John Libbey Eurotext

Science et changements planétaires / Sécheresse

The advantages of seasonal forecasting for West African agriculture Volume 24, issue 4, Octobre-Novembre-Décembre 2013

Figures

See all figures

sec.2013.0398

Auteur(s) : Benjamin Sultan1 Benjamin.sultan@locean-ipsl.upmc.fr, Philippe Roudier2 roudier@centre-cired.fr, Philippe Quirion2 quirion@centre-cired.fr

1 Université Pierre et Marie Curie IRD - LOCEAN/IPSL 4, place Jussieu 75252 Paris cedex 05 France

2 CNRS Cired Nogent-sur-Marne cedex Campus du Jardin Tropical 45 bis, avenue de la Belle Gabrielle 94736 Nogent-sur-Marne cedex France

Tirés à part : B. Sultan

Réduire l’insécurité alimentaire est un enjeu majeur pour le futur de l’Afrique subsaharienne. En dépit d’une hausse de la production alimentaire, le très fort accroissement de la population a contribué à entraîner une augmentation du taux de pauvreté et de malnutrition en Afrique plus rapidement que n’importe où dans le monde. De plus, selon l’Institut national d’etudes démographiques ([Ined] ; Pison, 2011), la population de l’Afrique devrait plus que doubler d’ici 2050. Le futur de cette région dépend donc de la capacité du secteur agricole à relever le défi de nourrir une population qui croît rapidement. Or, ce défi sera d’autant plus difficile à relever que le changement climatique est aujourd’hui à l’œuvre et ne sera certainement pas sans conséquences sur l’agriculture, en Afrique comme ailleurs. Le quatrième rapport du Groupe d’experts intergouvernemental sur l’évolution du climat (GIEC) a en effet alerté la communauté internationale à propos d’une augmentation de la température partout dans le monde ainsi que d’une probable augmentation de la fréquence et de l’intensité des aléas météorologiques majeurs comme les sécheresses, citant l’Afrique comme le continent le plus vulnérable aux changements climatiques (Christensen et al., 2007). La grande majorité des études prévoient ainsi que le changement climatique diminuera les rendements agricoles en Afrique (Müller, 2011 ; Roudier et al., 2011a ; Knox et al., 2012).

Être en mesure d’anticiper les fluctuations climatiques quelques jours à quelques mois à l’avance peut faire une vraie différence dans les stratégies d’adaptation des populations africaines au changement climatique et constituer un premier pas pour augmenter les rendements et réduire les risques de crises alimentaires. En effet, l’agriculture pluviale étant extrêmement sensible aux aléas climatiques, l’agriculteur sahélien a développé une grande diversité de pratiques pour s’adapter à la forte variabilité climatique qu’il observe. Compte tenu des retombées potentiellement dramatiques d’une mauvaise saison des pluies (famines, migrations forcées), les pratiques de cet agriculteur sont souvent entachées d’une très forte aversion au risque (c’est-à-dire qu’il tend à éviter les choix présentant un risque de mauvaise récolte même s’ils sont plus productifs en moyenne [Affholder, 1997 ; de Rouw, 2003]). Si elles sont le plus souvent très efficaces, lui permettant de produire de quoi survivre en cas de sécheresse prolongée, elles limitent sévèrement le développement de son activité et le maintiennent dans la pauvreté (CGIAR, 2009). Pendant les bonnes années en termes de pluviométrie, sa production reste basse car il ne prend aucun risque pour profiter de ces conditions plus favorables (apports d’intrants, densification de semis, variété améliorée). De plus les changements socio-économiques (population qui augmente, compétition sur les ressources qui se raréfient) et la menace d’une variabilité climatique accrue en réponse au réchauffement global peuvent totalement remettre cette stratégie en question. L’information et la prévision climatique sont en mesure d’accompagner une nécessaire augmentation des rendements agricoles pour orienter les choix tactiques (à court terme comme le choix de la variété, date de semis) et/ou stratégiques (à plus long terme comme le choix du système de culture).

Durant les vingt dernières années, en réponse aux grandes sécheresses de la fin des années 1960, un effort important a été mené pour transposer les résultats scientifiques sur la compréhension du système de mousson en termes de méthodes de prévision de la qualité de la saison de mousson des semaines avant son démarrage effectif. Les modèles climatiques les plus récents (Palmer et al., 2004 ; Van der Linden et Mitchell, 2009) ou des modèles statistiques (Ward, 1998 ; Fontaine et al., 1999 ; Ogallo et al., 2000 ; Ward et al., 2004) ont montré qu’ils étaient capables de prédire de manière satisfaisante les fluctuations du climat dans de nombreuses parties du monde (Hansen, 2002). Certaines de ces méthodes sont même maintenant utilisées dans un contexte opérationnel en Afrique subsaharienne dans le cadre des forums PRESAO ([Prévision saisonnière en Afrique de l’Ouest], Hamatan et al., 2004) et GHACOF (Great Horn of Africa Climate Outlook Forum). Ces forums réunissent les experts du climat et de la météorologie appartenant aux services météorologiques et hydrologiques nationaux pour réaliser au printemps une prévision de la saison à venir chaque année depuis 1998 (Ward et al., 2004). Les services météorologiques nationaux diffusent ensuite cette prévision aux utilisateurs de manière à pouvoir orienter utilement la décision.

Cependant, rares sont les études qui mettent en évidence les bénéfices apportés par cette information climatique en Afrique de l’Ouest alors qu’elles sont cruciales pour isoler les variables climatiques les plus pertinentes sur lesquelles la communauté des climatologues devrait se focaliser et pour permettre l’adoption de la prévision dans le processus de décision (Meza et al., 2008 ; Sultan et al., 2010). En effet, même si les prévisions saisonnières sont réalisées et diffusées tous les ans depuis 1998 en Afrique de l’Ouest, la diffusion de ces prévisions et leur adoption par les agriculteurs sont trop partielles pour permettre une évaluation ex post qui mesurerait les retombées réelles de l’utilisation des prévisions par les agriculteurs (Meza et al., 2008). L’évaluation doit donc se faire de manière ex ante en utilisant des approches permettant d’évaluer les bénéfices des prévisions avant même leur adoption par les paysans (Meza et al., 2008  ; Sultan et al., 2010). Ces approches ont l’avantage de fournir des arguments chiffrés qui sont souvent nécessaires pour mobiliser des financements et des partenaires institutionnels. Elles peuvent également mettre en évidence les bénéfices liés à l’amélioration des systèmes de prévision actuels en testant par exemple l’opportunité de fournir aux utilisateurs de nouveaux produits adaptés à leurs besoins. Ce dernier point est particulièrement important en Afrique de l’Ouest où la prévision PRESAO se focalise presque exclusivement sur le cumul saisonnier des pluies alors qu’une prévision des dates de démarrage et de fin de la saison pluvieuse constitue une priorité parmi les attentes des agriculteurs (Ingram et al., 2002).

Cet article s’appuiera sur deux études récentes (Sultan et al., 2010 ; Roudier et al., 2011b) pour faire une synthèse de ce type d’approches ex ante et de leurs résultats pour l’évaluation des bénéfices potentiels de l’utilisation de la prévision climatique pour les agriculteurs en Afrique de l’Ouest. Les différentes stratégies des agriculteurs africains en réponse à la prévision climatique seront présentées dans une première partie. La méthodologie des approches ex ante et leurs résultats quant aux bénéfices potentiels des prévisions climatiques pour les agriculteurs seront abordés respectivement dans les deuxième et troisième parties.

Définition de stratégies en réponse à la prévision climatique

Pour espérer tirer des bénéfices de l’utilisation de la prévision climatique, il doit exister des décisions viables et sensibles au climat en réponse à la prévision (Hansen, 2002). Meza et al. (2008) soulignent à ce propos que les évaluations ex ante des prévisions saisonnières prennent généralement trop peu en compte ces stratégies d’adaptation en réponse à la prévision et sous-estiment ainsi la valeur de l’information diffusée. Pourtant, comme le montrent Luseno et al. (2003), l’étude des stratégies des agriculteurs est un point fondamental car la valeur finale de la prévision dépend principalement de la capacité de réaction des paysans. Le tableau 1 présente une synthèse des différentes stratégies que les agriculteurs africains pourraient mettre en œuvre s’ils disposaient de prévisions. Ainsi, selon Roncoli et al. (2009), les paysans burkinabè utiliseraient jusqu’à quatre stratégies différentes, avec 38 % d’entre eux seulement une stratégie et 27 % deux stratégies. Certaines études (O’Brien et al., 2000, par exemple) concluent que ces prévisions saisonnières ne changent pas réellement les pratiques culturales : cela peut être dû au fatalisme, au manque de confiance, ou à la présence d’autres systèmes de prévisions locaux. Cependant, cela ne signifie pas nécessairement que la prévision saisonnière est inutile mais plutôt qu’il y a un problème avec le format de l’information ou que les agriculteurs ne lui accordent que peu de confiance. Celle-ci doit être facile à comprendre et doit surtout être donnée au moment opportun, c’est-à-dire au moins un mois avant le début de la saison (Ingram et al., 2002), pour que les exploitants aient le temps d’acheter les semences et les intrants. Notons que la valeur d’une telle information dépend également du taux d’acceptation des usagers.

Tableau 1 Revue des stratégies d’adaptation possibles en réponse aux prévisions saisonnières telles que citées par les agriculteurs et mentionnées dans plusieurs publications scientifiques récentes.

D’après Roudier et al. (2011b).

Étude Pays Stratégies d’adaptation Commentaires
O’Brien et al. (2000) Tanzanie, Namibie, Afrique du Sud Changer la date de semis De nombreux agriculteurs n’ont rien fait dans l’étude pilote
Changer l’emplacement de la culture
Changer le type de culture
Intercropping
Utilisation d’engrais
Stocker plus de nourriture
Réduire les quantités plantées
Arrêter les activités agricoles
Tarhule et Lamb (2003) Afrique de l’Ouest Changer le type de culture Hétérogénéité en Afrique de l’Ouest : Les Maliens sont moins sceptiques. Les résultats sont présentés ici pour le Niger
Réduire la taille du troupeau
Changer les méthodes de pâturage
Changer la date de semis
Déplacement
Ingram et al. (2002)1 Burkina Faso Planter des cultures/variétés à cycle plus court Les stratégies dépendent du type d’année (« bonne » ou « mauvaise »). Seules certaines stratégies sont indiquées ici
Planter des cultures/variétés tolérantes à la sécheresse
+/ - de fumure et engrais chimiques
Stocker/vendre les stocks de grain
Orienter les sillons perpendiculairement à la pente
Acquérir du capital pour acheter des intrants
Rationner la nourriture
Ziervogel et al. (2005) Lésotho Ajuster la densité de semis Les deux paramètres sont utilisés dans un modèle. D’autres stratégies sont décrites brièvement
Faire varier le ratio maïs/sorgho planté
Luseno et al. (2003) Éthiopie et Kenya « Ajuster les choix culturaux » « Moins de 10 % de ceux qui ont reçu les prévisions extérieures sur le cumul pluviométrique ont ajusté leur comportement en rapport” »
Hassan et Nhemachena (2008) Zones arides africaines Diversification des cultures 37 % n’ont utilisé aucune stratégie d’adaptation
Utiliser différentes variétés
Faire varier les dates de semis et de récolte
Augmenter l’utilisation de l’irrigation
Augmenter les techniques de conservations d’eau et du sol
Faire de l’ombre
Réduire la longueur de la période de croissance
Se diversifier vers des activités non agricoles

1 D’autres stratégies sont décrites en page 343 de cet article selon le type de prévision.

Roudier et al. (2011b) se sont servis de ce type d’enquêtes auprès des agriculteurs pour définir des stratégies types dans une exploitation agricole dans le Sud-Ouest du Niger (figure 1) où les paysans auraient tendance à changer la variété du mil, la date de semis et le niveau de fertilisation s’ils avaient des informations sur le début et la fin de la saison pluvieuse, la quantité totale de pluie et sa répartition dans la saison. Considérant une zone plus pluvieuse dans la région de Nioro du Rip au Sénégal (environ 700 mm/an ; figure 1) avec plus d’options d’adaptation, Sultan et al. (2010) ont privilégié les changements de type de cultures et le niveau de fertilisation parmi les stratégies mises en œuvre par les agriculteurs en réponse à la prévision climatique. Par exemple, la culture du maïs avec un usage important de fertilisants pourrait être particulièrement adaptée en cas d’année humide alors qu’en raison de sa forte sensibilité au stress hydrique cette culture serait à éviter en cas d’année sèche.

Construction de modèles d’exploitation

Après avoir identifié les différentes stratégies d’adaptation des agriculteurs, l’approche d’évaluation ex ante, proposée par Wilks (1997) et plus récemment par Sultan et al. (2010) et par Roudier et al. (2011b) en Afrique de l’Ouest, consiste à élaborer un modèle d’exploitation. Ce type de modèle permet de mettre en évidence des stratégies d’exploitation optimale et de tester l’impact d’innovations comme l’utilisation des prévisions saisonnières tout en respectant les contraintes de l’exploitation (comme les revenus, le temps de travail disponible, la disponibilité des terres) et les règles de décision des exploitants. Ces modèles doivent être capables de : i) simuler les changements de rendements agricoles en réponse à des variations du climat et à des changements de pratiques agricoles ; et ii) de simuler les règles de prise de décisions des exploitants.

Simuler la réponse des rendements selon différents types d’itinéraires techniques et de climat

On distingue deux approches différentes visant toutes deux à quantifier la réponse de la productivité agricole aux variations climatiques et aux changements d’itinéraires techniques : la modélisation empirique ou statistique et la modélisation mécaniste.

Les modèles empiriques

Des modèles agronomiques empiriques peuvent être construits à partir d’analyses statistiques reliant des observations agronomiques et des observations climatiques (voir par exemple Lobell et al. [2008] et Schlenker et Lobell [2010]). Cette approche, utilisée par Sultan et al. (2010) pour estimer les rendements moyens selon différentes catégories de saison des pluies, a l’avantage d’être relativement simple et rapide à mettre en place mais présente néanmoins des limites importantes. Elle nécessite d’abord des jeux de données agronomiques et météorologiques de qualité sur de longues périodes, ce qui peut être difficile à obtenir en Afrique de l’Ouest, d’autant que lorsque l’on s’intéresse au rendement des cultures, un point de mesure correspond à une année entière. Il est alors difficile de construire un modèle statistique robuste en séparant bien un échantillon de données pour calibrer le modèle et un autre échantillon indépendant pour le valider. Beaucoup des modèles empiriques de la littérature peuvent dès lors surévaluer leur performance (« overfitting »). Par ailleurs, la plupart de ces modèles ont du mal à évaluer les effets non linéaires du climat sur le rendement et/ou ne prennent en compte que des variables climatiques agrégées sur la saison et négligent les effets des variations intrasaisonnières (séquences sèches, démarrage, longueur et fin de la saison).

Les modèles mécanistes

La compréhension des interactions entre la plante, l’atmosphère et le sol a pris son essor dans les années 1980 à travers l’agrométéorologie. Les acquis de cette connaissance ont été formalisés grâce à l’avènement des moyens informatiques par des modèles de culture mettant en équation la réponse des plantes cultivées aux conditions environnementales et météorologiques. Ces modèles mécanistes permettent pour une culture et/ou une variété de culture donnée de simuler, généralement sur une base journalière, la croissance et le développement de la plante au cours de son cycle phénologique afin de prédire la production de biomasse et le rendement à la fin de la saison de culture. Il existe un grand nombre de ces modèles à complexité variable, certains génériques (pouvant s’appliquer à un grand nombre de cultures), d’autres spécifiques à un type de culture ou à une variété : par exemple EPIC (Williams et al., 1984), CERES (Ritchie et Otter, 1985), WOFOST (Diepen et al., 1989), CROPGRO (Boote et al., 1998), STICS (Brisson et al., 2002) ou encore APSIM (Keating et al., 2003). Roudier et al. (2011b) utilisent le modèle SARRA-H (Dingkuhn et al., 2003 ; Baron et al., 2005 ; Sultan et al., 2005) qui a été développé spécifiquement pour simuler la réponse des céréales sèches (sorgho, mil) aux variations climatiques en milieu semi-aride (calibré et appliqué principalement au Sahel).

Simuler les règles de décisions des exploitants

En se basant sur les effets attendus des changements de pratiques et des variations climatiques, le modèle d’exploitation doit être capable d’estimer la meilleure stratégie culturale en réponse à la prévision climatique. Sultan et al. (2010) identifient cette stratégie optimale en réalisant une optimisation au sein d’un grand ensemble de stratégies possibles en maximisant le revenu net des paysans tout en respectant un certain nombre de contraintes. Parmi ces contraintes figurent la disponibilité en terre et en temps de travail, les contraintes de rotation des cultures, l’autosuffisance alimentaire de l’exploitation ainsi qu’un revenu minimum en cas d’année sèche. Roudier et al. (2011b) réalisent le même type d’optimisation au sein d’un ensemble de stratégies possibles mais introduisent explicitement l’aversion au risque dans les règles de décision des agriculteurs. En effet, selon le point de vue des paysans, la meilleure stratégie n’est pas celle qui vise à maximiser leur revenu moyen mais celle qui assure un revenu moyen élevé tout en minimisant le risque d’être dans une situation critique à cause de mauvaises récoltes (Brüntrup, 2000 ; de Rouw, 2003). L’indicateur retenu par Roudier et al. (2011) est le « revenu équivalent certain », c’est-à-dire le revenu certain qui apporte aux agriculteurs la même utilité que la distribution aléatoire de revenus considérée. Ils simulent donc cette aversion au risque (voir Ogurtsov et al., 2008 pour une revue) en faisant l’hypothèse que les agriculteurs maximisent leur utilité via une fonction CRRA (Constant Relative Risk Aversion) qui a été employée pour des cas similaires dans la littérature scientifique (Holt et Laury, 2002 ; Letson et al., 2009, par exemple). Chavas et Holt (1996) tout comme Pope et Just (1991) affirment de plus que cette fonction est particulièrement appropriée pour décrire le comportement des agriculteurs.

Quantification des bénéfices de la prévision saisonnière

Validation des modèles d’exploitation

Un préalable à l’utilisation du modèle d’exploitation pour l’évaluation de nouvelles stratégies est la validation de la capacité de ce modèle à bien représenter la stratégie actuelle de l’exploitation. Cette validation est réalisée par une simulation de contrôle sur un ensemble d’années existantes. On vérifie alors que les sorties du modèle d’exploitation en termes de stratégie d’exploitation (allocation des terres, utilisation de fertilisants par exemple) sont proches de ce que l’on observe dans l’exploitation que l’on modélise. La figure 2 montre la capacité du modèle d’exploitation développé par Roudier et al. (2011b) à représenter la répartition des différentes variétés de mil et l’utilisation de fertilisants dans le Sud-Ouest du Niger. La simulation de contrôle (figure 2) est définie premièrement par une forte prédominance de la variété à cycle court HK (∼82 %) par rapport à la variété à cycle long Somno (∼18 %). De plus, les engrais chimiques ne sont pas employés du tout : ils peuvent en effet être inutiles lors de certaines années et sont relativement chers, leur utilisation serait donc risquée. Ces constatations sont proches des observations faites dans cette région. Les barres grisées représentent les résultats des essais agronomiques in situ, sur les dix localités concernées (2004-2007). Selon ces données, la variété HK est également préférée au cycle plus long de Somno (13 %). Bezançon et al. (2009) aboutissent à des résultats similaires sur la même zone et avec des données observées in situ. De plus, le taux observé d’utilisation des fertilisants est proche de celui qui est issu de la simulation, même s’il est légèrement plus élevé que pour le scénario de contrôle (5 % vs 0 %).

Évaluation économique des systèmes de prévision saisonnière existants

Contrairement aux prévisions météorologiques à courte ou moyenne échéance, les prévisions saisonnières sont des prévisions probabilistes du climat dont la source essentielle de prévisibilité est contenue dans l’anomalie initiale de températures de surface de la mer et dans son évolution au cours de la saison. Elles peuvent être obtenues à partir de modèles du climat mondial (Global Climate Models – GCMs) réalisant un ensemble de plusieurs simulations couplées avec différents états initiaux de l’atmosphère et de l’océan sur une période de quelques mois. Pour les besoins de l’évaluation, des ensembles de ces prévisions numériques ont été réalisés sur de longues périodes d’années passées (hindcasts) au sein de plusieurs projets européens d’envergure (DEMETER : Palmer et al., 2004 ; ENSEMBLES : Batté et Déqué, 2010). Ils sont libres d’accès et ont été utilisés par Sultan et al. (2010) et Roudier et al. (2011b) pour évaluer leur intérêt économique pour les agriculteurs en Afrique de l’Ouest. Parmi les autres systèmes existants, les prévisions du forum PRESAO auquel collaborent les agences météorologiques nationales et les groupes de prévisionnistes européens sont certainement les plus diffusées dans la région. Ce forum donne chaque printemps une prévision de la saison des pluies à venir, en utilisant différentes sources d’informations comme des GCM et des modèles nationaux fondés sur des approches statistiques (Konte, 2007). Les agences météorologiques nationales diffusent alors l’information à travers l’Afrique de l’Ouest, notamment sous forme de carte donnant avant le début de la saison pluvieuse à venir une information sur la probabilité que le cumul pluviométrique estival soit supérieur, égal ou inférieur à la normale (figure 3). Si cette prévision présente un intérêt certain pour les agriculteurs, leur permettant d’orienter leur stratégie en fonction de la prévision de la saison à venir, son imprécision en termes d’échelle ou en raison de sa nature probabiliste mais aussi ses erreurs peuvent amener l’agriculteur à prendre de mauvaises décisions au sein de son exploitation.

Les modèles d’exploitation peuvent être utilisés pour évaluer de manière ex ante les bénéfices mais aussi les risques pour les agriculteurs liés à l’utilisation des prévisions saisonnières existantes. Sultan et al. (2010) ont utilisé le modèle d’exploitation pour simuler les choix stratégiques optimaux (choix entre plusieurs variétés, entre plusieurs niveaux de fertilisation, choix d’allocation des terres cultivables au sein de l’exploitation) selon que les paysans ne possèdent aucune indication sur la saison des pluies à venir (simulation de contrôle) ou qu’ils reçoivent la prévision saisonnière. Le revenu net de l’exploitation pour ces différentes stratégies est alors calculé et le bénéfice de l’utilisation de la prévision saisonnière peut être estimé en faisant la différence entre le revenu simulé en utilisant la prévision saisonnière et celui qui est issu de la simulation de contrôle. Ils calculent alors la valeur de la prévision de chaque modalité d’une prévision catégorielle du cumul saisonnier. Les trois catégories retenues sont basées sur les terciles (année sèche, normale et humide) pour reproduire le format de la prévision opérationnelle PRESAO. Du tableau 2, on déduit que la prévision des années sèches a plus de valeur économique que celle des années humides. En effet, elle permet à l’exploitation de réaliser un bénéfice de près de 80 % par rapport au revenu sans l’utilisation de la prévision saisonnière et l’impact de l’erreur de la prévision est faible si l’année s’avère en réalité normale (une perte de - 9,4 % de revenu) et reste limitée si l’année est en réalité humide (- 27,7 %). La stratégie optimale en cas d’année humide est très risquée pour les paysans (notamment une forte proportion de maïs dédié à la vente, à forte valeur économique mais très sensible à la contrainte hydrique). Aussi, le coût économique d’une prévision erronée est tel (jusqu’à une perte de 70 % des revenus) que son intérêt est limité. Cette méthodologie a ensuite été utilisée pour évaluer la valeur économique des systèmes de prévisions existants sur l’Afrique de l’Ouest. Qu’elles soient issues de schémas statistiques ou de modèles climatiques, les prévisions saisonnières que l’on a évaluées présentent des scores de prédiction et des valeurs économiques similaires sur la période de référence considérée (1970-2000). Les deux types de méthodes statistiques et dynamiques aboutissent à une augmentation des revenus de respectivement 13,8 et 9,6 % lorsque l’on considère uniquement la prévision des années sèches qui semblent seules avoir un intérêt économique pour l’exploitation que l’on a modélisée (Sultan et al., 2010).

Tableau 2 Valeur des prévisions saisonnières (en % par rapport au revenu net obtenu sans utiliser la prévision saisonnière).

d’après Sultan et al. (2010).

Prévisions
Année sèche (%) Année normale (%) Année humide (%)
Observation
 Année sèche + 79,7 0 - 70,1
 Année normale - 9,4 0 - 10,8
 Année humide - 27,7 0 + 6,5

La valeur de la prévision d’une année sèche varie de + 79,7 % selon que l’année s’avère vraiment sèche (prévision parfaite) à - 9,4 et - 27,7 % selon que l’année observée est respectivement normale ou humide (la prévision est fausse). La valeur de la prévision d’une année humide varie de + 6,5 % selon que l’année s’avère vraiment humide (prévision parfaite) à -10,8 et - 70,1 % selon que l’année observée est respectivement normale ou sèche (la prévision est fausse). La prévision d’une année normale n’a pas de valeur.

Dans une exploitation aux conditions climatiques plus sèches au Niger, Roudier et al. (2011b) montrent également un bénéfice de la prévision catégorielle de type PRESAO sur les revenus des paysans avec un impact positif sur le revenu équivalent certain de + 6,9 % (figure 4). Cependant, contrairement aux résultats obtenus par Sultan et al. (2010) au Sénégal, le bénéfice espéré est le plus fort pour les années humides (+ 12,1 %) que pour les années sèches (+ 7,1 %). Les différences d’augmentation entre les années sèches et humides sont dues aux stratégies culturales : en année humide, celles-ci diffèrent beaucoup plus de la situation de contrôle qu’en année sèche. Les saisons humides, souvent plus longues, permettent notamment l’utilisation de la variété à cycle plus long (Somno) et des fertilisants qui améliorent les rendements. Ces ajustements ne sont pas possibles ou sont moins efficaces en année sèche, car pour l’essentiel, en l’absence de prévisions, les agriculteurs choisissent une stratégie culturale proche de celle qui s’avère optimale en saison sèche, du fait de leur aversion pour le risque. Ces résultats sont globalement cohérents avec ceux de Patt et al. (2005), calculés dans le cadre d’une étude ex post pour deux années, au Zimbabwe. Cette étude indique que l’utilisation de prévisions a entraîné sur les deux années une augmentation de 9,4 % dans les récoltes. Elle souligne également que l’augmentation est meilleure durant les années humides (+ 18,7 %).

Quelles améliorations sont-elles nécessaires dans les systèmes de prévisions ?

L’avantage des approches ex ante est qu’elles sont capables d’évaluer l’impact de progrès sur les systèmes de prévisions existants, que ce soit par l’amélioration du score de la prévision ou bien par l’introduction de nouveaux produits de prévisions en réponse aux besoins des utilisateurs. Pour estimer quel est le niveau minimal de qualité de la prévision saisonnière pouvant apporter des bénéfices aux agriculteurs, Sultan et al. (2010) ont généré 10 000 prévisions virtuelles de la saison humide au Sénégal (de juillet à septembre) où l’incertitude des prévisions est modélisée en ajoutant un bruit blanc normé à la série observée de pluies au Sénégal. Ils montrent qu’à partir d’une valeur de corrélation de R = 0,5 environ sur une période de 31 ans, l’utilisation des prévisions saisonnières est toujours bénéfique pour les agriculteurs (figure 5). Ils montrent également que les bénéfices augmentent exponentiellement avec l’augmentation linéaire du score de la prévision saisonnière (figure 5).

Roudier et al. (2011b) se sont également intéressés à la façon dont le progrès de la prévision climatique peut se traduire en termes de bénéfices pour les agriculteurs au Niger. Ils ont considéré trois types de prévisions : la prévision catégorielle imparfaite du cumul saisonnier (typiquement celle qui est issue du système actuel PRESAO), la prévision catégorielle parfaite du cumul saisonnier (typiquement si on améliore fortement le système PRESAO sans changer les variables qu’il prévoit), et la prévision catégorielle parfaite du cumul saisonnier avec en plus la prévision du début et de la fin de la saison des pluies (typiquement si l’on complète le système PRESAO avec de nouvelles variables prévues). Il est intéressant de constater que l’augmentation la plus forte du bénéfice de la prévision ne se réalise pas avec l’amélioration du score du système existant (le passage de la prévision imparfaite à parfaite n’entraîne qu’une augmentation limitée du bénéfice espéré dans la figure 4) mais plutôt grâce à l’introduction de la prévision des variables supplémentaires que constituent le démarrage et la fin de la saison des pluies. Le bénéfice en termes d’augmentation du revenu équivalent certain pour les agriculteurs atteint alors + 53,5 % en années humides, + 27,5 % en années sèches et + 18,5 % en années à pluviométrie normale (figure 4). Ce résultat confirme l’importance de la prévision de la date de démarrage des pluies pour l’agriculture déjà montrée dans des travaux antérieurs (Sultan et al., 2005 ; Marteau et al., 2011) et qui a été soulignée très justement par les agriculteurs sahéliens comme la priorité en termes d’indicateurs climatiques à inclure dans les systèmes de prévisions (Ingram et al., 2002).

Discussion et conclusion

Bien que portant sur des exploitations agricoles africaines où les conditions climatiques et socio-économiques sont différentes, les travaux de Sultan et al. (2010) et Roudier et al. (2011b) ont montré que les agriculteurs peuvent tirer un bénéfice en termes d’augmentation de revenu et de réduction du risque grâce à l’utilisation de la prévision saisonnière en dépit de son incertitude et de son imperfection. Ce bénéfice diffère néanmoins selon le type d’années et le type d’exploitations considérées. Il est plus important en cas d’année sèche au Sénégal où la prévision évite d’investir sur des cultures trop risquées comme le maïs. À l’inverse, il est plus important en cas d’année humide au Niger où les agriculteurs peuvent profiter de la bonne saison anticipée en adoptant des variétés plus longues et en ajoutant des fertilisants qui ne sont efficaces qu’en cas de bonnes années. Les différences entre ces deux études soulignent la difficulté de généraliser les résultats sur l’ensemble de l’Afrique de l’Ouest et le besoin de répéter ce type d’exercice en prenant soin de varier les conditions environnementales et socio-économiques des exploitations africaines. C’est un des objectifs du projet ESCAPE ( http://www.locean-ipsl.upmc.fr/ESCAPE) qui poursuivra ces analyses coût-bénéfice pour d’autres exploitations en Afrique de l’Ouest.

Si le système actuel de prévisions saisonnières en Afrique de l’Ouest semble pouvoir apporter des bénéfices aux agriculteurs, Roudier et al. (2011b) ont néanmoins montré qu’il a ses limites. En effet, un des défauts majeurs de ce système est qu’il ne répond pas aux attentes des utilisateurs quant aux variables climatiques les plus pertinentes pour l’aide à la décision. Les travaux de Roudier et al. (2011b) mais aussi ceux d’Ingram et al. (2002) sur les besoins des agriculteurs au Sahel en termes d’information et de prévision climatique ont permis de mettre en évidence que les variables les plus pertinentes pour la stratégie agricole sont le démarrage et la fin de la saison des pluies ainsi que la distribution des pluies à l’intérieur de la saison de mousson (distribution intrasaisonnière). En effet, le choix de la date de semis est un élément crucial dans la stratégie de l’agriculteur qui doit s’assurer que le semis n’est pas suivi d’une trop longue séquence sèche et que la plante arrive à maturation à la fin de la saison des pluies. De plus, l’occurrence de séquences sèches pendant les phases critiques de développement de la plante peut avoir des répercussions importantes sur le rendement, et ce, même si le cumul saisonnier (total pluviométrique accumulé sur la saison de mousson) est important. Cependant, les forums de prévisions saisonnières ne mettent l’accent que sur le cumul saisonnier qui ne correspond pas à une attente prioritaire pour les agriculteurs. L’amélioration de ces prévisions et des bénéfices potentiels des utilisateurs devra donc passer par l’intégration de la prévision de ces variables.

Enfin, les études de Sultan et al. (2010) et de Roudier et al. (2011b) ne traitent pas d’un point extrêmement important concernant l’utilisation de la prévision saisonnière pour l’aide à la décision qui est celui de sa diffusion auprès des agriculteurs et de son adoption au sein des pratiques locales. Les moyens de communication de la prévision, son interprétation par les agriculteurs et son intégration parmi les différentes stratégies locales d’adaptation aux aléas climatiques sont pourtant des enjeux cruciaux pour espérer tirer des bénéfices des prévisions saisonnières. Ils nécessitent de mettre en place un dialogue entre les producteurs d’information climatique et les utilisateurs comme celui qu’a amorcé par exemple l’Agence nationale de l’aviation civile et de la météorologie du Sénégal (ANACIM) où les prévisionnistes font des séminaires itinérants dans les exploitations agricoles au Sénégal pour non seulement informer les agriculteurs sur les possibilités des prévisions mais aussi pour entendre les agriculteurs s’exprimer sur leurs besoins et leurs stratégies agricoles. D’autres exemples de ce type sont en cours dans le cadre des projets CCAFS et ESCAPE avec la mise en place d’ateliers participatifs où les producteurs sont à même de s’exprimer sur ces innovations telles que la prévision climatique (Roudier, 2012). Faire participer les acteurs dans ce processus de transfert de connaissances scientifiques vers les acteurs est très certainement un prérequis pour l’adoption de ces mesures in fine pour l’aide à la décision.

Remerciements

Ce travail a été réalisé grâce aux financements du Réseau de recherche sur le développement soutenable de la Région Ile-de-France (R2DS), du programme AMMA et du support de l’Agence nationale de la recherche (ANR) à travers le projet ESCAPE (ANR-10-CEPL-005 ; http://www.locean-ipsl.upmc.fr/∼ESCAPE). Les auteurs remercient C. Baron, A. Alhassane, S.B. Traoré, B. Muller, B. Barbier, J. Fortilus, S.M. Mbaye et G. Leclerc pour leur contribution aux analyses agronomiques et économiques au Niger et au Sénégal.