Analyse des déterminants de la production des cultures vivrières au Bénin: cas du maà¯s et de l'igname

REPUBLIQUE DU BENIN

MINISTERE DE L'ENSEIGNEMENT SUPERIEUR
ET DE LA RECHERCHE SCIENTIFIQUE
(MESRS)

UNIVERSITE D'ABOMEY CALAVI

ECOLE NATIONALE D'ECONOMIE APPLIQUEE ET DE MANAGEMENT

(ENEAM)

CYCLE : II

OPTION 2 : Economie FILIERE : Statistique

MEMOIRE DE FIN DE FORMATION

ANALYSE DES DETERMINANTS DE LA

PRODUCTION DES CULTURES VIVRIERES

AU BENIN : CAS DU MAIS ET DE

L'IGNAME

Réalisé et soutenu par :

Samson Aimé James AGBO & Rodrigue Noutaï HONKPEHEDJI

Sous la direction de :
Maitre de stage : Tuteur de mémoire :

Aristide MEDENOU Cosme VODOUNOU, ph. D

Ingénieur Statisticien Economiste Economètre

Année académique 2007-2008

L'ECOLE NATIONALE D'ECONOMIE APPLIQUEE
ET DE MANAGEMENT (ENEAM) N'ENTEND
DONNER AUCUNE APPROBATION NI
IMPROBATION AUX OPINIONS EMISES DANS CE
MEMOIRE. CELLES-CI DOIVENT ETRE
CONSIDEREES COMME PROPRES À LEURS
AUTEURS.

SOMMAIRE Pages

LISTE DES TABLEAUX III

LISTE DES GRAPHIQUES ET SCHEMA IV

LISTE DES ABREVIATIONS ET SIGLES V

DEDICACES VI

REMERCIEMENTS VII

AVANT PROPOS IX

RESUME XI

INTRODUCTION 1

CHAPITRE 1 CADRE THEORIQUE DE L'ETUDE

1. CONTEXTE ET JUSTIFICATION 4

2. OBJECTIF DE L'ETUDE 6

3. HYPOTHESES 6

4. REVUE DE LITTERATURE 7

5. METHODOLOGIE 23

CHAPITRE 2 : ETAT DES LIEUX DE L'ECONOMIE ET DE L'AGRICULTURE BENINOISE

1. ENVIRONNEMENT ECONOMIQUE NATIONAL 27

2. LE BENIN, UN PAYS ESSENTIELLEMENT AGRICOLE. 32

3. LES CARACTERISTIQUES DE LA PRODUCTION VIVRIERE DES COMMUNES 37

CHAPITRE 3 : ANALYSE ÉCONOMÉTRIQUE

1. LES VARIABLES DE L'ETUDE 42

2. DICTIONNAIRE DES VARIABLES 45

3. ANALYSE DESCRIPTIVE DES VARIABLES 46

4. MODELE APPROPRIE A LA PRODUCTION DU MAÏS 50

5. MODELE APPROPRIE A LA PRODUCTION DE L'IGNAME 56

CRITIQUE, CONCLUSION GENERALE ET RECOMMANDATION

1. CRITIQUE DE L'ETUDE 63

2. CONCLUSION GENERALE ET RECOMMANDATIONS 64

BIBLIOGRAPHIE A

ANNEXE C

TABLE DES MATIERES S

LISTE DES TABLEAUX

Tableau n°1: information sur les données brutes. 25

Tableau n°2 : les principaux marchés retenus par département. 43

Tableau n° 3: Notations des variables 45

LISTE DES GRAPHIQUES ET SCHEMA

Graphique n^° 1 : Evolution du taux de croissance du Bénin de 2001 à 2009 31

Graphique n^° 2 : Evolution des exportations et des importations du Bénin de 2001 à 2009 32

Schéma 1 : Calendrier cultural 37

Graphique n^° 3: Plan factoriel pour la production du maïs 40

Graphique n^° 4: Plan factoriel pour la production de l'igname 41

Graphique n^°5 : Evolution de la production de l'igname et du maïs de 1980 à 2009 46

Graphique n^°6 : Evolution de la superficie emblavée de l'igname et du maïs de 1980 à 2009. 47

Graphique n^°7 : Evolution de la superficie emblavée de l'igname et du maïs de 1980 à 2009. 48

Graphique n°8: Evolution de la population rurale béninoise de 1980 à 2009. 48

Graphique n°9 : Evolution de la hauteur de pluie de 1980 à 2009 49

Graphique n^°10 : Evolution comparée de la production estimée avec celle calculée par le MAEP :

commune de Kétou 56

Graphique n^°11 : Evolution comparée de la production estimée avec celle calculée par le MAEP :

Commune de Tchaourou 62

LISTE DES ABREVIATIONS ET SIGLES

DPP Direction de la Programmation et de la Prospective

INSAE Institut National de la Statistique et de l'Analyse

Economique

MOSARE Modèle de Simulation et d'Analyse des Réformes

Economiques

IAP Instrument Automatisé de Prévision

ENEAM Ecole Nationale d'Economie Appliquée et de Management

FAO Food and Agriculture Organization

GTZ Coopération Technique Allemande

DGAE Direction Générale des Affaires Economiques

DPC Direction de la Prévision et de la Conjoncture

PRECOMA-T Prévision des Comptes Macroéconomiques du Togo

MAEP Ministère de l'Agriculture et de l'Elevage et de la Pêche

ONASA Office Nationale de la Sécurité Alimentaire

ASECNA Agence de la Sécurité Civile et de la Navigation Aérienne

CFA Communauté Financière d'Afrique

PIB Produit Intérieur Brute

ACP Analyse en Composante Principale

DEDICACES

Je dédie ce mémoire à

V1 A toi Père très Saint, pour tout ce que tu m'as fait et continue de me faire, cette oeuvre, je la mets dans tes mains.

V1 A mon père Cyprien AGBO, pour tout ce que tu as fait pour moi. Puisse l'Eternel t'accorder la paix et la longévité.

V1 A ma chère maman Pascaline DONHOSSOU, pour tes peines et

souffrances, que Dieu te bénisse et te garde dans son Amour infini.

V1 A ma très chère épouse TCHEDJI Juliette, pour tout ce que tu as

enduré, que Dieu nous garde et nous réconforte.

'7 A mes filles bien aimées, Merveille et Peace AGBO, pour avoir souffert
de mes absences répétées, ceci vous servira d'exemple à dépasser ;

'7 A tous mes frères et soeurs

Samson Aimé James AGBO

Pour un hommage bien mérité, je dédie ce mémoire:

A Dieu tout Puissant qui, dans sa bonté infinie, a toujours guidé mes pas

A vous qui m'avez soutenu, mais qui n'êtes plus, du lieu de votre repos, puissiez-vous voir en cette oeuvre, le fruit de vos efforts et sacrifices ;

A vous mes parents qui m'ont donné la vie, ce travail est le vôtre.

Rodrigue Noutaï HONKPEHEDJI

REMERCIEMENTS

Nous sommes redevables à Monsieur Cosme VODOUNOU, Ph. D. Économètre, Directeur Général de l'Institut National de la Statistique et de l'Analyse Economique (INSAE), notre Tuteur de mémoire qui nous a témoigné d'une très grande considération et d'une disponibilité inattendues malgré ses multiples occupations. Nous nous réjouissons aujourd'hui d'avoir l'occasion de lui reconnaître tout son dévouement, sa conscience et sa rigueur professionnelle sans lesquelles nous aurions peut-être reculé devant les multiples difficultés.

Toute notre reconnaissance également à Monsieur Aristide MEDENOU, Chef Service de la Programmation Economique et Financière à la DGAE, notre maître de stage, pour sa franche collaboration.

Nous aurions été incapables de rédiger ce mémoire sans l'appui et la participation à divers niveaux et à divers degrés de bien de personnes que nous nous devons de remercier. Il s'agit particulièrement :

- de tous les Professeurs de la filière Statistique de l'Ecole Nationale d'Economie Appliquée et de Management (ENEAM), ex INE, qui ont assuré notre formation et qui, à travers les pratiques méthodologiques, nous ont donné le goût de la recherche fondamentale. Veuillez bien trouver ici le témoignage de notre profonde reconnaissance.

- de Monsieur Grégoire O. BALARO, dont les enseignements nous ont été bénéfiques à plus d'un titre.

- de Monsieur ESSESSINOU Raïmi, Statisticien Economiste à l'INSAE, pour l'aide précieuse qu'il nous a accordée et pour avoir accepté mettre sa riche expérience à notre disposition. Qu'il trouve ici l'expression de notre profonde gratitude et de notre sincère reconnaissance.

- de Monsieur, HODONOU Assogba, Directeur de la Programmation et de la Prospective du MAEP pour tous ces conseils.

- de Messieurs Habib TIDJANI, Calixte MAHOUGBE, Charles YEHOUESSI, DIDAVI Edgard, Flavien Dagba, AHAN Aurélien, Erick DAGBENONBAKIN, Victorin MIKPOLINKPLON, Yves KOKOU, Claude ADJOVI et GUINDEHOU Alban pour le soutien qu'ils nous ont apporté durant la réalisation de ce mémoire.

- Enfin, nos remerciements vont également singulièrement au Président et aux honorables membres du jury qui se donneront la peine d'apprécier ce mémoire.

AVANT PROPOS

L'Ecole Nationale d'Economie Appliquée et de Management (ENEAM) est une entité professionnelle de l'Université d'Abomey-Calavi qui forme entre autres, les étudiants pour le cycle I et II dans différentes filières.

En plus de la formation théorique qui y est donnée, il est prévu à la fin de chaque cycle, un stage pratique obligatoire dans les structures étatiques ou privées de la place. Ce stage permet aux étudiants de se former à la pratique, de comparer les théories reçues dans les écoles à la réalité du terrain et au regard des besoins de la structure d'accueil, de dégager un thème qui fera l'objet d'une soutenance de mémoire.

C'est dans ce sens que le présent mémoire est rédigé pour l'obtention du Diplôme d'Ingénieur Statisticien Économiste du second cycle de L'Ecole Nationale d'Economie Appliquée et de Management (ENEAM). Pour élaborer ce mémoire nous avons effectué notre stage au Ministère de l'Economie et des Finances et plus précisement à la Direction Générale des Affaires Economiques.

Comme tout travail scientifique, la réalisation du présent mémoire n'a pas été sans difficultés majeures. Parmi celles-ci nous pouvons citer :

- La non disponibilité de données quantitatives fiables ;

- Le manque de documentations sur certains aspects clés de notre sujet.

Nous présentons d'avance nos excuses à tous ceux et à toutes celles qui, auront :

- à déceler des imperfections de toute nature, au cours de la lecture du présent mémoire. Notre souci étant, à partir de tous les conseils et de toutes les recommandations reçus du maître de stage et principalement

du tuteur de mémoire, de présenter un mémoire accessible, agréable à lire, exploitable, bien à la hauteur des espérances et qui pourra apporter une valeur ajoutée à l'existant.

RESUME

Ce travail a pour objectif principal d'analyser les déterminants de la production du maïs et de l'igname au Bénin par une approche des données de panel. L'étude a tenu compte de quatre variables explicatives, que sont : la superficie emblavée, la population rurale, la pluviométrie et le prix des produits sur le marché. Les résultats obtenus font état d'une influence significative de la surface emblavée et de population rurale sur la production du maïs et de l'igname au Bénin. Toute fois, la pluviométrie et le prix des produits sur le marché n'ont pas d'influence significative sur la production de ces produits.

Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

INTRODUCTION

A

u cours de ces dernières décennies, l'agriculture a retenu l'attention de plusieurs économistes à cause de la place prépondérante qu'elle occupe surtout dans les pays en développement et plus

particulièrement dans les pays de l'Afrique subsaharienne. En 1997, selon les estimations de la Banque Mondiale, dans les pays en voie de développement, 70% de la main d'oeuvre active est employé dans l'agriculture et 50% des recettes totales d'exportations proviennent de l'agriculture. Au Bénin, la contribution du secteur agricole au PIB sur la période 1995- 2005, s'est affichée en moyenne à 34,3%¹. La production végétale et en particulier la production vivrière y est prépondérante et intervient en moyenne pour 24,1%. Ainsi, les principales cultures vivrières (maïs, manioc, igname, riz, tomate, piment et arachide) permettent de couvrir globalement les besoins alimentaires, mais restent encore largement en deçà des potentialités offertes par les conditions écologiques du pays. Le constat est que le Bénin continue d'importer une bonne partie de sa consommation en produits vivriers des pays voisins.

Par exemple, le riz qui fait l'objet d'une demande en augmentation croissante et dont la production au niveau national qui bien qu'ayant passé de 16.545 T en 1995 à 73.000 T en 2005, laisse place à des importations massives (378.000 T en 2005) destinées à la consommation interne et (60.000 T) aux réexportations. Les actions de promotion de la riziculture sont de plus en plus initiées ces dernières années afin de consolider le secteur.

Le maïs vient au premier rang des cultures vivrières et connaît une évolution croissante. Son utilisation multiple pour la fabrication des farines infantiles et des provendes nécessite d'en garantir un solde vivrier acceptable.

¹ Source : Programme de Relance du Secteur Agricole

Quant aux tubercules et racines, notamment l'igname, sa production a renoué avec une croissance régulière au cours de cette décennie, grâce à l'effet conjoint d'une amélioration du rendement et l'élargissement des surfaces cultivées. Le niveau de la qualité des produits dérivés reste encore à améliorer sensiblement pour leur accès plus facile aux marchés.

L'arachide est restée pendant longtemps la principale culture de rente du Bénin avant d'être remplacé par le coton à partir de 1983. Mais, malgré cette situation l'arachide reste toujours l'un des principaux produits vivriers du Bénin.

En ce qui concerne les produits maraichers tels que la tomate et le piment, leur consommation devient de plus en plus importante dans l'alimentation de base des béninois. Ces produits font donc l'objet d'une demande croissante et méritent d'être promus.

Fort de tout ce qui précède, l'agriculture occupe une place prépondérante dans l'économie béninoise et l'estimation et la prévision du PIB nécessite donc une bonne maîtrise de l'évolution de la production agricole en général et de la production vivrière en particulier. C'est dans ce contexte qu'on a décidé de mener cette étude dont le thème est intitulé «analyse des déterminants de la production des cultures vivrières au Bénin : cas du maïs et de l'igname».

Le document est structuré en trois chapitres.

Le premier chapitre portera sur le contexte et la justification, l'objectif, les hypothèses, la revue de littérature et la démarche méthodologique de l'étude.

Dans le chapitre 2, on fera une présentation de l'économie béninoise en mettant un accent particulier sur le secteur agricole.

Le chapitre 3 traitera de l'analyse économétrique. Dans ce chapitre, on présentera les modèles théoriques, les estimations et l'analyse des résultats.

On terminera l'étude par une conclusion générale et quelques

recommandations après avoir dégagé les points faibles (critiques) de l'étude.

CHAPITRE 1 :

CADRE THEORIQUE DE L'ETUDE

Ce chapitre portera sur cinq grandes parties. Dans un premier temps on fera part du contexte et de la justification de l'étude, la deuxième partie portera sur l'objectif de l'étude. La troisième partie sera consacrée aux hypothèses de l'étude et la quatrième partie se penchera sur la revue de littérature. Ce Chapitre prendra fin avec les grandes lignes de la méthodologie de l'étude.

1. Contexte et justification

La nécessité de disposer de modèles macroéconomiques fiables et réalistes pour l'estimation des agrégats macroéconomiques dans les pays en développement se fait de plus en plus sentir de nos jours. Dans la plupart des pays en développement, les agrégats macroéconomiques sont souvent estimés par des identités comptables ou par des modèles obsolètes. C'est le cas du BENIN où les méthodes d'estimation du PIB sont restées pendant longtemps à l'étape descriptive. La technique utilisée actuellement par la Direction Générale des Affaires Economiques (DGAE) à travers la Direction de la Prévision et de la Conjoncture (DPC), pour prévoir la production des cultures vivrières est l'estimation tendancielle. A l'aide des valeurs passées de la production, la DPC prévoit les valeurs futures, alors que la production agricole peut dépendre de plusieurs facteurs tels que la pluviométrie, le taux de croissance de la population, le revenu disponible, les prix, les surfaces emblavées, la masse monétaire, le taux d'inflation et autres. Il en résulte mécaniquement qu'en cas de récoltes très supérieures (inférieures) à la moyenne pour la première année de projection, le taux de croissance de la production céréalière l'année suivante sera négatif (positif), puisqu'il se

retrouve à un niveau «moyen». Par ailleurs, la prévision ou l'estimation du PIB d'un pays exige une bonne estimation des éléments qui entrent dans sa détermination tels que la production agricole, l'importation, l'exportation, etc.

Une erreur commise sur l'estimation d'une des composantes biaise du coup les prévisions. Par exemple, le fait de ne pas tenir compte de l'effet des facteurs précédemment cités (la pluviométrie, le taux de croissance de la population, le revenu disponible, les prix, les surfaces emblavées, la masse monétaire, le taux d'inflation et autres) sur la production vivrière pour faire des estimations, pourrait conduire à des résultats biaisés.

Par ailleurs, les prévisions faites par la DGAE, partent des données obtenues au niveau national, ce qui ne permet pas de rendre compte de l'effet dynamique des communes et de leur éventuelle hétérogénéité. Or, une prévision (nationale) faite en agrégeant celles obtenues au niveau communal, tiendra forcément compte des disparités entre les communes et pourrait conduire à des résultats meilleurs.

Au regard de tout ce qui précède, il s'agira fondamentalement à travers cette étude, d'identifier les améliorations à apporter pour l'estimation de la production agricole et en particulier la production vivrière. C'est donc dans le souci de répondre à ce besoin important que notre choix a porté sur la présente étude afin d'aboutir à l'élaboration d'un modèle économétrique permettant d'approcher réellement la production vivrière au Bénin.

Compte tenu du temps qui est imparti pour la rédaction du présent document et vu la densité du travail à abattre, le travail se limitera à deux principaux produits vivriers à savoir : le maïs et l'igname.

2. Objectif de l'étude

2.1. Objectif général

La présente étude a pour objectif principal d'analyser les déterminants de la production des principales cultures vivrières au Bénin.

2.2. Objectifs spécifiques De manière spécifique il s'agira de :

i) évaluer l'effet de la superficie emblavée sur la production vivrière ;

ii) évaluer l'effet de la fluctuation de la pluviométrie sur la production vivrière ;

iii) déterminer l'influence de la croissance démographique ( population rurale) sur la production vivrière.

3. Hypothèses

Sur la base des objectifs spécifiques ci-dessus mentionnés et à partir des recherches documentaires, trois (03) hypothèses de recherche qui feront objet de vérification ont été proposées. Il s'agit de :

H1 : « l'augmentation de la superficie emblavée affecte positivement la production vivrière »;

H2 : « la pluviométrie a un effet positif sur la production vivrière » ;

H3 : « la croissance démographique (population rurale) a un effet positif sur la production vivrière».

4. Revue de littérature

4.1. Revue de littérature théorique

4.1.1. Théories de la modélisation des rendements agricoles

Marc Nerlove fut le premier à développer en 1956 et 1958 une théorie que l'on connaît sous le nom de « the Nerlovian models of supply response » qui a permis d'expliquer la réaction des producteurs agricoles américains face aux changements perpétuels des prix des récoltes, des politiques macroéconomiques et bien d'autres facteurs. Pour élaborer sa théorie, Nerlove part de deux constats classiques:

· les producteurs réagissent par rapport aux prix actuels sur le marché. Habituellement, les prix observés sont les prix du marché ou les prix effectifs des producteurs après la récolte alors que les décisions de production doivent être basées sur les prix escomptés que des agriculteurs projettent plusieurs mois avant la récolte. En raison du décalage temporaire qui intervient dans le processus de production agricole, modéliser la formation des anticipations est ainsi une importante question pour analyser l'offre du secteur agricole.

· les quantités observées peuvent différer des quantités désirées en raison du retard d'ajustement dans la réallocation des facteurs. Quand le prix du produit change, plusieurs années peuvent s'écouler avant que les producteurs ne puissent ajuster leur production ordinaire désirée au nouveau prix.

Les travaux de Marc Nerlove ont joué un rôle prépondérant et ont apporté un souffle nouveau à la modélisation de l'offre du secteur agricole face aux risques y afférents et bien d'autres facteurs (tels que les politiques macroéconomiques, les politiques commerciales, les changements technologiques, les aléas climatiques, etc.). Les études empiriques de ces

modèles ont permis aux agroéconomistes (surtout américains) de développer les outils adéquats de politiques agricoles. Ceci a considérablement amélioré le rôle du secteur agricole dans le développement économique et a mis en relation l'Etat et les producteurs à travers les politiques macroéconomiques et commerciales. Cependant, la réaction de l'offre du secteur agricole aux mouvements des prix a été l'objet de longues et vigoureuses discussions se référant au traitement classique de l'élasticité de l'offre de long terme de Nerlove (1958) pour le blé, le coton, et du maïs aux Etats-Unis (Askari et Cumings, 1976). L'estimation des élasticités d'offre (de court et long terme) varie largement d'une culture à l'autre, et d'une région à l'autre. Ceci a conduit certains auteurs à dire que les modèles « Nerloviens » sont inadéquats pour décrire la réaction de long terme (Voir Binswanger, Braulke, Diebold et Lamb). Binswanger (1989) souligne que la politique agricole de l'ajustement structurel de long terme peut ne pas être discernable avec l'analyse de la régression, particulièrement dans les modèles avec un retard structurel comme c'est le cas dans les modèles Nerloviens. Dans « policy intervention and supply response: the British potato making scheme in retrospect », A. Lioyd, C. Morgan et J. Rayner soulignent que dans un marché sur lequel la décision des producteurs est contrainte par des opérations de quotas sur la terre, d'excès de politiques de taxation, la validité de la spécification du modèle Nerlovien n'est plus certaine. Quelques années plus tôt, Jennings (1981), Enner et White (1989) démontraient le même résultat. Enner et White (1989) proposent une spécification alternative du modèle Nerlovien qui exploite utilement la présence du contrôle des sols et le maintien de l'environnement dans la modélisation des superficies et des rendements. Spécifiquement, les plantations sont divisées en deux : celles qui respectent le quota et celles qui dépassent le quota imposé. En général, l'excès de cultures sur la terre s'opère avec un faible coût d'opportunité.

Ceci a permis de segmenter le modèle en tenant compte du fait que des producteurs vont agir différemment les uns des autres et par rapport aux variables politiques et aux signaux du marché.

Dans ce contexte de marché, la taxation pour l'excès de cultures sur la terre leur est prohibitive contrairement aux autres (ceux qui respectent les quotas) qui ne manifestent aucune réaction.

Cette flexibilité est clairement avantageuse pour une compréhension de la décision de mise en culture des terres.

Beaucoup d'autres auteurs, particulièrement dans les études d'assurance des producteurs face aux différents risques liés à la production (surtout la pluviométrie), ont suggéré plusieurs approches pour mesurer les rendements agricoles. Dans « developping based-rainfall indexinsurance in Morocco, 1999» Barakat et Handoufe distinguent deux types de risques qui affectent les rendements agricoles: le risque systémique dû aux facteurs non maîtrisables tels que la pluie, l'érosion et le risque spécifique qui peut provenir par exemple de la mauvaise utilisation des intrants chimiques, la mécanisation, les mauvaises semences, etc. Cependant, les résultats trouvés montrent que seul le risque systémique affecte de façon significative les rendements agricoles. Le risque spécifique quant à lui est contrôlable, et n'a pratiquement pas d'effet sur les rendements.

Dans le même cadre, Yacoubi et al, (2001), dans leur étude sur la sécheresse au Maroc ont abouti à une relation linéaire entre les précipitations pluviométriques et la production.

Malgré les différentes critiques formulées à l'endroit des modèles nerloviens, ils demeurent les seuls modèles efficaces utilisés par plusieurs chercheurs pour estimer la production agricole.

4.1.2. Les différents types de modèles

Les économistes utilisent des modèles pour comprendre l'économie. Les modèles sont des théories qui synthétisent, souvent en termes mathématiques, les relations entre variables économiques. Ils sont élaborés en vue d'un certain nombre d'objectifs : prévision, compréhension, manipulation, etc.

Dans toutes les économies du monde en général, des modèles sont développés. Entre autres modèles utilisés nous avons :

· Les modèles comptables utilisés pour réaliser des exercices de projection.

Ils sont souvent utilisés pour analyser l'effet des évolutions démographiques sur les comptes de la sécurité sociale.

L'avantage de ces modèles est qu'ils sont assez simples pour pouvoir développer de façon importante les différents comptes du secteur public. En particulier, le budget de la sécurité sociale peut être simulé dans ses différentes composantes. Leur portée est limitée dans la mesure où ils ne permettent pas d'éclairer les choix de politique économique ni de rendre compte de l'impact des choix. La réaction des agents économiques aux différentes politiques possibles est absente. Aussi, les modèles comptables ne considèrent-ils nullement les aspects liés à l'investissement et à l'accumulation du capital.

· Les modèles VAR : Vectoriel Autorégressif pour l'analyse des prévisions et des fluctuations conjoncturelles.

Les modèles VAR ne fonctionnent adéquatement qu'avec un nombre limité de variables, un choix judicieux de ces dernières s'impose donc. Par ailleurs, l'estimation d'un modèle VAR requiert l'étude des caractéristiques des séries

pour choisir la variante convenable en plus de la détermination de l'ordre approprié et de l'identification des chocs. Deux instruments importants permettent de synthétiser l'essentiel de l'information contenue dans la dynamique du système.

· Le modèle de croissance de Solow met en avant les interactions entre croissances du stock de capital et de la force de travail, d'une part, et progrès technologique, d'autre part.

Il montre comment ces trois facteurs affectent la production. La production de l'économie est ainsi réalisée au travers d'une fonction de production à rendements d'échelle constants combinant les facteurs travail et capital.

Un premier avantage est qu'on peut calculer dans ces modèles le rendement du capital. Si on ajoute au modèle de croissance un marché financier concurrentiel, ce rendement du capital est alors égal au taux d'intérêt. L'autre intérêt de l'approche à la Solow est de pouvoir étudier les réactions du modèle en modifiant de manière exogène le taux d'épargne.

En son état actuel, ce modèle n'explique pas l'amélioration constante du bienêtre.

· Les modèles macro-économétriques : La synthèse néo-classique (combinaison du schéma keynésien de court terme et de la théorie de la croissance), jointe aux progrès de l'économétrie, de la statistique et de l'informatique, a suscité l'apparition de modèles macro-économétriques de grande taille dans les pays développés. De fait, dans les années soixante/soixante-dix, l'analyse macroéconomique appliquée
s'appuyait souvent sur une utilisation intensive de ces outils, couplant des représentations de l'offre et de la demande agrégées à une courbe de Phillips. Des maquettes de plus en plus détaillées ont ainsi été

développées (multisectorielles, multinationales, etc.). Ils associent au sein de trois grands blocs d'équations (bloc réel, bloc prix - salaires, et bloc monétaire/financier), les principales relations comptables et équations de comportement en oeuvre dans l'économie.

La disponibilité d'un tel outil est d'un grand secours pour le décideur car il remplit des fonctions aussi importantes que celles de support à la définition des programmes économiques et financiers, d'instrument de dialogue avec des partenaires au développement, de monitoring des politiques économiques et sociales. La finalité de ces modèles est donc d'éclairer le choix des décideurs en apportant des réponses précises sur les conséquences des mesures qu'ils souhaitent mettre en oeuvre. Outils incontournables de prévision et de simulation dans les pays développés, leur complexité, leur opacité, leur caractère fréquemment keynésien (les seuls effets d'offre transitent par la demande de travail et d'investissement) et la surabondance de statistiques qu'ils requièrent (chaque équation est estimée sur série historique), ont été autant d'obstacles à leur diffusion au sein des pays en développement.

Des critiques de ces outils sont toutefois apparues dans le courant des années soixante et dix, faisant apparaître qu'ils n'avaient pas toutes les qualités qu'on leur prêtait. Au nombre de ces critiques, on peut citer celle de Lucas (1976) pour qui ces modèles ne sont pas invariants à la forme de la politique. Il critique l'utilisation de ces modèles pour étudier l'impact d'une modification de la politique économique sur les variables d'intérêt. Une autre critique empirique développée par Sims (1980) met en cause la pratique qui impose le caractère exogène de certaines variables intervenant dans la résolution des modèles macroéconomiques. Ces modèles imposent des contraintes sur les variables et des a-priori économiques non justifiés du point de vue statistique.

A côté de ces critiques fondamentales, il faut également mentionner d'une
part le problème de gestion de ces modèles qui nécessitent en général la

mobilisation d'une équipe à effectif important et d'autre part, les difficultés d'actualisation des équations qui se traduisent souvent par le maintien d'équations obsolètes. Les macroéconomistes ont alors proposé différentes approches afin de prendre en compte ces critiques. Les modèles Dynamiques et Stochastiques d'Equilibre Général (DSEG) constituent une étape très importante dans cette démarche. Les modèles DSEG de la dernière génération, qui incorporent les avancées théoriques et économétriques les plus récentes, sont aujourd'hui les outils les plus aboutis de l'analyse macroéconomique. Leur champ d'application, limité dans un premier temps à l'analyse de phénomènes particuliers, s'est élargi grâce, notamment, aux travaux réalisés dans les banques centrales.

Toutefois, il reste que ces modèles ne sont pas toujours suffisamment détaillés, soit parce qu'ils supposent une structure de production monosectorielle, soit parce qu'ils n'intègrent que partiellement les échanges commerciaux internationaux.

· La modélisation RBC (Real Business Cycle) :

Le courant RBC a commencé à se développer au début des années quatrevingts. Prenant appui sur les travaux de Lucas et de la nouvelle macroéconomie classique, il propose une nouvelle théorie du cycle économique, qui exploite les propriétés dynamiques du modèle de croissance néoclassique. Dans les modèles RBC, les fluctuations économiques sont causées par les réponses optimales des agents à des chocs de productivité globale des facteurs : Ce sont donc des chocs réels sur la fonction de production qu'on assimile communément aux innovations technologiques. En réponse à ces chocs, les agents effectuent des arbitrages inter temporels sur la consommation et l'offre de travail, dans un cadre walrasien. Le courant RBC se caractérise en outre par un cadre de raisonnement et une méthode de

validation originaux. Ainsi, l'objectif est de construire de petits modèles compacts, aisément simulables et structurels. Les paramètres de ces modèles, en nombre restreint, sont calibrés à partir d'études microéconomiques par exemple. Parce qu'il n'existe pas de solution explicite au problème, cette dernière est obtenue par simulations du modèle à partir des approximations linéaires au premier ordre autour de la solution d'équilibre. En outre, le critère de validation empirique des modèles est leur capacité à reproduire dans leur ensemble les variations et co-variations des principales séries macroéconomiques (PIB, consommation, investissement, emploi, productivité).

Pourtant, les premiers modèles RBC échouent dans leur description du marché du travail: les faits stylisés concernant l'emploi et la productivité ne sont pas reproduits de manière correcte par les simulations du modèle. De plus, Les modèles

RBC avec prise en compte de la monnaie ne parviennent pas à reproduire les variations cycliques des taux d'intérêt réels et nominaux (volatilité, persistance). Un mécanisme théorique semble alors manquer au modèle de base (King et Watson, 1996). Enfin, ces modèles prédisent un accroissement du taux d'intérêt nominal à la suite d'un choc expansionniste sur la masse monétaire. Or les études empiriques montrent le contraire.

· Les Modèles d'Equilibre Général Calculable (MEGC) apportent dans un cadre d'équilibre une réponse partielle aux contraintes théoriques (prise en compte des effets d'offre et des réallocations sectorielles) et pratiques (manque d'informations statistiques) pesant sur la modélisation macroéconomique dans les pays en développement.

En effet, leurs besoins statistiques se limitent pratiquement à renseigner, sur
une année de référence, une " matrice de comptabilité sociale " (MCS), qui

retrace, à partir du TCEI et du TRE de la comptabilité nationale, les flux économiques entre secteurs et agents.

Dans notre typologie simplifiée, ces modèles apparaissent comme une application numérique de " l'équilibre général " concurrentiel, de la microéconomie traditionnelle au sens d'Arrow Debreu : les comportements isolés mais rationnels des agents, transcrits en programmes d'optimisation, s'harmonisent grâce aux prix d'équilibre, qui permettent l'égalisation simultanée de l'offre et de la demande sur tous les marchés. Le modèle d'équilibre général concurrentiel est devenu " calculable " grâce aux algorithmes informatiques développés dans les années 1970, en passant par un " calibrage " préalable du modèle, c'est-à-dire le choix déterministe des paramètres et leur mise en cohérence sur l'année de base de la MCS. Il permet d'analyser quantitativement certains problèmes de politique économique peu ou mal traités par les autres outils. Construits pour apporter une réponse à un problème particulier, ces modèles " jetables après usage " éclairent les canaux de transmission des politiques économiques incitatives agissant, à long terme, via les marchés, par des effets d'offre et de redistribution.

Si le modèle de planification multisectoriel de Johansen sur la Norvège (1960) peut être considéré comme l'ancêtre des modèles EGC, ceux-ci sont sans doute mieux représentés, pour la " première génération ", par les travaux de Shoven et Whalley (1992) et ceux qui s'y rattachent. Ces modèles néoclassiques, désagrégés au niveau des entreprises comme des ménages, greffent, autour d'un noyau walrasien simple, l'agent Etat (et sa fiscalité) et l'agent Reste du monde. D'où leur utilisation, dans les années 70, à l'étude de thèmes tels que les politiques fiscales ou les échanges internationaux. Ces premiers modèles sont purement statiques et fondés sur la théorie des avantages comparatifs au sens de Hecksher - Ohlin - Samuelson. Leurs insuffisances ont conduit, depuis 1984, à la mise au point d'outils plus

élaborés, dynamiques ou incorporant les nouvelles théories des échanges (différenciation de produits, concurrence imparfaite et économies d'échelle).

Mais, ce faisant, les MEGC se sont peu à peu éloignés de leur épure

walrasienne, en intégrant des spécifications ad hoc aux fondements microéconomiques parfois mal éclaircis. Robinson (1989) distingue trois étapes dans ce cheminement :

1. l'introduction de substitutions imparfaites entre les facteurs ou les produits ("elasticity-structuralist models ") ;

2. l'introduction de rigidités sur les prix (" micro-structuralist models ") ;

3. le traitement de liens entre les parties réelles et nominales (" macrostructuralist models ").

Depuis quelques années, les MEGC sont devenus des instruments privilégiés d'analyse des politiques de développement. Pourtant, en matière de prévision, ils ne peuvent se substituer aux modèles macro-économétriques (ou aux modèles " VAR "), plus fidèles d'un point de vue empirique. Cependant, les MEGC sont mieux adaptés à l'appareil statistique de ces pays car la pratique du calibrage requiert moins de données statistiques que l'estimation économétrique. Par ailleurs, les MEGC prennent en compte les effets d'offre et de réallocation intersectorielle, ce qui leur donne un avantage décisif sur leurs concurrents keynésiens pour analyser les politiques d'ajustement centrées sur la restructuration de l'offre productive.

Les MEGC, situés à la frontière de la recherche et de la décision, ont en outre, l'intérêt d'assurer la connexion "en temps réel" entre certains développements récents de la micro-économie (anticipations, concurrence imparfaite, générations imbriquées et équilibre inter-temporel, etc.) et les problèmes

concrets que posent les politiques de développement, en "testant" ces politiques sur des économies archétypes.

Tout à la fois "expériences de pensée" et "instruments pertinents d'analyse", les MEGC ont des atouts qui résultent de cette nature hybride, mais aussi des faiblesses.

Leurs résultats sont fortement sensibles d'une part, aux formes fonctionnelles et aux valeurs des paramètres qui caractérisent les comportements microéconomiques et d'autre part, aux modes de bouclage macroéconomiques choisis (les façons dont l'équilibre est réalisé ex post, les choix des variables qui servent à équilibrer les marchés). Cette sensibilité des résultats est illustrée par les modèles d'échange, dont la première génération, fondée sur la théorie des avantages comparatifs dans un cadre statique, faisait apparaître un très faible gain de croissance résultant de l'ouverture des frontières négociée au sein du GATT. Il a fallu attendre une seconde génération de modèles, prenant en compte les échanges intra-branches, la concurrence imparfaite et les rendements d'échelle, pour obtenir des résultats plus conformes aux attentes, quoique toujours très dépendants des spécifications.

Pour pallier ces inconvénients en l'absence d'estimation économétrique solide des fonctions de comportement, il est d'usage de réaliser des "tests de sensibilité" portant sur les paramètres stratégiques des modèles. On peut même calculer des "régions de confiance" statistiques pour les résultats des modèles, en imputant une loi de probabilité aux paramètres.

Mais le choix des modes de bouclage a souvent tout autant, sinon plus, d'influence sur les résultats que les paramètres et les spécifications des comportements micro-économiques pris un à un. Ces modes de bouclage sont encore plus difficiles à valider ou à tester. Par exemple, l'équilibre général walrasien ne déterminant pas le niveau général des prix, " l'ancrage nominal "

des MEGC s'effectue par l'adjonction d'un bloc macroéconomique et financier, qui peut revêtir de nombreuses formes. L'école dite " néostructuraliste " a mis l'accent sur les modes de bouclage alternatifs au schéma néo-classique (dans lequel l'épargne joue un rôle moteur) : bouclage fishérien par les taux d'intérêt; keynésien par le volume de production ; kaldorien par l'épargne forcée, etc. Hypothèse cruciale et difficile à valider, chaque mode de bouclage renvoie fondamentalement aux caractéristiques institutionnelles des économies. Cependant, à part leur justification institutionnelle, les modes de bouclage ou " fermetures macroéconomiques ", ne peuvent pas être validés directement sur données empiriques.

L'une des prochaines étapes pourrait être le développement de maquettes multisectorielles et multi-pays qui permettront par exemple, une meilleure prise en compte de l'hétérogénéité (notamment intra zone) et à terme, d'analyser plus finement les canaux de transmission de la politique monétaire.

· Les modèles multi-pays :

Le caractère ouvert de l'économie est un élément crucial à prendre en compte de façon satisfaisante. L'hypothèse parfois soutenue de petite économie ouverte est très insatisfaisante sur un horizon lointain. En effet, il revient à supposer que le taux d'intérêt est donné par celui du reste du monde. Les capitaux internationaux se localiseront de manière à égaler la productivité marginale du capital de chaque pays; comme l'économie domestique peut s'endetter infiniment vis-à-vis du reste du monde au taux mondial en vigueur. Les conditions intérieures (épargne...) n'ont pas d'effet sur la dynamique de l'accumulation du capital, ce qui est une propriété regrettable du modèle sur un horizon de 50 ans. Une alternative intéressante est celle proposée par Docquier, Liégeois et Stijns, 1997. Ils simulent dans un premier temps un modèle représentant l'environnement du pays que l'on étudie et obtiennent

ainsi des valeurs pour le taux d'intérêt mondial qui sont cohérentes avec les développements démographiques dans cet environnement. Ensuite, le modèle de l'économie domestique est simulé en prenant comme input les résultats du premier modèle pour les variables internationales. Ceci revient à supposer que les politiques économiques domestiques n'ont pas d'effet sur les variables internationales, ce qui est réaliste. Dans l'avenir, on pourrait imaginer un véritable modèle multi-pays qui prenne explicitement en compte les relations qui existent entre ceux-ci.

4.2. Revue de littérature empirique

4.2.1. Etat des techniques d'estimation de la production

vivrière dans quelques pays de la sous région

Nous présentons dans cette partie les différentes méthodes d'estimation et de prévision agricoles dans certains pays africains. Il faut noter que la littérature n'est pas assez fournie à ce sujet. Les seules bribes de développement existantes à ce sujet, que nous avons pu consulter et que nous présentons ici, portent sur les modèles du Bénin, du Togo et du Burkina Faso. Il s'agit presque de méthodes descriptives.

4.2.1.1. Les techniques d'estimation de la production vivrière au Togo

Le modèle PRECOMAT (Prévision des Comptes Macroéconomiques du Togo) est un modèle quasi-comptable, mis en place depuis quelques années à la Direction Générale de l'Economie du Togo et permet d'estimer la plupart des agrégats macroéconomiques du pays. Dans sa version 1.0, le modèle PRECOMA-T a mis en place des méthodes permettant d'avoir une vue globale sur l'économie togolaise. Ici, nous allons exposer uniquement les techniques d'estimation de la production agricole en général et la production vivrière en particulier.

Pour estimer la production vivrière, la Direction de l'Economie dispose de trois approches :

· La première approche consiste à projeter les quantités produites des huit principales cultures vivrières (manioc, igname, maïs, mil et sorgho, haricot, arachide, riz paddy) avec des taux moyens observés sur les quatre dernières années après correction des minima par la demi somme des valeurs extrêmes des cinq dernières années. Des informations complémentaires (effets de projets de développement, taux de croissance démographique, etc.) sont utilisées pour réajuster les taux de projection. Pour les autres cultures vivrières (légumes, fruits, produits maraîchers, soja, voandzou, etc.), les estimations et les projections des quantités sont déterminées suivant un taux égal à la moyenne des taux de croissance des huit principales cultures vivrières.

Les prix aux producteurs sont projetés, soit avec des taux de croissance des périodes jugées stables, soit avec des taux moyens sur les quatre dernières années

· Dans la deuxième approche, des taux de croissance variant entre 3 et 4% sont retenus pour projeter les quantités des cultures vivrières et des taux de croissance ne dépassant pas 3% pour projeter les prix au producteur. Ce taux a été choisi pour la projection des prix afin de pouvoir contenir la hausse du niveau général des prix dans la limite soutenable de l'économie nationale.

· La troisième approche qui semble prendre le pas sur les deux premières est une projection tendancielle. La production de l'année N+1 est le prolongement de la tendance sur les années passées jusqu'à N.

Comme on le remarque, ces méthodes permettent effectivement d'estimer la production agricole mais rien n'assure qu'il s'agit d'une bonne estimation.

Par exemple dans la première méthode on peut se poser des questions sur le fait qu'on est obligé de corriger les minima.

Pourquoi n'a-t-on pas choisi de corriger les maxima ? Pour la deuxième méthode, elle repose essentiellement sur le choix de taux de croissance exogène, ce qui peut être source de polémique.

En plus, cette méthode suppose que la production vivrière augmente d'année en année ; ce qui n'est toujours pas le cas.

Pour la troisième méthode, il en résulte mécaniquement qu'en cas de récoltes très supérieures (inférieures) à la moyenne pour la première année de projection, le taux de croissance de la production vivrière l'année suivante sera négatif (positif), puisqu'il se retrouve à un niveau «moyen».

De plus, ces méthodes ne tiennent pas compte d'autres facteurs qui peuvent avoir des effets sur la production agricole.

4.2.1.2. Les techniques d'estimation de la production vivrière au Burkina-Faso

La version 3.1 du modèle IAP (Instrument Automatisé de Prévision) a été conçue en 1997 par le Ministère de l'Economie et des Finances du Burkina Faso et la GTZ pour gérer l'environnement macroéconomique du Burkina Faso.

Le modèle se présente sous forme de fichier informatique et ici, nous allons décrire uniquement les techniques d'estimation de production vivrière.

La production reste exogène puisqu'elle dépend, à court terme, essentiellement de la pluviométrie. Ce sont les taux de croissance de la production qui doivent être entrés pour les catégories de céréales. Toutefois, ceci est surtout pertinent pour l'année en cours : avec les informations dont on

dispose, il est possible d'estimer un taux de croissance réaliste. Pour les années ultérieures, les données sont plus ou moins volontaristes.

Les prix des céréales sont déterminés par une relation entre la totalité de la production de céréales, les besoins alimentaires et le prix moyen, en supposant, ce qui est assez réaliste, que la consommation de céréales dépend très peu du prix. On peut également supposer que l'évolution du niveau des prix à la consommation influence les prix de céréales, les paysans essayant de conserver les termes de l'échange entre produits agricoles vendus et produits manufacturiers achetés pour la consommation. Ainsi, la relation estimée sur la période 1985 - 96 et utilisée pour les projections a donné les résultats

t

suivants : P=-1195,46 - 0,597671T - 17,3215 ( ^PD ) 0,694738 PCO t-1 ;

- 1

BA t - 1

R2 = 0,9045 où P désigne le prix moyen des céréales; T l'année (trend), PD la production disponible, BA les besoins alimentaires et PCO le prix à la consommation.

Les tests ont confirmé que l'évolution des prix des céréales est aussi influencée par l'évolution passée de l'indice général des prix à la consommation. Les producteurs essaieraient ainsi d'ajuster leurs prix de vente, de sorte qu'ils maintiennent leur pouvoir d'achat nécessaire pour acquérir des produits non agricoles. La croissance des prix ainsi déterminée est traduite en taux de croissance qui s'applique alors au prix de toutes les céréales.

4.2.1.3. Les techniques d'estimation de la production vivrière au Bénin

Le MOSARE (Modèle de Simulation et d'Analyse des Réformes Economiques) est un modèle élaboré par la Direction Générale des Affaires Economiques et destiné à l'élaboration des budgets économiques au Bénin. Ce modèle a pour fonction essentielle de réaliser des prévisions à court terme

(de un à trois ans) de l'économie béninoise. La dernière version du MOSARE a été achevée en Avril 2000 et est connue sous le nom de MOSARE 3.1. Le modèle prend en compte tous les secteurs de l'économie béninoise mais nous allons juste nous attarder sur l'estimation de la production vivrière.

Dans le MOSARE, on considère généralement que la production de l'agriculture vivrière est très liée à la pluviométrie. Plus précisément, on part souvent des hypothèses que les rendements croissent à moyen terme du fait des modifications techniques et varient en fonction de la pluviométrie et que les superficies cultivées croissent du fait de l'augmentation de la population agricole.

Ces hypothèses ont été testées économétriquement. De façon paradoxale, la pluviométrie n'est jamais statistiquement significative. Les projections sont donc réalisées sur la base des tendances passées par rapport au temps, éventuellement corrigées par l'utilisateur (ajustement) pour tenir compte d'événements imprévus.

5. Méthodologie

La méthodologie utilisée dans cette étude repose sur quatre outils fondamentaux à savoir la recherche documentaire, l'analyse en composante principale, l'analyse descriptive et l'estimation économétrique sur données de panel comme outils d'analyse empirique.

5.1. Recherche documentaire

La collecte des données vise à regrouper toute la littérature sur la modélisation de la production agricole notamment sur les modèles de prévision des produits vivriers. A cet effet, les principales sources ci-après ont été identifiées et visitées :

- l'INSAE, pour les données relatives à la population rurale ;

- le Ministère de l'Economie et des Finances à travers la Direction de la Prévision et de la Conjoncture (DPC), une sous direction de la Direction Générale des Affaires Economiques (DGAE), pour s'inspirer de la méthode d'estimation de la production vivrière au Bénin grâce à un outil puissant : le MOSARE décrit un peu plus haut dans la revue de littérature ;

- le Ministère de l'Agriculture, de l'Elevage et de la Pêche à travers la Direction de la programmation et de la Prospective (DPP) et l'Office National de la Sécurité Alimentaire (ONASA) pour les données relatives à la production, à la superficie, et aux prix des produits sur le marché ;

- la bibliothèque de l'ENEAM, pour s'inspirer des travaux déjà réalisé dans le secteur agricole ;

- les sites Internet présentés dans les références bibliographiques ; - l'ASECNA pour la collecte de données sur la pluviométrie ;

- la FAO pour s'inspirer de la méthode d'estimation des produits vivriers

au Togo et au Burkina - Faso et avoir une idée claire de l'économie

béninoise et de l'agriculture en particulier.

5.2. Les données collectées

Bien que la qualité et la fiabilité des résultats des estimations reposent sur celles des données, il est indispensable de noter que ces données statistiques sont difficiles à collecter au Bénin comme dans la plus part des pays en développement. Ainsi, certaines données inexistantes sur une série d'années, n'ont pu être collectées. Il s'agit par exemple des données sur les insecticides et sur les engrais. Toutes les données collectées, sont des séries annuelles allant de 1999 à 2009. Elles ont été collectées par commune et proviennent essentiellement de trois sources : DPP/MAEP, ONASA/MAEP, INSAE,

DPC/DGAE et l'ASECNA. Le tableau suivant résume les premières informations sur les données brutes.

Tableau n°1: information sur les données brutes.

Variables	Unité des données brutes	Sources
Superficies	Hectare	DPP/MAEP
Prix sur le marché	FCFA	ONANASA
Production	Tonnes	DPP/MAEP
Hauteur annuelle de pluie	Millimètre	ASECNA
Population rurale	Habitants	INSAE

Source : DPP/MAEP ; INSAE ; ONASA ; ASECNA

Etant donné que les cultures retenues ne se pratiquent pas dans toutes les communes, seules les données des communes où la culture est bien pratiquée sont retenues. Une analyse en composante principale de la production de toutes les communes, permettra de dégager par culture, le groupe de communes où celle-ci est bien pratiquée.

5.3. Traitement et analyse des données

Le traitement et l'analyse des données se sont déroulées en deux étapes.

Première étape : A cette étape, une analyse descriptive des données collectées sur la variable expliquée (production) a été réalisée. Elle a permis de décrire l'évolution de la production des principales cultures vivrières (maïs et igname) au Bénin et d'avoir une idée de la variable expliquée retenue. Une analyse en composante principale a été réalisée également, afin de dégager les communes où chaque culture est mieux pratiquée.

Deuxième étape : A cette deuxième étape, une analyse empirique des données à été faite. Elle a permis de construire des modèles

macroéconomique avec pour variable endogène la production. Ce modèle repose sur une liaison causale entre la production des cultures et les variables explicatives.

Ainsi, à l'aide du test de Fisher on vérifiera, la spécification homogène ou hétérogène entre les communes. Cela revient à déterminer si le processus générateur de données peut être considéré comme homogène, c'est-à-dire unique pour toutes les communes, ou si au contraire il apparaît totalement hétérogène, auquel cas l'utilisation des techniques de panel ne peut se justifier. Entre ces deux cas extrêmes, on essayera d'identifier la source d'hétérogénéité pour bien spécifier le modèle.

Pour finir, on passera aux estimations des modèles et à leur validation.

L'essentiel des estimations est fait avec le logiciel STATA. On a eu aussi recours au logiciel Excel et SPAD pour le traitement préliminaire des données de l'étude.

Chapitre 2 : Etat des lieux de l'économie et de l'agriculture béninoise

CHAPITRE 2 :

ETAT DES LIEUX DE L'ECONOMIE ET DE

L'AGRICULTURE BENINOISE

Dans ce chapitre, il s'agira de présenter de façon sommaire l'état des lieux de l'agriculture et de l'économie béninoise. Ainsi, la première partie permettra de présenter l'environnement économique national du Bénin, la deuxième partie abordera les l'agriculture béninoise dans sa globalité, et la troisième partie discutera des caractéristiques des communes en tant qu'individu de l'analyse économétrique.

1. Environnement économique national

1.1. Description sommaire

Située en Afrique de l'ouest dans le golfe de Guinée, la République du Bénin couvre une superficie de 114763 Km² dont 7050000ha, soit 61,4%, des terres sont cultivables, pour une population totale de 6769914 habitants recensés en février 2002. Cette population qui est rurale à 64% (environ 3,8 millions), reste concentrée dans les départements du sud et occupe 12% seulement de la superficie totale du pays.

Le pays est divisé en douze (12) départements subdivisés en soixante dixsept (77) communes dont trois à statut particulier (Porto-Novo, Cotonou et Parakou).

De par sa situation géographique, le Bénin bénéficie des conditions naturelles favorables aux activités de l'agriculture. Le relief du Bénin est peu accidenté. Cependant, on note des chaînes de montagnes dans la zone NordOuest (ATACORA). Plusieurs catégories de sols se distinguent à travers le

27	Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

pays. Il y a des sols minéraux comprenant des roches et les vertisols à caractère hydromorphe localisés au sud-Bénin mais qui se rencontrent aussi au fleuve Niger et à la Pendjari au Nord-Bénin. Ces sols sont globalement fertiles. Quant à la végétation, elle est caractérisée par une forêt raréfiée, des palmeraies et cocoteraies au sud et une savane au Nord avançant vers le centre du pays.

Un réseau hydrographique assez fourni composé de fleuves, de lacs, de lagunes et d'affluents comme le Mono, le Couffo, l'Ouémé, le Zou, le Niger, l'Alibori, le Nokoué, le Mékrou, le Toho, et d'autres arrosent le Bénin du Nord au Sud et de l'Est à l'Ouest. Ce réseau est complété par une pluviométrie régulée par quatre saisons au sud (deux saisons de pluie et deux saisons sèches) et deux saisons au Nord (une saison des pluie et une saison sèche) souvent bonne et plus ou moins bien répartie au cours de l'année. La pluviométrie est, en dehors de certaines zones du Nord-Bénin, supérieure à 800 mm en moyenne par an.

1.2. Contexte politique et social

Le premier des atouts du Bénin est la stabilité politique. Depuis 1990, il a amorcé une véritable révolution démocratique innovatrice en Afrique. L'existence de la liberté de presse, de la liberté d'association, et les institutions républicaines concourent au libre jeu démocratique qui assure au Bénin une exceptionnelle stabilité politique indispensable au développement des activités économiques. Il jouit donc d'une situation enviable, dans un continent trop souvent ravagé par les crises politiques. C'est dans ce contexte que le Bénin enregistre depuis bientôt deux décennies, un climat social apaisé en raison de la liberté d'opinion, du jeu démocratique respecté, et du fait que toutes les institutions fonctionnent régulièrement et en toute indépendance, chacune dans les limites de ses pouvoirs constitutionnels. La liberté

28	Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

d'expression acquise grâce au respect des principes démocratiques a conduit à l'émergence d'une presse libre et plurielle. Il en est de même de la liberté d'association conquise dans un Etat de droit et qui, en ce qui concerne les organisations de la société civile en général, les syndicats en particulier, constitue une réalité vivante au Bénin.

Les conditions de vie, mesurées en fonction de l'Indicateur de Développement Humain (IDH), ont connu une nette amélioration mais restent encore bas. L'indicateur de développement humain était de 0,437 en 2005. Entre 1975 et 1999 par exemple, cet indice a enregistré une hausse de 0,134 points, classant le Bénin en tête des autres pays de l'Afrique de l'Ouest en termes de progrès accomplis dans l'amélioration des conditions de vie. Cette performance s'explique par des gains au niveau de trois variables utilisées dans le calcul de l'IDH: le PIB réel par habitant, l'espérance de vie et le taux de scolarisation. Cependant, le Bénin a occupé le 163ème rang sur 177 pays dans le classement fait en 2007² . Ce classement qui permet de distinguer trois grandes catégories³ de pays, situe le Bénin dans la dernière catégorie où il est resté depuis plus de quarante (40) ans. Malgré des améliorations indéniables, des efforts sont à poursuivre. Face à cette situation, les autorités béninoises poursuivent avec détermination et l'appui des partenaires au développement du pays, en l'occurrence le Fonds Monétaire International et la Banque Mondiale, les efforts d'ajustement et les réformes structurelles qui s'imposent dans les domaines de compétence des pouvoirs publics. Dans ce cadre, sur le plan social et environnemental, le gouvernement du Bénin entend poursuivre les objectifs suivants :

i. développer au mieux le potentiel des ressources humaines du pays ;

2 Rapport sur le Développement Humain au Bénin 2007/2008

3 Catégorie 1: 0,800=IDH=1 ; pays à développement humain élevé - Catégorie 2 : 0,500=IDH=0,799 ; pays à IDH moyen

- Catégorie 3 : IDH=0,499 ; pays à IDH faible

29	Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

ii. accentuer la lutte contre la pauvreté et la corruption ;

iii. renforcer la politique de l'emploi ;

iv. intensifier la lutte contre la dégradation de l'environnement.

Malgré tous les efforts déployés au cours de la dernière décennie sur les plans politique, économique et social, force est de constater que plus du tiers de la population béninoise reste encore frappé par la pauvreté, les couches les plus vulnérables étant les femmes et les jeunes.

1.3. Évolution du PIB

Dans l'optique de renforcer les bases de l'économie et d'accroître les investissements, le gouvernement s'est vu dans l'obligation depuis 2006 de recourir à des mesures permettant d'accroître les ressources de l'Etat pour faire face au lourd déficit budgétaire. Ainsi, des efforts sont entrepris pour diversifier les bases de l'économie et développer l'industrie afin d'attirer des investisseurs étrangers. Malgré les efforts consentis pour améliorer la situation, le niveau d'accroissement reste toujours préoccupant.

Par ailleurs, l'économie béninoise enregistre depuis 2000 un taux de croissance positif qui atteint son niveau le plus élevé en 2001 avec une valeur de 6,2%. A partir de cette date l'économie connait un ralentissement qui se poursuit jusqu'en 2005 avec un taux de 2,9%. Cette contre performance est due à la baisse du niveau des activités dans le secteur primaire et l'évolution défavorable des cours de matières premières. La croissance a repris une tendance haussière à partir de 2006 avec un taux de 3,8%. Cette reprise s'est poursuivie jusqu'en 2008 où le taux de croissance atteint 5,00%. Ces performances ont été favorisées par la reprise en confiance des opérateurs économiques et des mesures incitatives prises par le gouvernement, en particulier en faveur des producteurs de coton, et la dynamisation des

30	Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

relations économiques avec le Nigéria. Cependant, les impacts de la crise financière de 2008 ont considérablement infléchi la croissance en 2009 qui s'est affichée à 2,7%.

Graphique n° 1 : Evolution du taux de croissance du Bénin de 2001 à 2009

PI B

4,00%

0,00%

7,00%

6,00%

5,00%

3,00%

2,00%

1,00%

2000 2001 2002 2003 2004 2005 2006 2007 2008 2009

Années

PIB

Source : INSAE

1.4. Evolution de la balance commerciale

Le Bénin connaît depuis plusieurs années une balance des paiements structurellement déficitaire en raison de l'importance des importations. En effet, le déficit commercial se creuse au fil du temps avec un taux de croissance involatile. Le commerce extérieur semble être non maîtrisé et imprévisible. En 2009, les exportations ont connu une baisse de plus de 6% contre une hausse de 2,6% en 2008, alors que les importations continuent de croître avec un taux de croissance de 2% en 2009 visiblement inférieur à celui de 2008 qui est égal à 4,4%. Ce fait se traduit par un taux de croissance du déficit courant de 9,2% en points du PIB en 2009 contre 8,5% en 2008. Les services nets et le revenu net ont enregistré un déficit respectif de 116,5

31	Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

milliards et 5,1 milliards de FCFA tandis que les transferts courants connaissent un solde positif de 164,3 milliards de FCFA. Le compte des opérations financières de l'Etat quant à lui connait une baisse en passant de 245,5 milliards en 2008 à 203,6 milliards en 2009. Les investissements directs étrangers par contre n'ont pas évolué.

Graphique n° 2 : Evolution des exportations et des importations du Bénin de 2001 à 2009

50

40

30

20

10

0

2001 2002 2003 2004 2005 2006 2007 2008 2009

-10

Exportations de Biens

Importations de biens

Source : INSAE

2. Le Bénin, un pays essentiellement agricole.

2.1. La Population agricole

Le secteur agricole au Bénin, est dominé par de petites exploitations agricoles. En 1992, 408.020 exploitations agricoles ont été recensées dont 370.338 sont dirigées par un homme et 37.682 par une femme. Le nombre d'exploitations existant en 2008 est estimé à environ 550.000, réparties sur huit zones agro écologiques. Elles sont constituées en majorité de petites et moyennes exploitations de type familial, orientées vers la polyculture associée

32	Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

souvent au petit élevage (volailles, petits ruminants ou porcins). La superficie moyenne des petites exploitations agricoles est estimée à 1,7 ha sur laquelle vivent en moyenne 7 personnes. Environ 34% des exploitations couvrent moins d'un hectare. Seulement 5% des exploitations dans le sud et 20% dans le nord du Bénin couvrent plus de 5 ha.

Sur les 11 millions d'ha de surface brute disponible, un peu moins de 60% sont aptes à l'agriculture.

2.2. Description de l'agriculture béninoise.

L'économie béninoise est essentiellement basée sur l'agriculture qui constitue une source de revenu pour la plupart des Béninois. En effet, la contribution du secteur agricole au PIB a évolué de 33,1% en 1995 à 32,6% en 2005, soit en moyenne un taux de 34,3% sur la période. Le Bénin est constitué de huit zones agro écologiques dans lesquelles se développent les activités diversifiées de productions végétales, animales, halieutiques et forestières. La taille moyenne de l'exploitation familiale est estimée à 1,7 ha pour 7 personnes. Toutefois, on note que 34% des exploitations couvrent moins d'un ha et seuls 5 % des exploitations du sud et 20% de celles du nord disposent de plus de 5 ha.

En plus de la production végétale qui est majoritairement pratiquée, le Bénin possède également une façade maritime d'environ 125 km et deux complexes fluvio-lagunaires : celui du sud constitué par les fleuves Ouémé, Mono et Couffo, et le bassin du fleuve Niger avec ses affluents. La principale activité demeure la pêche artisanale (maritime et lagunaire) et quelques activités de pisciculture (acadja, trous à poissons et des techniques de pisciculture modernes au stade de vulgarisation).

33	Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

Deux systèmes de production animale sont pratiqués: (i) le système pastoral extensif (gros bétail et petits ruminants) localisé au nord et un peu au centre et dans le Plateau, (ii) l'élevage périurbain (volailles, petits ruminants, lapins) et l'élevage sédentaire des petits effectifs de 3 à 10 bovins associés à des petits ruminants. Le système-agro pastoral est plus développé dans le nord du Bénin avec l'utilisation de la culture attelée et la récupération du fumier au profit de la fertilité des terres.

Malgré ces atouts importants, l'agriculture béninoise doit faire face à des contraintes d'ordre:

· naturel : l'agriculture béninoise reste tributaire des aléas climatiques ;

· structurel : les disparités régionales sont très marquées au niveau de la répartition des terres cultivables. De même, le mode de gestion de ces terres caractérisé par une exploitation minière, entraîne une réduction drastique de leur fertilité ;

· économique : le revenu agricole demeure faible. En conséquence les exploitations agricoles sont peu capitalisées par manque d'investissements en général et dans l'amélioration de la fertilité des sols en particulier. De plus, la facture alimentaire du pays représente une part importante des sorties de devises (entre 60 et 100 milliards de F CFA entre 2002 et 2005), essentiellement pour le riz, la volaille, le poisson et les produits laitiers ; et liées aux limites des politiques et stratégies agricoles : inexistence de loi d'orientation agricole, inadéquation de la fiscalité sur les entreprises agricoles et absence de mesures incitatives pour l'entreprenariat agricole, inorganisation de la chaîne d'approvisionnement en intrants agricoles, (hors sous secteur cotonnier), inadaptation du système de crédit et de financement

			34
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

agricoles, absence d'un système d'assurance pour gérer les risques du secteur agricole.

2.3. Caractéristiques des zones agro-écologiques.

Le Bénin est divisé en huit zones agro-écologiques. L'extrême Nord-Bénin regroupe les communes de Malanville et de Karimama et couvre une superficie totale de 9057 Km² avec une population de 141207 habitants, selon les données du RGPH3. Elle compte 9843 ménages agricoles. Les systèmes de cultures reposent sur le mil et le sorgho. Le coton, le maïs, le riz l'oignon, la pomme de terre et les cultures maraichères, le long du fleuve Niger sont des cultures secondaires de cette zone. En raison des peuplements encore faibles, les terres sont disponibles dans cette zone où on peut craindre les déséquilibres environnementaux.

La zone cotonnière du Nord-Bénin regroupe Ségbana, Gogounon, Banikoara, Kandi. Elle couvre 20930 Km² et compte 44251 habitants avec 29227 ménages agricoles. Les systèmes de production dans cette zone sont basés sur le sorgho et le mais complétés par l'igname.

Le sud Borgou regroupe N'Dali, Nikki, Kalalé, Sinendé, Péhunco, Bembèrèkè et Kouandé et s'étend sur une superficie de 23442Km2 avec une population de 602843 habitants et compte 36229 ménages agricoles. Le système de production dans cette zone est basé sur l'igname. Le faible peuplement de la zone explique la disponibilité des terres.

La zone Ouest-Atacora est constituée des communes de Cobly, Ouaké, Boukombé, Tanguiéta, Natitingou, Djougou, Toucountouna, Copargo et couvre une superficie de 16936km² sa population est de 629993 habitants avec 54855 ménages agricoles. Le système de production est basé sur les

			35
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

céréales au Nord de la zone, complété par l'igname dans la partie sud de la zone.

Le faible peuplement explique la disponibilité des terres dans la zone cotonnière du centre du Bénin qui regroupe Bassila, Parakou, Tchaourou, Ouessé, Bantè, Savè, Savalou Glazoué, Kétou, Djidja, Dassa et Aplahoué couvre 32163km² et compte 1166182 habitants avec 9153 ménages agricoles. Le système de production a pour base les céréales, les tubercules et les légumineuses produits deux fois au cours de l'année grâce aux deux saisons de pluie qui caractérisent la zone.

La zone des terres de barre est constituée des communes d'Abomey-Calavi, Allada, Kpomassé, Tori-Bosso, Zè, Djakotomé, Dogbo, Kouékanmey, Houéyogbé, Toviklin, Adjarra, Ifangni, Missérétté, Porto-Novo, Abomey et Bohicon. Elle couvre une superficie de 6391km² avec 1960136 habitants et 144715 ménages agricoles. Le système de production est basé sur la culture de maïs, du manioc et de l'arachide. Dans cette zone le régime des pluies est souvent perturbé entrainant des changements dans les cycles de production annuelle.

La zone de dépression comprend Pobè, Toffo. Sa superficie est de 2564 km² avec une population de 391147 habitants. Le maïs associé au manioc, à la tomate, au piment, et d'autres constituent la base du système de production de la zone qui recèle d'importantes potentialités pour la population.

La zone des pêcheries regroupe Grand-Popo, Comé, Lokossaa, Cotonou etc. elle couvre une superficie de 3280km² avec une population de 1435888 habitants et 65120 ménages agricoles. Dans cette zone le système de production est basé sur le maïs, le manioc et les cultures maraichères. La très faible disponibilité des terres y limite l'extension de l'agriculture.

			36
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

2.4. Le calendrier cultural

Comme le montre le schéma 1, la saison agricole au Bénin couvre tous les douze mois de l'année. Les agriculteurs plantent l'igname courant novembre. Concernant le maïs, son ensemencement a lieu en mars pour une première fois et le second semis du maïs intervient généralement en juiellt.

Les périodes de récolte représentées dans le schéma 1 , indiquent que la récolte du maïs commence, pour une saison normale, au début du mois de juin. Mais cette récolte ne s'intensifie qu'en juillet et une deuxième récolte intervient en décembre. Quant à l'igname, sa récolte intervient généralement vers fin juillet jusqu'en août.

Schéma 1 : Calendrier cultural

J F M A M J J A S O N D

Semis Récolte

Source: DPP/MAEP

Maïs Igname

3. Les caractéristiques de la production vivrière des

communes

3.1. Présentation de la méthode d'analyse

Le choix d'une méthode d'analyse se justifie par l'objectif visé. En effet, les cultures retenues (maïs et igname) ne se pratiquent pas dans les mêmes

			37
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

proportions dans toutes les communes du Bénin. Afin de minimiser les biais, il serait donc intéressant, pour l'analyse économétrique de ne retenir pour chaque culture, que les données des communes où celles-ci sont fortement produite. La production est la variable retenue ici pour faire l'analyse. Il ressort de la définition de cette variable que l'ACP est indiquée, car remplissant les deux exigences essentielles (la variable est quantitative et continue).

L'Analyse en Composantes Principales fait partie des méthodes d'analyse dites factorielles. Ces dernières, établissent des représentations synthétiques de vastes tableaux de données, en général sous forme de représentation graphique. Elles ont pour objet de réduire les dimensions des tableaux de données de façon à représenter les associations entre individus et entre variables dans des espaces de faibles dimensions.

Les méthodes d'analyse factorielle consistent à rechercher des sousespaces de faibles dimensions qui ajustent au mieux le nuage de points des individus et le nuage de points des variables. Les proximités mesurées dans ces sous-espaces doivent refléter au mieux les proximités réelles. L'espace de représentation obtenu est appelé espace factoriel.

L'ACP permet de décrire et d'explorer les relations qui existent entre plusieurs variables simultanément à la différence des méthodes bivariées qui étudient les relations supposées entre deux variables.

3.2. Exécution de l'ACP et analyse des résultats obtenus

3.2.1. Exécution de l'ACP

Pour des besoins de commodité, l'ACP sera effectuée à l'aide du logiciel SPAD qui présente mieux les résultats comparés à ceux fournis par SPSS

			38
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

sous Windows. Pour ce faire, un nouveau fichier EXCEL a été créé à partir des données sur la production vivrière des communes. Le fichier EXCEL a été importé dans SPAD et exécuté par des procédures appropriées.

3.2.2. Les résultats de l'ACP

Le logiciel SPAD fournit beaucoup de résultats dont on s'efforcera de ne présenter les plus importants. Certains d'entre eux seront joints en annexes pour permettre aux lecteurs de comprendre les interprétations y afférentes.

3.2.2.1. Cas du maïs

L'histogramme des onze premières valeurs propres (joint en annexe) montre qu'on peut retenir au maximum deux valeurs propres (supérieurs à 1). Le premier axe factoriel explique à lui seul 74,95% de l'inertie totale. Le second axe factoriel oppose donc les communes où la culture du maïs est fortement pratiquée à celles où la même culture est faiblement pratiquée. Les individus (communes) ayant une contribution supérieure à leur poids et ayant une coordonnée positive sur le premier axe sont alors les individus qui produisent fortement le maïs. Sur cette base, les communes ci-après sont retenues. Il s'agit de : Kétou, Adja-Ouèrè, Pobè, Sakété, Zê, Kandi, Nikki, Toffo. La commune de Kétou vient en tête de toutes les communes en matière de production de maïs car elle a une très forte contribution (33,1%) qui est nettement supérieure à celle des autres communes et de plus, elle est bien projetée sur le premier axe (cos² =0,96).

Le graphique N°3 illustre bien ce qui précède. Les communes retenues se retrouvent sur le graphique et plus précisément à l'intérieur des cercles colorés en jaune.

			39
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

Graphique n° 3: Plan factoriel pour la production du maïs

Source : Les auteurs sur la base des données de la DPP/MAEP

3.2.2.2. Cas de l'igname

Comme dans le cas du maïs, l'analyse de l'histogramme des valeurs propres et du tableau des coordonnées, contributions et cosinus carré des individus permettent de retenir le groupe des communes qui produisent majoritairement l'igname. Il s'agit des communes suivantes : Tchaourou,Nikki, Glazoué, N'Dali, Kalalé, Sinendé, Pérèrè, Djougou, Copargo, Parakou, Bantè. Les communes retenues se retrouvent sur le graphique n°4 et plus précisément à l'intérieur des cercles colorés.

			40
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

Graphique n° 4: Plan factoriel pour la production de l'igname

Source : Les auteurs sur la base des données de la DPP/MAEP

			41
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

CHAPITRE 3 :

ANALYSE ÉCONOMÉTRIQUE

Il s'agit dans ce chapitre d'écrire les relations économétriques pouvant exister entre la production et les variables explicatives (le prix des produits sur le marché, la pluviométrie, la surface emblavée et la population rurale) retenues.

Ce chapitre comporte plusieurs parties. D'abord, on commencera par la présentation des variables. Ensuite, on fera une étude descriptive des données de la production vivrière au niveau national et enfin on abordera les tests statistiques indispensables et l'étape des estimations.

1. Les variables de l'étude

Les variables explicatives retenues ici sont celles dont on a fait cas dans la revue de littérature ou que l'on peut soupçonner d'influencer la production des cultures vivrières au Bénin.

Certaines variables ont été choisies pour tenir compte de la spécificité du Bénin. Il s`agit principalement des variables d'ordre pluviométrique et démographique.

1.1. Le prix des produits sur le marché

Les variables relatives aux prix des produits vivriers sont des instruments de politiques économiques ou des variables de contrôle. Les prix considérés ici sont les prix des produits sur le marché. Le choix des prix comme variables explicatives peut être source de polémique puisque ces prix ne sont

			42
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

pas observés avant les récoltes. Ce qui intéresse le producteur, ce n'est pas le niveau général des prix mais plutôt l'évolution de ces prix. En effet, la hausse du prix d'une culture à la date T incitera les agriculteurs à augmenter la surface emblavée pour cette culture à la date T+1 ; ce qui va engendrer une hausse de la production toute chose égale par ailleurs. Pour un produit donné, il est difficile de prévoir l'effet des autres prix sur sa production ou sur sa surface emblavée. Toutefois, l'effet devrait être à priori négatif.

Parmi l'ensemble des marchés de produits vivriers au Bénin, l'ONASA (1998) a recensé 181 marchés dont 57 sont suivis régulièrement. Parmi ces 57 marchés, on a retenu 12 marchés à raison d'un marché par département. Les 12 marchés sont choisis en raison du rôle important qu'ils jouent dans la distribution des produits vivriers et surtout du fait que les données n'existent pas pour tous les marchés des différentes communes.

Les prix de marché pour les cultures par commune est celui du marché retenu dans le département auquel appartient cette commune. Le tableau 2 montre les départements et les marchés retenus.

Tableau n°2 : les principaux marchés retenus par département.

Départements		Marchés	Ouémé
Ouando		Plateau
Kétou		Atlantique
Zè		Littoral
Dantokpa		Mono
Comè		Couffo
Dogbo		Colline
Glazoué		Zou
Bohicon		Alibori
Malanville		Borgou
Arzéké- Parakou		Atacora
Natitingou		Donga
Djougou

Source : ANASA

			43
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

1.2. La pluviométrie

La variable retenue au niveau de la pluviométrie est la quantité annuelle de pluie.

Comme l'agriculture béninoise est encore à l'étape traditionnelle à l'instar de la plupart des pays en développement, elle reste tributaire de l'effet aléatoire de la pluviométrie. En effet, la plupart des agriculteurs au Bénin n'arrosent pas leurs champs par faute de moyens et ne pratiquent pas le drainage ou l'irrigation. Face à ces constats, on s'attend donc à ce que la pluviométrie soit un facteur déterminant de la culture vivrière. On peut alors penser que l'effet de la pluviométrie sera donc significativement positif sur la production et sur les rendements agricoles. Toutefois, cet effet s'est avéré non significatif ou difficile à expliquer dans les pays voisins (Togo et Burkina- Faso).

1.3. La superficie emblavée

Le choix de la superficie emblavée comme variable explicative est naturel. Premièrement la variable « surface» est directement et facilement mesurable.

Ensuite, la prise en compte de la superficie emblavée permet de mesurer indirectement l'effet de la croissance de la population sur les sols. En effet, lorsque la population augmente, la demande intérieure en consommation de produits vivriers doit croître. Afin de compenser cette croissance, il faut que la production évolue à la hausse ; ce qui devrait passer par l'augmentation de la surface emblavée puisque les agriculteurs ne disposent pas de moyens pouvant leur permettre de fertiliser les sols. Il parait donc naturel de penser que la surface emblavée doit avoir un effet significativement positif sur la production.

			44
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

1.4. La population

Il s'agit ici de mesurer l'effet de la population rurale sur la production. Concernant la population rurale, on pense que sa croissance devra avoir un effet positif sur la production. Au Bénin et selon les deuxième et troisième recensements généraux de la population et de l'habitation, la densité nationale qui n'était que de 43 hab. /km2 en 1992 est passé à 59hab. /km2 en 2002

2. Dictionnaire des variables

Puisqu'on a un nombre assez élevé de cultures vivrières au Bénin, il serait assez fastidieux de tenir compte de toutes ces cultures. Pour cela, on a allégé la tâche en choisissant deux principales cultures (maïs et igname). En plus, on a adopté des notations pour chaque variable. Ces notations sont consignées dans le tableau suivant. Seules les variables retenues pour l'étude sont consignées dans le tableau.

Tableau n° 3: Notations des variables

Variable		Notation	Quantité produite
Prod		Prix des produits sur le marché
prix		Quantité de pluie par an
hautpl		Surface cultivée
sup		Population rurale
poprur

Source : les auteurs

			45
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

3. Analyse descriptive des variables

3.1. Cas de la production des cultures

Le graphique n°5 montre, globalement pour chaque culture, une évolution à la hausse de la production au fil des années. En volume, la culture la plus importante est l'igname ensuite vient le maïs.

Toutefois, il est indispensable de remarquer que la production de l'igname a connu une chute brutale respectivement en 1998 avant de se relancer les années suivantes.

Graphique n°5 : Evolution de la production de l'igname et du maïs de 1980 à 2009

Production en tonne

3000000

2500000

2000000

1500000

1000000

500000

0

1980 1984 1988 1992 1996 2000 2004 2008

MAÏS

IGNAME

Source : DPP/MAEP

3.2. Cas de la superficie emblavée des cultures

Globalement, les superficies allouées à la culture de l'igname et du maïs
augmentent au fil des années, comme le montre le graphique n°6. La
superficie emblavée pour la production du maïs est plus importante que celle

			46
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

de l'igname. Mais il est important de remarquer que la superficie de l'igname a subit une chute brutale en 1988, avant de commencer à se redresser à partir de l'année suivante.

Graphique n°6 : Evolution de la superficie emblavée de l'igname et du maïs de 1980 à 2009.

Superficie en hectare

1000000

400000

900000

800000

700000

600000

500000

300000

200000

100000

0

années

Maïs Igname

Source : DPP/MAEP

3.3. Cas du prix des produits sur le marché

L'analyse du prix moyen des produits sur le marché, montre que le prix de l'igname est généralement plus important que celui du maïs. Ce constat est en phase avec la production des produits. Aussi, le prix de l'igname a connu une hausse importante en 2002 pour une valeur de 380 francs le kilogramme, alors que le maïs ne s'échangeait que pour 150 francs le kilogramme la même année.

Le prix moyen des deux produits sur le marché tend à se confondre en 2007 et la différence entre ces prix en 2008 et en 2009, n'est pas aussi considérable.

			47
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

Graphique n°7 : Evolution du prix moyen de l'igname et du maïs de 1980 à 2009.

prix au Kg

400

350

300

250

200

150

100

50

0

années

Maïs Igname

Source : ONASA

3.4. Cas de la population rurale

Graphique n^°8: Evolution de la population rurale béninoise de 1980 à 2009.

Effectif de la population rurale

4500000

4000000

5000000

3500000

3000000

2500000

2000000

1500000

1000000

500000

0

Années

POPULATION RURALE

Source : INSAE

			48
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

Comme l'illustre le graphique n°8 les diverses opérations de dénombrement réalisées au Bénin au cours du temps ont révélé que la population rurale augmente d'une année à une autre. Cette évolution de la population rurale au fil des années devrait avoir un impact positif sur la production agricole en générale car c'est elle qui est à la base des activités agricoles au Bénin.

3.5. Cas de la pluviométrie

L'observation de la pluviométrie moyenne montre qu'elle oscille entre 770 mm et 1600mm de 1980 à 2009. Le Bénin, a connu une année particulière en 1983 avec une hauteur de pluie très faible de 770 mm. En 1988, le pays a connu son niveau maximal de hauteur de pluie. Ainsi, le Bénin a été suffisamment arrosé en 1988 pour une hauteur de pluie d'environ 1600mm.

Graphique n°9 : Evolution de la hauteur de pluie de 1980 à 2009

1800

1600

1400

1200

1000

800

400

600

200

0

hauteur de pluie

Source : ASECNA

			49
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

4. Modèle approprié à la production du maïs

4.1. Spécification, estimation et validation du modèle 4.1.1. Spécification du modèle

4.1.1.1. Formes réduites du modèle

Le modèle retenu dans le cadre de cette étude pour chaque culture, est un modèle linéaire simple dont la forme générale est la suivante :

+ , avec t et i, tous des entiers naturels.

;

Passons à présent aux différents tests afin de bien spécifier le modèle.

4.1.1.2. Test de Fisher

Il s'agit de vérifier la stabilité des coefficients à travers le test suivant :

H0 : absence d'effets

H1 : présence d'effets

Le résultat du test est le suivant :

F test that all u_i=0: F(7, 76) = 33.58 Prob > F = 0.0000

			50
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

Dans le cas d'espèce, les effets introduits sont significatifs, ceci nous conduit à rejeter l'hypothèse nulle d'absence d'effet.

On passe au test de Hausman afin de vérifier si on est en présence d'un modèle à effets fixes ou aléatoire.

4.1.1.3. Test de Hausmann

Les hypothèses du test sont les suivants :

H0 : Présence d'effets aléatoires

H1 : Présence d'effets fixes

Le résultat du test est le suivant:

chi2(4) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 0.78

Prob>chi2 = 0.0292

Le résultat du test, conduit à rejeter le modèle à effets aléatoires au profit du modèle à effets fixes car la probabilité associée au test vaut 0,0292 qui est inférieur à 5%.

La forme réduite du modèle pour chaque commune i (i est

la suivante :

Avec t

.

4.1.2. Estimation du modèle Le modèle avec effets fixes estimé est :

			51
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

V1 Kétou

V1 Pobè

V' Adja-ouèrè

v' sakété

v' Zè

v' Kandi

v' Nikki

			52
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

v' Toffo

Avec t

4.1.3. Validation du modèle

Avant de valider le modèle, il convient de procéder aux tests sur les résidus.

4.1.3.1. Test d'hétéroscédasticitéLa procédure du test est la suivante :

· l'étape1 : Régression du modèle structurel par effets fixes ;

· l'étape2 : Récupération du résidu, puis son élévation au carré ;

· l'étape3 : Régression du carré du résidu sur l'ensemble des variables explicatives du modèle structurel.

La statistique du test est n*R² suit sous l'hypothèse d'homoscédasticité, une loi de Chi2 à K-1 degrés de liberté, K étant le nombre de variables explicatives y compris la constante, n et R² étant respectivement le nombre d'observations et le coefficient de détermination du modèle de l'étape 3.

Sur cette base : n*R²=88* 0,02480= 25,6340 qui est supérieur à la statistique lue qui vaut 9,488 (statistique de Chi2 à 4 degré de liberté, les résultats du test sont en annexe). Ainsi on accepte l'l'hypothèse nulle d'homoscédasticité des erreurs.

4.1.3.2. Test d'autocorrélation des résidus

Les hypothèses du test sont les suivants :

H0 : Autocorrélation des résidus

			53
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

H1 : Non Autocorrélation des résidus

Le résultat du test est le suivant :

F(7,68) = 17.80; Prob > F = 0.0000; Durbin-Watson = 1.3889366

La probabilité associée au test est nulle. On accepte donc l'hypothèse d'absence d'autocorrélation des résidus.

En définitif les erreurs sont homoscédastiques et non autocorrélées.

Au regard de tout ce qui précède, le modèle et la méthode des moindre carrées ordinaires utilisée pour faire les estimations, peuvent être validés.

4.2. Analyse et interprétation des résultats

4.2.1. Significativité des coefficients et vérification des hypothèses

4.2.1.1. Signe des coefficients

En dehors de la superficie emblavée et de la population rurale, le prix du produit sur le marché et la hauteur annuelle de pluie ne présentent pas les signes attendus.

4.2.1.2. Significativité des coefficients

Sur l'ensemble des variables explicatives, seules la superficie emblavée et la population rurale ont une influence significative sur la production du maïs.

Aussi paradoxale que cela puisse paraître, la pluviométrie n'a pas une influence significative sur la production. Cela peut s'expliquer par l'effet trop aléatoire des pluies. En effet, il se peut que la pluie arrive tardivement ou qu'elle commence et s'arrête au moment de la floraison des cultures. De plus, chaque culture a besoin d'une quantité nécessaire et suffisante d'eau pour son

			54
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

développement normal. Ainsi, une abondance de pluies peut aussi s'avérer fatale pour les cultures vivrières et faire baisser du coup la production.

La non significativité du prix pourrait s'expliquer par le pessimisme qui anime les producteurs. En effet, la hausse du prix du marché du maïs au cours d'une saison pourrait pousser la grande partie des producteurs dans une méfiance. Ces derniers peuvent réduire leur production car ils se disent que beaucoup abandonneront d'autres cultures au profit du maïs. Mais généralement en fin de campagne, la production est en baisse car la situation de substitution (abandon de certaines cultures au profit du maïs) projetée par les producteurs ne se produit pas.

4.2.1.3. Vérification des hypothèses

Toutes les hypothèses sont vérifiées à l'exception de la deuxième hypothèse relative à la pluviométrie.

4.3. Comparaison de la valeur estimée de la production du modèle avec celle calculée par le MAEP

Pour faire cette comparaison, on a choisit au hasard une commune en l'occurrence, la commune de Kétou, pour ne pas surcharger le document.

Le graphique n °10 montre qu'il n'y a pas assez d'écart entre les valeurs estimées à partir du modèle et celles calculées par le MAEP, ce qui confirme l'efficacité du modèle.

			55
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

Graphique n°10 : Evolution comparée de la production estimée avec celle calculée par le MAEP : commune de Kétou

1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009

production

9

8

4

7

6

5

3

log (prod est) log(prod MAEP)

Année

Source : Calcul des auteurs et données du MAEP, 2010

5. Modèle approprié à la production de l'igname

5.1. Spécification, estimation et validation du modèle

5.1.1. Spécification du modèle

5.1.1.1. Formes réduites du modèle

Le modèle retenu dans le cadre de cette étude pour chaque culture, est un modèle linéaire simple dont la forme générale est la suivante :

+ , avec t et i tous des entiers naturels.

;

			56
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

Passons à présent aux différents tests afin de bien spécifier le modèle. 5.1.1.2. Test de Fisher

Il s'agit de vérifier la stabilité des coefficients à travers le test suivant : H0 : absence d'effets

H1 : présence d'effets

Le résultat du test est le suivant :

F test that all u_i=0: F(9, 96) = 26.54 Prob > F = 0.0000

Dans le cas d'espèce, les effets introduits sont significatifs, ceci nous conduit à rejeter l'hypothèse nulle d'absence d'effet.

On passe au test de Hausman afin de vérifier si on est présence d'un modèle à effets fixes ou aléatoire.

5.1.1.3. Test de Hausmann

L'hypothèse nulle du test est la suivante: H0 : Présence d'effets aléatoires.

Le résultats du test est le suivant :

chi2(4) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 5.46

Prob>chi2 = 0.2432

			57
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

La valeur de la probabilité (0,2432) associée au test de Hausman ne nous permet pas ici de prendre une décision, au seuil de 5%.Pour cela, effectuons le test de Breusch-Pagan qui teste la significativité des effets aléatoires.

5.1.1.4. Test de Breusch-Pagan Les hypothèses du test sont les suivantes :

H0 : absence d'effets aléatoires

H1 : présence d'effets aléatoires

Le résultat du test est le suivant: chi2(1) = 217.47

Prob > chi2 = 0.0000

Ici, les effets aléatoires sont globalement significatifs au seuil de 5%.

Le test conduit alors à rejeter le modèle à effets fixes au profit du modèle à effets aléatoires.

La forme réduite du modèle pour chaque commune i (i est la

suivante :

Avec t et . Notons que les ne sont pas des

constantes, mais des perturbations propres à chaque commune.

5.1.2. Estimation du modèle Le modèle avec effets fixes estimé est :

~

			58
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

Analyse des déterminants de la production des cultures vivrières au Bénin : cas du maïs et de l'igname

~

~

~

Commune de Bembèrèkè

59

Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

~

~

~

~

5.1.3. Validation du modèle

Avant de valider le modèle, il convient de procéder aux tests sur les résidus.

5.1.3.1. Test d'hétéroscédasticité

Le test de Breush Pagan permet de tester l'homoscédasticité après une régression à effets aléatoires. Sur cette base et suivant les résultats de ce test effectué plus haut (1.2.5.4. Test de Breush), on accepte donc l'hypothèse d'homoscédasticité des erreurs car la probabilité du test est inferieur 5%.

5.1.3.2. Test d'autocorrélation des erreurs

Les hypothèses du test sont les suivants :

H0 : Autocorrélation des résidus

H1 : Non Autocorrélation des résidus

Le résultat du test est le suivant: Wald chi2(5) = 121.13

Prob > chi2 = 0.0000

La probabilité associée au test est nulle. On accepte donc l'hypothèse d'absence d'autocorrélation des résidus.

			60
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

CRITIQUE, CONCLUSION GENERALE ET

RECOMMANDATION

En définitif, les erreurs sont homoscédastiques et non autocorrélées.

Le modèle et la méthode des moindre carrées généralisées utilisée pour faire les estimations peuvent être validés, au regard de tout ce qui précède.

5.2. Analyse et interprétation des résultats

5.2.1. Significativité des coefficients et vérification des hypothèses

5.2.1.1. Signe des coefficients

Toutes les variables explicatives présentent les signes attendus sauf la variable pluviométrie.

5.2.1.2. Significativité des coefficients

Sur l'ensemble des variables explicatives, seules la superficie emblavée et la population rurale ont une influence significative sur la production de l'igname au seuil de 10%.

Les raisons avancées pour expliquer la non significativité de la pluviométrie sur la production du maïs sont aussi valables pour le cas de l'igname.

Bien que le prix ne soit pas significatif, ce dernier évolue dans le même sens que la production de l'igname. Cela pourrait s'expliquer par le sentiment d'optimisme qui animerait les producteurs de l'igname suite à un changement du prix. Ce qui est totalement le contraire pour le cas du maïs.

5.2.1.3. Vérification des hypothèses

Toutes les hypothèses sont vérifiées à l'exception de la deuxième hypothèse.

			61
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

5.3. Comparaison de la valeur estimée de la production du modèle avec celle calculée par le MAEP

Pour faire cette comparaison, on a choisit au hasard une commune en l'occurrence, la commune de Tchaourou, pour ne pas surcharger le document.

Le graphique n °11 montre qu'il n'y a pas assez d'écart entre les valeurs estimées à partir du modèle et celles calculées par le MAEP, ce qui confirme l'efficacité du modèle.

Graphique n°11 : Evolution comparée de la production estimée avec celle calculée par le MAEP : Commune de Tchaourou

1

Production

12,5

10,5

1,5

13

12

11

1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 Année

log (prod estimé) log(prod MAEP)

Sources : Calcul des auteurs et données du MAEP, 2010.

			62
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

1. Critique de l'étude

L'étude présente nécessairement des limites. En effet, la présentation des variables explicatives n'est pas forcément exhaustive.

Il serait trop ambitieux de pouvoir tenir compte de toutes les variables que l'on peut soupçonner avoir des influences sur la production vivrière. Néanmoins nous regrettons le manque de certaines variables que nous jugeons importantes pour ce type d'étude. En effet, dans cette étude, nous n'avons pas tenu compte par exemple des intrants et du capital financier.

Il faut noter qu'actuellement, on ne dispose pas de données sur les quantités d'intrants tels que les engrais chimiques qui sont pourtant utilisés par plusieurs agriculteurs pour fertiliser les sols qui deviennent de plus en plus pauvres. De l'avis de spécialistes ou experts du domaine agricole au Bénin, l'usage des engrais n'influencerait pas trop la production agricole ; toutefois, cette hypothèse devra être testée.

Concernant le capital, on pense qu'il servirait essentiellement à acheter ou à louer les terres. Or, étant donné que l'agriculture béninoise est pratiquée par de petits paysans déjà propriétaires terriens, on a donc pas jugé utile de ne pas en tenir compte dans les modèles. Une hypothèse similaire a été faite sur la main d'oeuvre. En effet, on suppose que toute la population rurale est agricole, ce qui fait penser que la main d'oeuvre ne manquerait pas pour le secteur agricole; d'où sa non prise en compte dans les modèles.

			63
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

Il faut aussi ajouter que l'omission de ces variables découle du fait qu'il est quasiment impossible de trouver des données les concernant.

De plus, il faut dire qu'afin de tenir compte des réalités de chacune des communes du pays, il serait intéressant de mener cette étude avec des données spécifiques pour chacune commune. Ceci pourra permettre de cerner l'effet réel de la pluviométrie et des prix puisque dans ce cas, on tiendra compte uniquement de la pluviométrie et du prix des produits dans chaque commune ; On ne serait donc pas obligé de prendre le prix du marché le plus représentatif du département auquel appartient une commune donnée. Le raisonnement étant le même pour les données sur la pluviométrie.

Une autre limite est liée aux données utilisées, qui présentent des carences comme toutes collectes de données ; de plus les séries issues de cette collecte ne sont pas suffisamment longues pour caractériser rigoureusement la réalité béninoise.

Enfin, la dernière limite de notre étude est la relation que nous mettons entre la production et les variables explicatives. Rien ne prouve réellement que ce soit ce genre de relation qu'il faut. Mais qu'en même nous l'avons utilisé pour fixer les idées.

2. Conclusion générale et recommandations

L'étude a l'avantage de s'inspirer de la méthode des données de panel pour faire l'analyse des déterminants de la production des cultures retenues, contrairement a tout ce qui a été déjà fait dans le secteur agricole jusque là.

De cette étude, il ressort que les prévisions de la production vivrière faites à partir des données sectorielles sont plus fiables car cette manière de

			64
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

faire tient compte de la spécificité des communes et conduit à des résultats meilleurs.

Les résultats de cette étude varient d'une culture à une autre tout comme d'une commune à une autre.

Au niveau des prix, les résultats n'ont pas conduit aux effets escomptés. Ce résultat confirme que l'agriculture vivrière béninoise n'est pas destinée à la commercialisation. Il est même parfois apparu que le prix d'un produit n'a pas un impact significatif sur sa propre production. Même si dans quelques rares cas cet impact est significatif, il n'en demeure pas moins qu'il soit en total désaccord avec les attentes.

L'effet le plus espéré reste celui de la pluviométrie sur les cultures vivrières. Mais les résultats obtenus sont très mitigés. En effet comme au Togo et au Burkina-Faso, la pluviométrie n'a aucun effet significatif sur la production.

Au vu de l'ensemble des résultats, il apparaît aussi que la population est un facteur déterminant de la production vivrière au Bénin. En effet, l'étude a montré que, la production et la superficie emblavée augmentent avec la population, reflétant ainsi l'impact de la forte demande intérieure en consommation de produits vivriers, le caractère sous développé de l'agriculture (faible mécanisation) et la disponibilité de la main d'oeuvre qui provient essentiellement de la force physique des paysans. De même, l'étude a révélé aussi une relation positive entre la production annuelle et la superficie emblavée. Un résultat réaliste mais plus ou moins inquiétant est que les superficies emblavées évoluent exagérément au fil des années; ceci pourra engendrer d'autres conséquences sur le plan écologique, surtout que les agriculteurs ne bénéficient pas des nouvelles techniques de cultures qui

			65
Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

permettent d'avoir de meilleurs rendements sans forcément augmenter les superficies emblavées en fertilisant les sols.

Les interprétations précédentes ont nécessairement des implications en matière de politique économique pour une hausse de la production vivrière, donc pour une mobilisation abondante de la production agricole à travers les variables qui l'influencent positivement. Ainsi, pour promouvoir la production vivrière ou pour élever la production agricole au Bénin, les recommandations suivantes nous semblent pertinentes :

· Mener une étude sectorielle en considérant les données séparément pour chaque commune ;

· Dépasser le cadre linéaire et essayer d'autres formes de modèles pour se donner la latitude de choisir le meilleur modèle ;

· Préserver l'environnement afin de ne pas modifier le cycle pluviométrique qui peut avoir pour résultat une mauvaise répartition du nombre de pluie (voire des inondations).

· réduire la pollution de l'atmosphère;

· Maintenir la part de la population rurale (ou même à la hausse) et éviter que celle-ci se transforment en population urbaine (des fois en «Zémidjans» par exemple). Selon la projection de la population rurale et urbaine par la Direction des Etudes Démographiques à l'INSAE l'effectif de la population urbaine rattrapera celui de la population rurale en 2017. Après 2017 les villes renfermeront un effectif plus important que celui des zones rurales. Il est vrai que la scolarisation contribue au phénomène de l'urbanisation mais l'Etat peut mettre en place une politique, afin de motiver agriculteurs;

· Accroître les surfaces des terres cultivées par la mécanisation agricole.

66	Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

BIBLIOGRAPHIE

[1] BOURBONNAIS Régis (2002). - Économétrie : Manuel et Exercices Corrigés. - 4^ème édition.- Paris : Dunod. - 318p

[2] BOURBONNAIS Régis et TERRAZA Michel (1998) Analyse des séries temporelles.- 1ère édition-Paris : PUF-254p.

[3] DJIBOM Lossou Galé (2002)- Diagnostic sur les outils de prévision et de modélisation macroéconomique au Togo-Direction de l'Economie du Togo : Lomé-27p

[4] DOKO Firmin (2003)- Contribution à l'opérationnalisation de l'Instrument Automatisé de Prévision du Secteur Agricole (IAP-Agro) : Déterminants et Modèles d'Estimation de la Décision de Mise en Culture et des Rendements Agricoles au Burkina Faso- Rapport de stage-E.N.S.E.A, Abidjan (Cote d'Ivoire)-113P

[5] Direction Générale des Affaires Economiques-Bénin (2000)- Modèle de Simulation et d'Analyse des Réformes Economiques-66p

[7] DOSSOU Antonin (2000)- Guide Pratique de L'économétrie des Séries Temporelles. - Siège BCEAO, Direction de la Formation : Dakar. - 113 p.

[8] GOURIEROUX Christian et MONFORT Alain, 1995. - Séries Temporelles et Modèles Dynamiques. -2ème édition. - Paris : Economica. - 664 p. (Économie et statistiques avancées)

[9] GUERRIEN Bernard (2002)-Dictionnaire d'analyse économique : La découverte-573p.

[10] GREENE (W), 2000 - Econometric Analysis - Prentice-Hall - Fourth edition- New York- p.1005.

[11] GTZ (Deutsche Gesellschaft Für Technische Zusammenarbeit) - Burkina Faso, 1995 - Instrument Automatisé de Prévision : Manuel d'utilisation et note méthodologique

[12] |NERLOVE (M), 1956 - Estimates of supply of selected agricultural commodities - Journal of farm economics - 38: pp. 496-509.

a	Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

[13] NERLOVE (M), 1958 - The dynamic of supply: Estimation of farmers' response to price - Baltimore - Johns Hopkins University Press.

[14] DOUCOURE F. B. (2005), «Méthodes économétriques : cours et travaux pratiques?.

[15] PNUD(2008), "Rapport sur le Développement Humain

Durable2007/2008 :

Responsabilité sociale, Corruption et Développement Humain Durable»

[15] Rose Edwige FIAMOHE, « déterminants des échanges de produits vivriers sur les marches du Benin », mémoire de fin de formation (Doctorante), Unité d'économie rurale, Université catholique de Louvain, P 9

[16] Ministère de l'Economie et des Finances : "Note d'orientation du Budget Economique", Bénin, juin 2009

[17] Estelle Ouellet et Simon Leblond, « guide pour stata », université de Montréal, août 2005

[18] Kangni Kpodar, « manuel d'initiation à stata (version 8) », France, Février 2007

[18] Ministère de l'Agriculture, de l'Elevage et de la Pêche, « Plan de Relance du Secteur Agricole », Bénin, 2009

[19] Sites Web

http:/ www.fao.bj

http:/ www.cabannes.org/simultanees.odt. http :/ www.imf.org

http:/ www.gouv.bj

http :/ www.mdef.bj

http :/ www.mpra.ub.uni-muenchen.de/3201/. http :/ www.oecd.org.

b	Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

ANNEXE

ANNEXE1 : Les différents tests pour le modèle à
effets aléatoires : cas de l'igname

.xtreg lprod lsup lprix lpoprur lhautpl, Fixed-effects (within) regression Group variable: comm							fe		Number of obs = Number of groups =					110 10
R-sq:	within		= 0.5881						Obs per group: min =					11
	between		= 0.0213						avg =					11.0
	overall		= 0.1598						max =					11
									F(4,96) =					34.27
corr(u_i, Xb)			= -0.5174						Prob > F =					0.0000
	lprod |		Coef.		Std. Err.		t		P>|t| [95% Conf.					Interval]
	+
	lsup |		1.079401		.099143		10.89		0.000 .8826035					1.276198
	lprix |		-.0148019		.1126685		-0.13		0.896 -.2384471					.2088433
	lpoprur |		.8802428		.3193749		2.76		0.007 .2462886					1.514197
	lhautpl |		-.2606049		.2758427		-0.94		0.347 -.8081484					.2869386
	| _cons		-6.245125		3.696577		-1.69		0.094 -13.58277					1.092522
	+
	sigma_u |		.87757312
	sigma_e |		.41960687
	rho |		.8139198		(fraction of variance due to u_i)
F test that all u_i=0: F(9, 96) =								26.54			Prob > F =				0.0000
. est store fixed . xtreg lprod lsup lprix lpoprur lhautpl, Random-effects GLS regression								re			Number of obs =				110
Group variable: comm											Number of groups =				10
R-sq: within = 0.5800											Obs per group: min =				11
between = 0.0362											avg =				11.0
overall = 0.2260											max =				11
Random effects u_i ~ Gaussian											Wald chi2(4) =				126.01
corr(u_i, X) = 0 (assumed)											Prob > chi2 =				0.0000
lprod		|		Coef.	Std. Err.	z				P>|z|		[95% Conf.	Interval]
+
lsup		|		1.08131	.1014423	10.66				0.000		.882487	1.280133
lprix		|		.0274313	.1142362	0.24				0.810		-.1964676	.2513301
lpoprur		|		.4357262	.2589625	1.68				0.092		-.0718309	.9432834
lhautpl		|		-.1912055	.2820628	-0.68				0.498		-.7440384	.3616274
_cons		|		-2.066495	3.256456	-0.63				0.526		-8.449032	4.316042
+
sigma_u		|		.60676555
sigma_e		|		.41960687
rho		|		.67648142	(fraction of variance due							to u_i)

. hausman fixed

	Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI
		---- Coefficients ----
|		(b)	(B)	(b-B)	sqrt(diag(V_b-V_B))
|		fixed	.	Difference	S.E.
+
lsup |		1.079401	1.08131	-.0019093	.
lprix |		-.0148019	.0274313	-.0422332	.
lpoprur |		.8802428	.4357262	.4445165	.1869191
lhautpl |		-.2606049	-.1912055	-.0693994	.

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(4) = (b-B)'[(V_b-V_B)^{^}(-1)](b-B)

= 5.46

Prob>chi2 = 0.2432

(V_b-V_B is not positive definite)

. xttest0

Breusch and Pagan Lagrangian multiplier test for random effects lprod[comm,t] = Xb + u[comm] + e[comm,t]

Estimated results:

| Var sd = sqrt(Var)

+

lprod | .7942038 .8911811

e | .1760699 .4196069

u | .3681644 .6067655

Test: Var(u) = 0

chi2(1) = 217.47

Prob > chi2 = 0.0000

. sktest fixed

variable fixed not found r(111);

. predict fixed, u . sktest fixed

Skewness/Kurtosis tests for Normality

joint

Variable | Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi2

+

fixed | 0.000 0.009 21.14 0.0000

. xtregar lprod lsup lprix lpoprur lhautpl, re lbi

RE GLS regression with AR(1) disturbances Number of obs = 110

Group variable: comm Number of groups = 10

R-sq: within = 0.5771 Obs per group: min = 11

between = 0.0402 avg = 11.0

overall = 0.2382 max = 11

Wald chi2(5) = 121.13

corr(u_i, Xb) = 0 (assumed) Prob > chi2 = 0.0000

lprod | Coef. Std. Err. z P>|z| [95% Conf. Interval]

+

d	Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI
lsup		|	1.084781	.1033118 10.50 0.000	.8822936	1.287268
lprix		|	.0336269	.1157967 0.29 0.772	-.1933305	.2605843
lpoprur		|	.3652185	.2548147 1.43 0.152	-.1342091	.8646461
lhautpl		|	-.1887518	.2858858 -0.66 0.509	-.7490777	.3715741
_cons		|	-1.373301	3.246207 -0.42 0.672	-7.73575	4.989149
+
rho_ar		|	-.01993378	(estimated autocorrelation	coefficient)
sigma_u		|	.55980321
sigma_e		|	.44552279
rho_fov		|	.61222481	(fraction of variance due	to u_i)
theta		|	.77059653

modified Bhargava et al. Durbin-Watson = 2.0383967 Baltagi-Wu LBI = 2.1303588

ANNEXE 2 : Les différents tests pour le modèle à
effets fixes : cas du maïs

. xtreg lprod lsup lpoprur lprix lhautpl, fe Fixed-effects (within) regression Group variable: comm									Number of obs = Number of groups =					88 8
R-sq:	within		= 0.5771						Obs per group: min =					11
	between		= 0.9206						avg =					11.0
	overall		= 0.8790						max =					11
									F(4,76) =					25.93
corr(u_i, Xb)			= 0.7783						Prob > F =					0.0000
	lprod |		Coef.		Std. Err.	t			P>|t| [95% Conf.					Interval]
	+
	lsup |		.399503		.0719143	5.56			0.000 .2562732					.5427328
	lpoprur |		.5146713		.1144338	4.50			0.000 .2867567					.7425858
	lprix |		-.2096241		.128581	-1.63			0.107 -.4657153					.0464672
	lhautpl |		-.1152291		.1195592	-0.96			0.338 -.353352					.1228937
	| _cons		.272134		1.524566	0.18			0.859 -2.764303					3.308571
	+
	sigma_u |		.77191572
	sigma_e |		.26264837
	rho |		.89623914		(fraction of variance due to u_i)
F test that all u_i=0: F(7, 76) =								33.58			Prob > F =				0.0000
. est store fixed . xtreg lprod lsup lpoprur lprix lhautpl, Random-effects GLS regression								re			Number of obs =				88
Group variable: comm											Number of groups =				8
R-sq: within = 0.5770											Obs per group: min =				11
between = 0.9211											avg =				11.0
overall = 0.8795											max =				11
Random effects u_i ~ Gaussian											Wald chi2(4) =				135.74
corr(u_i, X) = 0 (assumed)											Prob > chi2 =				0.0000
lprod |				Coef.	Std. Err.		z			P>|z|		[95% Conf.	Interval]
+
lsup |				.4453965	.0720188		6.18			0.000		.3042423	.5865507
lpoprur |				.5582101	.1141239		4.89			0.000		.3345313	.7818889
e		Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

lprix | -.2161175 .1321722 -1.64 0.102 -.4751703 .0429353

lhautpl | -.117592 .1222238 -0.96 0.336 -.3571462 .1219621

_cons | -.4443465 1.535815 -0.29 0.772 -3.454488 2.565795

+

sigma_u | .55216822

sigma_e | .26264837

rho | .81548815 (fraction of variance due to u_i)

. hausman fixed

---- Coefficients ----

| (b) (B) (b-B) sqrt(diag(V_b-V_B))

| fixed . Difference S.E.

+

lsup | .399503 .4453965 -.0458934 .

lpoprur | .5146713 .5582101 -.0435389 .0084152

lprix | -.2096241 -.2161175 .0064934 .

lhautpl | -.1152291 -.117592 .0023629 .

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(4) = (b-B)'[(V_b-V_B)^{^}(-1)](b-B)

= 10.78

Prob>chi2 = 0.0292

(V_b-V_B is not positive definite)

predict fixed, u sktest fixed

Skewness/Kurtosis tests for Normality

joint

Variable | Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi2

+

fixed | 0.001 0.373 10.51 0.0052

. gen fixed2 = fixed*fixed

. reg fixed2 lprod lsup lpoprur lprix lhautpl, fe option fe not allowed

r(198);

. reg fixed2 lsup lpoprur lprix lhautpl, fe option fe not allowed

r(198);

. reg fixed2 lsup lpoprur lprix lhautpl

Source | SS df MS Number of obs = 88

+ F( 4, 83) = 8.53

Model | 10.1582918 4 2.53957294 Prob > F = 0.0000

Residual | 24.7146116 83 .297766405 R-squared = 0.2913

+ Adj R-squared = 0.2571

Total | 34.8729034 87 .40083797 Root MSE = .54568

fixed2 | Coef. Std. Err. t P>|t| [95% Conf. Interval]

+

lsup | -.1340434 .082597 -1.62 0.108 -.2983254 .0302387

lpoprur | .5297644 .127636 4.15 0.000 .2759016 .7836273

f	Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

lprix | -.374556 .2414996 -1.55 0.125 -.854889 .105777

lhautpl | -.6337519 .1865383 -3.40 0.001 -1.004769 -.2627348

_cons | 1.906683 1.969337 0.97 0.336 -2.010248 5.823615

. xtregar lprod lsup lpoprur lprix lhautpl, fe

FE (within) regression with AR(1) disturbances Number of obs = 80

Group variable: comm Number of groups = 8

R-sq: within = 0.5400 Obs per group: min = 10

between = 0.9095 avg = 10.0

overall = 0.8667 max = 10

F(4,68) = 19.96

corr(u_i, Xb) = 0.7855 Prob > F = 0.0000

lprod | Coef. Std. Err. t P>|t| [95% Conf. Interval]

+

lsup | .3024995 .0761919 3.97 0.000 .1504609 .454538

lpoprur | .5682697 .1119369 5.08 0.000 .3449032 .7916363

lprix | -.2498191 .126181 -1.98 0.052 -.5016093 .0019712

lhautpl | -.1678023 .1355912 -1.24 0.220 -.4383704 .1027657

_cons | .8956003 1.036103 0.86 0.390 -1.171911 2.963111

+

rho_ar | .34613866

sigma_u | .84524194

sigma_e | .26181561

rho_fov | .91245333 (fraction of variance because of u_i)

F test that all u_i=0: F(7,68) = 17.80 Prob > F = 0.0000

. xtregar lprod lsup lpoprur lprix lhautpl, fRe option fRe not allowed

r(198);

. xtregar lprod lsup lpoprur lprix lhautpl, re

RE GLS regression with AR(1) disturbances Number of obs = 88

Group variable: comm Number of groups = 8

R-sq: within = 0.5767 Obs per group: min = 11

between = 0.9215 avg = 11.0

overall = 0.8793 max = 11

Wald chi2(5) = 170.99

corr(u_i, Xb) = 0 (assumed) Prob > chi2 = 0.0000

lprod | Coef. Std. Err. z P>|z| [95% Conf. Interval]

+

lsup | .4855914 .0768424 6.32 0.000 .334983 .6361997

lpoprur | .6240351 .1136918 5.49 0.000 .4012032 .8468669

lprix | -.2956279 .1390389 -2.13 0.033 -.5681392 -.0231167

lhautpl | -.1572632 .1376602 -1.14 0.253 -.4270722 .1125459

_cons | -.7440033 1.554131 -0.48 0.632 -3.790045 2.302038

+

rho_ar | .34613866 (estimated autocorrelation coefficient)

sigma_u | .35540846 sigma_e | .32537836 rho_fov | .5440252 (fraction of variance due to u_i)

theta | .62604963

g	Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI
. xtreg lprod lsup lpoprur lprix lhautpl, re
Random-effects GLS regression												Number of obs =			88
Group variable:					comm							Number of groups =			8
R-sq: within =					0.5770							Obs per group: min =			11
between =					0.9211							avg =			11.0
overall =					0.8795							max =			11
Random effects u_i ~ Gaussian												Wald chi2(4) =			135.74
corr(u_i, X) = 0 (assumed)												Prob > chi2 =			0.0000
lprod |					Coef.		Std. Err. z					P>|z| [95% Conf.			Interval]
+ lsup |					.4453965		.0720188 6.18					0.000 .3042423			.5865507
lpoprur |					.5582101		.1141239 4.89					0.000 .3345313			.7818889
lprix |					-.2161175		.1321722 -1.64					0.102 -.4751703			.0429353
lhautpl |					-.117592		.1222238 -0.96					0.336 -.3571462			.1219621
| _cons					-.4443465		1.535815 -0.29					0.772 -3.454488			2.565795
+ sigma_u |					.55216822
sigma_e |					.26264837
rho |					.81548815		(fraction of variance due to u_i)
. xtregar lprod lsup lpoprur lprix lhautpl, re
RE GLS regression with AR(1)							disturbances					Number of obs =			88
Group variable:					comm							Number of groups =			8
R-sq: within =					0.5767							Obs per group: min =			11
between =					0.9215							avg =			11.0
overall =					0.8793							max =			11
												Wald chi2(5) =			170.99
corr(u_i, Xb)					= 0 (assumed)							Prob > chi2 =			0.0000
lprod |					Coef.		Std. Err. z					P>|z| [95% Conf.			Interval]
+ lsup |					.4855914		.0768424 6.32					0.000 .334983			.6361997
lpoprur |					.6240351		.1136918 5.49					0.000 .4012032			.8468669
lprix |					-.2956279		.1390389 -2.13					0.033 -.5681392			-.0231167
lhautpl |					-.1572632		.1376602 -1.14					0.253 -.4270722			.1125459
| _cons					-.7440033		1.554131 -0.48					0.632 -3.790045			2.302038
+
rho_ar |					.34613866		(estimated autocorrelation coefficient)
sigma_u |					.35540846
sigma_e |					.32537836
rho_fov |					.5440252		(fraction of variance due to u_i)
theta |					.62604963
. xtregar lprod lsup lpoprur lprix lhautpl, fe											lbi
FE (within) regression with AR(1)								disturbances			Number of obs =					80
Group variable: comm											Number of groups =					8
R-sq: within = 0.5400											Obs per group: min =					10
between = 0.9095											avg =					10.0
overall = 0.8667											max =					10
											F(4,68) =					19.96
corr(u_i, Xb) = 0.7855											Prob > F =					0.0000
h		Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI
lprod			|	Coef.		Std. Err.			t	P>|t|			[95% Conf.	Interval]
+
lsup			|	.3024995		.0761919			3.97	0.000			.1504609	.454538
lpoprur			|	.5682697		.1119369			5.08	0.000			.3449032	.7916363
lprix			|	-.2498191		.126181			-1.98	0.052			-.5016093	.0019712
lhautpl			|	-.1678023		.1355912			-1.24	0.220			-.4383704	.1027657
_cons			|	.8956003		1.036103			0.86	0.390			-1.171911	2.963111
+
rho_ar			|	.34613866
sigma_u			|	.84524194
sigma_e			|	.26181561
rho_fov			|	.91245333		(fraction of variance because							of u_i)

F test that all u_i=0: F(7,68) = 17.80 Prob > F = 0.0000

modified Bhargava et al. Durbin-Watson = 1.3889366

Baltagi-Wu LBI = 1.6300891

ANNEXE 3 : les sorties de l'ACP pour le cas du maïs

ANALYSE EN COMPOSANTES PRINCIPALES

STATISTIQUES SOMMAIRES		DES VARIABLES					CONTINUES
EFFECTIF TOTAL :		77					POIDS TOTAL		: 77.00
+									+ +
| NUM . IDEN - LIBELLE							EFFECTIF		POIDS | MOYENNE ECART-TYPE | MINIMUM						MAXIMUM
+									+ +
| 1 . - 1998							77		77.00 |	8894.67 11216.41 |				193.00	62595.00
| 2 . C3 - 1999							77		77.00 |	10119.70 12896.90 |				2.25	68589.00
| 3 . C4 - 2000							77		77.00 |	9801.79 1421.40 |				1136.00	11360.00
| 4 . C5 - 2001							77		77.00 |	8994.01 10744.46 |				1.66	48932.00
| 5 . C6 - 2002							77		77.00 |	10313.62 12288.70 |				0.94	71815.00
| 6 . C7 - 2003							77		77.00 |	10045.19 13899.06 |				0.94	74689.00
| 7 . C8 - 2004							77		77.00 |	11117.08 13553.11 |				0.94	61033.00
| 8 . C9 - 2005							77		77.00 |	10855.62 12770.31 |				0.94	56559.00
| 9 . C10 - 2006							77		77.00 |	9337.84 11324.35 |				0.94	75743.00
| 10 . C11 - 2007							77		77.00 |	9451.85 11388.93 |				0.94	75798.00
| 11 . C12 - 2008							77		77.00 |	12741.63 13983.69 |				0.94	82269.00
+									+ +
MATRICE DES CORRELATIONS
|	C3	C4			C5		C6 C7		C8 C9 C10 C11 C12
	+
|	1.00
C3 |	0.98 1.00
C4 |	0.13 0.12	1.00
C5 |	0.93 0.93	0.11			1.00
C6 |	0.94 0.93	0.10			0.96		1.00
C7 |	0.87 0.87	0.10			0.92		0.94 1.00
C8 |	0.85 0.86	0.13			0.87		0.88 0.90		1.00
C9 |	0.64 0.66	-0.10			0.69		0.70 0.78		0.76 1.00
C10 |	0.74 0.74	0.08			0.77		0.85 0.78		0.72 0.66 1.00
C11 |	0.70 0.73	0.11			0.63		0.74 0.66		0.68 0.55 0.79 1.00
C12 |	0.88 0.86	0.10			0.87		0.92 0.84		0.82 0.61 0.83 0.76 1.00
| C3		C4			C5		C6 C7		C8 C9 C10 C11 C12
MATRICE DES VALEURS-TESTS
|	C3	C4			C5		C6 C7		C8 C9 C10 C11 C12
|	99.99
C3 |	20.07 99.99
C4 |	1.13 1.09		99.99
C5 |	14.26 14.30		0.98	99.99
C6 |	14.98 14.30		0.87	16.60		99.99
C7 |	11.63 11.55		0.86	13.93		15.30		99.99
C8 |	10.92 11.39		1.13	11.75		12.08		12.83 99.99
C9 |	6.60 6.96		-0.86	7.46		7.63		9.13 8.77 99.99
C10 |	8.26 8.31		0.67	8.86		10.94		9.24 8.04 6.97			99.99
C11 |	7.69 8.10		0.99	6.44		8.28		7.00 7.31 5.45			9.38	99.99
C12 |	12.18 11.41		0.90	11.64		13.81		10.59 10.16 6.23			10.54	8.66	99.99
| C3			C4	C5		C6		C7 C8 C9			C10	C11	C12
VALEURS PROPRES
APERCU DE LA PRECISION			DES	CALCULS :		TRACE		AVANT DIAGONALISATION			..	11.0000
						SOMME		DES VALEURS PROPRES ....				11.0000

HISTOGRAMME DES 11 PREMIERES VALEURS PROPRES

+ + + + +

+

| NUMERO | VALEUR | POURCENTAGE | POURCENTAGE |

|

| | PROPRE | | CUMULE |

|

+ + + + +

+

| 1 | 8.2443 | 74.95 | 74.95 |

******************************************************************************** |

|

2	| 1.0494 |	9.54 |	84.49	| ***********
3	| 0.5600 |	5.09 |	89.58	| ******
4	| 0.4652 |	4.23 |	93.81	| *****
5	| 0.2527 |	2.30 |	96.11	| ***

Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

6 | 0.1474 | 1.34 | 97.45 | **

7 | 0.1126 | 1.02 | 98.47 | **

8 | 0.0833 | 0.76 | 99.23 | *

9 | 0.0478 | 0.43 | 99.66 | *

10 | 0.0234 | 0.21 | 99.87 | *

11 | 0.0139 | 0.13 | 100.00 | *

+ + + + +

+

RECHERCHE DE PALIERS (DIFFERENCES TROISIEMES)

+ + + +

| PALIER | VALEUR DU | |

| ENTRE | PALIER | |

+ + + +

| 1 -- 2 | -6310.79 | **************************************************** |

| 2 -- 3 | -512.38 | ***** |

| 5 -- 6 | -64.96 | * |

| 4 -- 5 | -36.80 | * |

| 8 -- 9 | -11.78 | * |

+ + + +
RECHERCHE DE PALIERS ENTRE (DIFFERENCES SECONDES)

+ + + +

| PALIER | VALEUR DU | |

| ENTRE | PALIER | |

+ + + +

| 1 -- 2 | 6705.43 | **************************************************** |

| 2 -- 3 | 394.64 | **** |

| 4 -- 5 | 107.27 | * |

| 5 -- 6 | 70.47 | * |

| 6 -- 7 | 5.51 | * |

+ + + +
INTERVALLES LAPLACIENS D'ANDERSON

INTERVALLES AU SEUIL 0.95

+ + +

| NUMERO | BORNE INFERIEURE VALEUR PROPRE BORNE SUPERIEURE |

+ + +

| 1 | 5.6230 8.2443 10.8656 |

| 2 | 0.7158 1.0494 1.3831 |

| 3 | 0.3819 0.5600 0.7380 |

| 4 | 0.3173 0.4652 0.6131 |

| 5 | 0.1723 0.2527 0.3330 |

+ + +

ETENDUE ET POSITION RELATIVE DES INTERVALLES

1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .* +

*

2 . . . *---+---* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3 . *-+-* . . . . . . . . . . . . . . . . . .

. . . . .

4 .*-+-*. . . . . . . . . . . . . . . . . . .

. . . . .

5 +*. . . . . . . . . . . . . . . . . . . . .

. . . . .

COORDONNEES DES VARIABLES SUR LES AXES 1 A 5 VARIABLES ACTIVES

+ + +

VARIABLES | COORDONNEES | CORRELATIONS VARIABLE-FACTEUR | ANCIENS AXES

UNITAIRES

+ + +

IDEN	- LIBELLE		COURT	|	1	2	3	4	5	|	1	2	3	4	5	|	1	2	3	4
5
				+						+						+
	- 1998			|	0.95	0.06	0.09	0.23	0.11	|	0.95	0.06	0.09	0.23	0.11	|	0.33	0.05	0.12	0.34
0.22
C3	- 1999			|	0.95	0.04	0.08	0.19	0.16	|	0.95	0.04	0.08	0.19	0.16	|	0.33	0.04	0.11	0.27
0.32
C4	- 2000			|	0.11	0.97	0.07	-0.19	-0.01	|	0.11	0.97	0.07	-0.19	-0.01	|	0.04	0.95	0.10	-0.28
-0.03
C5	- 2001			|	0.95	0.01	0.20	0.13	-0.09	|	0.95	0.01	0.20	0.13	-0.09	|	0.33	0.01	0.26	0.19
-0.18
C6	- 2002			|	0.98	0.00	0.03	0.10	-0.09	|	0.98	0.00	0.03	0.10	-0.09	|	0.34	0.00	0.04	0.14
-0.18
C7	- 2003			|	0.95	-0.03	0.17	-0.08	-0.08	|	0.95	-0.03	0.17	-0.08	-0.08	|	0.33	-0.03	0.23	-0.11
-0.15
C8	- 2004			|	0.92	0.00	0.16	-0.11	0.12	|	0.92	0.00	0.16	-0.11	0.12	|	0.32	0.00	0.22	-0.16
0.24
C9	- 2005			|	0.77	-0.31	0.18	-0.50	0.06	|	0.77	-0.31	0.18	-0.50	0.06	|	0.27	-0.30	0.24	-0.73
0.12
C10	- 2006			|	0.87	-0.03	-0.34	-0.13	-0.30	|	0.87	-0.03	-0.34	-0.13	-0.30	|	0.30	-0.03	-0.45	-0.19
-0.61
C11	- 2007			|	0.79	0.05	-0.53	-0.08	0.26	|	0.79	0.05	-0.53	-0.08	0.26	|	0.28	0.05	-0.71	-0.12
0.51
C12	- 2008			|	0.93	0.03	-0.13	0.16	-0.12	|	0.93	0.03	-0.13	0.16	-0.12	|	0.32	0.03	-0.17	0.23
-0.23
MATRICE | + C4 | C9 | C11 | C10 |		+ + + DES CORRELATIONS PERMUTEE SUIVANT LE PREMIER AXE DE L'ANALYSE C4 C9 C11 C10 C8 C12 C7 C3 C5 C6 1.00 -0.10 1.00 0.11 0.55 1.00 0.08 0.66 0.79 1.00

j

Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

C8 | C12 | | C7 | C3 | C5 | C6 |	0.13 0.10 0.13 0.10 0.12 0.11 0.10	0.76 0.68 0.61 0.76 0.64 0.70 0.78 0.66 0.66 0.73 0.69 0.63 0.70 0.74			0.72 1.00 0.83 0.82 1.00 0.74 0.85 0.88 0.78 0.90 0.84 0.74 0.86 0.86 0.77 0.87 0.87 0.85 0.88 0.92				1.00 0.87 1.00 0.98 0.87 0.93 0.92 0.94 0.94			1.00 0.93 0.93		1.00 0.96		1.00
| C4		C9 C11			C10 C8 C12				C7			C3		C5		C6
COORDONNEES,		CONTRIBUTIONS		ET	COSINUS CARRES DES				INDIVIDUS
AXES 1 A 5
+					+									+							+
----+
|		INDIVIDUS			|				COORDONNEES					|		CONTRIBUTIONS					|		COSINUS			CARRES
|
|					+									+							+
----|
| IDENTIFICATEUR			P.REL			DISTO |	1	2		3	4		5 |		1		2	3	4	5 |		1		2	3		4
5 |
+						+							+							+
----+
| Malanville			1.30			13.38 |	-0.95	-3.49		-0.30	-0.12		0.36 |		0.1		15.0	0.2	0.0	0.7 |		0.07		0.91	0.01		0.00
0.01 |
| Karimama			1.30			42.41 |	-2.22	-6.05		-0.14	0.86		0.29 |		0.8		45.3	0.0	2.0	0.4 |		0.12		0.86	0.00		0.02
0.00 |
| Ségbana			1.30			8.33 |	1.24	1.16		-1.60	-0.76		1.25 |		0.2		1.7	5.9	1.6	8.0 |		0.19		0.16	0.31		0.07
0.19 |
| Gogounou			1.30			1.09 |	0.06	0.44		-0.22	0.73		-0.40 |		0.0		0.2	0.1	1.5	0.8 |		0.00		0.18	0.05		0.49
0.15 |
| Banikoara			1.30			8.35 |	2.53	-0.13		0.02	-0.49		-0.69 |		1.0		0.0	0.0	0.7	2.4 |		0.77		0.00	0.00		0.03
0.06 |
| Kandi			1.30			28.50 |	4.24	0.59		0.74	2.47		-1.61 |		2.8		0.4	1.3	17.1	13.3 |		0.63		0.01	0.02		0.21
0.09 |
| Kérou			1.30			1.09 |	-0.84	0.11		0.16	-0.42		-0.24 |		0.1		0.0	0.1	0.5	0.3 |		0.65		0.01	0.02		0.16
0.05 |
| N'Dali			1.30			0.54 |	0.42	0.17		-0.09	0.03		-0.34 |		0.0		0.0	0.0	0.0	0.6 |		0.32		0.05	0.01		0.00
0.21 |
| Nikki			1.30			17.09 |	3.61	0.01		0.13	-0.58		0.80 |		2.1		0.0	0.0	0.9	3.3 |		0.76		0.00	0.00		0.02
0.04 |
| Kalalé			1.30			4.65 |	1.71	0.34		-0.60	0.44		-0.67 |		0.5		0.1	0.8	0.5	2.3 |		0.63		0.03	0.08		0.04
0.10 |
| Sinendé			1.30			7.76 |	1.64	0.16		-1.93	-0.79		0.37 |		0.4		0.0	8.6	1.7	0.7 |		0.35		0.00	0.48		0.08
0.02 |
| Bembèrèkè			1.30			3.88 |	1.43	0.24		0.44	0.15		0.32 |		0.3		0.1	0.5	0.1	0.5 |		0.53		0.01	0.05		0.01
0.03 |
| Kouandé			1.30			1.29 |	-0.85	0.37		-0.33	0.26		-0.35 |		0.1		0.2	0.2	0.2	0.6 |		0.56		0.11	0.08		0.05
0.10 |
| Pèrèrè			1.30			7.13 |	-0.10	-1.72		0.70	-1.48		0.25 |		0.0		3.7	1.2	6.1	0.3 |		0.00		0.42	0.07		0.31
0.01 |
| Péhunco			1.30			1.10 |	-0.72	0.31		-0.25	0.10		0.14 |		0.1		0.1	0.1	0.0	0.1 |		0.48		0.09	0.06		0.01
0.02 |
| Cobly			1.30			1.79 |	-1.27	0.18		0.16	-0.15		0.13 |		0.3		0.0	0.1	0.1	0.1 |		0.91		0.02	0.01		0.01
0.01 |
| Tanguiéta			1.30			2.09 |	-1.34	0.27		-0.16	-0.10		-0.27 |		0.3		0.1	0.1	0.0	0.4 |		0.86		0.03	0.01		0.01
0.03 |
| Toucountouna			1.30			3.01 |	-1.54	0.03		0.19	-0.63		0.05 |		0.4		0.0	0.1	1.1	0.0 |		0.79		0.00	0.01		0.13
0.00 |
| Boukoumbé			1.30			5.08 |	-2.22	0.22		0.22	-0.17		0.01 |		0.8		0.1	0.1	0.1	0.0 |		0.97		0.01	0.01		0.01
0.00 |
| Natitingou			1.30			2.94 |	-1.67	0.31		0.05	0.06		-0.08 |		0.4		0.1	0.0	0.0	0.0 |		0.94		0.03	0.00		0.00
0.00 |
| Ouaké			1.30			3.40 |	-1.61	-0.02		0.36	-0.77		0.01 |		0.4		0.0	0.3	1.6	0.0 |		0.76		0.00	0.04		0.17
0.00 |
| Djougou			1.30			2.19 |	-1.20	0.38		-0.51	0.14		-0.11 |		0.2		0.2	0.6	0.1	0.1 |		0.66		0.07	0.12		0.01
0.01 |
| Materi			1.30			25.32 |	-1.32	-4.56		-0.92	1.21		-0.34 |		0.3		25.7	1.9	4.1	0.6 |		0.07		0.82	0.03		0.06
0.00 |
| Copargo			1.30			5.06 |	-2.17	0.13		0.31	-0.40		0.05 |		0.7		0.0	0.2	0.4	0.0 |		0.93		0.00	0.02		0.03
0.00 |
| Bassila			1.30			1.31 |	-0.94	0.31		0.26	0.29		-0.28 |		0.1		0.1	0.2	0.2	0.4 |		0.68		0.07	0.05		0.07
0.06 |
| Tchaourou			1.30			1.65 |	0.55	-0.04		-0.31	-0.61		0.01 |		0.0		0.0	0.2	1.0	0.0 |		0.18		0.00	0.06		0.23
0.00 |
| Parakou			1.30			1.08 |	-0.06	-0.07		0.39	-0.92		-0.07 |		0.0		0.0	0.4	2.4	0.0 |		0.00		0.00	0.14		0.78
0.00 |
| Dassa-Zoumè			1.30			0.52 |	-0.48	0.33		-0.07	0.29		0.13 |		0.0		0.1	0.0	0.2	0.1 |		0.44		0.21	0.01		0.16
0.03 |
| Glazoué			1.30			5.64 |	1.15	0.39		-1.45	-0.24		0.26 |		0.2		0.2	4.8	0.2	0.3 |		0.24		0.03	0.37		0.01
0.01 |
| Savalou			1.30			2.01 |	0.00	-0.18		0.83	-0.78		0.15 |		0.0		0.0	1.6	1.7	0.1 |		0.00		0.02	0.34		0.30
0.01 |
| Bantè			1.30			0.56 |	-0.60	0.20		-0.15	-0.23		-0.08 |		0.1		0.1	0.1	0.1	0.0 |		0.64		0.07	0.04		0.09
0.01 |
| Savè			1.30			2.92 |	-1.67	0.27		0.10	0.02		-0.09 |		0.4		0.1	0.0	0.0	0.0 |		0.96		0.02	0.00		0.00
0.00 |
| Ouèsse			1.30			3.99 |	0.10	0.41		-0.49	0.70		-0.64 |		0.0		0.2	0.6	1.4	2.1 |		0.00		0.04	0.06		0.12
0.10 |
| Djidja			1.30			1.20 |	-0.51	0.43		-0.25	0.70		-0.04 |		0.0		0.2	0.1	1.4	0.0 |		0.21		0.15	0.05		0.41
0.00 |
| Aplahoué			1.30			1.65 |	1.04	0.17		-0.20	0.13		-0.04 |		0.2		0.0	0.1	0.0	0.0 |		0.66		0.02	0.03		0.01
0.00 |
| Kétou			1.30			219.15 |	14.49	-0.18		-2.81	-0.01		-0.30 |		33.1		0.0	18.2	0.0	0.5 |		0.96		0.00	0.04		0.00
0.00 |
| Abomey-Calavi			1.30			8.17 |	2.59	0.12		-0.29	0.11		0.55 |		1.1		0.0	0.2	0.0	1.5 |		0.82		0.00	0.01		0.00
0.04 |
| Allada			1.30			0.53 |	0.26	0.18		-0.39	-0.19		0.27 |		0.0		0.0	0.4	0.1	0.4 |		0.13		0.06	0.29		0.07
0.13 |
| Kpomassè			1.30			3.37 |	1.61	0.15		0.35	0.33		-0.20 |		0.4		0.0	0.3	0.3	0.2 |		0.76		0.01	0.04		0.03
0.01 |
| Tori-Bossito			1.30			2.12 |	-1.34	0.26		0.21	0.07		-0.17 |		0.3		0.1	0.1	0.0	0.2 |		0.85		0.03	0.02		0.00
0.01 |
| Zè			1.30			25.25 |	4.55	-0.16		-1.57	-0.90		-0.46 |		3.3		0.0	5.7	2.2	1.1 |		0.82		0.00	0.10		0.03

k

Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

0.01 |

| Djakotomey		1.30	0.86 |	-0.60	0.22 0.34 0.15	0.16 |	0.1	0.1 0.3 0.1	0.1 |	0.41	0.06 0.13 0.02
0.03 |
| Klouékanmè		1.30	1.01 |	-0.85	0.25 -0.30 -0.13	-0.12 |	0.1	0.1 0.2 0.1	0.1 |	0.72	0.06 0.09 0.02
0.01 |
| Toviklin		1.30	1.88 |	-1.31	0.28 -0.11 -0.01	0.09 |	0.3	0.1 0.0 0.0	0.0 |	0.91	0.04 0.01 0.00
0.00 |
| Dogbo		1.30	0.84 |	-0.85	0.22 0.10 -0.03	0.03 |	0.1	0.1 0.0 0.0	0.0 |	0.85	0.06 0.01 0.00
0.00 |
| Avrankou		1.30	3.45 |	-1.82	0.31 0.07 0.13	-0.02 |	0.5	0.1 0.0 0.0	0.0 |	0.96	0.03 0.00 0.01
0.00 |
| Akro-Missérété		1.30	3.26 |	-1.75	0.34 0.07 0.25	0.01 |	0.5	0.1 0.0 0.2	0.0 |	0.93	0.04 0.00 0.02
0.00 |
| Adjarra		1.30	5.44 |	-2.29	0.33 0.16 0.12	0.01 |	0.8	0.1 0.1 0.0	0.0 |	0.97	0.02 0.00 0.00
0.00 |
| Houéyogbé		1.30	1.50 |	-0.79	0.22 0.71 0.11	0.16 |	0.1	0.1 1.2 0.0	0.1 |	0.42	0.03 0.34 0.01
0.02 |
| Ifangni		1.30	13.14 |	2.15	-0.35 1.28 -1.27	1.45 |	0.7	0.2 3.8 4.5	10.9 |	0.35	0.01 0.13 0.12
0.16 |
| Sakété		1.30	69.59 |	7.22	0.82 1.22 3.43	1.79 |	8.2	0.8 3.5 32.9	16.5 |	0.75	0.01 0.02 0.17
0.05 |
| Porto-novo		1.30	6.48 |	-2.51	0.33 0.15 0.07	-0.04 |	1.0	0.1 0.1 0.0	0.0 |	0.98	0.02 0.00 0.00
0.00 |
| Abomey		1.30	4.70 |	-2.13	0.29 0.09 -0.03	-0.02 |	0.7	0.1 0.0 0.0	0.0 |	0.97	0.02 0.00 0.00
0.00 |
| Bohicon		1.30	4.07 |	-1.99	0.30 0.12 0.05	-0.05 |	0.6	0.1 0.0 0.0	0.0 |	0.97	0.02 0.00 0.00
0.00 |
| Agbangnizoun		1.30	3.99 |	-1.96	0.32 0.11 0.14	-0.06 |	0.6	0.1 0.0 0.1	0.0 |	0.96	0.03 0.00 0.00
0.00 |
| Za-Kpota		1.30	1.60 |	-1.22	0.28 0.06 0.09	-0.08 |	0.2	0.1 0.0 0.0	0.0 |	0.93	0.05 0.00 0.01
0.00 |
| Zagnanado		1.30	3.91 |	-1.93	0.33 0.03 0.16	-0.07 |	0.6	0.1 0.0 0.1	0.0 |	0.95	0.03 0.00 0.01
0.00 |
| Covè		1.30	3.82 |	-1.90	0.24 0.00 -0.15	-0.25 |	0.6	0.1 0.0 0.1	0.3 |	0.94	0.02 0.00 0.01
0.02 |
| Zogbodomey		1.30	2.82 |	-1.65	0.24 0.17 -0.06	-0.05 |	0.4	0.1 0.1 0.0	0.0 |	0.96	0.02 0.01 0.00
0.00 |
| Lalo		1.30	0.70 |	-0.69	0.18 -0.06 -0.16	0.00 |	0.1	0.0 0.0 0.1	0.0 |	0.67	0.05 0.00 0.04
0.00 |
| Adja-Ouèrè		1.30	87.72 |	8.80	-0.55 2.62 -0.60	1.09 |	12.2	0.4 15.9 1.0	6.2 |	0.88	0.00 0.08 0.00
0.01 |
| Pobé		1.30	89.08 |	8.59	-0.80 2.70 -1.41	-2.08 |	11.6	0.8 16.9 5.5	22.2 |	0.83	0.01 0.08 0.02
0.05 |
| Toffo		1.30	12.81 |	3.37	-0.09 -0.46 -0.78	-0.06 |	1.8	0.0 0.5 1.7	0.0 |	0.88	0.00 0.02 0.05
0.00 |
| Athiémé		1.30	1.67 |	-1.16	0.30 0.32 0.18	0.06 |	0.2	0.1 0.2 0.1	0.0 |	0.81	0.05 0.06 0.02
0.00 |
| Bopa		1.30	2.08 |	-1.38	0.28 0.14 0.10	0.06 |	0.3	0.1 0.0 0.0	0.0 |	0.91	0.04 0.01 0.00
0.00 |
| Grand-Popo		1.30	6.16 |	-2.45	0.32 0.13 0.06	-0.04 |	0.9	0.1 0.0 0.0	0.0 |	0.98	0.02 0.00 0.00
0.00 |
| Comé		1.30	2.72 |	-1.53	0.32 -0.31 0.04	0.23 |	0.4	0.1 0.2 0.0	0.3 |	0.86	0.04 0.03 0.00
0.02 |
| Lokossa		1.30	2.63 |	-1.57	0.30 0.09 0.08	-0.01 |	0.4	0.1 0.0 0.0	0.0 |	0.94	0.03 0.00 0.00
0.00 |
| Ouidah		1.30	1.36 |	-1.07	0.31 0.03 0.19	-0.03 |	0.2	0.1 0.0 0.1	0.0 |	0.85	0.07 0.00 0.03
0.00 |
| So-Ava		1.30	5.88 |	-2.39	0.33 0.16 0.10	-0.10 |	0.9	0.1 0.1 0.0	0.1 |	0.97	0.02 0.00 0.00
0.00 |
| Cotonou		1.30	6.67 |	-2.55	0.33 0.17 0.10	-0.02 |	1.0	0.1 0.1 0.0	0.0 |	0.97	0.02 0.00 0.00
0.00 |
| Bonou		1.30	0.58 |	-0.62	0.28 -0.18 0.14	0.01 |	0.1	0.1 0.1 0.1	0.0 |	0.67	0.13 0.06 0.03
0.00 |
+			+			+			+
----+
+			+			+			+
----+
|	INDIVIDUS		|		COORDONNEES	|		CONTRIBUTIONS	|		COSINUS CARRES
|
|			+			+			+
----|
| IDENTIFICATEUR		P.REL	DISTO |	1	2 3 4	5 |	1	2 3 4	5 |	1	2 3 4
5 |
+			+			+			+
----+
| Adjohoun		1.30	0.75 |	0.00	0.18 -0.60 -0.28	0.03 |	0.0	0.0 0.8 0.2	0.0 |	0.00	0.04 0.48 0.11
0.00 |
| Dangbo		1.30	1.27 |	-0.59	0.35 0.22 0.64	0.23 |	0.1	0.2 0.1 1.1	0.3 |	0.27	0.10 0.04 0.32
0.04 |
| Aguégués		1.30	4.44 |	-2.04	0.32 0.18 0.17	-0.12 |	0.7	0.1 0.1 0.1	0.1 |	0.94	0.02 0.01 0.01
0.00 |
| Sèmè-Podji		1.30	6.47 |	-2.51	0.33 0.15 0.07	-0.04 |	1.0	0.1 0.1 0.0	0.0 |	0.98	0.02 0.00 0.00
0.00 |
| Ouinhi		1.30	3.07 |	-1.64	0.30 -0.18 0.04	-0.07 |	0.4	0.1 0.1 0.0	0.0 |	0.87	0.03 0.01 0.00
0.00 | +					+			+

ANNEXE 4 : les sorties de l'ACP pour le cas de l'igname

ANALYSE EN COMPOSANTES PRINCIPALES

STATISTIQUES SOMMAIRES DES VARIABLES CONTINUES

EFFECTIF TOTAL : 77 POIDS TOTAL : 77.00

+ + + +

| NUM . IDEN - LIBELLE EFFECTIF POIDS | MOYENNE ECART-TYPE | MINIMUM MAXIMUM |

+ + + +

| 1 . - 1998 77 77.00 | 20828.01 29922.50 | 0.00 100373.00 |

| 2 . C3 - 1999 77 77.00 | 60064.73 21543.60 | 0.00 78115.00 |

| 3 . C4 - 2000 77 77.00 | 22623.46 33661.20 | 0.00 134784.00 |

		Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI
| 4 . C5 - 2001							77				77.00 |	22090.68		33419.67 |		0.00	140400.00
| 5 . C6 - 2002							77				77.00 |	27940.92		45111.27 |		0.00	226385.00
| 6 . C7 - 2003							77				77.00 |	26113.02		39974.13 |		0.00	174746.00
| 7 . C8 - 2004							77				77.00 |	29310.17		44925.63 |		0.00	201155.00
| 8 . C9 - 2005							77				77.00 |	26495.50		41689.37 |		0.00	170073.00
| 9 . C10 - 2006							77				77.00 |	23687.13		40545.32 |		0.00	237966.00
| 10 . C11 - 2007							77				77.00 |	28192.67		51667.46 |		0.00	299360.00
| 11 . C12 - 2008							77				77.00 |	33925.81		71439.63 |		0.00	463861.00
+											+			+
MATRICE DES CORRELATIONS
|	C3		C4			C5	C6			C7	C8 C9 C10			C11 C12
	+
|	1.00
C3 |	-0.13 1.00
C4 |	0.92 -0.19		1.00
C5 |	0.96 -0.12		0.94			1.00
C6 |	0.86 -0.20		0.85			0.85	1.00
C7 |	0.89 -0.18		0.87			0.92	0.93			1.00
C8 |	0.92 -0.13		0.90			0.94	0.87			0.95	1.00
C9 |	0.78 -0.18		0.82			0.85	0.78			0.83	0.79 1.00
C10 |	0.69 -0.09		0.64			0.61	0.60			0.67	0.71 0.51 1.00
C11 |	0.72 -0.01		0.69			0.69	0.66			0.73	0.78 0.55 0.84			1.00
C12 |	0.62 0.00		0.56			0.57	0.54			0.64	0.69 0.41 0.86			0.95 1.00
| C3			C4			C5	C6			C7	C8 C9 C10			C11 C12
MATRICE DES VALEURS-TESTS
|	C3		C4			C5	C6			C7	C8 C9 C10			C11 C12
|	99.99
C3 |	-1.15 99.99
C4 |	13.88 -1.67			99.99
C5 |	16.92 -1.04			15.55	99.99
C6 |	11.37 -1.78			11.01	11.07			99.99
C7 |	12.60 -1.57			11.70	13.80			14.50	99.99
C8 |	14.21 -1.14			13.04	15.51			11.55	16.11 99.99
C9 |	9.23 -1.55			10.26	11.00			9.17	10.44 9.48 99.99
C10 |	7.39 -0.77			6.65	6.22			6.13	7.14 7.71 4.89				99.99
C11 |	7.97 -0.08			7.46	7.52			6.93	8.23 9.10 5.37				10.84	99.99
C12 |	6.43 0.00			5.60	5.71			5.25	6.60 7.39 3.82				11.23	16.09	99.99
+
| C3				C4	C5			C6	C7 C8 C9				C10	C11	C12
VALEURS PROPRES
APERCU DE LA PRECISION				DES	CALCULS :			TRACE	AVANT DIAGONALISATION				..	11.0000
								SOMME	DES VALEURS PROPRES ....					11.0000

HISTOGRAMME DES 11 PREMIERES VALEURS PROPRES

+ + + + +

+

| NUMERO | VALEUR | POURCENTAGE | POURCENTAGE |

|

| | PROPRE | | CUMULE |

|

+ + + + +

+

| 1 | 7.9418 | 72.20 | 72.20 |

******************************************************************************** |

| 2 | 1.2837 | 11.67 | 83.87 | *************

3 | 0.8973 | 8.16 | 92.03 | **********

4 | 0.2346 | 2.13 | 94.16 | ***

5 | 0.2156 | 1.96 | 96.12 | ***

6 | 0.1825 | 1.66 | 97.78 | **

7 | 0.1051 | 0.96 | 98.73 | **

8 | 0.0692 | 0.63 | 99.36 | *

9 | 0.0303 | 0.28 | 99.64 | *

10 | 0.0261 | 0.24 | 99.87 | *

11 | 0.0138 | 0.13 | 100.00 | *

+ + + + +

+

RECHERCHE DE PALIERS (DIFFERENCES TROISIEMES)

+ + + +

| PALIER | VALEUR DU | |

| ENTRE | PALIER | |

+ + + +

| 1 -- 2 | -6548.13 | **************************************************** |

| 3 -- 4 | -657.74 | ****** |

| 6 -- 7 | -44.70 | * |

+ + + +
RECHERCHE DE PALIERS ENTRE (DIFFERENCES SECONDES)

+ + + +

| PALIER | VALEUR DU | |

| ENTRE | PALIER | |

+ + + +

| 1 -- 2 | 6271.77 | **************************************************** |

| 3 -- 4 | 643.70 | ****** |

| 6 -- 7 | 41.60 | * |

+ + + +
INTERVALLES LAPLACIENS D'ANDERSON

INTERVALLES AU SEUIL 0.95

+ + +

| NUMERO | BORNE INFERIEURE VALEUR PROPRE BORNE SUPERIEURE |

+ + +

| 1 | 5.4167 7.9418 10.4669 |

| 2 | 0.8755 1.2837 1.6918 |

m	Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

| 3 | 0.6120 0.8973 1.1826 |

| 4 | 0.1600 0.2346 0.3092 |

| 5 | 0.1470 0.2156 0.2841 |

+ + +
ETENDUE ET POSITION RELATIVE DES INTERVALLES

1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .* +

*

2 . . . . .*----+----*. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3 . . .*---+--*

. . . . .

4 *+* . . . . .

5 +*

COORDONNEES DES VARIABLES SUR LES AXES 1 A 5

VARIABLES ACTIVES

+ + +

VARIABLES | COORDONNEES | CORRELATIONS VARIABLE-FACTEUR | ANCIENS AXES

UNITAIRES

+ + +

IDEN - LIBELLE	COURT	|	1	2	3	4	5 |	1	2	3	4	5 |	1	2	3	4
5
		+					+					+
- 1998		|	0.95	-0.10	0.10	-0.10	0.18 |	0.95	-0.10	0.10	-0.10	0.18 |	0.34	-0.09	0.11	-0.20
0.39
C3 - 1999		|	-0.16	0.55	0.82	0.01	-0.03 |	-0.16	0.55	0.82	0.01	-0.03 |	-0.06	0.49	0.86	0.01
-0.06
C4 - 2000		|	0.93	-0.19	0.08	0.01	0.19 |	0.93	-0.19	0.08	0.01	0.19 |	0.33	-0.17	0.09	0.01
0.42
C5 - 2001		|	0.95	-0.18	0.17	-0.02	0.16 |	0.95	-0.18	0.17	-0.02	0.16 |	0.34	-0.16	0.18	-0.05
0.34
C6 - 2002		|	0.90	-0.21	0.06	-0.19	-0.27 |	0.90	-0.21	0.06	-0.19	-0.27 |	0.32	-0.18	0.06	-0.38
-0.58
C7 - 2003		|	0.96	-0.13	0.05	-0.08	-0.18 |	0.96	-0.13	0.05	-0.08	-0.18 |	0.34	-0.12	0.06	-0.16
-0.38
C8 - 2004		|	0.97	-0.05	0.07	-0.09	0.03 |	0.97	-0.05	0.07	-0.09	0.03 |	0.34	-0.04	0.07	-0.18
0.06
C9 - 2005		|	0.83	-0.32	0.17	0.39	-0.11 |	0.83	-0.32	0.17	0.39	-0.11 |	0.30	-0.29	0.17	0.82
-0.24
C10 - 2006		|	0.79	0.43	-0.26	0.14	0.02 |	0.79	0.43	-0.26	0.14	0.02 |	0.28	0.38	-0.27	0.29
0.04
C11 - 2007		|	0.85	0.46	-0.15	0.00	-0.03 |	0.85	0.46	-0.15	0.00	-0.03 |	0.30	0.40	-0.16	0.01
-0.07
C12 - 2008		|	0.75	0.58	-0.24	-0.01	-0.02 |	0.75	0.58	-0.24	-0.01	-0.02 |	0.27	0.51	-0.25	-0.01
-0.04
		+					+					+
COORDONNEES DES	VARIABLES	SUR	LES AXES	6 A	10

VARIABLES ACTIVES

+ + +

VARIABLES | COORDONNEES | CORRELATIONS VARIABLE-FACTEUR | ANCIENS AXES

UNITAIRES

+ + +

IDEN - LIBELLE COURT	|	6	7	8 9	10 |	6	7	8	9	10 |	6	7	8	9
10
+					+					+
- 1998	|	0.07	0.02	-0.18 -0.01	-0.02 |	0.07	0.02	-0.18	-0.01	-0.02 |	0.17	0.06	-0.68	-0.04
-0.13
C3 - 1999	|	0.04	-0.01	0.01 -0.01	0.00 |	0.04	-0.01	0.01	-0.01	0.00 |	0.09	-0.03	0.04	-0.03
0.00
C4 - 2000	|	0.02	-0.18	0.14 -0.05	0.01 |	0.02	-0.18	0.14	-0.05	0.01 |	0.04	-0.54	0.52	-0.27
0.08
C5 - 2001	|	-0.06	0.04	-0.03 0.03	0.06 |	-0.06	0.04	-0.03	0.03	0.06 |	-0.14	0.14	-0.11	0.20
0.38
C6 - 2002	|	0.11	-0.14	-0.03 -0.01	-0.03 |	0.11	-0.14	-0.03	-0.01	-0.03 |	0.25	-0.42	-0.13	-0.03
-0.20
C7 - 2003	|	-0.02	0.13	0.05 -0.01	0.10 |	-0.02	0.13	0.05	-0.01	0.10 |	-0.04	0.39	0.18	-0.08
0.59
C8 - 2004	|	-0.05	0.16	0.10 0.02	-0.10 |	-0.05	0.16	0.10	0.02	-0.10 |	-0.12	0.50	0.39	0.09
-0.64
C9 - 2005	|	-0.07	-0.01	-0.04 -0.01	-0.02 |	-0.07	-0.01	-0.04	-0.01	-0.02 |	-0.16	-0.02	-0.16	-0.06
-0.15
C10 - 2006	|	0.32	0.04	0.03 0.02	0.01 |	0.32	0.04	0.03	0.02	0.01 |	0.75	0.12	0.10	0.13
0.06
C11 - 2007	|	-0.17	-0.10	0.00 0.11	0.00 |	-0.17	-0.10	0.00	0.11	0.00 |	-0.41	-0.31	-0.02	0.64
0.02
C12 - 2008	|	-0.14	0.01	-0.04 -0.11	0.00 |	-0.14	0.01	-0.04	-0.11	0.00 |	-0.33	0.02	-0.14	-0.66
-0.02
+					+					+
COORDONNEES, CONTRIBUTIONS	ET	COSINUS	CARRES	DES INDIVIDUS

AXES 1 A 5

+ + + +

----+

| INDIVIDUS | COORDONNEES | CONTRIBUTIONS | COSINUS CARRES

|

| + + +

----|

| IDENTIFICATEUR	P.REL	DISTO |	1	2	3	4	5	|	1	2	3	4	5 |	1	2	3	4
5 |
+		+						+					+
----+
| Malanville	1.30	11.28 |	-1.68	-1.27	-2.55	0.00	0.10	|	0.5	1.6	9.4	0.0	0.1 |	0.25	0.14	0.58	0.00
0.00 |
| Karimama	1.30	11.65 |	-1.81	-1.37	-2.52	-0.09	0.15	|	0.5	1.9	9.2	0.0	0.1 |	0.28	0.16	0.55	0.00

0.00 |

| Ségbana	1.30	2.70	| 0.74	-0.74	-0.86	-0.31	0.39	| 0.1	0.5	1.1	0.5	0.9	| 0.20	0.20	0.27	0.04
0.05 |
| Gogounou	1.30	5.14	| -0.16	-0.80	-1.98	-0.45	0.24	| 0.0	0.6	5.7	1.1	0.4	| 0.00	0.12	0.76	0.04
0.01 |
| Banikoara	1.30	3.74	| -0.32	-1.12	-1.50	0.01	0.26	| 0.0	1.3	3.3	0.0	0.4	| 0.03	0.33	0.60	0.00
0.02 |
| Kandi	1.30	9.38	| -1.50	-1.32	-2.29	-0.20	0.18	| 0.4	1.8	7.6	0.2	0.2	| 0.24	0.19	0.56	0.00
0.00 |
| Kérou	1.30	8.19	| 2.78	-0.08	0.12	0.41	0.14	| 1.3	0.0	0.0	0.9	0.1	| 0.94	0.00	0.00	0.02
0.00 |
| N'Dali	1.30	25.53	| 4.12	-2.42	-1.19	-0.30	0.13	| 2.8	5.9	2.0	0.5	0.1	| 0.66	0.23	0.06	0.00
0.00 |
| Nikki	1.30	68.28	| 7.81	-1.61	1.32	0.04	0.17	| 10.0	2.6	2.5	0.0	0.2	| 0.89	0.04	0.03	0.00
0.00 |
| Kalalé	1.30	36.78	| 5.26	1.98	0.23	-0.58	-0.69	| 4.5	4.0	0.1	1.8	2.9	| 0.75	0.11	0.00	0.01
0.01 |
| Sinendé	1.30	54.35	| 6.56	-1.90	-1.41	-0.82	-1.22	| 7.0	3.6	2.9	3.7	8.9	| 0.79	0.07	0.04	0.01
0.03 |
| Bembèrèkè	1.30	44.20	| 6.04	-1.41	1.44	1.17	-0.97	| 6.0	2.0	3.0	7.5	5.6	| 0.83	0.05	0.05	0.03
0.02 |
| Kouandé	1.30	6.63	| 2.11	0.45	-0.25	-0.72	0.73	| 0.7	0.2	0.1	2.9	3.2	| 0.67	0.03	0.01	0.08
0.08 |
| Pèrèrè	1.30	13.24	| 3.05	-0.88	-0.27	1.53	-0.62	| 1.5	0.8	0.1	12.9	2.3	| 0.70	0.06	0.01	0.18
0.03 |
| Péhunco	1.30	3.50	| 1.51	-0.24	-0.86	-0.39	0.37	| 0.4	0.1	1.1	0.8	0.8	| 0.65	0.02	0.21	0.04
0.04 |
| Cobly	1.30	5.32	| 0.05	-1.38	-1.66	0.72	-0.13	| 0.0	1.9	4.0	2.9	0.1	| 0.00	0.36	0.52	0.10
0.00 |
| Tanguiéta	1.30	3.61	| 0.41	-0.99	-1.45	0.56	-0.03	| 0.0	1.0	3.0	1.7	0.0	| 0.05	0.27	0.58	0.09
0.00 |
| Toucountouna	1.30	9.70	| 2.26	-1.29	-1.42	-0.25	0.17	| 0.8	1.7	2.9	0.3	0.2	| 0.53	0.17	0.21	0.01
0.00 |
| Boukoumbé	1.30	7.69	| -1.06	-1.42	-2.06	0.32	0.06	| 0.2	2.0	6.1	0.6	0.0	| 0.15	0.26	0.55	0.01
0.00 |
| Natitingou	1.30	6.01	| 2.28	-0.60	-0.48	0.32	0.11	| 0.9	0.4	0.3	0.6	0.1	| 0.87	0.06	0.04	0.02
0.00 |
| Ouaké	1.30	5.25	| 2.03	0.06	0.64	0.27	0.35	| 0.7	0.0	0.6	0.4	0.8	| 0.79	0.00	0.08	0.01
0.02 |
| Djougou	1.30	27.03	| 4.08	0.86	0.50	0.92	2.82	| 2.7	0.7	0.4	4.7	48.0	| 0.62	0.03	0.01	0.03
0.29 |
| Materi	1.30	0.79	| -0.75	0.19	0.40	-0.04	-0.08	| 0.1	0.0	0.2	0.0	0.0	| 0.72	0.05	0.21	0.00
0.01 |
| Copargo	1.30	18.78	| 4.11	-0.02	0.88	0.56	0.66	| 2.8	0.0	1.1	1.7	2.6	| 0.90	0.00	0.04	0.02
0.02 |
| Bassila	1.30	3.78	| 1.74	0.43	0.40	0.24	-0.07	| 0.5	0.2	0.2	0.3	0.0	| 0.80	0.05	0.04	0.02
0.00 |
| Tchaourou	1.30	100.36	| 9.62	1.88	0.28	-0.56	-0.51	| 15.1	3.6	0.1	1.8	1.6	| 0.92	0.04	0.00	0.00
0.00 |
| Parakou	1.30	42.61	| 5.67	-1.92	2.15	-0.11	0.55	| 5.3	3.7	6.7	0.1	1.8	| 0.76	0.09	0.11	0.00
0.01 |
| Dassa-Zoumè	1.30	3.21	| -0.47	-0.06	0.58	1.33	-0.51	| 0.0	0.0	0.5	9.8	1.6	| 0.07	0.00	0.11	0.55
0.08 |
| Glazoué	1.30	94.24	| 5.39	7.30	-3.29	0.65	-0.36	| 4.7	54.0	15.7	2.3	0.8	| 0.31	0.57	0.11	0.00
0.00 |
| Savalou	1.30	10.29	| 2.36	-0.86	1.05	-0.71	-1.35	| 0.9	0.7	1.6	2.8	10.9	| 0.54	0.07	0.11	0.05
0.18 |
| Bantè	1.30	14.18	| 3.15	-0.20	0.72	-0.03	0.37	| 1.6	0.0	0.7	0.0	0.8	| 0.70	0.00	0.04	0.00
0.01 |
| Savè	1.30	0.43	| 0.01	0.28	0.38	0.17	-0.21	| 0.0	0.1	0.2	0.2	0.3	| 0.00	0.19	0.33	0.07
0.10 |
| Ouèsse	1.30	7.79	| 2.21	0.64	0.40	-1.22	0.58	| 0.8	0.4	0.2	8.2	2.0	| 0.63	0.05	0.02	0.19
0.04 |
| Djidja	1.30	9.51	| 2.19	0.35	0.65	-1.77	0.17	| 0.8	0.1	0.6	17.3	0.2	| 0.50	0.01	0.04	0.33
0.00 |
| Aplahoué	1.30	3.41	| -1.80	0.22	0.33	-0.03	-0.03	| 0.5	0.0	0.2	0.0	0.0	| 0.95	0.01	0.03	0.00
0.00 |
| Kétou	1.30	3.62	| 1.65	0.16	0.54	0.15	0.03	| 0.4	0.0	0.4	0.1	0.0	| 0.75	0.01	0.08	0.01
0.00 |
| Abomey-Calavi	1.30	4.12	| -1.99	0.24	0.31	-0.05	-0.05	| 0.6	0.1	0.1	0.0	0.0	| 0.96	0.01	0.02	0.00
0.00 |
| Allada	1.30	4.12	| -1.99	0.24	0.31	-0.05	-0.05	| 0.6	0.1	0.1	0.0	0.0	| 0.96	0.01	0.02	0.00
0.00 |
| Kpomassè	1.30	4.12	| -1.99	0.24	0.31	-0.05	-0.05	| 0.6	0.1	0.1	0.0	0.0	| 0.96	0.01	0.02	0.00
0.00 |
| Tori-Bossito	1.30	4.12	| -1.99	0.24	0.31	-0.05	-0.05	| 0.6	0.1	0.1	0.0	0.0	| 0.96	0.01	0.02	0.00
0.00 |
| Zè	1.30	4.12	| -1.99	0.24	0.31	-0.05	-0.05	| 0.6	0.1	0.1	0.0	0.0	| 0.96	0.01	0.02	0.00
0.00 |
| Djakotomey	1.30	4.12	| -1.99	0.24	0.31	-0.05	-0.05	| 0.6	0.1	0.1	0.0	0.0	| 0.96	0.01	0.02	0.00
0.00 |
| Klouékanmè	1.30	4.12	| -1.99	0.24	0.31	-0.05	-0.05	| 0.6	0.1	0.1	0.0	0.0	| 0.96	0.01	0.02	0.00
0.00 |
| Toviklin	1.30	4.12	| -1.99	0.24	0.31	-0.05	-0.05	| 0.6	0.1	0.1	0.0	0.0	| 0.96	0.01	0.02	0.00
0.00 |
| Dogbo	1.30	4.10	| -1.99	0.23	0.31	-0.05	-0.05	| 0.6	0.1	0.1	0.0	0.0	| 0.96	0.01	0.02	0.00
0.00 |
| Avrankou	1.30	4.12	| -1.99	0.24	0.31	-0.05	-0.05	| 0.6	0.1	0.1	0.0	0.0	| 0.96	0.01	0.02	0.00
0.00 |
| Akro-Missérété	1.30	4.12	| -1.99	0.24	0.31	-0.05	-0.05	| 0.6	0.1	0.1	0.0	0.0	| 0.96	0.01	0.02	0.00
0.00 |
| Adjarra	1.30	4.12	| -1.99	0.24	0.31	-0.05	-0.05	| 0.6	0.1	0.1	0.0	0.0	| 0.96	0.01	0.02	0.00
0.00 |
| Houéyogbé	1.30	4.12	| -1.99	0.24	0.31	-0.05	-0.05	| 0.6	0.1	0.1	0.0	0.0	| 0.96	0.01	0.02	0.00
0.00 |
| Ifangni	1.30	4.12	| -1.99	0.24	0.31	-0.05	-0.05	| 0.6	0.1	0.1	0.0	0.0	| 0.96	0.01	0.02	0.00
0.00 |
| Sakété	1.30	3.57	| -1.85	0.27	0.29	-0.04	-0.01	| 0.6	0.1	0.1	0.0	0.0	| 0.95	0.02	0.02	0.00
0.00 |
| Porto-novo	1.30	4.12	| -1.99	0.24	0.31	-0.05	-0.05	| 0.6	0.1	0.1	0.0	0.0	| 0.96	0.01	0.02	0.00
0.00 |
| Abomey	1.30	4.08	| -1.98	0.23	0.31	-0.06	-0.05	| 0.6	0.1	0.1	0.0	0.0	| 0.96	0.01	0.02	0.00

0.00 |

| Bohicon		1.30	4.11 |	-1.99	0.23 0.31 -0.05	-0.05 |	0.6	0.1 0.1 0.0	0.0 |	0.96	0.01 0.02 0.00
0.00 |
| Agbangnizoun		1.30	3.98 |	-1.95	0.22 0.31 -0.08	-0.05 |	0.6	0.1 0.1 0.0	0.0 |	0.96	0.01 0.02 0.00
0.00 |
| Za-Kpota		1.30	3.89 |	-1.93	0.24 0.31 -0.07	-0.03 |	0.6	0.1 0.1 0.0	0.0 |	0.96	0.02 0.02 0.00
0.00 |
| Zagnanado		1.30	4.05 |	-1.97	0.24 0.31 -0.06	-0.05 |	0.6	0.1 0.1 0.0	0.0 |	0.96	0.01 0.02 0.00
0.00 |
| Covè		1.30	4.10 |	-1.99	0.23 0.31 -0.04	-0.05 |	0.6	0.1 0.1 0.0	0.0 |	0.96	0.01 0.02 0.00
0.00 |
| Zogbodomey		1.30	4.85 |	-1.44	-0.28 0.62 1.37	-0.47 |	0.3	0.1 0.6 10.3	1.3 |	0.43	0.02 0.08 0.38
0.05 |
| Lalo		1.30	4.10 |	-1.98	0.24 0.31 -0.05	-0.05 |	0.6	0.1 0.1 0.0	0.0 |	0.96	0.01 0.02 0.00
0.00 |
| Adja-Ouèrè		1.30	2.53 |	-1.51	0.10 0.42 -0.14	0.16 |	0.4	0.0 0.3 0.1	0.2 |	0.90	0.00 0.07 0.01
0.01 |
| Pobé		1.30	2.01 |	-1.33	0.24 0.35 0.00	0.09 |	0.3	0.1 0.2 0.0	0.1 |	0.89	0.03 0.06 0.00
0.00 |
| Toffo		1.30	4.12 |	-1.99	0.24 0.31 -0.05	-0.05 |	0.6	0.1 0.1 0.0	0.0 |	0.96	0.01 0.02 0.00
0.00 |
| Athiémé		1.30	4.12 |	-1.99	0.24 0.31 -0.05	-0.05 |	0.6	0.1 0.1 0.0	0.0 |	0.96	0.01 0.02 0.00
0.00 |
| Bopa		1.30	4.12 |	-1.99	0.24 0.31 -0.05	-0.05 |	0.6	0.1 0.1 0.0	0.0 |	0.96	0.01 0.02 0.00
0.00 |
| Grand-Popo		1.30	4.12 |	-1.99	0.24 0.31 -0.05	-0.05 |	0.6	0.1 0.1 0.0	0.0 |	0.96	0.01 0.02 0.00
0.00 |
| Comé		1.30	4.12 |	-1.99	0.24 0.31 -0.05	-0.05 |	0.6	0.1 0.1 0.0	0.0 |	0.96	0.01 0.02 0.00
0.00 |
| Lokossa		1.30	4.12 |	-1.99	0.24 0.31 -0.05	-0.05 |	0.6	0.1 0.1 0.0	0.0 |	0.96	0.01 0.02 0.00
0.00 |
| Ouidah		1.30	4.12 |	-1.99	0.24 0.31 -0.05	-0.05 |	0.6	0.1 0.1 0.0	0.0 |	0.96	0.01 0.02 0.00
0.00 |
| So-Ava		1.30	4.12 |	-1.99	0.24 0.31 -0.05	-0.05 |	0.6	0.1 0.1 0.0	0.0 |	0.96	0.01 0.02 0.00
0.00 |
| Cotonou		1.30	4.12 |	-1.99	0.24 0.31 -0.05	-0.05 |	0.6	0.1 0.1 0.0	0.0 |	0.96	0.01 0.02 0.00
0.00 |
| Bonou		1.30	4.08 |	-1.98	0.23 0.31 -0.05	-0.04 |	0.6	0.1 0.1 0.0	0.0 |	0.96	0.01 0.02 0.00
0.00 |
+			+			+			+
----+
+			+			+			+
----+
|	INDIVIDUS		|		COORDONNEES	|		CONTRIBUTIONS	|		COSINUS CARRES
|
|			+			+			+
----|
| IDENTIFICATEUR		P.REL	DISTO |	1	2 3 4	5 |	1	2 3 4	5 |	1	2 3 4
5 |
+			+			+			+
----+
| Adjohoun		1.30	4.12 |	-1.99	0.24 0.31 -0.05	-0.05 |	0.6	0.1 0.1 0.0	0.0 |	0.96	0.01 0.02 0.00
0.00 |
| Dangbo		1.30	4.12 |	-1.99	0.24 0.31 -0.05	-0.05 |	0.6	0.1 0.1 0.0	0.0 |	0.96	0.01 0.02 0.00
0.00 |
| Aguégués		1.30	4.12 |	-1.99	0.24 0.31 -0.05	-0.05 |	0.6	0.1 0.1 0.0	0.0 |	0.96	0.01 0.02 0.00
0.00 |
| Sèmè-Podji		1.30	4.12 |	-1.99	0.24 0.31 -0.05	-0.05 |	0.6	0.1 0.1 0.0	0.0 |	0.96	0.01 0.02 0.00
0.00 |
| Ouinhi		1.30	4.11 |	-1.99	0.24 0.31 -0.05	-0.05 |	0.6	0.1 0.1 0.0	0.0 |	0.96	0.01 0.02 0.00
0.00 |
+			+			+			+
----+
AXES 6 A 10
+			+			+			+
----+
|	INDIVIDUS		|		COORDONNEES	|		CONTRIBUTIONS	|		COSINUS CARRES
|
|			+			+			+
----|
| IDENTIFICATEUR		P.REL	DISTO |	6	7 8 9	10 |	6	7 8 9	10 |	6	7 8 9
10 |
+			+			+			+
----+
| Malanville		1.30	11.28 |	-0.48	-0.02 -0.11 0.30	-0.02 |	1.6	0.0 0.2 3.7	0.0 |	0.02	0.00 0.00 0.01
0.00 |
| Karimama		1.30	11.65 |	-0.33	0.08 -0.09 0.10	-0.01 |	0.8	0.1 0.2 0.4	0.0 |	0.01	0.00 0.00 0.00
0.00 |
| Ségbana		1.30	2.70 |	-0.06	0.49 0.01 -0.62	0.12 |	0.0	2.9 0.0 16.4	0.7 |	0.00	0.09 0.00 0.14
0.01 |
| Gogounou		1.30	5.14 |	-0.24	-0.05 0.22 0.38	0.20 |	0.4	0.0 0.9 6.1	1.9 |	0.01	0.00 0.01 0.03
0.01 |
| Banikoara		1.30	3.74 |	-0.03	-0.13 -0.03 0.18	0.02 |	0.0	0.2 0.0 1.4	0.0 |	0.00	0.00 0.00 0.01
0.00 |
| Kandi		1.30	9.38 |	-0.23	0.08 -0.08 0.07	0.01 |	0.4	0.1 0.1 0.2	0.0 |	0.01	0.00 0.00 0.00
0.00 |
| Kérou		1.30	8.19 |	0.36	-0.07 0.15 0.20	0.23 |	0.9	0.1 0.4 1.7	2.7 |	0.02	0.00 0.00 0.00
0.01 |
| N'Dali		1.30	25.53 |	0.07	0.78 0.54 -0.41	-0.03 |	0.0	7.5 5.4 7.1	0.1 |	0.00	0.02 0.01 0.01
0.00 |
| Nikki		1.30	68.28 |	-1.48	-0.52 0.45 0.43	0.11 |	15.6	3.3 3.7 8.1	0.6 |	0.03	0.00 0.00 0.00
0.00 |
| Kalalé		1.30	36.78 |	0.37	1.63 -1.15 0.29	0.16 |	1.0	33.0 25.0 3.6	1.3 |	0.00	0.07 0.04 0.00
0.00 |
| Sinendé		1.30	54.35 |	1.30	-1.29 -0.36 -0.04	-0.25 |	12.1	20.7 2.4 0.1	3.1 |	0.03	0.03 0.00 0.00
0.00 |
| Bembèrèkè		1.30	44.20 |	0.49	0.60 0.61 0.52	-0.20 |	1.7	4.5 6.9 11.8	2.0 |	0.01	0.01 0.01 0.01
0.00 |
| Kouandé		1.30	6.63 |	0.70	-0.47 -0.07 0.23	0.19 |	3.5	2.7 0.1 2.2	1.8 |	0.07	0.03 0.00 0.01
0.01 |
| Pèrèrè		1.30	13.24 |	0.20	0.19 -0.43 -0.04	0.16 |	0.3	0.5 3.5 0.1	1.2 |	0.00	0.00 0.01 0.00

0.00 |

p	Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI
| Péhunco		1.30	3.50	| 0.20	0.13	0.12	0.16	0.23	| 0.3	0.2	0.3	1.1	2.5	| 0.01	0.00	0.00	0.01
0.01 |
| Cobly		1.30	5.32	| -0.34	0.07	-0.07	0.00	-0.08	| 0.8	0.1	0.1	0.0	0.3	| 0.02	0.00	0.00	0.00
0.00 |
| Tanguiéta		1.30	3.61	| -0.14	0.02	-0.06	0.03	-0.07	| 0.1	0.0	0.1	0.0	0.2	| 0.01	0.00	0.00	0.00
0.00 |
| Toucountouna		1.30	9.70	| 0.50	0.38	0.10	-0.59	0.01	| 1.8	1.7	0.2	14.9	0.0	| 0.03	0.01	0.00	0.04
0.00 |
| Boukoumbé		1.30	7.69	| -0.40	0.04	-0.17	0.03	-0.06	| 1.2	0.0	0.5	0.0	0.2	| 0.02	0.00	0.00	0.00
0.00 |
| Natitingou		1.30	6.01	| 0.10	0.12	-0.22	0.01	-0.10	| 0.1	0.2	0.9	0.0	0.5	| 0.00	0.00	0.01	0.00
0.00 |
| Ouaké		1.30	5.25	| 0.22	-0.12	0.41	-0.06	0.51	| 0.3	0.2	3.2	0.1	12.9	| 0.01	0.00	0.03	0.00
0.05 |
| Djougou		1.30	27.03	| 0.45	0.14	-0.29	-0.03	-0.53	| 1.5	0.3	1.6	0.0	13.9	| 0.01	0.00	0.00	0.00
0.01 |
| Materi		1.30	0.79	| 0.03	-0.02	0.03	0.03	0.10	| 0.0	0.0	0.0	0.1	0.5	| 0.00	0.00	0.00	0.00
0.01 |
| Copargo		1.30	18.78	| 0.26	-0.15	-0.46	0.01	0.27	| 0.5	0.3	4.1	0.0	3.5	| 0.00	0.00	0.01	0.00
0.00 |
| Bassila		1.30	3.78	| 0.26	-0.01	0.36	0.10	0.21	| 0.5	0.0	2.5	0.4	2.1	| 0.02	0.00	0.04	0.00
0.01 |
| Tchaourou		1.30	100.36	| -1.76	0.41	0.41	-0.37	0.04	| 21.9	2.1	3.2	5.9	0.1	| 0.03	0.00	0.00	0.00
0.00 |
| Parakou		1.30	42.61	| -0.81	-0.88	-0.51	-0.34	0.05	| 4.6	9.5	4.9	5.1	0.1	| 0.02	0.02	0.01	0.00
0.00 |
| Dassa-Zoumè		1.30	3.21	| -0.44	-0.21	-0.56	-0.05	-0.15	| 1.4	0.6	6.0	0.1	1.2	| 0.06	0.01	0.10	0.00
0.01 |
| Glazoué		1.30	94.24	| 0.03	-0.66	0.25	-0.08	-0.10	| 0.0	5.4	1.2	0.3	0.5	| 0.00	0.00	0.00	0.00
0.00 |
| Savalou		1.30	10.29	| 0.61	-0.23	-0.15	-0.25	-0.20	| 2.6	0.7	0.4	2.7	2.0	| 0.04	0.01	0.00	0.01
0.00 |
| Bantè		1.30	14.18	| 1.64	0.31	0.85	0.01	-0.19	| 19.1	1.2	13.5	0.0	1.8	| 0.19	0.01	0.05	0.00
0.00 |
| Savè		1.30	0.43	| 0.02	-0.09	0.18	-0.05	-0.29	| 0.0	0.1	0.6	0.1	4.3	| 0.00	0.02	0.08	0.01
0.20 |
| Ouèsse		1.30	7.79	| 0.21	-0.16	-0.51	0.11	0.20	| 0.3	0.3	4.8	0.5	2.1	| 0.01	0.00	0.03	0.00
0.01 |
| Djidja		1.30	9.51	| -0.63	0.25	-0.11	0.33	-0.65	| 2.8	0.8	0.2	4.6	20.8	| 0.04	0.01	0.00	0.01
0.04 |
| Aplahoué		1.30	3.41	| -0.01	-0.01	-0.01	-0.01	0.03	| 0.0	0.0	0.0	0.0	0.0	| 0.00	0.00	0.00	0.00
0.00 |
| Kétou		1.30	3.62	| 0.39	-0.22	-0.22	-0.04	0.46	| 1.1	0.6	0.9	0.1	10.7	| 0.04	0.01	0.01	0.00
0.06 |
| Abomey-Calavi		1.30	4.12	| -0.02	0.00	0.03	-0.01	0.00	| 0.0	0.0	0.0	0.0	0.0	| 0.00	0.00	0.00	0.00
0.00 |
| Allada		1.30	4.12	| -0.02	0.00	0.03	-0.01	0.00	| 0.0	0.0	0.0	0.0	0.0	| 0.00	0.00	0.00	0.00
0.00 |
| Kpomassè		1.30	4.12	| -0.02	0.00	0.03	-0.01	0.00	| 0.0	0.0	0.0	0.0	0.0	| 0.00	0.00	0.00	0.00
0.00 |
| Tori-Bossito		1.30	4.12	| -0.02	0.00	0.03	-0.01	0.00	| 0.0	0.0	0.0	0.0	0.0	| 0.00	0.00	0.00	0.00
0.00 |
| Zè		1.30	4.12	| -0.02	0.00	0.03	-0.01	0.00	| 0.0	0.0	0.0	0.0	0.0	| 0.00	0.00	0.00	0.00
0.00 |
| Djakotomey		1.30	4.12	| -0.02	0.00	0.03	-0.01	0.00	| 0.0	0.0	0.0	0.0	0.0	| 0.00	0.00	0.00	0.00
0.00 |
| Klouékanmè		1.30	4.12	| -0.02	0.00	0.03	-0.01	0.00	| 0.0	0.0	0.0	0.0	0.0	| 0.00	0.00	0.00	0.00
0.00 |
| Toviklin		1.30	4.12	| -0.02	0.00	0.03	-0.01	0.00	| 0.0	0.0	0.0	0.0	0.0	| 0.00	0.00	0.00	0.00
0.00 |
| Dogbo		1.30	4.10	| -0.02	-0.01	0.03	-0.01	0.00	| 0.0	0.0	0.0	0.0	0.0	| 0.00	0.00	0.00	0.00
0.00 |
| Avrankou		1.30	4.12	| -0.02	0.00	0.03	-0.01	0.00	| 0.0	0.0	0.0	0.0	0.0	| 0.00	0.00	0.00	0.00
0.00 |
| Akro-Missérété		1.30	4.12	| -0.02	0.00	0.03	-0.01	0.00	| 0.0	0.0	0.0	0.0	0.0	| 0.00	0.00	0.00	0.00
0.00 |
| Adjarra		1.30	4.12	| -0.02	0.00	0.03	-0.01	0.00	| 0.0	0.0	0.0	0.0	0.0	| 0.00	0.00	0.00	0.00
0.00 |
| Houéyogbé		1.30	4.12	| -0.02	0.00	0.03	-0.01	0.00	| 0.0	0.0	0.0	0.0	0.0	| 0.00	0.00	0.00	0.00
0.00 |
| Ifangni		1.30	4.12	| -0.02	0.00	0.03	-0.01	0.00	| 0.0	0.0	0.0	0.0	0.0	| 0.00	0.00	0.00	0.00
0.00 |
| Sakété		1.30	3.57	| -0.01	-0.03	0.05	0.00	0.03	| 0.0	0.0	0.1	0.0	0.0	| 0.00	0.00	0.00	0.00
0.00 |
| Porto-novo		1.30	4.12	| -0.02	0.00	0.03	-0.01	0.00	| 0.0	0.0	0.0	0.0	0.0	| 0.00	0.00	0.00	0.00
0.00 |
| Abomey		1.30	4.08	| -0.02	-0.01	0.03	-0.01	0.00	| 0.0	0.0	0.0	0.0	0.0	| 0.00	0.00	0.00	0.00
0.00 |
| Bohicon		1.30	4.11	| -0.02	0.00	0.03	-0.01	0.00	| 0.0	0.0	0.0	0.0	0.0	| 0.00	0.00	0.00	0.00
0.00 |
| Agbangnizoun		1.30	3.98	| -0.01	-0.02	0.02	-0.02	0.00	| 0.0	0.0	0.0	0.0	0.0	| 0.00	0.00	0.00	0.00
0.00 |
| Za-Kpota		1.30	3.89	| -0.01	-0.01	0.01	-0.01	0.00	| 0.0	0.0	0.0	0.0	0.0	| 0.00	0.00	0.00	0.00
0.00 |
| Zagnanado		1.30	4.05	| -0.02	-0.01	0.03	-0.01	0.01	| 0.0	0.0	0.0	0.0	0.0	| 0.00	0.00	0.00	0.00
0.00 |
| Covè		1.30	4.10	| -0.03	0.00	0.03	-0.01	0.00	| 0.0	0.0	0.0	0.0	0.0	| 0.00	0.00	0.00	0.00
0.00 |
| Zogbodomey		1.30	4.85	| -0.29	-0.03	-0.26	-0.12	-0.25	| 0.6	0.0	1.2	0.6	3.2	| 0.02	0.00	0.01	0.00
0.01 |
| Lalo		1.30	4.10	| -0.02	0.00	0.03	-0.01	0.00	| 0.0	0.0	0.0	0.0	0.0	| 0.00	0.00	0.00	0.00
0.00 |
| Adja-Ouèrè		1.30	2.53	| 0.02	-0.10	0.02	-0.02	-0.07	| 0.0	0.1	0.0	0.0	0.3	| 0.00	0.00	0.00	0.00
0.00 |
| Pobé		1.30	2.01	| 0.05	-0.08	-0.04	0.02	-0.13	| 0.0	0.1	0.0	0.0	0.8	| 0.00	0.00	0.00	0.00
0.01 |
| Toffo		1.30	4.12	| -0.02	0.00	0.03	-0.01	0.00	| 0.0	0.0	0.0	0.0	0.0	| 0.00	0.00	0.00	0.00
0.00 |
| Athiémé		1.30	4.12	| -0.02	0.00	0.03	-0.01	0.00	| 0.0	0.0	0.0	0.0	0.0	| 0.00	0.00	0.00	0.00
0.00 |
| Bopa		1.30	4.12	| -0.02	0.00	0.03	-0.01	0.00	| 0.0	0.0	0.0	0.0	0.0	| 0.00	0.00	0.00	0.00

0.00 |

q	Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI
| Grand-Popo			1.30	4.12 |	-0.02	0.00 0.03 -0.01	0.00	|	0.0	0.0 0.0 0.0	0.0 |	0.00	0.00 0.00 0.00
0.00 |
| Comé			1.30	4.12 |	-0.02	0.00 0.03 -0.01	0.00	|	0.0	0.0 0.0 0.0	0.0 |	0.00	0.00 0.00 0.00
0.00 |
| Lokossa			1.30	4.12 |	-0.02	0.00 0.03 -0.01	0.00	|	0.0	0.0 0.0 0.0	0.0 |	0.00	0.00 0.00 0.00
0.00 |
| Ouidah			1.30	4.12 |	-0.02	0.00 0.03 -0.01	0.00	|	0.0	0.0 0.0 0.0	0.0 |	0.00	0.00 0.00 0.00
0.00 |
| So-Ava			1.30	4.12 |	-0.02	0.00 0.03 -0.01	0.00	|	0.0	0.0 0.0 0.0	0.0 |	0.00	0.00 0.00 0.00
0.00 |
| Cotonou			1.30	4.12 |	-0.02	0.00 0.03 -0.01	0.00	|	0.0	0.0 0.0 0.0	0.0 |	0.00	0.00 0.00 0.00
0.00 |
| Bonou			1.30	4.08 |	-0.02	-0.02 0.04 -0.02	0.00	|	0.0	0.0 0.0 0.0	0.0 |	0.00	0.00 0.00 0.00
0.00 |
| Adjohoun			1.30	4.12 |	-0.02	0.00 0.03 -0.01	0.00	|	0.0	0.0 0.0 0.0	0.0 |	0.00	0.00 0.00 0.00
0.00 |
+				+				+			+
----+
+				+				+			+
----+
|		INDIVIDUS		|		COORDONNEES		|		CONTRIBUTIONS	|		COSINUS CARRES
|
|				+				+			+
----|
| IDENTIFICATEUR			P.REL	DISTO |	6	7 8 9	10	|	6	7 8 9	10 |	6	7 8 9
10 |
+				+				+			+
----+
| Dangbo			1.30	4.12 |	-0.02	0.00 0.03 -0.01	0.00	|	0.0	0.0 0.0 0.0	0.0 |	0.00	0.00 0.00 0.00
0.00 |
| Aguégués			1.30	4.12 |	-0.02	0.00 0.03 -0.01	0.00	|	0.0	0.0 0.0 0.0	0.0 |	0.00	0.00 0.00 0.00
0.00 |
| Sèmè-Podji			1.30	4.12 |	-0.02	0.00 0.03 -0.01	0.00	|	0.0	0.0 0.0 0.0	0.0 |	0.00	0.00 0.00 0.00
0.00 |
| Ouinhi			1.30	4.11 |	-0.02	0.00 0.03 -0.01	0.00	|	0.0	0.0 0.0 0.0	0.0 |	0.00	0.00 0.00 0.00

0.00 |

+ + + +

----+

r	Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

Table des Matières Pages

LISTE DES TABLEAUX III

LISTE DES GRAPHIQUES ET SCHEMA IV

LISTE DES ABREVIATIONS ET SIGLES V

DEDICACES VI

REMERCIEMENTS VII

AVANT PROPOS IX

RESUME XI

INTRODUCTION 1

CHAPITRE 1 CADRE THEORIQUE DE L'ETUDE

1. CONTEXTE ET JUSTIFICATION 4

2. OBJECTIF DE L'ETUDE 6

2.1. Objectif général 6

2.2. Objectifs spécifiques 6

3. HYPOTHESES 6

4. REVUE DE LITTERATURE 7

4.1. Revue de littérature théorique 7

4.2. Revue de littérature empirique 19

5. METHODOLOGIE 23

5.1. Recherche documentaire 23

5.2. Les données collectées 24

5.3. Traitement et analyse des données 25

CHAPITRE 2 : ETAT DES LIEUX DE L'ECONOMIE ET DE L'AGRICULTURE BENINOISE

1. ENVIRONNEMENT ECONOMIQUE NATIONAL 27

1.1. Description sommaire 27

1.2. Contexte politique et social 28

1.3. Évolution du PIB 30

1.4. Evolution de la balance commerciale 31

2. LE BENIN, UN PAYS ESSENTIELLEMENT AGRICOLE. 32

2.1. La Population agricole 32

2.2. Description de l'agriculture béninoise. 33

2.3. Caractéristiques des zones agro-écologiques. 35

2.4. Le calendrier cultural 37

3. LES CARACTERISTIQUES DE LA PRODUCTION VIVRIERE DES COMMUNES 37

3.1. Présentation de la méthode d'analyse 37

3.2. Exécution de l'ACP et analyse des résultats obtenus 38

CHAPITRE 3 : ANALYSE ÉCONOMÉTRIQUE

1. LES VARIABLES DE L'ETUDE 42

1.1. Le prix des produits sur le marché 42

1.2. La pluviométrie 44

1.3. La surface emblavée 44

1.4. La population 45

2. DICTIONNAIRE DES VARIABLES 45

s	Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI

3. ANALYSE DESCRIPTIVE DES VARIABLES 46

3.1. Cas de la production des cultures 46

3.2. Cas de la superficie emblavée des cultures 46

3.3. Cas du prix des produits sur le marché 47

3.4. Cas de la population rurale 48

3.5. Cas de la pluviométrie 49

4. MODELE APPROPRIE A LA PRODUCTION DU MAÏS 50

4.1. Spécification, estimation et validation du modèle 50

4.2. Analyse et interprétation des résultats 54

4.3. Comparaison de la valeur estimée de la production du modèle avec celle calculée par le MAEP
55

5. MODELE APPROPRIE A LA PRODUCTION DE L'IGNAME 56

5.1. Spécification, estimation et validation du modèle 56

5.2. Analyse et interprétation des résultats 61

5.3. Comparaison de la valeur estimée de la production du modèle avec celle calculée par le MAEP
62

CRITIQUE, CONCLUSION GENERALE ET RECOMMANDATION

1. CRITIQUE DE L'ETUDE 63

2. CONCLUSION GENERALE ET RECOMMANDATIONS 64

BIBLIOGRAPHIE A

ANNEXE C

TABLE DES MATIERES S

t	Réalisé et soutenu par Samson James Aimé AGBO et Rodrigue Noutaï HONKPEHEDJI