|
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.par Yoshwa NTAMUSHIGO Université évangélique en Afrique - Licence en sciences économiques 2019 |
V. Résultats de la régression multiple
* Significatif au seuil de 1 % ; ** Significatif au seuil de 5 % ; ***Significatif au seuil de 10 % Source : Nos analyses avec SPSS 20.0 Ces résultats ci-haut présentés sont ceux de la régression multiple. Comme on peut le constater, le signe de la variable« main d'oeuvre », « information », « traitement phytosanitaire », « matériel agricole » ainsi que celui de la constante ; est positif tandis qu'il est négatif pour les variables « sécheresse » et « fertilisant ». On peut constater que le rendement évolue inversement que la sécheresse et le fertilisant. En d'autres termes, plus il y a sécheresse et plus on ne respecte pas la dose optimale pour la quantité de fertilisant à appliquer, moins le rendement est bon. Cela parait tout à fait normal car la sécheresse a des effets négatifs sur la production des cultures surtout le riz qui exige beaucoup d'eau pour une bonne croissance. Tel qu'on l'a vu dans les paragraphes précédents, le riz a besoin de beaucoup d'eau lors de la floraison. La situation est contraire lors de la phase de tallage. Lorsqu'il y a sécheresse d'une exploitation, le rendement diminue considérablement de 927,074. En ce qui concerne la fertilisation du sol, le fertilisant minéral reste actuellement le plus utilisé. Fait à la base des produits chimiques, une certaine dose doit être respectée, au-delà de laquelle la qualité du sol sera compromise, ce qui aura un impact négatif sur le rendement des riziculteurs. Une étude menée par Furaha G. (2017) montre que la dose optimale de fertilisant à appliquer est de 175 kilogrammes par hectare et par an. Quant à la main d'oeuvre, l'information, le traitement phytosanitaire et le matériel agricole, plus ils augmentent, le rendement augmente respectivement de 102,775 ; 548,091 ; 0,416 et 0,041. L'interprétation économique qui correspond à la variable « main d'oeuvre » tire son origine de la loi de Ricardo selon laquelle « lorsqu'on ajoute un facteur variable à un facteur fixe, la production croit dans un premier temps pour atteindre le maximum et décroitre enfin » : en augmentant le nombre de travailleurs dans une exploitation alors que sa taille n'a pas changé, la production va augmenter mais pas éternellement. A un certain moment, elle finira par décroitre. C'est la loi des « rendements non proportionnels » de David Ricardo. Pour ce qui est du traitement phytosanitaire, plus on utilise les produits, plus le rendement est bon. Nous l'avions vu précédemment, les plantes sont attaquées par des insectes et autres parasites qui les bouffent et conduisent à la réduction du rendement des cultures, en entrainant la perte de 50 à 80 % de la production. Pour pallier à cela, l'utilisation de ces produits s'avère d'une importance capitale. Cependant, les riziculteurs doivent respecter le dosage qui, une fois dépassé, entraine la destruction des cultures qui seront brûlées par l'acide contenu dans certains de ces produits. En ce qui concerne l'information, elle influence positivement le rendement du riz. Plus les riziculteurs sont informés sur les techniques de production, les intrants et le marché, plus ils réalisent une bonne production. Ainsi, en étant en possession de l'information, le rendement augmente de 548,091. Quant à l'équipement, il joue aussi un rôle important pour assurer un meilleur rendement. Plus la technologie est archaïque, moins les riziculteurs produisent. Ils auront d'abord du mal à cultiver des vastes étendues, ensuite ils ne seront pas bien outillés dans certaines situations. Quelqu'un qui utilise un drone pour épandre l'engrais dans son champ et celui qui le fait manuellement ne peuvent pas enregistrer les mêmes rendements. La lecture de la dernière colonne du tableau nous fournit les probabilités associées à chaque variable. Au seuil de 1%, la variable « fertilisant » est significative. Notons qu'une variable significative à 1 % l'est aussi à 5 et 10 %. A 10 %, la variable « traitement phytosanitaire » et la variable « information » sont significatives. La probabilité associée à la variable « sécheresse » est de 0,697 tandis que celle associée variable « main d'oeuvre » et « matériel agricole » est respectivement de 0,947 et 0,709. Elles sont supérieures à 0,1 (soit 10%), ce qui nous pousse à dire qu'elles ne sont pas significatives.Avec une probabilité de 0,008 associée au F de Fisher < à 0,05 (soit 5 %), on conclut que le modèle est bon. Tels que les résultats sont affichés, il se remarque que le modèle, de la manière dont il est conçu est bon, en utilisant le modèle EPIC. Toutefois, ce dernier comptant un large éventail des possibilités qui n'ont pas été prises toutes en compte, nous exhortons alors tout autre chercheur épris d'un esprit d'innovation, de reprendre l'étude et intégrer un large éventail des choix possibles que présente le modèle, ce qui pourrait rendre la recherche de plus en plus intéressante. Vicien C. (1991) montre qu'un agriculteur devrait utiliser un niveau de technologie qui puisse dépendre des ressources climatiques, pédologiques, génétiques, humaines et économiques. Par manque des moyens pour accéder à certaines informations et étant donné des difficultés liées à la mesure de certains phénomènes (notamment ceux relatifs au changement climatique), nous avons été amenés à réduire nos variables et n'utiliser que les données accessibles et disponibles dans notre milieu. Xianzeng N. et al. (2008) ; Vicien C. (1991), ont utilisé le modèle EPIC dans différents milieux et sur différents produits et ont abouti à des résultats différents en ce qui concerne la fiabilité du modèle testée à partir du coefficient de détermination (R2) que fournit la régression, méthode utilisée par chacun d'eux. Ils avaient trouvé respectivement 56 % et 97 % aux Etats-Unis et en Argentine & France. Quant à nous, un coefficient de 54,6 % trouvé signifie que les variables retenues expliquent à 54,6 % le rendement de la culture du riz dans la plaine. Le modèle peut être appliqué à la riziculture dans la plaine de la Ruzizi mais pour le rendre plus intéressant, il faudra prendre en compte un large éventail des choix possibles que présente ce modèle, en intégrant la température du sol, la vitesse du vent, la percolation, la quantité d'eau de ruissellement, l'humidité, etc. Toutefois, le modèle estimé est présenté de la manière suivante : y = a0 + a1 L+ a2 Ma+ a3 F + a4 Tp+ a5 Se + a6 In + u
Cette droite est celle du modèle estimé, avec y : la variable dépendante. Il représente le rendement de la culture du riz dans la plaine de la Ruzizi ; L : de l'anglais « Labour » ou main d'oeuvre en anglais, il représente le nombre d'individus utilisés à chaque étape de la production ; Ma : le matériel agricole ou équipement agricole nécessaire pour la riziculture ; F : la quantité de fertilisant ; Tp : traitement phytosanitaire ; Se : l'exposition de l'exploitation aux facteurs environnementaux et In : l'information. L'influence de chacune de ces variables explicatives sur la variable dépendante est lue à travers le signe de la variable. Un signe négatif traduit un impact négatif de la variable indépendante sur la variable dépendante tandis qu'un signe positif traduit le contraire. Ainsi, les résultats montrent que le rendement du riz diminue respectivement de 36,508 et 927,074 lorsque la dose de fertilisant n'est pas respectée, et aussi lorsque l'exposition à la sécheresse augmente considérablement. Situation contraire pour la variable main d'oeuvre, matériel agricole, traitement phytosanitaire et information, pour lesquelles l'influence est positive et dont les coefficients respectifs de 102,775 ; 0,041 ; 0,416 et 548,091traduisent une augmentation du rendement des montants ci-haut lorsque ces variables augmentent. Cette étude cherchait à évaluer l'impactde l'informationetdu changement climatique sur la production du riz dans la plaine de la Ruzizi (notamment à Luvungi et à Luberizi) en utilisant le modèle EPIC. Spécifiquement, les objectifs poursuivis étaient : d'intégrer l'aspect « information » et « environnement » dans le modèle pour voir leur contribution au rendement, ainsi vérifier la fiabilité de ce modèle dans la plaine de la Ruzizi. Ce modèle permet de prendre en compte un large éventail des choix possibles qui se présentent aux riziculteurs et qui peuvent leur permettre de prendre des décisions à la ferme. Le riziculteur peut alors utiliser une technologie qui tienne compte des ressources climatiques, pédologiques, génétiques, humaines et économiques. La régression multiple a permis et de vérifier la relation input-output et vérifier ainsi la fiabilité du modèle. Le recours au modèle de simulation EPIC a permis d'estimer la fonction de production. Cette étude peut être conclue en insistant sur le fait que les riziculteurs de la plaine de la Ruzizi sont très vulnérables au changement climatique et cette vulnérabilité est accélérée pour ces régions dans lesquelles les situations socioéconomiques sont précaires. Les résultats ont montré que 100 % des répondants de Luberizi avaient des champs exposés aux événements climatiques notamment la sécheresse qui est actuellement observée plusieurs fois par saison contrairement aux périodes passées où elle était observée deux fois l'an voire rarement. A Luvungi par contre, seulement 68 % des exploitations sont concernés par le problème d'affectation des événements climatiques tandis que 32 % non. En utilisant le modèle EPIC, l'objectif principal était d'estimer la fonction de production des riziculteurs de la plaine de la Ruzizi (en ajoutant deux aspects à savoir : information et environnement, particulièrement l'exposition aux inondations et à la sécheresse) et vérifier ainsi la fiabilité du modèle à travers le coefficient de détermination fourni par la régression. Les résultats trouvés affichent un coefficient de 54,6 % pour l'ensemble du modèle, traduisant ainsi le fait que les variables retenues expliquent le rendement de la culture du riz à 54,6 %. Toute chose restante égale par ailleurs, étant donné que cette valeur est supérieure à 50 %, le modèle peut être utilisé dans la plaine de la Ruzizi. La fonction de production étant du type d'ingénieur, la valeur trouvée du coefficient permet de confirmer que le modèle est fiable ! Aussi, les probabilités associées aux variables « fertilisant », « information » et « traitement phytosanitaire » nous permettent de ressortir ces trois variables comme étant facteurs significatifs pour notre modèle, ce qui nous permet de répondre à notre première hypothèse.En intégrant l'environnement et l'information dans notre modèle, l'objectif était de mesurer leur impact sur le rendement ou la production rizicole dans la plaine de la Ruzizi. Ce faisant, nous avons capté l'environnement en nous référant à la vulnérabilité de l'exploitation à la sécheresse, phénomène alarmant actuellement dans la plaine de la Ruzizi (en considérant la superficie asséchée, le plus souvent la superficie rizicole totale) et tandis que pour l'information, nous l'avons catégorisée en donnant la mention « 3 » à celui qui a accès à trois types d'information (technique de production, intrants et marché) , « 2 » à celui qui aura accès à deux types, « 1 » à celui qui a accès à un seul typeet « 0 » à celui qui n'a pas accès à l'information.Il a été remarqué alors que l'influence de l'information est positive sur la production tandis que celle de l'environnement est négative. Cela a été lu grâce au signe ! Ce faisant, la 2ème hypothèse a été vérifiée. Aluma B., Mars 2019. RD Congo,La production du riz augmente dans le Sud-Kivu. http://www.ipsinternational.org/fr/_note.asp?idnews=7125 Balika N. A., 2012. De l'exploitation agricole individuelle vers une agriculture entrepreneuriale en milieux ruraux du Sud-Kivu. Bashige C., 2005. La filière riz au Sud-Kivu : modes de production et localisation, Discussion Paper, N° 2005-05. Boussard J-M., 1987. Economie de l'agriculture. Paris. Capron M. & Quairel-Lanoizelée F., 2006. Evaluer les stratégies de développement durable des entreprises : l.utopie mobilisatrice de la performance globale, Revue de l'organisation responsable, Vol. 1, pp. 5-17. Chenery H. B., 1949. Engineering Production Function.In Quarterly Journal of Economics, 63, pp. 507-531. Chung, S. W., GassmanP. W., KramerL. A., WilliamsJ. R., and Gu R., 1999. Validation of EPIC for two watersheds in southwest Iowa. J. Environ. Qual. 28(3): 971-979. Communauté Economique des Pays de Grands Lacs_CEPGL (Burundi- RDC- Rwanda, Juin 2015. Elaboration du programme régional de développement intégré de la Plaine de la Ruzizi (PREDIR) : Rapport d'évaluation, Rwanda. CTA, Octobre 2008. Les systèmes d'informations de marchés (SIM) : Des dispositifs efficaces pour une meilleure transparence des marchés. 11 p. Debaeke P., Casadebaig P., Haquin B., Mestriers E., Palleau J-P. & Salvi F., 2010. Simulation de la réponse variétale du tournesol à l'environnement à l'aide du modèle SUNFLO, OCL VOL. 17, N° 3 MAI-JUIN, pp 143-155. Dohou A. & Berland N., 2007. Mesure de la performance globale des entreprises, Communication au congrès annuel de l'Association Francophone de Comptabilité, Poitiers, 22 p. Dyke P., Jones C., Williams J., Kiniry J., Benson V. et Griggs R., 1991. EPIC: An Operational Model for Evaluation of Agricultural Sustainability. In Agricultural Systems. N°37.pp 341-350. FAO, 2008. Qu'est-ce que la sécurité alimentaire ? (leçon 1), Sécurité alimentaire : information pour l'action. Les concepts et cadres de la sécurité alimentaire. FAO, 2014. Le riz c'est la vie, Année Internationale du riz. http://www.fao.org/rice2004/fr/p2.htm FAO, 2016. Produire plus avec moins en pratique. Le maïs - le riz - le blé : Guide pour une production céréalière durable. Rome, Italie : FAO. Flichman G. &Jacquet F., 2003. Le couplage des modèles agronomiques et économiques : intérêt pour l'analyse des politiques. Cahiers d'Economie et de Sociologie Rurales, INRA Editions, 2003, 67, pp.51-69. <hal-01201042>. Francis C. & Youngberg G., 1990. Sustainable agriculture - an overview", In : Sustainable Agriculture in Temperate Zones, Ed. C. A. Francis, C. B. Flora & L. D. King, New York, John Wiley & Sons. Furaha G., 2017. Analyse comparée des chaines de valeur du riz dans la plaine de la Ruzizi de la Communauté Economique des pays des Grands Lacs (CEPGL), Thèse, Université de Liège-Gembloux Agro-Bio Tech. Furaha G., Mastaki J-L.& Lebailly P., sd. La riziculture face au défi d'accès à la terre et à l'eau pour les petits producteurs de la Plaine de la Ruzizi (Pays de la CEPGL Africains). Godfray H. C. J., Beddington J. R., Crute I. R., Haddad L., Lawrence D., Muir J. F., . . . Toulmin C., 2010.Food Security: The Challenge of Feeding 9 Billion People In «Science»,327, 812-818. Hétier J-M., Zuvia M., Houot S. et Thiéry J-M., 1989-1990. Comparaison de trois modèles choisis pour la simulation du cycle de l'azote dans les agrosystèmes tropicauxIn « Cah. ORSTOM », sér. Pédol., vol. XXV, n»4 : 443-451. Hildenbrand W., 1981. Short-Run Production Functions based on Microdata. In Econometrica, vol 49, n° 5, pp. 1095-1125. Khush G., 1997. Origin, dispersal, cultivation andvariation of
rice. Plant Mol. Biol., 35: 25-34. Malovic D., 2014.Un Chinois consomme 90 kg de riz par an, Dans « LaCroix », 30 novembre, Articlémodifié le 30/11/2010 à 14:45 et consulté le 22 avril 2019 à 9h52. https://www.la-croix.com/Actualite/Economie-Entreprises/Economie/Un-Chinois-consomme-90-kg-de-riz-par-an-_NG_-2010-11-30-559640# Mohamed G., 2017. Les stratégies de diversification des exploitations agricoles. Enseignementsthéoriques et empiriques. Economie Rurale, Société Française d'Économie Rurale, pp.43-63.<https://economierurale.revues.org/5257>. <10.4000/economierurale.5257>. <hal-01585191> Moinina A., Boulif M. & Lahlali, 2018. La culture de riz (Oryza sativa) et ses principaux problèmes phytosanitaires: Une mise au point sur la région du Gharb. In Moinina et al.: La culture de riz et ses principaux problèmes phytosanitaires, ev. Mar. Sci. Agron. Vét. (2018) 6 (4): 544-557. Mukenge A., 2018. Analyse des impacts socioéconomiques multidimensionnels du changement climatique sur la production rizicole dans la plaine. Mémoire, UEA, Inédit. Ngandu M., 2017-2018. Cours de Théorie de la production agricole, L1 Economie Rurale, UEA, Inédit. ORMVAG, 2013. Présentation de la filière rizicole dans le Gharb. Piet L., 2002. « Spatialisation d'un modèle d'équilibre général calculable pour l'étude de la localisation des activités à une échelle infranationale », Thèse de doctorat en Science de l'environnement, Ecole Nationale du Génie Rural, des Eaux et Forêts (ENGREF), Paris, 315 pp. Plaza C. (Décembre 2006- Mars 2007), Etude socio-économique dans les zones d'intervention d'Action Contre la Faim, Territoires de Fizi et Uvira, Sud-Kivu, République Démocratique du Congo, Action Contre la Faim (ACF), Mission RDC, Sud-Kivu, financée par Department For International Development (DFID). Plouffe D., Bourgeois G., Lepage M-P., 2012. Les modèles bioclimatiques utilisés en agriculture, Colloque en agro climatologie, CRAAQ. Putman J. & Dyke P., 1987. The Erosion-Productivity Impact Calculator as formulated for the Resource Conservation Act Appraisal. New York, U.S. Department of Agriculture, Natural ResourceEconomics Division, Economic Research Service. RD Congo, Ministère de l'Agriculture et du Développement Rural - Secrétariat Général de l'Agriculture, Pêche et Elevage, Décembre 2013. Stratégie Nationale de Développement de la Riziculture (SNDR). République Démocratique du Congo, 28 avril - 14 mai 2015. Programme Intégré de Croissance Agricole dans la Région des Grands Lacs : Projet Régional - Mission de Préparation Technique. République Démocratique du Congo, juillet 2006. Document de la Stratégie de Croissance et de Réduction de la Pauvreté de seconde génération (DSCRP), Ministère du Plan. République Démocratique du Congo. Ministère de l'Agriculture, 2008. Projet de loi portant Code Agricole, Kinshasa. République Démocratique du Congo. Ministère de l'Agriculture, Pêche et Elevage, Avril 2009. Note de Politique Agricole. République Démocratique du Congo-Institut National de la Statistique, Septembre 2014.Résultats de l'enquête sur l'emploi, le secteur informel et sur la consommation des ménages/2012 : Rapport final, Ministère du Plan et Suivi de la mise en oeuvre de la révolution de la modernité. Rody F. & Xanthoulis D., 2005. Analyse de sensibilité du modèle mathématique « Erosion-Productivity Impact Calculator » (EPIC) par l'approche One-Factor-At-A-Time (OAT). B-5030 Gembloux, Belgique. Volume 9, n°3. Sharpley A. N. &VilliamsJ.R.,1990. EPIC--Erosion/Productivity Impact Calculator: 1. Model Documentation. U.S. Department of Agriculture Technical Bulletin No. 1768. 235 pp. Stephany D., 2003. Développement durable et performance de l'entreprise. Bâtir l'entreprise DD, Ed. Liaisons sociales, Paris, 265 p. Tajani M., Douira A., El Haloui N., Benkirane R., 1997. Impact of fertilization on disease development and yield components. In J. Chataigner (Ed.), Maladies du riz en région méditerranéenne et lespossibilités d'amélioration de sa résistance, 15: 95-99. Montpellier: CIHEAM. United Nations Framework Convention on Climate Change, 2013. Supports de formation du GCE pour l'évaluation de la vulnérabilité et del'adaptation. Vicien C., 1989. Les modèles de simulation comme outil pourla construction de fonctions de production: une application à la mesurede l'efficacité de la production agricole. Série Thèses et Masters n°6.Montpellier, Institut Agronomique Méditerranéen. Vicien C., 1991. Les modèles de simulation comme fonctions de production. In : Économie rurale n°204, pp. 46-50;doi, https://doi.org/10.3406/ecoru.1991.4217 https://www.persee.fr/doc/ecoru_0013-0559_1991_num_204_1_4217. Witzke H-P., Frank S., Zimmermann A., Havlík P. & Ciaian P., August 2014. Climate change impacts on European agriculture: a multi model perspective, Paper prepared for presentation at the EAAE 2014 Congress, «Agri-Food and Rural Innovations for Healthier, Societies», Ljubljana, Slovenia. Xianzeng N., William E., Cynthia J., Allyson J., Linda M., 2008. Reliability and input-data induced uncertainty of the EPIC model to estimate climate change impact on sorghum yields in the U.S. Great Plains. In Agriculture, Ecosystems and Environment. N° 129 (2009) 268-276. www.elsevier.com/locate/agee. Zahm F. & Mouchet C., 2013. De la Responsabilité Sociétale d'une exploitation agricole à la mesure de sa Performance Globale. Revue de la littérature et application avec la méthode IDEA, Économie etinstitution. Zahm F., 2011. De l'évaluation de la performance globale d'une exploitation agricole à l'évaluation de la politique publique agro-environnementale de la Politique Agricole Commune. Une approche par les indicateurs agro-environnementaux, Thèse en économie de l'agriculture et des ressources, Université Européenne de Bretagne et Agro campus-Ouest, Rennes. Zahm F., Alonso A., Del'Homme B., 2013. L'évaluation de la performance globale d'une exploitation agricole. Synthèse des cadres conceptuels, des outils de mesure et application avec la méthode IDEA. 8ème Congrès du RIODD, Jun 2013, Lille, France. 32 p., <hal-00862865> Zahm F., Alonso A., Del'Homme B., Barbier J-M., Boureau H., Gafsi M., Gasselin P., Girard S., Guichard L., Loyce C., Manneville V., Menet A. & Redlingshöfer, 2017. Evaluer la performance globale d'une exploitation agricole à partir d'un cadre conceptuel mobilisant les propriétés de la durabilité en agriculture - La méthode IDEA version 4. Programme des rencontres interrégionales 2017 des Directeurs d'exploitation agricole (DEA) - Directeurs d'ateliers technologiques (DAT), référents Enseigner à produire autrement (EPA), Tiers Temps et chefs de projet du Grand Sud. Zahm F., Ugaglia A., Barbier J-M, Boureau H.; Del'homme B., Gafsi M., Gasselin P., Girard S., Guichard L., Loyce C., Manneville V., Menet A., Redlingshöfer B., octobre 2017. Evaluer la performance globale d'une exploitation agricole à partir d'un cadre conceptuel mobilisant les propriétés de la durabilité en agriculture : La méthode IDEA version 4, Programme des rencontres interrégionales 2017 des Directeurs d'exploitation agricole (DEA)-Directeurs d'ateliers technologiques (DAT), référents Enseigner à produire autrement (EPA), Tiers Temps et chefs de projet du Grand Sud. |
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
