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

 > 

Impact économique du changement climatique sur l'agriculture au Bénin.

( Télécharger le fichier original )
par Fabrice AGOSSOU
Université d'Abomey-Calavi - Maîtrise 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

B/ Adaptation du modèle ricardien au contexte d'étude

Le modèle ricardien tel que exposé suppose implicitement que la variation du revenu net est indépendante des facteurs endogènes à l'exploitation. La combinaison de facteurs endogènes d'une période à l'autre n'influe donc pas sur le revenu net à l'hectare durant la période de l'étude car étant constante. Cette hypothèse implicite nous paraît irréaliste dans le contexte de notre étude. En effet les paysans béninois étant en majorité constitués de population pauvre, sont soumis à des contraintes surtout à la contrainte financière ; ce qui occasionne une variation des inputs par hectare d'une saison agricole à l'autre. Par conséquent, les variations du revenu agricole à l'hectare ne sauraient être attribuées uniquement aux variables exogènes, mais aussi aux variables endogènes. Ceci justifie l'introduction de nouvelles variables dans l'équation (2) pour tenir compte de ces faiblesses. Dans un premier temps nous introduisons la quantité d'engrais par hectare (E) en tonne métrique. En ce qui concerne le facteur travail, nous retenons la variable PA défini comme le nombre d'agriculteur à l'hectare. L'introduction de cette variable est motivée par l'idée qu'un nombre élevé d'agriculteurs à l'hectare permettra un meilleur rendement dans la mesure où elle contribue à un respect du calendrier cultural. En effet, un bon rendement est tributaire également de la tenue des activités agricoles à tant : le semis, le laboure, le sarclage, l'épandage d'engrais la récolte...sont des activités agricoles dont le respect des dates respectives d'exécution peut s'avérer crucial pour un rendement conséquent et partant un revenu élevé. Dans la plupart des cas, ces dates ne sont pas respectées parce que, d'un côté les paysans n'ont pas les moyens nécessaires pour faire appel à la main d'oeuvre salariée ; de l'autre, la superficie qu'ils exploitent est trop importante pour qu'ils puissent tenir toutes les activités agricoles à tant sans faire recours à la main d'oeuvre extérieure.

Le vecteur m inclus dans le cadre de la plupart des études qui ont employé cette méthode la superficie irriguée, la technique agricole, la vulgarisation, la qualité du sol. Seul quelques uns de ces facteurs nous paraissent pertinents dans le contexte béninois. En effet, la pratique de l'irrigation au bénin est encore embryonnaire, et aussi la vulgarisation reste marginale. Par contre en ce qui concerne la technique agricole, la culture attelée est pratiquée dans certaines localités ainsi que le laboure par tracteur.

Pour capter l'impact des techniques agricoles, nous introduisons dans l'équation à estimer la variable Tr qui reflète le nombre de tracteurs par hectare. L'équation se présente donc comme suit :

(3)

désigne les saisons ; est la température moyenne annuelle pour la saison j ; désigne les précipitations moyennes annuelles pour la saison j ; Tr, E et PA les variables précédemment annoncées et un terme d'erreur. Nous supposons que suit une loi normale centrée réduite N (0 ; 1). Notre travail consiste dans un premier temps à estimer l'équation (3). Ensuite nous choisissons un horizon temporel puis enfin déterminer l'impact global de la température et des précipitations sur la variable dépendante qui est équivalent à l'impact du changement climatique dans notre étude. L'estimation du modèle spécifié se déroule en plusieurs étapes :

· Identification de l'ordre d'intégration de DICKEY et FULLER

Avant tout traitement économétrique il convient de s'assurer de la stationnarité des variables. Une série chronologique est stationnaire si sa variance et son espérance restent inchangées au cours du temps. En d'autre terme la série stationnaire ne comporte ni tendance, ni saisonnalité. DICKEY et FULLER (1979 : 1981) ont mis au point un test permettant non seulement de détecter l'existence d'une tendance mais aussi la bonne manière de stationnariser une série. Le test de racine indique l'ordre d'intégration des séries. Il en découle donc qu'une série est intégrée d'ordre 1 s'il convient de la différencier une fois avant de la stationnariser. Il est important de rappeler que le choix porté sur DIKEY FULLER Augmented se justifie par le fait qu'il tient compte d'une éventuelle autocorrelation des termes d'erreurs.

· Test de cointégration d'Engle-Granger et le modèle à correction d'erreur

L'analyse de la cointégration permet d'appréhender clairement la relation entre deux variables. Les séries et sont cointégrées si et seulement si ces séries sont affectées de même ordre d'intégration. Une combinaison linéaire de ces séries permet de ramener à une série d'ordre d'intégration inférieur. La cointégration d'Engle-Granger est une méthode à double étape :

Etape 1 : la relation de long terme est estimée par la méthode des moindres carrés ordinaires (MCO). Le résidu de la régression est ensuite soumis au test de stationnarité. Le processus est intégré si le résidu est stationnaire. Dans le cas contraire les séries ont des trajectoires divergentes et n'admettent pas de relation de long terme.

Etape 2 : si l'hypothèse est retenue, on estime le modèle à correction d'erreur (MCE). Engle et Granger (1987) ont montré à travers le théorème de la représentation de Granger que toutes les séries cointégrées peuvent être représentées par un MCE qui permet de corriger les écarts afin de converger vers l'équilibre de long terme et en même temps de connaître les comportements de court terme.

· Test de cointégration de Johansen

Il permet par la méthode de maximum de vraisemblance de tester l'existence d'une relation de long terme dans les séries temporelles stationnaire et d'obtenir tous les vecteurs de cointégration dans un cadre multi varié. Contrairement à l'approche d'Engle et Granger qui ne tient compte que d'une relation de cointégration, celle de Johansen paraît plus attrayante lorsqu'on veut tester la cointégration dans un système de plusieurs variables. Ce test est basé sur deux approches :

· La première, appelée statistique de la trace, teste l'existence d'au moins n vecteurs de cointégration dans un système comportant N-n variables.

· La seconde dénommée statistique de la valeur propre maximale, teste s'il existe exactement n vecteurs de cointégration contre l'alternative de n+1 vecteurs.

· Test de normalité de JARQUE-BERA

Il est utile de vérifier dans un travail de recherche, la normalité des erreurs surtout pour le calcul des intervalles de confiance et aussi pour effectuer les tests de student sur les paramètres. Le test de Jarque-Bera (1984) fondé sur la notion de Skewness (asymétrie) et de Kurtois (aplatissement), permet de vérifier la normalité d'une distribution statistique.

· Test de BREUSH-GODFREY

Ce test fondé sur un test de Fisher de nullité des coefficients (F-statistique) ou de multiplicateur de Lagrange (nR2) permet de tester une autocorélation d'un ordre supérieur à 1. L'idée générale de ce test réside dans la recherche d'une relation significative entre le résidu et ce même résidu décalée au seuil de 5%.

· Test de significativité

Les variables significatives retenues dans le cadre de l'étude peuvent être non significatives dans l'explication de la variable dépendante du modèle. Ainsi à partir du modèle de long terme estimé par les MCO, la significativité de chacune des variables est déterminée par la lecture des probabilités critiques qui seront inférieure à 5% ou les « t-statistic » supérieures à 1,96. Quand à la significativité globale du modèle, elle est déterminée à travers la valeur Prob (F-statistic) qui doit être inférieure à 5%.

· Test d'homoscédasticité de White

Le texte d'homoscédasticité est utile dans la mesure où il permet de détecter et de corriger l'hétéroscédasticité des erreurs. Plusieurs tests existent pour la détection de l'hétéroscédasticité des erreurs mais nous retenons celui de White. Le test de White est fondé sur une relation significative entre le carré du résidu et une ou plusieurs variables explicatives en niveau et au carré au sein d'une équation de régression. Le modèle est homoscédastique si la probabilité est supérieure à 5%. Il est hétéroscédastique dans le cas contraire

· Le CUSUM (Cumulative Sum)

Il est fondé sur la somme cumulée des résidus récursifs et permet d'étudier la stabilité des équations de régressions au cours du temps. Si les coefficients sont stables, alors les résidus récursifs doivent rester dans l'intervalle défini au seuil de confiance de 5%. Dans le cas contraire le modèle est réputée instable.

· Le CUSUM SQ (Cumulative Sum Square)

Il est fondé sur la somme cumulée du carré des résidus récursifs et permet de détecter des modifications aléatoires (ponctuelles) dans le comportement du modèle. Si les coefficients sont stables au cours du temps, alors les résidus récursifs carrés doivent rester dans l'intervalle de confiance. L'estimation du modèle se fera à l'aide du logiciel Eviews 5

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








"L'imagination est plus importante que le savoir"   Albert Einstein