EVALUATION QUANTITATIVE DU NIVEAU...

16
Revue de Géographie Tropicale et d’Environnement, n°1, 2013 © (EDUCI), 2013 19 EVALUATION QUANTITATIVE DU NIVEAU D’EQUIPEMENT DES LOCALITES RURALES : ESSAI DE MODELISATION. APPLICATION AU DÉPARTEMENT D’ALÉPÉ. LOBA AKOU DON FRANCK VALÉRY Enseignant – chercheur. Institut de Géographie Tropicale, Université de Félix Houphouët-Boigny - Cocody Abidjan, Côte d’Ivoire. [email protected] RÉSUMÉ La présente étude a pour objectif de proposer à partir d’une fonction score, un indice permettant de hiérarchiser les localités rurales selon leur dotation en équipements et service de base. L’étude a été motivée par le déficit d’informations auquel sont très souvent confrontés les décideurs quand il s’agit d’intervenir par des actions concrètes en faveur des masses rurales. L’approche méthodologique est essentiellement fondée sur les statistiques inférentielles. L’identification et la description des variables d’analyse achevée, une classification hiérarchique a permis de repartir les localités en groupes homogènes. Sur cette base, une analyse discriminante a été effectuée et a permis de construire la fonction score. Les acquis de la présente recherche expérimentés sur les localités du département d’Alépé confirment les disparités spatiales connus jusqu’à ce jour au sein de la circonscription. Ce résultat conforme aux données de l’observation directe du terrain atteste de la cohérence du modèle et de notre démarche dans son ensemble. Notre fonction score se présente donc comme un outil novateur dans la planification stratégique et les diagnostics territoriaux. Mots-clés : Développement, Équipements, Rural, Indice, Fonction score. ABSTRACT Offer from a score function, an index for prioritizing rural communities according to their provision of equipment and service base this study aims. The study was motivated by the lack of information which are often facing policy makers when it comes to intervene in concrete actions in favor of the rural masses. The methodological approach is mainly based on inferential statistics. The identification and description of the analysis completed variables, a hierarchical classification allowed to leave the areas in homogeneous groups. On this basis, a discriminant analysis was performed and helped build the score function. The achievements of this experienced research areas of Alépé department confirm spatial disparities known so far in the district. This result consistent with data from direct field observation demonstrates the consistency of the model and our approach as a whole. So our score function is as an innovative tool in strategic planning and territorial diagnostics. Key words: Development, Equipment, Rural, Index, Score function.

Transcript of EVALUATION QUANTITATIVE DU NIVEAU...

Page 1: EVALUATION QUANTITATIVE DU NIVEAU …revue-geotrope.com/.../2-EVALUATION-QUANTITATIVE-LOBA-19-34.pdf · donc comme un outil novateur dans la planification stratégique et les ...

Revue de Géographie Tropicale et d’Environnement, n°1, 2013

© (EDUCI), 201319

EVALUATION QUANTITATIVE DU NIVEAU D’EQUIPEMENT DES LOCALITES RURALES : ESSAI DE MODELISATION.

APPLICATION AU DéPARTEMENT D’ALéPé.

LOBA AkOU DON FRANCk VALéRyEnseignant – chercheur.

Institut de Géographie Tropicale, Université de Félix Houphouët-Boigny - Cocody

Abidjan, Côte d’Ivoire. [email protected]

RéSUMé

La présente étude a pour objectif de proposer à partir d’une fonction score, un indice permettant de hiérarchiser les localités rurales selon leur dotation en équipements et service de base. L’étude a été motivée par le déficit d’informations auquel sont très souvent confrontés les décideurs quand il s’agit d’intervenir par des actions concrètes en faveur des masses rurales.

L’approche méthodologique est essentiellement fondée sur les statistiques inférentielles. L’identification et la description des variables d’analyse achevée, une classification hiérarchique a permis de repartir les localités en groupes homogènes. Sur cette base, une analyse discriminante a été effectuée et a permis de construire la fonction score. Les acquis de la présente recherche expérimentés sur les localités du département d’Alépé confirment les disparités spatiales connus jusqu’à ce jour au sein de la circonscription. Ce résultat conforme aux données de l’observation directe du terrain atteste de la cohérence du modèle et de notre démarche dans son ensemble. Notre fonction score se présente donc comme un outil novateur dans la planification stratégique et les diagnostics territoriaux. Mots-clés : développement, équipements, rural, Indice, Fonction score.

ABSTRACT

Offer from a score function, an index for prioritizing rural communities according to their provision of equipment and service base this study aims. The study was motivated by the lack of information which are often facing policy makers when it comes to intervene in concrete actions in favor of the rural masses. The methodological approach is mainly based on inferential statistics. The identification and description of the analysis completed variables, a hierarchical classification allowed to leave the areas in homogeneous groups. On this basis, a discriminant analysis was performed and helped build the score function. The achievements of this experienced research areas of Alépé department confirm spatial disparities known so far in the district. This result consistent with data from direct field observation demonstrates the consistency of the model and our approach as a whole. So our score function is as an innovative tool in strategic planning and territorial diagnostics.Key words: Development, Equipment, Rural, Index, Score function.

Page 2: EVALUATION QUANTITATIVE DU NIVEAU …revue-geotrope.com/.../2-EVALUATION-QUANTITATIVE-LOBA-19-34.pdf · donc comme un outil novateur dans la planification stratégique et les ...

20 loba akou Don Franck Valéry : evaluation quantitative du niveau d’équipement des localités rurales ...

INTRODUCTION

La programmation du développement à l’échelle régionale a de tout temps été une préoccupation pour les praticiens de l’aménagement et les planificateurs. Ces derniers sont à cet effet fortement sollicités par les décideurs et autre pouvoir public dont le champ d’intervention se veut le plus proche possible des populations, leurs potentiels électeurs. C’est dans cette logique que plusieurs perspectives et stratégies de développement sont conçues par les pouvoirs locaux en termes de renforcement de l’accessibilité aux équipements et services de base. En Côte d’Ivoire, les plans quinquennaux et les programmes triennaux tant municipaux que départementaux - dont le but est d’asseoir un développement global, équilibré et intégré- en sont des exemples patents. dans leur mise en oeuvre, ces stratégies et politiques de développement régional sont confrontées dans la grande majorité à des problèmes d’opérationnalisation le plus souvent complexes et essentiellement liés à une méconnaissance du terrain et de ces réalités en un mot de l’existant en matière d’équipements et d’infrastructures. de plus, les difficultés socioéconomiques et institutionnelles auxquelles sont confrontés les gouvernements au sud du Sahara, ne leur permettent pas de faire de l’actualisation de l’information relative à l’existant en matière d’équipements une priorité.

Les entités régionales étant en perpétuelle mutation, aucun diagnostic ne peut être considéré comme définitif, d’où cette impérieuse nécessité de faire appel à la capacité d’inventaire afin d’actualiser l’existant et de planifier l’intervention étatique ou des pouvoirs locaux. En effet, on ne peut aménager sans détenir une liste exhaustive des éléments qui structurent et ou composent l’espace. On ne peut prétendre réduire les disparités régionales sans détenir de façon exhaustive l’information sur les équipements et services de base en fonction dans les localités. En somme, une planification du développement n’est viable que si l’on possède un inventaire complet des besoins, et des potentialités d’un espace donné. L’actualisation de l’inventaire des équipements et des infrastructures s’avère nécessaire pour approfondir nos connaissances sur le niveau de développement des régions et des localités qui les composent.

Mais une fois une possession de l’information sur le

niveau d’équipement existant, comment prioriser sans parti pris et sans à priori l’action du planificateur ou de l’aménageur? Comment à partir d’informations diverses et variées (qualitative et quantitative) pourrons nous effectuer un classement des localités et régions selon leur niveau d’équipement ? C’est pour répondre à cette préoccupation que se posent de nombreux praticiens de l’aménagement et de la planification territoriale que nous nous sommes proposés de mettre sur pied un indicateur synthétique qui permettrait de quantifier le niveau d’équipement. En somme, il s’agit de trouver un indice permettant de classer les localités selon les équipements qu’elles en possèdent. Cette réflexion devrait permettre aux autorités de mieux appréhender la planification du développement par la prise en compte des besoins réels des populations. Il s’agira ainsi dans le long terme de réduire les disparités régionales et de renforcer la solidarité nationale.

Aussi, paraît-il opportun de noter que les conclusions de notre recherche permettront d’évaluer les indicateurs régionaux de développement humain durable et de donner ainsi une orientation précise aux actions gouvernementales, dans un contexte international favorable à la lutte contre la pauvreté et l’exclusion.

Comme champ d’expérimentation, les localités du département d’Alépé ont été retenues. Qu’est ce qui explique ce choix. Alépé notons le, est un département aux multiples potentialités mais qui connaît un faible niveau de développement. Cette réflexion ici conduite s’inscrit dans la suite logique de nos travaux engagés sur ce département depuis 2000. Le fait de disposer de suffisamment de données sur cet espace a donc fortement milité en sa faveur. Mais en plus, force est de reconnaître que c’est un espace représentatif de la réalité rurale ivoirienne tant sur le plan socioéconomique que démographique.

Notre démarche essentiellement basée sur l’approche quantitative va s’appuyer sur les statistiques inférentielles pour produire un modèle qui attribuera un score aux localités en fonction des équipements qu’elles abritent.

Pour atteindre cet objectif, nous avons dans un premier temps procédé à une analyse descriptive qui a permis de décrire les variables de l’étude.

Page 3: EVALUATION QUANTITATIVE DU NIVEAU …revue-geotrope.com/.../2-EVALUATION-QUANTITATIVE-LOBA-19-34.pdf · donc comme un outil novateur dans la planification stratégique et les ...

Revue de Géographie Tropicale et d’Environnement, n°1, 2013

© (EDUCI), 201321

deuxièmement, une classification a permis de catégoriser les localités en groupe homogène. Et enfin, une analyse discriminante effectuée à partir des groupes homogènes constitués a abouti au calcul des différents scores. L’analyse discriminante a aussi permis de déterminer un seuil qui a distingué les localités en deux classes : celle des relativement équipées et celles des faiblement équipées.

rappelons que les saisies et analyses effectuées dans le cadre de cette étude, l’ont été sous les logiciels SPAd (version 5.5) et Microsoft Excel.

Dans un contexte où de profonds changements sont annoncés, en matière de développement régional, cette approche quantitative de l’évaluation du niveau d’équipement peut être d’un grand appui. On entend ainsi relancer, et stimuler à nouveau le développement des localités par le biais d’une politique de décentralisation fondé sur un diagnostic dépourvu du maximum de subjectivité, accordant du coup un statut nouveau et particulier aux circonscriptions administratif selon l’urgence.

RESULTATS

1-IdENTIFICATION dES vArIABLES

La construction du modèle que nous proposons est d’un grand intérêt pour la planification du déve-loppement régional. En effet, les études régionales entreprises au cours des deux premières décennies post indépendance ont été dispersées et/ou mal conservées, et n’ont pas été l’objet de suivi constant et régulier. Néanmoins, les inventaires réalisés par les projets FrAr (Fonds régionaux d’Aménage-ment rural) de 1970 à 1973 qui quoiqu’ aujourd’hui difficiles d’accès, les études de Tanoh (2001), Loba (2002), Assémien (2003), diakité (2005) nous ont été très utiles quant à la sélection des variables à mobiliser pour la construction de notre modèle. Ces variables concernent :

L’accessibilité géographique des localités ;

Le statut administratif ;

La population ;

La présence et le nombre d’établissements scolaires ;

La présence et le nombre d’établissements

sanitaires ;

Le nombre de services administratifs et centres socio culturels ;

La présence des réseaux de téléphonie, d’électricité, d’adduction en eau potable ;

La présence de stations services, de marchés couverts, et de poste ;

L’existence d’un plan de lotissement de la localité.

Le choix desdites variables s’explique par leur rôle déterminant dans la polarisation, la structuration et l’organisation de l’espace. En effet, depuis la mise en place des FrAr, il a été admis par les planificateurs ivoiriens de privilégier dans la hiérarchisation des localités, leur capacité à abriter prioritairement des établissements scolaires, des structures de santé, des services socioéconomiques et culturels. Les localités desservies par voie bitumée, dotée d’une charge démographique conséquente et bénéficiant des privilèges ci-dessus évoqués étaient considérées comme des points forts dans la structuration du territoire. La prise en compte des variables sollicitées dans cette étude se justifie donc amplement par cette dimension sociale et humaine du développement. Suivant cette conception de la mesure du développement telle que préconisé par des institutions internationales comme la Banque Mondiale, le PNUd (Programme des Nations Unies pour le développement), et la BAd (Banque Africaine de développement) pour ne citer que celles là, l’implantation des équipements et l’accessibilité aux services qui en découlent sont des paramètres primordiaux. Là encore, la santé, l’éducation et l’insertion socioéconomique animent les débats ; d’ailleurs toute la problématique du développement s’est construite autour de ces concepts. L’opérationnalisation de l’IdH (Indice de développement Humain) au début des années 1990 en est la parfaite illustration. L’avènement de cet indicateur composite a profondément influencé la perception de la notion de développement. Cette nouvelle perception des paramètres sociaux s’est alors imposée au décideur et la problématique de la dotation en équipements est devenue une priorité pour tous les gouvernements en l’occurrence ceux des pays pauvres en dépit du contexte financier défavorable. depuis lors, les institutions ayant la

Page 4: EVALUATION QUANTITATIVE DU NIVEAU …revue-geotrope.com/.../2-EVALUATION-QUANTITATIVE-LOBA-19-34.pdf · donc comme un outil novateur dans la planification stratégique et les ...

22 loba akou Don Franck Valéry : evaluation quantitative du niveau d’équipement des localités rurales ...

charge de la coordination du développement incitent ces derniers à accorder un intérêt particulier aux équipements socio collectifs, c’est-à-dire à leur mécanisme de financement, de programmation et de gestion.

Le tableau ci-dessous récapitule les variables in-tégrées dans la matrice d’information après inventaire ainsi que les modalités qu’elles expriment.

Tableau 1 : Identification des variables d’analyse.

Dimensions Variables Modalité

Localisation et statut administratif

Accessibilité géographiqueBitumePiste

Statut

Départementsous préfecture

Communevillage centre

Démographie Population Effectif

Education

PréscolairePrésence : quantité

Pas de présence

PrimairePrésence : quantité

Pas de présence

SecondairePrésence : quantité

Pas de présence

Santé

MaternitéPrésence : quantité

Pas de présence

DispensairePrésence : quantité

Pas de présence

Edilité, réseau et administration

Lotissement OuiNon

Eau

pas de pompeChâteau

Adduction à eau potable (AEP)

1 pompe pour moins de 1000 habitants

1 pompe pour plus de 1000 habitants

ElectrificationOuiNon

TelOuiNon

PosteOuiNon

StationOuiNon

Administration Présence : quantitéPas de présence

Marché couvert Présence : quantitéPas de présence

Centre socio culturel Présence : quantitéPas de présence

Source : nos enquêtes

Page 5: EVALUATION QUANTITATIVE DU NIVEAU …revue-geotrope.com/.../2-EVALUATION-QUANTITATIVE-LOBA-19-34.pdf · donc comme un outil novateur dans la planification stratégique et les ...

Revue de Géographie Tropicale et d’Environnement, n°1, 2013

© (EDUCI), 201323

2-MéThODOLOgIE DE CONSTRUCTION DU MODèLE

Notre démarche se résume essentiellement en deux étapes que sont la classification hiérarchique ascendante et l’analyse discriminante ayant abouti à la fonction score.

ETAPE 1 : LA CLASSIFICATION

La classification est une méthode statistique qui cherche à partitionner un ensemble d’individus en groupes homogènes en fonction de leurs caractéris-tiques. Les localités appartenant à la même classe doivent se ressembler par rapport aux variables de l’étude. La classification est d’abord précédée par une analyse factorielle. Celle-ci consiste à réduire le nombre de variables par des variables latentes appelées facteurs. Ces facteurs ne sont que des combinaisons des variables observées. A l’aide de ces facteurs, les localités ou variables seront repré-sentées dans des plans à deux dimensions. Chacun de ces plans restitue ou représente l’information selon un certain degré de la réalité. Il s’agira donc de sélectionner le nombre de facteurs qui expliquera le phénomène observé à au moins 80%.

Compte tenu du caractère qualitatif des variables de notre étude c’est l’analyse des correspondances multiples (ACM) qui sera utilisée comme méthode d’analyse factorielle. A partir de cette analyse, nous ferons une classification. Pour ce faire, la classifica-tion ascendante hiérarchique (CAH) sera retenue. Elle utilise les coordonnées des localités étudiées, sur les facteurs décrits par l’analyse des correspon-dances multiples.

a) Choix du nombre des facteurs à étudier Analyse en composantes multiples

Chaque facteur fourni par l’analyse, est associé à une valeur propre qui décrit le pouvoir explicatif du facteur. En d’autres termes, une valeur propre d’un facteur exprime un seuil qui restitue le degré de significativité du phénomène observé ou étudié. Par exemple, un facteur propre égal à 35.42 signifie que ce facteur en lui seul restitue 35.42% du phénomène décrit. rappelons qu’un facteur est une combinaison linéaire des variables de l’étude. L’histogramme des valeurs propres présente les valeurs propres de tous

facteurs produits et le cumul de ces valeurs propres. L’on retiendra par principe l’ensemble des valeurs propres qui fournissent au moins 80% de l’information cumulée, il s’agit du critère de coude.

b) Le recours au dendrogramme

Pour regrouper les localités selon ces facteurs infrastructurels, nous avons utilisé la méthode de la Classification Ascendante Hiérarchique (CAH) et plus précisément le critère de Ward. Elle est rapide, précise et fournit une hiérarchie de partitions, une suite de niveaux permettant de trouver empirique-ment les partitions les plus pertinentes. Le critère d’arrêt est l’accroissement de l’inertie interclasses. Après un certain nombre d’itérations, l’accroissement par rapport à l’itération précédente doit être faible (proche de 0).

L’arbre hiérarchique ou dendrogramme permet de repartir les individus observés en grandes classes homogènes. Ainsi le dendrogramme présente les regroupements en classe obtenue.

c) caractéristiques des classes

Il s’établit suivant le dendrogramme une corres-pondance classe-individu. Cette correspondance est pertinente du fait qu’elle s’intéresse de façon particulière à la relation qui lie les individus (les localités) aux classes constituées. Chacune des classes obtenues par le dendrogramme de la CAH caractérise les localités.

ETAPE 2 : L’ANALySE dISCrIMINANTE

A ce niveau, notre objectif est de réaliser une analyse Factorielle discriminante plus précisément le Scoring sur les données des localités observées afin d’apprécier le degré d’équipement en infrastructures. Pour ce faire, nous ferons d’abord une régression linéaire sur la variable « équipement » qui a deux modalités «1=équipé » et « 2=sous équipé » mis en évidence par la CAH. Les coefficients de la régression seront transformés en score. Le score en équipements d’une localité sera obtenu en faisant la somme des coefficients pris par ses différentes modalités. Enfin, nous avons élaboré un formulaire sur le logiciel MS excel qui permet de calculer le score et d’afficher la décision finale (localité sous équipé ou localité relativement équipé).

Page 6: EVALUATION QUANTITATIVE DU NIVEAU …revue-geotrope.com/.../2-EVALUATION-QUANTITATIVE-LOBA-19-34.pdf · donc comme un outil novateur dans la planification stratégique et les ...

24 loba akou Don Franck Valéry : evaluation quantitative du niveau d’équipement des localités rurales ...

a) La régression linéaire

La variable équipement a deux modalités : « 1=équipé » et « 2=sous équipé ». L’analyse discri-minante est donc formellement équivalente à une régression. L’échantillon sera subdivisé en deux groupes : « localités équipées » et « localités sous équipées ». Nous allons donc régresser la variable « équipement » sur les variables les plus explicatives.

Certaines variables du fait de leur poids ne seront pas prises en compte dans la réalisation de la fonc-tion discriminante. Ces variables seront exclues du fait qu’elles contribuent faiblement aux modèles en ce sens qu’elles ne sont pas significatives.

Pour cela nous spécifions le modèle suivant :

où les paramètres de droite constituent les fac-teurs issus de l’analyse en composantes multiples réalisée sur les variables qualitatives de l’échantillon et la variable dépendante est la variable nominale « équipement » qui prend les valeurs 1 (selon que la localité est équipée) ou 2 (selon que la localité est sous équipée).

Le pouvoir explicatif du modèle est représenté par le coefficient de régression qui est « R2 ». Le modèle explique donc à r2 x 100 (soit en %) le phénomène décrit. Si la P value globale du modèle est inférieur à 5%, alors le modèle est globalement significatif.

On procède par la suite à une reconstitution de la Fonction linéaire de Fisher à partir des variables d’origine.

L’analyse de la fonction discriminante de Fisher reconstituée en fonction des variables nominales utilisées dans le modèle indique qu’à l’intérieur de chacune des variables nominales explicatives de l’appartenance à une classe (sous équipée et équipé), les modalités qui discriminent le plus entre les localités sont celles qui ont les coefficients de fonction discriminante les plus élevés. Ainsi il ressort que les variables les plus pertinentes de la discrimi-nation sont celles dont leur T de Student supérieurs à 1.96. Partant de cette observation, on peut identifier globalement les variables les plus discriminantes parmi celles utilisées dans le modèle.

b) Transformat ion de la fonct ion discriminante en fonction score

La fonction score a été élaborée pour chacune des variables en fonction des résultats de l’analyse discriminante. Les modalités ayant les coefficients de fonction discriminante les plus faibles se sont vues attribués « 0 » comme score.

Dans cette spécification, toutes les localités ayant un score faible sont classées dans la catégorie des localités sous équipées et les localités ayant un score élevé sont classées dans la catégorie de localité relativement équipée. Ainsi le score total d’une localité est obtenu en additionnant les scores affectés aux modalités des variables qualitatives. Ces scores élaborés à partir de coefficients de la Fonction Linéaire discriminante permettent de quantifier chacune des modalités des variables les plus discriminantes. Le score ou indice d’une localité se calcule en faisant la somme des coefficients scores qu’elle obtient pour les modalités des variables la caractérisant. C’est ce score qui permettra de classer les localités. La formule suivante donne la fonction score pour une localité donnée: F(e) :

{ }1

où ( ) est le score de la caractéristique i , i 1,....,k , k étant le ( ) ( ) no; mbre de variables.k

i ii

C eF e C e=

∈=∑

disposant ainsi des valeurs de la fonction score sur les localités, l’on peut prendre les décisions sui-vantes en fonction d’une certaine valeur seuil :

• Si le Score est compris entre 0 et la valeur seuil, alors considérer la localité comme sous équipée en infrastructure de développement ;

• Si le Score supérieure, alors considérer la loca-lité comme étant relativement équipée.

3- APPLICATION dU MOdèLE dE LA FONCTION SCOrE AUx LOCALITéS rUrALES dU déPArTEMENT d’ALéPé

Le test a porté sur le département d’Alépé. Sur la base des informations du rGPH de 1998 et de notre observation directe du terrain, 33 localités ont été soumises à la présente expérimentation.

Dans l’histogramme ci-dessous (voir figure 1), le seuil de 80% est atteint au niveau de la 6ème ligne du tableau, ce qui représente le sixième axe. A ce

Page 7: EVALUATION QUANTITATIVE DU NIVEAU …revue-geotrope.com/.../2-EVALUATION-QUANTITATIVE-LOBA-19-34.pdf · donc comme un outil novateur dans la planification stratégique et les ...

Revue de Géographie Tropicale et d’Environnement, n°1, 2013

© (EDUCI), 201325

niveau on est à une fréquence cumulé de 80.22%. Ces 6 premiers axes factoriels permettent de capter au moins 80% des informations contenues dans les données. Ces axes factoriels seront très utiles pour regrouper les individus en classes homogènes selon leurs caractéristiques. Cette étape est intermédiaire à la classification. Elle nous permet d’identifier le nombre d’axes factoriel à sélectionner pour mener

à bien la classification. Les axes les plus significatifs sont les axes 1 et 2. L’axe1 est porté par les modalités décrivant l’accessibilité géographique (piste et route bitumée). L’axe 2 est porté les modalités relatives à l’accessibilité à l’eau potable.Figure 1 : Exemple d’Histogramme valeurs propres

a) La classification ascendante hiérarchique (CAH)

Elle a permis de regrouper les localités en 3 classes, mais seulement deux retiendrons notre attention. La classe 3 abritant le chef lieu du département, du faite de son statut essentiellement urbain et de sa singularité a été exclue de l’échantillon. Nous rappelons que ce modèle a été construit à l’intention des localités rurales (voir tableau 2).

Tableau 2: identification des classes issues du dendrogramme

Classe Désignation Effectif ProportionClasse 1 Faiblement équipées 23 70%Classe 2 relativement équipées 9 27%Classe 3 Statut urbain et administratif particulier 1 3%Total 33 100%

Source : rGPH 1998, résultats de nos calculs sur SPAd

La classe 1 : regroupant 70% de l’échantillon testé, désigne les localités faiblement équipées.

Ce sont :

Page 8: EVALUATION QUANTITATIVE DU NIVEAU …revue-geotrope.com/.../2-EVALUATION-QUANTITATIVE-LOBA-19-34.pdf · donc comme un outil novateur dans la planification stratégique et les ...

26 loba akou Don Franck Valéry : evaluation quantitative du niveau d’équipement des localités rurales ...

Tableau 3 : les localités de la classe 1

Numéro d’ordre

Numéro dans la Base

Libellé de l’individu

1 1 Abrotchi2 6 Nianda3 7 Aboisso comoe4 10 Alosso 15 11 Alosso 26 12 Andoumbatto7 14 Dzeudji8 16 kodioussou9 17 kossandji10 18 Koutoukro 111 19 Koutoukro 212 20 Mbohoin13 21 Mopodji14 22 Motobé15 24 N’gokro16 26 Oguedoume17 27 yakasse comoe18 28 Yapokoi19 29 Nougoussi20 30 N’sankoi21 31 N’zérékou22 32 Anokro23 33 Abruky

Source : Nos calculs sur SPAd

Cette classe contient les localités caractérisées par :

une absence d’électrification (82,61% des localités de la classe)

une absence d’établissement préscolaire (toutes les localités de la classe)

Une absence de téléphone (95,65% des localités de la classe)

Une absence de dispensaire (82,61% des localités de la classe)

L’accès à toutes les localités de cette classe se fait sur piste

95,65 % des localités de cette classe ne sont pas approvisionnées en eau potable

La classe 1 peut donc être interprétée comme la classe des localités sous équipées

La classe 2 : regroupant 27% de l’échantillon testé, désigne les localités les mieux équipées.

Tableau 4 : les localités de la classe 2

Numéro d’ordre

Numéro dans la Base

Libellé de l’individu

1 3 Ingrakon2 4 Monga3 5 Montézo4 8 Ahoutoué5 9 Akouré6 13 Dinguira7 15 Gd Alepé8 23 Memni9 25 Oglhwapo

Source : Nos calculs sur SPAd

Cette classe contient les localités qui ont les caractéristiques qui s’opposent aux localités de la classe précédente. Toutes les localités de cette classe ont l’électrification. Ces localités sont toutes loties. 6 sur 9 Localités de cette classe sont dotées de maternité, d’établissement préscolaire. 7 des 9 localités de la classe ont un dispensaire. Toutes les localités de cette classe sauf une ont une addiction en eau potable. Cette classe peut donc être inter-prétée comme la classe des localités relativement équipées.

Cette section a permis de subdiviser les localités du département d’Alépé en deux classes:

La première classe est composée des localités sous équipées en infrastructures de développement

La deuxième classe composée des localités relativement équipées en infrastructures de développement

La deuxième partie de l’étude consiste à utiliser les résultats de cette classification pour construire un indicateur qui permettra d’apprécier les infrastructures d’une localité donnée. Il s’agira d’une analyse discriminante associée à une fonction score. La localité d’Alépé étant toute seule et atypique ne fera pas partir de la base.

b) L’analyse Factorielle Discriminante

Le niveau d’équipement s’exprime suivant deux modalités : « 1=équipé » et « 2=sous équipé ». L’analyse discriminante comme décrite ci haut, est

Page 9: EVALUATION QUANTITATIVE DU NIVEAU …revue-geotrope.com/.../2-EVALUATION-QUANTITATIVE-LOBA-19-34.pdf · donc comme un outil novateur dans la planification stratégique et les ...

Revue de Géographie Tropicale et d’Environnement, n°1, 2013

© (EDUCI), 201327

donc formellement équivalente à une régression. L’échantillon est subdivisé en deux groupes : 9 localités « équipées » et 23 « sous équipées ». La régression de la variable « équipement » sur les variables explicatives a permis de dégager les variables suivantes comme plus pertinentes : l’accessibilité géographique, le statut administratif, La présence d’établissement Préscolaire, de Maternité, de dispensaire, d’un plan de lotissement, l’adduction en eau potable, en électricité, la connexion Téléphonique, et la présence de Marché couvert.

Le pouvoir explicatif du modèle représenté par le coefficient de régression est R2=0,85. Le modèle explique donc à 85% le phénomène décrit. P value

globale du modèle est 0 ,000<10% Le modèle est globalement significatif.

Les résultats de l ’analyse discriminante nous donnent comme coefficients de la fonction discriminante de Fisher. Selon l’analyse factorielle, nous avons la restitution à 80% de l’information à partir de 6 axes factoriels, mais lorsqu’on utilise 10 axes, nous avons un pouvoir explicatif renforcé (r2=85% contre 82% pour 6 axes factoriels). Le modèle à 10 facteurs est retenu. (voir Tableau 5)

Tableau 5 : Synthèse de l’analyse discriminante

R2 = 0.85261 Fisher = 12.14773 Probabilité = 0.0000

D2 (Mahalanobis) = 26.82729 T2 (Hotelling) = 173.53905 Probabilité = 0.0000

Libellés des facteurs

Corrélations avec la F.L.D.

(seuil = 0.359)

Coefficients de la F.L.D.

Coefficients de

régression

Ecarts-types (régression)

T de Student

(régression)Probabilité

F 1 -0,873 -17,438500 -1,232670 0,1187 10,3851 0,0000F 2 -0,178 -5,758130 -0,407023 0,1921 2,1192 0,0462F 3 0,148 5,377770 0,380137 0,2162 1,7579 0,0933F 4 0,033 1,327530 0,093839 0,2368 0,3962 0,6960F 5 -0,002 -0,077395 -0,005471 0,2468 0,0222 0,9825F 6 -0,122 -5,838830 -0,412728 0,2842 1,4525 0,1611F 7 -0,020 -1,045880 -0,073930 0,3167 0,2335 0,8177F 8 0,092 6,126390 0,433054 0,3966 1,0919 0,2872F 9 -0,123 -9,416660 -0,665632 0,4530 1,4695 0,1565F 10 0,051 4,246790 0,300191 0,4918 0,6104 0,5481CONSTANTE -5,868470 0,000000 0,0838 0,0000 1,0000

Source : Nos calculs sur SPAd

Page 10: EVALUATION QUANTITATIVE DU NIVEAU …revue-geotrope.com/.../2-EVALUATION-QUANTITATIVE-LOBA-19-34.pdf · donc comme un outil novateur dans la planification stratégique et les ...

28 loba akou Don Franck Valéry : evaluation quantitative du niveau d’équipement des localités rurales ...

Tableau 6 : Fonction linéaire de Fisher reconstituée à partir des variables d’origine

Libellés des variables

Libellés des modalités

Coeffi-cients de la

F.L.D.

Coeffi-cients de

régression

Ecarts-types (ré-gression)

T de Student (régres-

sion)

Probabilité

Accessibilité géographique

C2=1 12,722300 0,899293 2,7777 0,3238 0,7503

C2=2 -1,817470 -0,128471 0,3968 0,3238 0,7503

Statut

C3=1 0,000000 0,000000 0,0000 0,0000 1,0000

C3=2 69,944400 4,944140 2,4854 1,9893 0,0640

C3=3 -18,072900 -1,277510 1,3362 0,9561 0,3533

C3=4 -9,432520 -0,666754 1,0756 0,6199 0,5440

PréscolaireC5=0 -8,397820 -0,593614 0,2627 2,2593 0,0382

C5=1 36,390600 2,572330 1,1386 2,2593 0,0382

MaternitéC8=0 -10,646000 -0,752531 0,3715 2,0259 0,0598

C8=1 31,938000 2,257590 1,1144 2,0259 0,0598

DispensaireC9=0 -7,065610 -0,499444 0,5332 0,9367 0,3628

C9=1 13,488900 0,953484 1,0179 0,9367 0,3628

lotissementC10=0 -1,550520 -0,109601 1,2654 0,0866 0,9321

C10=2 0,812176 0,057410 0,6628 0,0866 0,9321

Eau

C11=0 -9,708780 -0,686281 1,6157 0,4248 0,6767

C11=1 88,190100 6,233860 2,2645 2,7529 0,0141

C11=2 23,897400 1,689230 1,8883 0,8946 0,3843

C11=3 -35,391200 -2,501680 1,2085 2,0701 0,0550

C11=4 -26,128200 -1,846910 1,6716 1,1049 0,2856

électrificationC12=0 -27,545600 -1,947100 0,5396 3,6084 0,0024

C12=1 40,258900 2,845770 0,7886 3,6084 0,0024

TéléphoneC13=0 -13,054600 -0,922788 0,4397 2,0989 0,0520

C13=1 56,570100 3,998750 1,9052 2,0989 0,0520

MarcheC18=0 -6,853100 -0,484422 0,3942 1,2288 0,2369

C18=1 24,475300 1,730080 1,4080 1,2288 0,2369

CONSTANTE -5,868470 0,000000

Source : Nos calculs sur SPAd

Les modalités qui discriminent le plus entre les localités sont celles qui ont les coefficients de fonction discriminante les plus élevés. On peut remarquer qu’ils ont leur T de Student supérieurs à 1.96.

Ce sont les modalités :

2 = « sous préfecture » pour la variable Statut,

Les deux modalités pour les variables Préscolaire et téléphone,

les modalités 1= « présence de château d’eau » et 3 = « Présence d’une pompe pour moins de 1000 habitant » de la variable eau,

La modalité 0= « pas de maternité » de la variable Maternité.

Page 11: EVALUATION QUANTITATIVE DU NIVEAU …revue-geotrope.com/.../2-EVALUATION-QUANTITATIVE-LOBA-19-34.pdf · donc comme un outil novateur dans la planification stratégique et les ...

Revue de Géographie Tropicale et d’Environnement, n°1, 2013

© (EDUCI), 201329

La modalité 0= « pas d’électrification » de la variable électrification.

On peut donc globalement dire que les variables les plus discriminantes parmi celles utilisées dans le modèle sont le statut administratif, l’approvision-nement en eau, l’électrification et l’abonnement au

téléphone, la présence de maternité et de d’établis-sement Préscolaire.

La transformation de la fonction discriminante en fonction score a attribué aux modalités les coefficients suivants :

Tableau 7: Synthèse de la transformation de la fonction discriminante

Libellés des modalités Coefficients de la F.L.D.

Coefficients de la fonction de Score

Accessibilité géographique

1=Bitume 12,722 28,782=piste -1,817 0

statut2=sous préfecture 69,944 174,233=commune -18,073 04=village centre -9,433 17,1

Préscolaire0=Pas d’établissement préscolaire -8,398 01=Présence d’établissement préscolaire 36,391 88,66

Maternité0=Pas de maternité -10,646 01=Présence de maternité 31,938 84,29

Dispensaire0=Pas de dispensaire -7,066 01=Présence de dispensaire 13,489 40,69

lotissement0=Pas lotis -1,551 01=Lotis 0,812 4,68

Eau

0= pas de pompe -9,709 50,841=Château 88,19 244,632=AEP 23,897 117,363=1pompe pour moins de 1000 habitants -35,391 04=1pompe pour plus de 1000 habitants -26,128 18,34

électrification0=Pas électrifiée -27,546 01=Electrifié 40,259 134,22

téléphone0=Pas de téléphone -13,055 01=Téléphone 56,57 137,82

marché0=Pas de marché couvert -6,853 0

0=Présence de marché couvert 24,475 62,01

Source : Nos calculs sur SPAd

La transformation de la fonction discriminante en la fonction score est regroupée au sein du tableau ci-dessus. Les coefficients score varient entre 0 et 244,63 en fonction des modalités des variables.

Comme modalités à plus faibles coefficients de score (nul ici), nous avons :

ACCESSIBILITE GEOGrAPHIQUE (2=piste), STATUT (3=commune), PrESCOLAIrE (0=Pas d’établissement préscolaire), MATErNITE (0=Pas de maternité), dISPENSAIrE (0=Pas de dispensaire), LOTISSEMENT (0=Pas lotis), EAU (3=1pompe pour moins de 1000 habitants),

Page 12: EVALUATION QUANTITATIVE DU NIVEAU …revue-geotrope.com/.../2-EVALUATION-QUANTITATIVE-LOBA-19-34.pdf · donc comme un outil novateur dans la planification stratégique et les ...

30 loba akou Don Franck Valéry : evaluation quantitative du niveau d’équipement des localités rurales ...

ELECTrIFICATION (0= Pas électr i f iée), TELEPHONE (0=Pas de téléphone), MArCHE (0=Pas de marché couvert).

Ainsi une localité remplissant toutes ses caractéristiques aura un score nul.

En ce qui concerne les modalités à plus fort score, nous avons ici : nous avons : ACCESSIBILITE GEOGrAPHIQUE (1=bitume), STATUT (2= sous préfecture), PrESCOLAIrE (1=Présence d’établissement préscolaire), MATErNITE (1=Présence de maternité), dISPENSAIrE (1=Présence de dispensaire), LOTISSEMENT (1= lotis), EAU (1= présence de château d’eau), ELECTrIFICATION (1= électrification), TELEPHONE (1=Présence de téléphone), MArCHE (1=Présence de marché couvert).

Une localité remplissant toutes ces caractéris-tiques aura le score maximal c’est-à-dire un score de 1000.

La modalité (1= présence de château d’eau) de la variable EAU, caractéristique de la classe «localité équipée» a le coefficient de la fonction score le plus élevé, soit 244,63.

Comme décrit ci haut, le score d’une localité se calcule en faisant la somme des coefficients score qu’elle obtient pour les modalités des variables la caractérisant. La traduction de la fonction score en progiciel informatique facilite les calculs comme l’indique la photo 1. C’est ce score qui permettra de classer les localités. La formule suivante donne la fonction score pour une localité donnée:

{ }1

où ( ) est le score de la caractéristique i , i 1,....,k , k étant le ( ) ( ) no; mbre de variables.k

i ii

C eF e C e=

∈=∑

photo 1 : Utilisation du formulaire sur le logiciel MS Excel pour déterminer les scores d’une localité en fonction de ces caractéristiques. Ci-dessous l’interface du formulaire.

On sait selon les caractéristiques de la fonction score qu’une localité présentant un score inférieur à 312 est classée « sous équipée » et à partir de 312 elle est classée « relativement équipée ». Le seuil

de 312 a été déterminé suite à La transformation de la fonction discriminante en fonction score. Ainsi, le tableau 8 récapitule les scores de chaque localité.

Page 13: EVALUATION QUANTITATIVE DU NIVEAU …revue-geotrope.com/.../2-EVALUATION-QUANTITATIVE-LOBA-19-34.pdf · donc comme un outil novateur dans la planification stratégique et les ...

Revue de Géographie Tropicale et d’Environnement, n°1, 2013

© (EDUCI), 201331

Tableau 8 : Synthèse des scores obtenus par localités

statut administratif Score ou indice (i) Niveau d’équipementMemni village centre 826

Relativement

équipée

Supérieur ou égale à 800Montezo village communal 800Oglhwapo village centre 708

(i) compris entre 601 et 799 Gd Alepe village centre 699

Monga village communal 644Akoure village centre 597

(i) compris entre 401 et 600 Ahoutoue Villages satellite 567

Ingrakon village communal 519Dinguira village centre 398 (i) compris entre 313 et

401 Oguedoume Villages satellite 335

Motobe Villages satellite 312

Faiblement

Equipée

(i) compris entre 201 et 312

Dzeudji village centre 198

(i) compris entre 101 et 200

Andoumbatto village centre 190Abrotchi village communal 174Nianda village communal 174Aboisso comoe village centre 143

kodioussou village centre 130Alosso 1 Villages satellite 79

(i) compris entre 51 et 100

Koutoukro 1 Villages satellite 73N’gokro Villages satellite 73N’sankoi Villages satellite 73N’zerekou Villages satellite 73Yapokoi Villages satellite 68Nougoussi Villages satellite 68Anokro Villages satellite 68Abruky Villages satellite 68yakasse co-

moe village centre 67

kossandji Villages satellite 62Mopodji Villages satellite 22

Moins de 50Alosso 2 village centre 18Koutoukro 2 Villages satellite 17Mbohoin Villages satellite 17

Source : Nos calculs sur SPAd

312

Les cartes ci-dessous (figure 2) permettent de mettre en évidence les disparités en termes d’équipe-ments observées dans le département d’Alépé. Plus des 2/3 de l’étendue du département en occurrence

la partie septentrionale est le fait de localités sous équipées. Les meilleurs scores sont observés dans un rayon de 6 km autour du chef lieu de département le long de l’axe Abidjan-Aboisso. La fonction score et

Page 14: EVALUATION QUANTITATIVE DU NIVEAU …revue-geotrope.com/.../2-EVALUATION-QUANTITATIVE-LOBA-19-34.pdf · donc comme un outil novateur dans la planification stratégique et les ...

32 loba akou Don Franck Valéry : evaluation quantitative du niveau d’équipement des localités rurales ...

les indices qu’elles attribuent, permettent de discri-miner les zones les plus sinistrées nécessitant une intervention en urgence.

Figure 2 : Carte de synthèse (spatialisation de la fonction score)

Nous voulons au terme de cet essai, adresser nos sincères remerciements à Mr victor

KOUASSI KAN (Ingénieur Statisticien Economiste) qui nous a aidé dans le traitement statistique et la validation du modèle de la présente fonction score. Sa franche collaboration et sa disponibilité nous ont permis de donner forme à une idée conçue depuis la rédaction de notre mémoire de maîtrise en 2001.

Page 15: EVALUATION QUANTITATIVE DU NIVEAU …revue-geotrope.com/.../2-EVALUATION-QUANTITATIVE-LOBA-19-34.pdf · donc comme un outil novateur dans la planification stratégique et les ...

Revue de Géographie Tropicale et d’Environnement, n°1, 2013

© (EDUCI), 201333

DISCUSSION

Notre démarche a abouti à opérationnaliser une fonction score permettant de quantifier le niveau d’équipement de localités rurales. La méthodologie mise en œuvre s’est inspirée d’une approche statistique inférentielle. A ce titre, la classification hiérarchique ascendante et l’analyse discriminante ont joué un rôle majeur. Les indices découlant de ce type de fonction permettent généralement de hiérarchiser un phénomène à partir de l’attribution d’un score. Ce score est par principe un indicateur de synthèse regroupant plusieurs paramètres de nature diverse tant qualitative que quantitative. L’usage de ce type d’indice s’est largement répandu au début des années 1990 (Ndiaye, 2012 ; diallo, 2006). Plus connu sous le terme de anglo-saxon de scoring, les établissements financiers en l’occurrence les banques, en ont fait un large écho. Ils y ont souvent recours pour attribuer des prêts à leurs clients ; on parle de credit scoring (diallo, 2006). Bien que très souvent sollicitée par des chercheurs, nous notons que cette approche statistique inférentielle n’avait jamais été utilisée pour concevoir une fonction score dans le domaine de l’évaluation de la structuration et de l’aménagement des territoires. Au vu de la multiplicité et de la qualité des données inventoriées dans les localités, la production d’un indicateur de synthèse n’est pas parue évidente de prime abord. De ce point de vue, on peut affirmer que notre approche peut constituer une avancée. Pourtant une analyse des variables retenues pour la construction de notre fonction score indique pourtant que ce sont des indicateurs largement rependu dans la littérature et fortement sollicités dans la description des paramètres du développement à l’échelle locale (Banque mondiale, 1993-1995-1997 ; Banque africaine de développement, 2002 ; dSrP, 2009). En effet, l’adduction à l’eau potable, le réseau de communication, l’éducation, la santé, les télécommunications sont des éléments précieux dans la structuration des espaces et participent pleinement à l’épanouissement des communautés (PNUd, 2004 ; PNd, 2011). Mais très peu de fois, ces variables n’ont été associés et synthétisé en une seule. Partant de là, il ne parait pas prétentieux de dire que notre approche est novatrice. La volonté de traduction spatiale systématique des résultats du scoring, facilite son usage par les décideurs et autres planificateurs. Cette spatialisation obtenue

par intégration du scoring dans un SIG diversifie son application et simplifie la lecture de son message (Beguin et Pumain, 1994 ; Hussy, 1998). de plus, l’effort d’implémentation de la fonction scoring sous interface progiciel rend accessible la fonction score et simplifie le calcul de l’indicateur. La traduction des travaux sous langage informatique permet d’obtenir en temps réel le score de n’importe quelle des localités dont on dispose des paramètres d’entrée (information sur les variables retenue par la fonction score) et dont on veut savoir le niveau d’équipement.

Le modèle obtenu et peut être testé à souhait sur d’autres localités en dehors de celle d’Alépé. Quoi que reproductible, le modèle peut être amélioré. En ce qui concerne les variables retenues, nous proposons d’en élargir leur champ en intégrant des paramètres liés à la production et à la productivité agricole. En effet, la non prise en compte des paramètres économiques pourrait laisser penser que nous limitons notre approche du développement local à la dotation en équipement uniquement. Sur cette lancée des paramètres du produit intérieur brut local pourrait renforcer la pertinence du modèle. C’est aussi le lieu de signifier notre intention de revisiter les acquis de cette recherche avec des localités ayant des charges démographiques plus et moins considérables que celle d’Alépé. En d’autres termes , il ne sera pas exclu de réévaluer les protocoles d’application de la fonction sur un échantillon de localités plus grand.

CONCLUSION

La fonction score conçue dans le cadre de cette recherche se veut comme un instrument de mesure du niveau de développement des localités par l’entre-mise de la dotation en équipement et service de base. La santé, l’éducation, l’adduction en eau potable, la capabilité de mobilité par un réseau de communica-tion moderne, sont des paramètres que l’on pourrait qualifier de vitaux car contribuant grandement à l’épanouissement des communautés. Le fait de les synthétiser en un indice comme nous venons de le réaliser, facilitera les diagnostics rapides et favorisa des interventions efficientes tenant compte des réalités du terrain. La méthodologie de calcul ayant été transcrite en progiciel sur interface MS Excel la rend accessible. L’expérimentation sur Alépé ayant

Page 16: EVALUATION QUANTITATIVE DU NIVEAU …revue-geotrope.com/.../2-EVALUATION-QUANTITATIVE-LOBA-19-34.pdf · donc comme un outil novateur dans la planification stratégique et les ...

34 loba akou Don Franck Valéry : evaluation quantitative du niveau d’équipement des localités rurales ...

donné des résultats cohérents et conformes aux réalités du terrain, la fonction peut être ainsi testé sur d’autres localités.

La fonction score ici présenté peut de ce fait grandement contribuer à un diagnostic national de l’ensemble des localités rurales.

BIBLIOgRAPhIE

ASSEMIEN A., 2003. Inventaire et cartographie dynamique des équipements et des infrastructures dans la region du Sud Comoé. Abidjan, Université de Cocody, Mémoire de Maîtrise, IGT,.140p

BANQUE MONdIALE, 1997. Rapport sur le développement dans le monde. Washington, 271 p.

BANQUE MONdIALE, 1995. Rapport d’évaluation de l’action municipale. Abidjan, 33 p.

BANQUE MONdIALE, 1994. Rapport sur le développement dans le monde. résumé, Washington, 54 p.

BANQUE MONdIALE, 1993. Rapport sur le développement dans le monde. Washington, 339 p.

BANQUE AFrICAINE dE dEvELOPPEMENT, 2002. Rapport annuel. Paris, Economica, 272 p.

BEGUIN M., PUMAIN d., 1994. La représentation des données géographiques, Armand Colin, paris, 191 p.

dIAKITE S., 2004. Inventaire et cartographie dynamique des équipements et des infrastructures dans les départements de Dabou, Grand-Lahou et Tiassalé. Abidjan, Université de Cocody, Mémoire de Maîtrise, IGT, 128 p.

dIALLO B., 2006. Un modèle de “credit scoring” pour une institution de micro-finance africaine: le cas de Nyesi-giso au Mali. Laboratoire d’Economie d’Orléans (LEO), Université d’Orléans, 49 p

HUSSy C., 1998. La carte, un modèle, un langage, Uni-versité de Genève, Genève, 1998, 160p.

INS, 1998. R.G.P.H 1998, volume III, données sociodémo-graphiques et économiques des localités tome 1 région des lagunes. 43 p.

INS, 2001. Analyse des résultats R.G.P.H 1998, Volume III, Tome I, II et III ; Fiches monographiques des sous-préfectures de Grand-Lahou et de dabou.

KONAN B., 1998. Les dix chantiers du futur, bilan du programme présidentiel à mi parcours. Abidjan, documentation Ivoirienne, 200 p.

KONAN T., 2001. Inventaire et cartographie dynamique des équipements et des infrastructures dans la région du N’ZI Comoé. Abidjan, Université de Cocody, Mémoire de Maîtrise, IGT, 110p.

LOBA A., 2002. Inventaire et cartographie dynamique des équipements et des infrastructures dans les départements d’Abidjan et d’Alépé. Abidjan, Université de Cocody, Mémoire de Maîtrise, IGT, 103 p.

LOBA A., 2009. La problématique de la couverture en structures sanitaires dans la région des lagunes. In revue de Géographie Tropicale et d’Environnement «Géotrope», N°1, Juin 2009, EdUCI, pp. 21-32. ISSN : 1817-5589

LOBA A., 2010. La problématique de la dotation en équipement dans le département d’Alépé (sud-est de la Côte d’Ivoire). In Perspectives de la géographie en Afrique subsaharienne, Colloque international du 14, 16 et 17 septembre 2009 à l’ENSEA (Université de Cocody - Abidjan), Harmattan, tome 2, pp. 897-917. ISBN : 978-2-296-12754-8

MINISTErE dU PLAN, 1976. Etude du cadre de financement des activités rurales. Abidjan, 76 p.

MINISTErE dU PLAN, 2009, dSrP, stratégie de relance du développement et de la réduction de la pauvreté, Abidjan, 198 p.

MINISTErE dU PLAN , 2011, Plan National de Développement (PND) 2012-2015, Abidjan, 198 p.

NdIAyE K., 2012. Le « scoring » en microfinance : un outil de gestion du risque de crédit. Atelier d’écriture sur la microfinance au Sénégal, programme d’appui à la micro finance, Ministère de l’entreprenariat féminin et de la micro finance, République du Sénégal, 12p

PNUd, 2003. rapport sur le développement humain dans le monde. Paris, Economica, 367 p.

PNUd, 2004. Tableau de bord social, Côte d’Ivoire-2003. Abidjan, 133 p.