levine (2001) portent leur attention sur l'importance relative de la PGF et l'accumulation de facteurs, comme le capital physique et humain, dans le processus de croissance de long terme au niveau international, à travers le calcul de la productivité par la méthode comptable et l'estimation de la croissance en coupe transversale par la méthode

¹⁷ Généralement il s'agit du taux d'investissement moyen de la période d'étude.

généralisée des moments (GMM). Tout d'abord ils signalent que la productivité des facteurs, et non pas seulement l'accumulation de ceux-ci, explique la plupart des divergences observées entre niveaux et taux de croissance du PIB par tête de différents pays. De même ils associent cette divergence des taux de croissance à l'une des hypothèses de base des modèles de croissance endogène: l'existence de rendements non décroissants du capital. D'autre part, les auteurs observent une forte volatilité des taux de croissance de la production par habitant alors que les stocks de capital semblent croître de façon soutenue dans le temps. Cette évidence empirique les porte à rejeter l'adoption de modèles de croissance dont la convergence vers l'état stationnaire est assurée par l'accumulation de capital, notamment le modèle néoclassique de Solow. Par ailleurs ils démontrent que l'accumulation de facteurs a tendance à avoir lieu dans des secteurs spécifiques, tant au niveau mondial, comme au niveau des pays et même au niveau des groupes ethniques, provoquant une très forte concentration des activités productives. Pour terminer ils font référence à l'importance des institutions et des politiques économiques pour accroître l'efficacité des facteurs de production et ainsi accélérer la croissance de long terme.

Fajnzylber et Lederman (1998) s'intéressent aux effets des réformes économiques sur la productivité globale des facteurs de dix-huit pays d'Amérique Latine et des Caraïbes de 1950 à 1995. En effet, ils associent les épisodes de réforme économique à des périodes de plus grande ouverture telle que définie par Sachs et Warner (1995), ainsi deux grandes périodes de réforme sont identifiées: la décennie des années cinquante et le début des années quatre-vingt-dix. Les auteurs calculent l'évolution de la PGF en employant l'approche comptable et l'estimation économétrique d'un modèle en panel à effets fixes. Dans le cas de l'approche comptable ils emploient une fonction de production de type Cobb-Douglas à rendements constants avec une participation du capital égale à 0,4. Leur principal résultat fait référence à une expansion de la PGF pendant les périodes de réforme et une contraction de celle-ci dans le cas contraire. Concernant le Venezuela, les auteurs estiment un taux de croissance de la PGF proche à 1,8% durant les épisodes d'ouverture et -1,3% pendant les périodes de plus grande autarcie. De même, ils calculent, dans le cas du Venezuela, une croissance de la PGF de -0,3% pour l'ensemble de la période d'étude.

Clemente (2002) présente une analyse sectorielle de la PGF au Venezuela dans un contexte de compétitivité et d'insertion internationale durant la période 1950-2000. Il emploie la méthode comptable en adoptant une fonction de production à rendements constants de type Cobb-Douglas, pour calculer premièrement la productivité des facteurs dans la production

totale et deuxièmement la productivité par secteur d'activité (pétrolier et non pétrolier). Dans le cas du calcul de la PGF au niveau agrégé l'auteur utilise des taux de participation moyens de 0,62% pour le capital physique et de 0,38% pour le travail. Il constate une assez forte réduction de la PGF à partir du début des années soixante-dix (-2,87%) et une participation négative de celle-ci dans la croissance. Lorsqu'il s'intéresse à la productivité sectorielle, l'auteur observe que la chute de cette dernière est d'autant plus marquée dans le secteur pétrole, avec un taux de croissance moyen minimum de -7,93% pour la période 1980-1989; en ce qui concerne le secteur non pétrolier la diminution de la PGF ne s'amorce qu'à partir des années quatre-vingt avec des taux moyens proches de -1,00%. Notons que les taux de participation factorielle employés sont respectivement de 0,92% et 0,08% pour le capital physique et le travail du secteur pétrolier, alors qu'ils représentent 0,54% et 0,46% pour le capital et le travail du secteur non pétrolier. L'auteur associe ces importantes contractions de la PGF aux politiques de maximisation de la rente pétrolière menées au sein de l'OPEP et à la chute de l'investissement privé. Au niveau latino-américain une réduction de la contribution de la PGF à la croissance est observée du début des années soixante jusqu'à la fin des années quatre-vingt, avec notamment des taux de croissance négatifs de la productivité dans la plupart des pays de la région de1980 à 1989¹⁹. La décennie des années quatre-vingt-dix représente une période de récupération en termes de productivité pour l'ensemble des pays sud-américains à l'exception du Venezuela, seul pays à afficher systématiquement des taux de croissance négatifs de la PGF de 1960 à 1990.

Rodríguez (2004) analyse méthodologiquement et empiriquement les causes du faible niveau de croissance enregistré au Venezuela de 1950 à 1998. En termes de méthodologie, celle-ci, à cause des politiques de défense des prix du pétrole a eu un impact négatif sur la production du secteur pétrolier. Ainsi, il serait préférable d'utiliser la PGF du secteur non pétrolier pour analyser convenablement l'évolution de la croissance. En ce qui concerne l'approche empirique, la PGF agrégée et sa décomposition sectorielle est calculée par la méthode comptable pour les périodes 1950-1968, 1968-1984 et 1984-1998²⁰. Les résultats indiquent une contraction de la PGF du secteur non pétrolier de1968 à 1984 suivie d'une expansion jusqu'en 1998. Par contre la productivité dans le secteur pétrolier diminue continuellement de 1968 à 1984. Ainsi en considérant l'évolution de la PGF du secteur non

¹⁹ Le Chili et la Colombie sont les seuls pays à avoir enregistré des taux de croissance positifs de la PGF

20 En 1968 et 1984 la Banque Centrale du Venezuela a changé l.année base des séries statistiques

pétrolier, la performance du Venezuela, bien que toujours pauvre, est davantage similaire à celle des autres pays de la région.

De façon générale les travaux portant sur le calcul de la PGF sont basés sur l'adoption d`hypothèses assez restrictives telle que, par exemple, l'existence de concurrence parfaite dans les marchés des facteurs ou le choix d'une forme fonctionnelle déterminée. De même, en ce qui concerne l'utilisation de méthodes économétriques, ces dernières ne sont employées que dans le cas d'études en coupe transversale portant sur plusieurs pays.

Section 2 : La notion de pauvreté et lien entre productivité et pauvreté

Dans cette section, nous explorons les différents contours du concept de pauvreté, avant de passer en revue les notions de pauvreté absolue, pauvreté relative et de pauvreté subjective dans un premier temps et dans un second temps nous parlerons du lien entre productivité et pauvreté.

2.1. La notion de pauvreté

2.1.1 Cadre conceptuel de la pauvreté

Dans la littérature, les fondements philosophiques du concept de pauvreté sont nombreux et fournissent plusieurs façons pour définir la pauvreté. Deux principales écoles se sont ainsi fondées : l'école welfariste et l'école non welfariste. Cette dernière école se subdivise en deux approches à savoir l'approche des besoins et l'approche des capacités. Notons ainsi que chaque école conduit à une identification différente des pauvres et a ses recommandations en matière d'allègement de la pauvreté.

Encore appelée approche utilitariste, l'approche des welfaristes proposée par l'école néoclassique (Yaya Koloma, 2008), prend appui sur une théorie de la microéconomie classique. Elle se base sur une théorie du bien-être, définie par les néoclassiques. Les welfaristes assimilent donc le bien être à l'utilité ; utilité générée par la consommation totale. Cette approche est associée au niveau des revenus ou des dépenses de consommation des personnes. Dit autrement, cette approche est fondée sur une fonction d'utilité définie sur

l'ensemble des biens et services capables de rendre compte des préférences des choix de chaque individu pour des ensembles alternatifs de biens et de services de consommation. Le consommateur retire une utilité qui est fonction du type et de la qualité des biens consommés d'une part et d'autre part de ses caractéristiques.

Cette approche présente des limites importantes²¹ : elle sous-tend une conception trop étroite du bien-être (Lachaud, 1998 ; Deaton, 2003²²) et fait abstraction de certains facteurs qui ont vraisemblablement une utilité²³ dont la valeur n'est toutefois pas quantifiable, lorsqu'elle ne manifeste pas dans le comportement de consommation, comme les biens non marchand et les aspects non matériel de la condition humaine (Ravallion,1996 ; Deaton et Muellbauer,1980). En outre, considérer le revenu comme seul moyen de ciblage des pauvres réduit l'efficacité des politiques de lutte contre la pauvreté, notamment en asymétrie d'information (Ponty,1998 ; Ayadiet al, 2005). Comme l'a souligné sen(1997), le fait de disposer d'une consommation élevée ne signifie pas toujours qu'on réalise toutes les aspirations-« functionnings »- valorisées par la société dans laquelle on vit et qui sont susceptibles de permettre à un individu de mener une vie descente. De plus, ces mesures ne tiennent pas toujours compte du choix des individus qui peuvent décider de réduire volontairement leurs dépenses de consommation en vue de la satisfaction d'un besoin inobservé. Fort de ce constat, il nous semble utile d'examiner l'autre approche.

En nous inspirant de Ravallion (1996), nous pouvons dire qu'à l'opposé de l'école welfariste ou utilitariste, se dresse l'école dite non-utilitariste ou non welfariste. Cette autre approche conventionnelle préconise d'évaluer la pauvreté selon des normes et valeurs non pas propres à chaque individu, mais d'après un contexte social donné. L'approche non-utilitariste, approche normative, a tendance à mettre en valeur l'idée d'un minimum vital pour se nourrir, se vêtir ou se soigner de manière adéquate, selon les normes propres à chaque société. L'approche non-utilitariste qui insiste sur la multi dimensionnalité du bien-être se subdivise

²¹ En plus de l'hypothèse de comparabilité interindividuelle des préférences (Arrow,1963 ; cité par Ravallion, 1996).

22 « Even if you have enough goods, they are worth little if you are not healthy enough to enjoy them ». (page12).

²³ Selon le PNUD (2000, cité par Zerbo [2003] p.4), certains biens ont a la fois une valeur utilitaire directe et une valeur instrumentale dans la réalisation du bien-être : indépendamment de tout autre effet, ils influent directement sur le bien-être, mais sont aussi des moyens d'accès à d'autres biens et peuvent avoir des effets au plan des capacités des individus.

en deux approches. Elle peut ainsi être mise en relief en considérant les capacités de l'individu ou ses besoins (Ravallion, 1996).

L'analyse des capacités considère que le type de vie que mène un individu est fonction de ses capacités à bien combiner ses atouts physiques et intellectuels (savoir-faire ou habileté). Cette combinaison permet à chaque individu d'accéder ou non à un minimum vital dans un contexte social (au sens global du terme) et environnemental donné.

C'est à l'économiste Amartya Sen que l'on doit cette approche²⁵. En effet (Foko Borel et al, 2006), dans les années 1980, Amartya Sen rejeta l'utilité comme l'étalon du bien-être, de même que les formules non utilitaristes basées sur les besoins. Pour lui, le bien-être signifie être bien, être en mesure de vivre longtemps, être bien nourri, être en bonne santé, éduqué, etc. Selon Sen, la valeur du niveau de vie n'a rien à voir avec la possession de biens, c'est la faculté qu'ont les individus de fonctionner²⁶. La pauvreté devant être perçue comme une privation de cette faculté.

La capacité renvoie à la liberté que possède l'individu, étant donné d'une part ses caractéristiques (âge, sexe, ethnie, religion, santé, niveau d'instruction, patrimoine, migrant, etc.) et d'autres part les opportunités qui lui sont offertes par la société (accès à l'emploi, accès aux infrastructures publiques de base, accès au crédit, sécurité, corruption, pratiques discriminatoires, perception des conditions de vie, etc.), de rechercher le bien être : choisir parmi tous ses fonctionnements potentiels, ceux qui vont lui permettre de satisfaire ce qu'il a raison de valoriser. Ces fonctionnements peuvent être des plus simples, comme « se nourrir décemment », ou plus compliqués, comme « vivre une vie digne d'être vécue ». Le bien-être d'un individu est mesuré par l'utilité retirée de ses capacités et des fonctionnements effectivement accomplis. Ainsi, en se focalisant sur les réels moyens que possèdent les individus pour convertir leurs ressources en satisfaction, cette approche élargit l'évaluation du bien-être à des aspects autres que monétaires.

2.1.2. Pauvreté réelle-absolue-relative-subjective

En vue de présenter les différents concepts de pauvreté relative, pauvreté absolue, pauvreté apparente et pauvreté subjective, mettons d'abord en relief la notion de seuil de pauvreté.

D'après Ayati et al (2005), le seuil de pauvreté désigne le niveau de bien-être en deçà duquel un individu sera considéré comme pauvre. Il représente le niveau minimum de bien-être jugé nécessaire pour mener une vie décente. Selon l'approche monétaire, c'est donc le niveau de revenu ou de dépenses de consommation minimal requis pour atteindre ce niveau de bien-être. Il représente donc la « frontière de démarcation » entre les pauvres et les non pauvres. On parle encore de ligne de pauvreté. Il existe différents types de seuil de pauvreté.

²⁶ Ce fonctionnement décrit, selon Sen, les différentes choses qu'une personne peut aspirer à être ou faire, ses beings and doings (Voir Bertin, 2003, p.5)

La notion de seuil de pauvreté absolue renvoie à l'utilisation d'une ligne de pauvreté indépendante du niveau de bien-être dans la population. Le seuil de pauvreté absolue présente l'avantage de favoriser les comparaisons entre différentes périodes et différents pays. Il existe plusieurs méthodes de détermination d'un seuil de pauvreté absolue. Nous relevons entre autres :

- L'approche nutritionnelle que Lachaud (1997) qualifie de pragmatique. Elle consiste à déterminer le minimum calorifique nécessaire pour une existence saine. Le niveau calorifique utilisé en général dans les différentes études est celui fourni par l'OMS²⁷ (Organisation Mondiale de la Santé) ou le FAO (Foods Agricultural Organisation), (cité par Akoété et al, 2009). Le seuil de pauvreté ici est déterminé, en estimant le revenu nécessaire pour acquérir un panier d'aliments fournissant une valeur calorifique supérieur au seuil (calorifique) retenu. Cependant Lachaud (1997) souligne que l'utilisation de cette approche n'est pas indiquée pour des comparaisons dans le temps et dans l'espace. En effet la relation entre les dépenses et les besoins dans divers groupes est fonction du niveau d'activité, des prix relatifs et des coûts.

- La méthode du coût des besoins essentiels. D'après Ponty (1998), suivant cette méthode, en plus de s'intéresser au seuil calorifique minimum, on s'intéresse aussi à la satisfaction de certains besoins jugés essentiels. Le seuil de pauvreté s'obtient en additionnant le montant des dépenses nécessaire pour l'atteinte du seuil calorifique et celui nécessaire pour acquérir certains biens vitaux. Le seuil indiqué par la BM est de 1US$ par jour et par personne.

La pauvreté absolue est attachée à l'utilisation d'un seuil absolue. Elle renvoie à une conception de la pauvreté indépendamment de la distribution de revenu (ou de l'indicateur de bien être), de la période, de la culture de la population étudiée. Ce concept est fortement lié à la pensée non utilitariste. En effet un seuil absolu représente le minimum nécessaire pour acquérir certains biens et services de base jugés primordiaux pour l'atteinte d'un certain niveau de vie. Ainsi la pauvreté absolue est donc une insuffisance des ressources pour satisfaire des besoins de premières nécessités.

²⁷ OMS, (1995), « An evaluation of infant growth, the use and interpretation of anthropometry in infants », bulletin of the world health organization, 73, pages 165-174.

En nous inspirant de Ravallion (1996), la pauvreté subjective est encore appelée approche participative. Cette démarche consiste à définir le concept de pauvreté en fonction des perceptions que les individus concernés ont de leur situation. Il s'agit ici de ne plus laisser les populations à l'écart du débat sur la pauvreté, mais plutôt d'intégrer la vision qu'elles ont de celle-ci dans l'étude de ce phénomène. Cette approche fait appel à la construction d'un seuil de pauvreté subjectif. Les seuils de pauvreté selon les individus auront tendance à croître en fonction de leur niveau de richesse. Sur la figure 3.1 ci-dessous qui matérialise la détermination d'un seuil de pauvreté subjectif Z, en dessous de la première bissectrice, le revenu minimum subjectif est inférieur au revenu effectif. Conséquemment, tous les individus ou les ménages disposant d'un niveau de revenu inférieur au seuil Z se perçoivent comme pauvres. Quant à ceux des ménages possédant un revenu situé au-dessus de ce seuil de pauvreté subjectif Z, ils se considèrent comme non pauvres car ils estiment détenir une dotation de richesse suffisante.

²⁸ Le taux de 50% de la médiane est très utilisé en France, notamment dans les études menées par l'INSEE.

2.2. Lien entre productivité agricole et pauvreté

La croissance agricole a été longtemps caractérisée comme pro-pauvre et comme un facteur déterminant de la réduction de la pauvreté, mais les estimations empiriques de ce rapport sont encore limitées (Janvry et Sadoulet, 2009). La littérature identifie plusieurs liens potentiels entre la productivité agricole et la pauvreté par le biais de multiples voies comprenant des augmentations de la production alimentaire, la réduction des prix de denrées alimentaires, la génération d'emploi, et une augmentation du revenu réel.

Datt et Ravallion (1998) ont trouvé que la production par unité de terre affecte de manière significative l'écart de pauvreté en Inde. Ils ont examiné l'impact de la productivité des fermes et ont prouvé qu'un plus grand rendement réduit de manière significative la pauvreté par la hausse du niveau de vie moyen. Ils ont constaté qu'un impact de la croissance agricole sur des prix de denrées alimentaires peut avoir de plus grands effets sur la réduction de la pauvreté. Dans une autre étude (Datt et Ravallion, 1996), ils ont prouvé qu'en Inde, la productivité agricole en milieu rurale réduit la pauvreté dans des secteurs ruraux et urbains, mais la productivité agricole urbaine n'allège pas la pauvreté rurale. Les études menées par Woden (1999) dans le Bangladesh et par Thorbecke et Jung (1996) en Indonésie ont indiqué que la productivité agricole est aussi bien importante pour les secteurs ruraux que pour des

Les données empiriques montrent que des taux plus élevés de productivité de travail agricole relativement à la productivité du secteur moderne sont associés à un taux de pauvreté plus faible en Afrique sub-saharienne et en Asie du sud, mais pas en Amérique latine (Hanmer et Nashchold, 2000). L'impact positif significatif de la croissance agricole recherche-menée de productivité à la réduction de pauvreté des pays en voie de développement est illustré dans Thirtle et al (2003). Leurs résultats prouvent que l'investissement dans la R&D agricole augmente de manière significative la valeur ajoutée agricole en Afrique et en Asie, et a un effet substantiel sur la réduction de pauvreté.

Ravallion et Chen (2007) mettent en évidence le rôle important du développement agricole dans l'explication de la réduction de la pauvreté en Chine. Leur étude prend également en compte la nature pro-pauvre de la croissance agricole et rurale par rapport à la croissance des activités non agricoles. Dans une étude, l'individu et Grabowski (2007) ont constaté que la productivité agricole joue un rôle crucial dans l'amélioration du bien-être.

De Janvry et Sadoulet (2009) ont utilisé la productivité agricole de la terre et du travail pour étudier leur impact sur la réduction de la pauvreté rurale. Ils ont constaté que la croissance du rendement et de la productivité de travail agricole sont fortement associées à la réduction de pauvreté, mais le point auquel ils affectent la pauvreté varie fortement selon les régions. Leurs résultats indiquent que l'impact de la productivité agricole sur la réduction de la pauvreté est plus élevé dans les pays pauvres que dans les pays riches. Ils ont également constaté que la productivité agricole peut indirectement affecter la pauvreté par l'effet fort de la croissance sur d'autres secteurs de l'économie.

Toutes ces études soutiennent le rôle de la productivité agricole pour les pauvres. Il existe des preuves de plus en plus de la réduction de la productivité agricole et de la pauvreté dans les pays en développement. La plupart de ces études emploient des productivités partielles et examinent leur impact sur la réduction de pauvreté. Il est important d'étudier l'impact de la productivité globale des facteurs agricoles sur la réduction de la pauvreté afin de comprendre l'impact de la productivité agricole sur la pauvreté dans une vue d'ensemble au Cameroun. Il y a une littérature empirique limitée sur l'impact de la productivité globale des facteurs agricoles sur la réduction de la pauvreté. Éventer et al (2000) ont examiné le rapport entre PGF et la réduction de la pauvreté dans le cas d'un seul pays, où ils ont employé un indice de croissance de PGF comme rapport d'un indice agrégé d'output à un indice agrégé d'input.

CONCLUSION

Au terme de ce chapitre intitulé productivité globale des facteurs agricole et pauvreté, ou nous avons d'abord présenté le concept de productivité globale des facteurs en parlant de ses origines et critiques, des méthodes de calcul et une revue de la littérature. Ensuite, nous avons présenté les différentes écoles ou courants de pensée en ce qui concerne l'approche de la pauvreté. Et enfin nous avons mis en exergue les différents travaux qui ont porté sur la relation productivité globale des facteurs et pauvreté. Dès lors nous nous posons la question de savoir quelle est l'incidence de la productivité globale des facteurs sur la pauvreté au Cameroun ?

CHAPITRE 4 : INCIDENCE DE LA PRODUCTIVITE GLOBALE DES FACTEURS

SUR LA PAUVRETE AU CAMEROUN

Introduction

La PGF se base sous sa forme la plus élémentaire, sur les fondements conceptuels. Introduite d'après Griliches (1995), par Copeland en 1937 dans son ouvrage « Concepts of National Income », elle est estimée à l'appui d'une fonction de production de type Cobb-Douglas (avec des pondérations fixes) par Tinbergen en 1942. Il a fallu attendre Solow (1957) pour qu'elle soit théoriquement formalisée. Dès lors, la productivité globale des facteurs (PGF) est utile pour l'analyse de la compétitivité coût de l'économie. Elle mesure l'efficacité du processus de production. Cet indicateur se calcule à partir d'une fonction de production en retranchant de la croissance les apports du travail et du capital. Dans la théorie traditionnelle de la croissance, le progrès technique est assimilé au taux de croissance de la productivité globale des facteurs. L'expression de « progrès technique » est utilisée pour désigner la modification graduelle des fonctions de production. De nombreux facteurs sont susceptibles d'accroître la production qui peut être obtenue à partir de quantités données de travail et de capital. Le terme de progrès technique évoque les découvertes scientifiques et techniques grâce auxquelles de nouveaux modes de fabrication peuvent être mis en oeuvre, l'expérience progressivement acquise dans l'emploi de technologies anciennes, les progrès réalisés dans l'organisation des entreprises et toutes les transformations qui accroissent l'efficacité du système productif.

Dans ce chapitre, nous allons utiliser les PGF calculés au chapitre 2 dans l'équation de la pauvreté. Ceci dans l'optique d'estimer le taux de pauvreté au Cameroun compte tenu de la PGF. Ce chapitre sera organisé en deux sections. La première section présentera le modèle et dans la seconde section nous présenterons les résultats des estimations et les interprétations.

Section1 : Présentation du modèle d'analyse

Chaque problème économique s'inscrit, ou même s'identifie, à un modèle d'analyse bien spécifique et pourrait être estimé à partir d'un modèle économétrique selon la conception théorique et la disponibilité des données. Dans le cadre de notre étude, nous inscrivons notre analyse dans le modèle de régression multiple. Puisqu'il s'agit d'analyser l'effet de la productivité globale des facteurs sur la pauvreté au Cameroun (nous avons plusieurs variables indépendantes expliquant la variation du taux de pauvreté). Les estimations quant à elles seront faites à partir des moindres carrés ordinaires. Toutefois nous ne saurons utiliser un modèle sans sa présentation au préalable.

La régression linéaire multiple est une analyse statistique qui décrit les variations d'une variable endogène (ici le taux de pauvreté) associée aux variations de plusieurs variables exogènes (ici la PGF, le taux de croissance de la population, le logarithme népérien du PIB non agricole, le logarithme népérien des envois de fonds des agriculteurs).

Par exemple, une analyse de régression multiple peut révéler une relation positive entre la variation du taux de pauvreté au Cameroun et l'augmentation de la PGF.

1.1. Modèle théorique

La régression linéaire multiple est une généralisation, à p variables explicatives (dans notre étude, nous en avons 4), de la régression linéaire simple.

Nous sommes toujours dans le cadre de la régression mathématique : étant donné un échantillon _(Yi,Xi1:... ,Xi_p), i = 1,..., n nous cherchons à expliquer, avec le plus de précision possible, les valeurs prises par Yi (dans notre étude P qui représente le taux de pauvreté), dite

variable endogène, à partir d'une série de variables explicatives Xi1,_,Xip. Le modèle
théorique, formulé en termes de variables aléatoires, prend la forme :

Yi = a_o + a1 _Xi1 + a2X i2+...+a_pX ip+åi, i=1,...n ou encore dans notre etude:

où åi est l'erreur du modèle qui exprime, ou résume, l'information manquante dans l'explication linéaire des valeurs de Yi à partir des _Xi1,...,Xip (problème de spécifications, variables non prises en compte, etc). a_o, a1,...,a_p sont les paramètres à estimer.

1.1.1. Exemple

Nous relevons 7 fois les paramètres suivants : le taux de pauvreté (ce sera notre yi, i étant compris entre 1 et 7) la PGF (ce sera notre _i1) le taux de croissance de la population (ce sera notre _i2) ect.

Faire une régression linéaire revient à déterminer les a0, a1, _a2... et åi tels que, quelle que soit la mesure prise, on ait :

1.1.2 Estimation

Lorsque nous disposons de n observations (yi, _{xi1,...,xip),} i = 1,...,n (ici i =1,...,7) , qui sont des réalisations des variables aléatoires (Yi, Xi1,... ,Xi_p) , l'équation de régression s'écrit :

1.1.3 Notation matricielle

				a_o a_o . . . a_p
	1 ... 1
=		. . . . . . . . .	x1,p . . . Xn,p

1.1.4 Hypothèses

Sous l'hypothèse d'homoscedasticité et d'absence d'autocorrélation, la matrice de variance-covariance du vecteur des erreurs peut s'écrire :

Dans certains cas, l'hypothèse (H1) est intenable : les régresseurs X sont supposés

aléatoires. Mais dans ce cas, on suppose que X est aléatoire mais est indépendant de l'aléa å.

On remplace alors l'hypothèse (H2) par une hypothèse sur l'espérance conditionnelle :

De même, il faudrait changer en conséquence les hypothèses (H3), (H4) et aussi (H5).

1.2 La méthode des moindres carrés ordinaires

1.2.1 Estimateur des moindres carrés ordinaires (EMCO)

Les résidus estimés sont la différence entre la valeur de y observée et estimée. Soit :

Le principe des moindres carrés consiste à rechercher les valeurs des paramètres qui minimisent la somme des carrés des résidus.

La solution obtenue est l'estimateur des moindres carrés ordinaires, il s'écrit :

Théorème - â = (X'X)^-1 X'Y est l'estimateur qui minimise la somme des carrés des résidus.

1.2.2 Propriétés des estimateurs

Si les hypothèses initiales sont respectées, l'estimateur des MCO (Moindres Carrés Ordinaires) possède d'excellentes propriétés.

Propriété - l'estimateur MCO est convergent en probabilité, c'est-à-dire â a, sous les

? Comme en a fait l'hypothèse 118 que tend vers une matrice Q définie positive, la

? Il reste alors à étudier le comportement de . Sous l'hypothèse 116, (ou plutôt sur une

forme plus restrictive E[xiåi] = 0) on peut montrer que son espérance est nulle, et que sa variance tend asymptotiquement vers 0, ce qui implique qu'il converge en moyenne quadratique vers 0, et donc qu'il converge en probabilité vers 0.

Propriété - l'estimateur MCO suit asymptotiquement une loi normale â ~ N (a, ) sous les

Après cette présentation de notre méthode d'estimation de l'incidence de productivité globale des facteurs sur la pauvreté, il convient de présenter les estimations et nos résultats.

Section2 : Estimations et résultats

A partir des données que nous avons à notre disposition, il sera question dans cette section de passer aux estimations. Mais avant, il convient brièvement de présenter notre équation de la pauvreté et les variables qui la constituent.

2.1 Equation de la pauvreté et analyse des données

2.1.1 Equation de la pauvreté et justification des variables

Nous nous inspirons des travaux de Mendali et Gunter (2013) et de Cervantes-Godoy et Dewbre (2010) pour spécifier l'équation de pauvreté suivante :

Où : P est le taux de pauvreté de 1 dollar par jour utilisé comme variable dépendante. lnPIBnonagri/trav est le logarithme népérien du PIB non agricole par travailleur, lnfond/hab est le logarithme népérien des envois de fonds par habitant, PTF représente la productivité totale des facteurs, TCP représente le taux de croissance de la population pour capter l'effet de la pression démographique sur la pauvreté, u, indique le terme d'erreur ou bruit blanc, t est

le temps (années). Il convient aussi d'effectuer les tests de multi-colinéarité et d'autocorrélation des erreurs tout en adoptant la méthode robuste du logiciel Stata. Nous espérons que l'augmentation de la PTF conduit à un taux de pauvreté plus faible et une plus grande égalité.

Après cette présentation, il convient de présenter des statistiques descriptives des données.

2.1.2 Analyse des données : statistiques descriptives des données

Nous consignons et nous analysons toutes les statistiques descriptives de nos variables dans le tableau 4.1 ci-dessous :

Source : Calculs de l'auteur à partir des données de la COUNTRY-STAT et de la WDI 2014

Le taux de pauvreté au Cameroun, de 2006 à 2012 a varié entre 1,19% et 2,03%. Avec une moyenne de 1,49% par année. La faible valeur de l'écart type (0,34) traduit le fait qu'il y a une faible variabilité du taux de pauvreté au Cameroun sur l'ensemble de la période d'étude.

La PGF a varié de 2,57 à 2,71 de 2006 à 2012. Avec une moyenne de 2,65 par année. La faible valeur de l'écart type (0,04) traduit le fait qu'il y a une faible variabilité de la productivité globale des facteurs au Cameroun sur l'ensemble de la période d'étude.

Le taux de croissance de la population (TCP) varie de 2,16% à 2,22% de 2006 à 2012. Avec une moyenne de 2,19% par année. La faible valeur de l'écart type (0,2), traduit la faible variabilité du taux de croissance de la population au Cameroun sur l'ensemble de la période d'étude.

Le taux du PIB non agricole par travailleur (LNPIBNA/TRA) varie de 7,97% à 8,02% de 2006 à 2012. Avec une moyenne de 7,99% par année. La faible variabilité du taux du PIB non agricole par travailleur sur l'ensemble de la période d'étude se traduit par la faible valeur de son écart type (0,17).

Le taux d'envoi de fonds par habitant (LNFOND/HAB) varie de 17,8% à 18,68% sur l'ensemble de la période d'étude à savoir de 2006 à 2012. Avec une valeur moyenne de 18,09% chaque année. La faible variabilité du taux d'envoi de fonds par habitant sur l'ensemble de la période d'étude se traduit par la faible valeur de son écart type (0,35).

Après avoir présenté les statistiques descriptives de nos données, il convient à présent pour nous de faire une analyse descriptive de l'évolution des variables.

2.1.3 Analyse descriptive et évolution des variables

Dans cette sous-section, nous allons décrire l'évolution de chaque variable de notre modèle. Nous présenterons tout d'abord l'évolution du taux de pauvreté qui est en fait le seuil de pauvreté en dessous duquel tout individu est considéré comme pauvre, ensuite l'évolution de la productivité globale des facteurs (PGF) et du taux de croissance de la population (TCP). Enfin, nous présenterons l'évolution du taux du PIB non agricole par travailleur (LNPIBNA/TRA) et du taux d'envoi de fonds par habitant (LNFOND/HAB) sur l'ensemble de période d'étude.

Source : Calculs de l'auteur à partir des données de la COUNTRY-STAT et de la WDI 2014

Le graphique ci-dessus nous indique que le taux de pauvreté au Cameroun se trouve à un seuil de 2,03% en 2006, avant d'avoir une baisse exponentielle pour atteindre le taux de 1.2% en 2007. Il croit légèrement en 2008 pour atteindre le taux de 1,8%. Ce taux se stabilise en 2011 et 2012 à un taux de 1,19%.

Après cette présentation de l'évolution du taux de pauvreté, il convient de mettre en exergue l'évolution de la productivité globale des facteurs et du taux de croissance de la population au Cameroun. Cette évolution se traduit par le graphique 4.2 suivant :

Source : Calculs de l'auteur à partir des données de la COUNTRY-STAT et de la WDI 2014

- La productivité globale des facteurs décroit de 2006 à 2007, avant de croître légèrement de 2007 à 2008. Nous constatons qu'elle est presque uniforme sur la période allant de 2008 à 2012.

- Le taux de croissance de la population Camerounaise diminue au fil des années. Mais cette diminution est très infirme jusqu'au point où nous avons tendance à croire que le taux de croissance sur la période d'étude est une droite horizontale.

Après une brève présentation de l'évolution de la PGF et du TCP, présentons à présent les évolutions des taux du PIB non agricole par travailleur (LNPIBNA/TRA) et d'envoi de fonds par habitant (LNFOND/HAB). Cette évolution se traduit par le graphique 4.3 ci-dessous :

Graphique 4.3 : évolution du taux de PIB non agricole par travailleur et du taux d'envoi de fond par habitant

Source : Calculs de l'auteur à partir des données de la COUNTRY-STAT et de la WDI 2014

- Le taux du PIB non agricole a un taux qui varie autour de 8%. C'est pour cette raison que la variation du taux du PIB non agricole par travailleur sur l'ensemble de la période d'étude se confond à une droite d'équation Y = 8.

- Le taux d'envoi de fonds par habitant a une valeur de 17,84% en 2006. Ce taux croît et décroît avant d'atteindre une valeur maximale de 18,68% en 2010. Cette évolution traduit une variation assez importante du taux d'envoi des fonds par habitant sur l'ensemble de la période d'étude.

Après cette présentation des statistiques descriptives de nos données, il est important de présenter l'estimation de l'effet de la productivité globale des facteurs sur la pauvreté au Cameroun.

2.2 Estimation de l'effet de la productivité globale des facteurs sur la pauvreté au Cameroun

Il s'agit en effet de présenter les résultats de la régression économétrique de notre modèle de base. Ces résultats sont obtenus avec le logiciel STATA 12 et concernent les données collectées auprès de différentes sources et compilées en un fichier Excel. Nos attentes sont que les résultats de ces estimations corroborent nos développements théoriques et aussi dans une moindre mesure certains résultats des travaux antérieurs sur l'effet de la productivité agricole sur la pauvreté. La première partie de cette section est ainsi consacrée à la présentation des résultats de l'estimation et la deuxième partie à l'interprétation des résultats de la régression.

2.2.1 Présentation des résultats de l'estimation

Les résultats de l'estimation du modèle sont présentés dans le tableau suivant :

Tableau 4.2 : résultat de l'estimation des paramètres du modèle par les MCO.

. r e g r e s s t x p a u v r e t (c) p g f t c p l n p i b n a t r a l n f o n d h a b , r o b u s t

Source : Calculs de l'auteur à partir des données de la COUNTRY-STAT et de la WDI 2014 et du logiciel STATA 12

Après cette présentation des résultats de l'estimation, passons à présent à leur interprétation.

2.2.2 Interprétation des résultats

L'analyse de la significativité du modèle se fera en deux étapes : l'analyse du point de vue de la qualité globale d'une part et celle de la qualité individuelle des coefficients d'autre part. Dans un premier temps, nous allons nous interroger sur la significativité globale du modèle, c'est-à-dire si l'ensemble des variables explicatives ont une influence sur la variable dépendante (Taux de pauvreté). Ce test peut être formulé de la manière suivante : existe-t-il au moins une variable explicative significative?

L'appréciation de la qualité globale du modèle se fait avec la statistique de Fischer, qui indique si les variables explicatives ont une influence sur la variable dépendante. Soit le test d'hypothèses suivant :

L'arbitrage se fait par la comparaison de la valeur de la F-statistique estimée à celle tabulée par Fischer. Le logiciel STATA12 fournit automatiquement la probabilité associée à la F-statistique calculée, ce qui facilite grandement l'analyse. Il suffira donc de comparer la probabilité associée à la F-statistique au seuil de 10% retenu. Dans le cas où la probabilité associée à F-statistique calculée est inférieur à 10%, alors l'hypothèse H0 sera rejetée au profit de l'hypothèse alternative selon laquelle la régression est globalement significative.

Dans notre cas, la statistique de Fisher calculée par le logiciel STATA 12 est F= 26,21

et la Probabilité associé est inférieure à 10% (0,0371 < 0.1), or la statistique lue dans la table de Fisher à 4 et 2 degrés de liberté au seuil de 10% est de 7,85: donc l'hypothèse nulle est rejetée et le modèle est globalement significatif. Ce résultat est conforme à la valeur de la statistique R2 (0,8608) qui renseigne aussi sur la qualité du modèle économétrique (R2 tend vers l'unité) et qui montre aussi le pouvoir explicatif des variables exogènes.

Résultat : le modèle est globalement significatif et de bonne qualité, il y a au moins une variable dans le modèle permettant d'expliquer le comportement du taux de pauvreté au Cameroun.

Pour se prononcer sur la significativité individuelle des variables, on utilise la statistique de Student directement fournie par STATA 12. Lorsqu'au seuil considéré (dans notre cas 10%) la valeur de la statistique de Student estimée est supérieure à celle tabulée par Student, alors on retient l'hypothèse de significativité de la variable. Il sera ici utilisé, la probabilité de rejet que fournit le logiciel STATA 12 au seuil retenu.

Les résultats de l'estimation montrent que seulement deux variables sont statistiquement significatives vu la probabilité qui leur est attribuée :

L'étude économétrique ainsi achevée, il convient de passer à l'analyse économique des résultats obtenus.

Nous allons à présent vérifier si les variables explicatives utilisées dans notre modèle ont les signes attendus et faire ressortir leur importance sur le comportement du taux de pauvreté au Cameroun.

Les variables statistiquement significatives sont au nombre de deux (02) à savoir la productivité globale des facteurs (PGF) et le taux de croissance de la population (TCP).

Sur la base de la lecture des t-student ou de leur probabilité, on note que la variable d'intérêt du modèle à savoir la productivité globale des facteurs (PGF) a un coefficient négatif et significatif au seuil de 10%, soutenant ainsi l'hypothèse assez évidente que la PGF est corrélée négativement au taux de pauvreté au Cameroun. Autrement dit, si la productivité globale des facteurs varie d'une unité, le taux de pauvreté des agriculteurs au Cameroun diminue de 5,32.

L'hypothèse de convergence est également soutenue par le coefficient positif et significatif au seuil de 10% du taux de croissance de la population (TCP). Ce qui veut dire que le taux de croissance de la population est corrélé positivement au taux de pauvreté au Cameroun. En d'autres termes, si le taux de croissance de la population varie d'une unité, le taux de pauvreté de la population agricole au Cameroun augmente de 7,54%.

CONCLUSION

Au terme de ce chapitre, il était question de mesurer l'incidence de la PGF sur le taux de pauvreté au Cameroun. Pour y arriver, nous avons d'abord présenté le modèle d'analyse et la méthode d'estimation de nos résultats à savoir les MCO dans la première section. Dans la seconde section nous avons présenté les statistiques descriptives de nos variables. Les résultats suggèrent plusieurs enseignements :

La deuxième partie de cette recherche avait pour objectif d'analyser l'impact de la productivité globale des facteurs sur le taux de pauvreté au Cameroun. Objectif qui a été atteint en deux temps.

Dans un premier temps, un état des lieux a été fait sur les concepts de productivité globale des facteurs et de pauvreté. Ainsi, une revue de littérature sur le lien entre productivité et pauvreté a été faite.

L'argumentation s'est poursuivie par l'analyse empirique de l'impact de la productivité globale des facteurs sur le taux de pauvreté. A la suite de la présentation du modèle de régression multiple (modèle qui nous a servi de cadre empirique), nous avons présenté la méthode des moindres carrés ordinaire qui nous a permis d'estimer les paramètres de notre modèle de taux de pauvreté.

Les résultats de ces analyses ont révélé que la productivité globale des facteurs est significativement et négativement liée au taux de pauvreté. Ce qui veut dire qu'une augmentation de la productivité globale des facteurs contribue à une réduction du taux de pauvreté au Cameroun.

CONCLUSION GENERALE

L'objectif de ce mémoire est d'évaluer l'impact du niveau d'efficacité productive sur la pauvreté des agriculteurs camerounais. Un accent particulier a été mis sur l'efficacité productive et l'incidence de la productivité globale des facteurs sur la pauvreté. Notre recherche utilise différents instruments conceptuels, majoritairement empruntés aux modèles de croissance et à l'économétrie. Pour opérer cette analyse de l'efficacité de la production agricole et la pauvreté au Cameroun, nous avons retenu d'abord un modèle non paramétrique appelé indice de productivité de Malmquist pour mettre en évidence l'efficacité productive des agriculteurs Camerounais et, ensuite, un modèle de régression multiple pour estimer l'effet de la productivité globale des facteurs sur la pauvreté des agriculteurs au Cameroun.

Ce travail comporte donc deux parties dont pour chacune deux chapitres. Cette conclusion va se résumer en trois points qui sont : synthèse des principaux résultats, apports du mémoire et les limites et extensions du mémoire.

1- Synthèse des principaux résultats

Il est donc question dans cette synthèse de vérifier si nos préoccupations de départ ont trouvé de réponses, mais aussi de chercher à savoir si nos hypothèses de travail sont vérifiées ou non. La première partie étudie les concepts et évidence de l'efficacité productive. Quant à la seconde partie, elle s'est attelée sur l'impact de l'efficacité de production sur la pauvreté. Ainsi, les chapitres 1 et 3 traitent des aspects théoriques et conceptuels de l'efficacité productive, de la productivité globale des facteurs et de la pauvreté.

Au chapitre1, nous avons examiné les contours théoriques de l'efficacité productive et la littérature concernant les travaux y relatives. Nous avons aussi présenté brièvement l'indice de productivité globale des facteurs de malmquist qui est retenu pour la mesure de l'efficacité productive au Cameroun. Nous avons également présenté les modèles non paramétrique et paramétrique. L'efficacité productive est un concept très difficile à appréhender, ce qui dénote les multitudes de définitions proposées par les économistes. Le concept a été examiné sous trois niveaux : technique, allocative et économique. Plusieurs approches et méthodes d'évaluation et de mesure de l'efficacité ont été développées et utilisées dans des études empiriques, et ce pour plusieurs secteurs d'activités (Amara et Romain, 2000).

Au chapitre 3, nous avons examiné les contours théoriques de la productivité globale des facteurs et de la pauvreté d'une part et d'autres parts, la littérature des liens existant entre productivité globale des facteurs et pauvreté. Nous avons d'abord mis en exergue la PGF, ensuite la pauvreté et enfin le lien entre productivité et pauvreté.

Quant à nos chapitres 2 et 4, ils nous ont permis de tester nos hypothèses. Qu'il s'agisse de la première ou de la seconde, elles ont été toutes vérifiées :

Cette hypothèse a été traitée au chapitre2 ou les résultats nous ont permis de procéder à une analyse de l'efficacité de la production agricole des régions. A partir de l'indice de productivité de malmquist et du logiciel DEAP VERSION 2.1, nous avons calculé l'indice de productivité totale de malmquist et ses deux composantes pour l'ensemble des régions de notre échantillon. Les résultats de mesure de l'efficacité technique pour ces régions sous les technologies de rendement d'échelle variables (VRS) donnent un score d'efficacité de 96,4% soit un score d'efficacité technique pure de 99,3% et un score d'efficacité d'échelle de 97,2%. Ces résultats renseignent sur les inefficiences tant au niveau technique pure, qu'au niveau d'échelle. Pour ce qui est de la productivité globale des facteurs, les résultats affichent une amélioration du taux de croissance de la productivité globale des facteurs pour l'ensemble des régions qui est en moyenne de 2% par an, néanmoins ce résultat varie selon les régions. Cependant, nos résultats montrent que dans l'ensemble les agriculteurs Camerounais ont une productivité globale des facteurs élevée. Mais ceci est dû à une efficacité technologique qu'à une efficacité technique (c'est-à-dire que les producteurs agricole camerounais se dotent des moyens techniques pour la production mais ne les utilisent pas d'une manière efficace). Ces résultats méritent une attention particulière en termes d'actions à entreprendre de la part des autorités, ils répondent affirmativement à notre hypothèse1 qui stipule que les agriculteurs sont techniquement inefficace dans notre pays.

L'augmentation de la productivité globale des facteurs conduit à un faible taux de pauvreté des agriculteurs camerounais ;

Cette hypothèse a été abordée au chapitre4. Plusieurs études ont été menées pour évaluer l'impact de la productivité globale des facteurs sur la pauvreté. Globalement, les résultats montrent que la PGF a un impact négatif sur la pauvreté c'est- à-dire que l'augmentation de la productivité globale des facteurs concourent à la réduction du taux de pauvreté des agriculteurs. Malgré que ces résultats diffèrent d'un modèle à l'autre. Dans le cas de cette recherche, nous avons utilisé un modèle de régression multiple. Et l'estimation de nos

paramètres a été faite grâce à la méthode des moindres carrés ordinaires (MCO). Nos résultats montrent que la productivité globale des facteurs agit significativement sur le taux de pauvreté des agriculteurs au Cameroun. Ces résultats apparaissent ainsi intéressants et méritent une attention particulière en termes d'actions à entreprendre de la part des autorités, ils répondent affirmativement à notre hypothèse2 qui stipule que l'augmentation de la productivité globale des facteurs conduit à un taux de pauvreté faible des agriculteurs.

En somme, une leçon importante peut être dégagée au terme de la vérification de nos hypothèses.

La composition de la productivité globale des facteurs mis en évidence suggère que les pouvoirs publics interviennent à la fois pour créer des conditions propices au progrès technologique et pour éliminer les conditions qui favorisent l'inefficacité technique de la production agricole au Cameroun. En termes de politiques économiques pour stimuler le progrès technologique et améliorer l'efficacité technique afin d'accroître la productivité, il faut assurer le financement public optimal de programmes de recherche et développement et des infrastructures rurales ainsi que les régimes fiscaux favorables et les diverses subventions dont bénéficient les différentes filières agricoles. Aussi, les diverses mesures visant à vulgariser les résultats des recherches au niveau des paysans et à promouvoir la formation du capital humain à tous les niveaux scolaires et universitaires ne peuvent que renforcer le progrès technologique.

2- Apports du mémoire

Le premier apport est méthodologique. En effet, les évidences empiriques sur l'efficacité de la production agricole jusqu'ici élaborées au Cameroun se sont, pour la plus part, appuyées sur les caractéristiques socio-économiques et culturelles de ménages ruraux. Notre modeste contribution sera alors de construire un modèle de production qui intègre, en plus de ces caractéristiques, les tracteurs et le capital humain. En plus, nous avons utilisés les données statistiques récentes (2005-2012).

Un autre apport est d'ordre opérationnel. Nous pensons que ce mémoire aborde les problèmes qui minent le développement de l'agriculture au Cameroun et partant la lutte contre la pauvreté. Les résultats obtenus sont intéressants et constituent une base sur laquelle les autorités peuvent s'appuyer pour élaborer des politiques économiques.

3. Limites et pistes de recherches

Toute recherche se heurte à des difficultés. La principale difficulté à laquelle nous nous sommes confrontés est l'indisponibilité des données. Les données utilisées concernent une courte période. Ce qui n'a pas permis d'effectuer une analyse en profondeur du taux de pauvreté au Cameroun.

C'est pour cette raison davantage de recherches est nécessaire sur l'efficacité de la production agricole et la pauvreté et ce, pour prendre en compte une longue période afin de surmonter les limites sus citées. Une analyse intégrant plusieurs pays constitue également une piste de recherche pour l'avenir.

REFERENCES BIBLIOGRAPHIQUES

Aigner, A., Lovell, C.A.K. and Schmidt, P. (1977), «Formulation and Estimation of Stochastic Frontier Production Function Models», Journal of Econometrics, Vol. 86, p. 21-37.

Atkinson, E.S. and Cornwell, C. (1994), « Estimation of Output and Input Technical Efficiency Using a Flexible Functional Form and Panel Data », International Economic Review, vol. 35, pp. 245-255.

Banker, R. D., Charnes, R. F. and Cooper, W. W. (1984), «Some Models for Estimating Technical and Scale Inefficiencies in Data Envelopment Analysis», Management Science, Vol. 30, p. 1078-1092.

Bem, J., Nguetse Tegoum, P.J., Samo Tcheeko, T.M. et Essoh, J. (2012), «Efficacité de Production du Secteur Informel Non-agricole et Réduction de la Pauvreté au Cameroun», Working paper, Politiques Economiques et la Pauvreté (PEP).

Benin, S., Johnson, M., Omilola, B., Beintema, N., Bekele, H., Chilonda, P., Davis, K. and al. (2010b), Monitoring and Evaluation (M&E) System for the Comprehensive Africa Agriculture Development Programme (CAADP). ReSAKSS Working Paper 6. Washington, D.C.: International Food Policy Research Institute (IFPRI).

Benin, S., Kennedy, A., Lambert, M. and McBride, L. (2010a), Monitoring African Agricultural Development Processes and Performance: A Comparative Analysis. ReSAKSS Annual Trends and Outlook Report 2010. Washington, DC: International Food Policy Research Institute (IFPRI).

Bourguignon, F., Ferreira, F. and Leite, P. (2003), «Conditional cash transfers, schooling and child labor: micro-simulating Brazil's Bolsa Escola program», World Bank Economic Review, Vol. 17, N° 2, pp. 229-254.

Byerlee, D., Diao, X. and Jackson, C. (2009), Agriculture, Rural Development, and Pro-Poor Growth: Country Experiences in the Post-Reform Era. DOI: 10.1146/ annurev.resource.050708.144239.

Caves, D.W., Christensen, L.R. and Diewert, W.E. (1982), «The Economic Theory of Index Numbers and the Measurement of Input, Output and Productivity», Econometrica, vol. 50, pp. 1393-1414.

Cervantes-Godoy, D. and Dewbre, J. (2010), «Economic Importance of Agriculture for Poverty Reduction», Food, Agriculture and Fisheries Working Papers, No. 23, OECD Publishing. doi: 10.1787/5kmmv9s20944-en

Charnes, A., Cooper, W. W. and Rhodes, E. (1978). Measuring the efficiency of decision making units. Eur. J. of Oper, p.429-444.

Coelli, T.J., Rahman, S. and Thirtle, C. (2002), «Technical, allocative, cost and scale efficiencies in Bangladesh rice cultivation: A nonparametric approach», Journal of Agricultural Economics, Vol. 53, N° 3, p. 607-626.

Datt, G. and Ravallion, M. (1998), «Farm productivity and rural poverty in India.» Journal of Development Studies. Vol. 34, N° 4, pp. 62-85.

De Janvry, A. and Sadoulet, E. (2009), «Agricultural Growth and Poverty Reduction: additional Evidence.» The World Bank Research Observer. Vol. 25, N° 1, pp. 1-20.

Färe, R., Shawa, G., Mary, M. and Zhongyang, Z. (1994), « Productivity Growth, Technical Progress, and Efficiency in Industrialized Countries », American Economic Review, vol. 84, n°1, pp. 66-82.

Farrell, M.J. (1957), «The measurement of productive efficiency», Journal of the Royal Statistical Society, vol. 120, n° 3, p. 253-290.

Felipe, J. and McCombie, J.S.L. (2003), «Some methodological problems with the neoclassical analysis of the Eastasian miracle», Cambridge Journal of Economics, Vol. 27, pp. 695-721.

Grosskopf, S. (2003), «Some remarks on productivity decompositions», Journal of Productivity Analysis, Vol.20-3, pp.459-474.

Hanmer, L. and Nashchold, F. (2000), «Attaining the international development targets: will growth be enough?» DFID working paper. DFID, London.

Mahadevan, R. (2004), «To measure or not to measure TFP growth? Comment on unequivocal no reply», Oxford Development Studies, Vol. 32-2, pp.329-330.

Malmquist, S. (1953), « Index numbers and indifferences surfaces », Trabajos de Estatistica, vol. 4, pp. 209-242.

Maudos, J., Pastor, J.M. and Serrano, L. (1998), Human Capital in OECD Countries: Technical Change, Efficiency and Productivity, Instituto Valenciano de Investigaciones Económicas, s.a., WP-EC 98-19.

Mendali, R. and Gunter L.F. (2013), «Impact of Agricultural Productivity Changes on Poverty Reduction in Developing Countries», Southern Agricultural Economics Association (SAEA) Annual Meeting, Orlando, Florida, pp. 1-15.

Moorsteen, R.H. (1961), « On the Measuring Productive Potential and Relative Efficiency », Quarterly Journal of Economics, vol. 75, pp. 451-467.

Ouédraogo, S. (2005), Intensification de l'agriculture dans le Plateau Central du Burkina Faso : une Analyse des possibilités à partir des nouvelles technologies, thèse de Doctorat Agronomie, Rijksuniversiteit Groningen, 336 p.

Sanchez, P. et Sachs, J. (2004), Une révolution verte pour l'Afrique, in le Monde du 10 août 2004.

Schultz, T. (1979), «The Economics of Being Poor», The Journal of Political Economy, Vol. 88, No. 4, p. 639-651.

Shephard, R.W. (1970), Theory of Cost and Production Function, Princenton, University Press, Princenton, NJ.

Thirtle, C., Lin, L. and Piesse, J. (2003), «The impact of research-led agricultural productivity growth on poverty reduction in Africa, Asia and Latin America.» World Development, Vol. 3, pp. 1959-1975.

WDI (2014). «World Development Indicators (WDI) CD-ROM», The World Bank, Washington, DC.

Wouterse, F. (2010), «Migration and technical efficiency in cereal production: Evidence from Burkina Faso», Journal of Agricultural Economics, vol. 41, n° 5, p. 385-395.

ANNEXES

Annexes1 : Scores d'efficacité à partir du logiciel DEAP Version 2.1 Output orientated Malmquist DEA

No. ************************te t-1 t t+1					No. ************************te t-1 t t+1
1	0.000	0.709	0.001	0.710	1 652.887	0.675	0.588	0.687
2	0.000	0.614	0.001	1.000	2 623.401	0.657	0.558	1.000
3	0.000	1.000	0.001	1.000	3 966.326	1.000	0.682	1.000
4	0.000	1.000	0.001	1.000	4 976.193	1.000	0.951	1.000
5	0.000	0.445	0.000	0.445	5 427.732	0.447	0.331	0.447
Mean	0.000	0.754	0.001	0.831	Mean 729.308	0.756	0.622	0.827

No. ***********************te t-1 t t+1					No. ************************te t-1 t t+1
1	0.676	0.589	0.581	0.602	1	0.673	0.664	0.786	0.673
2	0.642	0.547	0.572	1.000	2	0.539	0.557	0.599	1.000
3	1.479	1.000	1.071	1.000	3	1.019	1.000	1.111	1.000
4	1.148	1.000	1.085	1.000	4	1.013	1.000	1.275	1.000
5	0.646	0.491	0.488	0.494	5	0.482	0.481	0.464	0.481
Mean	0.918	0.725	0.759	0.819	Mean	0.745	0.740	0.847	0.831

t-1 t t+1					No. ************************te t-1 t t+1
1	0.746	0.531	0.533	0.539	1	0.640	0.642	0.629	0.647
2	0.620	0.480	0.495	1.000	2	0.427	0.442	0.433	1.000
3	0.930	0.908	0.935	1.000	3	0.718	0.740	0.759	1.000
4	1.404	1.000	1.036	1.000	4	0.997	1.000	1.030	1.000
5	0.502	0.483	0.497	0.526	5	0.365	0.376	0.386	0.505
Mean	0.840	0.680	0.699	0.813	Mean	0.629	0.640	0.647	0.830

No. ************************te t-1 t t+1					No. ************************te t-1 t t+1
1	0.597	0.584	0.591	0.589	1	0.606	0.613	0.000	0.617
2	0.393	0.384	0.406	1.000	2	0.404	0.402	0.000	1.000
3	0.643	0.660	0.650	1.000	3	0.710	0.700	0.000	1.000
4	1.022	1.000	1.078	1.000	4	1.015	1.000	0.000	1.000
5	0.320	0.328	0.324	0.461	5	0.321	0.316	0.000	0.395
Mean	0.595	0.591	0.610	0.810	Mean	0.611	0.606	0.000	0.803

Annexes2 : Indice de productivité de Malmquist par année

Year = 3 Firm effch techch pech					sech	tfpch	Year = 4 Firm effch techch								pech			sech tfpch
1 0.873 1.148 0.876					0.996	1.002	1		1.129			1.013			1.117			1.010			1.143
2	0.834		1.175	1.000	0.834	0.979	2		1.018			0.962			1.000			1.018			0.980
3	1.000		1.473	1.000	1.000	1.473	3		1.000			0.975			1.000			1.000			0.975
4	1.000		1.099	1.000	1.000	1.099	4		1.000			0.966			1.000			1.000			0.966
5	1.098		1.334	1.104	0.995	1.464	5		0.980			1.003			0.974			1.006			0.983
Mean 0.956			1.238	0.993	0.963	1.184	Mean 1.024					0.984			1.017			1.007			1.007
Year = 5							Year = 6
Firm effch techch pech					sech	tfpch	Firm effch techch pech									sech			tfpch
1	0.800	1.090		0.801	0.998	0.872	1 1.208 0.997 1.200									1.007			1.205
2	0.862	1.096		1.000	0.862	0.945	2 0.921			0.968			1.000			0.921			0.891
3	0.908	0.960		1.000	0.908	0.872	3 0.815			0.970			1.000			0.815			0.791
4	1.000	1.049		1.000	1.000	1.049	4 1.000			0.981			1.000			1.000			0.981
5	1.004	1.038		1.094	0.917	1.042	5 0.779			0.970			0.960			0.811			0.756
Mean 0.911		1.046		0.974	0.936	0.953	Mean 0.933			0.978			1.029			0.907			0.912
Year = 7							Year = 8
Firm effch techch pech					sech	tfpch		Firm effch techch pech									sech			tfpch
1	0.910	1.021		0.911	0.999	0.930		1 1.049 0.989 1.048									1.000			1.038
2	0.868	1.022		1.000	0.868	0.888		2 1.047			0.975			1.000			1.047			1.020
3	0.892	0.975		1.000	0.892	0.869		3 1.061			1.015			1.000			1.061			1.076
4	1.000	0.996		1.000	1.000	0.996		4 1.000			0.970			1.000			1.000			0.970
5	0.874	0.975		0.911	0.958	0.851		5 0.964			1.015			0.858			1.123			0.978
Mean 0.908		0.998		0.963	0.942	0.905		Mean 1.023			0.992			0.979			1.045			1.016

TABLE DES MATIERES

2.2. Approche paramétrique et approche non paramétrique : une complémentarité certaine 19

Section1 : Déterminants de l'efficacité productive, travaux mené avec les méthodes non paramétriques

Section2 : Définition de l'échantillon et résultats des indices de productivité 32

CHAPITRE 4 : INCIDENCE DE LA PRODUCTIVITE GLOBALE DES FACTEURS SUR LA

2.2 Estimation de l'effet de la productivité globale des facteurs sur la pauvreté au Cameroun 69

Efficacité de la production agricole et pauvreté au Cameroun.

SOMMAIRE

CHAPITRE 2 : MISE EN EVIDENCE DE L'EFFICACITE PRODUCTIVE AU CAMEROUN

CHAPITRE 3 : PRODUCTIVITE GLOBALE DES FACTEURS AGRICOLES ET

CHAPITRE 4 : INCIDENCE DE LA PRODUCTIVITE GLOBALE DES FACTEURS SUR LA

DEDICACE

REMERCIEMENTS

LISTE DES TABLEAUX

LISTE DES FIGURES ET GRAPHIQUES

LISTE DES ABREVIATIONS

RESUME

ABSTRACT

INTRODUCTION GENERALE

1. Contexte et problématique

2. Objectifs de l'étude

3. Hypothèses

4. Revue de la littérature

5. Méthodologie

6.Source de données

7. Intérêt du sujet

8. Plan de travail

PREMIERE PARTIE

CHAPITRE I : CONCEPTS DE L'EFFICACITE PRODUCTIVE

Introduction

Section1 : L'efficacité productive et l'indice de productivité de malmquist

1.1. La notion d'efficacité productive

1.1.1 Fondements de l'efficacité productive

1.1.2 L'efficacité productive : notion à plusieurs sens

1.1.3. Indice de productivité de Malmquist

Section2 : Les méthodes d'estimation de l'efficacité productive

2.1. L'approche non paramétrique

2.1.1. Fondement de l'approche non paramétrique

2.1.2. La méthode DEA

2.2. Approche paramétrique et approche non paramétrique : une complémentarité certaine

2.2.1. L'approche paramétrique

2.2.2. Approche non paramétrique « versus » approche paramétrique

CONCLUSION

CHAPITRE 2 : MISE EN EVIDENCE DE L'EFFICACITE PRODUCTIVE AU CAMEROUN

Introduction

Section1 : Déterminants de l'efficacité productive, travaux menés avec les méthodes non paramétriques et méthodologie de calcul de l'indice de productivité de malmquist.

1.1. Analyse des déterminants potentiels de l'efficacité productive

1.1.1. La théorie du capital humain

1.1.2. Les autres déterminants de l'efficacité productive

1.2. Travaux menés avec différentes méthodes

1.3. Méthodologie

Section2 : Définition de l'échantillon et résultats des indices de productivité

2.1 Définition de l'échantillon

2.2 Présentation des résultats et interprétations

2.2.1 L'indice de Malmquist et ses deux composantes

2.2.2 L'indice de l'efficacité technique et ses deux composantes

CONCLUSION

CONCLUSION DE LA PREMIERE PARTIE

DEUXIEME PARTIE

CHAPITRE 3 : PRODUCTIVITE GLOBALE DES FACTEURS

AGRICOLES ET PAUVRETE

Introduction

Section1 : Notion de productivité globale des facteurs

1.1. Origines et critiques

1.2 Méthodes de calcul de la PGF

1.3. Revue de la littérature

Section 2 : La notion de pauvreté et lien entre productivité et pauvreté

2.1. La notion de pauvreté

2.1.1 Cadre conceptuel de la pauvreté

2.1.2. Pauvreté réelle-absolue-relative-subjective

2.2. Lien entre productivité agricole et pauvreté

CONCLUSION

CHAPITRE 4 : INCIDENCE DE LA PRODUCTIVITE GLOBALE DES FACTEURS

SUR LA PAUVRETE AU CAMEROUN

Introduction

Section1 : Présentation du modèle d'analyse

1.1. Modèle théorique

1.1.1. Exemple

1.1.2 Estimation

1.1.3 Notation matricielle

1.1.4 Hypothèses

1.2 La méthode des moindres carrés ordinaires

1.2.1 Estimateur des moindres carrés ordinaires (EMCO)

1.2.2 Propriétés des estimateurs

Section2 : Estimations et résultats

2.1 Equation de la pauvreté et analyse des données