II.2.4. Estimer les déterminants de la
performance économique des systèmes AB du MC
Autres amortissements
Amortissement améliorations foncières
Amortissement matériel
Dans la dernière partie de ce travail, nous nous
proposons, au-delà de l'analyse des surplus de productivité et de
la répartition de ce surplus de rechercher les déterminants des
gains de productivité. L'idée est de chercher dans la structure,
les pratiques techniques et le fonctionnement des exploitations, les
éléments, qui permettent d'expliquer l'obtention de surplus de
productivité positifs ou négatifs. Pour cela, nous nous servons
des outils économétriques, nous proposons un modèle dans
lequel le SPG est la variable expliquée.
Le SPG peut être lié à des
améliorations technologiques, une meilleure allocation des ressources
(efficience), des économies d'échelle ou encore un changement
dans l'ensemble des biens produits par
25
l'entreprise (Arocena et al., 2011). Plus
spécifiquement, il peut s'expliquer par 7 facteurs : (1) les variations
des prix des produits, (2) les variations des prix des intrants, (3) le
progrès technique, (4) les gains d'efficience, (5) des économies
d'échelle, (6) une amélioration de l'utilisation des intrants et
(7) une amélioration de la combinaison des produits
(Grifell-Tatjé et Lovell 1999, 2008 ; De witte et Saal, 2010). Le calcul
du SPG ayant nécessité l'utilisation des prix et des volumes de
tous les produits et de tous les intrants, ces variables ne peuvent donc pas
être utilisées directement dans l'analyse
économétrique. D'où, il nous faut trouver des variables
qui n'entrent pas dans le calcul direct du SPG et qui permettent d'exprimer,
l'efficience ou une meilleure allocation des ressources, l'économie
d'échelle, et la diversité dans l'offre de produits des
exploitations.
La méthode d'estimation que nous choisissons est la
semiparametric maximum likelihood (SML). Elle permet d'obtenir un estimateur
pour les modèles de choix discrets qui ne fait aucune hypothèse
concernant la forme fonctionnelle de la fonction de probabilité de
choix. Il est démontré que l'estimateur est cohérent et
asymptotiquement normalement distribué. Les pertes d'efficacité
de l'estimateur sont faibles par rapport à l'estimateur du maximum de
vraisemblance lorsque la distribution des erreurs est connue. De plus, quand on
a un échantillon de petite taille, l'estimateur garde de bonnes
propriétés (Klein and Spady, 1993).
Nous voulons estimer un modèle où le SPG, la
variable à expliquer est transformée en variable binaire. Elle
prend les valeurs 0 quand le SPG est négatif, c'est-à-dire quand
il n'y a pas de gains de productivité et 1 quand il est positif, quand
il y a gain de productivité. Nous allons appliquer cette méthode
à 232 exploitations-années sur les 290 parce que le SPG a
été calculé de 2014 à 2018, l'année 2014
étant l'année de base, le SPG y est égal à 0 alors
elle a été enlevée de l'analyse. Le modèle à
estimer est de la forme suivante :
?? = {1 ???? ??(??; è0) = u0,
0 ???? ??????
Où ?? (..;..) est une fonction connue, ?? est un
vecteur de variables exogènes, (è0) un vecteur de
paramètres et u0 le terme d'erreurs.
Les variables explicatives choisies (x) et leurs
définitions sont présentées dans le tableau 4. Sachant
qu'il n'y a aucun consensus quant à la meilleure mesure de la taille en
agriculture, nous utilisons la taille du cheptel (UGBt) comme l'indicateur de
la taille des exploitations (Weersink et al., 1990). Pour le choix de la
variable de mesure de l'efficience technique, le recours à des facteurs
extérieurs à l'exploitation est souvent considéré
comme un déterminant de l'efficience technique (Latruffe, 2010). Pour
cela, nous utilisons la part de la main-d'oeuvre salariée dans la
main-d'oeuvre totale de l'exploitation et la part de main d'oeuvre familiale
dans la main d'oeuvre totale comme variable pour exprimer l'efficience
technique. Pour examiner l'effet de la spécialisation des exploitations
sur l'efficience technique, nous utilisons le degré de
spécialisation qui est la part du produit de l'atelier
26
principal dans le produit brut hors aide de l'exploitation.
Cette spécialisation peut se révéler
bénéfique à cet égard dans le sens où elle
permet aux exploitants de concentrer leur attention sur un petit nombre de
tâches et même évite une concurrence sur le facteur terre
(Bojnec et Latruffe, 2009).
|
Nom des variables
|
Définitions
|
|
inputmix_cc
|
Rapport entre les aliments concentrés achetés et
les aliments consommés totaux
|
MIX INPUT
|
|
inputmix_ttx
|
Rapport entre les aliments totaux achetés
(fourrages+concenrés+autres) et les
aliments
consommés totaux
|
|
Effic
|
Rapport entre le produit brut hors aides et les charges
variables
|
COST EFFICIENCY
EFFECT
|
|
Eff_fix
|
Rapport entre le produit brut hors aides et les charges fixes
(yc amort et f.fin.)
|
|
Output_mix
|
Le degré de spécialisation ou la contribution de
l'atelier principal dans le PB hors aides. Mesure le degré de
diversification de l'exploitation
|
COMBINAISON DES
PRODUITS
|
|
UGBt
|
La taille du cheptel (UGB)
|
ECONOMIES
D'ECHELLES
|
|
p_sal
|
Part du travail salarié dans le travail total
|
EFFICACITE
TECHNIQUE DE LA
MAIN D'OEUVRE
|
|
p_fam
|
Part du travail familial (bénévoles +
exploitants) dans le travail total
|
|
Type de production
|
5 variables binaires BL (1 si BL ;0 si non), BV (1 si BV ; 0
si non), OL (1 si OL ;0 si non), OV (1 si OV ;0 si non), CA (1 si CA ;0 si
non)
|
Variables de contrôle
|
Tableau 4 : Liste des variables et leurs définitions.
27
| 
