Manuel AGRIS sur les enquêtes agricoles intégrées · 4.2.2.Structure du module Économie et principaux indicateurs 153 4.2.3.Contenu, définitions et classifications proposées

Manuel AGRISsur les enquêtes agricoles intégrées

Manuel AGRIS sue les enquêtes agricoles intégrées

Publication préparée dans le cadre de la Stratégie Mondiale pour l’Amélioration des Statistiques Agricoles et Rurales

MANUEL AGRIS SUR LES ENQUÊTES AGRICOLES INTÉGRÉES i

Manuel AGRISsur les enquêtes agricoles intégrées

Stratégie mondiale pour l’amélioration des statistiques agricoles et rurales October 2018

MANUEL AGRIS SUR LES ENQUÊTES AGRICOLES INTÉGRÉESii

MANUEL AGRIS SUR LES ENQUÊTES AGRICOLES INTÉGRÉES iii

Table des matières

Sigles et acronymes ix

Remerciements xii

CHAPITRE 1RÉALISER DES ENQUÊTES AUPRÈS DES EXPLOITATIONS AGRICOLES AU XXIE SIÈCLE 1 1.1. Un écosystème de données en constante évolution 1

1.2. Le problème de la production de données adaptées pour satisfaire les besoins prioritaires en matière

d’élaboration de politiques, de gestion du marché et d’aide à la recherche 2

1.3. État actuel des systèmes d’information à l’échelle des exploitations dans les pays en développement 4

1.4. Élaboration de systèmes d’informations statistiques intégrés et rentables 5

CHAPITRE 2PRÉSENTATION RAPIDE D’AGRIS 7 2.1. Raison d’être 7

2.2. L’unité statistique d’AGRIS : l’exploitation agricole 9

2.3. Collecte de données 10

2.3.1. Calendrier de la collecte de données : le cycle d’AGRIS 10

2.3.2. Mode de collecte des données 11

2.3.3. Échantillonnage 14

2.3.4. Questionnaires généraux AGRIS 15

2.4. Sujets traités 17

2.5. Accès aux données 21

2.6. Personnalisation et mise en œuvre d’AGRIS à l’échelle nationale 21

CHAPITRE 3ÉLÉMENTS DE DONNÉES AGRIS 3.1. Module de base AGRIS : objectifs de mesure et éléments de données 24

3.2. Module rotatif AGRIS – Économie : objectifs de mesure et éléments de données 29

3.3. Module rotatif AGRIS – Main-d’œuvre : objectifs de mesure et éléments de données 33

3.4. Module rotatif AGRIS – Méthodes de production et environnement : objectifs de mesure

et éléments de données 36

3.5. Module rotatif AGRIS – Machines, équipements et autres actifs : objectifs de mesure

et éléments de données 48

MANUEL AGRIS SUR LES ENQUÊTES AGRICOLES INTÉGRÉESiv

CHAPITRE 4AGRIS : QUESTIONNAIRES GÉNÉRAUX ET NOTES MÉTHODOLOGIQUES 51 4.1. Module de base d’AGRIS : note méthodologique 94

Introduction 94

4.1.1. Contexte, objectifs de mesure, unité statistique, périodes de référence et unités de mesure 94

4.1.1.1. Le module de base dans le contexte d’AGRIS 94

4.1.1.2. Module de base et cadres statistiques internationaux 95

4.1.1.3. Champ d’application et objectifs de mesure 99

4.1.1.4. Unité statistique et champ couvert 99

4.1.1.5. Périodes de référence et calendrier 100

4.1.1.5.1. Période de référence 100

4.1.1.5.2. Calendrier 101

4.1.1.6. Unités de mesure 101

4.1.2. Structure du module de base et principaux indicateurs 102

4.1.3. Contenu, définitions et classifications proposées 104

4.1.3.1. Section 1 : l’exploitation 104

4.1.3.1.1. Section 1, part 1.1 : Préparation de l’enquête 104

4.1.3.1.2. Section 1, part 1.2 : Identification de l’exploitation 104

4.1.3.1.3. Section 1, part 1.3 : Activité agricole 105

4.1.3.2. Section 2 : exploitants et chefs d’exploitation 106

4.1.3.3. Section 3 : Productions végétales pendant la période de référence 107

4.1.3.4. Section 4 : productions animales 112

4.1.3.5. Section 5 : Aspects économiques 117

4.1.3.6. Section 6 : Ménages des exploitants et co-exploitants 118

4.1.3.7. Section 7 : Main-d’œuvre utilisée par l’exploitation 118

4.1.3.8. Section 8 : Logement et équipements du ménage 119

4.1.3.9. Section 9 : Fin d’enquête 119

4.2. Module Économie d’AGRIS : note méthodologique 139

Introduction 139

4.2.1. Contexte, objectifs de mesure, unité statistique, périodes de référence et unités de mesure 140

4.2.1.1. Le module Économie dans le contexte AGRIS 140

4.2.1.2. Module Économie et cadres statistiques internationaux 142

4.2.1.3. Champ d’application et objectifs de mesure 146



4.2.1.5.1. Périodes de référence 148



4.2.2. Structure du module Économie et principaux indicateurs 153

4.2.3. Contenu, définitions et classifications proposées pour le module Économie 161

4.2.3.1. Section 1 : Principales caractéristiques de l’exploitation agricole 162

4.2.3.2. Section 2 : Revenus de l’exploitation agricole 163

4.2.3.3. Section 3 : Dépenses de l’exploitation agricole 168

4.2.3.4. Section 4 : Investissements, coûts financiers et d’assurance 171

4.2.3.5. Section 5 : Commercialisation et stockage 173

4.2.4. Options pour une version plus courte – identification des questions prioritaires 175

4.3. Module Main-d’œuvre d’AGRIS : note méthodologique 194

Introduction 194

4.3.1. Context, measurement objectives, statistical unit, reference periods and units of measure 194

MANUEL AGRIS SUR LES ENQUÊTES AGRICOLES INTÉGRÉES v

4.3.1.1. Le module Main-d’œuvre dans le contexte AGRIS 194

4.3.1.2. Module Main-d’œuvre et cadres statistiques internationaux 196

4.3.1.3. Objectifs de mesure 201



4.3.1.5.1. Périodes de référence 203



4.3.2. Structure du module Main-d’œuvre et principaux indicateurs 204

4.3.3. Contenu, définitions et classifications du module Main-d’œuvre 210

4.3.3.1. Contenu 210

4.3.3.1.1. Section 1 : aperçu des activités et de la main-d’œuvre de l’exploitation 210

4.3.3.1.2. Section 2 – Membres du ménage : temps de travail, activités,

paiements et bénéfices liés au travail sur l’exploitation 211

4.3.3.1.3. Section 3 – Travailleurs externes : caractéristiques démographiques,

temps de travail, activités, paiements et avantages pour le travail

effectué sur l’exploitation 213

4.3.3.1.4. Section 4 – Sous-traitance 215

4.3.3.2. Définitions et classifications 215

4.4. Module Méthodes de production et environnement d’AGRIS : note méthodologique 253

Introduction 253

4.4.1. Contexte, objectifs de mesure, unité statistique, périodes de références et unités de mesure 253

4.4.1.1. Le module MPE dans le contexte AGRIS 253

4.4.1.2. Module MPE et cadres statistiques internationaux 255

4.4.1.3. Objectifs de mesure et champ d’application 256


4.4.1.5. Période de référence et calendrier 258


4.4.2. Structure du module MPE et principaux indicateurs 260


4.4.3.1. Section 1 : Informations générales 263

4.4.3.2. Section 2 : Utilisation de ressources naturelles 263

4.4.3.3. Section 3 : Méthodes de production des cultures pendant la période de référence 267

4.4.3.4. Section 4 : Méthodes de production animale pendant la période de référence 273

4.4.3.5. Section 5 – Agriculture bio certifiée et conversion vers la certification en

agriculture bio pendant la période de référence 281

4.4.3.6. Section 6 – Agroforesterie pendant la période de référence 282

4.4.3.7. Section 7 – Accès à, et utilisation de, services d’information, infrastructures et

ressources communales pendant la période de référence 282

4.4.3.8. Section 8 – Gaz à effet de serre et sujets environnementaux pendant la période

de référence 283

4.4.3.9. Section 9 – Adaptation au changement climatique et stratégies d’atténuation

pendant la période de référence 284

4.4.3.10. Section 10 – Gestion des déchets pendant la période de référence 285

4.5. Module Machines, équipements et autres actifs d’AGRIS : note méthodologique 299

Introduction 299

4.5.1. Contexte, objectifs de mesure, unité statistique, périodes de références et unités de mesure 299

4.5.1.1. Le module MEA dans le contexte d’AGRIS 299

4.5.1.2. Module MEA et cadres statistiques internationaux 300

MANUEL AGRIS SUR LES ENQUÊTES AGRICOLES INTÉGRÉESvi

4.5.1.3. Objectifs de mesure et champ d’application 302




4.5.2. Structure du module MEA et principaux indicateurs 304


4.5.3.1. Section 1 – Machines et équipements utilisés par l’exploitation pendant la

période de référence 306

4.5.3.2. Section 2 – Bâtiments ou structures non résidentiels utilisés par l’exploitation 307

4.5.3.3. Section 3 – Autres actifs possédés par le ménage 307

CHAPITRE 5STRATÉGIE D’ÉCHANTILLONNAGE POUR AGRIS 309Introduction 309

5.1. Recommandations sur les bases de sondage à utiliser dans le cadre d’AGRIS 310

5.1.1. Première base de sondage multiple : bases de type liste 311

5.1.2. Deuxième base de sondage multiple : base aréolaire et bases de type liste 312

5.2. Construction des bases de sondage 313

5.2.1. Utilisation de bases de sondage existantes pour AGRIS 313

5.2.1.1. Base de sondage établie à partir d’un recensement de la population 313

5.2.1.2. Base de sondage établie à partir de données d’un recensement agricole 315

5.2.1.3. Utilisation d’une base aréolaire 316

5.2.2. Solutions pratiques en cas d’absence de bases adaptées 316

5.2.2.1. Recensement agricole fondé sur un échantillon large 316

5.2.2.2. Utilisation de données administratives 317

5.2.2.3. Construction d’une base de sondage double à partir d’images satellite et de

données administratives 317

5.3. Mise à jour des bases au cours du cycle décennal d’AGRIS 320

5.3.1. Bases de sondage de type liste 320

5.3.1.1. Systèmes rotatifs 320

5.3.1.2. Systèmes de panel 320

5.3.1.2.1. Mise à jour de la base de sondage 321

5.3.1.2.2. Options de mise à jour 321

5.3.2. Bases aréolaires et bases de sondage multiples 322

5.4. Unités statistiques 323

5.5. Stratification 323

5.6. Plans d’échantillonnage recommandés 324

5.6.1. Plans relatifs à la liste d’exploitations relevant du secteur des ménages et à la base

aréolaire : échantillonnage stratifié à deux degrés 325

5.6.2. Plans relatifs aux listes d’exploitations ne relevant pas du secteur des ménages et

d’exploitations sans terres pratiquant l’élevage : échantillonnage stratifié à un degré 326

5.7. Recommandations propres à l’utilisation d’autres bases de sondage dans le cadre d’AGRIS 327

5.7.1. Utilisation d’autres bases de type liste 327

5.7.2. Utilisation d’une base aréolaire 327

5.7.2.1. Couverture 327

5.7.2.2. Stratification 327

5.7.2.3. Observation sur le terrain 328

5.8. Estimation et variance de l’échantillonnage 329

MANUEL AGRIS SUR LES ENQUÊTES AGRICOLES INTÉGRÉES vii

5.8.1. Plan d’échantillonnage stratifié à deux degrés 329

5.8.2. Plan d’échantillonnage stratifié à un degré 331

5.8.3. Estimations basées sur les exploitations et échantillons aréolaires 332

5.8.3.1. Liens entre les unités de surface et les exploitations 332

5.8.3.2. Calcul du poids 332

5.8.4. Estimateurs de bases multiples 333

5.8.4.1. Base aréolaire et de type liste 333

5.8.4.2. Deux bases de type liste 334

5.9. Taille et répartition de l’échantillon 335

5.9.1. Échantillonnage stratifié à deux degrés 335

5.9.1.1. Option 1 : commencer par la taille de l’échantillon d’USE Nombre général d’USE 335

5.9.1.2. Option 2 : commencer par la taille de l’échantillon d’UPE 337

5.9.2. Échantillonnage stratifié à un degré 338

5.10. Architecture modulaire : base et modules 339

5.10.1. Plan d’échantillonnage à deux degrés 339

5.10.1.1. Sous-échantillonnage des USE au sein des UPE 339

5.10.1.2. Sous-échantillonnage des UPE 340

5.10.2. Plan d’échantillonnage à un degré 340

5.11. Analyse longitudinale 341

5.11.1. Enquête par panel 341

5.11.2. Rotation partielle de l’échantillon 341

5.11.2.1. La technique NAP 342

5.11.2.2. Rééchantillonnage 344

5.11.2.3. Considérations pratiques relatives à la rotation de l’échantillon 344

5.12. Conclusion 345

REFERENCES 346

MANUEL AGRIS SUR LES ENQUÊTES AGRICOLES INTÉGRÉESviii

ANNEXE – AGRIS Annexe 1. Classifications 355

Annexe 1-1a. International Standard Industrial Classification of All Economic Activities, Rev.4 (ISIC Rev.4) -

Classification detail for the activities in-scope for inclusion in AGRIS 358

Annexe 1-1b. Other economic activities reflected in AGRIS modules and their related ISIC Rev.4 references 365

Annexe 1-1c. Codes d’activité des modules AGRIS 369

Annexe 1-2. Indicative Crop Classification Version 1.1 (ICC 1.1) 371

Annexe 1-3. Classification centrale des produits, révision 2.1 (CCP rév. 2.1), élargie aux statistiques

agricoles et en vue de son utilisation dans le cadre d’AGRIS 377

Annexe 1-4. System of National Accounts 2008 (SNA 2008) 397

Annexe 1-5. International Standard Classification of Occupations (ISCO-08) 400

Annexe 1-6. Classification of Machinery and Equipment 416

Annexe 1-7. International Standard Classification of Education (ISCED 2011) 420

Annexe 2. Indicateurs calculés à partir d’AGRIS 421

Annexe 2-1. Indicateurs relatifs au module de base d’AGRIS 430

Annexe 2-2. Indicateurs relatifs au module Économie d’AGRIS 447

Annexe 2-3. Indicateurs relatifs au module Main-d’oeuvre d’AGRIS 460

Annexe 2-4. Indicateurs relatifs au module Méthodes de production et environnement d’AGRIS 476

Annexe 2-5. Indicateurs relatifs au module Machines, équipements et autres actifs d’AGRIS 496

Annexe 3. AGRIS et typologie des exploitations 505

Annexe 4. Éléments de données du questionnaire individuel, module optionnel 511

Annexe 5. CAPI et survey solutions 514

Annexe 6. Contribution de la banque de questions 520

Annexe 7. Paquets R recommandés pour l’échantillonnage AGRIS 526

MANUEL AGRIS SUR LES ENQUÊTES AGRICOLES INTÉGRÉES ix

Sigles et acronymes

AGRIS enquête agricole intégrée

BSP base de sondage principale

CAPI interview personnelle assistée par ordinateur

CCP Classification centrale des produits

CDSE 2013 Cadre pour le développement des statistiques de l’environnement 2013

CEI cadre d’enquête intégré

CITE Classification internationale type de l’éducation

CITI Classification internationale type, par industrie, de toutes les branches d’activité économique

CITP Classification internationale type des professions

CSNU Commission de statistique des Nations Unies

DSNU Division de statistique des Nations Unies

EMDB Ensemble minimal de données de base

EMNV-EAI Étude de mesure des niveaux de vie — enquêtes agricoles intégrées

FAO Organisation des Nations Unies pour l’alimentation et l’agriculture

FNUAP Fonds des Nations Unies pour la population

GAS gaz à effet de serre

GPS système de positionnement mondial

GSARS Stratégie mondiale pour l’amélioration des statistiques agricoles et rurales

IDA Association internationale de développement

MEA machines, équipements et autres actifs

MGPP méthode généralisée du partage des poids

MPE méthodes de production et environnement

NAP nombre aléatoire permanent

ODD objectif de développement durable

OGM organisme génétiquement modifié

OIT Organisation internationale du Travail

ONG organisation non gouvernementale

ONU Organisation des Nations Unies

PAE personne exerçant une activité économique

PAPI enquête effectuée à l’aide d’un papier et d’un stylo

PPP produit de protection des plantes

SAU superficie agricole utilisée

SCEE Système de comptabilité économique et environnementale

SCN Système de comptabilité nationale

SGNU Secrétaire général des Nations Unies

SIG Système d’information géographique

UE Union européenne

UPE unité primaire d’échantillonnage

USE unité secondaire d’échantillonnage

WASDE Estimations mondiales de l’offre et de la demande agricoles

PMRA 2020 Recensement mondial de l’agriculture 2020

MANUEL AGRIS SUR LES ENQUÊTES AGRICOLES INTÉGRÉESx

MANUEL AGRIS SUR LES ENQUÊTES AGRICOLES INTÉGRÉES xi

MANUEL AGRIS SUR LES ENQUÊTES AGRICOLES INTÉGRÉESxii

Remerciements

Le présent Manuel sur les enquêtes agricoles intégrées (AGRIS) a été préparé par une équipe centrale de statisticiens agricoles chevronnés disposant de vastes connaissances et de plusieurs dizaines d’années d’expérience en matière d’enquêtes et de recensements dans différentes régions du monde. M. François Fonteneau, directeur des programmes AGRIS au bureau international de la Stratégie mondiale pour l’amélioration des statistiques agricoles et rurales, a coordonné le travail d’équipe, avec l’aide de Mme Neli Georgieva, statisticienne au sein de la Stratégie mondiale.

Plusieurs spécialistes ont contribué à la stratégie mondiale d’AGRIS, au contenu des questionnaires généraux, à la formulation des questions et des déroulements logiques, ainsi qu’aux considérations budgétaires et opérationnelles et aux stratégies et pratiques d’échantillonnage. Les experts suivants au sein de l’équipe ont écrit ou coécrit un ou plusieurs chapitres : • Chapitre 1: François Fonteneau et Jacques Delincé1 • Chapitre 2: François Fonteneau et Neli Georgieva• Chapitre 3: Neli Georgieva et François Fonteneau • Chapitre 4: Neli Georgieva et François Fonteneau, en collaboration avec :

�� Robert Arcaraz1: modules de base, Économie, Méthodes de production et environnement, et Machines, équipements et autres actifs

�� Chiara Brunelli2: module Main-d’œuvre�� Frank Cachia1: module Économie�� Antonio Discenza3: module Main-d’œuvre�� Lynda Kemp1: modules de base, Économie, Main-d’œuvre, Méthodes de production et

environnement• Chapitre 5: Dramane Bako1, Jacques Delincé et Marcello D’Orazio3, en collaboration avec Piero Falorsi3 et

Cristiano Ferraz4.• Annexes: Neli Georgieva, en collaboration avec Lynda Kemp, Michael Rahija5, Robert Arcaraz, Andrea

Foroni1 et Mariana Toteva1.

Yakob Seid1, Andrea Foroni, Shima Gholamimehrabadi1 et Jefferson Attipoe6 ont effectué des recherches générales et fourni un soutien opérationnel.

Cette publication est donc le fruit d’un véritable travail d’équipe, dont tous les membres principaux ont largement contribué à l’ensemble du manuel. Les membres du Comité consultatif scientifique de la Stratégie mondiale et d’autres experts internationaux ont également apporté des contributions et commentaires précieux lors d’une série d’évaluations collégiales thématiques et transversales organisées en 2016 et 2017 au siège de l’Organisation des Nations Unies pour l’alimentation et l’agriculture (FAO). Le bureau international a notamment organisé une réunion d’experts de haut niveau consacrée à cette publication en février 2017. Les interventions qui en ont résulté ont été particulièrement utiles tout au long du processus de conception de la méthodologie AGRIS.

1 Consultant, bureau international2 Organisation des Nations Unies pour l’alimentation et l’agriculture (FAO)3 Istat4 Université fédérale de Pernambuco, Brésil5 Bureau international6 FAO Ghana

MANUEL AGRIS SUR LES ENQUÊTES AGRICOLES INTÉGRÉES xiii

Les contributions de Christophe Duhamel5, Naman Keita1, Michael Steiner7 et Alberto Zezza8 aux différents stades de développement de la méthodologie se sont avérées cruciales.

La contribution à différentes étapes clés de la conception de la méthodologie AGRIS de nos agences partenaires, en particulier l’équipe d’étude sur la mesure des niveaux de vie de la Banque mondiale, l’Organisation internationale du Travail des Nations Unies et Eurostat, a elle aussi été exceptionnelle. La méthodologie proposée a par ailleurs fait l’objet d’un examen par les pairs au sein de la FAO, dans le cadre de son Groupe de travail interdépartemental sur les statistiques. Les apports précieux des directeurs, employés et experts en matière d’enquêtes du Ghana Statistical Service (GSS) et du ministère de l’Alimentation et de l’Agriculture du Ghana (MOFA), qui ont travaillé aux côtés du bureau international pour tester la méthodologie proposée sur le terrain, sont également reconnus et salués.

Cette publication a été rédigée avec l’aide du Fonds fiduciaire de la Stratégie mondiale, financé par le ministère britannique du Développement international (DfID) et la Fondation Bill & Melinda Gates.

Mise en page et mise en texte sous la direction de Francesca Zoppi.

Ce document a été révisé par Sarah Pasetto et Ankouvi Nayo.

7 Ministère de l’agriculture des États-Unis (USDA)8 Banque mondiale

MANUEL AGRIS SUR LES ENQUÊTES AGRICOLES INTÉGRÉESxiv

MANUEL AGRIS SUR LES ENQUÊTES AGRICOLES INTÉGRÉES 11

1Chapitre 1

Réaliser des enquêtes auprès des exploitations agricoles au XXIe siècle

1.1. UN ÉCOSYSTÈME DE DONNÉES EN CONSTANTE ÉVOLUTION

À une époque où Internet fournit des réponses immédiates à toutes les questions que l’on se pose, et alors que certaines régions du monde connaissent et profitent d’une véritable révolution des données, la collecte d’informations sur les productions, les stocks et les prévisions agricoles au niveau mondial, national, local et des exploitations reste problématique. S’il ne fait aucun doute que les ressources agricoles et les technologies actuelles, toujours plus puissantes, sont capables de nourrir la planète, les gouvernements, le secteur privé et les citoyens restent confrontés à des problèmes potentiels liés aux pénuries d’aliments pour les animaux et les êtres humains, aux effets de précipitations ou de vagues de chaleur anormales, aux prix anormalement élevés et aux conséquences d’interdictions des exportations ou du changement climatique. La collecte de données sur ces facteurs s’avère encore difficile aujourd’hui, notamment lorsqu’elle doit être effectuée au niveau des exploitations.

Parallèlement aux systèmes d’information agricole en temps quasi réel fondés sur la télédétection et d’autres capteurs connectés, l’existence de bases de données de référence internationales normalisées et validées (telles que FAOSTAT) est essentielle pour relativiser les nouvelles informations au regard des tendances historiques. Ces statistiques agricoles découlent traditionnellement de trois sources principales : les recensements (p. ex, le recensement agricole décennal recommandé – FAO, 2015), les monographies portant sur des exploitations typiques (p. ex., AgriBenchmark sur les coûts de production – Isermeyer [2012], ou les rapports relatifs aux services de vulgarisation) et les enquêtes annuelles (p. ex., l’enquête agricole de juin du Département de l’agriculture des États-Unis [USDA] – Cotter et al., 2010). À l’échelle mondiale, leur qualité globale est en baisse constante en raison principalement de restrictions budgétaires, qui impliquent de procéder à des choix radicaux quant aux indicateurs suivis (voir, p. ex., les variables essentielles désignées par la Stratégie mondiale pour l’amélioration des statistiques agricoles et rurales, ci-après la Stratégie mondiale ou GSARS – Banque mondiale, FAO et Nations Unies, 2011) et à la recherche de méthodes de collecte plus rentables (estimateurs multitrames, intégration de données administratives) et de techniques d’analyse de meilleure qualité (utilisation d’outils SIG).

Les jeux de données des enquêtes agricoles intégrées (AGRIS) seront principalement utilisés pour concevoir et contrôler les politiques à l’échelle nationale. Les bases de données internationales de référence pourront toutefois également en bénéficier, grâce aux indicateurs de meilleure qualité produits par les sources d’AGRIS et divulgués.

MANUEL AGRIS SUR LES ENQUÊTES AGRICOLES INTÉGRÉES2

1.2. LE PROBLÈME DE LA PRODUCTION DE DONNÉES ADAPTÉES POUR SATISFAIRE LES BESOINS PRIORITAIRES EN MATIÈRE D’ÉLABORATION DE POLITIQUES, DE GESTION DU MARCHÉ ET D’AIDE À LA RECHERCHE

Les statistiques agricoles axées sur l’utilisateur visent à satisfaire trois grandes catégories de besoins : élaboration de politiques, gestion du marché et aide à la recherche. Ceci a incité la GSARS à identifier des variables essentielles portant sur la production végétale et animale, les données socio-économiques associées et la couverture du sol, qu’elle a ensuite intégrées dans sa proposition d’ensemble minimum de données de base1. Les microdonnées de qualité collectées auprès des exploitations dans le cadre d’enquêtes fondées sur des méthodologies fiables sont essentielles pour produire cet ensemble de données, qui pourra être utile aux trois catégories d’utilisateurs de données susmentionnées.

Les décideurs politiques s’appuient habituellement sur les résultats d’études fondées sur des modèles d’équilibre général ou partiel (M’Barek et al., 2012) pour tirer des conclusions sur les conséquences des décisions interventionnistes. Ces modèles recherchent constamment un équilibre entre offre et demande basé sur les quantités et les prix des produits rivalisant pour l’obtention de ressources économiques et limités par des facteurs de production tels que les terres, la main-d’œuvre et le capital. Les équations de ces modèles reproduisent le comportement des agents économiques par le biais de paramètres appelés « élasticités ». Les principales catégories sont les élasticités de la demande, de l’offre et de substitution, propres à chaque produit, ce qui peut, dans certains modèles, entraîner l’estimation de milliers de paramètres dans le cadre d’études économétriques. Par ailleurs, les variables des équations représentent les quantités (nombre d’hectares ou de bêtes), les valeurs monétaires (importations ou exportations de viande en dollars des États-Unis, coûts de production), voire des informations qualitatives (risque accepté, nature du sol). Ces paramètres doivent être connus de façon aussi précise que possible et s’inscrire dans une série temporelle remontant à 15-20 ans. De plus, leur cohérence interne est indispensable à la recherche de solutions au système d’équations.

Les sources de données sont des bases de données internationales gérées par des organismes tels que l’Organisation des Nations Unies pour l’alimentation et l’agriculture (FAO), la Banque mondiale, l’Union européenne (UE) ou l’USDA, et alimentées par une grande variété de sources : recensements nationaux, monographies, données administratives, télédétection et enquêtes, y compris sur les exploitations agricoles. La qualité de ces bases de données est généralement limitée par des aberrations et des sources de données contradictoires, manquantes ou obsolètes, qui peuvent s’expliquer par l’absence d’enquêtes récentes. L’importance de ces modèles et des bases de données associées devient évidente lors de l’examen de leur contenu (p. ex., les variables qu’ils contiennent) et de leur portée (période et pays couverts). La base de données GTAP-9 (le modèle d’équilibre général calculable le plus utilisé, et de loin) couvre 140 pays et 57 produits pour les années 2004, 2007 et 2011 (notez l’écart entre l’année en cours et les données disponibles les plus récentes). En ce qui concerne les analyses propres à un pays, les matrices de comptabilité sociale de l’IFPRI figurent parmi les bases de données les plus pertinentes, et couvrent 60 pays d’Afrique, d’Asie et d’Amérique latine ; mais dans ce cas également, les données les plus récentes datent quelque peu, puisqu’elles concernent l’année 2012.

La gestion du marché, façonnée par les ministères de l’Agriculture et par le secteur privé, dépend également de la disponibilité de statistiques agricoles récentes et fiables, tirées entre autres d’enquêtes agricoles. Bien que le commerce de produits agricoles ne représente qu’une petite part de la production (23 % pour le blé et 8 % pour le riz en 2015), la rigidité de l’élasticité de la demande alimentaire entraîne la conséquence suivante : la production a une telle incidence sur la volatilité des prix que les rapports mensuels de l’USDA portant sur l’estimation de l’offre et de la demande agricoles mondiales (rapports WASDE) sont rédigés dans le plus grand secret, sont publiés à date et heure fixe, et ont un impact direct sur la fixation des prix internationaux. Les stratégies d’importation et d’exportation, la

1 Voir le tableau 1 dans Banque mondiale, FAO et Nations Unies (2011).


planification budgétaire et les mesures de soutien des prix sont des priorités récurrentes des autorités nationales qui dépendent des statistiques agricoles actuelles et passées. De même, le secteur des multinationales agroalimentaires et les fonds d’investissement spéculatifs s’appuient sur le système statistique pour optimiser, d’une part, leurs choix de production à la lumière des choix du consommateur et, d’autre part, leurs stratégies d’investissement à court et long terme. Ce type d’étude se concentre souvent uniquement sur le secteur agricole, et les modèles concernés sont généralement fondés sur un équilibre partiel. Ces études sont utilisées à des fins de planification et de post-évaluation, et nécessitent des données régionales. Elles peuvent être considérées comme les études revêtant la plus grande importance pour les gouvernements nationaux.

L’aide à la recherche est le troisième objectif axé sur l’utilisateur le plus important des statistiques agricoles. Les travaux de recherche scientifique fondés sur les bases de données en accès libre sont indispensables à la fois pour les décideurs politiques et les analystes de marché. Des milliers d’articles scientifiques sont publiés chaque mois. Outre le fait qu’ils valident les données, ces travaux fournissent des statistiques secondaires, qui résultent d’analyses microéconométriques ouvrant la voie à l’élaboration et à la validation de nouvelles hypothèses économiques, et proposant des estimations sur la plupart des paramètres relatifs aux modèles d’équilibre partiel et d’équilibre général calculable mentionnés ci-dessus (p. ex., IMPACT de l’IFPRI ou le GTAP de l’université Purdue – voir Nelson et al., 2014). Dans ce contexte, l’accès à des microdonnées représente une condition essentielle. Les chercheurs essaient autant que possible de mener leurs propres mini-sondages, en cherchant à imiter les méthodes appliquées par des sources de confiance. Les doubles emplois en matière de collecte de données sont monnaie courante, et les fournisseurs nationaux de données officielles doivent impérativement faire preuve de transparence méthodologique pour favoriser la cohérence et l’harmonisation des données.

Pour résumer, nous avons identifié ici quatre piliers principaux des statistiques agricoles : la production végétale et animale, la situation socio-économique des exploitations agricoles, le coût de la production et la comptabilité du secteur agricole national. Les microdonnées primaires sont fondamentales pour effectuer une micro-analyse au niveau de chaque exploitation, et les modèles de macro-analyse nécessitent des données secondaires cumulatives, tirées notamment de la comptabilité du secteur agricole national, partiellement fondée sur des données administratives, qui fournit des informations sur la valeur des importations, des exportations et des taxes, et est généralement structurée sous forme de matrices de comptabilité sociale. Dans tous les cas, l’existence de données de bonne qualité est une condition sine qua non et nécessite l’organisation régulière d’enquêtes de qualité auprès des exploitations. La qualité de ces enquêtes et des données qu’elles produisent peut être évaluée à la lumière des critères suivants : objectivité (absence de biais), fiabilité (précision connue), pureté (absence d’aberrations), exhaustivité (minimum de données manquantes), disponibilité (données portant sur la période précédente), et cohérence (enquête intégrée).

Si l’on résume les besoins des utilisateurs, la plupart des pays manquent encore des bases de données nécessaires à l’application de modèles économiques qui fournissent les renseignements essentiels à la prise de décisions politiques, à la gestion du marché et à l’aide à la recherche. Les données disponibles remontent généralement à plus de cinq ans, ce qui affaiblit toutes les analyses effectuées. La cohérence entre les séries de données laisse souvent à désirer, en raison de l’absence d’intégration des sources d’information. Un nombre trop élevé de pays doit encore remédier au problème de données manquantes, qui remet en question la fiabilité de l’analyse effectuée. Enfin, compte tenu du très petit nombre de modèles stochastiques existants, le niveau de précision des données est rarement débattu, même si les analyses de sensibilité menées ont largement démontré la véracité du phénomène « à données inexactes, résultats erronés ». La grande majorité du contenu des bases de données provenant d’enquêtes coûteuses, l’amélioration du processus de collecte de données et des enquêtes dans les pays en développement doit figurer parmi les priorités de la plupart des pays.


1.3. ÉTAT ACTUEL DES SYSTÈMES D’INFORMATION À L’ÉCHELLE DES EXPLOITATIONS DANS LES PAYS EN DÉVELOPPEMENT

Le besoin de données statistiques plus nombreuses, de meilleure qualité, moins chères et plus rapides dans le secteur agricole et rural est largement reconnu. Si des progrès en matière d’accès aux informations existantes ont été accomplis ces dernières années, sous l’impulsion du mouvement des données en accès libre, la production de données présente encore de sérieuses lacunes dans de nombreux pays. Ces écarts s’expliquent largement par l’absence de processus de collecte de données de qualité, tels que recensements ou enquêtes. Certains pays n’ont pas encore réussi à exploiter les innovations techniques et institutionnelles caractérisant l’industrialisation de la production statistique. En effet, la grande majorité des 75 pays2 actuellement admis à bénéficier des ressources de l’IDA n’ont jamais mené d’enquête agricole annuelle, comme le montre la figure 1.1. ci-dessous :

FIGURE 1.1. ABSENCE D’ENQUÊTES ET RECENSEMENTS AGRICOLES DANS LES PAYS DE L’IDA.

Les données manquantes sont souvent comblées « au pifomètre » et à l’aide d’autres calculs peu fiables. Dans d’autres cas, des enquêtes ad hoc sont menées à petite échelle, mais celles-ci ne permettent pas de tirer des conclusions sur le nombre total d’exploitations dans le pays, ni de suivre les progrès au fil du temps. Cette méthode engendre toutefois des coûts de transaction très élevés. C’est le cas dans plusieurs pays où différentes enquêtes sont menées à petite échelle en l’absence de toute harmonisation statistique, produisant ainsi des estimations contradictoires et embrouillant les utilisateurs des données. Cette méthode alourdit la charge pesant sur les individus, les exploitations agricoles et les systèmes de données, sans pour autant garantir la qualité des données exigée par les utilisateurs. Elle empêche en outre de contrôler les cadres politiques et d’effectuer d’autres investissements dans le secteur agricole. Enfin, elle fait obstacle à la responsabilité et à la transparence requises par des démocraties et des marchés fonctionnels.

Cette situation n’est pas propre aux systèmes de statistiques agricoles, les systèmes statistiques d’un nombre bien trop élevé de pays en développement souffrant globalement d’investissements insuffisants, d’un manque de capacités et de mauvaises performances. Les systèmes de statistiques agricoles souffrent toutefois de contraintes supplémentaires relatives à l’isolement institutionnel et à la complexité technique. Globalement, les scores de l’indicateur de capacité statistique le plus courant montrent que la situation moyenne s’améliore, tant à l’échelle mondiale que régionale (UNSG, 2016 ; annexe). Quelques données empiriques montrent toutefois que les capacités des gouvernements de plusieurs pays en développement en matière de production de statistiques de base sont, en réalité, en net déclin depuis quelques dizaines d’années. Ceci reflète le fait que les donateurs et les gouvernements des pays en développement ont ponctuellement cessé d’essayer d’améliorer les capacités de ces derniers à produire

2 http://ida.banquemondiale.org/about/emprunteurs-de-l%E2%80%99ida

http://ida.banquemondiale.org/about/emprunteurs-de-l%E2%80%99ida


des statistiques de base. Selon une évaluation indépendante, seuls quatre pays africains étaient capables de produire des statistiques agricoles de base (FAO, 2008). D’autres études ont quant à elles noté que la demande internationale de statistiques dépasse souvent la demande locale, une question qui touche à l’essence même du problème (OPM, 2009).

La Stratégie mondiale a été approuvée en 2010 par la Commission de statistique des Nations Unies pour remédier aux difficultés liées au manque de disponibilité et de qualité des données et à l’absence de capacités dans les pays en développement (Banque mondiale, FAO et Nations Unies, 2011). Une étude menée par la FAO et la Banque africaine de développement dans le contexte de la Stratégie mondiale (FAO et BAD, 2017) a montré que la mise en œuvre du Plan d’action de la Stratégie mondiale avait eu des répercussions positives mesurables sur la capacité des pays à produire l’ensemble minimal requis de statistiques agricoles conformément aux objectifs de la Stratégie. Des progrès ont également été enregistrés en matière de collecte des données, la Banque mondiale ayant aidé plusieurs pays à mettre en œuvre des enquêtes par panel de qualité fondées sur la méthodologie LSMS-ISA. Il reste cependant encore beaucoup à faire pour améliorer la qualité des statistiques agricoles dans les pays en développement, et cela ne pourra se faire qu’avec une aide du côté de la production de données, mais aussi de l’utilisation des données, stimulée par une demande nationale continue de données agricoles de meilleure qualité. Plus de dix pays africains considèrent la conception et la mise en œuvre d’AGRIS comme une priorité3 pour produire rapidement les principales données agricoles requises par les utilisateurs. Plusieurs pays d’Asie-Pacifique et d’Amérique latine ont émis une demande similaire. L’alignement sur les priorités nationales telles que fixées par les stratégies statistiques4 et les programmes de travail nationaux doit constituer un principe fondamental de la mise en œuvre d’AGRIS, afin d’assurer la pérennité à long terme des systèmes de données.

AGRIS, en tant que programme décennal d’enquête intégrée par sondage, offre une bonne base pour la création d’un système de statistiques agricoles efficace. Conjointement aux recensements agricoles qu’il complète, à un système d’information versatile sur les marchés agricoles et à une utilisation judicieuse des données administratives et de télédétection, AGRIS joue un rôle essentiel pour la mise en place d’un système d’information rurale exhaustif.

1.4. ÉLABORATION DE SYSTÈMES D’INFORMATIONS STATISTIQUES INTÉGRÉS ET RENTABLES

Les enquêtes constituant actuellement la méthode la plus rentable de collecte de statistiques agricoles polyvalentes, AGRIS vise à répondre aux besoins des instituts de statistique nationaux prêts à se conformer aux recommandations de la Stratégie mondiale.

AGRIS propose un programme modulaire de collecte de données sur dix ans fondé sur une base de sondage principale (GSARS, 2015b), qui assure la cohérence des données au fil du temps et entre les volets thématiques des principales variables. Les options relatives à l’élaboration de la base de sondage sont laissées à la discrétion des autorités nationales, qui héritent toutes de systèmes très différents les uns des autres. Si un recensement agricole décennal est encore fonctionnel, il servira naturellement de fondement à l’élaboration de la base de sondage. Si seul un recensement de la population et des ménages a été effectué à intervalles réguliers, l’intégration d’un module agricole ciblé permettra d’en tirer une base de sondage agricole pour le secteur des ménages. Dans d’autres cas, la construction d’une base aréolaire (points ou segments) présentera une solution efficace. Dans tous les cas, la

3 Stratégie mondiale et Banque africaine de développement (2015). Identifying Technical Assistance Needs in Agricultural Statistics in African Countries: Action Plan for Africa of the Global Strategy. Rapport commun de la Stratégie mondiale et de la BAD : Rome.

4 Citons par exemple les Plans stratégiques pour les statistiques agricoles et rurales (PSSAR) conçus sous l’égide de la Stratégie mondiale, ainsi que les Stratégies nationales de mise au point de statistiques, plus générales.


géolocalisation des unités d’échantillonnage sera nécessaire, et les bases multiples devraient améliorer la qualité des bases de sondage, grâce à la fusion des bases aréolaires et de type liste avec des sources administratives (notamment en dehors du secteur des ménages).

Compte tenu des difficultés croissantes liées à l’absence de réponse à l’enquête, au manque de données et à la mauvaise qualité des données issues de longs questionnaires, AGRIS recommande d’adopter une approche modulaire. Le module de base devrait fournir des données annuelles, dont l’importance justifie de demander aux agriculteurs d’y consacrer du temps (principalement des données sur la production végétale et animale). Des formulaires numériques préremplis et disponibles sur tablette facilitent l’entretien et réduisent le temps nécessaire pour accéder aux données et les analyser. Les questions posées ne concerneront que les variables principales, et tout élément collecté sera soumis à une analyse préalable des données et à une identification des utilisateurs. En outre, une série de modules rotatifs, si possible fondés sur les échantillons du module de base, sera organisée à des fréquences variables. Ces modules rotatifs apportent des connaissances supplémentaires sur les domaines thématiques suivants : économie, main-d’œuvre, méthodes de production et environnement, et machines, équipements et autres actifs.

Deux recommandations sur les stratégies d’échantillonnage sont émises : tout d’abord, les exploitations commerciales sont séparées des ménages, ce qui favorise la conception d’un plan stratifié à deux degrés pour ces derniers et un échantillonnage stratifié à un degré pour les premières. Ensuite, il convient de mettre en place une rotation des échantillons dans le temps, afin de réduire la charge liée à l’organisation d’enquêtes et de permettre l’analyse de données de panel longitudinales, ce qui s’avère particulièrement efficace lorsque les observateurs visent à estimer l’évolution des tendances.

AGRIS s’appuie sur des estimateurs de Horvitz-Thompson pour souligner l’importance des estimations non biaisées et de la capacité à quantifier la variance d’échantillonnage. Il devrait être possible, à l’aide d’un échantillonnage stratifié ou présentant une probabilité proportionnelle à la taille, d’obtenir une précision relative de 10 % maximum, en veillant à sélectionner une taille d’échantillon appropriée et en choisissant le niveau d’estimation administrative le plus faible, de façon à obtenir la précision relative attendue avec des échantillons de taille compatible avec le budget disponible.

Enfin, le lien avec les ODD est reconnu (Nations Unies, 2017), et l’ensemble proposé de questionnaires généraux AGRIS produira des données de base permettant de procéder au suivi des ODD pertinents. AGRIS fournit des informations essentielles et directes portant sur quatre des 232 indicateurs des ODD, et des informations essentielles mais indirectes sur 15 autres indicateurs (voir le chapitre 2 pour plus de détails).

La révolution actuelle des données, un contexte mondial considérablement transformé dans le cadre du Programme 2030 et le besoin d’utiliser la coopération pour le développement de façon plus efficace et de la fonder sur des données probantes ont entraîné une hausse du soutien international à la collecte de données et à la mise au point de statistiques. Dans ce cadre, il est essentiel de formuler une vision des statistiques agricoles à l’horizon 2030. L’objectif doit certainement être l’instauration de systèmes d’information actualisés et en accès libre. Structurée sous forme de système d’information, l’intégration des données doit constituer une exigence satisfaite par la collecte de données intégrées par géolocalisation des unités déclaratoires ou d’échantillonnage. Une telle approche permettra de recouper au niveau micro les registres et variables issues de différentes sources (recensement-enquête décennale, enquêtes annuelles ou régulières, données administratives, avis d’experts et production participative). L’efficacité doit être le mot d’ordre, puisque les nouvelles technologies à bas coût (téléphones portables, tablettes, GPS, stockage sur le nuage) permettent de réduire la charge pesant sur la personne interrogée, la redondance des enquêtes et les erreurs et retards de saisie, tout en offrant des services de vérification de la qualité en temps réel et la dématérialisation. Ceci favorise l’obtention à moindre coût de données de meilleure qualité, à condition qu’un examen strict soit effectué en parallèle afin d’éliminer les processus de collecte de données dont le coût n’est pas justifié au regard des avantages en matière d’analyse des données. Un volet « validation des données » doit également faire partie du processus, afin de veiller à ce que les non-réponses soient imputées correctement, que l’anonymisation des microdonnées soit scientifiquement optimisée et que les ruptures des séries temporelles soient amorties à l’aide de méthodes multivariées.


Chapitre 2

Présentation rapide d’AGRIS

2.1. RAISON D’ÊTRE

Le besoin de données statistiques plus nombreuses et de meilleure qualité sur les secteurs rural et agricole, obtenues plus rapidement et de façon plus rentable, est largement reconnu. Si des progrès en matière d’accès aux informations existantes ont été accomplis ces dernières années sous l’impulsion du mouvement des données en libre accès, la production de données présente encore de sérieuses lacunes dans de nombreux pays. Comme nous l’avons étudié de façon plus approfondie dans le chapitre 1, ces lacunes sont essentiellement dues au manque d’efforts de collecte de données de qualité, qu’il s’agisse de recensements ou d’enquêtes. Certains pays n’ont pas encore réussi à exploiter les innovations techniques et institutionnelles caractérisant l’industrialisation de la production statistique. En effet, la plupart des pays de l’IDA n’ont organisé aucun recensement agricole ou enquête annuelle au cours des 15 dernières années.

La Stratégie mondiale pour l’amélioration des statistiques agricoles et rurales (GSARS) a été approuvée en 2010 par la Commission de statistique des Nations Unies pour remédier aux difficultés liées au manque de disponibilité et de qualité des données et à l’absence de capacités dans les pays en développement (Banque mondiale, FAO et Nations Unies, 2011). Il s’agit d’une initiative coordonnée visant à fournir un cadre conceptuel et institutionnel à la production de données ; à produire l’ensemble minimum de données de base requis pour répondre aux demandes fondamentales et émergentes des politiques de développement national ; à élaborer des méthodes rentables de production et d’utilisation des données ; et à mettre en place les capacités et structures de gouvernance nécessaires.

AGRIS, l’une des principales méthodes rentables qui existent à ce jour, a été conçu pour aider les organismes nationaux à accélérer la production de données ventilées de qualité sur les dimensions technique, économique, environnementale et sociale des exploitations agricoles1. À l’aide des travaux antérieurs de la Stratégie mondiale, AGRIS offre une occasion unique de canaliser ces innovations méthodologiques et produire des effets réels sur les systèmes de données sur le terrain.

1 « Une exploitation agricole est une unité économique de production agricole soumise à une direction unique et comprenant tous les ani-maux qui s’y trouvent et toute la terre utilisée entièrement ou en partie pour la production agricole, indépendamment du titre de possession, du mode juridique ou de la taille. La direction unique peut être exercée par un particulier, par un ménage, conjointement par deux ou plu-sieurs particuliers ou ménages, par un clan ou par une tribu, ou par une personne morale telle que société, entreprise collective, coopérative ou organisme d’État. L’exploitation peut contenir un ou plusieurs blocs, situés dans une ou plusieurs régions distinctes ou dans une ou plusieurs divisions territoriales ou administratives, à condition qu’ils partagent les mêmes moyens de production tels que la main-d’œuvre, les bâtiments agricoles, les machines ou animaux de trait utilisés pour l’exploitation » (FAO, 2015).

2


Les données produites par AGRIS ont vocation à étayer la conception et la mise en œuvre de politiques, à améliorer l’efficacité du marché et à soutenir la recherche. AGRIS représente une source de données précieuse et établit un cadre pour concevoir, suivre et évaluer n’importe quelle politique ou n’importe quel investissement agricole ou rural. Les questionnaires généraux proposés dans le cadre d’AGRIS satisfont à la plupart des conditions requises en matière de données sur les exploitations par l’ensemble minimum de données de base. Ils fournissent également des données de base permettant de suivre les indicateurs pertinents relatifs aux objectifs de développement durable (ODD), un ensemble d’objectifs adopté par la communauté internationale le 25 septembre 2015 pour éradiquer la pauvreté, protéger la planète et faire en sorte que tous les êtres humains vivent dans la prospérité dans le cadre du nouveau programme de développement durable2. Chaque objectif se compose de cibles spécifiques à atteindre au cours des 15 prochaines années, elles-mêmes dotées d’indicateurs concrets3. AGRIS fournit des informations essentielles et directes portant sur les quatre indicateurs suivants des ODD :

• 2.3.1: Volume de production par unité de travail, en fonction de la taille de l’exploitation agricole, pastorale ou forestière• 2.3.2: Revenu moyen des petits producteurs alimentaires, selon le sexe et le statut d’autochtone• 2.4.1: Proportion des zones agricoles exploitées de manière productive et durable• 5.a.1: (a) Proportion de la population agricole totale ayant des droits de propriété ou des droits garantis sur des

terres agricoles, par sexe ; (b) Proportion de femmes parmi les titulaires de droits de propriété ou de droits garantis sur des terrains agricoles, par type de droit

AGRIS contribue par ailleurs aux 15 indicateurs suivants, mais uniquement en ce qui concerne la sous-population associée aux exploitations agricoles : • 1.1.1: Proportion de la population vivant au-dessous du seuil de pauvreté fixé au niveau international, par sexe,

âge, situation dans l’emploi et lieu de résidence (zone urbaine/zone rurale)• 1.2.1: Proportion de la population vivant au-dessous du seuil national de pauvreté, par sexe et âge• 1.2.2: Proportion d’hommes, de femmes et d’enfants de tous âges vivant dans une situation de pauvreté sous

toutes ses formes, telles que définies par chaque pays• 1.3.1: Proportion de la population bénéficiant de socles ou systèmes de protection sociale, par sexe et par

groupes de population (enfants, chômeurs, personnes âgées, personnes handicapées, femmes enceintes et nouveau-nés, victimes d’un accident du travail, pauvres et personnes vulnérables)

• 1.4.1: Proportion de la population vivant dans des ménages ayant accès aux services de base• 1.4.2: Proportion de la population adulte totale qui dispose de la sécurité des droits fonciers et de documents

légalement authentifiés et qui considère que ses droits sur la terre sont sûrs, par sexe et par type d’occupation• 1.5.1: Nombre de personnes décédées, disparues ou directement touchées lors de catastrophes, pour

100 000 personnes • 2.5.2: Proportion des variétés et races locales considérées comme en danger, hors de danger ou exposées à un

risque d’extinction de niveau non connu• 5.5.2: Proportion de femmes occupant des postes de direction • 5.b.1: Proportion de la population possédant un téléphone portable, par sexe• 7.1.1: Proportion de la population ayant accès à l’électricité• 8.7.1: Proportion et nombre d’enfants âgés de 5 à 17 ans qui travaillent, par sexe et âge• 9.1.1: Proportion de la population rurale vivant à moins de 2 km d’une route praticable toute l’année• 9.c.1: Proportion de la population ayant accès à un réseau mobile, par types de technologie • 17.8.1 Proportion de la population utilisant Internet

AGRIS, en tant que programme décennal d’enquête intégrée par sondage, offre une bonne base pour la création d’un système de statistiques agricoles efficace. Conjointement aux recensements agricoles qu’il complète, à un système

2 http://www.un.org/ga/search/view_doc.asp?symbol=A/RES/70/1&referer=/english/&Lang=F3 https://unstats.un.org/sdgs/metadata/

http://www.un.org/ga/search/view_doc.asp?symbol=A/RES/70/1&referer=/english/&Lang=F https://unstats.un.org/sdgs/metadata/


d’information versatile sur les marchés agricoles et à une utilisation judicieuse des données administratives et de télédétection, AGRIS joue un rôle essentiel pour la mise en place d’un système d’information rurale exhaustif. AGRIS n’a pas vocation à remplacer les enquêtes spécialisées, que ce soit en matière de produits (enquêtes sur le riz ou sur les exportations de fruits) ou de zone géographique couverte (enquêtes sur les cheptels nomades, sur le secteur horticole, etc.).

Sans AGRIS, les manques de données ne peuvent être comblés que par des mécanismes ponctuels sous-optimaux entraînant des coûts de transaction élevés, qui ne feraient qu’augmenter davantage la charge pesant sur les individus, les exploitations agricoles et les systèmes de données, sans pour autant garantir la qualité requise par les utilisateurs, et qui empêcheraient de procéder au contrôle des cadres politiques et d’assurer la responsabilité et la transparence requises par des marchés fonctionnels.

2.2. L’UNITÉ STATISTIQUE D’AGRIS : L’EXPLOITATION AGRICOLE

L’exploitation agricoleL’unité statistique d’AGRIS est l’exploitation agricole, en sa qualité de productrice indépendante de produits agricoles. La définition de l’exploitation agricole telle qu’utilisée dans le cadre d’AGRIS est celle établie par la FAO dans son Programme mondial de recensement de l’agriculture 2020 (ou PMRA 2020 ; FAO, 2015) :

“Une exploitation agricole est une unité économique de production agricole soumise à une direction unique et comprenant tous les animaux qui s’y trouvent et toute la terre utilisée entièrement ou en partie pour la production agricole, indépendamment du titre de possession, du mode juridique ou de la taille. La direction unique peut être exercée par un particulier, par un ménage, conjointement par deux ou plusieurs particuliers ou ménages, par un clan ou par une tribu, ou par une personne morale telle que société, entreprise collective, coopérative ou organisme d’État. L’exploitation peut contenir un ou plusieurs blocs, situés dans une ou plusieurs régions distinctes ou dans une ou plusieurs divisions territoriales ou administratives, à condition qu’ils partagent les mêmes moyens de production tels que la main-d’œuvre, les bâtiments agricoles, les machines ou animaux de trait utilisés pour l’exploitation.”.

L’exploitation agricole est sous gestion unique exercée par l’exploitant.

À l’aide de la terminologie du Système de comptabilité nationale (SCN 2008), les exploitations peuvent être regroupées en deux catégories : 1) celles qui se définissent comme des ménages (exploitations du secteur des ménages) ; et 2) toutes les autres unités institutionnelles intervenant dans le secteur de la production agricole (exploitations en dehors du secteur des ménages), telles que les entreprises et les institutions publiques. Dans la plupart des pays, la majorité de la production agricole se situe dans le secteur des ménages. Le concept d’« exploitation agricole » est donc étroitement lié au concept de « ménage ». Les deux sous-populations doivent être couvertes par AGRIS, en tant qu’exploitations du secteur des ménages et en dehors de ce secteur.

Couverture et seuil utiliséAGRIS doit porter sur l’ensemble des activités agricoles pertinentes exercées par les exploitations agricoles d’un pays. Les agences nationales d’exécution peuvent fixer des seuils, dans le but de couvrir la part la plus importante possible de la production agricole et d’exclure les très petites exploitations agricoles qui ne contribuent que très peu à la production agricole totale. Idéalement, ces seuils seront fixés avant la réalisation du recensement agricole, et


maintenus pour l’ensemble des enquêtes effectuées entre deux recensements. L’avantage que procure l’établissement de seuils doit faire l’objet d’un examen minutieux ; si la simplicité opérationnelle et les économies budgétaires constituent des avantages évidents, la fixation de seuils peut également présenter des inconvénients, tels que l’impossibilité de satisfaire à la nécessité de suivre les petites exploitations, qui constitue souvent une préoccupation politique importante.

AGRIS et typologie des exploitationsL’établissement d’une typologie des exploitations permet de classer les exploitations agricoles par dimension, dans l’optique de mieux comprendre les différentes structures et la diversité de la production entre les pays et au sein d’un même pays. La typologie des exploitations s’avère particulièrement utile pour assurer un ciblage plus efficace des politiques et investissements agricoles et ruraux.

La typologie des exploitations est importante pour assurer l’efficacité du système statistique agricole à l’échelle nationale. La classification des exploitations en types homogènes : 1) facilitera l’analyse de leur structure, de leurs performances et de leur viabilité ; 2) permettra la formulation, la mise en œuvre et l’évaluation de politiques relatives à différents aspects du développement durable ; 3) à l’échelle nationale, fournira des renseignements permettant d’améliorer l’efficacité des plans d’échantillonnage et le couplage des données via la stratification des exploitations agricoles, très diverses.

La typologie est créée à partir de données individuelles (microdonnées) sur les exploitations agricoles. Une typologie existante peut être appliquée aux données produites dans le cadre d’AGRIS aux fins d’analyse approfondie par type – ce qui pourra avoir des conséquences sur le choix de la stratégie d’échantillonnage. Les données produites par AGRIS peuvent être utilisées pour concevoir une typologie utile des exploitations. À cet égard, les composantes principales de ce genre de typologie sont la taille de l’exploitation, les produits fabriqués, l’orientation du marché et la diversification. Les modules de base et rotatifs d’AGRIS peuvent en effet produire des données sur ces éléments dès la première année de mise en œuvre. Pour plus de détails, voir l’annexe 3 sur la typologie des exploitations.

2.3. COLLECTE DE DONNÉES

2.3.1. Calendrier de la collecte de données : le cycle d’AGRISAGRIS est synchronisé avec les recensements agricoles et suit un cycle de dix ans. AGRIS cherche à réduire la charge liée à la réalisation de recensements en prévoyant la collecte de données thématiques au cours de cette période. Ceci contribue à l’obtention d’un flux plus régulier de données, plus adapté aux capacités limitées actuelles en matière de production et d’utilisation de statistiques.

AGRIS se compose d’un ensemble de questions pouvant être classées en une ou deux catégories principales : une section principale et une section rotative. La section principale (également intitulée « module de base ») prend la forme d’une enquête améliorée sur la production qui porte également sur un ensemble de thématiques différentes, qui ne changent que très peu à chaque série d’enquête. La section rotative (qui se compose de plusieurs « modules rotatifs ») est quant à elle consacrée à des thématiques particulières, dont la fréquence de mise en œuvre varie en fonction des pays, et notamment de leurs systèmes agricoles et priorités en matière de demandes de données.

Le tableau récapitulatif ci-dessous présente les délais auxquels il est possible de mettre en œuvre les quatre modules rotatifs recommandés : « économie », « main-d’œuvre », « méthodes de production et environnement » et « machines,


équipements et autres actifs ». Les ressources financières et humaines nécessaires au maintien et à la mise en œuvre d’un tel classement demeurent relativement stables tout au long du cycle de dix ans, ce qui en fait un système viable pour une agence de production de données. La nature souple et modulaire d’AGRIS permet de modifier facilement ce système et en améliore ainsi sa pertinence pour le pays et sa rentabilité. Il est par ailleurs possible d’y greffer d’autres modules rotatifs afin de répondre à d’autres besoins spécifiques de données.

TABLEAU 2.1. RECOMMANDATIONS RELATIVES AUX ANNÉES DE MISE EN ŒUVRE DES MODULES D’AGRIS.

Années 1 2 3 4 5 6 7 8 9 10

Module de base

Liste des exploitations agricoles • • • • • • • • • •

Production végétale et animale • • • • • • • • • •

Autres variables principales • • • • • • • • • •

Module rot. 1 Économie • • • • •

Module rot. 2 Main-d’œuvre • •

Module rot. 3 Méthodes de production et environnement • •

Module rot. 4 Machines, équipements et autres actifs • •

Afin de stimuler la mémoire des personnes interrogées et fournir des informations opportunes permettant d’assurer l’efficacité du marché et la prise de décision, la collecte de données peut avoir lieu plusieurs fois par an. C’est particulièrement vrai pour le module de base dans les pays présentant plusieurs cycles de culture. Les modules rotatifs, en particulier ceux consacrés à l’économie et à la main-d’œuvre, peuvent également nécessiter plusieurs vagues de collecte de données pendant leurs années de mise en œuvre. L’élaboration de plans de sous-échantillonnage permet de tenir compte des contraintes budgétaires tout en produisant des données fréquentes présentant différents niveaux d’importance statistique.

Les méthodes d’imputation des données appliquées d’une enquête à l’autre peuvent représenter un moyen rentable de compléter certaines données manquantes dans le cadre d’AGRIS tel qu’illustré ci-dessus ou d’autres enquêtes pertinentes (p. ex., les enquêtes indépendantes sur la main-d’œuvre). Les principales difficultés liées à l’imputation des données d’une enquête à l’autre résident dans le fait que les deux types d’enquêtes (ou de modules) doivent avoir été conçus de la même façon (y compris les questions posées) et que les paramètres du modèle ne doivent pas évoluer au fil du temps.

2.3.2. Mode de collecte des donnéesDans le contexte des pays en développement, l’amélioration de la qualité des données – en particulier leur précision et leur rapidité – demeure une priorité absolue. Les enquêtes en face à face menées par des agents recenseurs professionnels constituent encore aujourd’hui le meilleur moyen de collecter des données de qualité. Le cas échéant, la collecte de données peut s’appuyer sur des registres autoremplis (ou registres SMS). Citons par exemple le cas des saisons de récolte multiples ou la collecte de données sur le bétail (module de base) ou le coût de la production (module rotatif consacré à l’économie). L’usage de technologies d’interview personnelle assistée par ordinateur (CAPI) est recommandé pour améliorer la qualité et la rapidité des données. Des extensions aux plateformes mobiles CAPI peuvent être utilisées pour effectuer différentes mesures directes – géocodage et mesure de la surface de la parcelle (GPS), ou mesures liées à l’environnement (indice de surface foliaire, caractéristiques du sol et de l’eau, etc.). Les questionnaires généraux AGRIS proposés au chapitre 4 sont tous disponibles sous format CAPI (voir l’annexe 5 sur CAPI et le logiciel Survey Solutions).


ENCADRÉ 1. LES AVANTAGES DE LA COLLECTE DE DONNÉES PAR ENQUÊTE CAPI.

La boîte à outils AGRIS exploite les technologies CAPI pour s’aligner sur les pratiques modernes de collecte de

données. À l’inverse des méthodes PAPI (enquêtes effectuées à l’aide d’un papier et d’un stylo), les données

collectées dans le cadre d’entretiens CAPI sont saisies dans une application sur tablette plutôt que consignées

par écrit. Principalement en raison de cette différence, il a été prouvé que les technologies CAPI permettaient de

réduire les coûts, d’améliorer la qualité des données, d’optimiser la rapidité des résultats voire, dans certains

pays, d’améliorer l’expérience tout entière.

Réduction des coûts

Les méthodes d’enquête PAPI supportent des coûts qui sont évités ou atténués par le recours à des méthodes

CAPI. Puisque les entretiens PAPI supposent dans un premier temps de consigner les réponses sur un

questionnaire papier, les données doivent ensuite être saisies manuellement dans un formulaire de données

ou numérisées et lues par ordinateur. Par ailleurs, plusieurs pays exigent que les questionnaires papier

remplis soient stockés pendant plusieurs années avant d’être détruits. L’impression, la saisie de données et

le stockage des questionnaires engendrent toutefois des frais importants et peuvent introduire des erreurs

non liées à l’échantillonnage. Ces coûts sont réduits dans le cadre de CAPI, et les erreurs liées à la saisie de

données peuvent être quasiment entièrement éliminées. Le recours aux technologies CAPI entraîne toutefois

des coûts fixes de démarrage liés à l’achat du matériel, ainsi que des coûts variables associés au transfert

de données. Des études montrent que ces coûts sont compensés par la réduction des coûts d’impression,

de saisie des données et de stockage (Rahija et al., 2016 ; Zhang et al., 2012 ; King et al., 2013 ; Leisher, 2014).

Une étude expérimentale de Cayers et al., menée en 2010, a prouvé que les coûts fixes supplémentaires liés

à l’achat de matériel et au transfert de données étaient compensés par les économies réalisées lorsque le

nombre de personnes interrogées atteignait environ 4 000. Toutefois, dans un programme d’enquête sur dix

ans tel qu’AGRIS, le matériel sera utilisé pendant plusieurs années, optimisant ainsi la rentabilité de CAPI et la

pérennité du programme d’enquête, même en présence d’un échantillon plus restreint.

Amélioration de la qualité des données

CAPI permet au concepteur de l’enquête d’intégrer des contrôles de validation de données dans le

questionnaire, et garantit une gestion stricte des flux tout au long des questionnaires à l’aide de fonctions

de renvoi. Il automatise en outre le codage des réponses — un facteur qui améliore la qualité des données

et élimine les sources potentielles d’erreur. Les principaux types de contrôles de validation des données

garantissent que les données collectées soient cohérentes et que les valeurs se situent à l’intérieur de la

fourchette prévue. Par exemple, dans le questionnaire du module de base AGRIS, les contrôles de validation

servent à s’assurer que le nombre total d’heures passées sur une activité donnée ne dépassent pas le nombre

total d’heures travaillées. La validation sert par ailleurs à éviter les éventuelles erreurs liées à la saisie des

données. Par exemple, l’exploitant est peu susceptible d’être âgé de plus de 100 ans. Si une valeur saisie dans

le questionnaire viole cette condition, un message d’avertissement s’affiche à l’intention de l’agent recenseur.

Les questionnaires complexes tels qu’AGRIS contiennent souvent de nombreuses fonctions de renvoi, qui

peuvent être difficiles à suivre par les agents recenseurs ; cet élément peut contribuer au fardeau pesant

sur la personne interrogée et représenter une source d’erreur. CAPI permet au concepteur du questionnaire

d’appliquer rigoureusement les fonctions de renvoi en fonction des réponses fournies aux questions

précédentes. Par exemple, si l’exploitation déclare élever du bétail, les questions suivantes sur les revenus et

les coûts associés à la production animale seront posées ; inversement, si aucune production animale n’est

déclarée, les questions portant sur les bêtes ne seront pas posées. Cette source courante d’erreur et ce fardeau

peuvent par conséquent être totalement éliminés.

��


Dans Rahija et al., 2016, le Bureau ougandais de statistique a fait état d’importantes améliorations dans la

qualité des données entre la première vague de l’enquête nationale par panel, menée à l’aide de la méthode

PAPI, et les vagues suivantes, mises en œuvre avec CAPI. En effet, les tests de validation ont été cités comme la

première source d’amélioration.

Optimisation de la rapidité

Comme indiqué précédemment, dans le cadre de la collecte de données par CAPI, les données sont

numérisées pendant l’entretien tout en subissant des contrôles qualité prédéfinis. Ceci suppose que la

phase de saisie faisant suite à l’étape de collecte des données dans le cadre de la méthode PAPI disparaît

entièrement. De plus, le temps consacré au nettoyage des données est réduit, puisque les contrôles qualité

effectués pendant l’entretien minimisent les erreurs liées à la saisie des données et les erreurs de cohérence.

Les données sont ainsi prêtes à être analysées et traitées à des fins d’élaboration de politiques plusieurs mois

plus tôt que si des questionnaires PAPI avaient été utilisés. En Afrique du Sud, une enquête communautaire a

été menée en 2016 auprès d’un échantillon d’environ 1,3 million de ménages dans tout le pays. Le travail sur le

terrain a été effectué sur une période de six semaines au début de l’année, et les résultats de l’enquête étaient

publiés et distribués dès le 30 juin 2016 (Statistics South Africa, 2016).

Amélioration de l’expérience de l’agent recenseur

Les agents recenseurs sont peut-être les personnes les plus importantes du processus de collecte des données.

Leurs préférences doivent par conséquent faire l’objet d’une attention particulière. Dans le cadre de PAPI,

ils sont tenus d’emporter un grand nombre de questionnaires papier sur le terrain et de faire preuve d’un

grand sens de l’organisation pour repérer ceux qui ont déjà été complétés, ceux qui nécessitent une nouvelle

visite, ceux qui peuvent être remis à leur supérieur pour analyse, etc. Avec CAPI, l’agent recenseur n’a besoin

d’emporter avec lui qu’une tablette, qui gère automatiquement l’ensemble des questionnaires. Leur travail s’en

trouve ainsi facilité. CAPI protège par ailleurs davantage les données des personnes interrogées, en réduisant

le risque de perte des questionnaires pendant la phase de collecte et de transmission.

Une enquête de petite envergure a été menée en Ouganda et en République-Unie de Tanzanie auprès d’agents

recenseurs ayant utilisé CAPI et PAPI, les invitant à comparer leurs expériences. Les résultats montrent que les

agents interrogés vivaient une meilleure expérience avec CAPI.

FIGURE 1.2. ÉVALUATION PAR LES AGENTS RECENSEURS DE LEUR EXPÉRIENCE AVEC LES ENQUÊTES

CAPI ET PAPI.

Source: Rahija et al., 2016.


L’utilisation systématique de coordonnées GPS localisant les exploitations et les parcelles est recommandée, afin d’accélérer la confirmation, à l’aide de données de terrain, des informations obtenues par le biais de systèmes d’information par télédétection.

La collecte de données à partir de différentes sources constitue une autre possibilité pour les agences nationales d’exécution. Il est également envisageable d’associer entrevues en face à face et enquêtes par téléphone (ou Internet), en particulier pour le segment des exploitations commerciales. Cette solution n’a toutefois jamais été testée dans le cadre de la méthodologie actuelle proposée, et ses éventuels avantages (réduction des coûts, principalement) doivent être soigneusement évalués en tenant compte des éventuels problèmes liés à la qualité des données.

2.3.3. ÉchantillonnageLa stratégie d’échantillonnage d’AGRIS, y compris la taille de l’échantillon, sera déterminée par les agences nationales d’exécution en fonction des bases de sondage disponibles, de la capacité à concevoir et mettre en œuvre des techniques d’échantillonnage complexes et à exécuter le travail de terrain correspondant, du budget disponible et du niveau requis de précision et de ventilation des données.

Le chapitre 5 du présent manuel fournit des orientations précises et détaillées en matière d’échantillonnage, en se fondant sur les recherches approfondies menées par la Stratégie mondiale sur l’élaboration de bases de sondage principales et sur les cadres d’enquête intégrés (pour plus de détails, voir GSARS, 2015b et GSARS, 2014b, ainsi que http://gsars.org/fr/resource-center/).

À noter que les enquêteurs seront tenus de suivre une formation adaptée portant sur l’informatique et

l’application CAPI en plus d’une formation spécifique à l’organisation d’enquêtes. Il conviendra en outre de leur

prêter assistance pendant la collecte de données s’ils rencontrent des problèmes techniques.

CAPI peut être utilisé dans le cadre des questionnaires généraux AGRIS. Ces derniers sont disponibles dans le

paquet Survey Solutions et peuvent être téléchargés à l’adresse : https://solutions.worldbank.org.

SOURCES

King, J., Buolamwini, J., Cromwell, E., Panfel, A., Teferi. T. et al., 2013. « A Novel Electronic Data Collection

System for Large-Scale Surveys of Neglected Tropical Diseases ». PLoS ONE, vol. 8, no 9 : e74570.

Liesher, C. 2014. « A Comparison of Tablet-Based and Paper-Based Survey Data Collection in Conservation

Projects ». Social Sciences, vol. 3, no 2, p. 264–271.

Zhang, S., Qiong, W. et al., 2012. « Smartphone Versus Pen and Paper Data Collection of Infant Feeding Practices

in Rural China ». Journal of Medical Internet Research, vol. 14, no 5 : e119.

Rahija, M., Mwisomba, T., Kamwe, M., Muwonge, J. et Pica-Ciamarra, U. 2016. Are tablet-based surveys a

cost-effective alternative to paper surveys in developing countries? A cost comparison from sample surveys in

Kenya, Tanzania, and Uganda. Article rédigé en vue de la septième Conférence internationale sur les statistiques

de l’agriculture (ICAS VII), 26–28 octobre 2016. Rome.

Statistics South Africa. 2016. About Community Survey. Disponible à l’adresse :

http://cs2016.statssa.gov.za/?page_id=135. Consulté le 12 juillet 2017.

http://gsars.org/fr/resource-center/https://solutions.worldbank.orghttp://cs2016.statssa.gov.za/?page_id=135


Il existe différents problèmes théoriques et pratiques liés aux bases de sondage, qui limitent encore les options disponibles sur le plan des méthodes d’enquête et réduisent au bout du compte la qualité et le caractère exploitable des données dans de nombreux pays. Ces difficultés peuvent être générales (couverture de la base de sondage, pour les bases de type liste, en particulier) ou plus spécifiques (manque de précision des statistiques relatives au bétail effectuées à partir de bases aréolaires).

La stratégie d’échantillonnage d’AGRIS est versatile, en mesure de satisfaire les besoins liés à différentes situations nationales. Pour simplifier, elle est axée autour des éléments suivants :• Échantillonnage aléatoire stratifié à plusieurs degrés pour les exploitations du secteur des ménages, fondé sur

une base de sondage de type liste le cas échéant, ou sur une base aréolaire (points ou segments) ;• Échantillonnage aléatoire stratifié simple pour les exploitations se situant en dehors du secteur des ménages ;• Échantillonnage d’un panel pour permettre les analyses longitudinales ;• Sous-échantillonnage pour les modules rotatifs.

La saisonnalité est un élément essentiel dans le secteur agricole. Il est fondamental de collecter les données au moment opportun. L’utilisation appropriée de sous-échantillons et de panels permettra à AGRIS de saisir certains facteurs de saisonnalité. Il est possible de n’organiser des séances de collecte de données qu’une ou plusieurs fois par an, à la fois dans le cadre du module de base et des modules rotatifs.

Pour chaque année considérée, il est avantageux à plusieurs égards, à la fois sur le plan analytique qu’opérationnel, d’interroger les mêmes exploitations dans le cadre des modules rotatifs prévus l’année en question et du module de base. Le cas échéant, il convient d’envisager les sous-échantillons du module de base. Pour plus de détails sur cette question, voir le chapitre 5 du présent manuel.

2.3.4. Questionnaires généraux AGRIS

Des questionnaires généraux, indépendants et exhaustifsDes questionnaires généraux AGRIS correspondant à chaque module sont proposés dans ce manuel. Ils sont qualifiés de généraux car ils doivent être personnalisés davantage par les agences nationales d’exécution avant d’être utilisés, et ce, pour plusieurs raisons :• pour en améliorer la pertinence au vu des questions stratégiques prioritaires du pays ;• pour en améliorer la pertinence au vu des types d’exploitations existant dans le pays et des différents systèmes

agricoles en place. Une typologie des exploitations peut aider à peaufiner les questionnaires, et notamment les renvois ;

• pour en améliorer la pertinence au vu du niveau de connaissances des personnes interrogées. Cet élément est fondamental dans les pays en développement où il existe un fort taux d’analphabétisme parmi les agriculteurs et les exploitants. Les agriculteurs doivent pouvoir répondre à toutes les questions du questionnaire, afin de pouvoir produire des données de qualité. Ce point est particulièrement important dans le cadre d’AGRIS, qui ne propose pas de mesures objectives par défaut. Des essais sur le terrain doivent être effectués pour garantir la pertinence de cette personnalisation ;

• pour en améliorer la pertinence au vu du système d’enquête actuellement en place ;• pour ajuster la taille du questionnaire au budget disponible et à la stratégie d’échantillonnage d’AGRIS. Les

questions produisant des estimations avec une variance inacceptable doivent être supprimées des questionnaires.

Les questionnaires généraux AGRIS proposés dans ce manuel sont autonomes. Il existe un questionnaire pour le module de base, le module Économie et chacun des modules rotatifs. Il existe des liens évidents entre ces modules autonomes, comme le montrent les chapitres suivants de ce manuel. Les questionnaires indépendants


facilitent cependant la personnalisation de l’ensemble par les agences nationales d’exécution en fonction de leurs besoins, notamment si elles se sont déjà dotées d’une bonne enquête sur la production. Des questionnaires intégrés annuels (p. ex., les questionnaires relatifs au(x) module(s) combiné(s) de base et rotatif(s)) correspondant aux délais recommandés dans le tableau 2.1 ci-dessus seront proposés dans la prochaine version de ce manuel. Ces questionnaires annuels intégrés serviront principalement aux agences nationales d’exécution souhaitant adopter le paquet AGRIS dans son ensemble.

Les questionnaires généraux proposés dans ce manuel sont exhaustifs. Ils ont été conçus pour produire des données pertinentes sur un large éventail de questions prioritaires. Les agences nationales d’exécution pourront toutefois préférer réduire la taille des questionnaires personnalisés en en supprimant certaines parties. Les notes méthodologiques (voir le chapitre 4) fournissent des conseils à ce propos dans le cadre de certains des modules rotatifs.

Cadres statistiques internationaux pertinents appliqués et utilisés dans le cadre d’AGRISLa méthodologie générale d’AGRIS est proposée sous forme de bien public aux agences statistiques en vue de sa personnalisation et de sa mise en œuvre. Les données en résultant sont destinées à être utilisées de façon cohérente, afin de réaliser des agrégations et comparaisons infranationales, régionales et internationales significatives. Dans ce contexte, la méthodologie AGRIS dépend largement de plusieurs cadres statistiques validés par la communauté internationale, tels que les classifications statistiques, et s’articule avec d’autres programmes pertinents de collecte de données (p. ex., le PMRA 2020 soutenu par la FAO). La méthodologie AGRIS, y compris le contenu, la conception et la mise en œuvre des questionnaires (via la technologie CAPI), a bénéficié de différentes innovations en matière de collecte des données provoquées par la mise en œuvre de la Stratégie mondiale et du Programme de recherche de la méthodologie LSMS-ISA promue par la Banque mondiale.

L’étendue des activités couvertes par AGRIS est définie par la révision 4 de la CITI ; les produits couverts par AGRIS sont fondés sur la version 2.1 de la Classification centrale des produits (CCP) des Nations Unies adaptée au contexte AGRIS. Au-delà de l’articulation fondamentale en termes de délais entre le cycle décennal d’AGRIS et l’élaboration de bases de sondage à partir des recensements agricoles, la méthodologie AGRIS est liée – dans la mesure du possible – au PMRA 2020 pour ce qui est des éléments, définitions et classifications p

Documents

Manuel AGRIS sur les enquêtes agricoles intégrées · 4.2.2.Structure du module Économie et principaux indicateurs 153 4.2.3.Contenu, définitions et classifications proposées