RICA : Typologie des exploitations en fonction de leur autonomie alimentaire. Cas Concrets de Statistiques 2025
2025-01-12
Introduction
Le jeu de donnée est les résultats comptables de 3985 exploitations issus du Réseau d’Information Comptable Agricole (RICA)
Nous chargeons dans un premier temps le jeu de données simlifié, en ajoutant certaines colonnes (‘OTEXE’, ’ Type d’exploitation’,‘PITOT’ correspondant à l’intraconsommation ) à partir du jeu de données complet de 988 variables. Nous ajoutons aussi une colonne UGB volailles, à partir des colonnes UGB Total et UGB Bovin, Ovins, Caprins et Porcins (soustraction), ainsi que les nouveaux noms de régions.
Présentation générale des données
Nous regardons dans un premier temps le nombre d'exploitations en fonction de(s) l'espèce(s) élevée(s) (nous comptons qu'une exploitation élève un type d'animal à partir de 5 UGB pour cet animal) : nous obtenons le tableau suivant pour les exploitations élevant une ou deux espèces.| Bovins | Ovins | Porcins | Volailles | Caprins | |
|---|---|---|---|---|---|
| Bovins | 2850 | 201 | 144 | 324 | 56 |
| Ovins | 541 | 8 | 54 | 14 | |
| Porcins | 353 | 30 | 0 | ||
| Volailles | 770 | 9 | |||
| Caprins | 145 |
Nous observons donc une plus grande majorité d'élevage bovin qui peuvent être spécialisés ou mixtes. Les élevages spécialisés sont majoritaires. Pour information, pour les nombres exploitations élevant plus de 5
UGB de trois espèces distinctes, les valeurs non nulles sont les
suivantes :
- Ovins, Volailles, Caprins : 2 exploitations
- Bovins, Ovins, Volailles : 31 exploitations
- Bovins, Volailles, Caprins : 3 exploitations
- Bovins, Ovins, Caprins : 6 exploitations
- Bovins, Ovins, Porcins : 4 exploitations
- Bovins, Ovins, Volailles, Caprins : 1
exploitation
La répartition des exploitations en fonction du nombre d’UGB Total
sur les exploitations donne le graphe suivant:
Nous observons deux choses : d'abord, que la variable UGBTO n'est pas une variable réellement quantitative, mais une variable qualitative avec certains choix de classes. Par exemple, les valeurs de UGBTO=400 correspondent à la moyenne des valeurs d'UGBTO comprises entre 375 et 425. Pour régler ce problème, nous créons des classes d'UGB qui pourront servir en tant que variables qualitatives lors de futures ACP. On peut décomposer la répartition des exploitations en fonction du nombre d’animaux qu’ils possèdent en fonction des différentes espèces : on voit alors que la répartition globale est fortement impactée par les exploitations bovines, majoritaires :
Le nombre d’UGB par exploitation se trouve souvent entre 50 et 150 UGB. Ceci est dû à l’influence des exploitations comportant des bovins (71% des exploitations) et au fait qu’elles soient souvent spécialisées en bovins. On remarque également une forte densité d’exploitations ayant plus de 500 UGB. Ceci est lié aux exploitations porcines (et dans une moindre mesure avicoles et bovines) qui comportent souvent plus de 500 UGB.
On aensuite regardé le nombre moyen d’UGB (total) pour chaque type d’exploitation (*moyenne pour chaque type d’exploitation représentée sur le graphe en rouge).Pour rappel les rectangles des boxplot sont délimités par les premier et troisième quartile:
On observe ici aussi que les exploitations à dominante élevage de petits ruminants possèdent peu d’UGB (en moyenne un peu moins de 100). Parmi les exploitations bovines, les exploitations mixtes (lait+viande) se distinguent des exploitations spécialisées par un nombre d’UGB plus important : environ 210 contre 130 UGB. Les exploitations de polyélevage sont en moyenne plus grandes (plus d’UGB), et ce, encore plus si elles sont à orientation granivores. De même, les exploitations à dominante élevage de granivore possèdent en moyenne un nombre élevé d’UGB (310 UGB). Les exploitations mixtes grandes cultures et herbivores sont à un niveau d’UGB intermédiaire entre les exploitations bovines et de petits ruminants. Les exploitations ayant des ateliers de cultures majoritaires (viticultures, fruitières, céréales…) ont peu d’UGB (une cinquantaine en moyenne).
On s’est ensuite intéressés aux régions pour voir si le nombre d’UGB leur était lié, pour les UGB Totaux et les différentes espèces (différents UGB):
Les régions situées dans le grand ouest (Bretagne et Pays de la Loire) ont des exploitations qui comportent le plus d’UGB ce qui est cohérent car ces régions ont la plus grande concentration en élevages bovins et porcins ainsi que de nombreux élevages de volailles. Les élevages bovins de l’ouest sont souvent des élevages laitiers et ont donc un nombre d’UGB élevés contrairement aux élevages bovins de régions montagneuses ou du centre France qui ont des effectifs plus restreints. Nous avons également vu plus tôt que les élevages porcins et avicoles ont des nombres d’UGB supérieurs à 500, de ce fait les régions comportant ces types d’élevage ont un nombre d’UGB élevé.
Pour les élevages avicoles, la Bretagne comporte les élevages ayant le plus d’UGB (de 90 à plus de 500). Les autres régions ont des élevages de tailles plus restreintes : de taille moyenne (jusqu’à 275 UGB environ) pour les régions Normandie, Pays-de-la-Loire et Hauts-de-France et de petites tailles pour les autres régions (moins de 200 UGB).
Comme précisé précédemment, les régions comportant des élevages porcins et avicoles ont un nombre d’UGB très élevé (elles comportent entre 100 et plus de 500 UGB). Hormis dans les régions Auvergne-Rhône-Alpes et Hauts-de-France où les exploitations ont entre 100 et 375 UGB. Ainsi, le nombre d’UGB porcins reste assez uniforme sur toute la France, indépendamment des régions.
Les UGB ovins ont une répartition différente selon les régions. Les plus grandes exploitations se trouvent dans les régions PACA et Grand Est. Ce ne sont pourtant pas les régions ayant le plus d’élevages qui sont la Nouvelle Aquitaine et l’Occitanie. Les autres régions ont des exploitations de moins de 100 UGB. La Bretagne est un cas particulier avec une exploitation de plus de 100 UGB.
Les exploitations bovines sont de taille plutôt uniforme sur toute la France (entre 50 et 200 UGB environ).
Les élevages caprins sont de tailles très hétérogènes selon les régions. Certaines régions n’ont que très peu d’exploitations caprines. Celles-ci sont principalement en Nouvelle-Aquitaines, Centre-Val de Loire et Pays-de-la-Loire. La Bretagne a peu d’exploitations caprines mais de tailles très élevées (une centaine d’UGB) alors que les autres régions ayant des élevages caprins ont des effectifs entre 20 et 50 UGB.
Aussi, en observant la colonne SAUTI, nous avons observé que le problème de “fausses classes” était le même que pour les UGB. Nous avons donc créé une colonne de SAUTI par classes.
Analyse préliminaire des OTEXE
Certaines OTEXE ont été supprimés puisqu’ils sont peu nombreux, cela nous permet également de simplifier notre base de données. Les valeurs NA ont également été retirées puisque parfoid UGB volaille était négatif ce qui n’est pas possible ( cela représentait 293 exploitations)
La matrice de corrélation nous permet de dire que :
-Les charges totales fossiles sont fortement corrélées à SUT1GCFOU -LANMX : le loyer des animaux n’est corrélé à aucune autre variable. -Les achats d’aliments grossiers (ACHAG) ne sont pas corrélés à d’autres variables que celles qu’elles composent (Charges d’aliments grossiers car peu de variations de stock) -Toutes les variables du bilan comptable sont fortement corrélées entre elles (CHRTO,PBRTO,VAPBR,EBEXP,RESEX,CHSOX). L’intraconsommation de produits végétaux pour les animaux (Intraconsommation_animaux) est corrélée aux éléments comptables ((CHRTO,PBRTO,VAPBR,EBEXP,RESEX), car elle permet une réduction des charges tout en permettant une production de produits animaux. Elle est décorrélée des surface.
Nous traçons la même ACP avec les variables bien représentées en noires et celles moins bien représentées sont en grise ( cos2<0.5).
La 2ème ACP est réalisée en retirant les variables redondantes et avec l’ajout de la variable ratio_achat qui correspond au rapport entre les achats et le produit moins les subventions.
Nous avons réalisé une nouvelle ACP sans le type d’exploitation “granivore” pour voir si elle influençait les résultats de l’ACP. Les exploitations qui se distinguent le plus sont les exploitations bovines ( viande et mixte) et petits ruminants possèdant plus de SFP par rapport aux autres exploitations. Les exploitations bovines laitières ne sont pas bien représentées. Les exploitations de poly élevage ont plus de charges alimentaires, ce qui est cohérent avec l’ACP précédente.
Etude des Achats alimentaires
Nous nous intéressons désormais aux achats alimentaires. Les charges alimentaires (charges d’aliments concentrés ‘CHRAC’ et grossiers ‘CHRAG’) sont liées à l’alimentation du troupeau. Nous avons créé une variable ‘ACHA_SOMME’ de la somme de ces deux charges.
Dans un premier temps, nous pouvons comparer les Achats alimentaires pour différents types d’exploitation : en premier, la somme, puis les deux types d’aliments (concentrés et grossiers) :
En dehors du fait que l’échelle est écrasée par les valeurs très élevées de charges des élevages granivores,on observe que les charges dépendent fortement du type d’exploitation, et ce, en grande partie parce que les exploitations ont des nombre d’animaux à nourrir très différents. Pour réellement savoir si les exploitations reposent sur ces charges pour nourrir leurs animaux, nous créons des variables de charge par unité d’UGB (nous divisons ces charges par le nombre total d’UGB). En effet, nous voyons bien que les charges augmentent en fonction du nombre total d’UGB, ce qui est logique (et nous avons vu précédemment que les différents types d’exploitation avaient des nombre d’UGB distincts).
Nous traçons les mêmes graphes de charges par type d’exploitation, mais désormais les charges sont divisées par le nombre d’UGB total pour chaque exploitation :
Les exploitations de granivores achètent davantage de concentrées par rapport aux autres types d’exploitation. En bovin, ce sont les exploitations spécialisées en lait qui achètent le plus de concentré.
Nous avons des exploitations très hétérogènes certaines n’achètent aucun concentré alors que d’autres en consomment énormément.
Pour construire un modèle ayant comme variable à expliquer les Achats alimentaires, nous regardons dans un premier temps les relations (analyse bivariée) entre les Achats alimentaires et les autres variables :
## `geom_smooth()` using method = 'gam' and formula = 'y ~ s(x, bs = "cs")'
Pour pouvoir proposer un modèle linéaire, nous avons tout d’abord réaliser des analyses bivariées entre notre variable d’intérêt “ACHA_SOMME” qui correspond à la somme des achats extérieurs d’aliment de l’exploitation en fonction de différentes variables : Charges totales ( hors charges sociales) (CHRGTO), l’EBE, l’intraconsommation des animaux (intra_conso_animaux), les charges foncières (LFERM+LMATE), le produit total brut (PBRTO), la production brute standard(PBUCE), le résultat de l’exploitation (RESEX), la SAU (SAUTI), la surface fourragère principale ( SFP), l’UGB total (UGBTO) et la valeur ajoutée (VAPBR).
Les variables UGBTO et SAUTI ne sont pas continues mais l’achat alimentaire augmente avec l’UGB de façon exponentielle.
Entre la SFP et l’achat alimentaire il semble y avoir une relation d’exponentielle décroissante nous aurions peut être besoin de modifier la variable SFP en exp(-SFP) pour proposer un modèle ultérieurement.
Il ne semble pas avoir de relation avec les charges foncières.
Pour les variables économiques nous avons différentes relations : - pour la charge totale, le produit total nous avons une relation linéaire. - pour la valeur ajoutée, l’EBE et le résultat la relation semble quadratique.
La relation entre intra consommation et l’achat alimentaire semble quadratique.
## `geom_smooth()` using method = 'gam' and formula = 'y ~ s(x, bs = "cs")'
Les relations entre la variable d’intérêt ratio_achat et les autres variables n’ont pas de relations entre elles. Les valeurs des x sont très regroupées et il est diffcile d’établir des relations.
## `geom_smooth()` using method = 'gam' and formula = 'y ~ s(x, bs = "cs")'
Même conclusion que précédemment, nous n’avons pas de relation entre les variables explicatives et la variable d’intérêt.
Pour mieux identifier les types d’exploitations, nous avons regroupé les OTEXE en 4 catégories : Polyculteurs, Petits ruminants, Bovins et Granivores.
Ce regroupement nous permet de mieux différencier les catérogies entre elles. Les granivores se distinguent toujours bien des autres exploitations herbivores et polyculteurs. Les exploitations de granivores se caractérisent par des achats d’aliments plus importants, une plus importante consommation d’électricité et des charges totales plus élevées.
Alors que les exploitations herbivores sont caractérisées par une SFP plus importantes et davantage de charges fossiles liées notamment à la surface. Plus il y a de surface, plus il y a des passages de tracteurs notamment.
Nous allons essayer d’analyser les grandes classes séparemment (la construction d’un modèle linéaire global ne respentent pas l’hypothèse d’homoscédasticité).
Modèle linéaire sur la grande classe Bovin :
##
## Call:
## lm(formula = ACHA_SOMME ~ OTEXE + REGIONS + SFP + SUT1GCU + VAPBR +
## EBEXP + CHRPV + Total_charges_fossiles + ELECT + PITOT +
## INTVP + Intra_conso_animaux + UGBTO_classe + SAUTI_classe,
## data = data_mod_Bovins)
##
## Residuals:
## Min 1Q Median 3Q Max
## -177625 -13510 -843 10906 147787
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.406e+04 3.652e+03 3.849 0.000123 ***
## OTEXE46 -1.590e+04 1.966e+03 -8.089 1.07e-15 ***
## OTEXE47 -1.059e+04 2.409e+03 -4.397 1.16e-05 ***
## OTEXE83 -1.961e+04 2.500e+03 -7.846 7.13e-15 ***
## REGIONSBourgogne-Franche-Comté -1.357e+03 2.348e+03 -0.578 0.563501
## REGIONSBretagne -1.181e+04 3.026e+03 -3.902 9.89e-05 ***
## REGIONSCentre-Val de Loire -6.375e+03 3.660e+03 -1.742 0.081670 .
## REGIONSGrand Est 4.124e+03 2.435e+03 1.694 0.090509 .
## REGIONSHauts-de-France 3.482e+03 2.948e+03 1.181 0.237632
## REGIONSIle-de-France 1.395e+03 1.130e+04 0.123 0.901805
## REGIONSNormandie -1.368e+03 2.787e+03 -0.491 0.623566
## REGIONSNouvelle-Aquitaine 4.238e+03 2.330e+03 1.819 0.069121 .
## REGIONSOccitanie 2.778e+03 2.777e+03 1.001 0.317188
## REGIONSPACA -9.355e+03 7.528e+03 -1.243 0.214109
## REGIONSPays de la Loire -4.903e+03 2.809e+03 -1.746 0.081016 .
## SFP -1.432e+02 2.002e+01 -7.153 1.21e-12 ***
## SUT1GCU -2.256e+02 4.573e+01 -4.933 8.81e-07 ***
## VAPBR -7.667e-03 2.879e-02 -0.266 0.790036
## EBEXP 9.845e-02 2.896e-02 3.400 0.000688 ***
## CHRPV 2.587e+00 1.610e-01 16.071 < 2e-16 ***
## Total_charges_fossiles 9.038e-01 9.751e-02 9.269 < 2e-16 ***
## ELECT 3.337e+00 2.292e-01 14.561 < 2e-16 ***
## PITOT 2.368e-01 2.131e-01 1.111 0.266696
## INTVP 4.829e+00 1.328e+01 0.364 0.716101
## Intra_conso_animaux -7.469e-01 2.232e-01 -3.347 0.000833 ***
## UGBTO_classe50-99 3.000e+03 2.609e+03 1.150 0.250447
## UGBTO_classe100-149 1.016e+04 3.063e+03 3.317 0.000927 ***
## UGBTO_classe150-199 1.914e+04 3.711e+03 5.157 2.77e-07 ***
## UGBTO_classe200-249 3.061e+04 4.426e+03 6.915 6.39e-12 ***
## UGBTO_classe250-299 3.088e+04 5.145e+03 6.002 2.33e-09 ***
## UGBTO_classe300-349 4.009e+04 6.587e+03 6.086 1.40e-09 ***
## UGBTO_classe350-399 7.832e+04 8.030e+03 9.753 < 2e-16 ***
## SAUTI_classe50-99 7.383e+03 3.008e+03 2.455 0.014185 *
## SAUTI_classe100-149 1.371e+04 4.083e+03 3.357 0.000805 ***
## SAUTI_classe150-199 2.143e+04 5.559e+03 3.855 0.000120 ***
## SAUTI_classe200-249 2.254e+04 7.233e+03 3.116 0.001862 **
## SAUTI_classe250-299 3.951e+04 9.322e+03 4.238 2.36e-05 ***
## SAUTI_classe300-349 3.845e+04 1.094e+04 3.514 0.000453 ***
## SAUTI_classe350-399 4.176e+04 1.415e+04 2.951 0.003212 **
## SAUTI_classe400-449 3.174e+04 1.773e+04 1.790 0.073596 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 26890 on 1890 degrees of freedom
## Multiple R-squared: 0.7586, Adjusted R-squared: 0.7537
## F-statistic: 152.3 on 39 and 1890 DF, p-value: < 2.2e-16## Start: AIC=39410.19
## ACHA_SOMME ~ OTEXE + REGIONS + SFP + SUT1GCU + VAPBR + EBEXP +
## CHRPV + Total_charges_fossiles + ELECT + PITOT + INTVP +
## Intra_conso_animaux + UGBTO_classe + SAUTI_classe## 2 3 4 5 6 19 33 36 43 70 111 120 139 159 180 183
## 2 3 4 5 6 19 33 36 43 70 111 120 139 159 180 183
## 193 199 201 207 234 255 267 270 271 275 284 289 300 312 315 342
## 193 199 201 207 234 255 267 270 271 275 284 289 300 312 315 342
## 363 373 380 401 409 411 415 432 441 454 457 463 470 484 485 531
## 363 373 380 401 409 411 415 432 441 454 457 463 470 484 485 531
## 534 547 556 557 588 618 626 627 636 675 676 687 688 697 711 716
## 534 547 556 557 588 618 626 627 636 675 676 687 688 697 711 716
## 723 734 766 772 773 781 790 792 800 804 806 813 818 830 835 879
## 723 734 766 772 773 781 790 792 800 804 806 813 818 830 835 879
## 881 886 891 897 903 905 908 914 919 922 929 943 956 968 978 979
## 881 886 891 897 903 905 908 914 919 922 929 943 956 968 978 979
## 986 1005 1006 1009 1019 1022 1028 1034 1040 1078 1097 1100 1103 1116 1121 1146
## 986 1005 1006 1009 1019 1022 1028 1034 1040 1078 1097 1100 1103 1116 1121 1146
## 1166 1177 1181 1187 1193 1213 1241 1250 1251 1271 1304 1349 1360 1372 1382 1411
## 1166 1177 1181 1187 1193 1213 1241 1250 1251 1271 1304 1349 1360 1372 1382 1411
## 1425 1430 1437 1440 1501 1515 1529 1548 1577 1583 1647 1683 1696 1700 1710 1715
## 1425 1430 1437 1440 1501 1515 1529 1548 1577 1583 1647 1683 1696 1700 1710 1715
## 1722 1734 1775 1782 1786 1803 1807 1844 1897 1921 1929
## 1722 1734 1775 1782 1786 1803 1807 1844 1897 1921 1929##
## Call:
## lm(formula = ACHA_SOMME ~ OTEXE + REGIONS + SFP + SUT1GCU + VAPBR +
## EBEXP + CHRPV + Total_charges_fossiles + ELECT + PITOT +
## INTVP + Intra_conso_animaux + UGBTO_classe + SAUTI_classe,
## data = data_mod_Bovins)
##
## Residuals:
## Min 1Q Median 3Q Max
## -177625 -13510 -843 10906 147787
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.406e+04 3.652e+03 3.849 0.000123 ***
## OTEXE46 -1.590e+04 1.966e+03 -8.089 1.07e-15 ***
## OTEXE47 -1.059e+04 2.409e+03 -4.397 1.16e-05 ***
## OTEXE83 -1.961e+04 2.500e+03 -7.846 7.13e-15 ***
## REGIONSBourgogne-Franche-Comté -1.357e+03 2.348e+03 -0.578 0.563501
## REGIONSBretagne -1.181e+04 3.026e+03 -3.902 9.89e-05 ***
## REGIONSCentre-Val de Loire -6.375e+03 3.660e+03 -1.742 0.081670 .
## REGIONSGrand Est 4.124e+03 2.435e+03 1.694 0.090509 .
## REGIONSHauts-de-France 3.482e+03 2.948e+03 1.181 0.237632
## REGIONSIle-de-France 1.395e+03 1.130e+04 0.123 0.901805
## REGIONSNormandie -1.368e+03 2.787e+03 -0.491 0.623566
## REGIONSNouvelle-Aquitaine 4.238e+03 2.330e+03 1.819 0.069121 .
## REGIONSOccitanie 2.778e+03 2.777e+03 1.001 0.317188
## REGIONSPACA -9.355e+03 7.528e+03 -1.243 0.214109
## REGIONSPays de la Loire -4.903e+03 2.809e+03 -1.746 0.081016 .
## SFP -1.432e+02 2.002e+01 -7.153 1.21e-12 ***
## SUT1GCU -2.256e+02 4.573e+01 -4.933 8.81e-07 ***
## VAPBR -7.667e-03 2.879e-02 -0.266 0.790036
## EBEXP 9.845e-02 2.896e-02 3.400 0.000688 ***
## CHRPV 2.587e+00 1.610e-01 16.071 < 2e-16 ***
## Total_charges_fossiles 9.038e-01 9.751e-02 9.269 < 2e-16 ***
## ELECT 3.337e+00 2.292e-01 14.561 < 2e-16 ***
## PITOT 2.368e-01 2.131e-01 1.111 0.266696
## INTVP 4.829e+00 1.328e+01 0.364 0.716101
## Intra_conso_animaux -7.469e-01 2.232e-01 -3.347 0.000833 ***
## UGBTO_classe50-99 3.000e+03 2.609e+03 1.150 0.250447
## UGBTO_classe100-149 1.016e+04 3.063e+03 3.317 0.000927 ***
## UGBTO_classe150-199 1.914e+04 3.711e+03 5.157 2.77e-07 ***
## UGBTO_classe200-249 3.061e+04 4.426e+03 6.915 6.39e-12 ***
## UGBTO_classe250-299 3.088e+04 5.145e+03 6.002 2.33e-09 ***
## UGBTO_classe300-349 4.009e+04 6.587e+03 6.086 1.40e-09 ***
## UGBTO_classe350-399 7.832e+04 8.030e+03 9.753 < 2e-16 ***
## SAUTI_classe50-99 7.383e+03 3.008e+03 2.455 0.014185 *
## SAUTI_classe100-149 1.371e+04 4.083e+03 3.357 0.000805 ***
## SAUTI_classe150-199 2.143e+04 5.559e+03 3.855 0.000120 ***
## SAUTI_classe200-249 2.254e+04 7.233e+03 3.116 0.001862 **
## SAUTI_classe250-299 3.951e+04 9.322e+03 4.238 2.36e-05 ***
## SAUTI_classe300-349 3.845e+04 1.094e+04 3.514 0.000453 ***
## SAUTI_classe350-399 4.176e+04 1.415e+04 2.951 0.003212 **
## SAUTI_classe400-449 3.174e+04 1.773e+04 1.790 0.073596 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 26890 on 1890 degrees of freedom
## Multiple R-squared: 0.7586, Adjusted R-squared: 0.7537
## F-statistic: 152.3 on 39 and 1890 DF, p-value: < 2.2e-16## Anova Table (Type II tests)
##
## Response: ACHA_SOMME
## Sum Sq Df F value Pr(>F)
## OTEXE 6.9980e+10 3 32.2522 < 2.2e-16 ***
## REGIONS 3.5185e+10 11 4.4225 1.344e-06 ***
## SFP 3.7008e+10 1 51.1685 1.207e-12 ***
## SUT1GCU 1.7600e+10 1 24.3347 8.806e-07 ***
## VAPBR 5.1291e+07 1 0.0709 0.7900361
## EBEXP 8.3614e+09 1 11.5606 0.0006876 ***
## CHRPV 1.8681e+11 1 258.2854 < 2.2e-16 ***
## Total_charges_fossiles 6.2132e+10 1 85.9059 < 2.2e-16 ***
## ELECT 1.5335e+11 1 212.0273 < 2.2e-16 ***
## PITOT 8.9279e+08 1 1.2344 0.2666960
## INTVP 9.5687e+07 1 0.1323 0.7161008
## Intra_conso_animaux 8.1016e+09 1 11.2015 0.0008333 ***
## UGBTO_classe 8.7551e+10 7 17.2929 < 2.2e-16 ***
## SAUTI_classe 2.1676e+10 8 3.7463 0.0002309 ***
## Residuals 1.3670e+12 1890
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1##
## Call:
## lm(formula = ACHA_SOMME ~ OTEXE + REGIONS + SFP + SUT1GCU + EBEXP +
## CHRPV + Total_charges_fossiles + ELECT + Intra_conso_animaux +
## UGBTO_classe + SAUTI_classe, data = data_mod_Bovins)
##
## Residuals:
## Min 1Q Median 3Q Max
## -178091 -13515 -814 10855 149401
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.431e+04 3.608e+03 3.966 7.58e-05 ***
## OTEXE46 -1.614e+04 1.951e+03 -8.274 2.42e-16 ***
## OTEXE47 -1.072e+04 2.402e+03 -4.461 8.63e-06 ***
## OTEXE83 -1.974e+04 2.489e+03 -7.932 3.65e-15 ***
## REGIONSBourgogne-Franche-Comté -1.401e+03 2.330e+03 -0.601 0.547672
## REGIONSBretagne -1.178e+04 2.964e+03 -3.976 7.27e-05 ***
## REGIONSCentre-Val de Loire -6.475e+03 3.633e+03 -1.782 0.074845 .
## REGIONSGrand Est 4.265e+03 2.390e+03 1.785 0.074458 .
## REGIONSHauts-de-France 3.238e+03 2.880e+03 1.124 0.260976
## REGIONSIle-de-France 1.005e+03 1.120e+04 0.090 0.928539
## REGIONSNormandie -1.200e+03 2.674e+03 -0.449 0.653708
## REGIONSNouvelle-Aquitaine 4.244e+03 2.321e+03 1.828 0.067702 .
## REGIONSOccitanie 2.773e+03 2.776e+03 0.999 0.317873
## REGIONSPACA -9.341e+03 7.518e+03 -1.242 0.214231
## REGIONSPays de la Loire -5.147e+03 2.754e+03 -1.869 0.061737 .
## SFP -1.426e+02 1.967e+01 -7.246 6.22e-13 ***
## SUT1GCU -2.251e+02 4.570e+01 -4.927 9.09e-07 ***
## EBEXP 9.157e-02 1.053e-02 8.697 < 2e-16 ***
## CHRPV 2.572e+00 1.603e-01 16.044 < 2e-16 ***
## Total_charges_fossiles 8.968e-01 9.728e-02 9.219 < 2e-16 ***
## ELECT 3.341e+00 2.247e-01 14.865 < 2e-16 ***
## Intra_conso_animaux -5.087e-01 6.374e-02 -7.980 2.51e-15 ***
## UGBTO_classe50-99 3.073e+03 2.603e+03 1.181 0.237865
## UGBTO_classe100-149 1.037e+04 3.047e+03 3.402 0.000682 ***
## UGBTO_classe150-199 1.945e+04 3.694e+03 5.264 1.57e-07 ***
## UGBTO_classe200-249 3.104e+04 4.405e+03 7.046 2.57e-12 ***
## UGBTO_classe250-299 3.148e+04 5.117e+03 6.153 9.25e-10 ***
## UGBTO_classe300-349 4.068e+04 6.561e+03 6.200 6.92e-10 ***
## UGBTO_classe350-399 7.941e+04 7.974e+03 9.959 < 2e-16 ***
## SAUTI_classe50-99 7.492e+03 3.005e+03 2.493 0.012750 *
## SAUTI_classe100-149 1.390e+04 4.078e+03 3.410 0.000664 ***
## SAUTI_classe150-199 2.168e+04 5.544e+03 3.911 9.52e-05 ***
## SAUTI_classe200-249 2.289e+04 7.220e+03 3.171 0.001544 **
## SAUTI_classe250-299 3.985e+04 9.306e+03 4.282 1.94e-05 ***
## SAUTI_classe300-349 3.885e+04 1.093e+04 3.555 0.000387 ***
## SAUTI_classe350-399 4.214e+04 1.411e+04 2.987 0.002858 **
## SAUTI_classe400-449 3.323e+04 1.768e+04 1.880 0.060287 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 26880 on 1893 degrees of freedom
## Multiple R-squared: 0.7585, Adjusted R-squared: 0.7539
## F-statistic: 165.1 on 36 and 1893 DF, p-value: < 2.2e-16Pour expliquer l’achat d’aliment (grossier+concentré), on regarde les variables suivantes : OTEXE, REGIONS, SFP, SUT1GCU, EBEXP, CHRPV, Total_charges_fossiles, ELECT, Intra_conso_animaux, UGBTO_classe et SAUTI_classe.
A l’aide d’un test de nullité des coefficients on observe que :
- Il y a une différence significative entre les exploitations spécialisées bovin lait (OTEXE 45, pris en référence) et toutes les autres exploitations bovines (viande, mixte, polycuture-élevage). Les exploitations laitières sont celles achetant le plus d’aliment extérieur, ce qui est cohérent avec des productions plus souvent en bâtiment (donc pas d’apport d’herbe au pâturage) et importantes (production laitière demandeuse en nutriment, besoin d’ajout de concentrés). La différence entre les exploitations spécialisées en lait et celle de polyculture est du à un apport moins important de fourrages et concentrés en intraconsommation, qui sont cependant fréquent en polyculture.
## $lsmeans
## OTEXE lsmean SE df lower.CL upper.CL
## 45 81480 4120 1893 73392 89568
## 46 65338 4100 1893 57298 73378
## 47 70763 4260 1893 62407 79119
## 83 61740 4600 1893 52722 70757
##
## Results are averaged over the levels of: REGIONS, UGBTO_classe, SAUTI_classe
## Confidence level used: 0.95
##
## $contrasts
## contrast estimate SE df t.ratio p.value
## OTEXE45 - OTEXE46 16142 1950 1893 8.274 <.0001
## OTEXE45 - OTEXE47 10717 2400 1893 4.461 0.0001
## OTEXE45 - OTEXE83 19741 2490 1893 7.932 <.0001
## OTEXE46 - OTEXE47 -5425 2470 1893 -2.194 0.1251
## OTEXE46 - OTEXE83 3598 2620 1893 1.376 0.5148
## OTEXE47 - OTEXE83 9024 3140 1893 2.875 0.0213
##
## Results are averaged over the levels of: REGIONS, UGBTO_classe, SAUTI_classe
## P value adjustment: tukey method for comparing a family of 4 estimatesNous voyons ensuite à l’aide d’une comparaison deux à deux sur la variable OTEXE (ci-dessus), qu’on trouve également une différence significative entre les exploitations bovin mixtes (lait-viande) et les exploitations en polyculture, avec significativement moins d’aliment exterieurs consommés par les exploitations de polyculture. On voit donc globalement que c’est la production laitière qui entraine le plus fréquemment le besoin d’achat d’aliment à l’extérieur, les exploitations viandes n’étant pas significativement différentes des exploitations en polyculture en termes d’achat d’aliment extérieur.
-La SFP et la SUT1GCU ont un impact significativement négatif sur l’achat d’aliment ce qui est également cohérent car on estime que la présence de surfaces fourragères et de surfaces culturales représentent un apport d’aliment interne à l’exploitation, et donc un besoin d’achat en aliment exterieur moins important. De même on voit un impact fortement négatif de l’intraconsommation d’aliment pour animaux sur l’achat d’aliment ce qui est cohérent.
Nous observons globalement que les charges énérgétiques (fossiles et éléctriques) ont un impact positif sur les achats d’aliment, ceci peut s’expliquer simplement par la correlation entre achat d’aliment et taille d’exploitation : en effet, plus l’exploitation est grande plus les charges énergétiques le seront mais plus les troupeaux le seront aussi. Ceci explique également l’effet positif des charges vétérinaires qui sont aussi liées aux tailles de cheptel. On voit cet effet des tailles de cheptel avec les effets significativement positifs de toutes les classes UGB supérieures à celle de référence qui est la plus faible.
Il y a un effet positif important de l’EBEXP sur l’achat d’aliment, il semblerait donc que les exploitations achetant de l’aliment sont les exploitations les plus productives.
-Finalement, la seule région ayant un impact sur l’achat d’aliment est la Bretagne,nous observons que moins d’aliment sont achetés en Bretagne en comparaison avec la région Auvergne-Rhône-Alpes. Ceci peut s’expliquer par la présence de plus de polyculture élevage en Bretagne ce qui augmente la part d’intraconsommation dans cette région, tandis qu’en Auvergne-Rhône-Alpes les terres sont moins propices à la polyculture (terres plus pauvres).
Nous avons réalisé les mêmes modèles, mais pour l’autonomie : nous prenons comme variable à expliquer le ratio “Achats d’aliments / (Produit total - Subventions + Intraconsommation totale)”, c’est à dire que l’on divise les achats d’aliments par ce qui a été vendu (moins les subventions) et ce qui a été intraconsommé.
##
## Call:
## lm(formula = ratio_Achat ~ OTEXE + REGIONS + SFP + SUT1GCU +
## VAPBR + EBEXP + CHRPV + Total_charges_fossiles + ELECT +
## PITOT + INTVP + Intra_conso_animaux + UGBTO_classe + SAUTI_classe,
## data = data_mod_Bovins)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.51030 -0.05345 -0.00864 0.04175 1.11288
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.172e-01 1.313e-02 16.543 < 2e-16 ***
## OTEXE46 -4.387e-02 7.065e-03 -6.209 6.55e-10 ***
## OTEXE47 -1.057e-02 8.659e-03 -1.221 0.222215
## OTEXE83 -7.951e-02 8.986e-03 -8.848 < 2e-16 ***
## REGIONSBourgogne-Franche-Comté -2.120e-02 8.441e-03 -2.512 0.012091 *
## REGIONSBretagne -7.318e-02 1.088e-02 -6.728 2.28e-11 ***
## REGIONSCentre-Val de Loire -2.572e-02 1.316e-02 -1.955 0.050699 .
## REGIONSGrand Est -2.041e-02 8.754e-03 -2.332 0.019798 *
## REGIONSHauts-de-France -1.632e-02 1.060e-02 -1.540 0.123654
## REGIONSIle-de-France -8.874e-03 4.063e-02 -0.218 0.827108
## REGIONSNormandie -4.151e-02 1.002e-02 -4.143 3.57e-05 ***
## REGIONSNouvelle-Aquitaine -1.455e-02 8.377e-03 -1.737 0.082538 .
## REGIONSOccitanie 1.597e-02 9.982e-03 1.600 0.109733
## REGIONSPACA -1.224e-02 2.706e-02 -0.452 0.651148
## REGIONSPays de la Loire -3.944e-02 1.010e-02 -3.906 9.71e-05 ***
## SFP -2.945e-04 7.197e-05 -4.093 4.45e-05 ***
## SUT1GCU -6.536e-04 1.644e-04 -3.976 7.27e-05 ***
## VAPBR -3.372e-07 1.035e-07 -3.259 0.001140 **
## EBEXP 1.397e-07 1.041e-07 1.342 0.179754
## CHRPV 4.147e-06 5.787e-07 7.166 1.10e-12 ***
## Total_charges_fossiles 3.483e-07 3.505e-07 0.994 0.320485
## ELECT 1.406e-06 8.238e-07 1.707 0.088066 .
## PITOT -5.506e-07 7.661e-07 -0.719 0.472387
## INTVP 2.883e-05 4.772e-05 0.604 0.545876
## Intra_conso_animaux -5.929e-07 8.022e-07 -0.739 0.459944
## UGBTO_classe50-99 1.914e-02 9.380e-03 2.040 0.041476 *
## UGBTO_classe100-149 3.855e-02 1.101e-02 3.501 0.000474 ***
## UGBTO_classe150-199 5.105e-02 1.334e-02 3.826 0.000134 ***
## UGBTO_classe200-249 6.304e-02 1.591e-02 3.962 7.70e-05 ***
## UGBTO_classe250-299 5.299e-02 1.849e-02 2.865 0.004214 **
## UGBTO_classe300-349 6.357e-02 2.368e-02 2.685 0.007323 **
## UGBTO_classe350-399 8.989e-02 2.887e-02 3.114 0.001874 **
## SAUTI_classe50-99 -9.624e-04 1.081e-02 -0.089 0.929079
## SAUTI_classe100-149 3.653e-03 1.468e-02 0.249 0.803468
## SAUTI_classe150-199 2.581e-02 1.998e-02 1.292 0.196639
## SAUTI_classe200-249 3.363e-02 2.600e-02 1.293 0.196099
## SAUTI_classe250-299 7.210e-02 3.351e-02 2.152 0.031543 *
## SAUTI_classe300-349 9.019e-02 3.934e-02 2.293 0.021966 *
## SAUTI_classe350-399 1.128e-01 5.088e-02 2.217 0.026769 *
## SAUTI_classe400-449 1.660e-01 6.374e-02 2.605 0.009267 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.09667 on 1890 degrees of freedom
## Multiple R-squared: 0.2347, Adjusted R-squared: 0.2189
## F-statistic: 14.86 on 39 and 1890 DF, p-value: < 2.2e-16## Start: AIC=-8978.99
## ratio_Achat ~ OTEXE + REGIONS + SFP + SUT1GCU + VAPBR + EBEXP +
## CHRPV + Total_charges_fossiles + ELECT + PITOT + INTVP +
## Intra_conso_animaux + UGBTO_classe + SAUTI_classe## 2 3 5 22 28 174 183 270 271 300 315 403 431 618 648 678
## 2 3 5 22 28 174 183 270 271 300 315 403 431 618 648 678
## 804 881 897 899 920 965 979 1029 1103 1116 1121 1196 1201 1304 1311 1317
## 804 881 897 899 920 965 979 1029 1103 1116 1121 1196 1201 1304 1311 1317
## 1334 1438 1445 1490 1495 1501 1527 1531 1561 1565 1582 1644 1673 1681 1719 1722
## 1334 1438 1445 1490 1495 1501 1527 1531 1561 1565 1582 1644 1673 1681 1719 1722
## 1737 1789 1813 1824 1851 1897 1917 1918 1920 1921 1924 1929
## 1737 1789 1813 1824 1851 1897 1917 1918 1920 1921 1924 1929##
## Call:
## lm(formula = ratio_Achat ~ OTEXE + REGIONS + SFP + SUT1GCU +
## VAPBR + EBEXP + CHRPV + Total_charges_fossiles + ELECT +
## PITOT + INTVP + Intra_conso_animaux + UGBTO_classe + SAUTI_classe,
## data = data_mod_Bovins)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.51030 -0.05345 -0.00864 0.04175 1.11288
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.172e-01 1.313e-02 16.543 < 2e-16 ***
## OTEXE46 -4.387e-02 7.065e-03 -6.209 6.55e-10 ***
## OTEXE47 -1.057e-02 8.659e-03 -1.221 0.222215
## OTEXE83 -7.951e-02 8.986e-03 -8.848 < 2e-16 ***
## REGIONSBourgogne-Franche-Comté -2.120e-02 8.441e-03 -2.512 0.012091 *
## REGIONSBretagne -7.318e-02 1.088e-02 -6.728 2.28e-11 ***
## REGIONSCentre-Val de Loire -2.572e-02 1.316e-02 -1.955 0.050699 .
## REGIONSGrand Est -2.041e-02 8.754e-03 -2.332 0.019798 *
## REGIONSHauts-de-France -1.632e-02 1.060e-02 -1.540 0.123654
## REGIONSIle-de-France -8.874e-03 4.063e-02 -0.218 0.827108
## REGIONSNormandie -4.151e-02 1.002e-02 -4.143 3.57e-05 ***
## REGIONSNouvelle-Aquitaine -1.455e-02 8.377e-03 -1.737 0.082538 .
## REGIONSOccitanie 1.597e-02 9.982e-03 1.600 0.109733
## REGIONSPACA -1.224e-02 2.706e-02 -0.452 0.651148
## REGIONSPays de la Loire -3.944e-02 1.010e-02 -3.906 9.71e-05 ***
## SFP -2.945e-04 7.197e-05 -4.093 4.45e-05 ***
## SUT1GCU -6.536e-04 1.644e-04 -3.976 7.27e-05 ***
## VAPBR -3.372e-07 1.035e-07 -3.259 0.001140 **
## EBEXP 1.397e-07 1.041e-07 1.342 0.179754
## CHRPV 4.147e-06 5.787e-07 7.166 1.10e-12 ***
## Total_charges_fossiles 3.483e-07 3.505e-07 0.994 0.320485
## ELECT 1.406e-06 8.238e-07 1.707 0.088066 .
## PITOT -5.506e-07 7.661e-07 -0.719 0.472387
## INTVP 2.883e-05 4.772e-05 0.604 0.545876
## Intra_conso_animaux -5.929e-07 8.022e-07 -0.739 0.459944
## UGBTO_classe50-99 1.914e-02 9.380e-03 2.040 0.041476 *
## UGBTO_classe100-149 3.855e-02 1.101e-02 3.501 0.000474 ***
## UGBTO_classe150-199 5.105e-02 1.334e-02 3.826 0.000134 ***
## UGBTO_classe200-249 6.304e-02 1.591e-02 3.962 7.70e-05 ***
## UGBTO_classe250-299 5.299e-02 1.849e-02 2.865 0.004214 **
## UGBTO_classe300-349 6.357e-02 2.368e-02 2.685 0.007323 **
## UGBTO_classe350-399 8.989e-02 2.887e-02 3.114 0.001874 **
## SAUTI_classe50-99 -9.624e-04 1.081e-02 -0.089 0.929079
## SAUTI_classe100-149 3.653e-03 1.468e-02 0.249 0.803468
## SAUTI_classe150-199 2.581e-02 1.998e-02 1.292 0.196639
## SAUTI_classe200-249 3.363e-02 2.600e-02 1.293 0.196099
## SAUTI_classe250-299 7.210e-02 3.351e-02 2.152 0.031543 *
## SAUTI_classe300-349 9.019e-02 3.934e-02 2.293 0.021966 *
## SAUTI_classe350-399 1.128e-01 5.088e-02 2.217 0.026769 *
## SAUTI_classe400-449 1.660e-01 6.374e-02 2.605 0.009267 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.09667 on 1890 degrees of freedom
## Multiple R-squared: 0.2347, Adjusted R-squared: 0.2189
## F-statistic: 14.86 on 39 and 1890 DF, p-value: < 2.2e-16## Anova Table (Type II tests)
##
## Response: ratio_Achat
## Sum Sq Df F value Pr(>F)
## OTEXE 0.8710 3 31.0669 < 2.2e-16 ***
## REGIONS 0.6495 11 6.3182 2.442e-10 ***
## SFP 0.1565 1 16.7486 4.447e-05 ***
## SUT1GCU 0.1478 1 15.8100 7.267e-05 ***
## VAPBR 0.0992 1 10.6183 0.001140 **
## EBEXP 0.0168 1 1.8010 0.179754
## CHRPV 0.4799 1 51.3519 1.102e-12 ***
## Total_charges_fossiles 0.0092 1 0.9875 0.320485
## ELECT 0.0272 1 2.9124 0.088066 .
## PITOT 0.0048 1 0.5166 0.472387
## INTVP 0.0034 1 0.3649 0.545876
## Intra_conso_animaux 0.0051 1 0.5463 0.459944
## UGBTO_classe 0.1948 7 2.9773 0.004151 **
## SAUTI_classe 0.1540 8 2.0593 0.036631 *
## Residuals 17.6635 1890
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1##
## Call:
## lm(formula = ratio_Achat ~ OTEXE + REGIONS + SFP + SUT1GCU +
## EBEXP + CHRPV + Intra_conso_animaux + UGBTO_classe + SAUTI_classe,
## data = data_mod_Bovins)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.51502 -0.05420 -0.00850 0.04136 1.11872
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.284e-01 1.261e-02 18.116 < 2e-16 ***
## OTEXE46 -4.710e-02 6.365e-03 -7.400 2.04e-13 ***
## OTEXE47 -1.161e-02 8.519e-03 -1.363 0.173178
## OTEXE83 -8.097e-02 8.622e-03 -9.391 < 2e-16 ***
## REGIONSBourgogne-Franche-Comté -2.564e-02 8.364e-03 -3.065 0.002206 **
## REGIONSBretagne -8.197e-02 1.064e-02 -7.707 2.06e-14 ***
## REGIONSCentre-Val de Loire -3.202e-02 1.307e-02 -2.450 0.014390 *
## REGIONSGrand Est -2.656e-02 8.573e-03 -3.098 0.001976 **
## REGIONSHauts-de-France -2.457e-02 1.033e-02 -2.378 0.017523 *
## REGIONSIle-de-France -2.676e-02 4.037e-02 -0.663 0.507387
## REGIONSNormandie -5.118e-02 9.629e-03 -5.315 1.19e-07 ***
## REGIONSNouvelle-Aquitaine -1.662e-02 8.359e-03 -1.989 0.046892 *
## REGIONSOccitanie 1.654e-02 9.999e-03 1.654 0.098303 .
## REGIONSPACA -9.323e-03 2.709e-02 -0.344 0.730784
## REGIONSPays de la Loire -4.718e-02 9.872e-03 -4.779 1.90e-06 ***
## SFP -2.618e-04 7.052e-05 -3.712 0.000212 ***
## SUT1GCU -6.143e-04 1.601e-04 -3.838 0.000128 ***
## EBEXP -1.626e-07 3.649e-08 -4.457 8.79e-06 ***
## CHRPV 4.273e-06 5.644e-07 7.571 5.73e-14 ***
## Intra_conso_animaux -1.129e-06 2.290e-07 -4.931 8.91e-07 ***
## UGBTO_classe50-99 2.168e-02 9.370e-03 2.314 0.020781 *
## UGBTO_classe100-149 4.346e-02 1.090e-02 3.987 6.93e-05 ***
## UGBTO_classe150-199 5.762e-02 1.305e-02 4.417 1.06e-05 ***
## UGBTO_classe200-249 6.996e-02 1.545e-02 4.528 6.32e-06 ***
## UGBTO_classe250-299 6.029e-02 1.779e-02 3.388 0.000718 ***
## UGBTO_classe300-349 7.418e-02 2.303e-02 3.221 0.001298 **
## UGBTO_classe350-399 1.007e-01 2.781e-02 3.621 0.000301 ***
## SAUTI_classe50-99 1.489e-04 1.081e-02 0.014 0.989014
## SAUTI_classe100-149 6.739e-03 1.463e-02 0.461 0.644999
## SAUTI_classe150-199 3.305e-02 1.987e-02 1.663 0.096506 .
## SAUTI_classe200-249 4.234e-02 2.583e-02 1.639 0.101303
## SAUTI_classe250-299 8.337e-02 3.331e-02 2.503 0.012397 *
## SAUTI_classe300-349 1.000e-01 3.924e-02 2.549 0.010897 *
## SAUTI_classe350-399 1.322e-01 5.063e-02 2.610 0.009116 **
## SAUTI_classe400-449 1.798e-01 6.348e-02 2.832 0.004682 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.0969 on 1895 degrees of freedom
## Multiple R-squared: 0.2291, Adjusted R-squared: 0.2153
## F-statistic: 16.57 on 34 and 1895 DF, p-value: < 2.2e-16Pour expliquer le ratio d’achat (décrite par la relation : Achats d’aliments / (Produit total - Subventions + Intraconsommation totale)), on regarde les variables suivantes : OTEXE,REGIONS,SFP,SUT1GCU,EBEXP,CHRPV,Intra_conso_animaux,UGBTO_classe et SAUTI_classee.
A l’aide d’un test de nullité des coefficients on observe que :
- Il y a une différence significative entre les exploitations spécialisées bovin lait (OTEXE 45, pris en référence) et les exploitations ne produisant pas majoritairement de lait, soit viande et polycuture-élevage. Les exploitations laitières sont celles ayant la plus grande part d’aliment extérieur consommé par rapport à l’apport total d’aliment utilisé sur l’exploitation. Ceci est cohérent avec une forte utilisation de concentrés dans ce type d’exploitation. Regardons la comparaison deux à deux des OTEXE pour comparer les autres types d’exploitation entre elles :
## $lsmeans
## OTEXE lsmean SE df lower.CL upper.CL
## 45 0.245 0.0144 1895 0.217 0.273
## 46 0.198 0.0147 1895 0.169 0.227
## 47 0.234 0.0152 1895 0.204 0.263
## 83 0.164 0.0165 1895 0.132 0.197
##
## Results are averaged over the levels of: REGIONS, UGBTO_classe, SAUTI_classe
## Confidence level used: 0.95
##
## $contrasts
## contrast estimate SE df t.ratio p.value
## OTEXE45 - OTEXE46 0.0471 0.00636 1895 7.400 <.0001
## OTEXE45 - OTEXE47 0.0116 0.00852 1895 1.363 0.5231
## OTEXE45 - OTEXE83 0.0810 0.00862 1895 9.391 <.0001
## OTEXE46 - OTEXE47 -0.0355 0.00876 1895 -4.052 0.0003
## OTEXE46 - OTEXE83 0.0339 0.00940 1895 3.601 0.0018
## OTEXE47 - OTEXE83 0.0694 0.01130 1895 6.155 <.0001
##
## Results are averaged over the levels of: REGIONS, UGBTO_classe, SAUTI_classe
## P value adjustment: tukey method for comparing a family of 4 estimatesNous retrouvons une différence significative entre les exploitations bovin mixtes (lait-viande) et les exploitations en polyculture, avec significativement moins d’aliment exterieurs consommés par les exploitations de polyculture, ce qui est cohérent avec la production d’aliment directement sur l’exploitation. Nous notons également une plus grande part d’aliment achetée à l’exterieur en mixte qu’en viande ce qui tend à faire penser que c’est la production laitière qui a tendance à tirer la ratio vers des achats exterieurs importants (plus demandante en concentrés, qui sont plus rarement produits sur l’exploitation en particulier dans les régions tournées vers les systèmes herbagers comme l’Auvergne-Rhône-Alpes).
-La SFP et la SUT1GCU ont un impact significativement négatif sur le ratio d’achat, soit moins d’achat exterieur lorsque l’on a une production fourragère ou de grandes cultures sur l’exploitation. Ceci est également cohérent car on estime que la présence de surfaces fourragères et de surfaces culturales représentent un apport d’aliment interne à l’exploitation, et donc un besoin d’achat en aliment exterieur moins important. De même on voit un impact fortement négatif de l’intraconsommation d’aliment pour animaux sur l’achat d’aliment ce qui est cohérent.
- Il y a un effet de la taille des cheptel avec des effets significativement positifs de toutes les classes UGB supérieures à celle de référence qui est la plus faible.
## $lsmeans
## UGBTO_classe lsmean SE df lower.CL upper.CL
## 0-49 0.157 0.0162 1895 0.125 0.189
## 50-99 0.178 0.0146 1895 0.150 0.207
## 100-149 0.200 0.0147 1895 0.171 0.229
## 150-199 0.214 0.0153 1895 0.184 0.244
## 200-249 0.227 0.0164 1895 0.194 0.259
## 250-299 0.217 0.0179 1895 0.182 0.252
## 300-349 0.231 0.0222 1895 0.187 0.274
## 350-399 0.257 0.0271 1895 0.204 0.311
##
## Results are averaged over the levels of: OTEXE, REGIONS, SAUTI_classe
## Confidence level used: 0.95
##
## $contrasts
## contrast estimate SE df t.ratio p.value
## (0-49) - (50-99) -0.02168 0.00937 1895 -2.314 0.2864
## (0-49) - (100-149) -0.04346 0.01090 1895 -3.987 0.0018
## (0-49) - (150-199) -0.05762 0.01300 1895 -4.417 0.0003
## (0-49) - (200-249) -0.06996 0.01550 1895 -4.528 0.0002
## (0-49) - (250-299) -0.06029 0.01780 1895 -3.388 0.0164
## (0-49) - (300-349) -0.07418 0.02300 1895 -3.221 0.0283
## (0-49) - (350-399) -0.10070 0.02780 1895 -3.621 0.0073
## (50-99) - (100-149) -0.02178 0.00654 1895 -3.331 0.0199
## (50-99) - (150-199) -0.03594 0.00912 1895 -3.942 0.0021
## (50-99) - (200-249) -0.04828 0.01200 1895 -4.025 0.0015
## (50-99) - (250-299) -0.03861 0.01480 1895 -2.613 0.1518
## (50-99) - (300-349) -0.05250 0.02060 1895 -2.548 0.1760
## (50-99) - (350-399) -0.07902 0.02580 1895 -3.058 0.0467
## (100-149) - (150-199) -0.01416 0.00766 1895 -1.848 0.5870
## (100-149) - (200-249) -0.02650 0.01040 1895 -2.537 0.1806
## (100-149) - (250-299) -0.01683 0.01330 1895 -1.266 0.9112
## (100-149) - (300-349) -0.03073 0.01930 1895 -1.592 0.7555
## (100-149) - (350-399) -0.05724 0.02470 1895 -2.315 0.2858
## (150-199) - (200-249) -0.01234 0.01010 1895 -1.228 0.9237
## (150-199) - (250-299) -0.00267 0.01260 1895 -0.211 1.0000
## (150-199) - (300-349) -0.01656 0.01850 1895 -0.895 0.9865
## (150-199) - (350-399) -0.04308 0.02400 1895 -1.798 0.6215
## (200-249) - (250-299) 0.00967 0.01320 1895 0.734 0.9960
## (200-249) - (300-349) -0.00422 0.01850 1895 -0.228 1.0000
## (200-249) - (350-399) -0.03074 0.02390 1895 -1.288 0.9035
## (250-299) - (300-349) -0.01389 0.01910 1895 -0.726 0.9963
## (250-299) - (350-399) -0.04041 0.02440 1895 -1.657 0.7149
## (300-349) - (350-399) -0.02652 0.02680 1895 -0.989 0.9760
##
## Results are averaged over the levels of: OTEXE, REGIONS, SAUTI_classe
## P value adjustment: tukey method for comparing a family of 8 estimatesIl semblerait que pour les classes faibles et intermédiairesd’UGB (jusqu’à 400 UGB) on ait un effet significatif du nombre d’UGB avec les classes les plus élevées qui utilisent une plus grande part d’aliments achetés à l’extérieur en comparaison avec les classes plus faibles. On perdrait donc en autonomie alimentaire en augmentant la taille des cheptels.
- Il y a un effet très légérement négatif de l’EBEXP sur le ratio d’aliment alors que celui-ci avait un effet positif sur la quantité d’aliment acheté. Il semblerait donc que l’autonomie d’une exploitation est à mettre en lien avec sa rentabilité. Etre plus autonome alimentairement parlant favorise un bon EBE, même avec des achats importants dans l’absolu (par exemple pour les grandes exploitations).
ACP Petits ruminants :
## [1] 372L’ACP nous permet de regrouper certaines exploitations en fonction de leur orientation technico économique avec une distinguation entre les exploitations spécialisées en caprins, les exploitations mixte bovin-ovins et les exploitations herbivores.
Nous voulons proposer un modèle linéaire sur la grande classe Petits ruminants :
Nous avons proposé un modèle linéaire pour expliquer les achats alimentaires des élevages de petits ruminants. Il s’agit des exploitations mixtes et spécialisées.
##
## Call:
## lm(formula = ACHA_SOMME ~ PBUCE + OTE64F + REGIO + SFP + SUT1GCU +
## CHRGTO + PBRTO + VAPBR + EBEXP + UGBBO_classe + CHREN + CHRPH +
## CHRAC + CHRPV + Total_charges_fossiles + ELECT + LANMX +
## PITOT + ACHAC + ACHAG + Intra_conso_animaux + SAUTI_classe +
## ratio_Achat, data = data_mod_petits_ruminants)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.911e-10 -5.870e-12 8.300e-13 7.260e-12 1.582e-10
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -3.759e-11 2.265e-11 -1.659e+00 0.0980 .
## PBUCE -4.184e-17 4.625e-17 -9.050e-01 0.3662
## OTE64F4820 2.049e-11 8.724e-12 2.349e+00 0.0194 *
## OTE64F4830 -6.272e-12 7.289e-12 -8.600e-01 0.3901
## OTE64F4840 1.839e-11 1.319e-11 1.394e+00 0.1642
## REGIO23 -5.010e-11 3.734e-11 -1.342e+00 0.1806
## REGIO24 -2.356e-11 2.364e-11 -9.970e-01 0.3197
## REGIO25 1.920e-11 2.733e-11 7.030e-01 0.4827
## REGIO26 2.898e-11 2.408e-11 1.204e+00 0.2296
## REGIO41 1.116e-11 2.349e-11 4.750e-01 0.6351
## REGIO42 3.022e-11 3.794e-11 7.970e-01 0.4263
## REGIO43 6.751e-12 3.060e-11 2.210e-01 0.8255
## REGIO52 2.890e-11 2.579e-11 1.121e+00 0.2632
## REGIO53 2.451e-11 2.903e-11 8.440e-01 0.3991
## REGIO54 3.045e-11 2.274e-11 1.339e+00 0.1815
## REGIO72 1.973e-11 2.274e-11 8.680e-01 0.3863
## REGIO73 1.234e-11 2.280e-11 5.410e-01 0.5888
## REGIO74 1.677e-11 2.307e-11 7.270e-01 0.4677
## REGIO82 2.530e-11 2.223e-11 1.138e+00 0.2559
## REGIO83 1.152e-11 2.321e-11 4.960e-01 0.6200
## REGIO91 2.111e-11 2.302e-11 9.170e-01 0.3598
## REGIO93 1.155e-11 2.313e-11 4.990e-01 0.6180
## SFP -1.243e-14 3.469e-14 -3.580e-01 0.7203
## SUT1GCU 6.945e-14 8.056e-14 8.620e-01 0.3893
## CHRGTO 1.425e-16 9.384e-17 1.518e+00 0.1299
## PBRTO -5.498e-17 1.068e-16 -5.150e-01 0.6072
## VAPBR -1.357e-17 7.667e-17 -1.770e-01 0.8596
## EBEXP -2.957e-17 1.073e-16 -2.760e-01 0.7831
## UGBBO_classe50-99 -1.159e-11 1.068e-11 -1.085e+00 0.2787
## UGBBO_classe100-149 -9.720e-11 1.486e-11 -6.541e+00 2.34e-10 ***
## UGBBO_classe150-199 -3.681e-11 2.548e-11 -1.445e+00 0.1495
## UGBBO_classe200-249 -4.591e-11 2.520e-11 -1.822e+00 0.0694 .
## CHREN 4.933e-16 4.325e-16 1.141e+00 0.2548
## CHRPH 1.543e-15 7.242e-16 2.131e+00 0.0338 *
## CHRAC -1.029e-15 5.354e-16 -1.922e+00 0.0555 .
## CHRPV 5.079e-18 6.651e-16 8.000e-03 0.9939
## Total_charges_fossiles 6.191e-16 3.845e-16 1.610e+00 0.1083
## ELECT -1.569e-15 1.021e-15 -1.537e+00 0.1253
## LANMX 8.392e-16 1.065e-14 7.900e-02 0.9372
## PITOT -7.914e-16 1.260e-15 -6.280e-01 0.5303
## ACHAC 1.000e+00 5.216e-16 1.917e+15 < 2e-16 ***
## ACHAG 1.000e+00 2.092e-16 4.780e+15 < 2e-16 ***
## Intra_conso_animaux 8.086e-16 1.266e-15 6.390e-01 0.5235
## SAUTI_classe50-99 7.547e-12 5.167e-12 1.461e+00 0.1450
## SAUTI_classe100-149 8.181e-12 7.577e-12 1.080e+00 0.2811
## SAUTI_classe150-199 1.302e-11 1.005e-11 1.296e+00 0.1960
## SAUTI_classe200-249 1.282e-11 1.511e-11 8.490e-01 0.3968
## SAUTI_classe250-299 -9.966e-13 1.662e-11 -6.000e-02 0.9522
## SAUTI_classe300-349 1.096e-11 1.920e-11 5.710e-01 0.5684
## SAUTI_classe350-399 1.161e-11 2.351e-11 4.940e-01 0.6218
## SAUTI_classe400-449 1.941e-11 2.621e-11 7.400e-01 0.4596
## ratio_Achat 1.435e-12 6.582e-12 2.180e-01 0.8275
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.007e-11 on 329 degrees of freedom
## Multiple R-squared: 1, Adjusted R-squared: 1
## F-statistic: 1.34e+31 on 51 and 329 DF, p-value: < 2.2e-16Nous sommes partis d’un modèle complet puis nous avons réalisé une sélection de variable pour aboutir à un modèle sans interaction avec les variables : Les variables explicatives sont les suivantes : Production brute standards en euros (PBUCE), Surface fourragère principale (SFP en ha), Charges totales (CHRTO) en euros, Produit brut total (PBRTO) en euros, Valeurs ajoutées en euros (VAPBR), EBE d’exploitation (EBEXP) en euros, Charges d’engrais en euros (CHREN), les charges en produits de défenses végétales en euros (CHRPH), les charges vétérinaires en euros (CHRPV), les charges en énergies fossiles (Total_charges_fossiles), l’intraconsommation en euros (PITOT), l’orientation technico économique (OTE64F), UGB bovin (UGBBO_classe) et les régions.
## Start: AIC=-18413.32
## ACHA_SOMME ~ PBUCE + OTE64F + REGIO + SFP + SUT1GCU + CHRGTO +
## PBRTO + VAPBR + EBEXP + UGBBO_classe + CHREN + CHRPH + CHRAC +
## CHRPV + Total_charges_fossiles + ELECT + LANMX + PITOT +
## ACHAC + ACHAG + Intra_conso_animaux + SAUTI_classe + ratio_Achat## 1 2 3 6 11 12 14 15 21 25 30 31 35 55 59 61 81 116 121 124
## 1 2 3 6 11 12 14 15 21 25 30 31 35 55 59 61 81 116 121 124
## 163 360 373
## 163 360 373##
## Call:
## lm(formula = ACHA_SOMME ~ PBUCE + OTE64F + SFP + CHRGTO + PBRTO +
## VAPBR + EBEXP + UGBBO_classe + CHREN + CHRPH + CHRPV + Total_charges_fossiles +
## PITOT + REGIONS, data = data_mod_petits_ruminants)
##
## Residuals:
## Min 1Q Median 3Q Max
## -65138 -7307 -308 6342 82324
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -7.157e+03 2.887e+03 -2.479 0.013650 *
## PBUCE 1.378e-01 2.208e-02 6.241 1.29e-09 ***
## OTE64F4820 -7.476e+03 4.664e+03 -1.603 0.109868
## OTE64F4830 7.584e+03 3.091e+03 2.454 0.014639 *
## OTE64F4840 -9.986e+03 6.720e+03 -1.486 0.138201
## SFP -1.315e+01 9.173e+00 -1.434 0.152551
## CHRGTO 1.367e-01 4.788e-02 2.856 0.004558 **
## PBRTO 1.247e-01 5.656e-02 2.205 0.028135 *
## VAPBR -9.915e-02 3.653e-02 -2.715 0.006974 **
## EBEXP -1.197e-01 5.555e-02 -2.155 0.031833 *
## UGBBO_classe50-99 6.106e+03 5.721e+03 1.067 0.286568
## UGBBO_classe100-149 2.812e+04 7.514e+03 3.743 0.000213 ***
## UGBBO_classe150-199 -1.374e+04 1.354e+04 -1.015 0.310866
## UGBBO_classe200-249 2.156e+04 1.308e+04 1.648 0.100202
## CHREN -5.838e-01 2.283e-01 -2.557 0.010984 *
## CHRPH -6.187e-01 3.626e-01 -1.706 0.088827 .
## CHRPV 1.766e+00 3.357e-01 5.261 2.54e-07 ***
## Total_charges_fossiles -1.306e+00 1.852e-01 -7.054 9.73e-12 ***
## PITOT -7.592e-01 1.106e-01 -6.864 3.17e-11 ***
## REGIONSBourgogne-Franche-Comté 5.537e+03 5.492e+03 1.008 0.314068
## REGIONSBretagne -1.049e+03 1.035e+04 -0.101 0.919318
## REGIONSCentre-Val de Loire 8.846e+03 6.077e+03 1.456 0.146408
## REGIONSGrand Est 1.450e+03 4.756e+03 0.305 0.760699
## REGIONSHauts-de-France -1.366e+03 1.192e+04 -0.115 0.908793
## REGIONSNormandie -3.890e+03 8.625e+03 -0.451 0.652293
## REGIONSNouvelle-Aquitaine 6.550e+03 2.885e+03 2.270 0.023806 *
## REGIONSOccitanie 8.437e+03 2.956e+03 2.854 0.004574 **
## REGIONSPACA -1.860e+03 4.198e+03 -0.443 0.657934
## REGIONSPays de la Loire 1.750e+03 7.449e+03 0.235 0.814428
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 16340 on 341 degrees of freedom
## Multiple R-squared: 0.8512, Adjusted R-squared: 0.839
## F-statistic: 69.68 on 28 and 341 DF, p-value: < 2.2e-16## Anova Table (Type II tests)
##
## Response: ACHA_SOMME
## Sum Sq Df F value Pr(>F)
## PBUCE 1.0396e+10 1 38.9554 1.287e-09 ***
## OTE64F 3.3497e+09 3 4.1839 0.006292 **
## SFP 5.4861e+08 1 2.0557 0.152551
## CHRGTO 2.1762e+09 1 8.1547 0.004558 **
## PBRTO 1.2973e+09 1 4.8612 0.028135 *
## VAPBR 1.9665e+09 1 7.3688 0.006974 **
## EBEXP 1.2398e+09 1 4.6456 0.031833 *
## UGBBO_classe 4.9849e+09 4 4.6698 0.001108 **
## CHREN 1.7451e+09 1 6.5393 0.010984 *
## CHRPH 7.7714e+08 1 2.9121 0.088827 .
## CHRPV 7.3856e+09 1 27.6752 2.541e-07 ***
## Total_charges_fossiles 1.3280e+10 1 49.7616 9.730e-12 ***
## PITOT 1.2575e+10 1 47.1191 3.166e-11 ***
## REGIONS 4.2804e+09 10 1.6039 0.103825
## Residuals 9.1002e+10 341
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## (Intercept) PBUCE
## -7.156861e+03 1.378371e-01
## OTE64F4820 OTE64F4830
## -7.475666e+03 7.583666e+03
## OTE64F4840 SFP
## -9.986166e+03 -1.315185e+01
## CHRGTO PBRTO
## 1.367280e-01 1.247084e-01
## VAPBR EBEXP
## -9.915190e-02 -1.197342e-01
## UGBBO_classe50-99 UGBBO_classe100-149
## 6.106336e+03 2.812217e+04
## UGBBO_classe150-199 UGBBO_classe200-249
## -1.374367e+04 2.156300e+04
## CHREN CHRPH
## -5.837748e-01 -6.187259e-01
## CHRPV Total_charges_fossiles
## 1.766262e+00 -1.306118e+00
## PITOT REGIONSBourgogne-Franche-Comté
## -7.592531e-01 5.537168e+03
## REGIONSBretagne REGIONSCentre-Val de Loire
## -1.049321e+03 8.845882e+03
## REGIONSGrand Est REGIONSHauts-de-France
## 1.449767e+03 -1.366167e+03
## REGIONSNormandie REGIONSNouvelle-Aquitaine
## -3.889684e+03 6.549536e+03
## REGIONSOccitanie REGIONSPACA
## 8.437365e+03 -1.860452e+03
## REGIONSPays de la Loire
## 1.749868e+03Toutes nos variables explicatives finales ont un effet significatif sur la variable d’intérêt achat-somme. La sélection de variable a été affiné à la “main”.
Le modèle retenu : ACHA_SOMME ~ PBUCE + OTE64F + SFP + CHRGTO + PBRTO + VAPBR + EBEXP + UGBBO_classe + CHREN + CHRPH + CHRPV + Total_charges_fossiles + PITOT+ REGIONS
En valeur absolue, pour les variables économiques en euros, les variables des charges vétérinaires (coefficient positifs) et de produits de défense végétaux (coefficient négatif) sont ceux qui ont le plus d’effet sur la variable d’intérêt. En effet, plus l’agriculteur possède de culture, plus il va utiliser de produits phytosaniatires et donc moins acheter à l’extérieur. Et plus il y a de frais véto plus il y a d’animaux et donc plus il y a des achats alimentaires.
## $lsmeans
## UGBBO_classe lsmean SE df lower.CL upper.CL
## 0-49 32622 2870 341 26974 38271
## 50-99 38729 5340 341 28224 49233
## 100-149 60745 7330 341 46326 75163
## 150-199 18879 13100 341 -6792 44550
## 200-249 54185 13000 341 28661 79710
##
## Results are averaged over the levels of: OTE64F, REGIONS
## Confidence level used: 0.95
##
## $contrasts
## contrast estimate SE df t.ratio p.value
## (0-49) - (50-99) -6106 5720 341 -1.067 0.8232
## (0-49) - (100-149) -28122 7510 341 -3.743 0.0020
## (0-49) - (150-199) 13744 13500 341 1.015 0.8484
## (0-49) - (200-249) -21563 13100 341 -1.648 0.4676
## (50-99) - (100-149) -22016 7950 341 -2.768 0.0466
## (50-99) - (150-199) 19850 13600 341 1.456 0.5919
## (50-99) - (200-249) -15457 13600 341 -1.140 0.7853
## (100-149) - (150-199) 41866 14200 341 2.957 0.0273
## (100-149) - (200-249) 6559 14100 341 0.466 0.9903
## (150-199) - (200-249) -35307 17900 341 -1.973 0.2813
##
## Results are averaged over the levels of: OTE64F, REGIONS
## P value adjustment: tukey method for comparing a family of 5 estimates## $lsmeans
## OTE64F lsmean SE df lower.CL upper.CL
## 4810 43502 5280 341 33123 53880
## 4820 36026 5550 341 25110 46941
## 4830 51085 5680 341 39905 62265
## 4840 33515 6950 341 19841 47190
##
## Results are averaged over the levels of: UGBBO_classe, REGIONS
## Confidence level used: 0.95
##
## $contrasts
## contrast estimate SE df t.ratio p.value
## OTE64F4810 - OTE64F4820 7476 4660 341 1.603 0.3783
## OTE64F4810 - OTE64F4830 -7584 3090 341 -2.454 0.0693
## OTE64F4810 - OTE64F4840 9986 6720 341 1.486 0.4471
## OTE64F4820 - OTE64F4830 -15059 5480 341 -2.747 0.0320
## OTE64F4820 - OTE64F4840 2510 7370 341 0.341 0.9864
## OTE64F4830 - OTE64F4840 17570 6630 341 2.651 0.0416
##
## Results are averaged over the levels of: UGBBO_classe, REGIONS
## P value adjustment: tukey method for comparing a family of 4 estimatesPour les variables qualitatives nous voulions voir les différentes relatives aux différentes modalités nous avons donc réalisé un test de comparaison deux à deux :
UGBBO_classe :
Les classes avec des différences significatives sont : 1) 0-49 et 100-149 UGB bovin 2)50-99 et 200-249 UGB bovin 3) 100-149 et 150-199 UGB bovin
Et pour les OTE64F :
On a des différences significatives entre les OTE : 1) 4830 et 4840 Exploitations caprines spécialisées et Exploitations d’herbivores 2) 4830 et 4820 Exploitations caprines spécialisée et Exploitations avec ovins et bovins combinés
Les hypothèses sont respectées une fois que les points aberrants ont été retirés.
De même que précédemment, nous nous intéressons ensuite à l’autonomie alimentaire à l’aide de ratio_achat
##
## Call:
## lm(formula = ratio_Achat ~ PBUCE + OTE64F + REGIO + SFP + SUT1GCU +
## CHRGTO + VAPBR + EBEXP + UGBBO_classe + CHREN + CHRPH + CHRAC +
## CHRPV + Total_charges_fossiles + ELECT + LANMX + Intra_conso_animaux +
## SAUTI_classe + CHRAC, data = data_mod_petits_ruminants)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.4507 -0.0834 -0.0092 0.0730 1.3608
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.098e-01 1.931e-01 1.604 0.10959
## PBUCE 8.553e-07 3.856e-07 2.218 0.02723 *
## OTE64F4820 -1.661e-02 7.636e-02 -0.218 0.82788
## OTE64F4830 -7.019e-02 6.107e-02 -1.149 0.25127
## OTE64F4840 -1.415e-02 1.113e-01 -0.127 0.89887
## REGIO24 3.904e-02 2.095e-01 0.186 0.85228
## REGIO25 -3.114e-02 2.341e-01 -0.133 0.89427
## REGIO26 1.229e-01 2.074e-01 0.592 0.55393
## REGIO41 4.327e-02 2.011e-01 0.215 0.82981
## REGIO42 3.790e-02 3.233e-01 0.117 0.90676
## REGIO43 3.138e-01 2.615e-01 1.200 0.23104
## REGIO52 -7.170e-02 2.200e-01 -0.326 0.74474
## REGIO53 -6.154e-02 2.475e-01 -0.249 0.80380
## REGIO54 -9.132e-02 1.949e-01 -0.469 0.63963
## REGIO72 4.052e-02 1.949e-01 0.208 0.83542
## REGIO73 2.147e-02 1.955e-01 0.110 0.91263
## REGIO74 1.741e-01 1.976e-01 0.881 0.37885
## REGIO82 7.129e-02 1.903e-01 0.375 0.70815
## REGIO83 6.068e-02 1.993e-01 0.304 0.76099
## REGIO91 9.101e-02 1.973e-01 0.461 0.64491
## REGIO93 4.747e-02 1.981e-01 0.240 0.81076
## SFP -2.011e-04 2.950e-04 -0.682 0.49600
## SUT1GCU -8.564e-04 6.823e-04 -1.255 0.21034
## CHRGTO -1.860e-07 3.685e-07 -0.505 0.61404
## VAPBR -5.479e-07 6.311e-07 -0.868 0.38598
## EBEXP -8.216e-07 6.116e-07 -1.343 0.18008
## UGBBO_classe50-99 -1.244e-01 9.192e-02 -1.353 0.17696
## UGBBO_classe100-149 -6.451e-02 1.252e-01 -0.515 0.60666
## UGBBO_classe150-199 -1.864e-01 2.209e-01 -0.844 0.39957
## UGBBO_classe200-249 -1.563e-03 2.152e-01 -0.007 0.99421
## CHREN -2.445e-06 3.714e-06 -0.658 0.51073
## CHRPH 2.077e-06 6.196e-06 0.335 0.73766
## CHRAC 2.465e-06 8.733e-07 2.823 0.00506 **
## CHRPV -7.234e-06 5.712e-06 -1.266 0.20628
## Total_charges_fossiles -4.662e-06 3.278e-06 -1.422 0.15596
## ELECT -5.581e-06 8.690e-06 -0.642 0.52118
## LANMX -9.040e-07 9.138e-05 -0.010 0.99211
## Intra_conso_animaux -2.148e-06 1.896e-06 -1.133 0.25820
## SAUTI_classe50-99 -1.592e-02 4.507e-02 -0.353 0.72413
## SAUTI_classe100-149 2.588e-02 6.534e-02 0.396 0.69230
## SAUTI_classe150-199 6.316e-02 8.664e-02 0.729 0.46657
## SAUTI_classe200-249 1.229e-01 1.331e-01 0.923 0.35647
## SAUTI_classe250-299 1.629e-01 1.396e-01 1.167 0.24402
## SAUTI_classe300-349 3.568e-01 1.625e-01 2.196 0.02881 *
## SAUTI_classe350-399 1.078e-01 2.002e-01 0.538 0.59063
## SAUTI_classe400-449 2.351e-01 2.249e-01 1.045 0.29667
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.2576 on 324 degrees of freedom
## Multiple R-squared: 0.212, Adjusted R-squared: 0.1026
## F-statistic: 1.937 on 45 and 324 DF, p-value: 0.0005978La p value du test globale est supérieur à 0.05 donc notre modèle peut être saturé, nous allons procéder à une sélection de variable.
## Start: AIC=-960.83
## ratio_Achat ~ PBUCE + OTE64F + REGIO + SFP + SUT1GCU + CHRGTO +
## VAPBR + EBEXP + UGBBO_classe + CHREN + CHRPH + CHRAC + CHRPV +
## Total_charges_fossiles + ELECT + LANMX + Intra_conso_animaux +
## SAUTI_classe + CHRAC`` Le modèle proposé contient encore trop de variables donc nousallons donc procéder à une sélection manuelle avec les p value pour avoir un modèle explicatif.
##
## Call:
## lm(formula = ratio_Achat ~ PBUCE + VAPBR + CHREN + Intra_conso_animaux,
## data = data_mod_petits_ruminants)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.5273 -0.0972 -0.0159 0.0683 1.5344
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.881e-01 2.225e-02 12.950 < 2e-16 ***
## PBUCE 6.756e-07 2.017e-07 3.350 0.000893 ***
## VAPBR -1.135e-06 2.921e-07 -3.888 0.000120 ***
## CHREN -5.376e-06 2.507e-06 -2.144 0.032673 *
## Intra_conso_animaux -4.062e-06 1.408e-06 -2.884 0.004161 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.2623 on 365 degrees of freedom
## Multiple R-squared: 0.0796, Adjusted R-squared: 0.06952
## F-statistic: 7.892 on 4 and 365 DF, p-value: 4.137e-06Le modèle retenu : ratio_Achat ~ PBUCE + VAPBR + CHREN + Intra_conso_animaux
## 6 58 117 121 135 147 235 255 310
## 3 53 112 116 130 142 228 248 300## Anova Table (Type II tests)
##
## Response: ratio_Achat
## Sum Sq Df F value Pr(>F)
## PBUCE 0.7720 1 11.2212 0.0008931 ***
## VAPBR 1.0398 1 15.1128 0.0001203 ***
## CHREN 0.3163 1 4.5978 0.0326726 *
## Intra_conso_animaux 0.5722 1 8.3169 0.0041606 **
## Residuals 25.1120 365
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## (Intercept) PBUCE VAPBR CHREN
## 2.881245e-01 6.755652e-07 -1.135416e-06 -5.376059e-06
## Intra_conso_animaux
## -4.061787e-06
Toutes nos variables explicatives sont en euros nous pouvons donc comparer leurs coefficients entre eux. En valeur absolue, il s’agit de la variable charge d’engrais (CHREN) qui semble la plus influente sur le ratio d’achat. Plus l’agriculteur a des charges d’engrais plus le ratio diminue en effet s’il a des charges d’engrais importants il a souvent beaucoup de terres et donc moins besoin d’acheter à l’extérieur. PBUCE est la variable qui lorsque le production augmente le ratio aussi. Nous retrouvons les résultats que l’intra consommation diminue lorsque le ratio achat augmente.
Les hypothèses sont également vérifiées. Les hypothèses sont : l’homoscédasticité, la normalité des résidus, l’indépendance des exploitations et la linéarité entre les valeurs du modèles et les résidus. #####MANQUE AUTONOMIE#####
ACP Porcins :
Modèle linéaire sur la classe Granivores, Porcins :
Comme il y a avait une grande classe granivores, on va tester le modèle linéaire sur les élevages spécialisées porcins (engraissement, naisseur et les deux), ayant plus de 20UGBPO.
Les hypothèses sont globalement vérifiées, donc nous allons affiner le modèle à l’aide d’un step() (critère utilisé : AIC car on souhaite un modèle plutôt explicatif). On obtient le modèle suivant (à la suite de test des facteurs pour affiner davantage à la main) :
## Start: AIC=4216.58
## ACHAC ~ OTE64F + UGBTO_classe + REGIONS + SFP + SUT1GCU + CHRGTO +
## PBRTO + VAPBR + EBEXP + CHREN + CHRPH + CHRPV + Total_charges_fossiles +
## ELECT + PITOT + INTVP + Intra_conso_animaux + PBUCE + UTANS +
## UTATO## Analysis of Variance Table
##
## Response: ACHAC
## Df Sum Sq Mean Sq F value Pr(>F)
## OTE64F 2 1.8087e+12 9.0433e+11 45.804 < 2.2e-16 ***
## REGIONS 10 2.6559e+12 2.6559e+11 13.452 < 2.2e-16 ***
## SUT1GCU 1 6.1463e+11 6.1463e+11 31.131 1.000e-07 ***
## CHRGTO 1 2.7746e+13 2.7746e+13 1405.331 < 2.2e-16 ***
## PBRTO 1 2.5218e+11 2.5218e+11 12.773 0.0004644 ***
## Total_charges_fossiles 1 3.9847e+11 3.9847e+11 20.182 1.338e-05 ***
## Residuals 161 3.1787e+12 1.9743e+10
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1##
## Call:
## lm(formula = ACHAC ~ OTE64F + REGIONS + SUT1GCU + CHRGTO + PBRTO +
## Total_charges_fossiles, data = data_mod_porcins)
##
## Residuals:
## Min 1Q Median 3Q Max
## -589368 -49445 9312 67971 368001
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.165e+05 6.406e+04 -1.819 0.070831 .
## OTE64F5120 8.750e+04 5.705e+04 1.534 0.127055
## OTE64F5130 1.062e+05 5.653e+04 1.878 0.062203 .
## REGIONSBourgogne-Franche-Comté 8.610e+04 7.414e+04 1.161 0.247238
## REGIONSBretagne 9.042e+04 4.865e+04 1.859 0.064888 .
## REGIONSCentre-Val de Loire -1.447e+03 7.317e+04 -0.020 0.984242
## REGIONSGrand Est -1.595e+04 7.496e+04 -0.213 0.831808
## REGIONSHauts-de-France 7.471e+04 6.953e+04 1.075 0.284200
## REGIONSNormandie 6.398e+04 6.312e+04 1.014 0.312307
## REGIONSNouvelle-Aquitaine 1.287e+04 5.556e+04 0.232 0.817072
## REGIONSOccitanie 2.010e+04 7.475e+04 0.269 0.788346
## REGIONSPACA 7.118e+04 1.484e+05 0.480 0.632045
## REGIONSPays de la Loire -1.864e+04 5.753e+04 -0.324 0.746395
## SUT1GCU -6.728e+02 2.578e+02 -2.610 0.009917 **
## CHRGTO 1.008e+00 9.732e-02 10.362 < 2e-16 ***
## PBRTO -2.917e-01 8.289e-02 -3.519 0.000563 ***
## Total_charges_fossiles -5.963e+00 1.327e+00 -4.492 1.34e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 140500 on 161 degrees of freedom
## Multiple R-squared: 0.9133, Adjusted R-squared: 0.9047
## F-statistic: 106 on 16 and 161 DF, p-value: < 2.2e-16## Warning: les observations ayant un 'leverage = 0' ne sont pas représentées sur le graphique :
## 178
Nous observons que toutes les variables présentes
(OTE64F+REGIONS+SUT1GCU+CHRGTO+PBRTO+Total_charges_fossiles) ont un
impact significatif sur les achats d’aliments concentrés. Concernant
l’impact des différentes variables sur les achats d’aliments concentrés,
on observe que :
* Pour les types d’exploitations, les exploitations 5130 (combinant
l’élevage et l’engraissement de porcins) ont des achats plus élevés que
les 5110 (pris pour référence, qui sint spécialisées porcins d’élevage),
et que les 5120 (spécialisées porcins engraissement, qui n’ont elles pas
des achats différents des 5110).
* Pour les régions, seule la Bretagne ressort significativement
différente de la région AURA prise pour référence, (avec, comme on
pouvait s’y attendre, un effet très positif sur les achats d’aliments).
* Pour les variables quantitatives, on observe que les surfaces de
culture (SUT1GCU) ont un impact négatif sur les achats de concentrés :
c’est tout à fait logique ; plus on a de surfaces en culture, moins on a
besoin d’en acheter à l’extérieur. Le produit total (incluant les
subventions, PBRTO) a un impact très faible (mais significatif, et
négatif) sur les achats extérieurs, tout comme le total des charges
fossiles.
Nous avons réalisé les mêmes modèles, mais pour l’autonomie : on prend comme variable à expliquer le ratio “Achats d’aliments / (Produit total - Subventions + Intraconsommation totale)”, c’est à dire que l’on divise les achats d’aliments par ce qui a été vendu (moins les subventions) et ce qui a été intraconsommé.
Les hypothèses sont globalement vérifiées, avec un léger problème d’homoscedasticité. On l’a gérer en enlevant des outliers après l’affinage du modèle. Nous allons affiner le modèle à l’aide d’un step() (critère utilisé : AIC car on souhaite un modèle plutôt explicatif). On obtient le modèle suivant (à la suite de test des facteurs pour affiner davantage à la main) :
## Start: AIC=-630.66
## ratio_Achat ~ OTE64F + UGBTO_classe + REGIONS + SFP + SUT1GCU +
## CHRGTO + PBRTO + VAPBR + EBEXP + CHREN + CHRPH + CHRPV +
## Total_charges_fossiles + ELECT + PITOT + INTVP + Intra_conso_animaux +
## PBUCE + UTANS + UTATO## Analysis of Variance Table
##
## Response: ratio_Achat
## Df Sum Sq Mean Sq F value Pr(>F)
## UGBTO_classe 10 0.5971 0.05971 2.2997 0.0149726 *
## SUT1GCU 1 0.7379 0.73792 28.4207 3.232e-07 ***
## CHRGTO 1 0.2375 0.23750 9.1472 0.0028974 **
## PBRTO 1 0.3095 0.30946 11.9187 0.0007090 ***
## VAPBR 1 0.4042 0.40420 15.5678 0.0001183 ***
## EBEXP 1 0.3385 0.33851 13.0376 0.0004067 ***
## Residuals 162 4.2062 0.02596
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## Anova Table (Type II tests)
##
## Response: ratio_Achat
## Sum Sq Df F value Pr(>F)
## UGBTO_classe 0.4986 10 1.9202 0.0458192 *
## SUT1GCU 0.4750 1 18.2956 3.224e-05 ***
## CHRGTO 0.3953 1 15.2247 0.0001397 ***
## PBRTO 0.2163 1 8.3295 0.0044326 **
## VAPBR 0.7344 1 28.2849 3.430e-07 ***
## EBEXP 0.3385 1 13.0376 0.0004067 ***
## Residuals 4.2062 162
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1##
## Call:
## lm(formula = ratio_Achat ~ UGBTO_classe + SUT1GCU + CHRGTO +
## PBRTO + VAPBR + EBEXP, data = data_mod_porcins)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.49957 -0.04857 0.02564 0.09305 0.33792
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.273e-01 9.316e-02 2.440 0.015784 *
## UGBTO_classe50-99 7.052e-02 1.316e-01 0.536 0.592706
## UGBTO_classe100-149 3.910e-01 1.232e-01 3.174 0.001801 **
## UGBTO_classe150-199 2.389e-01 1.051e-01 2.274 0.024304 *
## UGBTO_classe200-249 2.835e-01 1.093e-01 2.594 0.010347 *
## UGBTO_classe250-299 2.437e-01 1.052e-01 2.317 0.021747 *
## UGBTO_classe300-349 3.281e-01 1.025e-01 3.200 0.001656 **
## UGBTO_classe350-399 2.973e-01 1.057e-01 2.814 0.005497 **
## UGBTO_classe400-449 2.243e-01 1.083e-01 2.071 0.039923 *
## UGBTO_classe450-499 2.121e-01 1.120e-01 1.893 0.060191 .
## UGBTO_classe500+ 2.726e-01 9.987e-02 2.730 0.007041 **
## SUT1GCU -9.799e-04 2.291e-04 -4.277 3.22e-05 ***
## CHRGTO 6.129e-07 1.571e-07 3.902 0.000140 ***
## PBRTO -4.452e-07 1.542e-07 -2.886 0.004433 **
## VAPBR -9.874e-07 1.857e-07 -5.318 3.43e-07 ***
## EBEXP 8.873e-07 2.457e-07 3.611 0.000407 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.1611 on 162 degrees of freedom
## Multiple R-squared: 0.3842, Adjusted R-squared: 0.3272
## F-statistic: 6.739 on 15 and 162 DF, p-value: 3.631e-11
Les variables restantes ont des impacts significatifs sur le ratio d’autonomie alimentaire calculé.
## Warning: There was 1 warning in `summarise()`.
## ℹ In argument: `across(everything(), mean, na.rm = TRUE)`.
## Caused by warning:
## ! The `...` argument of `across()` is deprecated as of dplyr 1.1.0.
## Supply arguments directly to `.fns` through an anonymous function instead.
##
## # Previously
## across(a:b, mean, na.rm = TRUE)
##
## # Now
## across(a:b, \(x) mean(x, na.rm = TRUE))| Variables | Moyennes | Coef | Coef_Moyenne |
|---|---|---|---|
| SUT1GCU | 6.75e+01 | -1.18e-03 | -7.93% |
| CHRGTO | 9.66e+05 | 5.93e-07 | 57.26% |
| PBRTO | 1.18e+06 | -4.15e-07 | -48.99% |
| VAPBR | 2.56e+05 | -9.80e-07 | -25.05% |
| EBEXP | 2.87e+05 | 8.43e-07 | 24.18% |
##Etude des charges énergétiques fossiles##
Le total des charges fossiles correspond à la somme des charges des combustibles de l’exploitation.
