Navigation – Plan du site

AccueilNuméros59Agriculture, alimentation, crisesCrise de performance économique e...

Agriculture, alimentation, crises

Crise de performance économique et facteurs associés dans les exploitations agricoles en Haïti

Economic Performance Crisis and Associated Factors in Farms unit in Haiti
Crisis de desempeño económico y factores asociados en las granjas en Haití
Kervline Gabellus, Matino Joseph et Bénédique Paul

Résumés

Le secteur agricole est au cœur de l’activité économique dans la plupart des pays en développement, jouant un rôle crucial dans leur croissance industrielle et leur transformation structurelle. Il revêt un caractère multidimensionnel dans le développement, touchant à divers aspects tels que la relance économique, la création d’emplois, la contribution aux chaînes de valeur, la réduction de la pauvreté et la garantie de la sécurité alimentaire.
En Haïti, l’agriculture emploie environ la moitié de la population active, mais elle est en déclin continu au point de ne représenter qu’environ 17 % de la valeur ajoutée totale du PIB pour l’année 2023. La crise de performance économique des unités de production agricoles se caractérise par des revenus agricoles négatifs au niveau des exploitations agricoles. Une telle crise pourrait représenter une menace pour les investissements et la relance agricole. Ainsi, l’objectif de cette étude a été d’analyser les facteurs associés à la probabilité de revenus négatifs des exploitations agricoles se trouvant dans cette situation de déficit de performance économique. Nous avons utilisé des données secondaires provenant de mille quatre cent trente-quatre exploitations agricoles sélectionnées dans cinq des dix départements géographiques d’Haïti. Une analyse multivariée a été réalisée en utilisant un modèle régression logistique multinomiale pour étudier les facteurs associés à la probabilité d’avoir un revenu négatif.
Les résultats du modèle ont révélé six prédicteurs de la probabilité de revenus négatifs au niveau des exploitations agricoles : l’utilisation de la mécanisation agricole, l’impact des événements climatiques (inondation, cyclone), la localisation géographique, la taille du cheptel et l’accès au crédit. En termes de recommandations, nous préconisons d’étendre les services de mécanisation agricole, d’adopter des cultures résilientes aux aléas climatiques, d’utiliser des innovations financières pour améliorer l’accès au financement agricole, de renforcer les services de vulgarisation agricole en intégrant des techniques durables comme l’agroforesterie et la rotation des cultures, et de promouvoir des activités économiques complémentaires telles que l’apiculture, l’artisanat et l’écotourisme pour diversifier les sources de revenus et augmenter la résilience économique des exploitations agricoles. En termes de perspectives, nous suggérons de mener des études sur l’importance du revenu agricole dans le revenu global des exploitants agricoles. De plus, nous proposons de prendre en compte d’autres variables dans l’étude des facteurs associés au revenu agricole, variables que notre étude n’a pas pu considérer, telles que la fluctuation des prix (début de campagne agricole et période de récolte), la taille des pertes agricole et le niveau d’éducation du chef d’exploitation.

Haut de page

Texte intégral

Introduction

1Le secteur agricole joue un rôle central dans l’économie des pays en développement, contribuant de manière significative à la croissance industrielle et à la transformation structurelle (Banque Mondiale, 2023 ; FAO, 2001). Il est multidimensionnel, influençant divers aspects tels que la relance économique, la création d’emplois, les chaînes de valeur, la réduction de la pauvreté, la sécurité alimentaire et les services environnementaux (Banque Mondiale, 2024 ; Odusola, 2019). L’agriculture paysanne, en particulier, est vitale pour l’avenir des populations rurales dans les régions pauvres du monde (Magbukudua et al., 2022).

2En Haïti, l’importance de l’agriculture est particulièrement marquée, avec environ la moitié de la population active employée dans ce secteur (Banque Mondiale, 2019). En 2023, le secteur primaire représentait 17 % de la valeur ajoutée totale du PIB haïtien (IHSI, 2023). Les activités agricoles se déroulent principalement dans de petites exploitations définies comme des unités économiques de production agricole, soumises à une direction unique et englobant tous les animaux et les terres utilisées pour la production, indépendamment du titre de possession, du mode juridique ou de la taille (MARNDR, 2009).

3Le recensement général de l’agriculture révèle que la plupart des exploitations agricoles haïtiennes sont de petite taille. En effet, 73.9 % des agriculteurs exploitent une superficie agricole utile inférieure à 1 carreau, représentant 46.7 % de la superficie agricole utile totale. En revanche, 26.1 % des exploitations ont une superficie agricole utile supérieure ou égale à 1 carreau, correspondant à 53.3 % de la superficie agricole utile totale (MARNDR, 2012).

4Ces petites exploitations font face à des défis dont le problème de productivité et d’innovation (Paul, 2016). Du point de vue économique, il y a le phénomène des revenus négatifs, où les revenus générés sont inférieurs aux coûts de production. Cette situation compromet la viabilité économique des agriculteurs et la durabilité du secteur agricole. Les conséquences peuvent inclure l’abandon des activités agricoles, exacerbant les problèmes de pauvreté et d’insécurité alimentaire. Ainsi, il est crucial d’analyser les facteurs qui influencent la probabilité de revenus agricoles négatifs pour les exploitations agricoles. Face à ces défis, notre étude se pose les questions suivantes : quelle est l’ampleur du phénomène de performance négative des exploitations agricoles ? Quels sont les facteurs associés à la probabilité de revenus agricoles négatifs pour les exploitations agricoles en Haïti ?

5À travers des analyses statistiques et économétriques, nous avons testé les hypothèses suivantes :

H1 : En raison des risques encourus par le secteur agricole, au moins un dixième des exploitations agricoles ont un revenu agricole négatif.

H2 : La probabilité de revenu agricole négatif est influencée par des facteurs socio-économiques, géographiques et climatiques.

6Les résultats de notre étude permettront, premièrement, de mieux comprendre les dynamiques économiques des exploitations agricoles et d’identifier les principales contraintes financières auxquelles les agriculteurs sont confrontés. Deuxièmement, cela aidera à formuler des recommandations et des stratégies d’intervention pour soutenir les agriculteurs et améliorer leur résilience. Enfin, cette recherche contribuera à la littérature existante en fournissant des données empiriques spécifiques au contexte haïtien, ce qui est crucial pour développer des solutions adaptées aux réalités locales.

1. Revue de littérature sur la performance des exploitations agricoles

7Le revenu agricole négatif, une condition où les activités agricoles génèrent des rendements inférieurs aux coûts engagés, est un problème critique avec des implications significatives pour les économies rurales, la sécurité alimentaire et le développement durable (Brangeon, Jegouzo et Roze, 1994 ; Odusola, 2019). Cette revue de littérature synthétise les principales conclusions des études empiriques relatives aux déterminants du revenu agricole et les facteurs associés à la probabilité de revenu agricole négatif.

1.1. Revenu agricole

8Piet et Hérault (2021) définissent le revenu agricole comme un indicateur de la performance des exploitations et de leur capacité à créer de la richesse. Zahm et al. (2019) ont souligné que la performance économique se mesure à travers les résultats obtenus par l’entreprise. Ces résultats dépendent de nombreux facteurs, tels que les innovations mises en œuvre, les choix stratégiques ou techniques dans les investissements, la conjoncture sur les prix de vente et les rendements de production. Ils ont mentionné que pour une exploitation agricole, ces différences de performance traduisent à la fois l’efficacité technique de l’exploitation et surtout l’efficience dans son processus de production. Selon Guillaume (1999), le revenu agricole est un concept complexe qui englobe à la fois les revenus générés par l’entreprise agricole et la rémunération de l’exploitant. Au-delà de son rôle de simple outil de production, une exploitation agricole constitue souvent le principal moyen de subsistance d’une famille. Le revenu agricole est considéré comme négatif lorsque la valeur des produits (vendus, stockés, autoconsommés, investis pour propre compte, ainsi que les subventions d’exploitation et les produits financiers) est inférieure à la valeur des charges (qu’elles soient monétaires, consommations intermédiaires, impôts et taxes sur la production, charges salariales, foncières, financières, etc.) (Brangeon, Jegouzo et Roze, 1994). En termes d’analyse économique, le profit ou le revenu se définit comme le produit total des ventes moins l’ensemble des coûts. Ces coûts comprennent à la fois les coûts variables, c’est-à-dire les dépenses directement liées au processus de production, ainsi que la rémunération des facteurs de production (Costa, 2022). L’activité agricole mobilise trois principaux facteurs de production : la terre, le travail et le capital (Mathilde et Pierre, 2013).

1.2. Déterminants du revenu agricole

9Le niveau de revenu agricole peut être attribué à un ensemble de facteurs cruciaux. La compréhension de ces facteurs permet de formuler efficacement des politiques de développement agricole rural (Adedayo, 1985). Parmi ces facteurs, la superficie agricole utile, le niveau d’éducation du chef du ménage, l’élevage ainsi que la production agricole par type de culture sont identifiés comme les facteurs pouvant propulser le revenu agricole (Ndiaye, 2017). Dans leur étude sur l’analyse des déterminants de revenu agricole, Fadipe et al. (2014) ont présenté que le niveau d’éducation du chef d’exploitation agricole, la superficie agricole utile de l’exploitation agricole, l’accès à l’électricité, le sexe du chef de l’exploitation sont des déterminants majeurs du revenu agricole. L’accès au crédit a été utilisé parmi les variables explicatives du modèle de Fadipe et al. (2014) mais il n’a pas été révélé significatif. La superficie agricole utile, le niveau d’éducation du chef de l’exploitation agricole, l’occupation du chef d’exploitation agricole, le nombre d’heures passé sur l’exploitation agricole et l’âge sont des variables explicatives importantes qui ont influé à la fois sur les revenus agricoles et non agricoles (Ibekwe et al., 2010).

1.3. Facteurs influençant négativement le revenu agricole

10Les déterminants du revenu des agriculteurs se répartissent en facteurs internes et externes à l’exploitation. Selon Piet et Hérault (2021), les facteurs internes incluent les compétences managériales, la structure et le mode de gestion de l’exploitation, ainsi que les capacités financières à l’installation. Ces éléments influent sur les choix de production, la gestion des coûts, les stratégies de financement et les risques associés. Les facteurs externes englobent les conditions de marché, la répartition de la valeur ajoutée dans les filières, le cadre réglementaire et les politiques publiques. La formation du revenu dépend notamment du processus de détermination des prix, des aides agricoles et des exigences en matière de normes sanitaires et environnementales. Brangeon, Jegouzo et Roze (1994) ont également souligné l’aspect de l’instabilité du revenu agricole, attribuable à des facteurs tels que le risque de marché et les aléas climatiques. Ils ont identifié cinq facteurs susceptibles d’influencer la probabilité d’un revenu moyen négatif, notamment l’âge, le niveau d’éducation du chef d’exploitation, la taille de l’exploitation, l’endettement et la localisation géographique. Ces facteurs ont un impact significatif sur la stabilité du revenu agricole et peuvent influencer la fréquence des pertes. Au regard de la littérature existante, les facteurs socio-économiques, géographiques et climatiques sont des facteurs susceptibles d’expliquer le revenu agricole négatif des exploitations agricoles.

1.3.1. Facteurs socio-économiques

11De nombreux facteurs socio-économiques influencent la probabilité de revenu agricole négatif. Par exemple, les fluctuations brutales des prix de production jouent un rôle essentiel dans la détermination de la rentabilité agricole (Guillaume, 1999). Une étude menée par Gozgor (2019) indique que le niveau d’intégration économique est négativement lié à la volatilité des prix des matières premières agricoles. L’escalade des coûts des intrants est un autre facteur économique contribuant au revenu agricole négatif. Adjeran, Djagoun et Yabi (2023) ont constaté que l’accès au crédit a un effet significatif et positif sur la productivité et la rentabilité des exploitations agricoles. En effet, l’accès limité au crédit et aux services de vulgarisation peut entraver la capacité des agriculteurs à adopter de nouvelles technologies et de meilleures pratiques, augmentant leur vulnérabilité aux chocs de revenu négatif.

1.3.2. Facteurs géographiques et climatiques

12Les facteurs géographiques et climatiques jouent un rôle déterminant dans la viabilité économique des exploitations agricoles, influençant directement la probabilité de revenus négatifs. Guillaume (1999) ainsi que Brangeon, Jegouzo, et Roze (1994) ont montré que certaines exploitations agricoles affichent des revenus faibles, voire négatifs, en raison de divers facteurs, y compris les aléas climatiques. Bellande (2009) a souligné que la rentabilité agricole réduite est également liée à la dégradation des sols et à l’épuisement des ressources. Kassie et al. (2008) précisent que les exploitations situées dans des zones montagneuses ou vallonnées rencontrent des défis supplémentaires, tels que l’érosion des sols, des coûts de transport élevés et des difficultés d’accès pour certains équipements agricoles. Ces contraintes augmentent les coûts de production et réduisent la rentabilité. Enfin, les risques climatiques, comme les inondations, influencent fortement la viabilité des exploitations agricoles. Adger et al. (2007) et Smit et Skinner (2002) montrent que les agriculteurs mettent en place des stratégies d’adaptation, telles que l’amélioration des systèmes de drainage et l’utilisation de cultures résistantes, pour atténuer les impacts.

13La qualité des sols est un autre facteur géographique crucial. Les sols pauvres en nutriments nécessitent des investissements supplémentaires en engrais et amendements pour maintenir la productivité (FAO, 2001). Pender et Gebremedhin (2008) ont montré que les exploitations sur des terres marginales ou dégradées sont plus susceptibles de générer des revenus négatifs en raison des rendements plus faibles et des coûts de production plus élevés. L’accès à l’eau, tant pour l’irrigation que pour l’usage domestique, est également essentiel. Les exploitations situées dans des régions arides ou semi-arides sans infrastructure d’irrigation fiable sont particulièrement vulnérables aux fluctuations climatiques et aux sécheresses, ce qui peut réduire significativement les rendements et augmenter les risques de revenus négatifs (Hanjra et Qureshi, 2010).

14Enfin, le climat est un facteur géographique majeur influençant la rentabilité agricole. Les variations climatiques, telles que les sécheresses, les inondations et les tempêtes, peuvent avoir des effets dévastateurs sur les récoltes (Singh et Cohen, 2014). Les exploitations dans des zones sujettes à des événements climatiques extrêmes sont plus exposées à des pertes de récolte et à des revenus négatifs (Schlenker et Lobell, 2010). En résumé, les facteurs géographiques tels que la topographie, la qualité des sols, l’accès à l’eau et les conditions climatiques jouent un rôle critique dans la détermination des revenus agricoles.

15En conclusion, la probabilité de revenu agricole négatif est influencée par un jeu complexe de facteurs socio-économiques, géographiques et climatiques. En comprenant et en abordant ces défis multifacettes, les décideurs, les chercheurs et les praticiens peuvent développer des interventions ciblées et des stratégies pour améliorer la rentabilité, la résilience et la durabilité des exploitations agricoles en particulier dans les pays en développement.

2. Méthodologie

16Cette section décrit les zones d’études, les données collectées, l’échantillonnage adopté, les variables utilisées et la présentation du modèle logistique utilisé.

2.1. Zones d’études

17Cette étude est axée sur la République d’Haïti, située dans la mer des Caraïbes et partageant l’ouest de la deuxième plus grande île des Caraïbes avec la République dominicaine. La population haïtienne est l’une des plus importantes des Caraïbes, avec environ 11,9 millions de personnes en 2021 vivant sur 27 750 km2 (IHSI, 2021). Selon la Banque Mondiale (2024), le pays est économiquement le plus pauvre de la région et l’agriculture est l’un des secteurs d’emploi les plus importants, bien qu’elle soit en déclin.

18Selon les données de la Banque Mondiale (2019), l’agriculture en Haïti est cruciale pour son économie, mais elle souffre d’une diminution de sa résilience et de sa performance. Malgré la diversité des écosystèmes et des productions, le secteur est vulnérable aux chocs climatiques, avec des perspectives de baisse de rendement. L’érosion des sols, les inondations et la détérioration de l’environnement sont des défis majeurs. De plus, les infrastructures agricoles sont insuffisantes, et les superficies cultivées dépassent celles aptes à l’agriculture. Les exploitations sont généralement petites et morcelées, avec des rendements inférieurs à ceux des pays voisins. La croissance du secteur est limitée par divers facteurs, notamment le faible recours aux équipements agricoles et aux fertilisants, ainsi que par le morcellement des terres.

2.2.Données

19Cette étude a utilisé des données secondaires issues d’enquêtes transversales menées d’octobre 2020 à mars 2021, et mises en œuvre par une équipe de chercheurs en agro-socio-économie de l’Université Quisqueya. Cette enquête de terrain a été réalisée selon des normes strictes de collecte de données pour garantir la rigueur et la représentativité des informations obtenues. Avant le déploiement, une équipe d’enquêteurs qualifiés a été formée à l’utilisation des outils de collecte, avec une attention particulière sur l’uniformité des méthodes d’interrogation. L’objectif principal de l’enquête était de fournir une évaluation actualisée de la situation agro-socio-économique des exploitations agricoles afin d’informer au mieux les futures interventions. Les données ont été collectées au niveau de cinq des dix départements du pays dont la Grand’anse, le Sud, l’Artibonite, le Nord et le Nord-Est. Elles ont été collectées au niveau de seize communes différentes. Nous sommes sur un grand échantillon de mille quatre cent trente-quatre exploitations agricoles. Cela permet d’investiguer de nouveaux facteurs qui n’ont pas été étudiés dans la littérature.

2.3. Échantillonnage

20Nous avons utilisé un échantillon stratifié d’exploitations agricoles provenant de cinq des dix départements géographiques d’Haïti avec un échantillonnage sondage aréolaire où la zone géographique cible a été divisée en secteurs distincts. La sélection des aréoles s’est basée sur des critères spécifiques, tels que densité de population, activité économique, etc. Cela permet d’assurer une représentativité spatiale des populations étudiées, tout en tenant compte des différences régionales ou locales qui pourraient influencer les résultats. La stratégie de stratification était basée sur les caractéristiques socio-économiques, géographiques, démographiques et climatiques de la population. Nous avons diversifié selon l’âge, le sexe, la superficie, les pentes, l’irrigation la mécanisation, la vulgarisation, le crédit, le transfert, l’unité de bovin tropicale, la main-d’œuvre et le revenu agricole de la population. Nous avons également veillé à ce que cette diversification reflète les caractéristiques de la population cible en appliquant des techniques de pondération lorsque cela était nécessaire. Cela garantit que les résultats obtenus sont représentatifs et qu’ils peuvent être généralisés à l’ensemble de la population étudiée. Deux mille onze exploitations agricoles ont été interviewées à l’aide d’un questionnaire, mais en raison des données manquantes, mille quatre cent trente-quatre ont été prises en compte dans les analyses statistiques et économétriques.

2.4. Calcul des revenus agricoles

21Les revenus agricoles pour chaque exploitation de l’échantillon ont été calculés en utilisant la formule suivante :

Revenu agricole net= Valeur du Produit Brut agricole − Coûts totaux

Valeur du Produit Brut agricole= Valeur de production Végétale + Valeur des produits Animaux

Coûts totaux =coût de labourage + coût des semences + coût des fertilisants + coût des produits phytosanitaires + coût de la main-d’œuvre + coût d’entretien des équipements + coût de transport agricole + coût des produits vétérinaires + coût des aliments pour animaux + location d’outils ou équipements + Amortissement des équipements

22Dans l’échantillon, certaines exploitations ont présenté des revenus positifs, c’est-à-dire que leurs ventes agricoles ont surpassé les coûts d’exploitation, tandis que d’autres ont eu des revenus négatifs, indiquant que les coûts étaient supérieurs aux revenus générés. La moyenne et l’écart type ont été calculés pour les exploitations ayant des revenus agricoles négatifs afin de mieux comprendre la distribution des résultats financiers dans l’échantillon. Ces mesures statistiques permettent d’évaluer la variabilité et d’identifier les tendances globales.

2.5. Modèle

23Dans notre modèle, nous considérons qu’un agriculteur i (où 𝑖=1,2… I) tire une utilité pour avoir obtenu un revenu agricole positif. Nous supposons qu’un agriculteur a un revenu agricole positif à partir des facteurs socio-économiques, géographiques et climatiques et si son utilité est supérieure à un seuil 𝛿 tandis qu’il/elle ne l’a pas si son utilité est inférieure ou égale à ce seuil. La fonction d’utilité 𝑈i*​ peut être expliquée par une partie déterministe : le vecteur 𝑋i de caractéristiques observables et un terme d’erreur (𝜀i). Pour l’exploitant agricole, cette fonction d’utilité peut être écrite comme dans l’équation suivante (équation 1) :

Ui* = α + βXi + 𝜀i

24Le terme d’erreur est indépendant et identiquement distribué, comme suit : 𝜀i ~N (0,1). La règle de décision, pour chaque exploitant agricole i, est de faire le choix qui maximise sa fonction d’utilité. Pour étudier les caractéristiques personnelles des exploitants agricoles qui expliquent la présence de revenu agricole négatif ou positif, nous définissons d’abord une variable binaire Yi qui mesure cette situation, comme suit dans l’équation (2) :

P (Yij =1) = F (m+ βXij)

25Dans cette relation, (F) est une fonction de distribution cumulative donnée par l’équation (3) :

26Les paramètres m et β du modèle sont estimés en utilisant des méthodes de maximisation numérique du logarithme de la fonction de vraisemblance, qui s’écrit comme suit dans l’équation (4) :

27Nous avons estimé un modèle binaire en étant certains que les prédictions tomberont dans l’intervalle (0, 1). Et, comme le nombre d’observations (1434) est suffisamment élevé, nous avons supposé avec confiance que le terme d’erreur était distribué normalement, ce qui nous permet de choisir entre un modèle Probit et Logit. Nous avons choisi un modèle Logit pour la facilité d’interprétation en utilisant le rapport de cotes ajusté (AOR). La forme de l’équation à estimer pour la désutilité liée à des revenus négatifs est alors celle de l’équation (5) :

28La variable yi prend la valeur 1 si l’exploitant agricole a généré du revenu négatif, et 0 s’il/elle ne l’a pas. Dans ce cas, la variable endogène du modèle est dichotomique. Les modèles de régression multiple linéaire standard peuvent être écrits comme dans l’équation suivante.

Yi = α + βXi + 𝜀i

29Le vecteur des variables explicatives Xi inclut des caractéristiques liées au profil des exploitants agricoles et aux caractéristiques des exploitations agricoles. Il inclut également des variables liées aux facteurs socio-économiques, géographiques et climatiques. Nous avons mobilisé la littérature existante pour sélectionner ces variables afin de capturer les caractéristiques de l’exploitation agricole : taille de l’exploitation, accès au crédit, envois de fonds, irrigation, etc. L’équation à estimer pour un agriculteur i était spécifiée comme dans l’équation 7.

30Dans le tableau suivant, nous présentons la description des variables ainsi que leur signe attendu. La tendance à généraliser les variables au niveau de l’exploitation agricole vise à offrir une vue d’ensemble, tout en tenant compte du fait que des spécificités individuelles peuvent exister. Les signes attendus indiquent la direction anticipée de la relation entre les variables indépendantes et la variable dépendante. Un signe positif (+) pour une variable signifie qu’elle exerce une influence positive sur le déficit de performance, augmentant ainsi le revenu agricole négatif. En revanche, un signe négatif (-) indique que la variable réduit le revenu agricole négatif, atténuant ainsi le déficit de performance.

Tableau 1 : Description des variables de l’étude

Variables

Description

Valeur

Signe attendu

Revenu agricole

Revenu agricole négatif en variable binaire

Variable dépendante : 1 si le revenu agricole est négatif sinon 0

Sexe

Sexe du chef de l’exploitation agricole

1 si c’est un homme sinon 0

+

Âge

L’âge du chef d’exploitation agricole en variable catégorielle [moins de 45, 45-55 ans, plus de 55 ans]

L’âge du chef d’exploitation agricole en année

+

Localisation

Localisation géographique de l’exploitation agricole

Les départements considérés dans le cadre de l’étude codés de 1 à 5. (Grand’Anse, 1 ; Artibonite, 2 ; Nord, 3 ; Nord-Est, 4 ; Sud, 5)

-

Taille du ménage

Taille du ménage en variable catégorielle

La valeur de la taille du ménage

-

Pentes

Pentes fortes en variables catégorielles

Tercile de pentes fortes

+

UBT

Taille du cheptel en Unité de Bovins Tropicaux (la possession de bétail)

Tercile de valeur de l’unité de bovins tropicaux

-

Superficie

Superficie de l’exploitation agricole en variable catégorielle

Tercile de superficie de l’exploitation en carreau

+

Transfert

Réception de transferts migratoires

1 si l’exploitant agricole a reçu de transfert sinon 0

-

Cyclone

Impact de l’exploitation agricole par les cyclones au cours des 5 dernières années

1 si l’exploitation agricole a été affectée sinon 0

+

Inondation

Impact de l’exploitation agricole par l’inondation au cours des 5 dernières années

1 si l’exploitation agricole a été affectée sinon 0

+

Pluie régulière

Impact de l’exploitation agricole par les pluies régulières au cours des 5 dernières années

1 si l’exploitation agricole a été affectée sinon 0

-

Sécheresse

Impact de l’exploitation agricole par la sécheresse au cours des 5 dernières années

1 si l’exploitation agricole a été affectée sinon 0

+

Vent

Impact de l’exploitation agricole par les vents forts au cours des 5 dernières années

1 si l’exploitation agricole a été affectée sinon 0

+

Crédit

Si l’exploitant agricole a obtenu du crédit

1 s’il a obtenu du crédit sinon 0

-

Irrigation

L’irrigation de l’exploitation agricole

1 si l’exploitation agricole est irriguée sinon 0

-

Mécanisation

L’accès à la mécanisation

1 si l’exploitation agricole est mécanisée sinon 0

-

Vulgarisation

L’accès à la vulgarisation

1 si l’exploitation agricole bénéficie des services de vulgarisation sinon 0

-

Échange de MO

Échange de main-d’œuvre

1 si l’exploitation agricole a participé à l’échange de main-d’œuvre sinon 0

-

Recours à la MO extérieure

Recours à la main-d’œuvre extérieure

1 si l’exploitant agricole a recouru à la main-d’œuvre extérieure sinon 0

+

Source : Réalisé par les auteurs

2.6. Définition des variables

2.6.1. Variable dépendante

31La variable dépendante de l’étude est le revenu agricole négatif. Cette variable a été codée « oui » si le revenu agricole a été négatif et « non » dans le cas contraire.

2.6.2. Variables indépendantes

32Les variables indépendantes sont le sexe du chef d’exploitation, l’âge du chef d’exploitation, la localisation géographique, l’accès au crédit, l’accès à l’irrigation, la mécanisation agricole, la vulgarisation agricole, la taille du ménage, l’échange de main-d’œuvre, la main-d’œuvre extérieure, les pentes, la taille du cheptel, la superficie cultivée, les transferts, l’affectation à ces variables au cours des cinq dernières années : cyclone, inondation, pluie régulière, sécheresse et vent. Le test de chi-deux est effectué visant à sélectionner les variables qui ont une relation significative avec la variable dépendante avant même de construire le modèle, augmentant ainsi la robustesse et l’interprétabilité du modèle de régression multinomiale.

3. Résultats

3.1. Ampleur de la performance négative dans les exploitations agricoles haïtiennes

33Les résultats de l’étude ont révélé que 16,31 % des exploitations agricoles ont enregistré un revenu agricole annuel négatif, s’élevant en moyenne à -3 043 782,35 gourdes avec un écart-type de 7 386 834,57 gourdes. En d’autres termes, sur chacune des six exploitations agricoles, une présente un revenu agricole négatif. Parmi ces exploitations agricoles, 84.6 % sont dirigées par des hommes et environ 15.4 % par des femmes.

34De plus, 42,5 % des chefs d’exploitation sont âgés de plus de 55 ans. Le tableau suivant présente une description des variables :

Tableau 2 : Description statistique des variables

Caractéristiques socio-économiques, géographiques et climatiques

Modalités

Revenu agricole

N

Pourcentage

Sexe

Femme

255

17.8

Homme

1179

82.2

Âge

Moins de 45 ans

406

28.3

45-55 ans

419

29.2

Plus de 55 ans

609

42.5

Localisation

Grand-Anse

228

15.9

Sud

349

24.3

Artibonite

497

34.7

Nord

159

11.1

Nord-Est

201

14

Taille du ménage

Petit ménage

497

34.7

Ménage de taille moyenne

475

33.1

Gros ménage

462

32.2

Pentes

Pas de fortes pentes

1209

84.3

Peu de fortes pentes

140

9.8

Beaucoup de fortes pentes

85

5.9

UBT

Peu d’élevage (<2UBT)

1050

73.2

Petit élevage (2-3.6)

211

14.7

Gros élevage (>3.6)

173

12.1

Superficie

Faible SAU

1154

80.5

Moyenne SAU

203

14.2

Forte SAU

77

5.4

Transfert

Non

806

56.2

Oui

628

43.8

Cyclone

Non

762

53.1

Oui

672

46.9

Inondation

Non

1299

90.6

Oui

135

9.4

Pluie régulière

Non

1078

75.2

Oui

356

24.8

Sécheresse

Non

566

39.5

Oui

868

60.5

Vent

Non

1202

83.8

Oui

232

16.2

Crédit

Non

977

68.1

Oui

457

31.9

Irrigation

Non

1185

82.6

Oui

249

17.4

Mécanisation

Non

904

63

Oui

530

37

Vulgarisation

Non

942

65.7

Oui

492

34.3

Échange de main-d’œuvre

Non

726

50.6

Oui

708

49.4

Recours à de main-d’œuvre extérieure

Non

124

8.6

Oui

1310

91.4

Source : Calcul des auteurs, logiciel SPSS

3.2. Facteurs associés à la probabilité de revenu négatif des exploitations agricoles

35Le test de chi-deux a été appliqué pour identifier et sélectionner les variables significativement associées au revenu négatif, éliminer les variables non pertinentes, simplifier le modèle, faciliter l’interprétation et la prédiction des résultats. Selon cette analyse telle que présentée dans le tableau 3, le revenu agricole négatif dépend significativement des facteurs socio-économiques (l’accès au crédit, la taille du cheptel, l’accès à l’irrigation, la vulgarisation, la superficie et l’utilisation de la mécanisation) ; d’un facteur géographique (la localisation) et des facteurs climatiques (l’affection aux cyclones et aux inondations). Les autres variables ne sont pas significatives et ne sont donc pas intégrées dans le modèle. .

Tableau 3 : Revenu agricole négatif et caractéristiques socio-économiques, géographiques et climatiques

Caractéristiques socio-économiques, géographiques et climatiques

Modalités

Revenu agricole négatif

Significativité

Non

Oui

N (%)

N (%)

Sexe

Femme

(219) 85.88

(36) 14.11

ns

Homme

(981) 83.20

(198) 16.79

Âge

Moins de 45 ans

(342) 84

(64) 16

ns

45-55 ans

(342) 81.6

(77) 18.37

Plus de 55 ans

(516) 84.72

(93) 15.27

Localisation

Grand » Anse

(211) 92.54

(17) 7.45

***

Sud

(332) 95.12

(17) 4.87

Artibonite

(333) 67

(164) 33

Nord

(131) 82.38

(28) 17.61

Nord-Est

(193) 96.02

(8) 3.98

Crédit

Non

(835) 69.6

(365) 30.4

*

Oui

(142) 60.7

(92) 39.3

Irrigation

Non

(976) 81.3

(224) 18.7

**

Oui

(209) 89.3

(25) 10.7

Mécanisation

Non

(799) 66.6

(401) 33.4

***

Oui

(105) 44.9

(129) 55.1

Vulgarisation

Non

766) 63.8

(434) 36.2

**

Oui

(176) 75.2 %

(58) 24.8

Échange de main-d’œuvre

Non

(590) 49.2

(610) 50.8

ns

Oui

(136) 58.1

(98) 41.9

Recours à de main-d’œuvre extérieure

Non

(104) 8.7

(1096) 91.3

ns

Oui

(20) 8.5

(214) 91.5

Transfert

Non

(687) 57.2

(513) 42.8

ns

Oui

(119) 50.9

(115) 49.1

Cyclone

Non

(572) 47.7 %

(628) 52.3 %

***

Oui

(190) 81.2

(44) 18.8

Inondation

Non

(1099) 91.6

(101) 8.4

**

Oui

(200) 85.5

(34) 14.5

Pluie régulière

Non

(911) 75.9

(289) 24.1

ns

Oui

(167) 71.4

(67) 28.6

Sécheresse

Non

472) 39.3

728) 60.7

ns

Oui

(94) 40.2

(140) 59.8

Vent

Non

(1014) 84.5

186) 15.5

ns

Oui

(188) 80.3

(46) 19.7

Pentes

Pas de fortes pentes

(1001) 82.79

(208) 17.20

ns

Peu de fortes pentes

(125) 89.28

15) 10.71

Beaucoup de fortes pentes

(74) 87.05

11) 12.94

UBT

Peu d’élevage (<2UBT)

(853) 81.23

(197) 18.76

***

Petit élevage (2-3.6)

(190) 90.04

(21) 9.95

Gros élevage (>3.6

(157) 70.75

(16) 9.24

Superficie

Faible SAU

(983) 85.18

(171) 14.81

*

Moyenne SAU

(158) 77.83

(45) 22.16

Forte SAU

(59) 76.62

(18) 23.37

Taille du ménage

Petit ménage

(419) 84.30

(78) 15.69

ns

Ménage de taille moyenne

(412) 86.73

(63) 13.26

Gros ménage

(369) 79.87

(93) 20.12

Seuil de significativité : * significatif à 10 %, ** significatif à 5 %, *** significatif à 1 %, et ns non significatif

Source : Calcul des auteurs, logiciel SPSS

36Selon cette analyse, la probabilité d’un revenu agricole négatif dépend fortement de facteurs tels que la localisation géographique, l’accès à la mécanisation, l’affectation aux cyclones et la taille du cheptel, ces variables étant toutes significatives à un seuil de 1 %. Les autres variables significatives comprennent l’accès au crédit, l’irrigation, la vulgarisation agricole, l’affectation aux inondations et la superficie cultivée. Étant donné que le test de chi-deux est une analyse binaire ne tenant pas compte des relations simultanées entre toutes les variables, l’estimation logistique multinomiale est utilisée pour pallier cette limite. Cette estimation logistique présentée dans le tableau 4 fournit une analyse multivariée des facteurs influençant la probabilité de revenus agricoles négatifs pour les exploitations. Les variables non significatives dans cette analyse préliminaire n’ont pas été incluses dans le modèle final.

Tableau 4 : Régression logistique pour estimer les déterminants des revenus agricoles négatifs

Caractéristiques socio-économiques, géographiques et climatiques

A

Sig.

Exp (B)

IC pour Exp (B) 95 %

Inférieur

Supérieur

Irrigation

0,454

0,101

1,575

0,915

2,71

Mécanisation

-0,955

0

0,385***

0,273

0,542

Vulgarisation

0,077

0,678

1,081

0,749

1,558

Crédit

-0,0593

0

0,553***

0,396

0,77

Inondation

-0,95

0

0,387***

0,231

0,648

Cyclone

1,429

0

4,176***

2,797

6,234

SAU

0,043

0,752

1,044

0,798

1,366

Localisation

-0,518

0

0,596***

-0,506

0,701

UBT

-0,762

0

0,467***

0,35

0,622

Constante

1,043

0,04

2,839

Seuil de significativité : * significatif à 10 %, ** significatif à 5 %, *** significatif à 1 %, et ns non significatif

Source : Calcul des auteurs, logiciel SPSS

37Les résultats de l’estimation logistique révèlent que plusieurs facteurs sont significativement associés à la probabilité que les exploitations agricoles enregistrent des revenus négatifs. En particulier, l’accès aux services de mécanisation agricole, l’accès au crédit, l’affectation aux inondations et aux cyclones au cours des cinq dernières années, la localisation géographique et la taille du cheptel influencent fortement cette probabilité. Ces résultats montrent que les variables socio-économiques, géographiques et climatiques jouent un rôle clé dans les performances économiques des exploitations agricoles. La qualité du modèle est acceptable, avec un ajustement adéquat. Sa capacité de prédiction est de 84,4 %, ce qui signifie qu’il peut correctement prédire si une exploitation enregistrera des revenus négatifs dans environ 84,4 % des cas. Les signes obtenus pour les variables significatives sont cohérents avec les signes attendus, à l’exception des inondations : bien qu’un effet négatif ait été anticipé, les résultats suggèrent un effet inverse. Cet effet pourrait s’expliquer par un phénomène paradoxal où certaines inondations, en apportant des sédiments, augmentent la fertilité des sols dans certaines régions, ayant ainsi un effet positif indirect sur les revenus agricoles. Ce résultat met en lumière l’importance d’examiner en profondeur les caractéristiques des exploitations touchées par les inondations et les pratiques agricoles visant à en atténuer les effets.

3.3. Discussion

38Cette étude a mis en lumière les facteurs associés à la probabilité de revenu agricole négatif des exploitations agricoles. Selon nos recherches, cette étude est la première en Haïti à aborder ce sujet, même s’il est communément admis que l’agriculture est en crise depuis extrêmement longtemps. Nous avons trouvé que 16,31 % des exploitations agricoles ont un revenu agricole négatif. Piet et Hérault (2021) ont mentionné que le revenu agricole est un indicateur de performance des exploitations. De ce fait, nous pouvons conclure qu’au moins une exploitation agricole sur dix est en déficit de performance agricole. Alors, nous ne pouvons pas rejeter notre première hypothèse stipulant qu’au moins 1/10 des exploitations agricoles souffre d’un déficit de performance économique avec un revenu agricole négatif. Selon Zahm et al. (2019), ce déficit de performance traduit l’inefficacité technique des exploitations agricoles et surtout l’inefficience de leur processus de production. Cette inefficience a déjà été abordée par Jacob (2009). Il a souligné que l’efficience productive moyenne des exploitations agricoles haïtiennes est de 21 % et seulement 3 % des exploitations sont totalement efficientes.

39Nous avons estimé un modèle qui prédit la probabilité de revenu négatif avec une précision de 84,6 %. Les principales variables qui sont significatives sont le cyclone, l’inondation, la localisation géographique, l’accès au crédit, la taille du cheptel et l’utilisation de la mécanisation. Comme indiqué dans le tableau 4, le cyclone présente un odds ratio (Exp(B)) plus élevé par rapport aux autres variables. Cela signifie que le facteur climatique, représenté par la variable cyclone, est le plus fortement associé à la possibilité d’obtenir un revenu agricole négatif. Ces résultats corroborent les travaux de Brangeon, Jégouzo et Roze (1994) ainsi que ceux de Guillaume (1999). Schlenker et Lobell (2010) ont également souligné que les exploitations situées dans des zones sujettes à des événements climatiques extrêmes sont plus exposées à des pertes de récolte et à des revenus négatifs.

40La localisation géographique est significative au seuil de 5 %. En effet, la localisation est une variable importante dans l’étude des facteurs associés à la probabilité de revenu agricole négatif des exploitations agricoles. Plusieurs auteurs, dont Kassie et al. (2008), Pender et Gebremedhin (2008), Brangeon, Jégouzo et Roze (1994) et Guillaume (1999), ont confirmé que les exploitations situées dans des zones montagneuses font face à des défis supplémentaires tels que l’érosion des sols, des coûts de transport élevés et des difficultés mécaniques pour l’utilisation de certains équipements agricoles. Ces contraintes augmentent les coûts de production et diminuent la rentabilité des exploitations. De plus, les sols pauvres en nutriments nécessitent des investissements supplémentaires en engrais et amendements pour maintenir la productivité.

41L’accès au crédit, la taille du cheptel et l’utilisation de la mécanisation sont des variables significatives et, par conséquent, sont associées à la probabilité de revenu agricole négatif des exploitations agricoles. En effet, le secteur agricole haïtien souffre d’un manque de financement, alors que ce dernier serait un élément majeur pour son développement (Jeanniton et al., 2016). Les exploitants agricoles ont dû recourir à des innovations communautaires de financement, dont les ABCP (Paul et al., 2016). Cette innovation, connue sous le nom d’ABCP, est considérée comme la deuxième source de financement des exploitations agricoles après l’autofinancement. Pour celles qui en sont membres, elles contribuent à hauteur de 36 % (Gabellus et Paul, 2023). Moins il y a accès au crédit, plus la probabilité d’avoir des revenus négatifs est élevée. Ce résultat concorde avec celui d’Adjeran, Djagoun et Yabi (2023), qui ont constaté que l’accès au crédit a un effet significatif et positif sur la productivité et la rentabilité des exploitations agricoles. En effet, l’accès limité au crédit peut entraver la capacité des agriculteurs à adopter de nouvelles technologies et de meilleures pratiques, augmentant ainsi leur vulnérabilité aux chocs de revenu négatif. Ces mêmes résultats justifient le fait que les agriculteurs tentent, en absence de ces services, de créer leur propre système financier alternatif (Paul, 2020)

42Dans notre étude, la taille du cheptel, qui inclut les bovins, les porcins, les ovins, les caprins et les volailles, est une variable statistiquement significative. Cette variable est considérée comme un actif pour les exploitations agricoles. Plus la taille du cheptel est élevée, moins la probabilité d’avoir un revenu agricole négatif est élevée. Ce résultat confirme le dicton selon lequel « bèt se kanè bank peyizan » (le bétail est l’épargne des paysans agriculteurs). En effet, l’élevage est perçu comme un actif précieux pour les exploitants agricoles et contribue à augmenter le revenu agricole en absence d’épidémies. En d’autres termes, il aide à réduire le risque de revenu agricole négatif.

43L’accès aux services de mécanisation agricole réduit la probabilité d’avoir un revenu agricole négatif. En effet, la mécanisation agricole est reconnue comme une technologie importante pour augmenter la productivité agricole, faire face aux pénuries de main-d’œuvre et réduire les pertes post-récolte (Paul et Régis, 2024).

44Les résultats révèlent que, contrairement aux attentes, les exploitations agricoles exposées aux inondations présentent une probabilité plus faible de revenus négatifs. Ce constat pourrait s’expliquer par des stratégies d’adaptation efficaces ou des effets bénéfiques indirects des inondations, notamment en matière de fertilité des sols, ce qui peut paradoxalement soutenir la productivité, comme le soulignent des études telles que celles d’Adger et al. (2007) et de Smit et Skinner (2002). Ces observations suggèrent une résilience accrue pour certaines exploitations dans les zones à risque, mettant en lumière l’importance d’approfondir les recherches sur les mécanismes de résilience.

45La surface agricole utile de l’exploitation n’a été significativement corrélée à la probabilité de revenus agricoles négatifs. En effet, le fait d’avoir beaucoup de terres et même de les mettre en culture n’est pas un gage de revenus élevés, même s’il est connu que la SAU est un déterminant des revenus agricoles. L’idée ici est qu’en présence d’autres variables critiques comme le cheptel, les cultures et les effets du changement climatique, la SAU n’est pas le facteur le plus important. En fait, la technologie utilisée (mécanisation par exemple) apparaît comme un facteur bien plus déterminant dans un contexte où l’accès à la terre agricole n’est plus un problème crucial.

Conclusion

46L’objectif de ce travail était d’étudier la crise de performance et les facteurs qui y sont associés au niveau des exploitations en Haïti. Notre étude, la première en Haïti à aborder ce sujet, a révélé que 16,31 % des exploitations agricoles ont enregistré des revenus agricoles annuels négatifs, confirmant notre hypothèse selon laquelle au moins une exploitation agricole sur dix souffre d’un déficit de performance. Nos résultats ont également validé notre seconde hypothèse stipulant que les revenus agricoles négatifs sont associés à des facteurs socio-économiques, géographiques et climatiques.

47Nous avons utilisé une méthodologie incluant des analyses statistiques et la mise en place d’un modèle logistique multinomiale, avec une précision de 84,6 %. Les principales variables significatives identifiées sont les cyclones, les inondations, la localisation géographique, l’accès au crédit, la taille du cheptel et l’utilisation de la mécanisation.

48Les cyclones et les inondations, indicateurs des aléas climatiques, sont fortement associés à des revenus négatifs. La localisation géographique des exploitations, en particulier dans les zones montagneuses, présente des défis supplémentaires augmentant les coûts de production et réduisant la rentabilité. L’accès limité au crédit, un obstacle majeur pour les exploitations agricoles haïtiennes, augmente la probabilité de revenus négatifs. La taille du cheptel, considéré comme un actif précieux, et l’accès à la mécanisation agricole, qui améliore la productivité et réduit les pertes post-récolte, diminuent la probabilité de revenus négatifs.

49Au vu de ces résultats, nous encourageons la pratique de cultures adaptées aux changements climatiques manifestés par des cyclones et des inondations. Ces phénomènes extrêmes, comme les vols de cultures ou de bétails, représentent des risques de perte élevés pour les agriculteurs. Nous recommandons d’utiliser des innovations financières pour fournir des solutions de financement accessibles aux agriculteurs. Nous recommandons également de renforcer les services de vulgarisation agricole par l’innovation, d’intégrer des techniques telles que l’agroforesterie, la rotation des cultures et la conservation des sols dans les programmes de vulgarisation pour améliorer la durabilité des pratiques agricoles, et d’encourager des activités économiques complémentaires comme l’apiculture, l’artisanat et l’écotourisme pour augmenter la résilience économique des ménages agricoles.

50Des recherches supplémentaires devraient être menées sur l’importance du revenu agricole dans le revenu global des exploitants agricoles. De plus, nous proposons de prendre en compte d’autres variables dans l’étude des facteurs associés au revenu agricole, variables que notre étude n’a pas pu considérer, telles que la fluctuation des prix (début de campagne agricole et période de récolte), la taille des pertes agricole et le niveau d’éducation du chef d’exploitation.

51L’une des forces de cette étude réside dans le fait qu’elle est la première à analyser les facteurs associés à la probabilité de revenu agricole négatif en Haïti. Elle permet également de mettre en lumière de nouvelles variables (comme la mécanisation agricole, les inondations, les cyclones, la localisation géographique, la taille du cheptel et l’accès au crédit) liées à ce déficit de performance, enrichissant ainsi la littérature existante. Néanmoins, elle présente certaines limitations liées à l’utilisation de données secondaires. Par exemple, des variables telles que le prix d’achat des intrants par rapport au prix de vente de la récolte, les attaques de bios agresseurs, et d’autres variables n’étaient pas disponibles pour une analyse au niveau individuel. De même, la prévalence des revenus agricoles négatifs aurait dû être calculée sur l’ensemble de la population, mais le dernier recensement de 2009 n’a pas collecté de données sur ce sujet. Cependant, notre étude repose sur un vaste échantillon couvrant cinq départements en Haïti, ce qui renforce la robustesse de nos conclusions. En tant qu’étude transversale, elle n’a pas permis d’établir de lien de causalité entre les différents prédicteurs et le revenu agricole négatif. Par conséquent, il reste une marge pour de nouvelles études fondées sur des enquêtes spécifiques concernant les revenus des exploitations agricoles.

Haut de page

Bibliographie

Adedayo, A. (1985). The Implications of Community Leadership for Rural Development Planning in Nigeria. Community Development Journal, 20: 24–31.

Adger, W., Huq, S., Brown, K., Conway, D., et Hulme, M. (2003). Adaptation to Climate Change in the Developing World. Progress in Development Studies, 3: 179–195. https://doi.org/10.1191/1464993403ps060oa

Adjeran, B. B., Djagoun, V. D., et Yabi, J. A. (2023). Influence de l’accès au financement agricole sur le rendement des producteurs rizicoles de Malanville. International Journal of Accounting, Finance, Auditing, Management and Economics, 4(6-2): 78-90. https://doi.org/10.5281/zenodo.10210288

Banque Mondiale. (2024a). Agriculture et alimentation. World Bank. https://www.banquemondiale.org/fr/topic/agriculture/overview

Banque Mondiale. (2024b). Haïti Présentation. World Bank. https://www.banquemondiale.org/fr/country/haiti/overview

Banque Mondiale. (2023). Un secteur agricole plus fort améliore l’accès de tous les Haïtiens à la nourriture. World Bank. https://projects.banquemondiale.org/fr/results/2023/04/11/a-stronger-agriculture-sector-makes-food-more-accessible-to-all-haitians

Banque Mondiale. (2019). Financement agricole en Haïti Diagnostic et recommandations (p. 104). Banque mondiale. http://lnnk.in/eReo

Bellande, A. (2009). Impact socioéconomique de la dégradation des terres en Haïti et interventions pour la réhabilitation du milieu cultivé (p. 73). https://repositorio.cepal.org/server/api/core/bitstreams/1f950607-745a-4039-9339-bcaa2a065096/content

Brangeon, J. -L., Jégouzo, G., et Roze, B. (1994). Les revenus agricoles négatifs. Économie rurale, 224(1): 32–38. https://doi.org/10.3406/ecoru.1994.4690

Costa, P. (2021). Économie : cours d’introduction à l’analyse économique. Licence. Cours commun d’Économie du cursus ingénieur-centralien, École CentraleSupélec, France. pp.166. ffcel01894953v2

Fadipe, A., Adenuga, A., et Lawal, A. (2014). Analysis of income determinants among rural households in Kwara state, Nigeria. Trakia Journal of Science, 12(4): 400–404. https://doi.org/10.15547/tjs.2014.04.010

FAO. (2001a). Le rôle de l’agriculture dans le développement des pays les moins avancés et leur intégration à l’économique mondiale. https://www.fao.org/4/Y0491f/y0491f00.htm#P-1_0

FAO. (2001 b). L’économie de la productivité des sols en Afrique subsaharienne. https://www.fao.org/4/x8827f/x8827f00.htm#P-1_0

FAO. (2022). The State of Food Security and Nutrition in the World 2022. https://www.fao.org/fsnforum/resources/fao-flagships/state-food-security-and-nutrition-world-2022

Gabellus, K., et Paul, B. (2023) Determinants of Solidarity Financing of Agriculture in Remote Areas: The Case Study of Jean Rabel, Haiti, Études caribéennes, 56, https://doi.org/10.4000/etudescaribeennes.29818

Gozgor, G. (2019). Effects of the agricultural commodity and the food price volatility on economic integration: An empirical assessment. Empirical Economics, 56(1): 173–202. https://doi.org/10.1007/s00181-017-1359-6

Guillaume, S. (1999). Les exploitations agricoles à faibles revenus persistants. Économie et Statistique, 329(1): 147–164. https://doi.org/10.3406/estat.1999.6359

Hanjra, M. A., et Qureshi, M. E. (2010). Global water crisis and future food security in an era of climate change. Food Policy, 35(5): 365–377. https://doi.org/10.1016/j.foodpol.2010.05.006

Ibekwe, U. C., C.C, E., C. S., O., A, H. -U., O.C, K., et I.U, N. (2010). Determinants Of Farm And Off –Farm Income Among Farmhouseholds In South East Nigeira. Academia Arena, 2(10): 58–61. https://www.researchgate.net/publication/229003418

IHSI. (2021). Estimation de la population. Institut Haïtien de Statistique et d’Informatique. https://ihsi.gouv.ht/indicator-population

IHSI. (2023). Les comptes économiques en 2023 (p. 22). Institut Haïtien de Statistique et d’Informatique (IHSI). https://ihsi.gouv.ht/public/images/documents/1703947516.pdf

Jacob, S. (2009). Pourquoi des agriculteurs rationnels sont-ils inefficients?: Capital humain, efficience productive et stratégies paysannes en Haïti. Editions Publibook. https://books.google.ht/books?hl=fr&lr=&id=y29doHHe13EC&oi=fnd&pg=PA81&dq=d%C3%A9capitalisation+des+agriculteurs,+Ha%C3%AFti&ots=4kfTYRifgk&sig=cBig2SckJlbLrx4_CCEOf5KC_0g&redir_esc=y#v=onepage&q=d%C3%A9capitalisation%20des%20agriculteurs%2C%20Ha%C3%AFti&f=false

Jeanniton, J. -E., Bellande, A., Bayard, B., et Jean, J. C. (2016). Haïti : Plan national d’investissement agricole (PNIA 2016-2021). MARNDR . http://lnnk.in/aNhX

Kassie, M., Pender, J., Yesuf, M., Gunnar, K., Bluffstone, R., et Mulugeta, E. (2008). Estimating returns to soil conservation adoption in the northern Ethiopian highlands. Agricultural Economics. https://www.academia.edu/49593004/Estimating_returns_to_soil_conservation_adoption_in_the_northern_Ethiopian_highlands

Magbukudua, J. P. M., Djoza, R. D., Masengo, C. A., Ndaba, .  M.M, Elumba, K., et Ngbolua, K. N. (2022). Impact de revenu agricole sur le développement de l’agriculture paysanne dans le Secteur de Bosobolo (Nord-Ubangi) en RDC. Revue Marocaine Des Sciences Agronomiques et Vétérinaire, 10(1): 204–208. https://www.researchgate.net/publication/229003418

MARNDR. (2009). Concepts et définitions. Atlas agricole d’Haïti. http://lnnk.in/h4d5

MARNDR. (2012). Recensement général de l’agriculture:Résultats provisoires département du nord-ouest (p. 212). Ministère de l’Agriculture des Ressources naturelles et du Développement rural. http://lnnk.in/aKik

Mathilde, D., et Pierre, G., (2013). Productivité agricole : des motifs d’inquiétude ? (I) Les concepts. Fondation pour l’agriculture et la ruralité dans le monde. Note n° 7, 12 p. https://old.fondation-farm.org/zoe/doc/notefarm7_productivite_juil2013.pdf

Ndiaye, M. (2017). Déterminants du revenu agricole des ménages au delta du fleuve Sénégal. Revue Ivoirienne des Sciences et Technologies : 281–290. https://www.researchgate.net/publication/354871468

Odusola, A. (2019). Agriculture, pauvreté rurale et inégalités de revenus en afrique subsaharienne :  84–109. https://doi.org/10.18356/ed1ea4ec-fr

Paul, B., et Régis, J. (2024). Farmer typology and drivers of agricultural mechanization use in Haiti. Scientific Reports, 14: 1–15. https://doi.org/10.1038/s41598-024-62883-6

Paul, B. (2020). What is the Correlation between Institutions and Access to Credit in Alternative Finance? Études Caribéennes, 45‑46. https://doi.org/10.4000/etudescaribeennes.18227

Paul, B. (2016). Le financement de l’innovation et de la productivité en milieu rural. CIRAD La recherche agronomique pour le développement. https://doi.org/10.13140/RG.2.2.13731.22566

Paul, B., Fleuristin, L., Diallo, O., et Eugène, D. (2016). Économie sociale et solidaire et financement rural alternatif : Le cas des Associations de Base de Cotisations et de Prêts (ABCP) en Haïti ? 19. http://lnnk.in/aIiw

Pender, J., et Gebremedhin, B. (2008). Determinants of Agricultural and Land Management Practices and Impacts on Crop Production and Household Income in the Highlands of Tigray, Ethiopia. Journal of African Economies, 17(3): 395–450. https://doi.org/10.1093/jae/ejm028

Piet, L., et Hérault, B. (2021). Qu’est-ce que le « revenu agricole », comment en analyser les déterminants et que dit-il de la position sociale des agriculteurs ? Éléments de réponse à partir de travaux de recherche récents. Économie rurale, 378(4): 9–18. https://doi.org/10.4000/economierurale.9330

Schlenker, W., et Lobell, D. B. (2010). Robust negative impacts of climate change on African agriculture. Environmental Research Letters, 5(1). https://doi.org/10.1088/1748-9326/5/1/014010

Singh, B., et Cohen, M. J. (2014). Adaptation aux changements climatiques : Le cas d’Haïti (p. 40). OXFAM. https://www-cdn.oxfam.org/s3fs-public/file_attachments/rr-climate-change-resilience-haiti-260314-fr_2.pdf

Smit, B., et Skinner, M. W. (2002). Adaptation options in agriculture to climate change: A typology. Mitigation and Adaptation Strategies for Global Change, 7(1): 85–114. https://doi.org/10.1023/A:1015862228270

Zahm, F., Ugaglia, A. A., Del’Homme, B., Gafsi, M., Girard, S., et Scordia, C. (2019). Évaluation de la performance économique globale des exploitations agricoles : Cadre conceptuel et applications. HAL Open Science, 32. https://hal.science/hal-02511732/document

Haut de page

Pour citer cet article

Référence électronique

Kervline Gabellus, Matino Joseph et Bénédique Paul, « Crise de performance économique et facteurs associés dans les exploitations agricoles en Haïti »Études caribéennes [En ligne], 59 | Décembre 2024, mis en ligne le 17 décembre 2024, consulté le 11 février 2025. URL : http://journals.openedition.org/etudescaribeennes/33064 ; DOI : https://doi.org/10.4000/132zk

Haut de page

Auteurs

Kervline Gabellus

AgroUniQ Lab, FSAE, Université Quisqueya, Haïti ; kervline.gabellus@uniq.edu

Articles du même auteur

Matino Joseph

AgroUniQ Lab, FSAE, Université Quisqueya, Haïti

Articles du même auteur

Bénédique Paul

AgroUniQ Lab, FSAE, Université Quisqueya, Haïti, UR 6-1 AIHP-GEODE Caraïbe, Université des Antilles

Articles du même auteur

Haut de page

Droits d’auteur

CC-BY-NC-4.0

Le texte seul est utilisable sous licence CC BY-NC 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.

Haut de page
Search OpenEdition Search

You will be redirected to OpenEdition Search