Déterminants de l’efficacité des unités de production

informelles

Afin d’identifier les facteurs déterminants de l’efficacité des UPI, des modèles de régression linéaire simple ont été estimés. Ils permettent de dégager simplement les relations avec les caractéristiques des ménages. Le modèle ne prétend pas identifier les sens de la causalité potentiellement existante entre l’efficacité et certaines variables explicatives. En effet, l’en- registrement au registre administratif ou l’ac- cès au crédit peut améliorer l’efficacité d’une unité de production. A contrario,plus une

unité de production est efficace, plus l’accès au crédit et l’enregistrement administratif sont probables. Les résultats sont présentés dans le tableau E5 en annexe. Un premier modèle inclut toutes les observations, tandis que les trois autres modèles considèrent séparément les unités de production des branches « in- dustrie », « commerce » et « services », afin de contrôler les différences intersectorielles. Le test de rapport de vraisemblance rejette la stabilité des coefficients dans les modèles séparés (LR chi2(32) = 55,72 et P=0,006). Le niveau de McFadden R2 est relativement faible, une caractéristique inhérente à l’utilisa- tion des données transversales.

Les coefficients estimés dans les modèles de l’efficacité sont, en général, conformes aux signes attendus et aux résultats fournis par les analyses descriptives précédentes. Selon la branche d’activité, on observe des différences en termes de niveau d’efficacité entre les uni- tés de production. En considérant la branche « services » comme référence, les coefficients relatifs aux variables muettes ( dummy )« in- dustrie » et « commerce » sont tous négatifs, m a i s s i g n i f i c at i f a u n i ve a u 1 % s e u l e m e nt pour le « commerce ». L’interprétation de ces résultats est que les unités de production du « commerce » sont moins efficaces que celles des « services », toutes choses égales par ail- leurs (résultats prévisibles au vu des statis- tiques descriptives sur le degré d’efficacité moyen présentées dans le tableau E4). On examine les effets sur l’efficacité des con- traintes et problèmes subis par les UPI selon les déclarations des chefs d’unité de produc- tion. Les contraintes liées à l’offre (plutôt que celles liées à la demande) affectent l’efficacité des activités du secteur informel. En effet, les coefficients relatifs aux variables indiquant

respectivement l’existence des problèmes d’accès au crédit et des problèmes liés au local d’activité subis par l’unité de production sont négatifs, même s’ils ne sont significatifs que dans la branche « services ». Par contre, pour la variable indiquant le problème lié à la de- mande, le coefficient estimé n’est pas signifi- catif. Au vu de ces résultats, deux explications peuvent être avancées : d’un côté, l’accès au crédit et au local de travail constituent de véri- tables obstacles qui empêchent le dévelop- pement des activités du secteur informel, en limitant leur efficacité. de l’autre, dans les pe- tites unités de production, les techniques de production utilisées sont relativement flexibles, et facilitent l’ajustement des niveaux d’inputs

mobilisés notamment le travail en fonction de la demande reçue. Ce phénomène induit que les problèmes liés à la demande sont réper- cutés sur la quantité des inputset non sur le degré d’efficacité.

Le ratio (capital)/(nombre d’heures travaillées) a une relation négative significative avec le degré d’efficacité d’une UPI : plus l’activité est intense en capital par rapport au travail, moins elle est efficace. Si ce résultat semble être contre-intuitif dans le secteur formel, dans le secteur informel, plusieurs explications sont possibles. Tout d’abord, ce résultat montre le rôle déterminant que joue le facteur travail dans le processus de production dans le secteur informel. Compte tenu de l’insuffi- sance de la capacité technique de la main- d’œuvre et du manque de formation profes- sionnelle des petits opérateurs informels, plus le capital et/ou les équipements sont sophis- tiqués et de grande valeur, plus leur utilisation est sous-optimale. Par ailleurs, compte tenu de l’étroitesse de la part de marché à cause du faible pouvoir d’achat, de la rareté des grosses commandes ou de la sous-traitance, de la libre entrée et la rude concurrence dans le secteur,

certains secteurs sont saturés. Dans ce cas, le taux d’utilisation du capital est faible et le mon- tant du capital apparaît surévalué par rapport à ce qui est effectivement utilisé ; seul le nom- bre d’heures de travail peut être ajusté à la baisse. De par la nature des produits deman- dés, surtout dans l’artisanat, le travail manuel caractérise les activités de certains secteurs. Pour les secteurs de l’artisanat, le label « fait main » indique la bonne qualité des produits (comme dans la sculpture ou la broderie), qui ne peut être garantie par l’utilisation de machines. Les autres variables caractéristiques de l’unité de production, qui ont des relations signifi- catives sur l’efficacité sont l’ « enregistrement » et l’« existence de salariés » au sein d’une UPI. Le coefficient de l’ « enregistrement » de l’unité est positif et significatif pour le modèle d’en- semble et pour le secteur « services ». Le fait d’être enregistré reflète une gestion plus rigoureuse et des techniques plus dévelop- pées au sein de l’unité. De plus, des coûts supplémentaires imposés par les contrôles administratifs et l’insertion dans le circuit for- mel incitent à plus d’efficacité dans la gestion des ressources. De même, la variable « exis- tence de salariés » est associée à des coef- ficients positifs et signficatifs pour tous les modèles sauf dans le « commerce ». Le recru- tement de salariés marque un certain degré de professionnalisme aussi bien au niveau de l’organisation des activités de l’unité de pro- duction qu’au niveau de l’exercice des tâches attribuées à chaque employé. Le principe de l’obligation de résultats est probablement plus pesant pour un salarié que pour un aide familial ou un apprenti. Les coefficients liés respectivement à l’âge de l’unité de produc- tion informelle et son carré sont non significa- tifs. Ainsi, les expériences acquises au sein de l’unité de production n’ont pas d'effets signi- ficatifs sur son efficacité.

En ce qui concerne les caractéristiques du chef de l’unité de production, le coefficient lié à la variable « ayant suivi une formation pro- fessionnelle » est positif mais significatif seu- lement à 10 % dans la branche « industrie ». Les activités de cette branche nécessitent relativement plus de technicité et de techno- logie que les autres types d’activités. Les carac- téristiques démographiques du dirigeant de l’unité de production ont des relations très fortes sur l’efficacité : le fait d’être dirigée par un homme et d’un âge avancé agit positive- ment avec des effets de second ordre négatifs significatifs pour l’âge. En faisant le lien avec les résultats du paragraphe précédent, deux interprétations sont possibles pour expliquer ce phénomène : d’un côté, l’efficacité d’une

UPI dépend de la dotation initiale (notamment de l'expérience du chef, acquise avant d’être à la tête de l’unité) plutôt que des compétences acquises au long de l’exercice de l’activité ; de l’autre, la qualité naturelle du chef de l’unité (comme la force physique ou la maturité) importe plus l’efficacité que sa qualité pro- fessionnelle. Par ailleurs, la faible efficacité des unités dirigées par des femmes peut être due à la finalité même de l’exercice de ces activités, considérées comme simple source de revenus d’appoint du ménage et menées simultanément avec les occupations ména- gères. À l’opposé, les activités dirigées par les hommes constituent souvent des sources de revenus principales des ménages, ce qui exige une plus grande rentabilité et plus de rigueur.

Conclusion

Compte tenu de l’importance du rôle joué par les activités génératrices de revenus dans le développement socioéconomique et dans la lutte contre la pauvreté à Madagascar, l’amélioration de leur efficacité doit cons- tituer un pilier des politiques de développe- ment. Cette étude a pour objet d’analyser le degré d’efficacité technique des UPI et ses déterminants dans le cas de l’agglomération d'Antananarivo, en utilisant les bases de don- nées issues d’une série d’enquête 1-2-3 sur le secteur informel réalisée en 2001 et 2004. La méthode de la régression par quantile est retenue dans les modèles pour tenir compte des fortes disparités des unités en termes de performances, rendant insuffisantes les analy- ses obtenues à l’aide des méthodes basées sur l’individu moyen, comme le Statistical Frontier Analysis(SFA).

Les résultats montrent que le degré d’effi- cacité des UPI est très faible et qu’aucune amélioration significative n’a été observée au cours de la période 2001-2004 : il se situait en moyenne à 33,5 % en 2004 et 33,8 % en 2001. Cela implique que, avec les mêmes res- sources mobilisées, il serait tout à fait possible d’atteindre un niveau de production trois fois supérieur à celui qu’on obtient actuellement. Moins d’une unité de production sur quatre produit plus de la moitié du niveau de pro- duction potentielle maximale qu’elle pourrait atteindre en cas de parfaite efficacité. La situ- ation est différente selon la branche d’activité. E l l e e st b e a u co u p p l u s d é g rad é e d a n s l a branche « commerce », où le degré d’effica- cité ne dépasse pas 30 %, contre plus de 34 % dans les deux autres branches « industrie » et « services ».

Plusieurs facteurs influent sur l’efficacité des unités de production, mais ils diffèrent aussi selon la branche d’activité. Contrairement aux contraintes de la demande qui n’ont pas d’ef- fets significatifs sur l’efficacité, les contraintes d’offre comme les problèmes liés à l’accès au crédit et au local agissent négativement notamment dans les activités de la branche « services ». Dans l’« industrie » et le « com- merce », la relation négative entre l’efficacité et le rapport capital/heures travaillées montre le rôle déterminant que joue le facteur travail, ne pouvant être substitué par le facteur capital (le manque de technicité rendant l’utilisation de moins en moins optimale des équipements plus complexes et onéreux). L’efficacité d’une UPI dépend de la dotation initiale (entre autres, de l'expérience du chef acquise avant d’être à la tête de l’unité), plutôt que des compétences acquises au long de l’exercice de l’activité. En effet, les expériences acquises par la pratique captées par l’âge de l’UPI et de son carré n’ont pas d’impact significatif. De plus, l’impact de la formation professionnelle suivie par le chef d’unité n’est significativement positif que dans la branche « industrie ». Par contre, les carac- téristiques démographiques du chef agissent de la même façon, quelle que soit la branche d’activité considérée : plus le chef de l’unité est âgé, plus son degré d’efficacité est élevé. De plus, les unités dirigées par les hommes

sont plus efficaces que celles dirigées par des femmes. Enfin, la gestion plus rigoureuse des activités et le professionnalisme matérialisés par l’« existence de salarié » et l’« enregistre- ment » officiel de l’unité de production favo- risent l’efficacité, notamment dans la branche « services ».

Ces résultats permettent de proposer quel- ques pistes de politiques sectorielles qui pour- raient être menées pour promouvoir les micro entreprises. Pour le cas des activités de services, les plans d’actions prioritaires doivent être axés sur l’amélioration des conditions de l’offre : facilitation de l’accès au crédit, appui au recrutement de salariés, amélioration du local de travail. Dans la branche « industrie », les stratégies doivent être orientées surtout sur l’amélioration du capital humain, comme la formation professionnelle sur les techni- ques de production. En ce qui concerne les activités commerciales, l’amélioration de la relation avec l’administration, des techniques de gestion administrative et de prospection de nouveaux marchés sont indispensables. Par ailleurs, la politique globale pour l’ensem- ble du secteur informel doit mettre un accent particulier sur la professionnalisation du métier et la promotion de l’esprit entrepreneurial, surtout chez les femmes à la tête d’unités de production.

AIGNER, D., C. LOVELLet P. SCHMIDT(1977),“Formulation and Estimation of Stochastic Frontier Production Function Models", Journal of Econometrics6, pp. 21–37.

AJIBEFUN, A. et G. DARAMOLA(2003),“Determinants of Technical and Allocative Efficiency of

Microenterprises : Firm Level Evidence from Nigeria”, African Development Review,Vol 15, N°2-3.

BATTESE, G.E. et T. J. COELLI(1993),“A Stochastic Frontier Production Function Incorporating a

Model of Technical Inefficiency Effects", Working Papers in Econometrics and Applied Statistics,

vol. 69, Department of Econometrics, University of New England, Armidale.

BATTESE, G.E. et T. J. COELLI(1992),“ Frontier Production Functions, Technical Efficiency and Panel

Data: With Application to Paddy Farmers in India" », Journal of Productivity Analysis3, pp. 159–169.

BATTESE, G. et T. COELLIT. (1988),“ Prediction of Firm-Level Technical Efficiencies with a Gene-

ralized Frontier Production Function and Panel Data", Journal of Econometrics38, pp. 387-399.

BEHR, A. (2010),“Quantile Regression for Robust Bank Efficiency Score Estimation ", European

Journal of Operational Research,Elsevier.

CHAPELLE, K. et P. PLANE(2005),“Technical Efficiency Measurement within the Manufacturing

Sector in Côte d’Ivoire: A Stochastic Frontier Approach",The Journal of Development Studies,

Vol.41, No. 7, pp. 1 303-1 324.

CHARNES, A., W.W. COOPERet E. RHODES(1978),“ Measuring the Efficiency of Decision Making

Units", European Journal of Operational Research, 2, pp. 429-444.

COELLI, T.J. et G.E. BATTESE(1996), “ Identification of Factors with Influence the Technical Effi-

ciency of Indian Farmers ", Australian Journal of Agricultural Economics 40, (2), pp. 19–44.

DEBREU, G. (1951), "The Coefficient of Resource Utilization", Econometrica, 19, 3, pp. 273-292.

FARE, R., S. GROSSKOPF, C.A.K. LOVELL(1985),The Measurement of Efficiency of Production,Kluwer

Academic Publishers, Boston.

FARELL, M. J. (1957), “The Measurement of Productive Efficiency ", Journal of the Royal Statistical

Society Series, 120, pp. 253-281.

KOENKER, R., K.F. HALLOCK(2001), “Quantile Regression", Journal of Economic Perspectives,

Volume 15, Number 4, pp. 143–156.

KOENKER, R. et G. BASSETT(1978),“Regression Quantiles ", Econometrica, 46:1, pp. 33–50.

KOOPMANS, T.C. (1951),“An Analysis of Production as an Efficient Combination of Activities, Ac-

tivity Analysis of Production and Allocation ", Monographn° 13, Cowles Commission for Research in Economics, New York.

LACHAUD, J.P. (2009),« Profits, efficience et genre des micro-entreprises urbaines à Madagascar.

Existe-t-il une courbe de Kuznets ? », Laréfi Groupe d’économie du développement, DT/148/ 2009, Université Montesquieu Bordeaux IV.

LIU, C., A. LAPORTEet B. FERGUSON(2007), “ The Quantile Regression Approach to Efficiency

Measurement: Insights from Monte Carlo Simulations ", HEDG Working Paper 07/14, The Uni- versity of York.

MARZBAN, C. (2003), Quantile Regression, Applied Physics Lab., Department of Statistics, Uni- versity of Washington, Seattle, WA, USA 98195 CAPS, University of Oklahoma, Norman, OK.

MASAKURE, O., J. CRANFIELDet S. HENSON(2008), “The Financial Performance of Non-farm Micro-

enterprises in Ghana", Elsevier World Development Vol. 36, No. 12, pp. 2733–2762, University of Guelph, Canada.

MEEUSEN, W. et J. VAN DENBROEK(1977), “Efficiency Estimation from Cobb—Douglas Production Functions with Composite Errors", International Economic Review18, pp. 435–444.

MOVSHUK, O. (2004),“Restructuring , Productivity and Technical Efficiency in China’s Iron and Steel Industry, 1988–2000", Elsevier Journal of Asian Economics15 (2004), pp. 135–151.

NGUYEN, H. C. (2009), Caractéristiques comparées du secteur informel en zone urbaine et péri-

urbaine dans le delta du Fleuvre Rouge: le cas de Hanoï,University of Social Science of Hanoi.

PIESSE, J. et C. THIRTLE(2000),"A Stochastic Frontier Approach to Firm Level Efficiency, Techno-

logical Change, and Productivity during the Early Transition in Hungary", Journal of Comparative Economics28, pp. 473–501.

RAKOTOMANANA, F.H. (2004),Le secteur informel à Antananarivo, phase 2 de l’enquête 1-2-3,

Projet Madio – INSTAT/IRD.

SÖDERBOM, M. et F. TEAL(2001), “Firm Size and Human Capital as Determinants of Productivity

and Earnings", CSAE Working Paper WPS 2001.9. Centre for the Study of African Economies, Department of Economics, University of Oxford.

Le Cameroun a connu entre 1984 et 1993 une profonde crise économique consécutive à la chute des cours du pétrole et des princi- paux produits de rente (cacao, café). Les nom- breuses tensions de trésorerie ont contraint le gouvernement à liquider et restructurer de nombreuses entreprises publiques et para- publiques et à réduire les effectifs de la fonc- tion publique. Ces mesures ont contribué à la dégradation du marché du travail et des con- ditions de vie des populations.

La croissance retrouvée en 1994, suite à la dévaluation du franc CFA (FCFA), ainsi que l’initiative en faveur des pays pauvres très endettés n’ont pas permis de relever le niveau de vie des Camerounais. En effet, les données de la deuxième enquête camerounaise auprès des ménages (ECAM°2) ont permis d'estimer

un taux de pauvreté de 40 % (INS, 2002). Les résultats de l’enquête sur l’emploi et le secteur informel (EESI), réalisée en 2005, dé- crivent une situation de sous-emploi et d’in- formalisation généralisés (75,8 % et 90,4 % respectivement ; INS, 2005a). Le travail étant la principale source de revenus des Camerou- nais, l'emploi doit être pris en compte dans les stratégies de lutte contre la pauvreté. C'est pourquoi, en 2009, le gouvernement a élaboré le Document de stratégie pour la croissance et l’emploi en remplacement de la Stratégie de réduction de la pauvreté de 2003, qui ne prenait pas suffisamment en compte les pré- occupations liées au marché du travail. Dans cette perspective, la question des béné- fices de l’éducation est essentielle car elle influence significativement le revenu des tra-

2.2. Analyse des rendements