Proposition d'une méthode d'évaluation du capital humain : cas de la filière riz pour le district de Mandoto et de Betafo

(3) Connaissances sur les niveaux optima de l'eau

Nous avons effectué une analyse du niveau de connaissance sur le niveau optimal de l'eau par les mêmes facteurs explicatifs. Nous avons alors remplacé la variable dépendante par l'indice en connaissance du niveau optimal de l'eau. Malheureusement, la capacité des modèles à expliquer ce score est très faible^76(*), ce qui veut dire que tous les investissements potentiels en capital humain que nous avons retenu n'ont aucun effet significatif sur la variable étudiée.

Tableau 26. Capacités des modèles à expliquer les scores en connaissances sur le niveau optimale de l'eau

(4) Connaissances pratiques

De la même manière que la méthode précédente, nous avons tenté d'expliquer ce score mais nous sommes arrivés à des résultats similaires. Le troisième modèle attire tout de même notre attention car celui-ci arrive à expliquer 12,3%^77(*) de la variabilité de ce score si nous ne considérons pas le nombre de facteurs explicatifs.

Tableau 27. Capacités des modèles à expliquer les scores en connaissances pratiques sur les activités

Au niveau des coefficients, seuls ceux de la constante et de la variable dummy « adhésion à une association paysanne » sont significatifs^78(*), ce qui confirme la différence dans ce score entre les individus qui adhèrent et ceux qui n'adhèrent pas à une association paysanne (figure 13). Cependant, nous ne pouvons pas affirmer la causalité de cette différence de performance car nous n'avons aucune idée sur les activités de ces associations.

Selon le troisième modèle, ceux qui sont membres d'une association paysanne ont un score supérieur. Par rapport aux scores de ceux qui ne sont pas membres d'une association paysanne, cette différence de score s'élève à 23,5^79(*)%.

Tableau 28. Les coefficients des modèles pour les connaissances pratiques sur les tâches

Sur la piste des examens graphiques, nous avons aussi tenté d'expliquer ce score par un nombre limité de facteurs. Nous avons alors estimé deux sous-modèles. Le premier retient comme facteurs explicatifs : le nombre d'années d'instruction, le nombre d'années d'expériences en gestion de la riziculture et l'adhésion à une association paysanne. Le second modèle ajoute au premier l'âge.

Les résultats sont encourageants car par rapport au modèle précédent, considérant le nombre de facteurs explicatifs retenus, la capacité du premier sous-modèle à expliquer le score s'est améliorée de 2,3 points de pourcentage et pour le second, de 5,8 points de pourcentage^80(*).

Tableau 29. Capacités des sous-modèles à expliquer les scores en connaissances pratiques sur les activités

Se focalisant sur le second sous-modèle, par l'analyse des coefficients et sous réserve des limites de ce modèle, les années d'instruction augmentent en moyenne le niveau de connaissance sur les activités en riziculture de 2,6^81(*) points de pourcentage. L'appartenance à une association paysanne est considérable car par rapport à ceux qui ne sont pas membres, le niveau de connaissance dans le domaine augmente de 17^82(*) points de pourcentage. L'âge joue aussi un rôle prépondérant car une année accroît le score de 10,3^83(*) points de pourcentage.

Malgré leur non significativité, les signes des coefficients dans les deux sous-modèles pour les années d'expériences en gestion de riziculture sont surprenantes mais témoigne que nos modèles n'arrivent pas à expliquer ce score. Concrètement, cela veut dire que la théorie - notre cadre théorique- ne correspond pas aux réalités observées.

Tableau 30. Les coefficients des sous-modèles pour les connaissances pratiques sur les tâches

* ⁷⁶ Voir Tableau 26. Capacités des modèles à expliquer les scores en connaissances sur le niveau optimale de l'eau, P. 60

* ⁷⁷ Voir Tableau 27. Capacités des modèles à expliquer les scores en connaissances pratiques sur les activités, P. 61

* ⁷⁸ Voir Tableau 28. Les coefficients des modèles pour les connaissances pratiques sur les tâches, P. 62

* ⁷⁹ Voir Tableau 28. Les coefficients des modèles pour les connaissances pratiques sur les tâches, P. 62

* ⁸⁰ Comparaison entre tableau. 16 et tableau 18

* ⁸¹ Voir Tableau 30. Les coefficients des sous-modèles pour les connaissances pratiques sur les tâches, P. 64

* ⁸² Voir Tableau 30. Les coefficients des sous-modèles pour les connaissances pratiques sur les tâches, P. 64

* ⁸³ Voir Tableau 30. Les coefficients des sous-modèles pour les connaissances pratiques sur les tâches, P. 64