Navigation – Plan du site

AccueilNuméros361rechercheDistribution des coûts spécifique...

recherche

Distribution des coûts spécifiques de production dans l’agriculture de l’Union européenne : une approche reposant sur la régression quantile

Analyzing the Distribution of Specific Production Costs in Agriculture in the European Union: A Quantile Regression Approach
Dominique Desbois, Jean-Pierre Butault et Yves Surry
p. 3-22

Résumés

Cet article teste la méthodologie d’estimation microéconométrique des coûts spécifiques de production selon les quantiles conditionnels sur la base du Réseau d’information comptable agricole (RICA) européen à partir des produits bruts dégagés par seize grands produits agricoles. Les résultats obtenus démontrent la pertinence de la régression quantile pour prendre en compte l’asymétrie et l’hétéroscédasticité, intrinsèque aux distributions de charges spécifiques. À partir des résultats économétriques se rapportant à trois commodités majeures du marché européen, à savoir le blé, le lait de vache et le porc, les auteurs montrent que le contexte national des douze pays européens étudiés sur l’année 2006 (Allemagne, Autriche, Belgique, Danemark, Espagne, France, Hongrie, Italie, Pays-Bas, Pologne, Royaume-Uni et Suède) constitue un facteur d’hétérogénéité pour les coûts spécifiques.

Haut de page

Notes de l’auteur

Cette recherche a bénéficié d’un financement du 7e Programme Cadre de la Communauté européenne (FP7/2007-2013) sous l’agrément n° 212292 pour le projet Farm Accountancy Cost Estimation and Policy Analysis of European Agriculture (FACEPA). Le présent texte est issu d’une communication originale présentée aux Journées de Recherche en Sciences Sociales de Nancy en décembre 2015 et n’engage que les auteurs, seuls responsables des éventuelles erreurs ou omissions.

Texte intégral

1Les réformes successives de la Politique agricole commune (PAC), l’intégration des agricultures des États membres résultant de l’élargissement à 28 de l’Union européenne (UE), la stagnation des rendements agricoles et l’adaptation au changement climatique suscitent, tant dans le contexte de marchés concurrentiels que de marchés soumis à régulation, des besoins récurrents d’estimation des coûts de production des principaux produits agricoles. Dans un contexte de prix aux évolutions rapides et parfois défavorables, l’analyse des coûts de production agricoles, qu’elle soit rétrospective ou prospective, est un outil d’analyse des marges et/ou de la profitabilité des agriculteurs. Elle permet d’évaluer la compétitivité-prix des agriculteurs, un des éléments majeurs du développement ou du maintien de filières agroalimentaires dans les régions européennes.

2Confrontés plus directement aux risques de prix depuis la réforme « MacSharry » intervenue en 1992, les producteurs européens de commodités agricoles ayant peu d’opportunités de différenciation optent pour des stratégies de réduction des coûts, en cherchant soit à diminuer les charges de structure en jouant sur le volume de la production, soit à diminuer les charges spécifiques en optimisant la gestion des intrants ou en optant pour des itinéraires techniques à bas niveau d’intrants. Cependant, l’ajustement par les structures n’est pas toujours possible en raison des contraintes (droits à produire, disponibilité) qui peuvent restreindre l’accès aux trois principaux facteurs de production que sont la terre, le capital d’exploitation ou le travail. Par contre, l’ajustement sur les intrants spécifiques offre plus de souplesse comme le montre l’adoption de pratiques raisonnées sur les phytosanitaires, de techniques de cultures sans labour visant à effectuer des économies sur le poste énergie, ou de pratiques de fertilisation mieux raisonnées ou différées pour certains amendements de fonds (potasse et phosphates). Permettant de déterminer les marges brutes par produits, les coûts spécifiques constituent un indicateur important pour les agriculteurs et éleveurs en matière de conduite technique de l’exploitation et d’ajustement de leurs mix-produits aux demandes des marchés agricoles, compte tenu des ressources et des facteurs de compétitivité dont ils disposent.

  • 1  Le blé, le lait et le porc représentent respectivement 6,2 %, 13,8 % et 8,9 % de la production agr (...)

3Pour évaluer des systèmes de production différenciés, nous devons fournir des informations sur l’ensemble de la distribution des coûts spécifiques comme le recommandent Angrist et Pischke (2009). Dans cette perspective, nous proposons une méthodologie adaptée au problème de l’estimation des coûts spécifiques de production relativement aux principaux produits agricoles de référence dans un contexte européen où les exploitations agricoles demeurent de façon majoritaire multiproductives. Face au constat d’asymétrie de la variable d’intérêt et au rejet de l’hypothèse d’homoscédasticité dans sa modélisation par les moindres carrés ordinaires, il convient de générer pour chacun des principaux produits agricoles non seulement les estimations centrales de la distribution des coûts mais également les quantiles inférieurs ou supérieurs afin de s’affranchir de la contrainte d’estimateurs en moyenne sensibles aux valeurs extrêmes et susceptibles de masquer les différences interstructurelles. À cette fin, nous utilisons une technique de régression permettant d’obtenir des estimations des quantiles de coûts spécifiques, conditionnées par le processus de production des exploitations agricoles. Afin de démontrer la pertinence de cette approche, nous présenterons par la suite des estimations de quantiles pour les coûts spécifiques de trois commodités agricoles (blé, lait de vache et porc), compte tenu de leur place dans la valeur agricole produite par l’UE1, sur un ensemble d’États européens où ces productions sont significatives en 2006, année choisie pour ce travail.

4Les deux prochaines sections de cet article fournissent le cadre général et méthodologique utilisé pour représenter et expliquer l’allocation des charges spécifiques entre les différentes commodités agricoles : le modèle de régression permettant l’allocation des charges spécifiques entre les différentes activités agricoles est présenté dans la deuxième section, ainsi que les méthodologies statistiques utilisées pour son estimation, en particulier la régression quantile ; la troisième section, consacrée à la mise en œuvre du modèle d’allocation des charges spécifiques, décrit la base empirique de données comptables utilisées pour estimer économétriquement ce modèle et les caractéristiques des distributions de charges spécifiques. Les résultats économétriques générés par les régressions quantiles sont présentés par produits selon les pays dans la quatrième section, puis discutés en cinquième section. Un résumé des résultats obtenus et une réflexion sur la méthode employée pour estimer la distribution des coûts spécifiques concluent ce travail.

Cadre conceptuel et aspects méthodologiques de l’allocation des charges spécifiques

  • 2  Pour une revue de synthèse de ces méthodes, cf. Langrell et al. (2012).

5Portant sur les grandes commodités agricoles, des enquêtes spécifiques sont conduites pour produire des données détaillées sur les coûts de production en Europe2. Cependant, ces enquêtes technico-économiques sont coûteuses et la généralisation de leurs résultats est malaisée en raison des différences dans la méthodologie comptable et la définition spécifique des populations enquêtées, le plus souvent à partir d’exploitations spécialisées. Aussi, ce travail s’inscrit dans une problématique d’imputation du coût des facteurs à des productions multiples, initiée à l’échelle européenne par les travaux de l’INRA (Butault et al., 1988), permettant d’effectuer des estimations sur la base du Réseau d’information comptable agricole (RICA).

6Nous présentons tout d’abord le modèle empirique d’estimation des coûts spécifiques de production, dérivé d’une approche économétrique d’allocation des charges, initialement développée en France par Aufrant (1983) proposant d’utiliser les données microéconomiques pour construire une matrice de coefficients input-output. Puis, nous introduisons la méthodologie d’estimation selon les quantiles conditionnels en détaillant les procédures d’estimation et de test utilisées dans notre travail, principalement sur la base des développements méthodologiques exposés par Koenker (2005).

1. Le modèle d’allocation des charges spécifiques de production

  • 3  Le questionnaire servant à établir cette « fiche d’exploitation » et la méthodologie de l’enquête (...)

7Dans les systèmes de comptabilités agricoles de l’UE, l’enregistrement des charges s’effectue de manière agrégée au niveau de l’exploitation et ne fournit pas d’estimation directe des coûts de production supportés par cette exploitation pour chacune des spéculations agricoles entreprises. En revanche, la « fiche d’exploitation »3 de l’enquête RICA fournit individuellement par exploitation agricole à partir des enregistrements comptables le montant des produits bruts générés par les différentes spéculations et celui du total des charges spécifiques, somme des achats d’intrants enregistrés. De sorte qu’il devient possible d’estimer, par un modèle de régression des charges spécifiques sur les produits bruts, des coefficients d’affectation des dépenses aux principaux produits agricoles.

8Ainsi, pour une exploitation agricole i donnée, le total des charges spécifiques (yi) est lié aux différents p produits bruts Xij pour j = 1, …, p par le modèle de régression suivant, appliqué aux agricultures européennes par Butault et al. (1988) et Butault (1991) :

in
  • 4  Le modèle représenté par l’équation (1) ne comportant pas de terme constant, l’estimation(...)

9où les coefficients βj s’interprètent comme le coût spécifique moyen4 nécessaire pour produire une unité monétaire de produit brut j et εi est un terme stochastique résiduel de moyenne nulle et à variance constante.

  • 5  Dans cette étude, les coefficients estimés peuvent varier individuellement d’une exploitation à l’ (...)

10L’estimation par les moindres carrés ordinaires (MCO) du modèle (1) soulève les problèmes économétriques typiques de cette méthode (Midmore, 1990), notamment : i) l’émergence d’hétéroscédasticité parmi les résidus résultant d’effets de taille, et ii) des ordres de grandeur irréalistes pour les coefficients estimés ou des coefficients significativement négatifs. Bureau et Cyncynatus (1991) ainsi qu’Errington et al. (1992) fournissent différentes solutions (techniques de régularisation et estimation sous contraintes) pour résoudre ces problèmes d’estimation. En s’affranchissant de l’hypothèse de coefficients constants, Dixon et al. (1984) puis Hornbaker et al. (1989) proposent un modèle à paramètres aléatoires contraint par inégalités5.

11Un certain nombre de méthodes d’estimation contrainte pour répartir les dépenses d’intrants entre différents ateliers ont été proposées par Moxey et Tiffin (1994), mobilisant un cadre bayésien pour appliquer une méthode d’estimation sous contrainte inégalitaire dans le but d’assurer la non-négativité des coefficients estimés. Léon et al. (1999) proposent d’utiliser la méthode du Maximum d’entropie généralisée (MEG) pour estimer des coefficients d’affectation des coûts. Enfin, nous admettons que dans l’expression (1) les variables explicatives soient endogènes, ce qui exigerait l’emploi de techniques d’estimation par variables instrumentales. Dans cette perspective, Carpentier et Letort (2011) fournissent une solution aux problèmes d’endogénéité et d’hétérogénéité rencontrés dans l’estimation d’allocations pour la fonction de demande d’intrants, selon l’approche par fonction de contrôle développée par Wooldridge (2015).

12Dans le cours de ces développements, nous proposons une approche exploratoire basée sur la régression quantile afin d’obtenir plus d’information sur la distribution empirique des coefficients de répartition des coûts spécifiques de production.

2. Procédures d’estimation des quantiles conditionnels

13L’estimation conditionnelle des quantiles a été développée par Koenker et Bassett (1978) sous la dénomination de quantile regression afin de prendre en compte l’hétérogénéité de l’ensemble des valeurs d’une variable à expliquer y dans le contexte d’un modèle linéaire. Lorsque l’on s’intéresse aux exploitations agricoles, cette méthode économétrique permet d’obtenir une distribution estimée des coûts spécifiques pour les principaux produits agricoles et complète ainsi les estimations obtenues par MCO, qui ne fournissent qu’une valeur moyenne (en termes d’espérance conditionnelle) de ces mêmes coûts. Au lieu d’une estimation par intervalle bâtie sur une hypothèse de normalité, le processus quantile fournit une distribution empirique des estimations sans avoir à formuler d’hypothèses sur la nature de cette distribution ni à suivre un plan de sondage aléatoire stratifié.

14Formellement, pour une variable aléatoire y, de fonction de répartition Fy(y), le quantile d’ordre q se définit comme :

15Le système d’équations (1) ne comportant pas de terme constant, le quantile conditionnel de y sachant x, fonction variable des variables explicatives X = (x1, …, xp), est défini par :

yX

16Par analogie avec la régression linéaire standard, la régression quantile peut être formulée comme suit (Cameron et Trivedi, 2006) :

ème

17Suivant le modèle d’estimation des quantiles conditionnels pondérés par Koenker et Zhao (1994), la pondération ω des observations, définie par {ωi ; i = 1, …, n}, est introduite dans la fonction de perte classique du problème de minimisation de la régression quantile,

18conduisant à l’estimation des paramètres du modèle (4) comme solution optimale du problème de minimisation de la fonction de perte (6) :

bootstrap - Markov Chain Marginal Bootstrap pk kp

Mise en œuvre du modèle d’estimation des coûts spécifiques

1. Base empirique d’estimation des coûts spécifiques

  • 6  Règlement CE n° 1217/2009 publié au Journal Officiel de E L328 du 15/12/2009.

19Depuis son institution en 1965, le RICA européen est défini par des règlements communautaires spécifiant ses modalités de mise en œuvre6. Orienté dès l’origine vers le suivi du revenu des agriculteurs dits « professionnels » et l’analyse du fonctionnement économique de leurs exploitations, il s’est progressivement imposé comme une base de données indispensable pour analyser la situation des exploitations agricoles dans l’UE au regard des évolutions successives de la Politique agricole commune.

20En ce qui concerne les agrégats comptables mobilisés dans notre travail (produits bruts et charges spécifiques), les définitions du RICA européen sont harmonisées tant au niveau des productions végétales qu’animales (Chantry, 2003) ; les éléments de différenciation pouvant influer sur les estimations via la pondération se situent surtout dans la population de référence des exploitations agricoles définies comme professionnelles (seuils de dimension économique) et dans la méthodologie d’échantillonnage (sélection aléatoire versus sélection sur quota).

  • 7  Le total des charges spécifiques est enregistré par le RICA européen sous le libellé de variable S (...)

21Constituant le modèle retenu pour l’estimation des quantiles conditionnels des coûts spécifiques, l’équation (4) est estimée pour l’ensemble de pays de l’UE figurant au tableau 1 à l’aide d’observations d’exploitations agricoles tirées du RICA européen sur l’année 2006. En pratique, on utilise l’estimateur (7) appliqué à l’équation (1) où y est la variable expliquée regroupant les charges spécifiques7 telles qu’elles sont définies par le RICA européen selon la ventilation suivante :

22– pour les cultures, soit les dépenses relatives aux semences et plants, engrais et amendements, produits phytosanitaires, et autres intrants spécifiques des cultures ;

23– pour le bétail, soit les dépenses relatives aux aliments pour les herbivores ou les granivores, et aux autres intrants spécifiques des animaux.

Tableau 1. Liste des produits et pays de l’UE utilisés dans l’estimation quantile des coûts spécifiques

Produits

Blé

Bovins

Autres céréales

Porcins

Cultures industrielles

Volailles

Protéagineux

Lait de vache

Oléagineux

Autres productions animales

Productions horticoles

Autres produits animaux

Fruits

Autres produits

Vins

-

Autres productions végétales et forestières

-

Pays sélectionnés

Allemagne

Autriche

Belgique

Danemark

Espagne

France

Hongrie

Italie

Pays-Bas

Pologne

Royaume-Uni

Suède

Source : les auteurs.

24Dans ce contexte, la matrice X des variables explicatives fournit la décomposition du produit brut selon chacune des spéculations mises en œuvre par l’exploitation agricole multiproduit. Cette décomposition du produit brut en seize agrégats (tableau 1) recouvre l’ensemble des productions tant végétales, qu’animales et produits animaux, le produit brut associé à chaque spéculation étant défini comme la production brute totale comprenant les intraconsommations, les ventes et les variations de stocks.

25L’ensemble des douze pays sélectionnés a été choisi au sein du projet FACEPA pour disposer d’un sous-ensemble suffisamment représentatif des 28 États membres, compte tenu des contributions aux productions étudiées, des procédures de contrôle de la qualité des données ainsi que des possibilités d’analyse comparée et de retour au terrain d’enquête. Les années 1996, 2000 et 2006 ont été choisies empiriquement pour les estimations comme les années les moins perturbées du point de vue des variations de prix et de rendement agricoles parmi les enquêtes les plus récemment disponibles en 2008 au début du projet FACEPA8, l’analyse étant centrée sur 2006 avant le renchérissement des carburants, engrais et aliments du bétail intervenu en 2007.

26L’estimation quantile conditionnelle pondérée est réalisée au moyen du logiciel SAS, par la procédure QUANTREG, associée à l’instruction WEIGHT pour la pondération. Les tests d’hypothèse sont fournis par la commande TEST, dotée d’une option QINTERACT pour le test d’homoscédasticité. Les estimations du modèle de régression quantile des charges spécifiques sont menées pour chacun des douze pays sélectionnés sur la base de l’échantillon national d’exploitations agricoles issues du RICA européen.

27Les résultats économétriques issus des régressions quantiles des coûts spécifiques sont analysés pour le blé, le lait de vache et le porc, trois produits proposés en comparaison d’approches concurrentes (Kleinhanss et al., 2011 ; DG-Agri, 2009a, 2009b, 2009c).

2. Caractéristiques distributionnelles des charges spécifiques agricoles

  • 9  Le coefficient d’asymétrie (skewness) fournit des informations sur l’asymétrie d’une série statist (...)
  • 10  L’excès d’aplatissement (kurtosis) renseigne sur le caractère leptokurtique (distribution aux queu (...)
  • 11  Défini comme le rapport de la dispersion interquartile au niveau médian, le coefficient interquart (...)

28Avant d’examiner les résultats de l’estimation des quantiles conditionnels, il convient d’étudier les distributions d’origine des charges spécifiques selon les pays : le tableau 2 présente les caractéristiques de tendance centrale et de dispersion des échantillons de charges spécifiques exprimés en euros (€) en 2006 pour douze pays étudiés. Les coefficients d’asymétrie9 sont largement positifs pour tous les pays étudiés. La forme de la distribution des charges spécifiques est également caractérisée par les valeurs de l’excès d’aplatissement10 et les autres indicateurs de dispersion tels que le coefficient de variation (CV) et le coefficient interquartile de dispersion (CQD)11. Pour de telles distributions asymétriques et comportant des valeurs extrêmes, la médiane est un meilleur estimateur de la tendance centrale que la moyenne arithmétique et le CQD est plus robuste que le CV comme indicateur de dispersion.

Tableau 2. Distribution des charges spécifiques par exploitation (euros)

Pays

Taille de l’échantillon

Moyenne

CV (%)

Coefficient d’asymétrie

Coefficient d’aplatissement

D1

Q1

Q2

Q3

D9

CQD (%)

Allemagne

6 750

63 420

261

6,6

67,1

11 080

19 590

38 170

75 730

137 550

147

Autriche

1 790

16 870

139

6,5

86,7

3 500

5 840

10 430

19 700

37 350

133

Belgique

1 040

74 150

134

4,5

37,1

11 270

21 980

43 660

90 370

166 150

157

Danemark

1 690

112 200

241

3,4

23,1

4 670

10 810

34 620

155 180

314 640

417

Espagne

7 740

9 520

585

12,4

310,7

680

1 280

2 840

8 020

20 100

237

France

6 510

39 310

160

5,9

63,1

5 620

12 290

24 910

47 500

83 000

141

Hongrie

1 690

14 850

1023

7,5

85,7

1 070

1 880

4 350

10 240

25 460

192

Italie

13 200

12 180

939

14,4

314,5

700

1 320

2 670

7 200

20 860

220

Pays-Bas

1 340

124 330

218

3,4

17,1

9 870

25 350

56 100

138 300

294 040

201

Pologne

11 000

7 010

383

10,6

209,5

1 470

2 220

3 660

7 180

14 300

136

Royaume-Uni

2 590

82 620

210

7,9

97,8

14 300

23 090

44 220

93 150

177 050

158

Suède

850

53 970

187

8,5

111,6

7 300

15 840

28 850

67 030

122 760

177

Ensemble

56 180

22 250

570

9,0

135,9

1 010

2 010

5 050

18 070

51 490

318

Notes : CV = Coefficient de variation, D1 = 1er décile, D9 = 9e décile, Q1 = 1er quartile, Q2 = Médiane, Q3 = 3e quartile, CQD = Coefficient interquartile de dispersion.

Source : RICA-EU, 2006.

29Un examen des indicateurs statistiques fournis au tableau 2 révèle en termes de tendance centrale les groupes de pays suivants : la médiane varie de 2 840 € (Espagne) à 10 430 € (Autriche) pour un premier groupe comprenant également la Pologne et l’Italie ; puis, nous distinguons un groupe intermédiaire avec la France et la Suède entre 25 000 € et 29 000 €, respectivement ; enfin, le troisième groupe comprenant les autres pays avec des charges médianes par exploitation variant de 34 620 € pour le Danemark à 56 100 € pour les Pays-Bas, et incluant également l’Allemagne, la Belgique et le Royaume-Uni.

30Bien que ces distributions soient toutes asymétriques par valeurs supérieures (plus grande dispersion des valeurs supérieures à la moyenne) avec un nombre important de valeurs extrêmes, elles diffèrent par leur degré d’asymétrie : en Italie, Espagne, Pologne ou Hongrie, la distribution nationale est fortement asymétrique (le coefficient d’asymétrie se situe entre 5 et 6) ; au Danemark, en Autriche, aux Pays-Bas, en Belgique ou en France, l’asymétrie est plus modérée (coefficient entre 1,5 et 2,5) ; enfin, le Royaume-Uni présente une asymétrie intermédiaire (coefficient 4). En outre, l’excès d’aplatissement des distributions nationales varie : de la valeur 8 pour le Danemark voire 9 pour les Pays-Bas ou la Belgique, on atteint des maxima entre 50 et 60 pour l’Espagne, l’Italie ou la Pologne.

31En termes de dispersion relative, le CV se situe entre 134 % pour la Belgique, pays aux structures de production parmi les plus homogènes (avec l’Autriche, et la France et la Suède) et à 1023 % pour la Hongrie qui apparaît avec l’Italie comme le pays le plus hétérogène, selon cet indicateur. Cependant, avec un CQD compris entre 130 et 150 %, l’Autriche, la France et l’Allemagne présentent la dispersion relative la plus faible selon cet indicateur, tandis que le Danemark possède la dispersion relative des charges spécifiques la plus élevée (CQD de 420 %).

32En résumé, les niveaux les moins élevés et les dispersions les plus fortes par exploitation se rencontrent dans des pays du Sud et de l’Est de l’Europe, avec des distributions plus asymétriques et aplaties tandis que les niveaux les plus élevés et les dispersions les plus faibles sont observés dans des pays situés au Nord et à l’Ouest de l’Europe, avec des distributions moins asymétriques et plus concentrées que les précédentes.

Estimation des coûts spécifiques pour les pays membres de l’UE par produit

33Dans cette partie sont présentées par commodité les estimations des coefficients de coûts spécifiques unitaires, obtenues par la régression quantile pondérée et par les moindres carrés pondérés (MCP), pour chacun des douze États membres de l’UE en 2006. Les résultats économétriques sont détaillés et discutés successivement pour le blé, le lait de vache, et le porc au sein de sections spécifiques. La présentation et la discussion de l’ensemble des résultats économétriques s’effectuent sur la base des valeurs estimées des quantiles suivants : le premier et neuvième décile (D1 et D9), la médiane (Q2), ainsi que le premier et troisième quartile (Q1 et Q3), formant l’échelle des quantiles. Ces estimations quantiles sont comparées aux coefficients estimés par les MCP, pour une spécification analogue modélisant les charges spécifiques.

  • 12  Le tableau complet des tests est disponible sur demande à l’auteur correspondant.

34En utilisant les tests proposés par Koenker et Bassett (1982), l’hypothèse d’homogénéité de la distribution des aléas est rejetée pour l’ensemble des douze pays12 : en présence d’hétéroscédasticité, il est donc pertinent d’utiliser les estimations selon les quantiles conditionnels préférentiellement aux estimations selon la moyenne conditionnelle.

35Les estimations quantiles et MCP obtenues sont significativement non nulles que ce soit pour le blé, le lait ou le porc, à l’exception pour le blé du coefficient du premier décile (D1) et celui des MCP aux Pays-Bas. Par contre, pour d’autres commodités, produites de manière moins systématique voire plus marginale comme les protéagineux, les fruits ou le vin dans certains pays, les estimations quantiles et MCP ne sont pas toutes statistiquement significatives.

1. Le blé

  • 13  Par ordre décroissant : la France (27,9 %), l’Allemagne (17,6 %), le Royaume-Uni (10,9 %), la Polo (...)

36Avec une superficie cultivée de 25,9 millions d’hectares et une production de 136,6 millions de tonnes en 2010, l’UE-27 demeure le premier producteur de blé représentant 21 % de la production mondiale (Eurostat, 2012). Les pays étudiés figurent parmi les principaux producteurs européens en termes de quantités collectées13, soit 84,3 % de la production européenne. La hiérarchie des produits bruts reconstitués à partir de la moyenne et du poids de la population des RICA européens apparaît conforme à la hiérarchie des statistiques nationales sur la production de blé, à part deux inversions de rang : entre le Danemark et l’Italie, puis entre la Belgique et la Suède.

37À partir des échelles distributionnelles fournies par les estimations conditionnelles D1, Q1, Q2, Q3, D9 et MCP présentées au tableau 3, nous effectuons tout d’abord une comparaison du niveau de ces échelles distributionnelles entre les différents pays, puis nous examinons leur structure, analysant les écarts entre les différentes estimations qui les composent.

Tableau 3. Blé, estimations des coûts spécifiques pour 1 000 € de produit brut

Pays

D1

Q1

Q2

Q3

D9

MCP

Allemagne

284

285

320

[283;356]

335

372

296

[268;324]

Autriche

204

239

277

[166;387]

250

305

245

[155;336]

Belgique

364

407

407

[301;514]

506

691

534

[408;660]

Danemark

220

265

363

[285;440]

437

543

435

[373;496]

Espagne

228

226

252

[189;315]

333

560

339

[262;417]

France

345

392

449

[412;485]

491

563

437

[408;467]

Hongrie

209

247

342

[250;434]

354

427

437

[347;527]

Italie

164

238

335

[287;382]

378

471

335

[192;478]

Pays-Bas

144

207

295

[125;466]

489

771

357

[-180 ;895]

Pologne

266

293

347

[320;374]

420

523

383

[359 ;407]

Royaume-Uni

293

302

357

[315;398]

396

460

329

[297 ;361]

Suède

368

285

349

[198;500]

437

597

266

[160 ;372]

Notes : D1 = 1er décile ; D9 = 9e décile ; Q1 = 1er quartile ; Q2 = Médiane ; Q3 = 3e quartile ; MCP = Moindres carrés pondérés ;[InfIC95 ; SupIC95] : InfIC95 = Borne inférieure de l’intervalle de confiance à 95 % ; SupIC95 : borne supérieure de l’intervalle de confiance à 95 % .

Source : estimations d’après EU-RICA, 2006.

Comparaison de niveau des échelles distributionnelles

38À l’exception des Pays-Bas dont les quantiles conditionnels couvrent l’ensemble de l’intervalle de variation des estimations, soit entre 144 € et 771 € de coûts spécifiques pour 1 000 € de produit brut, nous constatons une différence de niveau entre d’une part la Belgique et la France et d’autre part les autres pays aux estimations quantiles inférieures (sauf pour le D1 italien et les D9 italiens et espagnols).

39L’Autriche se distingue par le faible niveau (inférieur à 310 €) de ses estimations quantiles supérieures (Q3 et D9). Les estimations du premier décile (D1) se répartissent en quatre groupes de niveau décroissant : {Suède, Belgique, France} supérieur à 345 €, {Royaume-Uni, Allemagne, Pologne} supérieur à 260 €, {Espagne, Danemark, Hongrie, Autriche}supérieur à 200 €, {Italie, Pays-Bas} aux environs de 150 €. Les estimations médianes (Q2) permettent de distinguer trois niveaux : {France, Belgique} supérieur à 400 €, {Pays-Bas, Autriche, Espagne}inférieur à 275 €, et les autres pays intermédiaires aux environs de 350 €.

40Les estimations nationales de coûts spécifiques des exploitations spécialisées, soit produisant 40 % ou plus de leur produit en blé tendre (DG-Agri, 2009c), correspondent respectivement au niveau du premier quartile des exploitations françaises, de la médiane des exploitations espagnoles et celles des exploitations hongroises et du Royaume-Uni, du troisième quartile des exploitations polonaises et du neuvième décile des exploitations allemandes. Malgré des écarts importants dus aux différences de spécification entre modèles, l’estimation médiane et l’estimation MCP s’avèrent cohérentes avec celles obtenues par Kleinhanss et al. (2011) pour la période 2004-2006.

Structures comparées des échelles distributionnelles

41Les distributions nationales des coefficients quantiles estimés peuvent être classées selon leur degré d’asymétrie en deux groupes : le premier, constitué par l’Allemagne, l’Autriche, la France, l’Italie, les Pays-Bas, le Royaume-Uni et la Suède, ne présente pas de dissymétrie (la moyenne ne se distingue pas de la médiane conditionnelle, compte tenu de la variabilité des estimations) ; le second, constitué par la Belgique, le Danemark, l’Espagne, la Hongrie et la Pologne pour lesquels la médiane conditionnelle, inférieure à l’estimation MCP en moyenne, constitue un meilleur indicateur de la tendance centrale. Pour ce second groupe, l’asymétrie à droite signifie une plus grande dispersion des exploitations par valeurs supérieures aux coûts médians.

42Les estimations quantiles s’avèrent croissantes pour l’ensemble des douze pays, à l’exception de l’Autriche, où les trois quartiles n’apparaissent pas comme significativement différents, et de la Suède où le premier quartile de coûts spécifiques est inférieur au premier décile. Cette croissance apparaît relativement modérée sauf pour la Belgique, les Pays-Bas et l’Espagne qui se distinguent en raison de valeurs significativement plus élevées du neuvième décile par rapport aux autres quantiles. Ces différences permettent d’opposer des profils distributionnels distincts comme celui de l’Autriche où l’hypothèse d’homogénéité des quantiles conditionnels est conservée par la procédure de test pour chacune des différences interquantiles à ceux, comme en Espagne ou en Pologne, où elle est rejetée pour chacune des différences interquantiles.

Estimations selon les périodes

43Selon la dimension temporelle, compte tenu des écarts-types d’estimation, les quantiles conditionnels des coûts spécifiques estimés pour le blé en 1996 et 2000 (Desbois et al., 2013) ne diffèrent pas significativement entre les estimations obtenues en 2006 de celles obtenues en 1996 et 2000. Seules exceptions, l’estimation du décile supérieur (D9) des coûts a significativement augmenté entre 2000 et 2006 pour l’Espagne ainsi que celles des quantiles supérieurs (Q2, Q3 et D9) pour le Royaume-Uni entre 1996 et 2000.

2. Le lait de vache

  • 14  Par ordre décroissant : l’Allemagne (20,4 %), la France (17,7 %), le Royaume-Uni (9,9 %), les Pays (...)

44Selon Eurostat (2012), la production laitière européenne s’élevait en 2008 à 135 milliards de litres pour un cheptel de 24 millions de vaches laitières. Les pays étudiés figurent parmi les principaux pays producteurs en termes de quantités collectées14, soit 86 % de la production européenne. La hiérarchie des produits bruts observés au sein du RICA européen apparaît conforme à la hiérarchie des statistiques nationales sur la production laitière, même si l’on constate certaines inversions de classement, entre l’Italie, les Pays-Bas et le Royaume-Uni, puis l’Autriche et la Suède.

Comparaison de niveau des échelles distributionnelles

45Selon les résultats présentés au tableau 4 et les tests effectués, les estimations des quantiles conditionnels selon chacun des pays sont croissantes à l’exception des premiers déciles et quartiles de la Suède et de la Hongrie ainsi que des derniers quartiles et déciles du Danemark qui ne se distinguent pas de manière significative. Les profils relativement homogènes comme ceux des estimations quantiles du Danemark et de la Suède (entre 380 et 530 €) se distinguent clairement de profils plus hétérogènes comme ceux de l’Italie et de l’Espagne (entre 260 et 660 €).

Tableau 4. Lait de vache, estimations des coûts spécifiques pour 1 000 € de produit brut

Pays

D1

Q1

Q2

Q3

D9

MCP

Allemagne

271

301

334  [325 ; 343]

367

396

363  [356 ; 371]

Autriche

193

235

273  [253 ; 293]

310

388

305  [293 ; 318]

Belgique

227

261

299  [284 ; 314]

321

356

303  [276 ; 330]

Danemark

436

461

483  [466 ; 501]

512

530

497  [482 ; 512]

Espagne

267

321

432  [404 ; 460]

581

653

442  [430 ; 454]

France

214

254

291  [282 ; 299]

334

384

306  [297 ; 314]

Hongrie

371

366

459  [360 ; 558]

546

676

606  [575 ; 638]

Italie

269

350

466  [435 ; 497]

565

625

442  [434 ; 450]

Pays-Bas

221

247

289  [275 ; 304]

327

364

288  [247 ; 329]

Pologne

224

268

315  [305 ; 324]

368

421

330  [321 ; 340]

Royaume-Uni

373

432

484  [463 ; 504]

522

590

495  [486 ; 504]

Suède

386

391

418  [386 ; 449]

452

477

425  [406 ; 444]

Notes : D1 = 1er décile ; D9 = 9e décile, Q1 = 1er quartile ; Q2 = Médiane ; Q3 = 3e quartile ; MCP = Moindres carrés pondérés ; [InfIC95 ; SupIC95] : InfIC95 = Borne inférieure de l’intervalle de confiance à 95 % ; SupIC95 : borne supérieure de l’intervalle de confiance à 95 %.

Source : estimations d’après EU-RICA, 2006.

46Ainsi, la régression quantile permet d’identifier trois types d’échelles distributionnelles : le premier, aux échelles de coût les plus faibles et les moins dispersées (entre 200 € et 400 €), comprend l’Autriche, les Pays-Bas, la France, l’Allemagne et la Pologne ; le second, aux échelles de coût et de dispersion intermédiaires (entre 350 € et 600 €), est composé de la Suède, du Royaume-Uni et du Danemark ; et enfin, le troisième aux échelles distributionnelles de coût les plus dispersées (entre 260 € et 680 €), comporte la Hongrie, l’Italie et l’Espagne.

  • 15  Il s’agit des exploitations laitières produisant 50 % ou plus de leur produit brut en lait de vach (...)

47Les estimations nationales de coûts spécifiques livrées par (DG-Agri, 2009b) pour les exploitations spécialisées « bovins lait »15 se situent respectivement au niveau du premier décile des exploitations suédoises, du premier quartile des exploitations italiennes et de celui des exploitations du Royaume-Uni, de la médiane des exploitations allemandes et de celle des exploitations autrichiennes, du troisième quartile des exploitations belges et de ceux des exploitations françaises et polonaises.

Structures comparées des échelles distributionnelles

48Les distributions nationales des quantiles conditionnels peuvent être classées également selon leur degré d’asymétrie en deux groupes : le premier, constitué par la Belgique, le Danemark, l’Espagne, les Pays-Bas et la Suède, ne présente pas de dissymétrie (compte tenu de la variabilité de l’estimation, la moyenne conditionnelle ne se distingue pas de la médiane conditionnelle) ; le second, constitué par l’Allemagne, l’Autriche, la France, la Hongrie, l’Italie, la Pologne et le Royaume-Uni pour lesquels la médiane conditionnelle, inférieure à l’estimation MCP en moyenne, constitue un meilleur indicateur de la tendance centrale. Pour ce second groupe, l’asymétrie à droite signifie une plus grande dispersion des exploitations par valeurs supérieures aux coûts médians.

49Certains de ces pays apparaissent relativement plus homogènes dans leurs estimations quantiles : compte tenu de la variabilité des estimations, les intervalles de confiance à 95 % des différents quantiles estimés se chevauchent pour la Belgique, le Danemark, la Hongrie et la Suède. Inversement pour l’Allemagne et la Pologne, les quantiles estimés peuvent être différenciés sur la base de ces intervalles de confiance, suggérant par là même l’existence de systèmes de production distincts. Ces regroupements permettent de considérer des profils distributionnels similaires partageant des échelles de dispersion voisines (écart interquartile Q3-Q1), comme la Belgique, le Danemark et la Suède (entre 51 € et 61 €) pour élaborer des indicateurs de performance pertinents.

50Le positionnement global des échelles de localisation des différents pays peut être précisé par des comparaisons bilatérales visant à opposer des profils de distribution distincts, par exemple ceux d’anciens et nouveaux États membres de l’UE comme dans la comparaison entre Hongrie et Pays-Bas. Bien qu’on ait observé un certain déclin des productions animales en Hongrie, ce pays était identifié par le rapport Bizet (2009) avec la Pologne et la République tchèque, comme l’un des trois nouveaux États membres ayant des potentialités les plus importantes en matière de production laitière et figurait avant la suppression des quotas laitiers comme l’un des principaux contributeurs à la croissance des livraisons européennes de lait avec la Pologne, l’Allemagne et le Danemark. Contrairement aux Pays-Bas où 96 % des producteurs laitiers sont spécialisés, la Hongrie comporte en 2006 une majorité (57 %) de producteurs laitiers non spécialisés (DG-Agri, 2009b).

51L’Autriche et l’Italie ont en commun de petites structures productives (40 % ont moins de 10 vaches laitières) et une production de lait en montagne dominante en Autriche et importante en Italie (Perrot et al., 2009), ce qui invite à comparer leurs coûts de production. L’Italie présente des coûts spécifiques de production significativement plus élevés que ceux de l’Autriche pour l’ensemble des processus quantiles étudiés, comme en témoigne l’absence de chevauchement des échelles distributionnelles respectives pour l’ensemble des quantiles supérieurs au premier décile. En outre, les coûts spécifiques des producteurs italiens sont plus hétérogènes que ceux des producteurs autrichiens : d’une part, l’écart interdécile est de 356 € pour l’Italie, au second rang derrière l’Espagne, contre 196 € pour l’Autriche.

52L’Espagne présente également des estimations des quantiles supérieurs Q3 et D9 significativement plus élevées. Enfin, Suède et Danemark partagent avec le Royaume-Uni, pour les quantiles inférieurs, des estimations relativement plus élevées que dans les autres pays.

Estimations selon les périodes

53Excluant la Pologne et la Hongrie, une comparaison des résultats de 2006 avec ceux obtenus en 1996 et 2000 sur la base des intervalles de confiance des estimations (Desbois et al., 2013) montre que les configurations des distributions nationales des coûts spécifiques du lait témoignent d’évolutions différenciées au cours de cette période décennale. Pour l’Autriche, la France et l’Italie, nous n’enregistrons pas de différences significatives entre ces trois années. Pour l’Allemagne, la Belgique, le Danemark, les Pays-Bas et la Suède, l’année 2000 présente des coûts inférieurs à 1996 et 2006. Pour le Royaume-Uni, les coûts de l’année 2006 sont supérieurs à ceux des années 1996 et 2000. La variation temporelle des estimations de coûts spécifiques du lait reste modérée entre ces périodes, se situant dans un intervalle allant de 100 à 150 € pour 1 000 € de produit brut : pour les systèmes nationaux impactés, elle signale probablement une plus grande dépendance aux aliments. La différenciation temporelle est plus prononcée pour les quantiles d’ordre supérieur (Q3 et D9), comme c’est le cas pour l’Allemagne et les Pays-Bas.

3. Le porc

  • 16  Par ordre décroissant : l’Allemagne (21,6 %), l’Espagne (13,3 %), la France (8,3 %), la Pologne (7 (...)

54En 2010, le nombre de porcs abattus dans l’UE-27 s’élève à 302,6 millions de têtes, correspondant à 24,4 % de la production mondiale de viande de porc (Eurostat, 2012). Les pays étudiés figurent parmi les principaux pays producteurs européens en termes de tonnes de carcasses produites16, soit 80,5 % de la production européenne.

Comparaison de niveau des échelles distributionnelles

55L’examen du tableau 5 révèle que les estimations des quantiles conditionnels de coûts spécifiques sont strictement croissantes. Les pays présentent des profils très homogènes et assez voisins, sauf pour l’Autriche, l’Italie et l’Espagne. Ainsi, l’Italie présente les coûts spécifiques de production porcine les plus bas parmi les pays de l’UE : avec une estimation MCP de 216 €, le coût spécifique moyen est deux à trois fois inférieur à ceux obtenus pour les autres pays de l’UE, en raison d’un premier quartile aux coûts très faibles (168 €). Inversement, en Espagne, les paramètres quantiles obtenus se situent dans la fourchette supérieure des estimations de coûts spécifiques générés par la production de porc.

Tableau 5. Porc, estimations de coûts spécifiques pour 1 000 € de produit brut

Pays

D1

Q1

Q2

Q3

D9

MCP

Allemagne

458

511

570  [557 ; 583]

629

672

545  [538 ; 552]

Autriche

359

404

435  [414 ; 455]

464

504

425  [417 ; 434]

Belgique

550

569

596  [584 ; 607]

643

694

607  [594 ; 619]

Danemark

448

478

520  [507 ; 533]

576

610

497  [489 ; 505]

Espagne

357

427

611  [536 ; 686]

775

881

584  [577 ; 591]

France

481

512

555  [540 ; 570]

583

628

538  [531 ; 545]

Hongrie

427

505

620  [535 ; 706]

648

695

609  [594 ; 623]

Italie

107

168

338  [253 ; 423]

569

686

216  [210 ; 222]

Pays-Bas

497

540

595  [577 ; 613]

648

702

584  [564 ; 604]

Pologne

477

547

607  [595 ; 618]

664

712

614  [606 ; 621]

Royaume-Uni

431

572

616  [581 ; 650]

675

764

573  [558 ; 589]

Suède

424

461

567  [516 ; 618]

589

678

517  [500 ; 534]

Notes : D1 = 1er décile ; D9 = 9e décile, Q1 = 1er quartile ; Q2 = Médiane ; Q3 = 3e quartile ; MCP = Moindres carrés pondérés ; [InfIC95 ; SupIC95] : InfIC95 = Borne inférieure de l’intervalle de confiance à 95 % ; SupIC95 : borne supérieure de l’intervalle de confiance à 95 %.

Source : estimations d’après EU-RICA, 2006.

56Les niveaux estimés des médianes conditionnelles (Q2) constituent un second critère de distinction entre ces différentes échelles distributionnelles avec deux sous-ensembles : d’une part, l’Italie et l’Autriche aux estimations médianes inférieures à 450 € ; d’autre part, l’ensemble des autres pays dont les estimations médianes conditionnelles se situent entre 500 € et 600 €. Ainsi, peut-on identifier quatre types d’échelles distributionnelles :

57i) premier type : l’Italie et l’Espagne, présentant une forme similaire (croissance interquantile élevée avec un écart interdécile D1–D9 supérieur à 400 €) malgré des localisations distinctes (la différence minimale entre quantiles respectifs est supérieure à 200 €) ; un tel résultat s’explique par la coexistence dans ces deux pays de systèmes de production de porc standard à haut niveau d’intrants avec des systèmes extensifs à bas niveaux d’intrants (DG-Agri, 2009c) ;

  • 17  Les niveaux relativement faibles des coûts de production du porc autrichien pourraient résulter d’ (...)

58ii) deuxième type : l’Autriche s’oppose au profil distributionnel précédent avec un écart interdécile D1D9 de 100 €17 seulement ;

59iii) troisième type : le Royaume-Uni présentant une échelle distributionnelle à croissance interquantile importante (écart interdécile D1D9 supérieur à 300 €) ;

60iv) quatrième type, rassemblant un sous-ensemble de pays à croissance interquantile modérée (écart interdécile D1D9 compris entre 200 € et 300 €).

61Les estimations nationales de coûts spécifiques des exploitations spécialisées – soit produisant 50 % ou plus de leur produit en porc – publiées par les services d’analyse économiques du RICA européen (DG-Agri, 2009a), sont localisées pour les exploitations espagnoles au niveau du troisième quartile et, respectivement pour les exploitations polonaises, au niveau du neuvième décile.

62Avec des écarts peu importants, l’estimation médiane et l’estimation MCP s’avèrent très cohérentes avec celles obtenues par Kleinhanss et al. (2011) pour la période 2004-2006.

Structures comparées des échelles distributionnelles

63Les distributions nationales des quantiles conditionnels peuvent être classées également selon leur degré d’asymétrie en deux groupes : le premier, constitué par la Belgique, la Hongrie, les Pays-Bas, et la Pologne, ne présente pas de dissymétrie (la moyenne ne se distingue pas de la médiane conditionnelle, compte tenu de la variabilité des estimations) ; le second, constitué par l’Allemagne, l’Autriche, le Danemark, l’Espagne, la France, l’Italie, le Royaume-Uni et la Suède pour lesquels la médiane conditionnelle, supérieure à l’estimation MCP en moyenne, constitue un meilleur indicateur de la tendance centrale. Pour ce second groupe, l’asymétrie à gauche signifie une plus grande dispersion des exploitations par valeurs inférieures aux coûts médians.

64Compte tenu de la variabilité des estimations, les intervalles de confiance à 95 % des différents quantiles estimés se chevauchent pour la Hongrie, le Royaume-Uni et la Suède, indiquant un groupe de pays présentant des systèmes productifs nationalement homogènes. Inversement pour l’Allemagne et la Pologne, tous les quantiles conditionnels peuvent être différenciés sur la base de ces intervalles de confiance, suggérant la coexistence au sein de ces pays de systèmes de production distincts. Ces regroupements permettent de considérer des profils distributionnels similaires partageant des échelles de dispersion voisines (écart interquartile Q3-Q1), comme l’Allemagne et la Pologne (entre 117 € et 118 €) pour élaborer des tableaux de bord comparatifs qui soient pertinents.

65La comparaison bilatérale entre la France et l’Espagne illustre les insuffisances de l’estimation en moyenne conditionnelle. En se limitant à cette estimation, les coûts de production du porc sont jugés supérieurs aux coûts français. Cependant, les quantiles conditionnels espagnols D1 et Q1 sont inférieurs aux quantiles français homologues ; les médianes conditionnelles françaises et espagnoles ne peuvent être distinguées ; les quantiles conditionnels français Q3 et D9 sont inférieurs aux quantiles espagnols homologues. En outre, si les variabilités des estimations MCP espagnoles et françaises apparaissent équivalentes, ce n’est pas le cas pour les quantiles conditionnels : la variabilité d’estimation des quantiles espagnols est plus forte que celles des quantiles français. L’examen des estimations quantiles conduit donc à une conclusion différente : les producteurs porcins espagnols aux quantiles inférieurs de coût disposent d’un avantage comparatif sur leurs homologues français tandis que les producteurs porcins français aux quantiles supérieurs de coût disposent en revanche d’un avantage comparatif sur leurs homologues espagnols.

66Ainsi, l’asymétrie plus ou moins grande de la distribution des charges spécifiques aboutit à des distinctions non seulement de niveau mais aussi de structure dans l’allocation de coûts selon les distributions nationales. Dans une telle situation, l’estimation des quantiles conditionnels permet d’établir un diagnostic différencié sur la compétitivité relative des différents systèmes de production nationaux.

Estimations selon les périodes

67En comparant les estimations des quantiles conditionnels des coûts spécifiques obtenues en 2006 avec celles obtenues 1996 et 2000 sur les dix pays européens observés pour cette décennie (Desbois et al., 2013), nous concluons sur la base des intervalles de confiance des estimations obtenues pour ces trois périodes à une évolution quelque peu différenciée des distributions nationales des coûts spécifiques pour la production de porcs pour ces périodes. En effet, s’il n’y a pas de différences significatives entre 1996, 2000 et 2006 pour l’Espagne, l’Italie, le Royaume-Uni, et la Suède, nous constatons néanmoins que les coûts 2006 sont inférieurs pour l’Autriche et la France et respectivement supérieurs pour l’Allemagne et les Pays-Bas, aux coûts des années 1996 et 2000. Cependant, ces évolutions demeurent très modérées : les écarts enregistrés pour les mêmes quantiles homologues en 1996 et 2000 sont relativement faibles (moins de 10 % du coût), n’excédant pas 50 € pour 1 000 € de produit brut.

Éléments de discussion

68Nous n’excluons pas que les valeurs élevées de certaines estimations puissent dans certains cas provenir d’artefacts liés à la méthodologie d’estimation pour des pays où les ateliers de culture ou d’élevage sont d’importance assez marginale par rapport aux autres ateliers présents sur l’exploitation. Une telle situation semble se produire dans les cas suivants : i) le blé, aux Pays-Bas où il ne constitue qu’une production mineure ; ii) le lait, dont la dispersion des estimations quantiles de coûts spécifiques en Hongrie, Espagne ou Italie, recouvre vraisemblablement celles de structures de production très différentes soit par leur dimension économique, soit par la technologie de production utilisée ; iii) le porc, dont la taille et la gestion de l’atelier peuvent varier très sensiblement selon qu’il s’agit de porcs légers ou lourds (Bozec et al., 2007).

69La taille de l’atelier de production étudié relativement aux autres ateliers, selon la spécialisation productive plus ou moins affirmée des exploitations, peut conduire à des artefacts induits par des corrélations productives au niveau des orientations technico-économiques mixtes dans la mesure où le poids des coûts spécifiques, lié aux autres ateliers, en fonction de la hiérarchie des coûts, induirait soit un biais de sous-estimation (pour des produits d’élevage laitier ou porcin minoritaires par rapport aux produits de grandes cultures au détour de production moins important), soit un biais de surestimation (pour des produits de grandes cultures minoritaires par rapport aux productions d’élevage ou de cultures permanentes au détour de production plus important).

70Cependant, l’existence de coûts spécifiques très élevés peut également signaler le maintien de producteurs techniquement moins efficaces dans des zones moins favorables en raison de l’existence de mesures globales de soutien au revenu (Barkaoui et al., 2009), voire de mesures agro-environnementales spécifiques à certains contextes productifs, en particulier celles visant au maintien de la production agricole sur certains territoires. A contrario, les estimations plus faibles peuvent signaler soit la présence d’élevages intensifs plus performants techniquement comme pour les producteurs de lait ou de porc en Bretagne, soit la présence de systèmes productifs basés sur des itinéraires techniques moins exigeants en intrants.

71Le contexte environnemental de la production joue également un rôle comme le montrent pour le lait de vache les analyses comparant les coûts estimés d’alimentation du bétail systématiquement supérieurs des exploitations laitières en zone défavorisée à ceux des exploitations localisées en zone non défavorisées sur la période 1996-2006 (Legris et Desbois, 2009). Des analyses complémentaires (Desbois et Legris, 2009) indiquent que les coûts d’alimentation des systèmes fourragers de piémont montagne sont significativement plus élevés que ceux des systèmes maïs-ensilage ou herbagers de plaine.

72Le degré de spécialisation a également un impact sur les coûts spécifiques de production car ils varient en fonction de l’intensité productive et de l’autonomie alimentaire. Ainsi, dans l’Ouest de la France, ils sont plus élevés chez les polyculteurs-éleveurs que chez les éleveurs « bovins-lait » spécialisés, en particulier pour l’aliment du bétail (Perrot et al., 2011). De fait, les logiques d’intensification et de simplification de gestion incitent les exploitants à vendre les céréales et acheter l’aliment industriel plutôt que de réaliser des économies en intrants (par autoconsommation de céréales et de protéagineux, maximisation du pâturage, utilisation de semences fermières) en exploitant la complémentarité des ateliers de polyculture-élevage, comme ceux du bocage vendéen où les coûts spécifiques se situent entre 30 et 40 % du produit brut (Garambois et Devienne, 2012).

73La complémentarité entre les ateliers de cultures et l’atelier porcin (porc sur paille, fabrication de l’aliment à la ferme) est désormais promue dans le cadre d’un soutien à la double performance économique et environnementale pour assurer la maîtrise des prix et quantité d’aliments du bétail et pour développer l’autonomie dans la gestion des effluents, bien qu’elle se traduise par des surcoûts en frais d’élevage (Giorgetti et Robin, 2008). Nous estimons les coûts spécifiques des exploitations spécialisées granivores inférieures de 5 à 20 % du produit brut (50 € à 200 €) à ceux des exploitations de polyculture-élevage, à taille comparable. Signalons cependant un effet de gamme bénéfique pour les petites exploitations de polyélevage granivore aux coûts inférieurs de 2 à 19 % du produit brut à ceux des petites exploitations spécialisées en granivores.

74Les comparaisons diachroniques avec les estimations quantiles effectuées pour 1996 et 2000 révèlent de manière indicative la sensibilité plus ou moins grande des coûts spécifiques aux fluctuations de prix des intrants et de taux de change selon le degré d’autonomie productive et d’intégration monétaire des systèmes considérés.

Conclusion

75Sur la base du RICA européen, nous avons testé la faisabilité de la méthodologie d’estimation microéconométrique des coûts spécifiques de production selon les quantiles conditionnels. Cette procédure d’estimation se révèle pertinente pour prendre en compte l’asymétrie et l’hétérogénéité intrinsèque des distributions de charges spécifiques dans le contexte de leur répartition entre les différentes activités de production d’une exploitation agricole. Le modèle sous-jacent qui prend en compte quinze activités est estimé par régression quantile à un ensemble de douze pays de l’UE en utilisant des données pour l’année 2006. Les résultats économétriques obtenus sont présentés et discutés pour trois grandes commodités du marché européen, à savoir le blé, le lait de vache et le porc.

76Grâce à ce type d’analyse, nous montrons que le contexte national des douze pays producteurs étudiés demeure un facteur d’hétérogénéité significatif pour les coûts spécifiques. Les différences significatives enregistrées entre les estimations des quantiles conditionnels pour ces trois commodités montrent qu’il n’y a pas « un » coût spécifique de production qui pourrait être estimé par une moyenne conditionnelle pour chaque pays mais une distribution nationale des coûts spécifiques de production qui peut-être représentée de façon plus ou moins précise selon un nombre déterminé d’estimations quantiles conditionnelles.

77Le travail empirique présenté dans cet article pourrait être prolongé en adoptant une approche économétrique reposant sur la régression quantile appliquée à des données de panel. Dans cette perspective, nous envisageons d’appliquer aux données du RICA la procédure en deux étapes proposée par Canay (2011) pour effectuer des régressions quantiles sur données de panel avec des effets fixes.

Haut de page

Bibliographie

Angrist J.D., Prischke J. (2009). Mostly Harmless Econometrics: An Empiricist’s Companion. Princeton, Princeton University Press,

Aufrant M. (1983). Les coûts de production des grands produits agricoles : évolution de 1970 à 1978. INSEE, Archives et Documents n° 64, 246 p.

Barkaoui A., Daniel K., Butault J.P. (2009). Impact territorial de la réforme de la PAC de 2003. Enjeux du découplage. In Aubert F., Piveteau V., Schmitt B. (dir.), Politiques agricoles et territoires, Paris, Quae, pp. 119-140.

Bizet J. (2009). Le prix du lait dans les États membres de l’Union européenne. Rapport d’information n° 481 de la Commission des affaires européennes du Sénat français. Paris, 66 p.

Bozec A., Azard A., Vautier A., Aubry A., Frotin P. (2007). Filières porcs lourds et porcs légers : caractéristiques et débouchés. TechniPorc, vol. 30, n° 4, pp. 21-28.

Bureau J.C., Cyncynatus M. (1991). Perspectives d’amélioration de la méthode d’estimation des coûts de production. Actes et Communications n° 5, INRA-INSEE, Paris, pp. 33-61.

Butault J.P. (1991). Coûts, prix et revenus selon les produits dans les agricultures européennes en 1984, 1985 et 1986 : résultats généraux du modèle. Actes et Communications n° 5, INRA-INSEE, Paris, pp. 13-31

Butault J.P., Hassan C.R., Reignier E. (1988). Les coûts de production des principaux produits agricoles dans la CEE. Luxembourg, Office of Official Publications of the European Communities.

Cameron A.C., Trivedi P.K. (2006). Microeconometrics. Methods and Applications. Cambridge, Cambridge University Press.

Canay I.A. (2011). A Simple Approach to Quantile Regression for Panel Data. Econometrics Journal, vol. 14, pp. 368-386.

Carpentier A., Letort E. (2011). Accounting for Heterogeneity in Multicrop Micro-Econometric Models: Implications for Variable Input Demand Modeling. American Journal of Agricultural Economics, vol. 94, n° 1, pp. 209-224.

Chantry E. (2003). Le Réseau d’information comptable agricole (RICA). Un outil unique de connaissance des agricultures européennes. Notes et Études documentaires, n° 18, pp. 9-17.

Desbois D., Butault J.-P., Surry Y. (2013). Quantile Regression Estimates of Cost of Production Using FADN Data. FACEPA Deliverable n° D8.2, 73 p.

Desbois D., Legris B. (2009). Analyse rétrospective des coûts de production du lait pour les élevages français dans un contexte de marché en mutation. Communication, 3es journées de recherches en sciences sociales, 9-11 décembre, INRA – SFER – CIRAD, Montpellier, France.

DG-Agri (2009a). Production Costs and Margins of Pig Fattening Farms. Unit L3, 2008 Report, February, 59 p.

DG-Agri (2009b). EU Dairy Farms Economics. Unit L3, 2008 Report, March, 77 p.

DG-Agri (2009c). EU Cereal Farms Economics. Unit L3, 2008 Report, June, 93 p.

Dixon B.L., Batte M.T., Sonka S.T. (1984). Random Coefficients Estimation of Average Total Product Costs for Multiproduct Firms. Journal of Business & Economic Statistics, vol. 2, n° 4, pp. 360-366.

Errington A.J., Jones P., Giles A.K., Hallam D., Midmore P., Tranter R.B. (1992). Enterprise Gross Margin Determination and Forecasting, Final Report to DGVI, Commission of the European Communities, Department of Agricultural Economics and Management, University of Reading, UK.

Eurostat (2012). Agriculture, Fishery and Forestry Statistics, Main Results – 2010-11, 221 p.

Garambois N., Devienne S. (2012). Les systèmes herbagers économes. Une alternative de développement agricole pour l’élevage bovin laitier dans le Bocage vendéen ? Économie rurale, n° 330-331, pp. 56-72.

Giorgetti J., Robin P. (2008). Éléments de comparaison du coût de revient et des émissions gazeuses de l’engraissement de porcs sur litière et sur caillebotis. Réseau Cohérence, Plérin, 74 p.

He X., Hu F. (2002), Markov Chain Marginal Bootstrap. Journal of the American Statistical Association, vol. 97, pp. 783-795.

Hornbaker R.H., Dixon B.L., Sonka S.T. (1989). Estimating Production Activity Costs for Multioutput Firms with a Random Coefficient Regression Model. American Journal of Agricultural Economics, vol. 71, n° 1, pp. 167-177.

InterPIG (2006). 2006 InterPIG Results of Pork Production Costs Analysis. http://www.schweine.net/news-gb/2006-interpig-results-of-pork-production-costs-ana.html.

Kleinhanss W., Offermann F., Butault J.P., Surry Y. (2011). Cost of Production Estimates for Wheat, Milk and Pig on Selected EU Member States. Braunschweig: von Thünen Institute of Farm Economics, 07/11, 67 p.

Koenker R. (2005). Quantile Regression. Cambridge, Cambridge University Press.

Koenker R., Bassett G. (1978). Regression Quantiles. Econometrica, n° 46, pp. 33-50.

Koenker R., Bassett G. (1982). Robust Tests for Heteroscedasticity Based on Regression Quantiles. Econometrica, vol. 50, n° 1, pp. 43-61.

Koenker R., Machado J.A.F. (1999). Goodness of Fit and Related Inference Processes for Quantile Regression. Journal of the American Statistical Association, vol. 94, n° 448, pp. 1296-1310.

Koenker R., Zhao Q. (1994). L-Estimation for Linear Heteroscedastic Models. Journal of Nonparametric Statistics, n° 3, pp. 223-235.

Langrell S., Ciaian P., Gomez y Paloma S. (2012). Introduction to Production Costs, in Sustainability and Production Costs in the Global Farming Sector: Comparative Analysis and Methodologies. Institute for Prospective Technological Studies, Joint Research Centre, European Commission, EUR 25436 EN, pp. 21-23.

Legris B., Desbois D. (2009) Les coûts de production du lait : les élevages laitiers entre régulation par les quotas et adaptation à un marché en mutation ? Document de travail, n° E2009-11, INSEE, Paris, 22 p.

Léon Y., Peeters L., Quinqu M., Surry Y. (1999). The Use of the Maximum Entropy Method to Estimate Input-Output Coefficients from Regional Farm Accounting Data. Journal of Agricultural Economics, vol. 50, n° 3, pp. 425-439.

Midmore P. (1990). Estimating Input-Output Coefficients from Regional Farm Data: A Comment. Journal of Agricultural Economics, vol. 41, n° 1, pp. 108-111.

Perrot C., Derville M., Monniot C., Richard M. (2009). Le lait dans les montagnes européennes. Un symbole menacé. Rencontres Recherche Ruminants, n° 16, pp. 215-218.

Perrot C., Caillaud D., Chambaut H. (2011). Économies d’échelle et économies de gamme en élevage bovin laitier. Paris, Institut de l’Élevage, 126 p.

Saporta G. (2011). Probabilité, analyse des données et statistique. Paris, Technip, 3e éd.

Wooldridge J.M. (2015). Control Function Methods in Applied Econometrics. Journal of Human Resources, vol. 50, n° 2, pp. 420-445.

Haut de page

Notes

1  Le blé, le lait et le porc représentent respectivement 6,2 %, 13,8 % et 8,9 % de la production agricole de l’Union européenne qui s’élevait en 2010 à 347 milliards d’euros (Eurostat, 2012).

2  Pour une revue de synthèse de ces méthodes, cf. Langrell et al. (2012).

3  Le questionnaire servant à établir cette « fiche d’exploitation » et la méthodologie de l’enquête RICA sont disponibles à l’adresse suivante : http://wwww.agreste.agriculture.gouv.fr/enquetes/reseau-d-information-comptable-610/reseau-d-information-comptable.

4  Le modèle représenté par l’équation (1) ne comportant pas de terme constant, l’estimationImage 10000000000000100000001FE9D94070.png peut s’interpréter comme un coefficient unitaire d’allocation de charges variables au produit brut des productions de l’exploitation agricole multiproduits.

5  Dans cette étude, les coefficients estimés peuvent varier individuellement d’une exploitation à l’autre, tout en restant positifs.

6  Règlement CE n° 1217/2009 publié au Journal Officiel de E L328 du 15/12/2009.

7  Le total des charges spécifiques est enregistré par le RICA européen sous le libellé de variable SE281.

8  Cf. le site du projet http://facepa.slu.se.

9  Le coefficient d’asymétrie (skewness) fournit des informations sur l’asymétrie d’une série statistique à distribution unimodale en termes d’écart par rapport à une distribution normale, signalant pour une asymétrie positive (respectivement négative) une queue de distribution plus étalée par valeurs supérieures (respectivement par valeurs inférieures) que celle de la loi normale (Saporta, 2011).

10  L’excès d’aplatissement (kurtosis) renseigne sur le caractère leptokurtique (distribution aux queues plus épaisses et au centre plus pointu) ou platikurtique (distribution plus aplatie) relativement à la loi normale dont le coefficient d’aplatissement est égal à 3 (Saporta, 2011).

11  Défini comme le rapport de la dispersion interquartile au niveau médian, le coefficient interquartile de dispersion fournit une mesure non paramétrique de la dispersion relative.

12  Le tableau complet des tests est disponible sur demande à l’auteur correspondant.

13  Par ordre décroissant : la France (27,9 %), l’Allemagne (17,6 %), le Royaume-Uni (10,9 %), la Pologne (6,9 %), l’Italie (5,0 %), l’Espagne (4,3 %), le Danemark (3,7 %), la Hongrie (2,7 %), la Suède (1,6 %), la Belgique (1,4 %), l’Autriche et les Pays-Bas (1,1 %).

14  Par ordre décroissant : l’Allemagne (20,4 %), la France (17,7 %), le Royaume-Uni (9,9 %), les Pays-Bas (8,4 %), l’Italie (7,8 %), la Pologne (6,6 %), l’Espagne (4,3 %), le Danemark (3,4 %), la Suède (2,2 %), la Belgique (2,1 %), l’Autriche (2,0 %) et la Hongrie (1,1 %).

15  Il s’agit des exploitations laitières produisant 50 % ou plus de leur produit brut en lait de vache.

16  Par ordre décroissant : l’Allemagne (21,6 %), l’Espagne (13,3 %), la France (8,3 %), la Pologne (7,4 %), le Danemark (6,6 %), l’Italie (6,1 %), les Pays-Bas (5,2 %), la Belgique (4,3 %), le Royaume-Uni (2,9 %), l’Autriche (2,1 %), la Hongrie (1,7 %) et la Suède (1,0 %).

17  Les niveaux relativement faibles des coûts de production du porc autrichien pourraient résulter d’un biais de sélection relevant d’une composition particulière de l’échantillon autrichien des producteurs de porc. En effet, d’après InterPIG, groupe international d’expertise sur le porc, leurs coûts totaux figurent parmi les plus élevés en Europe, principalement en raison de la faible taille des ateliers de production (InterPIG, 2006).

Haut de page

Table des illustrations

URL http://journals.openedition.org/economierurale/docannexe/image/5320/img-1.png
Fichier image/png, 1,7k
URL http://journals.openedition.org/economierurale/docannexe/image/5320/img-2.png
Fichier image/png, 1,9k
URL http://journals.openedition.org/economierurale/docannexe/image/5320/img-3.png
Fichier image/png, 2,7k
URL http://journals.openedition.org/economierurale/docannexe/image/5320/img-4.png
Fichier image/png, 957 octets
URL http://journals.openedition.org/economierurale/docannexe/image/5320/img-5.png
Fichier image/png, 1,2k
URL http://journals.openedition.org/economierurale/docannexe/image/5320/img-6.png
Fichier image/png, 1,1k
URL http://journals.openedition.org/economierurale/docannexe/image/5320/img-7.png
Fichier image/png, 801 octets
URL http://journals.openedition.org/economierurale/docannexe/image/5320/img-8.png
Fichier image/png, 1,9k
URL http://journals.openedition.org/economierurale/docannexe/image/5320/img-9.png
Fichier image/png, 2,5k
URL http://journals.openedition.org/economierurale/docannexe/image/5320/img-10.png
Fichier image/png, 739 octets
URL http://journals.openedition.org/economierurale/docannexe/image/5320/img-11.png
Fichier image/png, 1,3k
URL http://journals.openedition.org/economierurale/docannexe/image/5320/img-12.png
Fichier image/png, 568 octets
URL http://journals.openedition.org/economierurale/docannexe/image/5320/img-13.png
Fichier image/png, 3,8k
URL http://journals.openedition.org/economierurale/docannexe/image/5320/img-14.png
Fichier image/png, 6,0k
URL http://journals.openedition.org/economierurale/docannexe/image/5320/img-15.png
Fichier image/png, 1007 octets
Haut de page

Pour citer cet article

Référence papier

Dominique Desbois, Jean-Pierre Butault et Yves Surry, « Distribution des coûts spécifiques de production dans l’agriculture de l’Union européenne : une approche reposant sur la régression quantile »Économie rurale, 361 | 2017, 3-22.

Référence électronique

Dominique Desbois, Jean-Pierre Butault et Yves Surry, « Distribution des coûts spécifiques de production dans l’agriculture de l’Union européenne : une approche reposant sur la régression quantile »Économie rurale [En ligne], 361 | septembre-octobre, mis en ligne le 15 octobre 2019, consulté le 29 mars 2024. URL : http://journals.openedition.org/economierurale/5320 ; DOI : https://doi.org/10.4000/economierurale.5320

Haut de page

Auteurs

Dominique Desbois

UMR Économie publique, INRA, AgroParisTech, Université Paris-Saclay, France ; desbois@agroparistech.fr ; dominique.desbois@inra.fr

Articles du même auteur

Jean-Pierre Butault

Économie publique, INRA, AgroParisTech, Université Paris-Saclay, France

Articles du même auteur

Yves Surry

Swedish University of Agricultural Sciences, Uppsala, Suède

Articles du même auteur

Haut de page

Droits d’auteur

CC-BY-NC-4.0

Le texte seul est utilisable sous licence CC BY-NC 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.

Haut de page
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search