2.1.   Le dispositif

Les mesures agro-environnementales (MAE) sont devenues un instrument de la politique agricole européenne depuis 1992. Les MAE dites « herbagères » visent à maintenir la prairie et l'élevage extensif, tant pour des raisons sociales (maintien de l'agriculture dans les zones de montagne) qu'environnementales (biodiversité, qualité de l'eau). Elles ont constitué, aux côtés des indemnités compensatoires de handicap naturel (ICHN), l'une des deux « mesures de masse » du deuxième pilier de la Politique agricole commune (PAC) en France pendant la période de mise en œuvre du premier règlement européen de développement rural (RDR), couvrant la période 2000-2006 2. La large diffusion de ces mesures tient à leur caractère peu contraignant pour les systèmes d'élevage à l'herbe extensifs existants, à qui elles offrent une alternative à l'intensification ; elles ont été conçues dans cet objectif en France, pour compenser l'aide au maïs, et mises en place après la réforme de 1992 qui pouvait être perçue comme une prime à l'intensification. Ces mesures ont été proposées aux éleveurs, successivement ou en même temps, par plusieurs dispositifs publics offrant des contrats pour une période de cinq ans 3: (i) soit des dispositifs spécifiques dédiés au soutien (maintien) de l'élevage extensif (auquel contribuent par ailleurs certaines primes du premier pilier) : telle la prime herbagère agro-environnementale (PHAE), créée en 2003 en remplacement de la prime au maintien des systèmes d'élevage extensifs (PMSEE) qui avait été créée en 1993 et maintenue jusqu'en 2002, ainsi que, dans une certaine mesure, le dispositif ICHN, incluant, à partir de 2000, des conditions environnementales générales ; (ii) soit des dispositifs contractuels plus transversaux comme les contrats territoriaux d'exploitation (CTE), pour la période 2000-2002, remplacés en 2003 par les contrats d'agriculture durable (CAD) 4. Lors de la campagne 2004 (avril 2004 à mars 2005), étudiée ici, le dispositif est alors à son apogée et les MAE herbagères peuvent être souscrites par des éleveurs dans le cadre de trois dispositifs différents : PHAE, CTE ou CAD. Bien que chaque dispositif ait ses particularités (notamment en ce qui concerne les conditions d'éligibilité) et une portée incitative propre, ils répondent au même objectif et reposent sur des cahiers des charges similaires 5. Compte tenu de cette similitude du cahier des charges et de la non-superposition des dispositifs sur les surfaces, nous étudions un taux de contractualisation des MAE herbagères en 2004 quel que soit le dispositif de mise en œuvre. La nature des dispositifs utilisés pour la contractualisation sera considérée comme une variable institutionnelle (ou de contexte).

Pour la PHAE, comme pour l'ancienne PMSEE, l'objectif public se traduit par deux critères d'éligibilité : le chargement animal maximal et la part minimale des surfaces en herbe au sein de la surface agricole utilisée (SAU) de l'exploitation contractante, conditions variables selon les départements (ce qui est pris en compte dans les variables construites). En 2000-2002, près de 20% des exploitations bénéficiaires de la PMSEE et près de 30% des entités collectives de gestion des estives (qui peuvent bénéficier de ce type d'aide) ont quitté ce dispositif pour entrer dans un CTE avec des MAE 19 et/ou 20. Les autres bénéficiaires de PMSEE continuant à remplir les conditions (parfois assouplies) ont contractualisé dans le cadre de la nouvelle PHAE ou dans celui des CAD 6. En 2004, les différents contrats concernant les MAE 19 et 20 sont actifs (sauf la PMSEE). Les mesures 19 et 20 dans le cadre des CTE ont été contractualisées presque partout en France, largement au-delà des zones couvertes par les anciens bénéficiaires de la PMSEE. Elles touchent un public d'éleveurs moins extensifs et sans obligation de spécialisation (conditions d'éligibilité différentes). Les bénéficiaires de la PHAE sont en grande partie ceux qui n'ont pas voulu ou su entrer dans le dispositif CTE, permettant l'accès à un niveau d'aide supérieur, mais s'adressant généralement à des exploitations en phase d'investissement. Les quatre cinquièmes des bénéficiaires de la PHAE sont également bénéficiaires de l'ICHN. Dans les zones de montagne, les deux dispositifs partagent la même logique d'action : ils maintiennent des exploitations qui entretiennent un paysage structuré, avec un effet général supposé positif sur la biodiversité. Une partie significative des éleveurs remplit les conditions d'éligibilité et, avec un changement minime dans leurs pratiques, les conditions de contractualisation de ces mesures, quel que soit le dispositif. C'est là la principale explication des taux observés qui sont effectivement élevés dans les zones, souvent de montagne ou de piémont, où dominent les systèmes de production bovins intensifs (voir carte en annexe 4). De là vient l'expression généralement utilisée par les évaluateurs de « mesure de masse ». L'attractivité de la prime pour les mesures 19 et 20 est insuffisante pour provoquer des conversions vers l'extensif - d'autres mesures contractuelles peuvent, rarement, soutenir de telles conversions. L'effet attendu est plutôt de compenser le coût d'opportunité de la non-intensification. A cet égard, les enquêtes menées auprès des contractants lors de l'évaluation finale du PDRN (2008) montrent qu'un nombre limité mais significatif d'éleveurs aurait retourné leurs prairies sans ces mesures.

Les systèmes d'élevage en France, y compris une partie des systèmes extensifs, sont engagés depuis plusieurs décennies dans une tendance lente mais lourde d'intensification. A côté des MAE herbagères du second pilier, avec des conditions d'extensification, les primes animales du premier pilier (alors non découplées), qui ne discriminent pas entre élevages intensifs et extensifs, comprennent un complément en faveur des élevages extensifs. La PHAE et le complément extensif des primes bovines avaient comme condition un seuil de chargement commun jusqu'à la suppression de ce seuil en 2006 pour les aides animales. Les mesures herbagères sont largement contractualisées par les agriculteurs qui respectent les seuils concernés dans certains territoires, car d'accès quasi automatiques dans les départements les plus intéressés par leur mise en œuvre. Toutefois, il ne s'agit pas pour autant d'un choix contraint : les éleveurs, par l'orientation technique du système d'élevage, peuvent choisir de satisfaire ces critères, et toucher la prime correspondante, ou d'intensifier. Nous faisons cependant l'hypothèse d'une inégale distribution géographique des capacités à contractualiser.

2.2.   Un cadre d'analyse

Les contrats correspondant aux mesures agro-environnementales peuvent être analysés comme un marché de services écologiques. Pour l'agriculteur qui contracte, il s'agit d'une offre de service jointe à l'activité agricole et qui correspond à un coût de production spécifique (évalué comme surcoûts ou manques à gagner) que l'on peut interpréter également comme un coût d'opportunité de non-intensification. Considérant la rémunération du contrat comme un prix d'équilibre et l'offre et la demande homogènes, l'agriculteur participant offre le service tant que son coût est inférieur au prix, la quantité offerte correspondant à la quantité demandée 7. Si le dispositif est bien constitué, l'offre agrégée des agriculteurs représente un service global. La demande publique (que l'on peut exprimer en volume de financement des contrats ou de surfaces contractualisables) médiatise une demande sociale (Allaire et Blanc, 2003). Il s'agit bien d'un service dans le sens où l'utilité n'est pas directement attachée à l'activité effectuée mais à ses effets. De la même façon que l'activité de prescription d'un médecin, par exemple, vaut par les capacités mises en œuvre mais n'a d'utilité qu'en rapport avec la guérison, le service écologique délivré par un agriculteur mettant en œuvre un cahier des charges de production contractuel n'a d'utilité sociale que par ses effets. Il y a alors deux problèmes distincts : celui du développement du marché des contrats (diffusion de la contractualisation et ses déterminants), qui fait l'objet de ce papier, et celui de l'efficience publique de ces mesures (de ce marché), qui demande de pouvoir mesurer les effets propres des cahiers des charges. Cette deuxième question n'étant pas traitée ici, nous considérons implicitement que les mesures sont efficaces ou que les acteurs partagent sur cette question la même croyance.

Les contrats que nous étudions concernent la gestion agronomique des surfaces fourragères (prairies permanentes et temporaires). Ces contrats entraînent des manques à gagner notamment par la limitation du chargement ainsi que par certains investissements et charges de travail spécifiques (clôtures, déplacement des animaux,...). Néanmoins, les pratiques imposées dans le cahier des charges ont également, la plupart du temps, des effets bénéfiques que peut s'approprier l'agriculteur. L'offre potentielle de ces services est distribuée (probabilité de contractualisation) sur un grand nombre d'opérateurs (éleveurs), aux caractéristiques individuelles variables et pour lesquels le prix des contrats est donc plus ou moins attractif. Plus le coût de production du service (tant au sens des coûts additionnels de respect du cahier des charges qu'au sens plus subjectif du coût de non-changement) est faible, plus on peut supposer que la propension à contractualiser est forte. Le prix auquel le service peut être offert est diminué des bénéfices privés que procurent les charges spécifiques (accès à un label de qualité, par exemple), opportunités qui varient également selon les offreurs et leur localisation. On fait ici l'hypothèse que les caractéristiques de taille, d'orientation de production et de spécialisation de l'exploitation jouent un rôle dans le coût spécifique de production du service.

Certains travaux (Dupraz et al., 2007 ; Defrancesco et al., 2008) mettent en évidence le rôle des variables « niveau de formation » et « sensibilité environnementale » des agriculteurs (variable construite à partir d'enquêtes qualitatives). Les éleveurs ne sont pas isolés lorsqu'ils opèrent des choix d'orientation, ils disposent au travers de réseaux sociaux et professionnels (capital social) de capacités collectives plus ou moins importantes et ajustées, réduisant les incertitudes liées au changement ou au non-changement (qui peut impliquer des innovations d'adaptation) et contribuant à une maîtrise de la mise en œuvre du cahier des charges en termes de coûts et d'efficacité ou permettant plus ou moins de valoriser le contrat de façon privée. Ainsi, il a pu être montré (Ducos et Dupraz, 2006 et 2007) que la contractualisation dépend aussi de l'expérience liée à l'adoption antérieure de ce type de mesure, de la perception du dispositif par l'agriculteur (accès à l'information, confiance dans les procédures) et du capital social de l'agriculteur (insertion dans les réseaux professionnels, qualité de la relation entre l'agriculteur et l'administration), c'est-à-dire des coûts de transaction propre à la relation contractuelle et que réduit la dotation en capital social, coûts qui se distinguent de ceux liés à l'orientation du système de production, aux conditions naturelles et aux compétences techniques de l'agriculteur. Ces coûts de transaction privés dépendent de la qualité institutionnelle de la mise en œuvre des MAE, c'est-à-dire de la capacité des porteurs de programmes agro-environnementaux à les faire connaître, à mobiliser les réseaux professionnels ou associatifs et susciter la confiance dans le dispositif. Aussi les facteurs individuels qui tiennent aux capitaux - humain, social, symbolique - ne sont pas sans rapport avec le capital social collectif ou la qualité institutionnelle d'un territoire puisque ces capitaux se mesurent à travers l'insertion dans des réseaux, qui dans le domaine agricole et environnemental sont des réseaux fortement territorialisés. En effet, contrairement aux mesures du premier pilier et à l'ICHN, les MAE impliquent, selon les départements, plus ou moins d'acteurs institutionnels intermédiaires et montrent des modalités de mise en œuvre, notamment dans la phase d'information et de constitution des dossiers, souvent fort différentes d'un endroit à l'autre (beaucoup plus dans le cas des CTE que pour les CAD ou la PHAE). La base de données utilisée sur la contractualisation ne permettant pas d'appréhender l'insertion des éleveurs dans les réseaux, nous cernerons essentiellement les déterminants qui viennent d'être évoqués par des informations sur le contexte institutionnel local déterminant des capacités d'apprentissage collectif. A cet égard, nous faisons l'hypothèse que le taux de CTE parmi les contrats mettant en œuvre les MAE herbagères reflète la qualité institutionnelle et l'activité des réseaux pour la mise en œuvre de ces MAE dans la zone considérée. Interviennent également des variables non observées.

De son côté, la demande publique de contrats est traduite par les primes attachées aux différents types de contrats. Elle est aussi rationnée par les enveloppes budgétaires régionales et départementales affectées aux mesures concernées. Mais, pour les mesures et la période concernées - signature des contrats avant 2004 - on peut considérer que le dispositif public fonctionnait à guichets ouverts. On considère donc que les éleveurs offreurs sont sélectionnés par le prix proposé pour le contrat. Le prix des contrats (rémunération des MAE) est ajusté à des objectifs locaux et départementaux et aux conditions locales de production par un dispositif public décentralisé (Dupeuble, 2006). Autrement dit, d'une part, le montant payé à l'hectare pour un même cahier des charges varie selon la zone (montagne ou plaine, par exemple) et selon le département ; d'autre part, les conditions d'accès pour un même type de mesure (la PHAE) varient selon les départements (le chargement animal maximal notamment varie, voire n'existe pas).

Tant du côté de l'offre que de la demande, le marché de service considéré, associé à la diffusion des MAE herbagères, est fortement territorialisé (rôle de l'apprentissage collectif et de variables institutionnelles). Pour appréhender les déterminants territoriaux, il faut distinguer ceux qui tiennent à la similitude des conditions naturelles et à la spécificité des systèmes de production locaux, qui conduisent la majorité des éleveurs à des choix similaires, de ceux qui tiennent à la qualité institutionnelle particulière du territoire, qui renvoie en grande partie à des variables non observées. Cette qualité est susceptible d'expliquer des différences dans les taux de contractualisation entre des zones par ailleurs semblables (systèmes de production et conditions naturelles). Cela nous a conduit à chercher à tirer parti de l'information sur la localisation des éleveurs, d'une part en décrivant autant que possible les systèmes de production locaux à partir des variables disponibles et, d'autre part, en cherchant à caractériser l'expérience collective des territoires. Pour ce faire, grâce au fait que nous disposons d'une base nationale exhaustive et non d'un simple échantillon, nous avons pu construire des variables de contexte en agrégeant les données à un niveau micro-territorial. L'enjeu méthodologique de la prise en compte des proximités géographiques est ici d'autant plus décisif que nous disposons d'un tout petit nombre d'attributs des exploitations d'élevage dans le jeu de données utilisé 8, ne permettant pas de saisir la grande variété des systèmes d'élevage, autrement qu'en référence à la localisation. Les variables que nous avons pu construire ne saisissent pas l'ensemble des effets spatiaux, ni l'ensemble de ceux propres aux systèmes de production, ni ceux qui tiennent au profil institutionnel local ; elles sont en nombre limité, mais en rajouter ne changerait pas le fond du problème. Le recours à l'économétrie spatiale permet alors d'évaluer l'importance de plusieurs types d'effets spatiaux via les variables non observées.

4.1.   L'apport des variables de contexte

La première voie suivie ici est de caractériser les effets de proximité par des variables de contexte. Dans un premier temps, un modèle probit simple est estimé en contrôlant uniquement des caractéristiques individuelles de l'élevage, pour servir de référence. Dans le cadre de ce modèle la décision de contracter d'un agriculteur est décrite comme suit. Considérons la différence des utilités pour un agriculteur i appartenant à la zone j lorsqu'il contracte ou pas. Celle-ci sera écrite dans un premier temps en fonction des seules caractéristiques de l'agriculteur que nous résumons dans le vecteur X_ij. Ainsi :

          (1)

où U_{ij 1} (resp. U_{ij 0}) représente l'utilité retirée du fait de contracter (resp. de ne pas contracter) par l'agriculteur i dans la zone j. Cet agriculteur choisira de contracter si U_{ij 1} - U_{ij 0} ≥ 0 et de ne pas contracter dans le cas contraire. L'hypothèse selon laquelle le terme d'erreur est distribué selon une loi normale permet d'aboutir à l'expression de la probabilité de choix d'un agriculteur sous la forme d'un modèle probit. Ce modèle sera appelé par la suite modèle 1.

Dans un deuxième temps, nous introduisons dans la modélisation précédente des variables de contexte considérant que la localisation de l'agriculteur peut influer sur son choix de contractualisation. Deux autres modèles probit sont ainsi proposés en incluant des indicateurs du contexte local définis à deux échelles différentes. Les conditions d'attribution des MAE herbagères varient au niveau des départements ou du type de zone défavorisée. Il en est tenu compte à travers les zonages. Toutefois les effets de réseaux que nous avons mis en exergue dans la section 2 correspondent à des petits territoires, qui commencent à la commune ou au canton pour les réseaux professionnels. Autrement dit, les deux modèles reposent sur l'hypothèse que la différence des utilités peut être maintenant écrite sous la forme suivante :

          (2)

où Z_j est le vecteur des variables de contexte au niveau de la zone j. Les modèles probit 2 et 3 correspondent aux estimations de ce modèle avec des variables de contexte local, respectivement communal et infra-cantonal (zones homogènes du point de vue du cahier des charges et de la prime, dites « zone 27 », cf. annexe 1).

L'introduction de variables de contexte dans les modèles 2 et 3 conduit à lever l'hypothèse d'indépendance des observations (Wooldridge, 2002), en misant sur le fait que les observations sont alors corrélées au sein de la zone considérée, mais indépendantes entre les zones. Pour tirer le meilleur parti de variables de contexte, il faut donc choisir un niveau géographique tel que l'on puisse penser qu'il en va bien ainsi. Intuitivement, on peut penser qu'il faut choisir au départ une échelle supérieure à celle à laquelle on souhaite des prévisions significatives (la commune pour des prédictions au niveau canton, ce que nous avons essayé). L'utilisation de telles variables nécessite un traitement économétrique particulier pour corriger l'estimateur de la variance dans les modèles 2 et 3 et corriger par là les problèmes d'hétéroscédasticité qui pourraient apparaître. Après correction, les résultats des estimations (voir tableau 2) montrent une amélioration du pouvoir prédictif pour ces deux modèles 15 (par rapport au modèle 1), si on considère la log-vraisemblance ou le pseudo R².

Les variables individuelles significatives sont communes aux trois modèles du tableau 2. Elles jouent toutes positivement dans le sens attendu dans le cadre de l'analyse présentée de ce marché de services. Plus la taille économique et (vraisemblablement) le capital humain sont importants, plus la propension à contractualiser est élevée. Lorsqu'on tient compte de la localisation, l'implantation en montagne ou en zone défavorisée (rémunération plus élevée du contrat) augmente fortement la propension à contractualiser (toutes choses égales par ailleurs). Les variables de contexte local significatives sont également, pour l'essentiel, communes aux deux modèles concernés. La prédiction globale paraît meilleure si le contexte est précisé au niveau le plus fin, celui de la commune, ce qui renvoie à l'importance de ce niveau de base dans l'organisation des éleveurs et la diffusion des innovations de tout ordre. Toutefois le niveau infra-cantonal réunissant des petits groupes de communes ayant la même situation à l'égard du zonage du dispositif contractuel se révèle presque aussi pertinent. Dans les deux cas, l'importance des CTE dans la zone par rapport aux autres dispositifs de contractualisation, ainsi que la spécialisation de la zone vers l'élevage et vers l'élevage à l'herbe augmentent la propension à contractualiser, du fait d'un dispositif de contractualisation plus présent et incitatif et du fait de sa diffusion à travers des réseaux locaux. Les effets des primes du premier pilier agrégées montrent, selon le cas, une complémentarité de celles-ci avec les MAE herbagères (c'est le cas des « compléments extensifs ») ou une substitution. Les MAE herbagères (et les ICHN) se substituent - dans les zones de montagne et les zones d'élevage extensif - aux primes animales de soutien des revenus du premier pilier (les cartes en annexe 4 corroborent également ces effets).

Afin d'appréhender le pouvoir explicatif des trois modèles, nous examinons pour chacun les prédictions individuelles et nous les comparons aux réalisations. Par exemple, en imposant un seuil 16 à 0,5, les proportions de contractualisation bien prédites (sensitivité ) et de non-contractualisation bien prédites (spécificité ) se répartissent comme présenté dans le tableau 3.

A ce seuil de découpage des probabilités estimées (0,5), les différences entre modèles ne permettent pas de conclure sur le pouvoir prédictif. Par contre, en faisant varier ce seuil (de 0 à 1), on peut voir comment évoluent les pourcentages présentés dans le tableau 3. De manière générale, on prédit de moins en moins bien les valeurs positives (égales à 1) et de mieux en mieux les autres (égales à 0). Pour résumer ces estimations, on représente habituellement la courbe ROC (Receiver Operating Characteristic) et on calcule l'aire sous cette courbe. De la même manière qu'un indice de concentration, l'aire sous la courbe ROC la plus élevée garantit la meilleure qualité de prédiction du modèle. La dernière ligne du tableau 3 donne les aires calculées pour chacun des modèles et semble donner la préférence au modèle communal pour fournir la meilleure prédiction. Le modèle 3 (infra-cantonal) est lui aussi bien placé et tout deux se détachent sensiblement du modèle individuel simple. Les courbes ROC associées à ces modèles sont représentées à la figure 1.

La supériorité des modèles 2 et 3 par rapport au modèle de référence n'est pas pour surprendre, puisque on ajoute des variables significatives. Ce qu'il nous faut maintenant tester, c'est la qualité de la prédiction de la diffusion géographique des MAE herbagères par ces modèles. Nous avons également testé la prédiction des trois modèles selon le niveau géographique à l'aide d'une statistique non paramétrique. A partir des estimations des probabilités individuelles de contractualisation fournies par chacun des 3 modèles, nous avons calculé un taux de contractualisation estimé en agrégeant à chacun des niveaux géographiques étudiés ces probabilités. Nous avons ensuite comparé ces taux avec les taux observés à ces mêmes niveaux géographiques. Pour effectuer cette comparaison, nous avons mis en œuvre un test de rang appareillé (Test de Wilcoxon). Cette statistique se propose de tester à zéro l'écart entre les taux estimés et les taux observés pour chacune des paires. Le tableau 4 nous donne pour chaque modèle et chaque niveau géographique étudié la statistique de Wilcoxon correspondante.

En valeur absolue, une statistique inférieure à 1,96 empêche le rejet de l'hypothèse nulle (H₀ : taux estimé - taux observé = 0) et conduit donc à considérer comme nulle la différence des taux. Sans surprise, à des niveaux d'agrégation géographique larges, les prédictions sont bonnes ou tout du moins statistiquement proches des observations. Selon ce test, on peut dire qu'autant pour le modèle 1 que pour le modèle 3 nos estimations prévoient des taux de contractualisation acceptables seulement au niveau des départements. A une échelle plus fine, seul le modèle 2 est utilisable. Il permet, en effet, de prédire des taux avec une différence non significative au niveau infra-cantonal (zone 27). Nous retiendrons le modèle 2, un modèle probit sur données individuelles avec des variables explicatives reflétant le contexte communal dans lequel l'individu est situé. Ce modèle nous donne les meilleures prévisions - c'est-à-dire les plus proches de l'observé - en terme de diffusion du taux de contractualisation des mesures agro-environnementales herbagères.

Quant au rejet du 3^e modèle, il permet de revenir a posteriori sur le choix du niveau d'agrégation pertinent pour construire des variables de contexte. Quoique les mêmes attributs de contexte soient significatifs dans les deux cas d'agrégation proposés (communes et « zones 27 »), l'homogénéité interne et l'hétérogénéité externe de ces variables, considérées toutes choses égales par ailleurs, sont plus importantes pour le niveau communal que pour le niveau supérieur considéré, quoique lui-même de faible étendue. Les « zones 27 » homogènes du point de vue des conditions d'attribution, par définition, paraissent plus hétérogènes que les communes du point de vue des systèmes de production. Par contre, les données agrégées au niveau communal représentent bien la diversité des systèmes d'élevage qui vient influencer la probabilité de contractualisation.

4.2.   Présence d'effets spatiaux non observés

Ci-dessus, nous avons essayé de contrôler les déterminants géographiques de la contractualisation en introduisant des variables dites de contexte local. Cependant, tous les déterminants de la décision de contracter sont difficilement observables. Leur omission peut être la source de corrélations spatiales dans les décisions des agriculteurs, celles d'agriculteurs voisins pouvant être influencées par ces facteurs communs omis. Ainsi dans le tableau 2, nous avons reporté les valeurs de la statistique de test proposée par Pinkse et Slade (1998), notée LM, et de la probabilité empirique de dépassement de celle-ci. Cette statistique permet de tester l'absence de corrélation spatiale entre les termes d'erreur entrant dans la différence des utilités sur laquelle est basée la décision de contracter ou pas d'un agriculteur (le modèle latent à la modélisation de type probit). Cette corrélation spatiale peut provenir de variables de contexte omises dans la modélisation proposée 17. Les tests ont été réalisés en considérant la possibilité d'une corrélation spatiale non prise en compte entre agriculteurs appartenant à une même commune. La matrice de proximité entre agriculteurs nécessaire à l'implémentation du test a été définie à partir de cette définition du voisinage 18. Les valeurs des probabilités empiriques associées aux statistiques de test pour les différents modèles indiquent clairement que l'hypothèse d'absence de corrélation spatiale au niveau communal est rejetée quel que soit le modèle probit considéré 19. Ce qui veut notamment dire que les variables de contexte communal utilisées dans le modèle 2 n'épuisent pas tout l'effet de proximité lié à l'appartenance à la même commune, en particulier les effets autres que ceux liés à l'homogénéité locale des systèmes d'élevage.

La prise en compte de la corrélation spatiale qui a été mise en évidence par l'estimation de modèles probit avec erreurs corrélées spatialement à partir de la population des 265 316 agriculteurs nécessiterait de manipuler une matrice de proximité ayant une taille conséquente 20 (265 316 × 265 316). Toutefois, dans la mesure où des variables de contexte, significatives, agrégées au niveau communal ou des zones infra-cantonales sont intégrées dans le modèle explicatif, il est possible de réaliser une économie d'information pour tenir compte des corrélations spatiales non observées en utilisant non plus une matrice de proximité individuelle (appartenance à la même commune), mais une matrice de proximité entre les zones où sont localisés les éleveurs. C'est l'optique de la modélisation proposée par Smith et Lesage (2004). La différence d'utilités pour un agriculteur i appartenant à la zone j y est ainsi écrite de la façon suivante :

           (3)

où U_{ij 1} (resp. U_{ij 0}) représente l'utilité retirée du fait de contracter (resp. de ne pas contracter) par l'agriculteur ; X_ij les caractéristiques de l'agriculteur ; Z_j, les variables de contexte ; θ_j + ε_ij, la contribution à la différence des utilités de variables non observées propres soit à l'agriculteur, soit à la zone d'appartenance de celui-ci, soit aux alternatives ; β et γ, des vecteurs de paramètres dont les valeurs sont inconnues. La contribution des variables non observées est divisée en deux parts. La première partie, ou θ_j, est un effet propre à la zone capturant l'impact de composantes non observées de l'utilité communes à tous les agriculteurs appartenant à la même zone. La deuxième partie, ou effet individuel, capture l'impact de toutes les autres variables omises. Un agriculteur choisira de contracter si cette différence des utilités est positive. Dans le cas contraire, il ne contractera pas.

La corrélation spatiale dans les termes d'erreur du modèle est alors supposée intervenir via les effets propres aux zones. Ainsi, il est supposé que :

           (4)

où θ représente le vecteur des effets propres aux zones ; W, la matrice décrivant les proximités entre ces zones. Cette matrice étant normalisée de telle sorte que la somme des éléments de chaque ligne est égale à 1, ρ mesure le degré de dépendance spatiale entre les effets propres aux zones. Les termes νj sont supposés être indépendants et identiquement distribués selon une loi normale centrée.

Le modèle proposé par Smith et Lesage (2004) permet donc de réduire la dimension de notre problème de départ. Comme pour la définition des variables de contexte, nous sommes confrontés au choix de l'échelle pertinente pour définir les zones entre lesquelles nous testons l'existence d'effet de voisinage. Notons que nous ne définissons plus la proximité à l'intérieur des zones considérées, mais entre ces zones. Nous avons montré précédemment qu'à l'intérieur des communes, mais aussi à l'intérieur des zones 27, se manifestait fortement un effet de voisinage. On peut donc supposer un effet de voisinage entre communes 21. L'approche proposée dans cette nouvelle étape vise à cerner, s'ils existent, les effets à l'échelle supérieure des acteurs institutionnels intermédiaires, en testant la proximité entre zones 27. La matrice des proximités entre ces zones est alors de dimension 5 838 × 5 838 (matrice composée de 1 quand deux zones possèdent une frontière commune et 0, sinon) ; elle est bien entendu normalisée comme indiqué ci-dessus 22. Ce faisant, l'observation d'un effet de voisinage signifie qu'il y a un effet du profil institutionnel (non observé) des territoires à une échelle qui se situerait entre les zones 27 et les départements. En effet, nous avons vu que la diversité des systèmes d'élevage est mieux capturée au niveau communal et qu'au niveau local et infra-communal se manifestent des effets de proximité que l'on peut attribuer aux réseaux sociaux locaux.

Le tableau 5 donne les moyennes estimées des distributions a posteriori des paramètres de trois modèles probit spatiaux, les valeurs estimées du coefficient de dépendance spatiale, et indique les niveaux de signification respectifs. Les trois modèles correspondent aux trois modèles estimés précédemment. Ainsi le premier, ou modèle 4, ne prend en compte que les caractéristiques de l'exploitation comme déterminants potentiels de la décision de contracter d'un agriculteur. Les modèles 5 et 6 y ajoutent les variables de contexte construites, soit au niveau communal (modèle 5), soit au niveau de la zone 27 (modèle 6). Comme précédemment, la variable « bénéficiaire d'une ICHN » est exclue dans ces deux derniers modèles, car elle est fortement corrélée, au niveau agrégé, avec l'implantation en montage ou encore en zone défavorisée.

Tout comme dans les modèles probit standard, pratiquement toutes les variables explicatives introduites dans les modèles probit spatiaux sont significatives et possèdent les signes attendus. Les valeurs estimées des paramètres restent stables entre les différentes spécifications. Le résultat notable est que la valeur estimée du coefficient de dépendance spatiale ρ, qui est significativement différente de zéro au seuil de 5 % dans le modèle 4, n'est plus significative lorsque sont introduites les variables de contexte dans les modèles 5 et 6. L'introduction des variables de contexte dans ces deux derniers modèles fait disparaître l'autocorrélation spatiale entre les effets propres aux zones constatée dans le modèle où seules les caractéristiques des agriculteurs sont considérés. Cette autocorrélation semble donc provenir de l'omission des variables de contexte. Autrement dit, l'effet significatif de la proximité entre zones infra-cantonales dans le modèle 4 - sans variable de contexte local - suggère l'existence d'un effet institutionnel à une échelle intermédiaire, comme nous en avons fait l'hypothèse. Cet effet n'est plus mis en évidence lorsque l'on utilise les variables spécifiant notamment la diversité des systèmes d'élevage à un niveau local plus fin. Le poids des systèmes locaux par rapport à des effets institutionnels qui tiendraient plutôt au mode de gestion des dispositifs publics par les acteurs institutionnels intermédiaires s'explique sans doute par ce que nous avons appelé le caractère de masse de ces mesures.

Pour juger de la qualité de l'ajustement par les différents modèles probit spatiaux, nous avons ici aussi construit les courbes ROC leur correspondant. Celles-ci sont reportées sur la figure 2. La courbe associée au modèle 5, à savoir le modèle probit spatial avec effet de contexte communal, semble dominer celle des deux autres modèles probit spatiaux. Ainsi le modèle 5, comme le modèle 2, produirait une meilleure prédiction des comportements observés que les deux autres modèles probit spatiaux, la commune étant la meilleure échelle pour spécifier le contexte local. Il est aussi à noter que ce modèle prédit mieux les comportements observés que les modèles probit standard.