Memoire Online - Evaluation de l'impact potentiel de la technologie de pulvérisation sur le rendement du riz en Afrique sub-saharienne: cas du Nigéria et du Bénin

Nous adressons nos remerciements à l'Eternel Dieu pour les bienfaits qu'il a faits pour nous tout au long de notre séjour à Calavi (BENIN). Cette étude a été rendue possible grâce aux multiples contributions d'un certain nombre de personnes. En effet nous bénéficions d'une formation adéquate à l'Institut Sous-régional de Statistique et d'Economie (ISSEA) dans un environnement propice pour étudier. C'est à cet effet que nous remercions le Directeur de L'ISSEA, M.Thierry MAMADOU ASNGAR ainsi que l'ensemble du personnel enseignant et administratif.

Nous remercions de façon particulière le Dr. KAMGA IGNACE, Chef du département d'économie à l'ISSEA de nous avoir trouvé un stage.

Qu'il nous soit permis d'exprimer notre gratitude auprès du Dr. Aliou Diagne, spécialiste d'économie d'impact à Africarice, de nous avoir accepté comme stagiaire au sein du programme 3 auquel il en dirige. Nous remercions également le Dr. Aminou Arouna, Agroéconomiste au sein du programme 3 à Africarice d'avoir accepté de superviser cette étude.

Nous profitons aussi à cet effet de remercier messieurs AMOVIN-ASSAGBA Eyram, KINKINGNINHOUN Florent, NAKELSE Tébila, tous assistants de recherche à Africarice, qui malgré leurs multiples occupations sacrifiaient leurs heures de travail afin de nous apporter leurs soutient sur une série de point que je ne saurais citer.

Nous remercions également les services de la coopération d'action culturelle qui depuis trois ans nous soutiennent financièrement, et ont mis à notre dispositions des moyens nous permettons d'effectuer ce stage

Nous tenons aussi à remercier Mlle VIBOUDOULOU Mervy et IBARA Daunal pour leurs soutients durant toute cette période de stage. Par cette occasion, nous tenons aussi à remercier tous nos collègues de stages.

Qu'il nous soit aussi permis de remercier tous les membres de la Mutuelle des Etudiants Congolais de l'ISSEA (MECI), et en particulier le Président ANKI YAMBIRA pour sa forte contribution dans la réalisation de ce document.

La liste étant exhaustive, nous tenons à remercier tous ceux nous ont soutenu de près et de loin dans la réalisation de ce document.

TABLE DES MATIERES

LISTE DES TABLEAUX

Tableau 1 : Distribution des variables quantitative au Benin ....................................30

Tableau 2 : Distribution des variables quantitative au Nigeria ..................................30

Tableau 3: Autres statistiques relatives à la technologie de production ........................35

Tableau 4 : Répartition(en%) de l'utilisation de la technologie selon le niveau d'instruction au Benin .....................................................................................................36

Tableau 5 : Répartition(en%) de l'utilisation de la technologie selon le niveau d'instruction au Nigeria ...................................................................................................36

Tableau 6 : Répartition(en%) de l'utilisation de la technologie selon le statut matrimonial au Benin .....................................................................................................37

Tableau 7 : Répartition(en%) de l'utilisation de la technologie selon le statut matrimonial au Nigéria ...................................................................................................37

Tableau 8: Répartition(en%) de l'utilisation de la technologie selon l'activité principale au Benin ...................................................................................................38

Tableau 9 : Répartition(en%) de l'utilisation de la technologie selon l'activité principale au Nigéria ...................................................................................................38

Tableau 10 : Rendement moyens des riziculteurs selon le niveau d'instruction ..............41

Tableau 11: Rendement moyens des riziculteurs selon le statut matrimonial ................41

Tableau 12 : Rendement moyen des riziculteurs selon l'activité principale ..................42

Tableau 13: Rendement des riziculteurs selon l'adoption, la connaissance, l'apprentissage de la technologie et la formation en riziculture .......................................................42

Tableau 14 Caractérisation par les variables qualitatives de l'adoption de la technologie..43

Tableau 15 : Caractérisation par les variables continues de l'adoption de la technologie...43

Tableau 16 : Récapitulatif du pouvoir prédictif du modèle de connaissance .................46

Tableau 17 : Récapitulatif du pouvoir prédictif du modèle d'adoption ........................48

Tableau 18: Résultat de l'impact de l'adoption de la technologie sur le rendement ........51

Tableau 19 : Résultats de l'impact de l'adoption de la technologie améliorée sur le rendement du riz ....................................................................................................52

LISTE DES GRAPHIQUES

Graphique 1 : Répartition (en %) des riziculteurs Béninois selon le niveau d'instruction au Benin ...........................................................................................................31

Graphique 2 : Répartition (en %) des riziculteurs Béninois selon le niveau d'instruction au Nigéria .....................................................................................................31

Graphique 3 : Répartition (en %) des riziculteurs Béninois selon le statut matrimonial au Benin ........................................................................................................32

Graphique 4 : Répartition (en %) des riziculteurs Béninois selon le statut matrimonial au Nigéria ......................................................................................................32

Graphique 5 : Répartition (en %) des riziculteurs Béninois selon l'activité principale au Benin.......................................................................................................33

Graphique 6 : Répartition (en %) des riziculteurs Béninois selon l'activité principale au Nigéria .....................................................................................................33

Graphique 7 : Répartition (en %) des riziculteurs Béninois selon l'ethnie au Benin ..........34

Graphique 8 : Répartition (en %) des riziculteurs Béninois selon l'ethnie au Nigéria.........34

Graphique 9 : Répartition de l'utilisation de la technologie selon la connaissance de la technologie au Benin ..................................................................................38

Graphique 10 : Répartition de l'utilisation de la technologie selon la connaissance de la technologie.au Nigeria .................................................................................38

Graphique 11 : Répartition de l'utilisation de la technologie selon l'apprentissage de la technologie au Benin ..................................................................................39

Graphique 12 : Répartition de l'utilisation de la technologie selon l'apprentissage de la technologie au Nigeria ................................................................................39

Graphique 13 : Répartition de l'utilisation de la technologie selon le fait d'être formé en riziculture au Benin ...................................................................................40

Graphique 14 : Répartition de l'utilisation de la technologie selon le fait d'être formé en riziculture au Nigeria ..................................................................................40

Graphique 15 : Répartition de l'utilisation de la technologie selon qu'ils appartiennent à une association au Benin ...................................................................................40

Graphique 15 : Répartition de l'utilisation de la technologie selon qu'ils appartiennent à une association au Nigeria .................................................................................40

SIGLES ET ABREVATIONS

ADRAO	: Association pour le développement du Riz en Afrique de l'Ouest
APIP	:Analyse Préalable de la Pauvreté
ARI	:Initiative Africaine sur le riz
ASI	:Adrao-SAED-ISRA
ASS	: Afrique subsaharienne
ATE	: Average treatment effect
BPA	:Bonne pratique agricole
CBF	:Consortium Bas-Fond
CEA	:Commission Economique pour l'Afrique
CEMAC	: Communauté Economique et Monétaire de l'Afrique Centrale
CORAF	:Conseil Ouest et Centre Africain pour la Recherche et le Développement
FIDA	:Fond International pour le Développement Agricole
FARA	:Forum for Agricultural Researche in Africa.
GCRAI	:Groupe consultatif pour la Recherche Agricole International
INGER	:Inernational Network for Genetic Evaluation of Rice
IAS	:Ingénieur d'Appilcation de la Statistique
ISE	:Ingénieur Statisticien Economiste
ISSEA	: Institut Sous-régional de Statistique et d'Economie Appliquée
LATE	: Local average treatment effect
LARF	: Local average response function
NERICA	: New Rice of Africa
ONG	: Organisation Non gouvernementale
PNUD	: Programme des nations unies pour le développement
ROCARIZ	: Réseau Ouest et Centre Africain du Riz
SNRA	: Système Nationaux de Recherche en Agriculture
WARDA	: West Africa Rice Development Association

AVANT-PROPOS

L'institut Sous-régional de Statistique et d'Economie Appliquée(ISSEA), situé à Yaoundé au Cameroun, est une institution spécialisée de la Communauté Economique et Monétaire de l'Afrique Centrale (CEMAC). Il a pour missions la formation des cadres statisticiens des niveaux moyens et supérieurs, la recherche appliquée, le perfectionnement et le recyclage des cadres des services publics et privés nationaux et régionaux de la zones CEMAC ainsi que de certains pays de l'Afrique. Ceci, dans le but de prendre part à la résolution d'un certain nombre de problèmes d'ordre socio-économiques, socio-culturelsetc..... de la zone dont elle couvre. Dans le cadre de la formation continue, l'ISSEA dispose de trois filières de formation à savoir :

- La filière des Techniciens Supérieurs de la Statistique (TSS) dont la formation s'étend sur une période de deux ans.

- La filière des Ingénieurs d'Application de la Statistique (IAS), dont la formation s'étend sur une période de 4 ans.

- La filière des Ingénieurs Statisticien Economiste (ISE), dont la formation s'étend sur une période de 3ans.

En ce qui concerne la formation des ingénieurs d'application de la statistique, un stage d'une durée au moins de deux mois est prévu à la fin de la 3^emeannée de la filière, dans le but de mettre en pratique les notions théoriques apprises.Ce stage fera l'objet d'un rapport qui sera soutenu devant un jury. C'est ainsi que nous avons effectué un stage sur la période du 1^er juillet au 30 septembre 2014 au Centre du riz pour l'Afrique (Africarice), plus précisément au programme 3 : « Système d'Innovations, Evaluation d'Impact et Politiques ». Durant cette période, il nous a été confié de mener une étude sur « l'évaluation de l'impact potentiel des technologies agronomiques sur le rendement du riz en Afrique subsaharienne : cas de la pulvérisation », dontl'objectif principal est d'évaluer l'impact de l'amélioration des technologies agronomiques sur le rendement du riz. Ainsi une proposition d'approche sera faite dans la suite du document dans le but d'apporter des éléments de réponses débouchant à l'aboutissement de cet objectif.

RESUME

Le présent travail vise à étudier l'impact de l'amélioration des technologies agronomiques, plus précisément la pulvérisation, sur le rendement du riz en ASS. La démarche adoptée repose sur l'approche contrefactuelle basée sur les variables instrumentales. Ainsi nous avons estimé l'effet moyen local du traitement en utilisant la fonction LARF proposée par Alberto ABBADIE. Cette étude utilise les données d'enquêtes menées par Africarice et ses partenaires nationaux. L'étude s'étend ainsi sur deux pays, notamment le Nigeria et le Benin. De ce fait nous avons procédé dans un premier temps à l'estimation des déterminants de la connaissance de la technologie, que nous considérons dans cette étude comme l'instrument. Ainsi les principaux résultats de cette estimation stipulent que la connaissance de la technologie augmente avec le niveau secondaire et le fait d'avoir reçu une formation en riziculture. Ceci dit, le fait d'avoir un niveau secondaire et de bénéficier d'une formation en riziculture augmente respectivement la probabilité de connaissance de la technologie de 34.56 et 28.83 point de pourcentage. Dans un second temps, nous avons estimé les déterminants de l'adoption de la technologie. Il ressort de cette estimation que l'apprentissage de la technologie, appartenance à l'ethnie Idatcha et le fait d'avoir un niveau secondaire augmente respectivement la probabilité d'adoption de la technologie de 44.66, 11.19 et 24,77 de point de pourcentage. Par contre de cette estimation, il ressort aussi que le nombre d'enfant, le temps nécessaire pour apprendre la technologie et fait que la technologie soit contraire aux moeurs du village diminue respectivement la probabilité d'adoption de la technologie de 1,73, 15,05, et 37,77 point de pourcentage.

En dernière analyse nous avons évalué l'impact de l'adoption de la technologie sur le rendement du riz et une simulation d'impact. Les principaux résultats de notre première estimation montrent que l'adoption de la technologie agronomique a un impact significatif et positif au seuil de 1% au niveau général (Benin et Nigéria). Ces résultats indiquent que l'adoption de la technologie agronomique a conduit à l'amélioration du rendement du riz, et ce d'une valeur de 0.72 t/ha. Par contre cette adoption de façon individuelle n'a eu d'effet qu'au Benin. Et donc les riziculteurs Béninois ayant adopté la technologie ont vu leur rendement augmenté de 1.2t/ha. Cependantl'objectif étant d'évaluer l'impact de l'amélioration de la technologie, nous avons amélioré les caractéristiques de la technologie et évaluer l'impact par la suite. Avec ses améliorations,les impacts se sont révélés tous significatifs et positifs. Ainsi les résultats stipulent que l'adoption de la technologie améliorée par les riziculteurs augmentera leur rendement de 2.28t/ha. En ce qui concerne le Benin et le Nigéria, cette amélioration augmentera respectivement le rendement des adoptants de 2.48 t/ha et 1.48 t/ha.

Donc eu égard de ses résultats, une amélioration de la technologie de production serait judicieuse pour améliorer le rendement des riziculteurs au Benin comme au Nigéria.

INTRODUCTION

La place cruciale qu'occupe le riz dans la sécurité alimentaire mondiale et l'économie locale de certains pays est flagrante. Principale source de calories pour près de la moitié de la planète, il est l'aliment de base de 34 pays d'Asie, d'Amérique latine et d'Afrique (FAO, 2004). En Afrique subsaharienne, la consommation du riz est en forte progression par rapport aux autres régions, affichant un taux de croissance de 5% entre 2000 et 2010 (Frédéric Lançon, Mendez del Villar ,2014). Cette croissance prompte pourrait être expliquée par une croissance démographique importante, l'urbanisation accélérée et l'augmentation de la consommation des personnes qui est liée aux préférences régionales (Arouna A et Diagne A, 2013). Néanmoins cette croissance est plus cotée en Afrique de l'Ouest car cette céréale qui autrefois n'apparaissait que dans les tables de fêtes dans les années 60 est devenue la deuxième la plus consommée de la région. Elle représente à elle toute seule 60% (Mendez del Villar et Jean-Martin Bauer, 2013) de la consommation totale du riz de l'Afrique subsaharienne avec un taux de croissance de 5,1% entre 1961 et 2009(Frédéric Lançon, Mendez del Villar ,2014).

Cependant la production du riz en Afrique de l'Ouest a connu une progression grandiose ces dernières années, passant de 3 à 10 millions de tonnes entre 1980 et 2010 avec un taux de croissance située entre 2 à 3%(Saartje Boutsen et Jan Aertsen, 2013). En dépit de cette croissance impressionnante résultante de l'extension des surfaces et intensification des systèmes de cultures, suite à la crise alimentaire de 2008 dans le but de relancer la production régionales et assurer la sécurité alimentaire, la production Ouest Africaine n'est autosuffisante en riz qu'a 60 % (Mendez del Villar et Jean-Martin Bauer, 2013). Ainsi, pour pallier à ce déficit, la région a demeuré tributaire du marché international en important 40% de sa consommation en riz bien qu'il ait des écarts de taille entre pays.^1(*)

En Afrique de l'ouest, le riz est plus produit dans des surfaces pluviales^2(*) que dans des surfaces irriguées^3(*). Par ailleurs une évolution des surfaces cultivées a été égalementremarquée, passant de 3 à 6 millions d'hectares entre 1980 et 2010 dont 2.4 million au Nigeria. Mais à cet accroissement, on remarque un rendement moyen stagnant à moins de 2 tonnes par hectare, alors que, il est passé de 2 à plus de 4 tonnes à l'échelle mondiale sur la même période grâce à des variétés plus productives et de meilleurs maitrises de l'eau (Frédéric Lançon, Mendez del Villar ,2014). En plus de ce problème de rendement lié aux surfaces cultivées, aux écosystèmes et aux stress abiotique et biotique, les mauvaises techniques de production et post-récolte constituent un obstacle majeur à la production du riz. Selon la FAO, c'est dans les écologies de riziculture pluviale, inondé et de sol présentant des problèmes que l'on trouve des écarts de rendement les plus élevés. Ainsi parmi les facteurs induisant les écarts de rendement l'on trouve : le travail du sol, la sélection de variété/semence, gestion de l'eau, élément nutritif, adventice et ravageur. A cela s'ajoute aussi la vulgarisation et l'adoption de technologies de production et de post-récolte pour minimiser ces pertes. Si bien que plusieurs centres de recherche, à l'instar d'Africarice, qui oeuvrent dans la recherche et vulgarisation des technologies de production rizicole, peu d'études se sont atteler sur l'adoption des technologies de production compte tenu des attributs de ces dernières, ainsi que l'impact que cette adoption a sur le rendement du riz.

Compte tenu de toutes les insuffisances évoquées ci-dessus, il nous a été confié de mener une étude sur « l'évaluation de l'impact potentieldes technologies agronomiquessur le rendement en Afrique Subsaharienne »afin de cerner au mieux l`impact de l'amélioration des technologies agronomiques sur le rendement du riz. Cette étude sera divisée en 5 chapitres. De ce fait, nous allons dans un premier temps présenter la structure d'accueil ainsi que le déroulement du stage. Après cette présentation, nous allonsprésenter le problème effectivement posé par la structure de stage en décrivant les objectifs poursuivis, en définissant un certain nombre de concepts relatifs à l'étude ainsi que passer en revue sur des études relevant de l'évaluation de l'impact des technologies agronomiques. Ensuite nous présenterons le cadre théorique et méthodologique poursuivi pour la réalisation de cette étude. Dans ce cadre théorique, une brève présentation concernant l'économétrie d'impact sera faite dans un premier temps afin de cerner au mieux le problème majeur dans ce genre d'analyse, et aussi les différentes approches de solution. Dans un second temps nous présenterons le cadre théorique du modèle de ménage agricole sur lequel portera l'analyse des déterminants de l'adoption de la technologie. En dernier lieu, nous allons nous atteler sur la partie empirique. Ainsi des statistiques descriptives seront présentées ainsi que les modèles utilisés pour arriver à nos objectifs seront présentées pour avoir une présomption sur les différentes variables pouvant influencer nos variables d'intérêts.

CHAPITRE I: PRESENTATION DE LA STRUCTURE D'ACCUEIL ET DEROULEMENT DU STAGE

Ce chapitre se propose de présenter un aperçu sur la structure à laquelle nous avions effectué le stage et aussi la façon dont les stagiaires sont accueillis dans la structure. Donc nous présenterons dans un premier temps l'historique, la mission, l'organisation et le mode de fonctionnement, quelques points de recherche d'Africarice et la place d'Africarice comme centre de recherche.

I.1. Présentation de la structure d'accueil

I.1.1. Historique

Le centre du riz pour l'Afrique a été créé en 1971 par 11 Etats de l'Afrique de l'Ouest avec l'assistance du programme des nations unies pour le développement(PNUD), l'organisation des nations unies pour l'agriculture et l'alimentation (FAO), la commission économique pour l'Afrique (CEA), comme étant une Association pour le développement de la Riziculture en Afrique de l'Ouest (ADRAO). Il compte à nos jours 25 pays couvrant la zone de l'Afrique de l'Ouest, du Centre, de l'Est et du Nord, notamment le Bénin, le Burkina Faso, le Cameroun, la Côte d'Ivoire, l'Égypte, le Gabon, la Gambie, le Ghana, la Guinée, la Guinée Bissau, le Liberia, Madagascar, le Mali, la Mauritanie, le Niger, le Nigeria, l'Ouganda, la République centrafricaine, la République du Congo, la République du Congo, le Rwanda, le Sénégal, la Sierra Leone, le Tchad et le Togo. Il oeuvre pour l'amélioration des moyens d'existence par des activités scientifiques et des partenariats efficaces.

Mais c'est en septembre 2009 que le conseil des ministres des pays membres a décidé de changer officiellement le nom en « Centre du riz pour l'Afrique » et mettre un terme à l'acronyme ADRAO^4(*). Cela est dû en reconnaissance de l'importance stratégique du riz pour l'Afrique et de l'expansion géographique réelle du centre.

Suite à la crise ivoirienne, Africarice a délocalisé son siège de Bouaké (Cote d'ivoire), et fonctionne dans un siège temporaire à l'enceinte de l'institut international d'agriculture tropicale. Une partie du personnel de recherche est également basée au Sénégal, Nigeria, Tanzanie et en Côte d'ivoire.

1. Missions

La mission d'Africarice est de contribuer à l'allègement de la pauvreté et à la sécurité alimentaire en Afrique à travers des activités de recherche, développement et partenariat visant à améliorer la productivité et la rentabilité du secteur rizicole tout en veillant à la durabilité du milieu de production^5(*).Conformément à cette nouvelle vision panafricaine, le Centre du Riz pour l'Afrique (Africarice Center) se fixe comme but stratégique d'augmenter de manière significative, la qualité, l'utilité et la disponibilité des connaissances et technologies dans le secteur rizicole pour soutenir et améliorer le bien-être des populations pauvres en Afrique.

2. Organisation et mode de fonctionnement

L'organe suprême du centre du riz pour l'Afrique est le conseil des ministres des pays membres.Le conseil d'administration est composé et du Groupe Consultatif pour la Recherche Agricole Internationale(GCRAI). Ils travaillent en synergie afin de veuillez au fonctionnement du centre du riz pour l'Afrique dans la mesure où lecentre doit se conformer aux différentes résolutions du conseil de ministre et directive du GCRAI.

Le centre du riz pour l'Afrique fonctionne à l'échelle du continent avec ses partenaires nationaux à travers des groupes d'action se basant sur des thèmes de recherche spécifiques au riz. Ceci dans le but de renforcer et autonomiser les capacités de recherche-développement des systèmes nationaux. Il abrite à son siège l'Initiative Africaine sur le riz (ARI) et le consortium Bas-fond (CBF).

En plus des partenaires nationaux, le centre du riz pour l'Afrique mène ses activités de recherches pour son développement en collaboration avec les universités, les institutions de recherche avancée, des organisations paysannes, les organisations non-gouvernementales et les donateurs.

L'objectif de ce programme est de donner aux paysans du matériel génétique supérieur, adapté aux conditions de culture et aux stress locaux et répondant aux préférences desConsommateurs.

L'objectif principal de ce programme est d'améliorer la productivité des systèmes à base de riz par l'intensification et la diversification, tout en minimisant les effets négatifs sur l'environnement.

L'objectif de ce programme est générer les connaissances et informations afin d'appuyer le développement de technologies rizicoles, politiques et institutions rizicoles impulsées par la demande et améliorer l'efficacité des processus de développement et de dissémination des technologies durables.

- RiceTime : unité spéciale se concentrant sur la formation, la gestion de l'information et les synergies avec la vulgarisation.

3. Quelques produits de la recherche d'Africarice

Le centre du riz pour l'Afrique étant membre du consortium GCRAI après 16 ans de son existence, a pour vocation d'assurer le rôle vital du riz dans la réduction de la pauvreté et la réalisation de la sécurité alimentaire, l'équité sociale, les moyens d'existence et des environnements sains en Afrique. La contribution la plus importante du centre du riz pour l'Afrique s'est faite dans l'amélioration variétale, qui a vu naître des variétés des riz de plateaux et de Bas-fonds pluviaux, les variétés Sahel (appelées 108, 201 et 202), la série des TOK, variétés de riz tolérantes à la salinité de Rokupr en Sierra Leone et celle du nouveau riz pour l'Afrique (NERICA), véritable succès des chercheurs du centre du riz pour l'Afrique.

De même le rôle du centre du riz pour l'Afrique entant que leaders dans l'élaboration des partenariats a été reconnu sur la scène internationale. Ainsi le plus grand succès du centre du riz pour l'Afrique est issue suite à la mise en place du nouveau riz pour l'Afrique(NERICA) ayant fait l'objet de plusieurs récompenses. Aussi les chercheurs centre du riz pour l'Afrique ont gagné plusieurs prix parmi lesquels, nous pouvons citer : les prix des chefs d'Etats du Burkina Faso, de la cote d'ivoire et du Sénégal ; le prix des nations unies pour la coopération sud-sud ; le prix mondial de l'alimentation ; le prix international du riz koshihirari (Japon) ; le Prix international du Japon pour les jeunes chercheurs ; les Prix du GCRAI pour le partenariat, la communication et le Prix du jeune chercheur; la Médaille d'honneur du Conseil Ouest et centre africain pour la recherche et le développement agricoles (CORAF/WECARD) ; le Certificat de reconnaissance du Forum de la recherche agricole en Afrique (FARA) ; l'Ordre du Mérite Agricole de France ; le Prix d'excellence de la coopération Sud-Sud 2010 du Programme des Nations Unies pour le développement ; et nombreux autres témoignages et certificats de reconnaissance.

4. Place d'Africarice comme centre de recherche agricole

Le centre du riz pour l'Afrique (Africarice) est une organisation intergouvernementale de recherche panafricaine leader oeuvrant pour l'amélioration des moyens d'existence en Afrique par des activités scientifiques et des partenariats efficaces. Il fait partie de l'un des 15 centres internationaux de recherche agricole qui sont membre du consortium du CGIAR. Lee groupe CGIAR par contre est une organisation internationale dont la mission est de coordonner les programmes de recherche agricole internationale dans le but de réduire la pauvreté et d'assurer la sécurité alimentaire dans les pays en voie de développement.^6(*)

I. Déroulement du stage

1. Cadre de l'étude

Nous sommes arrivés à Cotonou au Benin le dans la nuit du 27 Juin 2014. Quelques jours plus tard (le 01 juillet 2014), nous nous sommes rendus au lieu de stage où nous avions rencontré le Dr. Rose Fiamohe (PhD in Agricultural Economics, Associate principal staff in Africarice) avec laquelle nous avions eu un premier entretien. Elle nous état de ce que pourrait être notre travail et aussi de l'absence de notre superviseur scientifique, Dr. Aliou Diagne. Ce même jour, nous avions pu rencontrer Mme. Lucie Dalie (training assistant) qui nous a affectés dans un bureau, que nous avions trouvé propices pour la recherche.

La semaine qui suivait, nous avions été présentés à tous le personnel du programme 3 (où nous avions passé notre stage) et aussi informé de nos thèmes de recherche. Il était question que je travaille sur les préférences et demande de consommateur en en ASS, sous la supervision du Dr. Rose Fiamohe. Mais confronté à un problème de données et dans l'incapacité de continuer sans ces informations, nous avions changé de thème sous l'ordre du superviseur scientifique, trois semaines plus tard. Ce dernier aurait bien voulu que je travaille sur l'évaluation d'impact potentiel des technologies agronomiques sous la supervision du Dr.Arouna Aminou. Durant le stage nous avions également bénéficié participés à un séminaire sur « l'automatisation des outils de collecte de données, l'analyse et l'évaluation d'impact ». Nos bases de données nous ont été remises par Mr.Jourdin lokoussou et nous étions plus assistés KINKINGNINHOUN Florent.Nos résultats ont été présentés le 22 septembre devant le personnel du programme 3.

2. Appréciation du stage.

Nous avons passé un excellent stage à Africarice vu l'hospitalité et l'accueil réservé pour nous. La détermination, l'assiduité et la ponctualité du personnel d'Africarice a été pour nous un exemple, et cela nous a permis de travailler en synergie avec les autres stagiaires. Aussi malgré toutes les occupations du personnel, ils se sont tous montrés ouvert par rapport à nos préoccupations. De ce fait nous oublieront jamais toutes les bonnes choses en termes de vertus que Africarice a inculper dans notre qualité.

CHAPITRE 2 : PROBLEMATIQUE ET REVUE DE LA LITTERATURE

I. Problématique de recherche

1. Formulation du problème

Le secteur rizicole en Afrique subsaharienne est majoritairement tributaire des petits exploitants qui ménagent des efforts pour assurer leurs subsistances. D'après la fondation Africaine pour les technologies agricoles, la production insuffisante du riz affecte vingt millions des petits exploitants en Afrique subsaharienne qui dépendent du riz comme aliment de base. Mais le véritable problème que ces exploitants rencontrent à la base, est lié à un manque d'utilisation des bonnes pratiques agricoles (BPA) qui contribuent considérablement aux écarts de rendements entre producteurs. Selon les résultats d'une enquête menée par Africarice, auprès des ménages agricoles de 12 pays d'Afrique subsaharienne en 2007 et en 2008, il ressort que 22% des pertes de rendements seraient liés aux stress abiotiques et biotiques. Ainsi il existe plusieurs techniques de production (traditionnelle ou moderne) susceptibles d'annihiler les ennuis causés par ces stress, mais leurs utilisations par les producteurs dépendent de leurs utilités de consommation qui sont liées aux caractéristiques agronomiques de ces techniques. Par ailleurs, plusieurs études ont été menées sur les déterminants de l'adoption des technologies agronomiques en se limitant qu'aux facteurs socio-économiques, mais peu se sont atteler sur les caractéristiques agronomiques ainsi que l'impact que l'amélioration de ces caractéristiques sur le rendement du riz.

C'est dans ce cadre que cette étude se propose,tout en se limitant sur la pulvérisation comme technologie, d'apporter des éléments de réponses aux questionssuivantes:

· Quel est l'impact de l'adoption de la technologie agronomique sur le rendement du riz ?

· Quel est l'impact de l'amélioration de la technologie agronomiquesur le rendement du riz.

2. Objectif de l'étude

L'objectif général de cette étude est d'évaluer l'impact de l'amélioration de la technologie agronomique sur le rendement du riz dans quelques pays de l'Afrique del'Ouest, notamment : Le Benin et le Nigéria.

· Déterminer les facteurs ayant des effets sur la probabilité de connaissance de la technologie.

· Déterminer les caractéristiques tant sur la technologie que sur le producteur qui ont une influence sur la probabilité d'adoption de la technologie.

· Evaluer l'impact qu'aurai l'amélioration de technologie sur le rendement du riz.

3. Hypothèse de recherche

Les hypothèses qui feront l'objet de vérifications tout au long de notre travail sont les suivantes

· Le fait de bénéficier d'une formation a un effet positif sur la probabilité de connaissance de la technologie.

· Le fait d'apprendre la technologie a un effet positif sur la probabilité d'adoption de la technologie.

· L'amélioration de la technologie a un effet positif sur le rendement du riz.

II. Concepts généraux et revue de la littérature

1. Concepts de l'étude

Traitement : C'est une variable utilisée en économétrie d'impact pour qualifier une intervention publique, une réforme fiscale, une politique de subvention, un programme de formation, une politique de subvention ou bien un programme d'aide social que l'on cherche à mesurer. Ce terme traitement tire ses origines des premiers travaux d'impacts réalisés dans le domaine biomédical, plus précisément pour l'évaluation de l'efficacité des médicaments.

Variable résultat : Noté Y ici, c'est une variable permettant de mesurer l'efficacité du programme.

Groupe de contrôle : Il s'agit ici d'un groupe de personnes qui sont totalement comparables à celles qui ont bénéficiés du traitement, mais qui n'ont pas été affecté par ce dernier.

Contrefactuel : Il s'agit ici pour les bénéficiaires du traitement, la situation qui aurait pu être observé si le traitement n'existait pas.

Effet causal : il représente la différence entre ce que serait la situation de l'individu s'il était traité et ce qu'elle serait s'il ne l'était pas.

Variables instrumentales : Il s'agit de variables qui expliquent le fait d'être traité, mais qui ne sont corrélés aux composantes inobservées du résultat potentiel, qui apporte une solution au problème de sélection.

Adoption :Un producteur est considéré comme adoptant s'il a utilisé la technologie de production en 2012.

Technologie améliorée :toutes technologies visant à une production agricole accrue, diversifiée et préservatrice de l'environnement et du sol.

2. Revue de la littérature

Dans cette partie nous passerons en revue des études similaires à la nôtre c'est-à-dire des études permettant de retracer l'impact de l'adoption des technologies sur une variables d'intérêt^7(*).

L'analyse de l'impact de l'adoption des technologies agronomiques de production a fait l'objet de plusieurs études dans la littérature agro-économique. Cependant, ces analyses reposent essentiellement sur l'adoption et l'impact de cette dernière sur la variable de résultats. Cette ainsi que notre revues sera axées sur ces deux point conformément à la méthodologie de l'étude.

Dontsop Nguezet et al ont fait une étude sur l'impact des technologies améliorées du riz(NERICA) sur le revenu et la pauvreté chez les ménages agricoles au Nigéria : une estimation de l'effet moyen du traitement local ». ils utilisent dans cette étude la méthode de variables instrumentale pour prendre en compte le problème d'endogénéité estimer l'effet moyen du traitement local, en utilisant les données en coupe transversale. Ainsi les résultats de leur étude ont révélé que l'adoption des variétés de NERICA à un impact positif et significatif sur le revenu et le bien être des ménages agricoles. Donc le résultats empiriques ont montré que l'adoption des variété de NERICA a permis réduire la probabilité des ménages adoptifs en dessous du seuil de pauvreté, en augmentant les dépenses des ménages agricole de leurs revenu/habitant de 49.1% et 46.0% respectivement.

Dans leur étude intitulé « Impact of Improved Agricultural Technology Adoption on Sustainable Rice Productivity and Rural Farmers' Welfare in Nigeria: A Local Average Treatment Effect (LATE) Technique », Bola Amoke et al estiment l'impact de l'adoption des technologies améliorées du riz sur la productivité du riz et le bien-être des ménages agricole au Nigéria. Ils utilisent également l'approche contrefactuelle basée sur les variables instrumentales pour prendre en compte le problème d'hétérogénéité et estimer l'effet moyen du traitement local. Les résultats de cette étude montre que l'adoption des variétés améliorées du riz a un impact positif et significatif sur la productivité du riz (Les résultats ont montré un impact positif significatif de la productivité du riz (358,89 kg / ha) et sur l'ensemble des dépenses des ménages(N32890.82). Donc ces résultats suggèrent que l'adoption de variétés améliorées du riz améliore les conditions de vie de ménages agricoles.

Dans la même lignés, BONOU Alice et al dans leur étude sur« Agricultural technology adoption and rice varietal diversity: A Local Average Treatment Effect (LATE) Approach for rural Benin »ont évalué l'impact de l'adoption des nouvelles variétés à haut rendement de riz(NERICA) sur sa diversité variétale au Benin. Cette étude a couvert 24 villages sur trois districts : Dassa-Zounmè, Glazoué and Savalou. La méthodologie utilisée est celle des variables instrumentale pour pouvoir estimer l'effet moyen local du traitement. Il ressort de cette étude que l'adoptionde ces variété a un impact positif sur la conservation de la diversité variétale, et ce de 0.8t/ha.

De même que Luke O. Olarinde et al, dans leur étude sur « Impact of the Adoption of Soil and Water Conservation Practices on Crop Production: Baseline Evidence of the Sub Saharan Africa Challenge Programme » Evaluer l'impact de l'adoption des pratiques de conservation du sol et de l'eau sur la production végétal. Ils utilisent le cadre conceptuel des variables instrumentales pour estimer l'effet moyens local du traitement. Il ressort de cette étude que l'adoption des pratiques de conservation du sol augmente la valeur de production agricole totale de 17-24%. Les résultats indiquent également qu'il est possible d'améliorer d'avantage la productivité agricole par une utilisation accrue pratiques de conservation des sols et de l'eau.

Mamudu Abunga et al, dans une étude sur « Adoption of Modern Agricultural Production

Technologies by Farm Households in Ghana: What Factors » ont cherché à examiner suite aux faibles taux d'adoption des technologies modernes de production au, les facteurs pouvant influencer l'adoption de ces technologies. Les données ont été collectées à l'ouest du district de de Bawku au Ghana. Ainsi un modèle de régression logistique a été estimé pour apporter plus d'éclaircissements par rapport à ce constat. Les résultats obtenus dans cette étude stipulent que, les facteurs influençant l'adoption des technologiesmodernes sont principalement : la taille des exploitations agricoles, les avantages attendus de l'adoption de la technologie, l'accès aux services de crédit et de vulgarisation. Ils concluent dans leur papier que l'adoption des technologies modernes dépend des facteurs modernes et de l'efficacité institutionnel.

De même Adéoti R., O. Coulibaly et M. Tamò, dans une étude sur « Facteurs affectant l'adoption des nouvelles technologies duniébé Vigna unguiculata en Afrique de l'Ouest » ont cherché à analyser l'utilisation des différentes technologies ainsi que les facteurs affectant leurs adoptions. Cette étude concerne neuf pays de l'Afrique subsaharienne et les technologies sont principalement : les variétés améliorées de Niébé, les extrait aqueux de neem, de papayer et des nouvelles techniques de stockage et de conservation de Niébé. Ainsi le modèle économétrique utilisé dans cette étude est un modèle logistique. Les résultats de son estimation ont montré que la taille du ménage, le contact avec les services de vulgarisation, les revenusextra agricoles et le niveau d'éducation affectent positivement la probabilité d'adopter les nouvellesvariétés et les extraits de neem et papayer.

Patrice Ygué ADEGBOLA et Souléïmane Adéyèmi ADEKAMBI,dans une étude sur « Rate and determinants of agricultural technology adoption: case study of TDrs yam varieties in Benin » ont cherché à déterminer les taux d'adoption et les facteurs affectant l'adoption des nouvelles variété d'igname (TDs) mises au points par l'Institut International d'agriculture tropicale (IITA), testées et vulgarisées au Benin. Ainsi la méthode contrefactuelle d'effet moyen sur le traitement a été utilisée pour estimer les taux d'adoption ainsi que les déterminants de cette adoption. Les résultats montrent un taux d'information surles variétés améliorées TDr de 44 %. La participation aux activités d'expérimentation sur la sélection variétale, l'appartenance à une association ou groupement des producteurs d'igname, le contact avec les ONGs et/ou les projets, et le revenu de l'année antérieure tiré de la production d'igname sont les principaux facteurs déterminants l'accès à l'information concernant ces variétés améliorées. Enfin les principaux facteurs influençant l'adoption sont principalement l'accès du producteur à l'information sur ces variétés, son âge, ont de leur

CHAPITRE 3 : CADRE THEORIQUE DE L'ETUDE

L'objectif de ce chapitre est de situer dans lequel nos différentes analyses y reposera. De là elle présentera les différentes méthodes pouvant être dans le cadre d'une évaluation impact et la méthodologie utilisée pour parvenir à nos objectif. Ainsi nous allons commencer à présenter les différents modèle de l'économétrie d'impact, le modèle de ménage agricole et enfin la méthodologie utilisée dans cette étude.

I. Econométrie d'impact

1. Modèle canonique de l'évaluation d'impact.

1.1. Formulation du problème de l'évaluation et paramètres d'intérêts

Le modèle canonique de l'évaluation d'impact a été popularisé dans les années 70 par Rubin. Il emploie plus des termes du domaine médical dont il est issu. Il s'agit du cas du « traitement », comme dit précédemment qui renvoie à une variable (T) que l'on cherche à évaluer l'effet.

De façon concrète, pour pouvoir évaluer l'effet d'un traitement aléatoire (T) qui prend la valeur 1 (T=1) si l'individu a reçu le traitement et 0 (T=0) si non, il faudrait que pour chaque individu i de la population N l'on puisse observer l'efficacité du programme ou la variable résultat noté Y. En effet, dans le modèle de Rubin on considère que chaque individu a virtuellement deux variables résultats Y₁ et Y₀ selon qu'il bénéficie (T=1) ou pas (T=0) du traitement. Ils s'agissent des résultats potentiels du traitement.

Mais le problème fondamental qui se pose dans cette formulation est celui de l'inférence causal. En effet, pour chaque individu i on peut définir l'effet causal du traitement Ä_ià partir de ces deux résultats potentiels de la façon suivante :

Le problème est que pour un individu, on ne peut observer simultanément Y_i1etY_i0. Pour les bénéficiaires du traitement seuls Y_i1 ne peut être observé et inversement pour les non bénéficiaires. Dans ce cas la variable Y_i0 représente le résultat qui aurait pu être réalisé si l'individu n'avait pas été traité. Ainsi l'effet causal présente deux caractéristiques importantes :

- Il est inobservable, Car seule une des deux variables potentielles est observée pour chaque individu.

- Il individuel, et de ce fait il existe une distribution de l'effet causal dans la population. Mais cette distribution n'est pas identifiable pour la simple raison que l'effet causal est inobservable.

Ainsi la variable résultat peut se déduire par le biais des résultats potentiels et de la variable de traitement par la relation suivante :

De ce fait, l'idée derrière les méthodes d'évaluations d'impacts est d'estimer ce qu'aurait été le résultat des individus traités si le traitement n'existait pas ; ou bien dans le cas contraire d'estimer ce qu'aurait été le résultat des non bénéficiaires s'ils avaient reçu le traitement. Il s'agit ici du contrefactuel. De là, il suffit de trouver un groupe de personnes les plus comparables possibles que l'on appelle groupe de contrôle.

Malgré le fait que la distribution de l'effet causal ne soit pas indentifiable, grâce à des hypothèses sur la loi jointe du triplet (Y₀, Y₁, T) on peut identifier certains paramètres à partir de la densité des variables observables (Y, T). Ils s'agissent notamment de :

Ces deux paramètre ne sont égaux que sous certaines hypothèses très restrictives (voir en annexe) et sont susceptibles de dépendre des caractéristiques des personnes. Cela revient à estimer ces paramètres conditionnels à ces caractéristiques observables. Nos deux paramètres deviennent ainsi :

1.2. Effet de sélection, hétérogénéité de l'effet du traitement et hypothèse d'externalité.

L'effet sur les traités correspond à la différence au rendement moyen avec traitement E (Y_i1|T=1) qu'il faut comparer au rendement moyen qu'ils auraient eu s'ils n'avaient pas été traitéE(Yi0|T=1).Vu le fait que l'on ne peut observer simultanément Y_i0et Y_i1,il faudra donc trouver un bon estimateur pour le rendement contrefactuel Y_i0.

L'estimateur le plus simple de l'effet moyen du traitement consiste à comparer le rendement moyen des traités à celui des non traités. Cet estimateur est qualifié de naïf et peut ou ne pas sous-estimer ou surestimer du traitement.

Si l'on appelle Y le rendement observé, alors l'estimateur naïf E (Y|T=1) - E (Y|T=0) est biaisé.

E (Y₁|T=1) -E (Y₀|T=1) est la variation du rendement qui est due au traitement et E (Y₀|T=1) - E (Y₀|T=0) un biais qui représente la différence de rendement qui serait enregistré sans la mesure entre ceux qui ont choisi d'en bénéficier et les autres.

Il y a encore un problème, lorsqu'on veut connaitre la situation contrefactuelle des traités s'ils n'avaient pas été affectés par le traitement, mais également la situation contrefactuelle des non-traités s'ils avaient été affectés par la mesure. Une décomposition simple de l'effet moyen du traitement dans la population serait :

Ä^ATE=P (T=1) [E (Y₁|T=1)-E (Y₀|T=1)] + (1- P (T=1)) [E (Y₁|T=0)-E (Y₀|T=0)]

Pour que l'effet de la mesure puisse être mesuré à partir des bénéficiaires, il faut que l'effet moyen sur les bénéficiaires soit le même que celui qu'on aurait enregistré en moyenne si on avait appliqué le traitement aux non-bénéficiaires. Cette décomposition montre que l'effet moyen peut différer d'un individu à l'autre.

Enfin une hypothèse importante du modèle de Rubin est celle d'absence d'externalité. En effet, le traitement de l'individu i n'a d'effet que sur son rendement, mais pas sur ceux des autres personnes. Cette hypothèse est connue dans la littérature sous le nom de SUTVA, qui signifie stable unit treatement value assumption.

1. Les différentes méthodes d'évaluation d'impact.

2.1. Les méthodes expérimentales

Les méthodes expérimentales ou encore d'expérimentation contrôlée ont été introduite pour s'acquitter du problème d'auto sélection. Elles reposent pour l'essentiel, sur l'utilisation d'un tirage aléatoire pour désigner les individus qui bénéficieront du traitement, ainsi que ceux qui ne bénéficieront pas ; les individus ayant tous les même probabilités d'êtres sélectionnées. Aussi elle permet de former un groupe de contrôle statistiquement identique au groupe de traitement avant que le programme débute. Ceci dans le but de cerner au mieux la différence de rendement due au traitement entre des individus exposés aux mêmes facteurs, excepté le traitement.

En revanche, aux méthodes par expérimentation contrôlée sont aussi attribuable des biais, à l'instar du biais de substitution qui apparait dès lors que les membres du groupe de contrôle ont accès à des substituts proches du programme ou du traitement évalué. En effet les individus les plus adverses risquent de ne pas candidater au traitement ou au programme, d'une part, par l'incertitude qui d écoule du caractère aléatoire de la sélection. D'autre part, le fait les autorités chargées à la mise en oeuvre du programme peuvent être incités à sélectionner les individus les plus bénéfiques si le nombre de bénéficiaires est limité.

Somme toute, un certain nombre de condition sont à vérifier avant de recourir aux expérimentations contrôlées, à savoir :

- Les participants à l'expérience doivent être pleinement informés des avantages que leur participation peut leur procurer comme des risques qu'elle peut leur faire courir (principe de consentement éclairé) ;

- Dans les cas où l'on anticipe que le programme peut provoquer des risques ou des torts, il faut prévoir de compenser les individus qui seront affectés au groupe de traitement ; dans le cas où l'on anticipe que le programme peut être bénéfique, il faut prévoir de compenser ceux qui seront affectés au groupe de contrôle (principe de compensation) ;

- enfin, une expérimentation n'est envisageable que dans les cas où l'on ignore a priori l'ampleur de l'effet du traitement ; si le traitement s'avère préjudiciable, il est préférable d'observer ses effets sur un nombre limité d'individus consentants que sur un très grand nombre d'individus contraints (principe de précaution).

2.2. Les méthodes d'appariements

2.2.1. Appariement sur les caractéristiques observables

Les méthodes d'appariement ont été proposées par Rubin en 1977. Le principe de cette méthode est d'utiliser les informations disponibles des individus non traités dans le but de construire pour chaque individu traité son contrefactuel. Pour Rubin, c'est la méthode qui se rapproche le plus des expérimentations contrôlées. En effet, tandis que les expérimentations contrôlées reposent sur un tirage aléatoire des individus traités et non traités indépendamment de ce que sera le résultat à l'expérience, les méthodes d'appariement quat à elles reposent sur un outil, le score de propension, qui n'en dépend pas également. Le score de propension mesure la probabilité d'accéder au traitement, indépendamment des résultats à l'expérience. Il permet aussi d'équilibrer les variables observables dans les groupes de traitements et de contrôles c'est-à-dire de rendre les deux groupe semblable du point de vue de la distribution des variables agissant sur la probabilité d'accéder au traitement.

Donc on associe pour chaque individu i traité un individu non traité, noté á(i) dont les caractéristiques observables sont identiques à celle de i c'est-à-dire que X_á(i)=X_i, avec X un vecteur de caractéristiques individuelles.

Où N₁est le nombre d'individus traités, I₁ est le sous ensemble des individus traités défini par I₁ = {i|T_i=1} et enfin Y_á(i)=_.Ê (Y_i0|T_i=0,x_i)= Ê (Y_i0|T_i=1,x_i)

Cet estimateur consiste à prendre l'individu le proche possible de l'individu non traité.

2.2.2. Appariement sur score de propension

Cette méthode a été mise en oeuvre par Rubin et Rosenbaum pour apporter une solution au problème de dimension du vecteur X. Pour ces auteurs Si la variable de résultat Y₀ est indépendante de l'accès au traitement T conditionnellement aux observables X, alors elle est également indépendante de T conditionnellement au score de propension P(X) :

De cette propriété, l'appariement des individus devrait se faire sur leur score de propension qui résume l'ensemble des caractéristiques observables.

2.2.3. Appariement avec fonction de noyau (Kernel Matching)

Cette méthode a été introduite par Heckman, Ichimura et Todd en proposant un estimateur à noyau qui est convergent en

et asymptotiquement distribué selon la loi normale. Il s'écrit de la façon suivante :

Où I₀ est l'ensemble des individus non traités, défini par I₀= {i|Ti=0}, N₀est le nombre d'individu non traités, K une fonction noyau continûment différentiable, symétrique par rapport à 0 et telle que

, et h la fenêtre d'estimation. Chaque individu non traité contribue à la construction du contrefactuel de l'individu i, avec une importance qui varie entre son score et celui de l'individu considéré. Ainsi l'estimateur final de l'effet du traitement conditionnellement au fait d'être traité est :

2.3. Méthode de différence de différence

La méthode de double différence consiste à évaluer la différence de rendement entre les traités et non traités avant et après le traitement, puis effectuer la différence de ces deux résultats. Cette comparaison prend en compte le problème de sélection si l'on fait l'hypothèse que le rendement potentiel sans traitement des traités aurait évolués de la même manière que dans le groupe de contrôle.

Dans le cas où l'on a deux groupes et deux périodes, l'estimateur de double différence s'écrit de la façon suivante :

2.4. Régression sur discontinuité

La régression sur discontinuité est mieux appropriée aux études qui utilisent des indices pour classifier les participants et d'un seuil pour distinguer les bénéficiaires des non-bénéficiaires. Dans ce cas la probabilité de traitement est une fonction discontinue de la valeur prise par une covariable autre que la variable de résultat. Ainsi deux cas sont à distinguer, à savoir le cas avec discontinuité nette (Sharp design) et le cas avec discontinuité floue (fuzzy design)

Dans le premier cas l'accès au traitement dépend d'un vecteur de variable observable Z, soit T = f(Z), et le point z₀, auquel il y a discontinuité, est connu avec certitude. Par exemple, si Z est de dimension 1 : T=1 si Z>z₀ et T=0 si Z <z₀. Dans le second cas l'accès au traitement est une variable aléatoire conditionnée par Z, et la probabilité conditionnelle

Le problème pouvant se poser ici est celui du biais en comparant les résultats des agents ayant reçu le traitement et ceux qui n'ont pas eu accès. Ce biais découle du fait que Z peut être corrélés avec la variable de résultats. Néanmoins, les agents proches du point de discontinuité soient très semblables.

Posons Y=Y0+ (Y1-Y0) T=á+âT. Dans le cas de discontinuité nette (Sharp design), et si å est un nombre arbitrairement faibles, alors :

De ce fait, il existe deux conditions pour une identifier une régression avec discontinuité à savoir :

L'effet moyen du traitement sur les traités, n'est identifié que pour les agents proches du seuil.

Où g(z)=E (á|Z) est une fonction flexible de la régression de Y sur T. Dans le cas général (Sharp ou fuzzy), le rapport

2.5. Méthode des variables instrumentales

2.5.1. Rappel sur les variables instrumentales

Les méthodes de variables instrumentales ont été en 1928 par Wright pour traiter le problème d'endogénéité. On se place dans le cadre standard d'un modèle linéaire suivant :

Où l'on soupçonne T_id'être corrélés avec les résidus å_idans le cas où il existe des effets de sélection.

Un instrument est une variables Z qui remplit deux conditions (éventuellement conditionnelle à des variables observable) à savoir :

L'existence d'une telle variable permet d'obtenir un estimateur convergent de â.

Lorsque l'instrument est binaire, l'estimateur couramment utilisé dans la littérature est celui de Wald :

Cet estimateur correspond à la variation du rendement avec l'instrument, rapporté à la variation du traitement avec l'instrument.

2.5.2. Estimateur local

Dans le cadre d'un instrument binaire, Angrist, Ibems et Rubin ont montré que l'estimateur des variables instrumentales ne mesure pas l'effet moyen du traitement sur l'ensemble des personnes traitées, mais plutôt sur des personnes pour lesquelles l'instrument a un impact sur le fait d'être traités ou non^8(*). Si le traitement est également binaire, on partitionne la population aux:

- Obéissant : ils s'agissent ici des individus qui respectent leurs affectations réceptives c'est-à-dire les individus pour lesquels P(T=1|Z=1)=P(T=0|Z=0)=1

- désobéissant :Ils s'agissent ici des individus qui font le contraire de ce qui leurs aient demandé c'est-à-dire les individus pour lesquels P(T=0|Z=1)=P(T=1|Z=0)=1

- Toujours preneurs : ils s'agissent ici des individus qui subissent toujours le traitement quel que soit leurs affectation, c'est-à-dire des individus pour lesquels P(T=1|Z=1)=P(T=1|Z=0)=1

- jamais preneurs : ils s'agissent ici des individus qui refusent le traitement quel que soit les valeurs de l'instrument, c'est-à-dire des individus pour lesquels P(T=0|Z=1)=P(T=0|Z=0)=1

La population pour laquelle le traitement a de l'effet est celle des compliers^9(*). Selon ces trois auteurs cet effet est local et le nom attribué est « LATE » qui signifie local average treatment effect.

2.5.3. Procédure d'estimation.

Angrist J., Imbens G. W., et Rubin D. (1996) supposent la relation monotone^10(*) suivante pour tout individu:

D'après l'hypothèse d'indépendance conditionnelle, cet estimateur suppose que les résultats potentiels ne dépendent pas de l'instrument. Ainsi en notant f(X, T)=E (Y|X, T ; T₁=) la fonction de réponse du résultat pour les adoptants potentiels et pour toute fonction g(Y,X,T), on a :

est une fonction qui prend la valeur 1 pour l'adoptant potentiel et une valeur négative, si non.

Ainsi la probabilité conditionnelle P(T=1|X) est estimée par un modèle probit. L'estimateur è est robuste et asymptotiquement normal (ABADIE, (2003)). Donc l'effet moyen conditionnel du traitement en fonction de X est obtenu en utilisant l'équation (1) après avoir estimé è.

L'estimation de l'effet moyen local du traitement est faite en utilisant également l'équation (1). Si la fonction LARF prend une forme linéaire, c'est-à-dire f(è,X,T)=á₀+ áT+âX, avec è=(á₀, á, â), le LATE est équivaut au paramètre á estimé.

II. Modèle de ménage agricole

L'analyse de l'adoption de la technologie en prenant en compte ses caractéristiques est analysée dans le cadre d'un modèle de ménage agricole. En faisons l'hypothèse que les ménages agricoles ne choisissent qu'une technologie de production j, ils font leurs choix décisionnels de production et de consommation afin de maximiser leurs utilités de consommation. Ainsi le problème du ménage agricole peut s'écrire comme suit :

Où C est vecteur de produit de consommation alimentaire et non alimentaire et P_c le prix correspondant ; x_j=(x_jk)_k=1,....K la quantité d'input utilisée dans la production du riz avec la technologie k ; z_u est un vecteur de variables sociodémographiques affectants la production du riz ; z_j un vecteur de variables environnementaux affectant la production du riz avec la technologie j ; f est une fonction de production et P_r le prix du riz.

Plusieurs technologies^11(*) agronomiques se distinguent de leurs caractéristiques agronomiques et de production. Et donc chaque technologie a un vecteur constant fixe de caractéristiques de consommation

, avec K_c le nombre de caractéristiques de consommation, et un vecteur constant fixe de caractéristiques agronomiques ,

, avec Ka le nombre de caractéristiques agronomiques. Aussi nous avons

. D'où

est un vecteur combiné des caractéristiques agronomique et de consommation de la caractéristique j dont la dimension est K_a +K_cet

est la JxS matrice des caractéristiques agronomiques et de consommations. Dans ce cas présent chaque technologie est identifié par leur vecteur de caractéristiques observable ou inobservable et non.

Ainsi pour chaque caractéristique technologique, on peut définir son score maximal parmi toutes les caractéristiques connues par le producteur :

{

}. Etant donné que la technologie est uniquement identifié par un vecteur de caractéristique, l'introduction d'une technologie j'

j ? {1,......J}, qui n'est pas connue par le producteur est équivalent à changer l'ensemble de vecteurs de caractéristiques de toutes les technologies connues par le producteurs de telle sorte que l'on ait pour au moins pour chaque caractéristiques technologique k,

En reformulant la fonction d'utilité et de production en prenant en compte les caractéristiques de la technologie, nous avons :

. Si l'analyse se centre au niveau du taux d'adoption, on définit une variable

indiquant si le ménage choisit de d'adopter la technologie j. Ainsi le choix optimal du producteur dépend des variables agro-climatiques e, des caractéristiques et z_u.

En prenant en compte les variables qui conditionnent la production, nous avons :

(3)

Avec

la probabilité que le producteur adopte la technologie j lorsque le vecteur des caractéristiques est

le vecteur des caractéristiques sociodémographiques est z_u, le vecteur de variables agro-climatique est e ; â est un vecteur des paramètres à estimer ; et g une fonction dont les valeurs se situes dans l'intervalle [0,1]. L'équation (3) montre comment un changement dans les caractéristiques technologiques affecte la probabilité d'adoption de la technologie.

III. Méthodologie et présentation de la méthode de collecte de données.

Les données utilisées dans cette étude sont les données de l'enquête de référence menée avec ses différents partenaires qui sont les centres nationaux de recherche agronomiques. Les données que nous avons utilisé ont été collectées au niveau village et producteur. Ainsi nous allons ici élucider le processus d'échantillonnage des villages et des producteurs dans un pôle rizicole.

Pour cette enquête 3 ou quatre villages sont choisis pour parmi 32 villages (22 villages pour les expérimentations et 10 villages comme contrôle) dans chaque pôle. Ainsi on procède de la sorte :

Etape1 : Parmi les 22 villages choisis pour les expérimentations, on choisit 2 à 3 villages en utilisant la procédure suivante sous Excel :

· Etape1.1 : On affecte un nombre aléatoire uniforme de l'intervalle [0, 1[à chaque

village en exécutant la fonction Alea ( ). Une variable aléatoire sera ainsi créée

· Etape 1.2: On copie la colonne de la variable aléatoire et exécuter coller des valeurs dans la même colonne

· Etape 1.3: On classe les villages en faisant un tri par ordre croissant des valeurs de la variable aléatoire ;

Etape2 : Des 10 villages contrôles, sélectionner de façon aléatoire un village en utilisant la procédure suivante dans une feuille de calcul de Excel :

Etape 2.1: On affecte un nombre aléatoire uniforme de l'intervalle [0, 1[ à chaque village en exécutant la fonction Alea( ). Une variable aléatoire sera ainsi créée ;

Etape 2.2: On copie la colonne de la variable aléatoire et exécuter coller des valeurs dans la même colonne ;

Etape 2.3: On classe les villages en faisant un tri par ordre croissant des valeurs de la variable aléatoire ;

Les étapes 1 et 2 aboutissent à la sélection de 3 ou 4 villages pour l'enquête diagnostique. Dans chacun des villages sélectionnés, 10 à 15 informateurs clés sont choisis et interviewés et une discussion de groupe sera organisée.

Etape3 : On sélectionne les informateurs clés en se basant sur les expériences et les connaissances des systèmes de production agricole et du riz dans le village.

Etape4 : Onsélectionne des informateurs clés additionnels en demandant aux premiers informateurs d'aider à identifier d'autres participants potentiels en utilisant la méthode de boule de neige (voir la méthodologie de l'étude diagnostique pour les détails)

Les discussions de groupe seront ouvertes à toute la population du village, ainsi aucune procédure de sélection ne sera requise

- Echantillonnage des producteurs et des parcelles pour l'enquête sur l'écart de rendement.

Etape1 : Pour les 50 ménages, sélectionner de façon aléatoire un producteur de riz par ménage pour l'enquête sur l'écart de rendement. Cela va aboutir à la sélection de 50 producteurs de riz et vont inclure si possible 30% de femmes productrices du riz.

Etape 2: Pour chaque producteur ou productrice sélectionné, on donne un numéro à chaque de riz (dans l'écologie ciblée) que possède le producteur et sélectionner de façon aléatoire une parcelle en utilisant la procédure suivante dans une feuille de calcul de Excel :

· Etape 2.1: Affecter un nombre aléatoire uniforme de l'intervalle [0, 1[ à chaque parcelle en exécutant la fonction Alea ( ).

· Etape 2.2: Copier la colonne de la variable aléatoire et exécuter coller des valeurs dans la même colonne

· Etape 2.3: Classer les parcelles en faisant un tri par ordre croissant des valeurs de la variable aléatoire.

La méthodologie de notre étude ne s'éloignera pas de celles utilisées par les auteurs cités dans la revue de la littérature. L'estimation de l'impact de l'adoption de la technologie se fera en utilisant l'approche contrefactuelle basée sur les variables instrumentales pour prendre en compte le problème d'endogéneité et estimer l'effet local moyen du traitement par le biais de la fonction « Local Average response Function ».

Cependant en absence d'informations sur l'accès à la technologie, l'instrument que nous utilisons ici est la connaissance de la technologie comme l'on faitPatrice Ygué ADEGBOLA et Souléïmane Adéyèmi ADEKAMBIdans une étude sur « Rate and determinants of agricultural technology adoption: case study of TDrs yam varieties in Benin ». De là nous allons dans un premier temps estimer les déterminants de la connaissance de la technologie par le biais d'un modèle probit, pour pouvoir cerner au mieux les facteurs ayant des effets sur notre instrument. Ensuite viendra l'estimation de l'adoption de la technologie relative à l'équation (2) en se basant sur la théorie du consommateur de Lancaster afin de voir l'effet des différentes caractéristiques de la technologie sur la probabilité d'adoption.

Enfin pour estimer l'impact de l'adoption de la technologie, nous allons estimer, comme indiquer là-dessus l'effet moyen local du traitement en utilisant la fonction LARF proposée par Alberto ABBADIE. Et la dernière estimation sera consacrée à la simulation des caractéristiques de la technologie en améliorant ces dernières et estimer à nouveau l'impact de la technologie améliorée sur le rendement.

CHAPITRE 4 : ANALYSE DESCRIPTIVE DES DONNEES

Ce chapitre sera consacré principalement à la description de nos variables. Ainsi une description individuelle de certaines variables sera faite préalablement avant de pouvoir effectuer un certain nombre de croisement avec nos variables d'intérêt. De là les différentes variables qui feront l'objet de plusieurs croisements sont principalement l'adoption de la technologie et le rendement du riz en 2012.

I. Description statistique uni-variée

I.1. Distribution de quelques variables quantitatives par pays

Les tableaux 1et 2 présentent respectivement les distributions statistiques du nombre de fois où l'individu est tombé malade, le nombre d'enfant, le rendement et la taille des ménages Béninois et Nigérian. Il ressort de ces tableaux qu'en moyenne les riziculteurs Béninois ont un rendement de 1.3 tonnes/ha, tombent moins de 2 fois malade par an, ont 4 enfant en moyenne et sont à près de 8 dans le ménage. Quant au Nigéria, les riziculteurs ont un rendement moyen de 1,12 tonnes/ha, tombent une fois malade par an, ont près de 5 enfants en moyenne et sont à près de 5 dans le ménage

BENIN					NIGERIA
	sick	childs	rendem~t	taille		sick	childs	rendem~t	taille
Mean	1,7	4,56	1,3	7,86	Mean	1,22	4,86	1,12	7,92
Min	0	0	0,01	2	Min	0	1	0,1	2
Max	12	12	5,548	20	Max	5	16	5,375	20
Sd	1,77	2,63	1,13525	3,6	Sd	1,37	3,16	0,87	3,99
CV	1,04	0,57	0,87	0,45	CV	1,12	0,64	0,78	0,5

Toutes fois, au regard des valeurs des coefficients de variation, on remarque une homogénéité au niveau du nombre moyen d'enfant dans le ménage,le rendement moyen des producteurs et la taille moyenne du ménage. Quant au nombre de fois où le ménage est tombé malade, on remarque une dispersion assez considérable autour de la moyenne dans les deux pays.Ceci étant, une analyse des boites à moustache de cette variable par pays sera effectuée dans le but de cerner au mieux les différentes aberrations.

Ainsi les graphiques C1 et (en ANNEXE C) présentent respectivement les boites à moustache du nombre de fois où les riziculteurs Béninois et Nigérians tombent malade par an. On y trouve dans le graphique C1, deux individus se situant au-dessus de la frontière haute, contrairement au graphique.

I.2. Répartition des producteurs selon certaines variables socio-économiques.

Graphique 1 : Répartition (en%) des rizicul-Graphique 2: Répartition (en%) des riziculteurs

teurs Béninois selon le niveau d'instruction Nigérians selon le niveau d'instruction

Les graphiques 1 et 2présentent respectivement les répartitions des riziculteurs Béninois et Nigérians selon le niveau d'instruction. Nous pouvons constater une forte prééminence des riziculteurs n'ayant aucun niveau au Bénin, représentant un peu près de la moitié des riziculteurs (48,7%). Par contre au Nigéria bien que la proportion des producteurs n'ayant aucun niveau soit la plus élevées (27,5%), on remarque une faible disparité entre cette dernière et les proportions respectivement des riziculteurs ayant un niveau secondaire et primaire, qui sont de 24,6% et 21,7%. Aussi il faut souligner que la proportion des riziculteurs ayant un niveau universitaire au Bénin est très infime par rapport à celle des riziculteurs Nigérians, représentant respectivement 0,6% et 15,9%. En outre, Au regard du graphique3 ci-dessous , nous constatons au Béninois une forte dominance des riziculteurs mariés avec un taux de 87.9 % contre des taux relativement bas des célibataires, veufs/veuves , divorcés et d'autre statut qui représentent respectivement 2.5% ,8.7% et 0.6% et 0.6% , soit moins de 15% des riziculteurs . Excepté le fait qu'il n'ait pas de divorcés au Nigéria (graphique 4), on remarque une répartition quasiment identique à celle des riziculteurs Béninois dont les mariés, les célibataires et les veufs/veuves représentent respectivement 95.7%,1.4% et 2.9%.

Graphique 3 : Répartition(en%) des rizicu-Graphique 4 : Répartition des riziculteurs

teurs Béninois selon le statut matrimonialNigérians selon le statut matrimonial

Graphique 5 : Répartition(en%) des riziculteursGraphiques 6: Répartition (en%) des riziculteurs

Les graphiques 5 et 6 présentent les répartitions des riziculteurs Béninois et Nigérians selon l'activité principale. Ils ressortent de ces deux graphiques que les proportions des riziculteurs ayant pour activité principale l'agriculture sont largement supérieures à celles des autres activités. Mais de ces deux proportions, nous pouvons remarquer une légère différence d'un peu plus de 5% entre le Benin et le Nigéria dont les proportions sont respectivement de 89.3% et 84.1%. Si bien qu'il ait une disparité dans les deux pays, 3.8% des riziculteurs au Benin ont pour activité principale l'artisanat, 1.9% sont des employés, 0.6% n'ont aucune activité principale, 3.8% chauffeurs de Taxi/Moto et 0.6% le commerce. Du côté du Nigéria, 2.9% des producteurs ont pour activité principale l'artisanat, 1.4% le commerce, 8.7% Employés, 1.4% chauffeur de Taxi/Moto et 1.4% n'ont aucune activité.

Mais aussi, Il ressort du graphique 7 ci-dessous que les riziculteurs Béninois sont majoritairement de l'ethnie Idatcha, qui représente 36.1% de la population, ensuite vient l'ethnie Mahi qui précède l'ethnie Fon représentant respectivement 29.1% et 16.5% de la population.En plus de ces trois ethnies ayant des poids relativement élevés, on remarqueaussi que les riziculteurs Béninois sont à 10,1% de l'ethnie Ifa, à 5.7% de l'ethnie Holli, à 1.3% de l'ethnie Kabie et à 0.6% de l'ethnie Yoruba. Les riziculteurs Nigérians quant à eux sont majoritairement de l'ethnie Tiv et Eggon représentant respectivement 44.9% et 34.8%. Mais aussi sont de l'ethnie Gwandara à 10,1%, 7.2% de l'ethnie Alago, 1.4% de l'ethnie Haussa et 1.4 sont d'autres ethnies.

Graphique 9 : Répartition(en%) des riziculteurs Graphique 10 : Répartition(en%) des riziculteurs

Tout de même le tableau 3 ci-dessous montre que les taux d'adoption de la technologie est faible dans les deux pays et s'élève respectivement à 25.3% et 14.5%. En plus des faibles taux de connaissances sont également remarqués dans les deux pays, soit 37.3% pour le Benin et 39.1% pour le Nigeria.Bien que les taux des riziculteurs ayant reçus une formation en agronomie soient signifiantes (68.4% au Benin et 50.7% au Nigeria), cela n'est pas le cas pour la formation en riziculture (36,7% au Benin contre 11,6% au Nigeria).Enfin 36,1% des riziculteurs Béninois ont appris la technologie contre 11,6% au Nigeria. Cela ne semble surprenant puisque peu de riziculteursconnaissent la technologie.

	BENIN	NIGERIA	Total
Avoir reçu une formation en agronomie
Non	31.6	49.3	37.0
Oui	68.4	50.7	63.0
Connaissance des technologies
Non	62.7	60.9	62.1
Oui	37.3	39.1	37.9
Total	100.0	100.0	100.0
Apprentissage des technologies
Non	63.9	88.4	78.0
Oui	36.1	11.6	22.0
Total	100.0	100.0	100.0
Adoption des technologies
Non	74.7	85.5	78.0
Oui	25.3	14.5	22.0
Total	100.0	100.0	100.0
Avoir reçus une formation en riziculture
Non	63.3	88.4	70.9
Oui	36.7	11.6	29.1
Total	100.0	100.0	100.0

II. Description statistique bi-variée

1. Croisement de l'adoption de la technologie en 2012 avec certaines variables.

Benin				Nigéria
	Utilisation en 2012				Utilisation en 2012
Niveau scolaire	Non	Oui	Total	Niveau scolaire	Non	Oui	Total
Primaire	27.1	35.0	29.1	Primaire	23.7	10.0	21.7
Secondaire	13.6	30.0	17.7	Secondaire	23.7	30.0	24.6
Université	0.8	0.0	0.6	Université	16.9	10.0	15.9
Alphabétisé ou coranique	5.1	0.0	3.8	Alphabétisé ou coranique	10.2	10.0	10.1
Aucun	53.4	35.0	48.7	Aucun	25.4	40.0	27.5
Total	100.0	100.0	100.0	Total	100.0	100.0	100.0

Les tableaux 4 et 5présentent respectivement les répartitions des riziculteurs Béninois et Nigérians selon l'adoption de la technologie par niveaux d'instruction. L'analyse de ces tableaux montre tout d'abord une prépondérance des riziculteurs qui n'ont pas adopté la technologie auprès de ceux n'ayant aucun niveau dans les deux pays. Ensuite, le différentiel le plus élevé,des proportions des riziculteurs n'ayant pas adopté la technologie, est plus important chez ceux n'ayant aucun niveau (un peu près de 30%). En plus de ce constat, nous remarquons aussi que ces proportions précèdent celles des riziculteurs ayant un niveau primaire. De façon générale, les différences par niveau des proportions des riziculteurs n'ayant pas adopté la technologie de production dans les deux pays excèdent peu à peu 15%. Bien qu'au Benin les proportions des riziculteurs ayant adopté la technologie soient les mêmes au niveau primaire et ceux n'ayant aucun niveau, une forte différence est observée au Nigéria (évaluée à 30%). Mais fort est de constater aussi que les proportions des riziculteurs Béninois et Nigérians qui ont un niveau secondaire et qui ont adopté la technologie sont les mêmes dans les deux pays (30%).

En définitive, l'adoption de la technologie en 2012 est mieux repartie chez les riziculteurs Nigérians que Béninois, car au Benin aucuns riziculteurs de niveaux universitaires et coraniques n'ont adopté la technologie.

Benin				Nigéria
	Utilisation en 2012				Utilisation en 2012
Statut Matrimonial	Non	Oui	Total	Statut Matrimonial	Non	Oui	Total
Marié	87.3	89.7	87.9	Marié	96.6	90.0	95.7
Célibataire	2.5	2.6	2.5	Célibataire	1.7	0.0	1.4
Divorcé	0.8	0.0	0.6	Veuf/Veuve	1.7	10.0	2.9
Veuf ou Veuve	8.5	7.7	8.3	Total	100.0	100.0	100.0
Autres (à préciser)	0.8	0.0	0.6
Total	100.0	100.0	100.0

L'analyse de ces tableaux montre que la majorité des riziculteurs ayant adopté la technologie en 2012 sont mariés. Aussi nous constatons que la différence de leur proportion est moindre, affichant une variation de moins de 5%. Ensuite viennent les proportions des veufs/veuves dans l'adoption de la technologie, représentent respectivement 10% et 7.7% des riziculteurs au Nigeria et au Benin.

En définitive, l'adoption de la technologie semble être mieux repartie au Benin qu'au Nigéria, car au Nigeria en plus des mariés ne s'ajoutent rien que les veufs/veuves et les célibataires dont aucuns de ces derniers (célibataires) ont adopté la technologie.

Par ailleurs, nous pouvons aussi remarquer que parmi les riziculteurs ayant adopté la technologie, 92 ,5% ont pour activité principale l'agriculture au Benin et 80% au Nigéria, soit une différence de 12% (tableau 8 et 9). Et aucun des adoptants ont pour activité principale le commerce, le pêche/chasse et chauffeurs de taxi. De même que le tableau B6(en ANNEXE B) montre que la moitié des riziculteurs Nigérians ont pour activité secondaire la pêche/chasse, tandis que les majeures parties des riziculteurs Béninois n'ont aucune activité secondaire(tableau B7 en ANNEXEB). Parmi ces adoptants, 70% ont la possibilité d'accéder à un crédit au Nigéria contre 72,5% au Benin. De plus, ils sont majoritairement monogames à 30% et 15% de cas respectivement au Nigéria et au Benin.

Benin				Nigéria
	Utilisation en 2012				Utilisation en 2012
Activité principale	Non	Oui	Total	Activité principale	Non	Oui	Total
Agriculture	88.1	92.5	89.2	Agriculture	84.7	80.0	84.1
Artisanat	3.4	5.0	3.8	Artisanat	1.7	10.0	2.9
Chauffeur ou taxi moto	0.8	0.0	0.6	Commerce	1.7	0.0	1.4
Employé	1.7	2.5	1.9	Employé	8.5	10.0	8.7
Aucune	0.8	0.0	0.6	Autre à préciser	1.7	0.0	1.4
Autre à préciser	5.1	0.0	3.8	Pêche/chasse	1.7	0.0	1.4
Total	100.0	100.0	100.0	Total	100.0	100.0	100.0

Graphique 9 : Répartition (en%) selonGraphique 10 : Répartition(en%) selon la connai-

Les graphiques ci-dessus montrent tout simplement qu'au Nigéria tout comme au Benin tous les adoptants de la technologie la connaissent. Aussi parmi ceux qui connaissent la technologie, 28.8% et 16.1% respectivement au Nigéria et au Benin, ne l'ont pas adoptée, soit une différence de plus de 10%.Conformément à l'adoption de la technologie, les graphiques ci-dessous montrent à plus de 70% des cas dans les deux pays que les riziculteurs qui apprennent la technologie finissent par l'adopter, avec un différentiel de 5% entre le Benin et le Nigéria.

Graphique 11: Répartition (en%) selon Graphique12 : Répartition(en%) selon l'apprenti-

Egalement les graphiques 13 et 14 montrent que parmi ces adoptants seuls 10% des riziculteurs Nigérians ont reçu une formation en riziculture contre 40% au Benin. De même que des faibles proportions des adoptants ayant reçuune formation en agronomie peuvent être remarquée au Nigéria comme au Benin, affichant respectivement des taux de 20% et 35.5%.

Graphiques13: Répartition (en%) selon leGraphiques14 : Répartition(en%) selon le fait

fait d'être formé en riziculture au Benin d'être formé en riziculture au Nigéria

Enfin les graphiques 15 et 16ci-dessous indiquant l'adoption de la technologie selon que les riziculteurs appartiennent à une association rizicole dans chacun des deux pays. Ils ressortent de ces figures qu'au Benin la majorité des riziculteurs qui appartiennent à une association adoptent la technologie à 80% des cas, tandis qu'au Nigéria la proportion des adoptants est égale à celles des non adoptant.

Graphiques 15 : Répartition (en%) selon qu'ilsgraphique 16 : Répartition(en%) selon qu'ils

appartiennent à une association au Beninappartiennentà une association au Nigéria

2. Croisement du rendement des riziculteurs selon certaines variables quantitatives.

		Niveau scolaire
		Primaire	secondaire	Université	Apha/coran	Aucun
Rendement	Benin	1.130608	1.416779	2.349	.88	1.391432
	Nigeria	1.038833	.9061275	1.456414	1.301701	1.129195

Le tableau ci-dessus montre que selon le niveau d'instruction, le rendement moyen le plus élevés est celui des universitaires dans les deux pays. Tandis que le rendement moyen des riziculteurs ayant un niveau secondaire précède celui des universitaires au Benin, celui des Nigérians est le plus bas et vice versa.

Aussi le tableau ci-dessous montre que les mariés ont un rendement plus élevés que l'autre dans les deux pays, soit 1,37 et 1,15 t/ha respectivement au Benin et au Nigéria. Et le rendement le plus bas est celui des veufs/veuves, soit 0,84 et 0,59 t/ha respectivement pour le Benin et le Nigeria.

Cependant le tableau 12 présentant le rendement moyen des riziculteurs selon l'activité montre que le rendement moyen le plus élevés est celui des employés au Benin, tandis qu'au Nigéria il est observé auprès des riziculteurs ayant pour activité principale le commerce.

		Activité principal
		Agr	Elevag	Artisan	Commerc	Employ	Aucun	Autre	pêche/
Rendement	Benin	1,02	1,67	0,85	1,01	2,1575	1,23	1,65
	Nigeria	1,21	1,99	0,85	2,2		0,7	1,23	1,08

Mais quand aux riziculteurs qui connaissent, qui ont appris et qui adopté la technologie au Benin, on remarque que leurs rendement moyens estinférieur aux autres. Pendant que les riziculteurs Nigérians ayant ces mêmes caractéristiques ont un rendement moyen plus élevés que ceux qui ne connaissent pas, n'ont pas appris et adopté la technologie.

Nous pouvons aussi constater au regard des tableaux B15 et B10 (ANNEXE B) que le rendement moyens des hommes est plus élevés que celui des femmes. Mais aussi le système de Bas-fond a un rendement moyens plus élevés que celui des plaines et plateaux.

Tableau 13 : Rendement des riziculteurs selon l'adoption, la connaissance, l'apprentissage de la technologie et la formation en riziculture.

		Adoption		Connaissance		Apprentissage		Formation riziculture
		Non	Oui	Non	Oui	Non	Oui	Non	Oui
Rendement	Benin	1,31	1,26	1,37	1,17	1.31	1,26	1.26	1.36
	Nigeria	1,07	1,4	1,07	1,19	1.07	1,18	1.10	1.25

3. Liaison entre la variable d'adoption et certains variables.

Il s'agira ici pour nous de caractériser l'adoption de la technologie en scrutant automatiquement l'ensemble de liaisons qui existent entre elle et certaines variables de notre base, quelques soit leur nature (qualitative ou quantitative).

Tableau 14 : Caractérisation par les variables qualitatives de l'adoption de la technologie

Libellés des variables	Modalités caractéristiques	% de la modalité dans la classe	% de la modalité dans l'échantillon	% de la classe dans la modalité	Valeur-Test	Probabilité
learn	Oui	26,24	38,77	42,05	-4,82	0,000
learn	Non	73,76	61,23	74,82	4,82	0,000
nivsco	Secondaire	13,48	19,82	42,22	-2,87	0,002
nivsco	Aucun	48,23	42,29	70,83	2,19	0,014
formriz	Oui	24,82	29,07	53,03	-1,65	0,049
formriz	Non	75,18	70,93	65,84	1,65	0,049
massac	Oui	58,87	63,00	58,04	-1,51	0,065
massac	Non	41,13	37,00	69,05	1,51	0,065
benform	Non	74,47	70,93	65,22	1,35	0,088
	Oui	25,53	29,07	54,55	-1,35	0,088

Dans le tableau ci-dessus ne sont présentées que les modalités des variables qui caractérisent l'adoption de la technologie. Les relations entre ces modalités et l'adoption de la technologie sont toutes significatives au seuil de 10%. De plus, Il ressort de ce tableau que le fait de ne pas apprendre la technologie l'apprentissage est la modalité qui caractérise le mieux l'adoption de la technologie (valeur-test la plus élevés), par rapport aux autres modalités.

Tableau 15 : Caractérisation par les variables continues de l'adoption de la technologie.

Variables caractéristiques	Moyennes dans la modalité	Moyenne générale	Ecart-type dans la modalité	Ecart-type général	Valeur-Test	Probabilité
cashd	0,626	0,606	0,262	0,254	1,52	0,064
hhsize	7,532	140,044	3,422	1986,920	-1,28	0,100
sick	1,529	2,906	1,786	20,010	-1,31	0,096

Ainsi dans le tableau ci-dessus ne présente que les variables continues qui caractérisent le mieux l'adoption de la technologie. Il ressort de ce tableau que les différentes relations entre ces trois variables et l'adoption de la technologie sont toutes significatives au seuil de 10%. En outre, de ces trois variables, celle qui caractérise le mieux l'adoption de la technologie est la variable cashd (qui est la satisfaction par rapport au besoin de liquidité en utilisant la technologie).

CHAPITRE 5 : PRESENTATION DES RESULTATS ET DISCUSSIONS.

I. Analyse de la connaissance de la technologie.

L'analyse des déterminants de la connaissance de la technologie agronomique se fera, comme dit précédemment par le biais d'un modèle à choix discret, notamment un modèle probit.En effet, le modèle probit nous permettra de modéliser la probabilité P_i de la connaissance de la technologie agronomique et l'influence des variables explicatives sur cette probabilité.De là, nous postulons à la spécification suivante :

known= â +ç_i*Idatcha +?_i* Fon +ë_i*hhsize +ä_i*benform +è_i*formriz +ì_i*massac +î_i*sexe +á_i*primaire + ñ_i*univ +Ô_i*aucniv Ù_i*Eggon + å_i.

Les résultats de l'estimation de cette équation sont présentés dans le tableau C1 (en ANNEXE C). Mais pour pouvoir interpréter ce tableau, un certain nombre d'hypothèses sous-jacentes permettant sa validation doivent être vérifiées. Ils s'agissent notamment du :

Il s'agit ici de tester l'hypothèse selon laquelle tous les coefficients des variables explicatives sont nuls. Ainsi l'examen du tableau C1 nous donne de bonne raison de rejeter cette hypothèse au seuil de 1% (car p-value=0.00). Donc il existe au moins une variable pour laquelle le coefficient estimé est statistiquement différent de zéro.

Nous utilisons ici le test de hosmer-lemshown pour évaluer la qualité de l'ajustement du modèle. Ainsi il s'agit de tester :

Au regard de l'évidence apportée par l'échantillon au seuil de signification de 1%, nous avons de bonnes raisons de croire que le modèle s'ajuste bien aux données (car p-value=0,4402 tableau en ANNEXE C).

Au regard du tableau ci-dessous,non remarque que le taux de bon classement qui représente le pouvoir prédictif du modèle est de 69,16%. De façon spécifique, ce pouvoir est de 62,12% chez les riziculteurs adoptants et de 72,05% chez les non adoptants.

L'analyse du pouvoir discriminant du modèle est faite à partir de la courbe de ROC. Ainsi l'analyse de cette courbe nous montre que l'aire en dessous de la courbe =74, 72% (Graphique C4 en ANNEXE4). Ce qui nous laisse croire à une bonne qualité de la discrimination. A tout prendre, nous pouvons conclure que notre modèle est bon et qu'il serait judicieux de passer à l'interprétation des coefficients

Contrairement au modèle de régression linéaire, la sensibilité de la variation d'une variable explicative dans une régression logistique ne peut être connue par l'estimation des paramètres du modèle. En effet, Les valeurs des coefficients des modèles ne sont pas directement interprétables, car seuls les signes des coefficients indiquent si la variable agit positivement ou négativement sur la probabilité P_i(Bourbonnais, 2009). Ainsi le calcul des effets marginaux nous permettra de cerner au mieux cette sensibilité. Comme on peut le remarquer dans le tableau C1, parmi les variables introduites dans le modèle, seules quatre ont des effets sur la variation de la probabilité estimée. Ils s'agissent notamment du niveau secondaire, l'ethnie Fon, le fait de bénéficier d'une formation en riziculture et le niveau primaire. De là le tableau C5, présentant les effets marginaux des variables introduites dans le modèle indique que le fait d'être de l'ethnie Fon diminue la probabilité de la connaissance de la technologie de 33,9% points de pourcentage comparativement à celles des riziculteurs ayant reçu une formation en riziculture et celles des riziculteurs ayant un niveau secondaire. De même, le fait d'avoir un niveau secondaire et avoir reçu une formation en riziculture augmente respectivement la probabilité de connaissance de la technologie de 34,56 et 23,83 de point de pourcentage.Cela peut s'expliquer par le fait que la plupart des centres de recherches qui oeuvrent dans la recherche et le développement à l'instar d'Africarice, reçoivent aussi des contributions venant des paysans(riziculteurs) qui en contrepartie bénéficient des formations dans le cadre de renforcement de capacité. Dans ces programmes de formation, un certain nombre de découvertes sont mis à leurs portées des producteurs, dans le but unique de promouvoir la riziculture afin de limiter les importations et être autosuffisant en riz à l'avenir De même le résultat relatif au niveau secondaire ne semble pas être surprenant. En effet les riziculteurs ayant un niveau d'instruction secondaire sont capable de lire les étiquètes et respecter les consignes en rapport avec l'utilisation. Donc ses acquis pourrait être une motivation de connaissance de la technologie et de vouloir aussi se former.

II. Analyse de l'adoption de la technologie

L'analyse de l'adoption se fera comme dit précédemment dans le cadre d'un modèle de ménage agricole en s'appuyant sur la théorie du consommateur de Lancaster pour avoir une idée sur l'influence des caractéristiques de la technologie sur la décision d'adoption des riziculteurs. Nous postulons ainsi à la spécification :

Ou Xi représente l'ensemble des variables socio-économique qui regroupe dans notre cas présent l'écologie de Basfonds, le sexe du chef de ménage, le nombre d'enfants dans le ménage, apprentissage de la méthode, le niveau secondaire et l'ethnie Idatcha.

Et Z_ireprésente l'ensemble des caractéristiques agronomiques qui regroupe ici la satisfaction par rapport à la rapidité du travail effectué avec la technologie, aux besoins en liquidité avec la méthode, la qualité du travail avec la méthode, le temps nécessaire pour apprendre la méthode et si la méthode était contraire aux moeurs du village.

Comme fait précédemment, nous allons procéder à la vérification des hypothèses permettant la validation du modèle.

Il s'agit ici de tester l'hypothèse selon laquelle tous les coefficients des variables explicatives sont nuls. L'examen du tableau C6 (en ANNEXE C) nous donne des bonnes raisons de rejeter cette hypothèse. Donc il existe au moins une variable pour laquelle le coefficient estimé est statistiquement différent de zéro.

Le test utilisé pour juger de l'ajustement de notre modèle, nous utiliserons le test de Hosme-Lemshow. Il s'agit ici de tester l'hypothèse nulle selon laquelle le modèle s'ajuste bien aux données.

L'évidence apportée par l'échantillon au seuil de 1%, nous donne de bonnes raisons de croire que le modèle s'ajuste bien au données, car p>chi2=0,5985 (tableau C7 en ANNEXE C)

Le tableau ci-dessous montre que le pouvoir prédictif du modèle est de 81,94%. En outre le pouvoir prédictif des adoptants est de 64.52%% et celui des non adoptants est de 85,69%.

L'analyse du pouvoir discriminant du modèle est faite à partir de la courbe de Roc. Ainsi l'examen du graphique C9 (en ANNEXE C) montre que l'aire en dessous de la courbe de roc est de 85,11%. Cette valeur nous donne de bonnes raisons de croire que notre modèle à un bon pouvoir discriminant. Somme toute, nous pouvons conclure que notre modèle est bon et qu'il serait judicieux de passer à l'interprétation des coefficients de la régression

- Interprétation des coefficients des variables introduites dans le modèle.

Comme fait précédemment l'interprétation des coefficients de la régression se fera par le biais des effets marginaux. Ainsi le tableau C6 (en ANNEXE C) nous montre d'abord que plus de la moitié des variables introduites dans le modèle sont significatives au seuil de 10%. Ils s'agissent de l'apprentissage de la technologie, le nombre d'enfants, le niveau secondaire,l'ethnie Idatcha, le temps nécessaire pour apprendre la technologie et le fait que la technologie soit contraire aux moeurs. Ainsi le tableau C10 présentant les effets marginaux des variables introduites dans le modèle montre que le fait d'apprendre la technologie augmente la probabilité d'adoption de la technologie de 44,66 point de pourcentage. Outre le fait que l'apprentissage de la technologie le fait d'avoir un niveau secondaire et aussi appartenir à l'ethnie Idatcha augmente la probabilité d'adoption de la technologie respectivement de 11,19 et 24,77 point de pourcentage. Mais le nombre d'enfant diminuent la probabilité d'adopter la technologie de 1,73 point de pourcentage. De même, le temps nécessaire pour apprendre la technologie et le fait que la technologie soit contraire aux moeurs du village diminuent respectivement la probabilité d'adoption de la technologie de 15,05 et 37,77 point de pourcentage.

Dans un premier temps, les résultats relatifs à l'apprentissage de la technologie et le niveau secondaire ne semblent pas être surprenants. En effet les chercheurs offrent aux riziculteurs pendant la formation une série d'avantage non seulement en terme de productivité, mais aussi dans les domaines socioéconomiques et environnemental tels que une production et une rentabilité à la fois stables et élevées; une capacité d'adaptation liée à une vulnérabilité réduite aux changements climatiques; un meilleur fonctionnement de l'écosystème et des services qui y sont associés; enfin, une réduction des émissions de gaz à effet de serre par le secteur agricole et, partant, de son empreinte écologique^12(*). Quant au niveau instruction, il joue plus dans la capacité à pouvoir suivre une formation.

Ensuite les résultats relatifs aux temps nécessaires pour apprendre la technologie et le fait que la technologie soit contraire aux moeurs du village pourraient avoir des explications. Mais cela peut aussi s'expliquer par le fait les paysans (riziculteurs) dans la chaine de production du riz et que ces derniers sont beaucoup attachés aux méthodes traditionnels et ont du mal à s'adapter aux méthodes modernes. Parmi les problèmes qui les empêchent à s'adapter aux méthodes traditionnels, figure le temps nécessaire pour l'apprendre.

III. Impact de l'adoption de la technologie sur le rendement du riz.

Pour estimer l'impact de l'adoption de la technologie sur le rendement des riziculteurs, nous avons postulé à l'estimation du LATE (Local Average Treatement Effect) par le biais de la fonction LARF (Local average response function) en forme linéaire. Cette estimation est faite en prenant en compte l'interaction avec les variables d'adoption pour prendre en compte l'hétérogénéité de l'impact dans la population. Ainsi les résultats de la régression montrent que le modèle est globalement significatif au seuil de 1%(car Prob > F =0.0000) ; et que la variance présente dans les données est expliquées à 71,42% par le modèle. De même au regard du test de Wald, nous constatons que les termes d'interactions ne sont pas simultanément nul au seuil de 1% car Prob > F=0.00). Cependant, nous pouvons aussi remarquer que tous les termes d'interaction sont significatifs au seuil de 5%. Ce qui montre combien de fois le rendement des riziculteurs dépend des variables introduites dans le modèle et varie d'un agriculteur à un autre. En effet même comme on peut le remarquer dans le tableau, la variable d'adoption est positive et significative au seuil de 1%.

Ce qui signifie que le rendement des riziculteurs augmente avec l'adoption de la technologie. De même le besoin en liquidité avec la technologie, le temps nécessaire pour apprendre la technologie, le nombre de fois tombé malade et le fait d'avoir reçu une formation en riziculture influencent positivement le rendement du riz. Par contre la rapidité du travail avec la méthode, les femmes, le fait d'avoir un niveau secondaire et l'âge entre 25 et 34 ans influence négativement le rendement du riz. Ce qui signifie que le rendement diminue avec ces variables.

En définitive, nous pouvons aussi remarquer que dans l'ensemble, l'estimateur LATE est significatif et positif au seuil de 1% (tableau C11 en ANNEXE C). Ce qui signifie que les riziculteurs ayant adoptés la technologie ont vu leur revenu augmenté d'une valeur de 0.72t/ha. En revanche, une estimation par pays révèle que l'adoption de la technologie augmente le rendement de 1,2 t/ha(tableau C12 en ANNEXEC). Au contraire, au Nigéria l'impact de l'adoption de la technologie sur le rendement est négatif et non significatif (Tableau C13) en ANNEXE C). Ce qui signifie l'adoption de la technologie par les riziculteurs Nigérians n'a pas d'effet.

Tableau 18 : Résultat de l'impact de l'adoption de la technologie sur le rendement.

Rendement	Coefficients	Erreurs standards
Adoption (adopt)	3.843058 ***	.8838523
Rapidité du travail (worksp)	-6.522945 ***	.5466978
Besoin en liquidité (cashd)	2.038989 ***	.4162469
Temps pour l'apprendre (time)	6.956649 ***	.6505173
contraire aux moeurs du village (maner)	4.163729 ***	.8998622
sexe (sexe)	-2.777707 ***	.3704983
Niveau secondaire (second)	-2.461896 ***	.3117562
Nombre de fois tomé malade (sick)	.1588826 ***	.0507209
Entre 25 et 34 ans (age2)	-2.216693 ***	.3288425
formation rizicole (formriz)	1.674301 ***	.2246702
adopt*S_worksp	6.779224 ***	.7497671
adopt*S_cashd	-1.866798 ***	.6561705
adopt*S_time	-8.20441 ***	.7464598
adopt*S_maner	-3.274758 **	1.574518
adopt*sexe	2.002796 ***	.4606222
adopt*second	2.373675 ***	.3788702
adopt*sick	-.1950656 **	.0933218
adopt*age2	2.164949 ***	.4502958
adopt*formriz	-2.111014 ***	.3176051
_cons	-2.102129	.54374
Test de Wald		Prob > F = 0.0000
Test de Fisher		Prob > F =0.0000
RPseudo-R²		71,42%

IV. Simulation.

L'impact de l'adoption de la technologie estimé précédemment s'est révèle significatif au niveau général et au Benin. Mais cette adoption n'a pas eu d'impact sur le rendement du riz au Benin. Dans cette sous-partie, nous allons améliorer les caractéristiques de la technologie afin d'évaluer à nouveau l'impact de l'adoption de la technologie améliorée.

Tableau 19 : Résultats de l'impact de l'adoption de la technologie améliorée sur le rendement du riz.

Rendement	Coefficient	Erreurs standard
Adoption de la méthode (adopt)	16.80328 ***	.5763122
Rapidité du travail (ns_worksp)	-15.35286 ***	.2441242
Besoin en liquidité (ns_cashd)	21.15014 ***	.3520661
Temps pour l'apprendre (ns_time)	18.71692 ***	.3266698
contraire aux moeurs du village (ns_maner)	-2.784837 ***	.2595225
sexe (sexe)	-4.059056 ***	.0926744
Niveau secondaire (second)	-3.937849 ***	.0790426
Nombre de fois tomé malade (sick)	.4699746 ***	.013297
Entre 25 et 34 ans (age2)	-2.939501 ***	.0845882
formation rizicole (formriz)	2.750572 ***	.0524541
adopt*nS_worksp	13.79701 ***	.3031352
adopt*nS_cashd	-14.88516 ***	.3240442
adopt*nS_time	-19.06133 ***	.3466236
adopt*nS_maner	5.224607 ***	.4451156
adopt*sexe	1.790602 ***	.1072661
adopt*sick	-.3954683 ***	.0248239
adopt*age2	4.078427 ***	.1219764
_cons	-20.60974 ***	.4584102
Test de Wald		Prob > F = 0,0000
Test de Fisher		Prob > F = 0,0000
R2		97,99

Dans ce scénario, nous améliorant pour la méthode toutes les caractéristiques ayant des scores faibles et moyens afin d'évaluer à nouveau l'impact. La méthode utilisée ne diffère pas de la méthode précédente. Ainsi le tableau ci-dessus montre que le modèle est globalement significatif au seuil de 1% (car Prob > F =0.0000) ; et que la variance présente dans les données est expliquées à 97,99% par le modèle.De même le test de Wald nous révèle que les termes d'interactions ne sont pas simultanément nul au seuil de 1% car Prob > F=0.00). Cependant, nous pouvons aussi remarquer que tous les termes d'interaction sont significatifs au seuil de 1%. Ce qui montre la dépendance du rendement du riz à l'égard des différentes variables introduites dans le modèle. En outre toutes les variables introduites dans le modèle sont significatives au seuil de 1%, dont la moitié influence négativement le rendement. Et donc le rendement du riz diminue avec la rapidité du travail avec la technologie, le fait que la Contrainte soit contraire aux moeurs, le sexe féminin, le niveau secondaire et l'âge entre 25 et 34 ans. Par contre elle augmente avec l'adoption de la technologie, le besoin en liquidité avec la technologie, le temps nécessaire pour apprendre la technologie, le nombre de fois tombé malade et le fait de suivre une formation en riziculture.

En dernière analyse, le tableau C14 (en ANNEXE C) montre que l'estimateur LATE est significatif et positif au seuil de 10%. Ce qui signifie qu'une amélioration des caractéristiques ayants des scores faible augmenterait le rendement des adoptants, sur ce d'une valeur de 2,28 t/ha. De surcroit les tableaux C15(en ANNEXE C) indiquent que l'impact de l'amélioration de la technologie est significatif et positif au seuil de 1% au Bénin ; et de là, le rendement des adoptants augmentera de 2,48%. Enfin au Nigeria, cette amélioration a un impact significatif et positif au seuil de 10% (Tableau C16 en ANNEXE C). Ce qui signifie que les riziculteurs qui adopteront la technologie améliorées verront leur rendement augmenté de 1,48%.

CONCLUSION, LIMITES ET RECOMMANDATIONS

L'objectif principale de cet était d'évaluer l'impact de l'amélioration de la technologie agronomique sur le rendement du riz. Les données utilisées sont celles de l'enquête de référence menée par Africarice et les différents centres nationaux de recherche agronomiques des pays membres. Ainsi l'effet local moyen du le traitement a été choisi comme estimateur en utilisant la fonction LARF (local average response effect) pour y parvenir. En outre la méthodologie derrière est l'approche contrefactuelle basée sur les variables instrumentales, dont l'instrument choisi est la connaissance. Des statistiques descriptives ont été faites pour avoir une idée sur les variables pouvant influencer nos variables d'intérêt. Après les statistiques descriptives, nous avons estimé deux modèles probit, dont l'un pour pouvoir cerner au mieux les variables qui influencent notre instrument et l'autre pour analyser les déterminants de l'adoption de la technologie. En plus de ces deux estimations, une estimation de l'impact de l'adoption de la technologie a été faite dans un premier temps, et dans un second temps une simulation de l'impact est faite après avoir amélioré les caractéristiques de la technologie. Ces différentes estimations nous ont permis de tirer les conclusions suivantes :

-Pour ce qui est du modèle de l'instrument : il ressort de cette estimation que la probabilité de connaissance de la technologie croit avec le niveau secondaire. De même le fait d'avoir reçu une formation en riziculture augmente la probabilité de la connaissance de la technologie. Par contre la probabilité de l'adoption de la technologie diminue avec l'ethnie Fon.

- Pour ce qui est du modèle d'adoption, il s'est avéré que l'adoption de la technologie croit avec le fait d'apprendre la technologie. De même que le niveau d'instruction, plus il est assez élevés plus la probabilité d'adoption augmente. Aussi le faite d'être de l'ethnie Idatcha augmente la probabilité d'adoption. Par contre, la probabilité d'adoption diminue avec le nombre d'enfant c'est-à-dire plus le nombre d'enfants augmente, plus la probabilité d'adoption de la technologie diminue. De même la probabilité d'adoption de la technologie diminue avec le temps nécessaire pour apprendre la technologie et le fait que la technologie soit contraire aux moeurs du village.

- Pour ce qui est du modèle d'impact, il s'est avéré que l'adoption de la technologie de production a un impact significatif et positif sur le rendement du riz dans l'ensemble des deux pays. Mais par contre au Nigéria, l'impact de l'adoption de la technologie n'est pas significatif tandis qu'au Benin il est positif et significatif.

- Pour ce qui est de la simulation, il s'est avéré que l'impact de l'adoption de l'amélioration de la technologie aura un impact positif et significatif tant dans l'ensemble que dans les deux pays pris individuellement.

Au fond, il convient de noter que l'adoption de la technologie améliorée a des avantages considérables sur le rendement des adoptants dans les deux pays. En effet une première estimation de l'impact par rapport à la technologie existante s'est révélée significatif et positif, que dans un pays à savoir le Benin. Mais il a fallu que l'on introduise une nouvelle technologie c'est-à-dire qu'on améliore l'ancienne technologie que l'impact de l'adoption de cette dernière se révèle significatif positif dans les deux pays. Aussi de l'adoption à l'impact, un paramètre y est pour que ces deux aient un sens considérable ; il s'agit de la connaissance de la technologie. Cette dernière est déterminée par le fait d'avoir un niveau secondaire et d'avoir reçu une formation en riziculture. L'adoption quant à elle est motivée par l'apprentissage de la technologie, le fait d'avoir un niveau secondaire et d'être de l'ethnie Idatcha. Eu égard de ses résultats, nous pouvons formuler les recommandations suivantes :

- Intensifier les compagnes de vulgarisation et l'apprentissage des technologies, tant celle existante que celle améliorée par le biais de plusieurs moyens (par exemple formation des riziculteurs dans la langue maternelle, puisque la majorité ne savent ni lire ni écrire)

- Mettre en place des politiques permettant d'améliorer les technologies agronomiques

Toutes fois, cette étude a été réalisée avec un certain nombre de failles qui sont liées aux problèmes de données et à un manque de certaines informations plus pertinente. En effet, des informations relatives aux contraintes d'adoption de la technologie n'ont pas pu être intégrées dans le modèle, faute de table quasi inexploitable. De même dans l'estimation du modèle d'impact, la connaissance de la technologie ne serait pas un instrument plus meilleur que l'accès à la technologie, car on peut connaitre la technologie mais ne pas avoir accès à cette dernière. L'information concernant l'accès à la technologie ne figurait pas dans les bases de données. D'où nous recommandons à Africarice d'améliorer à nouveau la collecte des données afin de mener à bien les études.

Bibliographies

ABADIE A.,(2003) «Semi-parametric Instrumental Variable Estimation of Treatment Response Models», Journal of Econometrics, 113, 231-263.

Adéoti R., O. Coulibaly et M. Tamò., (2002), « Facteurs affectant l'adoption des nouvelles technologies du niébé Vigna unguiculata en Afrique de l'Ouest », Bulletin de la Recherche Agronomique du Bénin. Numéro 36.

Aliou Diagne et al, « Impact of Rice Research on Income, Poverty and Food Security in Africa: An Ex-ante Analysis »,CAB International 2013. Realizing Africa's Rice Promise.

ANGRIST J.G., IMBENS W. and RUBIN D., (1996), « Identification of causal effects using instrumental variables »,in Journal of the American Statistical Association, 91 (434).

Bola Amoke Awotide and al., (2013), « The impact of seed vouchers on poverty reduction among smallholder rice farmers in Nigeria », Agricultural Economics 44 (2013) 647-658.

BONOU Alice, DIAGNE Aliou and BIAOU Gauthier.,(2013) « Agricultural technology adoption and rice varietal diversity: A Local Average Treatment Effect (LATE) Approach for rural Benin»,Contributed Paper presented at the 4th African Association of Agricultural Economists (AAAE) Conference, Hammamet, Tunisia, September 22-25.

Boubacar D, Nango D, John Staatz, « Compétitivité du riz local en Afrique de l'Ouest depuis la hausse des prix alimentaires mondiaux », PRESAO, 2012.

Dontsop P.M.N, Diagne A, Victor O.O and Vivian O.,(2011), « Impact of Improved Rice Technology (NERICA varieties) on Income and Poverty among Rice Farming Households in Nigeria: A Local Average Treatment Effect (LATE) Approach », Quarterly Journal of International

Frédéric Lançon,(2014), « Le marché rizicole ouest-africain et la sécurité alimentaire :

HECKMAN J., ICHIMURA H, TODD P.,(2003) « Matching as an Econometric Evaluation Estimator », in Review of Economic Studies, vol. 65, pp. 261-294, 1998.

Jérémie Gignoux, « Évaluations ex ante et ex post d'un programme d'allocations scolaires conditionnées au Mexique», Economie et prévision.

Luke O. Olarinde and al., (2012), « Impact of the Adoption of Soil and Water Conservation Practices on Crop Production: Baseline Evidence of the Sub Saharan Africa Challenge Programme », American-Eurasian J. Agric. & Environ. Sci., 12 (3): 293-305, 2012.

IMBENS G.W. and WOOLDRIDGE J., « Recent Developments in the Econometrics of Program Evaluation » in NBER Working Paper, 14251.

BRODATY T., CRÉPON B., FOUGÈRE D, Do Long-Term Unemployed Workers Benefit from Active Labour Market Policies? Evidence from France 1986-1998, mimeo, CREST-INSEE, 2002.

INSEE - Direction des Études et Synthèses Économiques Méthodes Econométriques pour l'Evaluation des Politiques Publiques, Malakoff, 2010

Paul J. Gertler., « L'évaluation d'impact en pratique », Banque Mondiale.

B.CREPON, « Méthodes d'appariement appliquées à l'évaluation des politiques de l'emploi », INNSE-Division marchés et stratégies d'entreprises.

Africarice,une stratégie de recherche rizicole pour le développement de l'Afrique, Rapport annuelle 2011.

APRAO, aecid, Fao, Amélioration de la productivité du riz en Afrique de l'Ouest,

CGIAR et Africarice, (2012), Redynamisation du secteur rizicole en Afrique ; Une stratégie de recherche pour le développement 2011-2020

CGIAR et Africarice, (2011), Acquis de la crise rizicole : Politique pour la sécurité alimentaire en Afrique.

Annexe

Angrist J., Imbens G. W., et Rubin D. (1996) se place dans le cas d'une affectation aléatoire de l'instrument Z, indépendant du revenu et supposent que les defiers n'existe pas. Plus précisément ils supposent que :

Ceci permet d'écrire :

D'après la condition d'exclusion

Donc :

Car d'après l'hypothèse de monotonicité (pas de defiers)

De même on montre que et donc

L'estimateur ne mesure donc que l'effet du traitement pour ces compliers. Si l'effet du traitement est homogène, cen'est pas un problème. Si non on identifie seulement l'effet local

L'effet n'est identifié que sur une sous population particulière.

Encadré B.2. Egalité des paramètres sous l'hypothèse d'indépendance conditionnelle

Figure C1: Boite à moustache du nombre de fois où les ménages Béninois tombent malade.

Figure : Boite à moustache du nombre de fois où les ménages Béninois tombent malade.

Tableau5 : Répartitions des riziculteurs Béninois et Nigérians selon la source connaissance de la technologie, le type d'écologie

	BENIN	NIGERIA	Total
Source de connaissance
Service de vulgarisation	6.0	14.6	8.5
Paysan d'un autre village	3.0	14.6	6.4
Paysan du village	53.0	68.3	57.4
Expérience personnelle	38.0	2.4	27.7
Total	100.0	100.0	100.0
Type d'écologie
Bas-fond	91.1	0.0	63.4
Plateaux	8.9	29.0	15.0
Plaine	0.0	71.0	21.6
Total	100	100	100

Tableau B1 : quelques statistiques descriptives relatives aux informations socio-économiques.

	BENIN	NIGERIA	Total
Activité secondaire
Agriculture	10.1	15.9	11.9
Elevage	13.9	2.9	10.6
Artisanat	9.5	10.1	9.7
Commerce	17.1	1.4	12.3
Employé	3.2	0.0	2.2
Aucune	32.9	1.4	23.3
Autre à préciser	13.3	4.3	10.6
Pêche/chasse	0.0	63.8	19.4
Total	100.0	100.0	100.0
classe d'âge des riziculteurs
Entre 25 et 34	13,9	20,3	15,9
Entre 35 et 44	19	26,1	21,1
Entre 45 et 54	32,9	14,5	27,3
55 et plus	34,2	39,1	35,7
Total	100	100	100
Sexe
Non	87.3	94.2	89.4
Oui	12.7	5.8	10.6
Total	100.0	100.0	100.0
Poly
Non	73.4	60.9	69.6
Oui	26.6	39.1	30.4
Total	100.0	100.0	100.0
Accès au crédit
Non	29.1	55.1	37.0
Oui	70.9	44.9	63.0
Total	100.0	100.0	100.0

Tableau B2: utilisation de la technologie se- Tableau B3 : utilisation de la technologie lon le type d'écologie au Benin selon le type d'écologie au Nigéria

Benin				NIGERIA
	Utilisation en 2012				Utilisation en 2012
Type d'ecologie	Non	Oui	Total	Type d'ecologie	Non	Oui	Total
Bas-fond	93.2	85.0	91.1	Plateaux	27.1	40.0	29.0
Plateaux	6.8	15.0	8.9	Plaine	72.9	60.0	71.0
Total	100.0	100.0	100.0	Total	100.0	100.0	100.0

Tableau B4 : utilisation de la technologie se- Tableau B5 : utilisation de la technologie lon la source de connaissance au Benin selon la source de connaissance au Nigéria

Benin				NIGERIA
	Utilisation en 2012				Utilisation en 2012
SOURCE	Non	Oui	Total	SOURCE	Non	Oui	Total
Service de Vulg	4.2	10.7	6.0	Service de Vulg	16.7	0.0	14.6
Paysan Autre V	4.2	0.0	3.0	Paysan Autre V	11.1	40.0	14.6
Paysan du Vill	50.0	60.7	53.0	Paysan du Vill	72.2	40.0	68.3
Experience Pers	41.7	28.6	38.0	Experience Pers	0.0	20.0	2.4
Total	100.0	100.0	100.0	Total	100.0	100.0	100.0

Tableau B6: utilisation de la technologie se- Tableau B7 : utilisation de la technologie lon l'activité secondaire au Benin selon l'activité secondaire au Nigéria

Benin				NIGERIA
	Utilisation en 2012				Utilisation en 2012
ACTIVITE SECOND	Non	Oui	Total	ACTIVITE SECOND	Non	Oui	Total
Agriculture	8.5	15.0	10.1	Agriculture	13.6	30.0	15.9
Elevage	16.1	7.5	13.9	Elevage	3.4	0.0	2.9
Artisanat	12.7	0.0	9.5	Artisanat	10.2	10.0	10.1
Commerce	17.8	15.0	17.1	Commerce	1.7	0.0	1.4
Employé	0.8	10.0	3.2	Aucune	1.7	0.0	1.4
Aucune	30.5	40.0	32.9	Autre à préciser	3.4	10.0	4.3
Autre à préciser	13.6	12.5	13.3	Pêche/chasse	66.1	50.0	63.8
Total	100.0	100.0	100.0	Total	100.0	100.0	100.0

Tableau B8 : utilisation de la technologie se- Tableau B9 : utilisation de la technologie lon l'accès au crédit au Benin selon l'accès au crédit au Nigéria

Benin				Nigeria
	Utilisation en 2012				Utilisation en 2012
Accès crédit	non	oui	total	Accès crédit	non	oui	total
Non	29.7	27.5	29.1	Non	59.3	30.0	55.1
Oui	70.3	72.5	70.9	Oui	40.7	70.0	44.9
Total	100.0	100.0	100.0	Total	100.0	100.0	100.0

Tableau B11 : utilisation de la technologie se- Tableau B12 : utilisation de la technologie lon qu'ils soient polygames au Benin selon qu'ils soient polygame au Nigéria.

Benin				Nigeria
	Utilisation en 2012				Utilisation en 2012
Polygamie	Non	Oui	Total	Polygamie	Non	Oui	Total
Non	69.5	85.0	73.4	Non	59.3	70.0	60.9
Oui	30.5	15.0	26.6	Oui	40.7	30.0	39.1
Total	100.0	100.0	100.0	Total	100.0	100.0	100.0

Tableau B13 : utilisation de la technologie se- Tableau B14 : utilisation de la technologie lon la formation agronomique au Benin selon la formation agronomique au Nigéria.

Benin				Benin
	Utilisation en 2012				Utilisation en 2012
Format agro	Non	Oui	Total	Format agro	Non	Oui	Total
Non	67.8	65.0	67.1	Non	79.7	80.0	79.7
Oui	32.2	35.0	32.9	Oui	20.3	20.0	20.3
Total	100.0	100.0	100.0	Total	100.0	100.0	100.0

* ¹Les importations Nigériane représentent à elle seule 40% du riz importé et seule la production Malienne répond à 90% de sa demande.

* ²Ecosystème à bas rendement car dépendant uniquement de la quantité d'eau de pluie qui tombe pendant la saison de pluie.

* ³Les surfaces irriguées occupent seulement 13% de surface contre 80% pour la riziculture pluviale

* ⁶http://fr.wikipedia.org/wiki/Groupe_consultatif_pour_la_recherche_agricole_internationale

* ⁷ Plusieurs études ont été réalisées sur l'évaluation d'impact technologies améliorées, mais peu ont fait l'impact de l'amélioration de la technologie, et ce sur le rendement.

* ¹¹ Les technologies agronomiques sont celles qui affectent la production du riz pendant la récolte et la post récolte.

* ¹² FAO. Produire plus avec moins, chapitre2 : Les systèmes d'exploitation agricoles.

Evaluation de l'impact potentiel de la technologie de pulvérisation sur le rendement du riz en Afrique sub-saharienne: cas du Nigéria et du Bénin

REMERCIEMENTS