Memoire Online - L'analyse de chaine de valeur dans la filiere soja dans le territoire de kabare:cas de groupement de Bushumba

Dans notre étude, nous allons utiliser un test unilatéral supérieur pour tester si la moyenne de revenus mensuels est supérieure à la moyenne de dépenses mensuelles des ménages des acteurs.

Si la valeur de Z calculée est supérieure à la valeur de Z critique pour 0,005 (á =5%)

Hypothèse initiale (hypothèse nulle H₀) : la moyenne des dépenses mensuelles de ménages des acteurs est égale à la moyenne du revenu mensuel des acteurs ;

Hypothèse alternative (H₁) : la moyenne des dépenses mensuelles de ménages des acteurs est supérieure à la moyenne du revenu mensuel des acteurs.

Calcul des variances des distributions de dépenses mensuelles et du revenu mensuel de ménage d'un acteur :

Soit

: la variance des dépenses mensuelles et

: la variance de revenu mensuel :

Comme Z= -56,6

z_c= +1,645, alors H₀: est acceptée et nous rejetons l'hypothèse alternative (H₁) selon laquelle la moyenne des dépenses mensuelles des acteurs est supérieure à la moyenne de revenu mensuel des acteurs.

III.3.1. Les déterminants de la production de soja à Bushumba

Plusieurs facteurs déterminent la production de soja dans le groupement de Bushumba. Pour analyser les déterminants de cette production des sojas, nous allons procéder par l'approche économétrique. Ainsi, nous allons élaborer un modèle économétrique des déterminants de la production de soja dans ce lieu d'étude en nous servant des observations sur les 36 producteurs enquêtes qui ont faits partir de notre échantillon d'étude de recherche.

La variable expliquée de notre modèle est la production que nous avons codée PRODU. C'est une variable quantitative, elle représente le niveau de production de chaque producteur que nous avons eu à enquêter. La production c'est un résultat d'une activité quel qu'on que.

Les variables exogènes de notre modèle sont liés aux caractéristiques de chaque producteur. Elles influencent positivement ou négativement le niveau de production. Dans notre modèle, nous avons retenu les variables exogènes suivantes :

1. L'âge du producteur (AGE) : c'est une variable quantitative qui peut influer sur le niveau de production d'autant plus que nous estimons dans le groupement de Bushumba les facteurs âge est très capital du fait que pour la production de soja la majorité ont mois de 50ans ce qui influence une augmentation de la production. C'est cette influence présumée de l'âge sur le niveau de production qui nous a poussés à intégrer cette variable dans notre modèle

2. Le sexe du producteur (SEXE) : Le sexe féminin (femmes) sont de plus en plus beaucoup implique dans la production de soja car elles sont bien expérimenter que les hommes.Cette variable prend les modalités suivantes : 1 pour les hommes et 0 pour les femmes car ce sont les femmes qui sont plus présentes entant qu'acteurs de la production.

3. Etat civil (ETCIL) : Elle une variable quantitative et dichotomique qui analyse l'Etat civil de producteurs. La production de soja est à majorité cultivé par les femmes mariées au détriment des divorcés ou célibataire ce qui fait que ce sont eux qui sont à la base d'une forte augmentation de la production. Elle prend la valeur 1 s'ils sont marié et 0 s'ils ne les sont pas.

4. Le niveau d'études (NIVET) : l'intégration de cette variable dans notre modèle se justifie par le fait que nous supposons que les beaucoup d'individus enquêtés sont non instruits. Cette variable prend les valeurs suivantes : 1 s'il n'a pas étudié, 0 si l'individu à étudier.

5. Activité secondaire (ACTISECO) :Elle une variable quantitative et dichotomique qui si l'activité agricole est plus rentable que d'autres. Elle prend les valeurs suivant : 1 s'il y a activité secondaire et 0 si non.

6. Pluie abondante (PLUAB) : l'intégration de cette variable dans notre modelé se justifie par la fait que nous supposons que s'il y a pluie en abondance il y aura une augmentation de la production. Cette variable prend les valeurs suivant : 1 s'il y a pluie en abondance, 0 le contraire

7. La superficie (SUPE) : c'est le nombre d'hectares sur lesquelles l'agriculteur effectue ses activités. La superficie dépend d'un producteur à un autre et influe positivement sur le niveau de production. Elle prend la valeur : 1 s'il cultive plus d'un ha et 0 si non

8. Technique agricole (TECAGRI) : l'intégration de cette variable dans notre modèle peut être justifiée par le fait que les producteurs qui utilisent les techniques agricoles améliorées peuvent voir leur production augmentée contrairement à ceux qui ne les utilisent pas. Cette variable peut prendre deux modalités : 1 si les producteurs utilisent les techniques agricoles améliorées et 0 dans le cas contraire.

9. Utilisation d'engrais (UTENG) : c'est une variable qualitative qui peut influencer le niveau de production d'autant plus que nous estimons que les individus qui utilisent des engrais augmentent leur niveau de productivité. Cette variable prend les modalités suivantes : 1 pour les producteurs qui utilisent les engrais et 0 pour ceux qui n'utilisent pas les engrais.

10. Fertilité de sol (FESO): c'est une variable aussi qualitative qui peut aussi impacter le niveau de production d'une manière positive ou négative. Elle prend les modalités suivantes : 1 si le sol est fertile et 0 si le s'il n'est pas fertile.

11. Innovation technique (INNOTEC) : c'est une variable qualitative qui joue un rôle très spécifique pour l'augmentation de la production. Elle prend les modalités suivantes : 1 s'il y a innovation technique et 0 le contraire

12. La destination de la production (DESTPRO) : la production de soja dans le groupement de Bushumba prend deux destinations selon les motifs majeurs pour lesquels les agriculteurs produisent : soit l'autoconsommation, soit la commercialisation, la variable DESTPRO prend deux modalités : 1 pour l'autoconsommation et 0 pour la commercialisation

13. Financement de l'activité agricole (FINAGRI) : c'est une variable quantitative qui mesure le taux de financement des activités agricoles. Elle prend les modalités suivantes : 1 si l'activité est financé et 0 si le s'il n'est pas financé.

14. Coût de la main-d'oeuvre (CMO) : elle est une variable qualitative et dichotomique qui mesure les dépenses en termes de coûts engagés par l'agriculteur pour financer son activité. Elle prend la valeur 1 coût main-d'oeuvre très élevé et 0 si faible

15. Membre d'une association (MEASSO) : elle est une variable qualitative et dichotomique qui analyse le degré d'appartenance dans un groupe ou syndicat.Elle prend la valeur 1 s'il appartient dans un syndicat et 0 si non

16. Revenu agricole (REVAGRI) : tout travail doit procurer un revenu satisfaisant au travailleur pour l'encourager à travailler d'avantage, chez le producteur aussi c'est la même chose. Cette variable prend les valeurs suivantes : 1 si le producteur suppose que le revenu est satisfaisant et 0 dans le cas contraire.

Notre modèle des déterminants de la production des ananas à Bushumba se présente sous forme fonctionnelle de la manière suivante :

En intégrant les coefficients et les signes, nous avons la formulation suivante :

Avec

les différents coefficients des variables exogènes et

le terme aléatoire.

Les résultats économétriques de notre modèle ont été obtenus par le biais du logiciel SPSS 18.0. L'interprétation de ces résultats quant à ce qui concerne la significativité des variables et du modèle sera faite sur base des probabilités critiques liées aux t-statistic (Statistique de Student pour les tests individuels). Ces probabilités critiques seront chaque fois comparées au seuil de signification de 5% pour prendre la décision.

Les résultats économétriques de la première régression que nous avons faite en intégrant tout les variables de notre modelé se présente comme suit :


Modèle		R	R-deux	R-deux ajusté	Erreur standard de l'estimation	Changement dans les statistiques
						Variation de R-deux	Variation de F	ddl1	ddl2	Sig. Variation de F
dimension0	1	,994^a	,989	,930	,0704912	,989	16,825	16	3	,020
Source : nostraitements à l'aide du logiciel SPSS 18.0

Il ressort de ce tableau que les variables indépendantes retenues expliquent la production à 98,9% est le pouvoir explicatif du modèle. En outre, le modèle est globalement significatif à 5%.


Modèle		Coefficients non standardisés		Coefficients standardisés	t	Sig.
Modèle		PRODU	Erreur standard	Bêta	t	Sig.
1	(Constante)	,713	,308		2,316	,103
	AGE	-,013	,002	-,511	-5,825	,010
	SEXE	1,054	,155	1,755	6,815	,006
	ETCIL	,600	,086	,923	6,950	,006
	NIVET	,001	,052	,001	,015	,989
	ACTISECO	-,200	,053	-,333	-3,803	,032
	PLUAB	-,210	,083	-,396	-2,542	,085
	SUPE	-,338	,091	-,567	-3,701	,034
	TECAGRI	,131	,134	,110	,983	,398
	UTENG	,684	,055	1,255	12,344	,001
	FESO	-,517	,111	-,597	-4,646	,019
	INNOTEC	,154	,087	,257	1,772	,174
	DESTRO	,197	,135	,228	1,461	,240
	FINAGRI	-,002	,129	-,002	-,012	,991
	CMO	1,223	,172	1,411	7,095	,006
	MEASE	-,882	,216	-,740	-4,080	,027
	REVAGRI	-,103	,093	-,087	-1,117	,345
Source : nostraitements à l'aide du logiciel SPSS 18.0

Il ressort de ce tableau d'estimation des paramètres que la majorité des paramètres est significative à 5% : l'AGE avec un seuil de significativité de 1% influe négativement la production de 0,13Kg par tranche d'âge parce que plus l'âge est avance plus la production à tendance à diminuer, leSEXE avec un seuil de significativité de 0,6% influe positivement la production de 1,054Kg et les femmes produisent beaucoup plus que les hommes, l'ETCIL avec un seuil de significativité de 0,6% influe positivement la production de 0,6Kg et les mariés produisent plus que les célibataires, l'ACTISECO avec un seuil de significativité de 3,2% influent négativement la production de 0,2Kg, laSUPE avec un seuil de significativité de 3,4% influe négativement la production de 0,33Kg s'il cultive moins d'un hectare, l'UTENG avec un seuil de significativité de 0,01% influe positivement la production de 0,684Kg s'il n'utilisent pas d'engrais chimiques, la FESO avec un seuil de significativité de 1,9% influe négativement la production de 0,517Kg si la terre est infertile, le CMO avec un seuil de significativité de 0,06% influe positivement la production de 1,223Kg si la main d'oeuvre est élevée et Le MEASSO des cultivateurs avec un seuil de significativité de 2,7% influe négativement la production de 0,882Kg s'il n'appartient pas à un syndicat.

L'analyse de chaine de valeur dans la filiere soja dans le territoire de kabare:cas de groupement de Bushumba

III.3. Test unilatéral supérieur

III.3.1. Les déterminants de la production de soja à Bushumba