Les Performances de L'education en Afrique Francophone: Une Analyse Multiniveau
Les Performances de L'education en Afrique Francophone: Une Analyse Multiniveau
Les Performances de L'education en Afrique Francophone: Une Analyse Multiniveau
Résumé
Depuis l’adoption des objectifs de l’Education pour Tous et les objectifs du millénaire
en 2000, des efforts remarquables ont été enregistrés en termes d’accès dans la plupart des
pays pauvres, notamment les pays de la CONFEMEN3. Toutefois, ces pays rencontrent
davantage de difficultés sur le plan de la qualité de l’éducation. Si la qualité d’une école se
réfère à son équipement et sa capacité à transmettre un certain nombre de connaissances, la
qualité de l’éducation peut se mesurer aux acquisitions scolaires des élèves quantifiables à
partir de leurs scores. Partant de là, cette étude propose une analyse comparative des
déterminants des acquisitions scolaires des élèves du CM1 de six pays de l’Afrique l’ouest
francophone ; Bénin, Burkina-Faso, Côte d’Ivoire, Guinée, Mauritanie et le Sénégal. Nous
nous basons sur les données issues des enquêtes de PASEC4 entre 2004 et 2010. Pour tenter
de comprendre la performance de l’éducation en Afrique subsaharienne cette étude propose
d’abord, d’estimer les sources de variabilités intra-individuelles et interindividuels à l’aide de
la corrélation interclasse, ensuite de déterminer la présence d’effets aléatoires et enfin de
quantifier les effets fixes. A cet égard, le modèle multiniveau est particulièrement adapté à ce
type d’analyse dont les données présentent des structures complexes qui incluent différents
niveaux de découpage.
1
LEAD, Université du Sud Toulon-Var. [email protected]
2
Docteur, membre du LEAD Université de Toulon, Enseignant à l’Université Catholique de l’Afrique de l’Ouest
(UCAO- Abidjan)[email protected]
3
CONFEMEN : La Conférence des ministres de l'Education des pays ayant le français en partage. Créée en 1960, elle
regroupe 44 pays membre de l’Organisation internationale de la Francophonie.
4
Le PASEC est un programme d’analyse des systèmes éducatifs de la CONFEMEN.
195
Revue CREMA ISSN: 2351-7735 N° 8 / 2020
1. Introduction
L’éducation s’est imposée au premier plan des politiques publiques sous l’effet
conjugué d’un ensemble de facteurs notamment la nature des économies et des sociétés du
savoir, les compétences exigées par les entreprises, l’ubiquité des nouvelles technologies de
l’information et de la communication etc. Et depuis 2000, un des Objectifs du Millénaire pour
le Développement (OMD) sera d’atteindre l’éducation pour tous à 2015.
Si des progrès importants ont été effectués à ce niveau surtout en termes d’accès, les
pays d’Afrique francophone rencontrent davantage de difficultés en termes de qualité et
d’équité de l’éducation. Cette situation s’amplifie face à une forte augmentation et à une
diversification de la demande éducative dans ces pays. C’est en sens que le forum mondial sur
l’éducation, tenu en avril 2000 à Dakar, a fait de la qualité de l’éducation une préoccupation
majeure. Il engage les nations à assurer un enseignement primaire «de qualité ». Cette option
éducative vise à atteindre des résultats d’apprentissage spécifiquement dans les domaines de
la lecture, l’écriture, le calcul et les compétences indispensables dans la vie courante (Unesco,
2005).Toutefois, une politique qualitative de l’éducation passe impérativement par
l’identification, la compréhension et l’analyse des variables qui conditionnent la réussite
scolaire ; éléments essentiels à toute démarche qui entend privilégier l’axe accès - succès. En
ce sens, l’abondance des travaux consacrés à leur identification découle historiquement d’un
intérêt récurrent pour le champ de l’éducation à cause de son impact sur le devenir social5. Si
la qualité d’une école se réfère à son équipement et sa capacité à transmettre un certain
nombre de connaissances, la qualité de l’éducation peut se mesurer aux acquisitions scolaires
des élèves quantifiables à partir de leurs scores.
Il est évident que la multiplicité des facteurs recensés s’explique par la diversité des
contextes (politique, éducatif, affectif, etc.) et des réalités socio-économiques. Par ailleurs,
certains chercheurs attribuent la performance scolaire à des caractéristiques intrinsèque à
l’élève lui-même, et d’autres l’attribuent à l’environnement familial et auxcaractéristiquesde
l’établissement.
C’est dans cette perspective que, cette étude offre une analyse comparative déterminants
pédagogiques supposésinfluencer la réussite scolaire des élèves du CM1 de six pays de
l’Afrique de l’ouest francophone ; Bénin, Burkina-Faso, Côte d’Ivoire, Guinée, Mauritanie et
le Sénégal. Ce choix est dû à une appartenance d’une zone géographique plus ou moins
homogène en termes de pratiques culturelles et de l’organisation administrative. C’est un
ensemble de pays ayant des niveaux de développement très différents. Un des points
communs entre ces pays est qu’ils sont tous des pays en développement et qu’ils n’ont pas
encore atteint les objectifs d’éducation pour tous. D’autres critères majeurs ont également
guidé le choix de l’échantillon, à savoir la disponibilité des données et les langues
d’enseignement. Pour tenter de comprendre la performance de l’éducation en Afrique
subsaharienne à travers ces différents pays.Cette étude propose d’abord, d’estimer les sources
5
Depuis les années soixante et le mouvement des droits civiques aux États-Unis, jusqu’au récent développement des zones
d’éducation prioritaire, les ZEP, en France, en passant par la mise sur pied des projets PASS et DEMAPAM ainsi que de
l’Opération Renouveau et du Programme de soutien à l’école montréalaise, au Québecont été consacrés à leur identification
(PLURI – GREASS, 2003).
196
Revue CREMA ISSN: 2351-7735 N° 8 / 2020
de variabilités intra-individuelles et inter-individuelles à l’aide de la corrélation interclasse
dans l’ensemble et pour chaque pays pris séparément. Cette démarche peut permettre de
déterminer les caractéristiques majeures à attribuer aux performances scolaires en Afrique
francophone.Ensuite ce travail propose de déterminer la présence d’effets aléatoires
(observation de la variabilité inter-individuelle)et enfin, de quantifier les effets
fixes(permettant d’estimer l’effet des différentes caractéristiques sur la performance),
autrement mesurer la part de variation résiduelle due à la variation entre les groupes. A cet
égard, le modèle multiniveau est particulièrement adapté à ce type d’analyse dont les données
présentent des structures complexes qui incluent différents niveaux de découpage.
La section deux est une revue des travaux sur les performances scolaires. La section
trois présente le modèle multiniveau en mettant en évidence les sources de données les
variables choisie et la spécification du modèle. La section quatre est une analyse comparative
des facteurs déterminants des performances scolaires des six pays.
Dans le contexte des pays développés le rapport de l’OCDE montre que dans
l’ensemble des pays memebres, la possession de divers biens matériels notamment bureau,
ordinateur, dictionnaire…, est corrélée positivement et significativement au rendement
scolaire (OCDE, 2001). Alors que dans le contexte des pays pauvres, des travaux réalisés ont
montré que d’autres facteurs scolaires exercent une influence positive sur les performances
scolaires. Heyneman (1986) cité par Duru-Bellat et al. (2004) met l’accent sur l’importance
du contexte scolaire dans les pays en développement. Ces études ont permis de conclure que «
plus un pays est pauvre, plus la qualité scolaire déterminait le rendement » (Heyneman, 1986).
Le rapport de l’IEA et les travaux de Duru-Bellat et Mingat, (1988) conclut également de la
forte influence de l’école sur les performances scolaires, sans pour autant négliger les
caractéristiques individuelles de l’élève. Selon eux la progression des élèves résulte aussi du
type des collèges indépendamment de leur taille ou de leur localisation géographique, qu'ils
soient favorisés ou défavorisés.
Si ces résultats sont beaucoup plus pertinents dans le contexte des pays industrialisés, ils
restent non concluants dans le contexte des pays pauvre à cause de certaines difficultés
relatives aux effectifs pléthoriques des élèves dans les classes, et l’absentéisme fréquent des
enseignants. D’ailleurs,à des politiques éducatives identiques sur plusieurs pays, les effets
obtenus sont différents, dépendamment de l'établissement. Cette différence peut venir du
contexte, familial et scolaire et du climat de l'établissement qui exerce une influence sur la
performance (Bressoux, 1995 et Cousin, 1998). Egalement, dans ce pactole de facteurs se
trouve le l’équipe pédagogique de l’établissement, c'est-à-dire le corps d'enseignants qui est
tributaire de son statut (âge, sexe, histoire, origine sociale, personnalité, rattachement
politique, etc.) et son environnement. Les performances des élèves varient d'un enseignant à
l'autre ou d'un groupe d'enseignants à un autre. Ces différences de performance semblent
s'expliquer par la différence des niveaux de qualification de l'enseignant, la méthode
pédagogique appliquée et ses expériences. La qualification de l'enseignant reflète sa formation
académique tant au niveau disciplinaire qu'au niveau pédagogique (Paul 2010).
3. Approche économétrique
Les modèles multiniveaux appelés également modèles hiérarchiques linéaires, sont une
extension de la régression multiple ordinaire (Paterson, Goldstein, 1991). Ces modèles sont
198
Revue CREMA ISSN: 2351-7735 N° 8 / 2020
particulièrement bien adaptés à l’analyse de données présentant des structures complexes qui
incluent différents niveaux de découpage (Bressoux, 2010). L’intérêt de l’utilisation des
modèles multiniveau est de faciliter l’étude simultanée d’au moins deux niveaux d’analyse
((Klein, Tosi et Cannella, 1999). Dans le cas spécifique l’analyse multiniveau permet
d’estimer les sources de variabilités intra-individuelle et inter-individuels à l’aide de la
corrélation interclasse, de déterminer la présence d’effets aléatoires et de quantifier les effets
fixes (Gauvin et Dassa, 2004). En comparant la variance de niveau groupe avant et après
introduction des caractéristiques individuelles, ils permettent de quantifier la part que
représentent les effets de décomposition de la variance dans la variabilité intra-groupes.
L’analyse multiniveau permet également d’identifier si les variations intra-groupes repérées
concernent l’ensemble des individus des groupes, ou certaines personnes aux profils
particuliers. Elle est très utile dans l’explication cette variabilité intra-groupe par les
caractéristiques contextuelles incluses dans le modèle. La méthode intègre un ensemble de
techniques statistiques qui s’inscrit dans le cadre de la généralisation du modèle linéaire et qui
permet le traitement de données structurées hiérarchiquement (Bryk et Raudenbush, 1992). Le
modèle d’analyse de la variance est totalement inconditionnel en ce sens qu’aucune variable
explicative n’y est intégrée d’où son nom, « modèle vide » Le modèle multi-niveau simple
peut être décrit de la façon suivante :
Soit (2)
avec est l’indice de l’individu i dans le groupe j de taille . Où représente la
moyenne générale de Y, en supposant que : et
De là, deux types d’effet sont estimés, un effet fixe où le représente la moyenne
générale de Y et un effet aléatoire composé des deux termes d’erreurs et . La
décomposition de la variance en effets aléatoires qui est aussi le coefficient de corrélation
intra-classe permet d’estimer la part de variance intergroupe par rapport à la variance totale
par la formule suivante Il représente également le degré de ressemblance des
individus au sein d’un même groupe et correspond à l’ensemble des corrélations que l’on peut
obtenir entre des individus appartenant à un même groupe.
et (3)
6
est la variable expliquée associée à l’individu i du groupe j, est la variable explicative associée à l’individu i du
groupe j, est la constante (la valeur de y quand x est nulle), est la pente de la droite de régression de y sur x, et
représente une erreur aléatoire pour chaque individu i du groupe j de moyenne nulle et de variance .
199
Revue CREMA ISSN: 2351-7735 N° 8 / 2020
Soit : (4)
et (5)
Soit : (6)
On remarque également que le terme aléatoire est lié à , ce qui signifie que le
terme d’erreur peut varier en fonction de , communément appelé dans un modèle classique
de l’hétéroscédasticité. Il ne s’agit pas d’un phénomène qui parasite l’estimation, mais qui
modélise l’hétéroscédasticité dans le cas d’un modèle multiniveau (Bressoux, 2000).
Les variables explicatives à tous les niveaux sont observées sans erreur donc
indépendantes des écarts aléatoires (hypothèse d’éxogénéité) :
( ) ( ) et ( ) ( )
7
Les perturbations de niveau école par exemple sont indépendantes d’une école à l’autre alors ( )
( )
8
Hox Joop, (2002). Multilevel Analysis Techniques And Applications, Lawrence Erlbaum Associates, Publishers, Mahwah,
Newjersey
200
Revue CREMA ISSN: 2351-7735 N° 8 / 2020
Les données utilisées dans ce travail sont issues des enquêtes programme d’analyse des
systèmes éducatifs de la CONFEMEN(PASEC) entre 2004 et 2010 présentée en coupe
instantanée. Les enquêtes issues du PASEC concernent principalement les pays francophones
d’Afrique subsaharienne (dont le Burkina Faso, le Benin, la Cote d’ivoire, la Guinée, la
Mauritanie et le Sénégal). Cette base de données comprend les performances scolaires au
primaire en mathématiques, en français et pour certains pays les langues nationales, ainsi que
les conditions socio-économiques et scolaire de chaque élève. Entre 2000 et 2500 élèves, ainsi
que leurs professeurs et directeurs dans une centaine d’écoles, ont été questionnées dans
chacun des pays selon la période d’enquêtes entre 2004 et 2010.
Sur la base des informations de PASEC et des travaux réalisés sur les déterminants de la
performance scolaire (section 2), une série de variable relatives à l’individu, à la famille et
l’établissement a été retenue. Ceci étant, hormis les variables traditionnelles
utilisées,notamment les caractéristiques de l’élève (les scores, le sexe, âge, nombre de
redoublement, le matériel pédagogique, l’alphabétisation des parents, les conditions socio-
économiques), les caractéristiques de l’enseignant, (lesexe, l’âge,l’ancienneté et le niveau
d’étude), et celles de l’établissement (l’équipement de l’école, le type d’école,la localisation
géographique de l’école, et la taille de la classe), deux variables qui ne sont pas encore pris en
compte dans la compréhension des performances scolaires ont été ajoutées ;les pré-requis
etInspections des enseignants.
201
Revue CREMA ISSN: 2351-7735 N° 8 / 2020
∑ ∑ (7)
Niveau 1 :
Niveau 2:
202
Revue CREMA ISSN: 2351-7735 N° 8 / 2020
Les performances de l’éducation peuvent être expliquées à la fois par les différences
entre les établissements (variabilité intergroupe) et entre les élèves d’un même
établissement(variabilité intra-groupe).Le modèle vide, premier modèle, dit aussi de
décomposition de la variance, sans variable explicative est utilisé à cet égard pour évaluer la
part de variance relative imputable aux élèves et aux établissements (tableau 2).
Les résultats obtenus du modèle vide (ou analyse de la variance), montrent que
globalement, les performances de l’éducation sont expliquées en majorité par la variabilité
interindividuelle (52%). Les élèves sont donc hétérogènes en termes de performances d’une
école à une autre. Cependant ces résultats cachent des disparités entre les pays. Si la
variabilité intergroupe reste l’explication dominante des performances de l’éducation au
Benin, en Guinée et en Mauritanie, ces performances sont imputables par la variabilité intra-
groupe pour le Burkina-Faso, la Cote d’Ivoire et le Sénégal. Ce constat se diffère
sensiblement selon les matières (françaises ou mathématiques).Les résultats obtenus de la
variance intra-groupe montrent aussi que les caractéristiques personnelles et socio-
économiques des élèves contribuent à l’explication des différences de performances scolaires
entre les élèves.
Le modèle vide indique que les différences de progressions entre élèves s’expliquent à
hauteur de 52% par des différences interclasses, ou en d’autres termes par des effets-
établissement quel que soit la matière. Les 48% restants s’expliquent par des différences entre
élèves à l’intérieur d’un même établissement. Finalement, les performances sont imputables à
chacun des deux niveaux à degrés variables, ce qui présente un intérêt justifiant l’approche
multi-niveaux de l’analyse.
Tableau 2 : Répartition de la variabilité des scores par pays entre effets établissement et effets élèves
Pays Matières Etablissement* Elèves* Déviance
Français 45% 55% 14086
Burkina Faso
Mathématiques 44% 56% 13508
Français 60% 40% 11114
Benin
Mathématiques 60% 40% 11034
Français 44% 56% 12462
Cote d’Ivoire
Mathématiques 40% 60% 11194
Français 62% 38% 13736
Guinée
Mathématiques 60% 40% 13052
Français 52% 48% 8552
Mauritanie
Mathématiques 59% 41% 8808
Français 44% 56% 12048
Sénégal
Mathématiques 44% 56% 11804
Français 52% 48% 78916
Ensemble
Mathématiques 52% 48% 76392
Sources : nos estimations sur la base des données de PASEC entre 2004 – 2010.
Pour examiner le rôle des variables individuelles dans l’explication des différences de
performances entre élèves, nous ferons recours au modèle niveau 1.L’analyse se fera suivant
la décomposition de la performance en (i) effets fixes ; qui traduisent l’impact spécifique de
203
Revue CREMA ISSN: 2351-7735 N° 8 / 2020
chaque variable explicative sur la performance de l’élève en français ou en mathématiques,
(ii) en effets aléatoires, permettant de décomposer la variance globale du phénomène, et
donnant pour chaque niveau, individuel et contextuel, un coefficient aléatoire représentant la
part de variance résiduelle (c’est-à-dire non expliquée par le modèle) qui lui est attachée ; (iii)
les parts de variance expliquée à chacun des niveaux, qui sont un indicateur de la pertinence
globale du modèle testé.
9
Voir Hijri (1993) ; Suchaut (2006).
204
Revue CREMA ISSN: 2351-7735 N° 8 / 2020
femme « le rôle de femme au foyer », d’où la pratique à bas âge des travaux domestiques
(Boninin, 1995). Ce résultat corrobore à ceux trouvés dans les travaux effectués dans des pays
en développement (Jarousse et Mingat ; 1989, Diambomba et al., 1995 et Suchaut ; 2006).
Egalement les pré-requis de l’élève ont une influence majeure sur sa performance scolaire
(Figure 1. b)ainsi que la disposition de matériels pédagogiques (Figure 1. c).
10
Voir les résultats détaillés (tableau 3 et 4)
205
Revue CREMA ISSN: 2351-7735 N° 8 / 2020
Les résultats obtenus sont conformes à la littérature (notamment Mingat, 1991), avec
une influence très forte du score initial de l’élève (figure 2), et ceci, quel que soit le pays. Des
similitudes sont également observées sur un certain nombre de variables dans les pays. Même
si globalement cette corrélation positive est observée (Annexe 2), les estimations par pays
donnent des résultats plutôt surprenants. Seul le Sénégal enregistre une amélioration dans la
politique de scolarisation des filles.
La disposition de matériel n’a pas d’influence sur les performances scolaires en français
en Côte d’Ivoire et en Guinée (Tableau 3). Cette variable reste également non significative sur
les performances des élèves sénégalais en mathématiques. Les résultats montrent également le
rôle essentiel des acquis de l’élève avant son entrée à l’école primaire dans les deux matières
surtout en Guinée, Mauritanie et Sénégal. Dans ces trois pays l’école coranique y est très
présente. Etant des pays pauvres l’école maternelle, généralement privée, n’est pas à la portée
de tous les ménages d’une part et d’autre part la religion occupe une place importante. En
Mauritanie par exemple l’école coranique est obligatoire à tout enfant avant d’entrée à l’école
primaire. La détention de matériel pédagogique n’a pas d’impact sur les performances des
élèves en Côte d’Ivoire (pays le moins pauvre des six) et en Guinée (pays le plus pauvre des
six : absence manifeste de matériels pédagogiques) respectivement 23,8% et 43,3%11.
C’est sans doute une évidence d’avancer qu’une bonne politique éducative, dans ces
pays, doit passer par une sensibilisation des parents à la nécessité de soutenir la scolarisation
des filles, à encourager la scolarisation des enfants en bas âges, à investir d’avantage dans
l’éducation de leurs enfants. Par ailleurs, les performances scolaires ne se réduisent pas aux
seuls critères individuels, les caractéristiques de l’établissement sont d’une grande
importance. La qualité de l’enseignement dans les classes constitue le facteur de premier plan
lié à l’école qui garantit la réussite des élèves (Greenwalls et al., 1996 ; Dickerson et al.,
2015). Il est alors intéressant dans la section qui suit de focaliser notre analyse sur le contexte
environnemental de l’élève, notamment sur les caractéristiques de l’établissement.
4.3 Impact des caractéristiques de l’établissement sur les performances des élèves
11
Population vivant sous un seuil de pauvreté de 1,25 USD par jour en 2012 (http://hdrstats.undp.org/fr/indicateurs/38906.html)
206
Revue CREMA ISSN: 2351-7735 N° 8 / 2020
chaque introduction de nouvelles variables entraine une diminution de la variabilité inter-
groupes (entre établissement) et une augmentation de la variabilité intra-groupe (entre élève).
Globalement, les élèves urbains restent plus performants que ceux ruraux (Figure 3.a).
Contre toutes nos attentes, les caractéristiques de l’enseignant notamment le sexe,
l’ancienneté et le niveau d’étude sont non significatif sur l’ensemble (annexe 3). En effet, les
résultats obtenus révèlent qu’il est erroné de penser que l’expérience des enseignants de même
que leur âge pourraient être un critère de différentiation sur les performances scolaires. Il est
fort remarquable qu’un tiers des enseignants dans certains pays africains sont soit sans
qualification, soit sans formation pédagogique pour faire face aux demandes de la population
d’âge scolaire de plus en plus croissante (Brown, 2003). Egalement, les écoles privées sont les
plus performantes que celles publics (Figure 3.b). Elles disposent de plus d’équipements et
d’enseignants qualifiés. Les élèves issus des classes moins pléthoriques enregistrent de
meilleurs résultats (Figure 3. c).
Sources : nos estimations sur la base des données de PASEC entre 2004 – 2010.
Toutefois une estimation par pays révèle un effet différent de certaines caractéristiques
sur la performance (Tableaux 3 et 4). Au Benin le sexe de l’enseignant a un impact négatif sur
la performance en français, contrairement à la Côte d’ivoire. L’influence des variables citées
précédemment sur la performance des élèves en mathématiques est pratiquement identique de
celles en français sur l’ensemble des pays. C’est qu’en Côte d’ivoire que les caractéristiques
de l’enseignant (âge, genre et l’ancienneté) sont statistiquement significatives. Les
établissements sont aussi hétérogènes en termes de performances scolaires. En français par
exemple, les élèves guinéens sont plus hétérogènes (33%) et en mathématique, ce sont ceux
du Bénin avec 22% (Annexe 3). L’inspection des cours est un déterminant de la performance
de l’élève dans tous les pays excepté le Burkina Faso et la Mauritanie.
207
Revue CREMA ISSN: 2351-7735 N° 8 / 2020
Tableau 3 : Estimation des paramètres individuels sur les acquis scolaires en français par pays.
Variables Burkina Benin Cote d’ivoire Guinée Mauritanie Sénégal
Modèle1 Modèle 2 Modèle1 Modèle2 Modèle1 Modèle2 Modèle1 Modèle2 Modèle1 Modèle2 Modèle1
Effets fixes
Constant 18.47*** 19.06*** 13.98*** 13.11*** 17.53*** 3.872* 12.15*** 12.03* 8.268*** 13.97*** 9.561*** 11
Niveau 1
SCORE_I 0.638*** 0.633*** 0.533*** 0.520*** 0.633*** 0.632*** 0.543*** 0.544*** 0.337*** 0.330*** 0.695*** 0.7
SEXE_E -0.889*** -0.906*** -0.94*** -0.448** -0.444* 0.0466 -1.197*** -1.125*** -0.0696* 0.0616 0.0788 -0
AGE_E -0.425*** -0.378*** -0.27*** -0.223*** -0.431*** -0.207*** -0.154* -0.144* -0.214*** -0.248*** -0.406*** -0.5
P_REQUIS 0.608 0.101 0.232 -0.289 1.345*** 1.146*** 0.451** 0.506** -0.300 -0.412 -0.190 -0
REDOU -1.322*** -1.273*** -1.18*** -0.760*** -1.571*** -0.661** -0.791** -0.696** -0.671* -0.897** -1.016** -1.3
EPPEL 0.961** 1.007*** 1.161** (0.350) -0.167 0.0263 -0.0292 0.702*** 0.464* 0.513* 0.539** 0.8
ALPHA_P 1.586*** 1.401*** 1.537*** 1.007** 2.242*** 0.725** 0.661** 0.654* 0.00199 -0.153 0.214 0
CON_SE 1.743*** 1.363*** 0.592* 0.136 0.803** -0.0134 0.884** 0.0187 0.893*** 1.070*** 0.838*** 0.9
Niveau 2
SEXE-ENS 0.586 -2.204* 1.308** -0.911 -1.493 -0
AGE_ENS -0.000818 0.0917 0.0819** -0.162* -0.0540 0
ANC-ENS -0.121 -0.125 -0.0542** 0.0369 0.0798 -0
EPPEC 2.204* -0.707 1.466*** -0.604 -1.196 0.5
TYPE_EC -3.169*** -5.064*** -0.165 3.194 -4.348** 1.7
NIV_ENS 0.996 -0.513 0.143 -0.0784 -0.0888 0
MIL_EC -2.559*** -0.436 -3.695* -0.256 0.969 -0
INSP_C 0.179 0.374 0.204 -0.254 1.556* -0
T_CLASS 0.0053** -0.00309 -0.00246 0.000258 -0.0102 -0.0
Effets aléatoires
9.766 8.293 16.741 13.621 4.8596 4.407 30.356 31.524 13.809 14.077 6.436
Variances inter
(1.287) (1.212) (2.221) (1.932) (0 .766) (0.728) (3.551) (3.936) (1.990) (2.378) (0 .950)
19.694 20.016 16.046 16.038 16.436 16.362 18.094 18.441 13.521 13.734 16.141
Variances intra
(0.630) (0.675) (0 .573) (0.580) (0 .578) (0.582) (0 .590) (0.621) (0.545) (0.618) (0 .560)
Part de la variance inter 33% 30% 51% 46% 23% 21% 62% 63% 51% 51% 28%
Part de la variance intra 67% 70% 49% 54% 77% 79% 38% 37% 49% 49% 72%
Déviance 12668 11396 9992 9680 10202 9928 12234 11504 7658 6172 10476
Observations 2122 1907 1715 1,667 1751 1724 2052 1,918 1353 1,089 1737
Nbre de grpes 158 143 139 132 142 136 162 151 118 95 143
(..) Erreurs standard ***significatif à 1%, ** significatif à 5%, * significatif à 10%
208
Revue CREMA ISSN: 2351-7735 N° 8 / 2020
Tableau 4 : Estimation des paramètres individuels sur les acquis scolaires en mathématiques par pays.
Variables Burkina Benin Cote d’ivoire Guinée Mauritanie Sénégal
Modèle1 Modèle
Modèle1 Modèle2 Modèle1 Modèle2 Modèle1 Modèle2 Modèle1 Modèle2 Modèle1 Modèle2
2
Effets fixes
Constant 13.81*** 12.84*** 14.40*** 6.803** 9.907*** 0.973* 15.32*** 11.04** 12.21*** 14.41*** 9.903*** 6.682
Niveau 1
SCORE_I 0.576*** 0.577*** 0.435*** 0.427*** 0.415*** 0.407*** 0.377*** 0.383*** 0.443*** 0.419*** 0.555*** 0.597***
SEXE_E -0.670*** -0.713*** -1.418*** -0.734*** -0.631*** -0.0265 -1.067*** -0.440** -0.782*** -0.428* -0.720*** -0.521**
AGE_E -0.0886 -0.0262 -0.0848 -0.0979 0.0471 0.0639 0.0360 0.000242 -0.210*** -0.256*** -0.210** -0.228**
P_REQUIS 0.119 0.0736 0.0723 0.113 0.432* 0.0473 -0.0221 0.189 -0.672 0.990** -0.0142 0.0298
REDOU -0.940*** -1.009*** -0.796*** -0.706** -0.444* -0.491* -0.796*** -0.598* -0.500* -0.465* -1.310*** -0.980**
EPPEL 1.069*** 0.627** 0.536* 0.590* 0.456 0.0400 -0.405 0.531** 1.579** 0.115 0.0519 0.788**
ALPHA_P 1.212*** 1.336*** 0.652*** 0.656*** 0.363* -0.323 0.905*** 0.666** 0.513* -1.166* 0.203 0.549
CON_SE 0.769* 0.490 0.592* 0.322* 0.737*** 0.199 -0.0522 0.112 1.189*** 0.700** 0.639* -0.0767
Niveau 2
SEXE-ENS 0.175 -0.737 1.250** -1.385 -1.551 -0.291
AGE_ENS 0.00736 0.119 0.118*** -0.202*** -0.0475 0.0357
ANC-ENS -0.0262 -0.126 -0.0945** 0.124 0.0573 -0.0340
EPPEC 1.477 0.857 1.068** 0.818 0.446 0.132
TYPE_EC -2.674** -4.721*** 1.151** 7.002* -3.723** 0.973*
NIV_ENS 2.232 -0.258 -0.00301 -0.274 -0.312 0.353
MIL_EC -1.472* -0.133 -3.162*** 0.945 0.961 -0.0708
INSP_C 0.513** 0.495 0.946* -0.975 1.774* -0.931
T_CLASS 0.00204 -0.00288 -0.00160 5.09e-05 -0.00712 -0.00154*
Effets aléatoires
8.936 7.682 17.880 17.880 3.708 3.247 21.301 20.810 19.398 17.856 8.306 8.126
Variances inter
(1.174) (1.089) (2.363) (2.467) (0.572) (0.530) (2.519) (2.680) (2.737) (2.874) (1.181) (1.359)
23.147 14.340 15.732 15.225 11.102 10.809 14.718 14.755 13.556 13.567 16.76 16.740
Variances intra
(0.713) (0.484) (0.561) (0.550) (0 .390) (0.384) (0.478) (0.502) (0 .545) (0.589) (0.583) (0 .655)
Part de la variance inter 28% 35% 53% 54% 25% 23% 59% 58% 58% 56% 33% 32%
Part de la variance intra 72% 65% 47% 46% 75% 77% 41% 42% 42% 44% 67% 68%
Déviance 14016 10784 10020 9656 9540 9246 11870 10822 7736 6640 10524 8306
Observations 2291 1905 1724 1671 1773 1727 2060 1878 1360 1,17 1810 1428
Nbre de grpes 174 143 139 132 142 136 162 147 118 101 143 111
209
Revue CREMA ISSN: 2351-7735 N° 8 / 2020
(..) Erreurs standard ***significatif à 1%, ** significatif à 5%, * significatif à 1
210
Revue CREMA ISSN: 2351-7735 N° 8 / 2020
Conclusion
Cette étude de l’analyse multiniveau des facteurs de performances scolaires des élèves de 5ème
primaire sur la base des données de PASEC a visé un triple objectif.
Toutefois, l’impact des différentes caractéristiques sur les performances scolaires des élèves
diffèrent d’un pays à un autre. Une politique commune des pays de l’Afrique de l’ouest semble être
inefficiente. Certes, des politiques d’équité entre fille et garçon, de renforcement des équipements
pédagogiques et des enseignants peuvent être commune à tous les pays mais les organisations
internationales ainsi que les gouvernements devraient encourager une politique sectorielle adaptée à
chaque pays. C’est le cas l’inspections des cours en Guinée et du renforcement des capacités des
enseignants au Bénin, en Côte d’Ivoire, en Guinée et en Mauritanie. Ce qui pourrait contribuer à
améliorer significativement la performance des élèves.
Références :
Auduc J. L. (2007). Filles et garçons dans le système éducatif français : une « fracture sexuée »
http://www.meirieu.com/FORUM/auduc_fillesgarcons.pdf (dernière visite le 16/09/2013)
Barro R. and Lee J. (2001). Schooling Quality in a Cross Section of Countries, Economica, 68 (272), 465-488.
Bonini N. (1995). Parcours scolaires tanzaniens ; l’exemple des pasteurs maasao .In Cahiers des Sciences humaines vol.
31-N°3, les stratégies éducatives en Afrique subsaharienne. Edition ORSTOM , Paris pp 578- 594.
Bressoux P. (2010) Modélisation statistique appliquée aux sciences sociales, éditions de Boeck université.
Bressoux P. (2007). L’apport des modèles multiniveaux à la recherche en éducation.Education et didactique, vol 1 -
n°2, pp 73-88.
Bressoux P. (2000). Modélisation et évaluation des environnements et des pratiques d’enseignement. Habilitation à
diriger les recherches. Université Pierre Mendès France. Grenoble.
Bressoux p. (1995) Les effets du contexte scolaire sur les acquisitions des élèves : effet-école et effets classes en lecture,
Revue française de sociologie, n° 2, p273-294.
Brown D. L. (2003). Challenges for Rural America in the 21st Century. University Park, PA: Pennsylvania State
University Press.
Bryk A. S., & Raudenbush, S. W. (1992). Hierarchical linear models: Applications and data analysis methods.
Newbury Park: Sage Publications.
Carmona, j., Tornero-quiñones, i., et Sierra-robles, á. (2015).Body image avoidance behaviors in adolescence: A
multilevel analysis of contextual effects associated with the physical education class. Psychology of Sport and
Exercise, 16, 70-78.
211
Revue CREMA ISSN: 2351-7735 N° 8 / 2020
Cousin (1998), L'efficacité des collèges, sociologie de l'effet établissement, Revue française de pédagogie, Année 1999,
Volume 128, Numéro 1 p. 133 - 136
Diambomba M., Ouellet R., Moisset J.-J., El Bouazzaoui H., (1995). Les déterminants de la réussite scolaire au Congo,
Brazzaville, GERP/CONFEMEN.
Duru-Bellat M. et Mingat A. (1993). Le déroulement de la scolarité au collège : le contexte « fait des différences »,
Revue française de sociologie. XXVIII (4), pp. 649 – 666.
Duru-Bellat M. et van Zanten A. (2006). Sociologie de l’école. Paris : Armand Colin, 3ème éd. (1ère éd. 1999).
Duru-Bellat M., Danner M., Le Bastard-Landrier S. et Piquée C. (2004). Les effets de la composition solaire et sociale
du public d’élèves sur leur réussite et leurs attitudes : évaluation externe et explorations qualitatives. IREDU-
CNRS et Université de Bourgogne.
Duru-Bellat M., Mingat A. (1988) : Le déroulement de la scolarité au collège : Le contexte « fait des différences. Revue
française de sociologie, 29, 649-666.
Eliason E. S. (1993) Social sciences; Estimation theory; Statistical methods,(Newbury Park, Calif.), 87 p.
Feyfant A. (2011). Les effets de l’éducation familiale sur la réussite scolaire, IFE, Veille Et Analyses, n° 63, p
5.http://ife.ens-lyon.fr/vst/DA-Veille/63-juin-2011.pdf (dernière visite le 16/09/2013)
GAUVIN L. et DASSA C. (2004) L’analyse multiniveau : avancées récentes et retombées anticipées pour l’étude des
inégalités sociales et de santé. Santé, société et solidarité, vol. 2, pp. 187-194.
Grisay A. (1997). Evolution des acquis cognitifs et socio-affectifs des élèves au cours des années de collège, MEN-
Direction de l'Evaluation et de la Prospective, Dossiers Education et formations, n°88.
Grisay A. (1997). Evolution des acquis cognitifs et socio-affectifs des élèves au cours des années de collège. MEN-
Direction de l’Evaluation et de la Prospective. Dossiers Éducation et formations, 88.
Grisay, A. et Dethier, A. (1993). Les deux premières années de collège : le progrès des connaissances contraste avec
l’évolution moins positive des méthodes du travail et des « savoir-être », Éducation et formation, p.34.
Greenwalls S., Hedges L.V., and Laine P.D. (1996). The Effect of School Resources on Student Achievement, Review
of Education Research Fall, vol. 66, pp. 361-396.
Hanushek E. et Kimko D.D. (2000) “Schooling, Labor-Force Quality, and the Growth of Nations” National Bureau of
Economic Research
Hijri N. (1993). Les déterminants des résultats en milieu scolaire marocain : étude économique sur la base d’enquêtes,
Mémoire de DES - Faculté des sciences juridiques, économiques et sociales, Université Hassan II, Casablanca.
Hox J. (2002) Multilevel analysis techniques and applications,Lawrence Erlbaum Associates, Publishers, Mahwah,
Newjersey, Utrech university , the Netherland
Jarousse, J. P., Mingat A. (1989). Les effets des conditions d’enseignement sur les acquisitions des élèves à l’école
primaire: le cas du Togo, Dijon, cahier de IREDU. 308 p.
Klein K. J., Tosi, H., & Cannella, A (1999). Multilevel theory building: Benefits, barriers, and new
developments.Academy of Management Review, 24, 243–248.
Lauwerier, t., et Akkari, A. (2015). Les enseignants et la qualité de l'éducation de base en Afrique subsaharienne.
Recherche et prospective en éducation : réflexions thématiques, (11).
Lincove J.A. (2015). Improving identification of demand-side obstacles to schooling: findings from revealed and stated
preference models in two SSA countries, World Development, 66, 69-83.Melhuish E., Phan Mai B. and Sylva K et al.
(2008). Effects of the Home Learning Environment and Preschool Center Experience upon Literacy and Numeracy
Development in Early Primary School. Journal of Social Issues, vol. 64, n° 1, p. 95–114.
Mourji F et Abbaia A. (2013) Les déterminants du rendement scolaire en mathématiques chez les élèves de
l’enseignement secondaire collégial au Maroc : une analyse multiniveaux, Revue d'économie du
développement,2013/1 (Vol. 27) pp. 127-158
Mumford, m. D., Steele, l., et Watts, l. L. (2015). Evaluating ethics education programs: A multilevel approach. Ethics
et Behavior, 25(1), 37-60.
Paul, (2010 )Déterminants de la performance des écoles secondaires en Haiti: le cas du département du centre,
Universite des Antilles et de la Guyane.
212
Revue CREMA ISSN: 2351-7735 N° 8 / 2020
Paterson L. et Goldstein H.(1991) New Statistical Methods for Analysing Social Structures: An Introduction to
Multilevel Models, British Educational Research Journal, Vol. 17, No. 4. (1991), pp. 387-393.
PLURI – GREASS (2003). Les facteurs-clés de succès liés à la réussite scolaire au primaire : Revue commentée de la
littérature récente. UQAM, 03/03/03, p. 6.
Schneider B., Keesler V. et Morlock L. (2010). Les influences familiales sur l’apprentissage et la socialisation des
enfants. In Comment apprend-on? La recherche au service de la pratique. Paris : OCDE.
Suchaut, B. (2006). Analyse des acquisitions des élèves de l’enseignement secondaire en Algérie sur la base de
l’enquête MLA II, Rapport pour la Revue des dépenses publiques en République Algérienne, Université de
Bourgogne et IREDU-CNRS, 73 p.
Suchaut. B.(2006). Analyse des acquisitions des élèves de l’enseignement secondaire en Algérie sur la base de l’enquête
MLA II, Université de Bourgogne et Irédu-CNRS
Annexes
Annexe 1 : Décroissance de la déviance entre les modèles12
Annexe 2. Estimation globale des paramètres individuels sur les scores des élèves en mathématiques
12
Sous l'hypothèse Ho d'une non-amé1ioration de l'ajustement d'un module à l'autre, la différence des déviances entre ces deux modèles est distribuée
selon la loi du avec un nombre de degrés de liberté égal au nombre de paramètres supplémentaires du module le plus complexe par rapport au
modèle le moins complexe. Pour juger de la pertinence du module 1 par rapport au module 2, il faut donc se rapporter à la statistique du pour
observer la probabilité associée à la valeur entre deux modèles avec deux degrés de liberté.
13
C’est une statistique du maximum de vraisemblance pour le module x.
213
Revue CREMA ISSN: 2351-7735 N° 8 / 2020
15.94404 21.65208
-0.518*** -0.275**
REDOU Benin (2.19255) (2.87222)
(0.145) (0.134)
14% 15%
12.44051 14.11628
0.042*** 0.051**
EPPEL Burkina Faso (1.68068) (1.85203)
(0.107) (0.162)
11.5% 11.5%
0.775*** 0.159*
ALPHA_P
(0.152) (0.0892)
Déviance 64020 61680
0.586*** 0.328***
CON_SE
(0.117) (0.115)
8.218*** 6.092***
Constant
(0.417) (0.392)
Observations 10884 10747
Number of groups 188 188
(..) Erreurs standard ***significatif à 1%, ** significatif à 5%, * significatif à 10%.
Sources : nos estimations sur la base des données de PASEC entre 2004 – 2010.
Annexe 3. : Estimation globale des paramètres de l’établissement sur les scores des élèves en mathématiques
214