Conception des dispositifs PSE

Conception des dispositifs PSE

Introduction

Le recours aux dispositifs PSE connaît un intérêt croissant dans la conservation de la biodiversité et la provision des services écosystémiques dans les pays en voie de développement (TEEB, 2010). Des auteurs avaient aussi soutenu que les dispositifs PSE peuvent réduire la pauvreté et promouvoir le développement local dans les zones rurales (Corbera et Pascual, 2012 ; Pascual et al., 2014 ; Tacconi et al., 2013). Satisfaire le critère de coût-efficacité, qui est généralement compris comme étant la maximisation des objectifs de préservation de la biodiversité et de la provision des services écosystémiques pour une ressource financière donnée représente un aspect clé dans la recherche sur la conception optimale des dispositifs PSE (Engel et al., 2008 ; Wätzold et Schwerdtner, 2005). Les études sur la manière de concevoir les dispositifs PSE de sorte qu’ils soient efficaces aux moindres coûts ont abordé un certain nombre d’aspects. Des auteurs avaient notamment traité la question relative à l’optimisation spatiale des dispositifs PSE, considérant que les coûts et les bénéfices des mesures de gestion des terres bénéficiant des paiements doivent être spatialement différents (Duke et al., 2015 ; Ferraro, 2011 ; Wätzold et Drechsler, 2014 ; Wünscher et al., 2008). D’autres auteurs (García-Amado et al., 2011 ; Vedel et al., 2015) se sont focalisés sur la question de l’additionnalité, i.e. concevoir le dispositif PSE de telle sorte qu’il fournisse des SE additionnels comparé à une situation où le dispositif n’est pas mis en place. D’autres thèmes de conception avaient considéré le choix de payer en cash ou en nature (Hossack et An, 2015), subventionner les modes de gestions des terres qui améliorent la provision des SE ou les activités économiques connexes directement (Groom et Palmer, 2010), et s’il faut ou non 98 CHAPITRE IV- Quand payer ? Ajuster le temps de réception des paiements aux besoins des usagers des terres pauvres dans la conception des dispositifs PSE inclure des objectifs de distribution dans la conception des dispositifs PSE (Markova-Nenova et Wätzold, 2017 ; Muradian et al., 2010 ; Pascual et al., 2014). L’objectif de ce chapitre est d’explorer un autre aspect de la conception des dispositifs PSE qui jusqu’à maintenant n’avait reçu aucune réelle attention, quoique déjà perçu comme important (Adhikari et Boag, 2013 ; Zabel et Engel, 2010). Spécifiquement, il s’agit de la date où les usagers des terres reçoivent les paiements pour les services écosystémiques qu’ils sécurisent. Comme Zabel et Engel (2010, p. 407) l’avaient succinctement mentionné : “The timing of the payment disbursement can be customized so that it aids the participants in overcoming periods of the year that tend to be economically tight, e.g. prior to the main crop harvest.”. Si ajuster le temps de paiement aux besoins des usagers locaux des terres diminue les paiements qu’ils consentent à accepter pour fournir des SE (Wang et al., 2017), le coût-efficacité des dispositifs PSE peut être augmenté étant donné que davantage de SE peuvent être sécurisés pour un même niveau de financement.

Modélisation des choix et procédures d’estimation

On assume que les individus à maximiser leur utilité dans les modèles de choix discrets. La fonction d’utilité correspondant à un choix spécifique ou à une alternative est obtenue généralement d’après la théorie de l’utilité aléatoire (McFadden 1973) et de la nouvelle théorie du consommateur développée par Lancaster (1966). Dans ce cadre, le décideur n fait un choix 101 CHAPITRE IV- Quand payer ? Ajuster le temps de réception des paiements aux besoins des usagers des terres pauvres dans la conception des dispositifs PSE parmi J différentes alternatives, et où le niveau d’utilité Un qu’il obtient varie d’alternative en alternative. Concrètement, on assume que son utilité est fonction d’un ensemble X d’attributs ou de caractéristiques partagés par toutes les alternatives qui lui sont offertes, et où les niveaux de ces attributs sont différents selon les alternatives. En outre, les caractéristiques individuelles du décideur n qui sont constantes tout au long du processus de choix, peuvent affecter le niveau d’utilité obtenu d’un choix d’une alternative particulière, pouvant être ainsi spécifiées dans le modèle. Une alternative i est donc choisi par le décideur au lieu de l’alternative j si et seulement si le niveau d’utilité Uni est supérieur au niveau d’utilité Unj obtenu par l’autre alternative. Typiquement, tout choix réalisé dépend (1) des caractéristiques de l’alternative et du décideur qui sont observables par l’analyste, et (2) des caractéristiques du décideur et de la situation de décision qui ne sont pas observables par l’analyste (voir Train (2009) pour plus de détails). Pour prendre en compte ces facteurs inobservables, un élément aléatoire Ɛni (i = 1, 2 … J) spécifique au décideur n et associé à chaque alternative i est introduit dans la fonction d’utilité. Pour chaque alternative i, la fonction d’utilité indirecte Unj est décomposée en deux éléments : un élément déterministe Vni qui est une fonction linéaire des attributs X des alternatives J, et de l’élément aléatoire Ɛni. L’occurrence de l’élément aléatoire Ɛni dans la fonction d’utilité permet de prédire en termes d’une fonction de probabilité le comportement de choix du décideur n. Ainsi, la probabilité Pr qu’un décideur choisira une alternative i parmi toutes les alternatives disponibles j (j ϵ J) est donnée par (Train, 2009) : Pr [Uni > Unj, ∀ i ≠ j] = Pr [(Vni + Ɛni) > (Vnj + Ɛnj), ∀ i ≠ j] = Pr [(Ɛnj – Ɛni) < (Vni – Vnj), ∀ i ≠ j] (1) Pour estimer l’équation (1), une hypothèse doit être spécifiée concernant la distribution de Ɛn. Les termes Ɛn étant communément assumés comme indépendamment et identiquement distribués en valeurs extrêmes (independently identically distributed extreme value or iid) (McFadden, 1973). En assumant que la différence entre deux valeurs extrêmes suit une distribution logistique, l’équation (1) est réécrite comme suit : Pr [Uni > Unj, ∀ i ≠ j] = exp (µVni) / ∑j exp (µVnj) (2) L’équation (2) décrit le modèle logit conditionnel (CLM). µ représente le paramètre d’échelle et il est généralement normalisé à 1 pour pouvoir estimer le modèle. Cette normalisation 102 CHAPITRE IV- Quand payer ? Ajuster le temps de réception des paiements aux besoins des usagers des terres pauvres dans la conception des dispositifs PSE implique cependant que la sélection du choix obéit à la restriction de l’indépendance des alternatives non pertinentes (Indepenence from Irrelevant Alternatives/ IIA) qui stipule que les probabilités relatives des choix d’une alternative i au lieu d’une alternative j sont identiques et ne sont pas affectées par le nombre total d’alternatives disponibles au décideur, ni même des changements des niveaux d’attributs des autres alternatives (Hanley et Mourato, 2001). Pour notre modélisation des choix, on a considéré seulement deux alternatives sans prendre en compte le statut quo (voir les raisons dans la section suivante). Cela a des répercussions sur la manière dont la restriction iia devrait être testée. La procédure habituelle proposée par Hausman et McFadden (1984) pour tester la validité de cette règle n’est pas faisable pour notre modèle de choix puisque la procédure nécessite de travailler sur un sous-ensemble de choix. D’autre part, s’il est avéré que la règle d’indépendance est violée à cause de la présence de variations des préférences dans la population, et qui n’est pas rapportée aux caractéristiques observables comme les attributs des choix, d’autres modèles comme le modèle logit mixte (mixed logit model) doivent être utilisés. Généralement, les modèles logit mixtes peuvent incorporer les variations aléatoires des préférences en imposant des distributions spécifiques sur les paramètres aléatoires individuels. Si les estimateurs des variances associées aux paramètres aléatoires sont zéros (ou non significatifs), alors le modèle logit mixte devient un simple modèle logit, ce qui implique que le modèle estimé (logit conditionnel) satisfait à la restriction IIA. Par ailleurs, si l’estimation du modèle logit mixte produit un estimateur non significatif pour la variance, le modèle doit être estimé à nouveau en imposant une contrainte sur la distribution du paramètre aléatoire de sorte que l’écart-type de l’estimateur moyen soit égal à l’estimateur moyen (Hensher et al., 2005 ; Train, 2009). Encore une fois, la restriction IIA est maintenue si les estimateurs des variances associées aux paramètres aléatoires sont zéros ou non significatifs. On a suivi ces procédures pour notre modélisation. Tous les modèles ont été estimés avec le logiciel économétrique NLOGIT .