Analyse Multidimensionnelle Des Déterminants De La Production Forestiere Au Sein De La Société Fanalamanga

Lantonirina Harry Liva ANDRIAMANIRAKA, Rakotomangarivelo FARAALINORO, Vivia Claudette MIRANA

Abstract


Cette étude propose une analyse multidimensionnelle des déterminants de la production forestière au sein de la société FANALAMANGA, spécialisée dans la gestion des plantations de pins à Madagascar. L’objectif est d’identifier les facteurs structuraux, environnementaux et dendrométriques influençant la productivité des parcelles. Une approche intégrée combinant la régression linéaire (OLS), l’analyse en composantes principales (ACP), le clustering et l’analyse des corrélations a été mobilisée. Les résultats révèlent une très forte relation entre la superficie et la production (r = 0,96), confirmée par un modèle OLS performant (R² = 0,966 ; R² ajusté = 0,955). La production est également fortement corrélée à l’exploitation (r = 0,99), traduisant une relation quasi proportionnelle. L’ACP montre que les deux premiers axes expliquent 66,6 % de la variance totale (39,1 % pour PC1 et 27,5 % pour PC2), mettant en évidence un gradient de production lié à la superficie et un gradient structurel associé à la densité. Le clustering identifie trois groupes de parcelles, allant de faibles productions inférieures à 3500 m³ à des niveaux élevés dépassant 6500 m³. Par ailleurs, le risque de feu présente une corrélation négative modérée avec la production (r = -0,56). Ces résultats contribuent à une meilleure compréhension des mécanismes de production et à l’optimisation de la gestion durable des plantations.

Keywords


Production forestière ; ACP ; Régression OLS ; Clustering ; FANALAMANGA

Full Text:

PDF

References


Evans, J. & Turnbull, J.W. (2004). Plantation Forestry in the Tropics. Oxford University Press.

FAO (2015). Global Forest Resources Assessment 2015. Food and Agriculture Organization of the United Nations.

Jolliffe, I.T. (2002). Principal Component Analysis. Springer.

Kaufman, L. & Rousseeuw, P.J. (2005). Finding Groups in Data: An Introduction to Cluster Analysis. Wiley.

Hair, J.F., Black, W.C., Babin, B.J. & Anderson, R.E. (2010). Multivariate Data Analysis. Pearson.

Vanclay, J.K. (1994). Modelling Forest Growth and Yield. CAB International.

Pretzsch, H. (2009). Forest Dynamics, Growth and Yield. Springer.

Anaconda Inc. (2020). Anaconda Software Distribution. DOI: https://doi.org/10.5281/zenodo.3632056

Kluyver, T. et al. (2016). Jupyter Notebooks – a publishing format for reproducible computational workflows. DOI: https://doi.org/10.3233/978-1-61499-649-1-87

McKinney, W. (2010). Data Structures for Statistical Computing in Python. DOI: https://doi.org/10.25080/Majora-92bf1922-00a

Harris, C.R. et al. (2020). Array programming with NumPy. DOI: https://doi.org/10.1038/s41586-020-2649-2

Waskom, M.L. (2021). Seaborn: statistical data visualization. DOI: https://doi.org/10.21105/joss.03021

Seabold, S. & Perktold, J. (2010). Statsmodels: Econometric and statistical modeling with Python. DOI: https://doi.org/10.25080/Majora-92bf1922-011

Pedregosa, F. et al. (2011). Scikit-learn: Machine Learning in Python. DOI: https://doi.org/10.5555/1953048.2078195

Richards, F.J. (1959). A flexible growth function for empirical use. DOI: https://doi.org/10.1093/jxb/10.2.290




DOI: http://dx.doi.org/10.52155/ijpsat.v58.2.8156

Refbacks

  • There are currently no refbacks.


Copyright (c) 2026 ANDRIAMANIRAKA Harry Liva

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.