Choix des méthodes statistiques

4.3.3.1 Pour la construction des profils d’intensification

Des analyses statistiques multivariées ont été réalisées afin de décrire la diversité des niveaux d’intensification en intrants sur le colza. S’inspirant de la démarche initiée par Schmidt et al. (2010) en la simplifiant, la description s’est appuyée sur :

• la réalisation d’une Analyse en composantes principales (ACP) sur des variables d’intérêt

sélectionnées par le GT,

• la réalisation d’une Classification hiérarchique ascendante (CAH) sur les axes de l’ACP.

Pour l’application de cette approche, il a également été fait le choix de :

21 Aux fins du règlement (CE) n° 1107/2009, on entend :

- par opérateurs, les personnes qui participent à des activités en rapport avec l’application d’un produit phytopharmaceutique, telles que le mélange, le chargement, l’application, ou avec le nettoyage et l’entretien d’un équipement contenant un produit phytopharmaceutique. Les opérateurs peuvent être des professionnels ou des amateurs ;

- par travailleurs, les personnes qui, dans le cadre de leur travail, pénètrent dans une zone ayant préalablement été traitée avec un produit phytopharmaceutique ou manipulent une culture traitée avec un produit phytopharmaceutique.

• normer les variables pour l’ACP pour s'affranchir des effets d'échelle dus à l'hétérogénéité des variables. Ainsi, le fait de normer les variables permet de comparer des variables qui sont exprimées dans des unités différentes ou qui ne varient pas dans les mêmes gammes de valeurs;

• retenir l’ensemble des parcelles en conservant les valeurs extrêmes (notamment une

parcelle ayant un apport en fumure organique atypique).

Pour réaliser cette ACP et la CAH, le logiciel libre R.15.0 a été utilisé. Il a également été fait le choix d’utiliser le package « FactoMineR – 1.18 ».

L’ACP retenue a été réalisée sur les 4 variables explicatives : deux d’entre-elles sont des indicateurs de l’intensité du recours aux traitements phytopharmaceutiques (IFT herbicide et l’IFT hors herbicide). La troisième représente l’intensification au regard du recours aux engrais minéraux (quantité d’apport en fumure minérale). La dernière représente l’intensité vis-à-vis du recours au travail du sol (fréquence de labour sur les 6 dernières années). Il a été fait le choix de conserver les trois premières composantes principales sur la base du critère du coude. A noter que les deux premières dimensions représentent à elles deux 67,4 % de l’inertie. La troisième quant à elle représente 17 % de l’inertie.

La CAH sur les composantes principales de l’ACP a conduit à retenir 3 grands types de profils. La CAH a été réalisée à partir de la fonction HCPC du package FactoMiner. Cette fonction est basée sur l’algorithme d’AGNES en introduisant en plus une consolidation par la méthode des k- means. Les paramètres suivants ont été utilisés pour la CAH :

• matrice de distance : euclidienne,

• méthode d’agrégation : méthode de Ward,

• nombre de classes retenu : 3.

Toutes les autres variables sélectionnées seront qualifiées d’illustratives et serviront à éclairer les profils d’intensification.

D’autres analyses multivariées ont été réalisées sur un échantillon de variables plus conséquent, faisant entrer par exemple dans l’analyse le nombre de produits, le nombre d’interventions, le type de pulvérisateur. De même, d’autres approches de classifications ont été testées (nombre de classes égal à 3 ou 5 ; utilisation de la méthode AGNES du package R « Cluster » et de la fonction HCPC avec plusieurs approches d’agrégation et diverses matrices de distance ; utilisation de la méthode de classification floue via la fonction FANNY (Fuzzy clustering ») du package « Cluster »).

Compte tenu des résultats très proches obtenus avec ces différentes classifications, il a été retenu l’approche la plus simple, répondant aux critères statistiques les plus satisfaisants (critères de compacités et d’isolation notamment) et pour laquelle les résultats ont un sens agronomique.

4.3.3.2 Pour l’identification de différences – Tests statistiques

Le test de Kruskal-Wallis a été choisi parmi les tests de comparaisons de populations. Le but de ce test est de déterminer si K (K>2) échantillons proviennent de la même population relativement à la variable d'intérêt. Le test de Kruskall-Wallis est généralement considéré comme l’alternative non paramétrique de l’ANOVA quand les données ne sont pas gaussiennes. On cherche ainsi à savoir si les fonctions de répartitions conditionnelles sont toutes identiques (hypothèse nulle = les échantillons ne sont pas significativement différents). L’hypothèse alternative est « une des distributions au moins est différente des autres » et donc les échantillons proviennent de populations différentes. Pour l’exploitation des données effectuées ici, il a été retenu un risque α de 5%. Ainsi si la p-value est inférieure au niveau de signification α _{de 5 %, on peut rejeter} l’hypothèse nulle et retenir l’hypothèse alternative (à savoir, au moins un des échantillons est différent des autres). Dans le cas contraire, on ne peut pas rejeter l’hypothèse nulle.

Pour contrôler l’indépendance de deux caractères dans une population donnée (par exemple. le type de pulvérisateur avec la typologie d’intensification dans notre échantillon de parcelles), il a été

utilisé le test d’indépendance du Khi². Ce test sert à apprécier notamment l’existence ou non d’une relation entre deux variables au sein d’une population, lorsque ces variables sont qualitatives. À noter que ce test permet de contrôler l’existence d’une dépendance mais en aucun cas le sens de cette dépendance. L’hypothèse nulle concerne l’absence de relation entre les variables. L’hypothèse alternative est qu’il existe une relation entre les deux variables.

Afin de respecter les exigences du secret statistique, des regroupements de modalités ont parfois été nécessaires. Ces regroupements seront précisés au cas par cas dans la suite du document.