Mettre les mathématiques au service de la transition agricole

Publié le 29 juin 2022
par Jérémie Wainstain – Dirigeant et fondateur de Thegreendata
7 commentaires

Le secteur agricole et agroalimentaire reste l’un des derniers domaines qui n’utilise pas la modélisation mathématique pour prendre ses décisions et contrôler ses risques. Pourtant, face aux enjeux climatiques et à la raréfaction des énergies fossiles qui imposent des transformations radicales dans les modèles de production, ce secteur gagnerait à adopter les mathématiques pour mieux piloter sa transition. Cela impliquerait cependant un changement de posture vis-à-vis de la nature et de la technologie.

Les mathématiques, grandes absentes du secteur agricole

Le secteur agricole est l’un des derniers secteurs économiques où la prise de décision reste largement « empirique », basée sur l’expérience et l’observation et non sur une théorie ou un raisonnement. Que ce soit dans le champ des politiques publiques, dans les coopératives ou dans les fermes, l’utilisation de théories ou de modèles mathématiques, permettant de « rationaliser » les décisions, de les rendre plus objectives, voire « opposables » à des tiers, reste rare. Le secteur agricole privilégie l’approche relationnelle à l’approche rationnelle, c’est-à-dire une prise de décision reposant sur un consensus d’experts ou de pairs de confiance guidés par leur expérience et leur intuition, plutôt que sur les résultats de calculs de modèles mathématiques ou scientifiques.

Cette culture de l’empirisme s’explique en grande partie par les incertitudes et la complexité propre au contexte agricole : une activité à ciel ouvert sur des territoires diversifiés, une hypersensibilité à un climat incertain, une matière vivante difficile à appréhender clairement et, enfin, une difficulté à formaliser des expertises et des pratiques bien souvent transmises de manière orale. L’agriculture, activité semi-industrielle et semi-artisanale, est structurellement difficile à rationaliser, tant en termes de vocabulaire que de processus[1], ce qui conduit ses acteurs économiques à adopter, par facilité, une posture plus fataliste que volontariste.

Pourtant, lorsque l’on compare le secteur agricole avec les autres secteurs économiques, on constate qu’il aurait pu en être autrement, et que l’agriculture des années 1970-80 a véritablement raté l’occasion historique d’utiliser les mathématiques pour moderniser ses prises de décision. Durant cette période, la modélisation mathématique a en effet connu un essor fulgurant dans tous les secteurs économiques qui cherchaient à mieux maîtriser la complexité de leur activité. Grâce à leur aptitude à capitaliser les expertises et à modéliser les systèmes complexes, les mathématiques dites appliquées se sont imposées comme un support indispensable aux prises de décision stratégiques et opérationnelles, du secteur bancaire à la grande distribution, du transport à l’industrie manufacturière. Aujourd’hui tous ces secteurs utilisent des outils de simulation, de conception et de pilotage qui s’appuient sur des modèles mathématiques parfois très sophistiqués.

Si l’agriculture n’a pas bénéficié de cette phase de mathématisation de son activité, c’est qu’elle a choisi d’emprunter une voie radicalement opposée à celle des autres secteurs économiques : celle de la simplification de ses pratiques, en s’appuyant sur les deux bras armés que furent la mécanisation des campagnes et l’usage des intrants chimiques. Cette démarche de simplification a permis au cours des 50 dernières années de produire plus de nourriture pour une population mondiale toujours plus nombreuse et de domestiquer la complexité du vivant à grands renforts d’énergies fossiles, sans avoir besoin de recourir à la modélisation mathématique. Mais elle a eu aussi comme conséquence de fragiliser le secteur agricole en le rendant, en France, dépendant à 98%[2] des énergies fossiles tout en appauvrissant ses savoir-faire traditionnels.

Des maths pour sortir des fossiles

Les risques associés au réchauffement climatique combinés à la raréfaction des énergies fossiles rendent aujourd’hui les mathématiques plus nécessaires que jamais pour orienter la définition des politiques publiques dans tous les secteurs économiques, y compris le secteur agricole. Dans le secteur de l’énergie, l’étude de RTE (Réseau de transport d’électricité), Futurs énergétiques 2050[3] est à ce titre un spectaculaire cas d’école.

Cette étude est basée sur un modèle mathématique très complet permettant de simuler le fonctionnement du système électrique européen chaque heure de chaque année pendant 30 ans et intégrant 200 chroniques météo issues du Groupe d’experts intergouvernemental sur l’évolution du climat (GIEC) testées à chacune de ces heures. L’étude RTE permet ainsi de calculer de manière objective 6 scénarios de production et 3 scénarios de consommation d’énergie et de fournir aux décideurs publics et privés du secteur de l’énergie des éléments rationnels pour fonder leurs choix. Elle permet en particulier d’arbitrer sans ambiguïté entre les besoins en énergie issue du nucléaire et en énergies renouvelables à horizon 2050 et de soutenir, par des résultats mathématiques, le choix du président français Emmanuel Macron de lancer la construction de 6 nouveaux réacteurs nucléaires EPR (que l’on soit ou non d’accord avec ce choix).

Le secteur agricole ressemble par de nombreux aspects au secteur de l’énergie (fragmentation des lieux de production, incertitudes liées à l’exposition au climat, difficultés de stockage de la production et mondialisation des échanges associés à des fluctuations imprévisibles de prix). Pourtant, à la différence du secteur de l’énergie, en France, le secteur primaire ne dispose pas d’études prospectives crédibles basées sur des modèles mathématiques. De nombreuses études existent mais elles restent basées sur des avis d’experts, sont souvent portées par des associations aux vocations plus militantes que scientifiques[4] et aucune ne parvient à faire consensus.

Changer de posture

Les 20 années de retard prises par le secteur agricole dans la modélisation mathématique constituent aujourd’hui un réel handicap pour son adaptation aux enjeux écologiques et climatiques. Les prises de décisions stratégiques laissent une large place à la subjectivité, ce qui rend les consensus difficiles et fragilise les politiques publiques. L’absence de modélisation mathématique des risques ralentit aussi le passage à l’échelle du financement de la transition en le cantonnant à des initiatives volontaristes et isolées. Dans le même temps, l’absence de modélisation mathématique des impacts réels des produits alimentaires freine la nécessaire réinvention du modèle économique de l’agriculture et de la rémunération des services environnementaux.

Comme le lièvre de la fable, le secteur agricole aurait tout intérêt à rattraper son retard et à investir massivement dans la modélisation mathématique avant d’y être contraint et forcé par l’aggravation de la précarité et des crises alimentaires. Mais pour cela, il faudrait en premier lieu qu’il sorte du sommeil dans lequel les énergies fossiles l’ont placé depuis 50 ans et fasse le deuil du temps béni où la production alimentaire était simple et prévisible.

L’agriculture de demain sera nécessairement bien plus complexe et incertaine que celle des 50 dernières années. Elle devra concilier production alimentaire, protection de l’environnement et rareté des énergies fossiles, tout en assurant des revenus décents aux agriculteurs[5]. Elle devra changer de posture vis-à-vis de la nature, en la considérant non plus comme un contexte à domestiquer mais comme un patrimoine à entretenir et à protéger[6]. Enfin, elle devra aussi changer de posture vis-à-vis des mathématiques et de la technologie, en les utilisant tant comme un moyen de formaliser ses pratiques et ses expertises que pour modéliser ses trajectoires en relation avec les secteurs financiers et agro-alimentaires.

Piloter le futur

Pour piloter sérieusement le sujet de la transition alimentaire, les politiques publiques agricoles doivent dès à présent considérer les chaînes alimentaires comme des systèmes complexes et des activités à haut risque, dont il faut modéliser tous les maillons, des fermes aux usines et jusqu’aux consommateurs. Elles devraient s’inspirer de la façon dont sont modélisés les autres réseaux d’approvisionnement critiques pour les populations : eau, énergie, santé ou transport en commun. Elles devraient travailler sur la base de scénarios temporels itératifs, comme celui de RTE, permettant d’avoir une maîtrise assez fine de la réalité du terrain tout en évaluant les impacts des décisions. Enfin, il faut y intégrer des notions de marge d’erreur, d’estimation des risques et de scénarios de crise, qui en sont aujourd’hui totalement absentes.

Cette mathématisation des politiques agricoles n’est pas un fantasme de scientifique mais une nécessité morale. Pour s’émanciper des énergies fossiles et avoir une chance de construire un avenir pour l’agriculture à la fois performant et durable pour les générations futures, nous devons piloter à court, moyen et long terme, toutes nos décisions par des mathématiques appliquées. Ce changement de posture nécessitera beaucoup d’efforts tant le secteur agricole a été, pendant des décennies, conditionné voire verrouillé par la manne des énergies fossiles bon marché. Même si les vieilles antiennes héritées des années 1960 prônant la domestication de la nature par les énergies fossiles refont surface à chaque fois que le spectre de l’insécurité alimentaire ressurgit[7], nous devons désormais y résister avec courage et inventer l’avenir de l’agriculture grâce à une approche plus mathématique et scientifique que jamais.

Jérémie Wainstain est l’auteur de L’équation alimentaire, nourrir le monde sans pétrole en réparant la nature et le climat, publié aux Editions La France Agricole en 2022.

[1] Les nombreuses tentatives infructueuses de standardisation d’une ontologie agricole ou de processus métier au sein des ERP (Entreprise resource planning ou logiciel de gestion intégré) en sont le témoignage.

[2] Souhil Harchaoui, Modélisation des transitions en agriculture : énergie, azote, et capacité nourricière de la France dans la longue durée (1882-2016) et prémices pour une généralisation à l’échelle mondiale, Thèse de doctorat en Géographie soutenue le 9 décembre 2019 à l’Université de Paris, p 93.

[3] Futurs énergétiques 2050 : les scénarios de mix de production à l’étude permettant d’atteindre la neutralité carbone à l’horizon 2050, RTE. https://www.rte-france.com/analyses-tendances-et-prospectives/bilan-previsionnel-2050-futurs-energetiques

[4] Cf. (liste non exhaustive) les travaux de l’ADEME, de l’IDDRI, de Solagro, de WWF ou encore du Shift Project en France.

[5] Objectifs interdépendants que l’on regroupe parfois sous le concept flou d’agriculture « régénérative »

[6] Une vision que tente de promouvoir la comptabilité environnementale et la méthode CARE en particulier

[7] L’interview récente de Erik Fyrwald, patron du groupe agrochimique Syngenta, dans le magazine NZZ est à ce titre édifiante. https://magazin.nzz.ch/nzz-am-sonntag/wirtschaft/syngenta-chef-fyrwald-fordert-ausstieg-aus-bio-landwirtschaft-ld.1683003

 

7 commentaires sur “Mettre les mathématiques au service de la transition agricole

  1. Vous oubliez les travaux de l’INRA économie à Versailles et de G Tirel au début des années 70 : ils élaboraient avec l’association interprofessionnelle d’une politique du lait et de la viande en Basse Normandie (LVBN) des modèles d’exploitation et de transformation. En parallèle, nous menions études psychosociologiques sur le changement sur l’exploitation (ce qui caractérisait un paysan traditionnel et un exploitant moderne) et élaborions des échelles d’attitude.

  2. L’auteur n’est pas très renseigné : depuis les années 60, il a existé beaucoup de modèles mathématiques de l’agriculture, certains très pertinents, d’autres moins. Il est vrai qu’ils ont été assez peu utilisés, en particulier sous l’influence des marxistes, dont les écolos ont pris le relais…Mais beaucoup sont encore en service, et même dans les pays en voie de développement…

    1. Bonjour Jean-Marc,

      merci pour votre message qui confirme, s’il en était besoin, que les mathématiques sont bien faiblement utilisées en agriculture. La faute aux marxistes, aux écolos ou plus généralement aux utilisateurs qui n’ont rien compris ? Pas sûr.

  3. Pour compléter ce qu’a écrit Jean-Claude Devèze, dès les années 70, Jean-Marie Attonaty et son équipe (Laboratoire d’économie rurale INRA-Grignon) ont conçus et réalisés en liaison avec les instituts techniques différents logiciels qui porteraient maintenant le nom d’OAD (outil d’aide à la décision).
    Un modèle est une représentation mathématique de la réalité. Un modèle est d’autant meilleur que les écarts au phénomène réel sont petits. Ils sont particulièrement difficile à mettre au point en biologie et tout particulièrement en agriculture, mais cela n’empêche pas de progresser, il suffit de se retourner sur les 50 dernières années pour voir le chemin parcouru. Il n’en reste pas moins que le chemin qu’il reste à faire est encore très long.

    1. Bonjour,

      merci pour votre message. Effectivement les mathématiques ont été abondamment utilisées pour réaliser des OAD à vocation technique. De même qu’il existe aussi des modèles mathématiques en génétique animale ou végétale ainsi que pour le pilotage de la PAC. De manière générale, les “pans” de l’écosystème agricole qui ont été mathématisés sont les domaines industriels et macro-économiques. Tout le reste, c’est à dire ce qu’on appelle traditionnellement “l’agriculture”, n’a jamais été mathématisé à ma connaissance. Il n’y a par exemple pas de “modèle de ferme” qui fasse référence. C’est pourtant ce type de modélisation qui nous fait cruellement défaut aujourd’hui pour accélérer la transition.

  4. Si j’osais me permettre, au millénaire précédent, en fin des années 1960, un organisme parapublic dépendant de la Caisse des Dépôts (la SEDES) a travaillé plusieurs années sur un modèle de développement de l’agriculture française, département par département, aux fins de préparer l’élaboration du VIème plan et de déterminer des objectifs départementaux, y.c. pour les DOM et les TOM.
    Je crois savoir que les résultats de nos travaux, dirigés par M. Farhi, ont été compris, voire utilisés.

  5. Pour moi le problème ne réside pas dans le manque de modèles en agriculture car il y a beaucoup de recherches sur la simulation des marchés agricoles, des fermes et des systèmes de culture en tant que système complexes et dynamiques. Le problème réside surtout
    (i) dans le manque d’intégration/communication entre ces modèles pour pouvoir prendre en compte les différentes échelles et processus (voir par exemple https://www.researchgate.net/publication/223834735_Integrated_assessment_of_agricultural_systems-A_component-based_framework_for_the_European_Union_SEAMLESS)
    (ii) le manque d’application de ces modèles pour l’aide à la décision sur les politiques publiques et les stratégies d’investissement. C’est ce que nous essayons de faire au plan international dans le cadre du réseau Farming System Design (voir par exemple http://www.fagro.edu.uy/fsd/agro2015/) et dans le cadre de nos formations à l’Institut Agro.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée.