Changement_climatique_et_production_agricole.pdf

L’impact du changement climatique sur la
production agricole : Est-il différent pour
l’Afrique ?
Abdoul Latif SOKOUNDOU∗†
Mars 2024
Résumé
Cette étude examine l’impact du changement climatique sur la production agri-
cole en Afrique subsaharienne afin de déterminer s’il diffère de celui d’autres pays
en développement. Nous utilisons deux échantillons : le premier composé de 46 pays
d’Afrique subsaharienne et le deuxième composé de 47 pays d’Asie, d’Amérique cen-
trale et du Sud. Pour évaluer cette relation, nous utilisons une fonction de produc-
tion intégrant des variables climatiques. En utilisant le modèle à effets fixes sur notre
spécification de base, nos résultats montrent un impact significatif des variables cli-
matiques sur la production agricole. En ASS, une augmentation de la température
est associée à une baisse importante de la production agricole, de 2,38 points de
pourcentage, tandis que des augmentations de précipitations entraı̂nent une hausse
de la production de 0,08 point de pourcentage. Ces résultats restent robustes après
l’inclusion de variables de contrôle supplémentaires et l’utilisation d’un estimateur
alternatif. Par ailleurs, en NASS, une hausse de température semble avoir un effet
bénéfique sur l’agriculture, avec une augmentation de 0,04 point de pourcentage de
la production agricole. Enfin, l’indice standardisé de précipitation-évapotranspiration
(SPEI) affecte négativement la production agricole en ASS, alors qu’il n’a pas d’im-
pact dans l’ autre région étudiée. Des recommandations sont formulées afin d’atténuer
les effets du changement climatique sur la production agricole en ASS.
Mots clés : Changement climatique, Modèle à effets fixes, SPEI.
JEL Codes : D24 , O13, O57, Q18, Q54
Remerciements : Nous tenons à exprimer notre gratitude envers Chantale Oweggi,
doctorante au LEO-UCA, ainsi qu’à Olivier Santoni pour avoir facilité notre accès
aux données climatiques.
∗
Université Clermont Auvergne, Ecole d’Économie, Clermont Ferrand, France
†
Chaire Économie du Climat, Palais Brongniart, 28 Pl. de la Bourse, Paris, France
Mail: Abdoul Latif.SOKOUNDOU@etu.uca.fr
1

Table des matières
Table des matières 2
1 Introduction 3
2 Revue de la littérature 5
3 Données 9
3.1 Drescription des données . . . . . . . . . . . . . . . . . . . . 9
3.2 Statistiques descriptives . . . . . . . . . . . . . . . . . . . . 10
3.3 Matrice de corrélation . . . . . . . . . . . . . . . . . . . . . 13
4 Méthodologie 14
4.1 Spécifiation du modèle . . . . . . . . . . . . . . . . . . . . . 14
4.2 Choix de l’estimateur . . . . . . . . . . . . . . . . . . . . . 14
4.3 Tests d’hypothèses . . . . . . . . . . . . . . . . . . . . . . . 15
5 Résultats économétriques 16
5.1 Résultats principaux . . . . . . . . . . . . . . . . . . . . . . 16
5.2 Robustesse . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
5.2.1 Ajout de variables supplémentaires . . . . . . . . . . 19
5.2.2 Utilisation d’ un modèle alternatif . . . . . . . . . . . 19
5.3 Hétérogénéité . . . . . . . . . . . . . . . . . . . . . . . . . . 22
6 Conclusion et recommandations 24
Bibliographie 26
7 Annexes 31
2

1. Introduction
Le changement climatique représente l’un des défis les plus pressants au niveau mondial
actuellement. Il affecte toutes les régions de la planète, engendrant d’importantes pertur-
bations et ayant des répercussions inévitables sur les politiques économiques de la plupart
des États, que ce soit de manière directe ou indirecte (Kohler and Maselli, 2009). Il est
indéniable qu’il constitue une menace pour l’humanité, altérant le bien-être des indivi-
dus et entraı̂nant des modifications dans les conditions environnementales. Le concept de
changement climatique renvoie à l’augmentation de la fréquence des températures, due à
la concentration des gaz à effet de serre, entraı̂nant des variations dans les précipitations,
des périodes de sécheresse accrues, ainsi que des tempêtes et des ouragans plus fréquents.
Cette élévation de la température globale est attribuable aux activités humaines telles que
la combustion des combustibles fossiles et la déforestation pour la construction (GIEC,
2013). Selon le sixième rapport (GIEC, 2021), les émissions de gaz à effet de serre résultant
des activités humaines ont réchauffé le climat à un rythme sans précédent, la température
de la surface de la terre ayant augmenté de 1,1 °C par rapport à l’ère préindustrielle.
Le changement climatique exerce un impact sur tous les secteurs de l’économie et en-
gendre des coûts considérables (Mellinger et al., 1999). Pour évaluer ces répercussions,
Nordhaus (1992) a développé des modèles tels que DICE et RICE, qui intègrent l’interaction
entre l’activité économique et le climat à travers les émissions de gaz à effet de serre issues de
la production, ainsi qu’une fonction de dommages climatiques. Des recherches menées par
Dell et al. (2008) ont mis en évidence une diminution des revenus dans plusieurs municipa-
lités des États-Unis suite à l’augmentation des températures. Cette corrélation intrinsèque
entre le climat et la croissance économique est confirmée par de nombreuses études (Bar-
rios et al., 2010; De Bandt et al., 2021). Diverses études ont identifié les secteurs les plus
affectés, comprenant notamment l’industrie (Huntington, 1924; Dell et al., 2014; Bambe
et al., 2024), le commerce (Combes et al., 2016; Tamiotti, 2009; Mattoo et al., 2009; Dellink
et al., 2017), le tourisme (Hein et al., 2009; Scott et al., 2012; Rosselló-Nadal, 2014), et la
santé (Meierrieks, 2021), ainsi que l’agriculture (Deschênes and Greenstone, 2007; Burke
and Emerick, 2016; Hagerty, 2021). Le changement climatique représente un défi majeur
pour l’agriculture à l’échelle mondiale et est au cœur des débats dans ce domaine. Plusieurs
auteurs ont examiné le lien potentiel entre le climat et la production agricole. Ansi une
étude portant sur les impacts socio-économiques et climatiques sur l’agriculture à l’échelle
mondiale a révélé que les asymétries d’impact critiques, dues à la fois au climat et aux
structures socio-économiques, pourraient accentuer les disparités actuelles de production
et de consommation entre le monde développé et le monde en développement. Cela pour-
rait potentiellement influencer la productivité agricole à l’échelle mondiale (Gornall et al.,
2010).
3

L’Afrique subsaharienne se trouve être l’une des régions où les conséquences économiques
du changement climatique sont particulièrement importantes, bien qu’elle ait contribué
moins que d’autres régions à ce réchauffement (Jacquemot, 2013). Cela s’explique par le
fait qu’une grande partie de son produit intérieur brut (PIB) dépend entièrement de ce
secteur, technologiquement peu développé et vulnérable aux aléas climatiques. Dans cette
région, l’agriculture revêt une importance majeure pour la performance économique natio-
nale. Par exemple, cela se manifeste par sa part dans le PIB, qui varie de 40 à 60 % dans
environ les deux tiers de la région. Elle emploie une grande proportion de la main-d’œuvre
(de 50 % à aussi élevé que 90 % dans la plupart des cas), constitue une source majeure de
devises étrangères (de 25 % à aussi élevé que 95 % dans les trois quarts des pays), fournit
l’essentiel des aliments de base et assure la subsistance et d’autres revenus à plus de la
moitié de la population (Banque Mondiale, 2008) . En Afrique de l’Ouest, par exemple,
les changements climatiques réduisent la productivité des céréales. Cette baisse des rende-
ments est particulièrement marquée dans l’ouest du Sahel, où les effets d’une diminution
des précipitations et d’une augmentation des températures se combinent d’ici 2050 (Sultan
et al., 2015). Les manifestations climatiques compromettant la production dans le Sahel
incluent notamment l’augmentation des températures minimales et maximales, la forte va-
riabilité des précipitations, les sécheresses intenses et les inondations (Topeur, 2023).
La vulnérabilité du secteur agricole au changement climatique en Afrique subsaha-
rienne est une préoccupation majeure dans la région et a un impact négatif sur la sécurité
alimentaire (Alemu and Mengistu, 2019). Outre les régions de moyenne et haute lati-
tude, où les chocs climatiques pourraient potentiellement augmenter la productivité des
cultures (Thornton et al., 2009), de nombreuses études, notamment celle de Christensen
et al. (2007), ont révélé une baisse de la productivité moyenne des cultures dans les pays
d’Afrique subsaharienne. L’augmentation des températures devrait globalement avoir un
impact négatif sur la productivité des cultures en affectant la croissance et la durée des
cultures (Gregory et al., 2005). De plus, la faible capacité des exploitants agricoles en
Afrique subsaharienne à faire face à la variabilité climatique les expose à une diminution
de la disponibilité alimentaire, susceptible de les affecter gravement (Da Ndonougbo and
Agbodji, 2020). L’agriculture pluviale étant le principal moyen de subsistance des popu-
lations rurales en Afrique subsaharienne, de nombreuses personnes seraient vulnérables
et pourraient voir leur capital financier sérieusement compromis (Thornton et al., 2009).
Les ressources financières limitées, combinées à des prévisions de prix élevés des denrées
alimentaires, affectent donc sérieusement l’accessibilité à l’alimentation et constituent une
source potentielle supplémentaire d’insécurité alimentaire face au changement climatique
(Gregory et al., 2005).
4

Face à ces préoccupations, notre étude se donne pour objectif d’analyser l’impact du
changement climatique sur la production agricole en Afrique subsaharienne, en comparant
cet impact avec celui d’autres régions en développement. Nous formulons deux hypothèses
pour atteindre notre objectif : (i) nous supposons que la température a un effet négatif sur
la production agricole en Afrique subsaharienne et (ii) nous postulons que les précipitations
ont un effet positif sur la production agricole dans cette même région. Nous nous appuyons
sur les travaux de Barrios et al. (2008), mais notre étude apporte des améliorations en
utilisant de nouvelles données et de nouvelles variables. Premièrement, nous utilisons les
données climatiques de la base CRU ts4.07 de Harris et al. (2020) ; en plus de la température
et des précipitations, nous utilisons également leurs écarts par rapport à la moyenne his-
torique. Deuxièmement, nous explorons la possibilité d’un effet non linéaire des variables
climatiques sur la production agricole. Troisièmement, nous utilisons l’indice standardisé
de précipitation-évapotranspiration comme mesure alternative des précipitations et de la
température.
La suite de notre papier sera organisé comme suit : la section 2 sera consacrée à la
revue de la littérature, en mettant en avant les travaux récents sur ce sujet ; la section 3
traitera des données et la statistique descriptive ; la section 4 présentera la méthodologie,
tout en montrant le modèle économétrique et les différents tests ; la section 5 analysera les
résultats, en présentant les résultats principaux, les résultats en robustesse et les résultats
en hétérogénéité ; enfin, la section 6 constituera la conclusion.
2. Revue de la littérature
La littérature aborde l’estimation de l’impact des variables climatiques sur la produc-
tion agricole en distinguant deux concepts : le changement climatique et les chocs cli-
matiques. L’Organisation météorologique mondiale (OMM, 2012) définit le changement
climatique comme toute modification statistiquement significative du climat observée sur
une période prolongée, généralement des décennies ou plus, due à des processus naturels
ou à des activités humaines. En revanche, les chocs climatiques désignent des événements
météorologiques extrêmes dépassant les normes habituelles. Cette distinction conduit à des
interprétations différentes des valeurs associées.
Dans les études sur le développement, plusieurs travaux se sont penchés sur l’impact
du climat sur le secteur agricole. Deux approches principales sont utilisées pour estimer
cet effet. La première consiste à évaluer la relation entre les variables climatiques et le ren-
dement agricole à partir d’une fonction de production (Frisvold and Ingram, 1995). Cette
méthode a été critiquée car elle ne tient pas suffisamment compte des coûts d’adaptation
5

des agriculteurs au changement climatique, ce qui peut masquer les véritables effets de ce
dernier sur le rendement agricole. La seconde approche est le modèle ricardien, qui évalue
les effets du changement climatique sur la valeur actuelle et future des terres agricoles
(Mendelsohn et al., 1994). En utilisant cette approche, les auteurs ont constaté que des
températures plus élevées, excepté en automne, réduisent la valeur moyenne des exploita-
tions agricoles, tandis que des précipitations accrues en dehors de l’automne augmentent
ces valeurs. Cette méthode a également été utilisée par Ouedraogo (2012) pour évaluer l’im-
pact des changements climatiques sur les revenus agricoles au Burkina Faso. Les résultats
ont montré une sensibilité importante de l’agriculture burkinabé à la précipitation et à
la température, avec des pertes de revenus atteignant 3,6 %. Toujours dans cette même
approche, Mano and Nhemachena (2007) utilisent la méthode ricardienne pour examiner
l’impact économique du changement climatique sur l’agriculture au Zimbabwe. Les auteurs
constatent que le revenu agricole net est affecté négativement par l’augmentation de la
température et positivement par l’augmentation des précipitations. De plus, leurs résultats
d’analyse de sensibilité montrent que la production agricole dans l’agriculture familiale au
Zimbabwe est contrainte par des facteurs climatiques, à savoir des températures plus élevées
et des précipitations plus faibles. Cependant, cette analyse effectuée en coupe transversale
a fait l’objet de plusieurs critiques car elle ne permet pas de capturer l’hétérogénéité spa-
tiale et temporelle (Schlenker and Roberts, 2009). Dans cet article, nous nous intéressons
à la première approche utilisée par Barrios et al. (2008).
Dans une étude sur l’impact économique du changement climatique sur les terres agri-
coles américaines, Deschênes and Greenstone (2007) estiment l’effet de la variation aléatoire
d’une année sur l’autre de la température et des précipitations sur les bénéfices agricoles. Les
résultats indiquent que le changement climatique augmentera les bénéfices annuels de 1,3
milliard de dollars en 2002 ou 4 %. En utilisant des données californiennes et une approche
par variable instrumentale, Hagerty (2021) constate un déclin de la production agricole
lorsque l’eau se fait rare et que des stratégies d’adaptation inefficaces n’ont pas permis
d’augmenter les revenus. Toujours aux États-Unis, Burke and Emerick (2016) constatent
également de faibles effets de l’adaptation dans le secteur agricole américain, avec de forts
impacts négatifs des hausses de température sur les rendements des cultures.
L’impact du changement climatique sur la production agricole varie considérablement se-
lon les régions et dépend de la capacité d’adaptation des agriculteurs. En Asie, les pertes
sont particulièrement significatives par rapport à d’autres régions du monde. Avec un tiers
de la population mondiale et la majorité des familles pauvres, dont la plupart sont im-
pliquées dans l’agriculture, l’Asie est un acteur majeur dans le secteur agricole (Banque
Mondiale, 2018), représentant les deux tiers du PIB agricole mondial. Lee et al. (2012)
ont analysé l’impact du changement climatique sur la production agricole dans 13 pays
asiatiques pour la période 1998-2007, utilisant un modèle de panel à effets fixes au niveau
6

du pays et des variables climatiques. Leurs résultats ont révélé que l’augmentation de la
température annuelle réduit la production agricole tandis que les précipitations augmentent
cette production. Se concentrant sur quatre grands pays de l’Asie du Sud - Bangladesh,
Inde, Pakistan et Sri Lanka, Bandara and Cai (2014) ont utilisé un modèle d’équilibre
partiel et calculable pour examiner l’impact des changements de productivité des cultures
dus au changement climatique. Leurs résultats ont indiqué un impact significatif et négatif
sur la production alimentaire et les prix dans ces pays en raison des changements de pro-
ductivité agricole induits par le changement climatique.
Les études empiriques sur l’Inde ont également montré des résultats similaires. Par
exemple, Hundal (2007) a constaté qu’une augmentation de la température entre 1,0 °C
et 3,0 °C réduit la productivité du riz au Punjab de 3 à 10 %. De même, Geethalakshmi
et al. (2011) ont observé une diminution du rendement en riz jusqu’à 41 % au Tamil Nadu
en raison d’une augmentation de la température de 4 °C. Au Népal, une précipitation
relativement faible et une température élevée semblent avoir un impact positif sur le re-
venu net des exploitations agricoles pendant les saisons d’automne et de printemps. Une
étude utilisant des données climatiques en coupe transversale et en séries temporelles a
révélé que le revenu net des exploitations agricoles est susceptible d’augmenter avec les
précipitations estivales, mais pas avec la température. De plus, une augmentation mar-
ginale des précipitations augmenterait les revenus agricoles dans la région montagneuse,
mais les réduirait dans la région du Terai. Ainsi, l’impact du changement climatique sur
la production agricole semble varier dans différentes zones climatiques ainsi que dans les
cultures (Gurung et al., 2014). Les résultats des travaux de Ju et al. (2013) ont montré que
la variation du climat peut avoir des effets positifs et négatifs sur l’agriculture en Chine.
Cependant, les impacts négatifs semblent prédominer. Les auteurs suggèrent que sans me-
sures d’adaptation aux changements climatiques, les rendements du blé irrigué, du maı̈s et
du riz devraient diminuer de 2,2 à 6,7 %, de 0,4 à 11,9 % et de 4,3 à 12,4 % respectivement
dans les années 2050 par rapport aux rendements potentiels de la période 1961-1990.
Plusieurs études ont tenté d’explorer les effets du climat sur la production agricole en
Afrique. Sur ce continent, la majorité de l’eau douce disponible est utilisée pour l’agri-
culture ; les techniques agricoles sont relativement simples, et une grande partie du terri-
toire est déjà chaude et sèche. Tout changement dans les schémas de précipitations et de
températures aura des impacts majeurs sur la viabilité et les rendements de la production
agricole. Dans une étude récente, Emediegwu et al. (2022) ont utilisé un modèle de données
de panel spatio-temporel pour estimer l’effet des fluctuations météorologiques annuelles sur
le rendement du millet en Afrique subsaharienne pour la période 1970-2016. Ils ont constaté
qu’une augmentation du réchauffement régional réduisait le rendement du millet. En effet,
une augmentation de 1 °C de température se traduisait par une baisse d’environ 3 % de
7

la production du millet. En combinant la production historique des cultures et les données
météorologiques dans une analyse de panel sur l’Afrique subsaharienne, Schlenker and Lo-
bell (2010) ont montré, selon leur spécification, une baisse de la production de 22% pour le
maı̈s, 17 % pour le sorgho, 17 % pour le mil, 18 % pour l’arachide et 8 % pour le manioc
dans la région. Ils ont également démontré que les pays ayant les rendements moyens les
plus élevés subissaient les plus grandes pertes de rendement prévues.
Le changement climatique peut avoir un impact négatif, mais cet impact peut être
atténué en fonction du type de terre où l’agriculture est pratiquée. Une étude sur la survie
de l’agriculture africaine face au changement climatique a révélé, à l’issue d’une enquête
concernant 9000 agriculteurs de onze (11) pays d’Afrique, que le revenu des agriculteurs
en terre sèche diminuait tandis que celui des agriculteurs au niveau des cultures irriguées
augmentait (Kurukulasuriya et al., 2006). En ce qui concerne les prévisions, les impacts du
changement climatique en Afrique projetés par rapport aux niveaux de production actuels
varient considérablement. Les évaluations économétriques prévoient des variations de -100
% à +168 %, les évaluations basées sur les processus de -84 % à +62 %, et les évaluations
statistiques de -57 % à +30 %. L’agriculture dans toute l’Afrique court un risque certain
d’être affectée négativement par les variations climatiques ; les systèmes de culture et les
infrastructures existants devront être modifiés pour répondre à la demande future (Müller
et al., 2011). De plus, à travers une méta-analyse des données de 52 publications originales
issues d’un premier dépouillement de 1144 études, il a été constaté que le changement cli-
matique a causé dans le continent africain des changements moyens de rendement de -17
% (blé), -5 % (maı̈s), -15 % (sorgho) et -10 % (mil) ont été estimés (Knox et al., 2012).
Il est important de souligner que certaines recherches ont exploré une relation non
linéaire entre les variables climatiques et la production agricole. Ces études visent à déterminer
un seuil (minimal ou maximal) de température ou de précipitations à partir duquel la pro-
duction agricole réagirait différemment. Par exemple, Schlenker and Roberts (2009) ont
évalué l’impact du changement climatique sur plusieurs cultures aux États-Unis en testant
la présence d’un effet non linéaire de la température sur ces cultures. Leurs résultats ont
révélé une relation non linéaire robuste et significative entre la température et les ren-
dements, montrant que les rendements augmentent avec la température jusqu’à un seuil
critique de 29°C pour le maı̈s, 30°C pour le soja et 32°C pour le coton, au-delà duquel des
températures plus élevées nuisent significativement aux rendements. Des travaux similaires
menés par Burke et al. (2015) ainsi que par Zhou et al. (2023) ont également exploré ces
effets non linéaires.
8

3. Données
3.1. Drescription des données
Dans cette étude, nous analysons deux panels différents composés d’un ensemble de
données. Le premier porte sur les pays d’Afrique subsaharienne, tandis que le deuxième
concerne des pays non Afrique subsaharienne, tous deux sur la période 1995-2021. L’en-
semble de données pour l’Afrique subsaharienne comprend quarante-six (46) pays. Les
quarante-sept (47) pays non africains de la deuxième base de données sont répartis en
deux groupes : vingt-six (27) pays asiatiques et vingt-et-un (20) pays d’Amérique centrale
et du Sud, tous étant des pays en développement. Nous avons choisi cette période tempo-
relle en raison de la disponibilité des données pour certaines variables. Les données ont été
recueillies à partir de la base de données en ligne de l’Organisation des Nations unies pour
l’alimentation et l’agriculture (FAOSTAT, 2024), de la Banque Mondiale (ESG, 2024), et
de la base CRU ts4.07 de Harris et al. (2020). Nous avons sélectionné neuf (09) variables
pour notre étude, représentant d’une part, les inputs d’une fonction de production agricole
classique et d’autre part, les variations climatiques.
L’Indice de Production Agricole “IPA”, notre variable dépendante, représente le niveau
relatif du volume de la production agricole pour chaque année par rapport à la période
de référence 2014-2016. Comme Barrios et al. (2008), nous utilisons cette variable pour
permettre une comparaison directe de la performance agricole entre les pays ou les régions.
Nos variables de contrôle se concentrent principalement sur les intrants classiques d’une
fonction de production agricole. La variable “Terre” représente la somme des terres arables
en milliers d’hectares. Le “Capital” consiste en la formation brute du capital fixe en dol-
lars américains constants aux prix de 2015. La formation brute du capital fixe reflète les
dépenses totales engagées pour l’acquisition ou la construction des biens d’équipement dans
le secteur agricole, ce qui témoigne des efforts déployés par les entreprises ou par l’État
pour développer ou moderniser les capacités de production agricole d’un pays. Le “Travail”
est mesuré par le nombre de personnes activement engagées, en pourcentage. La taille et la
composition de la force de travail agricole varient d’un pays à l’autre et même au sein des
régions d’un même pays, en fonction de facteurs tels que la taille des exploitations, les pra-
tiques agricoles, le niveau de mécanisation, le conditions climatiques et la disponibilité de
la main-d’œuvre. La variable “Bétail”, estimée à partir de l’indice de production de bétail,
est calculée à partir du nombre d’animaux dans les fermes. Le bétail fournit du lait et de
la viande, et contribue également à la fertilisation du sol en fournissant du fumier, riche en
nutriments. En outre, la variable “Engrais” représente la quantité d’éléments nutritifs pour
les plantes consommés en tonnes. Les engrais choisis sont principalement composés d’azote
et de potassium, qui sont essentiels à la croissance des plantes et au rendement des cultures.
9

Les données climatiques, notamment les températures moyennes annuelles “Temp” ex-
primées en degrés Celsius et les précipitations annuelles “Precip” en millimètres cubes, pro-
viennent de la base de données CRU ts4.07 de Harris et al. (2020). À partir de ces données,
nous avons calculé les déviations de la température “DeviationTemp” et des précipitations
“DeviationPrecip” par rapport à la moyenne historique. Conformément aux méthodes de
calcul du FMI, cette dernière est établie en prenant comme référence les années 1951-1980.
Pour calculer la déviation de la température ou des précipitations, nous utilisons la formule
de Eastin (2018). Cet auteur mesure les chocs climatiques à partir des Z-scores :
Zit =
(Xit − Xi)
σit
Où Xit représente la valeur de la température ou la précipitation à un moment donné
t, Xi la moyenne de la température ou la précipitation sur les cinq dernières années, et σit
l’écart-type de la température ou de la précipitation. Ceci permet de capter la déviation
normalisée à court terme de la température ou de la précipitation.
Enfin, l’indice standardisé de précipitation-évapotranspiration (SPEI) est utilisé pour
évaluer les conditions de sécheresse en se basant sur les données de précipitations et
d’évapotranspiration. Lorsque les valeurs sont négatives et éloignées de zéro, cela indique
une sécheresse accrue, tandis que des valeurs positives signalent un excès d’humidité.
Contrairement aux indices précédents tels que l’indice de Palmer, le SPEI prend en compte
l’évapotranspiration, permettant une évaluation plus complète des conditions de sécheresse.
Cet indicateur a été développé pour la première fois par Vicente-Serrano et al. (2010). Il
lisse les disparités entre les zones climatiques afin de rendre les comparaisons entre les pays
plus pertinentes en ce qui concerne les phénomènes de sécheresse. Nous estimons qu’il peut
constituer une alternative à l’utilisation de la température et de la précipitation comme
variables climatiques.
3.2. Statistiques descriptives
La table 1 ci-dessous présente la statistique descriptive des variables pour le panel
constitué des pays d’Afrique subsaharienne.
Pour l’Indice de Production Agricole, le Bétail et le Travail, les valeurs sont regroupées
autour de la moyenne, démontrant ainsi une homogénéité entre les pays de l’Afrique subsa-
harienne. En effet, la région a enregistré un IPA moyen de 83,087, avec un score minimum
de 24,85 et un score maximum de 180,04. Ces scores minimum et maximum correspondent
respectivement à l’Angola et au Sénégal. En ce qui concerne le bétail, la moyenne est de
85,99071, avec des valeurs allant de 20,12 à 162,36. Concernant le travail, le secteur agricole
emploie en moyenne 54,13% de personnes et varie entre 5,1% et 92,6%.
10

Pour ce qui est des variables Terre, Engrais et Capital, après avoir examiné les écarts-
types, on remarque que les valeurs sont assez dispersées autour de la moyenne, ce qui
montre une hétérogénéité entre les pays pour ces variables. En effet, les pays d’Afrique
subsaharienne disposent en moyenne de 20 356,494 milliers d’hectares de terres arables,
avec une superficie minimale de 70 milliers d’hectares observée au Cap-Vert et une maxi-
male de 98 125 milliers d’hectares observée en Afrique du Sud. De plus, la quantité moyenne
d’engrais utilisés pour la production agricole est de 38 541,55 tonnes, mais elle varie de 0
à 618 738,4 tonnes, traduisant une distribution relativement élevée. Cette valeur minimale
nous indique qu’il existe certains pays de cette région qui n’ont pas utilisé d’engrais chi-
miques pendant certaines années, comme c’est le cas de la Somalie. Concernant le capital,
sa moyenne est de 496,7879, avec un minimum de 1,338474 et un maximum de 18 914,37.
Cela montre une grande divergence entre les pays en ce qui concerne le montant total des
dépenses engagées pour l’acquisition ou la construction des biens d’équipement.
En ce qui concerne les variables climatiques, les précipitations annuelles moyennes
s’élèvent à 1 114,985 mm3 et varient entre 57,4581 et 35 530,774, symbolisant ainsi une
forte divergence entre les pays d’Afrique subsaharienne en matière de précipitations. La
température moyenne dans cette région est de 24,28 degrés Celsius, ce qui démontre une
fois de plus que le réchauffement climatique est une réalité en Afrique. Concernant les
chocs de température, on observe une variation positive par rapport à la normale avec un
écart moyen de 2,61 degrés Celsius, tandis que les chocs pluviométriques connaissent une
variation négative de 0,337 mm3 par rapport à la normale. Le SPEI moyen est de -0,30, ce
qui signifie que la région traverse des périodes de sécheresse.
Table 1 – Statistique descriptive des variables
Variable Obs. Unité Moyenne Écart-type Min Max
IPA 1161 Indice 85.432 23.302 24.85 180.04
Terre 1161 1000 ha 20356.494 21153.492 70 98125
Engrais 1088 Tonne 38541.554 85265.68 0 618738.41
Capital 1161 1000 $ US 496.788 1902.379 1.338 18914.368
Betail 1161 Indice 85.991 22.461 20.12 162.36
Travail 1161 % 54.133 19.83 5.1 92.6
Temp 1161 °C 24.689 3.388 11.512 30.018
Precip 1161 Mm3 1114.985 656.367 57.458 3530.774
DeviationTemp 1161 °C 2.613 1.2 -.465 7.481
DeviationPrecip 1161 Mm3 -.337 .801 -3.786 5.008
SPEI 1161 Indice -.304 .889 -2.898 3.216
11

Afin de permettre une comparaison de la performance agricole et des variations clima-
tiques entre les deux régions, nous avons élaboré des graphiques pour donner un aperçu
des données. La figure 1 présente la production agricole moyenne et la température an-
nuelle moyenne pour les deux régions. Comme on peut le constater, la production agricole
moyenne pour la période d’étude est légèrement supérieure à celle de la région non afrique
subsaharienne. De même, pour la température, on observe une température moyenne plus
élevée en Afrique subsaharienne et une température moyenne plus faible dans la région non
afrique subsaharienne. La figure 2 présente la précipitation moyenne annuelle dans les deux
régions. On observe que les précipitations dans la région non afrique subsaharienne sont
nettement supérieures à celles en Afrique subsaharienne. Cela s’explique par le fait que
la majorité des pays de la région non afrique subsaharienne se trouvent dans des régions
moins désertiques, bénéficiant de périodes de mousson et d’un climat humide. L’Amérique
du Sud et l’Asie du Sud abritent des forêts primaires et tropicales. À l’exception des pays
du bassin du Congo, les pays de la région africaine subsaharienne ne se trouvent pas dans
des zones forestières.
Figure 1 – Production agriole et température annuelle moyenne
Source : Constrution de l’auteur
12

Figure 2 – Précipiation annuelle moyenne
3.3. Matrice de corrélation
Pour analyser la corrélation entre les variables explicatives et la variable dépendante
de notre modèle, nous avons construit une matrice de corrélation. Celle-ci nous permet
d’examiner les relations entre les variables et d’identifier d’éventuels problèmes de multi-
collinéarité. La table ci-dessous présente les résultats de cette matrice de corrélation.
Table 2 – Corrélation entre les variables
Nous remarquons que, parmi les variables explicatives classiques, à l’exception de la
terre (-0,142) et du travail (-0,291), toutes sont positivement et significativement corrélées à
la production agricole. En ce qui concerne les variables climatiques, la température (-0,125)
et les précipitations (-0,011) sont négativement corrélées à l’indice de production agricole,
tandis que l’écart par rapport à la moyenne historique de la température (0,210) et des
précipitations (0,197) montre une relation positive et significative avec la variable expliquée.
En examinant la corrélation entre les variables explicatives, nous constatons que le SPEI
13

et l’écart par rapport à la moyenne des précipitations présentent une corrélation très forte
avec un coefficient de 0,934, ce qui sous-entend que ces deux variables ne peuvent pas être
incluses dans un même modèle. Selon Gujarati et al. (2003), une potentielle multicollinéarité
est envisagée si le coefficient de corrélation dépasse 0,8 entre les variables. En revanche,
l’écart par rapport à la moyenne des précipitations et les engrais présentent le coefficient
de corrélation significativement le plus faible, avec une valeur de 0,062.
4. Méthodologie
4.1. Spécifiation du modèle
L’objectif principal de cette étude est d’examiner empiriquement l’impact du change-
ment climatique sur la production agricole en Afrique subsaharienne par rapport à un
autre panel de pays en développement. Nous nous inspirons du modèle de Frisvold and
Ingram (1995) et de Barrios et al. (2008) dans lequel les auteurs spécifient une fonction de
production agricole en prenant en compte les inputs conventionnels. Ces inputs ont long-
temps été considérés comme des déterminants de la production agricole. Toutefois, nous
ajoutons les variables climatiques pour évaluer leur impact sur la production agricole, ce
qui constitue l’objectif même de notre étude. Pour tester l’impact des variables climatiques
sur la production agricole, notre modèle est défini comme suit :
Log(IPAit) = α + β1Log(Terreit) + β2Log(Engraisit) + β3Log(Capitalit)
+ β4Log(Bétailit)
+ β5Log(Travailit) + β6Log(Tempit) + β7Log(Precipit) + µi + λt + ϵit
(1)
Où IPAit est l’indice de production agricole du pays i au temps t. α est la constante.
Terre, Engrais, Capital, Bétail, et Travail représentent les inputs de la production agri-
cole. Temp et Precip représentent nos variables climatiques et sont respectivement la
température annuelle moyenne et la précipitation annuelle, qui sont nos variables d’intérêt.
µi représente l’effet fixe pays qui capture les caractéristiques individuelles inobservées, ces
effets fixes permettent de contrôler les facteurs spécifiques au pays pouvant affecter la pro-
duction agricole. λt représente l’effet fixe temporel, qui permet de contrôler les facteurs
communs à l’ensemble des pays. ϵit représente le terme d’erreur supposé être distribué
normalement, et enfin β1, . . . , β7 sont des paramètres à estimer.
4.2. Choix de l’estimateur
La double dimension des données de panel nous permet d’étudier simultanément la
dynamique et l’hétérogénéité des comportements des agents (Balestra and Nerlove, 1966).
Deux principaux estimateurs permettent de saisir ces effets fixes individuels et temporels. Il
14

s’agit notamment des estimateurs Within et Between, qui offrent la possibilité de mesurer la
variabilité inter-individuelle, la variabilité intertemporelle et la variabilité intra-individuelle
temporelle. Le modèle à effet fixe (Within) capture les caractéristiques individuelles inob-
servées qui sont invariables dans le temps et qui varient entre les individus. Dans le modèle
à effet aléatoire (Between), les effets individuels ne sont plus perçus comme des paramètres
à estimer, mais comme des réalisations d’une variable aléatoire, les effets individuels sont
maintenant pris en compte au niveau de la variance de la perturbation (Araujo et al.,
2008).
Dans cette étude, pour choisir l’estimateur approprié à notre contexte, nous avons
réalisé le test des effets fixes de Fisher, qui consiste à vérifier l’existence de caractéristiques
spécifiques pour chaque pays, et le test des effets aléatoires spécifiques de Breusch-Pagan.
Les deux tests ont révélé la présence d’effets fixes spécifiques et d’effets aléatoires. Pour
choisir entre le modèle à effets fixes et le modèle à effets aléatoires, nous avons utilisé le
test de Hausman (1978). Le résultat obtenu a conduit au rejet de l’hypothèse nulle, et le
modèle retenu est donc le modèle à effets fixes. Il convient de noter que Barrios et al. (2008)
n’ont pas suivi rigoureusement cette procédure pour le choix de leur estimateur, ce qui peut
remettre en question la qualité de l’estimateur. Cependant, nous avons abouti à la même
conclusion. Selon Kpodar (2007), le choix de l’un de ces modèles doit être rigoureusement
justifié.
4.3. Tests d’hypothèses
Comme les méthodes d’estimation ne s’appliquent qu’à des séries stationnaires, nous
avons vérifié la stationnarité de nos variables afin d’éviter de faire des régressions falla-
cieuses. En ce qui concerne les données de panel, les tests de racine unitaire les plus utilisés
sont ceux de de Levin et al. (2002), Im et al. (2003) et de Maddala and Wu (1999). Ces tests,
appelés tests de première génération, sont inspirés du test de Dickey and Fuller (1979). Ils
reposent sur l’hypothèse d’indépendance entre les individus du panel. Ils partagent tous
l’hypothèse nulle selon laquelle chaque série contenue dans le panel contient une racine
unitaire, tandis que l’alternative soutient que toutes les séries sont stationnaires. Contrai-
rement à Barrios et al. (2008), qui ont utilisé le test de Im et al. (2003), nous avons opté
pour celui de Levin et al. (2002) afin de comparer les différences ou similitudes. Les résultats
du test sont présentés dans la table ci-dessous. Nous observons que toutes les variables 1
sont stationnaires à niveau, avec des seuils de significativité différents. Nous pouvons ainsi
conclure qu’elles sont intégrées d’ordre zéro (0). En appliquant la différenciation première,
toutes les variables restent stationnaires avec un seuil de significativité de 1%.
1. Nous avons retiré la variable “Engrais” car elle contient des valeurs manquantes, ce qui rend impos-
sible le test.
15

Table 3 – Test de racine unitaire
Variables
Levin-Lin-Chu
En niveau En différence 1 Décision
Log IPA -1.7713** -15.7343*** I(0)
(0.0383) (0.0000)
Log Terre -5.7375*** -8.2872*** I(0)
(0.0000) (0.0000)
Log Capital -2.7082*** -14.1673*** I(0)
(0.0034) (0.0000)
Log Betail -2.7396*** -12.3777*** I(0)
(0.0031) (0.0000)
Log Travail -3.5116*** -7.6980*** I(0)
(0.0002) (0.0000)
Log Temp -10.4345*** -24.1062*** I(0)
(0.0000) (0.0000)
Log Precip -13.7539*** -24.0622*** I(0)
(0.0000) (0.0000)
DeviationTemp -10.3849*** -24.0947*** I(0)
(0.0000) (0.0000)
DeviationPrecip -13.7232*** -23.7331*** I(0)
(0.0000) (0.0000)
SPEI -13.6084*** -24.0181*** I(0)
(0.0000) (0.0000)
p-values entre parenthèses :
Significativités : ***p < 0.01, **p < 0.05, *p < 0.1.
Nous avons également réalisé le test de normalité de Jarque and Bera (1987) pour
nous assurer que nos résidus suivent une distribution normale. Les résultats montrent que
nos résidus ne suivent pas une loi normale, mais étant donné que notre échantillon est
très vaste, nous avons supposé, à travers le théorème limite centrale, qu’ils suivent une
loi normale. Enfin, nous avons appliqué le test d’hétéroscédasticité de Breusch and Pagan
(1980) pour nous assurer aussi que la variance des écarts aléatoires est constante. Nous
n’avons pas réalisé de test d’autocorrélation sérielle des écarts car nous estimons qu’il est
moins pertinent dans un modèle à effets fixes, puisque ces modèles prennent déjà en compte
les effets individuels spécifiques, ce qui peut réduire la présence d’autocorrélation.
5. Résultats économétriques
5.1. Résultats principaux
Dans cette section, nous présentons les résultats de notre spécification de base en uti-
lisant le modèle à effets fixes. Les colonnes [1], [2], [3] et [4] affichent les résultats pour le
panel ASS tandis que les colonnes [5], [6], [7] et [8] présentent les résultats du panel NASS.
16

Table 4 – Résultats principaux
Afrique Subsaharienne Non Afrique Subsaharienne
Var. dép. : Log IPA
[1] [2] [3] [4] [5] [6] [7] [8]
Log Terre 0.772*** 0.723*** 0.726*** 0.717** 0.313*** 0.314*** 0.311*** 0.307***
(0.087) (0.087) (0.087) (0.345) (0.053) (0.053) (0.054) (0.053)
Log Engrais 0.023*** 0.021*** 0.021*** 0.022** 0.039*** 0.038*** 0.038*** 0.037***
(0.004) (0.004) (0.004) (0.010) (0.006) (0.006) (0.006) (0.006)
Log Capital 0.062*** 0.066*** 0.064*** 0.064** 0.063*** 0.063*** 0.063*** 0.065***
(0.012) (0.011) (0.011) (0.029) (0.010) (0.010) (0.010) (0.010)
Log Betail 0.441*** 0.430*** 0.432*** 0.431*** 0.415*** 0.413*** 0.413*** 0.412***
(0.025) (0.024) (0.024) (0.067) (0.016) (0.016) (0.016) (0.016)
Log Travail 0.218*** 0.186*** 0.192*** 0.194 -0.053* -0.050* -0.052* -0.052*
(0.040) (0.040) (0.040) (0.186) (0.030) (0.030) (0.030) (0.030)
Log Temp -2.381*** -2.093*** -6.365*** 0.042* 0.042* 0.502***
(0.439) (0.456) (1.488) (0.025) (0.025) (0.162)
Log Precip 0.085** -1.791*** 0.026 0.275***
(0.037) (0.579) (0.022) (0.089)
Log Temp x Log Precip 0.591*** -0.085***
(0.186) (0.030)
Constant -6.050*** 2.179 0.630 14.259** -1.075** -1.201** -1.358*** -2.640***
(0.777) (1.700) (1.825) (6.480) (0.488) (0.495) (0.511) (0.677)
Observations 1076 1076 1076 1076 1188 1186 1186 1186
Nombre de pays 43 43 43 43 44 44 44 44
Effets fixes temps Oui Oui Oui Oui Oui Oui Oui Oui
Effets fixes pays Oui Oui Oui Oui Oui Oui Oui Oui
Prob > F 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
R2
.7992 .805 .806 .8074 .8496 .8502 .8504 .8515
Écarts-types entre parenthèses :
IPA est la Production Agricole,
Dans toutes les spécifications, le coefficient de détermination (R2
) est supérieur à 79%,
indiquant que nos variables explicatives expliquent parfaitement les variations de la pro-
duction agricole dans les deux régions. Les résultats sont consignés dans la table 4 ci-dessus.
Dans la colonne [1] et [5], nous spécifions un modèle qui mesure l’impact des inputs tradi-
tionnels sur la production agricole sans prendre en compte nos variables climatiques. Les
résultats montrent que dans les deux régions, tous les inputs ont un impact significatif sur
la production agricole, ce qui confirme une fois de plus que ces intrants traditionnels restent
des déterminants dominants de la production agricole. Ces résultats sont conformes à ceux
de Frisvold and Ingram (1995) et Barrios et al. (2008). En ASS, par exemple, l’utilisation de
1% de la superficie terrestre entraı̂ne une augmentation de 0,7 point de pourcentage de la
production agricole, tandis que dans la région NASS, elle se traduit par une augmentation
de 0,3 point de pourcentage de la production agricole. Cette différence de production entre
les deux régions pourrait s’expliquer par les qualités des sols, un facteur non pris en compte
dans notre spécification. Il est également important de noter que l’agriculture en ASS est
souvent extensive, impliquant l’utilisation de vastes étendues de terres. De plus, la variation
de la production agricole par rapport au capital et à l’engrais est nettement supérieure en
17

NASS qu’en ASS. Cette disparité pourrait éventuellement s’expliquer par le niveau d’in-
vestissement dans le secteur agricole et les avancées en recherche et développement (R&D)
dans ces régions.
Dans les colonnes [2] et [6], nous incluons la température dans notre modèle et nous
constatons que nos intrants dans les deux régions sont restés stables. En ASS, la température
a un impact négatif et significatif sur la production agricole au seuil de 1%. En effet, une
augmentation de 1% de la température en degrés Celsius se traduit par une baisse dras-
tique de 2,38 points de pourcentage de la production agricole. Ce résultat est corroboré par
plusieurs études antérieures (Barrios et al., 2008; Schlenker and Lobell, 2010; Knox et al.,
2012; Lee et al., 2012; Burke and Emerick, 2016; Diallo, 2021). Cependant, il est important
de souligner que dans les travaux de Barrios et al. (2008), l’impact de la température sur la
production agricole était moins important que dans notre étude, avec une augmentation de
la température s’accompagnant d’une baisse de 0,74 point de pourcentage de la production
agricole. Cette différence est nettement visible, ce qui suggère que plus les années passent,
plus la température augmente et cause des dégâts inestimables dans le secteur agricole. De
manière surprenante, nous observons qu’en NASS, la température a un impact positif et
significatif au seuil de 10% sur la production agricole, bien que le coefficient reste faible. Un
tel résultat a été observé aux États-Unis grâce aux travaux de Deschênes and Greenstone
(2007).
Dans les colonnes [3] et [7], nous introduisons les précipitations dans notre modèle. En
ASS, les précipitations ont un impact positif et significatif sur la production agricole, bien
que faible. Une augmentation de 1% de la pluviométrie se traduit par une légère augmen-
tation de 0,08 point de pourcentage de la production agricole. Ce faible effet s’explique par
la rareté des pluies en ASS, où la région n’est pas suffisamment arrosée. En revanche, en
NASS, même si la région bénéficie d’une bonne pluviométrie, les précipitations n’ont pas
d’impact significatif sur la production agricole.
Dans les colonnes [4] et [8], nous avons inclus un terme d’interaction entre nos deux
variables climatiques. Contrairement à Barrios et al. (2008), qui ont introduit un terme d’in-
teraction pour étudier l’impact des changements de température sur l’effet des précipitations
sur l’agriculture, nous l’avons inclus pour examiner comment des précipitations plus élevées
pourraient atténuer l’impact de la température sur la production agricole en ASS. Le coef-
ficient du terme d’interaction montre que des précipitations plus élevées dans cette région
atténuent l’impact négatif de la température sur la production agricole.
18

5.2. Robustesse
Pour tester la robustesse de nos résultats principaux, nous adoptons deux approches :
l’introduction de variables de contrôle supplémentaires et l’utilisation du modèle à effets
aléatoires.
5.2.1 Ajout de variables supplémentaires
Nous enrichissons notre spécification de base en incluant des variables de contrôle
susceptibles d’avoir un impact significatif sur la production agricole. Ces variables com-
prennent la déviation de la température, qui mesure l’écart par rapport à la norme histo-
rique, et la déviation des précipitations, qui mesure aussi l’écart par rapport à la norme
historique de la pluviométrie, conformément à des études antérieures telles que celle de
Burke and Emerick (2016), Diallo (2021) et De Bandt et al. (2021). Nous introduisons
également ces mêmes variables retardées d’une période, suivant l’approche de Couttenier
and Soubeyran (2014). L’objectif de l’utilisation de ces variables retardées est d’analyser
l’influence des chocs climatiques passés sur la production agricole actuelle. Les résultats
principaux sont présentés dans les colonnes [1] et [6] pour l’ASS et NASS respectivement,
tandis que les autres colonnes mettent en évidence la robustesse de ces résultats (voir la
table 5). Nous nous concentrons particulièrement sur la région de l’ASS.
Après l’ajout progressif de ces contrôles à la spécification de base, l’impact de la
température sur la production agricole reste négatif et significatif, tandis que l’impact
des précipitations reste positif et significatif. Ainsi, nous pouvons confirmer la robustesse
de l’impact de la température et des précipitations sur la production agricole en ASS. Les
chocs climatiques, qu’ils soient liés à la température ou aux précipitations, n’ont pas d’effet
significatif sur la production agricole, que ce soit en ASS ou en NASS. Cependant, les chocs
de température (t-1) ont un impact négatif et significatif sur la production agricole en ASS.
5.2.2 Utilisation d’ un modèle alternatif
Dans cette section, nous testons la robustesse de nos résultats principaux en utilisant
le modèle à effets aléatoires. Cette approche pourrait aider à identifier des facteurs de
variation supplémentaires qui pourraient ne pas être capturés par notre modèle à effets
fixes. Comme précédemment, les colonnes [1] et [3] présentent les résultats de la spécification
de base, tandis que les colonnes [2] et [4] présentent les résultats en utilisant le modèle à
effets aléatoires. Nous remarquons qu’en ASS, même avec le modèle à effets aléatoires, la
température continue d’avoir un impact négatif et significatif sur la production agricole.
Ainsi, la robustesse de l’impact des variables climatiques sur la production agricole en
ASS est confirmée par différentes approches de robustesse que nous avons explorées. Les
résultats sont présentés dans la table 6, ci-dessous.
19

Table
5
–
Robustesses
avec
ajout
de
contrôles
supplémentaires
Afrique
Subsaharienne
Non
Afrique
Subsaharienne
Var.
dép.
:
Log
IPA
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
Principal
Robust.
Robust.
Robust.
Robust.
Principal
Robust.
Robust.
Robust.
Robust.
Log
Terre
0.726
∗∗∗
0.719
∗∗∗
0.722
∗∗∗
0.689
∗∗∗
0.688
∗∗∗
0.311
∗∗∗
0.311
∗∗∗
0.313
∗∗∗
0.279
∗∗∗
0.277
∗∗∗
(0.087)
(0.087)
(0.087)
(0.092)
(0.091)
(0.054)
(0.054)
(0.054)
(0.055)
(0.055)
Log
Engrais
0.021
∗∗∗
0.021
∗∗∗
0.021
∗∗∗
0.021
∗∗∗
0.021
∗∗∗
0.038
∗∗∗
0.038
∗∗∗
0.038
∗∗∗
0.041
∗∗∗
0.041
∗∗∗
(0.004)
(0.004)
(0.004)
(0.004)
(0.004)
(0.006)
(0.006)
(0.006)
(0.006)
(0.006)
Log
Capital
0.064
∗∗∗
0.064
∗∗∗
0.064
∗∗∗
0.067
∗∗∗
0.068
∗∗∗
0.063
∗∗∗
0.063
∗∗∗
0.064
∗∗∗
0.062
∗∗∗
0.062
∗∗∗
(0.011)
(0.011)
(0.011)
(0.012)
(0.012)
(0.010)
(0.010)
(0.010)
(0.010)
(0.010)
Log
Betail
0.432
∗∗∗
0.430
∗∗∗
0.432
∗∗∗
0.416
∗∗∗
0.416
∗∗∗
0.413
∗∗∗
0.413
∗∗∗
0.412
∗∗∗
0.426
∗∗∗
0.427
∗∗∗
(0.024)
(0.024)
(0.025)
(0.025)
(0.025)
(0.016)
(0.016)
(0.016)
(0.016)
(0.016)
Log
Travail
0.192
∗∗∗
0.194
∗∗∗
0.197
∗∗∗
0.196
∗∗∗
0.194
∗∗∗
-0.052
∗
-0.051
∗
-0.050
∗
-0.058
∗
-0.057
∗
(0.040)
(0.040)
(0.041)
(0.042)
(0.042)
(0.030)
(0.030)
(0.030)
(0.030)
(0.030)
Log
Temp
-2.093
∗∗∗
-2.893
∗∗∗
-2.872
∗∗∗
-3.085
∗∗∗
-3.188
∗∗∗
0.042
∗
0.040
0.039
0.034
0.030
(0.456)
(1.106)
(1.106)
(1.115)
(1.116)
(0.025)
(0.026)
(0.026)
(0.025)
(0.025)
Log
Precip
0.085
∗∗
0.084
∗∗
0.125
∗
0.142
∗
0.140
∗
0.026
0.028
-0.010
-0.007
-0.007
(0.037)
(0.037)
(0.074)
(0.076)
(0.076)
(0.022)
(0.022)
(0.040)
(0.040)
(0.040)
DeviationTemp
0.011
0.010
0.019
0.020
0.001
0.002
0.002
0.002
(0.014)
(0.014)
(0.014)
(0.014)
(0.004)
(0.005)
(0.004)
(0.004)
DeviationPrecip
-0.007
-0.009
-0.009
0.007
0.006
0.005
(0.011)
(0.011)
(0.011)
(0.006)
(0.006)
(0.006)
DeviationTemp(t-1)
-0.019
∗∗∗
-0.021
∗∗∗
0.002
0.003
(0.006)
(0.006)
(0.004)
(0.004)
DeviationPrecip(t-1)
-0.009
0.007
∗∗
(0.006)
(0.003)
Constant
0.630
3.232
2.843
3.800
4.153
-1.358
∗∗∗
-1.362
∗∗∗
-1.127
∗∗
-0.862
-0.852
(1.825)
(3.751)
(3.801)
(3.836)
(3.840)
(0.511)
(0.512)
(0.553)
(0.562)
(0.561)
Observations
1076
1076
1076
1037
1037
1186
1186
1186
1142
1142
Nombre
de
pays
43
43
43
43
43
44
44
44
44
44
Effets
fixes
temps
Oui
Oui
Oui
Oui
Oui
Oui
Oui
Oui
Oui
Oui
Effets
fixes
pays
Oui
Oui
Oui
Oui
Oui
Oui
Oui
Oui
Oui
Oui
Prob
>
F
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
R
2
.806
.8061
.8062
.799
.7995
.8504
.8504
.8506
.8489
.8495
Écarts-types
entre
parenthèses
:
Significativités
:
***p
<
0.01,
**p
<
0.05,
*p
<
0.1.
IPA
est
la
Production
Agricole,
Robust.
signifie
robustesse
après
ajout
de
variables
20

Table 6 – Robustesses avec le modèle à effets aléatoires
Var. dép. : Log IPA [1] [2] [3] [4]
Principal FE Robust. RE Principal FE Robust. RE
Log Terre 0.726*** -0.060*** 0.311*** -0.045***
(0.087) (0.014) (0.054) (0.012)
Log Engrais 0.021*** 0.027*** 0.038*** 0.051***
(0.004) (0.004) (0.006) (0.006)
Log Capital 0.064*** 0.083*** 0.063*** 0.038***
(0.011) (0.011) (0.010) (0.009)
Log Betail 0.432*** 0.698*** 0.413*** 0.587***
(0.024) (0.022) (0.016) (0.013)
Log Travail 0.192*** -0.008 -0.052* -0.132***
(0.040) (0.031) (0.030) (0.019)
Log Temp -2.093*** -0.333*** 0.042* -0.036*
(0.456) (0.125) (0.025) (0.021)
Log Precip 0.085** 0.024 0.026 0.006
(0.037) (0.024) (0.022) (0.016)
Constant 0.630 2.190*** -1.358*** 1.882***
(1.825) (0.475) (0.511) (0.165)
Observations 1076 1076 1186 1186
Nombre de pays 43 43 44 44
Effets fixes temps Oui Non Oui Non
Effets fixes pays Oui Oui Oui Oui
Prob > F 0.000 0.000 0.000 0.000
R2
.806 .0514 .8504 .2806
IPA est la Production Agricole.
Robust. RE signifie robustesse avec le Random Effect
21

5.3. Hétérogénéité
Dans cette section, nous explorons les implications d’une possible source d’hétérogénéité
qui pourrait être incluse dans notre conclusion. Nous utilisons trois mesures d’hétérogénéité.
La première est basée sur l’échantillon, où nous regroupons l’ensemble des pays dont la
température est inférieure à la médiane. L’idée est de déterminer si ces pays connaı̂tront une
bonne performance agricole dans des conditions de température faible (voir Diallo (2021)
et Topeur (2023)). La deuxième consiste à explorer la présence d’un effet non linéaire des
variables climatiques sur la production agricole, comme suggéré par les travaux de Schlen-
ker and Roberts (2009), Diallo (2021), et De Bandt et al. (2021), qui évoquent un seuil
auquel l’impact de la température ou de la précipitation sur la production agricole change
de nature. La troisième mesure consiste à utiliser l’indice standardisé de précipitation-
évapotranspiration (SPEI) à la place des autres variables climatiques pour évaluer son
impact sur la production agricole. Les résultats sont consignés dans la table 7 .
Dans la colonne [1], nous observons qu’en Afrique subsaharienne (ASS), les pays dont
la température est inférieure à la médiane affichent un impact négatif et significatif de la
température sur la production agricole. Une augmentation de 1% de la température dans
cette zone se traduit par une baisse de la production agricole de l’ordre de 1,88 point
de pourcentage. Cette baisse est moindre dans ces États par rapport à celle observée dans
toute la région. Dans ces pays où la température est inférieure à la médiane, la précipitation
n’a pas d’impact sur la production agricole. Dans la colonne [5], on constate qu’en Non-
Afrique subsaharienne (NASS), les pays où la température est inférieure à la médiane ont
une production agricole tributaire de la pluviométrie. Une augmentation de 1% de la plu-
viométrie se traduit par une augmentation de 0,07 point de pourcentage de la production
agricole, même si cela est faible. La déviation de la température par rapport à la norme his-
torique impacte également négativement la production agricole des pays où la température
est inférieure à la médiane et située en ASS, ce qui n’était pas le cas pour toute la région.
Nos résultats n’ont pas pu prouver l’existence d’un effet non linéaire de nos variables
climatiques sur la production agricole, que ce soit en ASS ou en NASS. Cela signifie qu’il
n’y a pas de niveau critique ou de seuil au-delà duquel les changements dans les variables
climatiques entraı̂nent un changement significatif ou soudain dans la production agricole.
Concernant le SPEI, nous avons défini une variable muette qui est égale à 1 qui saisit les
périodes de sécheresse et 0 sinon. Les résultats montrent un impact négatif et significatif
du SPEI sur la production agricole en ASS (voir [4]). En effet, on constate que des périodes
de sécheresse accrue en Afrique subsaharienne sont associées à une baisse de 0,02 point de
pourcentage de la production agricole.
22

Table 7 – Hétérogénéité
Var. dép. : Log IPA [1] [2] [3] [4] [5] [6] [7] [8]
Médiane Temp Médiane Temp Effet seuil Sécheresse Médiane Temp Médiane Temp Effet seuil Sécheresse
Log Terre 1.179∗∗∗
1.195∗∗∗
0.713∗∗∗
0.769∗∗∗
0.749∗∗∗
0.701∗∗∗
0.355∗∗∗
0.312∗∗∗
(0.154) (0.161) (0.087) (0.087) (0.080) (0.081) (0.054) (0.054)
Log Engrais 0.015∗∗
0.013∗
0.021∗∗∗
0.022∗∗∗
0.012∗
0.021∗∗∗
0.037∗∗∗
0.039∗∗∗
(0.007) (0.007) (0.004) (0.004) (0.007) (0.007) (0.006) (0.006)
Log Capital 0.017 0.020 0.064∗∗∗
0.060∗∗∗
0.049∗∗∗
0.045∗∗∗
0.061∗∗∗
0.063∗∗∗
(0.017) (0.018) (0.012) (0.012) (0.011) (0.011) (0.010) (0.010)
Log Betail 0.392∗∗∗
0.376∗∗∗
0.433∗∗∗
0.440∗∗∗
0.376∗∗∗
0.406∗∗∗
0.413∗∗∗
0.415∗∗∗
(0.032) (0.032) (0.025) (0.025) (0.019) (0.020) (0.016) (0.016)
Log Travail 0.309∗∗∗
0.317∗∗∗
0.196∗∗∗
0.212∗∗∗
0.014 -0.010 -0.051∗
-0.052∗
(0.053) (0.054) (0.041) (0.040) (0.037) (0.037) (0.030) (0.030)
Log Temp -1.887∗∗∗
-3.031 0.040∗
0.107∗∗∗
(0.611) (4.659) (0.021) (0.038)
Log Precip 0.036 0.338 0.074∗∗
0.074
(0.052) (0.280) (0.029) (0.113)
DeviationTemp -0.015∗
0.006 0.009∗
0.013
(0.009) (0.028) (0.005) (0.009)
DeviationPrecip 0.001 0.005 0.009∗∗
0.015
(0.008) (0.016) (0.004) (0.011)
DeviationTemp(t-1) -0.023∗∗∗
0.008∗
(0.009) (0.005)
DeviationPrecip(t-1) -0.010 0.007∗
(0.008) (0.004)
LogTemp2
0.031 0.051∗∗
(0.960) (0.020)
LogPrecip2
-0.023 -0.012
(0.026) (0.014)
DeviationTemp2
0.001 -0.005∗∗∗
(0.002) (0.002)
DeviationPrecip2
-0.006∗
-0.001
(0.003) (0.002)
SPEI -0.027∗∗∗
-0.006
(0.009) (0.007)
Constant -3.918 -9.484∗∗∗
2.774 -5.957∗∗∗
-5.784∗∗∗
-4.887∗∗∗
-2.106∗∗∗
-1.072∗∗
(2.679) (1.396) (6.037) (0.774) (0.788) (0.777) (0.632) (0.488)
Observations 530 511 1076 1076 578 558 1186 1188
Nombre de pays 24 24 43 43 24 24 44 44
Effets fixes temps Oui Oui Oui Oui Oui Oui Oui Oui
Effets fixes pays Oui Oui Oui Oui Oui Oui Oui Oui
Prob > F 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
R2
.7844 .7822 .807 .8011 .8956 .8965 .8526 .8497
IPA est la Production Agriole.
Médiane Temp désigne les pays dont la température est inferieure à la médiane.
23

6. Conclusion et recommandations
Les résultats obtenus à partir de nos régressions économétriques ont permis de répondre
de manière approfondie à notre question de recherche fondamentale portant sur l’impact du
changement climatique sur la production agricole dans la région de l’Afrique Subsaharienne
et dans la région Non-Afrique Subsaharienne . Notre objectif était de déterminer si l’im-
pact du changement climatique sur la production agricole en ASS différait de celui d’autres
régions de pays en développement, en nous appuyant sur les travaux de Barrios et al. (2008).
Les pays en développement choisis pour la comparaison étaient ceux d’Asie, d’Amérique
centrale et d’Amérique du Sud. Deux hypothèses ont été formulées pour atteindre cet ob-
jectif : la première supposait un impact négatif de la température sur la production agricole
en ASS, tandis que la seconde suggérait un impact positif de la pluviométrie. Pour mesu-
rer cette relation empirique entre les variables climatiques et la production agricole, nous
avons utilisé une fonction de production classique en prenant en compte plusieurs variables
climatiques. En utilisant le modèle à effets fixes sur la spécification de base, nous avons
obtenu plusieurs résultats significatifs.
Premièrement, nos résultats montrent que tous les intrants ont un impact significa-
tif sur la production agricole dans les deux régions, que ce soit en ASS ou en NASS.
Deuxièmement, après avoir pris en compte les variables climatiques, nos résultats ont
montré qu’une hausse de température en ASS s’accompagnait d’une baisse drastique de
la production agricole de l’ordre de 2,38 points de pourcentage dans cette région, confir-
mant ainsi notre première hypothèse. Dans la même région, nous avons également constaté
que les précipitations avaient un impact positif sur la production agricole, confirmant
notre deuxième hypothèse. Alors que les périodes de température élevée en ASS étaient
préjudiciables à l’agriculture, la température en NASS était bénéfique à la production
agricole, et son agriculture n’était pas tributaire de la pluviométrie. Troisièmement, nos
résultats principaux ont survécu à plusieurs batteries de tests de robustesse. En ajoutant
plusieurs variables de contrôle supplémentaires et même en changeant d’estimateur, l’im-
pact négatif de la température sur la production agricole en ASS ainsi que l’impact positif
de la précipitation sont restés robustes.
Quatrièmement, des résultats hétérogènes ont également été observés. Dans les pays de
l’ASS avec des températures basses, les précipitations n’ont pas d’impact sur la production
agricole, tandis que dans les pays de NASS, les précipitations ont un impact positif sur
la production agricole. Contrairement à Schlenker and Roberts (2009) et Diallo (2021),
nous n’avons pas pu trouver d’effet non linéaire de nos variables climatiques sur la pro-
duction agricole dans les deux régions. Cela indique que les agriculteurs et les décideurs
politiques pourraient se concentrer sur des stratégies d’adaptation visant à atténuer les
24

effets linéaires du changement climatique plutôt que de se préoccuper de seuils spécifiques
au-delà desquels des dommages graves peuvent se produire. Quant à l’indice standardisé
de précipitation-évapotranspiration (SPEI), il s’est révélé avoir un impact négatif sur la
production agricole en ASS.
En comparant notre étude à celle de Barrios et al. (2008), des similitudes et des
différences significatives sont observées. Tandis que nos travaux et ceux de Barrios et al.
(2008) concordent sur l’impact négatif de la température sur la production agricole en ASS,
l’ampleur de cet impact dans notre étude est 3,21 fois plus élevée que celle rapportée par
Barrios et al. (2008). Alors que Barrios et al. (2008) n’ont pas identifié d’impact de la
température sur la production agricole en NASS, notre recherche révèle un impact positif
significatif de la température sur la production agricole dans cette région, résultat corro-
boré par les travaux de Deschênes and Greenstone (2007). En outre, alors que Barrios et al.
(2008) avaient mentionné dans leur conclusion l’absence d’un lien entre les précipitations
et la production agricole en NASS, nous avons trouvé des preuves empiriques indiquant
que, dans les pays dotés de faibles températures en NASS, les précipitations exercent un
impact positif sur la production agricole.
Afin d’atténuer l’impact du changement climatique sur la production agricole, les au-
torités des pays concernés doivent instaurer des politiques visant à permettre au secteur
agricole de s’adapter à cette nouvelle réalité. Ces politiques pourraient notamment consis-
ter à promouvoir l’utilisation de semences agricoles mieux adaptées aux conditions de
températures élevées et de faibles précipitations. Pour cela, il est indispensable que les
États de ces pays investissent dans la recherche pour développer ces semences. En outre, ces
efforts de recherche pourraient également conduire au développement de techniques agri-
coles plus performantes et respectueuses de l’environnement. Il est important de souligner
que le secteur agricole est un important émetteur de polluants contribuant au changement
climatique. Il est donc primordial de mettre en place des politiques environnementales,
telles que des normes, pour réduire l’utilisation de produits chimiques dans l’agriculture,
ce qui favorise le changement climatique.
25

Bibliographie
Alemu, T. and Mengistu, A. (2019). Impacts of climate change on food security in ethiopia :
adaptation and mitigation options : a review. Climate Change-Resilient Agriculture and
Agroforestry : Ecosystem Services and Sustainability, pages 397–412.
Araujo, C., Brun, J.-F., and Combes, J.-L. (2008). Econométrie. Editions Bréal, Paris, 2
edition.
Balestra, P. and Nerlove, M. (1966). Pooling cross section and time series data in the
estimation of a dynamic model : The demand for natural gas. Econometrica : Journal
of the econometric society, pages 585–612.
Bambe, B.-W.-W., Combes, J.-L., Motel, P. C., and Oweggi, C. R. (2024). Does climate
change affect firms’ innovative capacity in developing countries ?
Bandara, J. S. and Cai, Y. (2014). The impact of climate change on food crop productivity,
food prices and food security in south asia. Economic Analysis and Policy, 44(4) :451–
465.
Barrios, S., Bertinelli, L., and Strobl, E. (2010). Trends in rainfall and economic growth in
africa : A neglected cause of the african growth tragedy. The Review of Economics and
Statistics, 92(2) :350–366.
Barrios, S., Ouattara, B., and Strobl, E. (2008). The impact of climatic change on agricul-
tural production : Is it different for africa ? Food policy, 33(4) :287–298.
Breusch, T. S. and Pagan, A. R. (1980). The lagrange multiplier test and its applications
to model specification in econometrics. The review of economic studies, 47(1) :239–253.
Burke, M. and Emerick, K. (2016). Adaptation to climate change : Evidence from us
agriculture. American Economic Journal : Economic Policy, 8(3) :106–140.
Burke, M., Hsiang, S. M., and Miguel, E. (2015). Global non-linear effect of temperature
on economic production. Nature, 527(7577) :235–239.
Christensen, J. H., Carter, T. R., Rummukainen, M., and Amanatidis, G. (2007). Evalua-
ting the performance and utility of regional climate models : the prudence project.
Combes, J.-L., Combes Motel, P., and Romuald Kinda, S. (2016). Do climate mitigation
efforts hurt trade performance ? Revue d’économie politique, (5) :947–970.
Copernicus Climate Change Service (2024). Annual temperature anomalies. Dataset. With
major processing by Our World in Data. Retrieved March 9, 2024.
26

Couttenier, M. and Soubeyran, R. (2014). Drought and civil war in sub-saharan africa.
The Economic Journal, 124(575) :201–244.
Da Ndonougbo, Y. and Agbodji, E. A. (2020). Variabilité climatique en afrique de l’ouest :
Incidence de l’aide publique au développment sur la sécurité alimentaire. 5(2) :220–234.
De Bandt, O., Jacolin, L., and Thibault, L. (2021). Climate change in developing countries :
global warming effects, transmission channels and adaptation policies.
Dell, M., Jones, B. F., and Olken, B. A. (2008). Climate change and economic growth :
Evidence from the last half century. Technical report, National Bureau of Economic
Research.
Dell, M., Jones, B. F., and Olken, B. A. (2014). What do we learn from the weather ? the
new climate-economy literature. Journal of Economic literature, 52(3) :740–798.
Dellink, R., Hwang, H., Lanzi, E., and Chateau, J. (2017). International trade consequences
of climate change.
Deschênes, O. and Greenstone, M. (2007). The economic impacts of climate change : evi-
dence from agricultural output and random fluctuations in weather. American economic
review, 97(1) :354–385.
Diallo, Y. (2021). Socio-economic impacts of climate change in developing countries. PhD
thesis, Université Clermont Auvergne.
Dickey, D. A. and Fuller, W. A. (1979). Distribution of the estimators for autoregres-
sive time series with a unit root. Journal of the American statistical association,
74(366a) :427–431.
Eastin, J. (2018). Climate change and gender equality in developing states. World Deve-
lopment, 107 :289–305.
Emediegwu, L. E., Wossink, A., and Hall, A. (2022). The impacts of climate change on
agriculture in sub-saharan africa : a spatial panel data approach. World Development,
158 :105967.
Frisvold, G. and Ingram, K. (1995). Sources of agricultural productivity growth and stag-
nation in sub-saharan africa. Agricultural Economics, 13(1) :51–61.
Geethalakshmi, V., Lakshmanan, A., Rajalakshmi, D., Jagannathan, R., Sridhar, G., Ra-
maraj, A., Bhuvaneswari, K., Gurusamy, L., and Anbhazhagan, R. (2011). Climate
change impact assessment and adaptation strategies to sustain rice production in cau-
very basin of tamil nadu. Current science, pages 342–347.
27

Gornall, J., Betts, R., Burke, E., Clark, R., Camp, J., Willett, K., and Wiltshire, A.
(2010). Implications of climate change for agricultural productivity in the early twenty-
first century. Philosophical Transactions of the Royal Society B : Biological Sciences,
365(1554) :2973–2989.
Gregory, P. J., Ingram, J. S., and Brklacich, M. (2005). Climate change and food security.
Philosophical Transactions of the Royal Society B : Biological Sciences, 360(1463) :2139–
2148.
Gujarati, D. N. et al. (2003). Basic econometrics” fourth edition mcgraw-hill. New York.
Gurung, S. K., Thapa, S., Kafle, A., Dickie, D. A., and Giri, R. (2014). Copper-catalyzed
suzuki–miyaura coupling of arylboronate esters : transmetalation with (pn) cuf and iden-
tification of intermediates. Organic letters, 16(4) :1264–1267.
Hagerty, N. (2021). Adaptation to surface water scarcity in irrigated agriculture. Working
paper.
Harris, I., Osborn, T. J., Jones, P., and Lister, D. (2020). Version 4 of the cru ts monthly
high-resolution gridded multivariate climate dataset. Scientific data, 7(1) :109.
Hausman, J. A. (1978). Specification tests in econometrics. Econometrica : Journal of the
econometric society, pages 1251–1271.
Hein, L., Metzger, M. J., and Moreno, A. (2009). Potential impacts of climate change
on tourism ; a case study for spain. Current Opinion in Environmental Sustainability,
1(2) :170–178.
Hundal, S. (2007). Climatic variability and its impact on cereal productivity in indian
punjab. Current Science, pages 506–512.
Huntington, E. (1924). Civilization and climate. Yale University Press.
Im, K. S., Pesaran, M. H., and Shin, Y. (2003). Testing for unit roots in heterogeneous
panels. Journal of econometrics, 115(1) :53–74.
Jacquemot, P. (2013). Perspectives économiques pour l’afrique subsaharienne. questions
et scénarios. L’Économie politique, (3) :6–33.
Jarque, C. M. and Bera, A. K. (1987). A test for normality of observations and regression
residuals. International Statistical Review/Revue Internationale de Statistique, pages
163–172.
Ju, H., van der Velde, M., Lin, E., Xiong, W., and Li, Y. (2013). The impacts of climate
change on agricultural production systems in china. Climatic Change, 120 :313–324.
28

Knox, J., Hess, T., Daccache, A., and Wheeler, T. (2012). Climate change impacts on crop
productivity in africa and south asia. Environmental research letters, 7(3) :034032.
Kohler, T. and Maselli, D. (2009). Mountains and climate change. From understanding to
action. Geographica Bernensia.
Kpodar, K. (2007). Manuel d’initiation à stata (version 8). Computer Programs, EconWPA,
CERDI-CNRS.
Kurukulasuriya, P., Mendelsohn, R., Hassan, R., Benhin, J., Deressa, T., Diop, M., Eid,
H. M., Fosu, K. Y., Gbetibouo, G., Jain, S., et al. (2006). Will african agriculture survive
climate change ? The World Bank Economic Review, 20(3) :367–388.
Lee, J., Nadolnyak, D. A., and Hartarska, V. M. (2012). Impact of climate change on
agricultural production in asian countries : Evidence from panel study. Technical report.
Levin, A., Lin, C.-F., and Chu, C.-S. J. (2002). Unit root tests in panel data : asymptotic
and finite-sample properties. Journal of econometrics, 108(1) :1–24.
Maddala, G. S. and Wu, S. (1999). A comparative study of unit root tests with panel data
and a new simple test. Oxford Bulletin of Economics and statistics, 61(S1) :631–652.
Mano, R. and Nhemachena, C. (2007). Assessment of the economic impacts of climate
change on agriculture in zimbabwe : A ricardian approach. World Bank Policy Research
Working Paper, (4292).
Mattoo, A., Subramanian, A., Van Der Mensbrugghe, D., and He, J. (2009). Reconciling
climate change and trade policy. Center for Global Development Working Paper, (189).
Meierrieks, D. (2021). Weather shocks, climate change and human health. World Deve-
lopment, 138 :105228.
Mellinger, A. D., Sachs, J. D., and Gallup, J. L. (1999). Climate, water navigability, and
economic development. CID Working Paper Series.
Mendelsohn, R., Nordhaus, W. D., and Shaw, D. (1994). The impact of global warming
on agriculture : a ricardian analysis. The American economic review, pages 753–771.
Müller, C., Cramer, W., Hare, W. L., and Lotze-Campen, H. (2011). Climate change risks
for african agriculture. Proceedings of the national academy of sciences, 108(11) :4313–
4315.
Nordhaus, W. D. (1992). The ‘dice’model : background and structure of a dynamic inte-
grated climate-economy model of the economics of global warming.
29

Ouedraogo, M. (2012). Impact des changements climatiques sur les revenus agricoles au
burkina faso. Journal of Agriculture and Environment for International Development
(JAEID), 106(1) :3–21.
Rosselló-Nadal, J. (2014). How to evaluate the effects of climate change on tourism. Tou-
rism Management, 42 :334–340.
Schlenker, W. and Lobell, D. B. (2010). Robust negative impacts of climate change on
african agriculture. Environmental Research Letters, 5(1) :014010.
Schlenker, W. and Roberts, M. J. (2009). Nonlinear temperature effects indicate severe
damages to us crop yields under climate change. Proceedings of the National Academy
of sciences, 106(37) :15594–15598.
Scott, D., Gössling, S., and Hall, C. M. (2012). International tourism and climate change.
Wiley Interdisciplinary Reviews : Climate Change, 3(3) :213–232.
Sultan, B., Roudier, P., and Traoré, S. (2015). Les impacts du changement climatique sur
les rendements agricoles en afrique de l’ouest. Les sociétés rurales face aux changements
climatiques et environnementaux en Afrique de l’Ouest≫, Ed. IRD, pages 209–224.
Tamiotti, L. (2009). Trade and climate change : a report by the United Nations Environment
Programme and the World Trade Organization. UNEP/Earthprint.
Thornton, P. K., Jones, P. G., Alagarswamy, G., and Andresen, J. (2009). Spatial variation
of crop yield response to climate change in east africa. Global environmental change,
19(1) :54–65.
Topeur, B. (2023). Trois essais sur l’impact socio-économique du changement climatique
en Afrique subsaharienne. PhD thesis, Université Clermont Auvergne.
Vicente-Serrano, S. M., Beguerı́a, S., and López-Moreno, J. I. (2010). A multiscalar drought
index sensitive to global warming : the standardized precipitation evapotranspiration
index. Journal of climate, 23(7) :1696–1718.
Zhou, D., Tang, M., and Li, H. (2023). Investigating the nonlinear effects of climate
change on agricultural green total factor productivity : findings from the pstr approach.
Environment, Development and Sustainability, pages 1–19.
30

7. Annexes
Table 8 – Liste des pays
Panel 1 : Afrique Subsaharienne Panel 2 : Asie, Amérique centrale et sud
Angola Liberia Afghanistan Kazakhstan
Benin Madagascar Argentina Kyrgyzstan
Botswana Malawi Azerbaijan Lao
Burkina Faso Mali Bahrain Malaysia
Burundi Mauritania Bangladesh Mongolia
Cabo Verde Mauritius Belize Myanmar
Cameroon Mozambique Bhutan Nepal
Central African Republic Namibia Bolivia Nicaragua
Chad Niger Brazil Pakistan
Comoros Nigeria Cambodia Paraguay
Congo Rwanda Chile Peru
Congo, DRC Senegal China Philippines
Côte d’Ivoire Sierra Leone Colombia Republic of Korea
Equatorial Guinea Somalia Costa Rica Sri Lanka
Eritrea South Africa D. P. R. of Korea Suriname
Ethiopia Tanzania Ecuador Tajikistan
Gabon Togo El Salvador Thailand
Gambia Uganda Guatemala Turkmenistan
Ghana Zambia Guyana Uruguay
Guinea Honduras Uzbekistan
Guinea-Bissau India Venezuela
Kenya Indonesia Viet Nam
Lesotho Japan
31

Table 9 – Définitions des variables et sources
Variables Descriptions Unité Sources
IPA
C’est le niveau relatif du volume de la produc-
tion agricole pour chaque année par rapport à la
période de référence 2014-2016.
Indice FAOSTAT (2024)
Terre La somme des terres arables. 1000 ha FAOSTAT (2024)
Capital
Formation Brute de Capital Fixe : Le montant
total des dépenses engagées pour l’acquisition ou
la construction des biens d’équipement pour ac-
croı̂tre les capacités de production agricoles d’un
pays.
US $ constants 2015. FAOSTAT (2024)
Travail
Le nombre de personnes activement engagées dans
le secteur agricole.
% FAOSTAT (2024)
Bétail
C’est une estimation du nombre d’animaux dans
les fermes à partir de l’indice de production de
bétail 2014-2016 = 100.
Indice Banque Mondiale (WDI, 2024)
Engrais
La quantité d’éléments nutritifs pour les plantes
et qui participent à leur croissance et rendement.
Tonnes FAOSTAT (2024)
Precip Précipitations annuelles totales. mm3 CRU ts4.07 de Harris et al. (2020)
Temp Températures moyennes annuelles. Degrés Celsius CRU ts4.07 de Harris et al. (2020)
DeviationTemp
L’écart de la température par rapport à la
moyenne historique. L’objectif est de capter les
chocs de la température liés au changement cli-
matique.
Degrés Celsius
Calculée par les auteurs à partir des
données CRU ts4.07 de Harris et al.
(2020)
DeviationTemp(t-1)
La déviation de la température retardée permet
de prendre en compte l’impact des phénomènes
météorologiques de l’année t-1 sur l’année t.
Degrés Celsius
(2020)
DeviationPrecip
L’écart de la Précipitation par rapport à la
moyenne historique. L’objectif est de capter les
chocs de la Précipitation liés au changement cli-
matique.
mm3
(2020)
DeviationPrecip-t-1
La déviation de la précipitation retardée permet
de prendre en compte l’impact des phénomènes
météorologiques de l’année t-1 sur l’année t.
mm3
(2020)
SPEI
Prend en compte les conditions de sécheresses et
d’humidité. Lorsque cet indice est inférieur à 0, on
se trouve dans une période de sécheresse et lorsque
celui-ci est supérieur à la valeur nulle nous sommes
dans une période de forte pluviométrie.
Indice Banque Mondiale (ESG, 2024)
32

Table 10 – Impact des variables climatiques sur la production sans les intrants en ASS
Variable dép. :
Log IPA [1] [2] [3] [4]
Log Temp -3.664∗∗∗
(1.152)
Log Precip 0.160∗∗∗
(0.053)
DeviationTemp -0.036∗∗
(0.018)
DeviationPrecip 0.029∗∗∗
(0.008)
Constant 15.678∗∗∗
2.927∗∗∗
4.070∗∗∗
4.026∗∗∗
(3.663) (0.362) (0.041) (0.033)
Observations 1161 1161 1161 1161
Nombre de pays 43 43 43 43
Effets fixes temps Oui Oui Oui Oui
Effets fixes pays Oui Oui Oui Oui
Prob > F 0.000 0.000 0.000 0.000
R2
.6594 .6487 .6534 .6502
IPA est la Production Agricole.
Table 11 – Statistique descriptive du panel 2
Variable Obs. Unité Moyenne Écart-type Min Max
IPA 1215 Indice 83.087 21.593 21.91 166.59
Terre 1215 1000 ha 42121.74 90799.558 8.1 528217.6
Engrais 1215 Tonne 1315777 4453920.9 100 30981667
Capital 1215 1000 $ US 6186.804 19705.134 0 169852.99
Betail 1215 Indice 82.191 25.938 11.41 182.65
Travail 1215 % 32.507 18.717 1 85.4
Temp 1215 °C 19.462 7.774 -.413 29.151
Precip 1215 Mm3 1482.961 852.589 19.292 3603.058
DeviationTemp 1215 °C 2.09 1.235 -1.741 5.566
DeviationPrecip 1215 Mm3 .017 1.021 -3.488 3.08
SPEI 1215 Indice -.197 1.083 -3.073 2.796
33

Figure 3 – Distribution de la déviation de la température
Figure 4 – Distribution de la déviation de la précipitation
34

Figure 5 – La déviation de la température moyenne en surface de 2021 par rapport à la
moyenne de 1991 à 2020, en degrés Celsius, en Afrique et en Asie.
Source : Copernicus Climate Change Service (2024)
35

Changement_climatique_et_production_agricole.pdf

Recommandé

Recommandé

Contenu connexe

Similaire à Changement_climatique_et_production_agricole.pdf

Similaire à Changement_climatique_et_production_agricole.pdf (20)

Changement_climatique_et_production_agricole.pdf