Adoption Des CES

5/9/2018 Adoption Des CES - slidepdf.com

http://slidepdf.com/reader/full/adoption-des-ces 1/16

1

Les Déterminants de l’Adoption des techniques de conservation des eaux et des

sols au Burkina Faso

JEL classification : C25 D24 Q31Papier d’exercice (Université de Ouagadougou UFR/SEG) Mai 2008

Akouwerabou B. Denis

RésuméL’effet du changement climatique sur l’agriculture des pays pauvres se manifeste par la perte

des rendements. Il existe des investissements agricoles capables de réduire le choc du

changement climatique. C’est l’exemple des techniques de Conservation des Eaux et des Sols

(CES). Dans le plateau central du Burkina Faso, le taux d’adoption des CES est faible

(39,4%). L’analyse descriptif montre que le facteur déterminant dans l’adoption des CES

semble être le statut foncier. Les résultats du modèle probit montrent qu'en plus du statut

foncier, le nombre d'enfants scolarisés et l'âge du chef du ménage influencent également

l'adoption des CES.Mots clefs : Changement climatique, rendements agricoles, investissements agricoles

Summary

The effect of the climate change on the agriculture of the poor countries appears by the loss of

the outputs. There exist agricultural investments able to reduce the shock of the climate

change. It is the example of the techniques of Conservation of Water and the Ground (CWG).

In the central plate of Burkina Faso, the rate of CWG’s adoption is weak (39,4%). The

descriptive analysis shows that the determining factor in the adoption of CWG seems to be the

land statute. The results of the probit model show that in addition to the land statute, the

number of children enrolled into school and the age of the chief of the household alsoinfluence the adoption of the CWG.

Key words Climatic change, agricultural outputs, and agricultural investments

I. IntroductionLes preuves scientifiques de la gravité du changement climatique pour l’agriculture sont

désormais sans ambiguïté. L’élévation des températures moyennes, les sècheresses et les

inondations entraînent des pertes de productivité des cultures et de l’élevage. Ainsi, dans les

pays pauvres où l’agriculture est encore tributaire de la pluviométrie, il est très difficile de

prévoir la production agricole tant celle-ci est fonction des aléas climatiques.

Les populations pauvres sont plus vulnérables aux effets du changement climatique en raison

de leur dépendance vis-à-vis de l’agriculture et de leur faible capacité d’adaptation. Dans

certaines régions, les agriculteurs cultivent déjà des variétés dont les cycles de production ont

été modifiés et adapter à la longueur de la saison pluvieuse. Mais, dans les pays aux

ressources très limitées, une proportion importante d’agriculteurs ne pourra pas s’adapter au

changement climatique sans aide extérieure.

Ainsi, dans la majorité des pays au sud du Sahara, beaucoup de ces paysans percevant une

plus grande variabilité du climat n’ont pas changé leurs pratiques agricoles. Les obstacles à

l’adaptation varient, mais pour certains d’entre eux le principal semble être le manque de

ressources ou d’épargne.



2

Le changement climatique a des conséquences importantes pour l’agriculture avec pour effet

des pertes économiques et une vulnérabilité alimentaire. Il reste à savoir si les agriculteurs

burkinabè sont informés des conséquences de ce phénomène. Toujours est-il que les pertes

sévères de rendements agricoles sont imputables au changement climatique dans les régions

du plateau central déjà arides. Les rendements du maïs sont passés par exemple de 12%

environ en 1992 à 4,3% en 1998 (Ouédraogo, 2005). La combinaison du manque desressources en eau et la disponibilité de plus en plus limitée en terres arables (dans le plateau

central au Burkina Faso) entraîne des effets négatifs sur les potentiels agricoles.

Les études de vulnérabilité montrent que le changement climatique pourrait finalement miner

les efforts de promotion du développement durable en exacerbant les risques existants de

désertification, de pression sur les ressources hydriques et d’une production agricole en

difficulté. Face à cette menace potentiellement lourde, la problématique de réponse consiste

en deux stratégies d’adaptation capables de limiter les impacts des difficultés croissantes de

l’agriculture (Rosenberg, 1992) : d’un côté, résister aux modifications du climat (sous la

forme d’investissements pour freiner l’érosion des sols) et adapter les systèmes culturaux et

hydriques; de l’autre, organiser le retrait progressif de certaines cultures, face àl’inadaptabilité croissante à l’environnement bioclimatique. Très peu sont ces agriculteurs

burkinabè qui appliquent l’une ou l’autre de ces deux stratégies. Nombreux sont les facteurs

qui peuvent motiver l’adoption des nouvelles techniques de production. Ces facteurs peuvent

être d’ordre social, culturel ou économique. La préoccupation de la présente étude est

d’identifier les déterminants de l’investissement agricole d’adaptation au changement

climatique dans le plateau central au Burkina Faso.

Beaucoup d’initiatives ont été entreprises dans l’objectif de vulgariser et de promouvoir les

technologies susceptibles d’améliorer la productivité agricole. Sanders et al. (1990) notent

qu’en plus de la dégradation continue des terres, c’est surtout la réduction de la productivité

du travail dans le secteur agricole qui motive le Burkina Faso à chercher à promouvoir lesnouvelles techniques de production agricoles. Mais force est de constater le faible taux

d’adoption des nouvelles techniques agricoles par les paysans (Feder et al, 1985). La stratégie

la plus couramment adoptée pour maintenir la fertilité des sols consiste à appliquer la jachère.

Mais cette pratique trouve ses limites avec l’explosion démographique que connaissent les

pays au Sud du Sahara.

Mais, il est connu que l’amélioration des rendements agricoles est la seule alternative concrète

pour réaliser le progrès à court terme en matière de réduction de la pauvreté rurale et de

l’insécurité alimentaire. Des possibilités existent avec l’utilisation des intrants chimiques et

organiques, l’intégration de l’agriculture à l’élevage, l’utilisation de variétés plus productives

et la diversification des systèmes de culture. Cependant, le climat, l’état des terres et

l’accroissement de la population montrent que ces techniques de production ne peuvent

suffire pour réaliser de bonnes performances agricoles dans le plateau central. A ces stratégies

il faut nécessairement adjoindre les techniques de conservation des eaux et des sols (CES).

C’est dans cette perspective que se situe la présente étude qui cherche des réponses à la

question suivante : quelles sont les facteurs qui incitent à l’adoption des techniques à même de

permettre une intensification des systèmes de production agricoles dans le Plateau Central ?

L’objectif de cet article est de mettre à nu les déterminants de l’investissement d’adaptation

au changement climatique au Burkina Faso. Autrement il s’agit de rechercher les variables

(économiques où sociales) qui expliquent la décision d’investir pour l’adaptation au

changement climatique en zone agricole dans le plateau central du Burkina Faso. L’article

poursuit également l’objectif de formulation de recommandations de politiques économiquesafin d’inciter les agriculteurs à prévenir et à s’adapter au changement climatique.



3

Sous l’hypothèse d’un contrôle parfait de l’effet des autres facteurs, on s’attend à ce que la

motivation principale dans l’adoption des CES soit la sécurité foncière. Autrement, le statu

foncier est le facteur le plus déterminant dans l’adoption des CES, dans le plateau central du

Burkina Faso.

Les analyses et interprétations portent sur les tableaux croisés qui ont été conçus sur SPSS.Les données proviennent de la base de données GRN1

du CILSS2

collectées au Burkina Faso

en 2008. La dernière partie de l’article analyse les déterminants de l’adoption des techniques

agricoles à travers un modèle probit.

II. Les résultats théoriques et empiriquesDe nombreux chercheurs ont investi le rôle de déterminer les facteurs qui influencent les

décisions d’adoption. A cet effet, Jamison et al (1982) montrent que les raisons du faible taux

d’adoption des technologies agricoles sont à rechercher sous plusieurs angles. Les auteurs

dénombrent des facteurs d’ordre social, économique, technique et environnemental. Feder et

al. (1985) rappellent toute fois que les décisions d’adoption des technologies dépendentfortement des différences dans la diffusion de l’information. Dadi et al (2004), introduisent les

incitations économiques comme les prix des facteurs de production et des outputs comme

facteurs déterminants de l’adoption des technologies. Kebede et al (1993) furent les premiers

à souligner l’importance et le rôle des connaissances traditionnelles dans l’adoption des

nouvelles technologies. Eisemon et al (1988) préviennent que les déterminants de l’adoption

doivent être recherchés en considérant les ménages comme évoluant dans un environnement

socioéconomique à forte inter et intra influence. Knox et al (1999) attirent l’attention sur le

rôle des droits de propriété du foncier sur la décision d’adoption. Zoungrana en 2004, ajoute à

cette liste des facteurs sociaux comme la taille du ménage et l’âge du chef de ménage. A ces

facteurs on peut ajouter d’autres facteurs non moins importants. C’est l’exemple des

infrastructures, des risques commerciaux, de la main d’œuvre, de la richesse, et des règlescommunautaires.

Ainsi, la théorie de la diffusion de l’innovation proposée par Rogers en 1962, a identifié cinq

autres facteurs déterminants dans l’adoption ou la diffusion d’une nouvelle technologie. Il

s’agit de l’avantage relatif, la complexité, la compatibilité, la testabilité et l’observation.

Tornatzky et al (1982) notent que la compatibilité, les avantages relatifs et la complexité de la

technologie influencent davantage l’adoption de celle-ci. Cette thèse est soutenue par les

résultats de Davis et al (1989). A travers un modèle d’acceptation de la technologie, ces

auteurs découvrent deux facteurs d’ordre psychologique qui déterminent l’adoption d’une

technologie. Il s’agit de la perception de l’utilité et la perception de la facilité d’utilisation de

la technologie. Si la perception de l’utilité et la perception de la facilité de l’utilisationinfluencent l’attitude générale de l’utilisateur face à la technologie, la facilité d’utilisation

influence plus significativement l’adoption d’une technologie à travers l’auto efficacité et

l’instrumentalité (Davis et al, 1986). Selon Bandura (1982) et Lepper en 1985, l’efficacité est

l’un des facteurs principaux qui sous-tend la motivation intrinsèque d’un individu, et c’est ce

qui explique le lien direct entre la perception de la facilité d’utilisation et l’attitude. Enfin,

Davis et al (1989) montrent que l’intention d’utiliser un système et la perception de l’utilité,

ont un lien plus fort que celui entre l’intention et la perception de l’utilité d’utilisation. De ce

fait, la perception de l’utilité est l’élément qui influence le plus la décision d’utilisation d’une

technique.

1 Gestion des Ressources Naturelles (GRN).2 Commuté Inter-état de Lutte contre la Sécheresse au Sahel (CILSS).



4

Mais, selon la théorie de l’action raisonnée, l’attitude de l’individu face à une technique est

déterminée par ses croyances sur les conséquences de cette technique. Par ailleurs, l’intention

d’adopter une technique est déterminée par les normes subjectives, elles mêmes déterminées

par les croyances normatives de l’individu. Cette théorie postule en outre que tous les autres

facteurs qui influencent l’individu le font de manière indirecte, ce qui a un impact sur

l’attitude ou sur les normes subjectives.

Aussi, face à ce que l’on peut qualifier de désastre malthusien, Boserup (1965) a introduit la

théorie de la pression créatrice de la population. Selon l’auteur, lorsque la densité de la

population augmente, l’intensification agricole évolue dans le même sens, et cela n’accroît

pas seulement la production mais aussi stimule l’adoption des techniques de gestion des

terres. Ainsi, la pression démographique entraîne une réorganisation de la production agricole.

L’auteur laisse percevoir qu’une population clairsemée n’incite pas la société à changer le

système d’utilisation du sol. La croissance démographique joue donc un rôle moteur dans le

changement et l’adoption des techniques, c’est ce que l’auteur a appelé « pression créatrice ».

La littérature montre que la décision d’adoption est le résultat d’une combinaison de divers

facteurs (économiques, sociaux, environnementaux, psychologiques, etc.) La présente étude

essaye de tester la validité de l’effet de quelques uns de ces variables pour le cas du plateau

central du Burkina Faso.

Au Burkina Faso, la recherche sur les systèmes de production s’est particulièrement investie

dans les études diagnostiques (identification des contraintes physiques, sociales et

économiques des systèmes de production agricoles), l’évaluation, le transfert des technologies

et les études des conditions de leur adoption. De nombreuses technologies «dites performantes

» ont été recommandées à la vulgarisation, aux ONG et aux organisations paysannes.

Plusieurs programmes et projets de développement, visant à améliorer la situation agricole et

alimentaire, ont été mis en place. Le constat est que les résultats sont restés très souvent en

deçà de ceux escomptés (Ouédraogo, 2005). La question est alors de savoir si les facteurs

déterminants dans la décision d’adoption des ménages agricoles ont été identifiés.

III. Les déterminants des investissements agricolesLa protection et la restauration des terres arides, sont devenues une nécessité afin d’accroître

les espaces cultivables du monde rural. La dégradation des sols est due principalement à

l’érosion éolienne et au ruissellement des eaux de pluie. En plus de ces deux phénomènes, les

systèmes d’exploitation agricoles sont de véritables sources de dégradation des ressources

environnementales. C’est l’exemple des cultures sur brûlis, l’extension des superficies

cultivées qui engendrent un défrichement exagéré des forêts. La suite de l’article essaye de

lier l’adoption des CES aux caractéristiques susceptibles d’influencer la décision des ménages

agricoles.

III.1. Le statut foncier

Knox et al (1999) montrent que la détention des droits de propriété est un facteur déterminant

de l’adoption d’une technologie visant à améliorer la productivité agricole. Les droits de

propriété sont perçus non seulement comme étant l’appropriation des ressources

conformément aux lois du pays, mais aussi une variété de droits issus du droit coutumier et

des usages locaux. Ces auteurs estiment que l’absence de ces droits décourage la conservation

de l’environnement. Enfin, Barbier (1990) montre que la détention des droits de propriété

influence de façon significative la décision des agriculteurs à investir dans le contrôle des solsperdus ou en dégradation.



5

Le Burkina Faso doit, pour nourrir sa population qui ne cesse d’augmenter ou pour exploiter

les avantages liés au commerce extérieur des produits agricoles effectuer des investissements

dans les terres. Les paysans ne seront guère disposés à investir si leurs droits fonciers ne sont

pas sécurisés. En fait, le premier avantage facilement mesurable de la sécurité des droits

fonciers est qu’elle incite les exploitants à investir davantage (Dialla, 2003). A en croire les

propos de l’auteur, plus le paysan est propriétaire de la terre mieux il est disposé à investirdans son exploitation. Le tableau n°1 montre que sur deux cent cinquante deux (252) ménages

agricoles, 92,5% sont des propriétaires terriens. On s’attendrait alors à ce que le taux

d’adoption soit très élevé. Le statut foncier est constitué des propriétaires (regroupant

également l’héritage et le don) et la possession des droits d’exploitation de la terre par le prêt

(7,5%).

Au total quatre vingt huit (88) ont adopté les CES et 97,7% de ceux qui les ont adopté sont

des propriétaires terriens (tableau n°1). Ces résultats semblent soutenir l’idée selon laquelle le

statut foncier « propriétaire » est déterminant dans la décision d’investir. Cela est d’autant

plus exact que seul 10,52% des non propriétaires ont investi en CES. Ce résultat

s’expliquerait par le fait que : lorsqu’un propriétaire terrien se rend compte que l’emprunteurde sa terre est entrain d’investir, il anticipe que ce dernier a des intensions d’exploitation sur

le long terme, voir même devenir propriétaire de part son investissement. Dans ces conditions

deux situations sont possibles. Soit il retire les droits d’utilisation de façon précoce si

l’emprunteur consent ; ou les deux se retrouvent dans une situation conflictuelle. Dans la

majeure partie des cas, anticipant ce comportement du prêteur, l’emprunteur évite souvent de

réaliser des investissements sur les terrains.

Les statistiques montrent ici l’un des problèmes majeurs de l’agriculture burkinabè. Dans le

plateau central où les terres sont arides et moins propices à l’agriculture, on constate que seul

36,9% des ménages propriétaires terriens ont réalisé un investissement de soutien à la

production agricole. De ce fait, les rendements agricoles ne peuvent que baisser vu la pression

incessante de perdre le droit d’exploitation qui pèse sur les paysans non propriétaires terriens.Ortiz (1980) soutient néanmoins que la réticence des paysans à adopter les innovations n’est

pas due à un comportement non rationnel, mais à leur désir de maximiser leur sécurité en

minimisant leur risque. Les risques liés aux prix ou à l’instabilité de la pluviométrie sont ceux

qui affectent la confiance des paysans dans le court terme. A cela s’ajoutent les risques liés à

l’insécurité de la détention des terres et à l’appropriation du capital qui affectent la confiance

dans le long terme.

Tableau n°1

Tableau croisé Statut foncier * CES

Effectif

40 18 15 2 2 124 201

1 1

7 2 22 31

2 17 19

49 18 17 2 2 164 252

Propriétaire

héritage

don

prêt

Statut

foncier

Total

cordons

pierreux zaï

zaï et cordons

pierreux

bande

enherbée

cordons zaï

et bande

enherbée non

CES

Total

Source : construit par l’auteur

III.2. L’effet revenu

L’adoption des techniques de production agricole est aussi soumise à l’influence des risques

environnementaux et commerciaux. Les exploitants à faibles revenus sont peu motivés à

prendre des risques et hésitent souvent à adopter de nouvelles technologies parce qu’ils



6

manquent de revenu et des circuits de commercialisation stables. Kebede (1993) s’accorde

avec cette notion de risque comme facteur influençant l’adoption de technologies agricoles.

Ainsi, les réactions des paysans au développement des stratégies sont, en partie, expliquées en

termes de comportement de prise de risques. L’auteur ajoute que dans leur sélection des

méthodes alternatives de réduction du risque, les ménages exhibent des degrés variés de

comportements de prise de risques. L’auteur aboutit au fait que le comportement adverse aurisque des producteurs réduit la probabilité d’adoption des nouvelles technologies. Clay et al

(1998) montrent qu’un grand risque conduit les paysans à baisser l’investissement dans la

conservation des sols. Leur conclusion commune est que le revenu est étroitement lié au

pouvoir et aux droits de propriété sur les ressources naturelles, ce qui affecte l’adoption des

technologies agricoles. Aussi, les agriculteurs nantis attachent une valeur accrue aux bénéfices

à moyen et long terme que l’investissement technologique est susceptible de leur procurer

(Knox et al, 1999).

Le tableau n°2 expose les résultats sur l’adoption des CES en fonction du niveau de revenu.

Les agriculteurs sont repartis en cinq grands groupes selon le niveau de revenu. Les données

du tableau semblent confirmer les prédictions théoriques et les résultats empiriques énoncés

plus haut. Le taux relatif d’adoption des CES par intervalle de revenu s’élève à mesure quel’on va vers des intervalles de revenus élevés. Le taux moyen absolu d’adoption des CES est

de 35,35%. Seuls les taux relatifs d’adoption des trois dernières classes de revenus sont

proches de ce taux absolu. Les taux relatifs des classes de revenu faible sont inferieurs à ce

taux absolu, de sorte que le plus proche est celui de la deuxième classe de revenu (25%)

relégué à plus de dix (10) points du taux absolu.

Tableau n°2 Tableau croisé revenu annuel*CES CES Total Taux

d’adoption

%

Cordons

pierreux

zaï zaï et

Cordons

pierreux

bande

enherbée

Cordons zaï et

bande enherbée

non

Niveau

de

revenu

du

ménage

en FCF

Total

[0 ; 55 000]

] à 120 000]

] à 250 000

] à 325 000

] à 3 200 000

4

13

13

4

6

40

5

3

4

3

15

2

4

5

6

17

2

2

2

2

34

26

46

14

16

139

45

48

70

21

28

215

24,44

25

34,29

33,33

42,86

35,35


Les taux d’adoption dans les classes à bas revenu ne sont pas pour autant très faibles. On

pourrait penser à certains facteurs comme l’action collective comme paramètre explicatif de

ce résultat. Considérée comme un dispositif de répartition du risque, l’action collective peut

être une alternative plausible d’explication de la décision d’adoption au sein des paysans

pauvres. Les producteurs agricoles traditionnels sont réputés pour leur solidarité réciproque.

Cette solidarité se manifeste à travers l’entraide. Cette initiative contribue à la diminution des

charges et des craintes d’insécurité liées au besoin de survie ce qui atténue les obstacles à

l’adoption des CES. L’action collective permet ainsi de rééquilibrer la distribution des gains

provenant de l’exploitation du capital naturel de production agricole en facilitant l’adoption

des technologies plus avancées qui exigent de gros investissements. A défaut de l’action

collective, certains auteurs pensent que la disponibilité interne de main-d’œuvre peut

constituer un moyen pour contourner le manque de solidarité inter-ménage.



7

III.3. La disponibilité de la main-d’œuvre agricole

L’adoption des techniques de conservation des eaux et des sols est aussi déterminée par la

disponibilité de la main-d’œuvre. En fait, chacune des techniques de conservation des eaux et

des sols exige une quantité importante de main-d’œuvre pour sa réalisation. Un faible niveau

de main-d’œuvre agricole interne lié aux difficultés résultant de l’offre de main-d’œuvre

agricole, sont des obstacles à l’adoption des CES. Cette contrainte est tout aussi absoluenotamment quand la réalisation de ces investissements de production coïncide avec les

périodes de pointes saisonnières d’autres activités agricoles.

En regroupant les ménages selon le nombre d’actifs3, le tableau n°3 révèle qu’à la moyenne

de quinze actifs sur l’étendue de l’échantillon le constat est le suivant. Les ménages de moins

de quinze actifs ont un taux relatif d’adoption de 32,88% alors que ceux qui ont au moins

quinze actifs ont un taux relatif d’adoption de 48,27%. Par conséquent l’adoption des CES est

liée positivement au nombre d’actifs du ménage.

Tableau n°3

Tableau croisé Nombre d'actifs * CES

Effectif

1 1

5 5

3 2 4 9

5 2 21 28

6 3 31 40

6 4 4 25 39

7 1 4 20 32

2 2 1 15 20

1 12 13

2 3 1 1 9 16

1 2 1 3 7

3 1 3 73 3

1 1 2

3 1 2 6

1 1 3 5

1 1 2

1 1

1 3 4

1 1

3 1 4

1 1

1 1

1 1

1 1 2

1 1

48 18 17 2 2 164 251

1

2

3

4

5

6

7

8

9

10

11

1213

14

15

16

17

18

20

21

22

23

25

26

28

29

Nombre

d'actifs

Total

cordons

pierreux zaï

zaï et cordons

pierreux

bande

enherbée

cordons zaï

et bande

enherbée non

CES

Total


Après ces investigations, l’on peut se demander s’il n’existe pas un lien significatif entre le

niveau d’éducation du chef de ménage et la décision d’adoption.

III.4. L’effet de l’instruction

A travers sa capacité de constitution du capital humain, beaucoup pensent que le niveau

d’éducation joue sur la décision d’investissement en milieu rurale. Kini (2007) note cependant

que le niveau d’éducation n’est pas corrélé avec la décision d’adoption et qu’il n’est pas

nécessaire de le considérer comme déterminant de l’adoption. L’auteur note que dans

l’ensemble du plateau central, le niveau d’éducation est corrélé en moyenne à 12,7% à la

3 Actif est ici utilisé en opposition à l’inactif (c'est-à-dire les membres qui ne peuvent contribuer par leur force de

travail à la production agricole, soit par l’effet de l’âge ou d’une invalidité quelconque).



8

décision d’adoption, alors qu’un coefficient de corrélation d’au moins 14% était nécessaire.

Les statistiques du tableau n°4 semblent soutenir les propos de l’auteur. Sur les quatre vingt

huit (88) exploitants qui adoptent les CES, 72,73% n’ont jamais été à l’école ni profiter

d’aucune formation. Les paysans qui ont bénéficié de la formation à l’école rurale ne

représentent que 4,54% des adoptants alors qu’au total 7,14% des chefs d’exploitation ont

fréquenté l’école rurale. Aussi au nombre des vingt trois (23) chefs d’exploitation qui ontfréquenté l’école classique, seul huit soit 34,78% d’entre eux ont adopté les CES.

Tableau n°4 :

Tableau croisé Niveau d'instruction * CES

Effectif

34 15 12 2 1 124 188

6 1 12 19

1 3 4

3 2 1 11 172 4 6

3 1 14 18

49 18 17 2 2 164 252

non

primaire

secondaire

école coraniquealphabétisation

école rurale

Niveau

d'instruction

Total

cordons

pierreux zaï

zaï et cordons

pierreux

bande

enherbée

cordons zaï

et bande

enherbée non

CES

Total


IV. La synthèse des résultats descriptifsL’analyse des tableaux croisés montre que le test de l’influence des variables socio-

économiques et démographiques sur la décision d’adoption semble être significatif. Le statut

foncier ‘propriétaire’ joue un rôle déterminant dans l’adoption des CES ; tout comme le

revenu annuel, la main-d’œuvre et la superficie. Le résultat portant sur la significativité du

statut foncier ‘propriétaire’ reste à vérifier lorsque que l’on sait qu’il est le plus dominant(92,5%). Il n’est alors pas surprenant que 97,72% des adoptants soit de cette catégorie.

Il existe par ailleurs des cas4

d’indétermination où le sens de l’effet n’est pas déterminé à

l’avance. L’analyse des tableaux croisés ne permet pas d’affirmer avec rigueur que telle ou

telle variable influence la décision d’adoption. L’interprétation des résultats reste limitée par

le manque d’informations sur le poids, la significativité et le sens de l’effet des variables sur

la décision d’adoption.

Aussi, le test d’indépendance (tableau n°55) du khi-deux montre que la décision d’adoption

des CES est liée aux variables niveau d’éducation du chef de ménage et statut foncier à 5%.

Au seuil de 10% la variable CES est également dépendante du niveau de la main-d’œuvre

interne du ménage. Mais, la dépendance ne donne pas non plus l’effet net des variables sur la

décision d’adoption.

Pour se soustraire de cette limite, il est nécessaire d’utiliser un modèle économétrique. Ce qui

est analysé dans cet article est l’effet des variables sur la décision d’adoption. Autrement dit

pour un ménage agricole donné, on essaye d’évaluer l’effet de ses caractéristiques propres sur

la probabilité d’adoption. Le modèle économétrique idoine serait un modèle de probabilité.

Cette analyse est menée à travers un modèle probit dans la section suivante.

4 Exemple : Cas du revenu (tableau n°2) et du nombre d’actif (tableau n°3)5 Confère annexe



9

V. Le modèleL’adoption des CES a pour objectif de protéger le capital naturel de production agricole et les

ressources naturelles en générale. Les CES jouent un rôle écologique très important et

contribuent à l’augmentation de la productivité agricole. Mais, les CES nécessitent également

des ressources importantes pour être mises en œuvre.

Les bénéfices d’usages directs ne sont pas suffisants pour traduire l’ensemble des bénéficesque les agriculteurs retirent des CES. Il peut exister d’autres facteurs non observables qui

influencent la décision. Ainsi, les déterminants de l’adoption des CES peuvent être difficiles à

identifier sur des caractéristiques socioéconomiques et démographiques isolées. L’adoption

peut être la résultante d’une multitude de variables.

L’analyse des données montrent que 34,92% des ménages enquêtés adoptent les CES. Le

terme CES regroupe toutes les techniques citées plus haut. Pour un agriculteur i pris au hasard

dans l’échantillon il peut y avoir deux cas, soit :

o il adopte ;

o ou il n’adopte pas.

On remarque alors que la réponse est dichotomique. En gardant à l’esprit que l’objectif del’article est de déterminer l’effet partiel de chaque variable dans la décision d’adoption ; on se

donne la variable dichotomique y comme le résultat de la décision de l’agriculteur :

1 '

0 ' '

i

i

y s il adopte

y s il n adopte pas

=

=

Il s’agit alors d’identifier l’effet des variables socioéconomiques sur la probabilité ( p ) que i y

prenne la valeur 1 ou la valeur 0. Par conséquent, c’est la probabilité que l’on cherche à

expliquer avec la condition que [ ]0,1 p ∈ .

Cette dernière contrainte oriente vers le choix d’un modèle probabiliste. Les modèles

probabilistes que l’on peut utiliser sont entre autres les modèles probit, logit et le modèle deprobabilité linéaire. Ce dernier modèle comporte cependant beaucoup d’insuffisances qui

altèrent sa capacité de prédiction. En plus du fait que le modèle ne garantit pas des

probabilités comprises dans l’intervalle [ ]0,1 , son terme de perturbation est hétéroscédastique

et non normale (R. Ouédraogo, 2003). Théoriquement, les modèles probit et logit conduisent à

des résultats semblables du point de vue analytique. Cependant, la considération de la somme

pondérée du carré des résidus conduit à privilégier le modèle probit (Amemiya, 1981 ; cité par

Point et al 1993).

Considérons deux agriculteurs i et j, dire que i j y y≥ revient à dire que le premier adopte et le

second n’adopte pas. On peut de façon conventionnelle écrire que i jCES CES≥ .

Soiti

x le vecteur colonne des facteurs qui influencent la décision d’adoption des CES on peut

écrire que :'

i i i iCES x β ε = + et '

j i j jCES x β ε = + où ε est un résidu lié aux autres facteurs

non maîtrisables et aux variables omises.

La probabilité pour qu’un agriculteur i adopte est ( 1)i p y = ce qui revient à :

( )i j

p CES CES≥ . En remplaçant les instruments par leurs valeurs respectives, on obtient la

relation suivante : ' '( 1) ( )i i i i i j j p y p x x β ε β ε = = + ≥ + .Par transformation (et en posant

( ) j

i β β β = − ainsi que ( )i j

ε ε ε = − − et considérant que la distribution est symétrique) on

aboutit au résultat :'( 1) ( )

i i p y F x β = = où (.)F est une fonction de répartition.



10

La définition de la variable montre qu’elle est une variable de Bernoulli. Par conséquent sa

fonction de probabilité est donnée par la relation :1( ) (1 )i i y y

i i i f y p p−

= − et comme

'( 1) ( )i i p y F x β = = on écrit que :

1' '( ) ( ) 1 ( )

ii

y y

i i i f y F x F x β β

−

= −

En considérant que la distribution du résidu est normale, on peut approcher la fonction de

répartition à celle de la loi normale centrée réduite (0,1) N . A l’échelle de la variable

binomiale qui s’étend sur la taille de l’échantillon on obtient la fonction de vraisemblance

(.) L suivante :1

' '( ) ( ) 1 ( )i

i y

yn

i i i L x x β π β β −

= Φ − Φ

Après la spécification fonctionnelle, il reste à identifier les variables socioéconomiques

exogènes c'est-à-dire les variables explicatives. Cette matrice comporte bien évidement des

variables culturelles, sociales et économiques. Cependant, l’article reste fidèle à vérifier

l’effet des variables identifiées plus haut sur la décision d’adoption.

V.1. Les variables

Les variables explicatives sont :

- Le statut foncier (sta_f) ; c’est une variable binaire qui prend la valeur 1 si le paysan est

propriétaire terrien et la valeur 0 s’il n’est pas propriétaire. La variable sta_f lorsqu’elle prend

la valeur 1 regroupe les statuts propriétaire, héritage, dons ou legs et la valeur 0 pour le statut

prêt . La variable sta_f est supposée influencer positivement la probabilité d’adoption.

- Le revenu total annuel (revtot). Il est supposé influencer positivement l’adoption des CES.

Cela s’explique par le fait que les ruraux qui ont un revenu relativement important peuvent

l’utiliser pour investir énormément dans l’agriculture. Ces derniers sont incités à réaliser de

grands investissements agricoles comme les CES afin de pérenniser leurs activités agricoles.

- Les actifs du ménage (mo). La main-d’œuvre représente un atout important dans l’adoptiondes CES. La réalisation des CES demande une main-d’œuvre très importante. Disposer d’une

main-d’œuvre importante dans le ménage influence donc positivement l’adoption des CES.

- Les agriculteurs qui ont bénéficié d’une instruction sont sensés anticiper la nécessité des

investissements d’adaptation au changement climatique. La variable, niveau d’éducation du

chef du ménage (ecol), est supposée influencer positivement la probabilité d’adoption. La

variable ecol prend la valeur 1 si le chef de ménage est instruit et la valeur 0 si non.

- L’âge du chef de ménage (age) (supposé lié quadratiquement à la décision d’adoption)

influence positivement l’adoption dans un premier temps, mais son effet sur l’adoption atteint

un maximum et décroit par la suite. Cela s’explique par le fait qu’avec l’augmentation de

l’âge, le chef de ménage perd son influence sur les autres membres du ménage et mieux ne

s’adonne plus à des activités qui nécessitent un effort physique important.- Le matériel de production (kph) produit également un effet négatif sur la probabilité

d’adoption. La possession de matériel de production facilite aussi bien l’intensification que

l’extensification qui sont des facteurs qui ne favorisent pas l’adoption des CES. La variable

kph représente ici le nombre de charrues dont dispose le ménage. Le choix de la charrue est

critiquable. Mais dans le cadre de ce travail on suppose que la charrue est un indicateur

pertinent de la dotation en matériels de production agricole en milieu rural. Il en est de même

pour la quantité de fumure organique (qfum) appliquée. La fumure permet d’augmenter la

production à court terme, les paysans pensent alors que la disponibilité de quantité importante

de fumure peut résoudre un temps soit peu les problèmes de perte de productivité agricole.

- La variable, nombre d’enfants scolarisés (enfscol), est supposée lier positivement à la

décision d’adoption. Au fond, la scolarisation des enfants peut être vue comme unediminution de la main-d’œuvre agricole du ménage. Anticipant cela, le chef du ménage sera



11

alors incité à adopter les CES pour améliorer sa productivité sous la contrainte de la réduction

de la main-d’œuvre interne. Aussi, les enfants qui ont un niveau élevé peuvent sensibiliser

leurs parents sur la menace du changement climatique sur les rendements et pousser leurs

parents à investir dans l’adaptation.

Le modèle probit est très sensible à l’existence de l’hétéroscédasticité. L’utilisation du revenulaisse planer une présomption d’existence d’hétéroscédasticité. Le test réalisé à travers le test

de White a montré que les données ne souffrent pas du problème d’hétéroscédasticité.

V.2. Les résultats du modèle :

L’estimation du modèle a été réalisée par la méthode du maximum de vraisemblance sur

Eviews 5. Seuls les coefficients significatifs sont présentés dans le tableau des résultats.

V.2.1. L’adéquation du modèle

Avant d’interpréter les résultats, il faut s’assurer que le modèle est adéquat. L’adéquation du

modèle est donnée par sa capacité de prédiction. On dit que le modèle est adéquat lorsque sa

prédiction de bonnes réponses est élevée. Les bonnes prédictions des zéros sont aux nombrede cent quarante neuf (149) et celles du un aux nombre de trente un (31), soit une bonne

prédiction totale de cent quatre vingt (180) sur deux cent cinquante deux (252) possibilités. La

capacité de prédiction du modèle est alors de 71,71%. Ce résultat est élevé et par conséquent

la capacité de prédiction du modèle est bonne. On peut alors interpréter les coefficients

significatifs. Mais il est important de préciser également que le pouvoir de prédiction du

modèle est plus important parmi ceux qui n’ont pas adopté.

V.2.2. La significativité statistique des coefficients

Un coefficient est dit statistiquement significatif si sa probabilité est inférieure au seuil du test

α (Prob<α). Les seuils de tests représentant l’erreur associée au test sont ici de 10% et 5%.

Accepter qu’un coefficient est significatif au seuil α revient à dire que la probabilité de se

tromper est de α. Une autre façon de tester la significativité du coefficient peut consister à

calculer le rapport (coefficient/Std Error) et comparer la valeur du ratio (z-Statistic) à une

valeur théorique que l’on lit sur la table de la loi normale centré réduite6

[N(0,1)]. Au seuil de

10% la valeur lue sur la table de la loi N(0,1) est 2,576 et celle donnée par le seuil de 5% est

1,96. On constate alors que les valeurs du z-Statistic des différents coefficients du tableau sont

supérieur à 2,576 pour les coefficients marqués par (**) et à 1,96 pour ceux marqués par (*).

V.2.3. Le calcul des effets marginaux

Le modèle estimé a pour objectif de donner l’effet individuel de chaque variable sur la

variable dépendante. Aussi, si dans certains modèles les coefficients donnent directementl’effet de chaque variable explicative sur la variable dépendante ; pour le modèle probit cela

n’est pas le cas. L’interprétation des coefficients porte sur la dérivée de l’espérance

mathématique de la variable dépendante. Dans le cas du modèle probit, la dérivée de

l’espérance de la variable dépendante par rapport à une variable quelconque ne donne pas

directement le coefficient associé. On a :

( )i i

ji i ji

E y z

X z X

φ −

−

∂∂ ∂

= ×∂ ∂ ∂

(1) où φ −

−

est la fonction de répartition de la loi normale N(0,1) et '

i i z X =

6 On devait se référer à la table de la loi de student mais comme le degré de liberté est plus que trente (30), on

démontre que la loi de student tend vers la loi normale centré réduite.



12

Ce qui donne : '( )( )i

i j

ji

E y X

X φ β β

∂= ×

∂(2) avec

21

21

2

t

eφ φ π

− −

−

∂ = =

L’équation (2) qui donne l’effet de la variable ji

X sur la variable dépendante montre qu’on ne

peut pas directement interpréter la valeur du coefficient associé. Il faut alors rechercher la

valeur du facteur associé (remarquons que ce facteur est positif). Dans le cadre de la fonctionde répartition de la loi N(0,1) la fonction de répartition atteint son maximum au

point '0i

X β = . En ce point'

( ) 1/ 2 0,5i X φ β = = .

Dans la suite on va considérer que la valeur de la fonction de probabilité est maximale. L’effet

marginal du tableau est alors donné par l’égalité n°2.

Tableau n°6 : Les coefficients significatifs du modèle

Dependent Variable: CES

Variable Coefficient Std. Error z-Statistic Prob.Effets

marginaux

Sta_f 0.867562** 0.424257 2.044896 0.0409 0,43378

Qfum 0.000181*** 4.78E-05 3.784063 0.0002 5,6 -05

Enfscol 0.148106* 0.076068 1.947027 0.0515 0,07405

Age -0.076506** 0.036256 -2.110187 0.0348 -0,22

Age^2 0.000617* 0.000325 1.897645 0.0577

Qfum^2 -4.08E-09* 2.35E-09 -1.739506 0.0819

Log likelihood -137.6584

Obs with Dep=0 163 Total obs 251

Obs with Dep=1 88

***Significatif à 1% Mean dependent var 0.350598

**Significatif à 5% S.E. of regression 0.442701

*Significatif à 10% Sum squared resid 46.44835

Tableau n°7: la table de prédiction

Prédiction

CES=0 CES=1 Total

Réalisatio

n

CES=0 149 57 206

CES=1 14 31 45Total 163 88 251

V.2.4. Interprétations économiques des résultats

La bonne capacité de prédiction du modèle ainsi que la significativité global des coefficients

du modèle donne droit à l’interprétation des coefficients significatifs. Ainsi, le fait de se sentir

propriétaire foncier dans le plateau central au Burkina Faso influence à 43,38% la probabilité

d’adoption des techniques de conservation des eaux et des sols (CES). Autrement dit,

l’acquisition des droits d’usages de long terme contribue énormément à l’adoption des CES.

Ce résultat vient appuyer à la fois la prédiction théorique et le résultat descriptif obtenu plus

haut. Mais contrairement aux prédictions théoriques, l’utilisation d’un kilogramme

additionnel de fumure organique augmente la probabilité d’adoption des CES de 0,0056%.



13

Cependant, ce résultat n’est vrai que pour des petites quantités de fumure organique. La

variable fumure organique (qfum) est liée quadratiquement à la variable binaire « adoption

des CES ». L’effet de qfum sur CES atteint son maximum à une quantité de 4436,27451

kilogrammes. Au delà de cette quantité les unités additionnelles de fumure organique jouent

négativement sur la probabilité d’adoption. La variable âge du chef de ménage est également

liée quadratiquement à la décision d’adoption des CES. Mais si théoriquement on s’attend àce que l’âge soit lié positivement à la décision d’adoption avec un seuil maximum ; les

résultats du modèle montrent que l’âge est lié négativement dans un premier instant, atteint un

seuil minimum avant de jouer positivement sur la décision d’adoption des CES. A la moyenne

de l’échantillon (53 ans), lorsque l’âge du chef de ménage augmente d’une année la

probabilité d’adoption des CES diminue de 22%. L’effet marginal diminue ainsi avec l’âge.

Mais au-delà de soixante et un ans l’effet de l’âge sur la décision d’adoption devient positif.

Du point de vue théorique, on note que l’effet du nombre d’enfants scolarisés sur la décision

d’adoption est positif. Ainsi, lorsqu’on considère deux ménages la probabilité pour que le

ménage qui a plus d’enfants scolarisés adopte les CES est plus forte que celle du ménage à

petit nombre d’enfants scolarisés. La probabilité d’adoption des CES par un ménage accroit

de 7,4% lorsque que ce ménage scolarise un enfant additionnel. De ce fait, la scolarisation desenfants est vue comme une diminution de la main d’œuvre dans le plateau central du Burkina

Faso. Pour pallier la faiblesse de la main-d’œuvre interne, les agriculteurs ont alors recours

aux CES afin d’améliorer leurs rendements.

Sous l’hypothèse céteris paribus, la détention des droits de propriété de la terre est le facteur

le plus déterminant dans l’adoption des CES. En seconde position vient l’effet de la

scolarisation des enfants. On note que ce n’est que tardivement c'est-à-dire au delà de 60 ans

que les agriculteurs sont incités à adopter les CES.

Les résultats du modèle peuvent être généralisés, mais asymptotiquement. On sait que les

données microéconomiques portant sur les ménages agricoles souffrent souvent de problème

d’héterocédasticité du aux variables d’échelle. Cela se réalise surtout lorsque l’on regroupe

des petits et grands producteurs. L’absence de ce problème dans les données utilisées pour

cette étude laisse entrevoir que les producteurs sont presque identiques. La faible variabilité

de la taille de la production c'est-à-dire du revenu montre alors que la zone n’est pas une

région où on rencontre de grands producteurs agricoles.

VI. Conclusion générale :Les résultats du modèle confirment les conclusions partielles tirées plus haut. Les analyses

descriptives ont montré que le statut foncier influence la décision d’adoption. Le modèle

ajoute une conclusion plus générale : collectivement les variables considérées influencent la

décision d’adoption des CES dans le plateau central du Burkina Faso.

Il est possible de stimuler l’adoption des CES dans le plateau centrale du Burkina Faso. Pour

ce faire, l’Etat burkinabè peut miser sur des facteurs comme la diffusion de l’information sur

la possibilité d’amélioration des rendements offerte par les CES, la possibilité de jumelage

des CES aux autres stratégies (jachère, fumure organique, composte, etc.) de maintien de la

productivité des terres. Aussi, des campagnes de sensibilisation sur l’impact des CES sur la

productivité agricole doivent être initiées au profit des jeunes producteurs afin de les stimuler

à l’adoption des CES. Enfin, la détention des droits de propriété étant significative dans la

décision d’adoption, l’on doit s’assurer que ces droits sont bien définis en milieu rural et

s’assurer que les grands producteurs agricoles sont propriétaires terriens ou ont un droit

d’usage coutumier de long terme de leurs champs.



14

Bibliographie

Agenda 21 du sommet de la terre (1992), Conférence des Nations Unies sur

l’environnement et le développement à Rio.

Bandura A. (1982), « Self-efficacy mechanism in human agency », American Psychologist

37 (2).Barbier E. (1990), « The farm-level Economics of soil conservation: the uplands of Java »,

Land Economics , Vol.66, No.2.(May, 1990), pp.199-211.

Batta F. et Bandré P. (1998), Conservation des eaux et des sols (CES) au Burkina Faso,

Overseas Development Institute/Voisins Mondiaux.

Berthelier P. Lipchitz A. Oulmane N. (2004), « quelles solutions pour dynamiser

l’agriculture africaine ? » Analyse économiques n°25 Clay D. Reardon T and J Kangasniemi (1998), Sustainable Intensification in the highlands

tropics: Rwandan Farmer’s investments in land conservation and soil fertility, Economic

Development and Cultural Change, Vol.46, No.2.(Jan, 1998), pp.351-377.

Dadi L., Burton M, Ozanne A. (2004), « Duration analysis of technological adoption inEthiopian agriculture », Journal of Agricultural Economics.

Davis I., Bagozzi R. and Warshaw R. (1989), «User acceptance of computer technology: a

comparison of two theoretical models », Management Science, Volume 35, 1989, pp. 982-

1003.

Dialla B. E. (2003), La question foncière sur les périmètres hydro-agricoles du Burkin Faso,

Document de travail DT-CAPES N°2003-07.

Eisemon T. O., and A. Nyamete, (1988 ), Schooling and Agricultural Productivity in

Western Kenya, J. of East African Research and Development.

Feder G., Just. R, Zilberman D (1985), «Adoption of agricultural innovations in developing

Countries A survey », Economic Development and Cultural Change, Vol. 33 pp.255-98.

Jamison, D. T. and Lau L. (1982), Farmer Education and Farmer Efficiency, Baltimore: theJohn Hopkins University Press.

Kebede Y. Gungal. K. Coffin G. (1990), « Adoption of new technologies in Ethiopian

agriculture: the case of Tegulet Bulga district, Shoa Province », Agricultural Economics, 4, pp

27 – 43.

Kini J. (2007), Analyse des déterminants de l’adoption des CES dans le plateau

centrale du Burkina Faso, Mémoire de DEA Université de Ouagadougou.Knox A. et R Meizein-Dick (1999), « Droits de propriété, action collective et technologies

dans la gestion des ressources naturelles », Atelier Workshop on Collective Action, Property

Rights, and Devolution of Natural Resource Management. 21-25 Juin 1999 à Puerto Azul,

Philippines.

Krueger, A. Schiff, M. et Valdès, A. 1991, The political economy of agricultural pricing

policy,. Banque mondiale et John Hopkins University Press.

Lepper, M. R. (1985), Microcomputers in education: Motivational and social issues,

American Psychologist, 40(l), 1-18.

Mazoyer M., Développement des inégalités agricoles dans le monde et crise des paysanneries

comparativement désavantagées. Réforme agraire, colonisation et coopératives agricoles,

(FAO, 1997 )

Mazzucato V. et Niemeijers (2000), « Le sahel une dégradation des terres exagérée, un

potentiel paysan sous-estimé », Environmental Science and policy.

Ouédraogo S. 2005, intensification de l’agriculture dans le plateau central du Burkina Faso

: Une Analyse des possibilités à partir des nouvelles Technologies , Université de Groningen (thèse de Doctorat).



15

Ouédraogo S. et Illy L. (1996), « Evaluation de l’impact économique des cordons pierreux

dans le Plateau Central au Burkina Faso », INERA/Ouagadougou.

Rogers E. M (1995): Diffusion of innovation, Free Press New-York, 4th Edition

Rogers, E. M. (1983). Diffusion of Innovations, (3rd ed.), New York, Free Press

Rosenberg, N. J. (1992), Adaptation of agriculture to climate change, Climatic Change, 21,

385-405Rousset N. et Arrus R. (2006), L’agriculture du Maghreb au défi du changement climatique :

quelles stratégies d’adaptation face à la raréfaction des ressources hydriques, Laboratoire

d'Economie de la Production et de l'Intégration Internationale.

Sanders J. Nagy G. and S. Ramaswamy (1990 ) , Developing new agricultural technologies

for the sahelian countries: the case of Burkina Faso case, The University of Chicago.

Souleymane Ouédraogo (2005), Intensification de l’agriculture dans le plateau central du

Burkina Faso : une Analyse des possibilités à partir des nouvelles Technologies , Université de

Groningen.

Southgate D., Sanders J., S. Ehui (1990), « Resource degradation in Africa and Latin

America: Population pressure, policies and property arrangements», American Journal of

Agricultural Economics, Vol. 72, No. 5, Proceedings Issue (Dec., 1990), pp. 1259-1263.Tornatzky L.G. and Klein K.J. (1982), Innovation characteristic and adoption

implementation: a meta-analysis of findings, IEEE transactions on engineering management.

Wetta C. (2008), cours d’économie du Burkina Faso, Université de Ouagadougou,

UFR/SEG.

Zonon A. (2003), Education et productivité des agriculteurs cas des producteurs céréaliers

du Burkina Fas,. ISBN : 2-910115-28-3.

Zoungrana C. (2004), Pauvreté et conservation des sols au Burkina Faso, Mémoire de DEA,

Université de Ouagadougou.

Annexe

Tableau 5: Résultats du test de khi-deux

Dep va. ces

df value ProbSta_f

Revtot

Mo

Ecol

1

79

26

5

5.528596

91.73980

37.68615

12.59114

0.0187

0.1548

0.0647

0.0275

Tableau n°8

Niveau d'instruction

497 74,2 74,6 74,6

72 10,7 10,8 85,4

11 1,6 1,7 87,1

42 6,3 6,3 93,4

8 1,2 1,2 94,6

36 5,4 5,4 100,0

666 99,4 100,0

4 ,6

670 100,0

non

primaire

secondaire

école coranique

alphabétisation

école rurale

Total

Valide

Système manquantManquante

Total

Fréquence Pour cent

Pourcentage

valide

Pourcentage

cumulé




16

Tableau n°9 Les résultats généraux du modèle

Dependent Variable: CES

Method: ML - Binary Probit (Quadratic hill climbing)

Variable Coefficient Std. Error z-Statistic Prob.

C -0.037879 1.001149 -0.037836 0.9698

STA_F 0.867562 0.424257 2.044896 0.0409

REVTOT 8.32E-10 3.20E-07 0.002600 0.9979

QFUM 0.000181 4.78E-05 3.784063 0.0002

MO 0.024674 0.078578 0.314004 0.7535

KPH 0.378678 0.261285 1.449290 0.1473

ENFSCOL 0.148106 0.076068 1.947027 0.0515

ECOL1 0.003097 0.048045 0.064469 0.9486

AG -0.076506 0.036256 -2.110187 0.0348

AG^2 0.000617 0.000325 1.897645 0.0577

MO^2 6.47E-05 0.003165 0.020455 0.9837

ENFSCOL^2 -0.007818 0.005346 -1.462366 0.1436

KPH^2 -0.094197 0.070461 -1.336863 0.1813

QFUM^2 -4.08E-09 2.35E-09 -1.739506 0.0819

Mean dependent var 0.350598 S.D. dependent var 0.478110

S.E. of regression 0.442701 Akaike info criterion 1.208433

Sum squared resid 46.44835 Schwarz criterion 1.405072

Log likelihood -137.6584 Hannan-Quinn criter. 1.287566

Restr. log likelihood -162.6018 Avg. log likelihood -0.548440

LR statistic (13 df) 49.88680 McFadden R-squared 0.153402

Probability(LR stat) 3.12E-06

Obs with Dep=0 163 Total obs 251

Obs with Dep=1 88

Tableau n°10 : valeurs statistiques des variables utilisées dans les calculs

CES AG ECOL ENFSCOL KPH MO QFUM REVTOT STA_F

Mean 0.404762 52.89683 0.924603 3.642857 1.055556 8.107143 1695.635 182862.7 0.924603

Max 1.00000 100.0000 1.000000 27.00000 6.000000 29.00000 33200.00 3200000. 1.000000

Min 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000

Obs 252 252 252 252 252 252 252 252 252

Documents

Adoption Des CES