Impact de de la certification Rainforest Alliance sur les petits producteurs de cacao a la périphérie de la réserve de biosphere du Dja au Cameroun

1.1.3 I.1.2. Approches théoriques et méthodes d'estimation d'évaluation d'impacts

Approches théoriques :

L'évaluation est une appréciation périodique et objective de projets, programmes ou politiques prévus, en cours de réalisation ou achevés. Les évaluations permettent de répondre à des questions précises liées à la conception, la mise en oeuvre ou les résultats des programmes. Contrairement au suivi, qui est continu, les évaluations sont périodiques et effectuées à un moment donné, généralement par des spécialistes extérieurs au programme. La conception, la méthodologie et le coût des évaluations varient fortement en fonction du type de question à laquelle elles répondentPAUL J. GERTLER et al, (2011).

L'impact d'un projet ou d'un programme est défini comme l'ensemble des changements intervenu dans les conditions de vie des participants, tels qu'eux-mêmes et leurs partenaires perçoivent au moment de l'évaluation, ainsi que tout changement durable dans leur environnement, auquel le projet ou le programme a contribué. Ces changements peuvent être positifs ou négatifs, voulus ou imprévusIFAD, (1998)

Une évaluation globale se définit dans la littérature comme une évaluation qui intègre l'évaluation du processus, l'évaluation du cout -bénéfice, le contrôle, et l'évaluation d'impactBAKER J.L., (2000). Ainsi, puisqu'il s'agit d'analyser les impacts socioéconomique de la certification Rainforest chez les petits producteurs de cacao autour de la Reserve de Biosphère du Dja, notre analyse se limitera au dernier cas c'est-à dire à une évaluation d'impact. La question fondamentale de l'évaluation d'impact constitue essentiellement un problème d'inférence causale. Évaluer l'impact d'un programme sur une série de résultats revient à évaluer l'effet causal du programme sur lesdits résultats. La plupart des questions de politique invoquent des relations de cause à effet : la formation des professeurs entraîne-t-elle une amélioration des résultats des élèves aux examens ? Les programmes de transferts monétaires conditionnels entraînent-ils une amélioration de l'état de santé des enfants ? Les programmes de formation professionnelle entraînent-ils une amélioration des revenus des bénéficiaires ?

Même si les questions qui abordent une relation de cause à effet sont courantes, il n'est jamais facile d'établir qu'une relation est effectivement causale. Par exemple, le simple fait d'observer que le revenu des bénéficiaires d'un programme de formation professionnelle augmente ne suffit pas à établir un lien de causalité. Le revenu d'un bénéficiaire pourrait en effet avoir augmenté même s'il n'avait pas suivi le programme de formation grâce, par exemple, à ses propres efforts, à l'évolution des conditions sur le marché du travail ou à tout autre facteur susceptible d'avoir un impact sur le revenu à travers le temps. Les évaluations d'impact permettent d'établir un lien de causalité en démontrant empiriquement dans quelle mesure un programme donné et uniquement ce programme a contribué à changer un résultat.

Pour établir un lien de causalité entre un programme et un résultat, nous utilisons des méthodes d'évaluation d'impact qui permettent d'écarter la possibilité que des facteurs autres que le programme à l'étude puissent expliquer l'impact observé.

La réponse à la question fondamentale de l'évaluation d'impact, à savoir quel est l'impact ou l'effet causal d'un programme P sur un résultat Y, est donné par la formule de base d'évaluation d'impact :

á = ( Y | P =1) - (Y | P = 0 ).

Selon cette formulePAUL J. GERTLER et al, (2011), l'effet causal á d'un programme (P) sur un résultat (Y) est la différence entre le résultat (Y) obtenu avec le programme (autrement dit avec P = 1) et le même résultat (Y) obtenu sans le programme (c.-à-d. avec P = 0). Par exemple, si P est un programme de formation professionnelle et Y le revenu, l'effet causal du programme de formation professionnelle á est la différence entre le revenu d'une personne donnée (Y) après avoir participé au programme de formation (donc avec P = 1) et le revenu qu'aurait eu la même personne (Y) au même moment si elle n'avait pas participé au programme (avec P = 0). Autrement dit, nous cherchons à mesurer le revenu au même moment et pour la même unité d'observation (une personne dans le cas présent), mais dans deux cas de figure différents.

S'il était possible de procéder ainsi, nous pourrions observer le revenu gagné par une même personne au même moment à la fois après avoir suivi le programme de formation professionnelle et sans l'avoir suivi, de manière à ce que toute différence de revenu pour cette personne ne puisse s'expliquer que par sa participation au programme. En comparant une même personne à elle-même au même moment avec et sans le programme, nous serions capables d'éliminer tout facteur externe susceptible de contribuer à la différence de revenu. Nous pourrions alors conclure sans aucun doute que la relation entre le programme de formation professionnelle et le revenu est bel et bien causale.

La formule de base d'évaluation d'impact est valable pour toute unité à l'étude, qu'il s'agisse d'une personne, d'un ménage, d'une communauté, d'une entreprise, d'une école, d'un hôpital ou de toute autre unité d'observation qui peut bénéficier d'un programme. Cette formule est également applicable à tout indicateur de résultat (Y) qu'un programme en place peut de manière plausible affecter. Si nous parvenons à mesurer les deux éléments clés de cette formule, à savoir le résultat (Y) à la fois en présence et en l'absence du programme, nous pourrons alors répondre à n'importe quelle question sur l'impact de ce programme.

On peut distinguer dans la littérature (des évaluations ex-post)qui visent à déterminer de façon plus large si une innovation, un projet, un programme a eu un impact désiré sur des individus, des ménages et des institutions, et si ces effets sont attribuables à l'intervention du projet ou du programme, ainsi que (des évaluations ex-ante) dans le cas des évaluations d'impact probables de programmes ou d'innovation potentiels ou proposés. Les évaluations d'impact peuvent aussi explorer des conséquences imprévues, soit positive, soit négative sur les bénéficiaires.

Dans la théorie il existe plusieurs approches d'évaluation d'impact : l'approche «  avant et après » et celle « avec/ sans » ; l'approche dite « naïve » ; l'approche « expérimentale » et l'approche « non expérimentale ».

L'approche «  avant et après »AHOUANDJINOU. M .S, (2010) compare la performance des variables clés après l'introduction de la technologie, du programme ou de l'innovation avec celui avant son introduction. Elle emploie des méthodes statistiques pour évaluer s'il Ya changement significatif de quelques variables essentielles avec le temps. Mais cette comparaison des situations «  avant et après » l'introduction de de l'innovation ne permet pas d'isoler les effets liés aux facteurs exogènes qui pourraient survenir au cours de l'adoption de la technologie comme par exemple l'inflation, la pluviométrie, les catastrophes naturelles, les politiques économiques et agricoles, etc.

L'approche « avec et sans » innovationSCHERR, S . et MULLER , E, (1991) permet de réduire ces bais et est plus conceptuellement claire. Elle consiste à diviser le groupe cible potentiel en deux groupes. Un sous-groupe reçoit l'innovation ou la technologie et l'autre n'en reçoivent pas. Au bout d'un certain moment donné, on procède à la comparaison entre les deux sous-groupes. Le problème avec cette méthode réside dans la difficulté de trouver des échantillons de paysans suffisamment semblables de telle sorte que c'est seulement l'adoption ou non de l'innovation qui les différencie. Ainsi de cette approche découlent celles qui suivent :

L'approche dite « naïve »consiste à prendre un échantillon aléatoire d'adoptant et de non- adoptants de l'innovation et à utiliser les différences simples des résultats moyens observés des deux groupes comme l'estimation de l'impact de l'innovation. Cet estimateur est potentiellement biaisé HECKMAM, J. , (1990) et ne prend en compte les caractéristiques socio-économiques des exploitants ; il correspond à la méthode d'estimation utilisée couramment dans la littérature managériale.

L'approche « expérimentale » ou aléatoire consiste quant à elle à réunir un groupe de personnes ayant les mêmes droits et acceptant de participer à l'expérience et de les assigner de façon aléatoire en deux groupes : le groupe de ceux qui bénéficieront de l'intervention (groupe de traitement) et celui de ceux qui n'en bénéficient pas (groupe témoin). Les, participants à l'expérience ayant été choisis au hasard, toute la différence avec les non-participants est seulement due au traitement. C'est la raison pour laquelle les approches expérimentale sont considérées comme étant les plus fiables et donnant les résultats plus faciles à interpréterCOCHRANE , J et al, (1973). Cependant, ce type d'évaluation est difficile a appliquer dans la pratique, car posant des problèmes d'éthique dans le cas des phénomènes sociaux DIAGNE, (2003).

Ainsi les approches non expérimentales sont les plus utilisées par les économistes car ils se basent sur les théories économiques et économétriques pour guider l'analyse et minimiser les erreurs potentielles dans l'estimation des impacts DIAGNE, (2003). Cette approche est utilisée lorsque n'est pas possible de sélectionner un groupe de contrôle ou de comparaison. On peut comparer les participants au programme avec les non participants en faisant appel à des méthodes statistiques pour contrôler des différences observées entre les deux groupes. Il est donc possible à l'aide d'une régression d'obtenir un contrôle de l'Age du revenu, du sexe et d'autres caractérisés des participants. Cette approche d'évaluation est peu onéreux et facile à appliquer, mais l'interprétation des résultats n'est pas direct et les résultats eux-mêmes peuvent être moins fiables DIAGNE, (2003).

Les méthodes d'estimation :

Supposons que nous voulons déterminer l'effet de l'adoption d'une nouvelle innovation agricole sur un indicateur de résultat défini par y, la production par exemple. Soient y₁ et y₀ deux variables aléatoires qui représente le niveau de production pour un individu i s'il utilise la nouvelle innovation (Y1) ou s'il n'en utilise pas (y0). Soit la variable binaire w_i =1 lorsqu'il a adopté l'innovation et w_i = 0, sinon. L'effet causal de l'adoption de la technologie pour cet individu i est la différence entre y₁ et y_0.

La principale difficulté dans l'estimation de Äyest que pour un individu donné, le revenu est observé, soit suite à l'adoption, soit avant l'adoption, mais jamais les deux à la fois. Ceci dit, lorsqu'intervient un changement suite à une innovation, on ne peut pas observer ce que serait la production sans l'innovation agricole, et s'il n'intervient pas, on ne peut pas observer ce qui se passerait si le changement intervenait effectivement. Dans la littérature, cette donnée manquante est appelé contrefactuel DIAGNE, (2003). CependantROSENBAUM et al, (1983) dans leur étude ont eu à démontrer qu'on pouvait déterminer un effet causal moyen du changement technologique au sein d'une population si on admet une hypothèse d'indépendance conditionnelle entre y _1, y₀ et w. leur idée consiste à faire la différence entre le niveau moyen de l'indicateur des bénéficiaires et celui des non bénéficiaires. On obtient alors l'effet moyen du traitement (ATE^9(*)).

ATE = E (y₁ -y₀)

Cet indicateur mesure l'impact de l'innovation sur un individu tiré au hasard dans la population, ce qui est encore égale à la moyenne d'impact de la technologie sur la population entièreWOOLDRIDGE J M., (2009.). Mais cette hypothèse d'indépendance des moyennes est souvent inapplicable pour les études d'évaluations d'impact des innovations agricoles ou technologiques en ce sens que, l'adoption d'une technologie par un individu dépend du bénéfice (y₁ -y₀) qu'il espère tirer du programme. Ainsi, il se pose un problème d'auto- sélection des individus dans le processus d'adoption de l'innovation ou de la technologie.

Pour corriger ces biais et pouvoir estimer de façon consistante ATE plusieurs méthodes sont proposées dans la littérature sur l'évaluation d'impact. Ces méthodes peuvent être classées en deux catégories : La méthode semi-paramétrique et la méthode paramétrique.

- Estimation par la méthode semi -paramétrique

Cette méthode est issue de la combinaison des méthodes paramétriques et non paramétrique. Ainsi, dans un premier temps, on estime le score de propension qui n'est rien d'autre que la probabilité prédite de l'adoption de l'innovation ou de la technologie. Cette méthode a été proposée par ROSENBAUM et al, (1983) pour réduire le biais dû au fait que l'on ne peut observer le résultat d'un adoptant actuel s'il n'avait pas adopté, et le résultat d'un non adoptant actuel s'il avait adopté. Pour ces auteurs, le score de propension se définit comme la probabilité conditionnelle d'avoir adopté l'innovation étant donné un vecteur x des caractéristiques observables qui déterminent l'adoption.

P( ) = Pr(w-1/ ) - E (w / ) (1)

ROSENBAUM et al, (1983) Ont aussi démontré que si en plus de l'hypothèse d'indépendance conditionnelle, P(x) remplit les conditions 0P(x) 1 alors, ATE peux s'écrire de la façon suivante :

ATE - E (2)

Estimer les équations (1) et (2) revient d'abord à estimer p(.) par un modèle de régression probit ou logit et ensuite utiliser la valeur estimée pour obtenir ATE en remplaçant l'espérance conditionnelle.

(3)

Ou w_i est le statut d'adoption de l'individu

y_iest la variable de mesure d'impact

N est la taille de l'échantillon

- Estimation par la méthode paramétrique

Cette dernière comprend les méthodes de régression (régression simple et celle basée sur le score de propension) et de variables instrumentales.

Méthode de régression simple :

En reprenant les deux variables aléatoires y₁ et y₀ qui représente le niveau de production pour un individu i s'il utilise l'innovation (y₁) ou pas (y₀). En décomposant chaque contrefactuel en fonction des éléments observables ( ) nous pouvons écrire :

(4)

(5)

En introduisant les équations (4) et (5) on obtient

(6) (7)

(8)

(9) et (10)

En introduisant l'équation (9) et (10) dans (8) nous obtenons

(11)

Ou sont des vecteurs des paramètres à estimer

L'estimation de l'équation (11) donne une valeur consistante de ATE (WOOLDRIDGE J M., 2009.)

Méthodes basées sur les scores de propensions :

Cette méthode n'est que le prolongement n'est que le prolongement de la méthode de régression simple.ROSENBAUM et al, (1983) Ont proposé que l'équation (11) peut être estimée en utilisant la probabilité d'adopter une innovation étant donné les éléments observables (x) c'est-à-dire p(x) = p (w-1 /x). En effet, ces auteurs ont prouvés que, sous l'hypothèse d'indépendance conditionnelle de (y₁, y₀) et w étant donné les variables explicatives x, (y₁, y₀) et w sont aussi indépendants étant donné p(x). et cette fonction p(x). qui , dans la littérature d'impact est encore appelé score de propension. Ainsi, en considérant le score de propension, l'équation (11) devient :

Méthodes des variables instrumentales :

La méthode des variables instrumentales part aussi de l'équation (11) et est plus adaptée pour générer des estimateurs consistants l'osque l'hypothèse d'indépendance conditionnelle n'est plus assuré .de plus, cette m méthode est fréquemment suggérée dans la littérature l'osque les données disponibles sont issues d'une seule enquête transversale.

* ₉AverageTreatmentEffect. Terme utilisé en Anglais