Cas Concrets de Statistiques 2025. Analyse des données du RICA : étude générale des données et des achats d’aliments des différents types d’exploitations.
Sibylle COLOMB - Gabriel ERRERA - Léa LARHANTEC - Laetitia SCHEMBRI
2025-01-21
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
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 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. Les OTEXE retirés concernent les exploitations spécialisées en : - Viticulture de qualité, - Autre viticulture - Fleurs et horticulture - Légumes et champignons - Cultures fruitières et permanentes
Sans ces OTEXE, nous conservons presque la même information tout en allègeant nos graphiques et donc nos interprétations.
Nous traçons désormais la même ACP mais sans les variables redondantes et ces OTEXE, et avec les variables bien représentées en noires et celles moins bien représentées sont en grise (cos2<0.5). Le résultat est le suivant :
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) (*pour plus de lisibilité, les n= ne sont pas affichés puisqu’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")'
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.
- 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. En revanche, le lien avec les UGB est positif et linéaire. On peut supposer 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.
Construction de modèles
Voir le paragraphe précédent pour les analyses bivariées. Pour information, le ratio précédemment mentionné et analysé ne convient pas pour la construction de modèles. Ainsi, c’est un autre ratio qui sera étudié lorsqu’un ratio sera mentionné dans la suite de ce travail ; le ratio achats d’aliments / (Produit total - Subventions + Intraconsommation totale)), décrit plus loin.
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. L’ACP avec toutes les variables ne donne qu’assez peu d’informations :
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).
Nous avons également réaliser une ACP avec uniquement les élevages bovins pour savoir s’il y a des distinctions entre les différentes exploitations bovines.
L’ACP ne permet pas de distinguer les exploitations bovines entre elles à l’exception des bovins lait qui semblent acheter plus d’aliments à l’extérieur par rapport aux autres exploitations bovines.
Modèle linéaire sur la grande classe Bovin :
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.
## 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##
## Call:
## lm(formula = ACHA_SOMME ~ OTEXE + REGIONS + SFP + SUT1GCU + EBEXP +
## CHRPV + Total_charges_fossiles + ELECT + Intra_conso_animaux +
## UGBTO_classe + SAUTI_classe, data = data_sans_influents_bov)
##
## Residuals:
## Min 1Q Median 3Q Max
## -60345 -10759 -622 9631 78187
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.113e+04 2.566e+03 4.340 1.51e-05 ***
## OTEXE46 -1.083e+04 1.461e+03 -7.410 1.97e-13 ***
## OTEXE47 -7.243e+03 1.760e+03 -4.117 4.03e-05 ***
## OTEXE83 -1.409e+04 1.846e+03 -7.635 3.71e-14 ***
## REGIONSBourgogne-Franche-Comté 4.622e+02 1.643e+03 0.281 0.778501
## REGIONSBretagne -9.270e+03 2.116e+03 -4.381 1.25e-05 ***
## REGIONSCentre-Val de Loire -9.286e+02 2.554e+03 -0.364 0.716240
## REGIONSGrand Est 3.973e+03 1.695e+03 2.345 0.019154 *
## REGIONSHauts-de-France 2.717e+03 2.041e+03 1.331 0.183251
## REGIONSIle-de-France 7.844e+03 1.838e+04 0.427 0.669609
## REGIONSNormandie -4.596e+02 1.901e+03 -0.242 0.809034
## REGIONSNouvelle-Aquitaine 2.491e+03 1.621e+03 1.537 0.124567
## REGIONSOccitanie 2.923e+03 1.938e+03 1.508 0.131651
## REGIONSPACA -5.781e+03 5.684e+03 -1.017 0.309277
## REGIONSPays de la Loire -4.229e+03 1.976e+03 -2.140 0.032518 *
## SFP -1.314e+02 1.459e+01 -9.005 < 2e-16 ***
## SUT1GCU -2.152e+02 3.435e+01 -6.266 4.65e-10 ***
## EBEXP 9.427e-02 8.521e-03 11.064 < 2e-16 ***
## CHRPV 2.332e+00 1.301e-01 17.926 < 2e-16 ***
## Total_charges_fossiles 7.437e-01 8.044e-02 9.244 < 2e-16 ***
## ELECT 3.753e+00 1.996e-01 18.805 < 2e-16 ***
## Intra_conso_animaux -4.622e-01 5.943e-02 -7.778 1.25e-14 ***
## UGBTO_classe50-99 3.808e+03 1.798e+03 2.118 0.034309 *
## UGBTO_classe100-149 1.140e+04 2.145e+03 5.312 1.22e-07 ***
## UGBTO_classe150-199 2.018e+04 2.639e+03 7.645 3.43e-14 ***
## UGBTO_classe200-249 2.918e+04 3.249e+03 8.982 < 2e-16 ***
## UGBTO_classe250-299 3.203e+04 3.860e+03 8.296 < 2e-16 ***
## UGBTO_classe300-349 3.788e+04 5.808e+03 6.522 9.06e-11 ***
## UGBTO_classe350-399 9.428e+04 9.945e+03 9.481 < 2e-16 ***
## SAUTI_classe50-99 5.801e+03 2.089e+03 2.777 0.005550 **
## SAUTI_classe100-149 1.233e+04 2.881e+03 4.281 1.96e-05 ***
## SAUTI_classe150-199 1.653e+04 3.960e+03 4.174 3.15e-05 ***
## SAUTI_classe200-249 1.483e+04 5.223e+03 2.839 0.004580 **
## SAUTI_classe250-299 2.952e+04 6.863e+03 4.301 1.80e-05 ***
## SAUTI_classe300-349 2.851e+04 8.283e+03 3.442 0.000591 ***
## SAUTI_classe350-399 3.573e+04 1.196e+04 2.987 0.002852 **
## SAUTI_classe400-449 2.056e+04 1.772e+04 1.160 0.246036
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 18260 on 1737 degrees of freedom
## Multiple R-squared: 0.8013, Adjusted R-squared: 0.7972
## F-statistic: 194.6 on 36 and 1737 DF, p-value: < 2.2e-16A 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 de fourrages et concentrés en intraconsommation, qui sont important en polyculture.
## $lsmeans
## OTEXE lsmean SE df lower.CL upper.CL
## 45 72469 3990 1737 64634 80303
## 46 61643 4030 1737 53736 69550
## 47 65226 4050 1737 57276 73176
## 83 58375 4300 1737 49939 66812
##
## 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 10826 1460 1737 7.410 <.0001
## OTEXE45 - OTEXE47 7243 1760 1737 4.117 0.0002
## OTEXE45 - OTEXE83 14094 1850 1737 7.635 <.0001
## OTEXE46 - OTEXE47 -3583 1810 1737 -1.981 0.1957
## OTEXE46 - OTEXE83 3268 1890 1737 1.731 0.3077
## OTEXE47 - OTEXE83 6850 2310 1737 2.964 0.0162
##
## 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. La seule exception est pour les classes supérieurs à 500 UGB où la taille de cheptel n’impacte plus l’achat d’aliment. On pourrait supposer peut être des exploitations avec beaucoup de pâtures ou beaucoup de cultures dans cette classe ce qui expliquerait l’absence d’effet de la taille des cheptels.
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, pour ce qui est de l’effet des régions on voit que, par rapport à la région Auvergne-Rhône-Alpes, la Bretagne et Le pays de la Loire consomment moins d’aliments extérieurs ce qui est cohérent dans des régions productives du point de vue végétal avec plus d’exploitation en polyculture ou avec des surfaces fourragères (contrairement à la région Auvergne-Rhône-Alpes qui est dépendante pour les concentrés ayant des terres de moins bonne qualité). La région grand Est semble elle acheter plus d’aliments extérieurs que la région Auvergne-Rhône-Alpes ce qui pourrait s’expliquer par un besoin de fourrage plus important dû à la part importante de culture céréalière sur le territoire.
| Variables | Moyennes | Coef | Coef_fois_Moyenne |
|---|---|---|---|
| SFP | 1.79e+02 | -1.31e+02 | -23503.29 |
| SUT1GCU | 3.56e+01 | -2.15e+02 | -7671.25 |
| EBEXP | 1.30e+05 | 9.43e-02 | 12217.71 |
| CHRPV | 5.49e+03 | 2.33e+00 | 12800.15 |
| Total_charges_fossiles | 1.64e+04 | 7.44e-01 | 12189.94 |
| ELECT | 4.11e+03 | 3.75e+00 | 15408.16 |
| Intra_conso_animaux | 6.72e+03 | -4.62e-01 | -3107.13 |
Il semble que les variables les plus contributrices sont les variables économiques ainsi que les charges hors alimentation. C’est cohérent avec la taille des exploitations et des productivités croissantes qui sont correlées à l’achat d’aliment pour aliment de grands cheptels productifs. Ensuite il s’agit des surfaces culturales ce qui pourrait montrer que les aliments achetés sont en majorité des concentrés qui sont consommés en intraconsommation sur certaines exploitations.
Nous avons réalisé les mêmes modèles, mais avec 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.
Pour expliquer le ratio d’achat on regarde les variables suivantes : OTEXE,REGIONS,SFP,SUT1GCU,EBEXP,CHRPV,Intra_conso_animaux,UGBTO_classe et SAUTI_classee.
## 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##
## Call:
## lm(formula = Ratio_ACHA ~ OTEXE + REGIONS + SFP + SUT1GCU + EBEXP +
## CHRPV + Intra_conso_animaux + UGBTO_classe + SAUTI_classe,
## data = data_sans_influents_bov)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.53516 -0.04956 0.01808 0.08256 0.38584
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 9.237e-01 1.736e-02 53.192 < 2e-16 ***
## OTEXE46 -5.840e-02 8.775e-03 -6.655 3.75e-11 ***
## OTEXE47 -1.324e-02 1.146e-02 -1.155 0.248259
## OTEXE83 -9.583e-02 1.198e-02 -8.000 2.21e-15 ***
## REGIONSBourgogne-Franche-Comté 7.501e-04 1.129e-02 0.066 0.947041
## REGIONSBretagne -5.716e-03 1.459e-02 -0.392 0.695267
## REGIONSCentre-Val de Loire 5.497e-02 1.829e-02 3.006 0.002683 **
## REGIONSGrand Est 3.530e-02 1.166e-02 3.026 0.002510 **
## REGIONSHauts-de-France 7.215e-02 1.414e-02 5.102 3.72e-07 ***
## REGIONSIle-de-France 4.077e-02 6.517e-02 0.626 0.531715
## REGIONSNormandie 3.118e-02 1.315e-02 2.371 0.017859 *
## REGIONSNouvelle-Aquitaine -6.662e-03 1.142e-02 -0.583 0.559718
## REGIONSOccitanie -1.039e-02 1.373e-02 -0.757 0.449246
## REGIONSPACA -5.681e-02 4.404e-02 -1.290 0.197302
## REGIONSPays de la Loire 1.358e-02 1.329e-02 1.022 0.306982
## SFP -2.602e-04 9.767e-05 -2.664 0.007798 **
## SUT1GCU -8.670e-04 2.239e-04 -3.872 0.000112 ***
## EBEXP 2.838e-07 5.134e-08 5.527 3.73e-08 ***
## CHRPV 5.023e-06 7.766e-07 6.468 1.28e-10 ***
## Intra_conso_animaux -1.389e-05 3.875e-07 -35.852 < 2e-16 ***
## UGBTO_classe50-99 1.788e-02 1.317e-02 1.358 0.174659
## UGBTO_classe100-149 3.099e-02 1.525e-02 2.033 0.042236 *
## UGBTO_classe150-199 3.703e-02 1.815e-02 2.040 0.041506 *
## UGBTO_classe200-249 4.518e-02 2.153e-02 2.098 0.036003 *
## UGBTO_classe250-299 5.357e-02 2.483e-02 2.158 0.031083 *
## UGBTO_classe300-349 2.460e-02 3.221e-02 0.764 0.445022
## UGBTO_classe350-399 1.089e-01 4.192e-02 2.597 0.009476 **
## SAUTI_classe50-99 -9.303e-03 1.493e-02 -0.623 0.533234
## SAUTI_classe100-149 -7.620e-04 2.016e-02 -0.038 0.969856
## SAUTI_classe150-199 3.980e-02 2.746e-02 1.449 0.147380
## SAUTI_classe200-249 4.844e-02 3.562e-02 1.360 0.174077
## SAUTI_classe250-299 1.111e-01 4.631e-02 2.400 0.016517 *
## SAUTI_classe300-349 1.715e-01 5.521e-02 3.106 0.001928 **
## SAUTI_classe350-399 2.356e-01 6.994e-02 3.369 0.000771 ***
## SAUTI_classe400-449 2.567e-01 9.126e-02 2.813 0.004963 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.1284 on 1789 degrees of freedom
## Multiple R-squared: 0.5399, Adjusted R-squared: 0.5312
## F-statistic: 61.75 on 34 and 1789 DF, p-value: < 2.2e-16A 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 exclusivement du lait. 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 0.973 0.0206 1789 0.933 1.014
## 46 0.915 0.0211 1789 0.874 0.956
## 47 0.960 0.0216 1789 0.918 1.002
## 83 0.877 0.0236 1789 0.831 0.924
##
## 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 0.0584 0.00877 1789 6.655 <.0001
## OTEXE45 - OTEXE47 0.0132 0.01150 1789 1.155 0.6554
## OTEXE45 - OTEXE83 0.0958 0.01200 1789 8.000 <.0001
## OTEXE46 - OTEXE47 -0.0452 0.01190 1789 -3.801 0.0009
## OTEXE46 - OTEXE83 0.0374 0.01320 1789 2.837 0.0238
## OTEXE47 - OTEXE83 0.0826 0.01550 1789 5.332 <.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 (demandant plus de 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 nous estimons 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, nous voyons 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 0.892 0.0232 1789 0.846 0.937
## 50-99 0.909 0.0210 1789 0.868 0.951
## 100-149 0.923 0.0209 1789 0.882 0.964
## 150-199 0.929 0.0218 1789 0.886 0.971
## 200-249 0.937 0.0231 1789 0.891 0.982
## 250-299 0.945 0.0251 1789 0.896 0.994
## 300-349 0.916 0.0311 1789 0.855 0.977
## 350-399 1.000 0.0413 1789 0.920 1.081
##
## 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) -0.01788 0.01320 1789 -1.358 0.8760
## (0-49) - (100-149) -0.03099 0.01520 1789 -2.033 0.4599
## (0-49) - (150-199) -0.03703 0.01820 1789 -2.040 0.4550
## (0-49) - (200-249) -0.04518 0.02150 1789 -2.098 0.4162
## (0-49) - (250-299) -0.05357 0.02480 1789 -2.158 0.3782
## (0-49) - (300-349) -0.02460 0.03220 1789 -0.764 0.9948
## (0-49) - (350-399) -0.10886 0.04190 1789 -2.597 0.1575
## (50-99) - (100-149) -0.01311 0.00894 1789 -1.467 0.8251
## (50-99) - (150-199) -0.01915 0.01250 1789 -1.533 0.7897
## (50-99) - (200-249) -0.02729 0.01660 1789 -1.646 0.7218
## (50-99) - (250-299) -0.03569 0.02050 1789 -1.741 0.6602
## (50-99) - (300-349) -0.00672 0.02880 1789 -0.233 1.0000
## (50-99) - (350-399) -0.09098 0.03920 1789 -2.318 0.2842
## (100-149) - (150-199) -0.00604 0.01040 1789 -0.582 0.9991
## (100-149) - (200-249) -0.01419 0.01430 1789 -0.991 0.9758
## (100-149) - (250-299) -0.02258 0.01830 1789 -1.234 0.9218
## (100-149) - (300-349) 0.00639 0.02690 1789 0.237 1.0000
## (100-149) - (350-399) -0.07787 0.03770 1789 -2.064 0.4387
## (150-199) - (200-249) -0.00815 0.01370 1789 -0.595 0.9989
## (150-199) - (250-299) -0.01654 0.01730 1789 -0.958 0.9800
## (150-199) - (300-349) 0.01243 0.02580 1789 0.481 0.9997
## (150-199) - (350-399) -0.07183 0.03670 1789 -1.956 0.5122
## (200-249) - (250-299) -0.00839 0.01790 1789 -0.469 0.9998
## (200-249) - (300-349) 0.02057 0.02580 1789 0.799 0.9932
## (200-249) - (350-399) -0.06368 0.03660 1789 -1.742 0.6593
## (250-299) - (300-349) 0.02897 0.02640 1789 1.096 0.9579
## (250-299) - (350-399) -0.05529 0.03700 1789 -1.494 0.8111
## (300-349) - (350-399) -0.08426 0.04040 1789 -2.086 0.4246
##
## Results are averaged over the levels of: OTEXE, REGIONS, SAUTI_classe
## P value adjustment: tukey method for comparing a family of 8 estimatesGrâce à la comparaison 2 à 2 des variables, nous voyons qu’il n’y pas pas de différences significatives entre les différentes classes d’UGB, la taille du cheptel n’a donc pas d’effet sur la part d’aliment extérieur mais seulement sur la quantité (vu précédemment et donc en lien avec le nombre de têtes à nourrir). On aurait donc une production alimentaire sur l’exploitation qui serait corrélée positivement à la taille du cheptel.
Il y a un effet très positif de l’EBEXP sur le ratio d’aliment, il y a donc des exploitations moins autonomes sur le point de vue alimentaire mais qui seraient plus rentables que les autres. L’hypothèse est qu’ils produisent beaucoup plus.
Enfin, nous avons des charges vétérinaires qui augmentent quand la part d’aliment achetée augmente, cela pourrait peut être avoir un lien avec des densités plus importantes d’animaux dans des bâtiments (d’où le besoin de plus d’aliments), ce qui entrainerait de plus grandes charges vétérinaires. Ce n’est cependant qu’un hypothèse et la cause réelle pourrait être autre.
| Variables | Moyennes | Coef | Coef_fois_Moyenne | “%” |
|---|---|---|---|---|
| SFP | 1.79e+02 | -2.60e-04 | -4.65 | % |
| SUT1GCU | 3.56e+01 | -8.67e-04 | -3.09 | % |
| EBEXP | 1.30e+05 | 2.84e-07 | 3.68 | % |
| CHRPV | 5.49e+03 | 5.02e-06 | 2.76 | % |
| Intra_conso_animaux | 6.72e+03 | -1.39e-05 | -9.34 | % |
Nous vpyons que les variables sont toutes semblablement contibutrices de la variable d’intérêt. L’intra consommation est la plus influente. Nous pouvons comparer le produit moyenne et coefficient puisque qu’ils sont dans la même unité. Nous avons l’intraconsommation, la SFP et la surface de culture qui ont un faible impact négatif sur la part d’aliments achetés à l’extérieur comme vu précédemment. D’autre part l’excédent brut d’exploitation et les charges vétérinaires ont un impact positif sur la part d’aliments achetés à l’extérieur.
Modèle linéaire sur la grande classe Petits ruminants
Réalisons dans un premier temps une ACP avec uniquement les éleveurs spécialisés en production ovine et/ou caprine (pour rappel,
-“4810” sont les exploitations ovines spécialisées
- “4820” sont les eploitations avec ovins et bovins combinés
- “4830” sont les exploitations caprines spécialisées
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 :
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| Variables | Moyennes | Coef | Coef_fois_Moyenne |
|---|---|---|---|
| PBUCE | 1.37e+05 | 1.40e-01 | 1.91e+04 |
| SFP | 1.64e+02 | -1.65e+01 | -2.71e+03 |
| CHRGTO | 1.71e+05 | 1.58e-01 | 2.70e+04 |
| PBRTO | 2.14e+05 | 1.06e-01 | 2.26e+04 |
| VAPBR | 2.23e+04 | -1.06e-01 | -2.37e+03 |
| EBEXP | 7.16e+04 | -9.57e-02 | -6.86e+03 |
| CHREN | 5.47e+03 | -4.66e-01 | -2.55e+03 |
| CHRPH | 2.04e+03 | -1.13e+00 | -2.31e+03 |
| CHRPV | 3.86e+03 | 1.78e+00 | 6.87e+03 |
| Total_charges_fossiles | 9.73e+03 | -1.42e+00 | -1.38e+04 |
| PITOT | 8.21e+03 | -7.01e-01 | -5.76e+03 |
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, la variable Total charges fossiles est celle qui impactent le plus l’achat d’aliment. Ce qui semble cohérent car la les charges fossiles sont corrélées aux surfaces. Plus il y a de charges, plus il y a de surface.
Les Charges vétérinaires ont également un coefficient élevé et celles-ci sont corrélés à l’UGB.
L’achat d’aliment va essentiellement dépendre des surfaces (corrélées aux surfaces totales) néanmoins en comparant les variabilités moyennes SFP est moins influente par rapport aux charges fossiles, de la taille du cheptel.
## $lsmeans
## UGBBO_classe lsmean SE df lower.CL upper.CL
## 0-49 30190 2970 331 24354 36027
## 50-99 35939 5620 331 24877 47000
## 100-149 57435 7220 331 43232 71639
## 150-199 9771 17500 331 -24736 44279
## 200-249 47253 20100 331 7651 86854
##
## 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) -5748 6000 331 -0.959 0.8734
## (0-49) - (100-149) -27245 7400 331 -3.683 0.0025
## (0-49) - (150-199) 20419 17700 331 1.154 0.7774
## (0-49) - (200-249) -17062 19800 331 -0.860 0.9112
## (50-99) - (100-149) -21497 8060 331 -2.667 0.0611
## (50-99) - (150-199) 26167 18000 331 1.456 0.5921
## (50-99) - (200-249) -11314 20400 331 -0.555 0.9813
## (100-149) - (150-199) 47664 17900 331 2.656 0.0629
## (100-149) - (200-249) 10183 20400 331 0.498 0.9875
## (150-199) - (200-249) -37481 26200 331 -1.432 0.6073
##
## 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 40327 6430 331 27672 52982
## 4820 32757 6610 331 19757 45757
## 4830 47384 6710 331 34190 60578
## 4840 24003 9540 331 5243 42762
##
## 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 7570 4710 331 1.606 0.3765
## OTE64F4810 - OTE64F4830 -7057 3010 331 -2.342 0.0908
## OTE64F4810 - OTE64F4840 16324 7630 331 2.139 0.1429
## OTE64F4820 - OTE64F4830 -14627 5430 331 -2.696 0.0369
## OTE64F4820 - OTE64F4840 8754 8180 331 1.070 0.7081
## OTE64F4830 - OTE64F4840 23381 7530 331 3.103 0.0111
##
## 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 : - 0-49 et
100-149 UGB bovin
- 50-99 et 200-249 UGB bovin
- 100-149 et 150-199 UGB bovin
Et pour les OTE64F :
On a des différences significatives entre les OTE :
- 4830 et 4840 Exploitations caprines spécialisées et exploitations
d’herbivores
- 4830 et 4820 Exploitations caprines spécialisée et exploitations avec
ovins et bovins combinés
Vérifions les hypothèses de notre modèle après sélection des
variables :
Les hypothèses sont globalement respectées après retrait des points aberrants. Cependant, l’hypothèse d’homoscédasticité n’est pas tout à fait respectée puisque la droite n’est clairement pas horizontale.
De même que précédemment, nous nous intéressons ensuite au Ratio_ACHA :
La p value du test global est supérieure à 0.05 donc notre modèle peut être saturé, nous allons procéder à une sélection de variable.
## Start: AIC=-747.27
## Ratio_ACHATS ~ PBUCE + OTE64F + REGIO + SFP + SUT1GCU + CHRGTO +
## VAPBR + EBEXP + UGBBO_classe + CHREN + CHRPH + CHRAC + CHRPV +
## Total_charges_fossiles + ELECT + LANMX + Intra_conso_animaux +
## SAUTI_classe + CHRACLe 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_ACHATS ~ PBUCE + VAPBR + CHREN + Intra_conso_animaux,
## data = data_mod_petits_ruminants)
##
## Residuals:
## Min 1Q Median 3Q Max
## -5.3215 -0.0844 -0.0026 0.0791 1.5720
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.606e-01 2.787e-02 9.351 < 2e-16 ***
## PBUCE 6.584e-07 2.604e-07 2.528 0.01190 *
## VAPBR -7.921e-07 3.733e-07 -2.122 0.03455 *
## CHREN -4.975e-06 3.182e-06 -1.564 0.11881
## Intra_conso_animaux -4.863e-06 1.795e-06 -2.709 0.00709 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.3282 on 355 degrees of freedom
## Multiple R-squared: 0.04176, Adjusted R-squared: 0.03096
## F-statistic: 3.867 on 4 and 355 DF, p-value: 0.004334Le modèle retenu : Ratio_ACHATS ~ PBUCE + VAPBR + CHREN + Intra_conso_animaux Les graphes pour vérifier nos hypothèses :
Toutes nos variables explicatives sont en euros nous pouvons donc comparer leurs coefficients entre eux. En valeur absolue, il s’agit de la variable production standardisée brute (PBUCE) qui semble la plus influente sur le ratio d’achat. Plus l’agriculteur produit plus le ratio augmente donc plus il achète. Ce qui est cohérent puisqu’avec une très grosse production tout ne peut pas être produit sur la ferme à moins d’avoir beaucoup de surfaces et de la main d’oeuvre.
| Variables | Moyennes | Coef | Coef_fois_Moyenne | “%” |
|---|---|---|---|---|
| PBUCE | 1.36e+05 | 6.61e-07 | 9.00 | % |
| VAPBR | 2.19e+04 | -7.70e-07 | -1.69 | % |
| CHREN | 5.48e+03 | -5.43e-06 | -2.97 | % |
| Intra_conso_animaux | 7.93e+03 | -4.85e-06 | -3.84 | % |
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.
Modèle linéaire et ACP sur la classe Granivores (porcins uniquement) :
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.
Le premier modèle testé est : 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
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
##
## 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 ' ' 1Nous observons que toutes les variables présentes (OTE64F+REGIONS+SUT1GCU+CHRGTO+PBRTO+Total_charges_fossiles) ont un impact significatif sur les achats d’aliments concentrés.
Nous observons 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 sont 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).
Concernant l’impact des différentes variables sur les achats d’aliments concentrés, tracons un tableau pour voir l’impact moyen de chaque variable quantitative sur la construction des achats d’aliments :
| Variables | Moyennes | Coef | Coef_fois_Moyenne |
|---|---|---|---|
| SUT1GCU | 7.09e+01 | -6.73e+02 | -4.77e+04 |
| CHRGTO | 1.01e+06 | 1.01e+00 | 1.02e+06 |
| PBRTO | 1.24e+06 | -2.96e-01 | -3.66e+05 |
| Total_charges_fossiles | 1.41e+04 | -5.97e+00 | -8.42e+04 |
- Pour les variables quantitatives, nous observons 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 (coefficient significatif et négatif mais proche de 0) sur les achats extérieurs, tout comme le total des charges fossiles, mais comme les moyennes des variables sont élevées, l’impact global est élevé.
Nous avons réalisé les mêmes modèles, mais avec 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.
Le premier modèle est le suivant : Ratio_ACHATS~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
Les hypothèses sont globalement vérifiées, avec un léger problème d’homoscedasticité. On l’a géré 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=-729.59
## Ratio_ACHATS ~ 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_ACHATS
## Df Sum Sq Mean Sq F value Pr(>F)
## UGBTO_classe 10 0.41979 0.04198 3.2494 0.0007889 ***
## SUT1GCU 1 1.60059 1.60059 123.8949 < 2.2e-16 ***
## CHRGTO 1 0.07053 0.07053 5.4592 0.0207620 *
## PBRTO 1 0.33488 0.33488 25.9215 1.031e-06 ***
## VAPBR 1 0.30511 0.30511 23.6170 2.885e-06 ***
## EBEXP 1 0.22171 0.22171 17.1617 5.660e-05 ***
## Residuals 153 1.97660 0.01292
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## Anova Table (Type II tests)
##
## Response: Ratio_ACHATS
## Sum Sq Df F value Pr(>F)
## UGBTO_classe 0.37838 10 2.9289 0.0021820 **
## SUT1GCU 0.96416 1 74.6315 7.016e-15 ***
## CHRGTO 0.31745 1 24.5722 1.880e-06 ***
## PBRTO 0.19025 1 14.7267 0.0001814 ***
## VAPBR 0.51584 1 39.9293 2.734e-09 ***
## EBEXP 0.22171 1 17.1617 5.660e-05 ***
## Residuals 1.97660 153
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1##
## Call:
## lm(formula = Ratio_ACHATS ~ UGBTO_classe + SUT1GCU + CHRGTO +
## PBRTO + VAPBR + EBEXP, data = data_mod_porcins)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.37534 -0.06052 0.01240 0.07446 0.24231
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.395e-01 6.572e-02 3.644 0.000367 ***
## UGBTO_classe50-99 1.979e-01 1.038e-01 1.907 0.058370 .
## UGBTO_classe100-149 3.731e-01 8.690e-02 4.294 3.11e-05 ***
## UGBTO_classe150-199 3.323e-01 7.593e-02 4.377 2.22e-05 ***
## UGBTO_classe200-249 3.514e-01 7.867e-02 4.467 1.54e-05 ***
## UGBTO_classe250-299 3.311e-01 7.608e-02 4.352 2.46e-05 ***
## UGBTO_classe300-349 3.419e-01 7.237e-02 4.725 5.18e-06 ***
## UGBTO_classe350-399 3.118e-01 7.457e-02 4.182 4.86e-05 ***
## UGBTO_classe400-449 2.828e-01 7.781e-02 3.634 0.000380 ***
## UGBTO_classe450-499 2.990e-01 8.125e-02 3.680 0.000323 ***
## UGBTO_classe500+ 3.354e-01 7.088e-02 4.732 5.01e-06 ***
## SUT1GCU -1.406e-03 1.627e-04 -8.639 7.02e-15 ***
## CHRGTO 5.504e-07 1.110e-07 4.957 1.88e-06 ***
## PBRTO -4.180e-07 1.089e-07 -3.838 0.000181 ***
## VAPBR -8.338e-07 1.319e-07 -6.319 2.73e-09 ***
## EBEXP 7.221e-07 1.743e-07 4.143 5.66e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.1137 on 153 degrees of freedom
## Multiple R-squared: 0.599, Adjusted R-squared: 0.5597
## F-statistic: 15.24 on 15 and 153 DF, p-value: < 2.2e-16
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.
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.