Cas Concrets de Statistiques 2025. Analyse des données du RICA : étude générale des données et des achats d’aliments des différents types d’exploitations.

Introduction

Le jeu de données correspond aux résultats comptables de 3985 exploitations, issus du Réseau d’Information Comptable Agricole (RICA). Les exploitations sont échantillonnées pour être représentatives de l’ensemble des exploitations françaises pour l’ensemble des variables présentes, notamment par exemple les régions.

Nous chargeons dans un premier temps le jeu de données simplifié, en ajoutant certaines colonnes (‘OTEXE’, ’ Type d’exploitation’, et les données d’intraconsommation végétales liées aux animaux) 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 noms des nouvelles 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 une grande majorité d’élevage de bovins, qui peuvent être spécialisés ou mixtes (élevage d’autres espèces). 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 (*vérifié dans les métadonnées). Pour régler ce problème, nous créons des classes d’UGB qui pourront servir en tant que variables qualitatives lors de futures ACP (classes de 50 UGB).

La seconde est que la répartition globale est fortement impactée par les exploitations bovines, majoritaires (environ 3/4 des exploitations élèvent au moins des bovins) : nous l’observons facilement en décomposant le graphe précédent (Histogramme des UGB totaux de toutes les exploitations) en fonction du type d’UGB (cad des espèces élevées) (*Pour rappel, ici aussi on ne considerera qu’une espèce est élevée qu’à partir de UGB de cette espèce) :

Nous remarquons une forte densité avec des exploitations de plus de 500 UGB. Notamment en élevage porcins et avicoles. Les élevages de ruminants possèdent moins d’UGB, pour les bovins une centaine d’UGB, pour les caprins, moins de 25 UGB et pour les ovins, une cinquainte d’UGB environ en moyenne.

Nous avons ensuite 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 quartiles et centrés sur la médiane (il est donc normal que les moyennes ne coincident pas nécessairement avec le centre des boxplot).

Nous observons 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).

Nous nous sommes 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 fréquemment des valeurs d’UGB supérieures à 500, de ce fait les régions comportant ces types d’élevage ont un nombre d’UGB élevé. Regardons rapidement les graphes pour chacune des espèces (moyennes : points rouges): D’abord, pour les volailles (en enlevant les valeurs d’UGB négatives de la base de données pour 293 exploitations) :

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 (160, 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).

Ensuite, pour les porcins :

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. Un seul élevage ayant plus de 5 UGB porcins est présent en PACA dans la base de données du RICA.

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 seule exploitation présente dans la base de données, qui possède une centaine d’UGB.

Les exploitations bovines sont de taille plutôt uniforme sur toute la France (entre 50 et 200 UGB environ), bien que plus logiquement petites par exemple en Île de France ou PACA que dans le Grand Est ou Pays de la Loire.

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-Aquitaine, Centre-Val de Loire et Pays-de-la-Loire. La Bretagne a deux 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. Deux exploitations en Nouvelle-Aquitaine présentent un nombre extrêmement élevé d’UGB (260 et 370 UGB!, soit plus de 2500 chèvres!)

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

Nous réalisons une ACP à l’aide des variables quantitatives présentes dans notre jeu de données simplifié :

Avant même d’étudier les axes des variables, nous remarquons que certains types d’exploitation (OTEXE) systématiquement mal représentés et par très peu d’exploitations. Nous les retirons donc de notre jeu de données. Cela simplifiera la lecture des ACP.

Sans les OTEXE viticultures, nous conservons la même information tout en allègeant nos graphiques et donc nos interprétations.

Tracons une matrice des corrélations pour étudier le lien (linéaire) entre les différentes variables quantitatives de notre jeu de données :

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), ce qui est logique car elles dépendent l’une de l’autre, et sont liées uniquement par une soustraction. 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.

Sans certaines OTEXE et sans la redondance des variables il devient plus facile d’interpréter les résultats de l’ACP :

Nous retrouvons les granivores caractérisés par des achats alimentaires, des charges d’électricités plus importantes par rapport aux autres OTEXE.

Les élevages bovins ont sensiblement le même emplacement sur l’ACP et notamment dû à des exploitations avec davantage de surface fourragère.

Les exploitations de grandes cultures restent moins bien représentées mais semblent avoir plus de charges fossiles tout comme les exploitations de polyculture et polyélevage.

Pour savoir si les exploitations granivores influencent les résultats de l’ACP, nous effectuons une sans l’OTEXE ” exploitations granivores” .

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 achats alimentaires, ce qui est cohérent avec l’ACP précédente.

Etude des achats alimentaires

Analyses bivariées

Nous nous intéressons désormais aux achats alimentaires. Les achats alimentaires (achats d’aliments concentrés ‘ACHAC’ et grossiers ‘ACHAG’, i.e fourrages) sont liées à l’alimentation du troupeau. Nous avons créé une variable ‘ACHA_SOMME’ de la somme de ces deux achats. 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) (*les n= ne sont pas affichés car ils l’ont déjà été pour les différents types d’exploitation précédemment) :

Les achats alimentaires de concentrés (ACHAC) sont quasi systématiquement bien plus importants en valeur que les achats de fourrages (ACHAG). Ainsi, les achats alimentaires totaux (ACHA_SOMME) sont majoritairement liés aux achats de concentrés.

En dehors du fait que l’échelle est écrasée par les valeurs très élevées de achats des élevages granivores, on observe que les achats dépendent fortement du type d’exploitation, et ce, en grande partie parce que les exploitations ont des nombre d’animaux à nourrir très différents, et que les animaux consomment des quantités absolues différentes par unité de temps. Pour réellement savoir si les exploitations reposent sur ces achats pour nourrir leurs animaux, nous créons des variables d’achats par unité d’UGB (nous divisons ces achats par le nombre total d’UGB présent sur l’exploitation). En effet, nous voyons bien que les achats augmentent en fonction du nombre total d’UGB (cf graphe suivant), ce qui est logique puisque la consommation de ces achats est réalisée par les animaux (et nous avons vu précédemment que les différents types d’exploitation avaient des nombre d’UGB distincts) :

Nous traçons ainsi les mêmes graphes d’achats alimentaires par type d’exploitation, mais désormais les achats sont divisées par le nombre d’UGB total pour chaque exploitation :

Les valeurs sont plus lisibles et plus facilement appréhendables : par exemple, on comprend que pour nourrir une vache allaitante (environ 1UGB), les exploitations bovines lait et viande (2e boxplot) achètent 250 euros d’aliments par an. Comme mentionné plus tôt, les achats sont principalement des concentrés. Nous traçons donc le même graphe des achats, mais cette fois-ci spécifiquement pour les concentrés.

Le graphe est intéressant ; il représente la dépendance des différentes exploitations à l’extérieur pour nourrir 1 UGB (sous l’hypothèse que tous les types d’exploitation et toutes les espèces sont nourries en quantités égales par unité d’UGB). 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 que les exploitations allaitantes. Celles-ci, tout comme les polyculteurs ou les exploitations spécialisées en grande culture, ont des valeurs faibles d’achats/UGB.

L’étude des achats de fourrages par UGB n’a que peu d’intérêt au regard des faibles valeurs pour la majorité des exploitations et des outliers importants :

Avant de 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")'

Construction de modèles

Pour pouvoir proposer un modèle linéaire, nous avons tout d’abord réalisé des analyses bivariées entre notre variable d’intérêt “ACHA_SOMME” qui correspond à la somme des achats extérieurs d’aliments 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 les achats semblent augmenter avec les UGB de manière exponentielle.

Entre la SFP et l’achat alimentaire il semble y avoir une relation 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.

Nous pouvons aussi étudier et décrire les relations entre la variable ratio_ACHA (c’est à dire la part de végétaux utilisés dans l’alimentation qui a été achetée à l’extérieur (=Achats/(Achats+Intraconsommation))) en fonction des autres variables de notre jeu de données :

## `geom_smooth()` using method = 'gam' and formula = 'y ~ s(x, bs = "cs")'

Pour rappel, ratio_ACHA correspond à la part d’aliments végétaux à destination animale qui a été achetée sur l’alimentation animale distribuée (cad intraconsommée et achetée), et qui ne prend pas en compte la variation des stocks. Le lien entre ratio_ACHA et les autres variables est tout à fait différent du lien précédemment observé entre ACHA et ces mêmes variables. On observe ici plusieurs tendances :

Pour les variables comptables, le lien est biaisé par les rares très grandes valeurs de x. Néanmoins (à part la valeur ajoutée (VAPBR)), mêmes avec ces outliers, les variables comptables semblent avoir un lien quadratique avec notre ration (les courbes sont paraboliques).

Pour les surfaces (SAUTI et SFP), la relation est décroissante et semble exponentielle pour la SFP. En revanche, le lien avec les UGB est positif et linéaire. On peut supputer que ces relations décroissantes (dont la pente se rapproche de zéro lorsque les surfaces deviennent grande) sont liées au fait que plus on possède de surfaces, moins on achète à l’extérieur.

La raison pour laquelle la variation du ratio (=Achats/(Achats+Intra_conso_animaux)) par rapport à Intra_conso_Animaux n’est pas -Achats/(Achats+intra_conso_animaux) au carré est que cette dérivée est obtenue “toutes choses égales par ailleurs”. Or, ici, lorsque l’intraconsommation varie entre différentes exploitations, les valeurs des achats varient aussi ! Bien sûr, lorsque l’intraconsommation est nulle, le rapport vaut 1. Mais très rapidement, le rapport descend à 0.75 et semble croître très légèrement puis diminuer pour de fortes valeurs d’intraconsommation.

Pour les UGB totaux, la relation est croissante et plutôt linéaire : plus on a d’animaux à nourrir, plus on utilise des aliments achetés en proportion des aliments totaux utilisés ; cela est lié au fait que les cheptels s’agrandissent en pratique plus vite que les surfaces (qui ne peuvent donc pas couvrir l’ensemble des besoins des animaux présents pour de grands troupeaux).

Enfin, le lien avec les fermages semble être similaire à celui des autres surfaces, ce qui est logique puisque ces variables sont corrélées.

Création et analyse de catégories spécifiques avec moins d’individus (exploitations)

Pour mieux identifier les types d’exploitations, nous avons regroupé les OTEXE en 4 catégories : Polyculteurs, Petits ruminants, Bovins et Granivores. Nous étudierons davantage en profondeur les différentes catégories plus loin dans le rapport.

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. Ces trois variables représentent de bons axes pour disperser et distinguer l’ensemble des exploitations granivores.

Alors que les exploitations herbivores sont caractérisées par une SFP plus importantes et davantage de charges fossiles liées notamment à la surface. On peut supposer que cette corrélation est due au lien entre surface et passages de tracteurs notamment.

Nous allons essayer d’analyser les grandes classes séparemment (car la construction d’un modèle linéaire global avec l’ensemble des exploitations ne respecte pas l’hypothèse d’homoscédasticité).

Modèle linéaire sur la grande classe Bovin :

## Start:  AIC=39272.59
## ACHA_SOMME ~ OTEXE + REGIONS + SFP + SUT1GCU + VAPBR + EBEXP + 
##     CHRPV + Total_charges_fossiles + ELECT + PITOT + INTVP + 
##     Intra_conso_animaux + UGBTO_classe + SAUTI_classe

Pour 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     83140 4130 1887    75036    91244
##  46     67313 4120 1887    59238    75389
##  47     72123 4270 1887    63758    80488
##  83     63772 4620 1887    54706    72837
## 
## 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    15827 1950 1887   8.107  <.0001
##  OTEXE45 - OTEXE47    11017 2390 1887   4.600  <.0001
##  OTEXE45 - OTEXE83    19368 2490 1887   7.788  <.0001
##  OTEXE46 - OTEXE47    -4810 2470 1887  -1.949  0.2082
##  OTEXE46 - OTEXE83     3542 2620 1887   1.354  0.5288
##  OTEXE47 - OTEXE83     8351 3130 1887   2.664  0.0389
## 
## Results are averaged over the levels of: REGIONS, UGBTO_classe, SAUTI_classe 
## P value adjustment: tukey method for comparing a family of 4 estimates

Nous 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.

## Start:  AIC=-6555.17
## Ratio_ACHA ~ OTEXE + REGIONS + SFP + SUT1GCU + VAPBR + EBEXP + 
##     CHRPV + Total_charges_fossiles + ELECT + PITOT + INTVP + 
##     Intra_conso_animaux + UGBTO_classe + SAUTI_classe

Pour 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     0.940 0.0270 1889    0.887    0.993
##  46     0.875 0.0276 1889    0.821    0.929
##  47     0.927 0.0285 1889    0.871    0.983
##  83     0.815 0.0310 1889    0.754    0.876
## 
## 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   0.0656 0.0119 1889   5.499  <.0001
##  OTEXE45 - OTEXE47   0.0132 0.0159 1889   0.827  0.8416
##  OTEXE45 - OTEXE83   0.1251 0.0161 1889   7.751  <.0001
##  OTEXE46 - OTEXE47  -0.0524 0.0164 1889  -3.201  0.0076
##  OTEXE46 - OTEXE83   0.0595 0.0176 1889   3.379  0.0041
##  OTEXE47 - OTEXE83   0.1119 0.0211 1889   5.312  <.0001
## 
## Results are averaged over the levels of: REGIONS, UGBTO_classe, SAUTI_classe 
## P value adjustment: tukey method for comparing a family of 4 estimates

Nous 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          0.840 0.0304 1889    0.780    0.900
##  50-99         0.884 0.0275 1889    0.830    0.938
##  100-149       0.896 0.0276 1889    0.842    0.950
##  150-199       0.905 0.0288 1889    0.848    0.961
##  200-249       0.900 0.0308 1889    0.839    0.960
##  250-299       0.896 0.0336 1889    0.831    0.962
##  300-349       0.887 0.0415 1889    0.806    0.968
##  350-399       0.905 0.0520 1889    0.803    1.007
## 
## 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)      -0.044191 0.0175 1889  -2.518  0.1883
##  (0-49) - (100-149)    -0.056204 0.0204 1889  -2.752  0.1081
##  (0-49) - (150-199)    -0.064817 0.0245 1889  -2.649  0.1394
##  (0-49) - (200-249)    -0.059511 0.0290 1889  -2.054  0.4458
##  (0-49) - (250-299)    -0.056334 0.0334 1889  -1.688  0.6954
##  (0-49) - (300-349)    -0.046830 0.0432 1889  -1.085  0.9601
##  (0-49) - (350-399)    -0.065121 0.0536 1889  -1.216  0.9275
##  (50-99) - (100-149)   -0.012012 0.0122 1889  -0.982  0.9770
##  (50-99) - (150-199)   -0.020626 0.0171 1889  -1.208  0.9297
##  (50-99) - (200-249)   -0.015319 0.0225 1889  -0.682  0.9975
##  (50-99) - (250-299)   -0.012143 0.0277 1889  -0.439  0.9999
##  (50-99) - (300-349)   -0.002639 0.0386 1889  -0.068  1.0000
##  (50-99) - (350-399)   -0.020930 0.0498 1889  -0.420  0.9999
##  (100-149) - (150-199) -0.008614 0.0143 1889  -0.602  0.9989
##  (100-149) - (200-249) -0.003307 0.0195 1889  -0.169  1.0000
##  (100-149) - (250-299) -0.000131 0.0249 1889  -0.005  1.0000
##  (100-149) - (300-349)  0.009373 0.0361 1889   0.260  1.0000
##  (100-149) - (350-399) -0.008918 0.0476 1889  -0.187  1.0000
##  (150-199) - (200-249)  0.005307 0.0188 1889   0.283  1.0000
##  (150-199) - (250-299)  0.008483 0.0236 1889   0.359  1.0000
##  (150-199) - (300-349)  0.017987 0.0346 1889   0.520  0.9996
##  (150-199) - (350-399) -0.000304 0.0460 1889  -0.007  1.0000
##  (200-249) - (250-299)  0.003176 0.0246 1889   0.129  1.0000
##  (200-249) - (300-349)  0.012680 0.0346 1889   0.367  1.0000
##  (200-249) - (350-399) -0.005611 0.0457 1889  -0.123  1.0000
##  (250-299) - (300-349)  0.009504 0.0357 1889   0.266  1.0000
##  (250-299) - (350-399) -0.008787 0.0466 1889  -0.189  1.0000
##  (300-349) - (350-399) -0.018291 0.0508 1889  -0.360  1.0000
## 
## Results are averaged over the levels of: OTEXE, REGIONS, SAUTI_classe 
## P value adjustment: tukey method for comparing a family of 8 estimates

Il 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 :

L’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 :

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.

Nous sommes partis d’un modèle complet puis nous avons réalisé une sélection de variable pour aboutir à un modèle (sans interaction avec les variables) : ACHA_SOMME ~ PBUCE + OTE64F + SFP + CHRGTO + PBRTO + VAPBR + EBEXP + UGBBO_classe + CHREN + CHRPH + CHRPV + Total_charges_fossiles + PITOT+ REGIONS

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=-18415.26
## 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

## 
## 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 
## -64668  -7452   -496   5991  83650 
## 
## Coefficients:
##                                  Estimate Std. Error t value Pr(>|t|)    
## (Intercept)                    -6.629e+03  2.863e+03  -2.316 0.021187 *  
## PBUCE                           1.385e-01  2.272e-02   6.099 2.94e-09 ***
## OTE64F4820                     -8.608e+03  4.605e+03  -1.869 0.062461 .  
## OTE64F4830                      6.747e+03  3.076e+03   2.193 0.028958 *  
## OTE64F4840                     -1.466e+04  7.506e+03  -1.953 0.051635 .  
## SFP                            -1.347e+01  9.221e+00  -1.460 0.145128    
## CHRGTO                          1.391e-01  4.877e-02   2.852 0.004607 ** 
## PBRTO                           1.197e-01  5.683e-02   2.106 0.035954 *  
## VAPBR                          -9.311e-02  3.688e-02  -2.525 0.012039 *  
## EBEXP                          -1.112e-01  5.569e-02  -1.997 0.046669 *  
## UGBBO_classe50-99               6.084e+03  6.110e+03   0.996 0.320035    
## UGBBO_classe100-149             2.820e+04  7.532e+03   3.744 0.000213 ***
## UGBBO_classe150-199            -1.397e+04  1.362e+04  -1.025 0.305946    
## UGBBO_classe200-249             1.308e+04  2.030e+04   0.644 0.519901    
## CHREN                          -5.329e-01  2.314e-01  -2.303 0.021867 *  
## CHRPH                          -5.907e-01  3.625e-01  -1.629 0.104147    
## CHRPV                           1.873e+00  3.372e-01   5.556 5.64e-08 ***
## Total_charges_fossiles         -1.355e+00  1.879e-01  -7.208 3.76e-12 ***
## PITOT                          -7.766e-01  1.120e-01  -6.935 2.10e-11 ***
## REGIONSBourgogne-Franche-Comté  7.641e+03  5.716e+03   1.337 0.182187    
## REGIONSBretagne                -1.541e+03  1.038e+04  -0.148 0.882055    
## REGIONSCentre-Val de Loire      3.030e+03  5.554e+03   0.546 0.585759    
## REGIONSGrand Est                7.780e+02  4.722e+03   0.165 0.869219    
## REGIONSHauts-de-France         -1.539e+03  1.192e+04  -0.129 0.897410    
## REGIONSNormandie               -4.000e+03  8.645e+03  -0.463 0.643903    
## REGIONSNouvelle-Aquitaine       5.661e+03  2.866e+03   1.975 0.049034 *  
## REGIONSOccitanie                8.022e+03  2.929e+03   2.739 0.006499 ** 
## REGIONSPACA                    -2.330e+03  4.231e+03  -0.551 0.582243    
## REGIONSPays de la Loire         4.792e+01  7.966e+03   0.006 0.995204    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 16350 on 336 degrees of freedom
## Multiple R-squared:  0.8495, Adjusted R-squared:  0.837 
## F-statistic: 67.75 on 28 and 336 DF,  p-value: < 2.2e-16

## [1] 3746.273

Toutes 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”.

En valeur absolue, pour les variables économiques en euros, les variables des charges vétérinaires (coefficient positifs) et de total charges en énergie fossile (coefficient négatif) sont celles qui ont le plus d’effet sur la variable d’intérêt. En effet, plus l’agriculteur possède de culture, plus il va utiliser d’énergie fossile 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. En comparant les influences entre les variables économiques et SFP, SFP à une variabilité de sd(SFP)* coefficient plus faible donc elle est moins influente.

## $lsmeans
##  UGBBO_classe lsmean    SE  df lower.CL upper.CL
##  0-49          30410  2990 336    24528    36293
##  50-99         36495  5750 336    25191    47799
##  100-149       58608  7360 336    44123    73094
##  150-199       16444 13100 336    -9356    42243
##  200-249       43489 20600 336     2995    83982
## 
## 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)         -6084  6110 336  -0.996  0.8571
##  (0-49) - (100-149)      -28198  7530 336  -3.744  0.0020
##  (0-49) - (150-199)       13967 13600 336   1.025  0.8436
##  (0-49) - (200-249)      -13078 20300 336  -0.644  0.9676
##  (50-99) - (100-149)     -22113  8260 336  -2.677  0.0595
##  (50-99) - (150-199)      20051 14000 336   1.429  0.6094
##  (50-99) - (200-249)      -6994 20900 336  -0.335  0.9973
##  (100-149) - (150-199)    42165 14200 336   2.962  0.0269
##  (100-149) - (200-249)    15120 20900 336   0.724  0.9508
##  (150-199) - (200-249)   -27045 24000 336  -1.126  0.7926
## 
## 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    41219 6100 336    29227    53211
##  4820    32611 6460 336    19902    45320
##  4830    47967 6420 336    35343    60591
##  4840    26559 8650 336     9549    43569
## 
## 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     8608 4610 336   1.869  0.2433
##  OTE64F4810 - OTE64F4830    -6747 3080 336  -2.193  0.1271
##  OTE64F4810 - OTE64F4840    14660 7510 336   1.953  0.2081
##  OTE64F4820 - OTE64F4830   -15356 5410 336  -2.839  0.0246
##  OTE64F4820 - OTE64F4840     6052 7910 336   0.765  0.8700
##  OTE64F4830 - OTE64F4840    21408 7410 336   2.888  0.0214
## 
## Results are averaged over the levels of: UGBBO_classe, REGIONS 
## P value adjustment: tukey method for comparing a family of 4 estimates

Pour 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. L’hypothèse d’homoscédasticité n’est cependant pas tout à fait respecter elle aurait dû être une droite horizontale.

De même que précédemment, nous nous intéressons ensuite à l’autonomie alimentaire à l’aide de Ratio_ACHA

La 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=-1425.79
## Ratio_ACHA ~ 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 nous allons donc procéder à une sélection manuelle avec les p value pour avoir un modèle explicatif.

## 
## Call:
## lm(formula = Ratio_ACHA ~ PBUCE + VAPBR + CHREN + Intra_conso_animaux, 
##     data = data_mod_petits_ruminants)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -0.75377 -0.06452  0.03663  0.10666  0.46161 
## 
## Coefficients:
##                       Estimate Std. Error t value Pr(>|t|)    
## (Intercept)          8.335e-01  1.281e-02  65.091  < 2e-16 ***
## PBUCE                6.044e-07  1.195e-07   5.056 6.82e-07 ***
## VAPBR                1.105e-07  1.709e-07   0.647    0.518    
## CHREN               -1.053e-06  1.464e-06  -0.719    0.473    
## Intra_conso_animaux -1.285e-05  8.207e-07 -15.659  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.1511 on 360 degrees of freedom
## Multiple R-squared:  0.4173, Adjusted R-squared:  0.4108 
## F-statistic: 64.44 on 4 and 360 DF,  p-value: < 2.2e-16

Le modèle retenu : Ratio_ACHA ~ PBUCE + VAPBR + CHREN + Intra_conso_animaux

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. On peut supputer que si l’agriculteur a des charges d’engrais importants il a souvent beaucoup de terres et donc moins besoin d’acheter à l’extérieur. Logiquement, nous retrouvons 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.

ACP Porcins :

##### Modèle linéaire sur la classe Granivores : porcins spécifiquement :

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 20 UGB Porcins et moins de 10 UGB des autres espèces.

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=4009.06
## 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

## Warning: les observations ayant un 'leverage = 0' ne sont pas représentées sur le graphique : 
##  169

## 
## Call:
## lm(formula = ACHAC ~ OTE64F + REGIONS + SUT1GCU + CHRGTO + PBRTO + 
##     Total_charges_fossiles, data = data_mod_porcins)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -590968  -52087    6234   68655  371122 
## 
## Coefficients:
##                                  Estimate Std. Error t value Pr(>|t|)    
## (Intercept)                    -1.166e+05  6.658e+04  -1.752 0.081824 .  
## OTE64F5120                      9.760e+04  5.938e+04   1.644 0.102299    
## OTE64F5130                      1.028e+05  5.808e+04   1.770 0.078663 .  
## REGIONSBourgogne-Franche-Comté  9.067e+04  7.702e+04   1.177 0.240948    
## REGIONSBretagne                 1.025e+05  5.245e+04   1.954 0.052480 .  
## REGIONSCentre-Val de Loire      2.479e+03  7.606e+04   0.033 0.974046    
## REGIONSGrand Est               -1.202e+04  7.800e+04  -0.154 0.877693    
## REGIONSHauts-de-France          7.401e+04  7.274e+04   1.018 0.310524    
## REGIONSNormandie                6.631e+04  6.618e+04   1.002 0.317944    
## REGIONSNouvelle-Aquitaine       1.828e+04  5.928e+04   0.308 0.758247    
## REGIONSOccitanie                2.526e+04  7.792e+04   0.324 0.746291    
## REGIONSPACA                     6.214e+04  1.526e+05   0.407 0.684540    
## REGIONSPays de la Loire        -1.142e+04  6.148e+04  -0.186 0.852932    
## SUT1GCU                        -6.728e+02  2.638e+02  -2.551 0.011745 *  
## CHRGTO                          1.008e+00  9.943e-02  10.141  < 2e-16 ***
## PBRTO                          -2.956e-01  8.469e-02  -3.491 0.000631 ***
## Total_charges_fossiles         -5.968e+00  1.359e+00  -4.391  2.1e-05 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 143400 on 152 degrees of freedom
## Multiple R-squared:  0.9078, Adjusted R-squared:  0.8981 
## F-statistic: 93.53 on 16 and 152 DF,  p-value: < 2.2e-16

## Analysis of Variance Table
## 
## Response: ACHAC
##                         Df     Sum Sq    Mean Sq  F value    Pr(>F)    
## OTE64F                   2 7.3188e+11 3.6594e+11   17.794 1.139e-07 ***
## REGIONS                 10 2.6364e+12 2.6364e+11   12.819 4.798e-16 ***
## SUT1GCU                  1 4.0442e+11 4.0442e+11   19.665 1.760e-05 ***
## CHRGTO                   1 2.6346e+13 2.6346e+13 1281.094 < 2.2e-16 ***
## PBRTO                    1 2.5877e+11 2.5877e+11   12.583 0.0005181 ***
## Total_charges_fossiles   1 3.9650e+11 3.9650e+11   19.280 2.104e-05 ***
## Residuals              152 3.1259e+12 2.0565e+10                       
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

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=-852.18
## Ratio_ACHA ~ 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_ACHA
##               Df  Sum Sq Mean Sq F value    Pr(>F)    
## UGBTO_classe  10 0.16357 0.01636  1.5786   0.11779    
## SUT1GCU        1 0.97334 0.97334 93.9335 < 2.2e-16 ***
## CHRGTO         1 0.17901 0.17901 17.2759 5.363e-05 ***
## PBRTO          1 0.05053 0.05053  4.8766   0.02871 *  
## VAPBR          1 0.07040 0.07040  6.7945   0.01005 *  
## EBEXP          1 0.00908 0.00908  0.8763   0.35070    
## Residuals    153 1.58538 0.01036                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

## Anova Table (Type II tests)
## 
## Response: Ratio_ACHA
##               Sum Sq  Df F value    Pr(>F)    
## UGBTO_classe 0.08521  10  0.8224   0.60762    
## SUT1GCU      0.67231   1 64.8826 2.091e-13 ***
## CHRGTO       0.03716   1  3.5863   0.06014 .  
## PBRTO        0.00774   1  0.7467   0.38887    
## VAPBR        0.06081   1  5.8690   0.01658 *  
## EBEXP        0.00908   1  0.8763   0.35070    
## Residuals    1.58538 153                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

## 
## Call:
## lm(formula = Ratio_ACHA ~ UGBTO_classe + SUT1GCU + CHRGTO + PBRTO + 
##     VAPBR + EBEXP, data = data_mod_porcins)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -0.32442 -0.04907  0.00811  0.05423  0.28319 
## 
## Coefficients:
##                       Estimate Std. Error t value Pr(>|t|)    
## (Intercept)          1.006e+00  5.886e-02  17.095  < 2e-16 ***
## UGBTO_classe50-99   -5.039e-02  9.293e-02  -0.542   0.5885    
## UGBTO_classe100-149 -3.234e-02  7.783e-02  -0.415   0.6784    
## UGBTO_classe150-199 -1.005e-01  6.800e-02  -1.478   0.1415    
## UGBTO_classe200-249 -8.937e-02  7.045e-02  -1.268   0.2066    
## UGBTO_classe250-299 -9.450e-02  6.814e-02  -1.387   0.1675    
## UGBTO_classe300-349 -6.036e-02  6.481e-02  -0.931   0.3532    
## UGBTO_classe350-399 -7.906e-02  6.679e-02  -1.184   0.2383    
## UGBTO_classe400-449 -1.556e-01  6.968e-02  -2.233   0.0270 *  
## UGBTO_classe450-499 -8.333e-02  7.277e-02  -1.145   0.2540    
## UGBTO_classe500+    -8.230e-02  6.348e-02  -1.296   0.1968    
## SUT1GCU             -1.174e-03  1.457e-04  -8.055 2.09e-13 ***
## CHRGTO               1.883e-07  9.944e-08   1.894   0.0601 .  
## PBRTO               -8.430e-08  9.756e-08  -0.864   0.3889    
## VAPBR               -2.863e-07  1.182e-07  -2.423   0.0166 *  
## EBEXP                1.461e-07  1.561e-07   0.936   0.3507    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.1018 on 153 degrees of freedom
## Multiple R-squared:  0.477,  Adjusted R-squared:  0.4257 
## F-statistic: 9.303 on 15 and 153 DF,  p-value: 3.334e-15

Les variables restantes ont des impacts significatifs sur le ratio d’autonomie alimentaire calculé. Regardons plus précisément l’impact moyen de chacune :

Variables	Moyennes	Coef	Coef_fois_Moyenne
SUT1GCU	7.09e+01	-1.18e-03	-8.34%
CHRGTO	1.01e+06	5.93e-07	60.13%
PBRTO	1.24e+06	-4.15e-07	-51.45%
VAPBR	2.67e+05	-9.80e-07	-26.20%
EBEXP	3.00e+05	8.43e-07	25.33%

On peut ainsi observer le poids “moyen” de chacune des variables sur la structure globale du ratio.

ON SUPPRIME NON? ==> Etude des charges énergétiques fossiles

Le total des charges fossiles correspond à la somme des charges des combustibles de l’exploitation.

Conclusion

L’analyse des données issues du RICA met en lumière des dynamiques concernant l’autonomie alimentaire des exploitations agricoles. Il apparaît que la quantité et proportion d’aliments achetés diminue à mesure que les exploitations grandissent en surface (surfaces consacrées aux cultures et aux prairies fourragères), favorisant ainsi une plus grande autoconsommation. À l’inverse, les systèmes d’élevage porcins ou avicoles se caractérisent par une faible autonomie alimentaire, souvent liée à un accès limité aux terres agricoles comparativement au nombre d’UGB à nourrir.Les exploitations laitières, en particulier, se montrent plus dépendantes des apports extérieurs en raison de leurs besoins élevés en concentrés. Par ailleurs, une relation proportionnelle entre la taille du cheptel et la dépendance extérieure est observée : l’augmentation du nombre d’animaux entraîne une insuffisance des ressources produites sur l’exploitation, accentuant ainsi la nécessité de recourir à des achats. Ces constats soulignent l’importance des surfaces agricoles disponibles et des stratégies d’équilibre entre taille du cheptel et ressources alimentaires pour renforcer l’autonomie alimentaire des exploitations.