Ok

En poursuivant votre navigation sur ce site, vous acceptez l'utilisation de cookies. Ces derniers assurent le bon fonctionnement de nos services. En savoir plus.

11/12/2017

Modèles et analyses d'impact des politiques agricoles européennes : des améliorations possibles

Telle est la conclusion que vient de tirer une équipe de chercheurs néerlandais d'une revue de la littérature des dix dernières années, publiée dans Agricultural Systems. Elle est encore plus flagrante lorsqu'on se focalise sur les modèles centrés sur l'exploitation agricole, pourtant particulièrement adaptés à l'analyse des politiques agricoles actuelles ou futures.

Cette étude s'inscrit dans la continuité de celle menée il y a dix ans par la même équipe, sur les modèles agricoles bio-économiques basés sur la programmation mathématique. Les auteurs avaient alors préconisé d'approfondir la modélisation du processus de décision de l'agriculteur pour mieux saisir les impacts différenciés des politiques selon les types d'exploitation. Ils utilisent aujourd'hui une méthode similaire consistant à évaluer les différents modèles sur leurs capacités à traduire le comportement de l'agriculteur, l'inclusion de facteurs sociaux et environnementaux, et la transférabilité de l'outil à d'autres travaux de recherche.

Cadre général de réflexion pour analyser l'utilisation de modèles d'exploitation agricole pour des analyses d'impact des politiques agricoles et rurales européennes

Modeles.jpg

Source : Agricultural Systems

La revue porte sur la période 2003-2014 et sur l'Union européenne. Dans un premier temps, les auteurs ont dénombré les analyses d'impact de la politique agricole et rurale utilisant, parmi un total de 24, des données issues de travaux de modélisation : cela a été le cas pour un peu plus d'un tiers seulement (9) et, parmi ceux-ci, une partie des modèles utilisés n'était pas documentée.

Dans un second temps, ils se sont intéressés aux publications scientifiques consacrées aux modèles centrés sur l'exploitation agricole. De 2003 à 2014, plus de 200 articles ont été publiés, la finalité des travaux étant clairement l'analyse de mesures de politique agricole. La majorité des modèles utilise la programmation mathématique, est statique et centrée uniquement sur la maximisation du profit : pour les auteurs, mieux expliquer et prévoir le comportement des agriculteurs impliquera à l'avenir d'introduire plus systématiquement le risque, de développer des fonctions multi-objectifs, de combiner les résultats de modèles avec ceux d'enquêtes auprès des agriculteurs, etc. Des progrès peuvent également être réalisés en s'appuyant sur les sciences cognitives et l'intelligence artificielle. Enfin, un effort important doit être fait, de la part des chercheurs, pour expliciter les méthodes retenues et fournir les éléments nécessaires pour une évaluation par les pairs.

In fine, les conclusions de la revue de littérature ont été présentées lors d'un atelier d'experts et parties prenantes européens. Si des progrès sont attendus sur les modèles eux-mêmes, une plus grande utilisation de la modélisation dans les analyses d'impact passerait, selon les auteurs, surtout par un meilleur porté à connaissance de ces travaux.

Muriel Mahé, Centre d'études et de prospective

Source : Agricultural Systems

12/10/2017

Modélisation de deux scénarios alternatifs pour la PAC 2030, entre compétitivité du marché et durabilité

Dans un document de travail publié sur le site du GTAP, des chercheurs du Joint research centre de la Commission européenne, de l'université de Wageningen et de l'Aragonese Agency for Research and Development livrent leurs simulations sur la PAC post-2020 à l'aide du Modular Applied GeNeral Equilibrium Tool (MAGNET), un modèle d'équilibre général calculable représentant l'agriculture et l'agroalimentaire européens. Son paramétrage a été amélioré pour représenter de façon très détaillée les aides de la PAC, notamment les élasticités de l'utilisation des terres, les facteurs de couplage du premier pilier, l'impact des dépenses du deuxième pilier sur la productivité des facteurs et la fin des quotas sucrier et laitier.

Par rapport à un scénario de référence où la situation actuelle est maintenue à l'horizon 2030, deux visions futures diamétralement opposées de la PAC sont testées. Un premier scénario, « compétitivité du marché », met l'accent sur une agriculture à faible coût et compétitive dans un monde ouvert, avec une PAC très réduite, dépourvue notamment de paiements directs et couplés, et une libéralisation accrue. Le second scénario, « durabilité compétitive », insiste sur l'utilisation durable des ressources et la fourniture de biens publics, en réduisant les paiements de base au profit du développement rural, des zones à forte valeur naturelle ou défavorisées et des soutiens couplés à la fourniture d'un bien public. Un scénario de « suppression de la PAC » est testé comme une extension du scénario « marché ». Il amplifie largement les résultats de ce dernier.

Les principaux résultats sont analysés en écart par rapport au scénario de référence. Le scénario « marché » induirait un gain global de « bien-être » de 18,4 milliards d'euros (au niveau de l'efficience allocative, des effets de la technologie et des termes de l'échange), tandis que le scénario « durable » le réduirait de 2,6 milliards. La production agricole serait en baisse de près de 1 % pour les deux scenarii, les prix agricoles augmentant respectivement de 2,9 % pour le premier et de 2,6 % pour le second. Le loyer du foncier serait en baisse pour le scénario « marché » et en hausse pour le « durable » du fait de la capitalisation des aides dans les terres. L'évolution de l'emploi agricole résulterait surtout des variations des aides du premier pilier et serait donc plus prononcée (-4,5 %) pour le premier scénario que pour le second (-1,8 %). Les émissions de gaz à effet de serre se réduiraient respectivement de 1,9 et 2,6 %, ici encore tirées par les changements du premier pilier. Les autres effets environnementaux et la fourniture de biens publics ne sont que partiellement pris en compte dans le modèle.

Décomposition des déterminants de l'emploi dans le secteur agricole en 2030 (% de changements, scénarios versus référence)

GTAP.jpg

Source : JRC – université de Wageningen

José Ramanantsoa, Centre d'études et de prospective

Source : Centre de ressources GTAP, université de Purdue

10:15 Publié dans 1. Prospective, 4. Politiques publiques, PAC | Lien permanent | Tags : pac, modélisation, gtap |  Imprimer | | | | |  Facebook

13/09/2017

Inciter au maintien des forêts primaires plutôt que financer la reforestation serait plus efficace pour limiter les émissions de carbone

Telles sont les conclusions tirées des projections de déforestation à l'horizon 2025 en République démocratique du Congo (RDC), réalisées par une équipe du World Resources Institute et publiées en juin dernier. Pour ce faire, elle s'est appuyée sur un modèle spatial neuronal (approprié pour l'étude des relations complexes et non linéaires entre variables), et focalisée sur les forêts à haute valeur environnementale intégrées dans le programme américain CARPE (Central Africa Regional Program for the Environment).

Bénéficiant de l'importante base de données spatialisées gérée par le Global Forest Watch, qui retrace les changements d'usage des sols depuis plus de 20 ans, le modèle spatial conçu vise, dans un premier temps, à cartographier les évolutions passées du couvert forestier, puis à les expliquer par différentes variables biophysiques, d'accessibilité ou de gestion des terres. En s'appuyant sur une architecture de réseau neuronal, le modèle « apprend » et s'adapte jusqu'à quantifier de la manière la plus précise possible les liens entre les différentes variables et les pertes en surface forestière : il débouche sur une carte des zones présentant un risque élevé de déforestation.

Cartographie des risques de déforestation dans les régions du programme CARPE

RDC.jpg

Source : WRI

Enfin, le modèle construit croise le résultat d'hypothèses sur le rythme de la déforestation et la cartographie des zones les plus sensibles : il s'agit d'identifier les aires géographiques susceptibles de perdre leur couvert forestier au cours de la décennie à venir. Couplé à un module de calcul des émissions de carbone liées à la seule biomasse aérienne forestière, les auteurs traduisent ensuite les surfaces forestières perdues en tonnes de CO2 émises, en faisant l'hypothèse d'un relâchement intégral du carbone stocké dans l'atmosphère l'année même de la déforestation.

Selon les projections réalisées sur la base du taux de déforestation des années antérieures, au moins 330 000 hectares de forêts pourraient changer d'usage d'ici 2025, dans les régions concernées par l'étude, pour l'essentiel imputables à l'agriculture itinérante, aux concessions d'exploitation forestière et au développement des infrastructures (routes notamment). Au-delà de l'estimation à dix ans des pertes en surfaces forestières, le modèle permet d'analyser l'impact de différents scénarios de développement ou de politiques de conservation.

Muriel Mahé, Centre d'études et de prospective

Source : World Resources Institute

07/07/2017

Vers la prochaine génération de modèles représentant les systèmes agricoles

La revue Agricultural Systems consacre un numéro spécial aux nouvelles générations des outils de recherche sur les systèmes agricoles : données, modèles, connaissances. Ce travail s’inscrit dans le cadre d’AgMIP (Agricultural model intercomparison and improvement project), projet financé par la fondation Bill et Melinda Gates (voir à ce sujet un précédent billet sur ce blog).

En introduction et en conclusion, les chercheurs reprennent les principales pistes d’amélioration. Selon eux, les modèles actuels, lancés il y a 30-40 ans, n’exploitent pas encore pleinement les avancées des technologies de l’information et de la communication (TIC). Il serait également nécessaire de passer de modèles développés par la recherche à des fins académiques à des modèles tournés vers les utilisateurs finaux : petites exploitations dans les pays en développement, usages commerciaux comme le conseil, etc. À ce titre, les auteurs discutent du besoin d’outils pour faciliter l’utilisation des résultats issus des simulations, à l’instar d’applications sur les smartphones. Pour la communauté scientifique, ils évoquent le déploiement d’approches collaboratives, via les opportunités offertes par les TIC pour l’accès aux données, l’établissement de protocoles partagés pour leur collecte, ou encore la décomposition de modèles complexes en modules plus aisément mobilisables par de nouveaux travaux de recherche.

Le lecteur trouvera divers articles, dont un sur l'histoire des modèles de systèmes agricoles, plutôt centré sur les phénomènes biophysiques et revenant également sur les couplages récents avec des modèles économiques. L’infographie ci-dessous illustre les principales étapes de cette histoire. Un second article dresse l’état de l’art, et deux autres développent plus en détails les pistes d’amélioration des modèles, en particulier via les TIC. Trois exemples plus concrets sont proposés, dont un sur la modélisation des impacts des nuisibles et des maladies sur les cultures. Les auteurs de cet article soulignent l’obsolescence des données récoltées par le passé sur les pertes en rendement, pour des simulations avec changement climatique. Pour pallier ces difficultés, ils proposent une feuille de route en cinq étapes, afin d'améliorer la calibration et l’évaluation de ces modèles, mais aussi pour prolonger la dynamique de collaboration amorcée par AgMIP.

Chronologie des principaux événements ayant marqué la modélisation des systèmes agricoles

agmip.jpg

Source : Agricultural Systems

Élise Delgoulet, Centre d'études et de prospective

Source : Agricultural Systems

18/04/2017

Modéliser les causes de la déforestation et identifier les zones à risque pour mieux cibler les politiques

Déterminer, d'une part, la pression humaine sur la forêt et localiser, d'autre part, les zones potentiellement impactées, tel est l'objectif d'une nouvelle approche de modélisation de la déforestation en Guyane, détaillée dans un article récent publié par Global Change Biology.

La modélisation de la déforestation s'appuie généralement sur des cartographies très précises des zones soumises à une forte pression des populations. Si certaines approches ont intégré des facteurs explicatifs d'ordre économique, concilier des paramètres de spatialité (micro versus macro) et de temporalité (court terme versus long terme) différentes pose de nombreux problèmes méthodologiques. Le modèle présenté résout ce dilemme en couplant un modèle géospatial de la déforestation, à l'échelle du pixel d'observation (permettant de simuler les zones à risque en matière de déforestation), et des sous-modèles macroéconomiques, visant à expliciter les phénomènes socio-économiques à l'origine de la déforestation.

Diagramme général de fonctionnement du modèle de déforestation en Guyane

guyane.jpg
Source : Global Change Biology

Ces derniers sont zonés de façon à isoler chaque facteur prépondérant, permettant une approche régionalisée de la pression de déforestation. Trois zones ont ainsi été déterminées, obéissant chacune à des logiques différentes et à un sous-modèle spécifique : la région côtière, au nord, concentrant l'essentiel de la population et des défrichements à des fins agricoles ; la zone aurifère où la déforestation dépend essentiellement de la production d'or ; le domaine forestier permanent (forêts domaniales) où la pression provient de l'exploitation forestière. Cette spécialisation territoriale est rendue nécessaire par les temporalités différentes qui régissent la déforestation induite : de court terme dans le cas de la production d'or, à plus long terme pour les défrichements sous la pression démographique.

Au vu des simulations rétrospectives, ce type de modèle paraît robuste à la fois à un niveau local et à une échelle plus macro-économique. Il offre de nouvelles perspectives pour guider les politiques en faveur de la déforestation, notamment dans le cadre des programmes REDD+. Toutefois, l'application de cette méthode à d'autres territoires dépend fortement de l'accès à des données annuelles spatialisées de déforestation, mais aussi de la capacité à réaliser un zonage socio-économique, pour en identifier au plus près les facteurs.

Muriel Mahé, Centre d'études et de prospective

Source : Global Change Biology

16:41 Publié dans Forêts Bois | Lien permanent | Tags : forêt, guyane, modélisation, déforestation |  Imprimer | | | | |  Facebook