Ce chapitre analyse les activités agricoles, d’élevage, de chasse et de pêche des ménages des deux observatoires. Le chapitre sur les revenus présente déjà les contributions de ces activités au revenu total ; ici nous nous intéressons aux pratiques, aux facteurs de production et aux performances.
Les résultats présentés ci-dessous sont provisoires, et sont susceptibles de faire l’objet de corrections.
La riziculture est l’activité agricole dominante dans les deux observatoires.
Dans l’Alaotra, 58.3 % des ménages pratiquent la riziculture. Les riziculteurs exploitent en moyenne 1.4 parcelles (superficie moyenne de 57 ares).
A Marovoay, 73.6 % des ménages pratiquent la riziculture. Les riziculteurs exploitent en moyenne 1.7 parcelles (superficie moyenne de 68 ares).
res_r1 |>
summarise(
`Nb ménages` = n(),
`Pratiquent (nb)` = sum(r1a == 1, na.rm = TRUE),
`Pratiquent (%)` = round(sum(r1a == 1, na.rm = TRUE) / n() * 100, 1),
.by = Observatory
) |>
gt() |>
tab_header(title = "Pratique de la riziculture")| Pratique de la riziculture | |||
| Observatory | Nb ménages | Pratiquent (nb) | Pratiquent (%) |
|---|---|---|---|
La location et le métayage, qui témoignent d’un marché foncier actif, sont plus ou moins répandus selon l’observatoire.
Dans l’Alaotra, le mode de faire valoir dominant est le faire valoir direct (59.7 % des parcelles).
A Marovoay, le mode de faire valoir dominant est le faire valoir direct (46.5 % des parcelles).
res_r |>
filter(!is.na(r4)) |>
mutate(Tenure = factor(as.character(r4), levels = names(tenure_labs), labels = tenure_labs)) |>
count(Observatory, Tenure) |>
mutate(pct = round(n / sum(n) * 100, 1), .by = Observatory) |>
expand_sites_for_profile() |>
make_bar_obs(x = Tenure, y_label = "% des parcelles")
La gestion de l’eau est un enjeu central de la riziculture.
res_r |>
filter(!is.na(r11b)) |>
mutate(Probleme = factor(as.character(r11b), levels = names(eau_labs), labels = eau_labs)) |>
count(Observatory, Probleme) |>
mutate(pct = round(n / sum(n) * 100, 1), .by = Observatory) |>
expand_sites_for_profile() |>
make_bar_obs(x = Probleme, y_label = "% des parcelles")
Le choix de la technique est étroitement lié aux conditions hydrologiques, à la topographie et à l’accès aux intrants.
Dans l’Alaotra, la technique culturale prédominante est le repiquage traditionnel (56 % des parcelles).
A Marovoay, la technique culturale prédominante est le repiquage traditionnel (97 % des parcelles).
res_r |>
filter(!is.na(r13)) |>
mutate(Technique = factor(as.character(r13), levels = names(tech_labs), labels = tech_labs)) |>
count(Observatory, Technique) |>
mutate(pct = round(n / sum(n) * 100, 1), .by = Observatory) |>
expand_sites_for_profile() |>
make_bar_obs(x = Technique, y_label = "% des parcelles")
res_r |>
filter(!is.na(r40)) |>
mutate(Engrais = factor(as.character(r40), levels = names(fert_labs), labels = fert_labs)) |>
count(Observatory, Engrais) |>
mutate(pct = round(n / sum(n) * 100, 1), .by = Observatory) |>
expand_sites_for_profile() |>
make_bar_obs(x = Engrais, y_label = "% des parcelles")
Le rendement rizicole reflète à la fois les conditions agro-écologiques locales et le degré d’intensification des pratiques.
Dans l’Alaotra, le rendement rizicole médian s’établit à 2.5 t/ha (hors 5 % des valeurs extrêmes).
A Marovoay, le rendement rizicole médian s’établit à 1.2 t/ha (hors 5 % des valeurs extrêmes).
res_r |>
filter(!is.na(r23), r23 > 0, !is.na(r1d), r1d > 0) |>
mutate(rendement_tha = (r23 / r1d) * 100 / 1000) |>
filter(rendement_tha < quantile(rendement_tha, 0.95, na.rm = TRUE)) |>
expand_sites_for_profile() |>
ggplot(aes(x = Observatory, y = rendement_tha, fill = Observatory)) +
geom_boxplot(alpha = 0.7) +
facet_wrap(~Observatory) +
labs(x = NULL, y = "Rendement (t/ha)", fill = "Observatoire") +
theme_ror() +
theme(legend.position = "none")
res_r |>
filter(!is.na(r23), r23 > 0) |>
expand_sites_for_profile() |>
ggplot(aes(x = r23)) +
geom_histogram(fill = "#2c7bb6", bins = 40) +
facet_wrap(~Observatory) +
scale_x_continuous(
labels = label_comma(),
limits = c(0, quantile(res_r[["r23"]][res_r[["r23"]] > 0], 0.95, na.rm = TRUE))
) +
labs(x = "Production de paddy (kg)", y = "Nombre de parcelles") +
theme_ror()
La position topographique de la parcelle (bas-fond, plaine, tanety) détermine en grande partie les possibilités de maîtrise de l’eau et le calendrier cultural. La répartition des saisons de culture reflète les stratégies d’adaptation des riziculteurs à la variabilité pluviométrique.
res_r |>
filter(!is.na(r10x)) |>
mutate(Topographie = factor(as.character(r10x), levels = names(topo_labs), labels = topo_labs)) |>
count(Observatory, Topographie) |>
mutate(pct = round(n / sum(n) * 100, 1), .by = Observatory) |>
expand_sites_for_profile() |>
make_bar_obs(x = Topographie, y_label = "% des parcelles")
saison_labs <- c(
"1" = "Saison principale", "2" = "Contre saison", "3" = "Saison intermédiaire"
)
res_r |>
filter(!is.na(r42)) |>
mutate(Saison = factor(as.character(r42), levels = names(saison_labs), labels = saison_labs)) |>
count(Observatory, Saison) |>
mutate(pct = round(n / sum(n) * 100, 1), .by = Observatory) |>
expand_sites_for_profile() |>
ror_bar_v(x = Saison, y_label = "% des parcelles")
origine_semence |>
make_bar_obs(x = Origine, y_label = "% des parcelles")
La commercialisation du paddy est une source de revenu majeure. Le calendrier et le prix de vente sont déterminants pour le revenu rizicole net.
Dans l’Alaotra, 41.7 % des ménages déclarent avoir vendu du riz au cours de la campagne.
A Marovoay, 44.2 % des ménages déclarent avoir vendu du riz au cours de la campagne.
res_dc20 |>
summarise(
`Nb ménages` = n(),
`Ont vendu (nb)` = sum(dcva == 1, na.rm = TRUE),
`Ont vendu (%)` = round(sum(dcva == 1, na.rm = TRUE) / n() * 100, 1),
.by = Observatory
) |>
gt() |>
tab_header(title = "Vente de riz (paddy ou blanc)")| Vente de riz (paddy ou blanc) | |||
| Observatory | Nb ménages | Ont vendu (nb) | Ont vendu (%) |
|---|---|---|---|
res_dc21 |>
filter(!is.na(dc21), dc21 >= 1, dc21 <= 12) |>
count(Observatory, Mois = dc21) |>
mutate(
Mois_lab = factor(Mois, levels = 1:12, labels = mois_labs),
pct = round(n / sum(n) * 100, 1),
.by = Observatory
) |>
expand_sites_for_profile() |>
ror_bar_v(x = Mois_lab, y_label = "% des transactions")
res_dc21 |>
filter(!is.na(dc24), dc24 > 0, dc24 < quantile(dc24, 0.98, na.rm = TRUE)) |>
expand_sites_for_profile() |>
ggplot(aes(x = dc24)) +
geom_histogram(fill = "#2c7bb6", bins = 30) +
facet_wrap(~Observatory) +
labs(x = "Prix du paddy (Ar/kg)", y = "Nombre de transactions") +
theme_ror()
Le bilan rizicole reconstitue les flux de paddy au niveau du ménage : stock initial, production, transactions (achat, vente, rente, dons), autoconsommation alimentaire, utilisation en semences, et stock final.
La diversification culturale est un enjeu central pour la résilience alimentaire et économique des ménages.
Dans l’Alaotra, au-delà du riz, 52 % des ménages pratiquent au moins une culture non rizicole.
A Marovoay, au-delà du riz, 28.8 % des ménages pratiquent au moins une culture non rizicole.
res_c0 |>
summarise(
`Nb ménages` = n(),
`Pratiquent (nb)` = sum(c1a == 1, na.rm = TRUE),
`Pratiquent (%)` = round(sum(c1a == 1, na.rm = TRUE) / n() * 100, 1),
.by = Observatory
) |>
gt() |>
tab_header(title = "Pratique des cultures non rizicoles")| Pratique des cultures non rizicoles | |||
| Observatory | Nb ménages | Pratiquent (nb) | Pratiquent (%) |
|---|---|---|---|
Le portefeuille de cultures reflète les opportunités de marché et les conditions pédoclimatiques propres à chaque observatoire.
Dans l’Alaotra, les ménages cultivent un nombre médian de 1 cultures non rizicoles.
A Marovoay, les ménages cultivent un nombre médian de 1 cultures non rizicoles.
res_c |>
filter(c0 != "", !is.na(c0)) |>
distinct(j5, Observatory, c0) |>
count(j5, Observatory, name = "nb_cultures") |>
expand_sites_for_profile() |>
count(Observatory, nb_cultures, name = "n_men") |>
mutate(pct = round(n_men / sum(n_men) * 100, 1), .by = Observatory) |>
ror_bar_v(x = nb_cultures, y_label = "% des ménages")
top_cultures_plot |>
make_bar_obs(x = Culture, y_label = "% des ménages")
L’accès aux engrais (organiques et chimiques) est un facteur déterminant de la productivité des cultures non rizicoles. Les pratiques de fertilisation diffèrent sensiblement entre les deux observatoires en raison de l’accessibilité et du coût des intrants.
res_c |>
filter(c0 != "", !is.na(c0), !is.na(c36)) |>
mutate(Engrais = factor(as.character(c36), levels = names(fert_c_labs), labels = fert_c_labs)) |>
count(Observatory, Engrais) |>
mutate(pct = round(n / sum(n) * 100, 1), .by = Observatory) |>
expand_sites_for_profile() |>
make_bar_obs(x = Engrais, y_label = "% des parcelles")
res_c |>
filter(c0 != "", !is.na(c0), !is.na(c2), c2 > 0) |>
mutate(Culture = str_to_title(c0)) |>
summarise(
`Nb parcelles` = n(),
`Production moy. (kg)` = round(mean(c2, na.rm = TRUE)),
`% vendu (moy.)` = round(mean(c4a, na.rm = TRUE), 1),
`Montant vente moy. (Ar)` = round(mean(c6b[c6b > 0], na.rm = TRUE)),
.by = c(Observatory, Culture)
) |>
filter(`Nb parcelles` >= 5) |>
arrange(Observatory, desc(`Nb parcelles`)) |>
gt() |>
tab_header(title = "Production et ventes des principales cultures non rizicoles") |>
fmt_number(columns = c(`Production moy. (kg)`, `Montant vente moy. (Ar)`),
use_seps = TRUE, decimals = 0)| Production et ventes des principales cultures non rizicoles | |||||
| Observatory | Culture | Nb parcelles | Production moy. (kg) | % vendu (moy.) | Montant vente moy. (Ar) |
|---|---|---|---|---|---|
Au-delà des mesures quantitatives, la perception subjective des rendements par les agriculteurs constitue un indicateur complémentaire de la performance de la campagne. Elle reflète à la fois les résultats objectifs et les attentes des producteurs.
perc <- res_c0 |>
filter(c1a == 1, !is.na(c20)) |>
mutate(Perception = safe_to_char(c20)) |>
count(Observatory, Perception) |>
mutate(pct = round(n / sum(n) * 100, 1), .by = Observatory) |>
select(-n) |>
pivot_wider(names_from = Observatory, values_from = pct, values_fill = 0) |>
mutate(Indicateur = "Rendement cette campagne", .before = 1) |>
rename(Modalite = Perception)
evol <- res_c0 |>
filter(c1a == 1, !is.na(c21)) |>
mutate(Evolution = safe_to_char(c21)) |>
count(Observatory, Evolution) |>
mutate(pct = round(n / sum(n) * 100, 1), .by = Observatory) |>
select(-n) |>
pivot_wider(names_from = Observatory, values_from = pct, values_fill = 0) |>
mutate(Indicateur = "Par rapport a l'an dernier", .before = 1) |>
rename(Modalite = Evolution)
bind_rows(perc, evol) |>
gt() |>
tab_header(title = "Perception des rendements des cultures non rizicoles (% des pratiquants)")| Perception des rendements des cultures non rizicoles (% des pratiquants) | |||
| Indicateur | Modalite | Alaotra | Marovoay |
|---|---|---|---|
Les jardins potagers et la cueillette de produits sauvages complètent les activités agricoles des ménages. Ils jouent un rôle important dans la diversification alimentaire, en particulier pendant la période de soudure.
pct_oui(res_jpchphef, "jpa", "Jardin potager") |>
bind_rows(pct_oui(res_jpchphef, "efa", "Exploitation forestière")) |>
gt() |>
tab_header(title = "Taux de pratique (% des ménages)") |>
cols_label(Item = "Activité")| Taux de pratique (% des ménages) | |||
| Activité | Alaotra | Marovoay | Total |
|---|---|---|---|
top_jardin_plot |>
make_bar_obs(x = Produit, y_label = "% des ménages")
L’exploitation des ressources forestières (bois de chauffe, charbon, bois d’œuvre, plantes médicinales) constitue une activité complémentaire pour de nombreux ménages. Les produits forestiers sont essentiels à la fois comme source d’énergie domestique et comme revenu d’appoint.
produits_foret |>
make_bar_obs(x = Produit, y_label = "% des ménages")
L’élevage remplit des fonctions multiples : épargne sur pied, force de travail, autoconsommation et source de revenu.
Dans l’Alaotra, L’élevage est pratiqué par 65.4 % des ménages.
A Marovoay, L’élevage est pratiqué par 72.3 % des ménages.
res_el2 |>
summarise(
`Nb ménages` = n(),
`Pratiquent (nb)` = sum(el2 == 1, na.rm = TRUE),
`Pratiquent (%)` = round(sum(el2 == 1, na.rm = TRUE) / n() * 100, 1),
.by = Observatory
) |>
gt() |>
tab_header(title = "Pratique de l'élevage")| Pratique de l'élevage | |||
| Observatory | Nb ménages | Pratiquent (nb) | Pratiquent (%) |
|---|---|---|---|
Le choix des espèces reflète les conditions agro-écologiques, les traditions locales et les opportunités de marché.
Dans l’Alaotra, L’espèce la plus élevée est le Kisoa.
A Marovoay, L’espèce la plus élevée est le Omby Miasa.
especes_elevage |>
make_bar_obs(x = Espece, y_label = "% des ménages")
L’élevage répond à trois objectifs principaux : l’épargne/assurance (constitution d’un capital mobilisable en cas de choc), l’autoconsommation (lait, œufs, viande) et la vente. La hiérarchie de ces objectifs varie selon l’espèce.
obj_labs <- c(ele5a = "Épargne / assurance", ele5b = "Autoconsommation", ele5c = "Vente")
res_ele |>
filter(ele_lig0 != "", !is.na(ele_lig0)) |>
mutate(Espece = str_to_title(ele_lig0)) |>
pivot_longer(cols = c(ele5a, ele5b, ele5c), names_to = "Objectif_code", values_to = "val") |>
filter(val == 1) |>
mutate(Objectif = obj_labs[Objectif_code]) |>
count(Espece, Objectif) |>
ggplot(aes(x = reorder(Espece, n), y = n, fill = Objectif)) +
geom_col(position = "fill") +
coord_flip() +
scale_y_continuous(labels = percent) +
labs(x = NULL, y = "Répartition des objectifs", fill = "Objectif") +
theme_ror()
La dynamique du cheptel dépend des entrées (naissances, achats) et des sorties (ventes, pertes, abattages). Les pertes d’animaux, liées aux maladies, au vol ou aux catastrophes naturelles, représentent un risque économique majeur pour les éleveurs.
res_ele |>
filter(!is.na(ele_i1), ele_i1 > 0, ele_lig0 != "", !is.na(ele_lig0)) |>
mutate(Espece = str_to_title(ele_lig0)) |>
summarise(
`Nb transactions` = n(),
`Nb animaux vendus` = sum(ele_i1, na.rm = TRUE),
`Valeur totale (Ar)` = sum(ele_i2, na.rm = TRUE),
.by = c(Observatory, Espece)
) |>
arrange(Observatory, desc(`Valeur totale (Ar)`)) |>
gt() |>
tab_header(title = "Ventes d'animaux par espèce et observatoire") |>
fmt_number(columns = c(`Nb animaux vendus`, `Valeur totale (Ar)`),
use_seps = TRUE, decimals = 0)| Ventes d'animaux par espèce et observatoire | ||||
| Observatory | Espece | Nb transactions | Nb animaux vendus | Valeur totale (Ar) |
|---|---|---|---|---|
pertes_elevage |>
make_bar_obs(x = Espece, y = n, show_pct = FALSE,
y_label = "Nb ménages ayant subi des pertes")
Outre la vente d’animaux sur pied, l’élevage génère des produits dérivés (lait, œufs, miel, fumier) qui contribuent à l’alimentation et aux revenus du ménage.
La chasse et la pêche constituent des activités complémentaires, souvent saisonnières, qui contribuent à la diversification alimentaire et au revenu, en particulier dans les zones proches des plans d’eau.
Dans l’Alaotra, Ces activités sont pratiquées par 18.3 % des ménages.
A Marovoay, Ces activités sont pratiquées par 34.5 % des ménages.
pct_oui(res_jpchphef, "chapha", "Chasse / Pêche") |>
gt() |>
tab_header(title = "Pratique de la chasse et de la pêche (% des ménages)") |>
cols_label(Item = "Activité")| Pratique de la chasse et de la pêche (% des ménages) | |||
| Activité | Alaotra | Marovoay | Total |
|---|---|---|---|
chasse_especes |>
make_bar_obs(x = Espece, y = n, show_pct = FALSE,
y_label = "Nombre de mentions")
chasse_raison |>
make_bar_obs(x = Raison, y_label = "% des mentions")
La fréquence de pêche et son calendrier saisonnier dépendent du régime hydrologique local. Les périodes de hautes eaux correspondent généralement à une activité de pêche plus intense.
frequence_peche |>
make_bar_obs(x = Frequence, y_label = "% des mentions")
chph6_cols <- paste0("chph6_", sprintf("%02d", 1:12))
chph6_cols <- chph6_cols[chph6_cols %in% names(res_chph)]
if (length(chph6_cols) > 0) {
res_chph |>
filter(chph_lib != "", !is.na(chph_lib)) |>
select(j5, Observatory, all_of(chph6_cols)) |>
pivot_longer(all_of(chph6_cols), names_to = "mois_code", values_to = "val") |>
filter(val == 1) |>
mutate(Mois = factor(
as.integer(str_extract(mois_code, "\\d+$")),
levels = 1:12, labels = mois_labs
)) |>
count(Observatory, Mois) |>
expand_sites_for_profile() |>
ror_bar_v(x = Mois, y = n, show_pct = FALSE,
y_label = "Nombre de mentions")
}
L’ampleur du recours à la main d’œuvre extérieure dépend de la superficie cultivée, du type de culture et de la disponibilité de main d’œuvre familiale.
Dans l’Alaotra, Le recours à la main d’œuvre extérieure (salariée ou par entraide) concerne 46.8 % des ménages.
A Marovoay, Le recours à la main d’œuvre extérieure (salariée ou par entraide) concerne 58.8 % des ménages.
mo_np <- pct_oui(res_mp0, "mora", "Main d'oeuvre non permanente")
mp0_col <- intersect(c("mp0", "mp0a"), names(res_mp0))[1]
if (!is.na(mp0_col)) {
mo_p <- pct_oui(res_mp0, mp0_col, "Main d'oeuvre permanente")
bind_rows(mo_np, mo_p) |>
gt() |>
tab_header(title = "Recours à la main d'oeuvre agricole (% des ménages)") |>
cols_label(Item = "Type")
} else {
mo_np |>
gt() |>
tab_header(title = "Recours à la main d'oeuvre non permanente (% des ménages)") |>
cols_label(Item = "Type")
}| Recours à la main d'oeuvre agricole (% des ménages) | |||
| Type | Alaotra | Marovoay | Total |
|---|---|---|---|
Les trois opérations rizicoles principales (travail du sol, sarclage, moisson) mobilisent des volumes de main d’œuvre différents. Le salaire journalier et le recours à l’entraide varient sensiblement selon l’opération et l’observatoire.
op_names <- c("Asa tany" = "Travail du sol", "Mijinja" = "Sarclage", "Manetsa" = "Moisson")
tbl_mo <- res_mor |>
filter(mo1_lib != "", !is.na(mo1_lib)) |>
mutate(
Operation = if_else(mo1_lib %in% names(op_names), op_names[mo1_lib], mo1_lib)
) |>
summarise(
Salariee_pct = round(sum(mor1 == 1, na.rm = TRUE) / sum(!is.na(mor1)) * 100, 1),
Entraide_pct = round(sum(mor2 == 1, na.rm = TRUE) / sum(!is.na(mor2)) * 100, 1),
Salaire_moy = round(mean(mor12[mor1 == 1], na.rm = TRUE)),
.by = c(Observatory, Operation)
) |>
arrange(Operation, Observatory)
tbl_mo |>
gt() |>
cols_label(
Salariee_pct = "Salariee (%)",
Entraide_pct = "Entraide (%)",
Salaire_moy = "Salaire moyen (Ar)"
) |>
fmt_number(columns = Salaire_moy, use_seps = TRUE, decimals = 0)| Observatory | Operation | Salariee (%) | Entraide (%) | Salaire moyen (Ar) |
|---|---|---|---|---|
Le recours à la main d’œuvre permanente (salariés employés à l’année) reste minoritaire et concerne principalement les exploitations les plus grandes. Les conditions d’emploi (salaire, logement, nourriture) reflètent le marché du travail agricole local.
act_labs <- c(
mp3a = "Riziculture", mp3b = "Autres cultures",
mp3c = "Élevage", mp3d = "Autres activités", mp3e = "Aide ménagère"
)
res_mp |>
filter(!is.na(mp41) | !is.na(mp42)) |>
mutate(Sexe = safe_to_char(mp7)) |>
pivot_longer(cols = c(mp3a, mp3b, mp3c, mp3d, mp3e),
names_to = "act_code", values_to = "val") |>
filter(val == 1) |>
mutate(Activite = act_labs[act_code]) |>
summarise(
`Nb employés` = n_distinct(j5, mp_lig),
`Salaire moyen argent (Ar)` = round(mean(mp41, na.rm = TRUE)),
`Salaire moyen nature (Ar)` = round(mean(mp42, na.rm = TRUE)),
.by = c(Observatory, Activite)
) |>
arrange(Observatory, desc(`Nb employés`)) |>
gt() |>
tab_header(title = "Main d'œuvre permanente par type d'activité") |>
fmt_number(columns = c(`Salaire moyen argent (Ar)`, `Salaire moyen nature (Ar)`),
use_seps = TRUE, decimals = 0)| Main d'œuvre permanente par type d'activité | ||||
| Observatory | Activite | Nb employés | Salaire moyen argent (Ar) | Salaire moyen nature (Ar) |
|---|---|---|---|---|
Les ménages les plus aisés cultivent-ils des cultures différentes ? On croise ici les familles de cultures avec les quintiles de revenu courant du ménage.
# Calcul des revenus pour 2025
source("utils/calc_incomes_all_years.R")
inc_agro <- compute_income_year(2025) |>
mutate(j5 = as.character(j5))
# Quintiles de revenu courant par observatoire
quintiles <- inc_agro |>
left_join(res_deb |> select(j5, Observatory), by = "j5") |>
mutate(
Quintile = ntile(revcou, 5),
Quintile = paste0("Q", Quintile),
.by = Observatory
) |>
select(j5, Observatory, Quintile)
# Fonction de regroupement en familles de cultures
crop_family <- function(code) {
code <- as.integer(code)
case_when(
code %in% 102:199 ~ "Autres céréales",
code %in% 200:299 ~ "Tubercules",
code %in% 300:399 ~ "Légumes",
code %in% 400:499 ~ "Légumineuses",
code %in% 500:599 ~ "Fruits",
code %in% 600:799 ~ "Cultures industrielles / rente",
TRUE ~ "Autre"
)
}
# Croisement cultures × quintile
cult_quint <- res_c |>
filter(!is.na(c1)) |>
mutate(j5 = as.character(j5), Famille = crop_family(c1)) |>
left_join(quintiles |> select(j5, Quintile), by = "j5") |>
filter(!is.na(Quintile)) |>
expand_sites_for_profile() |>
count(Observatory, Quintile, Famille) |>
mutate(pct = round(n / sum(n) * 100, 1), .by = c(Observatory, Quintile))
cult_quint |>
filter(Famille != "Autre") |>
ggplot(aes(x = Quintile, y = pct, fill = Famille)) +
geom_col() +
facet_wrap(~Observatory) +
labs(x = "Quintile de revenu courant", y = "% des parcelles cultivées", fill = "Famille") +
theme_ror() +
theme(legend.position = "top")
res_c |>
filter(!is.na(c1)) |>
mutate(j5 = as.character(j5)) |>
count(j5, name = "nb_cultures") |>
left_join(quintiles, by = "j5") |>
filter(!is.na(Quintile)) |>
summarise(
n_men = n(),
nb_cult_moy = round(mean(nb_cultures), 1),
.by = c(Observatory, Quintile)
) |>
pivot_wider(names_from = Quintile, values_from = c(n_men, nb_cult_moy)) |>
gt() |>
tab_header(title = "Diversification des cultures non rizicoles selon le quintile de revenu")| Diversification des cultures non rizicoles selon le quintile de revenu | ||||||||||
| Observatory | n_men_Q5 | n_men_Q1 | n_men_Q4 | n_men_Q2 | n_men_Q3 | nb_cult_moy_Q5 | nb_cult_moy_Q1 | nb_cult_moy_Q4 | nb_cult_moy_Q2 | nb_cult_moy_Q3 |
|---|---|---|---|---|---|---|---|---|---|---|
Les fichiers rizicoles (res_r) et d’élevage (res_el2) couvrent la quasi-totalité des campagnes depuis 1995. On retrace ici l’évolution de la production rizicole moyenne par ménage, du rendement (lorsque la surface est disponible) et du taux de pratique de l’élevage.
if ("prod_moy" %in% names(agro_trends)) {
ggplot(mapping = aes(x = year, y = prod_moy, colour = Observatory)) +
geom_line(data = agro_solid |> filter(!is.na(prod_moy)), linewidth = 0.8) +
geom_line(data = agro_gap |> filter(!is.na(prod_moy)), linewidth = 0.8, linetype = "31") +
geom_point(data = agro_trends |> filter(!is.na(prod_moy)), size = 2) +
scale_x_continuous(breaks = seq(1995, 2025, 5)) +
scale_y_continuous(labels = scales::label_comma()) +
labs(x = NULL, y = "Production rizicole moyenne (kg/ménage)", colour = "Observatoire") +
theme_ror()
}
if ("rdt_moy" %in% names(agro_trends)) {
rdt_data <- agro_trends |> filter(!is.na(rdt_moy))
if (nrow(rdt_data) > 1) {
rdt_solid <- rdt_data |> filter(year <= 2015)
rdt_gap <- rdt_data |> filter(year %in% c(2015, 2025))
ggplot(mapping = aes(x = year, y = rdt_moy, colour = Observatory)) +
geom_line(data = rdt_solid, linewidth = 0.8) +
geom_line(data = rdt_gap, linewidth = 0.8, linetype = "31") +
geom_point(data = rdt_data, size = 2) +
scale_x_continuous(breaks = seq(1995, 2025, 5)) +
labs(x = NULL, y = "Rendement moyen (kg/are)", colour = "Observatoire") +
theme_ror()
}
}
if ("pct_elevage" %in% names(agro_trends)) {
el_data <- agro_trends |> filter(!is.na(pct_elevage))
el_solid <- el_data |> filter(year <= 2015)
el_gap <- el_data |> filter(year %in% c(2015, 2025))
ggplot(mapping = aes(x = year, y = pct_elevage, colour = Observatory)) +
geom_line(data = el_solid, linewidth = 0.8) +
geom_line(data = el_gap, linewidth = 0.8, linetype = "31") +
geom_point(data = el_data, size = 2) +
scale_x_continuous(breaks = seq(1995, 2025, 5)) +
scale_y_continuous(limits = c(0, 100)) +
labs(x = NULL, y = "% de ménages pratiquant l'élevage", colour = "Observatoire") +
theme_ror()
}
Les séries longues mettent en évidence des tendances structurelles : évolution de la production rizicole par ménage, variation des rendements en lien avec les aléas climatiques et l’intensification des pratiques, et évolution du taux de pratique de l’élevage. La rupture de série entre 2015 et 2025 (représentée en pointillés) invite à la prudence dans l’interprétation.
Les données collectées offrent des possibilités d’analyse supplémentaires qui n’ont pas été développées dans ce chapitre, faute de certitude sur leur pertinence ou par manque de recul sur la qualité des variables concernées. On peut notamment mentionner :
res_dc20) : les variables vs1 à vs3 semblent décomposent les usages du riz vendu (semence, consommation, paiement de main d’œuvre), mais leur codage est un peu complexe/à préciser.c37) : la variable indique si le produit est vendu brut, transformé ou autre — potentiellement utile pour un tableau croisé avec les types de culture.res_mor, mor12) : le salaire total par opération (Asa tany, Mijinja, Manetsa) pourrait être présenté sous forme de tableau comparatif, mais les valeurs présentent une forte dispersion.res_mor, mor3) : la variable indique si les salariés ou l’entraide sont nourris pendant le travail.res_ele) : les variables ele1 (effectif début), ele2 (naissances), ele3 (achats), ele_i1 (ventes), ele_p3 (pertes) permettraient de reconstituer un bilan démographique du cheptel par espèce (difficile à exploiter à première vue).