Presented by Colas Chervier, CIRAD/CIFOR-ICRAF, at "Measuring deforestation in community forests in the DRC" (31 May - 02 June 2022)

1. Analyse d’impact quantitative
« contrefactuelle »
Introduction
Colas Chervier
CIRAD/CIFOR
colas.chervier@cirad.fr

2. Plan de la présentation
Jour 1.
• A quelles questions ces méthodes peuvent-elles répondre?
• Les grands traits de ces méthodes et pourquoi les utiliser?
Jour 2.
• Aller plus dans le détail des méthodes
• En pratique: quelles étapes pour les mettre en œuvre?
• Applicabilité de ces méthodes pour les forêts communautaires

3. Les questions opérationnelles auxquelles
peuvent répondre ces méthodes

4. Exemples d’utilisation de ces méthodes pour
répondre à des questions politiques (1/2)
In the 3 years between surveys, we observed a severe decline in forest revenue.
However, by using a BACI study design and matching, we show that this decrease was
not caused by the REDD+ interventions. Thus, REDD+ “did no harm” to local people, at
least in terms of forest revenues (Solis et al, 2021)
We find significant but small additional conservation effects from the implementation of
the PES program. Notwithstanding, treatment effects are relatively larger in areas with
higher deforestation pressure and higher potential agricultural income (Cisneros et al,
2022)
We find that it is more effective to locate parks and payments away from each other,
rather than in the same location or near each other. (Robalino et al. 2015)

5. Exemples d’utilisation de ces méthodes pour
répondre à des questions politiques (2/2)
Results suggest that the accepted methodologies for quantifying carbon credits
overstate impacts on avoided deforestation and climate change mitigation.(West
et al. 2020)
In the Congo Basin, we find that between 2000 and 2010, deforestation was 74% lower in
concessions with an FMP compared to others. this decrease in deforestation takes time to
occur and is highest around communities located in and nearby logging concessions, and in
areas close to previous deforestation (Tritsch et al 2020.)
Our results indicate that CFM has, on average, contributed to significant net reductions in
both poverty and deforestation across Nepal, and that CFM increases the likelihood of
win–win outcomes. We also find that the estimated reduced deforestation impacts of
community forests are lower where baseline poverty levels are high, and greater where
community forests are larger and have existed longer (Oldekop 2021).

6. Exemple de questions appliquées aux forêts
communautaires en RDC (1/2)
Mesure de l’impact…
• Est-ce que les forêts communautaires ont un impact additionnel sur la
déforestation et les revenus des communautés ?
• Est-ce qu’on observe un impact différent selon le contexte dans lequel les
forêts communautaires sont mise en œuvre (e.g. dans une zone REDD+
vs. en dehors) ou selon les caractéristiques des bénéficiaires ?
• Est-ce que les forêts communautaires sont plus efficaces lorsqu’elles sont
associées à d’autres interventions ?
• Etc.

7. Exemple de questions appliquées aux forêts
communautaires en RDC (2/2)
Et au delà…
• Est ce que les FC valent la peine d’être répliquée et si oui,
où ?
• En mettant en perspective l’impact mesuré avec les coûts
engendrés : est-ce que le modèle de FC est une approche
efficiente (par exemple comparé à d’autres modes de
gestion)?

8. Les grands traits et la justification de
ces méthodes

9. Une approche quantitative de l’impact
• Conclusions chiffrées à partir de la mise en
œuvre de méthodes statistiques sur des
données quantitatives:
• on peut dire combien d’ha de forêt (ou de carbone)
ont été sauvés, par combien de fois un programme
augmente les revenus dans un groupe d’individus,
etc.
• Permet généralement de travailler à grande
échelle – donc bien au-delà du cas d’étude
• Mais, intéressant de l’adosser à une analyse
qualitative ou de la mobilisation d’experts pour
interpréter au mieux les résultats / documenter les
mécanismes sous-jacents

10. Des besoins en données spécifiques
• De manière fondamentales, méthodes basées
sur l’identification d’un bon groupe témoin
(qu’on appelle aussi contrefactuel).
• Il convient donc d’avoir des données sur des zones
« hors projet », ce qui peut être vu comme un
gâchis d’argent ou pose un problème éthique
• Méthodes qui ne peuvent pas être appliquées
sans des données de référence collectées
avant le début du programme à évaluer
• A anticiper, surtout si on veut mesurer l’impact
« socio-économique ».

11. Permet de réduire les biais associés aux
méthodes « simples »
Comparaison avant / après
• Ex. crédits carbones basés sur les tendances
historiques.
• Facteurs contemporains qui influencent le résultat
cible (ex. changement dans le prix des produits
agricoles)
Comparaison intervention / contrôle aléatoire
• Biais de sélection, il existe des différences
initiales entre groupe de contrôle et intervention
(placement non aléatoire) qui influencent les
résultats
Avant-Après
intervention
Contrôle
Intervention (PSE)

12. Des méthodes statistiques pour se débarrasser
de ces biais
• Le matching ou appariement
• Sélectionne deux groupes « similaires » selon des caractéristiques
observables (càd pour lesquelles nous avons des données) → biais
de sélection réduit
• La double différence
• compare les différences de résultats au fil du temps entre une
population participant à un programme et une autre n’y participant
pas.
• Souvent associée au matching
→ Plus de détails en jour 2!!

13. Conclusion jour 1
• J’espère vous avoir convaincu de la pertinence de ces
méthodes:
• Contrairement à ce qu’on pourrait penser, permettent
d’apporter des réponses à un vaste éventail de questions
relatives à l’efficacité des politiques en vue de leur
amélioration/réplication
• Contrairement à d’autres méthodes, permettent d’avoir une
mesure chiffrée précise (exempt de biais, autant que faire ce
peut) et à large échelle de l’impact.