Application de la méthode d'évaluation contingente à la mesure de la demande et à la planification des investissements scolaires dans les zones sous-scolarisées. Cas des populations Mbororo du nord-ouest Cameroun

INSTITUT PANAFRICAIN POUR LE DEVELOPPEMENT

PANAFRICAN INSTITUTE FOR THE DEVELOPMENT

Option :

Planification,, Pro_grammationEt Gestion Du Développement

SUJET : Application de la méthode d'évaluation contingente à la mesure de la demande et à la planification des investissements scolaires dans les zones sous-scolarisés : Cas des populations MBORORO du Nord-Ouest

Présenté et soutenu par :

Tsemo_gne Sado Alain

Pr Claude N_jom_gan_g
A_gré_gé de sciences économi_ques

Sous la Direction de :

Membres du Jury :

1. Président :

2. Rapporteur :

3. Membre :

I

II

REMERCIEMENTS

Le présent travail n'aurait pu se réaliser sans le précieux appui de mon encadreur le Pr Claude Njomgang, agrégé en économie et enseignant à l'université de Yaoundé II. Je tiens à le remercier pour la rigueur imposée au cours de cette recherche et les corrections apportées à ce travail.

Ma sincère reconnaissance et ma profonde gratitude sont adressées à L'IPD, à sa direction et aux enseignants du programme, à mes camarades de promotion avec qui nous avons eu, tout au long de notre formation, des échanges amicaux et fructueux.

Je tiens également à remercier le staff de PLAN Cameroun, Direction régionale du nord-ouest, ainsi que l'association MBOSCODA, pour leur encadrement lors de mon stage professionnel et lors de la collecte de mes données.

Je tiens enfin à exprimer mes vifs remerciements à messieurs les membres du jury qui m'honorent d'accepter de juger et d'évaluer le présent travail.

III

L'Homme n'est rien sans les Hommes : Il vient dans leurs mains et s'en va dans leurs mains

Cheick Hamidou Kane, l'aventure ambiguë.

iv

SOMMAIRE

Introduction générale

Première partie : Cadre conceptuel et théorique

CHAPITRE PREMIER : FONDEMENTS THEORIQUES DE L'EVALUATION DES BIENS NON MARCHANDS

1. La valeur économique des biens non marchands

2. Bases théoriques de la valorisation économique des biens non marchands

CHAPITRE 2: METHODES D'EVALUATION ECONOMIQUE DES BIENS NON MARCHANDS

1. La méthode des marchés de substitution

2. La méthode indirecte d'évaluation

3. La méthode d'évaluation contingente (MEC)

Seconde partie : Analyse descriptive et économétrique du CAP

CHAPITRE 3 : ANALYSE DESCRIPTIVE DU CONSENTEMENT A PAYER POUR L'EDUCATION DES POPULATIONS MBORORO DU NORD-OUEST

1. Caractéristiques socio-économiques des populations MBORORO du Nord-ouest

2. L'offre en éducation dans la région du nord-ouest

3. Les fréquences des CAP annoncés

4. La fréquence des variables importance et valeur de l'éducation

5. Consentement A Payer Moyen et médian

6. Evaluation du coût social lié à la demande en éducation

CHAPITRE 4 : MODELISATION

1. Les variables

2. Le modèle

3. L'application du modèle à la base de données

4. La prédiction des effets marginaux

Conclusion générale

Références bibliographiques

Annexe

Table des matières

V

LISTE DES TABLEAUX

TABLEAUX	TITRES	PAGES
1	Offre en éducation dans la région du nord-ouest	15
2	CAP annoncés pour l'enseignement primaire	15
3	CAP annoncés pour l'enseignement secondaire général	16
4	CAP annoncés pour l'enseignement secondaire technique	16
5	valeur accordée à l'éducation	17
6	Importance donnée à la qualité de l'éducation	17
7	Moyenne et médiane du CAP par rapport à la méthode des enchères.	17
8	Moyenne et médiane du CAP par rapport à la méthode de la carte de paiement	18
9	Analyse descriptive de la variable Level of education	21
10	Analyse descriptive de la variable Level of education	21
11	Analyse descriptive des variables Distance_prim	22
12	Analyse descriptive des variables Distance_sec	22
13	Analyse descriptive de la variable Number of chidren	23
14	Tableau récapitulatif des variables	23
15	Contrôle du biais de point de départ : Test des moyennes de Student, enseignement primaire	26
16	Contrôle du biais de point de départ : Test des moyennes de Student, enseignement secondaire général	26
17	Contrôle du biais de point de départ : Test des moyennes de Student, enseignement secondaire technique	27
18	Estimation des résultats du modèle, enseignement primaire	28
19	Estimation des résultats du modèle, enseignement secondaire général	28
20	Estimation des résultats du modèle, enseignement secondaire technique	29
21	Test d'homoscédasticité, enseignement primaire	32
22	Test d'homoscédasticité, enseignement secondaire général et technique	33
23	Correction de l'hétéroscédasticité, enseignement primaire	33
24	Correction de l'hétéroscédasticité, enseignement secondaire général et technique	34
25	Prédiction des effets marginaux, enseignement primaire	35
26	Prédiction des effets marginaux, enseignement secondaire général	35
27	Prédiction des effets marginaux, enseignement secondaire technique	36

vi

LISTE DES GRAPHIQUES

GRAPHIQUE	TITRE	PAGE
1	Analyse descriptive de la variable âge	20

VII

SIGLES ET ABREVIATIONS

APE : Association des Parents d'Elèves

CAP : Consentement A Payer

CAPM : Consentement global A Payer Moyen

CAR : Consentement A Recevoir

CFA : Communauté Financière Africaine

MBOSCUDA : Mbororo Social and Cultural Developement Association

MINEDUB : Ministère des Enseignements De Base

MINESEC : Ministère des Enseignements Secondaires

MEC : Méthode d'Evaluation Contingente

NOAA : National Oceanic and Atmospheric Association

PIB : Produit Intérieur Brut

VIII

RESUME

L'objectif de cette étude est de contribuer à fournir des informations susceptibles d'éclairer les décisions des pouvoirs publics dans la mise en oeuvre des politiques d'investissement scolaires en zone sous-scolarisée, le cas des MBORORO du nord-ouest. De façon spécifique, il s'agit d'estimer les dispositions des parents à payer pour l'éducation de leurs enfants et d'identifier les facteurs explicatifs de ces payements. Pour y arriver, une enquête basée sur la méthode de l'évaluation contingente et portant sur 267 ménages a été réalisée dans trois départements de la région du nord-ouest (Mezam, Boyo et Momo), régions fortement peuplées par ces habitants, et dans quatre localités (Bamenda, Santa, Fundong, Mbengwi). Les données de cette enquête ont été analysées en utilisant une approche descriptive et en ayant recours à un modèle économétrique : le modèle Tobit censuré.

Les résultats de l'analyse descriptive indiquent que la majorité des chefs de ménages enquêtés souhaiterait payer annuellement un montant d'environ 7200 FCFA contre la somme de 20000 FCFA nécessaires pour l'enseignement primaire, 20000 FCFA contre la somme de 50000 FCFA nécessaires pour l'enseignement secondaire général, et 24000 FCFA contre la somme de 75000 FCFA nécessaires pour l'enseignement secondaire technique. Les résultats obtenus par l'analyse économétrique montrent que ce montant est influencé par le niveau d'instruction des chefs de ménages, le revenu du ménage et les mariages précoces des jeunes filles.

ix

ABSTRACT

The objective of this study is to contribute to provide information likely to clarify the decisions of public authorities in the implementation of school investment policies in under-scholarized areas, the case of the MBORORO of the North-West. Specifically, we have to estimate the willingness-to-pay of the parents for the education of their children and to identify the explanatory factors of these payments. To reach that target, an investigation based on the contingent valuation method and bearing on 267 families was carried out in four divisions of the area of the North-West (Mezam, Boyo et Momo), areas strongly populated by the MBORORO, and in four localities (Bamenda, Santa, Fundong, Mbengwi). The data of this investigation were analysed using a descriptive approach and by using an econometric model: The Tobit censured model.

The results of the descriptive analysis indicate that the majority of the surveyed family heads would wish to pay annually an amount of approximately 7200 FCFA against the sum of 20000 FCFA necessary for primary school education, 20000 FCFA against the sum of 50000 FCFA necessary for general secondary education, and 24000 FCFA against the sum of 75000 FCFA necessary for technical secondary education. The results obtained by the econometric analysis show that this amount is influenced by the educational level of the family heads, the family income and the early marriages of young girls.

1

INTRODUCTION GENERALE

1. CONTEXTE ET JUSTIFICATION DE L'ETUDE

Les préoccupations sans cesse croissantes pour l'éducation des citoyens ont conduit les pouvoirs publics à engager des politiques d'investissement en matière d'infrastructures scolaires. Cependant, un mauvais jugement en matière des préférences des populations bénéficiaires de ces infrastructures a très souvent conduit à une mauvaise pl1anification et à une contre-performance de la rentabilité de ces infrastructures.

2. PROBLEMATIQUE

Au Cameroun, les populations MBORORO du Nord-ouest restent victimes de la sous-scolarisation,

malgré toute l'attention à eux accordée par les autorités publics. Certains facteurs socio-économiques

expliquent les comportements de ces populations, entre autres :

? Les phénomènes migratoires qui entraînent une instabilité géographique.

? Les mariages précoces qui ont pour conséquences un fort taux de déperdition scolaire

? Le faible taux de revenu (PIB) par habitant dans ces régions

? L'instabilité et la non-pérennité des sources de revenu

Notre travail est sous-tendu par le besoin de combler l'écart entre une situation de départ insatisfaisante, et une situation d'arrivée désirable. De ce fait il est important pour cette étude de permettre aux dirigeants de bâtir une décision publique concernant l'investissement en infrastructures scolaires à partir des intérêts personnels de chacun.

De ce fait la question fondamentale qui fera l'objet de notre étude est la suivante : Quel est le Consentement à payer des parents pour l'éducation de leurs enfants ? Et ensuite comment traduire ce consentement à payer par une politique d'investissement qui réponde aux besoins spécifiques de ces populations ?

3. OBJET DE L'ETUDE

L'objectif général de cette étude est de déterminer la valeur de l'éducation pour les parents MBORORO et de proposer des alternatives pour les politiques de planification en matière scolaire pour ces populations.

De façon spécifique; il s'agira :

? De déterminer la valeur d'un bien social (une école) à partir des consentements à payer

(CAP) de ces populations.

? D'identifier les facteurs explicatifs de ce CAP

? D'évaluer le cout social lié à l'amélioration du niveau de scolarisation chez ces populations

? De proposer des solutions pour une meilleure insertion de ces populations dans le processus

éducatif.

2

4. HYPOTHESES DE RECHERCHE

La méthode d'évaluation contingente part du principe selon lequel sur la base de la théorie du consommateur, il est possible d'attribuer des valeurs monétaires à des biens non-marchand et pour lesquels il n'existe pas de prix susceptible de renseigner sur la valeur de ces biens.

Dans le cadre de notre étude, nous émettons les hypothèses suivantes :

? Pour un individu, la valeur d'une école est évaluée à la satisfaction (utilité) qu'elle lui procure, l'utilité dépendant de sa consommation des biens marchands mais également des quantités disponibles des biens environnementaux.

? Le consentement à payer des individus pour l'éducation de leurs enfants est une bonne mesure du cout social des dommages que leur cause l'absence ou l'insuffisance de cette éducation.

? Le consentement à payer des personnes interrogées (chefs de ménage) est une fonction croissante de leurs revenus, de leur niveau d'instruction, de leur âge et une fonction décroissante du nombre d'enfants qu'ils possèdent et de leur sexe, de l'éloignement de l'école et de la formation offerte.

5. METHODOLOGIE DE LA RECHERCHE

La démarche méthodologique consistera à étudier la rationalité des choix décisionnels des populations concernées en matière d'éducation et de formation. Ceci se fera en 4 phases :

? Le choix des scénarii, des questions de valorisation et des autres questions

Cette étape s'est traduite par un questionnaire de quatre (4) pages comportant des questions fermées et des questions à choix dichotomiques (OUI ou NON)

? L'administration du questionnaire

Le questionnaire a été administré du 4 juillet au 12 septembre 2011. Cette étape a pris en compte:

? Le type d'entretien ; nous avons choisi la méthode par interview directe qui offre un meilleur taux de réponse (environ 90 %).

? Le scénario hypothétique. Cette étape a permis de décrire les actifs à valoriser, c.à.d. l'école et la formation. Il s'est agi d'évaluer, à l'aide des questions appropriées, combien les individus sont prêts à payer pour une formation donnée (intentions émises sur une situation hypothétique)

? Les variables socioéconomiques (âges, sexe, niveau d'études, revenus, religion, situation matrimoniale...)

? Le mode de paiement ; les questions de valorisation, ont été réalisées par la méthode d'enchères et la méthode de la carte de paiement.

? Le traitement des faux zéro : Les individus ont tendance à donner des réponses de la sorte : « je ne veux pas payer...C'est au gouvernement de payer...Je paye déjà assez d'impôts... ». Ces réponses traduisent non un désintéressement pour les conséquences du projet, mais des refus de participation dues à la dimension publique du bien.

Nous avons choisi comme enquêteurs des jeunes gens titulaires d'au moins un BAC ou A' Level et de préférence des jeunes gens MBORORO parlant le FOUFOULDE (langue parlée par les populations MBORORO), afin d'une part d'être en mesure de comprendre le contenu du questionnaire, et d'autre part afin de faciliter le contact avec les parents qui sont en général analphabètes et par nature très susceptibles quand il leur est demandé des informations leur concernant.

3

Pendant toute la durée de cette administration du questionnaire, nous avons essayé d'apporter des solutions aux quelques difficultés mineures rencontrées par les équipes soit par téléphone, soit en organisant des rencontres avec les équipes concernées.

? La collecte des données

L'enquête s'est déroulée dans quatre (4) villes: Bamenda, Fundong, Santa et Mbengwi. Ces villes ont la particularité d'être celles où les populations MBORORO sont les plus représentatives. Pour toute l'enquête nous nous sommes limités à une taille d'échantillon de 227 habitants, selon un échantillonnage aléatoire. La collecte des données par questionnaire a duré en moyenne 20 minutes.

? L'analyse des données

La variable à expliquer est ici le CAP, tandis que les variables explicatives sont des variables socio-économiques ou d'attitude des populations.

Pour l'estimation de la variable à expliquer (CAP), nous procéderons par :

? Une approche par statistiques descriptives pour déterminer les CAP moyens et médians, ainsi que les écarts type

? Une approche par modèles économétriques, notamment le modèle Tobit censuré. Cette approche permettra d'évaluer les déterminants des CAP.

En vue d'une interprétation judicieuse des résultats d'enquête, plusieurs moyens de traitement ont été utilisés. Ainsi, après avoir apuré et réorganisé la base de données, les logiciels économétriques tels que Stata 12 et SPSS 20 ont été utilisés respectivement pour l'analyse économétrique et la statistique descriptive.

6. INTERET DE L'ETUDE

La question de sous-scolarisation des populations MBORORO du nord-ouest pose le problème du choix judicieux des infrastructures scolaires et de leur mode de fonctionnement, ainsi que du choix judicieux du type de formation offerte. Le mode de vie de ces populations, leurs croyances et leurs revenus sont des facteurs susceptibles d'expliquer le fort taux de désintéressement ou de déperdition scolaire.

L'intérêt de ce travail est donc d'obtenir des informations utiles à la décision publique dans un contexte particulier de sous-scolarisation, afin de rendre les politiques d'investissement en infrastructures scolaires socialement désirables, et partant plus efficaces et plus efficient es

7. REVUE DE LA LITTERATURE

? La méthode d'évaluation contingente (MEC)

? Bien qu'élaborée par les économistes au début des années 1960, la Méthode d'Evaluation

Contingente (MEC) ne connaît un véritable démarrage qu'à partir des années 1980.

? On doit à Davis (1963), la première étude fondée sur des techniques d'enquêtes comme

instrument de révélation des préférences.

? L'ouvrage de Mitchell et Carson (1989) « Using Surveys to Value Public Goods: The Contingent Valuation Method. Resources for the Future » favorise le développement de la MEC

4

? L'estimation du consentement à payer

Plusieurs auteurs ont étudié le consentement à payer des ménages. On peut citer, MUNASINGHE (1996), WASIKAMA (1998), MEHU (1992), HOUDEGBE (1999), WHITTINGTON et al, (1990). La plupart de ces études se sont intéressées au domaine de l'environnement. C'est d'ailleurs dans ce domaine que des résultats encourageants et fiables ont été obtenus (WHITTINGTON et al, 1990). Mais le secteur de l'assurance maladie a aussi fait l'objet d'investigation. Les travaux dans ce domaine s'intéressent à l'estimation des primes d'assurance, des tickets modérateurs et aux déterminants de la participation aux systèmes d'assurance santé.

MAO (2000) examine, en milieu rural chinois, la disposition des paysans à payer pour la mise en place d'une coopérative de santé. Il trouve que la disposition à payer pour appartenir à la coopérative est d'environ 1,5 dollars par personne par an. Ce montant représente le dixième des dépenses de santé des ménages. BRAU, BRUNI et PINNA (2004), étudient en Italie, le consentement à payer des populations pour une assurance de santé couvrant les soins de long terme. Ils ont recours à une approche indirecte basée sur la méthode de la variation compensatrice. Ils comparent deux scénarios de couverture de l'assurance. Un scénario avec un taux de couverture de 75% et un autre avec un taux de 50%. Les dispositions moyennes à payer pour ces scénarii varient entre 341 euros et 716 euros.

DONG et al.(2002) comparent dans une étude au Burkina Faso, deux approches utilisées pour obtenir les consentements à payer des populations pour une assurance de santé communautaire à savoir : l'approche du take-it-or-leave-it (TIOLI) et celle du Bidding game. La méthode TIOLI consiste à demander à l'enquêté de se prononcer sur un prix qui lui est proposé (il s'agit de répondre par oui ou par non à un prix proposé). Quant à la technique du bidding game, elle est similaire à un marchandage. Les résultats de leur recherche suggèrent que la disposition moyenne à payer des chefs de ménages pour eux-mêmes est de 2384 FCFA avec la méthode TIOLI et de 3191 FCFA avec celle du Bidding game alors que pour le ménage, elle est de 6448 FCFA et de 9769 FCFA respectivement avec la méthode du TIOLI et du Bidding game.

? formats de questionnaires utilisés pour la détermination du CAP.

? Les questions de type référendum, ou carte de paiement, sont des questions fermées, demandant à l'individu de choisir entre deux modalités, pour le référendum, ou plus de deux, pour la carte de paiement, réduisant le discours à sa plus simple expression. Par contre, dès lors, qu'il s'agit de demander à un individu de préciser des motivations quant à sa réponse à une question de valorisation, c'est-à-dire d'expliciter son jugement, ceci ne peut être fait qu'au moyen des questions ouvertes. Le discours devient alors plus élaboré, fait d'un individu apte à construire une argumentation, extériorisation de la justification de l'action. Se pose alors la question d'une méthode susceptible de saisir l'information contenue dans le discours dans la perspective d'une analyse quantitative. Malheureusement, il n'existe encore, à notre connaissance, que peu d'écrits se rapportant à une théorie du langage en économie, exceptés les travaux de Rubinstein (1996, 1999) et de Glazer et Rubinstein (1997).Les développements proposés par Rubinstein (1999) vont bien dans le sens de la problématique retenue ici, en avançant, par exemple, que, dès lors qu'il s'agit pour un individu d'énoncer un ensemble de préférences, un certain nombre d'entre elles ne peuvent être exprimées dans le langage usuel. Ces travaux ne constituent cependant qu'une avancée théorique et il convient de préciser, dans un cadre empirique, les principes d'une méthodologie adaptée. La proposition de Schkade et Payne (1993), qui utilisent des « protocoles verbaux », technique importée de la psychologie cognitive, est une première tentative en ce sens. Schématiquement, cette méthode consiste à demander aux répondants comment ils ont déterminé leur consentement à payer et d'analyser les discours recueillis sur la base d'une typologie prédéfinie. Une telle approche est toutefois soumise à une critique évidente : dans quelle mesure les discours recueillis ne sont pas des « rationalisations » des consentements à payer déclarés, rendant impossible toute tentative d'interprétation ? Pour contourner cette difficulté, Hollard et Luchini (1999) et Luchini (2000) proposent d'utiliser des questions ouvertes dans lesquelles on demande aux répondants d'évoquer les mots ou expressions que leur évoque le bien soumis à l'évaluation et d'analyser ensuite les propriétés des réponses obtenues sur la base d'une démarche

5

axiomatique fondée sur les théories du choix social. Dans des résultats récents, Flachaire et al. (2002) montrent que les informations fournies par une telle méthode apportent un gain significatif lorsqu'il s'agit d'expliquer des consentements à payer déclarés.

? Le NOAA Panel (Arrow et al., 1993) propose que la valorisation soit traitée à partir d'une question fermée ou technique du référendum, une approche initialement proposée par Bishop et Heberlein (1979). Plus précisément, on propose un montant à un individu, celui-ci répond par l'affirmative ou non à l'offre qui lui est proposée. Selon l'appellation consacrée dans la terminologie de langue anglaise, une telle question est nommée Take-it-or-leave-it approach. Bishop et Heberlein (1979) suggèrent que ce type de question facilite la tâche de l'individu, qui n'a qu'à répondre oui ou non à un prix qui lui est proposé. Un autre argument en faveur de cette solution est celui avancé par Arrow et al. (1993), selon lequel la question fermée est préférable parce qu'elle se rapproche d'une situation de marché où le consommateur accepte ou refuse l'échange selon le prix proposé. La contrepartie de l'utilisation de questions fermées est dans la perte d'information quant au niveau exact des consentements à payer, puisque les réponses fournissent pour chaque individu une borne inférieure ou une borne supérieure. Des échantillons assez grands paraissent alors nécessaires.

? La formulation économétrique du consentement à payer : Le modèle Tobit censuré

Le modèle Tobit (James Tobin, 1958) a été introduit initialement pour décrire la consommation de certains biens durables par les ménages en fonction de leur revenu (Gourieroux, 1989). En effet, en 1958 Tobin a observé que la relation entre les dépenses des ménages en biens durables et le revenu, présente de nombreuses valeurs égales à zéro. L'hypothèse de linéarité et donc l'estimation du modèle par les MCO ne sont plus valables (Gourieroux, 1989).

Ce modèle est utilisé lorsqu'on se trouve dans une situation où la variable dépendante prend zéro pour un nombre important d'observations. L'utilisation d'un modèle Tobit censuré se justifie, pour expliquer le CAP des individus.

Lorsque la variable expliquée n'est connue que sous sa forme discrète, il n'est plus question d'utiliser les moindres carrés ordinaires (MCO), sous peine d'introduire des biais dans les estimations. La solution consiste à postuler l'existence d'une variable latente connue, dont une discrétisation à partir d'un ensemble de seuils permet d'obtenir la variable expliquée.

Pour certains auteurs, le choix du modèle économétrique dépend de l'hypothèse retenue dans le processus d'annonce du CAP. Ainsi, selon eux on peut utiliser la procédure en deux étapes de Heckman (1979) ou un Tobit censuré simple. Dans notre travail, nous retenons le modèle Tobit censuré. Pour faire l'analyse d'une distribution censurée, la formulation du modèle est faite en utilisant une variable latente. Ainsi, si CAPi représente le CAP d'un individu i, le modèle peut s'écrire :

CAPi = Xi? ? ?i

Avec :

? CAPi = CAPi^* si CAPi^* = 0 ? CAPi = 0 sinon

Dans cette spécification, Xi est le vecteur de variables explicatives; ? représente le vecteur des paramètres à estimer et CAPi^* est la variable latente. Les erreurs sont supposées normalement distribuées.

Notre travail se divise en deux parties. La première partie, intitulée « cadre conceptuel et théorique», se subdivise en deux (2) chapitres ; elle présente les fondements théoriques ainsi que les méthodes d'évaluation des biens non-marchand. La seconde partie, intitulée « analyse descriptive et économétrique du CAP », évalue le CAP, identifie ses déterminants et interprète les résultats obtenus.

PREMIERE PARTIE :

6

CADRE CONCEPTUEL ET THÉORIQUE

7

Ce chapitre se propose de donner les méthodes utilisés afin de conférer une valeur économique à des bien non échangeables sur le marché, ainsi que les bases théoriques de cette évaluation.

I. VALEUR ECONOMIQUE DES BIENS NON MARCHANDS

La plupart des biens et services ne sont pas échangeables sur les marchés. Leur valeur économique (le prix que les gens seraient disposés à payer pour ces services) n'apparait pas dans les prix des marchés. La seule façon de leur attribuer des valeurs monétaires est de recourir aux méthodes alternatives d'évaluation.

La démarche d'évaluation économique totale s'inscrit dans le cadre du courant de la science économique appelée «économie du bien-être ». Pour ce courant, le marché est un parfait révélateur de préférence, quelles qu'elles soient. Ces préférences sont exprimées par des consentements à payer et à recevoir, dont l'égalisation fournit en principe le prix de marché. Ainsi parle-t-on d'actifs naturels.

L'économie du bien-être est une branche de l'économie néoclassique. Elle est « individualiste méthodologique », en ce sens que l'agent économique individuel est une parcelle du tout social, ce qui permet de considérer l'intérêt collectif comme étant la somme des intérêts individuels, seuls des individus ayant des intérêts et des buts.

La polémique entourant les questions d'évaluation économique des biens non marchands résulte de la confusion faite entre la valeur économique et toutes autres valeurs, éthiques ou morales par exemple. L'objectif des méthodes d'évaluation n'est pas d'attribuer une valeur universelle indiscutable pour chaque bien, mais d'attribuer une valeur monétaire à ces biens.

La mesure de la valeur des biens et services non marchands suppose la prise en compte de ces dimensions et attributs. Ces valeurs peuvent être liées ou non à un usage donné. La littérature distingue les valeurs suivantes :

I.1 La valeur d'usage

La valeur d'usage se rapporte à l'ensemble des usages qui est fait du milieu, à des fins de production ou de consommation. Elle est composée de la valeur d'usage directe, de la valeur d'usage indirecte et de la valeur d'option.

La valeur d'usage directe résulte de l'utilisation du milieu à des fins de production ou de consommation. Elle regroupe les flux d'utilité dont on profite directement.

La valeur d'usage indirecte est liée au changement de la valeur de production ou de consommation de l'activité qu'elle protège ou soutient et contribue à son bon fonctionnement. Toutefois cette contribution n'est ni commercialisée, ni financièrement rétribuée mais reste directement liée aux activités économiques.

La valeur d'option correspond à une valeur d'usage particulière. Elle correspond à ce que les usagers sont prêts à payer pour maintenir l'option d'usages futurs, et pas toujours connus, du bien. Elle réside dans le désir de profiter d'une certaine ressource dans le futur. Même si les individus n'en tirent pas à l'heure actuelle davantage d'usage directe ou indirecte, ils souhaitent la conservation de ces biens comme option dans l'avenir. Cette catégorie de valeur intervient lorsqu'on a aucune certitude quant à

8

la future demande d'un bien et/ou à sa disponibilité. La valeur d'option permet d'introduire le temps dans l'évaluation et la décision.

I.2 La valeur de non-usage

Théoriquement la valeur d'un bien admettant une demande est plus liée à la valeur d'usage. Cependant certaines valeurs sont liées à la conviction morale des usagers. Ces valeurs représentent la valeur de non usage des biens non marchands.

La valeur de non-usage correspond à une perception non utilitariste du bien. Bien que non utilitaires, ces valeurs seront évalués à l'aide du référent monétaire au prétexte que les humains accordent aussi une valeur au fait de savoir qu'un bien existe, même s'ils ne l'utilisent jamais directement. Deux(2) types de valeurs de non-usage sont dénombrés dans la littérature: La valeur d'existence et la valeur d'héritage.

La valeur d'existence est liée au fait que les individus peuvent attribuer une valeur aux biens même s'ils n'en font aucun usage présent ou futur. Dans ce cas, il s'agit de valeur intrinsèque ou valeur d'existence. Elle découle du simple plaisir de savoir qu'un bien existe sans se soucier de savoir s'il sera utilisé ou non.

La valeur d'héritage ou patrimoniale est liée au souhait des agents de transmettre le bien à leurs descendants

I.3 La valeur économique totale.

La valeur économique totale est obtenue par agrégation des valeurs partielles pour un agent donné. Ce que l'on cherche à mesurer n'est pas la valeur économique d'un élément non marchand, mais les variations de « bien-être » engendrées par une variation de la disponibilité et de la qualité des biens et services non marchands.

II. BASES THEORIQUE DE LA VALORISATION ECONOMIQUE DES BIENS NON MARCHANDS

L'objectif est de pouvoir exprimer en grandeur monétaire une diminution ou une augmentation de la fonction d'utilité des individus, suit à une dégradation ou une amélioration de la qualité du bien ou du service. Les préférences des individus pour une qualité donnée et le surplus du consommateur sont certainement les outils conceptuels les mieux adaptés à la quantification de cette grandeur.

La théorie du choix du consommateur est basée sur l'hypothèse fondamentale selon laquelle un individu cherche à maximiser son utilité totale, c.à.d son surplus sous contrainte de son revenu et des prix. Le surplus du consommateur étant la différence entre la somme de monnaie maximale que le consommateur est disposé à verser pour obtenir une certaine quantité d'un bien et la dépense qu'il doit supporter pour obtenir la quantité de bien considéré.

Les formalisations mathématiques du surplus selon les analyses de Marshall et de Hicks sont retenues. Selon Marshall, le surplus du consommateur se définit à partir de la courbe de demande du marché qui est obtenue en faisant la sommation des demandes individuelles. Si les prix varient, le surplus du consommateur variera en sens opposé. Hicks, par contre, propose d'évaluer la variation du bien-être d'un individu à partir de la courbe de demande compensée.

Ainsi la prise en compte ou non de l'effet revenu conduit à la définition de quatre(4) surplus du consommateur : La variation compensatrice des prix, la variation compensatrice du revenu, la variation équivalente des prix et la variation équivalente des revenus.

La variation compensatrice du revenu donne la somme maximale (minimale) qui doit être prélevée

9

sur le revenu du consommateur (ajoutée au revenu du consommateur) pour que son bien-être reste inchangé malgré la baisse (la hausse) des prix.

Quant à la variation équivalente, elle mesure la somme maximale (minimale) qui doit être donnée (prélevée) à un consommateur pour maintenir son bien-être à un niveau équivalent à une baisse (hausse) de prix.

Pour apprécier le changement de la situation d'un individu entre un état initial et un état final, on utilise davantage la variation compensatrice du revenu et la variation équivalente du revenu. La notion du surplus du consommateur se situe donc entre variation compensatrice et variation équivalente du revenu. Elle représente une approximation satisfaisante de la variation de l'utilité du consommateur.

Les préférences des individus sont révélées sur le marché et s'exprime en terme de consentement à payer (CAP) et de consentement à recevoir (CAR). Le CAP est la somme maximale d'argent qu'un individu est prêt à payer plutôt que de renoncer à une amélioration d'un service rendu par un service non marchand. Le CAR est la somme minimale d'argent qu'un individu exigerait pour volontairement renoncer à une amélioration de la qualité de service rendu par un bien non marchand. Autrement dit, c'est la compensation monétaire que le consommateur est prêt à recevoir pour subir une perte de bien-être.

Le CAP se réfère au niveau initial d'utilité, c'est-à-dire au bien être actuel tel qu'il est vécu par la personne interrogée. Ce choix conduit donc à raisonner par rapport à une situation connue, plus facile à appréhender que celle qu'implique le CAR. Une critique traditionnelle de l'utilisation du CAR porte sur l'absence de contrainte budgétaire qui peut conduire les personnes interrogées à des annonces irréalistes.

En pratique, on choisit généralement d'évaluer le CAP, c'est-à-dire la variation de revenu compensatoire en cas d'amélioration, et la variation de revenu équivalente en cas de détérioration. Deux raisons sont à l'origine de ce choix. Théoriquement, d'une part, le CAP donne une valeur minimale de la variation de bien-être à évaluer, ce qui permet de défendre sa crédibilité, dans le cadre d'une action en justice, par exemple, où des dommages et intérêts seraient demandés. Cette première analyse ne donne éthiquement que très peu de crédit à la primauté du CAP sur le CAR, puisqu'elle ne se justifierait que par la crédibilité qu'elle offre face à la justice et non sur une base éthique ou déontologique. Empiriquement, d'autre part, l'écart entre CAP et CAR est aggravé par le fait que les agents ont tendance à valoriser davantage toute perte de bien-être que les gains équivalents, et toute réduction de leurs pertes que les réductions de gains envisageables.

Cependant, un tel choix est contesté : rien ne justifie d'écarter le CAR sous prétexte qu'il est très fort, voire infini.

10

Les méthodes d'évaluation des biens non marchands peuvent être classées en trois catégories.

La première catégorie consiste à évaluer le consentement à payer pour des mesures de protection de ces biens par référence à des marchés existants considérés comme « marchés de substitution », c'est- à dire se substituant à un marché qui n'existe pas en tant que tel.

La deuxième catégorie de méthode s'efforce d'affecter une valeur monétaire à des dommages préalablement évalués en termes non monétaire (physique).

La troisième catégorie de méthode, en créant un marché artificiel ou « quasi-marché », a pour objectif de réaliser une évaluation directe des fonctions de demande.

I. LA METHODE DES MARCHES DE SUBSTITUTION

Puisque le marché ne permet pas une évaluation « spontanée » des valeurs non marchandes, on peut chercher à identifier des comportements économiques qui reflètent indirectement le CAP des individus. Par l'observation de certains marchés, on cherchera donc une évaluation monétaire indirecte de ce CAP. L'évaluation des dépenses de protection, les « prix hédoniste», l'évaluation des dépenses de déplacement font partie des méthodes des marchés de substitution.

I.1. La méthode des prix hédoniques

Cette méthode repose sur l'idée simple selon laquelle la valeur d'un bien immobilier (bâtiment ou terrain) n'est pas seulement déterminée par ses seules caractéristiques matérielles intrinsèques (taille, matériaux de construction, nombre de pièces, garage etc. ...) mais également par une série de caractéristiques environnementales(ou «attributs ») telles que l'accessibilité, la proximité de services (magasins, école, espaces verts...). On peut ainsi penser que toutes choses égales par ailleurs, la valeur d'une école sera plus grande en zone aménagé, propre, accessible et agréable qu'en zone sale, non accessible et peu convenante.

I.2. La méthode du coût des voyages

Tandis que la méthode des prix hédonistes repose sur l'étude du marché immobilier, la méthode du coût des voyages se fonde sur l'analyse du comportement de consommation sur le « marché » des dépenses de déplacement pour se rendre sur un lieu donné. On cherche ainsi à évaluer le CAP pour se rendre et rester sur un site.

II. LA METHODE INDIRECTE D'EVALUATION

Cette méthode est considérée comme indirecte parce que contrairement aux autres méthodes, on ne cherche pas à évaluer les dommages ni à mesurer le CAP par une référence directe aux marchés ou « quasi-marchés ». Cette approche consiste à procéder d'abord à une mesure « physique » (non monétaire) des dommages. Les modifications du bien non marchand sont évaluées en observant les changements physiques intervenus. Par exemple, dans le cadre de notre étude mesurer le taux d'alphabétisation, du taux de chômage, le nombre de mariages précoces...

III. LA METHODE D'EVALUATION CONTINGENTE (MEC)

11

III.1. Présentation de la méthode

La démarche courante de l'économie appliquée consiste à observer le comportement réel des agents. La MEC adopte une démarche différente. Cette méthode, encore appelée méthode des marchés hypothétiques ne repose pas sur une référence à des marchés existants mais procède à une évaluation directe du CAP, au moyen d'enquêtes et de questionnaires. Dans la méthode d'évaluation contingente, le marché ou le montant à payer pour acquérir le bien ou le service sont hypothétiques. L'individu est interrogé au sujet de son évaluation contingente. La MEC est basée sur la valeur d'utilité. L'utilité que nous procure un bien lui procure sa valeur.

La MEC est employée chaque fois que le marché ne permet pas d'utiliser les méthodes directes de révélation des préférences ou lorsque l'intervention publique ne peut s'appuyer sur aucune donnée disponible.

Le questionnaire joue un rôle central dans la démarche. Il détermine la qualité des résultats obtenus. Une étude contingente comporte quatre(4) étapes essentielles : Le type d'entretien, le scénario hypothétique, le véhicule de paiement et les variables socio-économiques.

Les interviews lors d'une évaluation contingente peuvent se faire par voie postale, par téléphone ou par interview directe. Les meilleurs résultats dans l'exercice de l'évaluation contingente sont obtenus par interview directe avec un taux de réponse supérieure à 90 %, mais elle est plus longue et plus couteuse à réaliser (Desaigues et point, 1993).

La mise en oeuvre du scénario hypothétique est l'étape la plus importante dans les études d'évaluation contingente. Le scénario décrit clairement et de la manière la plus complète possible l'actif à valoriser.

Le véhicule ou support de paiement est un élément essentiel du questionnaire. Il permet d'associer au paiement l'argent qui fournira le bien en contrepartie. Il doit être réaliste et neutre afin que le CAP ne soit pas surestimé. Tout doit être fait pour éviter ou minimiser les non-réponses et les valeurs nulles par refus de paiement (faux zéros).

Le questionnaire est complété par des questions socio-économiques (âge, sexe, éducation, lieu de résidence...). Ces informations permettent de tester la validité du modèle d'évaluation contingente et de construire un modèle généralisable à d'autres contextes.

La question relative à la valorisation du bien peut être envisagée selon différentes modalités. La première d'entre elles correspond à un système d'enchères successives croissantes ou décroissantes. On propose un montant à l'individu et selon la réponse qu'il fournit (acceptation ou refus), on propose un second montant (supérieur ou inférieur), puis un troisième montant, et ainsi de suite.

Une autre solution consiste à utiliser une question ouverte. Il s'agit tout simplement, dans ce cas, de demander aux individus le montant maximal qu'ils sont prêts à payer (leur Consentement A Payer).

On peut également utiliser une carte de paiement. Celle-ci consiste en des montants (ou des intervalles) définis à l'avance parmi lesquels l'individu doit choisir celui correspondant à son CAP.

III.2. Les biais liés à la MEC

La Méthode d'Evaluation Contingente s'expose à des difficultés d'analyse importantes. Ces difficultés découlent non seulement de limites opératoires (ex: lourdeur du dispositif d'enquête) mais aussi de multiples biais qu'elle peut impliquer (Bonnieux, 1998; Carson, 1999). Il s'agit notamment du caractère fictif de l'échange proposé qui impose de s'interroger sur la solidité du consentement à payer déclaré ex ante.

La notion de biais suppose implicitement que chaque individu valorise le bien sur la base d'un maximum de l'utilité conformément à la théorie du consommateur. Tout écart à ce programme d'optimisation est alors considéré comme un biais.

Cummings et al. ont identifié six « biais » à éviter dans ces évaluations :

·

12

Le biais stratégique, qui se manifeste lorsque les personnes interrogées donnent à dessein des réponses fausses, sachant que dans la réalité elles ne devront effectuer aucun paiement. Si les enquêtés perçoivent les conséquences de l'expérience, il est possible qu'ils se comportent stratégiquement et de ce fait ne révèlent pas leurs vraies préférences (en se comportant comme des cavaliers solitaires) ; le répondant à tendance à exagérer (resp. à réduire) la disposition à payer (resp. à accepter) une compensation selon son anticipation de l'avenir.

· Le biais du point de départ (ou biais initial) ou encore biais d'encrage, qui est lié à l'influence des premiers ordres de grandeur (« enchère ») suggérés par l'enquêteur (« accepteriez-vous de payer telle somme? »). L'enquêté peut se sentir enfermé dans une certaine fourchette; il faut dès lors veiller à ce que les valeurs exprimées soient à la fois « libres » et « réalistes ».

· Le biais informationnel découle de la nature de l'information fournie à l'enquêté: information sur l'importance de l'éducation, sur les comportements à adopter, les dépenses à engager, etc.

· Le biais instrumental, qui traduit la sensibilité des valeurs révélées en fonction des moyens de paiements proposés (majoration d'impôts, droit d'entrée, augmentation du prix de certains biens et services tels que l'électricité ou l'eau, etc.): on accepte plus facilement certaines formes de paiement que d'autres.

· Le biais hypothétique, qui est dû à l'absence de conséquence financière du choix exprimé: sur un marché réel, une erreur de choix ou de calcul est sanctionnée par une perte; sur un marché hypothétique, il n'en est rien. Selon Barde (1992), la méthode des marchés hypothétiques comporte des difficultés liées en particulier aux problèmes de « mise en condition » des personnes interrogées, dont certaines refusent parfois de jouer le jeu. On peut ainsi douter de la précision de ces évaluations en raison même du caractère hypothétique des situations. Un problème essentiel est de s'assurer que les enquêtés sont bien incités à dire la vérité.

Ce biais survient lorsque l'individu ne peut pas se projeter dans la situation d'une transaction hypothétique. Il est dû au manque de familiarité avec le marché hypothétique et le manque d'informations sur le bien ou le service.

· Le biais opérationnel, enfin, qui correspond au degré de cohérence entre le marché hypothétique et le marché réel. Il importe que l'enquêté ait une connaissance aussi bonne que possible des biens qu'on lui demande d'évaluer. On établit ainsi une liste de « conditions opérationnelles de référence » qui définissent les nécessaires « passerelles » avec la réalité.

On notera par ailleurs que les sommes révélées peuvent également varier selon que l'on demande combien l'on consentirait à payer pour obtenir une amélioration ou quel montant l'on exigerait en compensation des dommages subis.

III.3. Avantages de la méthode

La méthode d'évaluation contingente présente l'avantage d'être universelle puisque théoriquement applicable à l'ensemble des biens non marchands. L'expérience montre qu'elle est particulièrement utile et adaptée pour l'évaluation des biens et services «intangibles ».

Concernant la problématique des biais, on peut faire l'hypothèse que la nature de l'objet «éducation » peut aider à contourner certaines difficultés. A titre d'exemple, la sensibilité collective à cette question ainsi que le caractère concret des effets de la sous-scolarisation induisent de larges connaissances chez un nombre élevé d'habitants. Ces caractéristiques ont aidé, par exemple, à maitriser l'occurrence du biais informationnel sur les Consentements A Payer déclarés.

Plus globalement, en tant que procédé heuristique, cette méthode d'évaluation contingente permet d'approcher statistiquement le potentiel explicatif de paramètres ne pouvant être abordés par les autres procédés d'évaluation. En ce sens, et malgré les limites et les biais qu'elle implique, elle permet d'étoffer la fonction de demande, donc de mieux saisir l'intentionnalité et la rationalité qu'elle incarne. L'engouement, par les économistes depuis peu, pour cette méthode découle de ce potentiel explicatif.

DEUXIEME PARTIE :

14

ANALYSE DESCRIPTIVE ET ÉCONOMÉTRIQUE DU CAP

15

Pour déterminer les facteurs explicatifs du CAP, nous présenterons à la suite les populations MBORORO du nord-ouest, ensuite une analyse descriptive, une analyse économétrique des déterminants du CAP. Toutefois, il faut rappeler que les questionnaires utilisés pour l'enquête comportent trois (3) sections. La première section porte sur les informations concernant les parents. La deuxième section porte sur le l'attitude des parents vis-à-vis de l'éducation de leurs enfants. La troisième section a trait aux questions de valorisation. Cette section met aussi l'accent sur la MEC et sur le CAP. Un format de questionnaire avec la méthode d'enchères et un autre format avec une carte de paiement sur le CAP sont les deux formats de questionnaires qui ont été utilisés.

I. CARACTERISTIQUES SOCIO-ECONOMIQUES DES POPULATIONS MBORORO DU NORD- OUEST

I.1 Origine

Les MBORORO sont un sous-groupe ethnique du groupe FULANI, qui se traduit littéralement par « qui parle FUFULDE ». Ils sont originaires du nord de l'Afrique, et se sont installés dans le reste du continent par migrations successives, au cours des siècles.

Les premières installations des MBORORO dans le nord-ouest remontent à 1918-19. Ils sont alors à la recherche des hautes prairies et des sources natronées, choses propices à l'élevage du bétail.

I.2. Mode de vie et sources de revenus

Les MBORORO se caractérisent par une même façon de vivre et par des occupations presqu'exclusivement pastorales. En même temps que la fixation des éleveurs en saison de pluie, la transhumance de saison sèche est généralisée. Pour les MBORORO, le bétail n'est pas séparé de la population, il en fait un « campement » : Lieu des hommes et des troupeaux. L'endroit n'est pas habité pour lui-même, mais parce que le bétail revient là chaque soir, qu'il y reste et qu'il s'y repose. Les MBORORO ne peuvent vivre avec leurs troupeaux qu'en s'isolant en brousse. Pour ces populations, la brousse n'est pas l'étendue non humanisée et inquiétante des cultivateurs ; c'est le cadre familier de vie des animaux et des gens qui s'en occupent.

L'attention apportée par le gouvernement Camerounais au règlement des conflits entre éleveurs et cultivateurs, l'encadrement des populations par les services sociaux, semblent augurer que les populations MBORORO du nord-ouest s'intègrent à la région ; pourtant ce n'est pas le cas.

Les éleveurs affirment qu'ils ne sont pas considérés comme des citoyens à part entière. Ils se heurtent à une défiance, à une inhospitalité permanente de la part des villageois.

Les MBORORO du nord-ouest n'ont jamais réussi à être représentés par une institution officielle. Ils n'ont aucune autorité administrative. Ils sont organisés, au niveau local, autour des ARDO (patriarche MBORORO), ce qui préserve, d'une certaine manière, leur identité.

16

II. OFFRE EN EDUCATION DANS LA REGION DU NORD-OUEST

Il ressort du tableau de l'annexe 2 que l'offre en éducation dans le nord-ouest présente les caractéristiques suivantes :

> Diverse et variée pour ce qui est de l'enseignement primaire, avec une forte concentration d'établissements scolaires dans le Dongamantum et la Mezam.

> Peu fournie pour ce qui concerne l'enseignement secondaire général, surtout dans la Mentchum et le Boyo.

> Très pauvre en enseignement technique, qui est quasi-inexistante dans la Mentchum et le Ngoketundja.

Pour les populations qui nous concernent, les localités où elles sont le plus représentées (BOYO, Momo et Mezam) sont très pauvres en établissements enseignement technique et peu fournies en établissements d'enseignement général.

On s'attendrait donc à ce que les CAP de ces populations pour ce qui est de l'enseignement technique soient fortement influencés par cette situation.

III. LES FREQUENCES DES CAP ANNONCES A partir des tableaux 2,3 et 4 de l'annexe 3, on remarque ce qui suit :

> Pour l'enseignement primaire, 83 % des enquêtés ont un CAP annoncé par an en deçà de 10000 FCFA, tandis que 34 % ont un CAP annoncé de 2000 FCFA qui est le mode de la série. On remarque aussi que 0.4 % des enquêtés ont un CAP nul.

> Pour l'enseignement secondaire général, 90,8 % des enquêtés ont un CAP annoncé par an en deçà de 30000 FCFA, tandis que 40,1 % ont un CAP annoncé de 10 000 FCFA qui est le mode de la série. On remarque aussi que 0.5 % des enquêtés ont un CAP nul.

> Pour l'enseignement secondaire technique, 88,3 % des enquêtés ont un CAP annoncé par an en deçà de 30000 FCFA, tandis que 37,8 % ont un CAP annoncé de 10 000 FCFA qui est le mode de la série. On remarque aussi que 0.6 % des enquêtés ont un CAP nul.

> 7,5 % des enquêtés n'ont pas déclaré de CAP pour ce qui concerne l'enseignement primaire, 18,7 % pour ce qui concerne l'enseignement secondaire général et 32,6 % pour ce qui est de l'enseignement technique.

Il ressort de ces observations ce qui suit :

> Les enquêtés ont conscience de la valeur de l'éducation de leurs enfants, car le pourcentage des CAP nuls est négligeable. Mais en même temps ils annoncent qu'ils n'ont pas de revenus suffisants.

> Le taux de CAP non déclarés croît à mesure que le cycle d'éducation et le type d'éducation devient supérieur ou plus complexe (enseignement primaire, enseignement secondaire général, enseignement secondaire technique).

IV. LA FREQUENCE DES VARIABLES « IMPORTANCE DE L'EDUCATION » ET « VALEUR DE L'EDUCATION »

Les variables Valeur accordée à l'éducation et Importance donnée à la qualité de l'éducation représentent la perception que les enquêtés ont de l'éducation de leurs enfants. Ainsi aux questions « Estes-vous concernés par l'éducation de vos enfants » et « Accordez-vous de l'importance à la qualité de cette éducation », les enquêtés ont fourni des réponses résumés dans les tableaux5 et 6 en annexe 4.

17

V. CONSENTEMENT A PAYER MOYEN ET MEDIAN

Pour ce qui est de la méthode des enchères (tableau 7, annexe 5), il en ressort ce qui suit :

> Pour l'enseignement primaire, le Consentement A Payer Moyen des individus est de 7271,26 FCFA par an et la valeur maximale du CAP est de 20 000 FCFA. La médiane est de 5000 FCFA.

> Pour l'enseignement secondaire général, le Consentement A Payer Moyen des individus est de 19861,75 FCFA par an et la valeur maximale du CAP est de 50 000 FCFA. La médiane est de 20 000 FCFA.

> Pour l'enseignement secondaire technique, le Consentement A Payer Moyen des individus est de 23555,56 FCFA par an et la valeur maximale du CAP est de 75 000 FCFA. La médiane est de 20 000 FCFA.

Pour ce qui est de la méthode dela carte de paiement (tableau 8, annexe 5), il en ressort ce qui suit :

> Pour l'enseignement primaire, le Consentement A Payer Moyen des individus est de 6203,92FCFA par an et la valeur maximale du CAP est de 20 000 FCFA. La médiane est de 5000 FCFA.

> Pour l'enseignement secondaire général, le Consentement A Payer Moyen des individus est de 18070,18 FCFA par an et la valeur maximale du CAP est de 50 000 FCFA. La médiane est de 10 000 FCFA.

> Pour l'enseignement secondaire technique, le Consentement A Payer Moyen des individus est de 19136,13 FCFA par an et la valeur maximale du CAP est de 75 000 FCFA. La médiane est de 10 000 FCFA.

On remarque que dans les deux cas, les statistiques sont approximativement identiques, en dehors des CAP médian pour l'enseignement secondaire général et technique.

VI. EVALUATION DU COUT SOCIAL LIE A LA DEMANDE EN EDUCATION

6.1. Le Consentement global A Payer Moyen (CAPM)

Pour calculer le Consentement A Payer Moyen, la littérature suggère que ces moyennes tiennent compte des personnes qui refusent de participer financièrement au programme (Carson, 1999).

Le consentement A Payer Moyen représente ce qu'un individu est disposé à payer pour l'éducation de ses enfants.

> Pour l'enseignement primaire:

Le consentement A Payer Moyen (CAPM) pour le premier format de questionnaire est de : 7271,26 FCFA par an.

Le consentement à payer moyen pour le questionnaire avec la carte de paiement est de : 6203,92 FCFA par mois.

Le consentement à payer moyen total est de : [(7271,26 +6203,92) /2] = 6737,59 FCFA par an et par individu.

> Pour l'enseignement secondaire général:

Le consentement A Payer Moyen (CAPM) pour le premier format de questionnaire est de : 19861,75 FCFA par an.

Le consentement à payer moyen pour le questionnaire avec la carte de paiement est de : 18070,18 FCFA par mois.

Le consentement à payer moyen total est de : [(19861,75 +18070,18) /2] = 18965,96 FCFA par an et par individu.

? Pour l'enseignement secondaire technique:

Le consentement A Payer Moyen (CAPM) pour le premier format de questionnaire est de : 23555,56 FCFA par an.

Le consentement à payer moyen pour le questionnaire avec la carte de paiement est de : 19136,13 FCFA par mois.

Le consentement à payer moyen total est de : [(23555,56 +19136,13) /2] = 21345,84 FCFA par an et par individu.

6.2. Le coût social

L'évaluation du coût social de l'éducation chez les populations MBORORO du nord-ouest consistera à faire le produit du Consentement A Payer Moyen et du nombre de personnes en âge scolaire. Ce produit est encore appelé Consentement A Payer Total (CAPT) ou coût social de l'éducation.

Actuellement, la population scolarisée est estimée à 12000 habitants, répartie comme suit : 7000 jeunes pour le primaire et 5000 pour le secondaire.

? Pour l'enseignement primaire

CAPT = CAPM*Pop =6737,59 *7000= 47 163130 FCFA par an

? Pour l'enseignement secondaire

Les 5000 jeunes en âge scolaire sont répartis entre l'enseignement général et l'enseignement technique, pour une moyenne du CAPM de [(18965,96 + 21345,84)/2] = 20155,9 FCFA

CAPT = CAPM*Pop =20155,9*5000= 100779500 FCFA par an

Le coût social de l'éducation des jeunes MBORORO du nord-ouest peut être estimé à 47136130 FCFA + 100 779500 FCFA soit :

18

CAPT = 147915630 FCFA par an.

19

Ce chapitre présente la partie pratique de notre étude. Elle présente les variables utilisées, le modèle de simulation, les différents résultats obtenus. L'analyse économétrique présente la significativité de ces différents résultats ainsi que les interprétations qui peuvent en être faits.

I. LES VARIABLES

Comme dans tout modèle économétrique, le modèle que nous allons présenter comporte deux types de variables ; la variable que nous cherchons à expliquer appelée variable expliquée ou variable dépendante et la ou les variables explicatives c'est-à-dire celle(s) qui serviront à expliquer l'évolution de la première citée.

I.1. La variable dépendante (CAP)

La variable dépendante ou variable expliquée de ce modèle est le consentement à payer des agents pour l'éducation de leurs enfants. De façon plus pratique, elle représente le montant qu'un individu serait disposé à payer pour subvenir aux frais liés à l'éducation et à la formation scolaire.

Dans le cadre de notre étude et compte tenu du contexte, nous avons distingué le CAP lié à l'enseignement primaire, le CAP lié à l'enseignement secondaire général et le CAP lié à l'enseignement secondaire technique.

I.2. Les variables explicatives

Les variables mentionnées dans le questionnaire et qui pourraient éventuellement expliquer la disposition des individus à payer pour l'éducation de leurs enfants sont :

Age :

Il s'agit de l'âge de l'enquêté. Plus ce dernier est jeune plus il accorde une importance à l'éducation de ses enfants. On pourrait s'attendre donc à ce les personnes moins âgés soient plus disposés à financer l'éducation que les vieillards, ces derniers étant plus encrés dans les traditions.

? Analyse descriptive de la variable âge

Il apparait du graphique 1 de l'annexe 6 que la moyenne d'âge est de 43 ans, avec près de 20 % d'enquêtés âgés autour de cette tranche d'âge.

Niveau d'instruction :

Le niveau d'instruction est une variable d'intérêt .Selon qu'un individu est d'un niveau d'instruction élevé ou pas, il pourrait se faire une idée plus juste de l'importance de l'éducation et des dangers de la sous-scolarisation. Le niveau d'éducation pourrait donc avoir un effet positif sur la disposition à payer des individus.

? Analyse descriptive de la variable Level of education

Il apparait du tableau 9 annexe 6 que près de 61,4 % des enquêtés sont sous-scolarisés, et moins de 2,6 % ont fait des études universitaires.

20

Niveau du revenu :

Le niveau de revenu est une variable fondamentale du modèle que nous présentons. A priori l'on pourrait supposer que seuls les individus disposant d'un revenu seraient disposés à payer pour l'éducation de leurs enfants.

Dans le cadre de notre étude, la difficulté a consisté à interroger directement les populations sur leur niveau de revenu. Nous avons donc introduit cette option comme l'une des explications au faible taux de scolarisation des enfants : « Manque de moyens financiers ».

Profession :

Pour les populations MBORORO, La profession du parent est un élément déterminant pour la scolarisation de leurs enfants. En effet, les éleveurs confient leurs troupeaux à leurs enfants qui les mènent dans de lointains pâturages. Ces enfants n'ont donc jamais de contact avec l'école. Quant aux agriculteurs et autres, on s'attendrait à ce qu'ils soient plus enclin à envoyer leurs enfants à l'école.

? Analyse descriptive de la variable profession

D'après le tableau 10 de l'annexe 6, un taux élevé de notre échantillon, à savoir 68,2 % exerce la profession d'éleveur ; 31,8 % se partage les autres activités (fonctionnaires, agriculteurs, chauffeurs...).

Distance :

La distance entre les domiciles et l'école peut expliquer un faible taux de fréquentation des écoles. Plus l'école est proche, plus on s'attendrait à ce que les parents, par mimétisme ou par curiosité, y envoient leur progéniture.

? Analyse descriptive des variables Distance prim et Distance sec

Il apparait du tableau 11 de l'annexe 6 que seul 26 % des enquêtés habitent près de l'école primaire, le reste en est éloigné ou très éloigné.

Le tableau 12 de l'annexe 6 nous renseigne que seul 7 % des enquêtés habitent près de l'école primaire, et 61 % en est très éloigné.

Mariage :

Les mariages précoces des jeunes filles MBORORO sont une cause connue de la sous-scolarisation de ces populations. Ceci est en rapport direct avec les croyances religieuses et ancestrales.

Nombre d'enfants :

Le nombre d'enfants d'un individu peut expliquer le fort taux de de sous-scolarisation ; l'on s'attendrait à ce que plus un individu à d'enfants, plus il est incapable de les envoyer tous à l'école. D'après le tableau 13 de l'annexe 6, on note que la moyenne du nombre d'enfants par individu enquêté est de 7,54 avec un maximum à 25 enfants.

Tableau récapitulatif des variables.

Ce tableau est présenté en annexe 7 et il présente les codifications utilisées lors de la simulation logicielle de chaque variable, ainsi que les effets escomptés.

II. LE MODELE

II.1. Le problème

Nous voulons modéliser le consentement à payer (le montant qu'un individu serait disposé à payer pour l'éducation de ses enfants).

21

Les modèles de régression classique supposent que la variable dépendante est une variable continue. Par conséquent, elle ne saurait prendre une ou plusieurs valeurs données en tant que probabilité non nulle. Cependant, il existe des phénomènes économiques pour lesquels la variable dépendante est continue mais peut prendre des valeurs isolées avec des probabilités finies non nulles: il s'agit des modèles à variables dépendante limitée. Dans ces modèles, la variable dépendante n'est observée que sur un certain intervalle. Par exemple, dans le cas du modèle que nous présentons, on remarque bien qu'il existe des personnes pour lesquelles la disposition à payer est nulle. Dans ce cas, l'échantillon est dit censuré: en effet, on observe une contribution que pour les personnes disposée à payer. La variable CAP (disposition à payer des individus pour l'éducation) est censurée à gauche (CAP>0).

II.2. Les spécifications du modèle

Le modèle proposé par Tobin est le suivant :

Y*i = á + ?Xi ? Ui

Avec :

Yi = Yi^* si Yi^* = 0 Yi = 0 sinon

La variable Y*i représente la dépense en biens durable pour l'individu i, Xi le revenu et Ui le terme d'erreur. Pour un individu qui n'a pas effectué de dépense, Y*i n'est pas observée (variable latente). Il est représenté par la valeur 0.

Dans le contexte de notre étude le même raisonnement reste valable. Les CAP avancés par les parents sont similaires aux dépenses en biens durables des consommateurs. Toute valeur inférieure au coût réel de l'éducation est considérée comme négative.

En plus, le modèle Tobit présente un grand intérêt dans la modélisation des consentements dans le cas où le questionnaire ne prend pas en compte le consentement à recevoir. Son usage est recommandé dans ce cas pour corriger les valeurs extrêmes, encore appelées valeurs aberrantes.

Dans le cadre de notre étude, nous avons tenu à éviter des valeurs aberrantes, en évitant les questions ouvertes et en proposant à l'enquêté des valeurs maximales qui correspondent aux coûts réel de la formation. Ainsi donc lors de la simulation, nous n'avons donc pas censuré le modèle à droite.

Enfin, le cas de non-réponses est d'autant plus difficile à traiter que leur proportion est importante (Particulièrement lorsqu'il s'agit d'interroger les individus sur un mode d'éducation peu répandu et auquel ils ne sont pas habitués : L'enseignement technique). Les personnes n'ayant pas répondu sont certainement majoritaires des personnes non intéressés, donc qui ont un CAP nul. Mais un certain nombre d'entre elles doivent certainement être des personnes qui ne sont pas parvenues à fournir une évaluation. Il convient donc de ne pas restreindre l'analyse aux seuls répondants, ce qui introduirait des biais, et d'utiliser un modèle de régression avec variable censurée du type Tobit, au lieu d'un modèle linéaire simple.

III. L'APPLICATION DU MODELE A LA BASE DE DONNEES

Dans cette section, nous nous proposons d'étudier le contrôle des biais; nous montrons comment nous avons tenté de contrôler les principaux biais suivants : le biais stratégique, le biais de point de départ et le biais hypothétique.

Nous calculerons ensuite les déterminants de la disposition des individus à contribuer à l'éducation de leurs enfants. L'on suppose que cette variable pourrait être expliquée par les variables que nous avons présentées au point un.

22

III-1- Contrôle des biais

III-1-1 Contrôle du biais stratégique

Le biais stratégique survient lorsque les personnes interrogées donnent à dessein des réponses fausses, sachant que dans la réalité elles ne devront effectuer aucun paiement. Ce biais survient également lorsque les individus pensent que leurs réponses auront une influence sur la décision finale, à savoir : Réduire les coûts liés à l'éducation. Ils proposent donc souvent des sommes dérisoires, voire nulles. Ce biais implique que les individus ont une bonne connaissance des conséquences de leurs réponses. Ce biais a été corrigé en intégrant les questions suivantes dans le questionnaire, pour des individus proposant des sommes nulles :

C-16/ Are you ready to pay something for the education of your child?

Yes (Go to C-18) NO (Go to C -17)

C- 17/ Do you thing that the responsibility for the education of your children in the primary falls entirely on the state?

Yes NO

III-1-2 Contrôle du biais de point de départ : Test des moyennes de Student

Pour tester l'existence de ce biais, nous avons posé la même question aux enquêtés sous des formes différentes : Sous la forme de la méthode des enchères et celle de la carte de paiement.

Les tableaux ci-dessous exposent les résultats du test du biais du point de départ. Il montre que la deuxième question donne un consentement moyen à cotiser inférieur à celui obtenu avec la première question.

Nous utiliserons le test de Student de comparaison de deux moyennes. III-1-2-1 Définition et présentation du test

Un test d'hypothèse est une démarche qui a pour but de fournir une règle de décision permettant, sur la base des résultats d'échantillon, de faire un choix entre deux hypothèses statistiques :

? L'hypothèse nulle H0 qui est l'hypothèse que l'on souhaite invalider ; en effet, il est plus facile de rejeter une hypothèse (un seul contre-exemple suffit), alors que valider une hypothèse demande de rechercher toutes les situations possibles et de vérifier qu'aucune d'entre-elle ne contredise cette hypothèse.

? L'hypothèse alternative H1 est l'hypothèse qui sera retenue au cas où le test statistique rejette l'hypothèse nulle H0.

La conclusion qui sera déduite des résultats de l'analyse aura un caractère probabiliste : On ne pourra prendre une décision qu'en ayant conscience qu'il y a un certain risque qu'elle soit erronée. Ce risque nous est donné par le seuil de signification du test (á)

Pour ce test, H0 est l'hypothèse selon laquelle les deux moyennes sont identiques, et H1 l'hypothèse selon laquelle les 2 moyennes sont différentes.

23

Dans le cadre de notre étude, nous effectuerons des tests au seuil de 10%, 5 % et 1 %. La table des valeurs usuelles pour une distribution de Student nous donne les valeurs respectives de 1, 6; 1,96 et 2,58.

III-1-2-2 Règle de décision

La règle de décision de ce test au seuil de 5% est la suivante :

? Si |t-statistic| < 1,96 on rejette l'hypothèse H0. Les moyennes sont différentes. Cela signifie que si l'on obtient un t-statistc dont la valeur absolue est inférieure à 1,96 on court un risque de 5 % au minimum de commettre une erreur en acceptant l'hypothèse H0.

? Si |t-statistic| > 1,96 on accepte l'hypothèse H0 . Les moyennes sont égales. Cela signifie que si l'on obtient un t-statistc dont la valeur absolue est supérieure à 1,96 on court un risque de 5 % au minimum de commettre une erreur rejetant l'hypothèse H0.

III-1-2-3 Application à la base de données - Pour l'enseignement primaire

La première question donne un consentement moyen de 7271,25 FCFA et la seconde un montant moyen de 6228,34 FCFA. Pour savoir si la différence entre ces deux montants est significative et donc confirmer la présence d'un biais de point de départ, nous avons procédé à un test de Student de différence de ces deux moyennes. Les résultats de ce test sont présentés également dans les tableaux en annexe 8.

Pour ce qui est de l'enseignement primaire (tableau 14, annexe 8), le t-statistique est 2,17 > 1,96, ce qui signifie que le test est significatif au seuil de 5%. Le test de Student ainsi effectué ne rejette pas l'hypothèse H0 selon laquelle les deux groupes de réponses donnent les mêmes consentements à cotiser pour l'enseignement primaire. On conclut donc qu'il n'existe pas un biais de point de départ, et nous affirmons que les deux moyennes sont égales avec un risque de 5% au maximum de nous tromper.

- Pour l'enseignement secondaire général

La première question donne un consentement moyen de 19770,89 FCFA et la seconde un montant moyen de 18070,42 FCFA.

Pour ce qui est de l'enseignement secondaire général (tableau 15, annexe 8), le t-statistique est 1,62 > 1,6, ce qui signifie que le test est significatif au seuil de 10%. Le test de Student ainsi effectué ne rejette pas l'hypothèse H0 selon laquelle les deux groupes de réponses donnent les mêmes consentements à cotiser pour l'enseignement secondaire général. On conclut donc qu'il n'existe pas un biais de point de départ, et nous affirmons que les deux moyennes sont égales avec un risque de 10% au maximum de nous tromper.

- Pour l'enseignement secondaire technique

La première question donne un consentement moyen de 22061,11 FCFA et la seconde un montant moyen de 19036,46 FCFA.

Pour ce qui est de l'enseignement secondaire technique (tableau 16, annexe 8), le t-statistique est 2,07 > 1,96, ce qui signifie que le test est significatif au seuil de 5%. Le test de Student ainsi effectué ne rejette pas l'hypothèse H0 selon laquelle les deux groupes de réponses donnent les mêmes consentements à cotiser pour l'enseignement secondaire technique. On conclut donc qu'il n'existe pas un biais de point de départ, et nous affirmons que les deux moyennes sont égales avec un risque de 5% au maximum de nous tromper.

24

III.1.3. Contrôle du biais hypothétique

Selon WHITTINGTON et al. (1990) la possibilité que ce type de biais apparaisse dans la plupart des services publics des pays en voie de développement n'est pas significative.

Pour nous assurer que les enquêtes ont une bonne connaissance des questions de l'éducation et possèdent une bonne connaissance de l'environnement scolaire, les questions suivantes ont été introduites dans le questionnaire :

A-2/ Do you have a concern with the education of your children(Y/N)? Yes NO

A-3/ Do you give importance to the quality of this education(Y/N)? Yes NO

III.2. Estimation des résultats du modèle

Les tableaux présentant les résultats du modèle sont donnés en annexe 9, tableaux 17, 18 et 19 correspondant respectivement à l'enseignement primaire, secondaire général et l'enseignement secondaire technique.

III.2.1. Test de significativité des variables ; Le test de STUDENT

III.2.1.1 Définition et présentation du test

Le test de STUDENT permet de tester les hypothèses statistiques suivantes: ? L'hypothèse nulle H0 est l'hypothèse que l'on souhaite invalider ;

? L'hypothèse alternative H1 est l'hypothèse qui sera retenue au cas où le test statistique rejette l'hypothèse nulle H0.

L'échantillon dont nous disposons (m0) provient d'une population de moyenne m ; nous voulons savoir si m=m0. On va donc tester l'hypothèse H0 contre l'hypothèse H1

H0 : m = m0

H1 : m ? m0

Comme pour tout test, la conclusion qui sera déduite des résultats de l'analyse aura un caractère probabiliste : On ne pourra prendre une décision qu'en ayant conscience qu'il y a un certain risque qu'elle soit erronée. Ce risque nous est donné par le seuil de signification du test (á).

Dans le cadre de notre étude, nous effectuerons des tests au seuil de 5 % et au seuil de 1 %. La table des valeurs usuelles pour une distribution de Student nous donne les valeurs respectives de 1,96 et 2,58.

III.2.1.2 Règle de décision

La règle de décision pour le test de Student au seuil de 5 % est la suivante :

? Si |t-statistic| < 1,96 ou P (statistique) > 0,05 on accepte l'hypothèse H0. La variable n'est pas significative. Cela signifie que si l'on obtient un t-statistc dont la valeur absolue est inférieure à 1,96 on court un risque de 5 % au minimum de commettre une erreur en rejetant l'hypothèse H0.

? Si |t-statistic| > 1,96 ou P (statistique) < 0,05 on rejette l'hypothèse H0. La variable est significative. Cela signifie que si l'on obtient un t-statistc dont la valeur absolue est supérieure à 1,96 on court un risque de 5 % au minimum de commettre une erreur en acceptant l'hypothèse H0.

25

III.2.1.3 Application à la base de données.

? Enseignement primaire

Les variables Education, Revenu et Mariage sont significatives, tandis que les variables Age, Profession, Number of children et Distance ne le sont pas contrairement à nos prévisions.

- La variable Education est significative au seuil de 1%; ceci confirme notre hypothèse selon laquelle plus le parent est instruit, plus il consent à payer pour l'éducation de ses enfants. Le coefficient de cette variable est positif, ce qui signifie que plus le parent est instruit, plus son CAP augmente.

- La variable Revenu est significative au seuil de 1%, ce qui confirme l'hypothèse de départ ainsi que la théorie économique de la consommation, dans la mesure où la probabilité d'accepter les valeurs soumises élevées diminue avec le revenu. Ceci se traduit par le signe négatif du coefficient associé à cette variable : Le manque de revenu a une influence négative sur le CAP.

- La variable Mariage est significative au seuil de 1%. Plus les parents pensent que leurs filles sont destinées au mariage, plus leur CAP diminue, ce qui se traduit par le signe négatif de son coefficient : Le mariage des jeunes filles a un effet négatif sur le CAP.

La variable Distance n'étant pas significative, Il apparait donc que la distance n'influence pas le CAP. Il n'est donc pas une cause de la sous-scolarisation. Il en va de même pour l'enseignement secondaire général et technique.

Le fait que la variable Number of children ne soit pas significative peut s'explique par le fait que les frais liés à l'éducation dans ce cycle de formation restent relativement faibles, comparés aux frais applicables au secondaire général et secondaire technique. Cette variable n'influence donc pas le CAP.

? Enseignement secondaire général

Les variables Education, Number of chidren et Mariage sont significatives, tandis que les variables Age, Profession, Distance et Revenu ne le sont pas.

- La variable Education est significative au seuil de 1 % ; l'explication qui est donné est la même que pour ce qui est de l'enseignement primaire.

- La variable Number of children est significative au seuil de 5 % ; notons que cette variable n'était pas significative pour ce qui était de l'enseignement primaire. Ceci peut s'expliquer par le fait que les dépenses en éducation sont devenues plus importantes. Par contre le signe positif du coefficient de cette variable est contraire à nos prévisions.

- La variable Mariage est significative au seuil de 1 % et les explications sont identiques à celles fournies pour l'enseignement primaire.

? Enseignement secondaire technique

Les variables Education, Number of chidren et Revenu sont significatives, tandis que les variables Age, Profession, Distance et Mariage ne le sont pas.

- La variable Revenu est significative au seuil de 5 %. L'on pourrait penser que contrairement à l'enseignement secondaire général, le coût de formation élevé lié à cet ordre d'éducation peut entrainer les parents à penser que leur revenu est insuffisant pour faire face aux dépenses conséquentes, et à déclarer un CAP faible ou nul. De même, le signe négatif du coefficient associé à cette variable signifie que e manque de revenu a une influence négative sur le CAP.

26

- Les variables Education et Number of children sont significatives à 1 % et les explications sont identiques à celles fournies pour l'enseignement secondaire général.

- La variable Mariage n'est pas significative. Elle n'influence donc pas le CAP. Ceci peut s'expliquer par le fait que les coûts liés à la formation dans cet ordre de formation sont élevés, ce qui se traduit par des CAP faibles ou nuls, indépendamment d'autres considérations.

III.2.2 Test de significativité global du modèle ; Le test de FISHER

III.2.2.1 Définition et présentation du test

Le test de significativité permet de tester l'homogénéité des variables du modèle. Ce test permet de vérifier si le modèle, pris dans sa globalité, est pertinent. L'hypothèse nulle correspond à la situation où aucune des variables exogènes (variables explicatives) n'amène de l'information utile dans l'information de la variable endogène (variable à expliquer). Dans ce cas, le modèle ne sert à rien. Le test s'écrit :

III.2.2.2 Règle de décision

La règle de décision au seuil de 5% est la suivante :

? Si Prob > 0,05 alors on accepte l'hypothèse H0 : le modèle n'est pas significatif.

? Si Prob < 0,05 alors on ne saurait accepter l'hypothèse H 0 : Le modèle est significatif

III.2.2.3 Application à la base de données

Pour ce qui est de notre modèle empirique et pour les trois (3) CAP calculés, Prob > ch i2 = 0.0000 (voir tableaux 17, 18 et 19). Par conséquent notre modèle est globalement significatif et robuste au seuil de 5 %, car la statistique de la probabilité du modèle global est nulle, c.à.d inférieur à 0,05.

III.2.3. Test d'homoscédasticité: Test de White

III.2.3.1 Définition et présentation du test

L'homoscédasticité, ou égale (Homo) variance (scédasticité) d'un modèle est testé pour voir si toutes les variables explicatives, sauf la constante, ont un effet significatif sur la variable à expliquer. Dans ce cas, la variance de l'erreur est constante pour toutes les estimations.

Le test de White permet de tester plusieurs variables explicatives censées être responsables de l'hétéroscédasticité des erreurs. Lorsqu'il y a hétéroscédasticité, la variance de l'erreur est liée aux valeurs de la variable explicative responsable de l'hétéroscédasticité.

Les hypothèses du test de White s'écrivent :

H0 : V(åt) = á0 et á1 = á2 = 0 ; il y a homoscédasticité des erreurs H1 : V(åt) = á0 + á1Yt + á2Y²t ; il y a hétéroscédasticité des erreurs

III.2.3.2 Règle de décision

La règle décision au seuil de 5% est la suivante :

? Le modèle est homoscédastique si « P-value » > 0,05

27

? Le modèle est hétéroscédastique si « P-value » < 0,05

Lorsqu'il y a des variables dichotomiques dans le modèle, on ne les prend pas en compte dans le test, car elles ne peuvent pas être responsables de l'hétéroscédasticité (car ce sont des variables dont les valeurs ne sont pas liées à la variance de l'erreur).

Pour ce qui nous concerne, l'application à notre base de données a fourni les résultats suivants :

III.2.3.3 Application à la base de données

? Enseignement primaire

D'après le tableau de l'annexe 10, tableau 20, l'on constate que « P-value » = 0,0031< 0,05 ; on rejette l'hypothèse H0 et nous concluons qu'il y a Hétéroscédasticité des erreurs.

? Enseignement secondaire général et technique

D'après le tableau de l'annexe 10, tableau 21, l'on constate que « P-value » = 0,00012 < 0,05 ; on rejette l'hypothèse H0 et nous concluons qu'il y a Hétéroscédasticité des erreurs.

De manière globale donc, nous pouvons conclure que notre modèle est Hétéroscédastique ; ceci signifie pratiquement qu'il y a risque de colinéarité entre les variables explicatives ; Dans ce cas une variable explicative de la variable dépendante, est à son tour tributaire (expliquée) par une autre variable explicative.(Ex : Le nombre élevé d'enfants explique le faible revenu de la famille, et cette dernière explique à son tour le faible CAP)

La conséquence de l'Hétéroscédasticité est le biais de l'estimation des coefficients de régression, et l'augmentation ou la diminution des t-test.

En principe, s'il est observé dans un modèle une quelconque Hétéroscédasticité, c'est toujours le fait d'une ou de plusieurs variables

Nous allons corriger l'Hétéroscédasticité en utilisant la commande STATA nommée ROBUST ? Pour l'enseignement primaire

D'après le tableau de l'annexe 10, tableau 22, nous observons que le t-test associé à la variable « EDUCATION » a augmenté, cette variable restant toujours significative au seuil de 1%.

? Pour l'enseignement secondaire général et technique

D'après le tableau de l'annexe 10, tableau 22, nous constatons encore que le t-test associé à la variable « EDUCATION » a augmenté, cette variable restant toujours significative au seuil de 1%.

IV. LA PREDICTION DES EFFETS MARGINAUX

Le but de cette section est de fournir des valeurs espérées de la variable d'intérêt (CAP) pour une variation d'une unité d'une variable explicative donnée, toute chose égale par ailleurs.

Il existe deux types de prédiction:

La prédiction des effets marginaux conditionnés: ce genre de prédiction porte sur l'échantillon censuré. Par conséquent elle ne prend en compte que les individus dont la disposition à payer est non nulle.

La prédiction des effets marginaux simples, contrairement à la première tient compte de tout l'échantillon.

28

Pour ce qui est de notre étude, nous avons opté pour une prédiction des effets marginaux simples ; ce choix se justifie par le fait les CAP nuls ou non-exprimés traduisent plus la méconnaissance d'un ordre d'éducation, que le désintéressement de l'enquêté. Nous prendrons donc en compte leur point de vue.

Les tableaux de simulation sont résumés dans les tableaux 24, 25 et 26 de l'annexe 11 ? Pour l'enseignement primaire

D'après le tableau 24 de l'annexe 11 :

· Une augmentation de 1an d'âge entraine une augmentation du CAP de 35,83 FCFA seulement. Ceci explique pourquoi la variable Age n'est pas significative.

· Une augmentation de 1point du niveau d'éducation entraine une augmentation du CAP de 2595,33 FCFA, somme assez importante et traduisant le fait que la variable EDUCATION soit significative.

· Dans le sens inverse, une augmentation de 1 point du nombre d'enquêtés qui déclarent manquer de revenus entraine une diminution du CAP de 3218,21 FCFA, somme assez important et qui traduit que la variable REVENU soit significative.

· De même, une augmentation de 1% du nombre d'enquêtés qui préfèrent envoyer leurs filles en mariage entraine une diminution considérable du CAP de 3824,19 FCFA. Ainsi, la variable MARIAGE est significative.

On observe donc que les variables EDUCATION, REVENU et MARIAGE influencent très fortement le CAP.

? Pour l'enseignement secondaire général. D'après le tableau 25 de l'annexe 11 :

· Une augmentation de 1an d'âge entraine une augmentation du CAP de 77,39FCFA seulement. Ceci explique pourquoi la variable Age n'est pas significative.

· Une augmentation de 1point du niveau d'éducation entraine une augmentation du CAP de 9744,88FCFA, somme assez importante et traduisant le fait que la variable EDUCATION soit significative.

· Dans le sens inverse, une augmentation de 1 point du nombre d'enquêtés qui déclarent manquer de revenus entraine une diminution considérable du CAP de 3393,54 FCFA.

· De même, une augmentation de 1% du nombre d'enquêtés qui préfèrent envoyer leurs filles en mariage entraine une diminution considérable du CAP de 10259,47 FCFA.

Comme pour l'enseignement primaire, observe donc que les variables EDUCATION, REVENU et MARIAGE influencent très fortement le CAP.

? Pour l'enseignement secondaire technique

D'après le tableau 26 de l'annexe 11 :

· Une augmentation de 1an d'âge entraine une diminution du CAP de 147,09 FCFA seulement. Ceci explique pourquoi la variable Age n'est pas significative.

· Une augmentation de 1point du niveau d'éducation entraine une augmentation du CAP de 15514,23 FCFA, somme assez importante et traduisant le fait que la variable EDUCATION soit significative.

· Dans le sens inverse, une augmentation de 1 point du nombre d'enquêtés qui déclarent manquer de revenus entraine une diminution du CAP de 8113,92 FCFA.

29

? De même, une augmentation de 1% du nombre d'enquêtés qui préfèrent envoyer leurs filles en mariage entraine une diminution du CAP de 5826,26 FCFA.

Comme dans les deux cas précédents, on observe donc que les variables EDUCATION, REVENU et MARIAGE influencent très fortement le CAP.

30

CONCLUSION GENERALE

L'objectif de cette étude était d'estimer le consentement des ménages des populations MBORORO à contribuer au financement de l'éducation de leurs enfants. Pour ce faire, une enquête a été effectuée dans les départements du Nord-ouest regorgeant une bonne frange de ces populations. Cette enquête basée sur la méthode de l'évaluation contingente a permis d'obtenir un ensemble d'informations utiles à la mise en oeuvre de la politique d'éducation et de scolarisation. Deux techniques d'analyse ont été utilisées. Une première purement descriptive et une seconde basée sur le modèle Tobit censuré. L'analyse descriptive nous a permis d'obtenir les montants médians des consentements à payer souhaités par les ménages. Les résultats économétriques ont abouti aux conclusions selon lesquelles les consentements à payer des chefs de ménages pour l'éducation sont influencés par le niveau d'instruction du chef de ménage, le mariage précoce des jeunes filles, et le niveau de vie du ménage. De façon plus spécifique, il est montré que les chefs de ménages instruits sont plus enclins que les analphabètes à proposer des montants élevés. Ensuite, les chefs de ménages riches sont plus favorables que les pauvres à des cotisations élevées. Enfin, les chefs de ménage déclarent leur préférence pour le mariage de leurs filles à l'éducation de ces dernières.

Les recommandations faites sur la base de ces résultats vont dans le sens de la mise en oeuvre d'une politique économique de planification et d'orientation des investissements et de gestion dans le secteur de l'éducation dans cette zone sous-scolarisée. Ces recommandations vont aussi dans le sens la mise en oeuvre d'actions d'information et de communication en direction des chefs de ménage peu instruits.

ENNONCÉ DES RESULTATS OBTENUS

Au terme de notre étude, les résultats suivants sont observables : Observation 1

Les chefs de ménage sont prêts à payer annuellement pour l'éducation de leurs enfants les sommes de 7200 FCFA, 20 000 FCFA et 24 000 FCFA respectivement pour l'enseignement primaire, secondaire général et secondaire technique, contre les sommes de 20 000 FCFA, 50 000 FCFA et 75 000 FCFA représentant les coûts globaux estimés de la formation dans ces cycles respectifs de formation.

Observation 2

L'éloignement de l'école n'est pas un obstacle à la scolarisation des jeunes MBORORO, contrairement à ce que nous envisagions dans notre hypothèse de recherche.

Observation 3

Notre étude nous a montré que les croyances religieuses et ancestrales restent ancrées dans les populations MBORORO, et sont un frein à la scolarisation des jeunes MBORORO. Ces croyances prônent le mariage précoce des jeunes filles et l'élevage du bétail par les jeunes garçons.

Observation 4

Les populations MBORORO affirment leur totale méconnaissance de l'enseignement technique, ce qui se traduit par un nombre élevé de CAP nuls et de non-réponses en ce qui concerne cet ordre d'enseignement.

31

Observation 5

Le nombre moyen d'enfants par ménage enquêté est de 7.5, ce qui est assez élevé pour des populations à faibles revenus.

PORTEE DES RESULTATS Observation 1

Les résultats de cette observation, à savoir les CAP faibles, impliquent que la demande en éducation des jeunes MBORORO du nord-ouest est faible. Par contre, le coût social de leur sous scolarisation, ses dommages et son impact restent peu élevés au regard des autres facteurs qui influencent négativement ce CAP, notamment le facteur religieux, le nombre d'enfants...

En outre ce résultat suggère que soit entreprise une politique d'allègement des frais scolaires exigibles, ainsi que la suppression des frais d'APE. Ceci peut se faire par un accroissement des budgets de l'état en faveur du secteur de l'éducation.

Observation 2

Les CAP ne sont pas influencés par la distance de jeunes MBORORO à l'école. La recherche des pâturages, les migrations saisonnières, l'instabilité de ces populations ne sont pas la cause de leur sous-scolarisation.

Dans cette perspective, les écoles construites par les autorités publiques dans les hautes montagnes où habitent ces populations resteront désespérément vides, comme c'est le cas actuellement. Les résultats de notre travail suggère donc que l'accent soit mis sur la qualité et le type de formation offerts, et non sur la quantité des établissements scolaires.

Observation 3

Les croyances religieuses et ancestrales, qui sont un frein à la scolarisation des jeunes MBORORO, sont des aspects sensibles au sein d'une population.

Notre étude suggère donc de mettre en oeuvre des actions de sensibilisation, d'information et de communication en direction des chefs de ménage.

Observation 4

La méconnaissance affichée de ces populations pour l'enseignement technique implique que soit mis en adéquation les formations offertes dans cet ordre d'enseignement et le mode de vie de ces populations. L'on pourrait penser à des filières telles que l'élevage, la gestion des pâturages... qui offriraient à ces populations un moyen sortir du cycle répétitif de l'histoire, et une opportunité d'entrer dans la modernité.

Observation 5

Malgré le faible niveau de revenus déclaré par les chefs de ménages, le nombre d'enfants par ménage est assez élevé. Ceci ne favorise pas la prise en charge totale de ces enfants.

Ce résultat nous suggère une implication, auprès de ces populations, des services des affaires sociales pour une meilleure sensibilisation des parents sur leurs rôles et obligations vis-à-vis de leur progéniture.

32

Ce résultat nous suggère également que soit renforcée et appliquée la législation sur le travail des enfants, afin que seuls les enfants d'un certain âge puissent librement faire le choix entre l'école formelle et l'élevage du bétail.

33

REFERENCES BIBLIOGRAPHIQUES

Arrow K., Solow R., Portney P.R., Leamer E.E., Radner R. et Schuman H . (1993), «Report of the NOAA Panel on Contingent Valuation», Technical Report n°58, January, pp. 1601-1614.

Barde J-P. (1992), Economie et Politique de l'Environnement, 2^emeédition refondue, Presse Universitaires de France.

Bergstrom J.C. (1990), «Concepts and measures of the economic value of environmental quality: a review», Journal of Environmental Management, Vol. 31, pp. 215-228.

Bonnieux F. (1998), Principes, mise en oeuvre et limites de l'évaluation contingente, Economie Publique, Etudes et Recherches, n°1, p 47-83.

Carson R .T. (1999), «Contingent Valuation: A User's Guide», University of San Diego, 24p. (Discussion paper 99-26).

Cummings R.G. et Taylor L.O. (1999), Unbiased Value Estimates for Environmental Goods: A Cheap Talk Design for the Contingent Valuation Method, American Economic Review, n° 89, pp. 649665.

Davis R .K. (1963), « Recreating Planning as an Economic Problem », Natural Resources Journal,n°3,pp.239-249, in Luchini Stephane, dans la Singularité de la méthode d'Evaluation Contingente, Economie et Statistique N°357-358, 2002 .

Flachaire E., Hollard G. et Luchini S. (2002), « A New Approach to Anchoring: Theory and Empirical Evidence from a Contingent Valuation Survey », document de travail présenté au séminaire de l'Eurequa en novembre 2002.

Grobras, J.M,( 1987) « Méthodes statistiques des sondages », Collection «Economie et statistiques avancées»; Editions Economica

Glazer J. et Rubinstein A. (1997), « Debates and Decisions: On a Rationale of Argumentation Rules », document de travail n° 17.97, Université de Tel-Aviv.

Hollard G. et Luchini S. (1999), « Théories du choix social et représentations : une analyse à partir d'une enquête en Camargue », document de travail n° 99b06, GREQAM

Jorgensen B.S., Syme G.J., Bishop B.J. et Nancarrow B.E. (1999), « Protest Responses in Contingent Valuation », Environmental and Resources Economics, n° 14, pp. 131-150.

Karni E. et Mongin P. (2000), «On the Determination of Subjective Probability by Choices», Management Science, n° 46, pp. 233-248.

Laffont, J.J. (1982), Cours de théorie Micro-Economique, Vol .1( Fondements de l'Economie publique) ,Economica : Paris.

Luchini S. (2002), « De la singularité de la méthode d'évaluation contingente », Economie et Statistique N°357-358

34

Luchini S. (2000), Révélation des préférences dans des environnements non marchands : application au cas des actifs environnementaux, Thèse de Doctorat, Université de la Méditerranée, GREQAM, Marseille.

Milanesi Julien, (2007), « la méthode d'évaluation contingente en question, »Thèse de Doctorat en sciences économiques, Université de Pau et des Pays de l'Adour

Mitchell, R.C et Carson, R.T. (1989), Using Surveys to Value Public Goods: The Contingent Valuation Method. Resources for the Future: Washington D.C

Munasinghe, M., et E. Lutz. (1993), «Environmental Economics and Valuation in Development Decisionmaking», in Munasinghe, Mohan, Ed.,Environmental Economics and Natural Resource Management in Developing Countries, CIDIE,Wachington D.C.: The World Bank.

N'guessan C.F.J. (2008), le consentement des ménages ruraux à payer une prime d'assurance maladie en Côte d'Ivoire, Revue d'économie du développement, Vol 22 2008/1, p 101 à 124, De Boeck Université.

Pigou A. C. (1932), The Economics of Welfare.Londres, MacMilan, 875p. (4^eme édition).

Portney P. et Weyant J. (1999), Discounting and Intergenerational Equity. Washington, D.C.: Resources for the Future.

Portnay P.R. (1994), «The Contingent Valuation Debate:Why Economists Should Care ?», Journal of Economic Perspective,n°8, pp.3-17..

Rainelli P. (1993), « Evaluation Contingente et context institutionnel », in P. Point, Bonnieux F et G.

Rozan A. (1999), Contingent Valuation of health benefits induced by air pollution: The example of the region of Strasbourg, ph.d Thesis, University Louis Pasteur, Strasbourg.

Schkade D. A., et John W. P.(1994), « How People Respond to Contingent Valuation Questions: AVerbal Protocol Analysis of Willingness to Pay for an Environmental Regulation», Journal of Environmental Economics and Management 26, (1994): 88-109.

Stevens T.H., Echeverria J., Glass R.J., Hager T.et More T.A. (1991), « Measuring the Existence Value of Wild Life: What do CVM Estimates Really Show? », Land Economics, n° 67, pp. 390-400.

ANNEXES

35

36

Annexe 1 : Questionnaire de l'enquête Introduction:

This questionnaire is formulated for the purpose of a training course for a Master degree at PID (Pan African Institute for Development), and is entitled «Application of the contingent valuation method to measure the demand and to plan school investments in under-scholarized areas: Case of MBORORO populations of the North West region». Information collected will be held confidential and will be used at exclusive ends of scientific and academic research. Hence, the exactitude of your answers is an essential element for the success of this work. Thank you for your patience and contribution.

Name of the interviewer:

Date :

Sub-division :

A- INFORMATIONS ON THE PARENT

Sex: M F
Age: _________ years

Profession: Grazer Farmer Other (Indicate : )

Marital situation: Married Divorced Widow

Matrimonial regime : Polygamous Monogamous

Religious confession of the household Muslims Christians Animist
What is your level of education?

Primary school Secondary school University Non - scholirized

A-1/ How many children do you have? :

A-2/ Do you have a concern with the education of your children(Y/N)? Yes NO

A-3/ Do you give importance to the quality of this education(Y/N)? Yes NO

A-4/ How many school going age children do you have? - Boys : ___

-Girls : ___

A-5/ How many children do you have who are effectively going to school? - Boys : ___

-Girls : ___

B- INFORMATIONS ON THE EDUCATION BEHAVIOUR OF PARENTS

B-1/ Do you know the number of primary schools in your locality(Y/N)? Yes NO

B-2/ Do you know the number of secondary general schools in your locality(Y/N)? Yes NO

B-3/ Do you know the number of secondary technical schools in your locality(Y/N)? Yes NO

B-4/ Do you know the number of Koranic schools in your locality(Y/N)? Yes NO

II- 1 Primary education

B15/ How many children do you have in primary school? - Boys : ___

-Girls : ___

B-16/ How far are these schools from your house?

Nearer A bit far Far
B-17/ By which means do your children go to school?

On foot By car There are in the dormitory Other (Indicate : )

B-18/ Do your children (those who go to school) have basic school needs (text books, exercise books, pens etc)?

All basic needs Some basic needs Non e of the basic needs

B-19/ How many of your children have completed their primary school? - Boys : ___

-Girls : ___

37

B-20/ If then umbers above are low, which reasons can you evoke to justify this situation?

? For boys :

(a) You lack financial means .

(b) Are your children affected by transhumance? .

(c) The family loads are too high

(d) It is not necessary for them to obtain the FSLC

? For girls :

(a) You lack financial means

(b) The girl child education is not important

(c) Your daughters must go on marriage .

(d) The family loads are too high

(e) It is not necessary for them to obtain the FSLC ..

B-21/ Are you member of the PTA of your children's school (Y/N)? Yes NO

B-22/ How are the decisions taken during the meetings? They are imposed By vote

B-23/ Do you think you can influence these decisions, notably those concerning finances(Y/N)? Yes NO

II- 2 Secondary education

B-25/ How many children do you have in secondary school? - Boys : ___

-Girls : ___

B-26/ How far are these schools from your house?

Nearer A bit far Far
B-27/ By which means do your children go to school?

On foot By car There are in t he dormitory Other (Indicate : )
B-28/ Do your children (those who go to school) have basic school needs (text books, exercise books, pens etc)?

All basic needs Some basic needs None of the basic needs

B-29/ How many of your children have completed their secondary school? - Boys : ___

-Girls : ___

B-30/ If then umbers above are low, which reasons can you evoke to justify this situation? ? For boys :

(a) You lack financial means .

(b) Are your children affected by transhumance? .

(c) The family loads are too high

(d) It is not necessary for them to obtain the A Level....... ? For girls :

(a) You lack financial means .

(b) The girl child education is not important ..

(c) Your daughters must go on marriage .

(d) The family loads are too high

(e) It is not necessary for them to obtain the A Level ..

B-31/ Are you member of the PTA of your children's school (Y/N)? Yes NO

B-32/ How are the decisions taken during the meetings? They are imposed By vote

B-33/ Do you think you can influence these decisions, notably concerning the finances(Y/N)? Ye s NO

C- VALORIZATION QUESTIONS

Primary education

C-11/ The expenses related to the education of a child in the primary cycle (PTA+supplies+various) amount

to 20,000 F CFA on average per annum. Will you send your child to school for this amount?

Yes (Go to C-18) NO (Go to C -12)

38

C-12/ Will you send your child to school if this sum passes to 15,000 F CFA?

Yes (Go to C-18) NO (Go to C -13)
C-13/ Will you send your child to school if this sum passes to 10,000 F CFA?

Yes (Go to C-18) NO (Go to C -14)
C-14/ Will you send your child to school if this sum passes to 5,000 F CFA?

Yes (Go to C-18) NO (Go to C -15)
C-15/ Will you send your child to school if this sum passes to 2,000 F CFA?

Yes (Go to C-18) NO (Go to C-16)
C-16/ Are you ready to pay something for the education of your child?

Yes (Go to C-18) NO (Go to C -17)

C- 17/ Do you thing that the responsibility for the education of your children in the primary falls entirely on the state?

Yes NO

C- 18/According to you, good education in the primary cycle is that which perms to a child:

(a) To know how to write and read

(b) To become autonomous with respect to the others

(c) To be prepared for a better social insertion

(d) To obtain his FSLC

C- 19/ Do you think that the schools (teachers, administration, PTA) contribute to this success (Y/N)?

Yes NO

C-20/ Are you satisfied by the quality of the education offered to your children(Y/N)? Yes NO

C-21/ The government intends to build a primary school in your locality; How much are you ready to spend annually for the training of your child in that school?

20 000 F (or more) 15 000 F 10 000 F 5 000 F 2000 F 0 F

Secondary general education:

C-31/ The expenses related to the education of a child in the secondary cycle general education (PTA+supplies+various) amount to 50,000 F CFA on average per annum. Will you send your child to school for this amount?

Yes (Go to C-38) NO (Go to C -32)

C-32/ Will you send your child to school if this sum passes to 40,000 FCFA?

Yes (Go to C -38) NO (Go to C -33)

C-33/ Will you send your child to school if this sum passes to 30,000 FCFA?

Yes (Go to C -38) NO (Go to C -34)

C-34/ Will you send your child to school if this sum passes to 20,000 FCFA?

Yes (Go to C -38) NO (Go to C -35)

C-35/ Will you send your child to school if this sum passes to 10,000 FCFA?

Yes (Go to C -38) NO (Go to C -36)

C-36/ Are you ready to pay something for the education of your child?

Yes (Go to C -38) NO (Go to C -37)

39

C-37/ Do you thing that the responsibility of for the education of your children in the primary falls entirely

on the state? Yes NO

C-38/According to you, a good education in the secondary cycle is that which permits to a child

(a) To become an adult .

(b) To become autonomous with respect to the others

(c) To be prepared for a better social insertion

(d) To obtain his A Level

C- 39/ Do you think that the schools (teachers, administration, PTA) contribute to this success (Y/N)?

Yes NO

C-40/ Are you satisfied by the quality of the education offered to your children(Y/N)?

Yes NO

C-41/ The government intends to build a secondary general school in your locality; How much are you ready to spend annually for the training of your child in that school?

50, 000 F (or more) 40,000 F 30, 000 F 20, 000 F 10, 000 F 0 F CFA

Secondary technical education:

C-51/ The expenses related to the education of a child in the secondary cycle general education (PTA+supplies+various) amount to 75,000 F CFA on average per annum. Will you send your c hild to school for this amount?

Yes (Go to C -58) NO (Go to C -52)
C-52/ Will you send your child to school if this sum passes to 50,000 FCFA?

Yes (Go to C -58) NO (Go to C -53)
C-53/ Will you send your child to school if this sum passes to 30,000 FCFA?

Yes (Go to C -58) NO (Go to C -54)
C-54/ Will you send your child to school if this sum passes to 20,000 FCFA?

Yes (Go to C -58) NO (Go to C -55)
C-55/ Will you send your child to school if this sum passes to 10,000 FCFA?

Yes (Go to C -58) NO (Go to C -56)
C-56/ Are you ready to pay something for the education of your child?

Yes (Go to C -58) NO (Go to C -57)
C-57/ Do you thing that the responsibility of for the education of your children in the primary falls entirely on the

state? Yes NO

C-58/According to you, a good education in the secondary cycle is that which permits to a child

(a) To become an adult .

(b) To become autonomous with respect to the others

(c) To be prepare for a better social insertion

(d) To obtain his A Level

C- 59/ Do you think that the schools (teachers, administration, PTA) contribute to this success (Y/N)?

Yes NO

C-60/ Are you satisfied by the quality of the education offered to your children(Y/N)?

Yes NO

C-61/ The government intends to build a technical school in your locality; How much are you ready to spend annually for the training of your child in that school?

75,000 F (or more) 50,000 F 30,000 F 20, 00 0 F 10, 000 F 0 F

40

ANNEXE 2

Tableau 1 : offre en éducation dans la région du nord-ouest

ORDRE D'ENSEIGNEMENT		Mezam	Menchum	Momo	Donga mantumg	Bui	Ngoketundja	BOYO	TOTAL
ENSEIGNEMENT PRIMAIRE	Etablissements publiques	173	125	154	253	168	106	36	1813
	Etablissements privés laïques	163	25	04	16	33	12	06
	Etablissements confessionnels	119	35	30	105	190	48	12
ENSEIGNEMENT SECONDAIRE GENERAL	Etablissements publiques	37	19	33	47	47	22	24	331
	Etablissements privés laïques	26	01	00	02	02	14	04
	Etablissements confessionnels	12	03	05	14	14	04	01
ENSEIGNEMENT SECONDAIRE TECHNIQUE	Etablissements publiques	19	07	14	13	13	08	09	113
	Etablissements privés laïques	07	01	01	03	03	00	03
	Etablissements confessionnels	02	00	00	04	04	00	02
Total		558	216	241	457	474	214	97	2257

Source : Délégations régionales MINESEC et MINEDUB du Nord-ouest

ANNEXE 3 : Fréquences des CAP annoncés

Tableau 2: CAP annoncés pour l'enseignement primaire

CAP PRIMARY

	Frequency	Percent	Valid Percent	Cumulative Percent
0	1	,4	,4	,4
2000	83	31,1	33,6	34,0
5000	69	25,8	27,9	61,9
Valid 10000	52	19,5	21,1	83,0
15000	15	5,6	6,1	89,1
20000	27	10,1	10,9	100,0
Total	247	92,5	100,0
Missing System	20	7,5
Total	267	100,0

Source : Auteur, à partir des résultats de la base de données sur SPSS 20, 2012

Tableau 3: CAP annoncés pour l'enseignement secondaire général.

CAP SECONDARY GENERAL

	Frequency	Percent	Valid Percent	Cumulative Percent
0	1	,4	,5	,5
10000	86	32,2	39,6	40,1
20000	80	30,0	36,9	77,0
Valid 30000	30	11,2	13,8	90,8
40000	5	1,9	2,3	93,1
50000	15	5,6	6,9	100,0
Total	217	81,3	100,0
Missing System	50	18,7
Total	267	100,0

Source : Auteur, à partir des résultats de la base de données sur SPSS 20, 2012

41

Tableau 4: CAP annoncés pour l'enseignement secondaire technique

CAP SECONDARY TECHNICAL

	Frequency	Percent	Valid Percent	Cumulative Percent
0	1	,4	,6	,6
10000	67	25,1	37,2	37,8
20000	36	13,5	20,0	57,8
Valid 30000	55	20,6	30,6	88,3
50000	15	5,6	8,3	96,7
75000	6	2,2	3,3	100,0
Total	180	67,4	100,0
Missing System	87	32,6
Total	267	100,0

Source : Auteur, à partir des résultats de la base de données sur SPSS 20, 2012

ANNEXE 4 : la fréquence des variables « importance de l'éducation » et « valeur de l'éducation » Tableau 5 : Valeur accordée à l'éducation

Concern with children education

	Frequency	Percent	Valid Percent	Cumulative Percent
yes	265	99,3	99,6	99,6
Valid no	1	,4	,4	100,0
Total	266	99,6	100,0
Missing System	1	,4
Total	267	100,0

Source : Auteur, à partir des résultats de la base de données sur SPSS 20, 2012

Tableau 6 : Importance donnée à la qualité de l'éducation

Importance of children education

	Frequency	Percent	Valid Percent	Cumulative Percent
yes	261	97,8	98,1	98,1
Valid no	5	1,9	1,9	100,0
Total	266	99,6	100,0
Missing System	1	,4
Total	267	100,0

Source : Auteur, à partir des résultats de la base de données sur SPSS 20, 2012

ANNEXE 5 : consentement a payer moyen et médian

Tableau 7 : Moyenne et médiane du CAP par rapport à la méthode des enchères.

Statistics

	CAP PRIMARY	CAP SECONDARY GENERAL	CAP SECONDARY TECHNICAL
Valid	247	217	180
N
Missing	20	50	87
Mean	7271,26	19861,75	23555,56
Median	5000,00	20000,00	20000,00
Mode	2000	10000	10000
Std. Deviation	5834,028	11282,536	15313,200
Minimum	0	0	0
Maximum	20000	50000	75000
Sum	1796000	4310000	4240000

Source : Auteur, à partir des résultats de la base de données sur SPSS 20, 2012

42

Tableau 8: Moyenne et médiane du CAP par rapport à la méthode de la carte de paiement.

Statistics

	Sum you are ready to pay /year for your child if the state build a new prim school	sum you are ready to pay /year for your child if the state build a sec.gen school	sum you are ready to pay /year for your child if the state build a sec.tech school
Valid	255	228	191
N
Missing	12	39	76
Mean	6203,92	18070,18	19136,13
Median	5000,00	10000,00	10000,00
Minimum	0	0	0
Maximum	20000	50000	75000

Source : Auteur, à partir des résultats de la base de données sur SPSS 20, 2012

ANNEXE 6: Analyse descriptive des variables

Graphique 1 : Analyse descriptive de la variable âge

Percent

0 5 10 15 20

20 40 60 80 100

age

Source : Auteur, à partir des résultats de la base de données sur SPSS 20, 2012

Tableau 9 : Analyse descriptive de la variable Level of education

Level of education

	Frequency	Percent	Valid Percent	Cumulative Percent
non scholarized	164	61,4	61,4	61,4
primary school	62	23,2	23,2	84,6
Valid secondary school	34	12,7	12,7	97,4
University	7	2,6	2,6	100,0
Total	267	100,0	100,0

Source : Auteur, à partir des résultats de la base de données sur SPSS 20, 2012

Tableau 10 : Analyse descriptive de la variable profession

Profession

	Frequency	Percent	Valid Percent	Cumulative Percent
Grazer	182	68,2	68,2	68,2
Valid farmer/other	85	31,8	31,8	100,0
Total	267	100,0	100,0

Source : Auteur, à partir des résultats de la base de données sur SPSS 20, 2012

43

Tableau 11 : Analyse descriptive des variables Distance_prim

Distance_prim

	Frequency	Percent	Valid Percent	Cumulative Percent
nearer	67	25,1	26,3	26,3
a bit far	80	30,0	31,4	57,6
Valid far	108	40,4	42,4	100,0
Total	255	95,5	100,0
Missing System	12	4,5
Total	267	100,0

Source : Auteur, à partir des résultats de la base de données sur SPSS 20, 2012

Tableau 12 : Analyse descriptive des variables Distance_sec

Distance sec

	Frequency	Percent	Valid Percent	Cumulative Percent
nearer	15	5,6	7,4	7,4
a bit far	64	24,0	31,5	38,9
Valid far	124	46,4	61,1	100,0
Total	203	76,0	100,0
Missing System	64	24,0
Total	267	100,0

Source : Auteur, à partir des résultats de la base de données sur SPSS 20, 2012

Tableau 13 : Analyse descriptive de la variable Number of chidren

Descriptive Statistics

	N	Minimum	Maximum	Sum	Mean	Std. Deviation
Number of children	265	1	25	1999	7,54	4,596
Valid N (listwise)	265

Source : Auteur, à partir des résultats de la base de données sur SPSS 20, 2012

ANNEXE 7 : Tableau récapitulatif des variables.

VARIABLES	LIBELLE	CODIFICATION	EFFET ESCOMPTE
CAP_Prim	Consentement à payer cycle primaire	CAP_Prim
CAP Sec gen	Consentement à payer cycle secondaire général	CAP Sec gen
CAP_sec_tech	Consentement à payer cycle secondaire technique	CAP_sec_tech
Age	Age du chef de ménage		négatif
Education		0=Non scholarized 1=Primary education 2=secondary education 3=University	positif
Number_of_children	Nombre d'enfants du chef de ménage		négatif
Profession	Profession exercée par le chef de ménage	1=Grazer 3=Other	négatif
Distance_prim	Distance de la maison à l'école, enseignement primaire	1=Nearer 2=A bit far 3=Far	négatif
Distance_sec	Distance de la maison à l'école, enseignement secondaire	1=Nearer 2=A bit far 3=Far	négatif
Mariage	Le mariage des jeunes filles comme justificatif de leur non-scolarisation	1=Option cochée 0=Option non cochée	négatif
Lack_of_finance_prim	Le manque de moyens financiers comme justificatif de leur non-scolarisation, enseignement primaire	1=Option cochée 0=Option non cochée	négatif
Lack_of_finance_sec	Le manque de moyens financiers comme justificatif de leur non-scolarisation, enseignement secondaire	1=Option cochée 0=Option non cochée	négatif

44

ANNEXE 8 : Contrôle du biais de point de départ : Test des moyennes de Student

Tableau 14 : Contrôle du biais de point de départ : Test des moyennes de Student, enseignement primaire

. ttest CAP_Prim == Sum_you_are_ready_to_pay_prim, unpaired Two-sample t test with equal variances

Variable	Obs	Mean	Std. Err.	Std. Dev.	[95% Conf. Interval]
CAP_Prim	247	7271.255	371.2103	5834.028	6540.099	8002.411
Sum_yo~m	254	6228.346	306.5974	4886.359	5624.538	6832.155
combined	501	6742.515	241.0041	5394.402	6269.009	7216.02
diff		1042.909	480.2742		99.29986	1986.517

diff = mean(CAP_Prim) - mean(Sum_you_are_re~m) t = 2.1715

Ho: diff = 0 degrees of freedom = 499

Ha: diff < 0 Ha: diff != 0 Ha: diff > 0

Pr(T < t) = 0.9848 Pr(|T| > |t|) = 0.0304 Pr(T > t) = 0.0152

Source : Auteur, à partir des résultats de la base de données sur STATA 12, 2012

Tableau 15 : Contrôle du biais de point de départ : Test des moyennes de Student, enseignement secondaire général

. ttest CAP_Sec_gen == Sum_you_are_ready_to_pay_sec_gen, unpaired Two-sample t test with equal variances

Variable Obs Mean Std. Err. Std. Dev. [95% Conf. Interval]

CAP_Se~n 218 19770.89 767.7818 11336.16 18257.63 21284.16

Sum_yo~n 228 18070.42 716.2141 10814.6 16659.14 19481.69

combined 446 18901.59 525.2601 11092.82 17869.29 19933.89

diff 1700.478 1048.867 -360.8827 3761.838

diff = mean(CAP_Sec_gen) - mean(Sum_you_are_re~n) t = 1.6213

Ho: diff = 0 degrees of freedom = 444

Ha: diff < 0 Ha: diff != 0 Ha: diff > 0

Pr(T < t) = 0.9472 Pr(|T| > |t|) = 0.1057 Pr(T > t) = 0.0528

Source : Auteur, à partir des résultats de la base de données sur STATA 12, 2012

Tableau 16 : Contrôle du biais de point de départ : Test des moyennes de Student, enseignement secondaire technique

. ttest CAP_sec_tech == Sum_you_are_ready_pay_sec_tech, unpaired Two-sample t test with equal variances

Variable Obs Mean Std. Err. Std. Dev. [95% Conf. Interval]

CAP_se~h 180 22061.11 1135.543 15234.91 19820.34 24301.88

Sum_yo~h 192 19036.46 926.0204 12831.31 17209.92 20863

combined 372 20500 731.4695 14108.07 19061.65 21938.35

diff 3024.653 1457.218 159.1846 5890.121

diff = mean(CAP_sec_tech) - mean(Sum_you_are_re~h) t = 2.0756

Ho: diff = 0 degrees of freedom = 370

Ha: diff < 0 Ha: diff != 0 Ha: diff > 0

Pr(T < t) = 0.9807 Pr(|T| > |t|) = 0.0386 Pr(T > t) = 0.0193

Source : Auteur, à partir des résultats de la base de données sur STATA 12, 2012

45

ANNEXE 9 : Estimation des résultats du modèle

Tableau 17 : Estimation des résultats du modèle, enseignement primaire

Tobit regression Log likelihood = -2239.4977			Number of obs LR chi2(7) Prob > chi2 Pseudo R2		= 230 = 144.08 = 0.0000 = 0.0312
CAP_Prim	Coef.	Std. Err.	t	P>|t|	[95% Conf. Interval]
Age	35.83424	26.92622	1.33	0.185	-17.22816	88.89665
Profession	151.7961	644.8577	0.24	0.814	-1118.998	1422.591
education	2595.339	352.4513	7.36	0.000	1900.778	3289.901
Num_children	126.996	71.97958	1.76	0.079	-14.85118	268.8432
Distance_prim	198.6625	358.4299	0.55	0.580	-507.6806	905.0055
lack_of_finance_prim	-3218.21	634.0699	-5.08	0.000	-4467.746	-1968.675
girls_prim_marriage	-3824.19	604.0632	-6.33	0.000	-5014.592	-2633.787
_cons	7209.705	1460.76	4.94	0.000	4331.045	10088.37
/sigma	4257.946	199.0558			3865.675	4650.217

Obs. summary: 1 left-censored observation at CAP_Prim<=0

229 uncensored observations
0 right-censored observations

Source : Auteur, à partir des résultats de la base de données sur STATA 12, 2012

Tableau 18 : Estimation des résultats du modèle, enseignement secondaire général

Tobit regression Log likelihood = -850.6554			Number of obs LR chi2(7) Prob > chi2 Pseudo R2		= 129 = 104.49 = 0.0000 = 0.0579
CAP_Sec_gen	Coef.	Std. Err.	t	P>|t|	[95% Conf.	Interval]
Age	77.39963	86.97913	0.89	0.375	-94.78424	249.5835
Profession	1913.584	2339.443	0.82	0.415	-2717.577	6544.745
education	9744.888	1410.853	6.91	0.000	6951.964	12537.81
Num_children	622.2167	252.4879	2.46	0.015	122.3917	1122.042
Distance_sec	-292.7787	352.9152	-0.83	0.408	-991.4096	405.8523
lack_of_finance_sec	-3393.542	2189.532	-1.55	0.124	-7727.94	940.8565
justif_girls_sec_marri~e	-10259.47	2325.882	-4.41	0.000	-14863.78	-5655.151
_cons	9602.603	4676.122	2.05	0.042	345.7539	18859.45
/sigma	10509.76	892.455			8743.057	12276.46

Obs. summary: 52 left-censored observations at CAP_Sec_gen<=10000

77 uncensored observations
0 right-censored observations

Source : Auteur, à partir des résultats de la base de données sur STATA 12, 2012

Tableau 19 : Estimation des résultats du modèle,			Number of obs LR chi2(7) Prob > chi2 Pseudo R2		= 104 = 80.35 = 0.0000 = 0.0532
Tobit regression Log likelihood = -714.64288
CAP_sec_tech	Coef.	Std. Err.	t	P>|t|	[95% Conf. Interval]
Age	-147.0928	132.7636	-1.11	0.271	-410.5918	116.4062
Profession	1025.598	3520.975	0.29	0.771	-5962.563	8013.759
education	15514.23	2034.465	7.63	0.000	11476.38	19552.08
Num_children	1092.57	384.8907	2.84	0.006	328.6688	1856.472
Distance_sec	-690.0794	488.0482	-1.41	0.161	-1658.72	278.5611
lack_of_finance_sec	-8113.924	3364.412	-2.41	0.018	-14791.35	-1436.497
justif_girls_sec_marri~e	-5826.265	3475.664	-1.68	0.097	-12724.5	1071.965
_cons	14931.45	7181.81	2.08	0.040	677.5477	29185.36
/sigma	14236.32	1331.502			11593.66	16878.98

Obs. summary: 41 left-censored observations at CAP_sec_tech<=10000

63 uncensored observations
0 right-censored observations

Source : Auteur, à partir des résultats de la base de données sur STATA 12, 2012

ANNEXE 10 : Test d'homoscédasticité: Test de White

Tableau 20 : Test d'homoscédasticité, enseignement primaire

. reg CAP_Prim Age education Num_children Distance_prim

Source	SS	df MS		Number of obs = 236 F( 4, 231) = 22.15
Model	2.1647e+09	4 541172202		Prob > F	= 0.0000
Residual	5.6450e+09	231 24437329.2		R-squared	= 0.2772
				Adj R-squared = 0.2647
Total	7.8097e+09	235 33232816.4
				Root MSE	= 4943.4
CAP_Prim	Coef.	Std. Err. t	P>|t|	[95% Conf.	Interval]
Age	36.11202	30.50004 1.18	0.238	-23.98181	96.20584
education	3444.939	388.766 8.86	0.000	2678.958	4210.92
Num_children	132.8176	80.67667 1.65	0.101	-26.13857	291.7738
Distance_prim	-24.4994	409.8807 -0.06	0.952	-832.082	783.0832
_cons	2765.314	1463.737 1.89	0.060	-118.6668	5649.295

. imtest, white

White's test for Ho: homoskedasticity

against Ha: unrestricted heteroskedasticity

chi2(14) = 32.81

Prob > chi2 = 0.0031

Cameron & Trivedi's decomposition of IM-test

Source

chi2 df p

Heteroskedasticity

Skewness Kurtosis

32.81 14 0.0031

23.33 4 0.0001

3.73 1 0.0536

Total 59.87 19 0.0000

Source : Auteur, à partir des résultats de la base de données sur STATA 12, 2012

Tableau 21 : Test d'homoscédasticité, enseignement secondaire général et technique

. reg CAP_Sec_gen Age education Num_children Distance_sec

Source	SS df MS Number of obs = 180
		F( 4, 175) = 35.59

Model 1.0270e+10 4 2.5674e+09 Prob > F = 0.0000

Residual 1.2623e+10 175 72131943.5 R-squared = 0.4486

Adj R-squared = 0.4360

Total 2.2893e+10 179 127892857 Root MSE = 8493.1

CAP_Sec_gen Coef. Std. Err. t P>|t| [95% Conf. Interval]

Age 112.7804 56.97609 1.98 0.049 .3316569 225.2291

education 8578.915 768.1761 11.17 0.000 7062.833 10095

Num_children 322.569 149.3767 2.16 0.032 27.75737 617.3807

Distance_sec -240.405 273.3796 -0.88 0.380 -779.9504 299.1403

_cons 7667.41 2621.567 2.92 0.004 2493.453 12841.37

. imtest, white

White's test for Ho: homoskedasticity

against Ha: unrestricted heteroskedasticity

chi2(14) = 35.49

Prob > chi2 = 0.0012

Cameron & Trivedi's decomposition of IM-test

Source

chi2 df p

Heteroskedasticity

Skewness Kurtosis

35.49 14 0.0012

9.71 4 0.0455

5.89 1 0.0152

Total

51.09 19 0.0001

46

Source : Auteur, à partir des résultats de la base de données sur STATA 12, 2012

47

Tableau 22 : Correction de l'hétéroscédasticité, enseignement primaire

. reg CAP_Prim Age education Num_children Distance_prim, robust

Linear regression Number of obs =									236
F( 4,						231)	=		19.36
Prob > F							=		0.0000
R-squared							=		0.2772
Root MSE							=		4943.4
CAP_Prim	Coef.	Robust Std. Err.	t	P>|t|	[95% Conf. Interval]
Age	36.11202	33.2069	1.09	0.278	-29.3151			101.5391
education	3444.939	426.1919	8.08	0.000	2605.219			4284.659
Num_children	132.8176	96.1491	1.38	0.168	-56.6237			322.2589
Distance_prim	-24.4994	425.4108	-0.06	0.954	-862.6806			813.6818
_cons	2765.314	1356.162	2.04	0.043	93.28715			5437.341

Source : Auteur, à partir des résultats de la base de données sur STATA 12, 2012

Tableau 23 : Correction de l'hétéroscédasticité, enseignement secondaire général et technique

. reg CAP_Sec_gen Age education Num_children Distance_sec, robust

Linear regression Number of obs =									180
F( 4,						175)		=	28.22
Prob > F								=	0.0000
R-squared								=	0.4486
Root MSE								=	8493.1
CAP_Sec_gen	Coef.	Robust Std. Err.	t	P>|t|	[95% Conf. Interval]
Age	112.7804	71.40061	1.58	0.116	-28.13675		253.6975
education	8578.915	919.1304	9.33	0.000	6764.908		10392.92
Num_children	322.569	181.7559	1.77	0.078	-36.14668		681.2847
Distance_sec	-240.405	155.9905	-1.54	0.125	-548.2699		67.45978
_cons	7667.41	2710.247	2.83	0.005	2318.433		13016.39

Source : Auteur, à partir des résultats de la base de données sur STATA 12, 2012

ANNEXE 11 : la prédiction des effets marginaux

Tableau 24 : Prédiction des effets marginaux, enseignement primaire

. margins, dydx( Age Profession education Num_children Distance_prim lack_of_finance_prim g > irls_prim_marriage)

Average marginal effects Number of obs = 230

Model VCE : OIM

Expression : Linear prediction, predict()

dy/dx w.r.t. : Age Profession education Num_children Distance_prim lack_of_finance_prim girls_prim_marriage

	dy/dx	Delta-method Std. Err.	z	P>|z|	[95% Conf.	Interval]
Age	35.83424	26.92622	1.33	0.183	-16.94019	88.60867
Profession	151.7961	644.8577	0.24	0.814	-1112.102	1415.694
education	2595.339	352.4513	7.36	0.000	1904.547	3286.131
Num_children	126.996	71.97958	1.76	0.078	-14.08136	268.0734
Distance_prim	198.6625	358.4299	0.55	0.579	-503.8472	901.1721
lack_of_finance_prim	-3218.21	634.0699	-5.08	0.000	-4460.964	-1975.456
girls_prim_marriage	-3824.19	604.0632	-6.33	0.000	-5008.132	-2640.247

Source : Auteur, à partir des résultats de la base de données sur STATA 12, 2012

48

Tableau 25: Prédiction des effets marginaux, enseignement secondaire général

. margins, dydx( Age Profession education Num_children Distance_sec lack_of_finance_sec jus > tif_girls_sec_marriage)

Average marginal effects Number of obs = 129

Model VCE : OIM

Expression : Linear prediction, predict()

dy/dx w.r.t. : Age Profession education Num_children Distance_sec lack_of_finance_sec justif_girls_sec_marriage

	dy/dx	Delta-method Std. Err.	z	P>|z|	[95% Conf.	Interval]
Age	77.39963	86.97913	0.89	0.374	-93.07633	247.8756
Profession	1913.584	2339.443	0.82	0.413	-2671.64	6498.807
education	9744.888	1410.853	6.91	0.000	6979.667	12510.11
Num_children	622.2167	252.4879	2.46	0.014	127.3495	1117.084
Distance_sec	-292.7787	352.9152	-0.83	0.407	-984.4798	398.9225
lack_of_finance_sec	-3393.542	2189.532	-1.55	0.121	-7684.946	897.8631
justif_girls_sec_marri~e	-10259.47	2325.882	-4.41	0.000	-14818.11	-5700.822

Source : Auteur, à partir des résultats de la base de données sur STATA 12, 2012

Tableau 26 : Prédiction des effets marginaux, enseignement secondaire technique

. margins, dydx( Age Profession education Num_children Distance_sec lack_of_finance_sec jus > tif_girls_sec_marriage)

Average marginal effects Number of obs = 104

Model VCE : OIM

Expression : Linear prediction, predict()

dy/dx w.r.t. : Age Profession education Num_children Distance_sec lack_of_finance_sec justif_girls_sec_marriage

	dy/dx	Delta-method Std. Err.	z	P>|z|	[95% Conf.	Interval]
Age	-147.0928	132.7636	-1.11	0.268	-407.3047	113.119
Profession	1025.598	3520.975	0.29	0.771	-5875.386	7926.583
education	15514.23	2034.465	7.63	0.000	11526.75	19501.71
Num_children	1092.57	384.8907	2.84	0.005	338.1984	1846.942
Distance_sec	-690.0794	488.0482	-1.41	0.157	-1646.636	266.4775
lack_of_finance_sec	-8113.924	3364.412	-2.41	0.016	-14708.05	-1519.797
justif_girls_sec_marri~e	-5826.265	3475.664	-1.68	0.094	-12638.44	985.9105

Source : Auteur, à partir des résultats de la base de données sur STATA 12, 2012

49

TABLE DES MATIERES

PAGES

Remerciements ii

Sommaire iii

Liste des tableaux iv

Liste des graphiques v

Sigles et abréviations vi

Résumé vii

Abstract viii

Introduction générale .. 1

1. Contexte et justification de l'étude 1

2. Problématique 1

3. Objet de l'étude . 1

4. Hypothèses de recherche 2

5. Méthodologie de la recherche ... 2

6. Intérêt de l'étude 2

7. Revue de littérature 3
Première partie : Cadre conceptuel et théorique

CHAPITRE PREMIER : FONDEMENTS THEORIQUES DE L'EVALUATION DES BIENS NON MARCHANDS

3. La valeur économique des biens non marchands . 7

1.1. La valeur d'usage........................................................................... 7

1.2. La valeur de non-usage.......................................................................... 8

1.3. La valeur économique totale................................................................... 8

4. Bases théoriques de la valorisation économique des biens non marchands 8

4. La méthode des marchés de substitution .. 10

4.1. La méthode des prix hédoniques.......................................................... 10

4.2. La méthode du coût des voyages................................................................ 10

5. La méthode indirecte d'évaluation

CHAPITRE 2: METHODES D'EVALUATION ECONOMIQUE DES BIENS NON MARCHANDS

.....

10

6. La méthode d'évaluation contingente (MEC) .. 11

6.1. Présentation de la méthode............................................................... 11

6.2. Les biais liés à la MEC..................................................................... 11

6.3. Les avantages de la MEC........................................................................ 12

Seconde partie : Analyse descriptive et économétrique du CAP

CHAPITRE 3 : ANALYSE DESCRIPTIVE DU CONSENTEMENT A PAYER POUR L'EDUCATION DES POPULATIONS MBORORO DU NORD-OUEST

1. 50

Caractéristiques socio-économiques des populations MBORORO du Nord-

ouest .. 15

1.1 Origine........................................................................................................ 15

1.2 Mode de vie et sources de revenus 15

2. L'offre en éducation dans la région du nord-ouest ... 16

3. Les fréquences des CAP annoncés 16

4. La fréquence des variables importance et valeur de l'éducation 16

5. Consentement A Payer Moyen et médian . 17

6. Evaluation du coût social lié à la demande en éducation 17

6.1. Le Consentement global A Payer Moyen (CAPM)........................................ 17

7. 6.2. Le coût social....................................................................................... 18

CHAPITRE 4 : MODELISATION

1. Les variables 19

1.1. La variable dépendante (CAP) 19

1.2. Les variables explicatives 19

2. Le modèle 20

2.1. Le problème 20

2.2. Les spécifications du modèle 21

3. L'application du modèle à la base de données 21

3.1 contrôle des biais............................................................................... 22

3.1.1 Contrôle du biais stratégique .... 22

3.1.2 Contrôle du biais de point de départ : Test des moyennes de Student.... 22

3.1.2.1 Définition et présentation du test .. 22

3.1.2.2 Règle de décision ... 23

3.1.2.3 Application à la base de données .. 23

3.1.3 Contrôle du biais hypothétique 24

3.2. Estimations des résultats du modèle............................................................. 25

3.2.1. Test de significativité des variables: Test de Student .. 24

3.2.1.1 Définition et présentation du test 24

3.2.1.2 Règle de décision 24

3.2.1.3 Application à la base de données 25

3.2.2. Test de significativité globale du modèle: Test de Fisher 26

3.2.2.1 Définition et présentation du test 26

3.2.2.2 Règle de décision 26

3.2.2.3 Application à la base de données 27

3.2.3. Test d'homoscédasticité: Test de White 26

3.2.3.1 Définition et présentation du test 26

3.2.3.2 Règle de décision 26

3.2.3.3 Application à la base de données 28

4. La prédiction des effets marginaux 27

Conclusion générale . 30

Références bibliographiques . 33

Annexe . 35