Les rendements agricoles de la Meuse face aux enjeux environnementaux

(1)

HAL Id: hal-01172921

https://hal.archives-ouvertes.fr/hal-01172921

Submitted on 6 Jun 2020

HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or

L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires

Les rendements agricoles de la Meuse face aux enjeux environnementaux

Guillaume Zardet

To cite this version:

Guillaume Zardet. Les rendements agricoles de la Meuse face aux enjeux environnementaux. 2008, 47 p. �hal-01172921�

(2)

Académie de Metz - Nancy Université de Metz

Institut Universitaire de Technologie

Département Statistique et Traitement Informatique des Données Promotion 2008

Les rendements agricoles de la Meuse Les rendements agricoles de la Meuse Les rendements agricoles de la Meuse Les rendements agricoles de la Meuse

face aux enjeux environnementaux face aux enjeux environnementaux face aux enjeux environnementaux face aux enjeux environnementaux

Rapport de stage présenté en juin 2008 Par ZARDET Guillaume ZARDET Guillaume ZARDET Guillaume ZARDET Guillaume

en vue de l’obtention de la Licence Professionnelle Statistique et Informatique Décisionnelle

Statistique et Informatique Décisionnelle Statistique et Informatique Décisionnelle Statistique et Informatique Décisionnelle

Option : A pplication de la Statistique aux Sciences de la Vie

Stage effectué à :

Unité Mixte de Recherche INRA-AgroParisTech en économie publique 14, rue Girardet

CS 14216

(3)

(4)

Remerciements

Ma reconnaissance s’adresse à M. Jean-Pierre Butault, scientifiques à l’INRA, mon maître de stage. Son accueil et sa confiance m’ont permis de réaliser un stage très intéressant. Je le remercie également pour sa patience ainsi que pour le CDD de 6 mois qu’il m’a obtenu au sein de l’ UMR en Économie publique.

Je tiens également à remercier M. Jean-Marc Rousselle, informaticien au Laboratoire d’Economie Forestière, mon second maître de stage, pour le soutien technique qu’il m’a apporté et pour son amabilité.

Enfin je tiens aussi à remercier toute l’équipe du Laboratoire d’Economie Forestière pour leur accueil et leur gentillesse, qui ont fait de mon stage une expérience agréable et enrichissante.

(5)

Sommaire

Remerciements... 3

Sommaire... 4

Introduction... 5

I. Présentation de l’entreprise... 7

II. Présentation du contexte et du sujet... 8

III. Présentation des données... 9

Données de panel non cylindrées... 10

I. Quelques résultats de statistiques descriptives... 10

II. Régressions... 17

Données de panel cylindrées... 22

I. Statistiques descriptives... 22

II. Régressions... 24

III. Groupes... 26

Conclusion... 40

Bibliographie... 45

Table des matières... 46

Table des annexes... 47

(6)

Introduction

S’il ne fait aucun doute que l’agriculture moderne a permis d’augmenter les rendements agricoles, tout en améliorant globalement la sûreté alimentaire, l’agriculture industrielle intensive est de plus en plus critiquée en raison des dégradations de l’environnement dont elle est parfois responsable.

D’un point de vue agronomique, les dernières années en Europe ont également été l’objet de plusieurs crises touchant à la sécurité alimentaire : bœuf aux hormones, poulet aux dioxines, vache folle, contaminations bactériennes d'aliments (fromage par listeria).

D’un point de vue environnemental, citons en particulier la pollution des eaux due à l’utilisation massive d’engrais azotés, la pollution des sols et de l’air due à l’utilisation de produits phytosanitaires, l’extinction de certaines espèces animales (papillons) et plus généralement la perte de la biodiversité. Plus discrets, d’autres aspects tels que l’érosion des sols et l’appauvrissement en espèces marines sont également surveillés. Enfin, l’agriculture produit également des déchets, et ce d’autant plus que le mode de production est intensif et peu diversifié.

Les agriculteurs doivent, pour faire vivre leur exploitation agricole, optimiser au maximum leurs rendements agricoles, ce qui implique l’utilisation d’intrants chimiques (azote, produits phytosanitaires). Ces derniers se retrouvent donc dans la situation délicate de choisir entre la survie de leur exploitation agricole et le bien-être de l’environnement.

Le but de cette étude est dans un premier temps de définir, dans la base dont je dispose, les variables ayant un impact sur les rendements de blé, en observant à l’aide de méthodes de statistiques descriptives l’effet des intrants chimiques, ainsi que l’influences de variables non contrôlées telles que le temps, la qualité de la terre... Cette première partie devra également permettre d’avoir une meilleur idée globale de cette base et d’utiliser des méthodes de régression linéaires simples et multiples afin de modéliser les rendements agricoles.

Il sera question dans une seconde partie de travailler sur la base constituée des individus constants (présents durant toute la période de l’étude), également appelée "données de panel cylindrées". La modélisation des rendements sur cette base permettra de définir des groupes d’agriculteurs en fonction de leur efficacité mais également par rapport à leur consommation d’engrais et de produits phytosanitaires. L’étude de ces groupes aura pour objectif de nous éclairer sur un certain nombre de questions : les individus de l’étude sont- ils stables du point de vue de leur efficacité et de la consommation d’intrants chimiques ? Qu’est ce qui permet à un agriculteur d’être performant ? Les rendements sont ils nécessairement corrélés positivement avec les marges réalisées par les agriculteurs ?

(7)

C’est principalement à ces questions que je vais tenter de répondre à travers cette étude qui entre dans le cadre d’un projet issu du "Grenelle de l’environnement" relatif à la réduction de l’emploi de produits phytosanitaires. Il conviendra donc d’identifier les techniques de production utilisant peu d’intrants tout en obtenant un bon rendement.

Une étude similaire a également été réalisée pour l’orge d’hiver et le colza. A la fin de la deuxième partie, je présenterai quelques comparaisons entre ces trois cultures du point de vue de la consommation d’intrants chimiques et de l’efficacité.

(8)

I. Présentation de l’entreprise

L’UML’UML’UM

L’UMR Économie PubliqueR Économie PubliqueR Économie Publique est une Unité Mixte de Recherche composée principalement R Économie Publique de chercheurs de l’Institut National de la Recherche Agronomique (INRAINRAINRAINRA) et d’enseignants de AgroParisTechAgroParisTechAgroParisTech issus de l’INAAgroParisTech ’INA’INA’INA----PGPGPGPG (Institut National Agronomique de Paris-Grignon). Le siège de l’UMR Économie Publiquel’UMR Économie Publiquel’UMR Économie Publiquel’UMR Économie Publique est situé à Grignon dans la banlieue parisienne mais est en contact avec le Laboratoire d’Economie Forestière (LEFLEFLEFLEF) de Nancy qui a bien voulu m’accueillir en stage.

L’INRAINRAINRA est le premier institut de recherche agronomique en Europe et le deuxième dans INRA le monde. Les recherches qu’il mène sont guidées par l'évolution des questionnements scientifiques et orientées par les défis planétaires que l'agriculture et l'agronomie ont à relever. Changement climatique, nutrition humaine, épuisement des ressources fossiles, équilibre dans la gestion des territoires sont autant d'enjeux qui positionnent l'agronomie comme fondatrice d'un développement harmonieux sur les plans économique, social et environnemental. L'INRAINRAINRAINRA met son expertise au service de la décision publique.

Considéré comme établissement supérieur "leader" dans les sciences du vivant, l’Institut des Sciences et Industries du Vivant et de l’Environnement AgroParisTechAgroParisTechAgroParisTechAgroParisTech a comme principale mission la formation d’ingénieurs mais également la production et la diffusion de connaissances (recherche et développement) en partenariat avec les grands organismes de recherche et les principaux centres techniques professionnels pertinents.

AgroParisTech AgroParisTechAgroParisTech

AgroParisTech s’est assigné six grands domaines de compétences pour ses enseignants- chercheurs et ses diplômés :

- les ressources agricoles et forestières, - l’environnement,

- la transformation agro-industrielle, - les biotechnologies,

- la distribution,

- l’ensemble des services accompagnant l’acte de production et de commercialisation.

L’alimentation des hommes et les préoccupations nutritionnelles, la santé, la prévention des risques sanitaires, la protection de l’environnement, la gestion durable des ressources naturelles et, d’une manière plus générale, la valorisation des territoires sont au coeur de la mission d’AgroParisTechAgroParisTechAgroParisTech AgroParisTech

L’UMR Économie Publique L’UMR Économie PubliqueL’UMR Économie Publique

L’UMR Économie Publique est rattachée au département Sciences Sociales, Agriculture et Alimentation, Espace et Environnement de l’INRAINRAINRA. INRA

Ses principales activités sont la recherche en économie appliquée à l’agriculture et à l’environnement, mais également l’enseignement et l’aide à la décision publique.

(9)

II. Présentation du contexte et du sujet

De gros progrès ont été réalisés en matière d’hygiène et de contrôle bactérien des produits alimentaires, mais la massification de la fabrication et de la vente des aliments font qu’un seul incident peut toucher un très grand nombre de personne. Néanmoins, le nombre de morts par intoxication ou empoisonnement est extrêmement faible et tend encore à baisser.

Ces derniers événements ont eu pour conséquence la mise en place croissante de systèmes de traçabilité destinés à terme à garantir la qualité sanitaire du produit. L’étiquetage devrait permettre au consommateur de décider s’il accepte le supplément de risques inhérents à une agriculture intensive ou s’il préfère payer le prix plus élevé que requiert l’émergence ou le développement de techniques agricoles alternatives, telles que l’agriculture raisonnée, l’agriculture intégrée et l’agriculture biologique

En contrepartie de versements d’aides aux agriculteurs volontaires, l'Union européenne a mis en place (dans le cadre de la politique agricole commune) un certain nombre de mesures agro-environnementales qui visent surtout à protéger :

- les paysages ruraux, l'entretien d'éléments fixes du paysage comme les bosquets, les arbres isolés et les mares.

-les cours d'eau, en encourageant par exemple les cultures intermédiaires, la réduction de l'utilisation des pesticides et la protection des captages d'eau potable.

-la biodiversité animale et végétale, en incitant notamment à la préservation des habitats, la préservation des milieux humides et des prairies permanentes.

- le sol, en encourageant la lutte contre l'érosion et en favorisant la couverture des sols en hiver.

Cependant ces mesures ne semblent pas suffisantes pour enrailler les problèmes de contamination des sols et des milieux aquatiques. De nouveaux objectifs ont donc été définis afin d’atteindre dès 2015 le bon état écologique pour 2/3 des masses d’eaux de surface. Il a également été évoqué la nécessité d’une politique beaucoup plus volontariste en faveur de la restauration et de la protection des ressources en eau par la réduction drastique des pollutions diffuses (phytosanitaires et nitrates), tout en veillant à protéger l’agriculture et l’emploi agricole :

- retirer du marché d’ici 2 ans, après expertise complète, les molécules les plus dangereuses, en proposant des alternatives, et réduire de 50 % l’usage des pesticides les plus polluants à l’horizon 2017, développer des itinéraires techniques à bas niveau d’intrants et mettre en place des outils économiques pour limiter l’usage excessif de ces pesticides.

- limiter les transferts de polluants en implantant ou en maintenant des bandes végétalisées permanentes le long de tous les cours d’eau sur une largeur de 5 mètres.

C’est donc dans un contexte de lutte contre la pollution agricole que j’ai réalisé mon étude, avec comme objectif de faire un état des lieux et de rechercher des pratiques moins

(10)

III. Présentation des données

Pour réaliser cette étude je dispose de plusieurs tables concernant des exploitations agricoles de la Meuse, trois pour chacune des années sur lesquelles portent cette étude (de 1993 à 2003) :

- une contenant des informations sur une dizaine de végétaux (surface, production, charges, marge..)

- une table portant sur les animaux, le lait..

- une regroupant animaux et végétaux contenant un certain nombre de variables complémentaires relatives aux exploitations agricoles (compte d’exploitation, bilans..).

Dans le but de simplifier les manipulations, j’ai décidé d’apparier dans une seule base les données concernant le blé des tables céréales des 11 années à étudier. Cette base contient 7158 observations et 29 variables. Il y a 294 individus constants sur les 11 années soit un total de 3234.

J’ai dû faire un travail de recodage des données en volume car les variables exprimées par leur prix étaient en francs (ou euros à partir de 2001) courants.

Toutes les valeurs en euro de cette étude ont été Toutes les valeurs en euro de cette étude ont été Toutes les valeurs en euro de cette étude ont été

Toutes les valeurs en euro de cette étude ont été transformétransformétransforméestransforméeseses en volume en volume en volume en volume à l’aide de à l’aide de à l’aide de à l’aide de l’indice des pr

l’indice des prl’indice des pr

l’indice des prix correspondantix correspondantix correspondantix correspondant. Ainsi chaque variable exprimée en euro ou en franc . Ainsi chaque variable exprimée en euro ou en franc . Ainsi chaque variable exprimée en euro ou en franc . Ainsi chaque variable exprimée en euro ou en franc courant à été transformée en eur

courant à été transformée en eurcourant à été transformée en eur

courant à été transformée en euro base 100 de l’année 2000o base 100 de l’année 2000o base 100 de l’année 2000 (cf. Annexe Ao base 100 de l’année 2000 (cf. Annexe A (cf. Annexe A : indice des (cf. Annexe A: indice des : indice des : indice des prix)

prix)prix) prix)....

J’ai également créé de nouvelles variables telles que :

- le rendement (en kg/ha) qui est égal à la production divisée par la surface cultivée en hectares ainsi que les marges par hectare (euro/ha)

- les quantités d’engrais et de produits phytosanitaires exprimés en euros 2000 par hectares.

Afin de réaliser des modèles de régression linéaire multiple j’ai du recoder certaines variable telles que l’année en binaire. Par la suite la variable "qualité de la terre" a été remplacée par l’indice de qualité de la terre défini en fonction de la région du domaine agricole et du rendement théorique que l’on peut en attendre.

J’ai également récupéré des variables concernant l’exploitation totale des agriculteurs telles que leurs SAUSAUSAU (Surface Agricole Utile), concept statistique destiné à évaluer le SAU territoire consacré à la production agricole, la SCOPSCOPSCOPSCOP (Surface en céréales, oléagineux et protéagineux), la SFPSFPSFPSFP (Surface Fourragère Principale) ainsi que d’autres variables permettant de déterminer les spécialisations des agriculteurs.

La base contient donc au final 62 variables.

(11)

Données de panel non cylindrées

I. Quelques résultats de statistiques descriptives

Dans un premier temps, l’étude aura pour but d’expliquer et de modéliser la variable représentant le rendement agricole.

Les données de panel non cylindrées sont composées de tous les individus de l’étude et s’opposent aux données de panel cylindrées qui ne comportent que les individus constants, c'est-à-dire les individus qui sont présents de la première à la dernière année de l’étude.

Minimum MinimumMinimum

Minimum 1er 1er 1er 1er quartile quartile quartile

quartile MédianMédianMédianMédian MoyenneMoyenneMoyenne Moyenne 3eme 3eme 3eme 3eme quartile quartilequartile

quartile MaximumMaximumMaximumMaximum écart typeécart typeécart typeécart type Surface (en

Surface (en Surface (en

Surface (en aresaresaresares)))) 50 2151 3462 4254 5555 31560 3127.0 Rendement (en kg/ha)

Rendement (en kg/ha)Rendement (en kg/ha)

Rendement (en kg/ha) 54.7 6116 6836 6791 7500 11360 1060.8

Azote (en kg/ha) Azote (en kg/ha)Azote (en kg/ha)

Azote (en kg/ha) 0 171 185 183.9 200 295 26.5

Produits phytosanitaires Produits phytosanitaires Produits phytosanitaires Produits phytosanitaires (en euros/ha)

(en euros/ha)(en euros/ha)

(en euros/ha) 0 109.3 132.9 133.5 158.3 333.8 39.5

Qualité de la Terre Qualité de la TerreQualité de la Terre

Qualité de la Terre 0.909 0.9492 1.002 1.01 1.043 1.162 0.0710

Le tableau ci-dessus donne un certain nombre d’indicateurs sur les principales variables de l’étude. Il met principalement en avant la grande variabilité qui existe entre les individus de l’étude avec des écarts types très grands notamment en ce qui concerne la surface, qui pour une moyenne de 4254 ares a un écart type de 3127 ares et un maximum de 31560 hectares. Il en est de même que le rendement moyen de la période qui s’élève à 6791 kg/ha avec un écart type de 1061.

Si on écarte les 91 valeurs exceptionnelles, on constate que 99% des exploitations observées ont des rendements compris entre 4051 et 9572 kg/ha soit un écart de 136% entre le rendement le plus faible et le rendement le plus élevé.

Cette forte dispersion dans les rendements agricoles a notamment pour cause l’utilisation d’intrants chimiques mais également les variations climatiques de la période.

0 2000 4000 6000 8000 10000

Dispersion des rendements

en kg/ha

4051.2 9571.9

99%

(12)

1. De grandes inégalités dans le temps

Le temps est de toute évidence un facteur déterminant sur la plupart des variables de cette étude. Ce sont en partie les variations climatiques qui vont déterminer les consommations d’intrants chimiques utilisés par les agriculteurs. Ces même aléas climatiques influenceront malgré tout les rendements agricoles. Il faut également prendre en compte les variations du milieu économique concerné, les réformes qui incitent les agriculteurs à se spécialiser dans certaines cultures, ainsi que d’autres variables exogènes très inégales dans le temps.

Voyons pour commencer les variations du prix du blé entre 1993 et 2003. Ici les prix ont été déflaté en fonction de l’indice des prix à la consommation, base 100 en 1990 (sources INSEE, cf. Annexe A).

1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003

6080100120140160

Prix du blé par année en euros/tonne

euros/tonne

On observe de grandes variations dans les prix du blé sur la période 1993 – 2003 avec une tendance à la baisse conséquence des différentes réformes de la Politique Agricole Commune. La situation des marchés est un autre facteur qui explique ces variations.

(13)

1.1. Consommation d’azote

Le tableau ci-dessous indique le nombre d’individus présents au cours des années sur lesquelles portent l’étude :

AAA

Annéennéennéennéessss 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 E

EE

Effectifsffectifsffectifsffectifs 649 661 687 664 673 671 658 650 626 618 600 Les segments rouges sur les trois graphiques suivants représentent les intervalles de confiance à 99% des moyennes, ce qui signifie que pour chacune des années représentées, la moyenne a 99% de chances de se trouver dans le segment rouge. Si les segments de deux années comparées ne se chevauchent pas, alors leur moyenne peut être considérée comme statistiquement différente (au risque 1%).

1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003

0 50 100 150 200 250 300

Dispersion des quantité d'azote par années (avec intervalles de confiance à 99% de la moyenne)

en kg/ha

Année Moyenne (IC à 99%) 2003

2002 2001 2000 1999 1998 1997 1996 1995 1994 1993

[176.3 ; 182.2]

[183.5 ; 189.2]

[181.5 ; 187.4]

[185.3 ; 190.5]

[183.3 ; 188.3]

[181.2 ; 186.1]

[182.6 ; 187.8]

[179.2 ; 184.4]

[180.7 ; 186.1]

[180.4 ; 185.5]

[178.8 ; 184.0]

Les apports en azote sont sensiblement les mêmes durant les différentes périodes de l’étude. On observe que deux exceptions : la moyenne de l’année 2000 qui semble statistiquement supérieure à celles des années 1993, 1996 et 2003, et la moyenne de 2003 qui semble plus faible car statistiquement inférieure à celles des années 1997, 1999 et 2002 (tout ceci avec un risque de 1%).

Cependant ces variations sont relativement faibles. Il y a donc une certaine stabilité dans les moyennes d’emploi d’azote sur les onze années de l’étude.

(14)

1.2. Produits phytosanitaires

1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003

0 50 100 150 200 250 300

Dispersion des consommations de produits phytosanitaires par années (avec intervalles de confiance à 99% de la moyenne)

en euros/ha

2002 2001 2000 1999 1998 1997 1996 1995 1994 1993

[123.1 ; 132.2]

[139.7 ; 147.9]

[144.8 ; 153.2]

[139.6 ; 146.9]

[139.0 ; 147.0]

[141.1 ; 148.3]

[129.0 ; 136.0]

[126.3 ; 133.4]

[127.8 ; 135.1]

[109.1 ; 116.0]

[108.2 ; 115.3]

L’utilisation de produits phytosanitaire est très inégale dans le temps. En 1993 et 1994 la moyenne était d’environ 112 euros/ha, alors qu’entre 1995 et 1997 celle-ci était proche de 131 euros/ha. On relève une nouvelle augmentation à partir de 1998 jusqu’en 2002 avec une moyenne de presque 145 kg/ha, puis une diminution en 2003 avec une moyenne de 128kg/ha.

La base dont je dispose comporte un découpage de la variable “phytosanitaire” en cinq catégories de produits exprimés en euros :

• FongicidesFongicidesFongicides : pour l'inhibition ou la prévention du développement des champignons. Fongicides

• HHHerbicidesHerbicideserbicideserbicides : pour la destruction de plantes indésirables (mauvaises herbes).

• IIIInsecticidesnsecticidesnsecticides : pour la destruction ou la prévention du développement des insectes. nsecticides

• RRRégulateurs de croissancesRégulateurs de croissanceségulateurs de croissanceségulateurs de croissances : pour la prévention de la croissance excessive d'une plante, ce qui lui permet de mieux résister aux dégâts provoqués par les intempéries.

• AutresAutres : acaricides, bactéricides, taupicides, virucides… AutresAutres

1994 1996 1998 2000 2002

0 20 40 60 80 100

Evolution des consommations de phyto par années et selon leur type

en euros/ha

Fongicides Herbicides Insecticides Régulateurs Autres

(15)

Année AnnéeAnnée

Année 1993199319931993 19941994 19941994 1995199519951995 1996199619961996 1997199719971997 19981998 19981998 1999199919991999 20002000 20002000 2001200120012001 2002200220022002 2003200320032003 FongFongFong

Fong 50.5 52.7 60.6 55.8 60.0 69.0 66.2 66.1 64.6 61.0 48.9

Herb HerbHerb

Herb 42.7 41.3 48.9 45.1 49.0 51.6 50.0 48.8 51.9 50.9 55.0

Ins InsIns

Ins 2.7 2.3 4.1 4.3 3.8 3.2 2.0 1.7 1.3 1.2 1.0

Reg RegReg

Reg 5.3 4.6 5.1 5.4 6.1 7.8 7.5 7.9 8.3 7.7 5.6

Autres AutresAutres

Autres 8.1 9.0 11.9 18.8 13.1 12.5 17.1 18.9 22.9 22.8 16.9

La consommation en insecticides et régulateurs de croissance est assez stable dans le temps. Elle l’est beaucoup moins en ce qui concerne les fongicides qui passent d’une moyenne de 50.5 en 1993 à 69 euros/ha en 1998, pour ensuite diminuer de plus en plus fortement et chuter à 49 euros/ha en 2003. La consommation d’herbicide quant à elle augmente globalement sur l’ensemble la période, partant de 43 euros/ha en 1993, pour atteindre 55 euros/ ha en 2003.

On ne trouvera pas la même répartition des produits phyto pour le colza par exemple, pour lequel les fongicides sont beaucoup plus faibles mais les herbicides bien plus présents (environ le double de ce qui est employé pour le blé).

1.3. Des rendements très dispersés dans le temps

1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003

0 2000 4000 6000 8000 10000

Dispersion des rendements par années (avec intervalles de confiance à 99% de la moyenne)

en kg/ha

2002 2001 2000 1999 1998 1997 1996 1995 1994 1993

[5624.4 ; 5841.5]

[6896.3 ; 7095.0]

[6350.8 ; 6560.8]

[6948.3 ; 7145.2]

[7084.2 ; 7274.0]

[7200.9 ; 7388.3]

[6418.7 ; 6570.1]

[7756.6 ; 7928.9]

[6439.2 ; 6605.6]

[6204.7 ; 6361.5]

[6666.3 ; 6851.6]

Il est facile de constater que la dispersion des rendements dépend de l’année considérée.

En effet d’une année à l’autre les conditions climatiques ainsi que d’autres facteurs non contrôlés par les agriculteurs peuvent faire fluctuer de façon significative les rendements agricoles.

Il est tout de même possible de regrouper certaines années telles que 1998, 1999, 2000 et 2002 qui présentent des rendements moyens proches de 7100 kg/ha ou les années 1993, 1994, 1995, 1997 et 2001 dont le rendement moyen est d’approximativement 6500 kg/ha.

On peut alors constater que l’année 1996 a été en moyenne une très bonne année avec 7831 kg/ha de rendement moyen, contrairement à 2003 qui présente le rendement agricole moyen le plus faible (5733 kg/ha).

(16)

1.4. L’impact de la qualité de la terre

L’indice de qualité de la terre est une donnée exceptionnelle et très peu courante obtenue grâce à une étude pédologique. Il permet d’avoir une idée de la qualité de la terre en fonction du canton et du rendement agricole théorique auquel on peut s’attendre.

0.91 0.93 0.95 0.98 1 1.01 1.03 1.05 1.11 1.15 2000

4000 6000 8000 10000

Dispersion des rendements en fonction de la qualité de la terre

indices

rendement (kg/ha)

Les dispersions des rendements en fonction de cet indice sont assez similaires et ce graphique ne semble pas indiquer une tendance particulière quant à l’impact de la qualité de la terre sur les rendements.

0.90 0.95 1.00 1.05 1.10 1.15

4000 6000 8000 10000

Rendement en fonction de la qualité de la terre

indice qualité de la terre

rendement (kg/ha)

Le coefficient de détermination obtenu entre le rendement et l’indice de qualité de la terre est de 2% ce qui est négligeable.

Ceci est confirmé par le nuage de point ci- contre (en bleu la droite de régression) représentant les rendements agricoles en fonction de l’indice de qualité de la terre.

R² = 2%

Cependant ce critère de qualité de la terre ressort toujours de façon très significative dans les régressions multiples réalisées par la suite.

(17)

2. Variables qui jouent sur le rendement

En plus du temps et de la qualité de la terre, il y a des paramètres contrôlés par les agriculteurs, tels que la quantité d’intrants chimiques, qui ont un impact sur le rendement.

Répartition du rendement (densité par quantité d'azote)

rendement (kg/ha)

fréquence

4000 6000 8000 10000

0e+001e-042e-043e-04

Sup Inf Total

Les termes "Sup" et "Inf" permettent de distinguer deux groupes de taille égale dans l’échantillon : ceux qui utilisent le plus d’azote et ceux qui en utilisent le moins (groupes déterminés en fonction de la médiane). Les courbes sont des estimations de la densité pour la population totale ainsi que pour les 2 groupes

"Sup" et "Inf". La médiane vaut ici 185 kilogrammes d’azote par hectare.

La courbe rouge décalée sur la droite par rapport à la courbe verte indique que les individus utilisant le plus d’azote ont globalement des rendements plus importants que la moyenne.

De la même façon on a représenté ici les densités en fonction de la médiane d’utilisation de produits phytosanitaires.

Il est très net que les individus utilisant le plus de produits phytosanitaires ont de meilleurs rendements (la médiane est de 133 euros/ha).

Ces deux graphiques sont une première approche visuelle qui confirme l’impact positif des intrants chimique sur les rendements agricoles.

Répartition du rendement

(densité par quantité de produits phytosanitaires)

rendement (kg/ha)

fréquence

4000 6000 8000 10000

0e+001e-042e-043e-04

Sup Inf Total

(18)

II. Régressions

1. Régression linéaire simple

Des régressions linéaires simples ont été réalisées sur les variables contrôlées qui nous intéressent le plus, à savoir les liens entre les quantités d’azote et de produits phytosanitaires avec les rendements agricoles.

0 50 100 150 200 250 300

0200040006000800010000

Rendement en fonction des consommations de produits phytosanitaires

produits phytosanitaires (euros/ha)

rendement (kg/ha)

R2=12.8%

Coefficients:

Estimate Std. Error t value Pr(>|t|) (Intercept) 5495.8818 41.3230 133.00 <2e<2e<2e<2e----16 ***16 ***16 ***16 ***

Phyto 9.6919 0.2968 32.66 <2e<2e<2e<2e----16 ***16 ***16 ***16 ***

Rendement RendementRendement

Rendement = 549654965496 + 9.75496 9.79.7 * phyto 9.7

Le nuage de points obtenu nous indique une grande disparité de l’impact des produits phytosanitaires sur les rendements. On peut cependant y deviner une forme allongée. Le coefficient de détermination de presque 13% nous indique un lien et la droite de régression nous montre que ce lien est positif : rendement agricole et quantité de produits phytosanitaires vont dans le même sens.

(19)

0 50 100 150 200 250 300

0200040006000800010000

Rendement en fonction de la quantité d'azote

azote (kg/ha)

rendement (kg/ha)

R2=8.1%

Coefficients:

Estimate Std. Error t value Pr(>|t|) (Intercept) 4663.4690 84.1802 55.40 <2e<2e<2e<2e----16 ***16 ***16 ***16 ***

Azote 11.5676 0.4532 25.52 <2e<2e<2e<2e----16 ***16 ***16 ***16 ***

Rendement = 4663.54663.54663.5 + 11.4663.5 11.11.11.6666 * azote

Ce deuxième nuage est semblable au premier, même si le lien entre la quantité d’azote et le rendement agricole est plus faible que le précédent (seulement 8.1%) ce lien n’est cependant pas négligeable et dans les deux cas, le modèle de régression linéaire simple obtenu nous indique des coefficients statistiquement significatifs.

Ces deux variables jouent donc sur les rendements agricoles du blé. Il en existe cependant d’autres ne pouvant être contrôlées et dont l’impact est plus important, tels que les aléas climatiques, ce qui explique les faibles tendances des nuages de points.

(20)

2. Le lissage de Loess (régression locale pondérée)

Principe

• Pour un point d’abscisse x, on définit un voisinage V(x) en choisissant les N plus proches voisins de x.

• On attribue à chaque observation (xi,Yi) de ce voisinage V(x) un poids w(x,xi), fonction de la distance entre x et xi.

• L’estimation de m en x est donnée par régression linéaire sur les points pondérés du voisinage V(x).

• On note parfois λ=N/n : fraction des observations prises en compte pour estimer m en un point donné.

0 50 100 150 200 250 300

0200040006000800010000

Rendement en fonction des quantités d'azote entre 1993 et 2003

azote (kg/ha)

rendement (kg/ha)

L’avantage de cette régression non paramétrique est qu’elle fournit une représentation graphique de la relation entre les 2 variables qui semble mieux coller aux données que la régression linéaire. Malheureusement il est impossible de résumer cette régression par un petit nombre de paramètres.

Cependant ces graphiques apportent une précision très importante par rapport aux graphiques réalisés à partir de régressions linéaires simples : cet impact positif des intrants chimiques sur le rendement diminue à mesure que les doses augmentent ; des valeurs plus extrêmes nous montreraient très certainement qu’à des doses plus élevées ces produits se révèlent toxiques pour les céréales.

0 50 100 150 200 250 300

0200040006000800010000

Rendement en fonction des consommations de produits phytosanitaires entre 1993 et 2003

produits phytosanitaires (euro/ha)

rendement (kg/ha)

(21)

3. Régression multiple

La précédente observation sur la forme des fonctions de rendements par rapport aux quantités d’intrants laisse à penser qu’une fonction quadratique serait plus appropriée.

C’est pour cela que de nouvelles variables ont été créées à partir des variables "phyto" ainsi que "azote". En effet "phyto²" et " azote²" sont les carrés des variables phyto et azote.

Quant à la variable "azote_phyto" elle est le résultat de la multiplication des variables

"phyto" et "azote". La raison pour laquelle les variables phyto² et azote² ont été créées est le fait qu’à haute dose ces produits ne sont plus bénéfiques mais toxiques, et ne peuvent donc pas être représentés par une droite croissante. La variable azote_phyto est là pour déterminer une interaction entre la quantité d’azote et de produits phyto.

Estimate Std. Error t value Pr(>|t|) (Intercept)

(Intercept) (Intercept)

(Intercept) 1.518e+03 1.518e+03 2.197e+02 1.518e+03 1.518e+03 2.197e+02 2.197e+02 2.197e+02 6.910 6.910 6.910 6.910 5.28e5.28e5.28e5.28e----12 ***12 ***12 ***12 ***

blé$Phyto_Surf blé$Phyto_Surf blé$Phyto_Surf

blé$Phyto_Surf 1.118e+01 1.118e+01 1.611e+00 1.118e+01 1.118e+01 1.611e+00 1.611e+00 1.611e+00 6.939 6.939 6.939 6.939 4.30e4.30e4.30e4.30e----12 *12 *12 *12 *********

blé$Ph2 blé$Ph2 blé$Ph2

blé$Ph2 ----3.436e3.436e3.436e----02 3.436e 02 02 02 4.461e4.461e4.461e4.461e----03 03 03 ----7.702 03 7.702 7.702 7.702 1.52e1.52e1.52e1.52e----14 ***14 ***14 ***14 ***

blé$N blé$N blé$N

blé$N 1.376e+01 1.376e+01 1.972e+00 1.376e+01 1.376e+01 1.972e+00 1.972e+00 1.972e+00 6.977 6.977 6.977 6.977 3.30e3.30e3.30e3.30e----12 ***12 ***12 ***12 ***

blé$N2 blé$N2 blé$N2

blé$N2 ----3.084e3.084e3.084e----02 3.084e 02 02 02 7.077e7.077e7.077e7.077e----03 03 03 ----4.358 03 4.358 4.358 4.358 1.33e1.33e1.33e1.33e----05 ***05 ***05 ***05 ***

blé$NPh blé$NPh blé$NPh

blé$NPh 2.864e2.864e----02 2.864e2.864e 02 02 02 9.582e9.582e9.582e9.582e----03 03 03 2.989 03 2.989 2.989 2.989 0.00281 **0.00281 **0.00281 **0.00281 **

blé$a_94 blé$a_94 blé$a_94

blé$a_94 ----5.002e+02 5.002e+02 5.002e+02 4.444e+01 5.002e+02 4.444e+01 4.444e+01 4.444e+01 ----11.257 11.257 11.257 11.257 < 2e< 2e< 2e< 2e----16 ***16 ***16 ***16 ***

blé$a_96 9.223e+02 9.223e+02 4.479e+01 9.223e+02 9.223e+02 4.479e+01 4.479e+01 4.479e+01 20.592 20.592 20.592 20.592 < 2e< 2e< 2e< 2e----16 ***16 ***16 ***16 ***

bl blbl

blé$a_98 é$a_98 é$a_98 é$a_98 2.488e+02 2.488e+02 2.488e+02 2.488e+02 4.524e+01 4.524e+01 4.524e+01 4.524e+01 5.498 5.498 5.498 5.498 3.96e3.96e3.96e3.96e----08 ***08 ***08 ***08 ***

blé$a_99 1.481e+02 1.481e+02 1.481e+02 1.481e+02 4.526e+01 4.526e+01 4.526e+01 4.526e+01 3.273 3.273 3.273 3.273 0.00107 ** 0.00107 ** 0.00107 ** 0.00107 **

blé$a_00 -1.891e+01 4.553e+01 -0.415 0.67794 blé$a_01

blé$a_01 blé$a_01

blé$a_02 -4.553e+01 4.607e+01 -0.988 0.32305 blé$a_03

blé$a_03 blé$a_03

blé$QDLT blé$QDLT blé$QDLT

blé$QDLT 2.324e+03 2.324e+03 2.324e+03 2.324e+03 1.354e+02 1.354e+02 1.354e+02 1.354e+02 17.162 17.162 17.162 17.162 < 2e< 2e< 2e< 2e----16 ***16 ***16 ***16 ***

blé$Surface blé$Surface blé$Surface

blé$Surface 1.972e1.972e1.972e1.972e----02 02 02 02 3.238e3.238e3.238e3.238e----03 03 03 6.088 03 6.088 6.088 6.088 1.20e1.20e1.20e1.20e----09 ***09 ***09 ***09 ***

R² = 42.

R² = 42.R² = 42.

R² = 42.7%7%7% 7%

Rendement Rendement Rendement

Rendement = 1518151815181518 + 11.18 11.18 11.18 11.18 * phyto ----0.034360.034360.034360.03436 * phyto² + 13.76 13.76 13.76 13.76 * azote ----0.030840.030840.030840.03084 * azote² + 0.02864

0.02864 0.02864

0.02864 * azote_phyto ----500.2 500.2 500.2 500.2 * année94 ----414.9414.9414.9 * année95 + 922.3 414.9 922.3 922.3 922.3 * année96 ----475.3 475.3 475.3 475.3 * année97 + 248.8248.8248.8248.8 * année98 + 148.1148.1 * année99 ----18.91148.1148.1 18.9118.91 * année00 ----602.518.91 602.5602.5602.5 * année01 ----45.5345.5345.5345.53 * année02 ----113811381138 * année03 + 23241138 23242324 * Qualité de la terre + 0.019722324 0.019720.01972 * Surface 0.01972

Il est évidemment hasardeux d’interpréter les coefficients d’une régression ainsi réalisée (présence de concomitances entre les variables). On cherche cependant à avoir une cohérence d’un point de vue économique, ce qui explique pourquoi on garde dans le

(22)

(positifs) ainsi que phyto² et azote² (négatifs) sont ceux que l’on attendait. Il en va de même pour le signe positif de la variable azote_phyto qui indique une synergie entre les intrants chimiques. La qualité de la terre sort également en positif ainsi que la surface cultivée : plus cette surface est importante, plus le rendement est élevé, ce qui peut être interprété comme une spécialisation de l’agriculteur dans une culture.

Le tableau ci-dessus résume pour chacune des années de l’étude les rendements moyens observés, théoriques et les différences ainsi que l’écart type des différences

année annéeannée

année effectifseffectifs effectifseffectifs moyennes obs.moyennes obs.moyennes obs.moyennes obs. moyennes thé.moyennes thé.moyennes thé.moyennes thé. différencesdifférencesdifférencesdifférences σ des dif.σ des dif.σ des dif.σ des dif.

1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003

649 661 687 664 673 671 658 650 626 618 600

6759.0 6283.1 6522.4 7842.7 6494.4 7294.6 7179.1 7046.8 6455.8 6995.7 5732.9

6759.5 6283.7 6523.1 7843.3 6495.0 7295.3 7179.7 7047.5 6456.5 6996.4 5733.7

-0.53 -0.57 -0.66 -0.61 -0.63

-0.70 -0.64 -0.67 -0.68 -0.67 -0.81

784.9 666.4 747.0 798.1 688.2 815.4 822.1 851.7 915.9 810.9 920.5 ensemble

ensembleensemble

ensemble 7157 6791.0 6792.0 -0.65 802.9

Le modèle de régression multiple colle très bien aux données comme le montre les différences entre moyennes observées et théoriques. Les écart-types entre des différences sont assez importants ce qui est le résultat de grandes disparités entre agriculteurs, en particulier d’un point de vue des rendements.

Cette première partie a permis d’avoir une idée globale des principales variables de cette étude et d’avoir un aperçu de leur impact sur les rendements agricoles, mettant en avant une grande disparité dans le temps. L’influence positive des intrants chimiques sur ces rendements a également été démontrée, ainsi que les limites de ces produits.

Il s’agira donc par la suite de se concentrer sur les 294 individus constants afin de tenter d’apporter des explications à ces disparités des rendements ; il conviendra également de s’intéresser aux marges réalisées par les agriculteurs et de voir à quoi celles-ci sont corrélées.

(23)

Données de panel cylindrées

Les données de panel cylindrées ont pour caractéristique de contenir des observations répétées des mêmes individus. Il s'agit donc de données qui combinent une dimension transversale et une dimension chronologique. Le principal intérêt d'utiliser ce type de données est de pouvoir prendre en compte l'hétérogénéité individuelle inobservable. Ici on retrouve 294 agriculteurs présents durant les onze années soit 3234 observations.

Le reste de l’étude portera donc sur les individus constants de la base, ce qui nous permettra ensuite de réaliser des groupes et des profils d’agriculteurs.

I. Statistiques descriptives

1. Des caractéristiques similaires

variables variables variables

variables moyennemoyennemoyennemoyenne médianemédiane médianemédiane écartécart----typeécartécart typetype type Test TTest TTest TTest T (p-value) Surface (en ha)

non cylindrées

46.40 42.54

39.50 34.62

31.9

31.3 0

Production (en tonnes) non cylindrées

322.1 293,9

268.5 234,1

233.4

227.9 0

Rendement (en kg/ha) non cylindrées

6868 6790

6900 6836

1019.7

1063.7 0.0003714 Engrais (en euros/ha)

non cylindrées

129.0 128.0

127.6 126.2

35.6

36.0 0.1683

Azote (en kg/ha) non cylindrées

186.4 183.8

187.0 185.0

23.0

26.6 0

Produits phytosanitaires (en euros/ha) non cylindrées

136.1 133.5

135.6 132.9

37.9

39.5 0.001465

Les tests de comparaison de moyennes indiquent tous une différence statistiquement significative entre données de panel cylindrées et non cylindrées (sauf pour la quantité d’engrais au risque 1%). Ceci est en partie dû à la grande taille de l’échantillon qui permet de mesurer une taille d’effet très petite.

Cependant il semble que ces différences ne soient pas scientifiquement significatives comme le montrent les deux graphiques suivants concernant la dispersion des rendements agricoles.

(24)

2000 4000 6000 8000 10000

en kg/ha

4233.8 9488.5

2000 4000 6000 8000 10000

en kg/ha

4051.2 9571.9

non cylindré

cylindré

Les dispersions des rendements des individus constants sur l’ensemble de la période est de toute évidence similaire à celle de la base totale.

1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003

2000 4000 6000 8000 10000

Dispersion des rendements par années

Année

en kg/ha 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003

2000 4000 6000 8000

10000 non cylindré cylindré

Les rendements des données de panel cylindrées semblent plus élevés et moins dispersés, ce qui s’explique par le fait qu’un individu présent durant les onze années de l’étude a de fortes chances d’être un agriculture stable ayant plus de savoir-faire.

(25)

II. Régressions

Un certain nombre de régressions multiples ont été réalisées afin de trouver le meilleur modèle possible. Ci-dessous est présentée le "modèle complet" qui contient toutes les variables importantes de l’étude, suivi du modèle final. Ce modèle final est primordial car c’est à partir de lui que les groupes d’individus seront réalisés.

Modèle complet :

Estimate Std. Error t value Pr(>|t|) (Intercept)

(Intercept) 3.194e+03 3.194e+03 3.194e+03 3.194e+03 4.203e+02 4.203e+02 4.203e+02 4.203e+02 7.599 7.599 7.599 7.599 3.83.83.83.88e8e8e8e----14 ***14 ***14 ***14 ***

blé_cst$Phyto_Surf blé_cst$Phyto_Surf blé_cst$Phyto_Surf

blé_cst$Phyto_Surf 6.381e+00 6.381e+00 6.381e+00 2.856e+00 6.381e+00 2.856e+00 2.856e+00 2.856e+00 2.22.22.22.235 35 35 35 0.02552 * 0.02552 * 0.02552 * 0.02552 * blé_cst$Ph2

blé_cst$Ph2 blé_cst$Ph2

blé_cst$Ph2 ----3.244e3.244e3.244e----02 3.244e 02 02 02 6.187e6.187e6.187e6.187e----03 03 03 ----5.243 03 5.243 5.243 5.243 1.68e1.68e1.68e1.68e----07 ***07 ***07 ***07 ***

blé_cst$N 1.195e+00 4.137e+00 0.289 0.77272 blé_cst$N2 -4.969e-03 1.345e-02 -0.369 0.71186 blé_cst$NPh

blé_cst$NPh blé_cst$NPh

blé_cst$NPh 5.119e5.119e5.119e----02 5.119e 02 02 02 1.5891.5891.5891.589eeee----02 02 02 3.221 02 3.221 3.221 3.221 0.00129 ** 0.00129 ** 0.00129 ** 0.00129 **

blé_cst$a_94 blé_cst$a_94 blé_cst$a_94

blé_cst$a_94 ----4.855e+02 4.855e+02 4.855e+02 6.321e+01 4.855e+02 6.321e+01 6.321e+01 6.321e+01 ----7.680 7.680 7.680 7.680 2.09e2.09e2.09e2.09e----14 ***14 ***14 ***14 ***

blé_cst$a_96 1.001e+03 1.001e+03 6.373e+01 1.001e+03 1.001e+03 6.373e+01 6.373e+01 6.373e+01 15.701 15.701 15.701 15.701 < 2e< 2e< 2e< 2e----16 ***16 ***16 ***16 ***

blé_cst$a_97 ----4.833e4.833e4.833e+02 4.833e+02 +02 +02 6.381e+01 6.381e+01 6.381e+01 6.381e+01 ----7.575 7.575 7.575 7.575 4.67e4.67e4.67e4.67e----14 ***14 ***14 ***14 ***

blé_cst$a_98 2.571e+02 2.571e+02 6.461e+01 2.571e+02 2.571e+02 6.461e+01 6.461e+01 6.461e+01 3.979 3.979 3.979 3.979 7.08e7.08e7.08e7.08e----05 ***05 ***05 ***05 ***

blé_cst$a_99 1.992e+02 1.992e+02 6.440e+01 1.992e+02 1.992e+02 6.440e+01 6.440e+01 6.440e+01 3.093 3.093 3.093 3.093 0.00200 ** 0.00200 ** 0.00200 ** 0.00200 **

blé_cst$a_00 1.468e+01 6.444e+01 0.228 0.81979 blé_cst$a_01

blé_cst$a_01 blé_cst$a_01

blé_cst$a_01 ----5.858e+02 5.858e+02 5.858e+02 6.469e+01 5.858e+02 6.469e+01 6.469e+01 6.469e+01 ----9.055 9.055 9.055 9.055 < 2e< 2e< 2e< 2e----16 ***16 ***16 ***16 ***

blé_cst$QDLT blé_cst$QDLT blé_cst$QDLT

blé_cst$QDLT 2.169e+03 2.169e+03 2.169e+03 2.169e+03 1.880e+02 1.880e+02 1.880e+02 1.880e+02 11.536 11.536 11.536 11.536 < 2e< 2e< 2e< 2e----16 ***16 ***16 ***16 ***

blé_cs blé_csblé_cs

blé_cst$Surface t$Surface t$Surface t$Surface 1.118e1.118e1.118e1.118e----02 02 02 02 4.458e4.458e4.458e4.458e----03 03 03 2.508 03 2.508 2.508 2.508 0.01218 * 0.01218 * 0.01218 * 0.01218 * R² = 43

R² = 43R² = 43 R² = 43 % % % %

Les coefficients ci-dessus sont très proches de ceux obtenus précédemment sur la base totale, hormis pour les variables azote et azote² qui ne sont plus significatives dans ce modèle. Ces deux variables apparaîtront néanmoins dans le modèle final, l’étude étant principalement ciblée sur les produits phyto et les engrais utilisés (dont l’azote). Par contre la variable "surface" ne restera pas dans le modèle afin de ne plus être une variable explicative mais plutôt une variable expliquée par la régression. On obtient ici un coefficient de détermination de 43% ce qui est relativement bon étant données les variabilités observées entre les individus de l’étude.

(26)

Le modèle de régression retenu pour modéliser le rendement agricole et réaliser les groupes est le suivant :

Rendement = 3249324932493249 + 6.5346.5346.534 * phyto ----0.033926.534 0.033920.033920.03392 * phyto² + 1.3091.3091.3091.309 * azote ----0.0050380.0050380.005038 * azote² + 0.005038 0.05308

0.053080.05308

0.05308 * azote_phyto ---- 483.8483.8483.8483.8 * année94 ----441.3441.3441.3 * année95 + 1008441.3 10081008 * année96 ----475.71008 475.7475.7 * 475.7 année97 + 263.8263.8263.8263.8 * année98 + 201.7201.7201.7 * année99 + 22.96201.7 22.9622.9622.96 * année00 ---- 582.3582.3582.3582.3 * année01 + 6.3086.3086.308 * 6.308 année02 ----106410641064 * année03 + 21031064 210321032103 * Qualité de la terre

Et voici les coefficients et les valeurs critiques :

Estimate Estimate Estimate Estimate Std. Error Std. Error Std. Error Std. Error t value t value t value t value Pr(>|t|) Pr(>|t|) Pr(>|t|) Pr(>|t|) (Intercept)

(Intercept) 3.249e+03 3.249e+03 4.201e+02 3.249e+03 3.249e+03 4.201e+02 4.201e+02 4.201e+02 7.733 7.733 7.733 7.733 1.39e1.39e1.39e1.39e----14 ***14 ***14 ***14 ***

blé_cst$Phyto_Surf blé_cst$Phyto_Surf blé_cst$Phyto_Surf

blé_cst$Phyto_Surf 6.534e+00 6.534e+00 6.534e+00 2.857e+00 6.534e+00 2.857e+00 2.857e+00 2.857e+00 2.287 2.287 2.287 2.287 0.022278 * 0.022278 * 0.022278 * 0.022278 * blé_cst$Ph2

blé_cst$Ph2 blé_cst$Ph2

blé_cst$Ph2 ----3.392e3.392e3.392e----02 3.392e 02 02 02 6.164e6.164e6.164e6.164e----03 03 03 ----5.502 03 5.502 5.502 5.502 4.04e4.04e4.04e4.04e----08 ***08 ***08 ***08 ***

blé_cst$N 1.309e+00 4.140e+00 0.316 0.751844 blé_cst$N2 -5.038e-03 1.346e-02 -0.374 0.708263 blé_cst$NPh

blé_cst$NPh blé_cst$NPh

blé_cst$NPh 5.308e5.308e5.308e----02 5.308e 02 02 02 1.589e1.589e1.589e1.589e----02 02 02 3.341 02 3.341 3.341 3.341 0.000843 ***0.000843 ***0.000843 ***0.000843 ***

blé_cst$a_95 ----4.413e+024.413e+024.413e+02 6.375e+01 4.413e+02 6.375e+01 6.375e+01 6.375e+01 ----6.922 6.922 6.922 6.922 5.37e5.37e5.37e5.37e----12 ***12 ***12 ***12 ***

blé_cst$a_96 1.008e+03 1.008e+03 6.372e+01 1.008e+03 1.008e+03 6.372e+01 6.372e+01 6.372e+01 15.820 15.820 15.820 15.820 < 2e< 2e< 2e< 2e----16 ***16 ***16 ***16 ***

blé_cst$a_98 2.638e+02 2.638e+02 6.461e+01 2.638e+02 2.638e+02 6.461e+01 6.461e+01 6.461e+01 4.083 4.083 4.083 4.083 4.56e4.56e4.56e4.56e----05 ***05 ***05 ***05 ***

blé_cst$a_99 2.017e+02 2.017e+02 6.445e+01 2.017e+02 2.017e+02 6.445e+01 6.445e+01 6.445e+01 3.129 3.129 3.129 3.129 0.001769 ** 0.001769 ** 0.001769 ** 0.001769 **

blé_cst$a_02 6.308e+00 6.439e+01 0.098 0.921966 blé_cst$a

blé_cst$ablé_cst$a

blé_cst$a_03 _03 _03 _03 ----1.064e+03 1.064e+03 1.064e+03 6.362e+01 1.064e+03 6.362e+01 6.362e+01 6.362e+01 ----16.730 16.730 16.730 16.730 < 2e< 2e< 2e< 2e----16 ***16 ***16 ***16 ***

blé_cst$QDLT blé_cst$QDLT blé_cst$QDLT

blé_cst$QDLT 2.103e+03 2.103e+03 2.103e+03 1.863e+02 2.103e+03 1.863e+02 1.863e+02 1.863e+02 11.288 11.288 11.288 11.288 < 2e< 2e< 2e< 2e----16 ***16 ***16 ***16 ***

R² = 42.9 R² = 42.9R² = 42.9 R² = 42.9 % % % %

Ce modèle final, très proche du précédent, possède un r² de 42.9% ; les variables azote et azote² ne sont toujours pas significatives et azote_phyto sort avec une valeur critique de 8e-4, indiquant une synergie entre l’azote et les produits phyto sur le rendement agricole.

C’est donc à partir de ce modèle, et plus particulièrement à partir des résidus obtenus, que les individus de l’étude seront classés comme efficaces ou non.