Application du modèle EPIC dans l’estimation de la fonction de production rizicole dans la plaine de la Ruzizi. Essai d’intégration du paramètre information.

2.2. APPROCHE METHODOLOGIQUE

En sciences sociales comme dans d'autres sciences, l'approche méthodologique renvoie à la façon dont on a procédé pour construire son raisonnement ou sa pensée. Dans cette section, il s'agira de montrer et de faire comprendre aux prétendants lecteurs, les processus utilisés pour la collecte des données, leur analyse (traitement) et leur interprétation afin d'aboutir aux résultats valables.Etant donné une insuffisance des données statistiques dont a toujours fait preuve notre pays en général et la province du Sud-Kivu en particulier, le recours aux données primaires en nous servant du questionnaire d'enquête et des groupes d'entretien, s'est avéré être la voie exigée. Ont été concernés par l'enquête, les individus oeuvrant dans la production du riz dans la plaine de la Ruzizi. Il s'agit des producteurs considérés comme acteurs directs^12(*), regroupés au sein des ménages. Les informations que nous recherchions en contactant ces acteurs concernaient entre autres : les rendements de leurs cultures en périodes de récolte (deux saisons culturales sont à signaler dans la plaine de la Ruzizi à savoir : la saison A (qui commence au mois de Septembre jusqu'au mois de janvier), et la saison B (qui a cours au mois de février jusqu'au mois de Juin), les coûts des intrants qu'ils utilisent dans les processus de production : les prix des semences, les prix des engrais, les prix des produits phytosanitaires, etc. Puisque nous avions intégré les aspects « information » et « environnement », il est question de mesurer l'impact de ces variables sur le rendement de la riziculture dans la plaine de la Ruzizi.

La question qui se pose pour ce faire est alors de savoir « Pourquoi avoir orienté l'étude uniquement dans la plaine de la Ruzizi ? » Le choix de ce milieu se justifie par plusieurs éléments. Tel que nous l'avions évoqué précédemment,la demande du riz ne cesse d'augmenter étant donné la croissance démographique et son utilisation dans l'industrie agroalimentaire (notamment dans l'usine brassicole qui consomme 2 800 tonnes par an), ce qui doit entrainer l'accroissement de l'offre (après l'adoption des nouvelles techniques culturales, la production est passée de 2,5 tonnes par hectare à 7,5 tonnes par hectare), dans lequel la plaine de la Ruzizi a un rôle primordial à jouer, vu sa proximité avec la ville de Bukavu et celle d'Uvira, les deux principales villes de la province du Sud-Kivu. Aussi, le riz produit localement occupe une place de choix sur un marché qui était jadis couvert en grande partie par le riz provenant de la Tanzanie et du Pakistan (Aluma B., 2019). A ces facteurs ci-haut cités, nous y ajoutons le fait que « les zones de production du riz sont localisées dans les périmètres dans lesquels les infrastructures d'irrigation sont fonctionnelles » (Furaha G., 2017-2018, p 23). Nous partirons des espaces répertoriés par cette auteure dans le cadre de sa thèse, laquelle fait apparaitre 9 périmètres en République Démocratique du Congo, 38 au Burundi et 1 au Rwanda, lequel est divisé en 4 zones.

Pour recueillir les données nécessaires à notre étude, étant donné que nous ne disposions pas du nombre exact des riziculteurs que compte la plaine de la Ruzizi dans sa partie congolaise, un échantillon de 80 riziculteurs (dont 50 riziculteurs à Luvungi et 30 à Luberizi) a été retenu, cela compte tenu des contraintes temporelles, financières, humaines, etc. La récolte est intervenue durant une semaine, soit du 23 juin 2019 au 30 juin 2019, en raison de 3 jours par milieu. Nous avions utilisé l'enquête électronique, en faisant recours à l'Open Data Kit (ODK) qui nous a permis de collecter les informations auprès des répondants. Pour les repérer, nous nous placions respectivement à la Coopérative Paysanne pour l'Intensification Agricole et le Développement (COOPIAD) à Luvungi et à la Coopérative Solidaire des Producteurs des Denrées Alimentaires (COOSOPRODA) à Luberizi, où nous attendions les premiers venus qui une fois interviewés, nous leur demandions de nous indiquer une autre catégorie d'individus remplissant les mêmes caractéristiques, et donc qui pratiquent la riziculture.A cet effet, l'échantillonnage « Boule-De-Neige » ou « Snow Ball Sampling » a été utilisé.

Ø Approche économétrique : la régression multiple

Un travail scientifique doit suivre une certaine démarche méthodologique dans le but de déboucher sur des résultats scientifiquement valables. Pour atteindre notre objectif fixé, nous avons fait recours à une régression multiple, laquelle nous a permis de prédire l'effet sur la variable dépendante (le rendement du riz), d'une série des variables dites expliquées, nous servant des Moindres Carrés Ordinaires (MCO).

Ayant fait recours à la fonction de production linéaire, nous avons alors cherché la relation input-output. L'hypothèse est que la fonction de production des riziculteurs est du type d'ingénieur qui prend en compte les facteurs non biologiques dans le processus de sa construction.

D'après Boussard (1987), « ce procédé nous permet donc de représenter l'hétérogénéité de situations au niveau des exploitationsagricoles, aussi bien dans une région que dans un pays de sorte que l'on pourra construire des fonctions de productiontant au niveau de la ferme individuelle qu'au niveau dela région ou du pays en employant une certaine méthoded'agrégation. Dans le dernier cas il s'agira de l'enveloppede plusieurs fonctions de production ».

Selon Vicien (1989), « si on utilise les données obtenues au moyen de lasimulation comme s'il s'agissait des données réelles récoltéessur le terrain on pourra ajuster des fonctions deproduction, en employant une méthodologie économétrique ».Etant donné que nous avons manipulé des données quantitatives et avions plus d'une variable explicative (Bourbonnais R., 2015), nous avions fait appel à la régression multiple, dont le modèle retenu est le suivant :

= pour t = 1,..., n.

Pour sélectionner les variables explicatives significatives, c'est-à-dire les variables qui influent sur le rendement des riziculteurs, nous partirons de la technique dite « Backward elimination » ou « la technique d'élimination progressive ». Pour atteindre le but que s'est fixé ce travail, en s'inspirant de l'article de Vicien C. (1991), le rendement des cultures à l'hectare (du riz pour notre cas) constituera notre variable dépendante, les variables indépendantes étant : la main d'oeuvre ou le facteur travail : L ; l'équipement en matériel agricole pour la culture du riz :Ma ; le fertilisant : F ; le traitement phytosanitaire : Tp(Vicien C., 1991). A cette liste des variables indépendantes, nous intégrerons pour ce faire : l'environnement : En(en considérant l'exposition de l'exploitation aux événements climatiques, notamment la sécheresse, phénomène actuellement alarmant) et l'information :In.Notre modèle de départ est formalisé comme suit :y =a₀ + a₁ L+ a₂ Ma+ a₃ F + a₄Tp+ a₅En + a₆ In + u

Le terme aléatoire u, que l'on appelle l'erreur du modèle, tient un rôle trèsimportant dans la régression. Il permet de résumer toute l'information qui n'est pasprise en compte dans la relation linéaire que l'on cherche à établir entre Y et X,c'est-à-dire les problèmes de spécification, l'approximation par la linéarité, résumer lerôle des variables explicatives absentes, etc. Comme nous le verrons plus bas, lespropriétés des estimateurs reposent en grande partie sur les hypothèses que nousformulerons à propos de u. En pratique, après avoir estimé les paramètres de larégression, les premières vérifications portent sur l'erreur calculée sur les données (onparle de "résidus") lors de la modélisation (Bourbonnais R., 2015).

Le modèle que nous venons de spécifier n'est qu'une simplification de la réalité.En effet, ne retenir que les variables ci-haut pour expliquer le rendement des cultures est insuffisant ; il existe plusieurs autres facteurssusceptibles d'expliquer le pourquoi de non optimisation de la production du riz. D'où le terme aléatoire qui synthétise l'ensemble de ces informations nonexplicitées dans le modèle. On retrouve à titre illustratif des variables relatives aux aspects environnementaux.

Notre étude a pour objectif d'estimer une fonction de production propre aux riziculteurs de la plaine de la Ruzizi en utilisant le modèle EPIC et établir par conséquent les rapports inputs-outputs des différentes combinaisons factorielles, dans le but de refléter un maximum des possibilités techniques dont disposent les riziculteurs de la plaine de la Ruzizi en République Démocratique du Congo. A part cet objectif, un autre est envisagé : d'évaluer la fiabilité du modèle^13(*) dans la plaine de la Ruzizi en y intégration l'aspect « information » et « environnement » aux 9 composantes qu'il compte. Nous servant du modèle développé par Vicien C. (1991), nous avons obtenu le modèle suivant :y = a₀ + a₁ L+ a₂ Ma+ a₃ F + a₄ Tp+ a₅Se + a₆ In + u où L : représente la main d'oeuvre ; Ma : le matériel agricole ou équipement ;F : la quantité de fertilisant utilisé ; Tp : le traitement phytosanitaire ; Se : composante retenue pour l'environnement. Elle sous-entend l'exposition de l'exploitation à la sécheresse et In : l'information.

Ø Les tests de validation du modèle de régression linéaire

Au niveau global, les indices qui permettent de juger la qualité de la régression effectuée sont:

· Le coefficient de détermination R² : il est le carré du coefficient de corrélation multiple et sert à mesurer la qualité de l'ajustement entre les variables de l'analyse. Il s'interprète comme le pourcentage de la variance de la variable à expliquer restitué par le modèle. Plus il est proche de 1, plus les valeurs observées calculées par le modèle sont proches ;

· Le test de Fischer : dont la valeur calculée F, permet d'apprécier l'influence de l'ensemble de variables explicatives. Il permet de tester si le modèle linéaire rend compte de manière significative le comportement de la variable dépendante. Si on a n observations et p variables, F calculé est significatif au seuil critique retenu et à (p, n-p-1) degré de liberté, si sa valeur est supérieure à celle de F théorique pour les mêmes références. Il permet ainsi de juger de la validité des résultats, autrement dit, de la qualité des modèles sélectionnés ;

· Le test de Student : sur la signification individuelle des coefficients de chaque variable explicative permet d'en apprécier la valeur explicative et selon le cas, la faire ressortir du modèle. Il permet de savoir si le coefficient du modèle est significativement différent de zéro. Si (t) calculé est supérieur à (t) théorique, on accepte que le coefficient soit significativement différent de zéro.

Ø Description des principales variables de l'étude : tableau synthèse

Variables	Acro.	Modalités	Impact
Variable Dép.
Rendement par ha	y	Il est une variable quantitative ou mesurable. Il désigne le rapport de la production par la superficie totale cultivée ou emblavée. Il sera exprimé en kilogrammes par hectare.
Variables Indép.
Main-d'oeuvre	L	Variable quantitative : elle est mesurée en référence à la quantité de facteur travail utilisé. Nous allons considérer le nombre d'individus par hectare.	+
Equipement	Ma	Variable quantitative : il s'agit ici de l'ensemble de tous les matériels agricoles utilisés pour la riziculture. Il sera mesuré en prenant le cout moyen d'acquisition.	+
Traitement phytosanitaire	Tp	Variable quantitative : il désigne l'ensemble des produits utilisés par les riziculteurs pour faire face aux animaux nuisibles et autres maladies. Il sera exprimé en unité monétaire par hectare (le franc congolais sera pris comme référence).	+
Fertilisant	F	Variable quantitative : il s'agit de la quantité de fertilisant nécessaire pour assurer un bon rendement. Le kilogramme par hectare sera retenu comme unité de mesure.	+
Environnement	En	Variable quantitative : il est complexe dans son ensemble. Par manque des données disponibles, nous nous limiterons à l'exposition à la sécheresse qui sera mesurée en utilisant la superficie asséchée.	-
L'information	In	Variable catégorielle : elle renvoie à l'accès à l'information dont ont besoin les riziculteurs lors du processus de production. Elle sera mesurée en référence à trois types d'information : accès à l'information sur les techniques de production, sur les intrants et du marché. On attribuera la note 3 à celui qui aura accès à ces trois types d'information, 2 à celui qui aura accès à deux types, 1 à celui qui a accès à un seul type et 0 à celui qui n'a pas accès à l'information.	+

Source : Nos analyses nous servant du modèle de Vicien C., 1991.

Analyse de données : Les données que nous avions collectées l'ont été grâce à l'Open Data Kit (ODK), les graphiques ont été réalisés à l'aidede Microsoft EXCEL. Quant à l'analyse, nous avions fait recours aux logicielsde traitement Eviews dans sa version 8 ainsi que SPPS dans sa version 20.0. Ces derniers nous ont servi dans l'analyse statistique des données.EXCEL et SPSS nous ont aidés respectivement dans le traçage des graphiques et tableaux. Quant à la régression, elle a été faite avec le logiciel Eviews.

Chapitre Troisième : ANALYSE, TRAITEMENT ET DISCUSSION DES RESULTATS DE L'ETUDE

Ce chapitre est celui consacré à l'analyse et au traitement des données recueillies sur le terrain auprès des riziculteurs de la plaine de la Ruzizi. Dans cette partie, nous présenterons les résultats issus des données collectées et analysées, en essayant de suivre un plan qui comprend cinq points dont : le premier sera celui du profil de l'enquêté ; le deuxième présentera la structure de l'exploitation ; le troisième sera celui qui traitera des questions relatives à la production et aux intrants ; le quatrième, l'accès à l'information et enfin le cinquième et le dernier, se bornera à présenter les résultats issus de la régression multiple, laquelle permettra de vérifier la fiabilité du modèle que nous estimons.

* ¹²Nous devons ce terme à la Dr. Furaha G. (2017-2018) dans « Analyse comparée des chaines de valeur du riz dans la plaine de la Ruzizi de la Communauté Economique des pays des Grands Lacs (CEPGL) »

* ¹³ Elle sera mesurée en utilisant le coefficient de détermination du modèle (Vicien C., 1991 ; Xianzeng N. et al, 2008).