WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Les systèmes fourragers des zones montagneuses: contraintes et intérêts des fabacées dans la fixation des sols et l'accroissement des ressources herbagères des petites exploitations

( Télécharger le fichier original )
par Slim Slim
Institut national agronomique de Tunisie - Docteur en sciences agronomiques 2012
  

précédent sommaire suivant

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

1.3. Segmentation

La technique de segmentation a été utilisée pour la classification des résultats. Cette dernière permet de visualiser la jonction des variables d'une manière hiérarchique. L'ensemble est configuré en arbre selon les branchements possible des paramètres inclus dans le modèle par rapport à la variable cible. Les groupes de variables ont été hiérarchisés en arbre de segmentation. Deux segmentations ont été testées : la première avec la région comme variable cible et la seconde avec la connaissance et pratique de la rotation comme variable cible

1.3.1. Segmentation selon un modèle simple

La variation inter régions est expliquée par le profil de l'exploitant agricole (G1), les conditions environnementales (G2), le profil de l'exploitation (G3) et la connaissance et pratique de la rotation (G4) (Figure 34).

Figure 34. Segmentation selon le modèle simple

Le classement des groupes de variables explicatives de la variation régionale est successivement le profil de l'exploitant (G1), l'environnement (G2) et la rotation (G3) pour les trois régions.

- en première étape, l'ensemble des agriculteurs a été divisé en deux classes caractérisant le profil de l'exploitant favorable (=profil) et non favorable (> profil) à la rotation;

- en deuxième étape, les deux classes précédentes se bifurquent en quatre sous-classes. Les deux premières selon l'environnement de l'exploitation favorable (=environ) ou non (>environ) à la rotation; et les deux autres sous-classes selon la connaissance et la pratique de la rotation favorable (=connais) et non favorable (>connais) à la rotation; et

- Enfin, la sous-classe des exploitants ayant un profil et un environnement favorables à la rotation est subdivisée en deux sous-classes de connaissance et de pratique de rotation favorable et non favorable.

Ce modèle explique la variation régionale à 46,7%.

1.3.2. Segmentation selon un modèle de croissance

La rotation (G4) sera déterminée par le profil de l'exploitant agricole (G1), les conditions environnementales (G2), le profil de l'exploitation (G3) et la région (Figure 35).

Figure 35. Segmentation selon le modèle croissance

Le classement des groupes de variables explicatives de la rotation (G4) est successivement le profil de l'exploitation (G3), le profil de l'exploitant (G1) et la région. En conséquence, l'ensemble des exploitants est classé:

- premièrement, en deux profils de l'exploitation favorable (=exploit) et non favorable (> exploit) à la rotation;

- deuxièment, la sous-classe du profil de l'exploitation favorable à la rotation est de même subdivisée en deux sous autres classes selon le profil de l'exploitant favorable (=profil) et non favorable (> profil) à la rotation; et

- enfin, la sous-classe des exploitants ayant un profil de l'exploitant et de l'exploitation favorables à la rotation est subdivisée en deux sous-classes selon de la région.

Ce modèle explique dans ce cas une variation plus intéressante de l'ordre de 65,3%.

La comparaison des deux modèles de segmentation conduit à opter pour la classification des agriculteurs enquêtés selon la variable cible qui est la rotation (G4), et ce dans la suite du présent travail de recherche.

précédent sommaire suivant






Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy








"Qui vit sans folie n'est pas si sage qu'il croit."   La Rochefoucault