Changements climatiques et production agricole dans les pays de la CEEAC

2.2 Estimation, présentation des résultats et interprétations

Dans cette sous-section, nous allons présenter dans un premier temps la méthode d'estimation (2.2.1), les résultats de l'estimation et une interprétation de ces résultats (2.2.2).

2.2.1 Méthode d'estimation

Pour apporter les éléments de réponse à notre question de recherche et mettre en évidence les effets des changements climatiques sur le rendement agricole, nous avons adopté l'approche économétrique, en faisant recours à la modélisation en données de panel. L'utilisation des données de panel présente trois avantages : une double variabilité qui prend en compte à la fois la dimension individuelle et la dimension temporelle ; elle permet de contrôler l'hétérogénéité des variables inobservable et l'invariance dans le temps et permet d'atténuer le biais d'omission des variables car si la variable omise ne change pas dans le temps alors tout changement de la variable dépendante à travers le temps ne peut être causé par la variable omise (Engoung et al., 2018).

2.2.2 Estimation, présentation des résultats et interprétation

Nous présentons en (2.2.2.1) la procédure d'estimation et en (2.2.2.2) les résultats et interprétation.

2.2.2.1 Procédure d'estimation

Pour estimer le modèle dans le cadre de notre étude, nous nous referons aux travaux de-de Medeiros Silva et al. (2019) qui sur la période de 1990 à 2015 ont estimé les effets des changements climatiques sur la production de la canne à sucre dans l'Etat de Paraíba (Brésil) en adoptant une approche par panel. A cet effet, ces auteurs ont utilisé un modèle linéaire de régression multiple pour évaluer l'influence des changements climatiques sur la production de la canne à sucre. Ils tiennent compte uniquement des températures et des précipitations dans la construction de la fonction de production.

L'estimation des données de panel nécessite que l'on recourt aux différents tests de spécification à savoir : le test de Fisher^23(*); le test de Breusch et Pagan^24(*); et test de Hausman (1978)^25(*). Les résultats des deux premiers tests (confère annexe I.9, I.10) nous confirment la présence des effets fixes et aléatoires. Pour procéder à l'estimation de nos équations, nous allons choisir le modèle qui convient le mieux entre celui à effets fixes et celui à effets aléatoire. A cet effet, nous allons effectuer le test de Hausman (1978). Les résultats de ce test sont présentés dans le tableau ci-dessous :

Tableau 2.2 :Résultats des tests de Hausman

Modèle	Valeur statistique du test	p-value
Modèle 1(banane)	1,82	0,4028
Modèle 2(cacao)	0,08	0,9607
Modèle 3(café)	0,03	0,9839
Modèle 4(coton)	0,35	0,8379

Source : Auteur, résultats des tests d'Hausman pour chaque modèleeffectué par le logiciel STATA 15.1à partir des données de FAOSTAT (2018), CCKP (2018) et de WDI(2018)

Note : lorsque p-value du test est supérieure à 5% on retient le modèle à effet aléatoire ; si la p-value est inférieure à 5% on retient le modèle à effet fixe. De ce tableau, nous constatons que toutes les probabilités sont supérieures à 5%. Nous retenons les modèles à effets aléatoires.

L'estimation de ce modèle peut poser un certain nombre de problèmes notamment ceux liés à l'autocorrélation et à l'hétéroscédasticité (Wooldridge, 2013). De ce fait, nous allons effectuer les tests de Wald sur l'hétéroscédasticité et de Wooldridge pour l'autocorrélation de premier ordre. Au regard des résultats de ces différents tests (confère annexe I.11, I.12) il ressort qu'il y'a présence d'hétéroscédasticité et d'autocorrélation de premier ordre dans les différents modèles.

Pour procéder à l'estimation de ces différents modèles, nous allons utiliser la méthode des Moindres Carrés Généralisés (MCG) afin de résoudre ces différents problèmes économétriques détectés sur la période allant de 2003 à 2011 pour les 04 pays de la CEEAC retenus dans le cadre de notre étude. Cette méthode s'applique dans le cadre d'un panel simple ou les variables explicatives sont strictement exogènes.

* ²³ Le test de Fisher nous permet d'affirmer la présence ou non d'effets fixes.

* ²⁴ Le test de Breuch et Pangan nous permet dire s'il y'a présence ou non d'effets aléatoires.

* ²⁵ Le test de Hausman nous permet de faire le choix entre le modèle à effets fixes et le modèle à effets aléatoires.