La chèvre qui a perdu 62 % de sa valeur pendant que son prix baissait de 18 %

Un prix est un nombre sur un marché, non sur un ménage

Le maïs à 159 gourdes le kilogramme ne dit rien de la capacité de quiconque à en acheter. Cette question exige l’autre côté de la transaction : ce que le ménage a à vendre, ou à gagner, pour acheter.

Les termes de l’échange sont ce rapport, exprimé dans les unités dans lesquelles le ménage raisonne.

import pandas as pd

prices = pd.read_csv("market-prices-2024.v1.csv")
clean = prices[(prices["price_htg"] >= 10) &
               ~((prices["commodity"] == "maize") &
                 (prices["market_id"] == "MK005"))]

series = clean.pivot_table(index="period", columns="commodity",
                           values="price_htg", aggfunc="median")

series["wage_to_maize"] = series["daily-wage-casual-labour"] / series["maize"]
series["goat_to_maize"] = series["goat"] / series["maize"]
print(series[["maize", "daily-wage-casual-labour", "goat",
              "wage_to_maize", "goat_to_maize"]].round(2))

library(dplyr)

prices |>
  filter(price_htg >= 10, !(commodity == "maize" & market_id == "MK005")) |>
  summarise(price = median(price_htg), .by = c(period, commodity)) |>
  tidyr::pivot_wider(names_from = commodity, values_from = price) |>
  mutate(wage_to_maize = `daily-wage-casual-labour` / maize,
         goat_to_maize = goat / maize)

Mois	Maïs	Salaire	Chèvre	Salaire → kg maïs	Chèvre → kg maïs
Déc. 2023	74,9	361,3	5 195	4,82	69,4
Juil. 2023	130,1	368,9	4 332	2,84	33,3
Déc. 2024	81,4	388,5	5 900	4,77	72,5
Juil. 2024	159,3	395,6	4 254	2,48	26,7

Ce que la série des salaires aurait dit seule

Le salaire journalier a augmenté de 10 % en deux ans, de 361 à 396 gourdes. Lu seul, c’est de la stabilité, peut-être une légère amélioration.

Une journée de travail achetait 4,82 kg de maïs à la récolte 2023 et 2,48 kg au pic de soudure 2024 — une chute de 49 % du pouvoir d’achat pendant que le salaire montait.

wage = series["wage_to_maize"]
print(f"wage rose {series['daily-wage-casual-labour']['2024-07'] / series['daily-wage-casual-labour']['2023-12'] - 1:+.1%}")
print(f"purchasing power fell {wage['2024-07'] / wage['2023-12'] - 1:+.1%}")

# One number goes up, the other goes down, and they are the same households.

C’est le rapport le plus utile d’une analyse de sécurité alimentaire portant sur une population dépendante du travail journalier, et il tient en deux colonnes et une division.

Ce que la série des caprins aurait dit seule

Pire, parce que le prix de la chèvre bouge dans le mauvais sens.

Les prix du bétail baissent en saison de soudure : tout le monde vend en même temps, les animaux sont en mauvais état, et les acheteurs le savent. Un ménage pastoral ou agropastoral fait donc face à des céréales qui montent et à un bétail qui baisse au même moment.

goat = series["goat_to_maize"]
print(f"goat price change: "
      f"{series['goat']['2024-07'] / series['goat']['2023-12'] - 1:+.1%}")
print(f"goat terms of trade: {goat['2024-07'] / goat['2023-12'] - 1:+.1%}")

# -18% and -62%. The second is the one the household experiences.

Le prix de la chèvre a baissé de 18 %. Son pouvoir d’achat a baissé de 62 %. Un éleveur qui vendait une chèvre pour 69 kg de maïs en décembre 2023 devait en vendre deux et demie pour le même maïs au pic 2024 — c’est exactement le mécanisme par lequel un troupeau disparaît en une mauvaise année.

Aucune des deux séries ne le montre. Celle du maïs montre une hausse de prix ; celle des caprins une baisse modeste ; seul le rapport montre un effondrement.

Les trois rapports qui valent d’être calculés

Rapport	L’accès qu’il décrit	À lire en
Salaire sur denrée de base	Travailleurs journaliers, 26,7 % de ces ménages	Kilogrammes par journée travaillée
Bétail sur denrée de base	Ménages dépendant du bétail, 7,8 % ici	Kilogrammes par animal
Culture de rente sur denrée de base	Agriculteurs vendant une culture et en achetant une autre, 29,5 % en subsistance ici	Kilogrammes par kilogramme

livelihoods = pd.read_csv("food-security-survey-2024.v1.csv")["main_livelihood"]
print(livelihoods.value_counts(normalize=True).round(3))

survey |> count(main_livelihood) |> mutate(share = n / sum(n)) |> arrange(-share)

Calculez le rapport qui correspond au moyen d’existence analysé. Un chiffre salaire-céréale ne décrit rien d’un ménage vivant de transferts, et la colonne main_livelihood de l’enquête est ce qui dit quel rapport revient à quel groupe et combien de personnes il représente.

Deux mises en garde

Les termes de l’échange ne sont pas une mesure de bien-être. Ils disent combien de nourriture achète une unité de revenu ou d’actif. Ils ne disent rien du nombre d’unités dont dispose le ménage, et un ménage sans chèvres est indifférent à un effondrement chèvre-maïs tout en pouvant être plus mal loti qu’un ménage qui en a.

Le dénominateur doit être la denrée que les gens mangent réellement. Le riz est importé ici et suit le taux de change plutôt que la récolte ; le maïs est local et suit la saison. Une série de termes de l’échange bâtie sur le riz montrerait un tableau bien plus plat et décrirait un autre ménage.

series["wage_to_rice"] = (series["daily-wage-casual-labour"]
                          / series["rice-imported"])
print(series[["wage_to_maize", "wage_to_rice"]].loc[
    ["2023-12", "2023-07", "2024-12", "2024-07"]].round(2))

# Two staples, two stories. Say which one the population eats.

Rapportez le rapport, non les seuls prix

Terms of trade, median across a balanced panel of 10 markets

                          Dec 2023   Jul 2024   Change
  Maize, HTG/kg               74.9      159.3    +113%
  Casual wage, HTG/day       361.3      395.6     +10%
  Goat, HTG/head           5,195.1    4,254.4     -18%

  Wage buys, kg maize          4.82       2.48     -49%
  Goat buys, kg maize          69.4       26.7     -62%

  Terms of trade are computed on maize, the local staple. On imported rice
  the wage ratio falls 29% over the same period rather than 49%. 34.5% of
  surveyed households depend on casual labour or livestock as their main
  livelihood; a further 29.5% on subsistence farming.

La dernière ligne est ce qui transforme un tableau de marché en analyse. Le rapport compte à proportion du nombre de ménages qui vivent de ce côté-là, et ce nombre vient de l’enquête ménage et non du fichier de prix.

La suite

Vous disposez maintenant de quatre indicateurs de ménage et de deux rapports de marché, issus de deux sources indépendantes, tous pointant vers la même saison de soudure. La dernière unité porte sur ce qu’une analyse IPC en fait — et sur pourquoi la réponse est un tableau et non une formule.