Revue CREMA ISSN: 2351-7735 N° 8 / 2020

LES PERFORMANCES DE L’EDUCATION EN AFRIQUE FRANCOPHONE :

UNE ANALYSE MULTINIVEAU.

Abou Moussa DIENG1 Ibrahima SY2

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.

Mots-clés : Éducation, rendement scolaire, modèle multiniveaux. ; Afrique francophone

Classification JEL : I21, I22, I28, J24.

1
LEAD, Université du Sud Toulon-Var. aboubakrdieng@gmail.com
2
Docteur, membre du LEAD Université de Toulon, Enseignant à l’Université Catholique de l’Afrique de l’Ouest
(UCAO- Abidjan).himrasy@yahoo.fr
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.

2. Les enseignements de la revue de la littérature.

L’importance de l’éducation dans le développement d’une société et dans la lutte contre

la pauvreté a suscité beaucoup de travaux pour cerner les facteurs pouvant améliorer la
rentabilité de celle-ci. En ce sens plusieurs études portant sur le rendement scolaire et ses
déterminants ont été menés. On y considère l’existence d’un certain nombre de facteurs (les
inputs) qui, avec une série d’activités et de pratiques (les outputs), produisent un rendement
scolaire (Barro et Lee, 2001 ; Hannushek et Kimko, 2000 ; Mourji et Abbaia, 2013). Ces
études ont retenu comme inputs de la fonction de production en éducation, trois catégories de
variables pouvant influer significativement sur les performances des élèves. La première
concerne les caractéristiques individuelles des élèves telles que le sexe, l’âge, le score initial...
La deuxième est relative aux variables liées à leur environnement familial, tel que le niveau
d’instruction des parents, la disponibilité des biens d’équipement et du matériel pédagogique
au sein du ménage, la langue pratiquée au sein de la famille, la taille de la famille, etc. Enfin,
les variables liées au contexte scolaire englobent les caractéristiques de l’enseignant
(formation, motivation…) et de l’établissement telles (la taille des classes, les équipements et
pratiques pédagogiques). Si ces études s’accordent du probable influence de ces variables sur
les performances scolaires (Lincove, 2014), elles divergent quant à leurs effets. Coleman et al
(1966) indiquent que ce sont les caractéristiques du milieu familial des élèves et non les
ressources mises à la disposition des écoles qui jouent un rôle important dans l’explication du
rendement scolaire. D’autres travaux allant dans sens montrent que le niveau d’instruction de
la mère est la variable majeure (Mingat et Perrot (1980), Cooksey (1981), Duru-Bellat (2003),
Diallo (2001)). Les travaux mettent en évidence des résultats scolaires meilleurs chez les
enfants dont les parents sont instruits. Hirji, Montmarquette et Mourji (1995) ont trouvé des
résultats nuancés dans le cas du Maroc ; l’éducation de la mère n’a pas un pouvoir explicatif
significatif des performances scolaires des enfants. Mais cela tient au fait que sur l’échantillon
étudié (dans une grande ville, Rabat en 1993), les femmes ayant un niveau d’éducation élevé
étaient facilement engagées dans la vie professionnelle et confiaient le suivi et
l’accompagnement de leurs enfants à des aides ménagères, souvent analphabètes (Mourji et
Abbaia, 2013). Par ailleurs la performance dépend fortement aussi de la qualité de
197
 Revue CREMA ISSN: 2351-7735 N° 8 / 2020
l’organisation et de l’enseignement scolaire (Duru-Bellat, Mingat, 1993 ; Grisay, 1993 ;
1997 ; Lauwerier et Akkari 2015, Carmona, Tornero-Quiñones et Sierra-Robles, 2015 ;
Mumford, Steele et Watts, 2015). La disponibilité des biens d’équipement au sein du ménage
apparaît également significative dans l’explication du rendement scolaire. Néanmoins le score
initial de l’élève reste le facteur souligné par l’ensemble des travaux. Plus l'élève à un niveau
initial élevé, plus il est en mesure de profiter des pratiques pédagogiques (méthodes
d'enseignement, les contenus, l'organisation du travail des élèves, etc.)

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).

Finalement c'est la conjugaison d’un ensemble de différents éléments relatifs à l’élève, à

sa famille et à l’établissement qui explique les différences de performance, et qui peut varier
d’un pays à un autre.

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.

Partant d’un MCO de l’équation (1)6 , on constate que les pentes

et les constantes ont un indice j indiquant qu’elles peuvent varier d’un groupe à l’autre. Les
coefficients des constantes et des pentes sont donc rendus aléatoires, ce qui signifie que leurs
valeurs sont supposées distribuées selon une fonction de probabilité. On peut alors écrire :

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)

Où représente la constante moyenne pour tous les groupes, la pente moyenne

pour tous les groupes, représente l’écart de chaque groupe à la constante (c’est une
variable aléatoire de moyenne nulle et de variance ), représente l’écart de chaque
groupe à la relation moyenne (c’est une variable aléatoire de moyenne nulle et de
variance ). Un paramètre supplémentaire peut être estimé : la covariance entre les
constantes et les pentes . Les termes d’erreurs et sont supposés être indépendants
de l’erreur au niveau individuel . La partie aléatoire du modèle distingue
fondamentalement le modèle multi-niveaux au modèle des MCO.Pour expliquer les
constantes et les pentes, il suffit d’intégrer dans (1) et (2) des variables de niveau supérieur
(ou de groupe) notées z. Ce qui génère les équations suivantes :

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).

Sous l’hypothèse qu’à chaque niveau les termes d’erreurs ,

les écarts aléatoires entre le niveau école et le niveau élève sont indépendants ( ( )
( ) ) et que les termes d’erreurs de même niveau sont indépendants7

Les variables explicatives à tous les niveaux sont observées sans erreur donc
indépendantes des écarts aléatoires (hypothèse d’éxogénéité) :

( ) ( ) et ( ) ( )

L’estimation des coefficients de régression et des composantes de la variance se fait le

plus souvent par la méthode du maximum de vraisemblance. C’est une procédure générale
d’estimation qui fournit des estimateurs qui maximisent la probabilité d’observer les données
qui sont réellement observées, étant donné le modèle (ELIASON, 1993). Elle présente
l’avantage d’être généralement robuste et donne des estimateurs asymptotiquement efficients
et consistants (HOX, 2002)8. D’autres techniques d’estimation sont aussi utilisées. Il s’agit
principalement de la méthode des moindres carrés généralisés et des méthodes bayésiennes.

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

3.1.Sources de données et variables choisies

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.

La variable « Prérequis » réunitl’ensemble des acquis antérieurs de l’élève avant son

entrée à l’école primaire. Ces acquis peuvent provenir de l’école maternelle ou de l’école
coranique selon les pays. Dans certains pays les parents font le choix entre l’école maternelle
ou coranique : c’est le cas du Sénégal et de la Guinée.En Mauritanie tout enfant doit
obligatoirement fréquenter tout d’abord l’école coranique avant son cursus
primaire.L’inspection des enseignants est assurée essentiellement par des inspecteurs et
contrôleurs des enseignements et des enseignants. Leurs rôles essentiels sont decontrôler,
d’informer, de conseiller, de décider etc…sur le bon déroulement des cours.

3.2.Spécification du modèle économétrique

Suivant l’objet de l’étude, l’analyse économétrique consiste à estimer des équations de

performance scolaire, en tenant compte de ses différents déterminants. Elle se fait à deux
niveaux. Le premier niveau fait ressortir les caractéristiques de l’élève et son environnement
social (niveau élève) et le deuxième est relatif aux caractéristiques de l’établissement, de
l’enseignant et de la classe (niveau école). Les deux estimations sont obtenues par la formule
générique suivante.

201
 Revue CREMA ISSN: 2351-7735 N° 8 / 2020

∑ ∑ (7)

où désigne la performance de l’élève , de l’établissement ; le nombre des

caractéristiques individuelles prises en compte ; , la modalité de la de ces
caractéristiques pour l’élève ; , le nombre de caractéristiques d’établissement ; , la
modalité de la caractéristique de l’établissement fréquenté par l’élève ; , la
constante ; , la perturbation aléatoire et , la taille de l’échantillon. Les paramètres
expriment les parts de variation de la performance de l’élève attribuables à un changement
marginal dans les inputs considérés. Ils s’interprètent comme l’impact en pourcentage sur la
performance de la variation d’une unité du facteur considéré.Ceci étant, l’intégration des
différentes caractéristiques retenues dans le modèle génère les équations suivantes.

Niveau 1 :

Niveau 2:

Tableau 1 : Liste des variables qui ont servi à l’analyse

Variables Description
PER Performance de l’élève (Score final en Français et Mathématiques de l’élève)
SCORE-I Score initial en Français et Mathématiques de l’élève
SEXE-E Sexe de l’élève (1 si l'élève est une fille ; 0 sinon)
AGE_E Âge de l'élève en nombre d'années
P_REQUIS Pré-requis de l’élève est l’ensemble des établissements fréquentée avant l’entrée à l’école [0 à 2]
REDOU L'élève a redoublé au moins une fois
L’équipement pédagogique de l’élève obtenue par la somme des matériels que dispose l’élève ; chacun
EPPEL pris comme variable dichotomique : 1 si oui et 0 sinon (cahier ; stylo ; craie ; ardoise ; matériel
géométrique; livre) Valeurs pondérées comprises [0 ; 6]
ALPHA_P Alphabétisation des parents (1 si oui et 0 sinon)
Conditions socio-économiques de l'élève, obtenue par la somme des équipements relatifs au foyer.
CON_SE Chacun pris comme variable dichotomique (1 si existe dans le foyer et 0 sinon (robinet, frigo, électricité,
télévision, ordinateur, chambre séparée avec les parents). Valeurs pondérées comprises [0 ; 6]
SEXE-ENS Le sexe de l’enseignant (1 si le maitre est une femme ; 0 sinon)
AGE_ENS Âge de l’enseignant en nombre d'années
ANC-ENS Ancienneté de l’enseignant en nombre d'années
Equipement de l’école, obtenue par la somme des équipements pédagogiques disponible dans la classe
EPPEC Chacun pris comme variable dichotomique (guide ; tableau ; craie ; matériel géométrique ; électricité
dans l’école ; bibliothèque) Valeurs pondérées comprises [0 ; 6]
TYPE_EC Type d’école (1 si l'élève fréquente l’école publique ; 0 sinon)
Niveau d’étude de l’enseignant est obtenue par l’identification la distinction des diplômes (AUCUN_D
NIV_ENS CEPE, BEPC, BAC-G, BAC-T, AUTRES, DIPLOME-SUP, AUTRE_D Valeurs pondérées comprises
[0 ; 8]
MIL_EC Localisation de l’école (1 si l'école se trouve dans un milieu rural ; 0 sinon)
INSP_C Inspections des cours (1 si les cours sont inspectés ; 0 sinon)
T_CLASS Effectif de la classe

4. Les résultats et analyse des estimations

202
 Revue CREMA ISSN: 2351-7735 N° 8 / 2020

4.1.La variabilité des scores : le modèle vide

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.

4.2.Impact des caractéristiques individuelles sur les performances des élèves

Dans le modèle niveau 1, les variables explicatives relatives à l’élève, à sa famille et à

ses conditions de vie ont été introduites séquentiellement. On cherche ici à expliquer la
variance de niveau 1, la variance entre élèves. Les coefficients obtenus peuvent s’éloigner de
la normalité, il est conseillé de ne pas se fonder sur le rapport entre leur valeur et leur erreur-
type pour en tester la significativité. La décroissance de la déviance est alors le seul test fiable
(Bressoux, 2007). Dans les résultats obtenus, toutes les déviances sont décroissantes ce qui
atteste la fiabilité du modèle.

Du point de vue global, toutes les variables sélectionnées (annexe 2) sont

statistiquement significatives. L’effet négatif de l’âge sur la performance est très net, tant en
français qu’en mathématiques, et obéissent tous à la même tendance : les plus jeunes
enregistrent les meilleures performances. Ce résultat rejoint celui de certains travaux en ce
sens9.

Le niveau d’éducation des parents, conjugué à une disposition de matériel scolaire

suffisant et une condition socioéconomique de la famille favorisent le développement cognitif
de l’élève. Quel qu’en soit le niveau de développement du pays, le rôle des parents est
essentiel dans la réussite scolaire de l’élève. Cette forte corrélation entre ces variables et la
performance scolaire des élèves est largement soulignée par un certains de travaux
(notamment Kohn, 1969; Majoribanks, 1979; Stevenson et Baker, 1987 Myrberg et al., 2009).
Cette corrélation est remarquable lorsqu’on s’intéresse à l’acquisition du vocabulaire, aux
processus de littératie et de numératie (Schneider et al., 2010, Melhuish et al., 2008, Feyfant,
2011). On remarqueégalement que sur l’ensemble, les coefficients relatifs aux caractéristiques
individuels de l’élève sont globalement significatifs, avec une grande hétérogénéité en termes
de performances entre les élèves d’un pays à un autre (Annexe 2).

Le sexe de l’élève, son âge et le nombre de redoublement agissent classiquement avec

un effet significativement négatif sur la performance de l’élève. L’impact négatif du
redoublement peut être en effet imputable en grande partie à la faiblesse du niveau des élèves
dans les pays africains. Si dans les pays développés tel que la France les filles réussissent
mieux que les garçons à tous les niveaux de l’école du primaire au supérieur (notamment
Auduc, 2007), en Afrique les résultats sont plutôt inverses. La faible performance des filles
reflète le soutient plus accru des parents aux garçons dans les études que les filles (Figure 1.
a). Cette situation est largement maintenue par le poids de la culture africaine qui attribue à la

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).

Figure 1 : courbe de Kernel impact du sexe des pré-requiset de la disposition de matériel

pédagogique sur la performance scolaire
Figure 1. a. sexe Figure 1. b. pré-requisFigure 1. c. matériels pédagogiques

Source : nos calculs sur la base des données de PASEC

Du point de vue spécifique, on constate qu’après l’introduction des variables dans le

modèle, des changements interviennent au niveau des variances intergroupe et intra-groupe
(tableaux 3 et 4). Les variances entre les établissements en français et mathématiques
diminuent fortement10, excepté la Mauritanie et la Guinée dont les variances restent
constantes. Les coefficients des effets fixes estimés traduisent l’impact spécifique de chaque
variable explicative sur la performance de l’élève en français et en mathématiques. Dans les
deux matières, les élèves guinéens sont plus hétérogènes représentant 31% et 21%
respectivement en français et en mathématiques de la variabilité totale (annexe2). Ces
différences de performances entre les élèves reflètent les caractéristiques socioéconomiques,
institutionnelles, politiques et environnementales typiques de chaque pays.

Figure 2 : Relation entre le score pré-test et post-test

Burkina Bénin Cote d’Ivoire

Guinée Mauritanie Sénégal

10
Voir les résultats détaillés (tableau 3 et 4)
205
 Revue CREMA ISSN: 2351-7735 N° 8 / 2020

Source : nos calculs sur la base des données de PASEC

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

Les résultats du modèle avec la prise en compte des caractéristiques de l’établissement

(modèle 2) apparaissent moins satisfaisants que le modèle 1. Au niveau des effets aléatoires,

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).

Figure 3 : courbe de Kernel surl’impact du milieu et du typeet de la taille de l’établissement

sur la performance scolaire.
Figure 2.a Milieu Figure 2.b Type d’école Figure 3.c Taille

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.

D’abord, il s’agissait d’identifier les variables qui concourent à expliquer la différence de

performances des élèves dans les pays, en se basant à une analyse multiniveau. Ensuite de mesurer
la pertinence du modèle, en ce sens la décroissance des déviances atteste cette dernière. Et enfin
d’analyser les facteurs déterminants de la performance scolaire des élèves dans les six pays. A ce
niveau, les résultats ont révélé que les indicateurs de l’environnement immédiat des élèves et leurs
caractéristiques intrinsèques des élèves, expliquent les variabilités observées dans leurs
performances. Les caractéristiques de l’élève expliquent à hauteur de 48%. Alors que certaines de
ces variables pénalisent les acquisitions des élèves notamment le sexe, l’âge et le nombre de
redoublement de l’élève, d’autres, par contre, concourent à sa réussite. Il s’agit des prérequis, de
l’équipement pédagogique dont disposent l’élève, de l’alphabétisation des parents ainsi que
l’environnement familial de l’élève.

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

La pertinence du modèle, est appréciée à partir de la déviance statistique du modèle vide et du

modèle complet et qui contient au moins une variable explicative. Cette différence n’est que la
quantité d’information supplémentaire ajoutée par le modèle complet au modèle vide. La déviance
est calculée comme suit : 13 . Plus la déviance est élevée moins le modèle se révèle

bon pour prédire la variable-réponse.

Pays Le modèle individuel et le modèle vide Le modèle complet et le modèle individuel

Français Mathématiques Français Mathématiques
Burkina Faso 1418 508 1272 2724
Benin 1122 1014 312 364
Cote d’ivoire 2260 1654 274 294
Guinée 1502 1182 730 1048
Mauritanie 894 1072 1486 1096
Sénégal 1572 1278 2210 2218
Ensemble 14896 14712 6972 6838
Sources : Nos estimations sur la base des données de PASEC entre 2004 – 2010.

Annexe 2. Estimation globale des paramètres individuels sur les scores des élèves en mathématiques

Effets fixes Effets aléatoires (Variabilité inter-pays)

Variables
Français Mathématiques Var inter-pays Français Mathématiques
42.74704 31.17226
0.602*** 0.467***
SCORE_I Guinée (5.04007) (3.75596)
(0.00864) (0.00788)
31% 21%
16.23907 20.09808
-0.423*** -0.502***
SEXE-E Mauritanie (2.49366) (2.926542)
(0.0853) (0.0797)
14% 15%
24.03466 22.04671
-0.281*** -0.0958***
AGE_E Cote d’ivoire (4.00705) (3.84415)
(0.0306) (0.0284)
19% 16%
10.28413 27.68756
0.2470*** 0.1519**
P_REQUIS Sénégal (1.52258) (3.59016)
(0.119) (0.111)
10% 20%

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

Effets fixes Effets aléatoires (Variabilité inter-pays)

Variables
Français Mathématiques Var inter-pays Français Mathématiques
0.603*** 0.480***
SCORE_I
(0.00918) (0.00828) 34.97836 21.55983
-0.388*** -0.479*** (4.37885) (2.76863)
SEXE_E Guinée
(0.0910) (0.0836) 33% 21%
AGE_E -0.311*** -0.127***
P_REQUIS (0.0327) (0.0302)
0.114 0.0605
REDOU 16.87983 18.54497
(0.126) (0.115)
Mauritanie (2.90138) (3.08702)
-0.393** -0.370***
EPPEL 15% 18%
(0.154) (0.120)
0.228** -0.0473
ALPHA_P 20.42124 1.782886
(0.114) (0.105)
Cote d’ivoire (0.366209) (0.32994)
0.706*** 0.196
CON_SE 19% 17%
(0.159) (0.146)
0.458*** 0.263**
SEXE-ENS 7.690656 11.51641
(0.128) (0.117)
Sénégal (1.44198) 1.910977
0.251 -0.0683
AGE_ENS 8% 12%
(0.324) (0.306)
0.0181 0.0222
ANC_ENS 17.04218 22.92854
(0.0243) (0.0226)
Benin (2.44691) (3.12996)
-0.0218 -0.0230
EPPEC 16% 22%
(0.0236) (0.0220)
1.051*** 0.643***
TYPE_EC 9.458233 7.980598
(0.231) (0.235)
Burkina Faso (1.39220) (1.1825)
0.195 1.268***
NIV_ENS 9% 9%
(0.242) (0.244)
0.0561 0.102
MIL_EC
(0.0939) (0.0922)
-0.164 0.504***
INSP_C
(0.140) (0.144)
0.416*** 0.680***
T_CLASS Déviance 57048 54842
(0.0805) (0.0754)
0.000349*** 0.000353***
Constante
(5.65e-05) (4.72e-05)
Observations 9671 9602
Number of groups 185 185
(..) Standard errors, *** p<0.01, ** p<0.05, * p<0.1

214