PRUD – projet n° 37 – rapport scientifique final (janvier ... - gemdev

PRUD – projet n° 37 – rapport scientifique final (janvier 2004)Denguélé (Odienné) 0,15 93 73 0,07 0,01 0,57 0,34 5 540 2,29Marahoué (Bouaflé) 0,17 202 140 - 0,02 - 0,46 14 348 1,20Moyen-Comoé0,30 171 59 0,15 0,04 0,72 0,60 11 554 1,29(Abengourou)N’Zi-Comoé (Dimbokro) 0,26 83 47 - 0,02 - 0,53 5 962 1,08Savanes (Korhogo) 0,21 162 75 0,05 0,01 0,63 0,45 7 661 0,92Sud-Bandama (Divo) 0,18 223 180 - 0,02 - 0,56 14 225 1,12Vallée du Bandama 0,20 105 38 0,13 0,38 0,72 0,67 10 556 0,96(Bouaké)Worodougou (Séguéla) 0,17 206 128 - 0,00 - 0,38 7 183 1,57Zanzan (Bondoukou) 0,21 237 111 0,04 0,01 0,53 0,31 6 768 1,22Sud-Comoé (Aboisso) 0,28 168 35 - 0,02 - 0,56 7 488 1,11Haut-Sassandra (Daloa) 0,24 200 127 0,26 0,05 0,78 0,66 14 379 0,77Moyenne nationale 0,23 161 90 0,15 0,07 0,71 0,51 11 473 1,16Ecart-type 0,07 58 51 0,27 0,11 0,11 0,10 5 257 0,39Source : Banque de données urbaines (BDUR) du BNETD, Sanogo (2001), Calculs de l’auteur.Note : les capitales régionales sont indiquées entre parenthèses.Le tableau 5 récapitule l’ensemble des indicateurs par région. Pour comprendre les différences ou lessimilitudes entre les régions, les caractéristiques des indicateurs ont été appréhendées par uneanalyse en composantes principales (ACP). L’ACP est l’analyse de la manière dont les individus (lesrégions) caractérisés par un ensemble de variables (les indicateurs d’infrastructures) s’écartent del’individu moyen représenté par les variables moyennes (Bry, 1993) 10 . Cette technique « fournit desbases objectives pour synthétiser un grand nombre de caractéristiques, et ceci d’autant plus que cescaractéristiques sont liées entre elles » (Isard, 1972, tome 2). Elle présente ainsi l’avantage desupprimer les redondances entre variables explicatives dans le cas d’un modèle économétrique. Sicertaines régions possèdent le même facteur (c’est-à-dire un ensemble de variables) et de fortescorrélations entre leurs ensembles de caractéristiques, elles constituent une typologie de régions.L’analyse des axes factoriels de l’ACP conduit aux résultats préliminaires récapitulés dans le tableauci-dessous ; chaque facteur (F) indique les oppositions entre les régions caractérisées par lesindicateurs d’infrastructures. Pour l’ensemble des indicateurs, les facteurs 1 à 5 contribuentcumulativement à 91% de la dispersion des variables. Les axes 1 et 2 représentent 62% de cettecontribution 11 . Afin d’alléger l’interprétation et faciliter la représentation des données dans le planfactoriel, l’on retient ces deux facteurs.Tableau 6 : Analyse des principales différences des dotations régionales en infrastructuresFacteurs(F)ContributionCoordonnées positivesCoordonnées négatives(%) Régions* Indicateurs* Régions* Indicateurs*F1 42,1 WOR, ZAN, DEN,MAR, SBA, BASF2 61,5 BAS, HSA, SBA,LAG, MONRAT, POST, EAU LAG, VAL, LAC CLA1, CLA2, ELE2,RTE, CD, ELE1CD, EAU, POSTNCO, SCO, DEN,AGN , LACRTE10 Les fondements mathématiques de cette méthode d’analyse, dans lesquels nous n’entrons pas ici, sontdéveloppés dans Bry (1993) : Méthodes euclidiennes pour l’analyse des données, Tome 1 : Les bases, ENSEA,Abidjan.11 En vue de tester la différence d’interprétation qui pourrait exister entre les variables de nombre d’écolesprimaires (ECO1) et secondaires (ECO2) au Km 2 et celles de nombre de classes primaires et secondaires auKm 2 que nous avons retenues, nous avons remplacé les secondes par les premières dans l’ACP. Les résultatsindiquent que les 5 premiers facteurs contribuent encore à 85% de l’analyse alors que la représentativitécumulée des 2 premiers axes baisse légèrement à 62% sans toutefois varier selon que l’on utilise ECO1 etECO2 ou CLA1 et CLA2. Le nuage de points montre d’ailleurs que ECO1 et CLA1, respectivement ECO2 etCLA2 ont les mêmes coordonnées sur le plan factoriel constitué par les axes 1 et 2. On en déduit donc que cesindicateurs expliquent invariablement l’accessibilité aux services d’éducation.16