IV. Simulation.
L'impact de l'adoption de la technologie estimé
précédemment s'est révèle significatif au niveau
général et au Benin. Mais cette adoption n'a pas eu d'impact sur
le rendement du riz au Benin. Dans cette sous-partie, nous allons
améliorer les caractéristiques de la technologie afin
d'évaluer à nouveau l'impact de l'adoption de la technologie
améliorée.
Tableau 19 : Résultats de l'impact de l'adoption
de la technologie améliorée sur le rendement du riz.
|
Rendement
|
Coefficient
|
Erreurs standard
|
|
Adoption de la méthode (adopt)
|
16.80328 ***
|
.5763122
|
|
Rapidité du travail (ns_worksp)
|
-15.35286 ***
|
.2441242
|
|
Besoin en liquidité (ns_cashd)
|
21.15014 ***
|
.3520661
|
|
Temps pour l'apprendre (ns_time)
|
18.71692 ***
|
.3266698
|
|
contraire aux moeurs du village (ns_maner)
|
-2.784837 ***
|
.2595225
|
|
sexe (sexe)
|
-4.059056 ***
|
.0926744
|
|
Niveau secondaire (second)
|
-3.937849 ***
|
.0790426
|
|
Nombre de fois tomé malade (sick)
|
.4699746 ***
|
.013297
|
|
Entre 25 et 34 ans (age2)
|
-2.939501 ***
|
.0845882
|
|
formation rizicole (formriz)
|
2.750572 ***
|
.0524541
|
|
adopt*nS_worksp
|
13.79701 ***
|
.3031352
|
|
adopt*nS_cashd
|
-14.88516 ***
|
.3240442
|
|
adopt*nS_time
|
-19.06133 ***
|
.3466236
|
|
adopt*nS_maner
|
5.224607 ***
|
.4451156
|
|
adopt*sexe
|
1.790602 ***
|
.1072661
|
|
adopt*sick
|
-.3954683 ***
|
.0248239
|
|
adopt*age2
|
4.078427 ***
|
.1219764
|
|
_cons
|
-20.60974 ***
|
.4584102
|
|
Test de Wald
|
|
Prob > F = 0,0000
|
|
Test de Fisher
|
|
Prob > F = 0,0000
|
|
R2
|
|
97,99
|
Source : Enquête Africarice/SNRA.
Dans ce scénario, nous améliorant pour la
méthode toutes les caractéristiques ayant des scores faibles et
moyens afin d'évaluer à nouveau l'impact. La méthode
utilisée ne diffère pas de la méthode
précédente. Ainsi le tableau ci-dessus montre que le
modèle est globalement significatif au seuil de 1% (car Prob > F
=0.0000) ; et que la variance présente dans les données est
expliquées à 97,99% par le modèle.De même le test de
Wald nous révèle que les termes d'interactions ne sont pas
simultanément nul au seuil de 1% car Prob > F=0.00). Cependant,
nous pouvons aussi remarquer que tous les termes d'interaction sont
significatifs au seuil de 1%. Ce qui montre la dépendance du rendement
du riz à l'égard des différentes variables introduites
dans le modèle. En outre toutes les variables introduites dans le
modèle sont significatives au seuil de 1%, dont la moitié
influence négativement le rendement. Et donc le rendement du riz diminue
avec la rapidité du travail avec la technologie, le fait que la
Contrainte soit contraire aux moeurs, le sexe féminin, le niveau
secondaire et l'âge entre 25 et 34 ans. Par contre elle augmente avec
l'adoption de la technologie, le besoin en liquidité avec la
technologie, le temps nécessaire pour apprendre la technologie, le
nombre de fois tombé malade et le fait de suivre une formation en
riziculture.
En dernière analyse, le tableau C14 (en ANNEXE C)
montre que l'estimateur LATE est significatif et positif au seuil de 10%. Ce
qui signifie qu'une amélioration des caractéristiques ayants des
scores faible augmenterait le rendement des adoptants, sur ce d'une valeur de
2,28 t/ha. De surcroit les tableaux C15(en ANNEXE C) indiquent que l'impact de
l'amélioration de la technologie est significatif et positif au seuil
de 1% au Bénin ; et de là, le rendement des adoptants
augmentera de 2,48%. Enfin au Nigeria, cette amélioration a un impact
significatif et positif au seuil de 10% (Tableau C16 en ANNEXE C). Ce qui
signifie que les riziculteurs qui adopteront la technologie
améliorées verront leur rendement augmenté de 1,48%.
| 
