Mise en œuvre des estimations et résultats

5. Mise en œuvre des estimations et résultats

Cette section présente une discussion sur les étapes de mise œuvre des méthodes d’estimation. Nous commençons par une analyse descriptive des principales caractéristiques des villages et des ménages dans le but de détecter au préalable les différences pouvant exister entre les deux groupes. Le cas échéant, la prise en compte de ces différences passe par l’introduction des variables correspondantes dans les modèles à estimer.

5.1. Comparaison des groupes traités et des groupes contrôles

Le tableau 2.3 présente la situation socioéconomique dans les villages lors du premier passage (période de base). Un test de différence de moyenne est présenté dans les colonnes 4, 5 et 6 pour juger de la significativité des différences observées. Contrairement aux différents tests présentés au chapitre 1, les tests de différence effectués ici entre les groupes traités et les groupes contrôles sont faits sur la base d’une distinction entre groupes (A, B et C). Ce qui entraine une légère différence d’interprétation par rapport aux précédents tests présentés au chapitre 1 dans lesquels la comparaison n’est faite qu’entre le groupe A (déjà traité en 2009) et les deux autres groupes (non traités en 2009).

109

Tableau 2.3 : Comparaison de la situation initiale des groupes de villages Groupe A Groupe B Groupe C Pvalue

ttest A et B Pvalue ttest B et C Pvalue ttest A et C Traités avant 2009 Traités entre 2009 et 2011 Non encore traités

Caractéristiques des villages

Nombre d’habitants (x1000) 1,73 2,10 1,26 0,250 0,005 0,053

Présence de centre téléphonique(%) 26,78 19,76 16,21 0,132 0,553 0,195

Accès à l'électricité Réseau EDM(%) 8,92 7,84 2,63 0,820 0,296 0,200

Présence de réseau de distribution d'eau(%) 18,75 11,76 15,78 0,268 0,587 0,683

Présence de coopérative agricole (%) 63,15 55,62 51,70 0,113 0,251 0,479

Présence de banque de céréale (%) 28,57 29,41 36,84 0,913 0,465 0,342

Présence de moulins privés (%) 31,57 25,49 50,89 0,532 0,002 0,039

Nombre moyen de boutiques 6,11 7,53 4,12 0,552 0,201 0,360

Présence de marché(%) 36,93 31,37 28,94 0,494 0,808 0,375

Distance moyenne au marché (km) 10,50 8,64 11,061 0,401 0,330 0,837

Distance moyenne au centre de santé (km) 6,13 7,05 8,37 0,569 0,503 0,412

Distance moyenne à la route bitumée (km) 32,87 32,49 33,54 0,956 0,913 0,936

Distance moyenne au chef-lieu de Région (km) 156,27 144,84 166,27 0,569 0,444 0,606

Caractéristiques des ménages Composition

Taille moyenne ménage 7,26 6,93 7,25 0,135 0,109 0,969

% de femmes chef de ménage 1,41 2,61 2,63 0,063 0,981 0,083

% de chefs de ménage alphabétisés 33,18 28,50 28,09 0,540 0,885 0,545

% de chefs de ménage polygames 32,52 31,71 30,24 0,723 0,614 0,373

Equipements

Indice de richesse biens et actifs durables 0,043 -0,059 -0,049 0,146 0,908 0,246

Qualité de logement

% logements en matériaux durs (ciment, betons,etc.) 1,47 2,01 2,45 0,162 0,552 0,176

% de logements avec toits en matériaux modernes 21,91 28,33 24,23 0,130 0,271 0,210

% de logements avec sol en matériaux modernes 8,75 8,42 11,15 0,761 0,264 0,157

Activités agricoles

Surface agricole moyenne cultivée (en ha) 8,37 6,98 6,49 0,032 0,413 0,010

% ménage utilisant l’engrais 58,47 37,92 41,32 0,000 0,270 0,000

% ménages utilisant moyens de labour avec traction 92,56 88,05 84,86 0,001 0,130 0,000

Ecart types clustérisés au niveau village, Différences significatives en gras

Au regard des p.values associées aux tests de différences, les chiffres présentés dans ce tableau ne montrent pas de différences fondamentales entre les trois groupes (exceptés le nombre moyen d’habitants par village et la présence de moulins privés). On constate que la proportion de villages du groupe C ayant au moins un moulin privé est égal à 50,8 % contre 31,5% dans le groupe A et 25,4% dans le groupe B). Ce fait notable semblerait indiquer que les PTFM s’implantent d’abord dans les zones avec un faible accès aux services mécaniques privés. Mais cela peut aussi signifier une disparition des moulins privés sous l’influence de la concurrence avec l’installation de la PTFM.

110

Au niveau des caractéristiques des ménages, quelques différences notoires semblent se dégager notamment au niveau de la pratique des activités agricoles : elle est relativement plus importante et intensive dans les villages avec PTFM. Les ménages du groupe A cultivent en moyenne 8,37 hectares de parcelles contre 6,98 ha dans le groupe B et 6,49 dans le groupe C. Des différences significatives apparaissent également au niveau de l’utilisation des intrants chimiques ou l’utilisation de traction animale ou motorisée.

Globalement, dans cette comparaison sur les activités agricoles, ce sont les ménages du groupe A qui se différencient significativement des autres groupes. Etant donné que ce groupe a reçu le programme bien avant les autres, on peut penser que l’installation de la PTFM modifie au cours du temps les pratiques agricoles. En effet, si le gain potentiel de temps par l’utilisation permet aux femmes de consacrer plus de temps aux activités agricoles et maraichères, une plus forte implication des femmes dans ces activités aboutirait donc à une augmentation des surfaces agricoles exploitées dans le ménage et favorise l’intensification agricole par l’usage des intrants modernes ou de la traction. Dans cette hypothèse, la différence observée entre les groupes de ménages peut être vue comme un résultat potentiel du programme.

Ceci étant, vu la non-significativité de la majeure partie des variables, on peut admettre globalement une similarité entre les trois groupes. Un résultat qui nous est plutôt favorable quoique inattendu, car on s’attendait plutôt à une similarité uniquement entre le groupe A et le groupe B et une différence significative des deux premiers groupes avec le groupe C. Mais tel n’est pas le cas. On voit par exemple que le groupe B est quasiment similaire au groupe C. Ce qui conforte davantage nos approches d’estimation.

5.2. Choix méthodique des variables de contrôle

La tendance naturelle dans l’analyse d’impact est de choisir des variables de contrôle parmi les déterminants classiques de la variable d’intérêt. Cependant, cette manière de choisir les variables de contrôle n’est pas absolument nécessaire et peut même s’avérer inefficient lorsqu’on est face à une multitude de déterminants potentiels de la variable de résultat.

En effet, l’analyse d’impact étant fondamentalement une recherche d’une différence de moyenne entre deux groupes de comparaison, pour que cette différence, si elle existe, puisse être effectivement attribuable au programme, il faut avoir eu contrôlé, en amont, la part simplement due aux différences de caractéristiques. Dans cette optique, le choix efficient de

111

variables de contrôle peut se limiter aux seules variables susceptibles d’expliquer une partie de cette différence. Par exemple, en prenant le cas de l’influence potentiel de la distance au marché sur la probabilité que les femmes exercent une activité génératrice de revenus, il n’est pas nécessaire de contrôler pour cette variable lorsqu’il n’y a pas de différence significative dans cette distance entre les groupes traité et contrôle. Puisque dans ces conditions, la différence entre les espérances de la probabilité d’exercer une AGR selon le statut de traitement restera la même que celle entre les espérances de la probabilité d’exercer une AGR selon le statut de traitement conditionnellement à la distance au marché i.e :

𝐸[𝑃𝑟(𝑦 = 1|𝑇 = 1)] − 𝐸[𝑃𝑟(𝑦 = 1|𝑇 = 0)] = 𝐸[𝑃𝑟(𝑦 = 1|𝑇 = 1, 𝑋_𝑇=1)] − 𝐸[𝑃𝑟(𝑦 = 1|𝑇 = 0, 𝑋_𝑇=0)]

𝑠𝑖⁡⁡⁡𝐸(𝑋_𝑇=1) − 𝐸(𝑋_𝑇=0) = 0

Où 𝐸[𝑃𝑟(𝑦 = 1|𝑇 = 1)] est l’espérance de la probabilité d’exercer une AGR dans les villages traités. 𝐸[𝑃𝑟(𝑦 = 1|𝑇 = 0)] l’espérance de la probabilité d’exercer une AGR dans les villages contrôles. 𝑋_𝑇=1 et 𝑋_𝑇=0 représentent la distance au marché respectivement dans le groupe traité et dans le groupe contrôle. Ainsi lorsqu’il n’y a pas de différence significative dans ces distances entre les deux groupes (𝐸(𝑋_𝑇=1) − 𝐸(𝑋_𝑇=0) = 0), alors la différence de probabilité calculée sans ces distances reste la même que celle calculée en contrôlant pour les distances (𝐸[𝑃𝑟(𝑦 = 1|𝑇 = 1, 𝑋_𝑇=1)] − 𝐸[𝑃𝑟(𝑦 = 1|𝑇 = 0, 𝑋_𝑇=0)]). Dans ce cas, la prise en compte des distances n’a aucun apport dans la recherche de différence.

En revanche lorsqu’il y a une différence significative entre les deux groupes dans la distance moyenne (𝐸(𝑋_𝑇=1) − 𝐸(𝑋_𝑇=0) ≠ 0), la variable distance doit nécessairement être introduite afin d’apporter une partie des explications de la différence dans les probabilités d’exercer une AGR. C’est ce principe clé qui guide la sélection de nos variables de contrôle.

L’idée ici est qu’en contrôlant l’ensemble des facteurs contribuant à la différence, on s’assure que l’impact estimé sera uniquement dû au programme.

Ainsi, compte tenu du nombre très élevé de variables de contrôle potentielles, nous adoptons une procédure de sélection en suivant trois étapes pour chaque indicateur de résultat (AGR, éducation, santé). Dans une première étape, nous tentons d’abord de réunir quelques déterminants essentiels suggérés dans la littérature. Dans une seconde étape, nous effectuons, pour chacun des déterminants, un test de différence de moyenne entre le groupe traité et le groupe contrôle et nous retenons les déterminants pour lesquels une différence significative

112

est mise en évidence. Dans une troisième étape, nous procédons à un tri sélectif parmi les variables retenues à la seconde étape pour être introduites dans le modèle d’estimation. En règle générale, une variable significative n’est retenue que lorsqu’elle ne pourrait pas être, raisonnablement, considérée comme un résultat potentiel du programme41. Toutefois à cette règle générale de sélection, quelques exceptions pourraient être faites selon l’intérêt qu’on porte sur telle ou telle variable exogène non retenue dans la seconde étape (ex : âge, sexe, …).