Crise agro-alimentaire en Haïti (2014–2024)

Haïti importe entre 50 et 60 % de ses besoins alimentaires, dont la quasi-totalité des céréales. Cette dépendance structurelle expose le pays à chaque choc externe avec une amplification que peu d'autres économies subissent au même degré. En moyenne sur 2014-2024, la dépendance alimentaire s'établit à 55,6 % (min 51 %, max 62 %), l'emploi informel à 85,2 % (min 82,5 %, max 88 %), et la production totale moyenne à 971 kt (min 775 kt, max 1 131 kt).

La décennie 2014-2024 superpose quatre types de chocs : un choc naturel (ouragan Matthew, 2016), une crise politique prolongée (Peyi Lock 2018-2019, assassinat du président 2021), une pandémie (COVID-19, 2020) et une montée en puissance des coalitions armées qui contrôlent l'axe routier principal (RN1) bloquant l'Artibonite — grenier rizicole du pays — depuis 2022.

Le tableau de bord ci-dessous (figure 01a) montre la structure temporelle complète sur 4 séries clés : insécurité aiguë, production, importations céréalières et emploi informel. La divergence entre ces séries — importations et insécurité montent, production baisse — traduit l'effondrement de la base productive haïtienne.

Le dataset couvre 11 indicateurs annuels sur 2014-2024 (n = 11 observations) : production agricole totale, valeur ajoutée agricole (% PIB et Mds USD), taux de chômage, emploi informel, emploi en agriculture et dans le textile, salaire minimum (USD/j), insécurité alimentaire aiguë (Phase 3+), dépendance alimentaire et importations céréalières. Les sources principales sont FAO/FAOSTAT, WFP/IPC, Banque Mondiale, IHSI et ILO.

Cinq méthodes complémentaires sont appliquées séquentiellement. Les figures 02a et 02b (corrélations) posent le diagnostic des relations. Les figures 03a et 03b (OLS et contrefactuel) testent les mécanismes causaux. Les figures 04a et 04b (ARIMA/SARIMAX et index) synthétisent la trajectoire et les projections. Les figures 05a-05c (clustering) identifient les régimes discrets.

• 1. Index composite de vulnérabilité (figure 04b)

  5 composantes normalisées min-max, pondérées à parts égales (1/5) : déficit de production, dépendance alimentaire, chômage, emploi informel, insécurité aiguë. Agrégation additive. Interprétation : 0 = année la plus favorable de la décennie, 100 = année la plus critique.

• 2. Corrélations de Pearson + scatterplots (figures 02a, 02b)

  Matrice de corrélation sur 11 variables. Top 10 paires classées par |r|. Les scatterplots visualisent les 4 relations les plus discriminantes. Avertissement : tendances temporelles communes gonflent mécaniquement les r.

• 3. Régression OLS et causalité de Granger (figure 03a)

  OLS multilinéaire (insécurité = f(production, VA agri, emploi informel, salaire min)). R² = 0,936. Tests de Granger au seuil de 10 % pour identifier la structure causale temporelle. Contrefactuel Matthew par interpolation linéaire pré-choc (figure 03b).

• 4. Prévisions ARIMA et SARIMAX (figure 04a)

  ARIMA(1,1,0) ajusté sur la série 2014-2024, projeté 2025-2026 avec IC80. SARIMAX ajoute l'emploi informel comme régresseur exogène — scénario structurel plus pessimiste.

• 5. Clustering K-Means et CAH Ward (figures 05a, 05b, 05c)

  K-Means (k=2, score silhouette = 0,396) et CAH Ward (k=2) appliqués sur les 11 indicateurs standardisés. Projection ACP pour visualiser la séparation. Radar de profil pour caractériser les deux états.

Le résultat central est une distinction qualitative : il n'y a pas eu de dégradation linéaire continue. L'index de vulnérabilité montre trois périodes distinctes — fragilité contenue (2014-2019, zone verte ou orange), bascule (2020, premier passage en rouge à 61,4), crise structurelle ouverte (2021-2024, 69,7 → 100). Cette rupture est confirmée indépendamment par les deux algorithmes de clustering.

La corrélation la plus forte du dataset est celle entre importations céréalières et insécurité aiguë (r = 0,982). Ce résultat ne dit pas que les importations causent l'insécurité — les deux sont codrives par la même dynamique : quand Haïti perd en production locale, elle importe plus ET son insécurité monte. C'est la signature statistique de la dépendance alimentaire structurelle.

L'OLS isole l'emploi informel comme seul prédicteur significatif (p = 0,010) dans un modèle à R² = 0,936. Ce résultat est cohérent avec la littérature sur les économies de subsistance : un travailleur informel n'a ni filet de sécurité, ni accès aux marchés formels, ni résilience alimentaire. Les tests de Granger le confirment en direction temporelle : la hausse de l'informel précède la montée de l'insécurité (F = 13,1, p < 0,001).

La production agricole totale (5 cultures principales : riz, maïs, haricots, mil, sorgho) a reculé de −29,0 % entre 2014 (1 091 kt) et 2024 (775 kt). Le maïs est la culture la plus touchée (−38 %). Ce déclin s'accompagne d'un paradoxe structurel : la part de l'emploi en agriculture dans l'emploi total a légèrement augmenté (44,5 % → 45,5 %), ce qui signifie que plus de travailleurs produisent moins. Ce n'est pas de la croissance agricole — c'est un repli vers une agriculture de subsistance appauvrie.

Le secteur textile, premier employeur formel après l'État, a perdu environ 7 000 emplois entre 2021 et 2024 (35 k → 28 k), poussant ces travailleurs vers l'économie informelle. Résultat : l'emploi informel est passé de 82,5 % à 88,0 % de l'emploi total en dix ans. Ce basculement vers l'informalité est le lien causal le plus robuste statistiquement avec l'insécurité alimentaire.

Le Cadre Intégré de Phase (IPC) est publié trimestriellement par la FAO/WFP en coordination avec la CNSA et le MARNDR. Il distingue cinq phases d'insécurité alimentaire (1 = Minime à 5 = Famine). Les données annuelles de cette étude agrègent la population en Phase 3+ (Crise et au-delà).

La série trimestrielle (2019-2024) révèle deux dynamiques superposées : une saisonnalité liée aux récoltes (amélioration modeste en période post-récolte, dégradation en période de soudure) et une tendance de fond haussière qui efface progressivement les fluctuations saisonnières. Depuis 2022, même les phases post-récolte n'arrivent plus à faire descendre l'insécurité sous les niveaux de crise — le système a perdu sa résilience saisonnière.

Ce signal est diagnostique : une fragilité ordinaire fluctue autour d'un niveau stable. Une crise structurelle, elle, ne descend plus. La série trimestrielle le montre sans ambiguïté : la courbe de 2022-2024 oscille mais ne revient jamais vers les niveaux de 2019.

Les données ACLED (Armed Conflict Location and Event Data Project) permettent de croiser la progression de l'insécurité alimentaire avec l'intensité des conflits armés. Le résultat est sans ambiguïté : les années de hausse des incidents armés (2020, 2021, 2022) correspondent aux sauts les plus importants dans l'indice de vulnérabilité.

Ce co-mouvement ne prouve pas une causalité directe — les deux phénomènes partagent des causes communes (effondrement institutionnel, vide de gouvernance). Mais le blocage de la RN1 par les coalitions armées à partir de 2022 constitue un mécanisme causal documenté : la rupture des corridors commerciaux empêche l'acheminement des denrées alimentaires vers les zones déficitaires, même lorsque la production locale pourrait partiellement les nourrir.

Le test de Granger (section suivante) ne capte pas ce canal directement — les données agrégées annuelles lissent les blocages ponctuels. Mais la convergence de la logique mécaniste, des données ACLED et des témoignages de terrain renforce l'interprétation : les conflits armés sont le principal accélérateur de la crise alimentaire depuis 2022, bien devant les facteurs climatiques.

Les scatterplots illustrent les quatre relations les plus structurantes du dataset. Chaque point est une année (2014-2024). La quasi-linéarité des nuages confirme que la corrélation de Pearson est une mesure appropriée — il n'y a pas de non-linéarité majeure cachée dans les données.

La corrélation la plus élevée est celle entre importations céréalières et insécurité aiguë (r = 0,982). Les deux variables croissent ensemble — non pas parce que les importations causent l'insécurité, mais parce qu'elles sont codrives par la même dynamique : effondrement de la production locale et besoin croissant d'alimentation. C'est la signature de la dépendance alimentaire structurelle.

La relation négative entre valeur ajoutée agricole et insécurité (r = −0,706) illustre l'inverse : les années où l'agriculture contribue davantage au PIB sont les années où l'insécurité est moindre. C'est la relation qu'une politique agricole robuste chercherait à activer. Attention toutefois : les tendances temporelles communes gonflent mécaniquement tous les r — la causalité est traitée dans la section Granger/OLS.

La régression OLS modélise l'insécurité aiguë (millions de personnes, Phase 3+) comme variable dépendante sur 4 prédicteurs : production totale, valeur ajoutée agricole, emploi informel et salaire minimum. R² = 0,936 (R²ajusté = 0,893) — le modèle explique 93,6 % de la variance de l'insécurité sur la décennie. La statistique F globale (21,76, p = 0,001) confirme que l'équation est significative.

Un seul prédicteur ressort individuellement significatif : l'emploi informel (coef = +0,711, p = 0,010). Interprétation : chaque point de hausse de l'emploi informel est associé à +711 000 personnes supplémentaires en insécurité aiguë. Les trois autres prédicteurs ont des p-values supérieures à 0,20 — non pas parce qu'ils sont sans effet, mais parce que la multicolinéarité élevée (condition number = 148 000) ne permet pas de désenchevêtrer des effets qui évoluent tous ensemble sur 11 observations.

Les tests de Granger apportent un éclairage sur la structure temporelle causale. Trois relations ressortent au seuil de 10 % : le salaire minimum précède l'insécurité (F = 22,7, p < 0,001), la VA agricole précède l'insécurité (F = 16,9, p < 0,001), l'emploi informel précède l'insécurité (F = 13,1, p < 0,001) ET la contraction de la VA agricole (F = 7,2, p = 0,007). À l'inverse, la production totale brute ne précède pas l'insécurité (p = 0,39) — la distribution et le pouvoir d'achat sont les médiateurs, pas le volume produit.

L'ouragan Matthew (4 octobre 2016) a dévasté le Grand-Sud et la Grande-Anse. Pour estimer son impact net sur la production agricole, on modélise une trajectoire contrefactuelle : que se serait-il passé si Matthew n'avait pas eu lieu ? La méthode consiste à ajuster une tendance linéaire sur 2014-2015, puis à interpoler sur 2016-2018.

Le résultat est contre-intuitif sur le maïs. La production de riz accuse bien une perte de 61 kt par rapport à la tendance — ce qui est attendu. Mais le maïs enregistre un excédent de +35 kt. L'explication : les programmes d'assistance semencière post-Matthew déployés par le MARNDR et la FAO dans l'Artibonite ont produit des rendements supérieurs à la tendance pré-Matthew en 2017-2018.

Ce résultat illustre la limite des analyses qui traitent les chocs climatiques de façon isolée. Matthew n'est pas seulement une destruction — c'est aussi un déclencheur de réponses institutionnelles qui peuvent partiellement compenser les pertes. La vraie vulnérabilité structurelle est dans les chocs sans réponse : Peyi Lock, COVID, insécurité post-2022. Ce sont ces épisodes, et non Matthew, qui ont cassé définitivement la trajectoire.

Deux modèles sont appliqués à la série d'insécurité aiguë (2014-2024) : ARIMA(1,1,0) et SARIMAX avec l'emploi informel comme régresseur exogène. ARIMA modélise la tendance intrinsèque de la série ; SARIMAX intègre la relation structurelle avec le prédicteur le plus significatif de l'OLS (emploi informel, p = 0,010).

ARIMA(1,1,0) prédit une stabilisation à 5,38 millions en 2025 et 2026, avec un intervalle de confiance à 80 % de [4,4 M – 6,7 M]. Cette stabilisation s'explique par la structure AR(1) différenciée : le modèle projette la dernière différence observée. SARIMAX est plus pessimiste car il intègre la tendance haussière de l'emploi informel : 5,68 M en 2025 et 6,04 M en 2026.

L'écart entre les deux modèles s'élargit dans le temps (+0,30 M en 2025, +0,66 M en 2026). C'est l'effet de l'accumulation structurelle : ARIMA voit la série, SARIMAX voit aussi le moteur. Ces projections supposent l'absence de choc majeur supplémentaire mais aussi l'absence d'amélioration sécuritaire. La réalité se situera dans l'intervalle de confiance — dont la borne haute (6,7 M en 2026) représente plus de la moitié de la population haïtienne.

L'analyse en composantes principales (ACP) est appliquée aux 11 années sur 11 indicateurs standardisés. La projection sur les deux premières composantes principales capture l'essentiel de la structure de variance et permet de visualiser la séparation des clusters dans un plan 2D lisible.

La figure montre deux nuages de points distincts, séparés sans chevauchement. Les années 2014-2019 (fragilité structurelle / pré-crise) forment un groupe compact en haut à gauche. Les années 2021-2024 (dégradation aiguë / crise ouverte) forment un second groupe compact en bas à droite. L'année 2020 se situe à la frontière — ce qui explique la divergence entre K-Means et CAH sur cette année précise.

Le score de silhouette de K-Means (k=2) est de 0,396. Ce score modéré reflète la position intermédiaire de 2020 et la relative proximité des centroïdes. Un clustering à k=3 isolerait probablement 2016 (Matthew) comme état distinct, mais affaiblirait la lisibilité du message central.

La Classification Ascendante Hiérarchique (CAH) avec critère de Ward construit un arbre de partitions emboîtées des 11 années. Le dendrogramme montre quelles années sont les plus proches l'une de l'autre dans l'espace des 11 indicateurs, et à quel niveau de dissimilarité elles se rejoignent.

La coupure optimale à k=2 correspond au saut de dissimilarité le plus large entre deux niveaux d'agrégation. Elle sépare 2014-2019 (Pré-crise) de 2020-2024 (Crise ouverte). On note que 2016 (Matthew) est légèrement plus distante du groupe 2014-2019 que les autres années — signe que ce choc climatique ponctuel laisse une trace distincte, et qu'un clustering à k=3 l'isolerait naturellement.

À l'intérieur du groupe Crise ouverte, 2023 et 2024 sont les années les plus proches (dissimilarité minimale). Ces deux années présentent des profils d'indicateurs quasi identiques — ce qui suggère une stagnation de la crise à son niveau maximal plutôt qu'une accélération continue. Le système est bloqué à 100/100 depuis 2024.

Le radar des clusters compare le profil moyen des deux états sur les 6 indicateurs les plus discriminants. Chaque axe est normalisé sur [0, 1] pour permettre la comparaison inter-variables.

Le passage de Pré-crise à Crise ouverte se traduit par une expansion systématique sur tous les axes négatifs : l'insécurité aiguë, l'emploi informel, les importations céréalières et les dépenses alimentaires progressent ensemble. En sens inverse, la production totale et la valeur ajoutée agricole se contractent. Il n'y a pas d'axe où la Crise ouverte améliore le profil — c'est une dégradation généralisée, pas sectorielle.

Ce profil circulaire fermé est cohérent avec un mécanisme de crise auto-entretenue : hausse de l'emploi informel → réduction du pouvoir d'achat → effondrement de la demande locale → agriculture de subsistance non viable → montée des importations → dépendance accrue → insécurité. Chaque variable alimente la suivante. C'est pourquoi aucune intervention sectorielle isolée ne peut suffire.

Le principal enseignement de cette étude est que la crise alimentaire haïtienne n'est plus une accumulation de chocs externes — c'est une crise de système. L'indice à 100/100 en 2024, la convergence des deux algorithmes de clustering, et la projection SARIMAX à 6 millions de personnes en 2026 pointent vers le même diagnostic : le système agro-alimentaire haïtien est entré dans un régime de crise auto-entretenue.

La significativité isolée de l'emploi informel dans l'OLS (confirmée par Granger) suggère que les interventions centrées uniquement sur la chaîne d'approvisionnement alimentaire (subventions à l'importation, distribution d'aide) ne traitent pas la cause. La vulnérabilité alimentaire est d'abord une vulnérabilité de revenus et d'emploi. Et le fait que la production totale ne cause pas directement l'insécurité (Granger, p = 0,39) indique que produire plus sans sécuriser la distribution et le pouvoir d'achat ne suffira pas.

• Priorité 1 — sécurisation des corridors commerciaux

  Le blocage de la RN1 (axe Port-au-Prince — Artibonite) est le goulot d'étranglement le plus immédiat. Aucune politique de hausse de la production locale ne peut fonctionner sans accès aux marchés. Le test de Granger montre que la production ne précède pas l'insécurité — mais la distribution, elle, le fait mécaniquement.

• Priorité 2 — formalisation de l'emploi

  Le coefficient OLS de l'emploi informel (+711 000 personnes / point, p = 0,010) indique que chaque réduction du taux d'informalité a un effet multiplicateur direct sur la sécurité alimentaire. Des programmes d'assurance-récolte, de coopératives formelles, ou de contrats d'achat garantis peuvent modifier ce paramètre structurel.

• Limite — granularité annuelle et multicolinéarité

  Avec n = 11 observations, la puissance statistique est limitée pour les tests multivariés. La multicolinéarité élevée (condition number OLS = 148 000) empêche de désenchevêtrer les effets individuels des variables. Des données trimestrielles sur l'ensemble de la série renforceraient les conclusions.