Mémoire de fin d’études pour l’obtention du

diplôme d’ingénieur agronome

Caractérisation des facteurs de durabilité des
Exploitations de polyculture polyélevage en agriculture biologique
Elise Lang – 12 septembre 2019

Encadrée par Guillaume Martin Tuteurée par Marion Sautier

UMR AGIR UMR GenPhySE,
INRA Toulouse MdC ENSAT
Et Marc Benoit, UMR Herbivores Et Zulma Vitezica
INRA Clermont-Ferrand UMR GenPhySE
MdC ENSAT
Résumé
Une dynamique de spécialisation de l’agriculture s’est initiée dans les années 1950 en France, ayant des
conséquences environnementales, sociales et économiques négatives. Afin d’assurer la pérennité de
l’agriculture française, il est nécessaire de sécuriser le revenu des agriculteurs, de préserver la qualité des
sols, des eaux et de l’air, et d’adopter des pratiques socialement acceptées. Une transition pour plus de
durabilité est alors primordiale, et il est proposé dans cette étude de l’amorcer en introduisant de la diversité
dans les systèmes agricoles. La diversification des exploitations a été beaucoup étudiée pour la production
végétale et pour l’association culture élevage, mais elle a été délaissée pour l’association de plusieurs
productions d’élevage. Le but général du projet est donc d’étudier le lien entre la durabilité des exploitations
de polyculture-polyélevage (PCPE) et leurs pratiques. Le but de cette étude est d’explorer les critères sur
lesquels la durabilité les exploitations de ce type diffèrent. Pour ce faire, des dimensions représentants la
durabilité ont été choisies et déclinées en indicateurs mesurables en fermes. Des entretiens auprès de 31
fermes de PCPE ont été réalisés afin de collecter des informations nécessaires au calcul de ces indicateurs.
L’évaluation de la durabilité de ces fermes a permis d’établir des groupes de fermes aux profils de durabilité
différents, et d’établir des liens entre les indicateurs. Cette étude a également mis en évidence l’importance
de la multitude de dimensions pour caractériser la durabilité des fermes, et a suggéré un lien entre la
durabilité et les pratiques d’élevage. Il sera donc possible, à partir des résultats de cette étude, d’expliciter
ce lien entre pratique et durabilité.

Abstract
In France, a dynamics of agriculture specialization started in the 50’, with negative environmental, social, and
economic consequences. To ensure French agricultural perenniality, it is mandatory to secure farmers’
incomes, preserve soil and air quality, and to adopt socially accepted practices. A transition towards greater
sustainability is thus essential, and it is proposed in this study to trigger it by introducing diversity in
agricultural systems. Exploitation diversification has been much studied in crop production and in crop-
livestock integration, but has been neglected for the association of multiple animal productions. The overall
goal of the project is thus to study the link between the sustainability of mixed livestock farms and their
practices. The goal of this study is to explore sustainability criteria on which farms differ. To do so, dimensions
featuring sustainability have been chosen and declined into indicators measurable in the farms. Interviews
of 31 mixed livestock farmers were carried one to harvest information needed to compute these indicators.
The evaluation of the durability of these farms led to establish farms clusters with different profiles, and to
unravel links between indicators. This study also shed light on the importance of the multiplicity of the
dimensions to characterize farm sustainability, and suggested a link between sustainability and farming
practices. Leaning on this study, it will thus be possible to elucidate this link between practices and
sustainability.
Remerciements
Je tiens tout d’abord à remercier chaleureusement Guillaume Martin pour son encadrement lors de mon
stage. Ses nombreuses relectures, toujours rapides, et ses conseils m’ont permis la réalisation de ce travail
et l’écriture de ce mémoire en toute sérénité. Ces remarques ont su me faire prendre du recul, notamment
lors des questionnements sur la base de données, et les points fréquents, toujours dans la bonne humeur,
ont été nécessaires pour mon avancement et ma compréhension. Le juste milieu qu’il a su trouver dans son
encadrement entre les instructions et la liberté de prise de décisions est à la fois source de sérénité dans le
travail, mais aussi très formateur.

Je remercie également Marc Benoit, qui a co-encadré ce stage, pour les nombreuses heures passées au
téléphone qui m’ont permis d’avancer dans ce travail. Sa disponibilité et sa réactivité ont été à l’origine de
progressions rapides, et ses connaissances techniques m’ont permis d’accéder à toutes les références
nécessaires.

Je remercie également Marion Sautier et Zulma Vitezica pour le temps consacré au tutorat, à la lecture et à
la correction de mon mémoire. Merci à Marion également pour la relecture de mon rapport et pour ses
conseils avisés.

Je remercie bien évidemment Marie Destruel pour son accueil lors de mon arrivée et ses explications du
projet MIX-ENABLE qui m’ont permis d’intégrer le projet et d’en comprendre les finesses rapidement. Merci
à elle surtout pour sa bonne humeur, pour les fous rires et pour sa conduite en toute sécurité !

Je remercie Lucille Steinmetz et Manon Fuselier pour les enquêtes qu’elles ont effectuées à Clermont-Ferrand
et Montpellier, et pour le temps qu’elles nous ont consacré au téléphone pour tous les compléments
d’informations.

Un grand merci à tous les éleveurs interrogés qui ont permis cette étude, et particulièrement ceux que j’ai
eu l’occasion de rencontrer. Ils ont pris le temps de répondre à notre questionnaire, de nous fournir des
explications supplémentaires et leur accueil a toujours été chaleureux.

Je remercie également mes anciens collègues de Genphyse, sans qui le codage et l’analyse statistique
auraient été beaucoup plus fastidieux. Ils ont toujours su se montrer présents pour m’aider à dompter R.

Je remercie également le personnel administratif de l’INRA qui a toujours été disponible et concilient.

Merci à Augustine, pour son aide sur R et ses explications de la PLS, à Gabrielle pour ses explications d’ACP,
et merci à Mathieu pour le dessin des animaux d’élevage, que je continue d’utiliser.

Enfin, merci à mes collègues de bureau, Claire, Manon et Cristina, avec qui j’ai supporté la chaleur de l’été,
et la chaleur de l’hiver également, ainsi que l’ouverture, la fermeture, et l’ouverture de la porte. Je suis
persuadée que l’ambiance du bureau des stagiaires aura rarement été aussi bonne.
Table des matières
Liste des figures ................................................................................................................................................. 1
Liste des tableaux .............................................................................................................................................. 2
Liste des abréviations ........................................................................................................................................ 2
1. Introduction ............................................................................................................................................... 3
1.1. Remise en question des pratiques agricoles et de l’élevage ............................................................. 3
1.2. Une réponse par l’agroécologie ........................................................................................................ 4
2. Etat de l’art ................................................................................................................................................ 6
2.1. Bénéfices théoriques de la diversification......................................................................................... 6
2.2. Méthodes d’évaluation de la durabilité des systèmes complexes .................................................... 9
3. Présentation du projet MIX-ENABLE et des objectifs du stage ............................................................... 11
3.1. Pourquoi l’Agriculture biologique (AB) ? ......................................................................................... 11
3.2. Organisation du projet .................................................................................................................... 11
3.3. Intégration du stage dans le projet et objectifs du stage ................................................................ 12
4. Matériel et méthodes .............................................................................................................................. 12
4.1. Choix des indicateurs....................................................................................................................... 12
4.2. Création d’une base de données ..................................................................................................... 18
4.3. Analyses des données...................................................................................................................... 19
5. Résultats .................................................................................................................................................. 24
5.1. Description des données ................................................................................................................. 24
5.2. Choix du nombre de composantes pour l’ACP ................................................................................ 29
5.3. Classification des variables sur les composantes principales .......................................................... 30
5.4. Classification des fermes sur les composantes principales ............................................................. 33
6. Discussion ................................................................................................................................................ 41
6.1. Discussion sur les résultats .............................................................................................................. 41
6.2. Discussion sur la méthode ............................................................................................................... 43
6.3. Une base pour de futures analyses ................................................................................................. 44
Bibliographie.................................................................................................................................................... 45
Annexes ........................................................................................................................................................... 51
Liste des figures
Figure 1 : Principes de la transition agroécologique en élevage (Altieri, 2002; Dumont, Fortun-Lamothe,
Jouven, Thomas, & Tichit, 2013) ....................................................................................................................... 5
Figure 2 : Schéma récapitulatif des intérêts théoriques de la diversification à l’échelle de l’exploitation et
lien avec le développement durable ................................................................................................................. 6
Figure 3 : Description de l’organisation du projet MIX-ENABLE (Martin, Steinmetz, Blanc, & Benoit, 2018) 12
Figure 4 : Processus pour le choix des indicateurs de la méthode d’évaluation (de Olde et al., 2017).......... 13
Figure 5 : répartition géographique des fermes enquêtées............................................................................ 18
Figure 6 : Représentation graphique du nombre de valeurs manquantes par indicateur. Le lien entre le n° et
le nom des indicateurs se trouve dans le Tableau 2 page 15. ......................................................................... 21
Figure 7 : Vérification de l’implémentation des valeurs manquantes par régression partielle des moindres
carrés par rapport au jeu de donnée initial. Le lien entre le n° et le nom des indicateurs se trouve dans le
Tableau 2 page 15............................................................................................................................................ 22
Figure 8 : Caractéristiques de l’utilisation des terres des fermes (SAU, parcours, cultures, prairies totales,
temporaires et permanentes) ......................................................................................................................... 24
Figure 9 : Caractéristiques des fermes en termes d’animaux (nombre d’UGB) et de travailleurs (associés,
employés et bénévoles)................................................................................................................................... 25
Figure 10 : Version graphique de la matrice de corrélation des variables étudiées. Les tons bleus
représentent des corrélations positives et les tons rouges représentent des corrélations négatives.
L’intensité de la couleur et la taille des cercles représentent l’importante de la corrélation : plus le cercle est
grand et foncé, plus la corrélation est proche de 1 ou -1. Le lien entre le n° et le nom des indicateurs se
trouve dans le Tableau 2 page 15.................................................................................................................... 26
Figure 11 : Valeurs propres des dimensions et variance expliquée par chaque dimension – tableau et
représentation graphique. .............................................................................................................................. 29
Figure 12 : Qualité de représentation des variables sur les 7 premières dimensions – tableau et
représentation graphique. Le lien entre le n° et le nom des indicateurs se trouve dans le Tableau 2 page 15.
......................................................................................................................................................................... 30
Figure 13 : Représentation des variables sur les composantes principales en fonction de leur contribution
aux axes. Plus la couleur est bleue, plus la contribution est faible, plus la couleur est rouge, plus la
contribution est forte. Le lien entre le n° et le nom des indicateurs se trouve dans le Tableau 2 page 15. .. 30
Figure 14 : Représentation des principaux liens mis en valeur par l’ACP entre les variables ......................... 33
Figure 15 : Dendrogramme de classification des fermes après ACP ............................................................... 34
Figure 16 : Représentation des individus sur les axes 1-2 et 1-3 .................................................................... 34
Figure 17 : Représentation des individus en fonction de (1) à gauche leurs ateliers : 2 ateliers de
ruminants(R-R en orange) ou 1 atelier ruminant et 1 atelier monogastrique (R-M en violet) ; et de (2) à
droite leur localisation : INRA Clermont-Ferrand (C en orange), INRA de Montpellier (M en violet) ou INRA
de Toulouse (T en vert).................................................................................................................................... 35
Figure 18 : Caractéristiques de la ferme 7 par rapport à la population totale. Le lien entre le n° et le nom des
indicateurs se trouve dans le Tableau 2 page 15. ........................................................................................... 36
Figure 19 : Caractéristiques de la ferme 10 par rapport à la population totale. Le lien entre le n° et le nom
des indicateurs se trouve dans le Tableau 2 page 15. ..................................................................................... 37
Figure 20 : Caractéristiques de la ferme 14 par rapport à la population totale. Le lien entre le n° et le nom
des indicateurs se trouve dans le Tableau 2 page 15. ..................................................................................... 38
Figure 21 : Caractéristiques de la ferme 2 par rapport à la population totale. Le lien entre le n° et le nom des
indicateurs se trouve dans le Tableau 2 page 15. ........................................................................................... 39
Figure 22 : Part de la surface agricole utilisée en grandes cultures restant nue pendant l’hiver en France
métropolitaine dans les différentes régions. D’après (Agreste, 2014) ........................................................... 42

1
Liste des tableaux
Tableau 1 : La méthode IDEA : un exemple de méthode d’évaluation basée sur des composantes de la
durabilité ......................................................................................................................................................... 10
Tableau 2 : Tableau récapitulatif des dimensions, thèmes et indicateurs utilisés lors de l’étude, ainsi que les
modes de calculs ............................................................................................................................................. 15
Tableau 3 : Combinaisons analysées dans les différents centres INRA. BL = Bovin Lait, BV = Bovin Viande .. 19
Tableau 4 : Variables de structures considérées ............................................................................................. 24
Tableau 5 : Liste des variables finales utilisées dans l’analyse statistique ...................................................... 26
Tableau 6 : Caractérisation des variables quantitatives .................................................................................. 28
Tableau 7 : Caractérisation des variables qualitatives .................................................................................... 28
Tableau 8 : Médianes sur des indicateurs de structure des groupes et p-value du test de Kruskal-Wallis .... 41

Liste des abréviations

AB : Agriculture Biologique
ACM : Analyse en composantes multiples
ACP : Analyse en composantes principales
AFDM : Analyse factorielle de données mixtes
BL : Bovin lait
BV : Bovin viande
E : Energie
CHCP : Classification hiérarchique sur composantes principales
IDELE : Institut De l’Elevage
INRA : Institut National de la Recherche Agronomique
INSEE: Institut National de la Statistique et des Etudes Economiques
ITAB : Institut Technique de l’Agriculture Biologique
MB : Matière brute
MS : Matière sèche
PCPE : Polyculture polyélevage
SAU : Surface agricole utile
SU : Sans unité
UF : Unité fourragère
UGB : Unité gros bétail
UTH : Unité de travail humain

2
1. Introduction
1.1. Remise en question des pratiques agricoles et de l’élevage
1.1.1. Vers une spécialisation de l’agriculture
En France, des évènements démographiques majeurs, initiés au 19ème siècle et accentués après la seconde
guerre mondiale, ont créé un clivage entre le monde urbain et le monde rural, et plus particulièrement le
monde agricole (Larousse, s. d.). La concentration de la population française dans les villes a éloigné
géographiquement les consommateurs et les producteurs. Le développement des réseaux de grande
distribution a amplifié cet éloignement (FNCC, 2005), engendrant une déconnexion entre la production
agricole et les consommateurs (Griffon, 2013; Lamine & Chiffoleau, 2012). Parallèlement, les avancées
technologiques faites pendant la révolution agricole après 1945 ont fourni aux agriculteurs de nouveaux
outils via la mécanisation, la sélection génétique ou l’utilisation d’intrants chimiques, qu’il s’agisse d’engrais
ou de pesticides (Griffon, 2013). Ces innovations techniques, ainsi que la demande croissante en denrées
alimentaires, ont amené l’agriculture à se spécialiser pour diminuer les coûts de production et augmenter les
rendements par unité de travailleur et unité de surface. Cela a eu pour conséquence une diminution du prix
des produits alimentaires : depuis 1960, la part de la dépense alimentaire dans le budget des ménages n’a
cessé de décroître, pour passer de 35% en 1960 à 20% en 2014 (Larochette & Joan Sanchez-Gonzalez, 2015).
Le consommateur français s’est donc habitué, ces dernières décennies, à s’alimenter à bas prix en passant
par de nombreux intermédiaires qui gomment la provenance des denrées alimentaires achetées, et la façon
dont celles-ci sont produites.

1.1.2. Conséquences de la spécialisation de l’agriculture

La spécialisation de l’agriculture n’est pas sans conséquences sur le plan environnemental, économique,
social et sanitaire. L’agrandissement et la spécialisation des exploitations portent atteinte à la biodiversité
cultivée et associée (Vasseur et al., 2013), le travail fréquent et intensif du sol nuit à sa qualité, l’utilisation
d’intrants chimiques et d’énergies fossiles polluent l’air, le sol et les eaux et la spécialisation par production
de fermes, voire de zones imposent des transports accrus de produits et concentrent les pollutions
géographiques (Mignolet, Schott, Benoît, & Meynard, s. d.). La spécialisation accroît la dépendance des
agriculteurs aux lois du marché puisqu’ils sont dépendants de ressources extérieures. Cela les expose
davantage à sa volatilité croissante, laquelle nuit à la sécurisation de leurs revenus (Chambres d’agriculture,
2016; Gohin, 2011). Ce phénomène impose aux agriculteurs de s’agrandir pour faire des économies d’échelle,
et ainsi conserver une marge économique. Cela établit une dynamique globale d’intensification de laquelle
résulte une augmentation du rendement par unité de travail pour compenser la baisse des revenus. Cette
intensification impacte directement la qualité de vie des exploitants. De plus, l’utilisation d’engrais de
synthèse et de pesticides chimiques dans les cultures, ainsi que de médicaments allopathiques destinés aux
animaux d’élevage, présentent des risques pour la santé humaine (Griffon, 2013), soit pour les
consommateurs ingérant les produits traités, soit pour les agriculteurs en contact régulier avec ces produits.

1.1.3. Nécessité d’une transition pour plus de durabilité

En conséquence, la société exprime un mécontentement de plus en plus fort vis-vis des pratiques agricoles
en raison de leurs impacts sur la santé humaine et sur l’environnement. L’élevage est par exemple
particulièrement pointé du doigt en raison des problèmes qu’il génère. Il est très critiqué en raison des
émissions de gaz à effet de serre (environ 6% des gaz à effets de serre (World resources institute, 2009)) et
des impacts qu’il a sur l’environnement, comme c’est le cas pour la dégradation de la qualité des eaux en
Bretagne (König, 2016). Il est source d’accaparement de terres (Manceron, Ben-Ari, & Dumas, 2014), ce qui
pose la question de la compétition pour les terres destinées l’alimentation humaine (FOOD) et l’alimentation
animale (FEED). En effet, en France, environ 37% des terres agricoles cultivées le sont pour l’alimentation du
3
bétail (Manceron et al., 2014), et un total de 70% des surfaces agricoles, incluant les prairies et parcours, sont
dédiées à l’élevage (Mollier, 2017). Des considérations éthiques vis-à-vis du bien-être des animaux d’élevage
se font également entendre (Berthereau, 2018). La provenance comme les processus de production de
l’alimentation redeviennent donc des préoccupations pour les consommateurs, amenant à une remise en
question des modèles agricoles de l’amont à l’aval, afin d’assurer la durabilité de l’agriculture (Griffon, 2013).
La durabilité fait écho au développement durable, qui se définit par « un développement qui répond aux
besoins du présent sans compromettre la capacité des générations futures à répondre aux leurs » (Conseil
de la FAO, 1989). Le développement durable est classiquement considéré selon 3 piliers afin d’assurer un
développement « économiquement efficace, socialement équitable et écologiquement soutenable » (INSEE,
2016). L’agriculture doit donc répondre à ces 3 principes pour être durable et, considérant les systèmes
agricoles actuels, une transition est pour cela nécessaire.

1.2. Une réponse par l’agroécologie

1.2.1. Grandes notions de la transition agroécologique : la diversité, un concept central
La transition agroécologique est un terme de plus en plus employé pour qualifier une voie d’évolution des
systèmes agricoles. Le mot « agroécologie » a été utilisé pour la première fois en 1928 par Bensin, pour se
diffuser durant la seconde moitié du 20ème siècle (Hérault & Sédillot, 2013). L’agroécologie, se base sur la
valorisation des processus naturels et de la diversité biologique pour garantir des systèmes d’alimentation
« [respectueux] des hommes et de leur environnement » (Hazard et al., 2016). Cette définition du
dictionnaire l’agroécologie est issue de la réflexion de chercheurs pluridisciplinaire cherchant à définir les
contours de l’agroécologie, afin que ses principes soient accessibles à tous. La transition agroécologique
consiste en une refonte profonde des systèmes agricoles. La multiplicité d’acception est un concept central
de l’agroécologie et un levier essentiel dans la mutation des pratiques (Hazard et al., 2016). En effet, cette
évolution vers des agricultures durables passe par une diversité d’échelles pour transformer les pratiques,
en s’appliquant à la parcelle, à l’ensemble de l’exploitation, mais aussi aux territoires. Pour ce faire, une
diversité de disciplines est nécessaire afin d’adapter les pratiques et les exploitations à la transition
agroécologique. Celle-ci fait appel aux mondes de l’agronomie et de l’écologie pour innover techniquement,
à l’économie pour assurer la viabilité des exploitations et le dynamisme des territoires, ainsi qu’à la sociologie
notamment pour identifier les freins à ces modifications de la part des producteurs et des consommateurs.
Finalement, une diversité d’acteurs va assurer le bon fonctionnement de ces systèmes et leur diffusion. Les
scientifiques participent à la recherche de nouvelles solutions à des échelles nationales, voire internationales.
Les professionnels du monde agricole les testent, les adaptent, les perfectionnent, et parallèlement, innovent
à l’échelle de leur exploitation. Les responsables des politiques publiques participent à la diffusion de ces
modes de production à travers leurs décisions. Finalement, les citoyens et consommateurs, par leur vote et
leurs choix de consommation, soutiennent l’ancrage et la viabilité de cette agriculture.

Parmi cet ensemble d’échelles, de disciplines et d’acteurs, le triptyque exploitation-production agricole-

agriculteur est à la base de la transition agroécologique, et la diversification à l’échelle de la ferme en est un
enjeu majeur. Cette diversification peut se faire à travers plusieurs dimensions :

- Une diversité de productions (agricole, énergétique)

- Une diversité d’activités (services agricoles, transformation de produits, agrotourisme)
- Une diversité de modes de commercialisation (vente directe, circuit courts, grande distribution)

L’ensemble de ces dimensions est étudié ici, mais c’est la diversité de production qui est l’objet central de
mon stage. En effet, la spécialisation des exploitations agricoles est un facteur favorable à l’intensification
évoquée dans la première partie et à l’origine des revendications sociétales (J.-L. Peyraud, Taboada, & Delaby,
2014; Schott, Puech, Picaud, & Mignolet, 2017). Pour de nombreux scientifiques, inverser cette tendance à
4
la spécialisation est une nécessité pour une transition agroécologique vers des systèmes de production
durables (Benton, Vickery, & Wilson, 2003; Mijatović, Meldrum, & Robitaille, 2019).

1.2.2. Diversification en élevage

De nombreuses recherches ont déjà été faites sur la diversité des productions végétales au sein de
l’exploitation ainsi que sur l’association culture-élevage. La modification des pratiques d’élevage a d’ailleurs
été étudiée pour faire émerger 5 grands principes permettant d’accompagner la transition agroécologique
de l’élevage, dont la diversité qui favorise la résilience (Figure 1).

Gestion
intégrée de la
santé animale

Réduction des
Préservation intrants en
de la utilisant des
biodiversité Transition processus
Agroécologique biologiques
en élevage

Utilisation de Réduction des

la diversité pollution en
pour accroître bouclant les
la résilience cycles

Figure 1 : Principes de la transition agroécologique en élevage (Altieri, 2002; Dumont, Fortun-Lamothe, Jouven, Thomas, & Tichit,
2013)

Néanmoins, la diversification en élevage, c’est-à-dire l’intégration de plusieurs ateliers animaux dans

l’exploitation, est un type de diversification qui reste très peu documenté. Il est également peu répandu en
France et il est compliqué d’estimer combien il en existe. En 2013, 55000 exploitations agricoles pratiquaient
la polyculture et/ou le polyélevage (Agreste, 2015) mais le détail du nombre d’exploitations en polyélevage
n’est pas disponible. A l’échelle de la région Occitanie, le recensement des exploitations en polyélevage
existe, mais le nombre d’exploitations étant très faible, il s’agit d’une base de données individuelles. La loi de
protection des données individuelles explique que celle-ci n’était pas accessible pour ce rapport. Le caractère
durable de ces exploitations n’a jamais été étudié et il n’a pas été vérifié que la diversité de productions
animales au sein d’un système pouvait conférer des avantages. Dans l’objectif de tester cette hypothèse
générale, le projet MIX-ENABLE a pour but de produire des références à propos de ce type de diversification
en évaluant la durabilité de ces élevages en fonction des pratiques. Pour cela, il est nécessaire d’étudier d’un
côté, la durabilité des exploitations en activité, et de l’autre leurs pratiques d’élevage.

Mon étude se focalise sur l’analyse de la durabilité des exploitations en se basant sur les hypothèses
spécifiques suivantes : 1) les fermes diffèrent en termes de profils durabilité ; 2) les structures des fermes
expliquent les différences de profils de durabilité. Il en découlerait que les fermes puissent être caractérisées
dans des groupes de profil de durabilité dépendamment de facteurs de structure. Mon stage s’attachera à
évaluer la durabilité des exploitations de polyculture polyélevage biologiques en se reposant sur le pilier
thématique de la diversité et sur le pilier méthodologique de l’évaluation. J’aurai ainsi pour objectifs :

5
 - D’évaluer la durabilité des fermes de PCPE
- De discriminer des profils d’exploitations au regard de leur durabilité
- D’expliciter les critères de durabilité pouvant expliquer la diversité de ces profils
- De relier les profils de durabilité aux profils de structures des fermes

2. Etat de l’art
2.1. Bénéfices théoriques de la diversification
Les auteurs qui ont conceptualisé les principes de l’agroécologie en élevage (Figure 1) établissent, en se
basant sur la littérature, que la diversité augmente la résilience (capacité à s’adapter aux perturbations ou à
revenir à un régime de routine face à un milieu changeant (De Oliveira, Coroller, Perrin, & Martin, 2019)),
favorisant donc sa durabilité. En effet, il a été montré que l’augmentation du nombre de productions sécurise
le revenu de l’exploitant en atténuant les variations des prix des produits au cours du temps grâce à la
répartition des rentrées d’argent (Cordier, Erhel, Pindard, & Courleux, 2008).

Il y a également des avantages agronomiques théoriques engendrés par la diversification qui favorisent la
durabilité de l’exploitation. Cette partie est consacrée à mettre en lumière l’importance des liens entre
chacun des ateliers de production pour garantir la durabilité du système. Ces liens sont repris sur la Figure 2
et mis en relation avec l’amélioration de la gestion des risques, permise par la diversification, et qui améliore
la durabilité de l’exploitation.

Figure 2 : Schéma récapitulatif des intérêts théoriques de la diversification à l’échelle de l’exploitation et lien avec le développement
durable

2.1.1. Diversité de l’assolement (1 de la Figure 2)

La diversification peut se faire sur l’assolement, soit à l’échelle de la parcelle via les cultures associées ou
l’agroforesterie par exemple, soit à l’échelle du parcellaire via les rotations. Qu’elle soit sur une même
parcelle ou sous forme de rotations, la diversité des plantes cultivées est un levier d’action pour diminuer les
intrants et diminuer l’impact des cultures sur l’environnement et la santé humaine. Diversifier l’assolement
permet en effet de casser les cycles des adventices ou des ravageurs, diminuant l’utilisation de pesticides.
6
De plus, inclure des légumineuses, qui ont la capacité de fixer l’azote de l’air (N2), dans les parcelles ou
rotations augmente la concentration en azote du sol. Cet enrichissement profite aux autres cultures et limite
les apports azotés de synthèse en améliorant la qualité du sol. En plus de diminuer l’impact des cultures sur
l’environnement et la santé humaine, ces avantages agronomiques peuvent diminuer les coûts de production
via la réduction d’intrants (Bézat, Quenu, & Martin, 2016; Hérault & Rosenwald, 2012), ce qui fait écho à
chacune des dimensions de la durabilité.

Enfin, diversifier l’assolement peut être une réponse au risque climatique en sécurisant le revenu (Cordier et
al., 2008) : en cas d’accident sur une récolte dû à un aléa climatique, d’autres espèces cultivées participent
aux ventes de l’exploitation. Les espèces végétales étant cultivées à différents moments de l’année et ayant
différentes résistances aux variations de températures ou précipitation, elles sont plus ou moins affectées
par les évènements climatiques (Noury, Fourdin, & Pauthenet, 2013).

2.1.2. Diversité culture-élevage (2 de la Figure 2)

Diversifier en incluant des productions végétales et animales dans les exploitations présentes également des
avantages grâce à l’association entre les cultures et l’élevage. Lier ces deux productions entre elles améliore
l’autonomie des exploitations, rendant les agriculteurs moins dépendants des variations de prix du marché.
La fertilisation organique issu de l’atelier animal profite aux cultures (Sneessens, 2016) et l’alimentation du
système d’élevage peut se baser sur les productions végétales (Stark, Fanchone, Semjen, Moulin, &
Archimède, 2016). Cette association peut augmenter les performances des systèmes agricoles sur le plan
économique (Bell, Moore, & Kirkegaard, 2014) et participe à la sécurisation des revenus de l’exploitant en
diminuant leur dépendance aux lois du marché. Les pollutions dues aux transports de marchandises sont
également diminuées puisque les productions nécessaires au système d’exploitation sont issues d’une même
ferme.

2.1.3. Diversité en élevage (3 de la Figure 2)

Quelques recherches sur des aspects spécifiques explicités ci-dessous ont été menées pour analyser les
bénéfices de la diversification en élevage. Il est ressorti de recherches expérimentales factorielles, c’est-à-
dire non systémiques, des intérêts à associer deux espèces d’herbivores en extérieur, vis-à-vis du pâturage
ou de la vie en troupeau des individus. Associer deux ateliers animaux peut également présenter des
avantages économiques en optimisant les coûts et en valorisant les coproduits, renforçant donc la durabilité
des exploitations.

2.1.3.1. Intérêts du pâturage mixte

Le pâturage mixte a été beaucoup étudié et il est ressorti d’études en fermes expérimentales des avantages
divers. Le pâturage de plusieurs espèces impacte tout d’abord la diversité et le type de végétation des
prairies. Il a par exemple été montré que le pâturage mixte ovin-bovin augmentait la quantité de plantes
pérennes dans les prairies par rapport à du pâturage avec une seule espèce (Decruyenaere, Hennart, &
Stilmant, 2007). De même, l’importance du pâturage mixte entre des ovins et des bovins a été mise en valeur
pour conserver la qualité des prairies et éviter le développement d’espèces invasives (Fraser & Rosa García,
2018).

Des études ont aussi mis en valeur l’augmentation des performances individuelles des ovins dans des
conditions de pâturages mixtes ovins-bovins, en comparaison à des systèmes où les ovins étaient seuls sur
les pâtures (Fraser & Rosa García, 2018). L’étude de (Nolan & Connolly, 1989) montre que le gain moyen
quotidien des ovins et des bovins en condition de pâturage mixte est supérieur au gain moyen quotidien en
condition de pâturage seul.

7
L’efficience du pâturage est accrue du fait des différences de comportements alimentaires entre les espèces.
Par exemple, les ovins sont plus sélectifs que les bovins. L’association des deux espèces au pâturage implique
donc une consommation plus homogène de la prairie (Cuchillo‐Hilario, Wrage‐Mönnig, & Isselstein, 2018).
De même, l’article (Bojkovski, Štuhec, Kompan, & Zupan, 2014) a mis en valeur des différences de
comportements entre les ovins et les caprins, notamment face aux aléas climatiques qui impactaient leur
consommation alimentaire de différentes manières. Ces complémentarités entre espèces peuvent donc
augmenter l’efficience du pâturage lorsque le chargement n’est pas trop important, afin de ne pas impacter
trop fortement le tassement des sols (Decruyenaere et al., 2007).

Enfin, de nombreuses recherches se sont penchées sur le lien entre pâturage mixte et pression parasitaire.
Le cas de l’association entre les ovins et les bovins est très documenté : il ressort une diminution de la
pression parasitaire en conditions de pâturage mixte, que ces deux espèces différentes pâturent sur les
mêmes surfaces en même temps (D’Alexis, Sauvant, & Boval, 2014; Jordan, Phillips, Morrison, Doyle, &
McKenzie, 1988) ou l’une après l’autre (Rocha et al., 2008). Ce résultat ne s’applique néanmoins pas pour
des espèces plus proches, comme les chèvres et les moutons qui sont tous deux des hôtes de nématodes très
similaires. Les faire pâturer sur les mêmes prairies, simultanément ou successivement, accroit dans ce cas la
pression parasitaire et augmente le risque d’infestation (Torres-Acosta & Hoste, 2008).

D’une manière générale, le pâturage mixte entre grands et petits ruminants, lorsqu’il est géré correctement,
semble intéressant pour la durabilité des prairies tout en conservant, voire en améliorant la productivité des
animaux d’élevage.

2.1.3.2. Intérêt de la vie en troupeau de différentes espèces

La vie en troupeau de plusieurs espèces d’herbivores peut présenter des avantages à l’extérieur, notamment
concernant la prédation. L’intégration de lamas dans des troupeaux d’ovins a par exemple pour effet de
réduire la prédation des coyotes aux Etats-Unis (Meadows & Knowlton, 2000). De mêmes, constituer des
troupeaux de bovins et de caprins et/ou d’ovins a un effet de protection des petits ruminants contre ces
prédateurs américains (Anderson, Fredrickson, & Estell, 2012).

2.1.3.3. Economies de gamme et utilisation des coproduits d’un atelier à l’autre

Diversification en élevage ne signifie pas gestion différente des deux ateliers. Au contraire, les ressources, la
main d’œuvre et le matériel utilisé par un atelier peut être utilisé pour l’autre (Perrot, Caillaud, & Chambaut,
2013). Cette gestion commune des deux ateliers limite ainsi les investissements et génère des économies de
gammes intéressantes pour l’exploitation. L’utilisation de coproduits d’un atelier à l’autre peut également
être intéressante dans des fermes de PCPE. Par exemple, dans le cas d’une exploitation laitière (ovine ou
bovine) intégrant un atelier porcin, le lactosérum produit lors de la transformation du lait peut être utilisé
pour l’engraissement des cochons. Cette diversification limite donc les fuites dans l’environnement en
valorisant les coproduits, augmentant l’efficience de la production à l’échelle de la ferme.

2.1.3.4. Limites des travaux concernant la diversification en élevage

Si les intérêts listés ci-dessus sont nombreux, les travaux dont ils sont issus comportent des limites. La plupart
proviennent de recherches expérimentales. Les conditions d’étude parfois éloignées des exploitations
agricoles peuvent expliquer que ces résultats ne se retrouvent pas dans des cas réels. Il s’agit pourtant, à
travers ces recherches, d’accompagner les agriculteurs dans leurs choix de pratiques, et une similarité des
conditions d’étude et de pratique est pour cela impératif. Ce décalage entre les expérimentations et le terrain
ne rend donc les résultats évoqués précédemment que partiellement exploitables pour les agriculteurs.

Ces travaux ont aussi de limitant leur nature fragmentaire et factorielle à plusieurs niveaux, tout d’abord
dans leur caractérisation de la durabilité. De nombreux bénéfices sont étudiés par le prisme de certaines
dimensions de la durabilité, sans toutes les prendre en compte. Cette considération souvent incomplète de
8
la durabilité pose problème lors de la diffusion des pratiques en fermes commerciales : si une technique
durable sur le plan environnemental nuit à la viabilité économique de l’exploitation, elle ne pourra perdurer
dans le temps.

Enfin, ces recherches peuvent également avoir de partiel leur objet d’étude. De nombreux aspects
techniques et spécifiques en lien avec la diversification sont étudiés, mais ils le sont séparément les uns des
autres. Les changements de l’organisation du travail dus à la diversification sont par exemple rarement pris
en compte et les interactions entre pratiques (antagonismes, synergies) ne sont pas toujours étudiées.
Pourtant, c’est l’ensemble d’un système agricole qui le fait fonctionner et qui permet sa durabilité. Une vision
globale appliquée en fermes commerciales est donc nécessaire pour vérifier la robustesse et la généralisation
de ces bénéfices au sein d’un système agricole. Un besoin de références se fait ressentir pour évaluer la
durabilité des systèmes complexes, comme les fermes de PCPE, afin d’étudier le rôle de la diversification en
élevage dans l’amélioration de la durabilité de ces systèmes.

2.2. Méthodes d’évaluation de la durabilité des systèmes complexes

2.2.1. Principes d’une méthode d’évaluation
Afin d’évaluer la durabilité des exploitations agricoles, il faut tout d’abord expliciter ce qu’est la durabilité.
Les piliers économique, social et environnemental qui caractérisent la durabilité sont des concepts
théoriques permettant difficilement d’établir un modèle capable d’évaluer la durabilité. Il faut pour cela
déterminer des critères qualifiables ou quantifiables à partir de ces piliers pour évaluer les systèmes de
manière homogène. Déterminer ces critères se fait par :

- La définition du cadre d’analyse : le but de l’évaluation effectuée et le sens attribué à la durabilité,

ce, en lien avec le contexte des exploitations étudiées
- Le choix de dimensions pertinentes au vu du cadre d’analyse défini
- La réflexion et la sélection d’indicateurs permettant une mesure pour les dimensions choisies

Il est donc nécessaire de mettre en place des indicateurs mesurables à l’échelle de l’exploitation,
quantifiables ou qualifiables, et représentatifs des dimensions de la durabilité choisie. Ces indicateurs
permettent ensuite d’établir un guide d’enquête, afin de récolter les informations nécessaires sur le terrain,
dans des exploitations sélectionnées sur des critères précis. Une fois collectées, les données sont regroupées
afin de créer une base de données, sujette à l’analyse statistique. Il existe déjà plusieurs méthodes
d’évaluation de la durabilité. Cette partie s’attachera à présenter ces méthodes et à en étudier les limites
dans le cadre de ce projet.

2.2.2. Méthodes d’évaluation existantes

Les diverses méthodes d’évaluation de la durabilité des exploitations agricoles visent chacune des types
d’exploitations différentes en se basant sur divers indicateurs. Des méthodes permettent tout d’abord
d’évaluer la durabilité des exploitations en se basant sur chacun de ses piliers, mais ne sont pas adaptables
pour toutes les productions. Par exemple, les méthodes ELVIRA (Elevage VIande duRAble) et DIAMON sont
spécifiques respectivement à l’élevage bovin allaitant et palmipède/cunicole (Idèle, 2013; Litt, Fortun-
Lamothe, & Coutelet, 2009). Elles ne sont donc pas applicables aux élevages mixtes.

Pour avoir une vision globale de la durabilité en systèmes d’élevages diversifiés, il est nécessaire d’inclure
chaque dimension de la durabilité à une méthode applicable à toutes les productions. C’est par exemple le
cas de IDEA (Indicateurs de Durabilité des Exploitations Agricoles) et SAFA (Sustainability Assessment of Food
and Agriculture systems) (FAO, 2014; Zahm, Viaux, Vilain, Girardin, & Mouchet, 2008) qui proposent une
vision économique, sociale et environnementale de la durabilité des exploitations. La méthode IDEA se base

9
par exemple sur 10 composantes (Tableau 1) qui définissent la durabilité et 42 indicateurs calculés grâce aux
mesures sur le terrain.
Tableau 1 : La méthode IDEA : un exemple de méthode d’évaluation basée sur des composantes de la durabilité

La méthode MESMIS (Assessing the Sustainability of Natural Resource Management Systems) permet
également d’évaluer la durabilité de tous types de productions (Cerutti et al., 2014; López-Ridaura, Masera,
& Astier, 2002). Cette méthode propose 7 dimensions pour la durabilité : la productivité, la stabilité, la
fiabilité, la résilience, l’adaptabilité, l’équité et l’autonomie.

Toutefois, ces méthodes (MESMIS, IDEA, SAFA) considèrent de manière positive l’agrobiodiversité à l’échelle
de la ferme en faisant le postulat que la diversification est toujours un avantage. C’est ce postulat que le
projet MIX-ENABLE a pour but de questionner. Une méthode existe ne considérant pas la diversité comme
impliquant obligatoirement plus de durabilité. Il s’agit de la méthode LCA (Lyfe Cycle Assessment) (Boone et
al., 2016). L’analyse du cycle de vie évalue l’impact de la création des produits sur l’environnement mais
délaisse les autres dimensions de la durabilité. Il s’agit ici d’une méthode visant à évaluer l’impact de
l’exploitation sur l’environnement en prenant peu en compte l’influence des pratiques sur cet impact. Cette
dernière méthode gomme donc les différences entre les systèmes sans considérer les aspects économiques
et sociaux. Ce manque d’étude globale de la durabilité ne convient pas non plus dans le cadre de cette étude.

2.2.3. Nécessité d’une nouvelle méthode d’évaluation

Dans ce projet, les but est de collecter des données sur les pratiques agricoles, de les mettre en relation avec
le contexte pédoclimatique et social de la ferme, et de les relier à la durabilité afin d’en comprendre les
causes tout en discutant le postulat suivant : « la diversité est source de durabilité » pour en préciser le
domaine de validité (sous quelles conditions de gestion/pratiques en particulier). L’ensemble des méthodes
d’évaluation de la durabilité évoquées comportent des avantages, mais elles présentent toutes des limites
puisqu’aucune ne réunit toutes les conditions cruciales pour ce projet qui sont :

- S’appliquer aux systèmes complexes comme l’élevage diversifié

- Considérer la durabilité dans son ensemble en prenant en compte toutes ses dimensions
- Ne pas partir du postulat que la diversité est toujours positive au sein d’un système

Une nouvelle méthode d’évaluation s’impose donc pour mesurer la durabilité des fermes en PCPE. Celle-ci
doit permettre de produire des références sur ces fermes, d’identifier les facteurs de leur durabilité pour
garantir une vision globale et appliquée en fermes commerciale, et tester les bénéfices de la diversification
pour une agriculture durable.

10
 3. Présentation du projet MIX-ENABLE et des objectifs du stage
Le projet MIX-ENABLE est un projet européen financé par Core Organic qui a pour but de pallier ce manque
de connaissances sur les élevages mixtes. Ce projet se concentre sur les exploitations certifiées en agriculture
biologique.

3.1. Pourquoi l’Agriculture biologique (AB) ?

Les grandes lignes du cahier des charges en AB (FNAB, 2014, s. d.)

- Interdiction d’utiliser des produits chimiques de synthèse

- Interdiction d’utiliser des traitements allopathiques chimiques pour les animaux dans un but
préventif
- Interdiction d’attacher ou d’isoler les animaux
- Réglementation des mutilations et réduction des temps de transport.
- Utilisation exclusivement d’intrants certifiés bios (semences, plants, alimentation des animaux
d’élevage…)

Il semblait en effet intéressant de se concentrer sur les fermes certifiées au vu des enjeux que représente
l’AB et des réponses qu’elle apporte aux problématiques sociétales, environnementales et économiques par
son cahier des charges (FNAB, 2014, s. d.). L’AB, apparu en France dans les années 50, officiellement reconnu
en 1981 et devenant une certification en 1991 dans l’Union Européenne (Weissenberger, 2015), est
effectivement un mode de production en forte expansion avec une explosion de la demande : les achats de
produits certifiés AB ont augmenté de 17% entre 2016 et 2017 seulement, pour représenter 8,373 milliards
d’euros (Agence Bio, 2018). Pour répondre à cette demande, l’offre de produits labellisés augmente, mais de
façon moins importante. La proportion des surfaces certifiées a augmenté de 13% entre 2016 et 2017
(Agence Bio, 2018) pour représenter 7,5% de la surface agricole française, 10% des exploitations et 14% des
emplois (Agence Bio, 2019). Afin que le nombre d’exploitations agricoles certifiées augmente de façon à
répondre à l’explosion de la demande, produire des références sur ce mode de production est un moyen de
favoriser la conversion des exploitations justifiant l’intérêt du projet MIX-ENABLE pour l’AB.

Le choix de la certification est également renforcé par le lien qui existe entre diversité et AB. En effet, comme
expliqué dans l’état de l’art (2.1), cette diversité peut améliorer l’autonomie et la gestion des risques. Alors
que la conversion au bio peut s’avérer risquée en raison des baisses de rendements dus aux bouleversements
du systèmes (FRAB Midi Pyrénées, 2011) imposés par le cahier des charges, de la vulnérabilité face à l’aléa
en raison de l’absence de solutions de rattrapage par les intrants chimiques, ou encore de l'augmentation du
coût de production (Le Lan, 2013), combiner cette étude sur la diversification en élevage à l’AB s’avère
intéressant.

3.2. Organisation du projet

MIX-ENABLE a été lancé le 1er avril 2018 et regroupe sept pays et 10 instituts de recherche : la France (INRA,
IDELE, ITAB), la Belgique (CRA-W), l’Autriche (BOKU), la Suisse (FiBL), la Suède (SLU), l’Allemagne
(Forschungsring, Thuenen Institute), et l’Italie (Tuscia Uni), et s’organise en 6 modules illustrés dans la Figure
3. Le caractère international du projet a impliqué l’adaptabilité des outils développés lors du stage pour ces
pays et les particularités de leurs fermes. Coordonné par l’INRA (Module 1), il a pour but d’analyser les points
forts et les points faibles afin d’aider les exploitations en PCPE et d’aiguiller les agriculteurs qui souhaiteraient
développer cette pratique. Le projet vise à recueillir des données sur les exploitations d’élevage mixte par le
biais d’enquêtes auprès d’environ 140 fermes, dont 31 en France, pour caractériser ces exploitations, puis
évaluer leur durabilité et l’expliquer par les pratiques des agriculteurs, notamment l’intégration entre ateliers
de production végétale et animale (Modules 2 et 3). L’intégration au sein d’un système peut se définir par le
11
nombre et les caractéristiques des interactions temporelles et spatiales entre les différents ateliers de
production et modes d’occupations du sol (Hendrickson, Hanson, L. Tanaka, & Sassenrath, 2008; Lemaire,
2014). Cet aspect fait l’objet d’un autre stage avec lequel une relation sera établie ultérieurement. Les
connaissances pratiques obtenues pendant les enquêtes seront complétées de données issues de fermes
expérimentales (Module 4), et aideront à modéliser et co-construire avec les agriculteurs des scénarios
d’élevages mixtes en AB durables et intégrés (Module 5).

Figure 3 : Description de l’organisation du projet MIX-ENABLE (Martin, Steinmetz, Blanc, & Benoit, 2018)

3.3. Intégration du stage dans le projet et objectifs du stage

Le travail de mon stage s’inscrit dans les modules 2 et 3 du projet MIX-ENABLE (Figure 3). Il a tout d’abord
consisté en une collecte de données sur le terrain grâce à un guide d’enquête déjà construit. Sur la totalité
des 15 fermes enquêtées par le centre INRA de Toulouse, j’ai participé ou effectué entièrement la collecte
de 6 d’entre elles. Une fois les données récoltées, celles-ci sont rassemblées dans une base de données que
j’élaborée durant le stage afin de pouvoir les analyser par le prisme de la durabilité, et discuter des résultats.
L’évaluation de la durabilité se fera grâce à des indicateurs dont la liste a été établie avant mon arrivée.

4. Matériel et méthodes
4.1. Choix des indicateurs
Le choix des indicateurs était une étape cruciale puisque ce dernier pouvait influencer fortement les résultats
(De Olde et al., 2016; De Olde, Sautier, & Whitehead, 2018; de Olde, Bokkers, & de Boer, 2017). Ce point de
méthode a donc été clé dans la conduite du projet MIX-ENABLE.

4.1.1. Mise en place de nouveaux indicateurs – méthode

Elaborer la méthode d’évaluation a consisté en une sélection des dimensions de la durabilité qui se
montraient pertinentes pour le projet et en un choix des indicateurs permettant d’évaluer ces dimensions et
le niveau de durabilité. Des articles existaient pour guider dans le choix de ces éléments (López-Ridaura et
al., 2002; de Olde et al., 2017), et le processus est illustré en Figure 4. Celui-ci avait pour but de déterminer
le cadre d’analyse et d’en tirer les indicateurs mesurables sur le terrain. En utilisant ce processus, des

12
réunions collectives auxquelles tous les partenaires du projet ont assisté ont été organisées afin de concevoir,
discuter et stabiliser la liste d’indicateurs.

Figure 4 : Processus pour le choix des indicateurs de la méthode d’évaluation (de Olde et al., 2017)

4.1.2. Mise en place de nouveaux indicateurs – liste

Il est ressorti de la méthode précédemment citée 8 dimensions qui caractérisent la durabilité justifiées de la
manière suivante (Martin et al., 2018):

Efficacité dans l’utilisation de la ressource : cette efficacité est requise en raison d’une part du prix élevé des
intrants certifiés biologiques et d’autre part par les attentes des consommateurs de limiter les pollutions
environnementales.

Conservation de la ressource : les consommateurs attendent des exploitations en AB de préserver les

ressources naturelles (sols, eau, air et biodiversité). La conservation de la ressource est donc une dimension
essentielle à prendre en compte.

Autonomie : l’autonomie permet de limiter l’exposition des fermes en AB aux aléas économiques.

Productivité : les fermes en AB étant critiquées pour leur plus faibles productivité, il est indispensable
d’inclure cet aspect afin qu’elles demeurent viables.

Profitabilité : la profitabilité est nécessaire pour assurer la viabilité de l’AB à long terme pour garantir le
revenu de l’agriculteur et maintenir ce type d’agriculture attractive malgré sa complexité nécessaire.
13
Bien-être humain : la spécialisation des fermes et l’intensification de l’agriculture a mené a des
problématiques de bien-être pour les agriculteurs, qui explique la nécessité de prendre cet aspect en compte
pour garantir la viabilité de l’AB et la durabilité des systèmes étudiés.

Bien-être animal : alors que les pratiques d’élevage conventionnel sont très critiquées, les consommateurs
voient l’élevage en AB comme un mode d’élevage respectueux du bien-être animal. Intégrer cet aspect à
l’étude est inévitable puisque les fermes en AB se doivent donc de prendre à bras le corps cette
problématique pour perdurer.

Résilience : La résistance aux aléas de l’AB questionne, vis-à-vis soit des aléas environnementaux, soit des
aléas économiques. Les exploitations en AB sont d’une part remise critiquées pour être plus sensibles aux
événements environnementaux que les exploitations conventionnelles. D’autre part, il est remarqué que les
prix des produits certifiés AB sont plus stables que les produits issus d’agriculture conventionnelle. L’AB serait
donc moins sensible aux aléas économiques. Ces aspects questionnent la résilience de ces fermes, expliquant
l’intérêt de cette dimension pour ce projet.

Ces 8 dimensions ont ensuite été précisées en 22 thèmes augmentant le grain de précision, puis en 37
indicateurs mesurables dans les fermes permettant de quantifier les thèmes. L’ensemble de ces résultats est
présenté dans le Tableau 2. La décision a été prise, lors du choix des dimensions et des indicateurs, de ne pas
les pondérer. En effet, les objectifs de chaque ferme diffèrent, il aurait été trop complexe d’ajouter des poids
différents à chaque dimension correspondant à la volonté de chacun des agriculteurs interrogés. De plus,
cette absence de différence de poids entre dimensions illustre la volonté d’une évaluation sur tous les aspects
de la durabilité.

14
Tableau 2 : Tableau récapitulatif des dimensions, thèmes et indicateurs utilisés lors de l’étude, ainsi que les modes de calculs

Dimension Thème N° Indicateur Calcul

Efficacité dans l’utilisation de la Utilisation économe en 𝐴𝑧𝑜𝑡𝑒 𝑝𝑟𝑜𝑑𝑢𝑖𝑡 (𝑘𝑔)

1 Productivité par unité d’intrants azotés (SU)
ressource intrants 𝐴𝑧𝑜𝑡𝑒 𝑎𝑐ℎ𝑒𝑡é (𝑛𝑜𝑢𝑟𝑟𝑖𝑡𝑢𝑟𝑒 + 𝑓𝑒𝑟𝑡𝑖𝑙𝑖𝑠𝑎𝑛𝑠𝑡𝑠)(𝑘𝑔)
Cette efficacité est requise en raison 𝐸 𝑒𝑠𝑠𝑒𝑛𝑐𝑒, é𝑙𝑒𝑐𝑡𝑟𝑖𝑐𝑖𝑡é 𝑒𝑡 𝑔𝑎𝑧 (𝑀𝐽)
Utilisation économe en 2 Utilisation d’énergie principale (MJ/€)
d’une part du prix élevé des intrants 𝑆𝑜𝑚𝑚𝑒 𝑑𝑒𝑠 𝑣𝑒𝑛𝑡𝑒𝑠 (€)
ressource non-
certifiés biologiques et d’autre part 𝐸𝑛𝑒𝑟𝑔𝑖𝑒 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑖𝑡 𝑣𝑒𝑛𝑑𝑢 (𝑀𝐽)
renouvelable (RNR) 3 Productivité par unité d’intrant de RNR (SU)
par les attentes des consommateurs 𝐸𝑛𝑒𝑟𝑔𝑖𝑒 𝑑 ′ 𝑖𝑛𝑡𝑟𝑎𝑛𝑡𝑠 𝑑𝑒 𝑅𝑁𝑅(𝑀𝐽)
de limiter les pollutions Efficacité de l’utilisation 𝑆𝑜𝑚𝑚𝑒 𝑑𝑒𝑠 𝑣𝑒𝑛𝑡𝑒𝑠 (€)
environnementales 4 Productivité des intrants (SU)
d’intrants 𝐼𝑛𝑡𝑟𝑎𝑛𝑡𝑠 𝑎𝑐ℎ𝑒𝑡é𝑠 (€)

Emissions d’azote dans 𝐴𝑧𝑜𝑡𝑒 𝑣𝑒𝑛𝑑𝑢 (𝑘𝑔) − 𝐴𝑧𝑜𝑡𝑒 𝑎𝑐ℎ𝑒𝑡é(𝑘𝑔)

5 Equilibre de l’azote (kg/ha)
Conservation de la ressource l’environnement 𝑆𝐴𝑈 (ℎ𝑎)
Les consommateurs attendent des
𝑆𝑎𝑟𝑓𝑎𝑐𝑒 𝑑𝑒 𝑠𝑜𝑙 𝑛𝑢 𝑝𝑒𝑛𝑑𝑎𝑛𝑡 𝑙 ′ ℎ𝑖𝑣𝑒𝑟 (ℎ𝑎)
exploitations en AB de préserver les Risque d’érosion des sols 6 Sol nu pendant l’hiver (SU)
𝑆𝐴𝑈 (ℎ𝑎)
ressources naturelles (sols, eau, air
Stockage de carbone et
et biodiversité) Longueur bordures de haie et de forêt 𝐵𝑜𝑟𝑑𝑢𝑟𝑒𝑠 𝑑𝑒 ℎ𝑎𝑖𝑒𝑠 𝑒𝑡 𝑓𝑜𝑟ê𝑡𝑠 (𝑘𝑚)
conservation de la 7
(km/ha) 𝑆𝐴𝑈 (ℎ𝑎)
biodiversité
Autonomie Autosuffisance Autosuffisance alimentaire à l’échelle de la 𝐸 𝑎𝑙𝑖𝑚𝑒𝑛𝑡𝑎𝑡𝑖𝑜𝑛 𝑎𝑐ℎ𝑒𝑡é𝑒 (𝑈𝐹)
8 1−
Permet de limiter l’exposition des alimentaire ferme (SU) 𝐸 𝑎𝑙𝑖𝑚𝑒𝑛𝑡𝑎𝑡𝑖𝑜𝑛 𝑡𝑜𝑡𝑎𝑙𝑒 𝑐𝑜𝑛𝑠𝑜𝑚𝑚é𝑒 (𝑈𝐹)
fermes en AB aux risques
Indépendance vis-à-vis 𝐷𝑒𝑡𝑡𝑒𝑠 (€)
environnementaux et aux aléas 9 Part de dette dans le capital (SU)
de capitaux externe 𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑑𝑒 𝑙𝑎 𝑓𝑒𝑟𝑚𝑒 (€)
économiques
𝑃𝑟𝑜𝑑𝑢𝑖𝑡 𝑏𝑟𝑢𝑡 (𝑘𝑔 𝑑′𝑁 𝑜𝑢 𝑀𝐽)
Productivité 10 Productivité des terres (kg/ha ou MJ/ha)
𝑆𝐴𝑈 (ℎ𝑎)
Les fermes en AB étant critiquées
Productivité des 𝑃𝑟𝑜𝑑𝑢𝑖𝑡 𝑏𝑟𝑢𝑡 (𝑘𝑔 𝑑′𝑁 𝑜𝑢 𝑀𝐽)
pour leur plus faibles productivité, il 11 Productivité des animaux (kg/ha ou MJ/ha)
ressources 𝑈𝐺𝐵
est indispensable d’inclure cet aspect
afin qu’elles demeurent compétitives Productivité par unité de travail (kg/ha ou 𝑃𝑟𝑜𝑑𝑢𝑖𝑡 𝑏𝑟𝑢𝑡 (𝑘𝑔 𝑑′𝑁 𝑜𝑢 𝑀𝐽)
12
MJ/ha) 𝑈𝑇𝐻

15
 𝑅𝑒𝑣𝑒𝑛𝑢 𝑛𝑒𝑡 (€)
13 Revenu par travailleur (€)
𝑈𝑇𝐻
Profitabilité Profitabilité du travail
Nécessaire pour la viabilité de l’AB à 14 Score de satisfaction (SU) Grille d’évaluation (1 à 4)
long terme pour garantir le revenu
𝑃𝑟𝑜𝑑𝑢𝑖𝑡 𝑏𝑟𝑢𝑡 (€)
de l’agriculteur et maintenir ce type Profitabilité du capital 15 Profitabilité du capital (SU)
𝐶𝑎𝑝𝑖𝑡𝑎𝑙 (€)
d’agriculture attractive malgré sa
complexité nécessaire Auto-capacité de la
𝑉𝑎𝑙𝑒𝑢𝑟 𝑎𝑗𝑜𝑢𝑡é𝑒 (€)
ferme de générer du 16 Valeur ajoutée de la ferme (SU)
𝑅é𝑠𝑢𝑙𝑡𝑎𝑡 𝑛𝑒𝑡 𝑑𝑒 𝑙 ′ 𝑒𝑥𝑒𝑟𝑐𝑖𝑐𝑒(€)
profit
Intensité moyenne de travail par période (2
17 Grille d’évaluation (1 à 4)
semaines) (SU)

18 Nombre moyen de tâches par période (SU) Nombre

Nombre de périodes dédiées aux mises bas

19 Nombre
ou nouvelles bandes (SU)
Nombre de périodes dédiées à
Charge de travail 20 Nombre
l’alimentation des animaux (SU)
Nombre de périodes dédiées à la
21 Nombre
transformation et à la vente (SU)
Bien-être humain
Nombre de périodes dédiées aux cultures
Nécessaire pour garantir la viabilité 22 Nombre
(SU)
de l’AB
Score de satisfaction de la charge de travail
23 Grille d’évaluation (1 à 4)
(SU)
𝑁𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝑗𝑜𝑢𝑟𝑠 𝑑𝑒 𝑟𝑒𝑝𝑜𝑠 𝑝𝑎𝑟 𝑎𝑛 𝑟é𝑒𝑙
Temps libre 24 Satisfaction du temps libre (SU)
𝑁𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝑟𝑒𝑝𝑜𝑠 𝑝𝑎𝑟 𝑎𝑛 𝑂𝑏𝑗𝑒𝑐𝑡𝑖𝑓
Difficulté physique du
25 Score de difficulté physique (SU) Grille d’évaluation (1 à 4)
travail
Complexité mental du
26 Score de complexité mentale (SU) Grille d’évaluation (1 à 4)
travail
Satisfaction générale du
27 Score de satisfaction générale (SU) Grille d’évaluation (1 à 4)
travail

16
 Mortalité des animaux adultes (SU) (>3 mois
𝑁𝑜𝑚𝑏𝑟𝑒 𝑑 ′ 𝑎𝑛𝑖𝑚𝑎𝑢𝑥 𝑚𝑜𝑟𝑡𝑠
Mortalité 28 pour les ruminants et les porcs, >6 mois
𝑁𝑜𝑚𝑏𝑟𝑒 𝑑 ′ 𝑎𝑛𝑖𝑚𝑎𝑢𝑥 𝑡𝑜𝑡𝑎𝑙
pour les chevaux)
Bien-être animal Mortalité des jeunes animaux (SU) (<3 mois
𝑁𝑜𝑚𝑏𝑟𝑒 𝑑 ′ 𝑎𝑛𝑖𝑚𝑎𝑢𝑥 𝑚𝑜𝑟𝑡𝑠
Alors que les pratiques d’élevage 29 pour les ruminants et les porcs, <6 mois
𝑁𝑜𝑚𝑏𝑟𝑒 𝑑 ′ 𝑎𝑛𝑖𝑚𝑎𝑢𝑥 𝑡𝑜𝑡𝑎𝑙
conventionnel sont très critiquées, Santé animale pour les chevaux)
les consommateurs voient l’élevage Coûts vétérinaires par rapport aux nombre 𝐶𝑜û𝑡 𝑡𝑜𝑡𝑎𝑙 (€)
30
en AB comme un mode d’élevage d’UGB (€) 𝑈𝐺𝐵
respectueux du bien-être animal
31 Nombre de traitements et vaccin (SU) Nombre de traitement et de vaccin
Evaluation générale
Satisfaction générale du bien-être animal
32 Grille d’évaluation (1 à 4)
(SU)

Présence ou absence
Part de revenus extérieurs à l’exploitation
33 𝑅𝑒𝑣𝑒𝑛𝑢𝑠 𝑒𝑥𝑡é𝑟𝑖𝑒𝑢𝑟𝑠 à 𝑙 ′ 𝑒𝑥𝑝𝑙𝑜𝑖𝑡𝑎𝑡𝑖𝑜𝑛(€)
Pouvoir tampon de (SU)
𝑅𝑒𝑣𝑒𝑛𝑢 𝑛𝑒𝑡 (€)
l’exploitation
Résilience Indépendance vis-à-vis d’intrants matériels 𝐼𝑛𝑡𝑟𝑎𝑛𝑡𝑠 𝑎𝑐ℎ𝑒𝑡é𝑠 (€)
34
La résistance aux aléas de l’AB (SU) 𝑆𝑜𝑚𝑚𝑒 𝑑𝑒𝑠 𝑣𝑒𝑛𝑡𝑒𝑠 (€)
questionne, vis-à-vis soit des aléas Nombre d’année d’expérience en milieu agricole
35 Expérience dans le monde agricole (SU)
environnementaux, soit des aléas avant installation
économiques
Capacité d’adaptation 36 Nombre de formation par an (SU) Nombre

Satisfaction de la disponibilité de source

37 Grille d’évaluation (1 à 4)
d’information extérieure (SU)

17
 4.2. Création d’une base de données
4.2.1. Guide d’enquête
Une fois les indicateurs sélectionnés et validés, un guide d’enquête, réalisé avant mon arrivée, a permis
d’assurer la récolte des données sur le terrain. Le guide se devait d’être complet pour permettre le calcul des
indicateurs, et suivre une logique dans sa construction pour faciliter le travail de terrain. Une fois finalisé, il
a été testé sur un échantillon de 4 fermes représentatives pour s’assurer de son efficacité, ajusté, puis diffusé
auprès de tous les partenaires. Le guide d’enquête final est présenté en Annexe 1.

4.2.2. Sélection des fermes

Le projet se concentrait sur les fermes en AB pratiquant l’élevage mixte. Pour pouvoir intégrer une
exploitation à l’étude, celle-ci devait donc être certifiée en AB et avoir au moins deux ateliers d’élevage. 3
centres INRA ont eu en charge d’enquêter des fermes : les centres INRA-Toulouse, INRA-Theix, et INRA-
Montpellier. Les nouvelles lois de protection des données ont compliqué l’échantillonnage des fermes, qui
s’est fait grâce aux groupements d’agriculture biologique des départements à proximité des centres INRA.
Une fois les fermes de PCPE en AB répertoriées, des appels ont été passés pour fixer un rendez-vous. Au
total, 31 fermes ont été enquêtées dont la répartition géographique est présentée en Figure 5.

Figure 5 : répartition géographique des fermes enquêtées

4.2.3. Collecte et regroupement des données

Les enquêtes se sont déroulées sur une période d’environ 6 mois. Les entretiens avec les éleveurs duraient
entre 2,5 heures et 4,5 heures selon la complexité des systèmes. Le regroupement des données s’est fait de
la manière suivante :

- Enquête sur le guide papier

- Saisie des données sur une version informatique légèrement modifiée
- Renvoi des données nécessaires à l’analyse vers un onglet du fichier Excel centralisant l’ensemble
des données collectées composé d’une ligne (ferme) et de 1610 colonnes (variables collectées)
- Regroupement des données sur l’ensemble des fermes dans une base de données sur R

18
Les outils de renvoi des informations sur Excel et le script R permettant de regrouper les données ont été
réalisés durant le stage. Ils ont été utilisés dans le cadre de cette étude et diffusés aux partenaires européens
pour une future analyse à l’échelle européenne.

Une grande diversité de fermes a été enquêtée. Les combinaisons analysées et le nombre d’enquêtes
réalisées par combinaisons sont présentés dans le Tableau 3.
Tableau 3 : Combinaisons analysées dans les différents centres INRA. BL = Bovin Lait, BV = Bovin Viande

BL – BL – BV – BV – BV – Ovins – BL – Ovins –
Centre INRA
BV Porcs Porcs Ovins Volailles Caprins Caprins Porcs
Toulouse 2 3 2 3 3 1 1 0
Clermont-Ferrand 0 0 5 6 3 0 0 0
Montpellier 0 0 0 0 0 1 0 1
4.3. Analyses des données
4.3.1. Calcul des indicateurs
Le calcul de certains indicateurs a dû être ajusté en fonction des informations récoltées sur le terrain. Pour
la productivité par unité d’azote, l’indicateur était calculé de la manière suivante :
𝐴𝑧𝑜𝑡𝑒 𝑝𝑟𝑜𝑑𝑢𝑖𝑡 (𝑘𝑔)
𝐴𝑧𝑜𝑡𝑒 𝑎𝑐ℎ𝑒𝑡é (𝑛𝑜𝑢𝑟𝑟𝑖𝑡𝑢𝑟𝑒 + 𝑓𝑒𝑟𝑡𝑖𝑙𝑖𝑠𝑎𝑛𝑠𝑡𝑠)(𝑘𝑔)

L’inverse a été utilisé dans les calculs en raison de la présence de fermes qui n’importaient pas d’azote.

De plus, afin de calculer l’ensemble de ces indicateurs, des références présentées en Annexes (2 à 15), ont
été nécessaires pour :

- Convertir les poids carcasses en poids vifs (Association de la race blonde d’Aquitaine, s. d.; Castaing,
Cazaux, Lacoste, Garnier, & Peyhorgue, 2002; Chambre d’agriculture de Bretagne, 2005; France
génétique Elevage, s. d., s. d.; France génétique élevage, s. d.; Idèle, 2017; IFIP, 2002, 2004; inosys
réseaux d’élevage & Idèle, s. d.; Montbéliarde Association, s. d.)
- Vérifier le poids de certains animaux d’élevage en fonction des races (Collectif des races des Massifs,
s. d.)
- Convertir les nombres d’œufs et de litres de lait en poids (Chambre d’agriculture du Lot-et-Garonne,
2018; FAO, s. d.)
- Estimer les teneurs en azote dans les différents intrants et produits (Chambre d’agriculture
d’occitanie, 2018; Chambre d’agriculture du Lot-et-Garonne, 2018; Coulon, Roybin, Congy, & Garret,
1988; FAO, s. d.; Hannaway et al., 1999; Idèle, 1999; « KERAZOTE BIO 10-2-2 SAC 20KG », s. d.;
Rémond & Walrand, 2017; Tables gouvernement, s. d.; Terres Univia, s. d.; Zitari, 2008)
- Convertir la part de protéines en quantité d’azote (Mariotti, Tomé, & Mirand, 2008)
- Estimer les quantités d’énergie contenue dans les intrants de ressources non renouvelables
(électricité, essence et gaz) (« Consommation de carburant des voitures France 2004-2017 |
Statistique », s. d.; « Conversion des unités d’énergie », s. d.; « Energie libérée par une combustion »,
s. d.; Guibet, 1997; Hénin, 2011)
- Estimer les quantités d’énergie contenues dans les intrants et produits (Chambre d’agriculture des
Pays de la Loire, 2010; INRA - CIRAD - AFZ, s. d.; INRA, 2010; Tables gouvernement, s. d.)

Le calcul de ces indicateurs a également nécessité l’utilisation de packages sur le logiciel R : xlsx (Dragulescu
& Arendt, 2018) et dplyr (François, Henry, & Müller, 2019).

19
 4.3.2. Choix des variables à écarter
La liste d’indicateurs à calculer a été fixée avant le début du stage et le nombre d’indicateurs est de 40
(numérotés de I1 à I40) pour 31 observations. Un choix des indicateurs à conserver a donc été fait afin de
limiter le nombre de variables et obtenir un meilleur compromis entre le nombre d’observations et le nombre
d’indicateurs.

Dimension « Conservation de la ressource »

Les informations concernant les bordures de haies et de forêts n’ont pas été utilisées car les informations
étaient trop souvent indisponibles. La surface de sol nu a également été écartée car tous les exploitants
couvraient leur sol en hiver. L’absence de variabilité n’a pas pu permettre de discriminer les fermes, mais
cela reste un résultat à commenter. L’équilibre de l’azote a été le seul indicateur caractérisant la conservation
de la ressource.

Dimensions « Productivité »
Les indicateurs de productivité étaient exprimés en termes de quantité d’énergie produite et en termes de
quantité d’azote produite. L’expression qui utilisait la quantité d’azote produite a été conservée pour le reste
de l’analyse.

Dimension « Bien-être humain »

Lors de discussions avec les partenaires chargés de récolter les données, des dysfonctionnements de collecte
se sont révélés pour les indicateurs représentant le nombre moyen de tâche par période, le nombre de
périodes contenant les tâches liées aux mises bas ou de nouvelles bandes de monogastriques, à
l’alimentation animale, à la vente directe et aux cultures. Cela a rendu inutilisable les indicateurs, qui ne
seront pas utilisés dans la suite des analyses.

L’intensité moyenne de travail par période, la satisfaction de la charge de travail et la satisfaction du temps
libre exprimaient une idée relativement voisine. L’intensité moyenne de travail par période a été choisie pour
le reste de l’étude pour représenter la charge de travail sur l’année.

Dimension « Bien-être animal »

Les coûts vétérinaires et le nombre de traitements par animaux ont été récoltés dans le cadre de la dimension
« Bien-être animal ». Toutefois, l’interprétation de ces indicateurs a été impossible dans la mesure où aucune
précision concernant les coûts vétérinaires et les traitements n’ont été demandées aux éleveurs. Ainsi, il n’a
pas pu être déterminé si des coûts vétérinaires élevés et un nombre de traitements important relèvent d’un
meilleur ou d’un moins bon bien-être animal. Pour ces raisons, ces deux indicateurs n’ont pas été pris en
compte.

La mortalité des animaux, jeunes ou adultes, est un bon indicateur du bien-être animal dans des fermes
conventionnelles. Dans le cas présent, un biais apparaissait puisque certaines fermes ne réformaient pas
leurs mères et les laissaient mourir en estives de mort naturelle ou accidentelle. L’indicateur représentant la
mortalité des animaux adultes a donc été écarté de l’analyse. Seuls la mortalité des jeunes (I29) et la
perception de l’éleveur du bien-être de ses animaux représentaient la dimension du « bien-être animal ».

Dimension « Résilience »
La part de revenu extérieur à l’exploitation n’a jamais pu être récoltée lors des enquêtes. Cet indicateur est
donc écarté de l’analyse. Lors des enquêtes sur le terrain, il est ressorti que l’indicateur correspondant au
nombre d’années d’expérience dans le milieu agricole avant l’installation ne paraissait pas représentatif de
la capacité d’adaptation de l’exploitation. En effet, de nombreux agriculteurs étaient des repreneurs de la
ferme de leur famille et avaient donc travaillé officieusement dans le monde agricole. Parmi eux, certains
s’étaient également adapté au milieu et au marché en changeant de production ou en adaptant les modes
de commercialisation (en commençant la vente directe par exemple). Cette information n’était pas prise en
compte lors des enquêtes. Cet indicateur a donc été écarté de l’analyse.

20
 4.3.3. Valeurs manquantes
L’ensemble des données sur les 31 fermes enquêtées ont été collectées par 3 partenaires différents. Malgré
la rigueur et le temps alloués à la collecte des données par les partenaires, des informations n’ont pas pu
être renseignées en raison du temps limité par la charge de travail des éleveurs ainsi que de la complexité
des informations recherchées. Des valeurs étaient donc manquantes dans le jeu de données. Ces dernières
sont représentées sur la Figure 6. Des valeurs étaient manquantes pour 13 variables dans chacune des
dimensions et les indicateurs nécessitant des données économiques étaient ceux pour lesquels le plus de
valeurs manquaient. Cela s’est expliqué par le fait que la comptabilité n’était pas disponible pour toutes les
exploitations.

Figure 6 : Représentation graphique du nombre de valeurs manquantes par indicateur. Le lien entre le n° et le nom des indicateurs
se trouve dans le Tableau 2 page 15.

Pour résoudre le problème des valeurs manquantes, les packages VIM (Templ, Kowarik, Alfons, & Prantner,
2019) et MICE (Van Buuren & Groothuis-Oudshoorn, 2019) ont été utilisés. Cela a permis de remplacer les
valeurs manquantes en utilisant un modèle propre à chaque variable afin de leur attribuer une valeur. Le
choix a été fait de ne conserver les variables ayant moins de 25% de valeurs manquantes, soit moins de 7.
Les variables I9 (part de dettes dans le capital), I15 (profitabilité du capital) et I16 (valeur ajoutée de la ferme),
qui ont respectivement 11, 11 et 16 valeurs manquantes, ont écartées. Afin de vérifier la qualité des
remplacements, une régression des moindres carrés partiels a été effectuée entre le jeu de données initial
contenant des valeurs manquantes, et le jeu de données final dans lequel les valeurs manquantes avaient
été estimées. Le graphique représentant cette régression est présenté dans la Figure 7. La proximité entre
les données d’origine (en orange) et les données finales en violet) assure la qualité du remplacement. Ici, le
remplacement fut satisfaisant et a permis d’utiliser l’ensemble de ces variables pour la suite de l’analyse.

21
Figure 7 : Vérification de l’implémentation des valeurs manquantes par régression partielle des moindres carrés par rapport au jeu
de donnée initial. Le lien entre le n° et le nom des indicateurs se trouve dans le Tableau 2 page 15.

4.3.4. Description des données

4.3.4.1. Description de l’échantillon
L’échantillon de ferme a été décrit afin d’identifier la structure des différentes exploitations enquêtées, de
visualiser l’hétérogénéité de l’échantillon et les éventuelles valeurs extrêmes.

4.3.4.2. Matrice de corrélation

Une matrice de corrélation a été éditée afin de visualiser les variables très proches. Cette matrice a été
utilisée afin d’écarter des variables supplémentaires de l’analyse statistique lors de corrélations importantes,
ce qui a permis d’augmenter le rapport entre le nombre d’observations et le nombre de variables. Les
corrélations en dessous de -0,65 et au-dessus 0,65 ont été considérées comme importantes.

4.3.4.3. Nature et distribution des variables

La nature des variables et la distribution ont été observées afin de décrire les variables et d’identifier les
valeurs extrêmes. La normalité des variables a été vérifiée avec un test de Shapiro.

Les variables étudiées étaient de trois formes :

- Des variables quantitatives issues de calculs

- Des variables issues de grilles d’évaluation qui sont le résultat de moyennes entre les appréciations
des associés de la ferme, dans le cas où plusieurs éleveurs par ferme étaient interrogés.
- Des comptages

Il a donc été nécessaire de standardiser les données afin de pouvoir les comparer. Pour chaque variable
quantitative et de comptage, les valeurs ont été redistribuées entre 0 et 100. Pour les variables issues des
grilles d’évaluation entre 1 et 4, la valeur moyenne donnée par les éleveurs a été multipliée par 25.

4.3.5. Choix de l’analyse multivariée : analyse en composantes principales (ACP)

Le jeu de données se composait de 31 observations et de plusieurs indicateurs. Il a donc fallu utiliser une
analyse multivariée afin de le décrire. Il en existe de plusieurs sortes, il a donc fallu faire un choix pour
optimiser les observations.
22
Les données étaient de types quantitatifs (pour les calculs et les comptages) et de type ordinal pour les
réponses des éleveurs via des grilles de satisfaction. Ce sont ces dernières variables qui posaient questions,
et deux solutions étaient possibles :

- Utiliser le code numéroté de 1 à 4 lors des enquêtes pour rendre la variable quantitative et utiliser
une ACP (Chavent, 2013),
- Séparer les variables quantitatives et les variables ordinales pour effectuer, d’un côté, une ACP sur
les variables quantitatives, et de l’autre une analyse en composantes multiples (ACM) sur les
variables ordinales. Ce type d’analyse s’effectuant sur un jeu de données composé de deux types de
variables est une analyse factorielles de données mixtes (AFDM) (Pagès, 2004).

Le principal désavantage de l’ACP était qu’elle gommait l’aspect subjectif de la réponse de l’exploitant :
l’expression de la satisfaction diffère en fonction de chacun. Une réponse de deux éleveurs distincts aurait
pu exprimer une satisfaction différente pour une même réponse. Toutefois, ce fut avec ces grilles
d’évaluation que les enquêtes avaient été réalisées. Les nuances entre les éleveurs n’ont donc pas été
récoltées. Collecter la satisfaction des agriculteurs via une grille codifiée avec des chiffres a également
présenté un avantage certain dans le cas où plusieurs associés étaient présents lors de l’enquête : la moyenne
entre les deux réponses a pu être utilisée pour l’analyse. Enfin, la méthode de l’ACM utilisée pour les variables
ordinales lors de l’AFDM aurait eu la conséquence suivante : ces variables auraient été traitées de manières
multidimensionnelles, c’est donc le comportement de chacune des modalités qui aurait pu être étudié. Dans
le cas présent, l’objectif était d’obtenir le niveau d’appréciation de l’éleveur sur la question posé, c’est-à-dire
en traitant la variable comme une seule dimension (Chavent, 2014).

Pour ces raisons, c’est l’ACP qui a été utilisée afin :

- D’étudier les variables et les liaisons entre les variables pour savoir s’il est possible de résumer ou
non la durabilité des exploitations à un petit nombre d’indicateurs
- D’étudier les individus et la variabilité entre les fermes
- De savoir s’il est possible de caractériser des groupes d’individus par des variables

L’ensemble des indicateurs a été intégré à l’ACP comme variables actives pour la construction des axes afin
de tous leur accorder la même importance. Ce choix a eu comme conséquence un déséquilibre dans le
nombre d’indicateurs par dimension, et a pu avoir une influence dans les analyses. Toutefois, l’objectif du
projet était d’analyser les données de manière exploratoire et de constituer une base pour la suite du projet.
La décision de conserver tous les indicateurs pour l’analyse a donc été prise. Le package FactoMineR a été
utilisé pour ces analyses (Lê, Josse, & Husson, 2008). Une fois l’ACP effectuée, il a fallu déterminer le nombre
de composantes à conserver. Cela s’est fait à l’aide de l’étude de la variance expliquée et de la qualité de
représentation des variables sur les axes.

4.3.6. Etablissement de typologie par classification hiérarchique sur composantes

principales (CHCP)
Une typologie a ensuite été établie afin de différencier d’éventuels groupes de fermes. Pour cela, une
classification ascendante hiérarchique sur composantes principales a été effectuée à l’aide du package
FactoMineR (Lê et al., 2008). La séparation des groupes a été faite de manière à ne pas conserver plus de 4
groupes dans un souci de facilité d’interprétation. Afin de caractériser les groupes, une ferme représentative
de chacun des groupes a été décrite, premièrement en fonction de son profil de durabilité, deuxièmement
en fonction de sa structure. Les typologies ont ensuite été confrontées aux structures des exploitations afin
de mettre en évidence, ou non, un lien entre durabilité et structure. Les variables de structures considérées
sont présentées dans le Tableau 4. Afin de comparer les groupes en fonction des structures des fermes, un
test de Kruskal-Wallis a été utilisé afin de déterminer si les différences de structures des fermes entre les 4
groupes sont significativement différentes, et donc de mettre en valeur un lien entre structure et profil de
durabilité. Ce test a été choisi en raison de la taille différente des groupes et de la distribution non normale
23
des variables puisque le test de Kuskal-Wallis est un test non paramétrique. Il convient donc à ce type de
variables. La p-value de ce test a été extraite. Une différence entre les groupes sera considérée significative
lorsque p-value < 0,05.
Tableau 4 : Variables de structures considérées

Catégorie Variable de structure Unité

SAU Ha
Ressources en
Eloignement des parcelles Km
terres
Surface labourable % de la SAU
Ressources en Nb d'UGB total SU
animaux et travail Nb d'UTH total SU
Production énergétique Nb de fermes pratiquant cette activité de diversification
Autres activités Transformation Nb de fermes pratiquant cette activité de diversification
de diversification Vente directe Nb de fermes pratiquant cette activité de diversification
Prestation services Nb de fermes pratiquant cette activité de diversification

5. Résultats
5.1. Description des données
5.1.1. Description de l’échantillon
La Figure 8 représente les caractéristiques de distribution de l’utilisation des terres de l’échantillon. Les SAU
sont comprises entre 16,5 ha (pour la ferme 6 située en Aveyron) et 329 ha (pour la ferme 71 située dans
l’Allier) avec une moyenne de 109 ha. L’écart type est de 74 et le coefficient de variation de 68,5%. Les fermes
étudiées ont donc des tailles très diverses. Les surfaces de parcours sont comprises entre 0 et 250 ha avec
une moyenne de 13 ha et un 3ème quartile à 4,75. La majorité des fermes ne contient pas de parcours (la
médiane est de 0). Les fermes ayant des surfaces de parcours très élevées (90 et 250 ha) sont les 2 fermes
issues du centre de Montpellier. Ces surfaces importantes s’expliquent par le type d’élevage de cette région
caractérisé par des terres sèches, une végétation peu dense sur de grandes surfaces.

Figure 8 : Caractéristiques de l’utilisation des terres des fermes (SAU, parcours, cultures, prairies totales, temporaires et
permanentes)

Parmi les fermes enquêtées, 8 d’entre elles n’ont pas de cultures. La moyenne des surfaces allouées aux
cultures est de 20,85 ha avec un maximum à 150 ha. Une seule ferme (dans le sud-est de la France) n’utilise
pas de prairie. La distribution des prairies (totale, temporaire et permanente) est similaire à la distribution
de la SAU : elle caractérise une grande diversité parmi les fermes.

24
La Figure 9 représente les caractéristiques de l’échantillon en termes d’UGB présents sur les fermes et de
travailleurs. Le nombre d’UGB est compris entre 8 et 283 avec un coefficient de variation de 70%. Cette
caractéristique confirme le fait que l’échantillon analysé est très diversifié, tant au niveau de l’utilisation des
terres qu’au niveau des cheptels. Le nombre total d’unité de travail humain est compris entre 0.66 et 4.8. Il
y a entre 1 et 3 associés sur la ferme, dont seulement 1 qui n’y travaille pas à temps plein. La majorité des
exploitations n’emploient aucun salarié et ne comptent sur aucun bénévole.

Figure 9 : Caractéristiques des fermes en termes d’animaux (nombre d’UGB) et de travailleurs (associés, employés et bénévoles)

Les fermes enquêtées ont été sélectionnées pour leur diversification dans les productions animales, mais
elles se diversifient également par leurs activités, types et modes de commercialisations. Parmi les 31 fermes,
3 produisent de l’énergie, 13 transforment à la ferme, 22 pratiquent la vente directe, 3 sont aussi prestataires
de services agricoles et 5 ont une activité de ferme pédagogique.

5.1.2. Matrice de corrélation et indicateurs retenus pour l’analyse

Une matrice de corrélation est établie et présentée en Annexe 16, et représentée par une version graphique
en Figure 10. Cette matrice met en valeur une corrélation forte entre certaines variables.

Variables de productivité
I10 représente la productivité des terres et est positivement corrélé à l’équilibre de l’azote (I5) avec un
coefficient de corrélation de 0,75. La productivité des terres est également corrélée à I3, la productivité par
unité d’intrants de RNR (0,68) et à I12, la productivité par unité de travail (0,69).

I11 représente la productivité des animaux et est positivement corrélé à la productivité par unité d’intrants
de RNR (I3) avec un coefficient de corrélation de 0,77.

La productivité par unité d’intrants de RNR, l’équilibre de l’azote et la productivité du travail (I3, I5 et I12) ne
sont pas corrélés et représentent des caractéristiques ici jugées intéressantes des fermes : I3 représente la
dimension « efficacité dans l’utilisation de la ressource », I5 appartient à la dimension « conservation de la
ressource » et I12 à la « productivité ». Les productivités des terres et des animaux (I10 et I11) sont des
indicateurs de productivité, tout comme I3 et I12 (productivité des intrants de RNR et du travail). Les
enquêtes se déroulent dans 3 zones géographiques de France ayant des potentiels agropédoclimatiques très
différents, et avec différentes combinaisons d’espèces. Le but est d’analyser les pratiques sans faire ressortir
ces effets de localisation ou de production. Caractériser la production par unité de travail sera plus
intéressant pour le projet. I10 et I11 ne seront donc pas utilisés pour la suite de l’analyse.

Utilisation de l’azote
I1 représente l’inverse de la productivité par unité d’intrant azoté, et il est négativement corrélé à l’équilibre
de l’azote (I5) avec un coefficient de -0,67. Cela signifie que la productivité par unité d’intrant azoté est
25
positivement corrélée à l’équilibre de l’azote. Seul l’équilibre de l’azote (I5) est conservé pour le reste de
l’analyse, I1 est écarté.

Achat des intrants

Le coefficient de corrélation entre I2 (utilisation d’énergie principale) et I34 (indépendances vis-à-vis des
intrants matériels) est de 0,7.

I34 est l’inverse de I4 (productivité des intrants). Le choix est donc fait de conserver pour l’analyse I2 et
d’enlever I34.

Figure 10 : Version graphique de la matrice de corrélation des variables étudiées. Les tons bleus représentent des corrélations
positives et les tons rouges représentent des corrélations négatives. L’intensité de la couleur et la taille des cercles représentent
l’importante de la corrélation : plus le cercle est grand et foncé, plus la corrélation est proche de 1 ou -1. Le lien entre le n° et le nom
des indicateurs se trouve dans le Tableau 2 page 15.

5.1.3. Liste des variables finales

La liste des 16 indicateurs conservés pour les analyses statistiques est présentée dans le Tableau 5, et le
tableau des indicateurs calculés est présenté en annexe 17. Il existe un déséquilibre du nombre d’indicateur
entre dimensions dû à la suppression de variables pour l’analyse en raison des valeurs manquantes ou des
fortes corrélations. Ce déséquilibre n’illustre pas pour autant une pondération entre les différentes
dimensions.
Tableau 5 : Liste des variables finales utilisées dans l’analyse statistique

Dimension N° Indicateur Calcul

Utilisation d’énergie principale 𝐸 𝑒𝑠𝑠𝑒𝑛𝑐𝑒, é𝑙𝑒𝑐𝑡𝑟𝑖𝑐𝑖𝑡é 𝑒𝑡 𝑔𝑎𝑧 (𝑀𝐽)
2
(MJ/€) 𝑆𝑜𝑚𝑚𝑒 𝑑𝑒𝑠 𝑣𝑒𝑛𝑡𝑒𝑠 (€)
Efficacité dans
Productivité par unité d’intrant de 𝐸𝑛𝑒𝑟𝑔𝑖𝑒 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑖𝑡 𝑣𝑒𝑛𝑑𝑢 (𝑀𝐽)
l’utilisation de 3
RNR (SU) 𝐸𝑛𝑒𝑟𝑔𝑖𝑒 𝑑 ′ 𝑖𝑛𝑡𝑟𝑎𝑛𝑡𝑠 𝑑𝑒 𝑅𝑁𝑅(𝑀𝐽)
la ressource
𝑆𝑜𝑚𝑚𝑒 𝑑𝑒𝑠 𝑣𝑒𝑛𝑡𝑒𝑠 (€)
4 Productivité des intrants (SU)
𝐼𝑛𝑡𝑟𝑎𝑛𝑡𝑠 𝑎𝑐ℎ𝑒𝑡é𝑠 (€)

26
 Conservation 𝐴𝑧𝑜𝑡𝑒 𝑣𝑒𝑛𝑑𝑢 (𝑘𝑔) − 𝐴𝑧𝑜𝑡𝑒 𝑎𝑐ℎ𝑒𝑡é(𝑘𝑔)
5 Equilibre de l’azote (kg/ha)
de la ressource 𝑆𝐴𝑈 (ℎ𝑎)

Autonomie Autosuffisance alimentaire à 𝐸 𝑎𝑙𝑖𝑚𝑒𝑛𝑡𝑎𝑡𝑖𝑜𝑛 𝑎𝑐ℎ𝑒𝑡é𝑒 (𝑈𝐹)

8 1−
l’échelle de la ferme (SU) 𝐸 𝑎𝑙𝑖𝑚𝑒𝑛𝑡𝑎𝑡𝑖𝑜𝑛 𝑡𝑜𝑡𝑎𝑙𝑒 𝑐𝑜𝑛𝑠𝑜𝑚𝑚é𝑒 (𝑈𝐹)

𝐴𝑧𝑜𝑡𝑒 𝑏𝑟𝑢𝑡 𝑝𝑟𝑜𝑑𝑢𝑖𝑡(𝑘𝑔 )

Productivité 12 Productivité par unité de travail (kg)
𝑈𝑇𝐻
𝑅𝑒𝑣𝑒𝑛𝑢 𝑛𝑒𝑡 (€)
13 Revenu par travailleur (€)
Profitabilité 𝑈𝑇𝐻

14 Score de satisfaction (SU) Grille d’évaluation (1 à 4)

Intensité moyenne de travail par

17 Grille d’évaluation (1 à 4)
période (SU)
Bien-être
25 Score de difficulté physique (SU) Grille d’évaluation (1 à 4)
humain
26 Score de complexité mentale (SU) Grille d’évaluation (1 à 4)

27 Score de satisfaction générale (SU) Grille d’évaluation (1 à 4)

Mortalité des jeunes animaux (SU)

𝑁𝑜𝑚𝑏𝑟𝑒 𝑑 ′ 𝑎𝑛𝑖𝑚𝑎𝑢𝑥 𝑚𝑜𝑟𝑡𝑠
29 (<3 mois pour les ruminants et les
Bien-être 𝑁𝑜𝑚𝑏𝑟𝑒 𝑑 ′ 𝑎𝑛𝑖𝑚𝑎𝑢𝑥 𝑡𝑜𝑡𝑎𝑙
porcs, <6 mois pour les chevaux)
animal
Satisfaction générale du bien-être
32 Grille d’évaluation (1 à 4)
(SU)

36 Nombre de formation par an (SU) Nombre

Résilience
Satisfaction de la disponibilité de
37 Grille d’évaluation (1 à 4)
source d’information extérieure (SU)

5.1.4. Nature et distribution des variables

La distribution des variables est présentée dans des boxplots et des histogrammes en Annexe 18.

Description des variables quantitatives issues de calculs

Au vu des histogrammes, seules les variables I13 et I17 (équilibre de l’azote et charge de travail) ont une
distribution qui s’apparente à une loi normale. Un test de Shapiro confirme que les variables ne suivent pas
une loi normale, à l’exception de I13 et I17, dont la p-value du test de Shapiro est supérieure au seuil choisi
de 0,05.

Il existe pour les variables quantitatives des valeurs extrêmes. Il aurait été possible de gommer ces valeurs
en bornant les variables. Néanmoins, la spécificité et la diversité des fermes enquêtées constituent l’intérêt
du projet, le choix est donc fait de ne pas borner les variables.

Le Tableau 6 répertorie la moyenne, la médiane, le 1er et le 3ème quartiles ainsi que le nombre de valeurs
extrêmes de chaque variable. Par exemple, pour la productivité par unité d’intrants de RNR (I3), les valeurs
extrêmes tirent la moyenne vers le haut. Les valeurs extrêmes ont peu d’incidence pour l’équilibre de l’azote
(I5). Les exploitations ont une autonomie alimentaire importante puisque le premier quartile est à 0,79. Seule
une exploitation est peu autonome (à 0,49), il s’agit de la ferme 7 située dans le Tarn, qui est une exploitation
avec des chèvres et des vaches laitières. Pour la productivité azotée par travailleur (I12), les valeurs extrêmes
tirent la moyenne vers le haut. Le revenu par associé ne contient aucune valeur extrême. Le revenu moyen
est de 11037€ par an, moins important que le SMIC.
27
Tableau 6 : Caractérisation des variables quantitatives

Variable Nb de
1er 3ème
quantita- Indicateur Moyenne Médiane Unité valeurs
quartile quartile
tive extrêmes
Utilisation
I2 d’énergie 4,71 3,95 2,41 5,39 MJ/€ 4
principale
Productivité par
I3 unité d’intrant 1,13 0,65 0,36 1,37 SU 3
de RNR
Productivité des
I4 7,55 4,53 2,50 8,69 SU 4
intrants
Equilibre de Kg
I5 2,58 1,67 -2,26 5,91 4
l’azote N/ha
Autonomie
I8 0,86 0,91 0,79 0,97 SU 1
alimentaire
Productivité
Kg
I12 azotée par unité 561,32 296,70 207,02 635,72 3
N/UTH
de travail
Revenu par
I13 11037,46 11716,56 6750,00 14431,98 € 0
associé
Mortalité des
I29 0,12 0,10 0,03 0,19 SU 0
jeunes animaux

Description des variables issues de grilles d’évaluation

Les variables issues des scores de satisfaction sont comprises entre 1 et 4. Ce type de variables décrit les
dimensions de profitabilité, du bien-être humain et animal et de la résilience. Le Tableau 7 répertorie la
moyenne, la médiane, le 1er et le 3ème quartiles ainsi que le nombre de valeurs extrêmes de chaque variable.
Par exemple, les scores de satisfaction générale (I27) et du bien-être animal (I32) sont tous compris entre 3
et 4. La satisfaction de la disponibilité de source d’information (I37) a une médiane à 3 avec quelques valeurs
extrêmes. La satisfaction du revenu (I14) a une médiane et une moyenne de 3 et quelques valeurs extrêmes
inférieures. Les scores de difficultés physique (I25) et mentale (I26) sont compris entre 1 et 3. Le score
maximal de 4 n’est jamais atteint pour ces scores de difficulté.
Tableau 7 : Caractérisation des variables qualitatives

Variable Nb de
1er 3ème
caté- Indicateur Moyenne Médiane valeurs
quartile quartile
gorielle extrêmes
I14 Satisfaction du revenu 3,08 3,08 3,00 4,00 1
Intensité moyenne de
I17 2,74 2,74 2,46 2,96 1
travail par période
I25 Difficulté physique 2,41 2,00 2,00 3,00 0
I26 Complexité mentale 2,14 2,00 2,00 3,00 0
I27 Satisfaction générale 3,41 3,00 3,00 4,00 0
Satisfaction du bien-être
I32 3,40 3,00 3,00 4,00 0
animal
Satisfaction de la
I37 disponibilité de source 2,96 3,00 2,98 3,00 3
d’information extérieure

28
Description des variables de comptages
Une seule variable est définie par un comptage : le nombre de formations par an. La moyenne du nombre de
formations par an est de 2,5 environ. Une ferme se démarque avec 15 formations par an.

Toutes les variables sont ensuite centrées et réduites pour l’analyse en composantes principales afin qu’elles
soient comparables. Le centrage réduction permet de ne pas avoir d’effets d’échelle ou d’unité lors de l’ACP,
qui donnerait plus de poids à certaines variables.

5.2. Choix du nombre de composantes pour l’ACP

L’ACP est réalisée. Les valeurs propres et la variance expliquée par chaque dimension sont présentées et
représentées graphiquement dans la Figure 11. Cette figure met en valeur une variance expliquée par les
premières composantes assez faible. Une valeur propre supérieure à 1 signifie que la composante explique
plus de variance qu’une variable. Une composante avec une valeur propre inférieure à 1 est écartée d’office.
Les 7 premières composantes ont une valeur propre est supérieure à 1. Les composantes 8 à 16 sont donc
écartées. Les composantes 1 et 2 ont une valeur propre supérieure à 2 et expliquent 30% de la variance. La
3ème composante a une valeur propre de 1,82 et explique 11% de la variance.

Figure 11 : Valeurs propres des dimensions et variance expliquée par chaque dimension – tableau et représentation graphique.

La qualité de représentation des variables sur les 7 premières composantes est présentée et représentée
graphiquement en Figure 12. Une représentation des variables strictement supérieure à 25% sera considérée
ici comme importante. Les 6 premières composantes représentent de manière importante au moins une
variable : la première et la deuxième en représentent chacune 4, la troisième en représente 3, la quatrième
et la cinquième, 2 et la sixième 1 variable. La composante 7 est donc écartée puisqu’elle ne représente
aucune variable de manière importante. Au vu des données des Figure 11 et Figure 12, il serait intéressant
de conserver les composantes 1 à 6 d’un point de vue statistique. Néanmoins, l’interprétation et la
visualisation des résultats s’avérant compliquée au-delà de 3 dimensions, ajouté au fait que les trois
premières composantes représentent mieux un nombre plus important de variables, la décision est prise de
ne conserver que les 3 premières composantes. Cela correspond à 41.74% de variance expliquée.

29
Figure 12 : Qualité de représentation des variables sur les 7 premières dimensions – tableau et représentation graphique. Le lien
entre le n° et le nom des indicateurs se trouve dans le Tableau 2 page 15.

5.3. Classification des variables sur les composantes principales

L’ACP est effectuée avec 3 composantes. Les variables sont représentées sur ces composantes en Figure 13.

Figure 13 : Représentation des variables sur les composantes principales en fonction de leur contribution aux axes. Plus la couleur est
bleue, plus la contribution est faible, plus la couleur est rouge, plus la contribution est forte. Le lien entre le n° et le nom des indicateurs
se trouve dans le Tableau 2 page 15.
30
 5.3.1. Caractérisation des composantes
La contribution des variables à la formation des composantes est présentée en annexe 19. La première est
formée :

- De la productivité par unité d’intrant de RNR (I3) qui contribue à 18,86% à la formation de cette
composante, avec une qualité de représentation de 49%
- De l’équilibre d’azote (I5) qui contribue à 19,42% à sa formation avec une qualité de représentation
de 51%
- Du score de complexité (I26), qui contribue à 15% à sa formation, avec une qualité de représentation
de 37%

De même, la seconde composante est formée :

- D’indicateurs de productivité, soit par unité de travail (I12 dont la contribution est de 15,52% et la
qualité de représentation sur cette composante est de 36%), soit des intrants (I4 dont la contribution
est de 16,17% et la qualité de représentation sur cette composante est de 42%)
- De la charge de travail (I17) qui contribue à 14,38% à sa formation et dont la qualité de
représentation sur cette composante est de 33%

Enfin, la troisième composante est formée :

- De variables de profitabilité, que ce soit le revenu (I13 : contribution de 19,81%, qualité de

représentation de 36%) ou la satisfaction du revenu (I14 : contribution de 11,97 %, qualité de
représentation de 21%)
- De la charge de travail (I17 : contribution de 14,44 %, qualité de représentation de 26%)
- D’indicateur de bien-être animal avec la mortalité des jeunes (I29 : contribution de 17,96%, qualité
de représentation de 33%)

Il est donc possible de dégager des idées d’après ces contributions :

- La composante 1 est caractérisée par des performances environnementales, soit en termes

d’efficacité de l’utilisation de la ressource, soit en termes de conservation de la ressource
(efficience de l’utilisation de ressources non renouvelables et équilibre de l’azote) induites
par un système complexe.
- La composante 2 est une composante de performances techniques puisqu’elle se
caractérise par la productivité (soit du travail soit des intrants puisque les deux sont anti-
corrélés) et de la charge de travail.
- La composante 3 illustre des performances de profitabilité et de bien-être humain avec le
revenu des agriculteurs et leur satisfaction vis-à-vis de ce revenu, ainsi que le bien-être
animal avec la mortalité des jeunes.

5.3.2. Description et interprétation sur les variables

Les graphiques précédents (Figure 13) sont à interpréter avec précaution car les composantes choisies
expliquent peu de variance. Il est toutefois possible de commenter que :

- Les variables I3 et I5 que l’on peut qualifier d’environnementales sont corrélées sur toutes les
dimensions, et indépendantes d’I4 qui représente la productivité des intrants. Ainsi, la
productivité des intrants (somme des ventes sur les intrants achetés) est indépendante de l’efficacité
de l’utilisation de RNR et de l’équilibre de l’azote. Une ferme peut donc utiliser efficacement ses
intrants et avoir une mauvaise performance environnementale sur les plans des RNN et de l’azote et
vice versa.

31
 - La complexité du système (I26) semble corrélée avec la performance environnementale (I3 de la
dimension de l’efficacité dans l’utilisation de la ressource, et I5 de la dimension de la conservation
de la ressource) mais indépendante de la productivité azotée par travailleur (I12). Cela signifie qu’un
système complexe va être source d’une bonne performance environnementale, mais ne va pas
influencer la productivité par travailleur. De plus, un système peut être productif par unité de travail
sans être complexe à gérer.

- Les productivités des intrants (I4) et du travail (I12) sont anti-corrélées, et la charge de travail (I17)
est légèrement corrélée à la productivité des intrants. Cela signifie qu’au sein d’une exploitation, une
charge de travail élevée peut permettre une meilleure productivité des intrants. Toutefois, lorsque
la productivité des intrants est importante, la productivité azotée par unité de travail ne l’est pas. Un
système peut donc être efficient financièrement dans son utilisation des intrants grâce à une charge
de travail importante, mais ne pas produire une grosse quantité d’azote par unité de travail. L’anti-
corrélation entre la charge de travail et la productivité par unité de travail peut aussi démontrer
qu’une grosse charge de travail nuit à l’efficience de ce dernier.

- Une faible corrélation négative existe également entre la charge de travail (I17) et le nombre de
formations par an (I36), qui peut illustrer la difficulté de dégager du temps pour une réflexion sur le
changement de son système pour un éleveur surchargé, ainsi qu’à mettre en œuvre ces
changements.

- La mortalité des jeunes animaux (I29) et la perception du bien-être animal de l’éleveur (I32) sont
indépendantes, ce qui peut révéler soit une mauvaise perception de l’éleveur du bien-être, soit que
la mortalité des jeunes est un mauvais indicateur.

- La satisfaction du revenu (I14) est corrélée au revenu (I13), ce qui confirme une hypothèse qui aurait
été instinctive : plus les agriculteurs ont un revenu élevé, plus ils en sont satisfaits. Ce résultat sera
toutefois à remettre en perspective avec les niveaux de revenus rencontrés.

- L’équilibre de l’azote (I5) est indépendant de la charge de travail (I17) et du revenu (I13). Cela signifie
qu’un système performant sur l’utilisation de la ressource n’est pas forcément un système
nécessitant une charge de travail importante, ou un système avec une profitabilité élevée.

- La satisfaction générale (I27) et la perception du bien-être des animaux (I29) semblent liés, ce qui
illustrerait qu’une bonne perception du bien-être de ses animaux influence positivement la
satisfaction générale de l’exploitant.

On peut suggérer, à partir de ces graphiques, qu’un système complexe peut avoir une bonne performance
d’un point de vue de l’équilibre de l’azote et de l’utilisation des ressources non renouvelables. De plus, cette
complexité et cette performance environnementale semblent indépendantes de la productivité. Le revenu
semble indépendant de la charge de travail, et cette charge de travail est négativement corrélée à la
productivité du travail. C’est-à-dire que plus la charge de travail est élevée, moins celui-ci est productif.
L’ensemble de ces liaisons est repris en Figure 14.

32
Figure 14 : Représentation des principaux liens mis en valeur par l’ACP entre les variables

Des indépendances entre indicateurs de différentes dimensions sont mises en valeur. Par exemple :

- L’équilibre de l’azote (dimensions conservation de la ressource) est indépendant du revenu

(profitabilité), de la charge de travail (bien-être humain) et de la productivité des intrants (efficacité
de l’utilisation de la ressource)
- L’utilisation de RNR (efficacité de l’utilisation de la ressource) est indépendante du revenu
(profitabilité) et de la charge de travail (bien-être humain)
- La productivité par UTH (productivité) est indépendante de la mortalité des jeunes (bien-être animal)
- Le nombre de formation par an (résilience) est indépendant du revenu et de la satisfaction du revenu
(profitabilité)

Ces indépendances illustrent bien l’importance de l’utilisation d’indicateurs de toutes les dimensions pour
évaluer la durabilité de la ressource. La résilience est tout de même mal représentée sur les axes, puisque la
qualité de représentation du nombre de formation par an (I36) sur l’axe 2 est de 0,36.

5.4. Classification des fermes sur les composantes principales

Une typologie est ensuite établie après ACP d’après un arbre de classification. Le dendrogramme est présenté
en Figure 15. Les fermes sont divisées en 4 groupes. Les fermes de 1 à 15 sont des fermes du sud-ouest. Les
fermes 16 et 17 sont des fermes du sud-est et les fermes de 18 à 31 sont des fermes du centre de la France.

33
Figure 15 : Dendrogramme de classification des fermes après ACP

Les individus sont représentés sur la Figure 16 sur les axes 1 et 2 qui distinguent le mieux les groupes C et
D, ainsi que sur les axes 1 et 3 qui distinguent les groupes 1 et 2. La représentation sur les axes 2-3 est
présentée en annexe 20.

Figure 16 : Représentation des individus sur les axes 1-2 et 1-3

Cette Figure 16 montre que les groupes A et B sont similaires sur les axes 1 et 2, mais se différentient sur
l’axe 3. Cela signifie que ces groupes sont similaires sur des aspects de performances environnementales
(composante 1) et de productivité (composante 2) mais se différentient sur des aspects sociaux comme le
revenu et le bien-être animal. Les groupes C et D se différentient le plus sur l’axe 2, c’est-à-dire sur des aspects
de productivité, soit des intrants soit par unité de travail. Le groupe C se différentie des groupes A et B le plus
34
distinctement sur l’axe 2, c’est-à-dire sur des aspects de productivité, soit des intrants soit par unité de travail
également. Le groupe D se distingue bien des groupes A et B sur l’axe 1, c’est-à-dire sur des aspects de
performances environnementales.

5.4.1. Indépendance des combinaisons et de la localisation

La Figure 17 représente les individus sur les axes 1 et 2 en fonction de :

- Leur production (à gauche) : Ruminant-ruminant ou Ruminant-monogastrique

- Leur localisation (à droite) : Clermont-Ferrand, Toulouse ou Montpellier

Les données sont très éclatées et les barycentres de chacun des paramètres, soit de production, soit de
localisation, sont proches de 0. Le même phénomène se retrouve sur les axes 1-3 et 2-3 (Annexe 21 et 22).
L’éclatement des données sur ces représentations montrent que le type de production ainsi que la
localisation n’influencent pas la classification.

Figure 17 : Représentation des individus en fonction de (1) à gauche leurs ateliers : 2 ateliers de ruminants(R-R en orange) ou 1
atelier ruminant et 1 atelier monogastrique (R-M en violet) ; et de (2) à droite leur localisation : INRA Clermont-Ferrand (C en
orange), INRA de Montpellier (M en violet) ou INRA de Toulouse (T en vert)

5.4.2. Caractérisation des groupes selon l’évaluation de la durabilité

Afin de caractériser les différents groupes avec des descriptions concrètes, la ferme la plus proche de chaque
barycentre de groupe est choisie. Les fermes 7, 10, 14 et 2 sont donc représentées sur des graphiques radars,
accompagnées des premier et dernier quartiles de la population totale (Figure 18, Figure 19, Figure 20 et
Figure 21). Avant chaque description des fermes exemples, un encadré présente les caractéristiques des
groupes présentées avec le minimum et le maximum de chaque variable importante pour le groupe et pour
la population totale. Les variables importantes sont celles qui contribuent fortement à former les 3 premières
composantes : I3 (productivité par unité d’intrant azoté), I4 (productivité des intrants), I5 (équilibre de
l’azote), I12 (productivité par unité de travail), I13 (revenu par associé), I14 (satisfaction du revenu), I17
(charge de travail), I26 (complexité mentale), et I29 (mortalité des jeunes animaux).

35
Ferme 7 – groupe A

Caractéristiques du groupe :

Une productivité des intrants moyenne et du travail élevée, une autonomie alimentaire moins
complète que le reste de la population, des revenus très faibles, une bonne gestion des
intrants de RNR et de l’azote pour une charge de travail, une difficulté physique et une
complexité mentale moyennes.
I3 (SU) I4 (SU) I5 (kg N/ha) I12 (kg (N/UTH) I13 (€)
Min Max Min Max Min Max Min Max Min Max
Pop 0,11 5,74 0,57 30,86 -27,62 40,03 17,81 2455,50 1800,00 22727,27
Groupe A 0,11 3,01 1,94 9,00 1,54 17,14 135,26 2455,50 1800,00 11716,56
I14 (SU) I17 (SU) I26 (SU) I29 (nombre)
Min Max Min Max Min Max Min Max
Pop 1,00 4,00 1,96 3,75 1,00 3,00 0,00 0,31
Groupe A 1,00 4,00 2,29 3,50 1,00 3,00 0,00 0,26

Le groupe A représenté par la ferme 7 se distingue par de moins bonnes performances économiques (I13 et
I14) que la moyenne, tant au niveau du revenu par associé que de la satisfaction de ce dernier. En effet, le
revenu par associé de la ferme 7 est de 2104€ par an et l’associé interrogé en est assez insatisfait (score de
2/4). En revanche, les indicateurs représentant la durabilité environnementale par l’équilibre de l’azote et
l’utilisation de RNR (I3 et I5) sont supérieurs au 3ème quartile de la population. Par exemple, pour la ferme 7,
la productivité par unité d’intrant de RNR (I3) est de 3 (SU) et l’équilibre de l’azote (I5) est de 10,35 Kg N/ha.
L’indicateur représentant la productivité financière des intrants (I4 = 5,3 (SU)) est compris entre le premier
et le dernier quartile de la population totale.

Figure 18 : Caractéristiques de la ferme 7 par rapport à la population totale. Le lien entre le n° et le nom des indicateurs se trouve
dans le Tableau 2 page 15.

36
Ferme 10– groupe B

Caractéristiques du groupe :

Une autonomie alimentaire complète, une productivité azotée du travail faible mais une
bonne valorisation financière des intrants. Une charge de travail et une difficulté physique
moyennes dans un système peu complexe qui apporte des revenus plus élevés que la
médiane. Une gestion de l’azote et des RNR moyennes, un bien-être animal élevé.
I3 (SU) I4 (SU) I5 (kg N/ha) I12 (kg (N/UTH) I13 (€)
Min Max Min Max Min Max Min Max Min Max
Pop 0,11 5,74 0,57 30,86 -27,62 40,03 17,81 2455,50 1800,00 22727,27
Groupe B 0,12 2,32 0,57 9,62 -27,62 3,16 17,81 822,50 6000,00 18461,54
I14 (SU) I17 (SU) I26 (SU) I29 (nombre)
Min Max Min Max Min Max Min Max
Pop 1,00 4,00 1,96 3,75 1,00 3,00 0,00 0,31
Groupe B 2,00 4,00 2,25 3,00 1,00 3,00 0,00 0,31

La ferme 10 qui représente le groupe B a une bonne autonomie alimentaire (I8 : 0,96 (SU)). Les revenus sont
proches du 3ème quartile de la population (I13) et le revenu de la ferme 10 est de 12000€ par an. L’associé
interrogé en est assez satisfait (score de 3/4). La productivité, soit financière des intrants soit du travail, est
moins bonne par rapport à la population. Elle est de 17,8 kg N/UTH pour I12 et de 8,3 (SU) pour I4. Le reste
des indicateurs est compris entre le 1er et le 3ème quartile de la population totale.

Figure 19 : Caractéristiques de la ferme 10 par rapport à la population totale. Le lien entre le n° et le nom des indicateurs se trouve
dans le Tableau 2 page 15.

37
Ferme 14 – groupe C

Caractéristiques du groupe :

Une autonomie alimentaire complète, une faible productivité des intrants azotés mais
une bonne valorisation financière des intrants. Une charge de travail importante dans un
système complexe mais une difficulté physique moyenne pour des revenus moyens. Un
bien-être animal important. Une très bonne gestion de l’azote et des RNR.
I3 (SU) I4 (SU) I5 (kg N/ha) I12 (kg (N/UTH) I13 (€)
Min Max Min Max Min Max Min Max Min Max
Pop 0,11 5,74 0,57 30,86 -27,62 40,03 17,81 2455,50 1800,00 0,11
Groupe C 1,13 2,00 18,16 30,86 1,45 6,68 140,29 285,74 7500,00 1,13
I14 (SU) I17 (SU) I26 (SU) I29 (nombre)
Min Max Min Max Min Max Min Max
Pop 22727,27 1,00 4,00 1,96 3,75 1,00 3,00 0,00
Groupe C 16744,19 3,08 4,00 2,74 3,75 2,00 3,00 0,00

La ferme 14 qui représente le groupe C se caractérise par une autonomie complète (I8) et des revenus
supérieurs au dernier quartile (I13). En effet, le revenu par associé pour la ferme 14 est de 16744€ par an, et
l’associé interrogé en est très satisfait (score de 4/4). La productivité financière des intrants y est très
importante (I4) puisqu’elle est de 18,2 (SU). Cela signifie que cette ferme valorise très bien ses intrants
financièrement. La charge de travail est dans la partie supérieure de la population (I17) avec un score
d’intensité moyen de 2,75/4 par période. Les indicateurs de durabilité environnementale (I3 = 1,4 (SU) et I5
= 6,1 kg N/ha) sont similaires au 3ème quartile (partie supérieure de la population), excepté pour la
productivité des intrants de RNR (I2 = 2,4 MJ/€), qui est égale au premier quartile (partie inférieure de la
population). La mortalité des animaux (I29) est faible (0 animaux) et la perception du bien-être est dans la
partie supérieure (I32) avec un score de 4/4.

Figure 20 : Caractéristiques de la ferme 14 par rapport à la population totale. Le lien entre le n° et le nom des indicateurs se trouve
dans le Tableau 2 page 15.

38
Ferme 2 – groupe D

Caractéristiques du groupe :

Une autonomie incomplète, Une bonne productivité azotée par travailleur, une
productivité des intrants moyenne. Une charge de travail moyenne mais une difficulté
physique et mentale importantes pour un revenu important. Une très bonne gestion
de l’azote et des RNR. Un bien-être important mais une moins bonne perception de ce
dernier.
I3 (SU) I4 (SU) I5 (kg N/ha) I12 (kg (N/UTH) I13 (€)
Min Max Min Max Min Max Min Max Min Max
Pop 0,11 5,74 0,57 30,86 -27,62 40,03 17,81 2455,50 1800,00 22727,27
Groupe D 1,54 5,74 3,30 11,77 12,51 40,03 710,12 1275,08 4545,45 22727,27
I14 (SU) I17 (SU) I26 (SU) I29 (nombre)
Min Max Min Max Min Max Min Max
Pop 1,00 4,00 1,96 3,75 1,00 3,00 0,00 0,31
Groupe D 3,00 4,00 1,96 2,75 2,00 3,00 0,00 0,27

Le groupe D représenté par la ferme 2 ressort par sa productivité par travailleur (I12) très importante (1240
kg N/UTH) et sa charge de travail plus faible que le reste de la population avec un score moyen de 1,96/4. Le
revenu est de 22 727€ par an, ce qui est très important (I13) pour une difficulté physique (3/4) et mentale
importante (3/4), égale au dernier quartile (I25 et I26). La mortalité des animaux est très faible (0 animaux)
bien que la perception du bien-être soit située dans la partie inférieure par rapport à la population (I32) avec
un score de 3/4. Les indicateurs de durabilité environnementale (utilisation de RNN I3 : 1,54 (SU) et équilibre
de l’azote I5 : 36,01kg N/ha) sont supérieurs au reste de la population.

Figure 21 : Caractéristiques de la ferme 2 par rapport à la population totale. Le lien entre le n° et le nom des indicateurs se trouve
dans le Tableau 2 page 15.

39
Si chaque groupe comporte des points forts et des points faibles en termes de durabilité, il apparaît
néanmoins que les groupes C et D semblent être performants sur un plus grand nombre d’indicateurs. Cette
présentation des typologies de fermes est à prendre avec précaution en raison :

- Du faible nombre d’individus et du nombre important de variables, qui impliquent une faible variance
expliquée par les dimensions choisies de l’ACP (40%).
- De la variabilité intra-groupe, qui ressort tout de même importante.

De plus, l’équilibre de l’azote est calculé de la manière suivante :

𝐴𝑧𝑜𝑡𝑒 𝑣𝑒𝑛𝑑𝑢 (𝑘𝑔) − 𝐴𝑧𝑜𝑡𝑒 𝑎𝑐ℎ𝑒𝑡é(𝑘𝑔)
𝑆𝐴𝑈 (ℎ𝑎)

Une valeur la plus proche possible de 0 est signe de durabilité en illustrant un système à l’équilibre. Toutefois,
la fixation de l’azote par les légumineuses au sein du système n’est pas prise en compte ici. Il y a donc des
rentrées d’azote au sein du système qui ne sont pas représentées. Ainsi, une valeur positive pour cet
indicateur ne signifie pas forcément que l’azote n’est pas rendu au sol puisqu’une compensation peut se faire
grâce à cette fixation d’azote par les légumineuses. Enfin, ces typologies ne se basent que sur la comparaison
entre les fermes. Elle fait donc éventuellement ressortir des différences entre les fermes enquêtées. Il faut
toutefois garder à l’esprit qu’une comparaison de ces exploitations avec des fermes spécialisées nuancerait
les contrastes mis en valeur dans ce travail.

5.4.3. Lien entre les groupes et la structure des fermes

Il est intéressant de mettre en perspective la durabilité des fermes prise pour représenter les groupes avec
leur structure. Cette dernière est présentée ici pour chacune des fermes exemple.

Ferme 7 – groupe A
La ferme 7 est une exploitation de 48 ha avec 3,5 ha de forêts. 2,2 UTH dont 2 associés à temps plein
travaillent pour élever des vaches laitières et des chèvres représentant au total 8 UGB. La ferme n’a pas de
cultures, transforme son lait et vend l’intégralité en circuits courts (marchés principalement).

Ferme 10 – groupe B
La ferme 10 est une exploitation de petite taille qui fait vivre 2 associés, avec 25 ha de SAU et 5 ha de parcours,
une trentaine de chèvres et une quarantaine de brebis allaitantes, soit 17 UGB. La traite des chèvres se fait
à la main, le lait est transformé et les produits sont vendus en circuit court. Seuls une partie des chevreaux
n’est pas engraissée à la ferme et est vendu en circuit long.

Ferme 14 – groupe C
La ferme 14 est une ferme assez grande avec 80 ha de SAU. Elle se distingue des autres par son activité de
maraichage, qui est sa principale source de revenue. La surface de culture est importante, et le rôle principal
des activités d’élevage (20 UGB, dont une dizaine de vache et une cinquantaine de poules pondeuses) est la
fertilisation. La viande et les œufs sont vendus sur le marché ou directement en boucherie et le revenu
dégagé est très important.

Ferme 2 – groupe D
La ferme 2 est une exploitation de 60 ha avec 103 UGB dont 50 vaches laitières et 15 vaches allaitantes. 2
associés travaillent à temps plein sur la ferme et ont un employé à 0,2 UTH pour vendre les produits des
vaches à viande en circuit court et les produits des vaches laitières en circuit long.

Le Tableau 8 récapitule les médianes des groupes pour les indicateurs de structure, ainsi que la p-value du
test de Kruskal-Wallis afin de déterminer si les différences entre les groupes sont significatives. Il apparaît
qu’aucune des différences de structure entre les fermes des différents groupes n’est significative. Les 4
groupes définis par les indicateurs de durabilité ne se différencient pas par la structure générale des fermes

40
(taille, nombre d’animaux, de travailleurs, type de commercialisation). La durabilité des fermes dépend donc
avant tout des pratiques que les éleveurs mettent en place.
Tableau 8 : Médianes sur des indicateurs de structure des groupes et p-value du test de Kruskal-Wallis

Ressources en
Ressources en terres Autres activités de diversification
animaux et travail
SAU Eloigne- Surface Nb Nb Production Transfor- Vente Prestation
(ha) ment labou- d'UGB d'UTH énergétique mation (Nb directe services
parcelles rable (%) total total (Nb de de fermes) (Nb de (Nb de
(km) fermes) fermes) fermes)
A 96,95 9,00 0,58 80,00 1,61 0 0 1 0
B 101,00 7,50 0,37 81,03 2,16 0 0 1 0
C 97,50 4,00 0,62 46,50 2,08 0 1 1 0
D 61,00 4,50 0,77 103,15 2,20 0 0 1 0
P 0,73 0,56 0,15 0,59 0,93 0,69 0,28 0,68 0,50

6. Discussion
6.1. Discussion sur les résultats
Ce stage s’est déroulé dans le cadre du commencement des analyses du projet MIX-ENABLE. Il s’agit donc
d’un travail exploratoire visant à préciser les analyses à effectuer dans la suite du projet.

Le premier objectif de ce stage a été d’évaluer la durabilité des fermes de PCPE enquêtées en France pour le
projet MIX-ENABLE, ce qui a été possible grâce à l’écriture d’un code en partie adaptable pour l’ensemble
des fermes européennes dans la suite du projet. Quatre groupes de fermes ont été discriminés et un profil
de durabilité leur a été attribué, ce qui constituait les objectifs 2 et 3. Le dernier objectif de mon stage était
de comparer les profils de durabilité aux profils de structure des fermes, et aucun lien n’a pas pu être mis en
évidence entre les deux. Ce résultat laisse penser que si la durabilité des exploitations n’est pas liée à sa
structure, elle peut être liée aux pratiques agricoles. Un des objectifs du projet MIX-ENABLE étant d’étudier
le lien entre la durabilité et les pratiques il s’agit d’un résultat très intéressant pour la suite du projet.

Des liens entre les variables ont également été mis en valeur. La complexité du système pourrait être source
de performance environnementale en optimisant l’utilisation de ressources non renouvelables et l’équilibre
de l’azote. Il serait intéressant, pour approfondir ce lien, d’expliciter la complexité des systèmes : nombre et
intensité des interactions au sein du système et gestion par l’éleveur. Il a également été montré que la charge
de travail impliquait une diminution de la productivité du travail. Ce résultat est à relativiser : dans le calcul
de la productivité par UTH, c’est la quantité d’azote vendu qui a été utilisé. L’azote produit et réutilisé dans
le système n’a pas été pris en compte. Il faudra mettre ce résultat en relation avec les pratiques afin de
l’approfondir, mais il est possible d’imaginer que pour une intensité de travail importante et une productivité
du travail moindre, le bilan azoté serait meilleur. Les indicateurs de différentes dimensions sont pour
beaucoup indépendants, ce qui souligne l’importance de toutes les dimensions choisies pour mesurer la
durabilité. La résilience était en revanche peu représentée sur les composantes. Ce résultat est à remettre
en perspective avec la Figure 1 présentant les principes de l’agroécologie et plaçant la diversité comme
source de résilience. Ce postulat sera difficile à démontrer si la résilience est toujours peu représentée dans
la suite du projet.

Les résultats de l’analyse multivariée illustrent bien la nécessité de compromis dans les dimensions de la
durabilité. La multiplicité de profils de durabilité met également en évidence que les avantages de la diversité
sur le plan de la durabilité dépendent des situations et des pratiques. La diversité comme source de durabilité
n’est donc pas systématique. Des études avaient déjà été effectuées en polyculture-élevage (Mischler,
Guilbert, Durant, & Martel, 2017) et avaient démontré que l’association des cultures et de l’élevage était
bénéfiques dans les cas où les interactions entre l’atelier végétal et l’atelier animal étaient élevés. Dans le

41
cas d’une intégration forte, le bilan azoté peut être meilleur, l’utilisation d’intrants est diminué pour un
résultat net constant (Mischler, 2019). Au vu de ces résultats en polyculture-élevage, nous pouvons alors
faire l’hypothèse que dans les exploitations de PCPE, l’intégration augmente la durabilité, voire que la
diversification en élevage n’augmente la performance de durabilité que dans les cas d’exploitations intégrées
(Mischler & Martin, 2019).

La classification a distingué 4 groupes de fermes ayant des profils de durabilité différents. Les contrastes
entre ces groupes sont néanmoins à mettre en perspective avec le contexte de production français et les
performances des fermes spécialisées. Par exemple, en Bretagne, les fuites d’azote dans l’environnement
représentent 84kg N/ha pour l’élevage de vaches laitières ou de porcs (J. L. Peyraud et al., 2012), soit un
équilibre de -84kg N/ha. Ici, la moyenne de ce bilan azoté est de 2,6 kg N/ha, la médiane est de 1,7 kg N/ha
avec un minimum à -27,6kg N/ha (soit 27,6 kg N/ha de fuites dans l’environnement) et un maximum à 40 kg
N/ha (soit 40 kg N/ha non rendus au sol), en gardant à l’esprit que la fixation de l’azote de l’air n’est pas pris
en compte dans l’étude. Les exploitations enquêtées sont donc très proches de l’équilibre azotées, excepté
pour 4 valeurs extrêmes (Annexe 18). De même, un résultat a été peu abordé mais est intéressant à discuter :
l’absence de variabilité dans la couverture des sols en hiver avec une moyenne de 0,01ha de sol resté nu
pendant l’hiver et une médiane à 0. Cet indicateur n’a pas été pris en compte dans l’ACP car il n’aurait pas
permis de discriminer les fermes, mais il reste important de remarquer que la totalité des fermes ne laissait
pas leur sol nu en hiver. Il s’agit d’une caractéristique importante dans le cadre de la durabilité vis-à-vis de la
conservation de la ressource. En France, en 2011, 20% de la surface de grandes cultures était nus pendant
l’hiver (Agreste, 2014) avec une grande proportion de terres non couvertes dans le sud-ouest (Figure 22). Les
exploitations de PCPE enquêtées sont donc très performantes en termes de conservation de la ressource
(équilibre de l’azote et sol couvert pendant l’hiver).

Figure 22 : Part de la surface agricole utilisée en grandes cultures restant nue pendant l’hiver en France métropolitaine dans les
différentes régions. D’après (Agreste, 2014)

La productivité moyenne par travailleur des exploitations enquêtées était en moyenne de 561,3kg N/UTH
avec une médiane à 297 kg N/UTH. A titre de comparaison, en France en 2010, la productivité par travailleur
dans les exploitations spécialisées en bovins viande était d’environ 27000 kg de viande (Charroin, Veysset, &
Devienne, 2012), soit 648 kg N/UTH (avec 24kg N dans 1 tonnes de viande (Idèle, 1999)).

Les 4 groupes se différentiaient fortement sur le revenu par associé qui allait de 1800€ par an à 22727€ par
an. Le revenu moyen et médian étaient aux environ de 11000€/an, ce qui est en dessous du SMIC net (environ
15000€/ans). Dans le milieu de l’agriculture, le revenu moyen tout secteur confondu est de 25500€ par an
en 2013. Cette valeur est très variable en fonction de la production : en 2013 en polyculture et/ou

42
polyélevage, le revenu moyen par an est de 21000€, il est de 22800€ par an pour l’élevage hors sol (André,
2015). Pour tous les types d’élevage spécialisé, le revenu moyen par actif non salarié est supérieur à la
moyenne observée dans cette étude. Si les exploitations de PCPE étudiées ici se placent très bien au niveau
national sur le plan de la conservation de la ressource, et ont une productivité du même ordre de grandeur
que des exploitations spécialisées, ces exploitations ne permettent aux éleveurs de se dégager qu’un revenu
très faible. Néanmoins, il reste important de noter que la totalité des agriculteurs interrogés sont satisfaits
(score de 3/4) voire très satisfaits (score de 4/4) de leur travail au sein de leur exploitation. Cet
épanouissement dans le travail est un paramètre primordial et cette satisfaction est un résultat important.

6.2. Discussion sur la méthode

6.2.1. Collecte de données
L’évaluation de la durabilité des fermes de PCPE dans le projet MIX-ENABLE se base sur des enquêtes auprès
d’agriculteurs. Il s’agit ici d’un point fort de l’étude puisqu’elle se base sur des exploitations en activité et sur
le ressenti d’agriculteur. Cette méthode offre une vision systémique des exploitations diversifiées et permet
de comprendre leur fonctionnement dans leur environnement.

Cette approche reste complexe dans son application et la méthode pourra être améliorée. De nombreux
indicateurs se basaient sur la perception des éleveurs, comme le bien-être des animaux d’élevage, la charge
de travail, la difficulté physique et mentale du travail. Ce point constitue à la fois un point fort et un point
faible du projet. D’une part, l’agriculteur est celui qui connait le mieux son exploitation, et son avis pourrait
s’avérer parfois plus pertinent que des mesures objectives. Néanmoins, les avis donnés dépendent fortement
de l’interlocuteur et du moment de la collecte de la donnée : par exemple, l’âge de l’exploitant a souvent
influencé sa réponse pour la difficulté physique du travail. La charge de travail, elle, pouvait dépendre de
moment de la journée ou de l’année durant lequel l’enquête était effectuée. Ce point peut être positif,
puisque la vision que l’agriculteur a de sa charge de travail est primordial, mais peut compromettre la
robustesse des données de score puisque les enquêtes se sont déroulées à des périodes différentes de
l’année ou de la journée. Le bien-être animal est une problématique sociétale de plus en plus importante,
mais a pourtant été peu représentée dans cette étude. Cela s’explique par la complexité de sa mesure et par
le grand nombre d’informations à récolter parallèlement. Ce nombre important de données à collecter a pu,
dans certains cas, nuire à la précision des données récoltées. Ce projet constitue donc une première analyse
sur le sujet très intéressante, et une voie d’approfondissement certaine. Une option pour préciser les
informations récoltées et les analyses serait de créer un réseau de polyéleveurs qu’il serait possible de suivre
dans leurs pratiques et leur évolution, permettant d’affiner la collecte de données. La récolte de données par
différents partenaires a permis d’enquêter un plus grand nombre de fermes. Toutefois, ce paramètre a donné
lieu à des différences dans la collecte pour certaines données. Il pourrait être envisageable, pour une future
étude sur le sujet, d’organiser une journée de formation permettant d’homogénéiser la collecte des données
par tous les partenaires.

6.2.2. Analyse de données

L’analyse statistique s’est effectuée sur 31 individus pour 40 indicateurs prévus. Ce faible rapport
individus/variables, du au caractère exploratoire de cette analyse, a nécessité la suppression d’indicateurs
pour cette étude, ce qui a entrainé un déséquilibre entre les différentes dimensions de la durabilité :
certaines étaient représentées par un seul indicateur et d’autres par 4. Néanmoins, cette différence de
représentations des dimensions ne s’est pas retrouvée dans les résultats : sur les 8 dimensions, 6
comprenaient au moins un indicateur ayant participé fortement à la formation d’une composante. Sur ces 6
dimensions, certaines étaient représentées par 1 indicateur (conservation de la ressource, productivité),
d’autres par 2 indicateurs (profitabilité, bien-être animal), 3 indicateurs (efficacité dans l’utilisation de la
ressource) ou encore 4 indicateurs (bien-être humain). Seules la résilience (représentée par 2 indicateurs) et
l’autonomie (représentée par 1 indicateur) n’ont pas participé à la formation de composantes. Il serait
toutefois intéressant, pour la suite du projet, d’inclure un plus grand nombre d’indicateurs afin que toutes

43
les dimensions soient représentées de manière égale. Cela sera rendu possible par le plus grand nombre de
fermes étudiées (environ 140).

Le rapport individus/variables utilisé ici pour les analyses a finalement été de 31/16. Il s’agit d’un rapport
assez faible pour une ACP, et cela implique de prendre les résultats avec précaution. Pour la suite du projet,
à l’échelle européenne le ratio sera plus important, ce qui augmentera la puissante de l’analyse.

6.3. Une base pour de futures analyses

Quatre groupes se sont différenciés en fonction de leur profil de durabilité et il a été possible de les
caractériser. Il serait désormais possible de lier ces profils de durabilité avec les pratiques des éleveurs afin
d’analyser quelles pratiques sont source de durabilité, et sur quelles dimensions. Il sera notamment possible
de lier la durabilité des exploitations avec leur intégration. Il a été montré que des systèmes intégrés en
polyculture élevage apportaient de l’autonomie au système (au niveau alimentaire et de fertilisation),
diminuaient les coûts de production et augmentaient l’efficacité de l’exploitation, en termes de production
et d’impact sur l’environnement (Bonaudo et al., 2014). Il peut alors être fait l’hypothèse que l’intégration
des exploitations de PCPE est également source de durabilité. Pour cela, il faudra comparer les profils de
durabilité des fermes étudiées avec leurs niveaux d’intégration de production (culture-élevage, prairie-
élevage et élevage-élevage), de travail et de commercialisation. L’intégration élevage-élevage sera
particulièrement intéressante afin de faire ressortir les avantages et les inconvénients de l’élevage mixte et
de le mettre en perspective avec des résultats sur des fermes en polyculture élevage.

Il aurait également été intéressant, pour mettre en avant les caractéristiques de durabilité des exploitations
de PCPE, d’intégrer à l’étude des exploitations de polyculture-élevage ou des élevages spécialisés dans des
situations et des contextes identiques, afin de comparer leurs profils de durabilité. Il s’agit ici de la principale
limite de la méthode : il s’agit d’une comparaison entre systèmes diversifiées et non d’une comparaison entre
système diversifié et spécialisé. Cette comparaison avec des systèmes spécialisés est rendue impossible par
le fait que l’étude se base sur des enquêtes auprès d’agriculteurs dans des exploitations, et non en système
expérimentale. Les exploitations ont donc des structures ainsi qu’un contexte pédoclimatique et social
propre. Cette comparaison entre système spécialisé et diversifié sera effectuée dans le projet MIX-ENABLE
en ferme expérimentale, ainsi que dans des exploitations du centre de la France, ce qui apportera un début
de réponse. Cette comparaison aura une place primordiale dans le projet afin d’étudier les avantages de la
diversification en élevage au vu de la durabilité.

Seules les fermes certifiées en AB sont étudiées dans le projet MIX-ENABLE. Afin de comprendre l’importance
de la liaison entre diversification en élevage et agriculture biologique, des études complémentaires seraient
intéressantes. Une comparaison entre fermes de PCPE certifiées et fermes de PCPE non certifiées permettrait
d’identifier les avantages et les désavantages de la bio dans ce type d’exploitation. Il serait alors possible de
distinguer pour quel profil d’exploitations de PCPE une conversion serait avantageuse. Par exemple, des
exploitations mixtes conventionnelles utilisant des bâtiments d’élevage (porcs ou volailles par exemple)
auraient probablement peu d’intérêts à se convertir considérant les investissements nécessaires pour mettre
les bâtiments aux normes de l’AB. A l’inverse, une étude comparant des exploitations en AB de PCPE et des
exploitations en AB spécialisées permettrait de mettre en valeur explicitement les avantages conférés par
l’élevage mixte (autonomie, diminution des coûts de production par exemple), ainsi que les limites de ce type
de production, dans le cadre d’exploitations en AB.

Le travail de mon stage constitue donc une étude exploratoire dans le cadre du projet MIX-ENABLE, mais
ouvre également des portes dans d’autres types de recherches. Dans le court terme, ce sera le lien entre la
durabilité des exploitations étudiées et les pratiques d’élevage qui pourra être effectué.

44
Bibliographie
Agence Bio. (2018). L’agriculture biologique, un accélérateur économique, à la résonnance sociale et
sociétale.
Agence Bio. (2019). Dossier de presse de l’agence bio - Un ancrage dans les territoires et une croissance
soutenue.
Agreste. (2014). Structures et moyens de production agricoles. GraphAgri, 32‑35.
Agreste. (2015). Exploitations dimension économique et spécialisation. GraphAgri, 19‑21.
Agreste - ministère de l’agriculture française. (2010). Recensement agricole.
Altieri, M. A. (2002). Agroecology: the science of natural resource management for poor farmers in marginal
environments. Agriculture, Ecosystems & Environment, 93(1), 1‑24.
Anderson, D. M., Fredrickson, E. L., & Estell, R. E. (2012). Managing livestock using animal behavior: mixed-
species stocking and flerds*. animal, 6(8), 1339‑1349.
André, R. (2015, juillet 3). Combien gagnent réellement les agriculteurs français? Le figaro.
Association de la race blonde d’Aquitaine. (s. d.). Les qualités bouchères de la blonde d’aquitaine. Consulté
juillet 1, 2019, à l’adresse http://www.blonde-aquitaine.fr/site-upra--fr-/la-blonde-d-aquitaine/ses-
qualites-boucheres/ses-qualites-boucheres-328.aspx
Association de la race charolaise. (s. d.). Les performances de la race Charolaise. Herd Book Charolais.
Consulté juillet 1, 2019, à l’adresse https://charolaise.fr/la-charolaise/les-performances-de-la-race-
charolaise/
Bell, L. W., Moore, A. D., & Kirkegaard, J. A. (2014). Evolution in crop–livestock integration systems that
improve farm productivity and environmental performance in Australia. European Journal of
Agronomy, Integrated crop-livestock, 57, 10‑20.
Benton, T. G., Vickery, J. A., & Wilson, J. D. (2003). Farmland biodiversity: is habitat heterogeneity the key?
Trends in Ecology & Evolution, 18(4), 182‑188.
Berthereau, J. (2018). Le mouvement végane gagne du terrain. Les Echos.
Bézat, C., Quenu, H., & Martin, G. (2016, août 12). Diversification des assolements – Dictionnaire d’agro-
écologie. Consulté mai 13, 2019, à l’adresse
https://dicoagroecologie.fr/encyclopedie/diversification-des-assolements/
Bojkovski, D., Štuhec, I., Kompan, D., & Zupan, M. (2014). The behavior of sheep and goats co-grazing on
pasture with different types of vegetation in the karst region. Journal of Animal Science, 92(6),
2752‑2758.
Bonaudo, T., Bendahan, A. B., Sabatier, R., Ryschawy, J., Bellon, S., Leger, F., Magda, D., et al. (2014).
Agroecological principles for the redesign of integrated crop–livestock systems. European Journal of
Agronomy, Integrated crop-livestock, 57, 43‑51.
Boone, L., Van linden, V., De Meester, S., Vandecasteele, B., Muylle, H., Roldán-Ruiz, I., Nemecek, T., et al.
(2016). Environmental life cycle assessment of grain maize production: An analysis of factors causing
variability. Science of The Total Environment, 553, 551‑564.
Castaing, J., Cazaux, J.-G., Lacoste, A., Garnier, J.-P., & Peyhorgue, A. (2002). Comparaison des produits issus
de trois types génétiques de porcs charcutiers dans une démarche de production « jambon de
Bayonne ». Journée de la Recherche porcine.
Cerutti, A. K., Beccaro, G. L., Bruun, S., Bosco, S., Donno, D., Notarnicola, B., & Bounous, G. (2014). Life cycle
assessment application in the fruit sector: State of the art and recommendations for environmental
declarations of fruit products. Journal of Cleaner Production, Towards eco-efficient agriculture and

45
 food systems: Selected papers from the Life Cycle Assessment (LCA) Food Conference, 2012, in Saint
Malo, France, 73, 125‑135.
Chambre d’agriculture de Bretagne. (2005). Finition des vaches de réforme Prim’holstein, 2.
Chambre d’agriculture des Pays de la Loire. (2010). Valeur nutritive de l’épeautre pour les ruminants.
Chambre d’agriculture d’occitanie. (2012, septembre). Les engrais organiques - Fiche 18.
Chambre d’agriculture d’occitanie. (2018). Teneur en azote et coefficient d’équivalence des principales
matières organiques du Sud-Ouest.
Chambre d’agriculture du Lot-et-Garonne. (2018). Œufs en agriculture biologique Zoom sur une exploitation,
8.
Chambres d’agriculture. (2016). Volatilité des matières premières agricoles : le nécessaire retour de
l’interventionnisme ? Analyses et perspectives - économie agricole.
Charroin, T., Veysset, P., & Devienne, S. (2012). Productivité du travail et économie en élevages d’herbivores :
définition des concepts, analyse et enjeux, 18.
Chavent, M. (2013). Analyse en composantes principales. Université de Bordeaux.
Chavent, M. (2014). Analyse en composantes multiples. Université de Bordeaux.
Collectif des races des Massifs. (s. d.). Races ovines allaitantes du Languedoc Roussillon : Rouge du Roussillon.
Consulté juillet 3, 2019a, à l’adresse https://www.races-montagnes.com/fr/races/raiole/rouge-du-
roussillon.php
Collectif des races des Massifs. (s. d.). Ovin Lacaune. Consulté juillet 3, 2019b, à l’adresse https://www.races-
montagnes.com/fr/races/lacaune.php
Conseil de la FAO. (1989). Sustainability Pathways: Évaluations de la durabilité (SAFA). Consulté juin 19, 2019,
à l’adresse http://www.fao.org/nr/sustainability/sustainability-assessments-safa/fr/
Consommation de carburant des voitures France 2004-2017 | Statistique. (s. d.). Statista. Consulté juin 12,
2019, à l’adresse https://fr.statista.com/statistiques/486554/consommation-de-carburant-
moyenne-voiture-france/
Conversion des unités d’énergie. (s. d.). . Consulté juillet 2, 2019, à l’adresse
https://calculis.net/conversion/energie
Cordier, J., Erhel, A., Pindard, A., & Courleux, F. (2008). La gestion des risques en agriculture de la théorie à
la mise en oeuvre: éléments de réflexion pour l’action publique, 40.
Coulon, J. B., Roybin, D., Congy, E., & Garret, A. (1988). Composition chimique et temps de coagulation du
lait de vache, 12.
Cuchillo‐Hilario, M., Wrage‐Mönnig, N., & Isselstein, J. (2018). Forage selectivity by cattle and sheep co-
grazing swards differing in plant species diversity. Grass and Forage Science, 73(2), 320‑329.
D’Alexis, S., Sauvant, D., & Boval, M. (2014). Mixed grazing systems of sheep and cattle to improve liveweight
gain: a quantitative review. The Journal of Agricultural Science, 152(4), 655‑666.
De Olde, E., Moller, H., Marchand, F., Mcdowell, R., J. MacLeod, C., Sautier, M., Halloy, S., et al. (2016). When
experts disagree: the need to rethink indicator selection for assessing sustainability of agriculture.
Environment, Development and Sustainability.
De Olde, E., Sautier, M., & Whitehead, J. (2018). Comprehensiveness or implementation: Challenges in
translating farm-level sustainability assessments into action for sustainable development. Ecological
Indicators, 85, 1107‑1112.

46
De Oliveira, L., Coroller, M., Perrin, A., & Martin, G. (2019, avril 11). Résilience des systèmes agricoles –
Dictionnaire d’agro-écologie. Consulté avril 30, 2019, à l’adresse
https://dicoagroecologie.fr/encyclopedie/resilience-des-systemes-
agricoles/?highlight=r%C3%A9silience
Decruyenaere, V., Hennart, S., & Stilmant, D. (2007). Environmental impact of sheep-cattle association under
grazing. Permanent and temporary grassland: plant, environment and economy. Proceedings of the
14th Symposium of the European Grassland Federation, Ghent, Belgium, 3-5 September 2007,
279‑282.
Dragulescu, Adrian. A., & Arendt, C. (2018). Package xlsx. R, .
Dumont, B., Fortun-Lamothe, L., Jouven, M., Thomas, M., & Tichit, M. (2013). Prospects from agroecology
and industrial ecology for animal production in the 21st century. animal, 7(6), 1028‑1043.
Energie libérée par une combustion. (s. d.). . Consulté juillet 2, 2019, à l’adresse http://gric.univ-
lyon2.fr/gric3/decouverte/enseignement/Chimie/combustion/Combustion.html
FAO. (2014). SAFA (Sustainability Assessment of Food and Agriculture systems) Tool: User Manual Version
2.2.40, 30.
FAO. (s. d.). Le lait et les produits laitiers dans la nutrition humaine - Laits d’animaux laitiers. Consulté juin
12, 2019, à l’adresse http://www.fao.org/3/t4280f/T4280F04.htm
FNCC. (2005). COOP aujourd’hui - Notre vision des grandes mutations de la distribution - Bulletin de la
Fédération Nationale des Coopératives de Consommateurs, (4).
FRAB Midi Pyrénées. (2011, décembre). AB sans intrant, sécuriser son système en réduisant ses charges.
France génétique Elevage. (s. d.). Race à viande - Limousine. Consulté août 21, 2019a, à l’adresse
http://fr.france-genetique-elevage.org/Limousine.html
France génétique Elevage. (s. d.). Les races à viande françaises - Aubrac. Consulté juillet 1, 2019b, à l’adresse
http://fr.france-genetique-elevage.org/Aubrac.html
France génétique élevage. (s. d.). Races bovines à viande - Salers. Consulté juillet 4, 2019, à l’adresse
http://fr.france-genetique-elevage.org/Salers.html
François, R., Henry, L., & Müller, K. (2019). Package dplyr. R, .
Fraser, M. D., & Rosa García, R. (2018). Mixed-species grazing management to improve sustainability and
biodiversity, 37(1), 247‑257.
Gohin, A. (2011). Les sources d’instabilité des marchés agricoles : état des lieux, avancées possibles et limites
méthodologiques de leur modélisation.
Griffon, M. (2013). Vers une septième révolution agricole. Revue Projet, N° 332(1), 11‑19.
Guibet, J.-C. (1997). Carburants et moteurs (Technip., Vol. 1). Institut français du pétrole.
Hannaway, D., Fransen, S., Cropper, J., Teel, M., Chaney, M., Griggs, T., R. Halse, R., et al. (1999). Perennial
ryegrass (Lolium perenne L.).
Hazard, L., Monteil, C., Duru, M., Boudessac, L., Justes, E., & Theau, J.-P. (2016, août 17). Agroécologie –
Dictionnaire d’agro-écologie. Consulté avril 30, 2019, à l’adresse
https://dicoagroecologie.fr/encyclopedie/agroecologie/
Hendrickson, J. R., Hanson, J. D., L. Tanaka, D., & Sassenrath, G. (2008). Principles of integrated agricultural
systems: Introduction to processes and definition. Renewable Agriculture and Food Systems, 23.
Hénin, F. (2011, avril 26). Charges de mécanisation La consommation de fuel des tracteurs passée au crible.
Web-agri. Consulté juillet 2, 2019, à l’adresse http://www.web-agri.fr/machinisme-
batiment/tracteur-manutention-transport/article/mecanisation-charges-tracteur-1151-69723.html
47
Hérault, B., & Rosenwald, F. (2012, août). La diversification des assolements en France : intérêts, freins et
enjeux. Ministère de l’agriculture et de l’agroalimentaire et de la forêt.
Hérault, B., & Sédillot, B. (2013, juillet). L’agroécologie : des définitions variées, des principes communs.
Ministère de l’agriculture et de l’agroalimentaire et de la forêt.
Idèle. (1999). Le bilan des minéraux, le cahier de l’éleveur.
Idèle. (2013). La durabilité des élevages bovins viande. idele.fr. Consulté mai 20, 2019, à l’adresse
http://idele.fr/rss/publication/idelesolr/recommends/la-durabilite-des-elevages-bovins-
viande.html
Idèle. (2017). Référentiel technico-économique ovin viande.
IFIP. (2002). Performances de croissance, carcasse et qualité de viande de 4 races locales, 25, 11.
IFIP. (2004). Comparaison des performances de porcs abattus à 110kg ou au-delà de 140 kg.
inosys réseaux d’élevage, & Idèle. (s. d.). Dans le Rhône, innover avec des chevreaux de boucherie élevés
sous la mère.
INRA. (2010). Alimentation des bovins, ovins et caprins - Besoins des animaux, valeurs des aliments - Tables
INRA 2007 mise à jour 2010. Quae.
INRA - CIRAD - AFZ. (s. d.). Profils de paramètre | Tables de composition et de valeur nutritionnelle des
aliments pour animaux INRA CIRAD AFZ. Consulté juin 12, 2019, à l’adresse
https://feedtables.com/fr/content/table-parameter-
profile?parameter_pr_id=12664&field_feed_category_target_id=All&field_value_as_fed_value_op
=%3E%3D&field_value_as_fed_value%5Bvalue%5D=&field_value_as_fed_value%5Bmin%5D=&field
_value_as_fed_value%5Bmax%5D=&field_value_on_dm_value_op=%3E%3D&field_value_on_dm_
value%5Bvalue%5D=&field_value_on_dm_value%5Bmin%5D=&field_value_on_dm_value%5Bmax
%5D=&field_value_other_basis_value_op=%3E%3D&field_value_other_basis_value%5Bvalue%5D=
&field_value_other_basis_value%5Bmin%5D=&field_value_other_basis_value%5Bmax%5D=&sort_
by=title_field_value&sort_order=ASC
INSEE. (2016). Définition du Développement durable selon l’Insee. Consulté mai 20, 2019, à l’adresse
https://www.insee.fr/fr/metadonnees/definition/c1644
Jordan, H. E., Phillips, W. A., Morrison, R. D., Doyle, J. J., & McKenzie, K. (1988). A 3-year study of continuous
mixed grazing of cattle and sheep: Parasitism of offspring. International Journal for Parasitology,
18(6), 779‑784.
KERAZOTE BIO 10-2-2 SAC 20KG. (s. d.). GPS. Consulté juin 12, 2019, à l’adresse https://provence-
agrofournitures.gps.coop/boutique/engrais/kerazote-bio-10-2-2-sac-20kg/
König, C. (2016, juin 3). La pollution des eaux en Bretagne : agriculture et algues vertes. Futura Science.
Lamine, C., & Chiffoleau, Y. (2012). Reconnecter agriculture et alimentation dans les territoires : dynamiques
et défis. Pour, N° 215-216(3), 85‑92.
Larochette, B., & Joan Sanchez-Gonzalez, J. (2015, octobre 9). Cinquante ans de consommation alimentaire :
une croissance modérée, mais de profonds changements. INSEE Première, (1568).
Larousse, É. (s. d.). Archive Larousse : Dictionnaire de l’Histoire de France - excommunication, - exode rural.
Consulté avril 23, 2019, à l’adresse http://www.larousse.fr/archives/histoire_de_france/page/431
Le Lan, B. (2013). Comparaison bio et conventionnel : une étude nationale « Cedabio », 2.
Le point vétérinaire. (s. d.). Fiche : mouton ovis aries.
Lê, S., Josse, J., & Husson, F. (2008). FactoMineR.

48
Lemaire, G. (2014). L’intégration Agriculture-Elevage, un enjeu mondial pour concilier production agricole et
environnement. Innovations agronomiques, (39), 181‑190.
Litt, J., Fortun-Lamothe, L., & Coutelet, G. (2009). Méthode DIAMON : guide pratique pour l’évaluation de la
durabilité des ateliers palmipèdes à foie gras.
López-Ridaura, S., Masera, O., & Astier, M. (2002). Evaluating the sustainability of complex socio-
environmental systems. the MESMIS framework. Ecological Indicators, Hyatt S.I., 2(1), 135‑148.
Manceron, S., Ben-Ari, T., & Dumas, P. (2014). Feeding proteins to livestock: Global land use and food vs. feed
competition. OCL, 21(4), D408.
Manneville, V. (2016). Estimation des flux d’azote associés aux ovins, aux caprins, aux équins et à leurs
systèmes fourragers ( No. Compte rendu 00 16 304 014) (p. 32). Idèle - Département techniques
d’élevage et environnement - Service environnement et bâtiments.
Mariotti, F., Tomé, D., & Mirand, P. P. (2008). Converting Nitrogen into Protein—Beyond 6.25 and Jones’
Factors. Critical Reviews in Food Science and Nutrition, 48(2), 177‑184.
Martin, G., Steinmetz, L., Blanc, M., & Benoit, M. (2018). Internal report of the mix-enable project.
Meadows, L. E., & Knowlton, F. F. (2000). Efficacy of guard llamas to reduce canine predation on domestic
sheep. Wildlife Society Bulletin, 28(3), 614‑622.
Mignolet, C., Schott, C., Benoît, M., & Meynard, J.-M. (s. d.). Transformations des systèmes de production et
des systèmes de culture du bassin de la Seine depuis les années 1970 : une spécialisation des
territoires aux conséquences environnementales majeures. Innavations agronomiques.
Mijatović, D., Meldrum, G., & Robitaille, R. (2019). Diversification for climate change resilience: Participatory
assessment of opportunities for diversifying agroecosystems. Bioversity International; Platform for
Agrobiodiversity Research.
Mischler, P. (2019, mai 24). Coupler des cultures et élevages, une force pour accroître l’autonomie des
exploitations ? Présenté à Séminaire sur la polyculture-élevage en occitanie.
Mischler, P., Guilbert, C., Durant, D., & Martel, G. (2017). Des interactions élevées entre animal et végétal
améliorent les performances économiques et environnementales des exploitations en polyculture-
élevage de ruminants. Colloque présenté à Les polycultures –élevagesValoriser leurs atouts pour la
transition agro-écologique, AgroSup Dijon.
Mischler, P., & Martin, G. (2019, avril 10). MIX-ENABLE: Desktop analysis of specialized and mixed organic
livestock farms. Présenté à MIX-ENABLE annual meeting, Darmstadt.
Mollier, P. (2017, février 20). Quelques idées fausses sur la viande et l’élevage. Consulté juin 18, 2019, à
l’adresse http://www.inra.fr%2FChercheurs-etudiants%2FSystemes-agricoles%2FTous-les-
dossiers%2FFausse-viande-ou-vrai-elevage%2FQuelques-idees-fausses-sur-la-viande-et-l-elevage
Montbéliarde Association. (s. d.). La valorisation des taureaux performants de l’OS Montbéliarde. Consulté
juillet 1, 2019, à l’adresse https://www.montbeliarde.org/valoriser-les-taurillons.html
Nolan, T., & Connolly, J. (1989). Mixed v. mono-grazing by steers and sheep. Animal Science, 48(3), 519‑533.
Noury, J.-M., Fourdin, S., & Pauthenet, Y. (2013). Systèmes d’élevage et changement climatique : perceptions
d’éleveurs et stratégies d’adaptation aux aléas. Journées AFPF.
de Olde, E. M., Bokkers, E. A. M., & de Boer, I. J. M. (2017). The Choice of the Sustainability Assessment Tool
Matters: Differences in Thematic Scope and Assessment Results. Ecological Economics, 136, 77‑85.
Pagès, J. (2004). Analyse factorielle de données mixtes. Revue de statistiques appliquées, 52(4), 93‑111.
Perrot, C., Caillaud, D., & Chambaut, H. (2013). Économies d’échelle et économies de gamme en production
laitière Analyse technico-économique et environnementale des exploitations de polyculture-
élevage. alim’agri.
49
Peyraud, J. L., Cellier, P., Donnars, C., Aarts, F., Beline, F., Bockstaller, C., Bourblanc, M., et al. (2012). Les flux
d’azote en élevage de ruminants, 9.
Peyraud, J.-L., Taboada, M., & Delaby, L. (2014). Integrated crop and livestock systems in Western Europe
and South America: A review. European Journal of Agronomy, 57, 31‑42.
Rémond, D., & Walrand, S. (2017). Les graines de légumineuses: caractéristiques nutritionnelles et effets sur
la santé. Innovations Agronomiques, 60, np.
Rocha, R. A., Bresciani, K. D. S., Barros, T. F. M., Fernandes, L. H., Silva, M. B., & Amarante, A. F. T. (2008).
Sheep and cattle grazing alternately: Nematode parasitism and pasture decontamination. Small
Ruminant Research, 75(2), 135‑143.
Schott, C., Puech, T., Picaud, C., & Mignolet, C. (2017). Dynamiques passées des systèmes agricoles en
France : une spécialisation des exploitations et des territoires permise par un usage accru des intrants
de synthèse au détriment des formes de polycultures-élevages.
Sneessens, I. (2016). La complémentarité entre culture et élevage permet-elle d’améliorer la durabilité des
systèmes de production agricole? Approche par modélisation appliquée aux systèmes de
polyculture-élevage ovin allaitant, 168.
Stark, F., Fanchone, A., Semjen, I., Moulin, C.-H., & Archimède, H. (2016). Crop-livestock integration, from
single practice to global functioning in the tropics: Case studies in Guadeloupe. European Journal of
Agronomy, 80, 9‑20.
Tables gouvernement. (s. d.). Table de composition nutritionnelle des aliments Ciqual. Consulté juin 12, 2019,
à l’adresse https://www.data.gouv.fr/fr/datasets/table-de-composition-nutritionnelle-des-
aliments-ciqual/
Templ, M., Kowarik, A., Alfons, A., & Prantner, B. (2019). Package VIM. R, .
Terres Univia. (s. d.). Graines oléagineuses - Alimentation animale - Produits/Débouchés -. Consulté juillet 23,
2019, à l’adresse http://www.terresunivia.fr/produitsdebouches/alimentation-animale/graines-
oleagineuses
Torres-Acosta, J. F. J., & Hoste, H. (2008). Alternative or improved methods to limit gastro-intestinal
parasitism in grazing sheep and goats. Small Ruminant Research, Special Issue: Sheep and Goat
Farming: grazing systems of production and development, 77(2), 159‑173.
Van Buuren, S., & Groothuis-Oudshoorn, K. (2019). Package MICE. R, .
Vasseur, C., Joannon, A., Aviron, S., Burel, F., Meynard, J.-M., & Baudry, J. (2013). The cropping systems
mosaic: How does the hidden heterogeneity of agricultural landscapes drive arthropod populations?
Agriculture, Ecosystems & Environment, Landscape ecology and biodiversity in agricultural
landscapes, 166, 3‑14.
Weissenberger, J. (2015, février). Organic production and the European Union. European Parliament.
World resources institute. (2009, juillet). World Greenhouse Gas Emissions in 2005.
Zahm, F., Viaux, P., Vilain, L., Girardin, P., & Mouchet, C. (2008). Assessing farm sustainability with the IDEA
method - from the concept of agriculture sustainability to case studies on farms. Sustainable
Development, 16(4), 271‑281.
Zitari, S. (2008). Etude des valeurs nutritives de certaines ressources alimentaires locales utilisées dans
l’alimentation des animaux. Consulté juillet 23, 2019, à l’adresse
https://www.memoireonline.com/10/10/4031/m_Etude-des-valeurs-nutritives-de-certaines-
ressources-alimentaires-locales-utilisees-dans-lalimenta6.html

50
Annexes
Annexe 1 : Guide d’enquête ............................................................................................................................ 52
Annexe 2 : Rendements carcasses utilisés ...................................................................................................... 67
Annexe 3 : Poids des animaux d’élevage......................................................................................................... 67
Annexe 4 : Densité du lait et poids des œufs en AB ........................................................................................ 67
Annexe 5 : Ratios d’azote des produits animaux vendus ................................................................................ 67
Annexe 6 : Ratios d’azote pour les effluents d’élevage .................................................................................. 68
Annexe 7 : Ratios d’azote utilisés pour les aliments à destination des animaux d’élevage ........................... 68
Annexe 8 : Ratios d’azote pour les engrais utilisés ......................................................................................... 69
Annexe 9 : ratio d’azote pour les semences importées .................................................................................. 69
Annexe 10 : Ratios d’azote pour les produits végétaux vendus...................................................................... 70
Annexe 11 : Energie contenue dans les produits animaux vendus ................................................................. 70
Annexe 12 : Energie contenue dans les produits végétaux vendus ................................................................ 71
Annexe 13 : Valeurs utilisées pour évaluer l’énergie dégagée par les ressources non renouvelables sur les
fermes .............................................................................................................................................................. 72
Annexe 14 : Apport d’énergie nécessaire pour les animaux d’élevage .......................................................... 72
Annexe 15 : Energie contenue dans les intrants alimentaires ........................................................................ 72
Annexe 16 : Matrice des corrélations.............................................................................................................. 73
Annexe 17 : Tableau d’indicateurs utilisés pour l’analyse .............................................................................. 74
Annexe 18 : Distribution des variables utilisées pour l’analyse ...................................................................... 75
Annexe 19 : Tableau de contribution des variables pour former les composantes (en %) ............................ 77
Annexe 20 : Représentation des individus classés par groupe sur les 3 axes ................................................. 78
Annexe 21 : Représentation des individus sur les 3 axes en fonction de leur production (R-R : Ruminant-
Ruminant (orange), R-M : Ruminant-Monogastrique (violet))........................................................................ 79
Annexe 22 : Représentation des individus sur les 3 axes en fonction de leur localisation (C : INRA Clermont-
Ferrand (orange), M : INRA de Montpellier (violet), T : INRA de Toulouse (vert)) .......................................... 80

51
Annexe 1 : Guide d’enquête

52
 Information Générales

N° de la ferme Date : / / cellules avec fond gris : l'information doit être collectée avant l'entretien. Pour les exploitants ou associé
Nom de la ferme Année d'installation
Nom des exploitants Hors cadre familial (O/N)
Adresse Année d'expérience en agriculture (avant
Code postal Année début de la conversion totale
Ville Pays Princiaux évènements surv

Statut juridique
Exploitants/associés Nbe absolu : UTH : Préciser si les exploitants ont un emploi en dehors de
l'exploitaation (et preciser la durée en équivalent temps plein) :
Salariés Nbe absolu : UTH :
Main d'œuvre
Bénévoles Nbe absolu : UTH :
Total MO Total nbe absolu : Total UTH :
SAU : Ha irriguable : Ha ilabourable :
Surface (ha)
Ha parcours : Ha bordures de fôrets :
Types * de production Atelier 1 : Atelier 2 : Atelier 3 :

Production énergétique NON OUI Commentaires: Préciser les produits transformés ici :

Transformation à la ferme des produits NON OUI

Vente directe à la ferme NON OUI
Entreprise de travaux agricoles (ETA) NON OUI
Agrotourisme Aucun Gîtes Tables et/ou chambre d'hôtes Ferme pédagogique Autre : Début des différents ateliers
Ateliers
Autre activité de diversification Détails :
Atelier 1 :
Atelier 2 :
Zone environnementale Nord-Alpine Sud-Alpine Nord-Atlantique Continentale Autres : Commentaires : Atelier 3 :
Autres animaux présents (pour nettoyage
Contraintes Distance entre les 2 parcelles les plus éloignées :
parcours, ferme pédagogique…) :
* Type : vaches laitières, vaches allaitantes, brebis laitières, brebis allaitantes, chèvres, porcs (engraissement, naisseurs), poules pondeuses, poulets de chair …

* Type : vaches laitières, vaches allaitante

53
 Historique de la ferme
1) Remplir le SWOT : dans un premier temps concerna
Pour les exploitants ou associés Exploitant/Associé 1 : Exploitant/Associé 2 : Exploitant/Associé 3 : Exploitant/Associé 14: Exploitant/Associé 5 :
Année d'installation 2) Eventuellement compléter
UTILISER DES COULEURS DIFFERENTES SI PLUSIEURS E
Hors cadre familial (O/N)
Année d'expérience en agriculture (avant installation) 0 à 5 5 à 10 10 à 15 > 15 0 à 5 5 à 10 10 à 15 > 15 0 à 5 5 à 10 10 à 15 > 15 0 à 5 5 à 10 10 à 15 > 15 0 à 5 5 à 10 10 à 15 > 15 For
Année début de la conversion totale la ferme Général (sur la ferme)
Princiaux évènements survenus sur la ferme (décision pour commencer une nouvelle production, agrandissement, nouveaux associés…). Raisons expliquant la conversion à l'AB

Oppor
Général (sur la ferme)

Début des différents ateliers Rôles/objectifs attendus (valorisation des co-produits, profit, amélioration santé des animaux, occupation durant une période avec faible charge de
travail...)
Ateliers Type * Année
Atelier 1 :
Atelier 2 :
Atelier 3 :
Autres animaux présents (pour nettoyage
parcours, ferme pédagogique…) :

* Type : vaches laitières, vaches allaitantes, brebis laitières, brebis allaitantes, chèvres, porcs (engraissement, naisseurs), poules pondeuses, poulets de chair …

54
 SWOT : Forces Faiblesses Opportunités Menaces
1) Remplir le SWOT : dans un premier temps concernant tousles aspects de la ferme,dans un second temps concernant la diversification (y compris le polyélevage)
Hiérarchiser les réponses des exploitants
Les réponses peuvent être sur tous les aspects : compétences, risques, gestion de la santé animale, situation personnelle, marché local, etc.).
2) Eventuellement compléter cette partie à la fin de l'entretien avec le(s) exploitant(s).
Un par exploitant
UTILISER DES COULEURS DIFFERENTES SI PLUSIEURS EXPLOITANTS VEULLENT REMPLIR LE SWOT.

Forces Faiblesses
Général (sur la ferme) Spécifique à la diversité de production Général (sur la ferme) Spécifique à la diversité de production

Opportunités Menaces
Général (sur la ferme) Spécifique à la diversité de production Général (sur la ferme) Spécifique à la diversité de production

55
 Effectif des animaux (Effectif annuel moyen pour animaux présents toute l'année; effectif total sur l'année pour les autres ex : porcs, volailles...)
Viande Poids moyen Nb bandes / Nb Poids
BOVINS Lait (nb) Race(s) Têtes achetées / an PORCINS Nb Total Race(s) Têtes achetées / an
(nb) (kg) an an/bande moyen (kg)
Vaches Truies
Génisses de renouvel. 1 an Cochettes
Génisses de renouvel. 2 ans Porcelets
Génisses engrais. 1 an Porcs charcutiers
Génisses engrais. 2 ans Autres :
Atelier 1 :
Mâles de 1 an Nb bandes / Nb Poids
VOLAILLES Nb Total Race(s) Têtes achetées / an
Mâles de 2 ans an an/bande moyen (kg)
Mâles de 3 ans et + Poules pondeuses
Taureaux Poulettes
Atelier 2 :
Veaux (+ de 6 mois) Poulets de chair
Autres : Dindes
Viande Poids moyen Canards
OVINS Lait (nb) Race(s) Têtes achetées / an
(nb) (kg) Pintades
Atelier 3 :
Brebis Autruches
Agnelles de renouvel. Animaux de renouvel.
Agneaux (yc pour repro) Poids
EQUINS Nb Trait Nb Selle Nb Poney Race(s) Têtes achetées / an
Bélier moyen (kg)
Juments
Viande Poids moyen Pouliches
CAPRINS Lait (nb) Race(s) Têtes achetées / an
(nb) (kg) Etalons
Chèvres Poulins
Chevrettes de renouvel. Ânes
Jeunes animal engraiss. AUTRES (lapins, cailles, Nb bandes / Nb Poids
Nb Total Race(s) Têtes achetées / an Atelier 1 :
Boucs alpagas…) an an/bande moyen (kg)

* si un animal est vendu en milieu d'année, il compte pour 0.5 animal

Utilisation des bâtiments Atelier 2 :

Uniquement pour un Autre utlisation que pour l'abri des

Fumier et lisier produits Atelier 3 :
Pour plusieurs atelier (Préciser lesquels) animaux
Bâtoments atelier (préciser Fumier (M)
Type de logement des
lequel) Simultanément Successivement Oui Non Précisions Quantité produite (t/an)
animaux * ou Lisier (S)
Bâtiment 1 * Un groupe est défini comme étant des anim
Bâtiment 2 pâturage dans différents pâturages com
Bâtiment 3
Bâtiment 4
Bâtiment 5
Bâtiment 6
* Aire paillée (SBP) straw-bedded pen , Logettes paillées (SBC) straw-bedded cubicles , Aire paillée + couloir raclé (SBSA) straw bedding and scraped alley, Logettes raclées (SC) scraped cubicles and Caillebotis (SIC) slatted cubicle

Commentaires :

56
 Bien-Être Animal
Temps passés pour les soins aux animaux (heures/jours)
Mortalité pour 1 an
€ Coûts vétérinaires pour Groupe* 1 Groupe 2 Groupe 3 Groupe 4
1 2 1 1 an Temps Temps Temps Temps
Nbe d'adultes morts Nombre de jeunes morts Composition Composition Composition Composition
(H/jour) (H/jour) (H/jour) (H/jour)

Atelier 1 :

Atelier 2 :

Atelier 3 :

Nombre de traitement (T) et de Vaccins (V) par maladies

Catégories de Jeunes Jeunes Perception générale du bien-être animal
Mères Autres adultes
maladies renouv. engraiss.
Très
Parasitaires
Pas du tout Faiblement Satisfait
satisfait
Respiratoires Exploitant/A
Atelier 1 :
Digestive/métabolique
ssocié 1
Autres :
Parasitaires
Exploitant/A
Respiratoires
Atelier 2 : ssocié 2
Digestive/métabolique
Autres :
Exploitant/A
Parasitaires
ssocié 3
Respiratoires
Atelier 3 :
Digestive/métabolique
Autres : 1: died or euthanized 2: up to 3 months for ruminants and pigs; up to 6 months for horses

* Un groupe est défini comme étant des animaux élevés dans des conditions de gestion similaires et peut être constitué de plusieurs sous-groupes, par exemple plusieurs troupeaux de bovins au
pâturage dans différents pâturages comptent pour un groupe, et plusieurs animaux (même combinaison d'animaux et de gestion) dans différents pâturages comptent pour un groupe.

Commentaires :

57
 Pâture et plan de pâturage 1/3
Surface (Ha) Description des principales rotations de cultures (recouvrant au minimum 80% de la SAU) P
Rotation 1 Rotation 2 Rotation 3 Rotation 4 Rotation 5 Rotation 6
Cultures

AC
N°

.P
Céréales de vente

Id
Cultures fourragères
dont Maïs ensilage 1

dont Méteil ensilage BV BL OV OL CA Porcs Volailles 2

Date entrée animaux en batiments
Betteraves fourragères 3
en début d'hiver
dont Autres cultures fourragères Date de sortie des animaux en
4
(betteraves, céréales pâturées…) début de printemps
Nbe des animaux en paturage
Autres cultures fourragères 5
exclusif sur l'année
Préciser la catégorie (mères,
6
Prairies (hors parcours) renouv…)
Prairies temporaires 7
dont En rotation avec les cultures
Area Duration 8
(sur les 6 dernières années) ha paturés simultanément par 2 espèces Av. nb of
Atelier grazed Type(s) of pasture of grazing
animals
dont Avec des légumineuses (mélange) (ha) (months) 9
ha paturés successivement par 2 espèces
Dont Prairies 100% légumineuses ha de prairies seulement récoltées
Atelier 1 10
(luzernière par ex.) mécaniquement
Atelier 2 11
Prairies permanentes T de fumier épandus sur les prairies
Atelier 3 12
Parcours (sans réelle pâture) T de lisier épandus sur les prairies

Tonnes de matière sèche distribuée à : 13

Vignes
Ha 1ère Ha 2nd Ha 3ème Total TMS
coupe coupe coupe BV BL OV OL G Porcs Volaille 14
Vergers . récolté
15
Arbres fruitiers : ……………………. Foin
16
Petits fruits : ……………………………. Ensilage d'herbe
17
Plantes médicinales : …………… Enrubannage
18
Maraichage : ………………………. Maïs ensilage
Autre ensilage
19
(préciser)
Autre ensilage
20
(préciser)

58
 Parcellaire des cultures (toutes cultures sauf foin, ensilage, enrubannage d'herbe)
Rdt Vente Fertilisation
Tonnes Ateliers utlisants les cultures (Tonnes/an)
Cul. type (huile, Tonnes Surface Type d'effluents (M
Nom de la culture Surface Tonnes semences Quantité
N° Quantité Unité grain, alim. Ax fertilisée pour fumier / S
vendues (ferme) BV BL OV OL CA Porcs Volailles (T/ha)
farine) (ha) pour Lisier
1 Blé (grain)
2 Blé dur (grain)
3 Orge (grain) Culture où
4 Avoine (grain) N° pâturage
Triticale (grain) des résidus
5
6 Seigle (grain) 1
7 Autres céléréales (grain) 2
8 Mélanges céréales/protéagineux (grain) 3
9 Tournesol (grain) 4
10 Colza (grain) 5
11 Autres oléagineux (grains) 6
14 Soja 7
15 Pois et feverolle 8
16 Autres légumineuses à graines 9
17 Maïs grain

18 Sorgho (grain)

19 Betterave surcrière
20 Pommes de terre

21
Espèces
23 N°
semées
24
25 1
T TOTAL CULTURES 2
3
Production de paille 4
Surface totale avec effluents
Répartition entre les ateliers (en Tonnes de Matière Sèche/an) sur les 5 dernières années 5
De quelle culture ? Surface récoltée Quantité totale récoltée par an
BV BL OV OL CA Porcs Volailles

Commentaires :

Commentaires :

59
 Résidus pâturés Haies / Sol nu

Km de haies et de Ha de sol nu durant

Est-ce que les résidus de cultures sont pâturés ? Oui Non
bordures de forêts * l'hiver

Culture où Atelier 1 Atelier 2

N° pâturage Durée pâture * Calculer sur la carte des parcelles de la PAC
des résidus Atelier Catégorie (mères, jeunes) effectif Atelier Catégorie (mères, jeunes) effectif

1 Commentaires :
2
3
4
5
6
7
8
9

Cultures intermédiaires et autres couverts

Atelier 1 Atelier 2
Espèces
N° Surface Rendement % récolté % enfoui %paturé Catégorie (mères, Catégorie (mères,
semées Atelier Effectif Durée pat. * Atelier Effectif Durée pat. *
jeunes) jeunes)

1
2
3
4
5
* En cas de paturage simultané, remplir une ligne par atelier et préciser la durée de pâturage des 2 ateliers

Commentaires :

60
 Circuits de ventes de tous les produits
Ventes avant transformation et conditionnement par type de produits Circuits de vente
Produits Produits animaux Produits Si transformation Circuit Court Circuit Long
Type de
animaux : : quantité (unité végétaux :
N° Produit brut Description/Name Atelier Type de conditon- % du Nb € (préciser % du Nb € (préciser
nbe dépend du produit, Quantité Nom du produit
transformation nement produit brut clients HT ou TTC) produit brut clients HT ou TTC)
animaux voir ci-dessous) (TMS)

Ax de repro
fourrages
fumier
Revente de produits achetés à l'extérieur : pas pris en compte TVA appliqué sur les produits (1 ou plusieurs taux !)

Produits bruts Ateliers Unités Type de transformation Type de conditionnement

Lait Milk DC Bovin Lait (Dairy Cow) OH Autre Herbivore (Other Herbivore) Orch Verger (Orchard) Kg de PV kg LW (kg Live weight) (for meat ) Raw Produit Brut (raw product) Pas de conditionnement No pack
Viande Meat BC Bovin viande (Beef Cattle) Volaille Poultry Sfruit Petits fruits (Small Fruit)
Kg Pcarc. kg CW (kg carcass weight) (for meat) Proc1 Transformé à la ferme Pack1 Conditionné sur la ferme
(processed on farm) (Packed on farm)
Végétaux Vegetal product DS Ovin Lait (Dairy Sheep) Porcs Pigs Veg Maraichage Vegetables) Litres Liters (form milk)
Proc2 Transformé hors de la Pack2 Conditionné hors de la
Œufs Egges Ovin Viande MS (Sheep for Meat) CCOP Cultures de ventes + Miel Honey Tonnes Tons
ferme/par un tiers (porcessed off ferme/par un tiers (packed off-
Autres Other G Chèvre (Goat) oléoprot (Cash Crop Oleoprot.) Autre Other farm) farm)

Questions sur les circuits de vente et de transformation

2) Parmi eux, combien 4) Si transformation, utilisez vous des 5) Pouvez vous me lister les plats 6) Quelle est la distance en km
1) Nombre de clients en achètent des produits ingrédients provenants de 2 (ou 3) qui sont composés de 2 entre votre exploitation et le
3) Pouvez-vous les lister ?
circuit long issus de 2 ateliers ateliers différents dans des plats ingrédients issus de 2 (ou 3) point de vente directe le plus
différents cuisinés ? ateliers différents ? proche ?
- -
- -
- -
- -

61
 Intrants alimentaires, de fertilisation et énergétiques

Cat. d'intrants Quantité achetée pour chaque atelier TOTAL en € Consommation d'énergie (et
Nom
CONCENTRES BV BL OV OL CA Porcs Volailles Cultures Prairies ou €/T production)
Heures de
Km avec
Gasoil sur la tracteur
Complément complet voiture
ferme (L) (ETA ou
privée / an
CUMA)

Tourteaux

Céréales

Electricité
Gaz (kg)
(Kwh)
Drèches

Autres (pailles,
minéraux…)

FOURRAGES Commentaires :

FERTILISANTS/
EFFLUENTS

Co-produits
Destination
Quantité (avec
Nom De Transformation
unité !) BV BL OV OL CA Porcs Volailles Cultures Prairies Transformation végétale
animale

62
 Données économiques

€ Toutes taxes (terre Total charges (somme

€ Produit Brut (HT) € Total subventions € Salaire et charges sociales € Fermage € Amortissements € Frais financier
+ autres) précédents)

Commentaires :

Revenu prélevé par an pour tous les associés 1

€ Résultat courant ou € Charges de € Emprunts (long, moyen, court € Capital de la ferme
Revenus extérieurs ? € Marge brute
résultat exercice structure termes) (hors foncier) € / an
SCORE
Très
Mauvais Assez bien Bien
mauvais
Oui * Non

1
* Si oui, préciser (dans les commentaires) combien cela représente en temps plein (%) et le type de travail (en lien à l'agriculture ou non) : fourchette de + ou ‐ 1000 €

Commentaires :

63
 Bien être des exploitants 1/3
Tâches faites uniquement par les exploitants/associés eux-mêmes (non par une autre personne)
Ppales tâches avec un PIC de travail Ateliers J F M A M Juin Juillet A S O N D
Période de mise bas 1 Questions o
Période de mise bas 2
Nouvelle bande de monogastriques
Exploitant/
Gros lot d'abattage pour la vente directe Associé 1
Gros lot pour abattage (autre que vente directe)
Travail d'alimentation
Exploitant/
Contention d'animaux Associé 2
Déplacement d'animaux au pâturage
Semis prairies/cultures
Exploitant/
Récoltes des céréales Associé 3
Récoltes des fourrages
Autre récoltes (fruits, légumes...)
Travail de clôtures Commentaires
Transhumance
Transformation
Vente directe

Accès aux informat

Intensité de la période (score de 1 à 4) Pas
satisfait

Exploitant/
1 : Faible intensité
Associé 1
2 : Faible à moyenne intensité
3: Moyenne à forte intensité
Exploitant/
4: Forte intensité Associé 2

Exploitant/
Associé 3

64
 Bien être des exploitants 2/3

Nombre de jours Nombre de

Nombre de jour
Questions ouvertes sur le management de ces pics de travail souhaités de repos formations suivies
réels de repos/an
/an / an
Exploitant/
Exploitant/ Associé 1
Associé 1

Exploitant/
Exploitant/ Associé 2
Associé 2

Exploitant/
Exploitant/ Associé 3
Associé 3

Commentaires
Commentaires:

Accès aux informations/connaissances extérieures (techniques, économique…) Charge de travail

Atelier 1
Pas Peu Très Assez Plutôt élevée, et parfois Très élevée et très
Satisfait Principales ressources d'informations Légère
satisfait satisfait satisfait légère très élevée souvent

Exploitant/ Atelier 2
Associé 1

Exploitant/
Associé 2 Cultures

Exploitant/
Associé 3
Prairies
Pâturage
Commentaires :

Transfor-
mation, vente,
agrotourisme

65
 Bien être des exploitants 3/3
Difficulté du travail (physique) Complexité du travail (mentalement) Satisfaction générale du travail
Souvent Souvent Souvent très Parfois Souvent Très Très faible Faible Assez Très
Parfois dur Très facile Raisons
très dur facile complexe complexe facile facile satisfaction satisfaction satisfait satisfait

Exploitant/
Associé 1

Exploitant/
Associé 2

Exploitant/
Associé 3

Commentaires :

Exp./Asso 1 Exp./Asso Exp./Asso Exp./Asso Salarié 1 Salarié 2 Bénév.1 : Bénév.2 Commentaires :

Polyvalence des travailleurs entre ateliers
2 3 4
1 Pas de compétences / Ne gère pas l'atelier
2 Compétent pour remplacer le gérant
Atelier 1
3 Gérant (travail quotidien)
4 Superviseur sans travail quotidien
1 Pas de compétences / Ne gère pas l'atelier
2 Compétent pour remplacer le gérant
Atelier 2
3 Gérant (travail quotidien)
4 Superviseur sans travail quotidien
1 Pas de compétences / Ne gère pas l'atelier
2 Compétent pour remplacer le gérant
Cultures
3 Gérant (travail quotidien)
4 Superviseur sans travail quotidien
1 Pas de compétences / Ne gère pas l'atelier
Prairies 2 Compétent pour remplacer le gérant
Pâturage 3 Gérant (travail quotidien)
4 Superviseur sans travail quotidien
1 Pas de compétences / Ne gère pas l'atelier
Transfor-
2 Compétent pour remplacer le gérant
mation, vente,
agrotourisme 3 Gérant (travail quotidien)
4 Superviseur sans travail quotidien

66
Annexe 2 : Rendements carcasses utilisés

Atelier Race Rendement Source

Prim’holstein 0,45 (Chambre d’agriculture de Bretagne, 2005)
BL
Montbéliarde 0,56 (Montbéliarde Association, s. d.)
Limousine 0,63 (France génétique Elevage, s. d.)
Blonde 0,65 (Association de la race blonde d’Aquitaine, s. d.)
d'Aquitaine
BV Aubrac 0,57 (France génétique Elevage, s. d.)
Charolaise 0,52 (Association de la race charolaise, s. d.)
Salers 0,57 (France génétique élevage, s. d.)
Ovins Toutes races 0,46 (Idèle, 2017)
Caprins Toutes races 0,55 (inosys réseaux d’élevage & Idèle, s. d.)
Bayeux 0,748 (IFIP, 2002)
Gascon 0,706 (IFIP, 2002)
Porcs Large White 0,785 (IFIP, 2002)
Duroc 0.793 (Castaing et al., 2002)
Moyenne 0,765 (IFIP, 2004)

Annexe 3 : Poids des animaux d’élevage

Atelier Catégorie Race Poids (kg) Source

Brebis Rouge du 60 (vif) (Collectif des races des Massifs,
Roussillon s. d.)
Ovins Brebis Lacaune 70 (vif) (Collectif des races des Massifs,
s. d.)
Agneau Lacaune 18 (carcasse) (Le point vétérinaire, s. d.)

Annexe 4 : Densité du lait et poids des œufs en AB

Atelier Produit Densité / Poids Source

BL/ovins Lait 1,031 (SU) (FAO, s. d.)
Œuf 62 g/œuf (Chambre d’agriculture du Lot-et-Garonne,
Volaille
2018)

Annexe 5 : Ratios d’azote des produits animaux vendus

Type Atelier Produit Quantité d'N Unité Source

Vache allaitante de
24 (Idèle, 1999)
réforme
BV Jeune bovin
24 (Idèle, 1999)
engraissé
Bœuf 24 (Idèle, 1999)
Viande BV/BL Veau 24 Kg/T (Idèle, 1999)
Vache laitière de 24
BL (Idèle, 1999)
réforme
Brebis de réforme 24 (Idèle, 1999)
Ovin
Agneau 24 (Idèle, 1999)
67
 Caprin Chevreau 24 (Idèle, 1999)
Truie de réforme 24 (Idèle, 1999)
Porcin
Porc charcutier 24 (Idèle, 1999)
Volaille Poulet de chair 32 (Idèle, 1999)
(Tables gouvernement,
BL Lait liquide 0,0052
s. d.)
(Tables gouvernement,
Lait Ovin Lait liquide 0,0089
s. d.)
(Tables gouvernement,
Caprin Lait liquide 0,0053
g/100g s. d.)
(Tables gouvernement,
Œufs Volaille Œufs de poule 0,0203
s. d.)
(Chambre d’agriculture
Autre Ovin Laine 0,03 d’occitanie, 2012;
Manneville, 2016)

Annexe 6 : Ratios d’azote pour les effluents d’élevage

Type Atelier Nom Quantité d'N Unité Source

Fumier très compact litière 5,8 (Idèle, 1999)
accumulée
Bovin Fumier compact (logettes 5 (Idèle, 1999)
paillées)
Fumier mou de logettes 5,1 (Idèle, 1999)
Fumier Fumier très compact litière 5,8 (Idèle, 1999)
Ovin/caprin
accumulée
Porcin Fumier de porc litière accumulée 7,2 Kg/T (Idèle, 1999)
Porcin Fumier de porc litière raclée 9,1 (Idèle, 1999)
Volaille Fumier poulets de chair 2,9 (Idèle, 1999)
Bovin Lisier bovin engraissement 5,2 (Idèle, 1999)
Bovin Lisier bovin autre 3,5 (Idèle, 1999)
Lisier
Bovin Lisier dilué 2,7 (Idèle, 1999)
Volaille Lisier poule pondeuse 6,8 (Idèle, 1999)

Annexe 7 : Ratios d’azote utilisés pour les aliments à destination des animaux d’élevage

Type Nom du produit Quantité d'N Unité Source

Foin 13 (Idèle, 1999)
Foin de légumineuse 24 (Idèle, 1999)
Fourrage
Luzerne déshydratée 24 (Idèle, 1999)
Paille 5 (Idèle, 1999)
Concentrés énergétiques 28 (Idèle, 1999)
Kg/T
Concentrés de production 38,5 (Idèle, 1999)
Concentrés protéiques 64 (Idèle, 1999)
Concentrés
Poudre de lait 36 (Idèle, 1999)
Aliment porc charcutier 27,2 (Idèle, 1999)
Aliment poulet 35,2 (Idèle, 1999)

68
 Aliment poules pondeuses 26,4 (Idèle, 1999)
Blé tendre 15,5 (Idèle, 1999)
Blé dur 21,9 (Idèle, 1999)
Orge 13 (Idèle, 1999)
Maïs 13 (Idèle, 1999)
Tourteau soja 70 (Idèle, 1999)
Tourteau colza 56 (Idèle, 1999)
Pois 32,5 (Idèle, 1999)
Lupin 555 (Idèle, 1999)
Triticale 16,5 (Idèle, 1999)
Seigle 16,6 (Idèle, 1999)
Sorgho 15,7 (Idèle, 1999)
Avoine 15,7 (Idèle, 1999)
Tournesol 34,5 (Idèle, 1999)
Colza 33,3 (Idèle, 1999)
Pois 32,5 (Idèle, 1999)
Féverole hiver 32,9 (Idèle, 1999)
Féverole printemps 35,5 (Idèle, 1999)
Soja 56,5 (Idèle, 1999)
Haricots 36 (Idèle, 1999)

Annexe 8 : Ratios d’azote pour les engrais utilisés

Type Nom du produit Quantité d'N Unité Source

Azoté Kérzote 10 g/100g (« KERAZOTE BIO 10-2-2 SAC 20KG », s. d.)

Annexe 9 : ratio d’azote pour les semences importées

Quantité d’ N Unité
Part en (Protéines / 6.25)
Type Graine Source
protéines (Mariotti et al.,
2008)
Haricot 0,23 3,7 (Rémond & Walrand, 2017)
Lentilles 0,25 4 (Rémond & Walrand, 2017)
Pois chiche 0,21 3,4 (Rémond & Walrand, 2017)
Protéa-
Pois cassé 0,24 3,8 (Rémond & Walrand, 2017)
gineux
Fêve 0,26 4,2 (Rémond & Walrand, 2017)
Lupin 0,36 5,8 (Rémond & Walrand, 2017)
Soja 0,37 5,9 g/100g (Rémond & Walrand, 2017)
Colza 0,19 3,0 (Terres Univia, s. d.)
Oléa-
Tournesol 0,16 2,6 (Terres Univia, s. d.)
gineux
Lin 0,22 3,5 (Terres Univia, s. d.)
Blé 0,13 2,1 (INRA - CIRAD - AFZ, s. d.)
Céréales Maïs 0,08 1,3 (INRA - CIRAD - AFZ, s. d.)
Orge 0,1 1,6 (INRA - CIRAD - AFZ, s. d.)

69
 Avoine 0,11 1,8 (INRA - CIRAD - AFZ, s. d.)
Seigle 0,085 1,4 (INRA - CIRAD - AFZ, s. d.)
Triticale 0,1 1,6 (INRA - CIRAD - AFZ, s. d.)
Méteil 0,1425 2,3 (INRA - CIRAD - AFZ, s. d.)
Luzerne 0,35 5,6 (Tables gouvernement, s. d.)
Prairies
ray grass 0,1 1,6 (Hannaway et al., 1999)

Annexe 10 : Ratios d’azote pour les produits végétaux vendus

Nom du produit Quantité d'N Unité Source

Jus de pomme 0,0272 (Tables gouvernement, s. d.)
Pomme 0,04 (Tables gouvernement, s. d.)
Châtaigne 0,34 (Tables gouvernement, s. d.)
Huile de colza 0 (Tables gouvernement, s. d.)
Sarrazin 2,064 (Tables gouvernement, s. d.)
Baie 0,178 (Tables gouvernement, s. d.)
Asperge 0,4 (Tables gouvernement, s. d.)
Pomme de terre 0,3 (Tables gouvernement, s. d.)
Graine de lin 3,82 g/100g (Tables gouvernement, s. d.)
Chanvre 3,35 (Tables gouvernement, s. d.)
Pain 1,443 (Tables gouvernement, s. d.)
Farine 2 (Tables gouvernement, s. d.)
Blé 2 (Tables gouvernement, s. d.)
Ail 0,93 (Tables gouvernement, s. d.)
Noix 2,7 (Tables gouvernement, s. d.)
Oignon 0,176 (Tables gouvernement, s. d.)
Piment 0,3 (Tables gouvernement, s. d.)
Foin 15 (Idèle, 1999)
Méteil 22 (Idèle, 1999)
Kg/T
Maïs grain 13 (Idèle, 1999)
Paille 6 (Idèle, 1999)
Lentilles 4 (Tables gouvernement, s. d.)
g/100g
Epeautre 2,5 (Tables gouvernement, s. d.)

Annexe 11 : Energie contenue dans les produits animaux vendus

Type Produit Energie Unité Source

de Atelier
produit
Vache allaitante de (Tables gouvernement, s. d.)
6,15
réforme
BV MJ par
Jeune bovin engraissé 6,15 (Tables gouvernement, s. d.)
kg de
Viande Bœuf 6,15 (Tables gouvernement, s. d.)
poids
BV/BL Veau 5,47 vif (Tables gouvernement, s. d.)
BL Génisse engraissée 6,15 (Tables gouvernement, s. d.)

70
 Vache laitière de 6,15 (Tables gouvernement, s. d.)
réforme
Brebis de réforme 8,11 (Tables gouvernement, s. d.)
Ovin
Agneau 7,96 (Tables gouvernement, s. d.)
Caprin Chevreau 4,36 (Tables gouvernement, s. d.)
Truie de réforme 7,07 (Tables gouvernement, s. d.)
Porcin
Porc charcutier 7,07 (Tables gouvernement, s. d.)
Volaille Poulet de chair 5,99 (Tables gouvernement, s. d.)
BL Lait liquide 2,73 (Tables gouvernement, s. d.)
MJ par (Tables gouvernement, s. d.)
Lait Ovin Lait liquide 4,31
Litre
Caprin Lait liquide 2,36 (Tables gouvernement, s. d.)
MJ par (Tables gouvernement, s. d.)
Œufs Volaille Œufs de poule 5,84
kg

Annexe 12 : Energie contenue dans les produits végétaux vendus

Nom du produit Energie (MJ/kg) Source

Jus de pomme 1,81 (Tables gouvernement, s. d.)
Pomme 2,26 (Tables gouvernement, s. d.)
Châtaigne 7,93 (Tables gouvernement, s. d.)
Huile de colza 37 (Tables gouvernement, s. d.)
Baie 2,35 (Tables gouvernement, s. d.)
Asperge 1,11 (Tables gouvernement, s. d.)
Pomme de terre 3,25 (Tables gouvernement, s. d.)
Graines de lin 20,3 (Tables gouvernement, s. d.)
Chanvre 25 (Tables gouvernement, s. d.)
Pain 11,8 (Tables gouvernement, s. d.)
Farine 14 (Tables gouvernement, s. d.)
Blé 15,2 (Tables gouvernement, s. d.)
Ail 14 (Tables gouvernement, s. d.)
Noix 28,6 (Tables gouvernement, s. d.)
Oignon 1,64 (Tables gouvernement, s. d.)
Piment 1,88 (Tables gouvernement, s. d.)
Graine de colza 26,8 (INRA - CIRAD - AFZ, s. d.)
Sarrazin 17,1 (INRA - CIRAD - AFZ, s. d.)
Foin 6 (INRA, 2010)
Méteil 8,25 (INRA, 2010)
Maïs grain 9 (INRA - CIRAD - AFZ, s. d.)
Paille 4 (INRA, 2010)
Lentilles 13,8 (Tables gouvernement, s. d.)
Epeautre 14,3 (Tables gouvernement, s. d.)

71
Annexe 13 : Valeurs utilisées pour évaluer l’énergie dégagée par les ressources non renouvelables sur les fermes

Type Facteur Unité Source

Consommation moyenne d'un 10 L/h (Hénin, 2011)
tracteur
Consommation moyenne d'une 0,0731 L/km (« Consommation de carburant des voitures
voiture France 2004-2017 | Statistique », s. d.)
Energie dégagée par l'essence 43,8 MJ/L (Guibet, 1997)
Energie dégagée par le gazole 42,5 MJ/L (Guibet, 1997)
Energie dégagée par le gaz 56 MJ/kg (« Energie libérée par une combustion »,
s. d.)
Energie dégagée par l'électricité 3,6 MJ/kWh (« Conversion des unités d’énergie », s. d.)

Annexe 14 : Apport d’énergie nécessaire pour les animaux d’élevage

Atelier Besoin en énergie (UF/UGB) Source

Tous 3000 (Agreste - ministère de l’agriculture française, 2010)

Annexe 15 : Energie contenue dans les intrants alimentaires

Catégorie Nom de l'intrant Energie Source

(UF/kg brut)
Aliments Concentrés 1 (INRA, 2010)
complets Poudre de lait 1,15 (INRA, 2010)
Tourteaux Tourteau de soja 1 (INRA, 2010)
Méteil 0,95 (INRA, 2010)
Orge 0,94 (INRA, 2010)
Grain de soja 1,27 (INRA, 2010)
Céréales
Fibre de céréales 1 (INRA, 2010)
Maïs 1,06 (INRA, 2010)
Epeautre 0,82 (Chambre d’agriculture des Pays de la Loire, 2010)
Drèches Drèches de pdt 1 (INRA, 2010)
Autres Paille 0,4 (INRA, 2010)
Foin 0,7 (INRA, 2010)
Foin de luzerne 0,6 (INRA, 2010)
Fourrage
Luzerne 0,7 (INRA, 2010)
déshydratée

72
Annexe 16 : Matrice des corrélations

I1 I2 I3 I4 I5 I6 I8 I10 I11 I12 I13 I14 I17 I25 I26 I27 I29 I32 I34 I36 I37
I1 1,00 -0,05 -0,36 -0,31 -0,67 -0,21 -0,42 -0,31 -0,29 -0,24 0,20 0,11 -0,13 -0,19 -0,34 0,21 0,05 -0,04 0,17 0,12 -0,01
I2 -0,05 1,00 -0,28 -0,47 0,02 -0,07 0,08 -0,06 -0,09 0,09 -0,06 -0,45 0,06 0,05 -0,05 0,08 -0,03 0,18 0,70 -0,04 -0,13
I3 -0,36 -0,28 1,00 0,16 0,63 0,03 -0,12 0,68 0,77 0,27 -0,09 0,13 -0,19 0,13 0,31 -0,14 0,15 -0,09 -0,21 -0,13 -0,11
I4 -0,31 -0,47 0,16 1,00 0,11 0,21 0,30 -0,10 -0,02 -0,24 0,07 0,31 0,34 -0,08 0,22 0,13 -0,18 0,21 -0,51 -0,19 0,18
I5 -0,67 0,02 0,63 0,10 1,00 0,08 0,23 0,75 0,60 0,42 -0,04 0,00 -0,16 0,22 0,42 -0,13 -0,13 -0,13 -0,17 -0,14 -0,10
I6 -0,21 -0,07 0,03 0,21 0,08 1,00 0,25 -0,08 0,03 -0,11 0,21 0,11 0,05 0,14 0,05 0,14 -0,26 0,18 -0,15 -0,20 -0,44
I8 -0,42 0,08 -0,12 0,30 0,24 0,25 1,00 -0,09 -0,37 0,05 0,18 -0,03 0,11 0,19 -0,10 -0,10 -0,12 0,12 -0,32 -0,15 0,01
I10 -0,31 -0,06 0,68 -0,10 0,75 -0,08 -0,09 1,00 0,67 0,69 -0,03 0,11 -0,36 0,21 0,25 -0,16 -0,10 -0,32 -0,12 -0,04 -0,11
I11 -0,29 -0,09 0,77 -0,02 0,60 0,03 -0,37 0,67 1,00 0,34 -0,37 -0,09 -0,05 0,06 0,30 0,03 0,01 -0,09 -0,13 0,04 -0,13
I12 -0,24 0,09 0,27 -0,24 0,42 -0,11 0,05 0,69 0,34 1,00 -0,07 -0,04 -0,17 0,03 -0,24 -0,26 0,04 -0,26 0,05 0,14 0,09
I13 0,20 -0,06 -0,09 0,07 -0,04 0,21 0,18 -0,03 -0,37 -0,07 1,00 0,52 -0,27 0,07 0,03 0,03 0,10 0,19 0,09 0,00 -0,12
I14 0,11 -0,45 0,13 0,31 0-,01 0,11 -0,03 0,11 -0,09 -0,04 0,52 1,00 -0,09 0,12 0,15 -0,14 -0,11 0,19 -0,15 -0,22 0,01
I17 -0,13 0,06 -0,19 0,34 -0,15 0,05 0,11 -0,36 -0,05 -0,17 -0,27 -0,09 1,00 -0,35 -0,18 0,13 -0,17 0,16 -0,13 -0,36 0,01
I25 -0,19 0,05 0,13 -0,08 0,22 0,14 0,19 0,21 0,06 0,03 0,07 0,12 -0,35 1,00 0,18 0,21 0,21 0,00 0,02 0,02 -0,21
I26 -0,34 -0,05 0,31 0,22 0,42 0,05 -0,10 0,25 0,30 -0,24 0,03 0,15 -0,18 0,18 1,00 -0,07 -0,21 0,17 -0,07 -0,09 -0,22
I27 0,21 0,08 -0,14 0,13 -0,13 0,14 -0,10 -0,16 0,03 -0,26 0,03 -0,14 0,13 0,21 -0,07 1,00 0,15 0,29 0,11 -0,11 0,04
I29 0,05 -0,03 0,15 -0,18 -0,13 -0,26 -0,12 -0,10 0,01 0,04 0,10 -0,11 -0,17 0,21 -0,21 0,15 1,00 0,01 0,16 0,36 0,32
I32 -0,04 0,18 -0,09 0,21 -0,13 0,18 0,12 -0,32 -0,09 -0,26 0,19 0,19 0,16 0,00 0,17 0,29 0,01 1,00 0,22 -0,17 0,15
I34 0,17 0,70 -0,21 -0,51 -0,17 -0,15 -0,32 -0,12 -0,13 0,05 0,09 -0,15 -0,13 0,02 -0,07 0,11 0,16 0,22 1,00 -0,05 -0,05
I36 0,12 -0,04 -0,13 -0,19 -0,14 -0,20 -0,15 -0,04 0,04 0,14 0,00 -0,22 -0,36 0,02 -0,09 -0,11 0,36 -0,17 -0,05 1,00 -0,01
I37 -0,01 -0,13 -0,11 0,18 -0,11 -0,44 0,01 -0,11 -0,13 0,09 -0,12 0,01 0,01 -0,21 -0,22 0,04 0,32 0,15 -0,05 -0,01 1,00

73
Annexe 17 : Tableau d’indicateurs utilisés pour l’analyse

I2 I3 I4 I5 I8 I12 I13 I14 I17 I25 I26 I27 I29 I32 I36 I37
2,85 2,00 30,39 6,68 0,92 285,74 11818,75 4 2,74 2,5 3 4 0,22 4 1 4

3,95 1,54 7,86 36,01 0,95 1241,76 22727,27 4 1,96 3 3 4 0,00 3 2 3

5,79 0,31 5,96 5,73 0,83 285,07 3750,00 4 3,25 3 3 3 0,08 3 0 3

1,74 3,49 11,77 12,51 0,97 710,12 18300,00 3 2,75 3 2 3 0,27 3 1 3

7,12 0,94 4,24 9,44 1,00 476,61 11716,56 2 2,92 2 3 3 0,00 3 0 1

5,17 5,74 3,30 40,03 0,80 1275,08 4545,45 3 2,17 3 3 3 0,12 3 0 2

2,84 3,01 5,30 10,36 0,45 414,97 2104,09 2 3,00 2 3 4 0,18 3,5 6 3

3,61 0,32 5,64 -5,36 0,62 74,81 14347,83 3 2,67 1,5 2 3 0,05 3 3,25 3

3,64 0,36 2,28 -10,03 0,83 56,61 11037,46 3,08 2,92 2 1 4 0,11 3 0 3

4,00 0,12 8,27 -0,95 0,96 17,81 12000,00 3 2,25 2 2 3 0,10 4 3 4

2,02 0,45 8,66 -3,66 0,91 207,38 18461,54 4 2,88 2 2 3 0,08 3 2 3

4,65 0,12 3,25 -5,93 0,91 128,98 12000,00 4 3,00 3 2 4 0,00 4 0 2

14,36 0,11 3,50 1,54 1,00 135,26 4000,00 1 3,50 2 1 4 0,11 3 0 3

2,43 1,36 18,16 6,10 1,00 227,00 16744,19 4 2,75 3 2 4 0,00 4 0 2

0,67 0,98 8,72 -23,01 0,69 204,48 6000,00 3 2,63 2 2 3 0,00 3 2,5 3

11,08 0,26 2,02 1,67 0,90 753,60 11037,46 3,08 2,74 3 3 3 0,00 4 0 2,96

0,00 1,13 30,86 1,45 0,91 140,29 7500,00 3,08 3,75 2 2 4 0,00 4 0 3

5,60 0,40 2,71 -3,58 0,88 434,18 12600,00 3 2,83 3 2 4 0,29 4 3 3

10,41 0,64 2,29 3,11 1,00 2462,75 11037,46 2 2,88 2 1 3 0,14 3,40 5 3

4,03 0,54 4,53 0,09 0,90 296,70 14062,50 3 2,29 3 2 3 0,31 3 15 2

3,08 1,26 6,69 17,13 0,92 2354,63 5600,00 3,08 3,13 2 1 3 0,10 3 4,5 4

17,50 0,45 0,57 0,61 0,73 265,33 14933,33 3,08 2,74 2,41 2,14 3,41 0,14 4 0 2,96

4,17 2,32 4,36 0,19 0,99 567,14 10714,29 4 2,50 2 2 3 0,05 4 3 3

3,29 0,65 2,07 -27,62 0,68 823,17 16000,00 4 2,33 3 1 4 0,30 3 4 3

1,13 1,80 9,62 3,16 0,98 225,55 16165,27 4 3,00 2 2 3 0,30 4 0 4

2,39 1,38 1,94 3,75 0,64 1462,30 9574,47 4 2,33 2 2 3 0,10 3 2,5 3

3,96 0,36 9,00 3,12 0,94 444,52 4029,85 2 2,42 3 2 3 0,02 3 5 3

4,92 0,57 2,71 2,38 0,99 466,34 1800,00 1 2,29 3 2 4 0,26 3 3 4

0,00 1,13 24,04 3,34 1,00 256,35 12000,00 4 3,00 2 3 3 0,04 3 2 3

9,54 0,19 1,38 -8,08 0,78 256,37 14516,13 2 2,50 2 3 4 0,15 4 7 3

0,00 1,13 1,91 -0,16 0,69 565,03 11037,46 3,08 2,74 2,41 2,14 3,41 0,20 3,40 0 2,96

74
Annexe 18 : Distribution des variables utilisées pour l’analyse

(1) Boxplots

75
(2) Histogrammes

76
Annexe 19 : Tableau de contribution des variables pour former les composantes (en %)

Dim.1 Dim.2 Dim.3 Dim.4 Dim.5 Dim.6 Dim.7 Dim.8

I2 7,19 1,33 5,93 23,77 0,02 3,23 10,66 1,43
I3 18,86 5,03 0,49 1,90 7,58 2,94 2,48 2,39
I4 8,66 16,17 0,03 5,44 4,07 0,06 8,23 3,62
I5 19,42 6,07 7,14 0,63 4,84 1,69 0,53 0,57
I8 1,52 1,61 1,54 1,77 0,48 42,54 14,83 6,16
I12 0,59 15,52 1,76 3,92 0,28 15,16 5,66 3,16
I13 2,65 1,38 19,81 2,62 8,74 9,51 2,52 0,13
I14 11,86 4,74 11,97 1,66 7,29 0,88 4,10 5,76
I17 1,83 14,38 14,44 1,87 1,22 0,07 0,26 3,47
I25 3,62 2,69 4,62 17,76 4,27 0,71 12,77 5,91
I26 15,02 0,05 0,31 6,39 0,01 15,97 0,81 19,05
I27 1,51 4,53 1,56 9,03 18,78 2,39 1,12 13,16
I29 2,14 3,58 17,96 0,51 20,04 0,04 0,05 0,04
I32 0,03 12,50 1,56 7,88 4,64 0,40 19,77 6,85
I36 3,36 9,47 8,74 0,84 0,10 0,72 7,93 22,42
I37 1,73 0,95 2,14 14,02 17,65 3,68 8,27 5,87

77
Annexe 20 : Représentation des individus classés par groupe sur les 3 axes

78
Annexe 21 : Représentation des individus sur les 3 axes en fonction de leur production (R-R : Ruminant-Ruminant (orange), R-M :
Ruminant-Monogastrique (violet))

79
Annexe 22 : Représentation des individus sur les 3 axes en fonction de leur localisation (C : INRA Clermont-Ferrand (orange), M :
INRA de Montpellier (violet), T : INRA de Toulouse (vert))

80