ÉLABORATION D OUTILS DE PRÉVISION DE LA PRODUCTION CÉRÉALIÈRE

Transcription

1 ÉLABORATION D OUTILS DE PRÉVISION DE LA PRODUCTION CÉRÉALIÈRE Kamal BENSAID Bank Al Maghrib

2 PLAN I L AGRICULTURE ET DE LA CÉRÉALICULTURE DANS L ÉCONOMIE NATIONALE II INTÉRÊT DE LA PRÉVISION DE LA PRODUCTION CÉRÉALIÈRE POUR BAM III EXPÉRIENCES INTERNATIONALES ET NATIONALES DE PRÉVISION DE LA PRODUCTION AGRICOLE IV CAS DE BAM 2

3 PLAN I L AGRICULTURE ET DE LA CÉRÉALICULTURE DANS L ÉCONOMIE NATIONALE II INTÉRÊT DE LA PRÉVISION DE LA PRODUCTION CÉRÉALIÈRE POUR BAM III EXPÉRIENCES INTERNATIONALES ET NATIONALES DE PRÉVISION DE LA PRODUCTION AGRICOLE IV CAS DE BAM 3

4 PLAN I L AGRICULTURE ET DE LA CÉRÉALICULTURE DANS L ÉCONOMIE NATIONALE II INTÉRÊT DE LA PRÉVISION DE LA PRODUCTION CÉRÉALIÈRE POUR BAM III EXPÉRIENCES INTERNATIONALES ET NATIONALES DE PRÉVISION DE LA PRODUCTION AGRICOLE IV CAS DE BAM 4

5 PLAN I L AGRICULTURE ET DE LA CÉRÉALICULTURE DANS L ÉCONOMIE NATIONALE II INTÉRÊT DE LA PRÉVISION DE LA PRODUCTION CÉRÉALIÈRE POUR BAM III EXPÉRIENCES INTERNATIONALES ET NATIONALES DE PRÉVISION DE LA PRODUCTION AGRICOLE IV CAS DE BAM 5

6 I- L agriculture et de la céréaliculture dans l économie nationale 1-1- Secteur agricole L agriculture marocaine Amont agricole Poids économique ~74 Md DH de PIB (~ 16%) ~7 Md DH des exports (~4%) Poids social 1,5 Mio. d exploitations 18 Mio. de ruraux (49% des ménages) dont 80% de population agricole Surface SAU : ~ 8,8 Mio. Ha Cultivée : ~7,4 Mio. Ha (~80%) Irriguée : 1,4 Mio. Ha (~14%) Poids économique colossal, déterminant pour la croissance du Maroc Enjeux de croissance vitaux Poids direct (16% amont + 5% aval) important Influence de la santé du secteur agricole sur l ensemble du pays Enjeux sur la balance commerciale Poids important des imports et exports agricoles Enjeux pour l emploi Potentiel de création d emploi massif Développement des compétences sectorisées Aval et transformation agricole Poids économique agro-industrie ~23 Md DH de PIB (~5%) ~4-5 Md DH des exports (~2%) Poids social agro-industrie ~ emplois 6

7 I- L agriculture et de la céréaliculture dans l économie nationale 1-1- Secteur agricole L agriculture marocaine Amont agricole Poids économique ~74 Md DH de PIB (~ 16%) ~7 Md DH des exports (~4%) Poids social 1,5 Mio. d exploitations 18 Mio. de ruraux (49% des ménages) dont 80% de population agricole Surface SAU : ~ 8,8 Mio. Ha Cultivée : ~7,4 Mio. Ha (~80%) Irriguée : 1,4 Mio. Ha (~14%) Aval et transformation agricole Poids économique agro-industrie ~23 Md DH de PIB (~5%) ~4-5 Md DH des exports (~2%) Poids social agro-industrie ~ emplois Poids économique colossal, déterminant pour la croissance du Maroc Enjeux sociaux (producteurs et consommateurs) et de développement durable et équilibré des territoires Enjeux de lutte contre la pauvreté et d augmentation des revenus 18 mio. De ruraux, dépendant à ~80% de l agriculture Enjeux de développement durable Utilisation rationnelle et efficace de l eau Développement territorial harmonieux Enjeux liés à 30 millions de consommateurs Sécurité alimentaire Accès à un meilleur rapport qualité/prix Sophistication de la demande 7

8 I- L agriculture et de la céréaliculture dans l économie nationale 1-1- Secteur agricole Part du PIBA dans le PIB % Inde Liban Tunisie Forte dépendance du Maroc par rapport à l agriculture en terme de PIB en comparaison avec les autres pays de la zone EUROMED Turquie Brésil Des effets dérivés majeurs notamment sur la volatilité du PIB d ensemble : Effets directs Effets consommation 4 Chili Espagne France 2 Israël/ Palestine U.S.A Taille du PIBA 0-2 < PIB/Capital 8

9 I- L agriculture et de la céréaliculture dans l économie nationale 1-1- Secteur agricole Secteur agricole: volatilité qui conditionne la croissance globale 20% 15% 10% 5% 0% -5% -10% % 60% 40% 20% 0% -20% -40% -60% variation PIB agricole variation PIB 9

10 I- L agriculture et de la céréaliculture dans l économie nationale 1-1- Secteur agricole Secteur agricole: Part qui reste importante Part de la valeur ajouté agricole dans la valeur ajoutée globale du PIB agricole dans le PIB 26% 24% 22% tendance (HP) 20% 18% 16% 14% 12% 10% 8% 6% 4% 2% 0%

11 I- L agriculture et de la céréaliculture dans l économie nationale 1-1- Secteur agricole Secteur agricole: Contribution à la croissance 20% 15% 10% 5% 0% -5% -10% -15% Contribution du secteur agricole Contribuion des uatres secteur Croissance globale 11

12 I- L agriculture et de la céréaliculture dans l économie nationale 1-1- Secteur agricole Le secteur agricole marocain occupe une proportion très élevée de la population économiquement active en comparaison internationale Emploi agricole en % de l'emploi total Moyenne , % et cela s'observe par une productivité du travail agricole au Maroc très faible et relativement stagnante Évolution de la valeur ajoutée par ouvrier agricole à USD* (000)/emploi agricole TCAM Brésil 21 Brésil 1,5 2,8 5.8% Chili 14 Chili 3,6 4,8 2.6% Egypte 29 Egypte 1,5 2,0 2.3% Espagne 6 Espagne % Tunisie 19 Tunisie 2,4 2,4 0% Turquie 34 Turquie 1,8 1,8-0.1% Maroc 45 Maroc 1,4 1,5 0.5% 12

13 80/81 81/82 82/83 83/84 84/85 85/86 86/87 87/88 88/89 89/90 90/91 91/92 92/93 93/94 94/95 95/96 96/97 97/98 98/99 99/00 00/01 01/02 02/03 03/04 04/05 05/06 I- L agriculture et de la céréaliculture dans l économie nationale 1-2- Céréaliculture Secteur agricole productions végétales - les céréales 45,5% - les fruits et légumes 47% (de la valeur brute des productions végétales) Production des différentes cultures en milliers de qx Volatilité due : Technique culturales utilisées pour les autres cultures zones de la céréaliculture : bour favorable Céréales Légumineuses Cultures industrielles Cultures maraîchères 13

14 I- L agriculture et de la céréaliculture dans l économie nationale 1-2- Céréaliculture Poids économique et social de la filière céréalière Poids agronomique et économique majeur dans l agriculture nationale 75% de la SAU 10-20% du PIB agricole avec de fortes fluctuations en fonction de la pluviométrie Poids majeur dans le déficit de la balance commerciale : importations céréalières ( 8 Mds DH) représentant 70% des importations agricoles. Poids social majeur pour un tissu de producteurs fragiles Culture prédominante pour la quasi-totalité des exploitations agricoles Interdépendances majeures avec les filières animales en raison de l importance des céréales destinées à l alimentation animale (orge et sous-produits) Importance primordiale dans la consommation des Marocains Consommation globale très élevée et autoconsommation importance avec 30% des volumes produits. 14

15 I- L agriculture et de la céréaliculture dans l économie nationale 1-2- Céréaliculture 15

16 I- L agriculture et de la céréaliculture dans l économie nationale 1-2- Céréaliculture Les céréales sont représentées essentiellement par Composition des céréales (en valeur de la production) 23% 2% 47% 27% Blé tendre Blé dur Orge Maïs 16

17 I- L agriculture et de la céréaliculture dans l économie nationale 1-2- Céréaliculture Superficies emblavées en céréales (en milliers de Ha)

18 I- L agriculture et de la céréaliculture dans l économie nationale 1-2- Céréaliculture Structure superficie 55% 45% 35% 25% 15% Blé tendre Orge Blé dur 18

19 I- L agriculture et de la céréaliculture dans l économie nationale 1-2- Céréaliculture structure de la production 55% 45% 35% 25% 15% Blé tendre Orge Blé dur 19

20 I- L agriculture et de la céréaliculture dans l économie nationale 1-2- Céréaliculture Evolution des rendement des principales céréales en Q/ha Blé tendre Orge Blé dur 20

21 I- L agriculture et de la céréaliculture dans l économie nationale 1-2- Céréaliculture Contraintes de production o dépendance aux condition climatiques, Part dans: Superficie production DPA ORMVA DPA ORMVA Blé Tendre 70% 30% 60% 40% Blé Dur 80% 20% 70% 30% Orge 80% 20% 70% 30% 21

22 I- L agriculture et de la céréaliculture dans l économie nationale 1-2- Céréaliculture Contraintes de production o dépendance aux condition climatiques, o dépendance aux condition climatiques, o techniques culturales o structures foncières 22

23 I- L agriculture et de la céréaliculture dans l économie nationale 1-2- Céréaliculture Utilisation des engrais: Kg d engrais par ha de SAU Mécanisation: Nombre de tracteur par 1000 ha de SAU Chili Vietnam France Espagne France Turquie Egypte USA 114 Chili 27 Thaïlande Espagne Maroc Vietnam Roumanie Thaïlande Inde Roumanie 41 Tunisie 26 5 Tunisie 13 6 Maroc 12 23

24 PLAN I L AGRICULTURE ET DE LA CÉRÉALICULTURE DANS L ÉCONOMIE NATIONALE II INTÉRÊT DE LA PRÉVISION DE LA PRODUCTION CÉRÉALIÈRE POUR BAM III EXPÉRIENCES INTERNATIONALES ET NATIONALES DE PRÉVISION DE LA PRODUCTION AGRICOLE IV CAS DE BAM 24

25 I- Intérêt de la prévision de la production céréalière pour BAM BAM : suivi de la conjoncture économique nationale et l évolution de l inflation et de la croissance le secteur agricole constitue l un des principaux pôles de l économie, à forte variabilité annuelle la production agricole impacte l économie nationale à plusieurs égards: - le niveau des importations des produits alimentaires, - les prix des produits alimentaires, - l emploi dans le milieu rural - l activité des industries agroalimentaires - la balance commerciale - l inflation, - la croissance, - le budget de l État. Place importante de la production agricole dans les exercices de prévision économique au Maroc 25

26 I- Intérêt de la prévision de la production céréalière pour BAM données relatives à la production agricole ne sont disponibles que plusieurs mois après la fin de la campagne agricole les conditions qui orientent la production sont connues bien avant la fin de la campagne Les gains en termes de temps Analyse de la conjoncture outil prévision de la production d analyse du déroulement de la campagne agricole Objectif : mise en place d un outil de suivi et de prévision de la production céréalière au cours de la campagne agricole. 26

27 PLAN I L AGRICULTURE ET DE LA CÉRÉALICULTURE DANS L ÉCONOMIE NATIONALE II INTÉRÊT DE LA PRÉVISION DE LA PRODUCTION CÉRÉALIÈRE POUR BAM III EXPÉRIENCES INTERNATIONALES ET NATIONALES DE PRÉVISION DE LA PRODUCTION AGRICOLE IV CAS DE BAM 27

28 III- Expériences internationales et nationales de prévision de la production agricole Méthodes agro météorologiques : 1- les méthodes non- paramétriques (descriptives) 2- les méthodes économétriques 3- les méthodes de simulation des comportements des cultures: 28

29 III- Expériences internationales et nationales de prévision de la production agricole Méthodes agro météorologiques : 1- les méthodes descriptives : - Identifier les variables agro - météorologiques pertinentes -Constituer des correspondances typologiques entre ces variables et des classes de rendements des cultures Avantages : -Absence d hypothèse sur la relation entre variable climatique et le rendement - Prendre en compte la dépendance entre les variables climatiques - intervalles de confiance facilement établis - simplicité de mise en place 29

30 III- Expériences internationales et nationales de prévision de la production agricole Méthodes agro météorologiques : 1- les méthodes descriptives : exemples: 1-Matrice Environnement Culture (CEM) 1990Hackett : 30

31 III- Expériences internationales et nationales de prévision de la production agricole Méthodes agro météorologiques : 1- les méthodes descriptives : exemples: 1-Matrice Environnement Culture (CEM) 1990Hackett : 2- Outils de prévision des épidémies et propagation de ravageurs : «règles irlandaises» Plus que 11 heures consécutives d humidité > 90% et de température >10 C (Keane, 1998) 3- Mesurer l'intensité d'el Nino (indice composite ENSO: la pression au niveau de la mer, composantes du vent, température à la surface de la mer, température extérieure, couverture nuageuse) oriente les condition climatiques future : * Plus l'indice est positif, l'air chaud est fortement présent, ce qui peut être à l'origine de fortes précipitations de Décembre à Février ainsi que de nombreuses tempêtes. * Plus l'indice est négatif, plus l'air froid est présent, plus le risque de vague de froid est marqué. 31

32 III- Expériences internationales et nationales de prévision de la production agricole Méthodes agro météorologiques : 1- les méthodes descriptives 2- les méthodes économétriques : relient à travers des équations, le plus souvent linéaire le rendement à des variables agrométéorologiques(température, pluviométrie, ) Avantages : Inconvénients : - simplicité de mise en place, - ne nécessiter que peu de variables - Estimations assez incorrectes en dehors des intervalles sur lesquelles elles ont été estimées - résultats irréalisables dans les cas où la priorité a au respect des contraintes statistiques au détriment de la cohérence agronomique des relations.. 32

33 III- Expériences internationales et nationales de prévision de la production agricole Méthodes agro météorologiques : 1- les méthodes descriptives 2- les méthodes de régression 3- les méthodes de simulation des comportements des cultures: - les plus précises et les plus compliquées. - tentent de décrire le fonctionnement des plantes dans leur environnement - ensemble de sous modèles : développement phénologique ; physiologique; Avantage : moins sensibles aux situations nouvelles Exemples: EPIC; CERES; WOFOST développement radiculaire; cycle de l'eau; l'absorption des nutriments 33

34 III- Expériences internationales et nationales de prévision de la production agricole Ministère de l Agriculture enquêtes d occupation du sol : 1er passage (Février-Mars) 2ème passage (Juin) ; l état d'avancement de la campagne agricole : 1er passage (fin Décembre) 2éme passage (fin Janvier); prévision des récoltes des trois principales céréales (Avril) ; les rendements objectifs (de Mai à Septembre); 34

35 III- Expériences internationales et nationales de prévision de la production agricole Ministère de l Agriculture enquêtes d occupation du sol 1er passage (Février-Mars) 2ème passage (Juin) ; l état d'avancement de la campagne agricole 1er passage (fin Décembre) 2éme passage (fin Janvier); prévision des récoltes des trois principales céréales (Avril) ; les rendements objectifs (de Mai à Septembre); expertise réalisée dans un échantillon des parcelles Enquête qualitative 35

36 III- Expériences internationales et nationales de prévision de la production agricole Ministère de l Agriculture Haut Commissariat au Plan Trois approches 1- Approche rendement - Repartir les superficies emblavées en 3 classes (bonne; moyenne; mauvaise) en fonction de l état des semis apprécier au niveau des provinces à partir de : pluviométrie + températures + remplissage des barrages - Une analyse rétrospective pour faire une correspondance: «état des semis» «rendement» 36

37 III- Expériences internationales et nationales de prévision de la production agricole Ministère de l Agriculture Haut Commissariat au Plan Trois approches 1- Approche rendement 2- Campagne agricole similaire Analyse factorielle Variables utilisées: pluviométrie trim4 + pluviométrie trim1 + superficie semée +l effet de la précocité des pluies + prod. légumineuses + effectif cheptel + effet psychologique de la campagne précédente 37

38 III- Expériences internationales et nationales de prévision de la production agricole Ministère de l Agriculture Haut Commissariat au Plan Trois approches 1- Approche rendement 2- Campagne agricole similaire 3- Modélisation économétrique Type de modélisation : régression linéaire avec auto corrélation des résidus Variable à expliquer: variation annuelle de la production céréalière totale Variables explicatives: + pluviométrie trim4 + pluviométrie trim1 + l effet de la précocité des pluies 38

39 III- Expériences internationales et nationales de prévision de la production agricole Ministère de l Agriculture Haut Commissariat au Plan Centre Royal de Télédétection Spatial 39

40 PLAN I L AGRICULTURE ET DE LA CÉRÉALICULTURE DANS L ÉCONOMIE NATIONALE II INTÉRÊT DE LA PRÉVISION DE LA PRODUCTION CÉRÉALIÈRE POUR BAM III EXPÉRIENCES INTERNATIONALES ET NATIONALES DE PRÉVISION DE LA PRODUCTION AGRICOLE IV CAS DE BAM 4-1- Approche méthodologique 4-2- Données 4-3- Méthodes utilisées (Méthodes économétriques et campagne similaire) 4-4- Les premiers résultats Conclusion 40

41 IV- Cas de BAM : 4-1- Approche méthodologique Impératives : - Pas de données du terrain (enquête, expertise ) - Établir des prévision le plus tôt possible - Améliorer le suivi du déroulement de la campagne 41

42 IV- Cas de BAM : 4-1- Approche méthodologique Impératives Choix de l unité géographique d analyse 42

43 IV- Cas de BAM : 4-1- Approche méthodologique Impératives Choix de l unité géographique d analyse - Durée du cycle - Durées des stades - Besoins en eau et en température durant les stades -Variétés -Conditions environnementales (climat, sol, techniques culturelles) Homogène dans l unité géographique d étude national provinces DPA- ORMVA 43

44 IV- Cas de BAM : 4-1- Approche méthodologique Impératives Choix de l unité géographique d analyse Choix de la variable à estimer : production / rendement 44

45 IV- Cas de BAM : 4-1- Approche méthodologique Impératives Choix de l unité géographique d analyse Choix de la variable à estimer : production / rendement Méthodes de prévision : méthode d années similaires et la modélisation économétrique 45

46 IV- Cas de BAM : 4-2- données Données document annuel des statistiques de la production végétale élaboré par la Direction de la Programmation et des Affaires Economiques Ministère de l Agriculture Productions Superficies cultivées Rendements Blé dur Blé tendre Orge Provinces, Directions Provinciales de l Agriculture (DPA) Offices Régionales de Mise en Valeur Agricole (ORMVA) Pluviométries cumulées mensuelles au niveau de 29 stations météorologiques ne permet pas d apprécier avec précision la répartition temporelle des précipitations durant le mois 46

47 IV- Cas de BAM : 4-2- données 29 stations météorologiques 45 unités géographiques (36 DPA + 9 ORMVA) Schéma de correspondance en station météorologique et zone géographique Répartition PDA ORMVA Zones climatiques Stations météorologiques 47

48 IV- Cas de BAM : 4-2- données 48

49 IV- Cas de BAM : 4-2- données STATION METEOROLOGIQUE DPA ORMVA Agadir AGADIR GUELMIM TIZNIT SOUSSMASSA Béni Mellal BENIMELLAL KHENIFRA ELKELAA AZILAL TADLA Casa CASABLANCA BENSLIMANE El Hoceima ALHOCEIMA MOULOUYA EL JADIDA EL JADIDA KHOURIBGA SETTAT DOUKKALA Essaouira ESSAOUIRA Fès FES BOULEMANE Ifrane IFRANE Kenitra KENITRA GHARB Larache SIDIKACEM Marrakech MARRAKECH CHICHAOUA HAOUZ Meknes MEKNES ELHAJEB Nador NADOR Ouarzazate FIGUIG TATA TAN-TAN OUARZAZATE TAFILALET Oujda OUJDA Rabat-sale RABAT KHEMISSET Safi SAFI Tanger TANGER CHEFCHAOUEN Taza TAZA TAOUNATE Tétouane TETOUAN LOUKKOS 49

50 IV- Cas de BAM : 4-2- données Collecte des document Constitution des bases de données annuelles pour les trois cultures Constitution de la base de données globale 50

51 IV- Cas de BAM : 4-3- modélisation économétrique : méthode Régression linéaire multiple - variable dépendante : rendement ; -variables explicatives : précipitation : le cumul le nombre de jours des précipitations, le maximum des précipitations en 24h, température : la température moyenne, la moyenne des températures maximales, la moyenne des températures minimales, les températures maximales absolues les températures minimales absolues. 51

52 IV- Cas de BAM : 4-3- modélisation économétrique : méthode Régression linéaire multiple - variable dépendante : rendement ; - variables explicatives : précipitation : température - ACP par décade et par station sur les 8 variables climatique : Vi = premier axe principal V1 V2 V3 V24 Septembre Octobre Novembre Avril d1 d2 d3 d1 d2 d3 d1 d2 d3.... d1 d2 d

53 IV- Cas de BAM : 4-3- modélisation économétrique : méthode Régression linéaire multiple - variable dépendante : rendement ; - variables explicatives : précipitation : température - ACP par décade et par station sur les 8 variables climatique : Vi,j = premier axe principal rend i, j, t i, j,1 * Vt, j',1 i, j,2 * Vt, j',2... i, j,7 * Vt, j',24 i, j * trend i = culture ; j =région; t = campagne Unité d analyse = combinaisons (3 cultures * 45 unités géographiques) 135 régressions Sélection des variables par : +la méthode «pas-à-pas à pas» (stepwise) + respect des normes FAO + logique agronomique Chaque régression traduit les spécifiés des comportements de la culture dans la zone géographique ainsi que le calendrier de la conduite de la culture dans la zone 53

54 IV- Cas de BAM : 4-3- modélisation économétrique : méthode Régression linéaire multiple - variable dépendante : rendement ; - variables explicatives : pluviométries mensuelles des 7 premiers mois de la campagne (sept-mars) : trend rend i, j, t i, j,1 * pluv t, j,1 i, j,2 * pluv j,2... i, j,7 * pluv j,7 i, j * trend I = culture ; j norme région; t = campagne Unité d analyse = combinaisons (3 cultures * 45 unités géographiques) 135 régressions Sélection des variables par : +la méthode «pas-à-pas à pas» (stepwise) + respect des normes FAO + logique agronomique Chaque régression traduit les spécifiés des comportements de la culture dans la zone géographique ainsi que le calendrier de la conduite de la culture dans la zone 54

55 55

56 IV- Cas de BAM : 4-3- modélisation économétrique : méthode Normes internationales (FAO) pour l établissement d outils de prévision agricoles 1- privilégier les variables dérivées (ET, IV) par rapport aux variables climatique et agronomique brutes OUI 2- adopter une fréquence d observation décadaire OUI 3- les données doivent refléter les conditions dans l unité géographique analysée (plus homogène possible) OUI 4- Utiliser uniquement les variables connues pour avoir un impact sur les cultures considérées OUI 5- les signes des cœfficients doivent, respecter une logique agronomique sous-jacente Concernant la réponse de la culture aux variations des variables OUI 56

57 IV- Cas de BAM : 4-3- modélisation économétrique : méthode Normes internationales (FAO) pour l établissement d outils de prévision agricoles 7- les cœfficients de la régression doivent, respecter une cohérence spatiale; c.à.d ne doivent pas trop varier entre deux zones limitrophes OUI 8- la qualité de la régression doit, être évaluée (en plus des coefficients statistiques R2) par la moyenne des erreurs de l estimation du rendement OUI 9- Tester plusieurs forme de la fonction de rendement (linéaires, multiplicatif ). OUI 10- Détecter l information redondante (ACP, matrice de corrélation..) OUI 11- la fonction de rendement doit, être calibrée tous les 2ans.? OUI 12- Évaluer la pertinence du modèle en prenant en compte la qualité des statistiques agronomiques utilisées ( 10%- 20%% d erreur) 57

58 IV- Cas de BAM : 4-3- modélisation économétrique : résultats Blé dur Orge Blé tendre Production réalisée Production estimée en millions de quintaux

59 IV- Cas de BAM : 4-3- modélisation économétrique : résultats Totale des trois céréales d hivers en milliers de quintaux Production réalisée Production estimée 59

60 IV- Cas de BAM : 4-3- modélisation économétrique : résultats le coefficient de Theil (CT), l'écart absolu moyen en pourcentage (MAPE), l'erreur absolue moyenne (MAE) Blé dur périodes 1987_ _ _2009 TOUTE LA PERIODE CT 0,13 0,08 0,22 0,17 MAPE 15,4% 9,2% 21% 21,5% production moyenne MAE 1,96 1,14 3,17 2,22 13,4 Blé tendre périodes 1987_ _ _2009 TOUTE LA PERIODE production moyenne CT 0,09 0,13 0,15 0,16 MAPE 10,3% 11,9% 14% 19,1% MAE 1,69 2,76 4,19 3,17 21,9 Orge périodes 1987_ _ _2009 TOUTE LA PERIODE production moyenne CT 0,13 0,07 0,10 0,14 MAPE 13,3% 9,1% 11,6% 21,9% MAE 2,92 1,60 2,10 2,64 19,6 60

61 IV- Cas de BAM : 4-3- modélisation économétrique : résultats TOTAL DES CEREALES périodes 1987_ _ _2009 TOUTE LA PERIODE CT 0,11 0,08 0,16 0,13 MAPE 10,8% 8,2% 15,2% 19% production moyenne MAE 6,03 4,33 9,52 7,61 54,9 61

62 IV- Cas de BAM : 4-3- modélisation économétrique : résultats TOTAL DES CEREALES périodes 1987_ _ _2009 TOUTE LA PERIODE production moyenne CT 0,11 0,08 0,16 0,13 MAPE 10,8% 8,2% 15,2% 19,3% MAE 6,03 4,33 9,52 7,61 54,9 Le CT a été utilisé par le HCP pour évaluer la qualité des prévisions de leur modèle économétrique d estimation de la production céréalière et le résultat obtenu été de 0,13 (pour la période ) 62

63 IV- Cas de BAM : 4-3- campagnes similaires : méthode Objectif : Déterminer pour chaque zone étudiée «la campagne agricole passée» dont les conditions climatiques (pluviométrie) ont été semblables à celles prévalant durant la saison étudiée deux instruments, Analyse des Composantes Principales une analyse qualitative des données initiales périodes critiques conditions exceptionnelles Cette analyse est menée pour les 20 stations météorologiques et les résultats obtenus sont affectés aux différents DPA et ORMVA d estimer le rendement / DPA et ORMVA / culture Remarques : cette méthode n a pas pour objectif de formuler une prévision chiffrée exacte de la production outil additionnel + appréciation d expert du rendement potentiel 63

64 écart de précipitation=e Corrélation=c benimellal P1 P2 P3 P4 P5 P6 P7 P8 P9 bd bt o bd bt o bd bt o bd bt o ,8 29,6 74,6 64,3 84,0 79,1 41,0 7,9 19,7 21,5 20,4 18,0 17,2 13,9 16,9 13,4 13,7 14,6 21,3 26,1 19,7-7% 68% 0, ,3 19,9 91,5 0,8 39,3 52,3 61,4 103,8 5,0 18,8 13,1 8,8 15,0 13,0 14,0 15,7 12,9 16,0 20,2 23,0-12% 0% 0, ,1 47,2 50,8 52,4 50,1 0,0 41,0 66,5 51,0 9,8 11,0 8,2 2,1 2,3 3,3 6,5 8,6 8,8 14,2 13,2 7,3-17% -27% -0, ,4 3,6 21,9 64,2 1,6 91,8 157,8 49,1 2,0 22,5 24,1 18,2 13,4 14,2 12,2 14,1 16,1 15,9 23,9 26,4 19,8-9% 34% 0, ,8 32,6 7,7 10,7 0,0 35,0 54,0 44,4 23,2 5,2 6,0 10,8 1,9 1,7 4,5 5,6 5,0 7,2 27,0 22,9 10,8-47% -23% -0, ,0 16,4 23,8 15,4 30,1 12,6 63,9 25,5 23,2 6,4 7,9 3,6 4,4 3,4 4,3 5,9 9,7 5,1 19,1 16,6 9,8-52% -2% -0, ,6 15,7 119,5 28,6 40, ,3 2,4 3,9 17,1 21,4 15,4 15,4 14,2 13,7 14,0 14,4 17,0 27,2 24,3 17,8-24% 75% 0, ,2 19,0 17,4 1,8 0,0 42,4 44,6 59,9 1,9 8,1 8,1 2,1 4,2 2,1 2,3 4,2 7,5 7,8 30,7 25,6 7,4-57% -8% -0, ,6 13,8 40,1 72,7 137,3 78,9 118,7 18,1 54,6 24,3 27,5 21,2 18,1 15,6 14,2 15,3 14,5 16,2 22,1 23,3 15,6 23% 16% 0, ,3 13,7 11,7 125,0 91,5 20,5 20,3 164,5 18,3 11,3 11,8 10,8 6,8 5,8 4,5 7,3 7,5 7,2 14,6 12,9 6,3 8% -31% -0, ,6 33,5 45,8 123,6 13,5 40,6 15,6 4,3 12,2 14,6 19,1 10,4 6,0 6,5 6,5 8,1 6,9 8,3 25,7 20,9 9,7-12% 48% 0, ,9 1,8 0,0 51,7 98,0 35,2 37,8 6,0 11,5 8,6 8,1 4,5 5,7 4,2 3,4 7,0 6,5 8,6 9,0 10,2 4,2-45% 6% 0, ,4 40,4 51,3 31,4 24,1 0,0 0,0 82,2 52,6 6,4 4,2 2,1 1,1 1,2 0,9 2,3 0,8 2,1 13,9 17,9 4,1-36% -39% -0, ,6 82,1 32,4 82,2 54,3 11,1 12,5 6,4 2,7 20,8 19,6 12,6 0,7 0,9 0,9 6,2 4,9 6,3 29,5 22,7 0,7-35% 43% 0, ,6 0 10,3 68,5 0 17,5 142,7 109,2 14,8 16,2 17,1 13,5 5,9 5,7 4,5 8,4 7,6 8,0 22,9 19,2 7,5-18% -8% -0, ,2 23,5 161,1 28,9 30,9 36,7 58,1 41,0 10,5 15,9 20,9 14,3 10,2 10,6 8,7 12,3 12,8 12,8 25,3 22,5 15,4-10% 55% 0, ,0 69,8 48,6 90,9 4,7 60,9 48,6 20,8 70,8 16,6 17,1 16,9 9,5 10,3 11,2 13,8 14,8 15,2 25,3 21,7 10,8-6% 50% 0, ,3 36,8 39,4 54,0 4,0 44,0 32,8 0,2 0,8 4,5 4,0 3,0 2,5 2,0 1,5 4,0 3,0 4,0 14,6 15,6 1,1-52% 93% 0, ,4 57,7 45,6 8,9 108,6 64,8 23,9 9,3 27,2 17,7 14,6 15,4 9,9 10,8 9,2 10,7 11,4 11,1 31,3 21,7 8,8-22% 12% 0, ,9 22,2 26,6 10,7 9,8 23,2 8,5 78,4 19,7 1,4 0,4 0,2 1,8 1,8 1,3 6,8 4,4 4,3 12,3 16,1 0,9-55% -39% -0, ,6 28,2 94,6 30,8 37,7 27,9 15,1 6,3 24,2-40% 61% 0, ,8 55,8 93,9 85,9 29,1 78,7 58,8 0,0 9, bd 9% 7% 34% 34% 40% 61% 47% -20% 1% DPA benimellal DPA kelaa DPA azilal ORMVA tadla bt 19% -2% 39% 43% 33% 61% 50% -27% 1% o 7% 8% 30% 38% 37% 65% 49% -22% 18% bd -1% -31% 47% 6% 43% 84% 44% -16% 1% bt 2% -23% 50% 9% 37% 85% 46% -17% 4% o 6% -16% 50% 5% 33% 84% 40% -21% 9% bd 0% -14% 51% 9% 31% 78% 46% -14% 7% bt -8% -16% 44% 4% 26% 76% 52% -18% 9% o -1% -14% 49% 6% 28% 82% 46% -20% 5% bd 18% 32% 23% -8% -13% 41% 17% -32% -17% bt 12% 10% 36% -17% -15% 64% 33% -27% -16% o 10% -31% 47% 3% 14% 75% 52% -22% 3% Indice =(1-abs(e)))*c 64

65 benimellal P1 P2 P3 P4 P5 P6 P7 P8 P9 bd bt o bd bt o bd bt o bd bt o ,8 29,6 74,6 64,3 84,0 79,1 41,0 7,9 19,7 21,5 20,4 18,0 17,2 13,9 16,9 13,4 13,7 14,6 21,3 26,1 19,7-7% 68% 0, ,3 19,9 91,5 0,8 39,3 52,3 61,4 103,8 5,0 18,8 13,1 8,8 15,0 13,0 14,0 15,7 12,9 16,0 20,2 23,0-12% 0% 0, ,1 47,2 50,8 52,4 50,1 0,0 41,0 66,5 51,0 9,8 11,0 8,2 2,1 2,3 3,3 6,5 8,6 8,8 14,2 13,2 7,3-17% -27% -0, ,4 3,6 21,9 64,2 1,6 91,8 157,8 49,1 2,0 22,5 24,1 18,2 13,4 14,2 12,2 14,1 16,1 15,9 23,9 26,4 19,8-9% 34% 0, ,8 32,6 7,7 10,7 0,0 35,0 54,0 44,4 23,2 5,2 6,0 10,8 1,9 1,7 4,5 5,6 5,0 7,2 27,0 22,9 10,8-47% -23% -0, ,0 16,4 23,8 15,4 30,1 12,6 63,9 25,5 23,2 6,4 7,9 3,6 4,4 3,4 4,3 5,9 9,7 5,1 19,1 16,6 9,8-52% -2% -0, ,6 15,7 119,5 28,6 40, ,3 2,4 3,9 17,1 21,4 15,4 15,4 14,2 13,7 14,0 14,4 17,0 27,2 24,3 17,8-24% 75% 0, ,2 19,0 17,4 1,8 0,0 42,4 44,6 59,9 1,9 8,1 8,1 2,1 4,2 2,1 2,3 4,2 7,5 7,8 30,7 25,6 7,4-57% -8% -0, ,6 13,8 40,1 72,7 137,3 78,9 118,7 18,1 54,6 24,3 27,5 21,2 18,1 15,6 14,2 15,3 14,5 16,2 22,1 23,3 15,6 23% 16% 0, ,3 13,7 11,7 125,0 91,5 20,5 20,3 164,5 18,3 11,3 11,8 10,8 6,8 5,8 4,5 7,3 7,5 7,2 14,6 12,9 6,3 8% -31% -0, ,6 33,5 45,8 123,6 13,5 40,6 15,6 4,3 12,2 14,6 19,1 10,4 6,0 6,5 6,5 8,1 6,9 8,3 25,7 20,9 9,7-12% 48% 0, ,9 1,8 0,0 51,7 98,0 35,2 37,8 6,0 11,5 8,6 8,1 4,5 5,7 4,2 3,4 7,0 6,5 8,6 9,0 10,2 4,2-45% 6% 0, ,4 40,4 51,3 31,4 24,1 0,0 0,0 82,2 52,6 6,4 4,2 2,1 1,1 1,2 0,9 2,3 0,8 2,1 13,9 17,9 4,1-36% -39% -0, ,6 82,1 32,4 82,2 54,3 11,1 12,5 6,4 2,7 20,8 19,6 12,6 0,7 0,9 0,9 6,2 4,9 6,3 29,5 22,7 0,7-35% 43% 0, ,6 0 10,3 68,5 0 17,5 142,7 109,2 14,8 16,2 17,1 13,5 5,9 5,7 4,5 8,4 7,6 8,0 22,9 19,2 7,5-18% -8% -0, ,2 23,5 161,1 28,9 30,9 36,7 58,1 41,0 10,5 15,9 20,9 14,3 10,2 10,6 8,7 12,3 12,8 12,8 25,3 22,5 15,4-10% 55% 0, ,0 69,8 48,6 90,9 4,7 60,9 48,6 20,8 70,8 16,6 17,1 16,9 9,5 10,3 11,2 13,8 14,8 15,2 25,3 21,7 10,8-6% 50% 0, ,3 36,8 39,4 54,0 4,0 44,0 32,8 0,2 0,8 4,5 4,0 3,0 2,5 2,0 1,5 4,0 3,0 4,0 14,6 15,6 1,1-52% 93% 0, ,4 57,7 45,6 8,9 108,6 64,8 23,9 9,3 27,2 17,7 14,6 15,4 9,9 10,8 9,2 10,7 11,4 11,1 31,3 21,7 8,8-22% 12% 0, ,9 22,2 26,6 10,7 9,8 23,2 8,5 78,4 19,7 1,4 0,4 0,2 1,8 1,8 1,3 6,8 4,4 4,3 12,3 16,1 0,9-55% -39% -0, ,6 28,2 94,6 30,8 37,7 27,9 15,1 6,3 24,2-40% 61% 0, ,8 55,8 93,9 85,9 29,1 78,7 58,8 0,0 9, bd 9% 7% 34% 34% 40% 61% 47% -20% 1% DPA benimellal DPA kelaa DPA azilal ORMVA tadla bt 19% -2% 39% 43% 33% 61% 50% -27% 1% o 7% 8% 30% 38% 37% 65% 49% -22% 18% bd -1% -31% 47% 6% 43% 84% 44% -16% 1% bt 2% -23% 50% 9% 37% 85% 46% -17% 4% o 6% -16% 50% 5% 33% 84% 40% -21% 9% bd 0% -14% 51% 9% 31% 78% 46% -14% 7% bt -8% -16% 44% 4% 26% 76% 52% -18% 9% o -1% -14% 49% 6% 28% 82% 46% -20% 5% bd 18% 32% 23% -8% -13% 41% 17% -32% -17% bt 12% 10% 36% -17% -15% 64% 33% -27% -16% o 10% -31% 47% 3% 14% 75% 52% -22% 3% Profil P1 P2 P3 P4 P5 P6 P7 P8 P9 100% 80% 60% 40% 20% 0% -20% -40% -60% -80% 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4 Ecart de précipitation Corrélation Indice 65

66 IV- Cas de BAM : 4-3- campagnes similaires : résultats Blé dur Orge Blé tendre Production réalisée Production estimée en millions de quintaux 66

67 IV- Cas de BAM : 4-3- campagnes similaires : résultats Totale des trois céréales d hivers Production réalisée Production estimée en millions de quintaux 67

68 IV- Cas de BAM : 4-3- modèle pluviométrique Objectif Un indicateur fortement corrélé avec la production céréalière 68

69 IV- Cas de BAM : 4-3- modèle pluviométrique La production céréalière La répartition des précipitations Facteur temps sur l année La répartition géographique Facteur espace (régions agricoles) 69

70 IV- Cas de BAM : 4-3- modèle pluviométrique Facteur temps Sept. Oct. Nov. Déc. janv. Fév. Mars Avril Mai Période 1 Période 2 Période 3 70

71 IV- Cas de BAM : 4-3- modèle pluviométrique Facteur espace 20 stations météorologiques: Chaque station a un poids céréalière; (S ) W en fonction de sa contribution à la production La compagne agricole est l année de référence pour le calcul des 71

72 IV- Cas de BAM : 4-3- modèle pluviométrique Poids des 20 stations sélectionnées dans la production céréalière par rapport à la campagne agricole Nador 2,9% Béni M ellal 6,1% El Hoceima 1,2% Ifrane 1,5% Laache 1,4% Agadir 0,9% Taza 3,4% Oujda 3,2% Safi 5,2% Kenitra + Sidi Kacem 11,0% M arrakech 3,5% Essaouira 2,8% Khouribga 2,5% Casa 0,9% Fès 3,7% Rabat-sale 0,5% M eknes 2,2% EL JADIDA 7,7% Settat 8,0% 72

73 IV- Cas de BAM : 4-3- modèle pluviométrique Suivi mensuel des précipitations par station Calcul des IP, indicateurs élémentaires Calcul des IP (C), indicateurs intermédiaires Calcul de l indicateur pluviométrique (IPLUV) 73

74 IV- Cas de BAM : 4-3- modèle pluviométrique Calcul des IP, indicateurs élémentaires IP i, j s S PM ( s) i, j. W ( s) PM i ( S ), j Précipitations mensuelles de la station s au mois i de la période j W (s) le poids de la station 74

75 IV- Cas de BAM : 4-3- modèle pluviométrique Calcul des IP (C), indicateurs intermédiaires ( c) IP j IPi, i Ej j E 1 1 ; E2 2 ; E : {septembre, octobre, novembre, décembre}; 2 : {janvier, février, mars}; 3 : {avril, mai}. 75

76 IV- Cas de BAM : 4-3- modèle pluviométrique Calcul de l indicateur pluviométrique (IPLUV) IPLUV IP 1 W1 ( IP2 IP1 ). W2 ( IP3 IP2 ).. W 3 W j : désigne le poids de chaque période de référence estimé par rapport à sa contribution dans la production agricole. W 1 = 0,35; W 2 = 0,60; W 3 = 0,05 Les pondérations sont estimées par une méthode non paramétrique, maximisant la fonction de corrélation entre l indice pluviométrique et la production céréalière; La valeur maximale de corrélation est de l ordre de 0,93 76

77 IV- Cas de BAM : 4-3- modèle pluviométrique La production céréalière (PCER) PCER f 0 ( IPLUV ) PCER 637* IPLUV

78 IV- Cas de BAM : 4-3- modèle pluviométrique 78

79 IV- Cas de BAM : 4-3- modèle pluviométrique Calendrier de révisions des prévisions de la production céréalière Août Juillet Juin Mai Avril Mars Février Janvier Décembre novembre Octobre Septembre donnée officielle de la production céréalière IPLUV 3 PCER 3 IPLUV 2 PCER 2 IPLUV 1 PCER 1 79

80 80