Agriculture Digitale.AXE4 - Modélisation agro-économique

National Institute of Agronomic Research Morocco - INRA Morocco

Overview: Agriculture Digitale.AXE4 - Modélisation agro-économique

Agriculture Digitale.AXE3 - Agriculture Digitale.AXE1

Leader: Hayat Lionboui, National Institute of Agronomic Research Morocco - INRA Morocco

Team members: 4
Partner organizations: 1

Budget 2025
MAD : 0

Results: 3

Axis Description

4.1 Résumé : L'utilisation non rationnelle des ressources représente une contrainte majeure au développement dans les zones agricoles du Maroc. Une meilleure valorisation et l’adoption de pratiques plus efficientes s’avèrent de plus en plus indispensable, surtout chez les exploitations agricoles à faible revenu. Les modèles de systèmes agricoles sont mis au défi d'aller au-delà de la simple inclusion des questions économiques et de durabilité. En considérant les nouveaux objectifs de développement durable, le secteur agricole au Maroc a besoin de modèles de qualité pour être en phase avec les objectifs de la nouvelle stratégie Génération Green. Cet axe met l'accent en particulier sur les capacités et les limites des modèles de systèmes agricoles à travers la modélisation agro-économique. Nous discutons de l'état des modèles par rapport à des utilisations différentes couvrant des échelles spatiales de la parcelle, de l’exploitation agricole et de la région ainsi que des questions engageantes dans les périodes passées, actuelles et futures. Les contributions de plusieurs disciplines ont fait des avancées majeures pertinentes pour un large éventail d'applications de modélisation agro-économique des systèmes agricoles à diverses échelles spatiales et temporelles. Au cours des dernières décennies, plusieurs études ont évalué les avantages agronomiques ou économiques des technologies spatiales axées sur des analyses des tendances et de variabilité de la productivité au niveau des espaces agricoles. Ceci peut être accompli en s’inscrivant dans une vision exhaustive de gestion et de suivi en intégrant la dimension multidisciplinaire dans l’analyse de la gestion des systèmes agricoles au niveau des régions à risque. Ainsi, il est essentiel que ces zones disposent d'instruments efficaces pour gérer et organiser le contrôle et l’allocation des intrants agricoles et des ressources naturelles et assurer leur utilisation efficiente. L’axe de la modélisation agro-économique s’inscrit dans la même logique en offrant des outils d'aide à la prise de décision pour l’amélioration des performances économiques et environnementales des systèmes de production agricole au niveau de plusieurs zones agricoles. Mots clés : Modélisation ; Durabilité ; Efficience ; Productivité ; Environnement ; Échelle spatiale ; Économie 4.2 Contexte et point de situation 4.2.1 Orientations stratégiques Le discours de Sa Majesté le Roi Mohammed VI à l’ouverture de la 1ère session de la 3ème année législative de la 10ème législature, dans lequel il a appelé à consolider les “acquis réalisés dans le domaine agricole et à la création de nouvelles activités génératrices d’emplois et de revenus, notamment en faveur des jeunes en milieu rural”, a constitué une source d’inspiration dans la conception d’une nouvelle stratégie « Génération verte » pour booster l’agriculture marocaine. En visant des résultats à forts impacts sociétaux, cette nouvelle stratégie se présente sous un large éventail de thématiques et projets de développement agricole qui vise de promouvoir davantage le secteur agricole. En outre, avec l’avènement de cette nouvelle stratégie, le pays adopte une nouvelle vision et met en place des moyens modernes au service du secteur agricole dans le but de favoriser l’émergence d’une classe agricole moyenne dans le milieu rural qui sera un levier de développement socio-économique. Après une synthèse des doléances exprimées par les parties prenantes lors de la phase de cadrage du PRMT 2021/2024, l’axe de la modélisation agro-économique a été élaborée en parfaite harmonie avec les programmes de développement de la nouvelle stratégie Génération Green 2020-2030. Les solutions durables qui répondent à des objectifs ambitieux, tel que ceux de la nouvelle stratégie Génération Green, devraient faire appel à une convergence des sciences et des technologies qui utilisent les sciences de l'information et les sciences cognitives. Ainsi, selon une démarche de modélisation, cet axe, qui appartient au PRMT Agriculture digitale / classé parmi les domaines prioritaires de l’agriculture national, constituera une contribution importante pour mettre la recherche en sciences économiques et sociales aux niveau de l’INRA en phase avec les objectifs du Plan Maroc Vert et de la stratégie Génération Green. 4.2.2 Etat de l’art : La science des systèmes agricoles telle que nous la connaissons aujourd'hui a évolué au cours des dernières décennies ou plus grâce aux contributions d'un large éventail de disciplines. En général, au cours de cette même période, l'appréciation et l'acceptation de la science des systèmes agricoles ont augmenté à mesure que de plus en plus de scientifiques, d'ingénieurs et d'économistes ont suivi une formation en modélisation de systèmes, en approches analytiques et en outils de technologie de l'information (TI) (Verburg et al., 2004). Au cours de cette période, il y a eu également une augmentation correspondante des demandes de science des systèmes agricoles pour répondre aux questions auxquelles la société est confrontée qui transcendent l'agriculture. Les questions pertinentes vont de la manière de mieux gérer les systèmes pour une production plus élevée et plus efficiente, sur les changements nécessaires dans un système agricole pour une rentabilité plus élevée sans nuire à l'environnement, sur les politiques nécessaires pour aider les systèmes agricoles à évoluer pour atteindre des objectifs sociétaux plus larges, et sur les systèmes nécessaires pour s'adapter aux risques continus auxquels l'agriculture est confrontée, y compris les changements climatiques, les changements de la demande de produits agricoles, la volatilité des prix et les limites des ressources naturelles (Jones et al., 2017 ; Lionboui et al., 2018). Dans le secteur agricole, le risque climatique a été largement étudié dans la littérature. Cependant, le risque dans l'agriculture est un concept assez large et difficile à cerner. Ce secteur doit faire face à plusieurs types de risques tels que les risques climatiques (Atampugre et al., 2019), commerciaux, financiers, sanitaires, environnementaux ou autres pouvant avoir des conséquences négatives sur la viabilité des exploitations et par conséquent sur la résilience de l'ensemble systèmes agricoles. En fait, les principales menaces pour l'agriculteur sont les risques liés à la production et aux prix (Läänemets et al., 2011, Lionboui et al., 2020). En règle générale, au niveau de l'exploitation, la plupart des décisions sont prises dans un univers incertain. Ainsi, afin d'augmenter la résilience des systèmes agricoles, la gestion des risques peut aider les décideurs et les agriculteurs à améliorer la prise de décision, la planification et la priorisation dans le secteur agricole (Rose et al., 2018). Néanmoins, il est essentiel avant de passer à la gestion des risques de l'identifier et de l'évaluer. Cependant, les experts utilisent le terme «risque» de nombreuses manières différentes, ce qui implique des méthodes très différentes pour mesurer et évaluer un risque. Parmi les nombreuses utilisations du mot, il existe trois interprétations courantes: 1. la possibilité d'un mauvais résultat; 2. la variabilité des résultats; et 3. Incertitude des résultats (Chaddad et al., 2010). Compte tenu de son impact, indéniable sur les conditions socio-économiques des zones rurales, le risque en agriculture est aujourd'hui l'un des thèmes les plus étudiés au monde. D'une part, le risque agricole a été analysé par rapport aux conditions climatiques telles que l'analyse des événements météorologiques extrêmes (Gobin et Tarquis, 2013; Hay, 2007; Mubiru et al., 2018). En revanche, plusieurs études ont porté sur le risque commercial qui résulte généralement à la fois des risques de marché de production (Riwthong et al., 2017; Ullah et al., 2016) ou du risque financier qui dépend de la méthode de financement agricole choisie (Duong et al., 2019; Palakurthi, 2011; Scott et Peterson, 1986). Cependant, il existe des différences entre les agriculteurs dans la perception du risque de récolte dans les mêmes conditions édapho-climatiques. Ces différences peuvent être dues à plusieurs facteurs exogènes (maladies phytosanitaires, politiques agricoles, terres irriguées ou non irriguées ...) ainsi qu'à des facteurs endogènes (système de production, efficacité technico-économique, etc.) de l'exploitation. Les modèles de changement d'utilisation des terres sont des outils pour soutenir l'analyse des causes et des conséquences de la dynamique de l'utilisation des terres et des risques agricoles. Quelques projets de recherche en analyse de l'utilisation des terres ont déjà montré que de telles approches peuvent aboutir à des résultats innovants, par ex. tentatives de lier la recherche en sciences sociales aux données géographiques (Geoghegan et al., 1998; Walker et al., 2000; Walsh et Crews-Meyer, 2002). Lier les données socio-économiques et géographiques est un moyen de fournir des informations sur le contexte qui façonne les phénomènes sociaux. L'analyse de scénarios avec des modèles d'utilisation des terres peut soutenir la planification et les politiques d'utilisation des terres. Listes des références bibliographiques : - Atampugre, G., Nursey-Bray, M., Adade, R., 2019. Using geospatial techniques to assess climate risks in savannah agroecological systems. Remote Sensing Applications: Society and Environment 14, 100-107. - Bakr, N., Afifi, A.A., 2019. Quantifying land use/land cover change and its potential impact on rice production in the Northern Nile Delta, Egypt. Remote Sensing Applications: Society and Environment 13, 348-360. - Chaddad, I., Al Husni, M., Chen, B.F., 2010. Risk Analysis in Agricultural Enterprises. Revue des Economies Nord Africaines 6, 23-50.. - Duong, T.T., Brewer, T., Luck, J., Zander, K., 2019. A Global Review of Farmers’ Perceptions of Agricultural Risks and Risk Management Strategies. Agriculture 9, 1-10. - Geoghegan J., Pritchard, Jr.L., Ogneva-Himmelberger Y., Chowdhury R.R., Sanderson S. and Turner II B.L., 1998: ‘Socializing the Pixel’and ‘Pixelizing the Social’ in land-use and land-cover change. In: Liverman D. Moran E.F., Rindfuss R.R., and Stern P.C., (eds.)People and Pixels: Linking Remote Sensing and Social Science, National Academy Press, Washington. - Gobin, A., Tarquis, A., 2013. Weather-related hazards and risks in agriculture. Natural Hazards and Earth System Sciences 13, 2599-2603. - Hay, J., 2007. Extreme Weather and Climate Events, and Farming Risks, in: Sivakumar, M.V.K., Motha, R.P. (Eds.), Managing Weather and Climate Risks in Agriculture. Springer Berlin Heidelberg, Berlin, Heidelberg, pp. 1-19. - Jones, J. W., Antle, J. M., Basso, B., Boote, K. J., Conant, R. T., Foster, I., Godfray, H., Herrero, M., Howitt, R. E., Janssen, S., Keating, B. A., Munoz-Carpena, R., Porter, C. H., Rosenzweig, C., & Wheeler, T. R. (2017). Toward a new generation of agricultural system data, models, and knowledge products: State of agricultural systems science. Agricultural systems, 155, 269–288. https://doi.org/10.1016/j.agsy.2016.09.021 - Läänemets, O., Viira, A.H., Nurmet, M., 2011. Price, yield, and revenue risk in wheat production in Estonia. Agronomy Research 9, 421-426. Lacronique, J.F., 1989. Prix courants, prix constants, prix relatifs. Credes : Eco-Santé 6, 476-477. - Lionboui, H., Benabdelouahab, T., Hasib, A., Elame, F., Boulli, A., 2018. Dynamic Agro-Economic Modeling for Sustainable Water Resources Management in Arid and Semi-arid Areas, in: Hussain, C.M. (Ed.), Handbook of Environmental Materials Management. Springer International Publishing, Cham, pp. 1-26. - Matsushita, B., Yang, W., Chen, J., Onda, Y., Qiu, G.Y., 2007. Sensitivity of the Enhanced Vegetation Index (EVI) and Normalized Difference Vegetation Index (NDVI) to topographic effects: a case study in highdensity cypress forest. . Sensors 7, 2636–2651. - Mubiru, D.N., Radeny, M., Kyazze, F.B., Zziwa, A., Lwasa, J., Kinyangi, J., Mungai, C., 2018. Climate trends, risks and coping strategies in smallholder farming systems in Uganda. Climate Risk Management 22, 4-21. - Rose, D., Keating, C., Morris, C., 2018. Understand how to influence farmers' decision-making behaviour. - Scott, W.L., Peterson, R.L., 1986. Interest rate risk and equity values of hedged and unhedged financial intermediaries. Journal of Financial Research 9, 325–329. - Swarnam, T.P., Velmurugan, A., Ravisankar, N., Awnindra, K.S., Zamir, S.K., 2018. Diversification of Island Agriculture –A Viable Strategy for Adaptation to Climate Change, in: Chandrakasan Sivaperuman, A.V., Awnindra Kumar Singh and Iyyappan Jaisankar (Ed.), Biodiversity and Climate Change Adaptation in Tropical Islands. Academic Press, pp. 553-575. - VERBURG, P. H.SCHOT, P. P.DIJST, M. J. and VELDKAMP, A. (2004), "Land use change modelling: current practice and research priorities". GeoJournal, Vol. 61 No. 4. 309-324. - Walker R., Moran E.F. and Anselin L., 2000: Deforestation and cattle ranching in the brazilian amazon: External Capital and Household Processes. World Development 28: 683–699. - Walsh S.J. and Crews-Meyer K.A., (eds.) 2002: Linking People, Place, and Policy. A GIScience Approach. Kluwer Academic Publishers, Boston/Dordrecht/London. - Wiebe, K., Robinson, S., Cattaneo, A., 2019. Climate Change, Agriculture and Food Security: Impacts and the Potential for Adaptation and Mitigation, in: Pandey, C.C.a.S. (Ed.), Sustainable Food and Agriculture. Academic Press, pp. 55-74. 4.2.3 Justification du projet (intérêt et originalité) En tenant compte de la flambé des prix internationaux des principales denrées alimentaires en raison de la volatilité des prix des matières premières sur le marché international, et avec les conditions vécues à l’échelle mondiale suite à la pandémie Covid-19, l’agriculture au Maroc est confrontée à un grand défi afin d’assurer la sécurité alimentaire du Pays. De plus, principalement en raison des effets combinés de la diminution des ressources en eau et de l'augmentation des coûts des intrants, les marges brutes des producteurs de plusieurs filières sont réduites. L'analyse des tendances et la variabilité de la rentabilité et du risque chez les agriculteurs, en particulier, est essentielle pour orienter et élaborer des stratégies nationales de développement pertinentes à long terme. Néanmoins, les coûts liés à la collecte des données limitent les sites visés par les travaux de recherche. La majorité des études de rentabilité et de risque agricole se sont concentrées sur des analyses de terrain, tandis que les avantages sociétaux peuvent être reçus avec des moindres coûts. Actuellement, avec la nouvelle stratégie GG, l’utilisation des développements technologiques et les techniques d'exploration de données et de modélisation offrant une vraie opportunité de solutions précises, efficaces et largement applicables, est très encouragée. Cet axe constitue une contribution pour montrer l’importance de la modélisation agro-économique dans l’amélioration des performances économiques et environnementales des systèmes de production agricole et aider les décideurs et les producteurs à prévenir et réduire les pertes inacceptables de valeur de production en vue d’atteindre, d’une manière durable, un niveau maximal de sécurité dans les zones agricoles à risque. 4.2.4 Transfert des résultats Les modèles et les bases de données cartographiques développés dans cet axe de recherche seront présentés et transférés aux différents utilisateurs potentiels (DSS, DRAs) à travers les Services de Recherche et de Développement des Centres Régionaux de l’INRA des zones étudiées, ainsi qu’à travers des journées thématiques dédiées.

Atlas

Results

Code	Result Name	Leader	Co-leader	Activities
Agriculture Digitale.AXE4.Résultat1	L’impact des aléas agro-économiques et environnementaux au niveau du secteur agricole est évalué	Fouad Elame	Hayat Lionboui	3
Agriculture Digitale.AXE4.Résultat2	Les risques agricoles sont identifiés et analysés	Hayat Lionboui	Fouad Elame	6
Agriculture Digitale.AXE4.Résultat3	La dynamique des prix agricoles est analysée	Hayat Lionboui		4