1 Adaptation de l`agriculture sahélienne aux changements

Adaptation de l’agriculture sahélienne aux changements climatiques : une
approche par la modélisation stochastique
Adaptation of Sahelian agriculture to climate change: a stochastic modeling approach
Abdoulaye Diarra
Institut International d'Ingénierie de l'Eau et de l'Environnement (Fondation 2iE)
[email protected]
Résumé
L’objectif visé par cet article est d’étudier la réponse de l’agriculteur sahélien face à des
sécheresses de plus en plus récurrentes prévues par le GIEC, d’évaluer les pertes occasionnées et
enfin de s’interroger sur les façons de remédier, au moins partiellement, aux effets négatifs. Nous
avons montré, à partir d'un modèle stochastique, que l'impact d'une augmentation de la fréquence
de mauvaises années de production reste très couteux pour l'agriculteur sahélien. Lorsque le
risque de mauvaises années est multiplié par 3,5, l'agriculteur voit sa richesse baisser de 34% par
rapport à sa richesse initiale et ce malgré une réorganisation des systèmes de cultures vers des
spéculations plus résistantes à la sécheresse. Nous avons ensuite montré que le paysan est prêt à
payer 21% de sa richesse soit 44862 FCFA par an pour éviter toute forme de risque dans
l’exercice de son activité agricole. Il est donc disposé à contribuer au financement de technologie
comme l’irrigation pour garantir un certain niveau de revenu. Enfin, nous avons montré, qu'une
information sur le risque de mauvaise année, transmise de façon précoce aux agriculteurs permet
de limiter de manière significative leur perte de richesse et de réduire les aides alimentaires.
Mots-clés : changement climatique, adaptation, assurance climatique, information climatique,
risque, sécheresse, Sahel, Burkina Faso
Summary
The purpose of this paper is to study the response of Sahelian farmer faced with the increasingly
frequent droughts envisaged by the IPCC, to assess the losses and finally to consider how to
address, at least partially, the negative effects. Using a stochastic model, we have shown, that
using a stochastic model, the impact of an increased frequency of bad years of production is very
expensive for the Sahelian farmer. When the risk of bad years is multiplied by 3.5, the farmer sees
his wealth going down by 34% from its initial wealth, despite a reorganization of crop systems to
speculate make them more resistant to drought. We showed that the farmer is willing to pay 21%
of its wealth (44.862 CFA francs per year) to avoid any form of risk in the performance of its
agricultural activities. He is willing to finance technology such as irrigation to ensure a certain
level of income. We showed then that information on the risk of bad years, handed to farmers at
an early can significantly limit their loss of wealth and reducing food aid.
Keywords: climate change, adaptation, weather insurance, climate information, risk, drought,
Sahel, Burkina Faso
1
Introduction
D’après le dernier rapport du GIEC (IPCC, 2007), il faut s’attendre en Afrique de l’Ouest à des
conditions climatiques plus difficiles (sécheresses, températures plus élevées) et à une baisse de la
disponibilité de la ressource en eau. Dans la zone sahélienne, le processus de changement
climatique se traduira par une augmentation de la fréquence des épisodes de sécheresse.
Les enjeux sur le secteur agro-pastoral et partant la sécurité alimentaire sont donc importants
pour les pays sahéliens : l’agriculture est essentiellement pluviale et la population agricole atteint
50 à 80% de la population totale selon les pays ; le secteur agropastoral contribue entre 25 et 30%
de leur PIB ; enfin, la consommation de céréales contribue entre 80 et 85% des besoins
caloriques de la population (OCDE/CSAO, 2008). Face à ces enjeux, il devient important
d’anticiper la réaction des agriculteurs dans un contexte de changement climatique afin de trouver
les mécanismes nécessaires pour limiter les effets du changement.
L’objectif visé par cet article est donc d’étudier la réponse de l’agriculteur sahélien face à des
sécheresses de plus en plus récurrentes, d’évaluer les pertes occasionnées et enfin de s’interroge
sur les façons de remédier, au moins partiellement, aux effets négatifs à partir de la littérature et
des résultats d’un modèle stochastique.
1. Importance du risque de production dans le contexte sahélien
De nombreux économistes se sont penchés sur le risque. F. Knight (1921) est l’un des premiers à
raisonner dans les cas d’incertitude et d’absence d’information complète. Il fait la distinction entre
le risque qui implique la connaissance de probabilités numériques objectives, et incertitude, où les
résultats sont incertains et les probabilités inconnues. Les auteurs comme Newbery et Stiglitz
(1981) confortent cette idée en distinguant les risques systémiques et les risques non systémiques (ou
spécifiques). Les risques systémiques renvoient à des événements qui se répètent dans le temps,
avec des probabilités qui peuvent être analysées de façon à obtenir de bonne estimation des
risques actuariels. A l’inverse, les risques non systémiques se caractérisent par des antécédents peu
nombreux ou consignés de façon imparfaite, de sorte qu’il est difficile d’estimer des probabilités
objectives ou une distribution de résultats.
Les risques sont également classés selon leurs sources. Dans le domaine agricole plusieurs
classifications ont été établies. Huirne et al. (2000) et Hardaker et al. (2004) distinguent deux
grands types de risques en agriculture. Le premier est le risque d’exploitation, qui comprend les
risques de production et de marché, le risque institutionnel et le risque personnel. Le deuxième
grand type est constitué des risques financiers, qui résultent de différentes méthodes de
financement de l’activité d’exploitations agricoles.
Il ressort de ces différentes classifications que l’agriculteur reste un secteur susceptible de
connaitre plusieurs sources de risque. Cependant, les risques les plus importants en agriculture
restent les risques prix et production (OCDE, 2009). Le risque de production est dans une large
mesure déterminé par les conditions météorologiques et les maladies des plantes et animaux. Le
risque prix trouve sa source dans les marchés des intrants et des produits.
L’agriculture des pays sahéliens est en majorité pluviale et par conséquent très dépendante des
conditions pluviométriques. Selon, Lecaillon et Morrison (1984), l'eau conditionne et explique
environ 50% des fluctuations de la productivité et des potentialités agricoles des pays sahéliens).
D’après le dernier rapport du GIEC, les économies des pays en développement paieront le plus
2
lourd tribut, soit entre 75 et 80 % du coût des dommages causés par le changement climatique,
du fait de leurs fortes dépendances des ressources naturelles en particulier des rendements de
l’agriculture. Le graphe ci-dessous présente la variabilité des rendements dans le sahel Burkinabé,
en occurrence dans la province de Yatenga.
Figure 1: Evolution des rendements des cultures de mil, maïs et Sorgho dans le Yatenga
1 400
Rendements(kg/ha)
1 200
1 000
MAIS
800
MIL
600
SORGHO
400
200
1 996 1 997 1 998 1 999 2 000 2 001 2 002 2 003 2 004 2 005
Années
Source : La Direction Générale des Prévisions et des Statistiques Agricoles (DGPSA), 2008
Les rendements agricoles ont connu une forte variabilité ces dix dernières années comme l'atteste
le graphe ci-dessus. La variabilité des rendements dans le Yatenga diffèrent suivant les cultures.
Avec un coefficient de variation de 56,4%, le maïs est la production la plus variable, ensuite nous
avons le sorgho avec un coefficient de 25,4% et enfin le mil avec un coefficient de 21,6. Le faible
écart entre le risque de production du sorgho, culture sensible au stress hydrique, et le mil,
culture plutôt résistante au manque d'eau, s'explique par la culture du premier dans les bas fonds
humides contrairement au second. Concernant le maïs, culture exigeante en eau, il est cultivé
autour des concessions « champs de case » ; ce qui explique sa forte variabilité.
2. Les instruments de gestion des risques restent limités dans le sahel
Les stratégies de gestion des risques peuvent être classées en trois catégories (Holzmann et
Jorgensen, 2001) : les stratégies de prévention, destinées à réduire la probabilité de survenue d’un
événement néfaste, les stratégies d’ajustement, qui visent à alléger l’impact de l’événement
lorsqu’il s’est produit. Les stratégies de prévention et d’atténuation sont axées sur le lissage du
revenu, tandis que les stratégies d’ajustement sont axées sur le lissage de la consommation.
Les principaux types d’instruments et de stratégies varient selon les agriculteurs et leur niveau
d’information, les mécanismes du marché et les mesures gouvernementales. Les exploitants
peuvent donc choisir parmi la panoplie des instruments disponibles, la combinaison d’outils la
mieux adaptée à leur exposition au risque et à leur degré d’aversion au risque. Les deux
principaux instruments de marché servant à la gestion des risques en agriculture dans les pays de
l’OCDE sont les marchés à terme, qui répondent au risque de prix, et l’assurance qui répond
principalement au risque de production. Cependant, ces instruments sont quasi-inexistants dans
les pays sahéliens et pour faire face aux risques les agriculteurs doivent développer des stratégies
leur permettant de limiter les effets du risque de production et du risque de prix.
3
3. Prise en compte du risque dans les modèles agricoles
Plusieurs approches sont possibles dont deux sont souvent utilisées dans les modèles
d’exploitation agricole: le modèle à risque limité et le modèle espérance-variance. Les modèles à
risque limité ont pour but d’imposer à un problème donné des contraintes supplémentaires qui
expriment que la probabilité de réalisation de l’ensemble des autres contraintes du programme
soit supérieure à un seuil donné. Les pionniers en la matière sont Charnes et Cooper (1959).
Parmi ces modèles, on peut citer ceux dans lesquels on admet que l’entrepreneur maximise la
valeur moyenne de son revenu, mais en imposant la contrainte que sa probabilité de ruine soit
faible.
Le modèle espérance-variance est l’application directe des travaux de Bernoulli (1738) puis Von
Neumann et Morgenstern (1947), ainsi que Friedman et Savage (1948) sur la maximisation de
l’utilité espérée. Pour Meyer (2002), la maximisation de l’utilité espérée est devenue le paradigme
classique pour analyser le comportement économique en situation d’incertitude. Une valeur
approchée de la fonction d’utilité espérée est obtenue par son développement limité à l’ordre 2 en
série de Taylor (Freund, 1956) qui peut s’écrire en termes d’équivalent certain (EC) par la
formule :
(1)
Cela donne une valeur approchée de la prime de risque égale à la moitié de l’aversion absolue au
risque, multiplié par la variance de toutes les possibilités de richesse finale : les préférences
(coefficient d’aversion au risque) et la variabilité (variance de la richesse) sont les principaux
déterminants des coûts associés au risque du consentement maximum à payer pour un certain
résultat. Cette approche a été utilisée dans notre étude pour décrire le comportement de
l'agriculteur sahélien en univers incertain.
4. Le modèle économique
sahélien
d’optimisation du comportement
de l’agriculteur
La fonction d’utilité de l’agriculteur sahélien dans un contexte d’incertitude
Dans cette section, nous décrivons de manière formelle le comportement d’optimisation de
l’agriculteur en univers incertain. Nous considérons une petite exploitation agricole représentative
de la zone sahélienne du Burkina (localité de Tougou) faisant face au risque de production.
L'exploitation dispose en moyenne d'un troupeau de 4 petits ruminants (ovins et caprins), d'une
dizaine de volaille, une population de 9 individus et d'une SAU d'environ 2,9 hectares.
L'Equipment agricole reste très sommaire; quelques outils manuels. Ces informations concernent
la campagne agricole 2006. Les principales spéculations pratiquées sont le mil dans les glacis, le
maïs autour des concessions et le Sorgho dans les bas fonds. Les possibilités de travail à
l'extérieur restent également très limitées. En période de soudure la vente de bétail permet de
répondre aux besoins de la famille.
Dans un contexte de variabilité climatique, l’agriculteur sahélien va donc chercher à maximiser
l’utilité de la richesse espérée (U(R)) ; la richesse étant représentée par la somme du profit, des
équipements et des animaux en fin d'année :
4
(2)
avec E(R) la richesse espérée, σ R2 la variance de la richesse et Al 1 l’aversion absolue au risque.
Dans la fonction de la richesse (R) seuls les rendements sont aléatoires. Nous faisons
l'hypothèse qu'il n'y a pas de lien entre les rendements des différentes cultures et donc que leurs
covariances sont nulles. Par conséquent, la variance de la richesse ( σ R2 ) s’écrit :
∑,, , , (3)
Avec cult représentant toutes les activités de productions agricoles et sol les différents types de
sols, Pcult le prix, Xcult la superficie, et le risque associé à la culture.
Plusieurs hypothèses sont posées. Premièrement, l'agriculteur connaît la distribution de
probabilité qui caractérise le risque de production sur les 22 dernières années (de 1984 à 2005).
On considère alors que chaque année observée est équiprobable et l'on affecte donc à chacune
d'elle, dans la fonction "objectif" une probabilité égale à 1/22. Ensuite nous faisons l’hypothèse
qu’il connait parfaitement sa fonction de production.
Prise en compte des réalités du monde sahélien
Dans le modèle, l’année est divisée en deux périodes : une première période qui va de Juin à
Novembre et qui se caractérise par une grande mobilisation de la main-d’œuvre familiale pour les
travaux de semis et de récolte, par une activité commerciale importante grâce à la vente de récolte
et d’animaux ; une deuxième période qui va de Décembre à Mai, qui est plutôt une période sans
grande activité agricole.
Les contraintes usuelles sont considérées au niveau des exploitations agricoles pour chaque
période. Certaines concernent les données agronomiques (besoins et disponibilités en inputs
variables) d’autres, la dotation en facteur (terre, travail, capital), d’autres, l’état économique de
l’exploitation (flux de trésorerie).
Ainsi l’utilisation de la terre pour chaque culture (Cult) est soumise à sa disponibilité Terdispo:
∑ ,,!
"#$%&'(,!
(4)
La main d'œuvre familiale est allouée entre le travail agricole (TRAV) sur l’exploitation et le
travail extérieur (TRAVEXT) en fonction de ses besoins sur l’exploitation, des opportunités de
travail à l’extérieur et du salaire espéré. La somme des besoins en main d’œuvre des activités
culturales ne devrait pas dépasser les ressources en main-d'œuvre familiale disponibles (travmax)
pendant une période, plus la main d’œuvre salariée si besoin (TRAVSALA) et moins les
ressources en main-d'œuvre familiale cédées à l’extérieur.
1
Le coefficient absolu d'aversion au risque vaut )" /), ' où u représente la fonction d'utilité de
l'agent
5
∑ -#./)0-,,! ,,!
1 ,! ,!
∑ ,! 2 ! 3 -#.4!
(5)
(6)
La dynamique du troupeau est également prise en compte. L’effectif des animaux en début de
chaque période (ANTRANF) et en fin d’année (ANFIN) sont évalués. L’effectif par type
d’animaux en début de deuxième période (P2) est égal l’effectif en début de la première période
(P1) moins les ventes (ANVEND) et plus les achats (ANTACH). L’effectif en fin d’année sera
l’effectif en début de deuxième période moins les ventes et plus les achats.
5%5%67 2 889!,67 2 88:!;,67 889!;,67 8<!;,67 0
889"p2",elv 88:"p2",67 2 8<"p2",67 89C867
(7)
(8)
La contrainte alimentaire des individus est aussi prise en considération. La somme des besoins en
calories de chaque catégorie de la population par période (besnut) doit être inférieure ou égale au
nombre d’unités calorifiques disponibles par période. Ces besoins peuvent être couverts par les
quantités des aliments produits et autoconsommés (OTOCONSC), par les achats sur le marché
(ACHAC) et par les aides alimentaires en cas de pénurie (aidalim).
D"&5)-!,EF 3
∑7G7F <7G7F,! H)0/7G7F,EF 2 ∑7G7F III817G7F,! H)0/7G7F,EF 2
%$0%4!
(9)
Dans un environnement où les possibilités de crédit sont faibles voire inexistantes, les contraintes
de liquidités deviennent très pesantes. La prise en compte de cet élément dans le comportement
des paysans permet de mieux expliquer leur réaction face à des incitations extérieures. En
première période, la contrainte de liquidité est telle que le producteur doit financer les facteurs de
production relatifs aux cultures (INTRUT), les besoins en produits non alimentaires (consmin) de
sa famille grâce aux ventes d’animaux (DECAP) et de céréales (VENCER), au travail salarié à
l’extérieur (TRAVEXT). En deuxième période, le financement est assuré grâce à la vente d’une
partie des céréales, à la vente d’animaux, au travail salarié à l’extérieur, aux liquidités de la saison
précédente (CASH).
∑ 8,! '/)0-,! ∑GE, C8,GE,! '%5-!,GE ∑ 1 ,! &0! 2 ! &0! ∑7G7F <7G7F,! '&()$7G7F,! /(5&4%5! 1<!; 2 :! 1<!
(10)
En ce qui concerne le revenu de l’exploitation agricole, il est calculé pour chaque période. Il est
égal à la production des différentes activités de chaque période multiplié par leurs prix, plus la
rémunération du travail salarié, moins les coûts des facteurs et les charges liées à la
consommation humaine.
6
∑, I: ,! '/)0-,! ∑GE, C8,GE,! '%5-!,GE ∑ 1 ,! &0! 2 ! &0! ∑7G7F <7G7F,! '&()$7G7F,! /(5&4%5! 2 :! I9C!
(11)
5. Calibrage du modèle
Le coefficient d'aversion absolue au risque A a été utilisé comme un paramètre de calibrage du
modèle. Une démarche qui s’inspire des travaux de Simmons and Pomareda (1975), Brink and
McCarl (1978) et de Hazell et al. (1983). Le tableau ci-dessous présente le niveau d’activité en
fonction du niveau de l’aversion absolue au risque A
Tableau 1 : Le niveau d’activité agricole en fonction de différents niveaux d’aversion au risque
Superficie cultures
et vente d’animaux Valeur coefficient d'aversion absolue
du risque
Mil_GL
Sorgho_BF
Maïs_CASE
Sorgho_Case
Petit_rum vendu
Volaille_vendu
0,000044
1,62
0,96
0,31
0
0,349
10
0,0001
1,538
0,96
0,203
0,107
0,909
10
0,0002
1,187
0,96
0,144
0,123
3,979
10
Situation
de
référence
en 2006
1,62
0,96
0,31
0
1,67
3,3
GL : Glacis ; BF : Bas Fond ; CASE : Champs de case ; Petit_rum : petits ruminants
La comparaison entre les résultats simulés selon le niveau d’aversion absolue au risque et les
résultats de la situation de référence issus des enquêtes socio-économiques de 2006, montre que
le niveau d’aversion au risque de 0,000044 donne des résultats plus proches de la réalité. En
conclusion, nous l’avons retenu comme étant le coefficient d’aversion absolue au risque du
paysan sahélien.
Des exercices de statiques comparatives ont également été conduits de manière à tester la stabilité
des résultats aux petites variations du coefficient d'aversion. La démarche classique d’analyse de
sensibilité d’un modèle consiste ainsi à analyser de faibles modifications (quelques %) des
paramètres pris un par un, ce qui permet de construire des fonctions de sensibilité (Pavé ,1994).
La dispersion des résultats obtenus est alors étudiée pour certaines variables particulièrement
importantes : si le rapport de l’écart type à la moyenne des résultats obtenus est faible, le modèle
est jugé peu sensible.
La sensibilité de notre modèle est testée en adoptant un scénario théorique d'augmentation de 0
à 50% au pas de 5% du coefficient d'aversion absolue au risque. Le tableau suivant présente la
moyenne, l’écart type et le rapport de ces deux valeurs pour les principales variables du modèle.
L’étude des résultats nous révèle que les variables principales ont un écart type inférieur à 1,5%
de la moyenne. Par conséquent, nous pouvons conclure que le modèle est peu sensible aux
variations du coefficient d'aversion au risque et donc, que le niveau du coefficient d'aversion au
risque établi représente la préférence pour le risque de l'agriculteur sahélien.
7
Tableau 2: Moyenne, écart-type et coefficient de variation des principales variables
Variables
Moyenne
Ecart type
CV (%)
Richesse
Equivalent certain
215546
323
0,15
160062
7364
4.60
Profit
176325
372
0.21
Le passage du coefficient absolu d’aversion au risque au coefficient relatif d’aversion au risque2
se fait par multiplication de ce dernier par l’espérance de richesse. Le coefficient d'aversion
relative au risque calculé à partir du coefficient absolu A donne une valeur 9,51. L'agriculteur
sahélien, comme on pouvait s'y attendre, est très riscophobe. En effet, en se référant au
classement établi par Binswanger, H. (1980), un individu avec coefficient supérieur à 7,51 est
considéré comme étant extrêmement averse au risque.
6. L'impact de l'augmentation des mauvaises années
On fait l'hypothèse que le changement climatique va se traduire par une augmentation de la
fréquence de réalisation de mauvaises années. Pour ce faire, on modifie les probabilités associées
aux années climatiques en attribuant un poids plus important aux mauvaises années (1984,
1985,1987 et 1990). Dans ce qui suit, nous appliquons un coefficient multiplicateur au risque de
mauvaises années qui varie de 1 à 3,5. Un coefficient de 2,5 signifie que la fréquence de
réalisation d’une mauvaise année est 2,5 fois plus élevée que dans le cas équiprobable.
Le tableau suivant permet de voir comment l’augmentation de la fréquence des années de
sécheresse modifie les décisions de choix d’allocation de surface et de mesurer le coût pour
l’agriculteur sahélien de cette augmentation en termes de perte de richesse.
2
Le coefficient relatif est donné par J )" /), où u représente la fonction d'utilité de l'agent et son espérance de richesse.
8
Tableau 3 : Impact d'une augmentation de la fréquence des mauvaises années sur le
comportement de l'agriculteur sahélien.
Coefficient
Systèmes de cultures
multiplicateur
du
risque de mauvaises
années
1
Mil_GL: 1,62
Sorgho_BF: 0,96
Maïs_CASE : 0,31
2
3.5
Richesse
espérée
Ruminants
restants
216058
4
Mil_GL: 1,62
Sorgho_BF: 0,96
Maïs_CASE: 0,209
Sorgho_CASE: 0,101
188704
(-13%)
2
Mil_GL: 1,62
Sorgho_BF: 0,96
Maïs_CASE: 0,056
Sorgho_CASE: 0,254
142682
(-34%)
0
Lorsqu'on applique un coefficient multiplicateur de 3,5 aux mauvaises années (1984, 1985,1987 et
1990), l'agriculteur réalloue les surfaces aux cultures pour limiter l'impact sur sa richesse d'une
augmentation de la fréquence des mauvaises années. Il réduit la superficie allouée au maïs au
profit du Sorgho, mieux adapté aux conditions difficiles et vend la totalité de son troupeau pour
subvenir à ses besoins. Malgré cette nouvelle organisation, sa richesse baisse de 34% par rapport
à sa richesse initiale.
La forte baisse de la richesse des agriculteurs sahéliens suite à une augmentation de la fréquence
de mauvaises années s'explique par leur faible marge de manœuvre. Les activés extra agricoles
leur permettant d'améliorer leur revenu ne sont pas toujours disponibles. Ils sont obligés de se
décapitaliser à certaines périodes de l'année pour subvenir à leurs besoins, ce qui réduit fortement
leur richesse et donc les possibilités d'investir pour améliorer leur productivité.
Une question posée par le problème du risque en agriculture, à la fois aux pouvoirs publics, aux
assurances privées et aux agriculteurs eux-mêmes, est celle de l’assurabilité d’un tel risque. La
mise en place d'un tel produit d'assurance demande au préalable une bonne connaissance de la
disposition à payer des agriculteurs sahéliens pour éviter toute forme de risque dans l'exercice de
son activité agricole.
7. Difficulté d’avoir un marché d’assurance agricole dans le Sahel
L’équivalent certain et la prime de risque sont deux éléments importants pour la mise en place
d'une éventuelle assurance. La prime de risque est définie comme le montant monétaire que
l’agriculteur est prêt à sacrifier pour éviter toute forme de risque dans l’exercice de son activité
9
agricole. L’équivalent certain3 et la prime de risque4 calculés pour l’agriculteur sahélien s’élèvent
respectivement à 171196 FCFA et 44862 FCFA. Il est donc prêt à payer environ 21% de sa
richesse pour ne plus à avoir à supporter de risque
Cette information sur la valeur de la prime de risque est très importante pour les assureurs, elle
leur permet de voir jusqu'à quel niveau ils peuvent fixer la prime d'assurance. Cependant cette
information ne suffit pas pour qu'un marché d'assurance se développe. Du côté de l'offre
d'assurance, pour qu'une couverture puisse être proposée il faut que les risques soient peu
corrélés. La loi des grands nombres permet alors de lisser la variabilité du montant total de
primes payées par les assureurs. Dans le cas contraire (risques systémiques), les assureurs voient
les indemnités versées fluctuer fortement. Ces fluctuations peuvent augmenter le risque de faillite
des assureurs (Blanc, 2003). Or, dans le contexte sahélien, le risque de production affecte
simultanément un grand nombre d'exploitations agricoles; ce qui freine toute possibilité
d'assurance agricole.
La difficulté d'avoir un marché d'assurance agricole n'est pas spécifique au contexte sahélien.
Dans les pays développés, l'incapacité des assureurs privés à assurer les risques de production
agricole a obligé les pouvoirs publics des pays développés à intervenir soit directement par la
création de fonds, soit indirectement en tant que réassureur en dernier ressort, soit encore en
participant au financement des primes versées par les agriculteurs (Roger, 2001).
Ces solutions peuvent être applicables dans le contexte sahélien, mais les fonds nécessaires pour
cela risque d'être trop importants pour les pouvoirs publics. Il faut donc trouver d'autres
instruments plus adaptés.
8. L’irrigation comme moyen de limiter les effets du changement climatique
Les périmètres irrigués représentent moins de 2% des terres cultivées Ouest africaines contre 18
% au niveau mondial et 33 % en Inde et ne contribuent que modérément à la sécurité alimentaire
de la région (barbier et al, 2009). Selon le Global Water Partnership (GWP-WATAC, 2000), le
niveau de prélèvement des ressources en eau renouvelables en Afrique de l’Ouest (compte non
tenu du Cameroun et du Tchad) est actuellement de 11 milliards de m3 par an pour un disponible
de 1 300 milliards de m3, soit moins de 1 %. L’agriculture absorbe 75 % de ces prélèvements, la
consommation domestique 17 % et l’industrie 7 %. Même si elle est largement majoritaire,
l’utilisation agricole de l’eau est faible. Sur les 75,5 millions d’hectares de terres arables de
l’Afrique de l’Ouest, seuls 1,2 % (917 000 ha) sont aménagés pour l’irrigation et 0,8 % (635 000
ha) effectivement exploités.
Cette situation peut s’expliquer en partie par les plans d’ajustement structurel des années 80. Les
réalisations de périmètres irrigués se sont beaucoup ralenties depuis la mise en place de ces
mesures (barbier et al, 2009). Cette politique libérale ne permettait plus la subvention totale de
telles infrastructures. Et pourtant, l’investissement dans l’irrigation pourrait être une solution
aux changements climatiques marqués par des sécheresses de plus en plus récurrentes.
Depuis le début de la décennie, les éléments clés du débat sur la construction de la grande
hydraulique ont changé. Plusieurs éléments ont permis de relancer les projets de grandes
infrastructures hydrauliques (barbier et al, 2009) : l’apaisement des grands conflits armés (comme
3
L’équivalent certain = 4
La prime de risque =
10
en Sierra Léone et au Libéria), certains progrès de la démocratie, les progrès de l’intégration
régionale, une certaine reprise économique, la récente crise alimentaire et surtout la réduction
d’une grande partie des dettes multilatérales.
Les institutions financières internationales souhaitent à nouveau investir dans l’irrigation pour
limiter les effets des changements climatiques. Dans un contexte où les ressources financières
sont de plus en plus rares, le paiement par les bénéficiaires de la totalité des coûts d’entretien et
de gestion ainsi que le remboursement partiel des coûts d’investissement deviendront une
exigence pour la mise en œuvre de tels investissements. Il ne s’agira donc de proposer un prix de
l’eau d’irrigation qui soit le plus proche possible de son coût de production.
La prime de risque calculée dans cette étude représente un bon indicateur du niveau
d’implication possible des paysans. Elle montre que les paysans sont prêts à payer jusqu’à
44862 FCFA (21 % de sa richesse) pour éviter toute forme de risque dans l’exercice de leurs
activités agricoles. Par exemple au Sénégal, dans la vallée du fleuve Sénégal, le coût de l’eau est
estimé à environ 6 FCFA/m3 avec prise en compte des frais de maintenance et d’entretien (M.A.,
2008). Etant donné que pour irriguer un hectare de sorgho ou de maïs il faut environ 700 mm
d’eau soit 7000 m3, le coût annuel de l’eau d’irrigation reviendrait à 42000 FCFA à l’agriculteur.
Ce montant reste inférieur à la disposition à payer de l’agriculteur.
9. Le mécanisme d'alerte précoce, une autre solution pour limiter les effets du
changement climatique
Devant le poids écrasant des famines qui ont frappé l'Afrique subsaharienne dans les années 70
et 80, des systèmes nationaux et régionaux d'alerte précoce (SAP) ont été mis en place sur tout le
continent (Fao, 2006). Si ce dispositif est capital pour les pouvoirs publics pour décider ou non
d'une aide alimentaire, il pourrait être d’une grande utilité pour les agriculteurs dans leur prise
de décision (choix des spéculations, des espèces culturales à cultiver et du dimensionnement des
champs) si l’information climatique est fournie avant la campagne agricole. Dans les paragraphes
suivants nous analysons l’impact de la prévision saisonnière sur le comportement des agriculteurs
sahéliens.
Dans le tableau ci-dessous, on distingue plusieurs cas de figure. Dans le premier cas, l'agriculteur
est informé de la survenance d'une mauvaise année avec une probabilité de 100%. C'est-à-dire
qu’il y a 100% de chance que l’année soit très mauvaise. En intégrant cette information dans sa
prise de décision, l'agriculteur choisit de produire du mil sur une superficie de 1,62 ha dans les
glacis, du Sorgho sur 0.96 ha dans les bas fonds et de remplacer le maïs de case par du sorgho.
Lorsque la mauvaise année se réalise vraiment, la richesse de l'agriculteur est de 110730 FCFA. Il
faut également noter qu’une aide alimentaire de 267 kg de céréales est indispensable pour
satisfaire les besoins alimentaires de la famille. Dans le deuxième cas de figure, l'agriculteur n'a
pas d'information sur les prévisions saisonnières. Dans une telle situation, il produit du mil sur
1,31 ha, du maïs sur 0,31 ha et du Sorgho sur 0,96 ha. La réalisation d'une mauvaise année se
soldera par une richesse de 97671 FCFA, inférieure au niveau de richesse réalisé lorsque
l'agriculteur est informé. L'aide alimentaire reste supérieure à celle du premier cas avec 290 kg de
céréales. Ces valeurs, qui semble faibles à l'échelle individuelle, reste très importantes sur le plan
régional.
11
Tableau 4 : Comparaison entre une situation sans et avec prévision de mauvaise année lorsque la
mauvaise année se réalise effectivement
Prévision saisonnière:
100% de risque de
mauvaise année
Sans prévision
saisonnière
Systèmes de cultures Richesse (FCFA)
(ha)
Mil_GL: 1,62
110730
Sorgho_BF: 0,96
Sorgho_CASE: 0,31
Mil: 1,62
Sorgho_BF: 0,96
Maïs_case: 0,31
97671
Aide alimentaire (kg)
267
290
Les principaux renseignements qu'on peut tirer de ce tableau sont les suivantes. Une information
sur le risque de mauvaise année, transmise de façon précoce aux agriculteurs permet de limiter de
manière significative leur perte de richesse et de réduire les aides alimentaires. En effet, elle
facilite leur prise de décision en matière de choix des spéculations et d'allocation des terres. Pour
que l’information soit utile aux agriculteurs, il faudrait qu’elle soit fiable mais également qu’elle
soit accessible avant la campagne agricole.
Au sahel, malgré les efforts de ces vingt dernières années en termes de prévisions saisonnières des
obstacles restent à franchir. Sultan (2010) note un fossé entre la communauté des prévisionnistes
et celles des utilisateurs potentiels des systèmes d’alertes précoces dans le sahel :
-
-
-
Les variables prévues ne sont pas celles qui intéressent les agriculteurs. Par exemple les
cumuls saisonniers des pluies fourni par le forum5 PRESAO (Réseau de prévention des
crises alimentaires) est insuffisant pour orienter les agriculteurs. Ces informations ont un
faible potentiel pour augmenter le revenu des agriculteurs (Roudier et al, 2011 in Sultan
B., 2010).
les délais de prévisions proposés ne correspondent pas à ceux requis pour orienter les
décisions stratégiques des agriculteurs. Par exemple la prévision saisonnière PRESAO qui
est souvent diffusée après le semis des cultures laisse très peu de marge de manœuvre
aux agriculteurs pour ajuster leur stratégie ;
le degré de confiance de la prévision et surtout la peur de l‘erreur limite souvent à la fois
l‘utilisation de la prévision (une prévision fausse ou mal interprétée peut être préjudiciable
pour l‘utilisateur éventuel) mais aussi la façon dont elle est communiquée à l‘utilisateur.
Une fois ces différentes contraintes levées grâce à un investissement dans la recherche et
l’amélioration des techniques de prévision et à une meilleure collaboration des différentes
institutions internationales et sous régionales de prévisions saisonnières, l’information climatique
5
Des forums annuels PRESAO et GHACOF (Greater Horn of Africa climate Outlook Forum) qui réunissent les experts du
climat et de la météorologie appartenant aux services météorologiques et hydrologiques nationaux pour réaliser une prévision
de la saison à venir chaque année depuis 1998 (Ward et al. 2004). Les plus grands centres internationaux (ECMWF, UKMO,
Météo-France, NCEP et IRI) contribuent à ces forums.
12
deviendra un instrument de gestion des risques climatiques
l’assurance ou les marchés à termes.
13
efficace au même titre que
Conclusion
Nous avons montré, à partir d'un modèle stochastique, que l'impact d'une augmentation de la
fréquence de mauvaises années de production reste très couteux pour l'agriculteur sahélien.
Lorsque le risque de mauvaises années est multiplié par 3,5, l'agriculteur voit sa richesse baissée
de 34% par rapport à sa richesse initiale et ce malgré une réorganisation des systèmes de cultures
vers des spéculations plus résistantes. Nous avons également montré que l'agriculteur sahélien,
étant riscophobe, est prêt à payer 21 % de sa richesse pour ne plus avoir à supporter le risque de
production. Cependant cette information ne suffit pas pour qu'un marché d'assurance se
développe. Du côté de l'offre d'assurance, pour qu'une couverture puisse être proposée il faut que
les risques soient peu corrélés. Or, dans le contexte sahélien, le risque de production affecte
simultanément un grand nombre d'exploitations agricoles; ce qui freine toute possibilité
d'assurance agricole. Cependant, à l’échelle mondiale ou africaine, le problème de la corrélation
des risques peut être levé ; la situation du sahel n’étant pas dépendant des autres régions
climatiques. Nous avons ensuite montré que le paysan est prêt à contribuer au financement de
technologie comme l’irrigation pour garantir un certain niveau de revenu. Enfin, nous avons
montré, qu'une information sur le risque de mauvaise année, transmise de façon précoce aux
agriculteurs permet de limiter de manière significative leur perte de richesse et de réduire les aides
alimentaires. Toutefois, l’information doit être accessible et fiable. Une fiabilité qui demanderait
un investissement dans la recherche et l’amélioration des techniques de prévision et, une
collaboration des différentes institutions de prévisions saisonnières.
14
Bibliographie
Anderson, J.R., Dillon, J.L., 1992. Risk analysis in dryland farming systems. Farming Systems
Management Series No. 2, FAO, Rome.
Barbier, B., H. Yacouba , H. A. Maïga, G. Mahé and J.-E. Paturel, 2009. Le retour des grands
investissements hydrauliques en Afrique de l'Ouest : les perspectives et les enjeux. Geocarrefour
84(1). AERES Geographie
Bernoulli D., 1738. Specimen Theoriae Novae de Mensura Sortis. Comentarii Academiae
Sciebtiarum Imperialis Petropolitariae, Tomus V, 1738, p. 175-192, Traduction anglaise par
Louisz Sommer, Econmetrica, vol. 22, n°1, janvier 1954, p. 23-36
Binswanger H., 1980. Attitudes toward risk: experimental measures in rural India. AJAE, 62:
395-407
Blanc C., 2003. La gestion des risqué en agriculture: Modèle d'offre-demande d'assurance récolte.
Ministère de l'Economie, des Finances et de l'Industrie, Direction de la Prévision. France.
Bontems P., Thomas A., 2000. Risk premium and value of information: The case of split
nitrogen application for corn crop. American Journal of Agricultural Economics 82, 59-70.
Boussard J.M., 1970. Programmation mathématique et théorie de la production agricole. Cujas,
251p.
Brink, L., McCarl, B., 1978. The tradeoff between expected return and risk among cornbelt
farmers. Am. J. Agric. Econ. 60, 259– 263.
Cardenas J.-C., Carpenter J., 2008. Behavioural Developement Economics : Lessons from field
labs in the Developping World. The Journal of Development Studies, 44(3), 311-338
Charnes A., Cooper W.W., 1959. Chance constrained programming. Management sciences, vol.6,
n°5, octobre 1959, p. 73-79
Coulibaly O., J.D., Vitale and J.H., Sanders, 1997. Expected Effects of Devaluation on cereal
Production in the Sudanian Region of Mali. Dept. of Ag. Ec., Purdue Univ., W. Lafayette.
Direction Générale des Prévisions et des Statistiques Agricoles (DGPSA), 2008. Série de
production, Superficie, Rendement de 1984/85-2004/2005 : cultures traditionnelles et riz des
plaines irriguées et bas fond aménagées. Burkina Faso.
FAO, 2006. Evaluation des systèmes d'alerte précoce pour la sécurité alimentaire en Afrique
subsaharienne. Note d'orientation n°4 , Novembre 2006.
Freund, R.J., 1956. The introduction of risk into a programming model.
N°24:253-263
15
Econometrica
Friedman M., Savage J.L., 1948. The utility analysis of choices involving risk. Journal of political
economy, vol. 56, n°4, août 1948, p.279-304
GWP-WATAC , 2000. Water for the 21st Century. Vision to Action for West Africa. Global Water
Partnership-West Africa Technical Advisory Committee (GWP-WATAC). Ouagadougou.
Hardaker, J.B., R. Huirne, J.R. Anderson et G.Lien., 2004. Coping with risk in agriculture. CABI
Publishing.
Hazell, P.B.R., Norton, R.D., Parthasarathy, M., Pomareda, C., 1983. The importance of risk in
agriculture planning models. In: Norton, R.D., Solis, M.L. (Eds.), The Book of CHAC:
Programming Studies for Mexican Agriculture. Johns Hopkins University Press, Baltimore, MD,
pp. 225– 249.
Holzma et Jorgensen., 2001. Social Risk management: A new conceptual framework for social
protection, and beyond. International Tax and public Finance, 8, 529-556.
Huirne, R.B.M., M. Meuwissen, J.B. Hardacker et J.R. Anderson, 2000. Risk and risk
management in agriculture: an overview and empirical results. International Journal of Risk
Assessment and Management 1 (2000): 125-136.
IPCC , 2007. Climate change 2007: Synthesis report, Contribution of working groups I, II and III
to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change [Core
writing team, Pachauri R.K., Reisinger A. (eds.)], IPCC, Geneva, Switzerland, 104 pp.
Knight F. H., 1921. Risk, uncertainty, and Profit. First edition Hart, Shaffner & Marx; Boston :
Houghton Mifflin Company, The Riverside Press, Cambridge.
LECAILLON J., MORRISSON Ch., 1984. Politiques macroéconomiques et performances
agricoles. Le cas de la Haute-Volta. OCDE, Centre de Développementt, Paris, 146p.
Meyer J., 2002. Expected Utility as a paradigm for decision making in agriculture. Chapitre 1 de
Just&Pope (2002)
Ministère de l’Agriculture, 2008. Cahier d’un projet d’investissement. Dakar, Sénégal
Neuman A. V., Morgenstern O., 1947. Theory of games and economic behaviour. Princeton
University press, Princeton, 1947.
Newbery, D.M. et J. Stiglitz, 1981. The Theory of commodity Prices stabilization. Oxford
University Press.
OCDE, 2009. Gestion des risques dans l'agriculture. Une approche Holistique. Paris: OCDE
Publishing
Pavé, A., 1994. Modélisation en biologie et en écologie. Lyon, Aléas.
Reynaud A., 2006. Adaptation à court et à long termes de l'agriculture au risque de sécheresse:
une approche par coiplage de modèles biophysiques et économiques. Revue d'Etudes en
Agriculture et Environnement, 90 (2), 121-154.
16
Roger C. ,2001. Les assurances agricoles: vers un nouvel instrument de politique agricole et de
garantie de revenu. Notes de Synthèse. INRA
Roudier P., Sultan B., Quirion P., Berg A., 2011. The impact of future climate change on West
African agriculture: what does the recent literature say? Global Environmental Change, in press.
Simmons, R.J., Pomareda, C., 1975. Equilibrium quantity and timing of Mexican vegetable
exports. Am. J. Agric. Econ. 57, 472–479.
Sultan B., 2011. L’étude des variations et du changement climatique en Afrique de l’Ouest et ses
retombées sociétales. HDR, Université Pierre et Marie Curie, Paris.
17