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%
|
Source : Enquête Africarice/SNRA.
| 
