Memoire Online - Etude des déterminants de la production de l'igname dans le département du Borgou/Bénin

UNIVERSITE D'ABOMEY-CALAVI (UAC)
***********
ECOLE NATIONALE D'ECONOMIE APPLIQUEE ET DE MANAGEMENT
(ENEAM)
***********
MEMOIRE DE LICENCE (DTS)
***********

Etude des déterminants de la production de l'igname dans le département du Borgou/Bénin

L'Ecole Nationale d'Economie Appliquée et de Management (ENEAM) n'entend donner ni approbation, ni improbation aux opinions émises dans ce mémoire. Ces opinions doivent être considérées comme propres à leurs auteurs.

« Nous, soussignés,Firmin VLAVONOU, Ph.D.et DrAyi Yves Césaire AJAVON respectivement directeur de mémoire et maître de stage, certifions que le présent mémoire a été effectivement réalisé par ses auteurs à la suite d'un stage académique effectué à la Direction de la Statistique Agricole. Ledit mémoire est arrivé à terme et peut être soutenu devant un jury ».

DEDICACES

Mes chers parents Sikiratou FAYOMI et Ganiou ADJIBADE, en témoignage de ma gratitude pour tous leurs sacrifices quotidiens, leur amour, leurs encouragements permanents et leurs prières ;

Mes chers parents Comlan M'PESSI et Kossouwa SALIFOU, pour tous leurssacrifices, leur soutien et leurs encouragements ;

Remerciements

La réalisation de ce mémoire a été possible grâce au concours de plusieurs personnes à qui nous voudrions témoigner toute notre reconnaissance. Nous tenons à exprimer notre profonde gratitude à :
Rosaline D. WOROU-HOUNDEKON, Ph.D., Professeur Agrégée des Sciences de Gestion, Directrice de l'ENEAM ;
Théophile K. DAGBA, Ph.D., Maître de conférences, Directeur-adjoint, Chargé des affaires académiques de l'ENEAM ;
Firmin VLAVONOU, Ph.D., Enseignant chercheur à l'ENEAM, notre Directeur de mémoire qui a accepté d'encadrer ce mémoire ;

Dr. Ayi Yves Césaire AJAVON, notre Maître de stage qui nous a acceptés dans sa structure, nous a suivis, nous a assistés et nous a accordés les éléments nécessaires pour l'élaboration de ce document ;
Gilles GOHY, Ph.D., Chef du Département de la Statistique à l'ENEAM ;

Dr. Jean-Marie V. KIKI, Chef Adjoint du Département de la Statistique à l'ENEAM, chargé des Statistiques Economique et Sectorielle ;

Barthélémy SENOU, Ph.D., Chef Adjoint du Département de la Statistique à l'ENEAM, chargé des Statistiques Démographique et Sociale ;
Tout le personnel enseignant et administratif de l'ENEAM ;

Monsieur RémyHOUNGUEVOU, Chef Service Etat et Perspectives de la population à l'INSAE ;

Tous les cadres et fonctionnaires de la Direction de la Statistique Agricole pour leurs conseils et soutien ;

Tous nos camarades de la 37^èmepromotion de la filière Statistique de l'ENEAM ;

Tous ceux qui, de près ou de loin ont contribué à la réalisation de ce travail.Sigles et abréviations

Liste des tableaux

Tableaux	Titres	Pages
Tableau 1	Informations sur les données brutes	11
Tableau 2	Conditions de confirmation des hypothèses	17
Tableau 3	Statistiques descriptives des variables	18
Tableau 4	Résultats de l'analyse de la saisonnalité des séries	21
Tableau 5	Résultats des tests de stationnarité des séries	22
Tableau 6	Modèle ARDL(4,4,4,0,4)	23
Tableau 7	Résultats des tests diagnostiques du modèle ARDL estimé	24
Tableau 8	Valeurs des coefficients du modèle ARDL(4,4,4,0,4)	24
Tableau 9	Résultats du test de cointégration de Pesaran et al. (2001)	25
Tableau 10	Résultats d'estimation des coefficients de CT	25
Tableau 11	Résultats d'estimation des coefficients de LT	26
Tableau 12	Confirmation des hypothèses	28

Liste des figures

1 Résumé

Le présent mémoire a pour objectif d'analyser les déterminants de la production de l'igname dans le département du Borgou au Bénin. Les données utilisées dans le cadre de cette étude couvrent conjointement la période de 2010 à 2018 et proviennent de la Direction de la Statistique Agricole (DSA) et de l'Institut National de la Statistique et de l'Analyse Economique (INSAE). Pour manque d'observations nécessaires à une analyse économétrique, nous avons trimestrialisé les données annuelles disponibles à l'aide de l'algorithme de Golstein et Kahn (1976). Deux types d'analyse ont été faits. D'abord l'analyse descriptive au cours de laquelle nous avons produit les statistiques et les courbes des différentes variables en jeu. Ensuite l'analyse explicative qui a permis d'analyser successivement la saisonnalité et la stationnarité des variables, d'estimer un modèle ARDL et d'évaluer les effets à court et à long termes après avoir testé la cointégration de ces variables grâce à la méthode de Pesaran, Shin et Smith (2001). Des résultats obtenus, il ressort que la superficie et les prix aux producteurs ont des effets positifs à court et à long termes sur la production de l'igname dans le département du Borgou. La croissance démographique et la hauteur des pluies par contre n'ont pas des effets significatifs sur la production de l'igname du Borgou à court terme. Ces résultats s'inversent dans le temps : à long terme, la croissance démographique et la hauteur des pluies affichent des effets significativement positifs.

Mots clés : Igname, production, ARDL, cointégration, algorithme, trimestrialisation

2 Abstract

The purpose of this study is to analyze the determinants of yam production in the Borgou department in Benin. The data used for this study jointly cover the period from 2010 to 2018 and come from the Direction of Agricultural Statistics (DSA) and the National Institute of Statistics and Economic Analysis (INSAE). Due to a lack of observations required for econometric analysis, we have quartered the annual data available using the algorithm of Golstein and Kahn (1976). Two types of analysis were done. First, the descriptive analysis during which we produced the statistics and curves of the different variables involved. Then the explanatory analysis that made it possible to successively analyze the seasonality and stationarity of the variables, to estimate an ARDL model and to evaluate the short and long run effects after having tested the cointegration of these variables using the method of Pesaran, Shin and Smith (2001). The results obtained show that the area and producer prices have positive short and long run effects on the production of yams in the Borgou department. Population growth and the height of the rains, on the other hand, have no significant effects on the production of Borgou yam in the short run. These results are reversed over time : in the long run, population growth and the height of the rains show significantly positive effects.

3 INTRODUCTION

Au Bénin, il continue d'exister malgré l'autosuffisance alimentaire globale constatée, quelques zones à risque d'insécurité alimentaire. Bien que le Plan Stratégique de Relance du Secteur Agricole(PSRSA) adopté en 2008 ait pris en compte l'igname dans le lot des treize filières porteuses de l'agriculture, les politiques agricoles pour assurer la sécurité alimentaire sont généralement axées sur le manioc et les céréales en particulier le maïs. Ces cultures ont longtemps et continuent de faire parties des préoccupations des institutions nationales de recherche ainsi que des services de vulgarisation agricoles. Mais l'igname jusque-là, n'a jamais ou presque jamais figurée parmi les préoccupations réelles de l'Etat béninois aussi bien dans sa politique agricole que dans sa stratégie de sécurité alimentaire, et pourtant nul n'ignore le rôle traditionnel que joue l'igname dans l'alimentation notamment dans la sécurité alimentaire et sa forte insertion dans l'économie marchande (MAEP, 2016).

L'igname constitue pourtant l'une des cultures vivrières les plus importantes du Bénin. Sa production nationale a été estimée à 3 191 385 tonnes au cours de la campagne 2014-2015. Cette importante quantité fait du Bénin le quatrième producteur mondial après le Nigéria, la Côte d'Ivoireet le Ghana, et de l'igname la seconde culture vivrière la plus importante au plannational juste après le manioc (Padonou, 2011). Sur le plan économique, il se développe suite à l'augmentation de la demande de ce produit par la création d'un marché intérieur principalement dans la ville de Cotonou qui offre un excellent débouché pour la production nationale (MAEP, 2016), le commerce de l'igname indépendamment de l'appui de l'Etat. En plus de ces facteurs extérieurs de la filière et qui limitent le développement de la culture de l'igname, sa production est aussi handicapée par des contraintes endogènes. L'igname est en effet une culture très exigeante que ce soit en main d'oeuvre, en terre fertile et matériel de plantation pour la reconduction de la culture (INRAB, 2001).

Cette situation n'épargne guère le département du Borgou confronté à l'épuisement des terres dû lui-même à la disparition des jachères de longue durée dont les sols encore riches en matières organiques sont favorables à l'igname. De même, on note dans la zone une quasi-absence de nouvelles défriches pour la production de l'igname à cause de l'épuisement des sols et de la pression démographique très élevée. Les paysans compensent le recul de ces cultures par des cultures de soja, d'arachide, de maïs, de manioc et du coton qui occupent un vaste espace.

Le département du Borgou est situé dans la partie septentrionale, à l'est. Il est limité au Nord par le département de l'Alibori, au Sud par les départements des collines et de la Donga, à l'Est par la République Fédérale du Nigéria, et à l'Ouest par le département de l'Atacora. Il s'étend sur une superficie de 25 856 km² (23% du territoire national) dont 13 962 km² de terres cultivables (54% de la superficie totale du département). Administrativement, le département du Borgou est subdivisé en huit (8) communes. Il s'agit de Kalalé, N'dali, Pèrèrè, Nikki, Sinendé, Bembèrèkè, Parakou et Tchaourou. Ces communes sont subdivisées en quarante-trois (43) arrondissements et trois cent dix(310) villages et quartiers de ville.

Le département du Borgou bénéficie du climat de type soudanien avec une saison sèche et une saison des pluies. La pluviométrie annuelle varie entre 900 et 1 300 mm par an. La saison des pluies commence en avril et dure sept (7) mois environ. La température moyenne annuelle s'établit autour de 26°C avec un maximum de 35°C en mars et redescend aux environs de 23°C en décembre-janvier. L'humidité relative varie entre 30 et 70%. Les principaux types de sols rencontrés dans ce département sont surtout les sols ferrugineux tropicaux, des sols ferralitiques, des sols sablonneux argileux ou argilo sableux et les sols granito gneissiques à caractère très varié. Sur ces sols sont développées, presque dans toutes les communes du département, trois principales cultures à savoir : l'igname, le maïs et le soja. La végétation du Borgou est une savane à physionomie diversifiée où la densité des arbres diminue vers le Nord. On y distingue quatre (4) types de végétation qui se rencontrent dans toutes ces communes : la savane herbeuse, la savane arborée et arbustive, la savane boisée et la forêt galerie.

La population du département du Borgou est passée de 724 171 habitants en 2002 à 1 214 249 habitants en 2013, dont 607 013 hommes contre 607 236 femmes (RGPH4, 2013). C'est un département à fort taux de croissance : 4,68% contre 3,52% pour le niveau national et un poids démographique de 14% selon le RGPH4. Le Borgou est un département fortement agricole car environ 66% de sa population s'occupe de l'agriculture répartie en 83 275 ménages de type agricole. Les groupes sociolinguistiques les plus rencontrés sont : les Bariba et apparentés 37,6%, les Peulh ou Peul dans une proportion de 33,0% et dans une moindre mesure les Gua ou Otamari et apparentés 7,6%.

Malgré les potentialités agro-écologiques importantes dont dispose le département du Borgou, la production de l'igname semble ne pas donner les résultats escomptés de façon récurrente. Les prix aux producteurs, les faibles précipitations, la forte température sont-ils les facteurs qui inhibent la production de l'igname dans cette zone du Bénin ?

Pour répondre à cette préoccupation et dans la perspective de mieux connaître et de faire connaître la filière igname pour relever le défi de la sécurité alimentaire, il est indispensable de mener une étude sur les facteurs influençant la production d'igname.

Intitulé « Etude des déterminants de la production de l'igname dans le département du Borgou/Bénin », le présent mémoire s'articule autour de trois (3) chapitres. Le premier chapitre présente le cadre institutionnel de l'étude ; le deuxième chapitre porte sur le cadre théorique et méthodologique. Le troisième quant à lui, est consacré à la présentation et à l'interprétation des résultats.

4 CHAPITRE 1 : CADRE INSTITUTIONNEL DE L'ETUDE

Ce chapitre présente le cadre institutionnel de la Direction de la Statistique Agricole (DSA), structure d'accueil de notre stage. Il est reparti en deux sections. La première section aborde la présentation de la DSA et la deuxième se réfère au déroulement de notre stage.

4.1.1 1.1. Présentation de la Direction de la Statistique Agricole (DSA)

4.1.2 1.1.1. Bref historique de la DSA

La Direction de la Statistique Agricole (DSA), placée sous la tutelle du Ministère de l'Agriculture, de l'Elevage et de la Pêche (MAEP), a été créée par l'arrêté n°013/MAEP/DC/SGM/DRH/SA du 27 janvier 2014 portant attributions, organisation et fonctionnement de la DSA. Devenue opérationnelle le 03 février 2014 par l'arrêté n°022/MAEP/DC/SGM/DRH/SA, elle fait partie des sept (07) directions techniques que compte la Direction Générale du Développement Agricole, de l'Alimentation et de la Nutrition (DGDAN). Depuis sa création, la DSA a connu deux directeurs dont l'actuel est Dr Ayi Yves Césaire AJAVON.

4.1.3 1.1.2. Mission et attributions de la DSA

La Direction de la Statistique Agricole, conformément aux dispositions de l'article 63 du décret n°2016-422 du 20 juillet 2016 portant attributions, organisation et fonctionnement du Ministère de l'Agriculture, de l'Elevage et de la Pêche, a pour mission de constituer une base informationnelle durable permettant d'orienter les décisions et de mesurer l'impact des actions pour le développement agricole et rural. Elle assure pour l'ensemble du ministère et en relation avec les directions techniques de la DGDAN et la Direction de la Programmation et de la Prospective (DPP), la conception, la réalisation et le suivi de toutes les actions de collecte, de traitement, d'analyse et de diffusion des statistiques dans le domaine de la production végétale, de l'élevage et de la pêche. A ce titre, elle est chargée entre autres de :

ü Réaliser des enquêtes et recensements pour obtenir des données de référence fiables sur le secteur agricole et l'alimentation ;

ü Assurer la tenue des statistiques agricoles de production, de transformation et de commercialisation ;

ü Concevoir un système d'information intégré des statistiques et connaissances, l'actualiser et le diffuser auprès des acteurs publics et privés ;

ü Assurer pour l'ensemble du ministère, la mission de centralisation, de synthèse et d'analyse des informations sur le secteur agricole et rural ;

ü Elaborer des normes statistiques et une présentation type par secteur d'activités, par département et par commune, des données statistiques, en collaboration avec les autres administrations compétentes ;

ü Assurer la collecte des statistiques agricoles, alimentaires, nutritionnelles et rurales ;

ü Participer à la surveillance de la situation alimentaire, nutritionnelle et à l'identification des zones à risque ;

ü Assurer la mise à jour et la fiabilité des statistiques agricoles et alimentaires ;

ü Réaliser les études statistiques et économiques dans les domaines agricole et rural ;

ü Publier périodiquement les statistiques agricoles, alimentaires et nutritionnelles ;

ü Apprécier les méthodologies à utiliser pour toutes les autres structures dans le cadre des études statistiques et économiques dans le secteur agricole ;

ü Animer les activités du Système National Intégré de Statistiques Agricoles (SNISA) ;

ü Représenter le secteur au sein du Conseil National de la Statistique et dans les réunions nationales et internationales ;

ü Promouvoir l'activité statistique au sein des structures du MAEP et des partenaires agréés ;

4.1.4 1.1.3. Organisation administrative (environnement interne) de la DSA

La Direction de la Statistique Agricole a pour mission de concevoir, de réaliser et de suivre toutes les actions de collecte, de traitement, d'analyse et de diffusion des statistiques dans le domaine de l'agriculture, de l'élevage et de la pêche. Dans l'accomplissement de cette mission, la DSA dispose d'une équipe pluridisciplinaire composée d'Ingénieurs Statisticiens Economistes, d'Economistes, d'Ingénieurs des Travaux Statistiques, de Cartographes, d'Agronomes, d'Informaticiens (analystes-programmeurs, programmateurs, pupitreurs), d'Attachés des services administratifs, de Contrôleurs de services financiers et de Secrétaires adjoints des services financiers. La gestion de carrière de cette suite d'Agents Permanents de l'Etat et d'Agents Contractuels est assurée par le Service Administratif et Financier conformément aux lois en vigueur. La DSA comprend six (06) services qui sont :

Les chefs de ces services sont appuyés dans l'exercice de leurs fonctions par des chefs Division et des Collaborateurs.

4.1.5 1.1.4. Macro environnement (environnement externe) de la DSA

Le macro-environnement désigne l'ensemble des forces sociétales qui s'imposent à la DSA. On distingue : l'environnement juridique, l'environnement économique, l'environnement démographique et l'environnement technologique.

C'est l'ensemble des enquêtes et recensements réalisés par la DSA pour obtenir des données de référence fiables sur le secteur agricole. Plusieurs structures du MAEP sollicitent l'aide de la DSA pour la collecte de leurs informations.

Pour la collecte des données sur le terrain, la DSA procède au recrutement des agents enquêteurs. Ce recrutement se fait suivant plusieurs critères à savoir : le lieu de résidence, la ou les langues parlées et la disponibilité. La direction exige des agents de résider sur les lieux de déroulement de l'enquête, de comprendre et de savoir parler la langue de la région dans laquelle ils sont affectés.

L'environnement technologique de la DSA évolue et permet de réaliser la collecte et le traitement des données grâce à l'usage des machines de nouvelle génération et des logiciels statistiques tels que Excel, Cspro, Stata, Eviews, SPSS, etc. L'usage des smartphones dans les enquêtes avec la plateforme AKVO Flow, l'existence d'une salle informatique et la formation sur les logiciels existants, permettent d'obtenir des résultats fiables.

4.1.6 1.2. Déroulement du stage

Suite à notre demande de stage académique de trois (3) mois en date du 24 septembre 2019, adressée au Directeur de la Statistique Agricole, une autorisation nous a été accordée. Ainsi, du 28 Octobre 2019 au 28 janvier 2020 nous avons passé trois (3) mois à la Direction de la Statistique Agricole en qualité de stagiaires académiques dans une ambiance conviviale, professionnelle et instructive. Au cours de ce séjour, nous avons noué d'excellentes relations avec le personnel et tous les stagiaires professionnels de la DSA. Toutes les fois que nous avions eu des préoccupations, nous avons, la plupart du temps bénéficié de l'assistance de certains cadres de cette institution. Nous avons par ailleurs approfondi nos connaissances antérieures et acquis de nouvelles notions. En effet, sous l'impulsion des chefs services en général et du Chef Service des Statistiques et Enquêtes de Production Végétale (C/SSEPV) en particulier, nous avons amélioré notre niveau dans l'utilisation de deux logiciels de traitement de données dont SPSS et Excel. En somme, la DSA nous a offert un cadre idéal de travail pour l'application de nos connaissances théoriques acquises en classe et surtout a facilité notre insertion progressive dans la vie professionnelle.

Cependant, nous avons rencontré une difficulté particulière au cours de ces trois mois passés à la DSA. Il s'agit de l'absence d'une prise électrique dans l'espace où nous étions installés.

5 CHAPITRE 2:CADRE THEORIQUE ET METHODOLOGIQUE DE L'ETUDE

Ce chapitre présente le cadre théorique et méthodologique de l'étude à travers l'énoncé du problème, l'intérêt de l'étude, les objectifs et les hypothèses de recherche, la revue de littérature et enfin la méthodologie.

5.1.1 2.1. Enjeux de l'étude

5.1.2 2.1.1. Problématique

L'agriculture est le socle de la plupart des économies en Afrique subsaharienne. Au Bénin, en 2017, elle a contribué à environ 20% du PIB, à plus de 50% aux emplois, à 75% aux recettes d'exportation (EEAS, 2018). Sur une superficie totale de 11,47 millions d'hectares, 2,6 millions d'hectares représentent les terres cultivables. L'agriculture vivrière contribue et surtout assure la sécurité alimentaire. C'est le secteur agricole dont la production n'est destinée ni à l'industrie agroalimentaire ni à l'exportation ; elle sert essentiellement à la consommation des producteurs eux-mêmes (Diagne et al., 2004).

De part sa production en igname, le Bénin occupe la quatrième place après le Nigéria, la Côte d'Ivoire et le Ghana avec une production annuelle estimée à 4% de la production totale de la ceinture « yam belt » (Baco, Biaou et Lescure, 2007a). C'est le deuxième produit vivrier après le maïs et reste l'aliment de base des populations du centre et du nord du pays (Auriole et Aboudou, 2006). Selon l'INSAE (2018), deux millions sept cent trente-neuf mille quatre-vingt-huit (2 739 088) tonnes de tubercules d'ignames ont été produites en 2012. Seulement 200 tonnes ont été exportées principalement vers le Gabon, la Géorgie et le Royaume-Unis. Cela montre que l'igname est un tubercule très prisé par les populations, surtout dans la partie septentrionale et centrale du pays. Pour certaines villes du pays comme Savalou, la consommation de la nouvelle igname fait office d'une célébration grandiose qui réunit les différents groupes sociaux de la localité et d'ailleurs.

Le département du Borgou est le grenier national de l'igname avec une production moyenne d'environ 884 928 tonnesdepuis la campagne 1995-1996 (DSA/MAEP, 2018). En effet, le département du Borgou est majoritairement composé de l'ethnie Bariba qui produit et a le monopole de plus de variétés d'igname que les autres ethnies (Baco et al.,2004). La production de l'igname,dans le Borgou, a atteint 1 446 128 tonnes pendant la campagne 2013-2014,soit 45,51% de la production nationale de l'igname. Cependant, cette performance réalisée n'a pas pu être maintenue pendant les campagnes suivantes. En effet, au cours de la campagne 2014-2015, la production de l'igname dans le Borgou a connu une chute de 8 187 tonnes par rapport à la campagne précédente. La régression devient plus grande pendant la campagne de 2015-2016 ; soit 471 163 tonnes en moins par rapport à la production annuelle de 2013-2014. Au cours de la campagne 2016-2017, on note une augmentation de 70 750 tonnes par rapport à la campagne précédente. On constate à cet effet que la production de l'igname dans le Borgou n'est pas stable : elle évolue de façon sinusoïdale.

Vu l'importance que revêt ce tubercule dans la cohésion des groupes sociaux et dans l'affirmation identitaire des ethnies du Bénin et surtout des ethnies du Borgou et compte tenu de l'évolution en dent de scie de cette culture, une étude sur les facteurs de la production de l'igname s'avère indispensable. C'est justement dans cette logique que s'inscrit le thème de notre recherche : Etude des déterminants de la production de l'igname dans le département du Borgou/Bénin.

Pour répondre à cette préoccupation, il s'agira pour nous d'apporter des éléments de réponses aux questions ci-après :

Existe-t-il une relation entre la superficie emblavée et la production de l'igname ?

La hauteur des pluies a-t-elle un impact sur la production de l'igname dans le Borgou ?

La production de l'igname est-elle influencée par la croissance démographique en milieu rural ?

L'igname joue aujourd'hui un rôle capital dans les habitudes culinaires des populations du Bénin. Les mets issus de l'igname (igname pilée, ignames frites, le wassa-wassa, la pâte de cossettes d'igname, ...) sont consommés et beaucoup appréciés par les populations sur toute l'étendue du territoire national. Les multiples efforts des autorités locales et gouvernementales pour promouvoir la filière igname et accroitre sa productivité sont parfois limités, faute d'informations utiles sur cette filière. Ainsi, la présente étude permettra de déterminer les facteurs qui influencent la production de l'igname. Les résultats de notre étude permettront à l'Etat et aux autorités communales de disposer d'un certain nombre d'informations sur ces facteurs, afin d'engager des actions spécifiques en faveur de la filière igname, visant à améliorer la productivité agricole et par ricochet, accroitre le PIB et contribuer à la sécurité alimentaire.

5.1.3 2.1.2. Objectifs et hypothèses de recherche

L'objectif général de cette étude est d'analyser les déterminants de la production de l'igname dans le département du Borgou au Bénin. De façon spécifique, il s'agira de :

ü déterminer l'impact des fluctuations pluviométriques sur la production de l'igname et

ü estimer l'influence de la croissance démographiquesur la production de l'igname dans le département du Borgou.

Sur la base de ces facteurs et compte tenu des objectifs spécifiques que nous avons énumérés ci-haut, nous formulons les hypothèses suivantes :

Hypothèse 1 : une hausse de la superficie emblavée entraine une augmentation de la production de l'igname dans le Borgou.

Hypothèse 2 : les précipitations annuelles ont un impact sur la production de l'igname.

Hypothèse 3 : la croissance démographique du Borgou a un effet significatif sur sa production de l'igname.

5.1.4 2.2. Revue de littérature et méthodologie

5.1.5 2.2.1. Définitions, Revues théorique et empirique

Les ignames, de la famille des Dioscoreaceae, est un tubercule très varié et cultivé dans toutes les régions tropicales du globe terrestre. Le mot « igname » se traduit par « Yam » en anglais. Cela vient d'une racine africaine « nyam » qui signifie manger. En Bariba igname a pour appellation « tassou », en Dendi, « doundou ». L'igname est produite de façon extensive dans trois régions du monde : L'Afrique occidentale, les Caraïbes et l'Asie du Sud-Est, à l'exception de la Chine populaire (PDRT, 2003). Quatre-vingt-quinze pour cent (95%) de la production mondiale provient de l'Afrique occidentale et particulièrement de la zone comprise entre la Côte d'Ivoire et le Cameroun (Mémento de l'Agronome, 1993). Les pays de l'Afrique subsaharienne détiennent 95% des superficies mondiales et interviennent à hauteur de 95,8% des superficies mondiales de l'igname. L'Afrique de l'Ouest, y compris le Bénin et le Nigeria, assurent plus de 90% de la production mondiale d'igname (Terry et al., 1997).

L'igname est une tige grimpante, volubile dextrorse (Hénin, 1976). Ce sont des tiges souterraines, renflouées, remplies de matières de réserves. Ses feuilles sont cordiformes. C'est une plante monoïque à fleurs unisexuées (Simmons, 1988). Les tubercules d'ignames de forme variable, ovoïde à oblongue, parfois aplatie ou en forme de massue allongée, peuvent atteindre 1m de longueur et leur poids, généralement de 3 à 5 kg, aller jusqu'à 15 kg. La peau est généralement jaune mais peut être presque blanche ou plus foncée de brunâtre à noirâtre.

La culture de l'igname exige des régions à pluviométrie importante, généralement supérieur à 1500 mm, des températures moyennes de 23 à 30° C avec une Saison sèche distincte ne dépassant pas cinq (5) mois et une saison pluvieuse d'au moins cinq (5) mois (PDRT, 2003). L'igname exige des sols sablo-argileux au pH de 5 à 7, riches notamment en potasse et en matières organiques, profonds, ameublis et perméables (PDRT, 2003).

La production de l'igname est un long processus qui commence traditionnellement par le défrichage des savanes boisées par brûlis en préservant les essences utiles telles que le karité, le néré. Très intensive en main-d'oeuvre, la culture de l'igname a un cycle végétatif d'environ 200 à 350 jours selon les variétés. En effet, il existe plusieurs variétés d'igname. Les noms locaux des variétés sont différents d'une variété à l'autre, d'une région à l'autre pour la même variété. Ainsi, la variété « Lamboko » désignée par les populations du Zou, Collines, Ouémé, Plateau, prend la dénomination « Danwaré » dans les régions du Borgou et de l'Alibori. Ces noms, sous forme proverbiale, traduisent le rôle social ou économique que joue la plante ou le nom de celui qui a introduit la variété dans le milieu (PDRT, 2003). Dans le département du Borgou, les variétés d'igname sont : Moroko, Danwaré, Kokoro, Susinin, Asuru, Tokokorou,Sakunu, ....

Le tubercule d'igname se développe au fond d'une butte de petite ou de grande taille selon la variété d'igname. PDRT (2003) a montré que dans le département du Borgou, certains paysans font des champs d'igname avec des buttes de grande taille dans les bas-fonds : cette technique a été introduite dans le Borgou par les migrants venus de l'Atacora où, par manque de terres fertiles, les paysans sont obligés d'utiliser ce mode de culture exigeant en main-d'oeuvre.

En démographie, la croissance (démographique) est l'évolution de la taille d'une population donnée.Le taux d'accroissement démographique décrit le rythme de cette évolution c'est-à-dire l'augmentation ou la diminution. La croissance démographique provoque une hausse des besoins humains dont la satisfaction a un impact sur l'environnement et sur la production des produits agricoles. La croissance continue de la population, avec l'augmentation de la concentration démographique, la dégradation environnementale et l'épuisement des ressources qui s'ensuivent, pourraient réduire la productivité de l'agriculture (Nerlove, 1993).

Nerlove fut le premier à développer en 1956 et 1958 une théorie que l'on connaît sous le nom de « the Nerlovian models of supply response » qui a permis d'expliquer la réaction des producteurs agricoles américains face aux changements perpétuels des prix des récoltes, des politiques macroéconomiques et bien d'autres facteurs. Pour élaborer sa théorie, Nerlove part de deux constats classiques. Les producteurs réagissent par rapport aux prix actuels sur le marché. Habituellement, les prix observés sont les prix du marché ou les prix effectifs des producteurs après la récolte alors que les décisions de production doivent être basées sur les prix escomptés que des agriculteurs projettent plusieurs mois avant la récolte. En raison du décalage temporaire qui intervient dans le processus de production agricole, modéliser la formation des anticipations est ainsi une importante question pour analyser l'offre du secteur agricole. Les quantités observées peuvent différer des quantités désirées en raison du retard d'ajustement dans la réallocation des facteurs. Quand le prix du produit change, plusieurs années peuvent s'écouler avant que les producteurs ne puissent ajuster leur production ordinaire désirée au nouveau prix.

Les travaux de Nerlove (1956) ont joué un rôle prépondérant et ont apporté un souffle nouveau à la modélisation de l'offre du secteur agricole face aux risques y afférents et bien d'autres facteurs (tels que les politiques macroéconomiques, les politiques commerciales, les changements technologiques, les aléas climatiques, etc.). Les études empiriques de ces modèles ont permis aux agroéconomistes (surtout américains) de développer les outils adéquats de politiques agricoles. Ceci a considérablement amélioré le rôle du secteur agricole dans le développement économique et a mis en relation l'Etat et les producteurs à travers les politiques macroéconomiques et commerciales.

Cependant, la réaction de l'offre du secteur agricole aux mouvements des prix a été l'objet de longues et vigoureuses discussions se référant au traitement classique de l'élasticité de l'offre de long terme de Nerlove (1956) pour le blé, le coton, et le maïs aux Etats-Unis (Askari etCumming, 1976 et 1977). L'estimation des élasticités d'offre (de court et long terme) varie largement d'une culture à l'autre, et d'une région à l'autre. Ceci a conduit certains auteurs à dire que les modèles « Nerloviens » sont inadéquats pour décrire la réaction de longterme. Boussard et Saïd (2000) soulignent que la politique agricole de l'ajustement structurel de long terme peut ne pas être discernable avec l'analyse de la régression, particulièrement dans les modèles avec un retard structurel comme c'est le cas dans les modèles Nerloviens.Zonon (1996) confirme que des prix agricoles très bas ne permettent pas une incitation et une motivation des agriculteurs à produire davantage. Selon lui, les producteurs réagissent plutôt à une augmentation des prix. Le prix est considéré comme un facteur déterminant dans la décision des paysans et dans l'offre agricole.

Les études de l'offre agricole dérivent essentiellement des travaux de Nerlove (1956) sur la réaction de l'offre des paysans américains face aux prix sur les marchés agricoles. Le modèle de Nerlove est fondé sur les prix anticipés et l'ajustement des superficies emblavées. Le modèle montre que les ménages agricoles (producteurs) sont réceptifs et réagissent positivement au prix. Des études dans les pays en voie de développement montrent que les paysans intègrent toujours les préoccupations de prix dans la production agricole et les revenus issus de cette production (Bond, 1983 ; Koffi-Tessio, 2000 et Yotopoulos, 1973). Ce résultat semble s'opposer à celui de plusieurs études et auteurs, qui ont plutôt montré l'influence des autres facteurs autres que les prix (Katembo, 2004). Celui-ci souligne que le débat sur les incitations de l'offre agricole est partagé entre deux courants de pensée : les défenseurs des facteurs prix (pricistes) et les défenseurs des facteurs non prix (structuralistes). Les pricistes pensent que l'accroissement des prix au producteur et la dévaluation constituent des mesures incitatives àla production. Lipton (1987), cité par Adimi et Dairo (2014) est l'un des pricistes qui pense que cette politique est une solution à la crise agraire en Afrique (Kouakou, 2009 ; Nyemecketal, 2009). Ils concluent donc que, même si le crédit permet aux producteurs d'accroître leurs opportunités d'investir dans les intrants modernes, il n'y a aucune garantie que ceux-ci soient utilisés de façon efficiente pour accroître la production. Il existe une relation positive entre la production et le niveau d'éducation. Quant aux études relatives à la relation entre l'expérience et la production, plusieurs auteurs comme Timmer (1971) aux Etats Unis, trouvent une relation positive mais non significative entre la production et l'expérience du chef de l'exploitation.

Idrissa (2007) montre que la pluviométrie est l'un des déterminants pour les productions céréalières et vivrières. L'impact des variations pluviométriques est lié au fait qu'elles peuvent hypothéquer la réussite des récoltes. Il notifie par ailleurs, que la régularité des précipitations est souvent la garantie d'une bonne récolte plus que ne l'est le total de la pluviométrie. Dans cette même étude, il montre qu'une forte variation de la pluviométrie est souvent responsable du déficit de la production agricole.

5.1.6 2.2.2. Méthodologie de collecte des données et Traitement

5.1.7 2.2.2.1. Collecte des données

En statistique, la pertinence des analyses repose sur la qualité et la fiabilité des données collectées. Au Bénin, ces données sontdifficiles à collecter etla plus part du temps, elles sont quasi-inexistantes. Les données sur la production de l'igname, la superficie emblavée et la hauteur des pluies, consacrées à l'analyse économétrique faite dans ce mémoire, initialement annuelles, couvrent la période de 2010 à 2018, ce qui fait neuf (09) observations. Pour plus de pertinence du modèle économétrique, il a fallu procéder à une trimestrialisation afin de disposer de plus d'une trentaine d'observations. Cette trimestrialisation a été réalisée à l'aide de l'algorithme de Goldstein et Kahn (1976). Ce traitement d'épuration des données est bien entendu susceptible d'introduire un biais dans les résultats. Cependant, toutes choses étant égales par ailleurs, les estimations ont une marge d'erreur acceptable pour la qualité de l'analyse faite dans cette étude.

Les données sur les prix aux producteurs couvrant la période de 2010 à 2018 sont des données mensuelles. Nous avons donc pu obtenir les données trimestrielles en calculant la moyenne pour chaque trois (03) mois.

La variable « taux de croissance démographique » a été exceptionnellement traitée. Le RGPH a été réalisé en 1979, 1992, 2002 et 2013 ; ce qui fait que nous ne disposons pas de données sur les années transitaires. De 2010 à 2012, nous avons utilisé les données issues des projections révisées du RGPH3. Ces projections ont été révisées en 2008 après l'Enquête Démographique et de Santé du Bénin, 3^ème édition (EDSB-III) réalisée en 2006. La population de 2013 est celle issue des résultats définitifs du RGPH4. Les données de2014 à 2018 sont les projections faites à base du RGPH4. Nous avons ensuite calculé le taux annuel de croissance démographique avant de faire la trimestrialisation.

De façon globale, les données collectées sont des séries temporelles de 2010 à 2018 sur la production de l'igname, la superficie emblavée, le prix aux producteurs, les précipitations annuelles et le taux de croissance démographique.

Considérons

trois observations annuelles successives de la variable X. Si la fonction quadratique qui passe par ces trois points (cf. THEOREMED'EUCLIDE) est telle que :

Alors, on peut déterminer les paramètres a, b et c, en calculant d'abord les intégrales de (1) à (3), puis en résolvant le système d'équations suivant :

A partir des valeurs des paramètres de la fonction quadratique ainsi obtenues, les quatre observations trimestrielles de l'année t peuvent être calculées en utilisant les formules d'interpolation suivantes :

Les calculs algébriques effectués sur les expressions (6) à (9) ci-dessus dans lesquelles l'on aurait au préalable remplacé les paramètres a, b et c par leur expression de (5), conduisent enfin aux données d'interpolation trimestrielles suivantes :

La série trimestrielle obtenue peut être ramenée à une série annuelle par sommation des observations des quatre trimestres de chaque année. En effet, d'après la relation de Chasles, l'on a :

5.1.8 2.2.2.2. Outils et modèle d'analyse

Les méthodes utilisées dans cette étude sont à la fois descriptives et explicatives. Pour décrire l'évolution des variables, nous employons les méthodes descriptives. Par contre, pour tester les hypothèses émises, nous utilisons les méthodes explicatives.

5.1.9 2.2.2.2.1. Méthodes descriptives

Toutes les variables intervenant dans le cadre de cette étude sont des séries temporelles. C'est pourquoi, après avoir donné leurs caractéristiques descriptives (moyenne, écart-type, variance, ...) et réalisé la boîte à moustaches, nous avons analysé successivement, à l'aide du logiciel Excel, l'évolution au cours du temps de la production d'igname, de la superficie emblavée, des prix aux producteurs, de la hauteur des pluies, de la température et de la population rurale dans le département du Borgou.

La boîte à moustaches, une traduction de Box & Whiskers Plot, est une invention de TUKEY (1977) pour représenter schématiquement la distribution d'une variable.

Cette représentation graphique peut être un moyen pour approcher les concepts abstraits de la statistique, si l'on pratique son usage sur différents jeux de données.

Le terme spécifique Box & Whiskers Plot et le terme générique Box Plot recouvrent une grande variété de diagrammes en forme de boîtes qui se différencient par leur construction, leurs interprétations, et leurs usages. E. HORBER qui a effectué des recherches bibliographiques sur ce thème a repéré une soixantaine de formes et de constructions différentes.

Dans le cadre de notre étude, nous avons réalisé les boîtes à moustaches sur eviews 9. Chacune de ces boîtes comprend :

· l'extrémité de la moustache supérieure notée Front.Haute (Front.Haute=Q3+1,5*(Q3-Q1))

· les valeurs dites extrêmes, atypiques, exceptionnelles, (outliers) situées au-delà des frontières et représentées par des marqueurs (carré, ou étoile, etc.).

5.1.10 2.2.2.2.2. Méthodes explicatives

Pour détecter une éventuelle saisonnalité de chaque série, nous avons procédé d'abord au test de Buys Ballot qui permet de voir si le modèle de la variable considérée est additif ou multiplicatif. Pour cela, on procède à une régression, pour chaque variable, de son écart-type sur sa moyenne. Si le coefficient de la moyenne n'est pas significativement différent de zéro (0), on accepte l'hypothèse d'un modèle additif. Dans le cas contraire, le modèle est multiplicatif.

Une fois le choix du type de modèle fait, pour vérifier la saisonnalité de la série, on admet les hypothèses suivantes :

Règle de décision : Si

, on rejette l'hypothèse nulle H₀ et donc il y a saisonnalité.

Dans le cas d'une série affectée d'un mouvement saisonnier, il convient de la retirer préalablement à tout traitement statistique. Cette saisonnalité est ajoutée à la série prévue à la fin du traitement afin d'obtenir une prévision en terme brut.

Une série temporelle dont la moyenne (mobile) et/ou la variance dépendent du temps est dite non stationnaire. Cette non stationnarité (du type déterministe ou stochastique), si elle n'est pas traitée (stationnarisation), peut conduire à des régressions « fallacieuses ». Plusieurs tests aident à vérifier le caractère stationnaire ou non (existence d'une racine unitaire) d'une série : test d'Augmented Dickey-Fuller/ADF, test de Phillips-Perron/PP, test d'Andrews et Zivot/AZ, test Ng-Perron, KPSS, Ouliaris-Park-Perron, Eliott-Rothenberg-Stock, etc. De tous ces tests, les trois premiers sont faciles d'application et couramment utilisés. En fait, le test ADF est efficace en cas d'autocorrélation des erreurs, le test PP est adapté en présence d'hétéroscédasticité, et le test AZ est utilisé pour une série qui accuse une rupture de structure ou changement de régime identifié de façon endogène. Dans cette étude, nous avons fait recours aux tests ADF,PP et AZ.

Le modèle Auto Régressif à Décalage Temporel (ARDL) de Pesaran et al. (2001)

Les modèles « AutoRegressive Distributed Lag/ARDL », ou « modèles autorégressifs à
retards échelonnés ou distribués/ARRE » en français, sont des modèles dynamiques. Ces
derniers ont la particularité de prendre en compte la dynamique temporelle (délai
d'ajustement, anticipations, etc.) dans l'explication d'une variable (série chronologique),
améliorant ainsi les prévisions et efficacité des politiques (décisions, actions, etc.),
contrairement au modèle simple (non dynamique) dont l'explication instantanée (effet
immédiat ou non étalé dans le temps) ne restitue qu'une partie de la variation de la variable
à expliquer. S'il est soulevé une certaine incertitude en ce qui a trait à l'ordre réel d'intégration des variables soit à cause de la présence de ruptures structurelles, soit pour une raison, la méthodologie ARDL Bound testing et le modèle à correction d'erreur qui y est dérivé va être utilisé (USAI, Haïti, 2017). Pesaran et al.(2001)ont défini l'approche Auto Regressive Distributed Lag (ARDL) en prenant en compte les insuffisances du modèle VAR. Cette approche a été utilisée dans de nombreuses études (Wolde Rufael, 2006 ; Squalli, 2007 ; Akinlo, 2008 ; Odhiambo, 2009 ; Ouedrago, 2010).

Un ARDL est une régression des moindres carrés contenant des retards de la variable dépendante et des variables indépendantes. Habituellement, on note ARDL (p, q₁, ..., q_k), où p désigne le nombre de retards de la variable dépendante, q_k le nombre de retards de la k-ième variable explicative. Dans le cadre de notre étude, le modèle ARDL où chaque variable est supposée stationnaire se spécifie comme suit :

Par ailleurs, Pesaran et al. (2001) ont développé une nouvelle approche pour tester l'existence d'une relation de long terme entre des variables caractérisées par un ordre d'intégration différent. Il s'agit du test des limites « bounds tests » pour une relation de long terme dans un modèle autorégressif à retards échelonnés (ARDL). A cause de la flexibilité qu'elle offre, cette technique est de plus en plus utilisée comme alternative aux tests de cointégration usuels (test de cointégration d'Engle et Granger (1987) et de Johansen (1988, 1991) en raison de son caractère contraignant. En effet, le test développé par Pesaran et al. (2001) ne nécessite pas que les variables du modèle soient purement I (0) ou I (1).Cette technique est mieux adaptée aux petits échantillons et offre la possibilité de traiter conjointement la dynamique de long terme et les ajustements de court terme. On utilise la statistique de Wald ou la statistique de Fisher pour tester la significativité de retards des variables en prenant en considération la contrainte d'un Modèle à Correction d'Erreur (MCE). L'approche de Pesaran et al. Se fait en plusieurs étapes.

Où

sont les multiplicateurs de long terme ;

sont les coefficients de la dynamique de court terme ; les paramètres

sont les ordres du modèle ARDL et

est un bruit blanc non autocorrélé avec

(

et avec les valeurs retardées de

(

Après avoir vérifié l'absence d'autocorrélation des résidus, on procède au test de significativité jointe des multiplicateurs de long terme

en utilisant le test de Fisher.

Pesaran et al. (2001) montrent que la statistique calculée ne suit pas une loi standard.Ils ont simulé deux ensembles de valeurs critiques pour cette statistique, avec plusieurs cas (selon qu'on introduit une constante et/ ou une tendance) et différents seuils. Le premier ensemble correspond au cas où toutes les variables du modèle sont stationnaires c'est-à-dire I(0) et représente la borne inférieure ; le second ensemble correspond au cas où toutes les variables du modèle sont intégrées d'ordre un I(1) et représente la borne supérieure. Pour conclure le test, on compare la statistique du test de Fisher aux deux bornes. Si les F-statistiques calculées se trouvent au-dessus de la valeur critique supérieure, l'hypothèse nulle d'absence de cointégration est rejetée. Si les F-statistiques calculées se trouvent au-dessous de la valeur critique inferieure, le test échoue donc à rejeter l'hypothèse nulle traduisant une absence de cointégration. Si les F-statistiques font partie de la bande, alors le test est non conclusif. Ici nous utiliserons la table des valeurs critiques proposées par Narayan (2005) pour des tailles d'échantillons réduits pour plus de précision.

En présence de cointégration, les relations de long terme sont obtenues par annulation des variables en différences (Morley, 2006 ; Antonis, Katrakilidis et Persefoni, 2013).

Sur la base de l'équation (b), nous déduisons qu'elles sont représentées par l'équation :

A partir de cette relation de longue période, le terme de correction d'erreur (ECT) peut être calculé.

L'inclusion de l'ECT retardée d'une période dans l'équation des effets de court terme permet d'obtenir des estimations non biaisées et de rendre compte de la vitesse d'ajustement de la variable dépendante vers sa valeur d'équilibre (Engle et Granger, 1987). En présence de cointégration, les effets de court terme seront par conséquent examinés sur la base de l'équation suivante :

où

est un coefficient associé au terme ECT et qui représente, en effet, la vitesse d'ajustement du modèle vers son équilibre de long terme. Lorsque l'hypothèse de cointégration est rejetée, les effets ne seront testés que dans le court terme et les estimations seront basées sur la modélisation VAR où p sera le retard optimal, déterminé par de différents critères :

Ce test de cointégration de Pesaran et al. (2001) est utilisé pour déterminer les relations de long terme entre la production de l'igname et la population rurale, la hauteur des pluies, le prix aux producteurs et la superficie emblavée.

Il s'agit de vérifier notamment que les résidus du modèle ARDL estimé vérifient les propriétés requises pour que l'estimation soit valide. Les tests appropriés sont les tests d'absence d'autocorrélation, de normalité, d'hétéroscédasticité et de stabilité.

Les hypothèses formulées dans le cadre de cette étude seront confirmées lorsque les coefficients des variables considérées du modèle ARDL estimé remplissent certaines conditions, comme l'indique le tableau suivant :

5.1.11 2.3. Limites de l'étude

Pour manque de données sur une longue période, nous avons dû procéder à une trimestrialisation des données annuelles de la période allant de 2010 à 2018. Cela constitue la principale limite de notre étude. L'autre limite réside dans le fait que nous n'avons pas pu avoir des données sur la mécanisation agricole et la température qui sont pourtant des variables pertinentes quand on veut expliquer la production de l'igname.

6 CHAPITRE 3 : PRESENTATION ET INTERPRETATIONDES RESULTATS

Ce chapitre présente les résultats des analyses descriptive et explicative ainsi que les préconisations opérationnelles qui découlent de la présente étude.

6.1.1 3.1. Analyse descriptive

6.1.2 3.1.1. Statistiques descriptives

Il ressort du tableau ci-dessous que la production de l'igname est la variable la plus volatile. Elle varie de 182 187 tonnes à 386 950 tonnes avec en moyenne 260 012 tonnes du 1^er trimestre 2010 au 4^ème trimestre 2018. On constate contrairement à la production de l'igname, une faible dispersion autour de la moyenne (1,268183) de la croissance démographique. Aussi, l'on note que les variables production de l'igname, hauteur des pluies, prix aux producteurs et superficie emblavée sont normalement distribuées (Prob. Jarque-Bera > 5%), sauf pour la croissance démographique.

	PROD_IGN	CROI_DEMO	HAUT_PLUIE	PRIX_PROD	SUP_EMB
Mean	260012,3	1,268183	272,0912	203,9514	17935,16
Median	251821,3	0,733656	275,0672	199,7768	17473,75
Maximum	386950,3	5,592154	316,3175	282,5	21923,86
Minimum	182187,1	0,021462	212,6484	136,0945	13929,75
Std. Dev.	61393,89	1,483658	29,56342	39,58378	2275,266
Skewness	0,763329	2,295635	-0,35542	0,186449	0,042117
Kurtosis	2,497124	6,670777	2,215522	1,993221	2,063988
Jarque-Bera	3,875351	51,83154	1,681048	1,728986	1,324822
Probability	0,144038	0.000000	0,431484	0,421265	0,515607
Sum	9360443	45,65459	9795,283	7342,251	645665,7
Sum Sq. Dev.	1,32E+11	77,04341	30589,85	54840,65	1,81E+08
Observations	36	36	36	36	36

6.1.3 3.1.2. Boîte à moustaches des variables

Sur la boîte à moustaches de la production de l'igname, on note que 50% des productions trimestrielles de l'igname sont inférieures à 251821 tonnes et 50% également de ces productions sont supérieures à 251821 tonnes. Du premier trimestre de 2010 au quatrième trimestre de 2018, 25% des productions sont inférieures à 211156 tonnes. La moitié (50%) des productions trimestrielles de l'igname est comprise entre251821 et 267518 tonnes. Le dernier quart (25%) de ces productions est supérieur à 267518 tonnes. On note aussi des productions atypiques (outliers) dont les valeurs excèdent 350 000 tonnes.

Toutes les valeurs atypiques de la production de l'igname sont situées au-delà de la frontière haute (352061). Aucune valeur atypique ne se trouve au-delà de la frontière basse (126613). Cependant, on constate que les valeurs atypiques de la croissance démographique sont situées de part et d'autres des deux frontières. Les autres variables ne présentent pas des valeurs atypiques.

6.1.4 3.1.2. Evolution graphique des variables

6.1.5 3.1.2.1. Evolution de la production de l'igname et de la superficie emblavée

La figure 2 présente l'évolution de la production de l'igname et de la superficie emblavée dans le département du Borgou pendant la période allant du 1^er trimestre de l'année 2010 au dernier trimestre de 2018. Il n'est pas observé une grande variation dans les séries. Il y a un genre de pallier ou de bosses dans les données de production. En effet, les deux courbes évoluent sensiblement de façon parallèle durant la période de 2010 à 2018. De 2010 au dernier trimestre de l'année 2012, on note une légère tendance à la hausse. La production de l'igname ainsi que la superficie emblavée vont connaitre un déclin en 2013 avant de grimper de façon exponentielle jusqu'à atteindre leurs points culminants respectifs pendant le 4^ème trimestre de l'année 2014. Les deux courbes connaitront par la suite une tendance à la baisse jusqu'en 2018.

Figure 2 : Evolution de la production de l'igname et de la superficie emblavée

6.1.6 3.1.2.2. Evolution de la pluviométrie

Le Borgou a connu d'importantes fluctuations pluviométriques dans le temps. En effet, du 1^er trimestre 2010 au dernier trimestre 2015, on note, de façon globale, une tendance à la baisse et une oscillation de la hauteur des pluies. Par contre, à partir de 2016, elle (la hauteur des pluies) devient de plus en plus importante au fur et à mesure que les années évoluent. Elle a atteint son seuil maximal au troisième trimestre de l'année 2010 avec une estimation de 316,3175169 mm.

6.1.7 3.1.2.3. Evolution du prix aux producteurs

Le prix aux producteurs a connu une évolution saisonnière sur toute la période de l'étude. Le prix maximum estimé à 283 F CFA a été obtenu pendant le troisième trimestre de l'année 2015, le prix le plus bas estimé à 136 F CFA a été obtenu au quatrième trimestre de 2012.

6.1.8 3.2. Analyse explicative

6.1.9 3.2.1. Analyse de la saisonnalité

Les données entrant en jeu dans cette étude sont infra-annuelles (trimestrielles). Il est donc primordial de faire le test de saisonnalité et, au cas où on détecterait une éventuelle saisonnalité, procéder à leur désaisonnalisation. Les résultats du test de saisonnalité sont consignés dans le tableau suivant :

Variables	p-value	Type de modèle	F-test (%)	Saisonnalité
LPROD_IGN	0,0771	Additif	68,17	Absence de saisonnalité
LCROI_DEMO	0,7064	Additif	65,05	Absence de saisonnalité
LHAUT_PLUIE	0,525	Additif	94,86	Absence de saisonnalité
LPRIX_PROD	0,2305	Additif	0,00	Présence de saisonnalité
LSUP_EMB	0,766	Additif	98,36	Absence de saisonnalité

Au seuil de 5%, la régression pour chaque variable, de l'écart-type sur la moyenne révèle que le schéma à utiliser pour tester la saisonnalité de ces séries, est celui de type additif. Les tests effectués montrent qu'à l'exception du prix aux producteurs, toutes les quatre (4) autres variables ne présentent aucun aspect saisonnier. Nous avons donc procédé à la désaisonnalisation de la série « prix aux producteurs ». Ainsi, nous utiliserons pour la suite de notre analyse, les variables LProd_ign, LCroi_demo, LHaut_pluie, LSup_emb et LPrix_prod_sa (série désaisonnalisée).

La figure ci-après montre l'allure de la série désaisonnalisée LPrix_prod_sa

Figure 5 : Allure de la série « Prix aux producteurs » après désaisonnalisation

6.1.10 3.2.2. Analyse de la stationnarité des séries

L'analyse de la stationnarité des séries a été faite grâce aux tests d'Augmented Dickey-Fuller/ADF, de Phillips-Perron/PP et d'Andrews et Zivot/AZ. Les résultats de ces tests sont récapitulés dans le tableau 4. L'on note que les séries production de l'igname, croissance démographique, prix aux producteurs et superficie emblavée sont intégrées d'ordre 1 (stationnaire après la première différence), alors que la série hauteur des pluies reste stationnaire à niveau (sans différenciation). Les séries sont ainsi intégrées à des ordres différents ; ce qui rend inefficace le test de cointégration de Engle et Granger (applicable à deux séries intégrées de même ordre) et celui de Johansen (applicable à plusieurs séries intégrées de même ordre) et rend opportun le test de cointégration aux bornes (Pesaran,2001).

Variables	Niveau			Différence première			Différence deuxième			Constat
	ADF	PP	AZ	ADF	PP	AZ	ADF	PP	AZ
LPROD_IGN	-1,4689	-1,8742	-4,9215	-1,6737	-3,6189**	-5,0553	-3,05674	-	-6,8971**	I(1)
	(0,8143)	(0,6463)	(0,0930)	(0,7339)	(0,0430)	(0,0693)	(0,0528)		(0,01)
LCROI_DEMO	-3,0246	-3,059447	-4,7479	-6,6086*	-6,6309*	-6,8224**	-	-	-	I(1)
	(0,1402)	(0,1315)	(0,1407)	(0,0000)	(0,0000)	(0,01)
LHAUT_PLUIE	1,2188	-2,1236	-5,1921**	-1,9836	-4,1005**	-	-4,0602**	-	-	I(0)
	(0,9999)	(0,5153)	(0,0481)	(0,5827)	(0,0144)		(0,0191)
LPRIX_PROD	-2.3882	-2,3984	-3,7128	-5,4861*	-6,1424*	-5,8901**	-	-		I(1)
	(0.3789)	(0,3739)	(0,6998)	(0,0005)	(0,0001)	(0,01)
LSUP_EMB	-2,2433	-2,2866	-3,9748	-1,8427	-3,3068	-8,6217**	-5,2608*	-7,3585*	-	I(1)
	(0,4478)	-0,4298	(0,5392)	(0,6545)	(0,0822)	(0,01)	(0,0013)	(0,0000)

6.1.11 3.2.3. Estimation du modèle ARDL

6.1.12 3.2.3.1. Spécification du modèle ARDL

La modélisation par l'approche ARDL exige pour chaque variable, la détermination du retard optimal. Nous nous sommes servis du Critère d'Information d'Akaike (AIC) pour sélectionner le modèle ARDL optimal, celui qui offre des résultats statistiquement significatifs. Ci-dessous, les vingt (20) meilleurs modèles parmi les deux mille cinq cent(2500) modèles évalués :

Figure 6 : Retards optimaux des séries selon le Critère d'Information d'Akaike

Comme on peut le voir, le modèle ARDL (4,4,4,0,4) est le plus optimal parmi les 20 présentés, car il offre la plus petite valeur du AIC.

6.1.13 3.2.3.2. Estimation du modèle ARDL(4,4,4,0,4)

Les résultats d'estimation révèlent que les coefficients dont les probabilités sont en gras sont significativement différents de zéro (0) au seuil de 5%. Avec une qualité d'ajustement meilleure, la production de l'igname dans le département du Borgou est expliquée à hauteur de 97% par les variables mis en jeu. La probabilité de la Statistique de Fisher (0,0000) révèle qu'au seuil de 5%, le modèle ARDL(4,4,4,0,4) est globalement significatif. Par ailleurs, le R²(0,991511) est inférieur à la statistique de Durbin-Watson (1,26632). D'après la règle de Granger, le modèle est de bonne régression et toutes les variables utilisées dans cette étude sont effectivement stationnaires.

Variable dépendante : DLPROD_IGN
Variables	Coefficient	Std. Error	t-Statistic	Prob.
DLPROD_IGN(-1)	0 ,064360	0,053424	1,204691	0,2561
DLPROD_IGN(-2)	0,019151	0,054918	0,348723	0,7345
DLPROD_IGN(-3)	0,018592	0,052612	0,353372	0,7311
DLPROD_IGN(-4)	-1,543464	0,091120	-16,93879	0,0000
DLCROI_DEMO	-0,032270	0,009264	-3,483481	0,0059
DLCROI_DEMO(-1)	-0,011607	0,011131	-1,042756	0,3216
DLCROI_DEMO(-2)	-0,004771	0,010051	-0,474723	0,6452
DLCROI_DEMO(-3)	-0,000614	0,009557	-0,064282	0,9500
DLCROI_DEMO(-4)	0,024060	0,006550	3,673370	0,0043
LHAUT_PLUIE	-1,390484	0,158660	-8,763935	0,0000
LHAUT_PLUIE(-1)	1,371894	0,205427	6,678245	0,0001
LHAUT_PLUIE(-2)	-0,011249	0,132359	-0,084988	0,9339
LHAUT_PLUIE(-3)	-0,212337	0,144371	-1,470771	0,1721
LHAUT_PLUIE(-4)	0,209146	0,132851	1,574290	0,1465
DLPRIX_PROD_SA	-0,004504	0,039887	-0,112923	0,9123
DLSUP_EMB	1,600459	0,124269	12,87898	0,0000
DLSUP_EMB(-1)	-0,240322	0,100433	-2,392853	0,0378
DLSUP_EMB(-2)	-0,157039	0,097723	-1,606985	0,1391
DLSUP_EMB(-3)	-0,274448	0,113471	-2,418653	0,0361
DLSUP_EMB(-4)	2,499742	0,185316	13,48908	0,0000
C	0,174851	0,396457	0,441033	0,6686
R-carré	0,991511	F-statistic		58,39657
R-carré ajusté	0,974532	Prob(F-statistic)		0,000000
		Durbin-Watson stat		1,26632

Le tableau suivant est le récapitulatif des tests de robustesse du modèle ARDL(4,4,4,0,4) ainsi estimé :

L'hypothèse nulle est acceptée pour tous ces tests. De ce fait, l'on note l'absence d'autocorrélation des erreurs, l'absence d'hétéroscédasticité, la normalité des erreurs, et la bonne spécification du modèle. Notre modèle est ainsi validé sur le plan statistique.

Le modèle ARDL(4,4,4,0,4) estimé est globalement bon et explique à 97% la production de l'igname dans le département du Borgou, de 2010 à 2018.La spécification du modèle est la suivante :

Coefficients	Valeurs	Coefficients	Valeurs	Coefficients	Valeurs
	0,174851		-0,004771		0,209146
	0,064360		-0,000614		-0,004504
	0,019151		0,024060		1,600459
	0,018592		-1,390484		-0,240322
	-1,543464		1,371894		-0,157039
	-0,032270		-0,011249		-0,274448
	-0,011607		-0,212337		2,499742

6.1.14 3.2.3.3. Test de cointégration aux bornes

Le test de cointégration de Pesaran et al. (2001) exige que le modèle ARDL soit estimé au préalable. La statistique du test calculée, soit la valeur F de Fisher, sera comparée aux valeurs critiques (qui forment des bornes). Si la statistique de Fisher est supérieure à la borne supérieure, il y a cointégration. Il n'existe pas de cointégration lorsque la statistique de Fisher est inférieure à la borne supérieure. Cependant, on ne saurait conclure lorsque la statistique de Fisher est strictement comprise entre les deux bornes.

Les résultats du test de cointégration aux bornes confirment, au seuil de 1%, 2,5%, 5% et 10%, l'existence d'une relation de cointégration entre les séries sous étude (la valeur de F-stat est supérieure à celle de la borne supérieure), ce qui donne la possibilité d'estimer les effets de long terme delprod_ign, lcroi_demo, lhaut_pluie, lprix_prod, lsup_emb.

6.1.15 3.2.3.4. Coefficients de Long terme et dynamique de court terme

6.1.16 3.2.3.4.1. Coefficients de court terme (CT)

Comme on peut le lire sur le tableau 10 ci-dessous, le coefficient d'ajustement ou force de rappel est statistiquement significatif et négatif, ce qui garantit un mécanisme de correction d'erreurs, et donc l'existence d'une relation de long terme (cointégration) entre variables. Par ailleurs, le coefficient associé à la superficie emblavée ainsi que celui associé aux prix aux producteurs sont significativement différents de zéro (0) à court terme. Par contre, la hauteur des pluies et la croissance démographique présentent des coefficients non significatifs à court terme. Aussi, l'on note ce qui suit :

§ les prix aux producteurs ont un impact positif sur la production de l'igname dans le département du Borgou à CT : une augmentation des prix aux producteurs de 1% entraine une hausse de 0,58% de la production de l'igname. Mais un an en arrière les prix aux producteurs constituaient un frein à la production de l'igname dans le Borgou.

§ La superficie emblavée exerce un effet positif sur la production de l'igname à court terme : un accroissement de la superficie emblavée de 1% accélère la production de l'igname de 3,08% à CT. Ces effets s'inversent plutôt dans le temps : l'accroissement de la superficie il y a 3 ans a été un frein à la production de l'igname dans le Borgou.

Variable dépendante : LPROD_IGN
Variable	Coefficient	Std. Error	t-Statistic	Prob.
D(LPROD_IGN(-1))	2,248975	0,469416	4,791008	0,0020
D(LPROD_IGN(-2))	1,906765	0,456285	4,178889	0,0041
D(LPROD_IGN(-3))	1,268771	0,334243	3,795955	0,0068
D(LCROI_DEMO)	0,142368	0,066277	2,148073	0,0688
D(LCROI_DEMO(-1))	-0,079584	0,086065	-0,924697	0,3859
D(LCROI_DEMO(-2))	-0,184529	0,090298	-2,043565	0,0803
D(LCROI_DEMO(-3))	0,105825	0,059504	1,778457	0,1186
D(LHAUT_PLUIE)	-0,532717	0,427411	-1,246381	0,2527
D(LHAUT_PLUIE(-1))	-1,767428	0,621398	-2,844277	0,0249
D(LPRIX_PROD_SA)	0,577667	0,233537	2,473561	0,0426
D(LPRIX_PROD_SA(-1))	-0,828726	0,342173	-2,421949	0,0460
D(LPRIX_PROD_SA(-2))	-0,023188	0,259251	-0,089442	0,9312
D(LPRIX_PROD_SA(-3))	0,286015	0,206509	1,384998	0,2086
D(LSUP_EMB)	3,082190	0,630200	4,890815	0,0018
D(LSUP_EMB(-1))	-0,309545	0,624181	-0,495922	0,6351
D(LSUP_EMB(-2))	0,270879	0,643757	0,420779	0,6865
D(LSUP_EMB(-3))	-4,200060	1,099041	-3,821568	0,0065
	-2,82833	0,549047	-5,151343	0,0000

6.1.17 3.2.3.4.2. Coefficients de long terme (LT)

Le tableau 11 ci-dessous nous fournit les coefficients ou élasticités de long terme estimés. Tous ces coefficients sont significativement différents de zéro (probabilités associées inférieures à 5%). Comme à court terme, les effets de la superficie emblavée dans le Borgou restent positifs à long terme et se montrent plutôt moins que proportionnels : un accroissement de la superficie emblavée de 1% accélère la production de l'igname de 2,47% à LT. Les prix aux producteurs exercent toujours une influence positive sur la production de l'igname dans le Borgou à LT.

Par ailleurs, contrairement aux résultats à CT, la croissance démographique et la hauteur des pluies affichent l'effet escompté (positif) à LT.

Variable dépendante : LPROD_IGN
Variable	Coefficient	Std. Error	t-Statistic	Prob.
LCROI_DEMO	0,145101	0,042182	3,439840	0,0108
LHAUT_PLUIE	0,735979	0,274305	2,683063	0,0314
LPRIX_PROD_SA	0,654265	0,214318	3,052783	0,0185
LSUP_EMB	2,467856	0,250405	9,855456	0,0000
C	-19,283474	4,813194	-4,006378	0,0051

6.1.18 3.3. Synthèse des résultats et vérifications des hypothèses

6.1.19 3.3.1. Synthèse des résultats

Au vu des résultats de nos différentes analyses, il ressort que la superficie emblavée a un effet positif sur la production de l'igname dans le département du Borgou aussi bien à court terme qu'à long terme, mais dans une moindre proportion. En effet, un accroissement de 1% de la superficie emblavée accélère la production de l'igname de 3,08% à court terme et de 2,47% à long terme. Cette décroissance de l'impact de la superficie emblavée sur la production de l'igname au fil du temps pourrait s'expliquer par le fait que la terre perd sa fertilité d'année en année. La jachère s'avère alors indispensable.

Ensuite, les résultats montrent que l'accroissement de la population du Borgou a un effet positif sur la production de l'igname à long terme et un effet négatif à court terme. Même si cela semble être un peu ambigu, il faut noter que la population considérée dans le cadre de cette étude englobe toutes les tranches d'âge. Les personnes constituant ces différentes tranches d'âge sont actives à une certaine époque de leur vie et inactives au début et au soir (pour la plupart) de leur vie. Par ailleurs, les mets issus de l'igname sont très appréciés par les populations du Borgou. Ainsi, lorsque la population augmente, la demande de l'igname est forte. Les agriculteurs doivent donc hausser la production pour équilibrer l'offre et la demande à long terme.

En outre, on note que les prix aux producteurs exercent des effets positifs sur la production de l'igname dans le Borgou aussi bien à court terme qu'à long terme mais dans différentes proportions. Une hausse des prix de 1% entraine une augmentation de la production de l'igname dans le département du Borgou de 0,58% à court terme et de 0,65% à long terme. Il est clair qu'il y a une légère augmentation de 0,07% de la production de l'igname à long terme. Cette augmentation minime qu'elle soit, traduit le comportement des producteurs de l'igname face à la variation des prix. Ils ont tendance à revoir leur production à la hausse lorsque qu'ils constatent que les prix actuels du marché sont bons. Ils espèrent ainsi augmenter leurs revenus à long terme.

Enfin, la variable hauteur des pluies n'a pas un effet significatif sur la production de l'igname dans le Borgou à court terme. Mais à long terme, elle affiche un effet positif sur cette production. La production de l'igname augmente de 0,74% lorsque la hauteur des pluies augmente de 1%. Ce résultat bien qu'il soit positif, n'est pas assez significatif au vu de l'importance de la pluie dans la production des cultures vivrières. Les agriculteurs n'arrivent pas à cerner avec exactitude la période des pluies. Dr Nestor Ahoyo Adjovi, Directeur Adjoint de l'INRAB souligne qu'avec les changements climatiques, on ne sait exactement quand commence la saison pluvieuse. Et de ce fait, le nombre de jours de pluies pour certaines variétés d'igname est parfois insuffisant. Par manque d'informations suffisantes sur ces changements climatiques, lesagriculteurs mettent parfois tôt ou même tard les semences d'igname en terre. Dans l'un ou l'autre des deux cas, il y a toujours une répercussion sur la santé des plantes qui vont germer ou carrément certains tubercules pourrissent à cause de l'intensité de la chaleur. Il apparait clairement que la pluviométrie pourrait constituer une entrave à la production de l'igname aussi longtemps que les producteurs ne seront pas informés et adaptés à ce mécanisme.

6.1.20 3.3.2. Vérification des hypothèses

Les hypothèses émises dans le cadre de cette étude sont confirmées conformément aux conditions que chacune d'elles doit remplir, comme l'indique le tableau 12.

6.1.21 3.4. Préconisations opérationnelles

Au vu des différents résultats obtenus à l'issue de cette étude, il est primordial de formuler des recommandations dans le but d'améliorer le niveau de la production de l'igname dans le département du Borgou et de promouvoir la filière sur toute l'étendue du territoire national. C'est pourquoi nous recommandons aux autorités de :

- Promouvoir la mécanisation agricole pour faciliter les labours et accroitre les surfaces de terres cultivées sans pour autant porter atteinte à l'environnement ;

- Mettre à la disposition des groupements villageois, des services météorologiques afin de les informer à temps sur l'évolution du climat ;

- Maintenir le niveau de la population agricole (ou même à la hausse) en mettant en place une politique de motivation des producteurs de l'igname.

7 CONCLUSION

L'objectif de notre mémoire est d'analyser les déterminants de la production de l'igname dans le département du Borgou. Mais, vu l'importance de l'igname en matière nutritionnelle, culturelle, économique et surtout de la lutte contre l'insécurité alimentaire, il y a d'intérêt à promouvoir sa culture et sa filière en général.

Les résultats ont montré que la production de l'igname dans le département du Borgou dépend de la croissance démographique, de la superficie emblavée, de la pluviométrie et du prix aux producteurs. En effet, la superficie emblavée et les prix aux producteurs entretiennent une relation positive avec la production de l'igname à court et à long termes. Cependant, les effets de la superficie emblavée sont moins proportionnels à long terme, contrairement aux prix aux producteurs qui exercent une influence légèrement importante sur la production de l'igname dans le département du Borgou à long terme. Par ailleurs, la croissance démographique ainsi que la hauteur des pluies n'affichent aucun effet significatif à court terme sur la production de l'igname. A long terme par contre, ces deux variables affichent l'effet escompté (positif) sur la production de l'igname dans le Borgou. Alors, la production de la filière igname doit passer par une attention particulière sur chacun de ces facteurs qui, lorsqu'ils ne sont pas suivis de près, arrièrent son développement.

Pour pérenniser et améliorer cette production de l'igname dans le département du Borgou, nous suggérons aux autorités de promouvoir la mécanisation agricole pour faciliter les labours et accroitre les surfaces de terres cultivées sans pour autant porter atteinte à l'environnement. Aussi faut-il mettre à la disposition des groupements villageois, des services météorologiques afin de les informer à temps sur l'évolution du climat. Enfin, il faut maintenir le niveau de la population agricole (ou même à la hausse) en mettant en place une politique de motivation des producteurs de l'igname. Ces préconisations sont d'ordre général et loin d'être opérationnelles uniquement dans le département du Borgou, peuvent être appliquées sur l'ensemble des pôles de développement de la filière igname. Bien entendu, il ne faudrait pas croire, loin s'en faut, que la filière igname est une panacée qui peut régler tous les problèmes liés à l'insécurité alimentaire. Elle ne pourra pas à elle seule, assurer la sécurité alimentaire. Une réflexion globale prenant en compte les cultures vivrières pourrait être d'une aide importante dans le secteur agricole et dans la lutte contre l'insécurité alimentaire.

REFERENCES BIBLIOGRAPHIQUES

1. Adimi, S et Dairo, J. (2014). Analyse des déterminants de la production du maïs dans lacommune de Savè. Mémoire de Licence en Economie Agricole (EA). Faculté des
Sciences Economiques et Gestion (FASEG). Université de Parakou (UP). Bénin.

2. Agbo, A. et Hounkpehedji, N. (2008). Analyse des déterminants de la production des cultures vivrières au Bénin : cas du maïs et de l'igname. Mémoire soutenu à l'Ecole Nationale d'Economie Appliquée et de Management (ENEAM).

3. ASECNA (2008). Rapports sur les pluviométries décennales au Bénin, 1978-2007.

4. Askari, H. et Cumming, J.T. (1976). Agricultural Supply Response: A survey of the
Econometric Evidence.

5. Askari, H. et Cumming, J.T. (1977). Estimating agricultural supply response with the
Nerlove model; a survey.International Economy Review, 18 (2): 257-292.

6. Auriole, L. et Aboudou, R. (2006). Impacts de la croissance urbaine sur les filières agricoles en Afrique de l'Ouest : cas de l'igname à Parakou, Bénin. Ifeas, Lares, document de travail Ecocité 13 :1-51.

8. Baco, M. N., Biaou, G. et Lescure, J-P. (2007a). Complementarity betwen Geographical and Social Patterns in the Preservation of Yam (Dioscorea sp.) Diverty in Northern Benin. EconomicBotany61 : 385-393.

9. Baco, M. N., Tostain, S., Mongbo, R. L.,Dainou, O. et Agbangla, C. (2004). Gestion dynamique de la diversité variétale des ignames cultivées (Dioscorea cayenensis- D. rotundata) dans la commune de Sinendé au nord Bénin. PGRNewletters ; 139 : 18-24.

10. Bond, M. (1983). Les réactions de l'offre aux variations des prix dans le secteur agricole en Afrique Subsaharienne. Washington DC, FMI, mai 1983, Staff Papers, Vol. 30,4.

11. Boussard, J.M. et Saïd, S. (2000). Faut-il encore des politiques agricoles.In Déméter
2001, Économie et Stratégies Agricoles, Paris, A. Colin 2000, 303 p.

12. Diagne, A., Koné, M., Sylla, K. et Touré, A. (2004). Politique rizicole et impact de la libéralisation de la filière riz en Côte d'Ivoire. Contribution présentée au « Séminaire de formation sur les NERICA », Abidjan, 27-29 janvier 2004.

13. Engle, R.F. et Granger C.W.J. (1987). Cointegration and error correction
representation : Estimation and testing. In Econometrica, vol.55, n°2, pp. 251-276.

14. EuropeanExternal Action Service (2018). Bénin : Revue sectorielle agricole, gestion 2017. (Disponible à https://eeas.europa.eu, consulté le 18 Novembre 2019 à 16 heures).

15. Idrissa, D. (2007). Impact des fluctuations pluviométriques sur la production agricole dansla région de Thionck-Essy en Basse Casamance. Certificat d'aptitude à
l'enseignement Moyen, Université Cheikh Anta Diop, Dakar.

16. INSAE. (2018). Production agricole 2008-2012. (Disponible à https://www.insae-bj.org, consulté le 04 Novembre 2019 à 10 heures).

17. Johansen, S. (1988). Statistical Analysis of Cointegrating Vectors. Journal of
Economic Dynamic and Control, Vol.12, pp. 231-254.

18. Johansen, S. (1991). Estimation and Hypothesis Testing of Cointegration Vectors
in Gaussian Vector Autoregressive Models. Econometrica, Vol.59, pp. 1551-1580.

19. Katembo, P. (2004). Analyse de l'offre de café au Nord-Kivu (République Démocratique du Congo). Mémoire d'étude spécialisé en Economie Rurale, Université Catholiquede Louvain, 71p.

20. Koffi-Tessio, E. M. (2000). Incitation et offre du coton au Togo : une estimation
Econométrique. Revue Economie Rurale 257, 7887.

21. Kouakou, S. (2009). Analyse de l'offre et de la demande du bissap au Bénin : étude de cas dela ville de Cotonou. Mémoire de maîtrise en Science économique (FASEG).
Université d'Abomey-Calavi.

23. Morley, B. (2006). Causality between Economic Growth and Immigration: An ARDL Bounds Testing Approach. Economics, Vol. 37, p. 1979- 1990.

24. Narayan, P. K. (2005). The saving and investment nexus for China: evidence for cointégration tests. Applied Economics, Vol. 37, p. 139- 162.

25. Nerlove, M. (1956). Estimates of supply of selected agricultural commodities. Journal ofFarm economics, vol. 32 n°2.

26. Nerlove, M. (1993). Procreation, Fishing and Hunting: Problems in the Economies of Renewable Resources and Dynamic Planar System. American Journal of Agricultural Economies, 75:59- 71.

27. Nyemecketal, S. D. (2009). Analyse des déterminants de l'efficacité technique des
producteurs du riz pluvial dans le centre Ouest de la Côte d'Ivoire.Analyse des
déterminants de la production agricole en Afrique de l'Ouest n°2, p.67-97.

29. Pesaran M.H., Shin Y. et Smith R.J. (2001). Bounds Testing Approaches to the
Analysis of Level Relationships. Journal of Applied Econometrics, Vol.16, n°3, pp.289-326.

30. Timmer, C. P. (1971). Using a probabilistic frontier production to measure technical
efficiency, Food Research Institute Studies.

31. Toda, H.Y. et Yamamoto, T. (1995). Statistical Inference in Vector Autoregressions
with Possibly Integrated Processes. Journal of Econometrics, Vol. 66, pp. 225-250.

32. Yotopoulos, L. (1973). A test for relative efficiency: some Further Result. American
EconomicReview, 63, p. 214-223.

33. Zonon, F. (1996). Analyse comparée de l'efficacité de la production céréalière au Burkina-Faso : cas de quatre zones agro-alimentaire. Thèse de Doctorat 3e cycle en
économie rurale, Cires, Abidjan.

8 ANNEXE

Annexe 3 : valeur des critères ayant permis la détermination du meilleur modèle

Modèle	LogL	AIC*	BIC	HQ	Adj. R-sq	Specification
21	95.692006	-4.818839	-3.847428	-4.502183	0.974532	ARDL(4, 4, 4, 0, 4)
16	95.835771	-4.763598	-3.745930	-4.431864	0.971963	ARDL(4, 4, 4, 1, 4)
96	91.236576	-4.724940	-3.892303	-4.453521	0.973885	ARDL(4, 4, 1, 0, 4)
71	92.009733	-4.710305	-3.831410	-4.423807	0.973085	ARDL(4, 4, 2, 0, 4)
11	96.004352	-4.709958	-3.646032	-4.363145	0.968800	ARDL(4, 4, 4, 2, 4)
6	96.958774	-4.707018	-3.596834	-4.345126	0.966472	ARDL(4, 4, 4, 3, 4)
91	91.744519	-4.693195	-3.814299	-4.406697	0.972621	ARDL(4, 4, 1, 1, 4)
46	92.260102	-4.661942	-3.736789	-4.360365	0.971109	ARDL(4, 4, 3, 0, 4)
66	92.157955	-4.655352	-3.730199	-4.353775	0.970918	ARDL(4, 4, 2, 1, 4)
86	92.113692	-4.652496	-3.727343	-4.350919	0.970835	ARDL(4, 4, 1, 2, 4)
1	97.068101	-4.649555	-3.493114	-4.272584	0.961159	ARDL(4, 4, 4, 4, 4)
61	92.942249	-4.641435	-3.670025	-4.324780	0.969588	ARDL(4, 4, 2, 2, 4)
81	92.657523	-4.623066	-3.651655	-4.306410	0.969024	ARDL(4, 4, 1, 3, 4)
41	92.341407	-4.602671	-3.631261	-4.286016	0.968386	ARDL(4, 4, 3, 1, 4)
56	93.094635	-4.586751	-3.569082	-4.255016	0.966539	ARDL(4, 4, 2, 3, 4)
76	93.035727	-4.582950	-3.565282	-4.251216	0.966412	ARDL(4, 4, 1, 4, 4)
36	92.951573	-4.577521	-3.559852	-4.245786	0.966229	ARDL(4, 4, 3, 2, 4)
51	93.335686	-4.537786	-3.473860	-4.190973	0.962938	ARDL(4, 4, 2, 4, 4)
31	93.103040	-4.522777	-3.458851	-4.175963	0.962377	ARDL(4, 4, 3, 3, 4)
26	93.370105	-4.475491	-3.365307	-4.113598	0.957737	ARDL(4, 4, 3, 4, 4)