INTRODUCTION
Ce papier examine les déterminants de la malnutrition
dans les pays en développement. Plusieurs études
antérieures, notamment le rapport de l'UNICEF (1998), les travaux de
Lisa C. Smith and Lawrence Haddad (Avril 1999), et de Amy L. Rice et al.
(2000), élucident déjà les causes de la malnutrition afin
de proposer des éléments de réponse pour une politique de
réduction des conséquences de cette dernière dans le
monde. Ainsi, face à une prévalence encore élevée,
il convenait de rechercher cette fois uniquement, les déterminants
clés de la malnutrition pour l'ensemble des pays en
développement.
En effet, alors que la majorité des pays du monde ont
ratifié la Déclaration universelle des droits de l'Homme 1948
(notamment le principe n°41(*)) et malgré l'adoption en 2000, des Objectifs du
Millénaire pour le Développement lors du Sommet du
millénaire des Nations Unies, l'état nutritionnel dans le monde
ne s'est pas significativement amélioré. Pas moins de 842
millions de personnes souffrent encore de malnutrition dont 10 millions dans
les pays industrialisés, 34 millions dans les pays en transition et
789 millions dans les pays en développement2(*).
Par ailleurs, la malnutrition pouvant être la
résultante d'un ensemble complexe de relations, il semble opportun d'en
rechercher les déterminants les plus importants si l'on souhaite
réduire sa prévalence dans les pays les plus touchés que
sont les pays en développement.
De plus, comme elle affecte durablement le potentiel de vie
des individus et des communautés, le développement social et
économique en pâtit ainsi que le développement intellectuel
des individus. Il s'agit là, de la spirale infernale dans laquelle
beaucoup de pays africains se trouvent confrontés.
Puisque l'état nutritionnel est lié à ce
l'on mange mais aussi à l'état de santé et à
l'environnement de vie, l'on est fondé dès lors à se poser
la question suivante : la malnutrition est-elle liée à une
indisponibilité d'aliments et de richesse ou doit-on plutôt
l'attribuer à d'autres facteurs tels que l'éducation des femmes,
l'environnement sanitaire ou encore la démocratie. La réponse
à cette question est importante car elle influence directement les
hypothèses ci-dessous formulées.
Premièrement, d'un point de vue purement sanitaire, la
connaissance des déterminants majeurs de la malnutrition permettra de
mettre en place des politiques nutritionnelles efficaces et
bénéfiques pour le développement puisque de nombreuses
études ont montré que les enfants mieux nutris sont plus
dotés de capital humain (travaux d'Armatya Sen) indispensable à
leur rendement scolaire.
Deuxièmement, l'amélioration de l'état
nutritionnel, devra aussi permettre de réduire la mortalité,
surtout infantile, car la malnutrition est associée dans près de
50%3(*) aux cas de
décès d'enfants dans les pays en développement. Cette
réduction devrait contribuer à améliorer l'état de
santé réduisant par la même, les dépenses en
matière de santé nutritionnelle.
Finalement, si l'état de santé est meilleur, le
gouvernement peut dégager plus de ressources à affecter à
d'autres secteurs de la santé et ainsi contribuer durablement à
la réduction de la pauvreté mais aussi à la poursuite des
objectifs du millénaire pour le développement.
Notre travail s'organisera essentiellement en trois
chapitres : un premier chapitre qui sera consacrée à la
présentation des variables prises en compte dans l'étude; un
second chapitre dans lequel on discutera de la technique
économétrique à retenir pour appréhender la
relation entre la malnutrition et ses déterminants ainsi que les
différents tests réalisés; enfin, avant de conclure, nous
présenterons dans le troisième et dernier chapitre les
résultats. Ce dernier chapitre nous permettra également de
montrer les disparités régionales sur la question des
déterminants de la malnutrition.
Chapitre1/
Présentation des variables4(*)
L'étude des déterminants de la malnutrition des
enfants de moins de cinq ans porte sur un échantillon de 63 pays en
développement d'Afrique Sub-Saharienne, d'Asie et d'Amérique
Latine et couvre la période 1975 à 1996. Cette étude prend
en compte sur les variables suivantes :
- Le taux de prévalence de la malnutrition
mesuré par le rapport de la taille sur l'âge comme variable
expliquée
- Et comme variables explicatives: l'éducation
secondaire des femmes (femsed), le taux d'accès à l'eau potable
(safew), la disponibilité alimentaire par habitant (des), le PIB par
habitant (gdp) et la démocratie (democ). Ces variables sont pour la
plupart utilisées dans les études traitant des
déterminants de la malnutrition aussi bien au niveau
macroéconomique que microéconomique.
1.1/ Le taux de
prévalence de la malnutrition (chmal)
Pour calculer le taux de prévalence de la malnutrition,
il faut d'abord connaître le seuil de malnutrition, mesuré par les
Z-score5(*). On parlera de
malnutrition sévère lorsque le Z-score est inférieur
à - 3. Le taux de prévalence6(*) dans notre cas sera donc le rapport du nombre
d'enfants de moins de cinq ans souffrant de malnutrition sévère
(Z-score<-3) par l'effectif de la population de la même tranche
d'âge en milieu de période. Dans notre échantillon, le taux
de prévalence de la malnutrition des enfants de moins de cinq varie
beaucoup à travers les pays mais pas assez dans le temps.
En effet, le taux de prévalence moyen dans
l'échantillon est de 24,6252221 avec une variabilité inter
individuelle « between » de 14,26103. La disparité
intra individuelle « within » quant à elle, est plus
faible ; elle est de l'ordre de 4,535403. Le taux de prévalence de
la malnutrition le plus élevé est de 71,3 alors que le plus
faible est de 0,9. Ces taux sont respectivement observés pour l'Inde et
le Chili. Il existe donc une grande disparité des taux de
prévalence de la malnutrition entre les pays de notre
échantillon.
1.2/ L'éducation
secondaire des femmes (femsed)
Il s'agit du nombre de femmes âgées de 15
à 49 ayant un niveau d'éducation7(*) secondaire. Il a été obtenu en faisant
le rapport de l'effectif des femmes de cette tranche d'âge ayant atteint
un niveau d'étude secondaire par le nombre total de femmes de ladite
tranche. Cette variable comme la précédente a beaucoup
évolué dans le temps et varie également entre les pays.
Avec une moyenne d'environ 34% de femmes ayant atteint l'éducation
secondaire, le taux le plus élevé de 88% est observé pour
l'Uruguay en 1992 suivi de Trinidad et Tobago (84%). Enfin, un minimum de 2,5%
est observé pour l'Ouganda en 1977. D'autres pays d'Afrique au sud du
Sahara connaissent également des taux assez faibles : 2,9% pour la
Tanzanie et 3,9% pour le Rwanda. Ceci place les pays d'Afrique au Sud du Sahara
derrière l'Amérique latine et l'Asie en terme d'éducation
secondaire des femmes. Par ailleurs, l'écart type de l'ordre de 23%,
permet de mieux appréhender l'importance des écarts de taux de
scolarisation secondaire des femmes. Si les statistiques montrent une grande
disparité entre les pays, il est à noter qu'à
l'intérieur d'un même pays, cette différence est moindre.
En effet la variabilité « between » est de l'ordre
de 21,60507 alors que celle « within » n'est que de l'ordre
de 6,871134.
1.3/ Le taux d'accès
à l'eau potable (safew)
Cette variable mesure la part de la population qui a
accès à une certaine quantité d'eau, qu'elle soit
traitée ou non, provenant de la pluie ou d'autres sources non
contaminées. Elle est utilisée comme
« proxy » du facteur d'environnement sanitaire, qui, lui,
est plus difficile à mesurer. L'accès à l'eau potable
prend en outre en compte, l'accès aux soins de santé et la
pratique de l'hygiène selon les disponibilités qu'offre
l'environnement. C'est cette dernière approche qui a été
retenue par Lawrence Haddad dans son étude sur la malnutrition; c'est
aussi la raison pour laquelle nous utilisons cette variable. Des
disparités importantes entre pays se remarquent également pour
l'accès à l'eau potable. Ces écarts pourraient s'expliquer
par les conditions particulières liées à l'accès
à l'eau potable, par exemple la faiblesse de la pluviométrie, les
politiques d'adduction d'eau mises en place dans les pays... Ainsi, le taux
moyen d'accès à l'eau potable pour l'ensemble des pays de notre
échantillon est de 56,17%. Une valeur minimale de 6% est observée
pour l'Ethiopie en 1983. La valeur maximale est observée pour la
Mauritanie en 1985. La variabilité inter individuelle (between) est de
l'ordre de 21,47801; ce qui traduit une grande disparité dans
l'accès à l'eau potable d'un pays à l'autre. Cette
disparité semble exister au sein d'un même pays puisque la
variabilité intra individuelle (within) reste de l'ordre de 10,25317,
ceci du fait éventuellement de l'éloignement des points d'eau
d'une région à l'autre du pays.
1.4/ La disponibilité
alimentaire par tête (des)
Faute de données précises sur la
disponibilité alimentaire, nous avons eu recours à la
quantité calorique qu'un individu a besoin annuellement. La même
approximation a été faite par Lawrence Haddad et autres (1998).
La moyenne sur l'ensemble de notre échantillon est d'environ 2360 kcal
par an et par individu. La valeur maximale de 3284 kcal a été
observée pour l'Egypte en 1995 contre 1592 kcal pour l'Ethiopie en 1992.
La variabilité « between » est de l'ordre de 308,453
alors que celle « within » plus faible est de l'ordre de
126,191. On voit donc que la disponibilité alimentaire varie beaucoup
d'un pays à l'autre et dans le temps au sein d'un même pays, mais
les écarts sont relativement plus grands que dans les deux cas
précédents.
1.5/ Le revenu national par
tête8(*) (gdp)
A défaut de cette variable, nous avons utilisé
le PIB réel par tête en dollar US constant 1987 disponible sur
World Development Indicators (WDI). Sur l'ensemble de l'échantillon, on
note une valeur moyenne du PIB réel par tête et par an de l'ordre
de 2305$ US. Le PIB réel le plus élevé est de 8612$ US et
cette valeur a été observée pour le Chili en 1995. On
remarquera que c'est aussi le même pays qui dispose du taux de
prévalence de la malnutrition, le plus faible. L'Ethiopie
présente par contre le niveau le plus faible de revenu, soit environ 306
$ US par personne et par an.
1.6/ La démocratie9(*) (democ)
Cette variable a été approximée par un
indice calculé sur une échelle de 1 à 7. La valeur 1
représente les pays non démocratiques et 7 les pays
démocratiques. Il s'agit d'un indice composite calculé sur la
base de deux variantes de la démocratie à savoir:
- le droit d'exercer la politique
- et la liberté civile.
Chacune de ces composantes est affectée de la
même pondération. La variable mesurant le niveau de la
démocratie varie très peu aussi bien entre les pays qu'au sein
d'un même pays. En effet, la variabilité inter individuelle est de
1,494365 alors que celle intra individuelle n'est que de l'ordre de
0,7734626. Ceci reflète bien la situation de la plupart des pays en
développement puisque souffrant encore des « régimes
dictatoriaux ». Par ailleurs, la persistance de tels régimes
(armée au pouvoir par exemple) dans certains des pays de notre
échantillon renforce le maintien de ceux-ci dans des situations de
précarité et de généralisation de la
pauvreté avec les conséquences qui en découlent. Dans
notre modèle, le pays le plus démocratique est le Costa Rica
alors que les moins démocratiques sont le Bénin, le Laos, la
Guinée.
Chapitre2/ Etudes
économétriques
Le modèle que nous nous proposons d'estimer est
le suivant:
Chmal = á + ?
âkXkit + èi + Vt +
åit
âk
représente les coefficients associés à
chaque variable explicative
èi
représente les effets spécifiques individuelles
åit est le terme d'erreur
Xkit = {femsed, safew,
gdp, democ, des, var1, var2} est la matrice des variables explicatives.
2.1) Les tests
2.1.1) Le test de
Hausman : choix de la méthode d'estimation
Nous avons observé pour la plupart des variables
retenues dans le cadre de ce travail une grande disparité d'un pays
à l'autre. Ceci traduit une grande
hétérogénéité de nos variables du fait de la
présence d'effets spécifiques au niveau des pays. Cette
même observation a été faite dans de nombreuses
études sur le statut nutritionnel des enfants notamment sur des
ménages en Inde10(*) et au Vietnam11(*). Ces effets spécifiques au niveau des pays de
notre échantillon ajoutent à l'erreur habituelle, une composante
individuelle (èi) et une autre temporelle
(Vt). Ils sont modélisés de deux
façons différentes à savoir :
- le modèle à effets fixes
- et le modèle à effets aléatoires.
Dans le modèle à effets fixes, il s'agit de
transformer les variables en écart par rapport à la moyenne puis
d'estimer les variables transformées par les moindres carrés
ordinaires. Ce faisant, on élimine les effets spécifiques
supposés déterministes et qui sont à l'origine de
l'hétérogénéité inobservée.
En ce qui concerne le modèle à effets
aléatoires, les composantes individuelles et temporelles ne sont plus
supposées déterministes et ne peuvent donc plus être
simplement ajoutées au modèle. Les composantes individuelles et
temporelles sont considérées comme aléatoires et à
ce titre, obligent les effets spécifiques à se conformer à
certaines hypothèses dont la plus importante est l'absence de
corrélation entre les effets spécifiques et les variables
explicatives. Dans le cas où ces hypothèses sont
respectées, le modèle est estimé à l'aide des
moindres carrés généralisés et
l'hétérogénéité inobservée est prise
en compte au niveau de la variance de la perturbation12(*).
Toutefois, le choix de l'une ou l'autre des méthodes
d'estimation n'est pas facile. Chacune de ces méthodes véhiculent
en effet des avantages et des inconvénients dont la relativisation ne
peut se faire de façon simpliste. Hausman (1978) répond à
cette inquiétude en proposant un test qui compare la performance de ces
deux estimateurs. Il s'agit donc de tester l'hypothèse H0 :
« il n'y a pas de différences significatives entre les
coefficients des deux estimateurs », on peut indifféremment
choisir le modèle à effets fixes ou le modèle à
effets aléatoire.
Nous avons exécuté ce test dans le cadre de
notre travail et les résultats sont présentés dans la
table 1.
Table 1: test de
Hausman
---- Coefficients ----
| (b) (B) (b-B)
sqrt(diag(V_b-V_B))
| eq1 . Difference
S.E.
-------------+----------------------------------------------------------------
safew | -.0674463 -.0729228 .0054764
.01478
femsed | -.2165944 -.1405696 -.0760249
.038641
des | -.067473 -.0528704 -.0146026
.0086786
gdp | -.0047639 -.0052844 .0005205
.0019646
democ | -.6235825 -.4826657 -.1409168
.2026649
var1 | .0000125 9.28e-06 3.23e-06
1.94e-06
var2 | 4.22e-07 4.72e-07 -5.01e-08
1.48e-07
------------------------------------------------------------------------------
b = consistent under Ho and Ha;
obtained from xtreg
B = inconsistent under Ha, efficient under Ho;
obtained from xtreg
Test: Ho: difference in coefficients not systematic
chi2(5) = (b-B)'[(V_b-V_B)^(-1)](b-B)
= 7.57
Prob>chi2 = 0.1817
La p-value obtenue est supérieure à 10%. Ce qui
nous autorise à ne pas rejeter l'hypothèse H0 ; il n'y a
donc pas de différence systématique entre les coefficients
obtenus par la méthode des effets fixes et ceux obtenus par la
méthode des effets aléatoires. On peut utiliser
indifféremment les deux méthodes sous certaines conditions. La
condition que nous avons retenue dans notre travail est celle de la comparaison
des variabilités inter individuelles (between) et intra individuelles
(within) de nos variables. Nous avons remarqué dans tous les cas que les
premières sont plus grandes que les secondes (voir table 2
ci-après).
Table 2 :
Comparaison des variabilités inter et intra
individuelles
|
Variables
|
Variabilité « between »
|
Variabilité « within »
|
|
Chmal
|
14.26103
|
4.535403
|
|
Safew
|
21.47801
|
10.25317
|
|
Femsed
|
21.60507
|
6.871134
|
|
Des
|
308.453
|
126.191
|
|
Gdp
|
1683.671
|
438.9313
|
|
Democ
|
1.494365
|
0.7734626
|
Ainsi nous avons retenu comme estimateur, la méthode
des effets aléatoires. C'est par rapport à cette
spécification que nous avons réalisé les autres tests
à savoir les tests de normalité des résidus, de la forme
fonctionnelle et de la significativité des effets spécifiques. Le
test d'homoscédasticité n'a pas été
exécuté ici parce que le recours à la méthode des
effets aléatoires corrige déjà pour les éventuels
problèmes d'hétéroscédasticité que l'on peut
observer généralement et en particulier dans notre travail.
2.1.2) Le test de
normalité des résidus
Nous testons ici l'hypothèse H0 : « les
résidus sont normaux » contre H1. Le test dont le
résultat est reporté dans la table 3 ci-après, nous
amène à rejeter l'hypothèse H0 de normalité des
résidus. En effet, la p-value du test est inférieure à
10%.
L'hypothèse de normalité des résidus
étant une hypothèse fondamentale à notre estimation et
à l'ensemble des tests, nous l'admettons dans le cadre de ce travail sur
la base du théorème central limite selon lequel :
« lorsque l'échantillon est grand (ici, N=179), le
résidu d'estimation converge vers zéro ». Nous avons
par la suite construit la droite de Henry pour voir la distribution des
résidus. Cette distribution nous permet de confirmer l'hypothèse
de normalité du fait d'une faible variance de ces derniers autour de la
droite (Voir figure ci-dessous).
Table 3: test de normalité des
résidus
Skewness/Kurtosis tests for Normality
------- joint
------
Variable | Pr(Skewness) Pr(Kurtosis) adj chi2(2)
Prob>chi2
-------------+-------------------------------------------------------
residu | 0.001 0.039 12.36
0.0021
Figure1: La droite de Henry
Source: d'après les auteurs
2.1.3) Le test de Ramsey
Reset : test de la forme fonctionnel
En s'inspirant d'autres études sur le statut
nutritionnel des enfants selon lesquelles il n'existerait pas une relation
linéaire entre la disponibilité de la nourriture (des) et le taux
de prévalence de la malnutrition d'une part et entre le PIB par
tête (gdp) et ce même taux d'autre part. Pour cette raison, nous
avons généré les variables var1 et var2 qui
représentent respectivement le carré de
« des » et celui de « gdp ». En
appliquant ce test sur notre équation qui incorpore ces nouvelles
variables, l'hypothèse H0 de la bonne forme fonctionnelle n'a pu
être rejetée car la p-value est supérieure à 10%. Le
résultat du test est repris dans la table 4 qui suit.
Table 4 : test de la
forme fonctionnelle
Random-effects GLS regression Number of obs
= 179
Group variable (i): id Number of
groups = 63
R-sq: within = 0.4274 Obs per group:
min = 2
between = 0.4004
avg = 2.8
overall = 0.4070
max = 5
Random effects u_i ~ Gaussian Wald chi2(10)
= 117.87
corr(u_i, X) = 0 (assumed) Prob > chi2
= 0.0000
------------------------------------------------------------------------------
chmal | Coef. Std. Err. z P>|z|
[95% Conf. Interval]
-------------+----------------------------------------------------------------
safew | -.0194605 .1353469 -0.14 0.886
-.2847356 .2458145
femsed | -.0084824 .2465543 -0.03 0.973
-.49172 .4747551
des | -.013727 .0973177 -0.14 0.888
-.2044662 .1770123
gdp | -.0006136 .0095909 -0.06 0.949
-.0194114 .0181842
democ | -.0724461 .9177853 -0.08 0.937
-1.871272 1.72638
var1 | 2.54e-06 .0000173 0.15 0.883
-.0000314 .0000365
var2 | 7.18e-08 8.64e-07 0.08 0.934
-1.62e-06 1.77e-06
x | -.0038194 .0035833 -1.07 0.286
-.0108425 .0032036
y | .1049832 .1233764 0.85 0.395
-.1368301 .3467964
z | .0000429 .0000365 1.18 0.239
-.0000285 .0001144
_cons | 23.92498 197.2135 0.12 0.903
-362.6064 410.4564
-------------+----------------------------------------------------------------
sigma_u | 10.942182
sigma_e | 4.4226333
rho | .85957684 (fraction of variance due to
u_i)
------------------------------------------------------------------------------
. test x y z
( 1) x = 0
( 2) y = 0
( 3) z = 0
chi2( 3) = 2.52 Prob >
chi2 = 0.4711
2.1.4) Le test de significativité des effets
spécifiques.
Ce test nous permet de justifier la présence effective
des effets spécifiques et donc le recours aux modélisations
prenant compte de ces effets. Il s'agit donc de tester si les effets
spécifiques sont significativement différents de zéro (H0)
ou non (H1). La p-value du test est de l'ordre de zéro ; ce qui est
inférieur à 10%. On en conclut que les effets spécifiques
sont tous significativement différents de zéro. Le
résultat du test est présenté dans la table 5.
Table 5: test de présence d'effets
spécifiques
chmal[id,t] = Xb + u[id] + e[id,t]
Estimated results:
| Var sd = sqrt(Var)
---------+-----------------------------
chmal | 226.4941 15.04972
e | 19.6567 4.433588
u | 113.1057 10.63511
Test: Var(u) = 0
chi2(1) = 141.65
Prob > chi2 =
0.0000
2.2/ Le problème
d'endogénéité de certaines variables
L'endogénéité suppose l'existence de
variables dans le terme d'erreur qui soient corrélées avec les
variables explicatives jusqu'alors supposées exogènes. Cette
corrélation fausse l'hypothèse d'orthogonalité des
résidus, ce qui biaise les coefficients de ces variables
exogènes.
Pour corriger ce biais, il faut trouver des variables
instrumentales qui doivent d'une part être corrélées avec
les variables suspectées d'endogénéïté et
d'autre part, qui doivent être strictement orthogonales à
l'écart aléatoire (Baltagi, 1995). Par ailleurs, il ne faut pas
que ces variables instrumentales soient directement corrélées
avec la variable dépendante.
Deux variables sont suspectées
d'endogénéité. Il s'agit des variables
disponibilité alimentaire par tête et revenu par tête. Dans
la littérature, la variable disponibilité alimentaire est
instrumentée par la quantité d'engrais utilisée, et le
revenu par tête par l'investissement direct étranger. Dans le cas
de notre travail, ces variables n'ont pas franchi toutes les étapes du
test de Nakamura Nakamura. Nous avons donc changé d'instrument pour
utiliser cette fois-ci pour la disponibilité alimentaire d'une part les
superficies cultivées, mais aussi les techniques agricoles
utilisées (utilisation de tracteurs...) et d'autre part le volume des
exportations pour le revenu par tête. Comme les instruments
précédents, ceux-ci n'ont pu passer avec succès le test de
Nakamura Nakamura. Nous avons enfin eu recours à la solution
théorique qui consiste à retenir comme instruments les variables
suspectées d'endogénéité retardées d'une
période. Celles-ci non plus, n'ont pu passer avec succès le test
de Nakamura Nakamura (les résultats sont aussi présentés
en annexe). Ces vaines tentatives pour instrumenter ces variables ne font que
confirmer la polémique autour du caractère endogène de ces
variables et en particulier celui du revenu par tête dans les
études sur la malnutrition.
Chapitre3/ Résultats
3.1) Les résultats attendus
Plusieurs études ont traité de la question des
déterminants du statut nutritionnel de l'enfant. Dans la plupart de ces
études, il s'agissait de voir quels sont les facteurs qui
améliorent l'état nutritionnel de ce dernier. Ainsi ces diverses
études ont trouvé que les variables :
- éducation des femmes,
- revenu par tête,
- disponibilité alimentaire,
- et accès à l'eau potable,
étaient positivement et significativement
corrélées avec la variable statut nutritionnel. Dans le cadre de
notre travail, nous pensons trouver des coefficients négatifs pour ces
variables, car notre variable endogène est le taux de prévalence
de la malnutrition des enfants.
En admettant qu'une femme éduquée13(*), c'est-à-dire une femme
ayant atteint le niveau d'éducation secondaire, acquiert suffisamment
d'informations pour s'occuper convenablement de l'alimentation de ces enfants,
du point de vue hygiène et composition alimentaire; l'on doit s'attendre
à un signe négatif pour cette variable. Cela traduirait le fait
que, plus la femme est éduquée, moins grand sera le taux de
prévalence de la malnutrition des enfants. Cette observation a
été faite dans plusieurs études sur la nutrition des
enfants dans le cas des ménages.
L'accès à l'eau potable a souvent
été utilisée dans les études
microéconomiques de la malnutrition des enfants. Cette variable serait
négativement corrélée au taux de prévalence de la
malnutrition. Selon le rapport de la Banque Mondiale (1997b), l'eau potable est
indispensable non seulement pour assurer l'hygiène et certains
métabolismes mais aussi pour permettre l'accomplissement des travaux
domestiques. A ce titre, elle contribue à la qualité de la
nourriture que consomme l'enfant et donc pourrait contribuer à
réduire la prévalence de la malnutrition. Dans certains cas,
cette variable est utilisée comme « proxy » de
l'ensemble de l'environnement sanitaire.
La relation entre disponibilité alimentaire et
nutrition est assez mitigée. Dans notre analyse des déterminants
de la malnutrition, nous arrivons à une relation négative entre
la disponibilité alimentaire et la prévalence de la malnutrition.
Cette relation ne serait cependant pas linéaire. En effet, il existe un
certain seuil à partir duquel le taux de prévalence augmente; on
pourrait dès lors penser que, plus la disponibilité alimentaire
est importante plus elle conduit à des surcharges alimentaires, pouvant
déboucher alors sur l'obésité. C'est cet argument qui
justifie l'introduction d'une forme quadratique du « des »
dans notre équation.
L'effet du revenu sur la malnutrition n'est pas aussi direct
que l'on pourrait l'imaginer. En fait, cette influence du revenu transite par
deux éléments:
- D'abord à travers la disponibilité
alimentaire, c'est-à-dire que plus le revenu croît, plus on est
à même de se procurer les aliments indispensables à la
ration alimentaire;
- Ensuite à travers l'environnement sanitaire puisque
l'on dispose des ressources nécessaires pour recourir normalement et
dans un délai raisonnable aux soins de santé ; ce qui
évite une destruction précoce du métabolisme. Cette
destruction, peut conduire à un manque d'appétit et donc à
une augmentation du taux de prévalence de la malnutrition. Donc plus on
dispose d'un revenu suffisant, plus faible serait le taux de prévalence
de la malnutrition.
La démocratie joue un rôle identique à
celui du revenu ; son rôle transite également par d'autres
facteurs. En effet, plus un gouvernement est démocratique, plus il
consacre une part plus grande de ces ressources à l'éducation,
à la promotion des services de santé et à la
redistribution des revenus. Ce sont là, des facteurs
intermédiaires qui agissent sur le taux de prévalence de la
malnutrition. Par ailleurs un pays démocratique respecte les droits de
l'Homme y compris les droits à la nourriture et à une bonne
nutrition13(*). Or,
ces deux facteurs sont importants pour lutter contre la malnutrition des
enfants. En définitive, on devrait trouver une relation négative
entre le taux de malnutrition et la démocratie, ce qui traduirait le
fait que plus un pays est démocratique, plus faible est la
prévalence de la malnutrition.
3.2/ Les résultats
obtenus (voir tableau1 en annexe)
Les résultats auxquels nous parvenons sont conformes
à ceux attendus sauf pour la démocratie dont le coefficient est
certes négatif mais pas significatif.
Ainsi, pour réduire le taux de prévalence de la
malnutrition de 1 point de pourcentage, il suffirait que l'accès
à l'eau potable augmente de 7,3 points de pourcentage
« ceteris paribus ».
Par ailleurs, l'effet de l'éducation des femmes dans la
réduction de la prévalence de la malnutrition dans les pays en
développement est beaucoup plus faible en ce sens que toute diminution
du taux de prévalence d'un point de pourcentage, devrait résulter
d'une augmentation du niveau d'éducation de celles ci de 14 points de
pourcentage environ (les autres facteurs restants inchangés).
Quant à la disponibilité alimentaire (des) et le
PIB par tête (gdp), une augmentation respective de 5,8 et de 0,53 points
de pourcentage est nécessaire pour réduire significativement le
taux de prévalence de la malnutrition de 1 point de pourcentage. En
outre, les termes quadratiques introduits pour prendre en compte la relation
non linéaire entre ces deux variables et le taux de prévalence de
la malnutrition sont positifs et significatifs. Ceci traduit le fait que dans
sa quête de revenus toujours supérieurs, la femme consacre moins
de temps à la nutrition des enfants en particulier à
l'allaitement des enfants; ce qui peut provoquer chez ces derniers, une carence
en nutriments essentiels, indispensables à un bon statut nutritionnel et
à un développement harmonieux.
Le recours à la méthode des variables
instrumentales ne confirme pas les résultats présentés
antérieurement bien que ces variables aient passé avec
succès le test d'endogénéité. Ceci montre peut
être la polémique sur la pertinence de l'instrumentation du revenu
par le PIB par tête ou de la disponibilité alimentaire par la
quantité d'engrais utilisée. Nous avons alors adopté la
solution théorique préconisée qui consiste à
prendre comme variables instrumentales, les variables suspectées
d'endogénéité retardées d'une période. Les
deux variables retardées d'une période franchissent le stade des
étapes intermédiaires qui consiste à régresser les
variables endogènes sur leurs instruments et les autres variables
exogènes du modèle. Cependant, elles ne passent pas le test
d'endogénéité, les résidus ne sont pas
conjointement significativement différents de zéro.
En outre, nous avons regardé s'il existait des
différences régionales dans l'étude sur les
déterminants de la malnutrition entreprise ici. Pour ce faire, nous
avons repris nos estimations en y introduisant une à une les variables
muettes créées pour les pays de l'Afrique Sub Saharienne (ass),
l'Asie (asie) et l'Amérique Latine (amer). Nous avons ensuite introduits
ces variables à la fois dans une même équation14(*).
Dans toutes les équations régressées pour
chacune des variables muettes, on arrive à des coefficients tous
significatifs sauf pour les pays de l'Amérique du sud, alors que ces
coefficients sont conjointement significatifs15(*).
CONCLUSION
L'étude menée sur les déterminants de la
malnutrition dans les pays en développement portait sur trois objectifs
principaux à savoir :
- Avoir une meilleure compréhension des
déterminants clés de cette dernière dans le monde en
général, et dans les pays en développement en
particulier ;
- Ensuite, pouvoir agir sur lesdits déterminants afin
de réduire la prévalence de la malnutrition dans le temps et ce
de façon durable, tout en freinant les conséquences
négatives que celle-ci engendre sur la mortalité infantile;
- Enfin permettre aux différents gouvernements de
pouvoir mettre en place des politiques viables afin de dégager
éventuellement des ressources à affecter à d'autres
secteurs de la santé dans l'avenir.
Notre analyse sur les déterminants de la malnutrition
dans les pays en développement a montré que les variables :
éducation des femmes, accès à l'eau potable,
disponibilité alimentaire et revenu par tête sont
négativement et significativement corrélées à la
malnutrition des enfants. De là, un ensemble d'actions pourrait
être envisagé dans le sens de la réduction de la
prévalence de la malnutrition dans les pays en développement.
Ainsi, pour l'éducation des femmes, des politiques
incitatives devrait être mises en place afin d'améliorer
l'accès de ces dernières à une meilleure éducation
si l'on veut inverser la tendance de la malnutrition infantile. Par ailleurs,
de meilleures stratégies en terme d'accessibilité à l'eau
potable et en terme de redistribution des revenus dans lesdits pays devrait
tendre à réduire significativement la prévalence de la
malnutrition. Enfin, un accès plus juste à l'alimentation devrait
aussi aider à lutter contre le problème.
Toutefois, même si pour notre échantillon, la
variable démocratie ne ressort pas significative dans la
réduction de la malnutrition, il n'en demeure pas moins qu'elle reste
une des conditions indispensables à une meilleure redistribution des
revenus en particulier, et à une amélioration de
l'éducation en général. Il est donc important dans une
telle situation d'améliorer conjointement ces différentes
variables dans le sens de réduire la prévalence de la
malnutrition.
Si toutes ces actions sont correctement menées, la
conséquence serait une réduction de la malnutrition des enfants
de moins de cinq ans, mais aussi la réduction de la mortalité
infantile dans les pays en développement. Par ailleurs cela permettra
aux Etats de dégager des ressources à affecter à divers
autres secteurs de la santé afin de tendre vers la réalisation
des Objectifs du Millénaire pour le Développement.
En conclusion, nous pouvons dire que les résultats sont
acceptables sous l'hypothèse de normalité des résidus et
de stricte exogénéïté des variables
(suspectées d'endogénéïté) que nous n'avons
pas pu résoudre. En outre, il serait intéressant de comparer les
effets relatifs de chacune des variables explicatives sur le taux de
prévalence de la malnutrition afin d'établir des ordres de
priorité dans les politiques d'intervention sur la question de la
malnutrition. La recherche peut alors être poursuivie dans ce sens.
BIBLIOGRAPHIE
Amy L. Rice et al. La malnutrition: cause
sous-jacente des décès de l'enfant par maladies infectieuses dans
les pays en développement, 2000
B. Arzel et al. Malnutrition et
inégalités sociales, 2005
Claudio Araujo, Jean François Brun et Jean Louis
combes. Econométrie (repères, cours et application),
2004
Dominique and Jonathan Haughton. Explaining
child nutrition in Vietnam, 1997
Haddad and Oshaug. How Does the Human Rights
Perspective Help to Shape the Food and Nutrition Policy Research Agenda?
1998
Kangni Kpodar, Manuel d'initiation à
Stata (Version 8), Janvier 2005
Monica Das Gupta. Improving child nutrition
outcomes in India, 2005
ANNEXES
xtreg chmal safew femsed des gdp democ var1 var2,re
Random-effects GLS regression Number of obs
= 179
Group variable (i): id Number of groups
= 63
R-sq: within = 0.4078 Obs per group:
min = 2
between = 0.4065
avg = 2.8
overall = 0.4062
max = 5
Random effects u_i ~ Gaussian Wald chi2(7)
= 115.64
corr(u_i, X) = 0 (assumed) Prob > chi2
= 0.0000
------------------------------------------------------------------------------
chmal | Coef. Std. Err. z P>|z| [95%
Conf. Interval]
-------------+----------------------------------------------------------------
safew | -.0729228 .0374185 -1.95
0.051 -.1462617 .0004162
femsed | -.1405696 .0548179 -2.56
0.010 -.2480107 -.0331285
des | -.0528704 .021092 -2.51
0.012 -.09421 -.0115308
gdp | -.0052844 .0017472 -3.02
0.002 -.008709 -.0018599
democ | -.4826657 .4270883 -1.13
0.258 -1.319743 .3544119
var1 | 9.28e-06 4.33e-06 2.14 0.032
7.82e-07 .0000178
var2 | 4.72e-07 1.76e-07 2.69 0.007
1.28e-07 8.16e-07
_cons | 114.9489 25.18242 4.56 0.000
65.59229 164.3056
-------------+----------------------------------------------------------------
sigma_u | 10.635114
sigma_e | 4.4335881
rho | .85194069 (fraction of variance due to u_i)
------------------------------------------------------------------------------
Table 1: statistiques
descriptives
Variable | Mean Std. Dev. Min Max |
Observations
-----------------+--------------------------------------------+----------------
chmal overall | 24.62522 15.04972 .9 71.3 |
N = 179
between | 14.26103
1.65 66.15 | n = 63
within | 4.535403
10.53722 38.71322 | T-bar = 2.84127
|
|
safew overall | 56.17655 23.67131 6 100 |
N = 179
between | 21.47801
15.5 99 | n = 63
within | 10.25317
29.17655 87.92655 | T-bar = 2.84127
|
|
femsed overall | 33.85494 22.47135 2.5 88 |
N = 179
between | 21.60507
3.7 81.54 | n = 63
within | 6.871134
12.05494 53.55494 | T-bar = 2.84127
|
|
des overall | 2360.017 331.2081 1592 3284 |
N = 179
between | 308.453
1676 3084.5 | n = 63
within | 126.191
1953.017 2778.017 | T-bar = 2.84127
|
|
gdp overall | 2305.518 1779.101 305.67 8611.6 |
N = 179
between | 1683.671
341.015 6739.525 | n = 63
within | 438.9313
897.8685 5046.463 | T-bar = 2.84127
|
|
democ overall | 3.51676 1.673404 1 7 |
N = 179
between | 1.494365
1 6.875 | n = 63
within | .7734626
1.01676 6.26676 | T-bar = 2.84127
|
|
var1 overall | 5678765 1632458 2534464 1.08e+07 |
N = 179
between | 1514901 2816032 9559571 |
n = 63
within | 619395.1 3577556 7803239 |
T-bar = 2.84127
|
|
var2 overall | 8462935 1.26e+07 93434.16 7.42e+07 |
N = 179
between | 1.12e+07 117540.5 4.56e+07 |
n = 63
within | 4780719 -7094668 4.56e+07 |
T-bar = 2.84127
Tableau a
Random-effects GLS regression Number of obs
= 179
Group variable (i): id Number of groups
= 63
R-sq: within = 0.3824 Obs per group:
min = 2
between = 0.5043
avg = 2.8
overall = 0.5062
max = 5
Random effects u_i ~ Gaussian Wald chi2(8)
= 129.69
corr(u_i, X) = 0 (assumed) Prob > chi2
= 0.0000
------------------------------------------------------------------------------
chmal | Coef. Std. Err. z P>|z| [95%
Conf. Interval]
-------------+----------------------------------------------------------------
safew | -.0615283 .0377593 -1.63 0.103
-.1355351 .0124785
femsed | -.1579551 .0546584 -2.89 0.004
-.2650835 -.0508267
des | -.0501669 .0211588 -2.37 0.018
-.0916373 -.0086964
gdp | -.0068795 .0017638 -3.90 0.000
-.0103365 -.0034226
democ | -.6246848 .4320048 -1.45 0.148
-1.471399 .222029
Ass | -7.863557 2.652675 -2.96 0.003
-13.0627 -2.664409
var1 | 8.81e-06 4.34e-06 2.03 0.042
3.04e-07 .0000173
var2 | 6.09e-07 1.79e-07 3.41 0.001
2.59e-07 9.59e-07
_cons | 117.019 25.31839 4.62 0.000
67.39584 166.6421
-------------+----------------------------------------------------------------
sigma_u | 9.4628794
sigma_e | 4.4431958
rho | .81935825 (fraction of variance due to u_i)
------------------------------------------------------------------------------
Tableau b
Random-effects GLS regression Number of obs
= 179
Group variable (i): id Number of groups
= 63
R-sq: within = 0.4082 Obs per group:
min = 2
between = 0.7033
avg = 2.8
overall = 0.6962
max = 5
Random effects u_i ~ Gaussian Wald chi2(8)
= 216.40
corr(u_i, X) = 0 (assumed) Prob > chi2
= 0.0000
------------------------------------------------------------------------------
chmal | Coef. Std. Err. z P>|z| [95%
Conf. Interval]
-------------+----------------------------------------------------------------
safew | -.0634679 .0351803 -1.80 0.071
-.13242 .0054841
femsed | -.1672294 .0484569 -3.45 0.001
-.2622032 -.0722556
des | -.0591712 .0198586 -2.98 0.003
-.0980934 -.0202491
gdp | -.0040248 .0015262 -2.64 0.008
-.007016 -.0010335
democ | -.2124011 .4018657 -0.53 0.597
-1.000043 .5752411
asie | 19.46549 2.514976 7.74 0.000
14.53623 24.39475
var1 | .0000106 4.06e-06 2.61 0.009
2.62e-06 .0000185
var2 | 3.75e-07 1.62e-07 2.32 0.020
5.84e-08 6.92e-07
_cons | 115.7883 23.67189 4.89 0.000
69.3922 162.1843
-------------+----------------------------------------------------------------
sigma_u | 7.3908877
sigma_e | 4.4335881
rho | .73537703 (fraction of variance due to u_i)
Tableau c
Random-effects GLS regression Number of obs
= 179
Group variable (i): id Number of groups
= 63
R-sq: within = 0.4061 Obs per group:
min = 2
between = 0.4223
avg = 2.8
overall = 0.4206
max = 5
Random effects u_i ~ Gaussian Wald chi2(8)
= 116.75
corr(u_i, X) = 0 (assumed) Prob > chi2
= 0.0000
------------------------------------------------------------------------------
chmal | Coef. Std. Err. z P>|z| [95%
Conf. Interval]
-------------+----------------------------------------------------------------
safew | -.0756199 .0375299 -2.01 0.044
-.1491772 -.0020627
femsed | -.1344177 .0551019 -2.44 0.015
-.2424154 -.0264201
des | -.0519027 .0211213 -2.46 0.014
-.0932996 -.0105058
gdp | -.0044597 .0019226 -2.32 0.020
-.0082278 -.0006916
democ | -.3786569 .4388791 -0.86 0.388
-1.238844 .4815304
amer | -3.808827 3.685886 -1.03 0.301
-11.03303 3.415377
var1 | 8.93e-06 4.35e-06 2.05 0.040
4.08e-07 .0000175
var2 | 4.06e-07 1.87e-07 2.17 0.030
3.99e-08 7.73e-07
_cons | 113.9466 25.21165 4.52 0.000
64.53268 163.3605
-------------+----------------------------------------------------------------
sigma_u | 10.597076
sigma_e | 4.4335881
rho | .85103449 (fraction of variance due to u_i)
------------------------------------------------------------------------------
Test joint pour les diffétences
régionales
Random-effects GLS regression Number of obs
= 179
Group variable (i): id Number of groups
= 63
R-sq: within = 0.4100 Obs per group:
min = 2
between = 0.7040
avg = 2.8
overall = 0.7007
max = 5
Random effects u_i ~ Gaussian Wald chi2(10)
= 213.99
corr(u_i, X) = 0 (assumed) Prob > chi2
= 0.0000
------------------------------------------------------------------------------
chmal | Coef. Std. Err. z P>|z| [95%
Conf. Interval]
-------------+----------------------------------------------------------------
safew | -.0604726 .0355092 -1.70 0.089
-.1300693 .0091242
femsed | -.1742798 .0493862 -3.53 0.000
-.2710751 -.0774846
des | -.0603856 .0200467 -3.01 0.003
-.0996765 -.0210947
gdp | -.0046053 .0017075 -2.70 0.007
-.007952 -.0012586
democ | -.3048312 .4159567 -0.73 0.464
-1.120091 .5104289
var1 | .0000109 4.12e-06 2.66 0.008
2.87e-06 .000019
var2 | 4.23e-07 1.74e-07 2.43 0.015
8.22e-08 7.64e-07
Ass | -.1241447 2.923945 -0.04 0.966
-5.854971 5.606681
asie | 20.08716 3.390911 5.92 0.000
13.44109 26.73322
amer | 2.390122 3.401495 0.70 0.482
-4.276685 9.056929
_cons | 117.12 23.77698 4.93 0.000
70.51799 163.722
-------------+----------------------------------------------------------------
sigma_u | 7.5018673
sigma_e | 4.4431958
rho | .74030533 (fraction of variance due to u_i)
------------------------------------------------------------------------------
test Ass asie amer
( 1) Ass = 0
( 2) asie = 0
( 3) amer = 0
chi2( 3) = 59.33
Prob > chi2 =
0.0000
Tableau d: Les seuils de prévalence de la
malnutrition
|
|
|
Prévalence de la malnutrition
|
|
|
|
faible
|
Moyenne
|
élevée
|
très élevée
|
|
Retard de croissance
|
< 2O
|
20--29
|
30--39
|
= 40
|
|
Insuffisance pondérale
|
< 10
|
10--19
|
20--29
|
= 30
|
|
Emaciation
|
< 5
|
5--9
|
10--14
|
= 15
|
|
Source: OMS,1997 :
http//www.who.int/nutgrowthdb/about/introduction/en/print.html
|
Tentatives d'instrumentation des variables des et
gdp
xtreg des desr femsed safew gdp democ var1 var2,re
Random-effects GLS regression Number of obs
= 116
Group variable (i): id Number of groups
= 63
R-sq: within = 0.9908 Obs per group:
min = 1
between = 0.9926
avg = 1.8
overall = 0.9934
max = 4
Random effects u_i ~ Gaussian Wald chi2(7)
= 13320.72
corr(u_i, X) = 0 (assumed) Prob > chi2
= 0.0000
------------------------------------------------------------------------------
des | Coef. Std. Err. z P>|z| [95%
Conf. Interval]
-------------+----------------------------------------------------------------
desr | -.0271257 .0104588 -2.59 0.009
-.0476245 -.0066269
femsed | -.1765366 .188886 -0.93 0.350
-.5467465 .1936732
safew | .1583751 .1351922 1.17 0.241
-.1065967 .4233469
gdp | .0126273 .0057275 2.20 0.027
.0014017 .023853
democ | 4.002892 1.456974 2.75 0.006
1.147276 6.858508
var1 | .0002028 2.57e-06 78.97 0.000
.0001977 .0002078
var2 | -1.56e-06 5.22e-07 -2.98 0.003
-2.58e-06 -5.33e-07
_cons | 1236.222 20.44502 60.47 0.000
1196.151 1276.294
-------------+----------------------------------------------------------------
sigma_u | 29.848202
sigma_e | 10.717996
rho | .88578594 (fraction of variance due to u_i)
------------------------------------------------------------------------------
predict res2,e
(63 missing values generated)
xtreg gdp gdpr femsed safew democ var1 var2,re
Random-effects GLS regression Number of obs
= 116
Group variable (i): id Number of groups
= 63
R-sq: within = 0.9148 Obs per group:
min = 1
between = 0.9848
avg = 1.8
overall = 0.9819
max = 4
Random effects u_i ~ Gaussian Wald chi2(6)
= 3168.20
corr(u_i, X) = 0 (assumed) Prob > chi2
= 0.0000
------------------------------------------------------------------------------
gdp | Coef. Std. Err. z P>|z| [95%
Conf. Interval]
-------------+----------------------------------------------------------------
gdpr | .3898027 .0355982 10.95 0.000
.3200315 .4595739
femsed | 5.927072 1.937253 3.06 0.002
2.130126 9.724019
safew | 2.702005 1.721878 1.57 0.117
-.6728128 6.076823
democ | -14.56549 18.81409 -0.77 0.439
-51.44043 22.30945
var1 | .0000678 .0000242 2.80 0.005
.0000203 .0001153
var2 | .0000745 3.26e-06 22.86 0.000
.0000681 .0000809
_cons | 104.5504 138.3647 0.76 0.450
-166.6395 375.7404
-------------+----------------------------------------------------------------
sigma_u | 196.83002
sigma_e | 138.10355
rho | .67010796 (fraction of variance due to u_i)
------------------------------------------------------------------------------
predict res1,e
(63 missing values generated)
xtreg chmal safew femsed des gdp democ var1 var2 res2
res1,re
Random-effects GLS regression Number of obs
= 116
Group variable (i): id Number of groups
= 63
R-sq: within = 0.1272 Obs per group:
min = 1
between = 0.4909
avg = 1.8
overall = 0.4720
max = 4
Random effects u_i ~ Gaussian Wald chi2(9)
= 64.24
corr(u_i, X) = 0 (assumed) Prob > chi2
= 0.0000
------------------------------------------------------------------------------
chmal | Coef. Std. Err. z P>|z| [95%
Conf. Interval]
-------------+----------------------------------------------------------------
safew | -.0102579 .0542928 -0.19 0.850
-.1166698 .096154
femsed | -.0207767 .0720456 -0.29 0.773
-.1619835 .1204301
des | .0279598 .0469644 0.60 0.552
-.0640887 .1200084
gdp | -.0102693 .0026252 -3.91 0.000
-.0154147 -.0051239
democ | -.744575 .6119889 -1.22 0.224
-1.944051 .4549012
var1 | -6.13e-06 9.40e-06 -0.65 0.514
-.0000246 .0000123
var2 | 9.01e-07 2.54e-07 3.55 0.000
4.03e-07 1.40e-06
res2 | -.1308313 .0816576 -1.60 0.109
-.2908774 .0292147
res1 | .0025414 .0041498 0.61 0.540
-.005592 .0106749
_cons | 12.01765 56.40751 0.21 0.831
-98.53904 122.5743
-------------+----------------------------------------------------------------
sigma_u | 9.3151279
sigma_e | 4.4393346
rho | .81491528 (fraction of variance due to u_i)
------------------------------------------------------------------------------
test res2 res1
( 1) res2 = 0
( 2) res1 = 0
chi2( 2) = 3.16
Prob > chi2 = 0.2059
* 1 « Toute
personne a droit à un niveau de vie suffisant, pour assurer sa
santé, son bien-être et ceux de sa famille, notamment pour
l'alimentation, pour l'habillement, le logement, les soins médicaux
ainsi que pour les services sociaux nécessaires ; [...] »
in Malnutrition et inégalités sociales (2005)
* 2 La malnutrition dans le
monde 2004
* 3 Amy L. Rice, Lisa Sacco,
Adnan Hyder et Robert E. Black, La malnutrition : cause sous-jacente des
décès de l'enfant par maladies infectieuses dans les pays en
développement.
* 4 Voir annexe tableau 2
* 5 Le Z-score compare la
taille ou le poids observé chez un individu à celui de la valeur
de la médiane de la population de référence
pondéré par l'inverse de l'écart type de cette même
population. On pourra se reporter à au tableau d en annexe pour un
aperçu sur les seuils de malnutrition.
* 6 Taux de
prévalence=Effectifs des enfants de moins de cinq ans souffrant de
malnutrition/Effectif de la population de la même tranche d'âge en
milieu de période.
* 7 On entend par
éducation secondaire le fait d'atteindre le collège (de la
sixième à la troisième).
* 8 Les récentes
études utilisant le revenu contournent les difficultés
liées à la fiabilité de cette variable pour construire un
indice linéaire de revenus par la méthode en composant
principale ; cas de Filmer et Pritchett (2001)
* 9 Freedom House (1997). Les
données de Freedom House democracy peuvent être
sollicitées à l'adresse suivante: frhouse@freedomhouse.org.
* 10 Improving child nutrition
outcomes in India (Monica Das Gupta, 2005)
* 11 Explaining child nutrition
in Vietnam (Dominique et Jonathan Haughton, 1997)
* 12 Econométrie
(repères, cours et application) ; Claudio Araujo, Jean
François Brun et Jean Louis combes (2004)
* 11 Des études de D.M.Blaud au
Nicaragua, celui de D. Thomas et autres au Brésil et Strauss en
Côte d'ivoire.
Par contre Strauss trouve cette relation non
linéaire ; ce que infirme D.E. Sahn sur les mêmes
données.
* 13 How Does the Human Rights
Perspective Help to Shape the Food and Nutrition Policy Research Agenda?
Haddad et Oshaug (1998)
* 14 Voir tableaux
* 15 Voir tableau : a
(pour ass), b (asie) c (amer)
| 
