M ATERIAUX EMPIRIQUES ET ANALYSE DE DONNEES

Comme nous l’avons postulé, le niveau structuré correspond à la filière et à son système d’innovation. Cependant, il convient de préciser que notre objectif ici n’est pas de réaliser une analyse de filière rigoureuse, mais plutôt de mettre en évidence quelques dimensions clés de notre modèle d’analyse. Ces dimensions sont :

1) la dynamique productive et productivité, 2) la concentration économique des maillons,

3) la concentration/dispersion territoriale de la production, 4) la situation technologique du maillon agricole,

5) l’insertion internationale, et

6) les acteurs du système d’innovation.

Ces dimensions sont analysées à partir de données secondaires de plusieurs sources, lesquelles sont détaillées opportunément. Les résultats de cette analyse constituent le Chapitre 7.

Le deuxième niveau cherche à caractériser les activités des OIP, les acteurs qui les constituent et leurs interactions avec le reste des agents de la filière. Ces analyses se fondent sur des sources documentaires, particulièrement sur les statuts, des bilans d’activités et des conventions signées par les OIP.

À partir de ces documents nous avons pu identifier différents profils d’OIP selon les formes de participation aux processus d’innovation.

Nous avons aussi identifié l’ensemble des relations que les OIP tissent dans le déroulement des activités innovatrices. Nous souhaitons préciser ici que, bien que nous utilisons la notion de réseau d’innovation, nous n’avons pas utilisé la méthodologie d’analyse de réseaux sociaux. Nous analysons quelques catégories structurelles des réseaux. Cependant, le principal objectif est de mettre en évidence les aspects qualitatifs des liens entre les OIP et d’autres acteurs. En plus, l’utilisation de cette méthode n’était pas envisageable étant donné

ladifficulté à recueillir les données nécessaires pour appliquer cette méthodologie dans le cas des filières longues.

Les résultats de ces analyses sont exposés dans le Chapitre 8.

Le troisième niveau de l’analyse correspond à l’interprétation que les acteurs de la filière font des OIP. Dans ce cas, l’analyse se fonde sur des entretiens réalisés auprès de ces acteurs. Nous précisons maintenant quelques aspects sur la collecte et l’analyse de ces données.

A) L

Nous avons réalisé 22 entretiens entre mars 2011 et mai 2013 auprès les acteurs des trois filières étudiées. Pour la sélection des acteurs interviewés, nous avons considéré deux aspects :

1) Les maillons de la filière : évidemment, nous ne cherchons pas la représentativité statistique de l’échantillon mais nous avons cherché à avoir au moins un entretien avec un représentant des principaux maillons des filières : science et technologie, fournisseur d’intrants, producteur, industrie et dirigeant de l’OIP.

2) De plus, comme nous le mettons en évidence dans notre modèle d’analyse, les aspects territoriaux peuvent avoir un rôle important dans la détermination des interactions entre les acteurs d’une filière. C’est pourquoi nous avons choisi de délimiter notre travail de terrain à une région particulière pour chaque filière. Les critères de sélection des régions suivies sont son poids élevé dans la culture considérée et la présence d’acteurs du reste de la filière (industrie, fournisseur d’intrants, coopératives, institutions de recherche,...).

Pour la filière du riz, la définition a été plus simple car l’OIP et son rayon d’action estlimitée territorialement. Dès lors,la région choisie a été la province d’Entre Ríos (particulièrement les départements de San Salvador, Colón et Villaguay). Pour le cas du soja, la région qui réunit ces conditions est le sud de la province de Santa Fe, notamment les départements de Rosario et San Lorenzo. Enfin, pour le tournesol, la région du sud-est de la province de Buenos Aires semble réunir ces conditions, nous nous sommes focalisés sur les départements de Balcarce et de Necochea.

B) A

’

:

Tel que nous l’avons exprimé, notre recherche suit une démarche compréhensive, accordant une place privilégiée à la signification donnée par les acteurs à leurs actions et à leurs interactions avec d’autres acteurs et institutions.

Malgré la valeur que ce type de démarche peut apporter à l’étude des phénomènes socio-économiques, tels que le processus d’innovation et le rôle des acteurs objet de cette thèse, beaucoup de travaux abandonnent cette démarche du fait des difficultés liées au recueil de données primaires et, particulièrement, à l’analyse de données qualitatives. Dans ce sens, las méthodologies classique d’analyse des données qualitatives font débat entre les chercheurs en économie étant donné le haut niveau de subjectivité qui les caractérise.

Néanmoins, nous ne renonçons pas à cet objectif. Nous avons construit une méthodologie qui aboutit à la définition d’instruments qui produisent de l’information sur le sens que les acteurs donnent à leurs actions et nous avons suivi une méthode d’analyse qui, sans éliminer la subjectivité inhérente à toute interprétation, réduit l’intervention du chercheur dans l’étape du traitement des données. Ainsi, notre recherche donne une place centrale à la dimension du sens, c’est-à-dire la compréhension de la manière dont les acteurs interprètent la réalité des OIP, et plus largement des filières et leurs systèmes d’innovation.

Pour ce faire, les données recueillies lors des entretiens sont analysées en utilisant la méthode de statistique textuelle, plus particulièrement celle de la classification hiérarchique descendante développée par Reinert, et qui est à la base du logiciel Iramuteq, auquel nous avons eu recours. Cette méthode, dont l’utilisation constitue une contribution originale de notre thèse, apporte deux éléments très importants:

1) Tout d’abord, elle permet de restituer et d’interpréter la compréhension qu’ont les acteurs des espaces institutionnels (filière, système d’innovation, OIP, etc.) auxquels ils participent, et de mettre en évidence les régularités ou les structures de comportements pour dépasser la singularité des appréhensions individuelles.

2) Ensuite, étant donné que la méthode est fondée sur la distribution statistique des mots et la corrélation entre les unités lexicales définies par le logiciel, elle permet une analyse qualitative des données en minimisant l’intervention du chercheur dans l’étape de traitement des données. D’après Guerrero et al. (2009), la méthode contribue à surmonter certaines difficultés attribuées aux méthodes qualitatives. Bien que le logiciel ne puisse pas estimer les paramètres ou les probabilités, il peut produire des résultats potentiellement reproductibles et

des inférences valables, et des liens entre les données et le contexte avec un minimum d'intervention de l'utilisateur. Ainsi, en étant essentiellement qualitative, l’utilisation du logiciel permet de garder l’objectivité des données.

Les fondements de cette méthode, ainsi que les principes de fonctionnement du logiciel sont exposés de manière détaillée dans le Chapitre 9, où nous présentons les résultats de notre analyse.