Etude des facteurs explicatifs de la survenue des accidents du travail dans les entreprises du secteur prive en Côte d'ivoire

PLAN D'ANALYSE

Il s'agit à ce niveau décrire la méthode d'analyse. Cette démarche d'analyse s'est orientée vers la détermination des facteurs influençant la survenance des accidents du travail dans les entreprises en Côte d'Ivoire parmi les caractéristiques individuelles, socio-professionnnelles du travailleur et certaines caractéristiques de l'entreprise. La présente section décrit les différentes approches d'analyse utilisées dans cette étude et le modèle utilisé.

4-1. Différentes approches

Deux types d'approche ont été utilisés : l'approche descriptive et l'approche explicative. L'approche descriptive a consisté en une série d'analyses uniquement descriptives et cela en prélude à l'analyse explicative. Il s'est agi d'analyser les différents liens ou associations possibles entre chacune des variables indépendantes et la variable dépendante (le nombre d'accidents). Nous avons alors croisé la variable dépendante avec chaque variable indépendante et effectué des tests d'association entre les variables : le test de Fisher (Fisher's exact sous STATA), et le test de Pearson. L'approche explicative ou analyse inférentielle a consisté à vérifier cette association entre ces variables afin de confirmer les tendances observées par l'analyse descriptive. Nous avons eu, alors, recours à la modélisation économétrique des déterminants de la survenance des accidents du travail.

Précisons cependant que l'angle sous lequel nous abordons cette étude n'est pas la prédiction de la survenance des accidents du travail au sein des entreprises du secteur privé en Côte d' Ivoire, mais plutôt une estimation de l'association entre la survenance de ces accidents et les variables indépendantes énumérées plus haut. Pour ce faire, nous avons utilisé le modèle que nous présentons dans le prochain point.

4-2. Modèles économétriques (méthode d'estimation)

Dans la théorie, le nombre d'accidents dont un travailleur est victime dans une période de longueur t (>o) est distribué selon la loi de Poisson. Le nombre d'accidents (Y_i) d'un travailleur i dans une période donnée est fonction d'un vecteur de variables exogènes (X_i) représentant les caractéristiques individuelles, socio-professionnelles et organisationnelles (GOURIEROUX et al., 1984 ; CAMERON et TRIVALDI, 1986 ; DIONNE et VANASSE, 1992). La probabilité d'avoir un accident aura la forme suivante :

(1)

Où exp (X_iâ) = E(Y_i|X_i) = Var (Y_i|X_i) et où E(Y_i|X_i) est l'espérance conditionnelle, Var(Y_i|X_i) est la variance conditionnelle et â est un vecteur de paramètres à estimer par la méthode du maximum de vraisemblance.

Notons cependant que la restriction « variance égale à la moyenne » n'est pas toujours compatible avec les données. L'hétérogénéité n'est pas toujours captée ou saisie par la composante de la régression (X_iâ).

GOURIEROUX et al, (1984) suggèrent d'étendre le modèle de Poisson en ajoutant un terme aléatoire dans la composante de régression, afin de tenir compte de l'effet de variables non observables ou d'autres effets aléatoires. Si on suppose que exp (å_i)=ã_i suit une loi Gamma avec la fonction de densité :

ã>0, á>0 (2)

Alors E(ã_i) = 1 et var(ã_i) = á

Si l'on ajoute le terme aléatoire å_i dans l'équation (1), la probabilité individuelle d'avoir accidents devient alors :

(3)

Ou sous la condition définie précédemment sur la distribution de ã_i :

(4)

Qui est la distribution Binomiale négative avec E (Y_i|X_i) = exp (X_iâ) et Var (Y_i|X_i) = exp[ (X_iâ)(1+á exp(X_iâ)], á est alors considéré comme le paramètre de sur-dispersion.

La valeur du paramètre de sur-dispersion á va indiquer lequel des deux modèles (le modèle Poisson et le modèle binomial négatif) est le plus adapté. Le Likelihood-ratio test (LR) sous STATA permet de tester l'hypothèse nulle :. Dans notre cas, il donne une p-value supérieure à 0,05, on accepte alors l'hypothèse nulle. On peut par conséquent, affirmer que á est significativement égale à 0, il n'y a donc pas de sur-dispersion (la variance est statistiquement égale à la moyenne). Le modèle de Poisson n'est donc pas significativement différent de la Binomiale Négative.

Le graphique ci-dessous est l'histogramme du nombre de travailleurs en fonction du nombre d'accident par travailleur sur la période allant du premier janvier 2003 au 31 décembre 2004.

Graphique : Histogramme du nombre d'accidents par travailleur

Source : DSI-CNPS

L'analyse de cet histogramme révèle qu'il pourrait exister « un excès de zéro » c'est-à-dire un nombre assez élevé d'individus n'ayant eu aucun accident. Cette catégorie d'individus constitue 52,26 % du nombre total d'individus dans l'échantillon. Le modèle de Poisson peut être insuffisant pour expliquer tous ces zéros. Il peut alors être intéressant d'utiliser un modèle qui prend en compte simultanément le fait de faire un accident ou non et la fréquence des accidents : le Zero- Inflated-Poisson model (ZIP).

Soit la probabilité de faire un nombre nul d'accident. Cette probabilité est modélisée par un modèle Logit :

(5)

Le vecteur représente les caractéristiques individuelles, socio-professionnelles et organisationnelles.

La densité de la distribution ZIP s'écrit :

(6)

Si y > 0

La statistique de Vuong permet de tester l'hypothèse non emboîtée du choix du modèle Zero-Inflated-Poisson contre le modèle de Poisson. La statistique de Vuong (calculée à partir du logiciel STATA) donne pour valeur 20,13 et la p-value du test est de 0,000 qui est inférieur à 0,05. On rejette l'hypothèse nulle, et on accepte l'hypothèse alternative : le modèle ZIP est préférable au modèle Poisson. Ce choix est confirmé par les critères d'information : critère d'Akaike (AIC) et BIC (voir annexe 2) : dans les deux cas le modèle ZIP est celui qui fournit un critère minimal. La survenue des accidents au sein des entreprises du secteur privé en Côte d'Ivoire sera par conséquent modélisée par le Zero-Inflated-Poisson.

L'analyse inférentielle consistera d'abord à vérifier si les paramètres â des variables exogènes sont significatifs, c'est-à-dire à vérifier si les probabilités individuelles d'accidents sont fonction des caractéristiques socio-professionnelles, individuelles et organisationnelles évoquées plus haut. Ensuite, l'analyse des Incidence Rate Ratios (IRR) permettra d'estimer le risque relatif lié à chaque variable. Enfin l'examen des effets marginaux donnera la contribution de chaque variable au processus accidentel.