Incidence du Changement Climatique sur les Productions Agricoles : cas de la

commune de Banikoara
Emmanuel D. YAI, Bernadin G. C. AHODODE & Felix C. BIAOU
Université d’Abomey-Calavi (UAC)
Faculté des Sciences Economiques et de Gestion (FASEG)
yaiemanuel@[Link] ; xbengeraud@[Link] ; felchabiaou@[Link]

Résumé
Cette étude a fait l’objet de l’analyse des effets du changement climatique sur les productions du coton, du
maïs, du sorgho et d’arachide dans la commune de Banikoara. Après le calcul des indices des paramètres
climatiques et la détermination des périodes de ruptures, l’étude a estimé les effets des variations climatiques
sur les productions agricoles par la méthode des doubles moindres carrés en une étape. Il ressort des résultats
obtenus que l’indice, les déficits et les ruptures pluviométriques exercent toutes deux des effets positives sur la
production du coton et du maïs contrairement à la température qui exerce un effet négatif engendrant une
forte diminution de la production du coton et du maïs. Par contre, l’estimation de ces variables climatiques
sur la production du sorgho a donné des signes contraires par rapport à ceux observés sur le coton et le maïs.
C’est-à-dire que les cultures de coton et de maïs sont des cultures complémentaires alors que le sorgho vient
en substitut à ces deux cultures.
Mots clés : changement climatique, déficit pluviométrique, rupture pluviométrique, production agricole,
double moindre carrés
Classification JEL :
1. Introduction
Le changement climatique caractérisé par la recrudescence des phénomènes extrêmes comme les
sécheresses et les inondations, la hausse des températures, la variabilité accrue de la pluviométrie et
des caractéristiques des saisons agricoles,... (GIEC, 2007), constitue une menace majeure pour
l’environnement et le développement agricole mondiaux et surtout africains. Au Benin, le diagnostic
des effets du changement climatique révèle que les zones agro-écologiques du centre et du nord du
pays sont les plus vulnérables aux risques climatiques que sont : la sècheresse, les pluies tardives et
violentes et les inondations (RNI, 2008). Selon une étude de la DANIDA (2008), la recrudescence
des fortes pluies dues au changement climatique a entrainé la destruction de 25.000 ha de cultures
vivrières et 1.204 ha de champs de coton avec environs 53 674 producteurs touchés et des dégâts
estimés à 9.4 milliards de FCFA. De plus, la crise alimentaire enregistrée au cours de cette année a
aggravé l’insécurité alimentaire avec plus de 78 % de la population rurale touchée, soit un taux de
croissance de 3.8 % (LARES, 2011). Alors que, les initiatives de relance agricole sont portées surtout
sur la production du coton avec plus de 85.000 tonnes de semences sélectionnées en 2012 (ONASA,
2012).
Ainsi, au Bénin les stratégies de choix entre les cultures vivrières et celles du coton constituent
aujourd’hui un enjeu important dans le contexte du changement climatique actuel. Car, depuis une
décennie, la production cotonnière n’a pas atteint les résultats escomptés notamment l’amélioration
des revenus et surtout celles des conditions de vie des ménages ruraux agricoles. Les faibles revenus
agricoles et l’insécurité alimentaire enregistrés dans les zones cotonnières en République du Bénin
montrent la priorité de la monoculture du coton par rapport aux autres spéculations et expliquent la
faible diversification et les différentes options d’association de cultures (Nubukpo et al, 2006).
Cependant, peu de recherches empiriques ont été menées dans les zones agricoles afin d’évaluer et
d’analyser l’impact du changement climatique sur l’interface coton–cultures vivrières. C’est dans ce
cadre que nous nous sommes intéressés à la commune de Banikoara, première en terme de
production du coton (principale culture de rente) du département de l’Alibori avec 80.594 tonnes en
2007, soit 44% de productions du département ; et des céréales les plus consommées (le maïs, le
sorgho) et la légumineuse la plus produite dans la zone (l’arachide).
En effet, cette commune s’étend sur une superficie de 6.922 km2 et est localisée entre 10°50 et
11°30 latitudes Nord et 2° et 2°40 longitude Est. Sa population est estimée en 2012 à 201.654
habitants avec une faible densité de 22 habitants /Km2 dont 91.94 % travaillent dans l’agriculture
(INSAE, 2013). Elle est animée par un climat de type soudano-Sahélien avec une seule saison de

1
pluie d’Avril à Octobre. Les moyennes annuelles des précipitations oscillent entre 1000 et 1200 mm.
La température varie de 27°C à 34°C. Les sols sont de type ferrugineux tropicaux profonds et
favorisent l’agriculture de coton (80%). La production agricole est pratiquée dans un système pluvial,
sans irrigation. La grande variabilité de la pluviométrie rend très aléatoire toute les prévisions en
début de campagne et constitue un important facteur de risque. Les autres activités sont moins
prépondérantes : l’élevage (15 %) et le commerce (4%) (MAEP-INRAB, 2010). Les niveaux de
production de la commune dans la production nationale annuelle représentent plus de 45 % pour le
coton, 20 % pour le maïs, 15 % pour le sorgho et enfin 10 % pour l’arachide (INRAB, 2010).
L’agriculture subvenait avant à l’alimentation qui est l’un des besoins les plus importants de
l’homme. En effet, le sorgho et l’arachide sont la base de l’alimentation de la population de la zone
de Banikoara et constituent la première source de féculents de toute la population. Le maïs et le
sorgho sont cultivés dans le passé pour l’autoconsommation. Mais, face à la demande croissante des
centres urbains et à la baisse des prix du coton, leurs intérêts en tant que culture commerciale
s’affirment (Fofirin et al, 2008). Le secteur agricole est alors pour ces populations, une voie de sortie
de la pauvreté qu’il convient d’exploiter judicieusement face au changement climatique.
Ainsi, des choix de stratégies d’adoption culturales s’imposent aux producteurs de Banikoara face à
la volonté de s’approvisionner en maïs, en sorgho et d’améliorer le volume des exportations de la
commune. Cet état de chose nous amène à nous demander ; à quel degré les fluctuations climatiques
constituent une contrainte pour les cultures dominantes de la commune de Banikoara ? La réponse à
cette question consistera à évaluer les effets du changement climatique dans le système de
production agricole de la commune, afin de fournir des informations intéressantes sur les effets du
changement climatique et de réorienter les motivations pouvant déterminer les choix de stratégies
d’adoption ou d’association culturale des ménages agricoles dans la commune de Banikoara. Car, une
production agricole vivrière suffisante et de qualité, augmente la capacité nutritionnelle des couches
les plus vulnérables à l’insécurité alimentaire.
Après la revue de littérature suivie de la méthodologie, ce papier présente les résultats, discussions et
recommandations.

2. Revue de littérature
L’agriculture béninoise est fortement dépendante du régime des précipitations et de leur variabilité et
sévérité (Nicholson, 2005). Pour y faire face, les agriculteurs ont mis en place, selon De Rouw
(2004), des systèmes de cultures extensifs et diversifiés à base de mil, d’arachide, de niébé, etc. Ces

2
systèmes généralement basés sur les connaissances endogènes, ont été vulnérables à ces chocs
climatiques sévères.
Or, la production agricole risque d’être encore compromise par la variabilité accrue des
précipitations du fait du changement climatique (IPCC, 2007). Il existe plusieurs types de
manifestations en agriculture. Outre, les manifestations organisationnelles et de commercialisation,
les manifestations liées à la sécheresse et aux inondations et les manifestations phytosanitaires sont
les plus répandues. Pour faire face aux variations climatiques, deux types de stratégies sont
généralement mises en œuvre (Lagandre et Chetaille, 2010). La première consiste à agir en
prévention de l’aléa climatique par l’exploitation des techniques agricoles telles que l’irrigation,
l’optimisation des calendriers culturaux, l’utilisation de variétés adaptées et de techniques de
conservation des eaux et des sols, etc. Une seconde stratégie consiste à agir en réaction à l’aléa pour
compenser a posteriori la perte de revenus liée à la baisse de la production. La compensation lors de
la survenue de l’aléa peut se faire à travers une intervention publique de l’Etat, des donateurs ou d’un
organisme privé. L’assurance climatique intervient dans ce dernier cas, comme une alternative aux
subventions de l’Etat (Berg et al., 2009).
Par ailleurs, l’utilisation de l’une ou l’autre stratégie pour faire face aux variations climatiques
nécessite d’évaluer en amont les effets du changement climatique sur la production agricole. Pour ce
faire, plusieurs méthodes sont utilisées dans la revue agro-climatique. Il s’agit des méthodes
d’analyses des variabilités climatiques et de détermination de rupture.
Les tests de rupture permettent d’identifier les années charnières du changement climatique. Ils
viennent en appoint aux indices pluviométriques et hydrométriques. L’existence de modifications
brutales dans les séries hydroclimatiques est une cause possible de l’hétérogénéité de ces séries
(Kouakou et al., 2007). Les tests de rupture sont basés sur la méthode bayésienne de Lee et
Heghinian (1977), de Pettitt (1979), de Buishand (1971) et de la segmentation d’Hubert et al (1989).
Les tests de Lee et Heghinian et de Pettit détectent une rupture au maximum tandis que la
segmentation d’Hubert permet d’en détecter plusieurs si elles existent dans une série chronologique
de données.
L’analyse de l’indice pluviométrique montre les périodes de récession et d’excédent pluviométrique.
Les périodes d’excédent pluviométriques entraînent la destruction des champs et la baisse des
rendements. De même, les années déficitaires se traduisent par un assèchement précoce des champs
et le flétrissement des jeunes plants entrainant une baisse des productions avec ses implications
socio-économiques (Gouataine, 2010 ; Guy et al, 2008).

3
De même, Ege et al, (2009) en utilisant l’indice pluviométrique dans leur étude sur variabilité
pluviométrique et rendement agricole en Ethiopie ont montré que les sécheresses sont fréquentes
dans de nombreuses régions et exercent une corrélation positive entre la récession pluviométrique et
la production agricole.
Ensuite, d’auteurs combinent aux indices pluviométriques les tests de détection de rupture. Il
découle d’une part, de certains travaux que la modification du régime des précipitations s'est traduite
nettement par une diminution brutale des quantités d'eau précipitée au cours des années 70 et 80 à
89. La baisse pluviométrique concerne les hauteurs mensuelles des mois de juin, juillet, août et
septembre (donc au cœur de l'hivernage) qui sont de moins en moins arrosés ce qui affecte
négativement les rendements agricoles (Ogouwalé, 2006, Vissin, 2007). Le déficit pluviométrique est
largement amplifié dans les écoulements et les recharges des rivières des bassins et entraine le
décalage des dates de semis ce qui est la source de la baisse de production (Mansah, 2007). D’autre
part, il ressort de l’étude de Maiga et al, (2010) sur la période de 1960 à 2008 que la variabilité
climatique sur le bassin versant de Kolondièba au Mali s’est caractérisée par deux ruptures
pluviométriques majeures intervenues en 1969 et 1992. La première rupture, caractéristique d’un
régime déficitaire a engendré une perte pluviométrique de l’ordre de 20% et une raréfaction des
pluies annuelles de plus en plus fortes. La deuxième rupture a généré un excès pluviométrique de
près de 17% et une augmentation de la récurrence des fortes pluies, traduisant un retour à la
tendance excédentaire. Toutefois, le déficit enregistré l’emporte sur l’excédent et avec pour
conséquence la destruction des champs et la baisse des rendements.
Ainsi, l’analyse sera basée d’une part sur la détection des ruptures climatiques des précipitations
avant d’analyser l’incidence de ces ruptures sur la production de quelques cultures de la région.

3. Méthodologie
Fondements théoriques
La moyenne mobile, l’indice pluviométrique, des tests d’ellipse de bois, de Lee et Heghinian et de
Pettit etc. sont utilisés pour rechercher la tendance et les ruptures dans les séries climatiques (pluie et
température).
La technique des moyennes mobiles consistera à lisser les irrégularités en associant les valeurs Yti
d’une chronique de nouvelles valeurs Zti qui seront des moyennes arithmétiques d’une valeur
originale Yti et des valeurs qui l’encadrent (Vissin, 2007). Il découle de cette moyenne mobile l’indice
pluviométrique qui est un test paramétrique.

4
En ce qui concerne l’indice pluviométrique (IP), il permet de mieux étudier la variabilité
pluviométrique. Encore appelé indice centré réduit, l’indice pluviométrique est le rapport de l’écart à
la moyenne sur l’écart-type des hauteurs pluviométriques annuelles. Il s’écrit de la manière suivante :

(1)
Dans cette formule, x correspond à la hauteur moyenne de précipitations, xi à la hauteur de pluie
d’une année i et représente la déviation standard. Les valeurs positives traduisent des excédents
pluviométriques tandis que les valeurs négatives indiquent les déficits pluviométriques.
Les tests de rupture permettent d’identifier les années charnières du changement climatique. Ils
viennent en appoint aux indices pluviométriques et hydrométriques. Leur application est effectuée à
l’aide du logiciel KhronoStat développé par l’Institut français de Recherche pour le Développement
(IRD). L’approche des tests de ruptures est non paramétrique et se fonde sur deux hypothèses H0 :
absence de rupture dans la série ou série stationnaire contre Ha : présence de rupture dans la
séquence ou série non stationnaire.

Modèle d’étude
Le modèle utilisé dans le cadre de cette étude est celui de Nerlove. La résolution mathématique de ce
modèle consiste à maximiser le profit du producteur en fonction du prix à la production et les prix
des autres facteurs de productions. Le niveau de sa production et les quantités des facteurs de
production 1 , 2 sous contrainte technologique sont décrits par le programme de comportement
suivant :
Max 1 1 2 2

1 , 2 , (2)
S/C 1 , 2

Avec représentant le prix du bien produit en période t, la quantité produite en t, les

niveaux des facteurs de production variables utilisés, 1 2 leurs prix respectifs et f est la
fonction de production. La résolution du programme (2) par le lagrangien permet de déterminer les
variables endogènes (offre d’output, demande de facteurs) en fonction des variables exogènes qui
sont les prix des facteurs.
Les conditions du premier ordre liées à la maximisation du profit permettent de dériver la fonction
d’offre et le système de demande de facteurs de production. Les résultats obtenus après la
dérivation sont :

5
 ∗ , 1 , 2 (3)
∗1 1 , 1 , 2 (4)
∗1 1 , 1 , 2 (5)
L’équation (3) est la fonction d’offre et les équations (4) et (5) sont des fonctions de demande
marshalliennes de facteurs de production variables. Dans cette étude nous nous intéressons
uniquement à la fonction d’offre (3), cette fonction d’offre est obtenue par la dérivation de
l’équation (2) et ne permet pas d’obtenir de très bons résultats économétriques en raison du
caractère statique du modèle. Face à cette faiblesse, le modèle d’offre dynamique de Nerlove (1956)
est formalisé sur deux extensions. Ces extensions sont apportées à la spécification (3) de la fonction
d’offre de Nerlove (1956) et axée sur la prise en compte d’anticipations et l’introduction de
l’existence de coûts d’ajustement.
La prise en compte d’anticipations est située au niveau du prix à la production. Dans l’équation (3),
le prix à la production apparaît comme argument de la fonction d’offre. Lors de sa production du
bien, le producteur n’a pas l’information parfaite sur ce prix offert qui est le prix d’équilibre issu
de la confrontation entre l’offre et la demande sur le marché des biens considéré. Les producteurs
étant rationnels, ils forment des anticipations sur les prix. La formation des anticipations des
producteurs permet d’écrire l’équation d’offre de la manière suivante :
∗ , 1 , 2 (6)
: désignant le niveau anticipé des prix pour la période t. Les producteurs essaient de prévoir le
niveau qu’ils jugent normal pour le niveau des prix. Ce niveau n’est observable que par des
hypothèses qui sont faites pour pouvoir exprimer ces anticipations en fonction des variables
observables.
La seconde extension concerne le fait que les ajustements de la fonction d’offre à des variables de
prix se réalisent souvent avec lenteur et décalage en raison de l’existence des coûts d’ajustement.
Dans cette situation, le niveau de production observée noté est différent du niveau désiré de
production noté ∗ . La prise en compte des deux extensions en présence des hypothèses retenues
dans le modèle de Nerlove permet de spécifier les anticipations adaptatives. Ces anticipations sont
formulées de la manière suivante :

1 1 1 ; (7)
Avec ( 1 1 ) l’erreur et où est le prix anticipé pour la période t, 1 est le prix observé
à la période t-1, est le coefficient des anticipations adaptatives supposé constant et compris entre

6
0 et 1. A chaque période ou campagne agricole, le producteur révise ses anticipations en proportion
de l’erreur associée au précédent niveau d’anticipations. L’erreur dans ce cas est égale à la différence
entre le niveau observé des prix et le niveau anticipé. Il existe deux cas particuliers dans lequel le
coefficient d’anticipation prend respectivement la valeur 0 ou 1. Analysons alors ces deux
situations :
Le premier cas 0 alors l’équation (7) devient : , les prix effectifs sont complètement
déconnectés des anticipations,
Le second cas 1 alors l’équation (7) devient : 1, les anticipations des producteurs sont
donc naïves car ils anticipent que le prix à la période t sera identique à celui de la période
précédente.
Le prix anticipé est une moyenne mobile à pondérations géométriques décroissantes des prix
antérieurs Koyck (1954). Cette formulation mathématique des prix anticipés permet de réécrire
l’équation (7) et elle devient :

1 1 1 (8)
Retardons l’équation (8) d’une période, elle devient :

1 2 1 2 (9)
Les valeurs successives des anticipations décalées sont remplacées dans l’équation (11) pour devenir
l’anticipation du prix à la période t en fonction de variables observées. Cette itération à l’ordre n
décalages permet de réécrire l’équation (10), et elle devient :
2 2
1 1 2 1 3 ⋯
= ∑→ 1 (10)
Les anticipations de prix d’après l’équation (10) sont définies suivant un modèle à retards
échelonnés au sens de Koyck (1954). L’opérateur retard utilisé permet de réécrire l’équation (10), elle
devient :
2 2
1 1 1 1 1 ⋯
= 1 1 1 ⋯ (11)
Avec L désignant l’opérateur retard c’est-à-dire . Cette opération
effectuée permet aisément de déterminer le prix anticipé et ce prix est fonction de l’erreur
d’anticipation, du prix anticipé à la période t-1 et de l’opérateur retard. Ce prix est donc égal à :

1 1 1 (12)

La seconde hypothèse du modèle de Nerlove est la considération de coûts d’ajustement. L’existence

7
de ces coûts se traduit par le fait qu’une modification des variables exogènes ne provoque pas un
ajustement immédiat et total du niveau de production offert. La prise en compte des coûts permet
de différencier le comportement du producteur à court terme (ajustement partiel du niveau de
production) et du comportement du producteur à long terme (ajustement total du niveau de
production). Ainsi, à court terme il n’est possible d’assister à l’ajustement à cause des contraintes
liées à l’allocation des facteurs de production. L’ajustement réel n’est qu’une fraction de l’ajustement
réalisé. De manière analytique, l’ajustement partiel est de forme :

1 ∗ 1 (13)
Avec : le niveau de court observé du produit offert à la période t, 1 le niveau observé pour la
période précédente et ∗ le niveau de long terme du produit désiré absence de coûts d’ajustement.
 : Le coefficient d’ajustement partiel compris entre 0 et 1. La variation réelle de production

1 est en générale inférieure à l’ajustement souhaité.

Le modèle structurel d’offre de Nerlove est composé essentiellement des anticipations : équation
(12) et de l’ajustement partiel : équation (13). Pour une modélisation complète, Nerlove introduit
dans son modèle la quantité désirée comme une relation linéaire des prix anticipés et de variables
exogènes . L’introduction de cette variable dans le modèle de base permet d’obtenir l’équation
suivante :
∗ 1 2 3 (14)
L’équation (14) exprime le comportement de long terme du producteur lorsqu’il n’y a plus de coûts
d’ajustement. Le coefficient du prix anticipé définit ainsi la réponse à long terme. Dans ces
conditions le modèle de l’offre générale de Nerlove est :
∗ 1 2 3 (15)
Les mêmes raisonnements mathématiques avec l’opérateur retard nous permettent de déterminer le
prix anticipé et la variation réelle de production

1 1 1
(16)

1 ∗ 1 (17)
Avec : , , représentant les termes d’erreurs associés à chacune des trois équations. Pour
obtenir une équation estimable de la fonction d’offre, il faut éliminer de ces équations les variables
non observables dans les relations précédentes, c’est-à-dire le niveau de production en absence de
coûts d’ajustement ∗ et le niveau des prix anticipés .
L’équation (16) introduite dans l’équation (15) nous permet d’obtenir

8
 ∗ 1 2 1 1 1 3 (18)

Cette nouvelle expression de l’équation (18) est la quantité de bien agricole désiré et est reportée
dans l’équation (17), nous obtenons donc :

1 1 21 1 1 3 3 ì 1 (19)

En multipliant l’équation (19) par 1 1 , nous obtenons :

1 1 1 1 2 1 2 1 3 1
1 1 1 1 (20)
Le regroupement de tous les termes de l’équation (20) de manière symétrique permet d’obtenir la
quantité observée en fonction des variables endogènes décalées, des prix décalés et des autres
variables.
Soit 1 2 1 3 1 4 2 5 6 1 (21)
Les coefficients de la forme réduite sont notés ∏ 1 … .6 et s’expriment en fonction des
coefficients de la forme structurelle de la façon suivante :
1 1 ; 2 2 ; 3 1 1 ;
4 1 1 ; 5 3 ; ð6 3 1 (22)
Le terme d’erreur de l’équation se définit par l’égalité suivante :
2 å 2 1 1 1 1 1 1 1 (23)
La forme réduite du modèle de Nerlove montre six (6) paramètres et la forme structure donne cinq
(5) paramètres. L’obtention d’une solution unique suppose l’existence de contraintes sur les
paramètres de la forme réduite. Cette contrainte est donnée par la relation suivante :
∏26 2
4 ∏5 3 5 6 0 (24)
Dans le modèle réduit les différentes variables sont exprimées en logarithme népérien (Ln) et les
coefficients attachés à la variable prix représentent l’élasticité de court terme. Les paramètres de la
forme structurelle exprimés en fonction des coefficients ∏ notamment : Le coefficient des
anticipations
1 (25)

Le coefficient d’ajustement est :

ð
1 (26)

Et le coefficient donnant l’effet marginal de long terme des prix

2
2 (27)

9
Les caractéristiques des productions agricoles dans le contexte actuel conduit à une adaptation de la
spécification générale de la fonction d’offre du modèle de Nerlove.
La présente partie suit une approche des séries temporelles couvrant la période de 1980 à 2013. A
partir des caractéristiques extraites des modèles de base et des spécifications que nous avions
introduites, nous pouvons dériver le comportement de production domestique des cultures
pratiquées (coton, maïs, sorgho et arachide). Chaque culture est exprimée en fonction des facteurs
prix de la culture et des facteurs non-prix (Logossah, 1994). La forme générale du modèle d’étude
est :
1 (28)
Dans la formulation générale, l’équation du modèle s’écrit :
1 2 1 2 3 (29)
Avec logsmit : superficie cultivée de la culture i ; logsmit(-1) vecteur de superficie antérieure cultivée
des culture considérées ; logprix : le vecteur des prix des cultures intégrées dans le
modèle ;logclitmat : vecteur variable climatique it terme aléatoire (erreur commise de la culture i
dans la zone). En effet, nous avons supposé que l’indice pluviométrique a d’impacts sur les
productions agricoles. Par suite, nous posons deux hypothèses sur les périodes de déficits et de
ruptures enregistrés comme suit :
defirupt 1 présence de déficit et ruptures
(30)
et defirupt 0 sinon
Par ailleurs, Les modèles à une équation ne sont pas toujours adaptés à mieux décrire les
productions agricoles. Par contre, les modèles à système d’équations permettent de rendre compte
des interdépendances multiples entre les variables économiques qui doivent être étudiées
conjointement. La forme fonctionnelle de la spécification retenue est :
lsupcot = c(1) + c(2)*lsupcot(-1) + c(3)*lsupard(-1) + c(4)*lsupsrg(-1) + c(5)*lprieng +
c(6)*lprinsect + c(7)*lpriard + c(8)*lpricot + c(9)*lprisrg + c(10)*ipluie + c(11)*ltpmax +
c(12)*defirupt + c(13)*lsupmais(-1) + c(14)*lprmais + 1
lsupard = c(15) + c(16)*lsupcot(-1) + c(17)*lsupard(-1) + c(18)*lsupsrg(-1) + c(19)*lpriard +
c(20)*lpricot + c(21)*lprisrg + c(22)*ipluie + c(23)*ltpmax + c(24)*defirupt + c(25)*lsupmais(-1) +
c(26)*lprmais+ 2
lsupsrg = c(27) + c(28)*lsupcot(-1) + c(29)*lsupard(-1) + c(30)*lsupsrg(-1) + c(31)*lpriard +
c(32)*lpricot + c(33)*lprisrg + c(34)*ipluie + c(35)*ltpmax + c(36)*defirupt + c(37)*lsupmais(-1) +
c(38)*lprmais+ 3
lsupmais = c(39) + c(40)*lsupcot(-1) + c(41)*lsupard(-1) + c(42)*lsupsrg(-1) + c(43)*lpriard +
c(44)*lpricot + c(45)*lprisrg + c(46)*ipluie + c(47)*ltpmax + c(48)*defirupt + c(49)*lsupmais(-1) +
c(50)*lprmais+ 4

10
inst c(1) lsupcot(-1) lsupard(-1) lsupsrg(-1) lsupmais(-1) lprieng lprinsect lpriard lpricot lprisrg
lprmais ipluie ltpmax defirupt

Avec : l : logarithme népérien ; lsupcot : superficie du coton ; lsupcot(-1) superficie antérieure du

coton ; lsupard : superficie de l’arachide ; lsupard(-1) : superficie antérieure de l’arachide ; lsupsrg :
superficie du sorgho ; lsupsrg(-1) : superficie antérieure du sorgho ; lsupmais : superficie du maïs ;
lsupmais(-1) : superficie antérieure du maïs ;lpricot : prix du coton ; lpricot(-1) : prix antérieur du
coton ; lpriard : prix d’arachide ; lpriard(-1) : prix antérieur d’arachide ; lprisrg : prix du sorgho ;
lprisrg(-1) prix antérieur du sorgho ; lprimais :prix du maïs ; lprimais(-1) : prix antérieur du maïs ;
lprieng prix de l’engrais ; lprinsect :prix de l’insecticide ; ipluie : indice pluviométrique ; defirupt :
deficit et rupture pluviométriques ; ltpmax : température maximale.

Stratégie d’identification
Les méthodes d’estimations que nous pouvons utiliser dans le cadre des équations simultanées sont
fonctions du critère d’identification du modèle. Si l’équation est juste identifiée, les moindres carrés
indirects ou les doubles moindres carrés ou l’estimation équation par équation sont appropriés et
enfin si l’équation est sur-identifiée, les doubles moindres carrés ou l’estimation équation par
équation sont utilisées. De plus, pour la validation du modèle les tests de stationnarité d’ADF, de
Normalité de Doornik-Hansen, d’autocorrélation des erreurs de Portmanteau, les statistiques de
Durbin-Waston et l’analyse de corrélogramme ont été effectués.

11
4. Résultats et Discussions
Analyse de l’évolution des variables climatiques et détermination des périodes de rupture
Cet analyse est basée essentiellement sur les paramètres déterminants en zone intertropicale que sont
: les précipitations et les températures (Boko, 1998 ; Afouda, 1990 ; Ogouwale, 2006). Elle s’articule
autour des valeurs annuelles de précipitations et de températures moyennes sur la période 1954-2013
et est faite de manière comparative suivant deux « pas de temps » de trente (30) années (1954-1983 et
1984-2013) conformément à celles réalisées par Ogouwale (2006) et Mansah (2007).
L’évolution des précipitations annuelles sur cette période, suit une courbe de tendance à moyenne
mobile (Fig.1). Sur la période 1954-1983, elles ont eu une évolution moyenne de 993 mm de
hauteurs de pluies comprise entre 800 et 1200 mm pour les différentes années sauf celles de 1973 et
1983 qui ont des niveaux de hauteurs de pluie inferieurs s’élevant respectivement à 781.7 et 744
mm ; justifiable par les perturbations climatiques observées au cours des années 70. Contrairement à
cette période relativement stable, celle de 1984-2013 est marquée par une fluctuation moyenne de
1075 mm avec des niveaux de précipitations plus accentues allant de 670 mm (niveau le plus faible) à
3235 mm (niveau le plus élevé) correspondant respectivement aux années 2011 et 1990. Cette
période est marquée conformément aux normes pluviométriques (1000-1200 mm) de la zone selon
l’ASECNA, par des baisses et des augmentations exceptionnelles. Les plus remarquables sont celles
de 1989-1990, 2011-2012 et enfin 2000 et 2007. En effet, on note respectivement au cours de ces
années des augmentations allant de 839-3235 mm, 670-2050 mm et de même niveau de déficit
s’élevant à 724 mm pour les deux dernières.

Figure1 : Evolution des hauteurs de Pluie (mm)

Source : réaliser sur Excel à partir des données de l’ASECNA

Parallèlement à cette évolution, ces années de baisse et d’augmentation sont marquées par des
niveaux maxima de température de 35.23 ; 35 ; 35.59 ; 33.93 ; 34.97 ; 34.15 ; 35.22 ; 35.30 et 34.71°c
respectivement pour les années 73, 83, 87, 89, 90, 2000, 2006, 2007, 2011 et 2012. Ainsi, ces
12
dernières années sont des années de fort réchauffement climatique avec une température moyenne
annuelle de 35°c contrairement à la première trentaine de « pas de temps » qui est caractérisé par une
température moyenne annuelle de 34°c (Annexe1).
De plus, l’évolution des indices pluviométriques entre 1954-2013, laisse entrevoir quatre séquences
possibles. La première allant de 1954-1973 est relativement excédentaire car, marquées par des
indices à dominance positifs. Ceci est caractéristique des pluies annuelles supérieures à la
moyenne interannuelle du fait d’un régime pluviométrique excédentaire enregistré au cours cette
période. La séquence de 1973-1989 correspond par contre à des indices pluviométriques négatifs
traduisant le régime pluviométrique uniquement déficitaire (Fig.2) qui caractérise cette période. Suite
à cela, s’observe une alternance d’indices excédentaires et déficitaires jusqu’en 2004. Cette période, à
60% d’indices excédentaires a connu le niveau maximal d’excédent de 4 points en 1990 suit au
déficit de 0,5 point enregistre en 1989. A l’image de la seconde, la quatrième séquence est une
séquence à 90% déficitaire allant de 2005 jusqu’en 2011. Elle a enregistré le niveau de déficit le plus
élevé d’environ 0,7 point avant de déboucher juste après sur un excèdent de 0,7 point en 2012.
Figure2 : Evolution de l’indice Pluviométrique

5
4
3
2
1
0
‐1
‐2
1954
1956
1958
1960
1962
1964
1966
1968
1970
1972
1974
1976
1978
1980
1982
1984
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
2010
2012

Source : réaliser à partir des calculs d’indices obtenus des données de l’ASECNA
En outre, complémentairement aux indices pluviométriques, les indices de températures maximale et
surtout minimale ont eu une tendance globale déficitaire de 1954 à 2013. En effet, à part les
excédents en terme de température maximale de 1.25 ; 0.71 ; 0.68 ; 1.81 ; 0.60 ; 0.24 ; 0.11 et de
0.92 réalisés respectivement au cours des années 1973 ; 1980 ; 1983 ;1987 ; 1990 ; 2006 ; 2007 et
2011 ; on y observe que des indices déficitaires d’une valeur moyenne d’environ 2 points avec des
niveaux exceptionnels de température minimale qui, de manière croissante se présentent comme
suit : -3.60 en 1966 ; -2.73 en 1989 ; -2.32 en 2001 ; -1.86 en 2008 et enfin -0.70 point en
2011(Annexe1).

13
De manière spécifique, l’analyse de l’évolution de l’indice pluviométrique est faite au niveau mensuel
en prenant en compte la période de saison pluvieuse qui s’étend d’avril-mai à septembre-octobre.
L’appréciation de ces indices montre que le mois de mai marque le début de la saison pluvieuse de
manière aléatoire. Car, caractérisé par plus de déficits que d’excédents d’amplitudes croissantes que
celui d’avril. En effet dans la deuxième trentaine de « pas de temps », les variations sont plus élevées
et comprises dans un intervalle de -3 à 2 points environ alors dans la première, ils n’oscillent que
dans un intervalle allant de -2 à 1.5 environ. Cette période marque donc le début de la saturation des
sols pour l’amorce de l’écoulement, avec une concentration pluviométrique saisonnière égale à 10%
du total annuel. Le mois de juin marque par contre, la continuité des pluies avec plus de 14% du
total pluviométrique annuel (Vissin, 2007) donne des niveaux d’indices compris entre -2.5 et 2 points
environ. Outre le fait que l’année 1955 soit une année exceptionnelle avec 4.5 points d’indice, le
mois de juillet est essentiellement déficitaire jusqu’à une hauteur d’indice atteignant -2 point. Enfin,
les mois d’aout et septembre sont les plus humides de la période avec par contre des indices
essentiellement excédentaires allant de -2 à 2 sauf ceux des années 2003 et 2012 qui ont connu des
pics exceptionnels de 2.5 et 6.5 respectivement pour les mois de septembre et aout. Ceci s’explique
par les perturbations pluviométriques observées dans la zone par le fait du changement climatique
qui tend à décaler la période d’intense saison pluvieuse de septembre en aout. L’ensemble de ces
trois derniers mois concentrent plus de 65% des pluies saisonnières avec plus de la moitié pour le
mois de septembre qui reste partout abondamment plus pluvieux (Houndenou et al, 2005). Le mois
d’octobre quant à lui, est plus déficitaire que tous les autres mois de la saison et marque donc la fin
de la saison pluvieuse (Fig.3).
Il ressort des analyses de l’évolution de ces variables climatiques et de leurs indices, une forte
variabilité extrême des hauteurs de pluie complémentairement aux températures minimale et
maximale enregistrées entre les années 1973-1974, 1989-1990 et 2011-2012. Ce qui laisse entrevoir
de forte présomption de ruptures au cours de ces années en plus de celles d’extrêmes déficiences
énumérées plus haut.

Pour déterminer ces années de ruptures pluviométriques, l’application du test de Lee et Heghinian
(1977) a permis de détecter une seule rupture en 2011 au point 0,1195 (annexe2). Tandis que ceux de
Pettitt (1979) et ; de Buishand et Ellipse (1971) de Bois montrent à travers leurs graphiques issus
d’eux une année de rupture (plus accentuée) en plus de 2011 qu’est l’année 1989 (Fig4). Ces résultats

14
sont confirmés les travaux de Boko et al, (2003) sur la recherche de ruptures dans les séries
pluviométriques au Bénin.

Figure4 : Résultats des tests de détection de rupture

Source : sortie d’estimation de khronostat

15
 0
1
2
3

‐3
‐2
‐1

‐2
0
2
4
6
8
‐4
‐2
0
2
1954
1954 1954 1957
1957 1957 1960
1960 1960 1963
1963 1963
1966
1966 1966
1969
1969 1969
1972 1972
1972
1975 1975
1975

Source: réaliser par les Auteur

1978 1978 1978
1981 1981 1981
1984
JUIN
1984 1984
AVRIL

AOUT
1987 1987 1987
1990 1990 1990
1993 1993 1993
1996 1996 1996
1999 1999 1999
2002 2002 2002
2005 2005
2005
2008 2008
2011 2008
2011
2011
Figure3 : Evolution Mensuelle de l’Indice pluviométrique de 1954-2013

0
1
2

‐3
‐2
‐1

‐2
0
2
4
6

‐2
‐1
0
1
2
3

1954 1954 1954

1957 1957 1957
1960 1960 1960
1963 1963 1963
1966 1966 1966
1969 1969 1969
1972 1972 1972
1975 1975 1975
1978 1978 1978
1981 1981 1981
1984 1984
MAI

1984
JUILLET

1987 1987 1987

SEPTEMBRE

1990 1990 1990

1993 1993 1993
1996 1996 1996
1999 1999 1999
2002 2002 2002
2005 2005 2005
2008 2008 2008
2011 2011 2011
16
Présentation et analyse des résultats d’estimation
Les résultats de l’étude de la stationnarité des variables effectuée avant l’estimation se présente
comme suit :
Tableau1 : résultats du test de stationnarité d’ADF
STATISTIQUES- STATISTIQUES- ORDRE
VARIABLES DECISIONS
CALCULEES THEORIQUES D'INTEGRATION
LTPMAX -8.2848 -1.9520 STATIONNAIRE I(1)
IPLUIE -4.1608 -1.9516 STATIONNAIRE I(0)
LPRIARD -4.9601 -1.9520 STATIONNAIRE I(1)
LPRICOT -2.3855 -1.9524 STATIONNAIRE I(1)
LPRIENG -6.2264 -2.9604 STATIONNAIRE I(1)
LPRINSECT -4.6388 -1.9520 STATIONNAIRE I(1)
LPRISRG -3.2377 -1.9529 STATIONNAIRE I(1)
LPRIMAIS -5.5980 -1.9520 STATIONNAIRE I(1)
LSUPCOT -6.9719 -1.9520 STATIONNAIRE I(1)
LSUPMAIS -3.8489 -1.9529 STATIONNAIRE I(1)
LSUPSRG -6.7353 -1.9524 STATIONNAIRE I(1)
Source : sortie d’Eviews
Ces résultats montrent que l’ensemble des variables prises en compte pour l’étude sont stationnaires
et intégrées d’ordre 1 sauf, l’indice de pluviosité (IPLUIE) qui l’est en niveau et qui a donc un ordre
d’intégration égale à zéro. Ainsi, son effet peut être supposé négligeable lors de l’estimation du
système d’équation retenu.
Avant de procéder à l’estimation, la résolution du problème d’identification du système a été faite sur
les différentes équations qu’il comporte. L’application des conditions définies ci-dessus, nous avons
eu pour l’equation1 (du coton) : (g-g’) + (k-k’) = (g-1) ; c’est-à-dire, (4 -1) + (13 - 13) = (4 - 1) = 3.
Ainsi, l’equation1 est donc juste-identifie. Les équations 2, 3 et 4, ayant le même nombre de variables
exogènes (deux de moins que l’equation1 de coton) ont donné donc le résultat d’ensemble suivant :
(g-g’) + (k-k’) > (g-1) ; c’est-à-dire, (4 -1) + (13 – 11) = 5 > (4 – 1) = 3. Donc, les équations 2, 3 et 4
sont quant à eux sur-identifiées. On peut conclure alors que le système est sur-identifié ; ce qui
justifie alors son estimation par la méthode des doubles moindres en une étape.
Au terme de l’estimation du système d’équation adopté pour la mesure de l’effet des variables
climatiques sur les quatre cultures retenues, il ressort un résultat d’ensemble acceptable avec trois
équations valides sur les quatre qui constituent le système selon les valeurs des R2, des statistiques de
Durbin-Watson (DW) obtenues et des instruments utilisés pour l’estimation. En effet, les équations
1, 3 et 4 respectives de coton, de sorgho et du mais ont enregistré des R2 d’au moins 0.57 point et
des statistiques de DW sensiblement égale à 2 contre 0.42 et 1.88 points de R2 et de DW pour

17
l’équation d’arachide. De plus, les différents tests de validation : analyse du correlogramme, le test de
normalité de Doornik-Hansen et le test d’autocorrélations de Portmanteau ont été effectués sur les
résidus issus de l’estimation nous permettent de conclure à l’absence de problèmes de normalité et
d’autocorrélations. Le tableau ci-dessous présente l’essentiel des résultats obtenus, c’est-à-dire,
seulement les équations valides avec les variables significatives et les variables d’intérêt (climatiques)
même-ci elles ne le sont pas.
Tableau2 : Résultats d’estimation
EQUATIONS VARIABLES COEFFICIENTS PROBABILITES
(1):LSUPCOT = LSUPARD(-1) 0.4791*** 0.0556
LOG DE LA LPRIARD(-1) 1.7134 ** 0.0382
SUPERFICIE
DE COTON LPRISRG(-1) -1,4975 ** 0.0138
LSUPMAIS(-1) -0.1618 *** 0.0786
IPLUIE 0.2729*** 0.0921
LTPMAX -31.1670 ** 0.0165
DEFIRUPT 0.5585*** 0.0791
2
R =0.66; Durbin-Watson Stat=2.19
(3): LSUPSRG = IPLUIE -0.1381 0,6302
LOG DE LA LTPMAX 7.3015 0.7378
SUPERFICIE
DU SORGHO DEFIRUPT -0.0927 0.8699
2
R =0.57; Durbin-Watson Stat=2.01
(4): LSUPMAIS= LSUPSRG(-1) 0.6595* 0.0093
LOG DE LA LPRIARD(-1) 2.8230*** 0.0837
SUPERFICIE
DU MAIS IPLUIE 0.0153 0.9621
LTPMAX -0.1898 0.9938
DEFIRUPT 0.2856 0.6536
2
R =0.78; Durbin-Watson Stat=1.97
INSTRUMENTS C(1), LSUPCOT(-1), LSUPARD(-1), LSUPSRG(-1),
LSUPMAIS(-1), LPRIENG, LPRINSECT, LPRIARD,
LPRICOT, LPRISRG, LPRMAIS, IPLUIE, LTPMAX,
DEFIRUPT
*
significatif à 1%; **significatif à 5%; ***significatif à 10%; n=32 Obs
Source : sortie d’estimation d’Eviews
L’analyse de ce tableau montre que les équations (1), (3) et (4) ont enregistrés des coefficients de
détermination d’une valeur minimum de 0.57 et des statistiques de Durbin-Watson de 2 points en
moyenne contrairement à l’équation (2) qui a eu des valeurs de R2 et de D-W en dessous de la
norme, c’est-à-dire, inferieur respectivement à 0.5 et 2. Ainsi, les différentes équations présentées ci-
dessus sont donc valides avec de bon pouvoir explicatif.
La production de coton est expliquée positivement par la production et le prix passé d’arachide et
négativement par la production et le prix passé du maïs et du sorgho. Ainsi, l’augmentation de 10%
18
du prix passé d’arachide entraine une augmentation de 17% de la production du coton. Ceci dénote
d’une relation de substituabilité entre l’arachide et le coton dont le niveau de production augmente
de 4.7% face à une augmentation de 10% de la production passée d’arachide. Les relations entre
sorgho-coton et mais-coton sont quant à elles complémentaires dans la mesure où, une
augmentation de 10% du prix du sorgho ou de la production passée du mais entraine des
diminutions respectives de 15% et 1.6% de la production du coton. Par ailleurs, l’indice de pluviosité
(IPLUIE) et la variable combinant déficit et rupture (DEFIRUPT), exercent toutes deux des effets
positives sur la production du coton. Donc, les variabilités pluviométriques et l’impact combiné des
déficits et des périodes de rupture ne dégradent pas la production du coton mais, leurs effets ne sont
significatifs qu’a 10%. Par contre, la température maximale exerce un effet négatif engendrant une
forte et significative diminution de la production du coton de l’ordre de 31% environ. Ces résultats
confirment les travaux de Raymond (1991) et de Roth et al (1989). Par conséquent la production du
coton dépend des facteurs prix et non-prix.
De même que la production du coton, celle du maïs semble être similairement influencée par ces
variables climatiques. En effet, les variables IPLUIE et DEFIRUPT sont de signe positif et
LTPMAX de signe négatif comme pour la production du coton. Seulement qu’ici, leurs coefficients
ne sont pas significatifs. Les seules variables significatives à 1% et 10% sont LSUPSRG(-1) et
LPRIARD(-1) ; qui exercent des effets substituables à hauteur de 6.5 et 28.23% par rapport à la
production du maïs. Le réchauffement et/ou l’extension de la sècheresse sont donc les
manifestations du changement climatique auxquelles, pallier pour une amélioration de la production
du maïs et surtout du coton.
Cependant, l’estimation de ces variables climatiques sur la production du sorgho a donné des signes
contraires par rapport à ceux observés sur le coton et le maïs. Ici, l’IPLUIE et DEFIRUPT sont de
signes négatifs alors que LTPMAX est de signe positif sans que leurs coefficients ne soient négatifs.
Cela révèle que la production du sorgho n’est pas vulnérable à la température mais, aux
perturbations pluviométriques dont la bonne gestion doit être effectuée pour l’amélioration de sa
production. Mise à part le fait que le sorgho soit complémentaire et substituable au coton et au maïs
(modèle ci-dessus), aucune appréciation ne peut être donnée quant à sa relation avec l’arachide car,
aucun de ses coefficients n’aient significatifs. Ce qui confirme donc les résultats de Dieng (2006).

19
5. Conclusion et recommandations
L’économie Béninoise est caractérisée par une forte prédominance du secteur agricole qui occupe
environ 60% de la population et dont la contribution s’élève à 32,6% du PIB avec comme
principale produit de rente le coton (MEHU, 2011). Ainsi, il est urgent de trouver des solutions
adéquates dans le contexte de changement climatique actuel afin d’assurer l’amélioration de la
production pour le règlement du problème d’insécurité alimentaire. C’est dans ce cadre que nous
avons évalué les effets du changement climatique la production agricole de la commune de
Banikoara. Pour ce faire, nous avons utilisé le modèle d’offre de Nerlove (1956). L’estimation est
faite par la méthode des doubles moindres carres en une étape. Il ressort de ces résultats que les
variabilités pluviométriques et l’impact combiné des déficits et des périodes de rupture ne dégradent
pas la production du coton et du maïs. Par contre, la température maximale exerce un effet négatif
engendrant une forte et significative diminution de la production du coton de l’ordre de 31%
environ. Cependant, l’estimation de ces variables climatiques sur la production du sorgho a donné
des signes contraires par rapport à ceux observés sur le coton et le maïs. Ici, l’indice de pluviosité
(IPLUIE) et DEFIRUPT sont de signes négatifs alors que la température maximale (LTPMAX) est
de signe positif sans que leurs coefficients ne soient négatifs. Ainsi, dans le contexte du changement
climatique actuel, les périodes de campagne agricole dont les prévisions présentent de fortes
présomptions de déficits de pluviosité ou d’extrêmes températures doivent faire objet de forte
production du sorgho en substitue et/ou en complément aux productions du maïs et du coton.
Tandis que ceux qui pourraient faire objet du contraire, c’est-à-dire excèdent de pluviosité et de
baisse de température, doivent faire objet d’intense productions agricoles du maïs en substitut au
sorgho ainsi que du coton sans une forte complémentarité en sorgho.

20
Références bibliographiques
Afouda F. (1990) : « l’eau et les cultures dans le Bénin central et septentrional: étude de la variabilité des
bilans de l’eau dans leurs relations avec le milieu rural de la savane africaine ». Thèse de Doctorat, Université
de Paris IV (Sorbonne), Institut de géographie.
Berg A., Quirion P. H., Sultan B. (2009): « Weatherindex drought insurance in Burkina-Faso:
assessment of its potential interest to farmers ». Weather Climate and Society 1: pp 71-84.

Boko M., Vissin E., Perard J., Houndenou C (2003) : « recherche de ruptures dans les séries
pluviométriques et hydrologiques du Bassin béninois du fleuve Niger » Publication de l'Association
Internationale de Climatologie, Vol. 15, 2003,10p
Buishand T. A. (1971): « some methods for testing the homogeneity of rainfall records ». Journal of
hydrologiy, vol. 58, pp 11-27
DANIDA(2008) : « appréciation des impacts des changements climatiques sur les programmes de
développement de la coopération avec le Bénin ». Présenté par : le Groupe-Conseil baastel sprl, le 4 juillet
2008.
De Rouw A, (2004): « Improving yields and reducing risks in pearl millet farming in the African Sahel ».
Agricultural Systems 81 : 73-93p.

Dieng A. (2006) : « Impacts des politiques agricoles sur l’offre céréalière au Sénégal, de 1960 à 2003:
Evaluation à partir d’un modèle d’analyse statistique par zone agro écologique », thèse de Doctorat.
Ege S., Harald A., Teferra B. et Bekelé S (2009): « Rainfall variability and crop production in
Ethiopia case study in the Amhara region », in proceedings of the 16th international conference of
Ethiopian, trondeim,823-836p.
GIEC (2007) : « Groupe Intergouvernemental sur l’Evolution du Climat » : quatrième rapport.
Gouataine S.R. (2010) : « le rendement de la culture du riz pluvial à Bongor : une analyse des contraintes et
stratégies d’adaptation », mémoire de Master, Université de Ngaoundéré, 140p.
Guy W., Michel B., et M., da MATHA SANT’ANNA (2008) : « Evaluation des contraintes
pédoclimatiques au développement de la riziculture sur le plateau d’Agonlin », Université d’Abomey-Calavi,
Bénin
Houdenou C., Vissin E. W., Perard J. (2005) : « mise en évidence du poids des mois humides dans la
eme
péjoration pluviométrique du bassin de la Sota (Benin, Afrique de l’Ouest) », actes du XVIII colloque
international de climatologie, Gênes (Italie), pp. 333-336.

21
INSAE. (2013) : « quatrième Recensement général de la population et de l’habitat 2012 (RGPH4) », INSAE.
Cotonou
IPCC (2007): « Climate change: impacts, adaptation and vulnerability ». In : Parry ML, Canziani OF,
Palutikof JP, van der Linden PJ, UK Hanson CE, eds. Contribution of Working Group II to the
Fourth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge:
Cambridge University Press
Kouakou, K. E. Goula, B. T. A. & Savane I. (2007) : « Impacts de la variabilité climatique sur les
ressources en eau de surface en zone tropicale humide: cas du bassin versant transfrontalier de la Comoé (Côte D’ivoire
- Burkina Faso) ». Euro. J. Sci. Resear.16, 31 43.
Lagandre D, Chetaille A (2010) : « L’assurance indicielle, une réponse face aux risques climatiques ».
Grain de sel 49 : 20-1.
LARES (2011) : « Mémorandum sur la gestion de la sécurité alimentaire au Bénin », 85-92p.
Lee A. F. S. et Heghinian S. M. (1977): « a shift of the mean level in a sequence of independent normal
random variables-a Bayesian approach-technometrics », vol. 19, n04, pp 503-506
MAEP/ONASA (2012) : « Evaluation de la production vivrière rapport de campagne agricole » de
1993/1994 à 2011/2012.
Maiga H.B. Dao A., Kamagate B., Mariko A., Goula B. T.A., Seguis L. et Savane I (2010)
: « Variabilité Climatique et Réponse Hydrologique du Bassin Versant Transfrontalier de Kolondièba au Sud du
Mali » European Journal of Scientific Research ISSN 1450-216X Vol.43 No.4, pp.435-444©
EuroJournals Publishing, Inc. 2010 [Link]
Mansal L. (2007) : « impacts des changements climatiques sur l’agriculture et les strategies d’adaptation
dans le bassin au sénégal », mémoire de Master, ISRA/LERG-SENEGAL, 52p.
MEHU (2011) : « Deuxième Communication Nationale du Bénin sur le Changement Climatique »,
direction de l’environnement, juin 2011.
Nerlove M. (1956): « estimates of the elasticities of selected of agricultural commodities », journal of
farm economics, vol.38, n°2, PP. 496-509
Nicholson S (2005): « On the question of the ‘‘recovery’’ of the rains in the West African Sahel »,
Journal of Arid Environments 63: 615-41.
Nubukpo K, Keita M.S. (2006): « Prix mondiaux, prix au producteur et avenir de la filière coton au
Mali ». Cahiers Agricultures n°15, Vol.1, p. 35-41

22
 Ogouwalé E. (2006) : « Changements climatiques dans le Bénin méridional et central : indicateurs,
scénarios et prospective de la sécurité alimentaire ». Thèse de Doctorat unique, LECREDE/ FLASH/
EDP/ UAC, 302p.
Pettitt A. N. (1979): « A non-parametric approach to the change-point problem », Applied statistics 28,
n02, pp 126-135
Raymond, G. (1991) : « Production cotonnière et économie paysanne dans la zone franc d’Afrique de
l’Ouest. Séminaire en Economie et Sociologie ». Montpellier: CIRAD, 21-25octobre1991,15 p.
Roth, M., and Abott P.C. (1989): « Agricultural price policy, Food Aid and Input Subsidy Reforms in
Burkina Faso », Journal of Agricultural Economics, Amsterdam, 1989.
Vissin W. (2007): « impact de la variabilité climatique et de la dynamique des états de surface sur les
écoulements du bassin béninois du fleuve Niger », thèse de doctorat en hydroclimatologie, université de
Bourgogne, centre de recherches de climatologie. PP 27-31

Yabi I. (2008) : « étude de l’agroforesterie à base de l’anacardier et des contraintes climatiques à son
développement dans le centre du Benin », Thèse de doctorat unique en géographie, université d’Abomey-
Calavi, Bénin, 240P.

23
 ‐4
‐3
‐2
‐1
0
1
2
3
0
5
10
15
20
25
30
35
40
1954 1954
1956 1956
ANNEXE

ANNEXE1
1958 1958
1960 1960
1962 1962
1964 1964
1966 1966
1968 1968
1970 1970
1972 1972
1974 1974
1976 1976
1978 1978
1980 1980

TEMP MINI

I TEMP MIN
1982 1982
1984 1984
1986 1986
1988 1988

Titre du graphique
1990 1990

I TEMP MAX
Analyse de l’évolution de la température minimale et maximale

TEMP MAX

1992 1992
1994 1994
1996 1996
Analyse de l’évolution des indices de température minimale et maximale

1998 1998
2000 2000
2002 2002
2004 2004
2006 2006
2008 2008
2010 2010
2012 2012

24
 ‐3
‐2
‐1
0
1
2
3
‐2
‐1
0
1
2
3
4
0
1
2
3
4

‐2
‐1
1954 1954 1954
1957 1957 1957
1960 1960 1960
1963 1963 1963
1966 1966 1966
1969 1969 1969
1972 1972 1972
1975 1975 1975
1978 1978 1978
1981 1981 1981
1984 1984
JUIN 1984

AOUT
AVRIL

1987 1987 1987

1990 1990 1990
1993 1993 1993
1996 1996 1996
1999 1999 1999
2002 2002 2002
2005 2005 2005
2008 2008 2008
2011 2011 2011

0
1
2

‐2
‐1
0
1
2
3
4

‐1

‐3
‐2
‐1
0
1
2
3
4

1954
1954 1954
1957
1957 1957
1960 1960
1960
1963 1963
1963
1966 1966
1966
1969 1969
1969
1972 1972
1972
1975 1975
1975
1978 1978
1978
1981 1981 1981
1984
MAI

1984 1984
JUILLET

1987 1987 1987

SEPTEMBRE

1990 1990 1990

1993 1993
EVOLUTION DE L’INDICE MENSUELLE DE TEMPERATURE MINIMALE DE 1954-2013

1993
1996 1996 1996
1999 1999 1999
2002 2002 2002
2005 2005 2005
2008 2008 2008
2011 2011 2011
25
 ‐2
‐1
0
1
2
3

‐3
‐2
‐1
0
1
2
3
4
‐2
‐1
0
1
2
3
4
1954 1954 1954
1957 1957 1957
1960 1960 1960
1963 1963 1963
1966 1966 1966
1969 1969 1969
1972 1972 1972
1975 1975 1975
1978 1978 1978
1981 1981 1981
1984
JUIN
1984 1984
AVRIL

AOUT
1987 1987 1987
1990 1990 1990
1993 1993 1993
1996 1996 1996
1999 1999 1999
2002 2002 2002
2005 2005 2005
2008 2008 2008
2011 2011 2011
0
2
4

‐2

‐3
‐2
‐1
0
1
2
3

‐2,5
‐1,5
‐0,5
0
0,5

‐3
‐2
‐1
1954 1954
1954
1957 1957
1957
1960 1960
1960
1963 1963
1963
1966 1966
1966
1969 1969
1969
1972 1972
1972 1975
1975
1975 1978
1978
1978 1981
1981 1981
MAI

1984
1984 1984
1987
JUILLET

1987 1987
SEPTEMBRE

1990
1990 1990
1993
EVOLUTION MENSUELLE DE L’INDICE DE TEMPERATURE MAXIMALE DE 1954-2013

1993 1993
1996
1996 1996
1999
1999 1999
2002
2002 2002
2005
2005 2005 2008
2008 2008 2011
2011 2011
26
ANNEXE2
Résultats des estimations sur khronostat

27