La potentialité du tabac dans les régions de Diana et de Sofia 

Le but est de sortir un graphe par l’intermédiaire de la méthode de BCG (Boston Consulting Group). Le graphe permettra de voir quelles sont les zones productrices et quelles sont les potentialités de chaque zone productrice.

Les données utilisées qui ont permis la réalisation du graphe de BCG sont recueillies avant la descente sur terrain auprès de l’INSTAT (cf. ANNEXE III). Elles concernent l’évolution de la production du tabac dans les districts producteurs dans toute l’île. Après avoir calculé le taux de croissance de la production de tabac dans chaque district, on a fait un tri par rapport à la moyenne du taux de croissance et par rapport à celle du volume de production moyenne. Les classements des groupes se répartissent comme il est présenté dans le graphe ci-contre .

Taux de croissance fort : lorsque le taux de croissance moyenne des zones est supérieur au taux de croissance national et inversement pour le taux de croissance faible. Volume de production fort : lorsque le volume de production moyenne des zones est supérieur au volume de production national et inversement pour le volume de production faible.

Les connexités des spéculations 

Le but est d’avoir un graphe qui démontrera les connexités des spéculations dans chaque district. Pour cela, une matrice qu’on notera M est obtenue par le croisement d’une matrice de présence/absence notée Mp/a et d’une matrice de taux de croissance qu’on notera par Mtc. La matrice obtenue sera traitée par le logiciel Markov 1.1 et donnera un graphe qui démontrera les connexités des spéculations.

Matrice de présence/absence Mp/a 

– Sur SPSS, on ne prend que le numéro de l’observation, la région, le district, la commune et les noms des spéculations comme variables.
– Une fois qu’on obtient la matrice sur SPSS, on le transfère en Excel avec un logiciel appelé Stat Transfer 7. Dans Excel, on fera un tri sur la région puis sur le district d’étude et on aura une matrice pour chaque district étudié.

On éliminera après les spéculations qui possèdent des taux de Présence- Absence < à 5% qui sont considérées comme non significatif au niveau du district étudié. La matrice obtenue est ce qu’on appelle la matrice de présence/absence.

Matrice de taux de croissance Mtc 

– Sur SPSS, on prend le numéro de l’observation, la région, le district, la commune et les productions pour chaque spéculation pour l’année 2005 et 2006 comme variables.
– Une fois qu’on obtient la matrice sur SPSS, on le transfère en Excel avec Stat Transfer 7. Dans Excel, on fera un tri sur les régions puis sur les districts d’études et on aura une matrice pour chaque district étudié.
– On compare les libellés pour les deux matrices et on élimine les productions des spéculations qui ne figurent pas dans la matrice de présence/absence.

La typologie 

La typologie des exploitations a été obtenue en adoptant deux méthodes.

– Pour la commune où le tabac présente une ou des connexités avec les autres spéculations, la typologie des producteurs est identifiée à partir des chemins trouvés lorsqu’on cherche les connexités des spéculations dans le logiciel Markov 1.1.

– Dans le cas où la spéculation étudiée ne présente pas de connexité avec les autres spéculations lorsqu’on manipule le logiciel Markov 1.1 ; on déterminera la typologie en utilisant le logiciel Xl Stat 6.0. Pour cela, on fera une nuée dynamique puis l’AFD (l’Analyse Factoriel Discriminant). Enfin on utilisera l’ACM (Analyse des correspondances Multiples) pour voir les caractéristiques de chaque classe.

Pour la typologie, les critères de classification concernent les matériels agricoles et le mode de faire valoir ainsi les variables sont : les surfaces, les spéculations, les actifs…

Les limites de la culture de tabac dans les régions de SOFIA et de DIANA 

Le but est de sortir un graphe montrant les limites de la surface que les exploitations peuvent exploiter pour la culture de tabac dans les deux régions. Dans le logiciel Markov1.1, lorsqu’on change le sommet de départ par la spéculation étudiée, on peut faire une simulation sur l’évolution de l’adoption du système. On pourra alors déterminer le nombre d’années nécessaires pour faire adopter le système au paysan à partir du nombre des itérations et voir les capacités limites des terres ou des productions des paysans. Il faut noter que cette simulation n’est possible que si la spéculation étudiée présente une ou des connexités avec d’autres spéculations.

La place du tabac dans les revenus des exploitations 

Le but est de sortir un tableau montrant le revenu apporté par le tabac au niveau des exploitations. Afin de voir la place du tabac dans les revenus des exploitations, il est nécessaire de déterminer la rentabilité du tabac avec le logiciel TSIM. La surface prise pour l’étude de rentabilité est de 1ha pour les deux districts afin de comparer la rentabilité de la culture dans les deux zones d’études. Après le TSIM, il faut calculer le compte d’exploitation de chaque type dans chaque commune sur Excel.

Limites et contraintes de l’étude 

Au niveau de la collecte de données pendant la descente sur terrain 

Le choix des communes pour la collecte des données sur terrain a été plus ou moins orienté. Mais malgré cela, on n’a pas pu collecter des données dans les autres zones productrices de tabac qui sont loin de la route nationale et dans les autres communes des districts d’Antsohihy et d’Ambilobe à cause de la contrainte temps.

Insuffisance de données concernant les acteurs de la filière OFMATA et SOCTAM

Des données concernant les acteurs de la filière doivent être plus approfondies dans ce travail du fait que ces deux acteurs travaillent étroitement avec les paysans. Pourtant, certaines informations tels que le mode de financement des paysans, les données concernant l’écoulement des produits et les intrants n’étaient pas disponibles.

Au niveau des données et la fiabilité des données 

Normalement la descente sur terrain pour la collecte des données devrait être faite en deux étapes : une pour les enquêtes et la deuxième pour les recoupements des données. Pourtant, on n’a pas pu effectuer la deuxième descente pour certaines contraintes. Concernant les données recueillies, on n’a pu obtenir que des données de deux années alors que des données de plusieurs années semblent importantes pour l’analyse.