Memoire Online - Etude des déterminants de la consommation de combustibles pour la cuisson dans le milieu urbain : le cas des ménages de la commune de Carrefour, Haà¯ti

Un échantillon de 288 chefs de ménages a été interrogé dans la partie urbaine de la commune de Carrefour, adjacente avec Port-au-Prince la capitale haïtienne. Parmi ces chefs de ménages, 192 sont des femmes, soit un pourcentage de 66.7%. Ce taux élevé de femmes chefs de ménage reflète bien la réalité de l'Aire Métropolitaine de Port-au-Prince. Car, selon IHSI/ECVH (2003), 64% des ménages de sont dirigés par des femmes dans la plus grande agglomération urbaine du pays qui regroupe à elle-seule environ 59% de la population urbaine nationale.

Les résultats du sondage indiquent que les chefs de ménages enquêtés sont en moyenne âgés-es de 39.31 ans avec un écart-type de 12 ans. La distribution par âge de notre échantillon, telle qu'elle est représentée dans la Figure 3, ci-dessous, est en parfaite cohérente avec la distribution de la population totale haïtienne dans laquelle les jeunes prédominent, alors que les personnes âgées de 65 ans et plus ne représentent que 6.3% de la population (IHSI, 2003).

Sur le plan religieux, les déclarations des chefs-fes de ménages enquêtés-es sont à 46.5% « Catholique » et 33.3% se disent « Protestant » (respectivement estimés à 58.3% et 34% selon IHSI (2003)). Les pourcentages de Témoins de Jéhovah, Vodouisants et autres confessions religieuses sont relativement faibles.

Concernant le niveau d'éducation des chefs de ménages, nous constatons que plus de 50% ont atteint le niveau d'étude secondaire (entre la 7^e année fondamentale jusqu'à la classe terminale), 18.3% ont atteint le niveau primaire (1^e à 6^e année fondamentale) et 13% n'ont eu à suivre aucune formation académique. Les 18.7% de chefs de ménage restant sont répartis entre les niveaux professionnel et universitaire.

S'agissant du statut matrimonial des chefs de ménages qui constituent notre échantillon, le pourcentage des chefs de ménages en union se chiffre à 61.5% (dont 32.3% de « mariés » et 29,2% en « union libre »). Le reste est partagé entre les « célibataires » (17.4%), les « séparés/divorcés » (12.5%) et les « veufs/veuves » (8.7%).

Il faut dire qu'à divers égards, nous constatons beaucoup de similitudes entre les caractéristiques des ménages-échantillon de cette recherche et ceux publiées par l'Institut Haïtien de Statistique et d'Informatique (IHSI) dans des grandes enquêtes¹⁴ nationales concernant l'Aire métropolitaine de Port-au-Prince, la plus grande agglomération urbaine d'Haïti qui regroupe à elle-seule 59% de la population urbaine totale.

Figure 5 : Quelques similitudes entre les caractéristiques des ménages enquêtés et les données publiées par l'IHSI (EBCM_2000 / ECVH_2003) pour l'Aire métropolitaine de Port-au-Prince

% de ménage de 4-6 personnes % de maisons basses ordinaires % de logement de 2 pièces

¹⁴ Ici, nous parlons des enquêtes nationales telles que : l'Enquête Budget-Consommation des ménages (EBCM : 1999-2000) et l'Enquête sur les Conditions de Vie des Haïtiens (ECVH : 2003).

Il est évident que toutes ces similitudes ne sauraient être le fruit du hasard. Elles traduisent, de préférences, la bonne représentativité des ménages-échantillon de notre recherche par rapport à ceux de grandes enquêtes réalisées par l'IHSI au niveau de l'Aire métropolitaine de Port-au-Prince. Face à cet heureux constat, nous pouvons nous réjouir de ce que les résultats de notre sondage sur les combustibles soient de nature à faire autorités, et pourront servir valablement pour alimenter le modèle de régression qui sera présenté.

Le ménage dont il est question ici se défini comme un ensemble de personnes vivant sous le même toit et partageant le repas en commun. Ces personnes appelées membres du ménage peuvent ou non avoir des liens de parenté entre eux. Le « ménage » se caractérise essentiellement par sa taille c'est-à-dire le nombre de membres et la structure familiale qui le compose.

Les résultats de notre recherche montrent que les ménages interrogés ont entre 1 et 15 membres. La taille moyenne observée est de 4.8 membres. Encore un résultat très proche de la taille moyenne de 4.5 membres observée par IHSI/ECVH (2003) dans les différents milieux de résidence. Il est opportun aussi de signaler que les résultats de notre recherche sont conformes à la forte prédominance des enfants du chef de ménage qui caractérise la distribution des membres secondaires (hors chef de ménage) des ménages haïtiens (IHSI/ECVH, 2003). En effet, certains chefs de ménages de notre échantillon ont jusqu'à huit (8) enfants dans le ménage et le nombre moyen d'enfants du chef de ménage qui vivent dans le ménage est de 1.89 avec 1.75 d'écart-type estimé. De plus, nous avons observé qu'en moyenne chaque ménage a 1.43 femme âgée de 18 ans ou plus.

Dans notre sondage, la majorité des ménages enquêtés (68.8%) vivent dans des maisons basses avec murs en blocs, 14.2% dans des maisons construites avec des débris de matériaux ou dans des abris semi-définitifs, et 13.9% habitent des maisons à 1 étage. En ce qui a trait au titre d'occupation du logement, 49% des ménages sont propriétaires de la maison ou ils vivent, 39.6% sont locataires (mensuels et annuels) et les 11.5% restant occupent le logement à titre gratuit.

Le tableau de fréquence ci-dessous montre que 54.2% des logements ont un espace réservé à faire la cuisine. Ce pourcentage est réparti en logements qui ont une cuisine à l'intérieur (23.3%) et ceux

dont la cuisine se trouve à l'extérieur du logement (30.9%). Les 45.8% de ménages dont le logement n'a pas d'espace de cuisine, préparent leur nourriture dans un coin du logement soit à l'intérieur ou à l'extérieur de celui-ci.

Parmi les 288 ménages interrogés, nous avons pu collecter le revenu pour 268 d'entre eux, soit un taux de collecte de 93%. Le tableau suivant montre que 241 ménages, soit un pourcentage de 83.6%, ont gagné un revenu au cours du mois précédent l'enquête ; et 128 ménages (44.4%) ont reçu un transfert d'argent. On constate que le revenu moyen du ménage est évalué à 11,334.27 gourdes pour le mois, avec un écart-type de 16,824.78 gourdes. Ce qui laisse entrevoir de grandes disparités de revenus entre ces ménages tel que le montre le graphe 4 en annexe 1.

Table 2 : Statistiques descriptives des composantes de la variable "Revenu du ménage"

Les résultats de notre sondage montrent que 97.92% des ménages urbains utilisent le Charbon de bois pour cuisiner. Rappelons, qu'au niveau de l'Aire métropolitaine de Port-au-Prince, ce pourcentage était de 88.7% selon IHSI (2003). Consommé par 30.21% (27%, selon IHSI 2003) des ménages de notre échantillon, le Kérosène est arrivé en deuxième position derrière le Charbon de bois. Il est suivi du GPL consommé par 25% des ménages de notre sondage contre 17% selon IHSI (2003). Le Bois est utilisé par 10.42% des ménages et l'Électricité par 8.68% des ménages enquêtés. Les différences de pourcentages observées avec l'IHSI pourraient être dues à un effet de sondage, mais probablement à une évolution de la réalité des ménages urbains. Globalement, les résultats de cette recherche confirment la prédominance du Charbon de bois dans la consommation de combustibles pour la cuisson chez les ménages urbains interrogés, tel que le montre la Figure 4 suivante.

Figure 4 : Répartition des ménages selon le combustible utilisé pour la cuisson

S'agissant du combustible utilisé comme principale source d'énergie pour la cuisson, la Table 3 ci-dessous montre que le Charbon de bois est toujours premier avec 82.5% des ménages. Cependant, c'est le GPL qui arrive en deuxième position avec 14.1% des ménages loin devant le Kérosène et le Bois (1.9% et 1.5% respectivement). L'Electricité, quant à lui, n'est pas utilisé comme source principale d'énergie pour la cuisson. Ce dernier résultat témoigne de l'inaccessibilité du courant électrique chez les ménages urbains. Ainsi, on peut comprendre que le Kérosène, le Bois et l'Électricité jouent plutôt un rôle de second rang ou sont utilisés comme compléments dans la consommation de combustible chez le ménage urbain haïtien. Il convient de signaler aussi que tout de suite après l'utilisation du Kérosène (28.5% des ménages) comme première source d'énergie secondaire, arrive le charbon de bois (15.3% des ménages) comme deuxième source secondaire.

Table 3 : Répartition des ménages en pourcentage selon les combustibles utilisés

Source : IFGCAR-IAC/Enquête sur le choix des combustibles pour la cuisson
chez les ménages urbains en Haïti/Juillet 2011

Perception des chefs de ménage par rapport aux problèmes liés à l'utilisation des combustibles Les résultats de notre recherche nous permettent de mettre en exergue la perception des chefs de ménages par rapport aux principaux problèmes fournis par l'utilisation de chacun des combustibles. Le tableau 4 ci-dessous montre que le Bois et le Charbon de bois sont perçus comme des combustibles dont la fumée ou le cendre peuvent salir la maison selon respectivement 60.42% et 30.56% des ménages enquêtés. Le temps de cuisson des repas est plus long avec ces combustibles. L'odeur et la fumée imprègnent le goût des repas selon 15.97%, 11.11% et 25.35% des ménages respectivement pour le Bois, le Charbon de Bois et le Kérosène. Nous constatons aussi que les problèmes perçus pour le Gaz propane et l'Electricité sont les mêmes : risques d'incendie/explosion (84% et 37.15% respectivement) et cout élevé des équipements nécessaires (30.56% et 34% respectivement). Ces problèmes sont présents également avec le Kérosène (41.67% et 10% de ménages respectifs).

Table 4 : Répartition des chefs de ménage selon les problèmes liés à l'utilisation des
combustibles pour la cuisson

Source : IFGCAR/IAC/Enquête sur le choix des combustibles pour la cuisson chez les ménages urbains en Haïti/Juillet 2011

Perception des chefs de ménage par rapport aux avantages offerts par chacun des

Parallèlement aux problèmes suscités, les ménages perçoivent également plusieurs avantages dans les combustibles disponibles. Le tableau 5 suivant montre que le Bois et le Charbon de bois offriraient trois avantages : ils sont très accessibles (35.76% et 36.11% des ménages respectifs), économiques (36.11% et 48.96% respectivement) et ne sont pas très dangereux (27.43% et 36.11% respectivement). Alors que les avantages perçus par les ménages sont pratiquement les mêmes pour les trois autres combustibles : Kérosène (dans une moindre mesure), Gaz propane et Electricité. Ces avantages sont : la rapidité de la cuisson (60.42%, 54.17% et 42.36% de ménages respectifs), la rapidité de l'allumage (28.82%, 50% et 34.38% de ménages respectifs) et le fait que ces combustibles ne salissent pas (19.10%, 41.32% et 52.08% de ménages respectifs).

Table 5 : Répartition des chefs de ménage selon les avantages liés à l'utilisation des
combustibles pour la cuisson

Source : IFGCAR/IAC/Enquête sur le choix des combustibles pour la cuisson chez les ménages urbains en Haïti/Juillet 2011

Dans ce paragraphe, notre objectif est de déterminer s'il existe ou non une association entre chaque catégorie de combustible utilisé par un ménage urbain haïtien et certaines caractéristiques propres à ce ménage pris dans son ensemble. Ce qui nous amène à considérer le « combustible utilisé » comme étant une variable à expliquer par d'autres variables indépendantes telles que celles mentionnées dans la formulation de nos hypothèses de recherche. De ce fait, nous allons faire un test Khi-deux de chacune de ces variables indépendantes avec la variable dépendante en vue de faire le point sur une éventuelle association.

Dans l'analyse statistique, le test Khi-deux est utilisé pour tester l'indépendance entre des variables. Ce test cherche à établir la vérification d'une « hypothèse nulle (H0) » selon laquelle les variables seraient indépendantes, par rapport à une « hypothèse alternative (H1) », laquelle supposerait une certaine association entre les variables concernées. En d'autres termes, le test Khi-deux entend procéder au rejet de l'hypothèse alternative (H1) pour accepter l'hypothèse nulle (H0). Or, pour rejeter l'hypothèse H1, le degré de significativité du test Khi-deux doit être strictement supérieur à « 0.05 ». Si non, on accepte l'hypothèse H1 pour conclure que les variables ont une quelconque association entre-elles ou ne sont pas indépendantes. Dans la présente étude, l'hypothèse H0 serait qu'il n'existe aucune association entre le combustible utilisé par un ménage urbain et les caractéristiques socioéconomiques, démographiques ou culturelles de ce ménage.

1. Test Khi-deux entre les combustibles utilisés et quelques caractéristiques du ménage urbain haïtien

La Table 6 ci-dessous présente les résultats des tests Khi-deux réalisés pour les cinq (5) principaux combustibles utilisés par les ménages urbains en Haïti (Bois, Charbon de bois, Kérosène, Gaz propane et Electricité) avec quelques caractéristiques socioéconomiques et démographiques de ces ménages. L'analyse de ces résultats (Table 6) montrent l'existence d'associations entre les

caractéristiques présentées avec la plupart des combustibles utilisés par ces ménages urbains. En effet, hormis le Kérosène, on constate que chacun des autres combustibles présente, tout au moins, un test Khi-deux significatif avec les caractéristiques étudiées. Sur cette base, on conclut qu'il peut exister une association entre :

- L'« Age du chef de ménage » et chacun des combustibles : « Bois » et « GPL ». L'existence de cette association avec le « Bois » conforterais notre première hypothèse de recherche qui suppose l'existence d'une association entre « l'âge du chef de ménage » et « l'utilisation du Bois » comme principale combustibles pour la cuisson chez le ménage urbain en Haïti ;

- Le « Nombre de femmes de 18 ans et + » et les combustibles « Charbon de bois », « GPL » et « Electricité ». Ces résultats sont favorables à la vérification de la deuxième hypothèse formulée dans le cadre de ce travail ;

- Le « Niveau d'étude formelle » et les combustibles : « Bois », « GPL » et « Electricité ». L'une de ces observations est en cohérence avec notre troisième hypothèse de recherche formulée dans le chapitre précédent, et stipulant l'existence d'une association entre le « Niveau d'étude formelle » du chef de ménage et la consommation du gaz propane ;

- La « Taille du ménage » et le « Charbon de bois ». C'est également un résultat qui est conforme avec l'hypothèse de recherche formulée concernant l'influence de la « Taille du

ménage » sur le choix de combustibles pour la cuisson dans le milieu urbain haïtien ;

- Le « Revenu » et les combustibles : « Bois » et « GPL ». Ces observations sont aussi conforment à l'hypothèse formulée sur la variable « Revenu du ménage ». Étant donné les caractéristiques de ces deux combustibles, la logique serait que les ménages à bas revenu consomment le Bois, alors que ceux à revenu élevé consomment le GPL. Toutefois, Nkamleu et al. (2002) et Ouédraogo (2005) ont montré que la consommation du bois diminue avec l'augmentation du revenu. Dans notre cas, le test de Khi-deux se révèle insuffisant pour établir une telle conclusion. Le mieux serait d'attendre les résultats de notre modèle logistique avant de nous prononcer fermement ;

- Le « Nombre de pièces du logement » et les combustibles « Bois » et « GPL ». Les résultats significatifs du test Khi-deux obtenus pour ces deux combustibles avec la variable « Nombre

de pièces du logement » est compréhensible, étant donné la probable association entre le revenu et ces mêmes combustibles. En effet, cette variable « Nombre de pièces du logement » pourrait bien servir de proxy à la variable « Revenu du ménage ». Car, en Haïti, les gens qui habitent dans des logements de plus de trois pièces sont souvent considérés comme des gens aisés en raison du prix relativement élevé du logement dans les zones urbaines. Il est opportun de relater que les associations probables entre « Nombre de pièces du logement » et les combustibles « Bois » et « Gaz Propane » sont favorables à la confirmation de l'hypothèse « 116 » formulée par rapport à cette variable ;

- La variable « Existence de cuisine » et les combustibles « Bois », « GPL » et « Electricité ». Là encore, il s'agit de résultats conforment à notre compréhension du phénomène. Car, l'hypothèse 117 que nous avons formulée sur la variable « Existence de cuisine » relate l'influence significative que cette variable pourrait avoir dans le choix de combustibles pour la cuisson chez le ménage urbain haïtien. Il faut dire que l'association entre l'« Existence de cuisine externe » et ces mêmes combustibles de cuisson ont été mis en évidence dans l'étude d'Ouédraogo (2005) à Ouagadougou (Burkina Faso).

Toutefois, un coup d'oeil attentif sur la Table 6 suivant permettra, à titre d'illustration, d'avoir plus de détails sur ces derniers résultats.

Table 6 : Tests de Khi-deux entre chaque combustible et les caractéristiques des ménages (N of Valid Cases : 288)

			Bois df	Asymp. Sig. _(2sided)	Charbon Value	df	de bois Asymp. Sig. _(2sided)	Value	Kérosène df	Asymp. Sig. _(2sided)	Gaz Value	df	propane Asymp. Sig. _(2sided)	Value	Electricité df	Asymp. Sig. (2sided)
Variables	Test	Value	Bois df	Asymp. Sig. _(2sided)	Charbon Value	df	de bois Asymp. Sig. _(2sided)	Value	Kérosène df	Asymp. Sig. _(2sided)	Gaz Value	df	propane Asymp. Sig. _(2sided)	Value	Electricité df	Asymp. Sig. (2sided)
Tranche d'âge	Pearson Chi-Square Likelihood Ratio Pearson Chi-Square Likelihood Ratio Pearson Chi-Square Likelihood Ratio Pearson Chi-Square Likelihood Ratio Pearson Chi-Square Likelihood Ratio Pearson Chi-Square Likelihood Ratio Pearson Chi-Square Likelihood Ratio	13.716	4	*0.008*	3.995	4	*0.407*	2.106	4	*0.716*	10.679	4	*0.030*	3.450	4	*0.486*
Tranche d'âge		14.899	4	*0.005*	5.986	4	*0.200*	2.123	4	*0.713*	10.989	4	*0.027*	3.343	4	*0.502*
Nombre de femmes de 18 ans et +		11.127	6	*0.085*	34.043	6	*0.000*	7.288	6	*0.295*	15.000	6	*0.020*	14.265	6	*0.027*
Nombre de femmes de 18 ans et +		9.377	6	*0.153*	23.288	6	*0.001*	7.530	6	*0.275*	13.782	6	*0.032*	8.534	6	*0.202*
Niveau d'étude formelle		22.077	4	*0.000*	5.189	4	*0.268*	0.645	4	*0.958*	25.274	4	*0.000*	12.750	4	*0.013*
Niveau d'étude formelle		21.026	4	*0.000*	4.717	4	*0.318*	0.645	4	*0.958*	27.171	4	*0.000*	14.039	4	*0.007*
Taille du ménage		3.556	2	*0.169*	5.622	2	*0.060*	0.296	2	*0.863*	4.104	2	*0.128*	3.641	2	*0.162*
Taille du ménage		3.613	2	*0.164*	6.237	2	*0.044*	0.294	2	*0.863*	4.358	2	*0.113*	3.949	2	*0.139*
Quintile de revenu		12.234	4	*0.016*	5.704	4	*0.222*	3.918	4	*0.417*	16.314	4	*0.003*	1.763	4	*0.779*
Quintile de revenu		11.103	4	*0.025*	4.997	4	*0.288*	3.844	4	*0.428*	16.854	4	*0.002*	1.708	4	*0.789*
Nombre de pièces du logement		13.066	3	*0.004*	0.759	3	*0.859*	3.618	3	*0.306*	18.700	3	*0.000*	4.186	3	*0.242*
Nombre de pièces du logement		12.326	3	*0.006*	0.837	3	*0.841*	3.639	3	*0.303*	19.137	3	*0.000*	4.487	3	*0.213*
Existence de cuisine		12.663	4	*0.013*	7.388	4	*0.117*	3.993	4	*0.407*	30.857	4	*0.000*	9.873	4	*0.043*
		14.430	4	*0.006*	7.823	4	*0.098*	4.254	4	*0.373*	31.844	4	*0.000*	9.258	4	*0.055*

2. Test Khi-deux entre les combustibles utilisés et certaines variables relatives à la perception du chef de ménage urbain haïtien

Les résultats des tests Khi-deux réalisés pour les variables sur la perception du chef de ménage indiquent que ces variables pourraient effectivement avoir un lien avec le choix de combustibles des ménages urbains pour la cuisson. En effet, les variables traduisant la perception du chef de ménage présentées dans la Table 7 peut être associés à un ou plusieurs combustibles utilisés par les ménages étudiés.

- Tout d'abord, considérant la variable « perçu plus économique », l'association avec le « Bois » peut traduire la situation de pauvreté qui fait rage en Haïti depuis cela plusieurs décennies. On peut également avancer que la dégradation des conditions de vie des haïtiens après le séisme du 12 janvier peut porter les ménages démunis à consommer le « Bois » pour des raisons strictement économiques. Ainsi, l'association du « Bois » avec la variable « perçu plus économique » est conforme à la réalité de certains ménages urbains haïtiens, mais aussi, elle est favorable avec l'hypothèse H3.1 formulée dans le cadre de cette recherche.

- La variable « Utilisation perçue dangereuse » par le chef de ménage est associé vraisemblablement au « Bois » et au « Charbon de bois » selon les résultats du test

Khi-deux. Si l'on élargie l'intervalle de confiance à 10%, on pourrait également associée cette variable au « Gaz propane ». Ce résultat est favorable à l'hypothèse H3.2 formulée dans cette recherche. Le moins que nous puissions dire, c'est que ces observations reflètent bien la réalité de la demande de combustibles en Haïti, notamment du fait des cas d'accidents victimes par les ménages utilisant les combustibles pétroliers, et résultant d'une mauvaise manipulation des équipements de ces combustibles. Cette information a été relatée dans l'étude d'ESMAP (2007), et confirmée dans notre recherche (voir tableaux annexe 1).

- S'agissant de la variable « Utilisation perçue compliquée » par le chef de ménage, elle est probablement associée au « Gaz propane » et à « l'Électricité ». Cette perception du chef de ménage d'utilisation compliquée de certains combustibles est liée au fait que certaines informations qui circulent dans le milieu urbain haïtien parviennent à stigmatiser certains ménages vis-à-vis des combustibles dont les réchauds et fours nécessitent un minimum de discipline et de savoir-faire pour l'utiliser efficacement et

de façon sécuritaire. Par rapport à l'électricité, ce combustible n'est pas accessible à tout moment à cause notamment de la rareté du courant électrique fournis par la seule compagnie nationale de production de ce service sur le marché haïtien. Ce qui contribue à une faible demande de réchauds électriques. Quelques réchauds électriques se retrouvent surtout sur le marché informel, à l'état usagé et dans la plupart des cas, ils sont défectueux. Ainsi, leur utilisation parait compliquée pour le ménage urbain dans la mesure où ces réchauds doivent être réparés systématiquement et provoquent souvent des chocs électriques sur le réseau. C'est en ce sens que nous somme persuadé que les résultats obtenus par rapport à cette variable perception sont le reflet de la réalité des ménages vivant dans le milieu urbain en Haïti. L'association de cette variable perception avec le GPL notamment est conforme à notre compréhension de situation du marché haïtien. Elle est favorable à la vérification de l'hypothèse de travail 113.3 formulée dans le cadre de cette recherche.

- S'agissant de la variable « Discrimination positive », son Khi-deux est significatif in extremis avec le « Kérosène ». Ce résultat indique que la variable « discrimination positive » pourrait avoir une influence sur la décision des ménages de choisir le Kérosène pour la cuisson. Rappelons notre hypothèse 113.4 selon laquelle il y aurait une association positive entre la variable « discrimination positive » et les combustibles discriminés. Attendons voir si cette association sera validée par les résultats du modèle de régression proposé dans la prochaine section.

- Concernant la variable « Lieu d'approvisionnement perçu proche » par le chef de ménage, les résultats du test Khi-deux montrent une dépendance significative avec le « Bois » et le « Kérosène ». Ces résultats nous paraissent cohérents avec la réalité haïtienne. Car, le Kérosène est très accessible et disponible partout. Concernant le Bois, souvent il est le plus souvent obtenu gratuitement soit dans un jardin ou sur un terrain vide situé à proximité du logement habité par le ménage.

Toutes ces résultats et bien d'autres encore sont consignés dans la Table 7 suivante qui offre un peu plus de détails par rapport aux variable traitant de la perception :

Table 7 : Tests de Khi-deux entre chaque combustible et la perception des chefs de ménages
Chi-Square Tests (N of Valid Cases: 288)

Bois

Asymp.
Sig.

^(2sided)

Charbon de

Value df

bois

Asymp.
Sig.

^(2sided)

Value

Kérosène

Asymp.
Sig.

^(2sided)

Gaz

Value

propane

Asymp.
Sig.

^(2sided)

Electricité

Value df

Asymp.
Sig.
(2sided)

Variables

Test

Value

Perçu plus
économique

Pearson ChiSquare

Likelihood Ratio Pearson ChiSquare

Likelihood Ratio

8.284

0.004

0.599

0.439

0.206

0.650

1.352

0.245

0.493

0.483

7.914

0.005

0.611

0.434

0.199

0.656

1.170

0.279

0.400

0.527

Utilisation perçue
dangereuse

11.319

0.001

6.419

0.011

1.539

0.215

3.562

0.059

1.410

0.235

11.477

0.001

4.436

0.035

1.584

0.208

3.657

0.056

1.324

0.250

Utilisation perçue
compliquée

0.025

0.875

1.937

0.164

2.707

0.100

16.344

0.000

18.421

0.000

0.025

0.874

1.495

0.221

2.754

0.097

17.160

0.000

23.316

0.000

Discrimination
positive

0.713

0.399

0.051

0.821

3.852

0.050

3.129

0.077

2.179

0.140

1.335

0.248

0.048

0.826

3.758

0.053

2.962

0.085

2.004

0.157

Lieu

d'approvisionnement perçu proche

22.525

0.000

1.256

0.262

4.929

0.026

0.156

0.693

0.173

0.678

19.266

0.000

2.264

0.132

4.862

0.027

0.154

0.695

0.166

0.683

Etant donné que le test Khi-deux ne nous permet pas un test directionnel, et ne donne pas d'informations sur le sens ni la force de ces associations, nous proposons un modèle de régression en vue, dans un premier temps de valider les associations établies par les tests Khi deux, et ensuite préciser la force et le sens de variation de ces associations.

Dans cette section, nous construisons un modèle de régression qui met en relation chaque combustible pour la cuisson utilisée par le ménage urbain haïtien : Bois, Charbon de bois, Kérosène, GPL et Electricité (toutes des variables expliquées dichotomiques) en tant que variables dépendantes, avec un ensemble de variables explicatives (continues et binaires) que sont les caractéristiques socio-démo-économiques et culturels de ce ménage.

En économétrie, la régression est une méthode d'analyse de données qui consiste à mettre en relation une variable à expliquer Y avec une ou plusieurs variables explicatives appelées prédicteurs. Quoique la régression linéaire multiple soit la plus utilisée, lorsque la variable Y n'est pas continue mais traduit l'appartenance à un groupe, il devient incorrect d'employer la régression classique à des fins de modélisation ou de prévision (HOSMER et LEMESHOW, 1989 : cité par F. DUYME et J.J CLAUSTRIAUX, 2006). L'intérêt majeur de cette technique est de quantifier la force de l'association entre chaque variable indépendante et la variable dépendante, en tenant compte de l'effet des autres variables intégrées dans le modèle (Preux et al., 2005).

Notons qu'on parle de régression logistique Binaire quand la variable dépendante qualitative est dichotomique, c'est-à-dire, ne peut prendre que deux valeurs (0 et 1). Lorsque la variable qualitative à prédire ne se limite pas uniquement à deux valeurs, la régression logistique multinomiale est celle préconisée. Dans cette recherche, c'est le modèle de régression

logistique multinomial qui sera utilisé pour classifier les combustibles utilisés par les ménages urbains haïtiens en fonction des variables prédicteurs ou explicatives que sont les caractéristiques de ces ménages. Dans ce cas, la variable dépendante sera de type catégorique. Elle regroupera les combustibles utilisés par les ménages urbains comme étant leur principale source d'énergie pour la cuisson. Certes, dans la réalité haïtienne, la plupart des ménages utilisent une combinaison de combustibles pour la cuisson. Cependant, il ne demeure pas moins vrai que le comportement du ménage par rapport au choix de son principal combustible demeure le plus fondamental. En conséquence, les différents combustibles utilisés par ces ménages ne seront plus des variables dépendantes comme c'était le cas initialement. Ils deviendront de simples modalités mutuellement exclusives d'une seule et même variable dépendante de type catégorique. Ainsi, les modalités de cette dernière variable dépendante seront au nombre de quatre (4) : le Bois, le Charbon de bois, le Kérosène et le Gaz propane. Les résultats de cette recherche avaient déjà montré que l'Electricité n'est pas une source principale d'énergie utilisée pour la cuisson chez les ménages enquêtés. Finalement, en considérant la source d'énergie utilisé comme principale dans le ménage, l'opérationnalisation de notre modèle de régression logistique multinomiale devient plus facile.

L'équation du modèle de prédiction proposée est la suivante : P(Yt=1|Xi) = 1 f [1 + _e-(á + ?fiXi)]

Par transformation Logit on obtient la fonction : Logit P = á + ?fiXi Avec :

- X = (X1,X2, . . . ,XJ ), la matrice de l'ensemble des variables explicatives. « á » et « fi » sont estimés par la méthode des MCO.

á et f sont respectivement ordonnés à l'origine et coefficients de la régression. La valeur numérique du coefficient f, comme celle de l'ordonnée à l'origine á, n'a pas d'interprétation directe. Seul, le signe du coefficient de régression permet de savoir si la probabilité de réussite est une fonction croissante ou décroissante de la variable explicative. En ce qui concerne la

force de l'association entre la variable dépendante et chaque variable explicative, elle sera mesurée au moyen de l'« Odds Ratio (OR) ».

A l'origine, l'Odds Ratio a été proposé pour déterminer si la probabilité de réalisation d'un événement (ou d'une maladie) est la même ou diffère entre deux groupes, généralement un groupe à haut risque et un groupe à faible risque (Bland et Altman 2000 : citée par Henian Chen et all, 2010). L'Odds Ratio est probablement la statistique la plus largement utilisée dans la recherche de facteurs de risque, et le principal indicateur de mesure d'influence utilisé pour démontrer la prévalence des maladies dans les études épistémologiques (Bland and Altman 2000 : cité par Henian Chen et all, 2010). L'Odds Ratio a déjà été utilisé par Ouédraogo (2005) dans une étude similaire de la nôtre conduite à Ouagadougou, pour mesurer la force des associations entre les combustibles utilisés pour la cuisson et les caractéristiques des ménages urbains habitant la Capitale Ougandaise.

Ainsi, il ne fait aucun doute que l'Odds Ratio est la statistique la plus appropriée pouvant nous aider à mettre en exergue les déterminants de la consommation de combustibles de cuisson chez les ménages étudiés. Cette statistique nous permettra de déterminer si « la Probabilité d'utiliser une catégorie de combustibles pour la cuisson est la même ou diffère selon que les ménages urbains consommateurs aient ou non une caractéristique démographique, socioéconomique ou culturelle ». La valeur de l'Odds Ratio sera donnée par la colonne Exp(B)¹⁵ du tableau présentant les résultats de notre régression logistique multinomiale. Sachant que l'Odds Ratio varie de 0 à l'infini, un OR=1 signifie qu'il n'y a aucune association avec le risque spécifié (c'est-à-dire l'événement ou la maladie est également probable dans les groupes à risque élevé et faible) ; quand la valeur de l'OR augmente ou diminue à partir de 1, l'association devient de plus en plus forte (Henian Chen et all, 2010). Finalement, tout comme Henian Chen et all (2010) l'a fait dans son article, nous tacherons de convertir à 1/OR toutes valeurs de l'OR < 1 à des fins de comparaison. Cette artifice nous facilitera la tâche pour mieux ordonner les déterminants identifiés selon leurs poids dans le choix des combustibles des ménages urbains étudiés.

¹⁵ Exp(B) : C'est l'exponentiel du coefficient « B » de la variable explicative.

Niveau primaire	1 : primaire , · 0 : si non
Niveau secondaire	1 : secondaire , · 0 : si non
Niveau professionnel/Universitaire	1 : universitaire/profession , · 0 : si non
Religion du chef de ménage	1 : Catholique ; 0 : si non
Statut matrimonial	1 : Célibataire ; 0 : si non
Taille du ménage en nombre de membres	Nombre de membres
Revenu du ménage	Nombre de gourdes
Statut d'occupation du logement	1 : propriétaire ; 0 : si non
Type de logement occupé par le ménage	1 : Maison avec débris de matériaux/ Abris semi-définitif ; 0 : si non
Existence d'une cuisine à l'intérieur	1 : existe ; 0 : si non
Existence d'une cuisine à l'extérieur	1 : existe ; 0 : si non
Bois perçu dangereux	1 : très dangereux ; 0 : si non
Gaz propane perçu dangereux	1 : très dangereux ; 0 : si non
Charbon de bois perçu facile à utiliser	1 : facile ; 0 : si non
Kérosène perçu facile à utiliser	1 : facile ; 0 : si non
Bois perçu compliqué à utiliser	1 : compliqué ; 0 : si non
GPL perçu compliqué à utiliser	1 : compliqué ; 0 : si non
Electricité perçu compliqué à utiliser	1 : compliqué ; 0 : si non
Discrimination négative du Bois	1 : négative ; 0 : si non
Discrimination négative du Charbon de bois	1 : négative ; 0 : si non
Discrimination positive du Kérosène	1 : positive ; 0 : si non
Discrimination positive du Gaz propane	1 : positive ; 0 : si non

En premier lieu, rappelons que l'Electricité n'est pas pris en compte dans ce modèle pour non-pertinence. Les résultats du modèle de régression logistique multinomiale concernent seulement les quatre (4) combustibles utilisés comme principale source d'énergie pour la cuisson par les ménages urbains enquêtés. En effet, la Table 9 ci-dessous montrent que le Bois et le Kérosène sont très faiblement représentés avec respectivement 1.5% et 1.9% de ménages qui les consomment comme étant leur principale source d'énergie pour la cuisson. La consommation du Charbon de bois (82.5% des ménages) et du Gaz propane (14.2%) sont les seules qui regroupent une quantité suffisantes d'informations pouvant faire l'objet d'une analyse objective de la situation du marché de combustibles pour la cuisson à partir d'un examen de la consommation des ménages urbains vivant en Haïti. En conséquence, l'analyse et l'interprétation des résultats du modèle se focaliseront davantage sur les associations concernant les combustibles « Charbon de bois » et « Gaz propane » avec les variables explicatives. Celles des combustibles « Bois » et « Kérosène » seront considérées comme étant non consistantes.

Table 9 : Tableau de fréquence des variables du modèle
Case Processing Summary

Existence d'un espace pour faire la cuisine	Cuisine à l'intérieur du logement	64	*23.9%*
	Cuisine à l'extérieur du logement	85	*31.7%*
	Pas de cuisine	*119*	*44.4%*
discrimination positive du Gaz propane	.00	48	*17.9%*
discrimination positive du Gaz propane	Existe	*220*	*82.1%*
discrimination négative du Bois	.00	34	*12.7%*
discrimination négative du Bois	Existe	*234*	*87.3%*
Approvisionnement du GPL proche de la résidence du ménage	.00	*205*	*76.5%*
	Proche	63	*23.5%*
Danger dans utilisation du Bois	.00	*155*	*57.8%*
Danger dans utilisation du Bois	Très dangereux	*113*	*42.2%*
discrimination positive du Kérosène	.00	72	*26.9%*
discrimination positive du Kérosène	Existe	*196*	*73.1%*
Lojman	.00	*231*	*86.2%*
Lojman	1.00	37	*13.8%*
Propriété	.00	*136*	*50.7%*
Propriété	1.00	*132*	*49.3%*
Niv2	.00	*132*	*49.3%*
Niv2	1.00	*136*	*50.7%*
Valid		*268*	*100.0%*
Missing		20
Total		*288*
Subpopulation		*267(a)*

a The dependent variable has only one value observed in 267 (100.0%) subpopulations.

Aussi, après avoir procédé à l'élimination des variables qui se sont révélées non

significatives, nous sommes parvenus au modèle réduit comprenant les sept (7) variables

En effet, la Table 10 présentant l'étape sommaire de notre modèle de régression logistique réduit montre que les sept (7) variables explicatives sélectionnées s'adaptent parfaitement bien à ce modèle, le test Chi-deux est significatif pour chacune des paramètres de ces variables.

		Action	Effect(s)	Model Fitting Criteria	Effect Selection Tests
		Action	Effect(s)	-2 Log Likelihood	Chi-Square(a)	Df	Sig.
Model	0	*Entered*	*Intercept*	*307.140*	.
	1	*Entered*	*KWIZIN*	*276.580*	*30.560*	6	*.000*
	2	*Entered*	*REVNU_sum*	*254.999*	*21.581*	3	*.000*
	3	*Entered*	*GPLkp*	*236.725*	*18.274*	3	*.000*
	4	*Entered*	*KRfasil*	*216.533*	*20.192*	3	*.000*
	5	*Entered*	K8	*199.593*	*16.940*	3	*.001*
	6	*Entered*	K1	*182.045*	*17.547*	3	*.001*
	7	*Entered*	L3	*165.339*	*16.706*	3	*.001*

Analysant la Table 11 suivante, nous constatons que le « Test de ratio de vraisemblance global » de notre modèle réduit est significatif. Dans un modèle de régression logistique, ce « Test de ratio de vraisemblance global » est l'équivalent du « Test de Fisher » d'un modèle de régression linéaire. A l'instar d'un Test de Fisher, un « Test de ratio de vraisemblance global » significatif indique que notre modèle de régression logistique réduit est globalement significatif. C'est-à-dire que tous les paramètres de notre modèle réduit ne sont pas nuls.

Il y a lieu de rappeler que dans un modèle de régression linéaire, la statistique « R² » mesure le degré de variabilité expliquée par ce modèle. Cependant, « R² » se révèle difficile à calculer dans le cas d'un modèle logistique tel que le nôtre. La statistique appropriée, dans le cas de notre modèle logistique multinomial, est le « Pseudo R² ». Ouédraogo (2005) a obtenu un Pseudo R² de McFadden de 0.3012 tout en affirmant que, pour la plupart des études empiriques utilisant des données transversales, le coefficient de détermination est très faible. Dans le cas de cette recherche, notre modèle affiche un Pseudo R² de McFadden de 0.462 (Table 12 suivante).

La Table 13 ci-dessous présente le test « Ratio de vraisemblance » pour chacune des variables explicatives de notre modèle. Ce test cherche à vérifier la contribution de chaque facteur dans le résultat global. Les résultats présentés dans le tableau ci-dessous montrent que toutes les variables explicatives retenus sont associées aux choix des combustibles du ménage urbain haïtien. Le test Chi-deux de toutes les variables retenues dans le modèle étant significatif.

The chi-square statistic is the difference in -2 log-likelihoods between the final model and a reduced model. The reduced model is formed by omitting an effect from the final model. The null hypothesis is that all parameters of that effect are 0.

a This reduced model is equivalent to the final model because omitting the effect does not increase the degrees of freedom.

S'agissant des « paramètres » des variables explicatives dans le modèle de régression, la Table 14 ci-dessous présente la valeur estimée, l'erreur standard, le test de significativité et l'intervalle de confiance relatifs à chacun de ces paramètres. Elle présente également l'Odds Ratio pour chaque paramètre qui se présente comme l'exponentiel du paramètre [Exp(B)]. L'analyse de cette Table 14, nous permet de constater que, pour la plupart, les paramètres du modèle réduit ne sont pas significatifs. En effet, pour la catégorie de combustible « Charbon de bois », seulement un paramètre est significatif. Il s'agit du coefficient de la variable « L3 : Nombre de pièces du logement ». Alors que la variable « Nombre de pièces du logement » peut servir de proxy pour la variable « Revenu du ménage », le coefficient de cette dernière n'est pas significatif dans ce modèle. La variable « Nombre de pièces du logement » est de signe positif. Cela signifie que l'association entre la variable « Nombre de pièces du logement » et Charbon de bois est positive. De plus, nous constatons également que l'Odds Ratio du coefficient de la variable « Nombre de pièces du logement » tend anormalement vers l'infini, avec un intervalle de confiance très large, donc imprécise. De ce fait, à défaut de nous tromper, nous nous garderons pour le moment de nous prononcer sur la confirmation ou la force d'une

telle association entre le Combustible « Charbon de bois » et la variable « Nombre de pièces du logement ».

Aussi, les résultats de cette Table 14 montrent que des associations entre le Combustible « Kérosène » et les coefficients des variables « âge du chef de ménage » et « nombre de femmes de plus de 18 ans dans le ménage » se sont révélés significatifs dans le modèle réduit. Cependant, nous ne pouvons pas faire fi à ces résultats pour problèmes d'inconsistances, l'échantillon de ménages utilisant le Kérosène comme principale source d'énergie pour la cuisson étant anormalement trop faible.

Toutefois, l'analyse des résultats du modèle de régression logistique multinomiale présentés dans la Table 14, ci-dessus, laissent constater plusieurs anomalies dans les statistiques se rapportant aux paramètres estimés, notamment :

- La quasi-totalité des paramètres ayant obtenus un test Chi-deux significatif ne sont pas confirmés par le modèle réduit ;

- La valeur de l'Odds Ratio « Exp(B) » de plusieurs paramètres tendent vers l'infini ;

- L'intervalle de confiance de l'Odds ratio est trop large dans beaucoup de cas.

		B	Std. Error	Wald	df	Sig.	Exp(B)	95% Confidence Interval for Exp(B)
		B	Std. Error	Wald	df	Sig.	Exp(B)	Lower Bound	Upper Bound
CHARBON DE BOIS	Intercept	17.66	1624.86	0.00	1	0.99
	[KRfasil=.00]	-15.72	1624.80	0.00	1	0.99	1.48764E-07	0	.(b)
	[GPLkp=.00]	-2.32	3.01	0.59	1	0.44	0.098354068	0.0003	35.648
	[KWIZIN=1]	20.49	2750.48	0.00	1	0.99	792851722.2	0	.(b)
	[KWIZIN=2]	2.45	3.55	0.47	1	0.49	11.53231938	0.010979347	12113.14172
	K1	-0.41	0.28	2.26	1	0.13	0.661340494	0.385701578	1.133962821
	L3	18.02	0.22	6655.07	1	0.00	66747950.72	43296439.46	102901970.2
	K8	-1.40	2.12	0.44	1	0.51	0.245428319	0.003846396	15.66012982
	REVNU_sum	0.001	0.00	2.91	1	0.09	1.00109617	0.999836869	1.002357058
KEROSÈNE	Intercept	33.83	1624.90	0.00	1	0.98
	[KRfasil=.00]	-67.47	1983.25	0.00	1	0.97	4.99237E-30	0	.(b)
	[GPLkp=.00]	-9.82	6.37	2.38	1	0.12	5.41313E-05	2.03083E-10	14.42860103
	[KWIZIN=1]	-25.67	3525.65	0.00	1	0.99	7.12498E-12	0	.(b)
	[KWIZIN=2]	3.37	7.37	0.21	1	0.65	29.16609802	1.54386E-05	55099695.42

	K1	-1.51	0.70	4.67	1	0.03	0.221993802	0.05669055	0.869302704
	L3	24.83	5.16	23.17	1	0.00	60821645363	2470661.121	1.49728E+15
	K8	-11.80	6.76	3.05	1	0.08	7.52601E-06	1.32632E-11	4.270535239
	REVNU sum	0.002	0.00	5.20	1	0.02	1.001782445	1.00025031	1.003316926
PROPANE	Intercept	13.07	1624.86	0.00	1	0.99
	[KRfasil=.00]	-14.96	1624.80	0.00	1	0.99	3.18599E-07	0	.(b)
	[GPLkp=.00]	0.18	3.08	0.00	1	0.95	1.199546206	0.002894243	497.16312
	[KWIZIN=1]	22.51	2750.48	0.00	1	0.99	5994864748	0	.(b)
	[KWIZIN=2]	3.75	3.60	1.08	1	0.30	42.55451359	0.036422203	49719.30542
	K1	-0.44	0.28	2.50	1	0.11	0.646534552	0.37664763	1.109808994
	L3	18.19	0.00	.	1	.	79635100.99	79635100.99	79635100.99
	K8	-1.99	2.13	0.87	1	0.35	0.136204515	0.002074528	8.942597392
	REVNU_sum	0.001	0.00	3.16	1	0.08	1.00114296	0.999883366	1.00240414

b Floating point overflow occurred while computing this statistic. Its value is therefore set to system missing.

En effet, les anomalies observées dans les résultats indiquent que le modèle de régression logistique n'est probablement pas convergé. Elles arrivent, le plus souvent, lorsque la taille d'échantillon par cellule est trop faible. De manière empirique, il est recommandé d'avoir entre 10 à 20 réponses par cases dans une régression logistique (Peduzzi et al. 1996). C'est ainsi, qu'en remontant à la Table 9 (présentée plus haut), on remarque que Deux (2) parmi les Quatre (4) catégories de combustibles constituant la variable dépendante de notre modèle, présentaient des déficits au niveau de leur taille en nombre d'observations. Il s'agit des combustibles « Bois » et « Kérosène » utilisés respectivement par seulement 4 et 5 ménages urbains comme sources principales d'énergies pour la cuisson.

En vue de pallier à ce problème, nous allons regrouper les catégories de combustibles en deux groupes : les « Combustibles à base de bois » regroupant tous les ménages utilisant les combustibles « Bois » ou « Charbon de Bois » comme principale source d'énergie pour la cuisson, d'une part ; et les « Combustibles à base de pétrole » regroupant tous les ménages utilisant les combustibles « Kérosène » ou « Gaz propane » comme principale source d'énergie pour la cuisson, d'autre part.

Ce faisant, ces deux groupes de combustibles deviendront les catégories mutuellement exclusives de notre variable dépendante catégorique, désormais libellée « Type de combustible

utilisé ». Ainsi, la prise en compte de ces nouveaux paramètres dans notre modèle de régression logistique permet d'obtenir les premiers résultats sommaires du modèle modifié dans la Table 15 ci-dessous.

Table 2: Sommaire du modèle de régression logistique modifié Case Processing Summary

		N	Marginal Percentage
Type de combustible utilisé	Combustible à base de bois	*205*	*85.1%*
Type de combustible utilisé	Combustible à base de pétrole	36	*14.9%*
Lojman	0	*205*	*85.1%*
Lojman	1	36	*14.9%*
Existence d'un espace pour faire la cuisine	Cuisine à l'intérieur du logement	57	*23.7%*
	Cuisine à l'extérieur du logement	73	*30.3%*
	Pas de cuisine	*111*	*46.1%*
Utilisation compliqué du Gaz propane	0	*127*	*52.7%*
Utilisation compliqué du Gaz propane	Compliqué	*114*	*47.3%*
Utilisation facile du Charbon de bois	0	35	*14.5%*
Utilisation facile du Charbon de bois	Facile	*206*	*85.5%*
Statut	0	*200*	*83.0%*
Statut	1	41	*17.0%*
Niv1	0	*195*	*80.9%*
Niv1	1	46	*19.1%*
Approvisionnement du GPL proche de la résidence du ménage	0	*191*	*79.3%*
	Proche	50	*20.7%*
Valid		*241*	*100.0%*
Missing		47
Total		*288*
Subpopulation		*219(a)*

a The dependent variable has only one value observed in 216 (98.6%) subpopulations.

Toutefois, les résultats de cette Table 15 reflètent parfaitement la forte prédominance des combustibles à base de bois, consommé par 85.1% des ménages urbains étudiés, les combustibles à base de pétrole étant consommés par 14.9% de ces ménages urbains.

Du point de vue de la significativité globale, les résultats de la Table 16 indiquent que ce modèle corrigé est globalement significatif par le test de ratio de vraisemblance.

Table 3: Significativité globale du nouveau modèle Model Fitting Information

Aussi, la Table 17 ci-dessous présente un pseudo R² de McFadden de « 0.349 ». Quoique celui-ci soit inférieur à celui obtenu dans le modèle précédent (0.462), le niveau du pseudo R2 de notre modèle modifié est supérieur à celui de 0.3012 obtenu par Ouédraogo et al. (2005), lequel a été jugé satisfaisant.

Comparé aux résultats du modèle précédent, le test des ratios de vraisemblance des différents paramètres indique que seulement les paramètres de 4/9 des variables explicatives sélectionnées sont significatifs dans ce nouveau modèle, contre 7/7 des variables explicatives sélectionnées dans le modèle précédent. Dans ce nouveau modèle, tel que le montre la Table 16 ci-dessous, les paramètres significatifs sont les coefficients des variables explicatives suivantes :

- La variable REVNI_sum : « Revenu total du ménage le mois précédent l'enquête » ; - La variable GPLkp : « GPL perçu compliqué par le chef de ménage » ;

- La variable CHBfasil « Charbon de bois perçu facile à utiliser par le chef de ménage ».

Parmi ces quatre variables sus-listées, les paramètres des trois premières (K8, REVNI_sum et GPLkp) s'étaient également révélés significatifs par ce même Test des ratios de vraisemblance dans le modèle précédent. Par contre, d'autres paramètres de variables explicatives significatifs dans le modèle précédent ne le sont plus dans ce modèle modifié. C'est le cas pour les variables : « Existence d'une cuisine dans le logement (KWIZIN) », « Kérosène perçu facile à utiliser par le chef de ménage (KRfasil) », « L'âge du chef de ménage (K1) » et « Nombre de pièces du logement habité par le ménage (L3) ». Toutefois, il faudra attendre les derniers résultats du modèle de régression logistique modifié pour statuer définitivement sur les associations qui lient la variable dépendante avec chacune de ces variables explicatives.

Table 5: Test de ratio de vraisemblance du nouveau modèle
Likelihood Ratio Tests

		Model Fitting Criteria	Likelihood Ratio Tests
		-2 Log Likelihood of Reduced Model	Chi-Square	df	Sig.
Effect	Intercept	*128.127(a)*	*.000*	0	.
	K8	*142.065*	*13.938*	1	*.000*
	REVNI_sum	*141.347*	*13.220*	1	*.000*
	Lojman	*131.568*	*3.440*	1	*.064*
	KWIZIN	*133.469*	*5.341*	2	*.069*
	GPLkp	*136.166*	*8.039*	1	*.005*
	CHBfasil	*135.153*	*7.025*	1	*.008*
	Statut	*131.097*	*2.970*	1	*.085*
	Niv1	*131.337*	*3.210*	1	*.073*
	GPL_Dist	*130.117*	*1.990*	1	*.158*

a. This reduced model is equivalent to the final model because omitting the effect does not increase the degrees of freedom.

S'agissant de l'estimation des paramètres de notre modèle de régression logistique modifié, les résultats sont présentés dans les Tables 19 et 20 ci-dessous. Ces Tables (19 et 20) présentent les résultats de la régression logistique en Deux (2) temps. Tout d'abord, la Table 19 présente les résultats du modèle à partir d'une régression de la catégorie des « Combustibles à base de pétrole » en prenant comme référence l'autre catégorie de Combustibles à base de bois. A son tour, la Table 20 présente les résultats du modèle suivant le processus inverse : on fait la régression de la catégorie des « Combustibles à base de bois » en prenant comme référence la catégorie des Combustibles à base de pétrole.

En effet, considérons la Table 19 ou la Table 20, on constate que ce sont pratiquement les mêmes résultats qui y sont affichés. Par exemples : les valeurs estimées des paramètres sont identiques seulement avec des signes contraires (sauf dans le cas particulier de la variable REVNI_sum) ; tous les paramètres de la Table 19 affichent un même degré de significativité que ceux de la Table 20 pour chacune des variables explicatives ; ce sont les paramètres des mêmes variables explicatives qui se sont révélées significatifs sauf que leurs « Odds Ratio » sont inversés [par exemple : Exp(B1') = 1/Exp(B1) = 1/.378 = 2.646] entre autres.

Ce procédé de régression en deux temps, montrant toutes ces similitudes dans les résultats, indique probablement que notre modèle de régression logistique est parfaitement convergé contrairement au modèle réduit précédent.

Table 6: Paramètres estimés (référence: Combustibles à base de bois)
Parameter Estimates

Combustible à base de pétrole	B	Std. Error	Wald	df	Sig.	Exp(B)	95% Confidence Interval for Exp(B)
Combustible à base de pétrole							Lower Bound	Upper Bound
Intercept	*-5.100*	*1.660*	*9.434*	1	*.002*
K8	*-.973*	*.302*	*10.354*	1	*.001*	*.378*	*.209*	*.684*
REVNI_sum	*.000*	*.000*	*11.848*	1	*.001*	*1.000*	*1.000*	*1.000*
[Lojman=0]	*1.851*	*1.170*	*2.501*	1	*.114*	*6.364*	*.642*	*63.068*
[Lojman=1]	*0(b)*	.	.	0	.	.	.	.
[KWIZIN=1]	*1.314*	*.623*	*4.449*	1	*.035*	*3.721*	*1.098*	*12.616*
[KWIZIN=2]	*1.111*	*.625*	*3.161*	1	*.075*	*3.037*	*.892*	*10.332*
[KWIZIN=3]	*0(b)*	.	.	0	.	.	.	.
[GPLkp=0]	*1.423*	*.540*	*6.959*	1	*.008*	*4.151*	*1.442*	*11.951*
[GPLkp=1]	*0(b)*	.	.	0	.	.	.	.
[CHBfasil=0]	*1.409*	*.529*	*7.082*	1	*.008*	*4.092*	*1.450*	*11.552*

[CHBfasil=1]	*0(b)*	.	.	0	.	.	.	.
[Statut=0]	*-.969*	*.554*	*3.067*	1	*.080*	*.379*	*.128*	*1.122*
[Statut=1]	*0(b)*	.	.	0	.	.	.	.
[Niv1=0]	*1.668*	*1.116*	*2.234*	1	*.135*	*5.304*	*.595*	*47.277*
[Niv1=1]	*0(b)*	.	.	0	.	.	.	.
[GPL_Dist=0]	*-.769*	*.539*	*2.031*	1	*.154*	*.464*	*.161*	*1.334*
[GPL_Dist=1]	*0(b)*	.	.	0	.	.	.	.

Table 7: Paramètres estimés (référence: Combustibles à base de pétrole)
Parameter Estimates

Combustible à base de bois	B	Std. Error	Wald	df	Sig.	Exp(B)	95% Confidence Interval for Exp(B)
Combustible à base de bois							Lower Bound	Upper Bound
Intercept	*5.100*	*1.660*	*9.434*	1	*.002*
K8	*.973*	*.302*	*10.354*	1	*.001*	*2.646*	*1.463*	*4.786*
REVNI_sum	*.000*	*.000*	*11.848*	1	*.001*	*1.000*	*1.000*	*1.000*
[Lojman=0]	*-1.851*	*1.170*	*2.501*	1	*.114*	*.157*	*.016*	*1.557*
[Lojman=1]	*0(b)*	.	.	0	.	.	.	.
[KWIZIN=1]	*-1.314*	*.623*	*4.449*	1	*.035*	*.269*	*.079*	*.911*
[KWIZIN=2]	*-1.111*	*.625*	*3.161*	1	*.075*	*.329*	*.097*	*1.121*
[KWIZIN=3]	*0(b)*	.	.	0	.	.	.	.
[GPLkp=0]	*-1.423*	*.540*	*6.959*	1	*.008*	*.241*	*.084*	*.694*
[GPLkp=1]	*0(b)*	.	.	0	.	.	.	.
[CHBfasil=0]	*-1.409*	*.529*	*7.082*	1	*.008*	*.244*	*.087*	*.690*
[CHBfasil=1]	*0(b)*	.	.	0	.	.	.	.
[Statut=0]	*.969*	*.554*	*3.067*	1	*.080*	*2.636*	*.891*	*7.801*
[Statut=1]	*0(b)*	.	.	0	.	.	.	.
[Niv1=0]	*-1.668*	*1.116*	*2.234*	1	*.135*	*.189*	*.021*	*1.681*
[Niv1=1]	*0(b)*	.	.	0	.	.	.	.
[GPL_Dist=0]	*.769*	*.539*	*2.031*	1	*.154*	*2.157*	*.749*	*6.207*
[GPL_Dist=1]	*0(b)*	.	.	0	.	.	.	.

En définitif, les résultats présentés dans les Tables 19 et 20 montrent qu'il existe des associations entre la variable dépendante catégorique « Type de combustibles pour la cuisson » et cinq (5) variables explicatives. Les quatre (4) variables identifiées par le Test des ratios de vraisemblance (Table 18 ci-dessus) sont confirmées par les résultats de la régression. La variable KWIZIN « Existence d'une cuisine dans le logement » (avec sa modalité : Cuisine à l'intérieur du logement) complète la liste des cinq (5) déterminants identifiés. A présent, examinons ces déterminants de façon à mieux comprendre le sens et la mesure dans lesquels ils orientent le choix des combustibles chez les ménages urbains étudiés :

contrairement au déterminant précédent (K8), le signe du coefficient de la variable KWIZIN est positif (1.314) dans son association avec la catégorie de combustibles à base de PÉTROLE. Mais, ce signe est négatif (-1.314) dans l'association qui lie la variable KWIZIN avec la catégorie de combustibles à base de BOIS. Ainsi, sur la base de ces résultats, nous affirmons que les ménages urbains dont le logement est doté d'une cuisine à l'intérieure sont plus enclins à choisir principalement les combustibles de cuisson à base de Pétrole au détriment de ceux à base de BOIS. Cette affirmation conforte l'hypothèse H2.4 de notre recherche qui stipule : « l'existence d'un espace réservé à la cuisine dans le logement est déterminant dans le choisir du combustible utilisé comme principale source d'énergie pour la cuisson ». En effet, seule la modalité « Cuisine à l'intérieur du logement » est corrélée positivement et significativement avec la catégorie de combustibles à base de PÉTROLE. Rappelons que les résultats obtenus par Ouédraogo (2005) ont montré que la variable « existence de facilités internes pour faire la cuisine » était corrélée négativement et significativement avec le choix d'utiliser le Kérosène chez les ménages urbains de Ouagadougou. Or, dans notre recherche, le Kérosène a été regroupé dans la catégorie des combustibles à base de PÉTROLE. D'où une nette différence entre les observations de consommation de combustibles chez les ménages urbains de la commune de Carrefour (Haïti) et de Ouagadougou (Burkina Faso). Probablement, cette différence de comportement trouve sa source dans la perception des chefs de ménage urbains haïtiens, lesquels considèrent les combustibles à base de bois comme des combustibles qui produisent de la fumée et salissent les maisons (près de 91% des ménages interrogés). Ainsi, préfèrent-ils/elles utiliser des combustibles dits « propres » dans les cuisines localisées à l'intérieure de leur logement. Il convient de signaler que cette association semble être plus forte que la précédente avec un Odds Ratio égal à « 3.721 ». Elle se classe dans la catégorie d'association forte suivant les estimations de la Table de Chen et al. (2010).

3) La variable REVNI_sum « Revenu total du ménage le mois précédent l'enquête » s'est révélée significative dans notre modèle de régression logistique. Son coefficient est de signe positif et pratiquement égal à zéro (0). Aussi, on constate que l'Odds Ratio (OR) de son paramètre est égal à l'unité (1). Ce qui signifie qu'il n'y a aucune association

entre la variable REVNI_sum et le choix de combustibles pour la cuisson au niveau des ménages étudiés. Autrement dit, le Revenu de ces ménages influence pareillement sur la consommation des deux catégories de combustibles (« à base de pétrole » et « à base de bois »). En effet, malgré le fait qu'elle soit corrélée positivement avec les deux catégories de combustibles de notre variable dépendante, la variable REVNI_sum ne peut pas nous servir de discriminant pour comprendre le choix des combustibles chez les ménages urbains de Carrefour. Ainsi, nous constatons que l'hypothèse H2.2 « Il existe une association entre le Revenu du ménage urbain et son Choix de combustibles pour la cuisson » formulée sur la variable REVNI_sum n'est pas vérifiée dans notre recherche. Ces résultats sont conformes avec ceux obtenus par Walekhwa et al. (2009) qui ont établis une corrélation positive du Revenu avec l'adoption du biogaz quoique l'association n'était pas significative. Nos résultats confortent également ceux d'Ouédraogo (2005), lesquels faisaient seulement état d'une corrélation positive entre le Revenu du ménage et les combustibles. Comparé aux résultats de Nkamleu et al. (2002) qui établissaient une corrélation positive entre le Revenu et les combustibles tels que : kérosène et gaz, nos résultats l'ont confirmé. Par contre, la corrélation négative avec le charbon de bois et le bois est assez différence de ce que nous avons observés.

4) La variable GPLkp=0 « GPL perçu compliqué par le chef de ménage / Non » présente un coefficient significatif dans les résultats de notre modèle de régression logistique. Analysant le signe de son coefficient, on constate que la variable GPLkp=0 est corrélée positivement (1.423) avec les combustibles à base de PÉTROLE, mais négativement (-1.423) avec les combustibles à base de BOIS. C'est-à-dire moins les chefs de ménages urbains perçoivent le GPL comme étant compliqué à utiliser plus ils consommeront les combustibles à base de pétrole comme principale source d'énergie pour la cuisson, et au détriment des combustibles à base de bois. L'association de la variable GPLkp=0 semble être forte avec son OR de « 4.151 ». Ces résultats confirment l'hypothèse H3.3 « Le ménage aura tendance à éviter le combustible perçu compliqué à utiliser par son chef » préalablement formulée dans le cadre de cette recherche. Ces résultats tombent en parfaite harmonie avec l'étude d'ESMAP (2007) qui avait rapporté les déclarations de certaines cheffes de ménages haïtiens selon lesquelles un grand nombre d`accidents avaient été causés par une utilisation incorrecte des cuisinières à

gaz propane. Ce qui laisse présager qu'une éventuelle promotion des combustibles à base de pétrole en Haïti devra s'accompagner d'une campagne de formation sur l'utilisation saine des matériels et équipements qui l'accompagne.

5) La variable CHBfasil=0 « Charbon de bois perçu facile à utiliser par le chef de ménage / Non » s'est également avérée être un déterminant du choix des combustibles pour la cuisson chez les ménages étudiés. Les résultats de notre régression logistique montrent que le coefficient de la variable CHBfasil=0 est significatif avec un intervalle de confiance de 95%. Le signe de son coefficient indique que la variable CHBfasil=0 est corrélée positivement (1.409) avec les combustibles à base de pétrole et négativement (-1.409) avec les combustibles à base de bois. Ainsi, moins les chefs de ménages urbains perçoivent le charbon de bois comme étant facile à utiliser, plus ils choisiront de consommer les combustibles à base de pétrole comme principale source d'énergie de cuisson et, du coup, abandonneront les combustibles à base de bois. L'association entre la variable dépendante « Type de combustibles utilisés » et CHBfasil =0 semble être assez forte avec son OR estimé à « 4.092 ». Ces résultats en parfaite cohérence avec l'idée que nous chérissons depuis le départ sur l'influence probable de la perception du chef de ménage sur le choix de combustibles à utiliser dans le ménage.

Etude des déterminants de la consommation de combustibles pour la cuisson dans le milieu urbain : le cas des ménages de la commune de Carrefour, Haà¯ti

§SECTION 1. Analyse descriptive du choix des combustibles