Concernant l’interprétation des modèles multinomiaux ordonnés, les valeurs des coefficients des modèles ne sont pas directement interprétables en termes de propension marginale, seuls les signes des coefficients indiquent si la variable agit positivement ou négativement sur la variable latente. Les résultats d’estimation s’apprécient de la même manière que pour les modèles de choix binaires[1] :

• La significativité des coefficients est faite à l’aide des ratios z –Statistique ;
• La significativité globale de l’ajustement (l’hypothèse :) est obtenue par la statistique qui suit, sous l’hypothèse nulle H0, une distribution d’un à k degrés de liberté ;
• Le pseudo-est donné par

En faisant la régression avec toutes les variables explicatives que nous avons présentées ci-haut et en nous servant du logiciel Eviews 3.1., nous avons abouti aux résultats suivants :

III.2.4 Le résultat de la première régressio

Tableau n°30  Résultat de la première régression logistique avec 10 variables

Dependante variale: PRODUCT Method: ML - Ordered Logit Included observations: 184 Number of ordered indicator values: 10
Viable indépendante	Coefficient	Std Error	z-Statistic	Prob
Constante	-1.759471	1.010995	-1.740337	0.0318
SEXE	-0.118461	0.717255	-0.165158	0.8688
DEPALIMA	-0.630663	0.497884	-1.266686	0.2053
AGE	1.236304	0.094936	2.078045	0.0377*
REVMEN	-0.084375	0.555632	-0.151854	0.0793**
NIVET	0.018121	0.340693	0.053187	0.9576
ETACIVIL	-0.228253	0.467430	-0.488315	0.6253
TAMEN	-0.384530	0.186531	-0.901529	0.0673**
DEPSCOLARI	-0.506137	0.349138	1.449674	0.1471
ANCIENETE	0.023074	0.423462	0.054489	0.9565
RESPOMEN	0.580796	0.006982	0.956860	0.0227*
Mean depent var.	0.187135	S.D dependant var		0.39116
S.E of regression	0.389034	Akaik info criterion		1.01752
Sum Squared resid	24.21555	Schwarz criterion		1.219617
Log likelihood	-75.99807	Hannan-Quin criter		1.099523
Restr. Log likelihood	-82.42904	Avg. log likelihood		-0.444433
LR statistic(10df)	12.86195	McFadden R-squared		0.518018
Probobility(LR stat)	0.231493
Obs with Dep=o	125
Obs with Dep=1	47
Obs with Dep=2	12	Total Obs		184

Source: Nos confections à partir du logiciel Eviews 3.1

*significative au seuil de 5%,    **significative au seuil de 10%

En lisant le tableau ci-haut et en choisissant le seuil de signification de 5%, nous constatons que  seule les variables AGE et RESPOMEN ont une probabilité critique inférieure au seuil de signification soit 0,0377 et 0.0227 ; elles sont donc les seules variables significatives à ce niveau. Les autres variables sont non significatives. Si nous estimons le seuil de significativité au seuil de 10%, nous constatons dans notre modèle que les variable REVMEN et TAMEN sont significative au seuil de 10% avec une probabilité respective de 0,0793 et 0,0673. Nous devons donc éliminer de notre modèle les variables non significatives en utilisant une méthode proposée par BOURBONNAIS. Cette méthode est appelée Backward elimination (ou élimination progressive en français).  Elle consiste, pour un modèle complet à k variables explicatives, à éliminer de proche en proche  les variables explicatives dont les probabilités sont au-dessus du seuil critique.

 Ainsi, après élimination progressive des variables non significatives, nous avons obtenu les résultats finals suivants :

Tableau n°31   Résultat après backward eliminitaion avec trois variables

Dependante variale: PRODUCT Method: ML - Ordered Logit Included observations: 184 Number of ordered indicator values: 3
Viable indépendante	Coefficient	Std Error	z-Statistic	Prob
DEPALIMA	0.925211	0.009395	1.616387	0.0260*
AGE	-0.202662	0.01351	-0.400240	0.0390*
RESPMEN	0.958050	0.046130	1.482750	0.0481*
Constante	-3.010784	0.758921	-3.967192	0.0001
Mean depent var.	0.781287	S.D. dependent var		0.386387
S.E of regression	0.382215	Akaike info criterion		0.854299
SumSquared resid	0.39681	Schwarz criterion		0.477788
Log likelihood	-77.59253	Hannan-Quinn criter.		0.784117
LR statistic(3 df)	66.9786	McFadden R-squared		0.641368
Probobility(LR stat)	0.042217	Tot obs.		184

Nos confections à partir du logiciel Eviews3.1

*significative au seuil de 5%

Au final apparaissent trois variables qui sont statistiquement significative au lieu de deux de la première régression. Ces variables sont : la dépense pour l’alimentation (DEPALIMA), l’âge (AGE), et la responsabilité ménagère (RESPMENA). L’âge influence négativement la production des braises à Walungu tandis que  la dépense de consommation et la responsabilité de ménage influence positivement.

Apres élimination des variables indépendante non significatives notre modèle de déterminant de la production des braises dans le territoire de Walungu devient donc :   PRODUCT=0.92*DECONSO-0.206*AGE+0.958*RESPMEN. Les autres variables étant sortie non significative dans notre modèle, la production des braises dans le territoire de Walungu est donc fonction de la dépense de consommation journalière de l’âge et de la responsabilité ménagère car dans notre modèle seul ces trois variables sont significatives.

Quant à la significativité globale du modèle, en comparent toujours le p-value avec les différent seuils, ce tableau nous relève que le modèle est  globalement significatif au seuil de 5%. Ces résultats trouvés ci-haut ne contredisent pas celui de maximum de vraisemblance d’autant plus que la statistique du Log-vraisemblance (LR statistic) est égale à 66,9786. Cette statistique est supérieur au lu dans la table au seuil de signification de 5% et à 3 degré de liberté. On a  =7,815 <66,9786. En plus, Notre R² étant de 64,13%, nous pouvons conclure que notre modèle est valide sur le plan statistique.

Le critère d’information d’Akaike(AIC), de Schwarz criterion(SC) et d’hannan-Quin qui tiennent compte du nombre des variables explicatives lorsqu’on évalue la bonté du modèle et son ajustement, comparativement à plusieurs régression effectuées, notre régression présente les valeurs de déviance le plus faible à savoir : 0,85 ;  0,47  ;0,78  respectivement pour l’AIC, SC et Hannan-Quin ce qui est intéressant pour notre modèle.

Bien que ces coefficients trouvés soient statistiquement significatifs, l’analyse de la prédiction du modèle est indispensable pour conclure si le modèle est économiquement de bonne qualité. Le tableau ci-dessous nous donne de plus amples informations :  

Tableau n°32   Analyse de la prédiction du modèle

	Estimated Equation			Constant probability
	Dep=0	Dep=1   Dep=2	Total	Dep=0	Dep=1   Dep=2	Total
P(Dep=1)≤C	35	20         4	59	0	0             0	0
P(Dep=1)>C	12	105        8	125	47	105            12	184
Total	47	125         12	184	47	125             12	184
Correct	35	105         8	148	0	105          0	105
% Correct	74,46	84         66,66	80,43	0,00	100,00    0,00	62,5
% Incorrect	25,53	16         33,33	19,56	100,00	0,00       100,0	37,5

         Source : nos confections à partir du logiciel Eviews 3.1 en annexe

          A ce seuil de 50%, nos investigations montrent que pour 184 observation, notre modèle prédit correctement 148, soit 80,43%. Pris individuellement chaque observation, ce tableau nous montre que les observations pour lesquelles la variable dépendante (Dp.=0) et qui ont été estimées correctement sont aux nombres d 35 soit 74,46%, celle dont Dp=1 estimées correctement sont 105 soit 84% , en fin celle dont (Dp=2) estimées correctement sont au nombre de 8 soit 66,66%. Ces résultats montrent qu’un producteur dans le territoire de walungu qui détient les caractéristiques définies dans nos variables explicatives (dépense d’alimentation, âge, responsabilité ménagère) à une probabilité de 80,43%%  de recourir à la production des braises pour satisfaire les besoins du ménage. Ceci conduit à la bonté de notre modèle d’analyse.

Etant donné que notre modèle d’analyses est statistiquement et économiquement de bonne qualité, il reste à présent d’interpréter les résultats de manière socio-économique et conformément aux réalités de notre cadre d’étude. 

III.2.4.1 Interprétation et discussions

Les résultats obtenus soulignent que la variable «  dépense de consommation » influence positivement la production des braises, ceci au seuil de  signification de 5%. Ainsi nous pouvons affirmer que la dépense pour la consommation dans le ménage à Walungu est un facteur déterminant la destruction de forêt pour la production des braises. Cela infirme la théorie de l’hiérarchisation de besoin de Maslow selon laquelle le besoin est indispensable à la vie humaine et son origine n’est pas seulement psychologique et instinctive, mais culturelle et sociale.  Il affirme que les besoins sont hiérarchisés.  Non pas qu’un besoin supérieur ne se manifeste pas que les besoins ne le sont pas, mais ce besoin supérieur ne peut être vraiment satisfait que dans la mesure où les besoins inférieurs le sont. Cela étant, la production des braises dans le territoire de Walungu est faite généralement pour la satisfaction des besoins de consommation dans le ménage des producteurs. 

A 5% la variable « Age » influence  la production des braises dans le territoire de Walungu car son P-value est  0.0390 (soit de 3,9%). Ainsi nous pouvons affirmer que la variable âge est un facteur déterminant la production des braises dans le territoire de Walungu. Ceci infirme  la thèse de M’Barek, Etienne, Leuvan et EESI selon laquelle la production serait positivement influencée par l’âge étant donné que le taux de productivité baisse au fur et à mesure que l’âge augmente. La production des braises est assurée par le producteur d’un âge varient majoritairement entre 35 et 40 ans et qui sont en grande nombres des marié. 

En fin, la variable « responsabilité ménagère » a  4,81% au seuil de significativité de 5% car son P-value est de 0.0481 et son incidence est positive sur la production des braises à Walungu. Il convient de rappeler que Fondeur et Sauvalt (2002) avait prédit que plus l’individu est responsable  ou la situation matrimoniale est favorable au contexte de productivité, plus un fort degré d’engagement dans son activité se concrétise et de ce fait, se crée une forme d’attachement dans son métier. Dans le territoire de Walungu, les producteur ayants des responsabilités chercher à maximiser le profit et par conséquent ils détruisent les forêts pour la recherche des arbres qui vont servir pour la  production des braises malheureusement sans avoir le souci de planter d’autres.    

III.3 ANALYSE DE L’IMPACT SOCIO-ECONOMIQUE ET ENVORONNEMENTAL DE LA PRODUCTION DES BRAISES DANS LE TERRITOIRE DE WALUNGU

III.3.1 Impact socio-économique de la production des braises

Pour analyser l’impact socio-économique de la production des braises, nous  allons considérer les aspects suivants: l'accès aux soins de santé, l'alimentation, ainsi que l'éducation des enfants. Les tableaux ci-après regroupent des informations sur les dépenses d’accès aux soins de santé, l’alimentation et l’éducation des enfants.

Type de dépense	Dépense en $/mois	Proportion
Alimentation	90	64%
Scolarisation	21	13%
Autres depenses	55	34%
Moyennes	166	100%

Source : nos calculs

Test unilatéral supérieur

Dans notre étude, nous allons aussi utiliser un test unilatéral  pour tester si la moyenne de revenu mensuel de producteur est inférieure  à la moyenne des dépenses mensuelles de ménage du producteur.

Les hypothèses  sont reformulées de la manière suivante:

H₁ :  le revenu  tiré dans la production des braises n’a pas d’impact significatif

H₀ :  le revenu tiré dans la production des braises a un impact significatif

Avec H_o : l’hypothèse nulle et

         H₁ : l’hypothèse alternative,

       : La moyenne des dépenses mensuelles de ménage du producteur   

 La moyenne de revenu mensuel de producteur des braises 

Si la valeur de Z calculée est supérieure à la valeur de Z critique pour   alors, nous rejetons l’hypothèse  nulle.

Hypothèse nulle H₀ : La moyenne des dépenses mensuelles de ménage de producteur est supérieure à la moyenne de revenu mensuel tiré dans la production des braises;

Hypothèse alternative H₁  La moyenne des dépenses mensuelles de ménage du producteur est égale à la moyenne de revenu  mensuel  tiré de la production des braises;

Calcul des variances des distributions de dépenses mensuelles et du revenu mensuel de ménage du producteur des braises

Pour calculer la variance, nous  allons le faire par le test  unilatéral droit qui est égale à :

Z cal  175,25

Comme Z = 175,25 > Z_c= +1,65, alors H_o : est rejetée et nous acceptons l’hypothèse alternative (H₁) selon laquelle La moyenne des dépenses mensuelles de ménage de producteur est supérieure à la moyenne de revenu mensuel tiré dans la production des braises.

D’où, le résultat de nos analyses rejette l’hypothèse nulle (H_o) en acceptant à 95% l’hypothèse alternative (H₁). Ainsi, nous sommes confiants à 95% que le revenu issu de la production des braises ne couvre pas les besoins vitaux de base  de ménage du producteur dans le territoire de Walungu et par conséquent il n’améliore pas leurs conditions socio-économiques.

III.3.2 Impact environnemental de la production des braises

Selon la division de l’environnement, un arbre abattu vaut en moyenne 7 stère soit 3m³, or un espace d’un arbre regorge au minimum 1500 arbres pour une plantation ayant un écartement agraire de (2x3) m c'est-à-dire 2 mètre de distance entre les arbres et 3 mètres de distance entre les lignes d’arbres.

          Notons cependant qu’il existe d’autres arbres abattus qui peuvent atteindre à peine 8 à 9 m³. Ainsi donc, il s’observe un déboisement annuel de 86 hectares en moyenne. Evidement, les raisons et les hauteurs de ce déboisement sont nombreux, certains sont principalement liées à l’homme (principal hauteur) et d’autres sont liées aux faits de la nature.

Pour la ville de Bukavu les causes sont les suivantes :

• La présence des refugiés Rwandais au Congo depuis 1994 jusqu’à nos jours dans les forêts qui ne cessent de s’acharner contre les arbres pour leurs survie ;
• La démographie qui devient de plus en plus galopante avec un taux de croissance de 1,1% l’an qui correspond à une augmentation de 80 millions d’habitant par an. Cela accroit donc comme on vient de le voir la demande de l’énergie pour la cuisson en priorité le chauffage ;
• On note par ailleurs la divagation de certains animaux qui broute la jeune plante, entrainant aussi de végétation.

Pour estimer le niveau de déforestation dans le territoire de Walungu, nous allons partir des estimations du ministère de l’environnement et on peut en déduire donc que pour un producteur qui abat 3 arbres par production alors que la carbonisation  est faite au moins deux fois la semaine, on constate qu’un producteur abat 6 arbres par semaine.

Le producteur abat mensuellement 24 arbres justes pour la carbonisation des braises. Si nous évaluons les nombres d’arbres que les producteurs abattent mensuellement nous trouvons 4416 arbres qui correspondent à 2 hectares par mois.

Evaluation des CO2 dégradé par le déboisement dans le territoire de Walungu

Sous l’effet de rayon du soleil, un arbre transforme le CO2 de l’air et de l’eau du sol en bois, en racine, et en feuille. L’arbre absorbe le CO2 de l’air et de la lumière du soleil principalement par les feuilles. Le CO2 se combine avec l’eau puisée dans le sol pour former le bois. Le C02 est capté par les stomates des feuilles au cours du processus bien connu sous le nom de photosynthèse qui fabrique la matière végétale, dont le bois se superpose le processus vital de l’arbre, sa respiration qui, comme la notre émet du C02 et de la vapeur. Pour estimer les émissions et calculer le nombre d’arbres qu’il faudrait planter afin de neutraliser le CO2, environ 6000 Km en voiture, il faut planter 140 arbres. Ce qui fait 22 Kg de CO2   séquestré par un arbre et par an[2]

Nous référent à ces estimations, nous pouvons dans le cas d’espèce dire que selon nos enquêtes, un producteur abat en moyenne trois arbres pour la carbonisation des braises. Si nous estimons la quantité de CO2 qui du reste manque la capture nous pouvons en déduire que pour 4416 arbres abattus correspondent environs à 2 hectare déboisés par mois or, un arbre séquestre par mois environs 1,88Kg de C02. Il est à noter donc que par mois le producteur des braises pollue l’environnement en laissant environ 8302,08Kg soit 8,3 Tonnes de CO2 dans l’espace à cause de le manque d’arbres pour le capturer   

III.4.2. Implication des résultats d’analyses

Les résultats de cette analyse nous ont fait ressortir les facteurs déterminant la production des braises dans le territoire de Walungu (âge, dépense pour l’alimentation, la responsabilité ménagère   …). De ces résultats, les implications suivantes peuvent être tirées aussi bien pour les producteurs et les autorités congolaises.

• Au niveau de producteur, ils abattent abusivement les arbres pour chercher comment survivre et subvenir aux dépenses de leurs ménage entre autres la scolarité, la maladie, les manger… cependant ils doivent avoir la culture de la conservation de la nature pour un développement durable dans la province du Sud-Kivu en générale et dans le territoire de Walungu.
• Au  ménage utilisateur, Il sera question d'économiser les énergies domestiques en utilisant les foyers améliorés tous modèles disponibles. Les économies d'énergie ne sont sans contester, le moyen le plus efficace pour répondre aux défis économiques et environnementaux des problèmes posés par la consommation excessive de la braise par les ménages dans la ville de Bukavu.

• Les autorités compétentes restent les principaux catalyseurs de toute l'action. Ses solutions se situent à deux niveaux :

Il faudra d'abord que l'Etat Congolais à travers ses services compétents s'implique dans l'accroissement de l'efficacité énergétique et développer les énergies nouvelles et renouvelables, voir d'autres pistes technologiques appropriées. Ceci partira d'une nécessité de drainer l'  eau dans les turbines existantes ou à réparer la centrale hydroélectrique de Murundu, en l'adaptant au niveau actuel du débit et au lit de la Ruzizi, si non le canal d'amenée restera trop grand que le débit et le rendement en énergie hydroélectrique ira toujours en baissant avec des coupures intempestives généralisées dans la ville de Bukavu. En outre, il faudra améliorer le rendement des installations hydroélectriques existantes et la mise en place des nouvelles infrastructures à l'intérieur de la province. Donc consommer plus la braise en l'économisant, reste le principe sous-jacent de l'efficacité énergétique.

Notons cependant que ces alternatives sont surtout applicables en milieu urbain que dans les milieux ruraux.

          Cette solution devra être associée par la politique de  Structures des Systèmes Spatiaux, couplée des mesures obligatoires incitatives notamment fiscales aux coupeurs de bois à usage énergétique et à tous les niveaux des acteurs impliqués. 

Concevoir les approches de protection de l'environnement. Cette approche  s'intéressera aux textes législatifs et règlements en matière des forêts et écosystèmes, ici, la stratégie partira par l'adoption d'une loi réglementant l'exploitation des bois à usage énergétique, la création d'autres espaces de réserve naturelle intégrale c'est-à-dire, la mise en place des périmètres dans lesquels le sol, l'eau, la flore et la faune bénéficient d'une protection absolue et dont l'accès n'est autorisé qu'aux chercheurs et aux agents des eaux et forêts. Ces réserves seront placées sous le contrôle de l'Etat et dont les limites ne peuvent être changées ni aucune partie altérée sauf par décision législative compétente.

Doter des moyens techniques, financiers et organisationnels aux Structures des Systèmes Spatiaux ou cellule de surveillance de base, afin que chaque producteur des braises  soit chargé du contrôle de son collègue. Et chaque arbre coupé soit directement remplacé par 3 autres, afin de développer et maintenir les forêts débout ou forêts pour le climat.

Moderniser et mettre en réserve des espaces forestières pour des fins économique (par exemple la création des sites touristiques) hôtellerie etc.

LIMITE ET PERSPECTIVE DE RECHERCHE

La pertinence des résultats trouvés dans cette étude ne met pas celle-ci à l’abri des critiques car elle présente certaines limites. Il s’agit tout d’abord des limites d’ordre statistique ou la petitesse de la taille d’échantillon suite à une marge d’erreur et un seuil de signification égale à 5%. Et que donc une bonne approche serait d’élargir la taille de l’échantillon pour trouver un taux de réponse le plus élevé.

Ensuite, le nombre d’individus à enquêter est réduit à notre critère de sélection ; une étude prenant en compte tous les exploitants forestiers dans la province du Sud-Kivu, voir même celle de périphériques fructifierait donc, au mieux, les résultats de cette recherche sur toute l’étendue du territoire nationale.

Aussi,  notre étude a tentée d’analyser seulement l’impact de la production des braises sur quelques aspects du développement durables suite au manque des données démographique[3] raison pour laquelle cette dernière n’intègre pas les aspects de la santé  

En fin ce travail n’a pas évaluer le taux de pollution dû à la carbonisation, une étude ultérieure pourrait l’enrichir en évaluant le niveau de CO2 dégagé par cette activité de production des braises dans le territoire de Walungu.

[1] R. BOURBONNAIS, op.cit, p.332.

[2] http/actualité professionnelle du secteur de l’environnement / un arbre peut-il séquestré quelle quantité de CO2 ? Consulté le lundi 14 septembre 2015 à 15h28

[3] Nous n’avons pas arrivé à déterminer l’évolution démographique de la population du territoire de Walungu suite aux  manques des données à l’inspection de la santé mais aussi on pas pu trouvé les données qui traite de l’aspect