Caractérisation des ravins à Kinshasa : typologie de grands ravins des quartiers (Nkingu, Badiadingi, Mbala, Ngafani et Kalunga,) dans la commune de Selembao à Kinshasa

II.4. L'INTERVIEW

L'interview a permis de recueillir les informations relatives aux éléments considérés par la population comme cause de déclanchement du ravinement par un questionnaire préalablement établit (voir en annexe), la date probable de début du ravinement dans la zone, et aussi pour recueillir, aux prés des responsables municipaux l'information relative à l'ampleur des dégâts sur l'habitat.

II.5. PRISES DES POINTS /DONNEES GPS

.

Les données GPS ont été utilisées pour la cartographie tandis que les données issues de l'enquête de terrain nous ont permis de constituer une base des données à l'aide du logiciel Excel 2007. L'estimation du modèle d'analyse a été faite grâce au logiciel Eviews 3.0.

Par ailleurs nous nous sommes servis du SIG pour cartographier les données recueillies avec le GPS.

II.6. LE SYSTHEME D'INFORMATION GEOGRAPHIQUE

A permis de cartographier tous les ravins étudiés à l'aide du logiciel Arc-gis 9.2. Avant de visualiser les données GPS recueillies sur le terrain, le logiciel Pathfinder a permis la correction des données GPS. Ces données enregistrées sur le DGPS sont sous forme SSF, pour la lecture dans un SIG, Pathfinder corrige ces données en changeant le format d'affichage c'est à partir de ce format que l'exportation peut se faire. Les données corrigées ont été exportées par le logiciel Arc gis 9.2 ; ce logiciel nous a permis de numériser les différents ravins et les différentes rues des cinq quartiers de notre site d'étude.

Ce système nous a permis de présenter les informations localisées géographiquement, c'est à dire les ravins étudiés en vue de calculer le volume de terres érodées, de cartographier les ravins et de numériser tous les documents cités précédemment.

II.7. L'OUTIL STATISTIQUE (EVIEWS)

Logiciel Eviews  est un logiciel d'économétrie, offrant toutes les fonctions nécessaires en analyse de statistiques multi variées.

Ce logiciel permet de faire la régression du modèle d'analyse conçu en fonction de l'objectif de l'étude et des variables disponibles. En effet, pour rappel Eviews est un logiciel économique spécialisé beaucoup plus en économétrie. Nous avons conçu un modèle, où il y a une variable dépendante (dimension du ravin) et deux variables indépendantes (âge du ravin et couverture végétale du ravin). Les commandes utilisées avec Evieuws se résument comme suit :

LS DIM C AGE COUV ; LS (pour désigner la méthode d'estimation : Moindres Carrées Ordinaires), suivi de la variable dépendante (DIM) suivi de la constante ou de l'ordonnée à l'origine, suivi des variables indépendantes ;

Notons que Eviews reconnaît la lettre « c » comme étant la constante, c'est la raison pour laquelle losqu'on estime un modèle avec constante, on met la lettre « c » ;

Les statistiques descriptives ont été obtenues toujours avec Eviews par la commande : View, suivie de descriptive stat, suivi de la commande common simple.

La première phase de cette analyse consiste à montrer quels sont les variables qui déterminent la dimension d'un ravin. Pour ce faire nous avons estimé plusieurs modèles économétriques multiples et présentons dans ce travail un seul qui nous a paru plus plausible.

Avant de passer à l'étape d'estimation, il est toujours nécessaire de faire l'analyse exploratoire des données c'est-à-dire l'analyse descriptive des données. Les variables ci-après ont été retenues : le nombre des têtes de ravins, l'âge de ravins, la longueur, la largeur, la profondeur, et le volume de ravins.

Tête =nombre des têtes du ravin.

Age=l'âge du ravin

Long=longueur du ravin

Larg=largeur du ravin

Prof=profondeur du ravin

Vol=volume du ravin

Nous partons de l'hypothèse que la dimension d'un ravin dépend de son âge et de sa couverture végétale.

Ceci nous amène à estimer un modèle linéaire multiple. Estimer un modèle revient à calculer les valeurs des paramètres à partir d'un échantillon. Un modèle étant une expression mathématique d'une réalité, il en existe de plusieurs types. Par ce travail nous avons retenu un modèle linéaire multiple.

Il est à noter qu'un modèle est dit linéaire multiple lorsqu' il comprend une variable dépendante et plus d'une variable indépendante de degré un et le coefficient de pondération qui relie la variable dépendante à la Variable indépendante s'appelle paramètre (C(1), C(2), C(3)). Mais dans le cadre de ce travail le modèle peut se formaliser comme suit :

DIM=f(AGE,COUV) avec DIM : dimension du ravin

AGE : âge du ravin

COUV : couverture végétale du ravin

Le modèle peut alors s'écrire : DIM = C(1) + C(2)*AGE + C(3)*COUV

Après estimation du modèle, la première étape de l'interprétation consiste à faire une analyse empirique paramétrique (valider les paramètres estimés). La validation des paramètres se fait par deux méthodes : la première consiste à comparer les probabilités calculées à la probabilité critique ou au seuil de signification de 5% (0,05). Nous partons des hypothèses :

H₀ : PcP 0,05,

H₁ : Pc P 0,05

Condition

H₁ c'est l'hypothèse de recherche, ici elle exprime la significativité statistique du paramètre estimé, tan disque H₀ traduit le contraire de l'hypothèse de recherche, donc pour notre cas c'est la non significativité statistique du paramètre estimé. Ainsi, si Pc est inférieure à P0, 05, on rejette l'hypothèse nulle, cela signifie que le paramètre estimé est statistiquement significatif. Par contre, si Pc est supérieure à P0,05, on accepte l'hypothèse nulle, et l'acceptation de H₀ veut dire que le paramètre estimé est statistiquement significatif.

La deuxième méthode que nous permet d'examiner la significativité statistique des paramètres estimés est la méthode ou la règle de Pousse. Selon cette règle, lorsque la statistique de t de student d'un paramètre estimé dépasse « 2 », cela signifie que ce paramètre est statistiquement significatif. si le t de student du paramètre estimé est en dessous de deux, le paramètre n'est pas significatif.

Après la validation des paramètres, on fait ce qu'on appelle l'analyse empirique non paramètrique. Ici on vérifie la significativité globale du modèle à partir du coefficient de détermination(R²). Si le R² dépasse 50%, on dit que le modèle estimé est globalement bon. En effet, le R² traduit le pouvoir explicatif de tous les variables indépendantes incluses dans le modèle sur la variable dépendante. Son pourcentage exprime le degré auquel les différentes variables explicatives considérées dans le modèle influencent la variable dépendante.

En dehors du R², on regarde aussi le coefficient de Fisher. Ce coefficient traduit la fiabilité globale du modèle estimé. La statistique de Ficher est attachée à sa probabilité. Ainsi, si la probabilité liée à la statistique de Ficher est inférieure à la probabilité critique de 0,05, on conclue que le modèle estimé est globalement fiable. Dans le cas contraire, il ne sera pas globalement fiable.

Outre les deux méthodes statistiques évoquées ci-dessus, on examine aussi la statistique de Durbin Watson pour détecter la présence d'autocorrélation des erreurs. Si Durbin watson se situe autour de deux, on conclu qu'il y a absence d'autocorrélation des erreurs. On détecte la présence d'autocorrélation des erreurs lorsque Durbin Watson s'écart de deux.

Une autre analyse très importante dans l'inférence empirique non paramétrique, est la somme de carrées des résidus. La normale est que cette somme doit être minimisée pour que la variance des résidus pour toutes les observations soit constante, c'est l'hypothèse de l'absence d'hétéroscédasticité. Lorsque cette somme est très élevée, on suppose que la variance des erreurs pour toutes les observations n'est pas constante (donc absence d'homoscédasticité).

N.B : Une remarque importante s'impose dès maintenant à savoir : dans beaucoup des cas un ravin peut avoir des ramifications qu'on appelle tête.