Les impacts des aléas de prix et de climat sur les profits sont-ils proportionnels à leur intensité ?

Nous avions émis trois hypothèses en introduction de cette thèse (p 32) concernant l’impact des aléas climatiques sur les profits : 1) les aléas climatiques passés diminuent la capacité des éleveurs à faire face à de nouveaux aléas, 2) les aléas ‘anticipés’ ou que l’on pourrait considérer comme ‘habituels’ n’ont pas ou peu d’effets sur les profits des éleveurs car ces derniers ont prévu des marges de sécurité, 3) les très bonnes années ne compensent pas les mauvaises.

Comme nous l’avons vu dans le paragraphe traitant de l’impact de l’anticipation des risques sur les profits, nous simulons que les éleveurs modifient peu leurs décisions lorsqu’ils anticipent les risques. Cela se traduit dans la partie 3.2 par l’absence de réel ‘palier’ entre les risques anticipés pouvant être tamponnés et les risques non anticipés en simulant l’impact des aléas climatiques sur 35 ans. D’autres analyses sont cependant nécessaires pour approfondir cette question. On pourrait ainsi

IV- Discussion générale

164 imposer l’autonomie alimentaire sur l’horizon anticipé ou simuler différentes intensités d’aléas climatiques anticipés afin de voir si des effets de seuil apparaissent.

La simulation d’une séquence d’aléas climatiques réalisée dans la partie 3.2 a mis en évidence que pour des aléas climatiques de même intensité, les impacts pouvaient être très différents. Comme nous l’avons rappelé dans le paragraphe précédent, ces impacts sont très dépendants de l’état des stocks en début d’année (stock de fourrage, nombre et poids des animaux) qui eux-mêmes dépendent des aléas climatiques des années précédentes. Les profits sont tout particulièrement affectés lorsque deux très mauvaises années se suivent. On observe ainsi dans simulation présentée dans la partie 3.2 une baisse de profit de 25% correspondant à la première année catastrophique (n15), et de près de 50% pour la 2ème année catastrophique consécutive (n16). Ceci confirme que l’éleveur peut difficilement supporter deux très mauvaises années de suite.

Nous avons montré dans le chapitre 3.1 que des conditions climatiques très favorables ne compensent pas totalement des conditions climatiques très défavorables, même lorsque l’on considère que les prix des aliments ne varient pas en fonction des aléas climatiques (Figure 35a). Le profit simulé pour une année avec des conditions climatiques ‘moyennes’ est donc probablement supérieur à la moyenne des profits pour des années avec des conditions climatiques aléatoires. Ceci est confirmé par la simulation du 3.214 dans laquelle le profit moyen est 6% inférieur au profit d’une année ‘moyenne’. Si le changement climatique s’accompagne d’une augmentation de la fréquence d’évènements climatiques extrêmes comme cela est envisagé, une baisse du profit moyen des éleveurs est à craindre.

Figure 35 : Variations du profit en fonction de l’intensité des aléas, simulées dans la partie 3.1

a) Variation du profit en fonction des variations de rendements des cultures

-80% -60% -40% -20% 0% 20% 40% 60% -50% -30% -10% 10% 30% 50%

variation de rendements (en % du rendement moyen) v ar ia ti o n d u p ro fi t( en % d u p ro fi t m o y en )

b) Variation du profit en fonction des Variations des prix des bovins

-100% -60% -20% 20% 60% 100% -40% -20% 0% 20% 40%

Variation de prix (en % du prix moyen)

v a ri a ti o n d e p ro fi t (e n % d u p ro fi t m o y e n )

14 _{Cette simulation comprend 35 années. A chaque année correspond un aléa climatique. Sur la période} simulée, la distribution des aléas est équivalente à celle observée sur la période 1990-2006.

IV- Discussion générale

165 En ce qui concerne les impacts des aléas de prix sur les profits, en fonction de leur intensité, l’analyse effectuée dans la section 3.1 révèle que pour des variations de prix inférieures à 30% (ce qui inclut la plage de variation observée jusqu’à présent), les variations négatives et positives sont parfaitement symétriques (Figure 35b). Ceci est à relier au fait que le modèle n’ajuste pas la production aux variations de prix (voir aussi la discussion dans la section précédente 4.1). Au vu de ces résultats, l’estimation des impacts des variations de prix sur les profits pourrait être facilement approximée par une fonction linéaire des quantités et des types d’animaux vendus en années moyennes.

Plus généralement, on peut s’interroger sur la réelle capacité des éleveurs à supporter des baisses de profits aussi importantes que celles simulées (jusqu’à 50% de baisse dans le cas de deux années climatiques catastrophiques consécutives). Les producteurs ont en effet des besoins minimum incompressibles afin d’assurer leurs différentes charges familiales, sociales et de structure (Alary, 2000). Cette contrainte peut modifier les décisions optimales en augmentant par exemple le recours à la décapitalisation du cheptel pour dégager de la trésorerie. Cependant, sans introduire les possibilités qu’ont les éleveurs d’utiliser leur épargne, les facilités d’emprunts et/ ou d’assurance, imposer un profit minimum dans le modèle nous paraissait arbitraire et difficile à quantifier.

4.

Les apports méthodologiques de la thèse

4.1. Le modèle économétrique

Nous avons développé dans le cadre de cette thèse un modèle économétrique permettant à la fois d’estimer une fonction de production de type Just et Pope en présence de risques de production et de prix, et, de révéler l’attitude des éleveurs vis-à-vis des risques. Nous avons appliqué ce modèle à la production de viande à partir de deux intrants contrôlables par l’éleveur -les quantités d’azote appliquées sur la SFP et les quantités de concentrés distribuées aux animaux- lorsque les conditions climatiques peuvent affecter la production de la SFP et lorsque les caractéristiques des exploitations (fertilité des sols, technicité des éleveurs) sont hétérogènes. Nous pensons ainsi avoir contribué à une meilleure estimation de fonction de production en présence de risques de plusieurs façons.

Plusieurs études montrent la nécessité de prendre en compte l’objectif du producteur (optimisation de la fonction objectif) en présence de risques pour estimer correctement la fonction de production (Love et Buccola, 1991 ; Saha, et al., 1994 ; Kumbhakar et Tveteras, 2003). Le risque lié au prix de la viande et le risque de production peuvent avoir des effets antagonistes sur le niveau d’utilisation des intrants. Une augmentation de la variabilité du prix de la viande peut ainsi inciter l’éleveur à réduire sa production et donc l’utilisation de certains intrants, alors qu’une augmentation de la variabilité de la production peut, elle, favoriser l’utilisation d’intrants lorsque ces derniers en retour

IV- Discussion générale

166 diminuent la variabilité initiale de la production. Prendre en compte ces deux types de risque dans l’estimation de la fonction de production et dans l’estimation de l’attitude des éleveurs vis-à-vis des risques apparaît donc important. Cependant, à notre connaissance, personne n’a encore procédé à une telle estimation en considérant simultanément ces deux sources de risque. Isik (2002) a proposé une équation permettant de relier les intrants endogènes (i.e. dont le niveau est choisi par l’éleveur) aux variables exogènes comme par exemple les prix. Dans cette thèse, nous avons montré l’applicabilité et l’intérêt d’une telle approche et nous avons reformulé la proposition d’Isik pour l’adapter à des problèmes avec deux intrants endogènes.

Si d’autres études ont estimé l’impact du climat sur la distribution de la production, elles ne traitent que des productions végétales et n’introduisent pas d’intrants endogènes (Chen and Chang 2005; Isik and Devadoss 2006). En élevage, la production de fourrage qui dépend directement des conditions climatiques n’est qu’un produit intermédiaire dans la production de viande. Ainsi, en fonction des conditions climatiques, les applications d’azote sont plus ou moins efficaces pour augmenter les rendements de la SFP. De plus, les éleveurs peuvent ajuster les quantités de concentrés et les achats de fourrage pour pallier au déficit de production fourragère et maintenir la production (les décisions sont prises séquentiellement). Face à ce type de problème, nous avons proposé d’introduire explicitement un indicateur climatique dans la fonction ‘moyenne’ et dans la fonction ‘variance’ de la fonction de production de Just et Pope et de croiser cet indicateur avec les intrants endogènes. Une telle formulation présente le double avantage de réduire les biais induits par l’occurrence d’évènements contemporains et d’estimer l’impact des variations climatiques non seulement sur la distribution de la production mais aussi sur l’efficacité des intrants.

Nous n’avons toutefois pas exploité toutes les possibilités offertes pas l’estimation de ce modèle de production. Les paramètres estimés et le modèle structurel proposé peuvent être mis à profit pour simuler par exemple l’impact de variation du prix de la viande, du prix des intrants ou des rendements des surfaces fourragères sur les quantités de viande produites et sur les quantités d’intrants utilisées. Cependant, dans le cadre de cette thèse nous avons préféré réaliser les simulations à partir du modèle en programmation mathématique que nous avons développé. Comparativement au modèle économétrique, le modèle en programmation mathématique permet de modéliser plus finement le système de production, les interactions entre les différentes composantes du système et leurs dynamiques.

IV- Discussion générale

167

4.2. Le modèle développé en programmation

mathématique

4.2.1. La structure du modèle : une suite récursive d’optimisations d’un modèle multi périodique (Dynamique Stochastique Discrète)

En développant un modèle mettant en œuvre une suite d’optimisations multi-périodiques de type DSP (Discrete Stochastic Programming), initialisées de façon récursive par les résultats de l’optimisation précédente, nous pensons avoir contribué à la modélisation du risque dans les modèles en programmation mathématique.

La résolution de certains modèles classiquement utilisés devient difficile lorsque l’on veut simuler des systèmes complexes. La taille des modèles en programmation dynamique stochastique (SDP) « explose » avec le nombre de variables dynamiques considérées et leur résolution devient vite un problème. Celle des modèles en programmation dynamique stochastique discrète (DSP) augmente fortement avec le nombre d’aléas ‘encastrés’ (i.e. lorsque l’éleveur pense pouvoir modifier ses décisions après que l’aléa se soit réalisé) pris en compte et le nombre de périodes considérées dans l’horizon de planification de l’éleveur, horizon sur lequel les décisions sont optimisées. Grâce à la structure que nous proposons, il est possible de simuler l’évolution d’un grand nombre de variables dynamiques et des résultats économiques sur une très longue période. Cette structure permet de modéliser le processus décisionnel de l’éleveur de façon assez réaliste. L’horizon de planification sur lequel est réalisé l’optimisation peut être relativement long (dans notre cas, il est de cinq ans) tout en restant si besoin inférieur à l’horizon simulé. Des risques encastrés et non encastrés peuvent être introduits bien que le temps de résolution du modèle augmente énormément avec le nombre de risques encastrés introduits. On suppose par ailleurs que seules les décisions prises pour les premières périodes de l’horizon de planification sont définitives et que les décisions futures sont réajustées lors de l’optimisation suivante si de nouvelles informations sont apportées. Cette formulation semble représenter le processus décisionnel de façon réaliste dans la mesure où on peut supposer que l’éleveur n’a ni le temps ni les moyens d’envisager toutes les éventualités possibles pour les 30 prochaines années (Blanco et Flichman, 2002). Cependant, contrairement à l’approche SDP, les décisions simulées sont optimales par rapport au programme d’optimisation sur 5 ans dont ces résultats sont issus mais pas forcément par rapport à l’horizon entier de simulation.

Résoudre un problème dynamique par une suite récursive d’optimisations d’un modèle multi périodiques n’est pas un concept nouveau en soi (Barbier et Bergeron, 1999 ; Louhichi et al., 2001 ; Blanco et Flichman, 2002; Wallace et Moss, 2002 ; Iglesias et al., 2003 ; Belhouchette et al., 2004). La démarche que nous avons adoptée est cependant différente dans la mesure où nous avons utilisé une suite récursive d’optimisations d’un modèle DSP pour résoudre un problème de gestion dynamique de la production en présence de facteurs extérieurs aléatoires. Nous pouvons ainsi simuler une succession

IV- Discussion générale

168 d’aléas -anticipés ou non- et observer les trajectoires d’évolution des exploitations sur le court (le mois) et le long terme (plusieurs dizaines d’années si nécessaire). Des simulations sur des périodes suffisamment longues permettent de retracer la fonction de distribution des profits.

4.2.2. Un modèle qui propose de nombreuses activités et de nombreuses sources de flexibilité

Notre modèle permet de reproduire une large gamme d’itinéraires de production bovine. Les femelles peuvent être vendues à 49 périodes différentes, les mâles à 24 périodes différentes ; à chaque période les animaux sont vendus dans un intervalle de plus ou moins 5% de leur poids théorique. La majorité des animaux produits dans le Bassin Charolais peuvent ainsi être intégrés dans le modèle. Pour le moment, le modèle ne permet de tester que des systèmes avec une date de vêlage centrée au 1er février. Il pourrait être intéressant dans de futurs développements de proposer différents paramétrages afin de comparer des systèmes présentant des vêlages de printemps, d’hiver ou d’automne. Nous n’avons pas non plus introduit la possibilité d’augmenter la taille de l’exploitation, de vendre et d’acheter des heures de travail comme cela a pu être fait dans d’autres modèles (Louhichi, 2001 ; Louhichi et al., 2006 ; Ridier, 2001). Nous avons en effet préféré insister sur les ajustements de la production plutôt que sur les changements structurels.

Une des originalités de notre modèle réside dans la prise en compte de nombreuses possibilités d’ajustements de la gestion du troupeau et des ressources fourragères aux conditions de climat et de marché. Chaque mois, le modèle peut permettre de vendre ou conserver des animaux, fixer la composition et le contenu énergétique de leur ration, recourir à l’achat, à la vente ou au stockage de produits végétaux, décider de faucher tout ou partie des surfaces en prairies. La possibilité d’ajuster le poids des animaux de façon endogène apparaît comme un atout important. En effet, si beaucoup de modèles bioéconomiques laissent libre la composition des rations, le poids des animaux est généralement fixé, ce qui ne permet pas de mettre à profit les capacités des animaux à tamponner les aléas. Jusqu’à présent, seuls Lambert (1989) et Kobayashi et al., (2007) ont défini le poids de façon endogène. Cependant, ces études n’autorisent pas d’avoir des conduites différentes selon les types d’animaux alors qu’il peut être intéressant dans certains cas de favoriser certaines catégories d’animaux par rapport à d’autres. De plus, l’introduction de dynamique de la biomasse des prairies nous permet d’ajuster les quantités pâturées, les quantités fauchées et le report de biomasse sur pied d’un mois sur l’autre (la qualité du foin est supposée constante quelque soit le mois de récolte). Si certains modèles ont introduit explicitement les stocks d’aliments (Barbier et Bergeron, 1999; Louhichi et al., 2004 etc.), à notre connaissance, ces stocks ne concernent que les dynamiques des aliments conservés. Enfin, c’est la combinaison de l’ensemble de ces moyens d’ajustement dans un seul modèle qui fait son principal intérêt par rapport aux autres modèles de simulation ou d’optimisation existants.

IV- Discussion générale

169

4.2.3. Un modèle qui simule le comportement des exploitations de bovins allaitants de façon relativement cohérente et fidèle

Nous avons dans la partie 3.1 procédé à l’évaluation du modèle dynamique dans sa version déterministe. Cette évaluation a porté sur l’analyse du comportement du modèle et sur la comparaison des résultats simulés pour la période 2000-2006 aux résultats observés dans notre échantillon. Nous avons pu voir que globalement l’équilibre était stable (pour des niveaux de prix, de climat de politiques agricoles donnés) et que les évolutions des variables économiques et techniques simulées étaient très proches de celles observées sur la période étudiée. Cependant, quelques faiblesses ont pu être mises à jour. Tout d’abord, les poids simulés des animaux vendus sont très stables comparativement à ceux observés. Ceci peut s’expliquer par le fait que, dans un modèle, il est plus facile de contrôler le poids des animaux que dans la réalité. Ensuite, la surface fauchée simulée est plus faible que celle observée et les variations interannuelles du rendement des prairies sont peu corrélées à celles estimées par les statistiques d’Agreste. Le modèle de végétation a été validé dans le cadre de la construction du modèle SEBIEN (Jouven et al., 2006), pour des prairies des monts du Cantal ; il se peut que la végétation des prairies permanentes de cette région réagisse un peu différemment de celle rencontrée dans les prairies du Bassin Charolais. Une étude plus approfondie devra être faite afin de mieux comprendre les écarts i) entre les prédictions du modèle de végétation et les estimations d’Agreste et ii) entre les équilibres fauche- pâture simulés et ceux observés dans les exploitations.

Nous avons également mis en évidence un travers propre aux modèles d’optimisation : celui de changements brutaux d’activités de production. Le découplage simulé a ainsi induit un arrêt de l’engraissement des génisses qui ne s’est pas observé en réalité. Le modèle choisit toujours l’activité la plus rentable quitte à changer brusquement d’activité alors qu’en réalité, si deux activités ont des rentabilités proches, il peut être coûteux pour l’exploitant de changer ses pratiques, surtout s’il pense que ce changement est temporaire.

Nous avons simulé dans ce travail de thèse des exploitations produisant majoritairement des taurillons. Ce modèle n’a donc pas été validé pour les autres types de production comme la vente de maigres seulement. Une des raisons du choix était que le modèle ne simulait toujours que des animaux engraissés lorsqu’on lui en laissait la possibilité. Le modèle opt’INRA développé au Laboratoire d’Économie de l’Élevage de Theix (modèle d’optimisation mono périodique d’exploitations de bovins allaitants) est confronté au même problème et doit interdire la production de mâles gras pour que la production de broutards maigres qui soit choisit. L’analyse descriptive de la base de données, effectuée dans la partie 2.1, indique par ailleurs que les caractéristiques structurelles des exploitations ne sont pas significativement différentes entre les différentes orientations de production. Pour simuler les exploitations produisant des animaux maigres, il faudrait donc soit interdire la production de

IV- Discussion générale

170 taurillons, ce qui limite aussi les possibilités d’adaptation de l’exploitation, soit introduire d’autres contraintes comme par exemple les heures de travail disponibles.

Enfin nous avons seulement évalué le comportement et les résultats du modèle déterministe. Bien que le modèle probabiliste donne des résultats très proches et que d’après les premières simulations effectuées il se comporte de façon cohérente, une évaluation plus approfondie serait nécessaire.

Les modèles déterministe et probabiliste reposent sur la même base. Il est donc très aisé à partir de la version probabiliste d’effectuer des simulations déterministes. Le temps de résolution de la version probabiliste est bien supérieur à celui de la version déterministe et avec les conditions de prix et de climat que nous avons simulé, peu de changements apparaissent entre les résultats de ces deux versions. Si les analyses ne portent pas spécifiquement sur les risques, des simulations réalisées avec le modèle déterministe peuvent donner des résultats suffisants, nécessitant surtout un temps de calcul moindre.

Partie 5:

_____________________________________