evaluation matters · 2020. 8. 17. · evaluation matters idev.afdb.org banque africaine de...

eVALU

ation M

atters: Prép

arer l’évaluation d

u futur : big

data, techno

log

ies mo

dernes et évo

lution d

es prio

rités en matière d

e dévelo

pp

ement d

ans le mo

nde

eVAL

U

eVALU

ation M

atters: Prép


u futur : big

data, techno

log

ies mo

dernes et évo

lution d

es prio


e dévelo

pp

ement d

ans le mo

nde

eVAL

UD

euxième trim

estre 2020

Préparer l’évaluation du futur : big data,

technologies modernes et évolution des priorités en

matière de développement dans le monde

Deuxième trimestre 2020

Publication trimestrielle de connaissances sur l’évaluation du développement

eVALUation Matters

© 2020 – African Development Bank (AfDB)

eVALUation Matters

est une publication trimestrielle de l’Évaluation Indépendante

du Développement du groupe de la Banque africaine de

développement. Elle propose différentes perspectives et perceptions

sur des questions liées à l’évaluation et au développement.

Rédacteur en chef :

Kobena Hanson, Chargé principal du renforcement

des capacités d'évaluation

Remerciements:

IDEV remercie tous les contributeurs, réviseurs et relecteurs qui ont travaillé

sur ce numéro, en particulier : Karen Rot-Münstermann, Racky Balde,

Olive Bonga, Aminata Kouma, Abdoul-Aziz Ouattara and Tomas Zak.

Édition et traduction : Dieudonné Toukam

Conception et mise en page :

Créon (www.creondesign.net)

Crédits photos :

❙ Shutterstock®, Envato®

À propos de l'Évaluation indépendante du développement

La mission de l'Évaluation indépendante du développement de la BAD est

d'améliorer l'efficacité de l'institution en matière de développement dans

ses pays membres régionaux, à travers des évaluations indépendantes et

pertinentes, ainsi que des partenariats pour le partage des connaissances.

Avertissement :

Les opinions exprimées dans cette publication sont uniquement

celles des auteurs et ne réflètent pas nécessairement celles de

l'employeur, l'organisation ou tout autre groupe ou individu.

Évaluateur général:

Roland Michelitsch [email protected]

Chefs de division :

Rufael Fassil [email protected]

Madhusoodhanan

Mampuzhasseril [email protected]

Karen Rot-Münstermann [email protected]

Des questions ?

Téléphone (IDEV) +225 2026 2841

Téléphone (Standard BAD) +225 2026 4444

Nous écrire : 01 BP 1387

Avenue Joseph Anoma,

Abidjan 01, Côte d’Ivoire

Courriel : [email protected]

Web : idev.afdb.org

afdb.org

Communiquer avec nous sur: @evaluationafdb

IDEV AfDB


Les avancées technologiques rapides dues à la quatrième révolution industrielle (4RI) et le processus de digitalisation qui a suivi ont changé la façon dont les informations et les connaissances sont créées, utilisées et partagées. Comment ces transformations ont-elles influencé l’évaluation ? Comment les évaluateurs devraient-ils s’adapter au chiffrement accru du big data et de la blockchain (chaîne de blocs) afin de rester au fait de l’évolution technologique ? Que devons-nous exploiter, et comment ?

Les priorités en matière de développement dans le monde ont évolué de façon simultanée ; c’est le cas par exemple du passage des OMD aux ODD. Les nouveaux outils et technologies dont nous disposons peuvent-ils permettre de faire face à ces demandes qui évoluent ? Comment peuvent-ils permettre aux évaluateurs de relever de nouveaux défis ?

La pandémie du Coronavirus (COVID-19) en cours a mis en exergue bon nombre des problèmes susmentionnés qui ont été signalés par les défenseurs de la 4RI, qui ont noté que la 4RI, la digitalisation et les technologies transformatrices devraient changer la façon d’approcher le travail et le développement.

La présente édition d’eVALUation Matters explore non seulement la manière dont la quatrième révolution industrielle, la digitalisation et l’expansion des technologies transformatrices qui en a découlé façonnent la pratique de l’évaluation, surtout en Afrique, mais également les répercussions sur le travail de la Banque africaine de développement.

Tabl

e de

s m

atiè

res

4 Mot de l’Évaluateur général

Roland Michelitsch, IDEV, Banque africaine de développement Cette édition d’eVALUation Matters explore l’interaction entre les innovations et les technologies trans-

formatrices par rapport à la discipline et la pratique de l’évaluation surtout en Afrique, ainsi que les

implications sur le travail de la Banque.

10 Transformer l’évaluation dans la 4e révolution industrielle : Opportunités intéressantes et nouveaux défis

Michael Bamberger, Consultant indépendant en évaluation & Peter York, BCT Partners

Cet article interroge l’impact transformateur de la 4e révolution industrielle sur l’évaluation, en dégage

des perspectives intéressantes, ainsi que les défis qui sont charriés.

24 Le recours au « machine learning » pour des évaluations d’impact liées au climat

Ben Leo, Shaan Pattni, Catherine Winn, Quinn Lewis, Christina Paton & Melissa Persaud, Fraym Cet article montre comment l’apprentissage statistique (« machine learning ») et l’intelligence artificielle

ouvrent de nouvelles voies pour évaluer l’impact des programmes, en effectuant davantage de mesures

et en donnant un aperçu global du contexte initial et final, entre autres.

38 L’intégration du big data analytics et de l’intelligence artificielle dans le suivi et l’évaluation dans un contexte de développement en pleine expansion

Bernard Okpe, Département pays pour le Nigéria, Banque africaine de développement

Le présent article applique un cadre de décomposition au big data et à l’intelligence artificielle en tant

que facteurs déterminants du suivi et de l’évaluation. Le cadre retenu pour ce faire est axé sur des

technologies transformatrices ainsi que sur la quatrième révolution industrielle.

48 Blog : L’intégration du big geodata (méga-géodonnées) dans l’évaluation : que faut-il savoir ?

Anupam Anand, Bureau de l’évaluation indépendante, Fonds pour l’environnement mondial (FEM)

Ce blog traite de l’application des méga-géodonnées (issues notamment des systèmes d’alerte rapide par

satellite, de drones et des technologies basées sur le téléphone portable) à la pratique de l’évaluation d’impact.

L'actualité en images , page 90

Une

éval

uatio

n se

ctor

ielle

IDEV

February 2018Janvier 2020

Au-delà du développement d’infrastructure : vers la prestation de services et le changement de comportement

Evaluation de l’appui de la BAD au secteur de l’eau (2005-2016)

Rapport de synthèseUn

e év

alua

tion

grou

pée

de p

roje

ts ID

EV

Vers une approche de prestation

de services dans le domaine de

l’approvisionnement en eau potable

et assainissement en milieu rural

Rapport d'évaluation groupée

Janvier 2020

Une

éval

uatio

n gr

oupé

e de

pro

jets

IDEV

Janvier 2020

Atteindre les populations

les plus vulnérables :

Intensifier les services

d’approvisionnement en eau

potable et assainissement

en milieu urbain


Janvier 2020

Renforcer la gestion de l’eau agricole pour « Nourrir l’Afrique »Rapport d'évaluation groupée

Une

éval

uatio

n gr

oupé

e de

pro

jets

IDEV

Calendrier éditorial 2020 d'eVALUation Matters :

Le calendrier éditorial pour 2020 a été publié.

Veuillez trouver le calendrier et les directives pour les contributions ici : http://idev.afdb.org/fr/document/calendrier-%C3%A-9ditorial-2020

Trouver eVALUation

Matters sur :

https://idev.afdb.org/

fr/page/evaluation-

matters-magazine

Q3 2020 La Semaine de l’évaluation de la BAD 2020

Q4 2020 Les OSC et ONG dans l’évaluation

Q1 2021 Apprendre des succès et des échecs en évaluation

Calendrier éditorial

Publié en Juin 2020

56 L’évaluation de la gouvernance en Afrique sous l’influence des technologies et innovations transformatrices et du big data

Peter Arthur, Département des sciences politiques, Université Dalhousie (Canada)

Cet article montre comment les innovations technologiques transformatrices façonnent et redé-

finissent le modèle d’évaluation de la gouvernance en Afrique, tout en indiquant qu’elles facilitent

l’échange d’informations, vecteur de la promotion de l’efficacité de la gouvernance et des politiques.

66 Institutions et politiques agricoles : technologies transformatrices et recherche sur l’évaluation en Afrique

Korbla P. Puplampu, Département de sociologie, Grant Mac Ewan University

Cet article examine le rôle des technologies transformatrices dans le développement de l’agriculture et

suggère que la recherche en évaluation tient compte de l’interaction complexe entre les producteurs

et les utilisateurs des connaissances tout en reconnaissant leurs intérêts et objectifs communs.

76 Digitalisation du secteur énergétique et évaluation d’impact

Yang Liu, Département de la politique macroéconomique, des prévisions et de la recherche , Banque africaine de développement

Le présent article présente la digitalisation de l’énergie et montre comment elle transforme

l’offre et la consommation de l’électricité, brouille la distinction entre l’offre et la demande,

en offrant des perspectives valorisantes aux évaluateurs d’impact en vue de l’utilisation des

données spécifiques à un lieu et à un temps donné.

82 Application de la technologie de collecte de données mobile à l’aide de SurveyCTO dans les enquêtes auprès des ménages : Le cas de l’évaluation d’impact du projet de gestion communautaire intégrée des ressources en eau du Niger

Andrew Anguko, Évaluation indépendante du développement, Banque africaine de développement

Cet article promeut l’utilisation de l’outil Survey CTO pour la collecte mobile de données d’appui à

une évaluation d’impact. Il présente les avantages et les inconvénients de Survey CTO et indique

comment cet outil peut être utilisé au sein des organisations et des contextes tels que la Banque.

90 L’actualité en images

94 Fraichement publié

Bernard Okpe, Département pays pour le Nigéria, Banque africaine de développement

« La 4RI offre l’énorme occasion d’incorporer le S&E dans les politiques de développement ainsi que dans les approches d’évaluation de programmes en Afrique et dans le monde. Lorsqu’ils sont bien menés, le suivi et l’évaluation ont beaucoup de chances d’évoluer et de s’adapter à un environnement en pleine mutation, tout en répondant à la demande publique à l’échelle mondiale ».

Promouvoir une culture de l’évaluation

en 2020 et au-delà

Premier trimestre 2020


eVALUation Matters

idev.afdb.org

Banque africaine de développement

Avenue Joseph Anoma, 01 BP 1387, Abidjan 01, Côte d’Ivoire

Tél : +225 20 26 28 41


eVALU

ation M

atters : Pro

mo

uvoir une culture d

e l’évaluation en 2020 et au-d

elà eVA

LU

Prem

ier trimestre 2020

Cover-EM Q1-2020-(Fr)-.indd 1-3 25/06/2020 4:09 PM

3

http://idev.afdb.org/fr/document/calendrier-%C3%A9ditorial-2020




https://idev.afdb.org/fr/page/evaluation-matters-magazine



Mot de l’Évaluateur général

eVALUation Matters Deuxième trimestre 2020

Mot

de

l’Éva

luat

eur g

énér

al

La quatrième révolution industrielle (4RI), la digitalisation et l’émergence des technologies transformatrices changent actuellement les possibilités qui s’offrent aux évaluateurs pour collecter, analyser, utiliser et présenter des données sur un large éventail de variables, y compris les variables contextuelles, mais aussi pour explorer d’une nouvelle façon les relations entre elles. L’évolution de l’environnement a donné lieu à des appels en direction des théoriciens et praticiens de l’évaluation afin qu’ils améliorent leurs capacités intellectuelles en profitant des occasions que les innovations technologiques leur offrent pour développer des solutions pratiques, adéquates et disponibles face aux problèmes de suivi et d’évaluation (S&E). La définition et la vulgarisation du terme « technologies transformatrices » par Clayton Christensen, professeur de Harvard, de regrettée mémoire, nous ont permis de cerner non pas seulement la façon dont les innovations technologiques influencent les entreprises et les industries, mais également la manière dont elles influent sur les comportements des consommateurs, des marchés et des systèmes socioéconomiques, etc. De plus, ces technologies façonnent la façon dont nous mesurons la performance de différentes initiatives. Le développement rapide de l’intelligence artificielle, du machine learning, des interfaces entre l’homme et la machine, et de la biologie synthétique, démontre de plus en plus que les avancées technologiques induisent des effets sociaux, culturels,

4

politiques et économiques. De nos jours, la technologie fait partie intégrante de toutes choses, et c’est un problème qui nécessite des approches globales et axées sur l’humain.

Cela dit, la technologie présente autant de défis que de possibilités et d’enjeux. À cet égard, la 4RI et l’émergence induite de la digitalisation et des technologies transformatrices apparaissent comme un couteau à double tranchant, avec des enjeux et des défis énormes. Les enjeux s’expliquent par la possibilité d’obtenir des gains en termes d’efficacité et de productivité qui feront naître de nouvelles manières de faire, créeront de nouvelles opportunités d’emploi et porteront la croissance économique. Dans le même temps, ces technologies posent des problèmes liés à la vie privée et à la possibilité d’accroître les inégalités, particulièrement du fait de leur capacité à perturber le marché du travail – les nouvelles technologies devant écarter les anciens modus operandi ainsi que les employés incapables ou peu enthousiastes pour remettre leurs compétences à jour. Ce point est bien articulé par Bamberger et York, et est repris par d’autres contributeurs dans cette édition.

Dans la discipline qu’est le suivi-évaluation, la 4RI et les technologies transformatrices associées devraient révolutionner le mode de collecte, de gestion, d’interprétation et d’utilisation de données. Comme le rappellent Teddy Nalubega & Dominique Emmanuel Uwizeyimana dans leur publication de 2019 intitulée « Public Sector Monitoring and Evaluation in the Fourth Industrial Revolution: Implications for Africa », ces innovations technologiques émergentes sont en mesure de capter et d’analyser des informations multidimensionnelles à partir de multiples variables contextuelles, avec des coûts minimums et dans les délais requis, dans des formats tant quantitatifs que qualitatifs. La vitesse à laquelle ces technologies sont en train de transformer nos vies est tout simplement exponentielle. Que ce soient les organismes de régulations, les entreprises ou les individus et assimilés, tous doivent s’adapter, au risque d’être d’une autre époque. La négociation de l’environnement en pleine mutation créée par l’émergence de nouvelles technologies, ainsi que les défis qu’elles charrient, requiert le développement des capacités, y compris celles des principaux acteurs de l’évaluation (gouvernements, VOPE, associations et réseaux, partenaires

Mot de l’Évaluateur général 5


au développement, institutions de formation), pour tirer durablement parti des synergies internes existantes et exploiter les occasions attribuables à l’évolution du cadre technologique.

C’est dans un contexte marqué par les répercussions des technologies, un sujet toujours au cœur du débat, que la présente édition d’eVALUation Matters, qui est guidée par le thème « Préparer l’évaluation du futur : big data, technologies modernes et évolution des priorités en matière de développement dans le monde », se propose d’explorer l’interaction entre l’impact des innovations et technologies innovantes sur la discipline et la pratique de l’évaluation surtout en Afrique, ainsi que leurs implications sur le travail de la Banque. En s’appuyant sur leur compréhension nuancée du continent ainsi que sur la littérature relative à la 4RI et à l’évaluation, les différents contributeurs à cette édition ont tenté de dévoiler la façon dont l’expansion des technologies transformatrices change la sphère évaluative. Individuellement et collectivement, ils ont souligné les défis, les enjeux et les possibilités que ces technologies apportent, et la manière dont leur évolution poussera les évaluateurs à repenser la conception et la gestion des évaluations, ainsi que l’utilisation qui est faite de leurs conclusions. Les opinions exprimées par les contributeurs illustrent l’optimisme de la Banque envers la capacité de la 4RI, des technologies transformatrices associées et l’économie numérique, tel qu’articulé dans deux publications récentes, à savoir : Les perspectives économiques en Afrique 2020 – Former la main-d’œuvre africaine de demain ; et le Rapport d’études 2019 – Libérer le potentiel de la quatrième Révolution industrielle en Afrique.

En tant qu’Évaluateur général, je vois également la capacité des technologies émergentes à révolutionner le S&E dans le monde, notamment en Afrique. L’impact de la COVID-19, qui a déjà amené les évaluateurs à explorer de nouvelles méthodes de collecte de données à l’appui des évaluations robustes et de haute qualité, devrait accélérer ce processus. Par exemple, les restrictions dues à la pandémie du Coronavirus accentueront la nécessité pour les évaluateurs d’embrasser les technologies

Mot de l’Évaluateur général6


innovantes si nous devons rester cohérents. La limitation de la mobilité impliquera le recours à des entretiens à distance (par téléphone, téléconférence), l’utilisation des mégadonnées (big data), de l’imagerie par satellite et des systèmes d’information géographique, afin de surmonter l’incapacité à aller sur le terrain, et l’emploi de l’intelligence artificielle et du machine learning, réduit la portée du sujet évalué (sujet d’évaluation). De même, nous examinerons minutieusement comment et dans quelle mesure les nouvelles technologies peuvent compenser les défaillances essentielles de la qualité des données de base, ce qui constitue un défi dans les pays en développement. D’autre part, les avantages de ces approches ne s’obtiendront que si nous les utilisons pour mieux cerner les effets sur les populations pauvres et vulnérables et éviter le risque d’exclusion de ces dernières, puisqu’elles sont « moins connectées ».

Je reconnais la nécessité, pour les décideurs du continent, les évaluateurs et la communauté du développement dans son ensemble, de mettre un accent particulier sur l’évolution de la 4RI, y compris notamment les effets des innovations technologiques sur les emplois futurs, l’éducation, le développement des capacités et les politiques. Pour y parvenir de manière efficiente, les praticiens du S&E, les spécialistes de la data science et les développeurs des technologies doivent se former pour acquérir de nouvelles compétences et établir d’importantes plateformes de débat, afin d’améliorer la qualité, la validité et la fiabilité des données recueillies par les technologies. Bien plus important encore, si l’Afrique cherche à profiter de la 4RI comme l’indiquent les contributeurs à cette édition, ce continent devra faire émerger son propre type d’évaluation reposant sur ses propres innovations et outils connexes (conception, big data, intelligence artificielle, systèmes d’information géographique, analytique prédictive, etc.), qui facilitent l’appréhension de son rôle dans le monde, au-delà des clichés, afin de jouir d’un développement pour la transformation.

J’espère que les contributions diverses des idées et enseignements précis sur l’interaction entre les technologies transformatrices et l’évaluation, ainsi que sur la façon dont tout cela pourrait

Mot de l’Évaluateur général 7


À propos de l’Évaluateur généralRoland Michelitsch est l’Évaluateur général de la Banque africaine de développement (BAD). Avant de rejoindre la BAD en 2019, il a officié à la Banque interaméricaine de développement (BID), où il a dirigé des évaluations d’activités des secteurs privé et public. Tout comme il a géré l’unité des investissements du département de l’impact du développement lorsqu’il travaillait à la Société financière internationale (SFI). Il a également dirigé le système et le cadre d’évaluation des projets de la SFI, ainsi que des évaluations dans divers domaines. Roland est titulaire d’un doctorat et d’une maîtrise en économie de l’Université de l’Arizona (États-Unis) et d’un MBA de l’Université de Graz (Autriche).

restructurer la discipline et la pratique du S&E en Afrique – mais aussi, éventuellement, sur la manière dont la Banque effectuera ses évaluations à l’avenir. Elles apportent de nouvelles perspectives qui, en plus d’éclairer, outillent les générations actuelle et future des évaluateurs afin qu’ils s’approprient la technologie et essaient de nouvelles façons de réaliser et d’apprécier des évaluations.

Bonne lecture !

Mot de l’Évaluateur général8


L’Afrique, comme le reste du monde, est en train de vivre une quatrième révolution industrielle, qui s’accompagne de la digitalisation et des technologies transformatrices. Ces mutations ont un impact sur de nombreux pans de la société, et l’évaluation n’est pas en reste. Si quelques-unes de ces technologies peuvent être étrangères aux évaluateurs opérant en Afrique, le fait que ces nouvelles technologies deviennent rapidement peu onéreuses et, donc plus accessibles, concourt à accroître leur taux d’application, offrant ainsi l’occasion inouïe de renforcer la contribution de l’évaluation à la résolution des problèmes de développement.Tr

ansf

orm

er l’

éval

uatio

n da

ns la

4e

révo

lutio

n in

dust

rielle

: O

ppor

tuni

tés

inté

ress

ante

s et

nou

veau

x dé

fis

Michael Bamberger, Consultant indépendant en évaluation, et Peter York, BCT Partners.

Introduction : La nouvelle sphère de la 4e Révolution industrielle et les « éléments perturbateurs »

Il est largement connu que l’Afrique entre dans une 4e révolution industrielle (4RI) portée par la digitalisation et les nouvelles technologies de l’information. Alors

que la 4RI offre d’énormes opportunités tant aux secteurs public et privé qu’à la société civile, elle entraînera d’importants changements qui influenceront les paradigmes conventionnels de l’industrie et du développement, tout en produisant des gagnants et des perdants. Comme on le verra, les nouvelles technologies de l’information présentent d’extraordinaires opportunités concernant le mode d’évaluation de programmes et politiques, ainsi que l’utilisation des résultats des évaluations en vue d’améliorer la conception et la gestion de programmes. Toutefois, ces technologies entraîneront également des perturbations et, que les évaluateurs le veuillent ou non, ils devront repenser non seulement les évaluations sont conçues et gérées, mais aussi la manière dont les résultats des évaluations sont utilisés. Si beaucoup d’entre eux accueillent favorablement ces mutations, d’autres peuvent se sentir

menacés et résisteront à elles, car les nouveaux modes de collecte et d’analyse de données semblent défier les paradigmes et « meilleures pratiques » acceptées en matière d’évaluation.

Le nouvel environnement de la 4RI et les implications pour l’évaluation

Les changements technologiques présentés dans la publication de la Banque africaine de développement intitulée Libérer le potentiel de la quatrième révolution industrielle en Afrique (2019), et qui sont abordés dans la section suivante, auront de profondes répercussions sur la façon dont les évaluations sont conçues et évaluées. Ces technologies seront toutefois incorporées dans des changements structurels plus vastes qui créeront le nouvel écosystème de la data science dans lequel les évaluations seront réalisées. Parmi ces changements structurels, qui influeront profondément sur la pratique évaluative, on peut citer les suivants :

❚ Une interconnexion plus étroite entre les différentes parties des systèmes économiques, politiques et autres. Cela nécessitera que de nombreuses

Messages clés

❚ La 4RI poussera les évaluateurs à repenser la façon dont ils conçoivent et gèrent les évaluations, et utilisent les résultats issus de celles-ci.

❚ Certes, il importe de s’adapter à un écosystème de données nouveau et complexe, mais la 4RI offre un éventail de ressources et d’opportunités excitantes pour les évaluateurs.

❚ La formation des évaluateurs doit être sensiblement mise à jour en intégrant des outils et techniques de la data science, ainsi que leur application à l’évaluation.

11Transformer l’évaluation dans la 4e révolution industrielle : Opportunités intéressantes et nouveaux défis



Transformer l’évaluation dans la 4e révolution industrielle : Opportunités intéressantes et nouveaux défis

évaluations adoptent une perspective plus globale d’analyse de systèmes afin de modeler et suivre les interactions qui évolueront et changeront également sur la durée.

❚ Les évaluations auront besoin d’apprendre à naviguer à travers ce nouvel écosystème d’information. Les données utilisées par les évaluateurs devront être produites, contrôlées et transmises selon de nouvelles méthodes, en impliquant de nombreux nouveaux acteurs dans la régulation, le marketing et la création de nouvelles applications.

❚ La vitesse de changement sera nettement plus importante. Cela aura un impact non seulement sur le rythme de mise au point et d’expansion des nouvelles technologies, mais également sur le rythme de mise en œuvre et de changement de programmes.

❚ L’échelle de nombreux programmes et interventions augmentera. Cet accroissement s’expliquera en partie par le volume et la vitesse des retours d’information rendus possibles à travers un développement rapide des solutions et applications technologiques pour ceux en première ligne. Cela mettra en retour la pression sur les évaluateurs afin qu’ils se montrent à même de faire leur travail de manière plus efficace et opportune. Ces changements ne seront possibles que si l’arsenal méthodologique de l’évaluation intègre des techniques de la science des données en temps réel.

❚ Toute intervention est influencée par le contexte plus général dans lequel elle a lieu. Cela nécessite le recours à des conceptions d’évaluations tenant compte des complexités, ainsi qu’à des systèmes de collecte de données susceptibles de générer et d’analyser

toutes sortes de données nécessaires pour modeler les complexités1.

❚ La concentration des pouvoirs et la fracture numérique. Afin de tirer parti des nouvelles technologies de l’information, les évaluateurs de programmes auront besoin de ressources pour produire ou accéder à des volumes importants de données et effectuer des extractions, transformations et analyses plus sophistiquées. Le risque potentiel à encourir à cet égard est une aggravation de la fracture numérique et des disparités entre les organisations et les groupes socioéconomiques qui ont ou n’ont pas accès à ces ressources. Un autre souci lié au déséquilibre entre les pouvoirs réside dans l’utilisation potentielle des données collectées sur les populations pauvres et vulnérables, sans que les concernés aient été informés ou aient consenti à un tel usage. Les évaluateurs devront faire preuve de prudence en s’engageant à utiliser ces types de données.

Les éléments perturbateurs

Hormis ces changements structurels dans un sens général, la publication de 2019 de la Banque a identifié six technologies émergentes qui « transformeront » le développement social et économique de l’Afrique. Même si cette publication n’aborde pas directement les répercussions sur l’évaluation, tout porte à croire que cinq de ces technologies induiront un effet direct sur le champ évaluatif2 :

Nouvelles technologies de collecte de données

1. Big data : Forte augmentation du volume des données de divers types qui sont faciles à collecter, et réduction drastique du temps et du coût de la collecte de ces données.

12



2. Internet des objets (IdO). Capacité à collecter des données objectives sur les comportements humains, les choix, l’état de santé, les conditions environnementales, les interactions, etc., par exemple via des veilles intelligentes pouvant contrôler l’emplacement, le mouvement et l’état physiologique d’une personne ainsi que ses communications avec un tiers, contrôles au cours desquels le nombre de personnes utilisant les adductions d’eau et toilettes communautaires peut être cerné. L’IdO produit et stocke des données qui sont mobilisées pour des évaluations de programmes plus complexes.

3. Drones [et satellites]. Capacité à collecter de manière continue les images aériennes des infrastructures, de l’activité économique, des schémas migratoires, de la température, des niveaux d’humidité et d’autres caractéristiques de la nature. Les images haute résolution de faible niveau provenant des drones peuvent être combinées à des images satellitaires de haut niveau couvrant des zones géographiques très étendues.

Nouvelles technologies d’analyse de données et de prédiction

4. Intelligence artificielle [et data mining]. Les algorithmes du machine learning peuvent être formés pour trouver des expérimentations naturelles en matière de big data historique, et donc, faire émerger des conclusions quasi expérimentales sur l’attribution ou la contribution de programmes et politiques à des résultats sur la population ou la communauté. Une fois que ces algorithmes sont entraînés sur une ou plusieurs bases de données, il est possible d’automatiser le processus d’évaluation et d’apprentissage, ce qui réduit considérablement le temps et

les ressources qui sont généralement requis pour conduire une évaluation.

Nouvelles technologies pour la sécurité, le caractère privé et la propriété des données

5. Blockchain. La plus grande inquiétude concernant l’utilisation du big data, quel que soit l’objectif (l’évaluation, par exemple), a trait à la sécurité, au caractère privé et à la propriété des données, particulièrement celles qui sont collectées « inconsciemment » – c’est-à-dire sans que les personnes concernées ne comprennent clairement pourquoi leurs transactions virtuelles sont utilisées à une fin autre que celle de la transaction, et encore moins y consentir. La blockchain est une solution à ce problème. Elle crypte les échanges virtuels à travers un registre de distribution décentralisé. Lorsque les données sont conservées au niveau central, elles sont plus exposées à un piratage. Avec la blockchain, toutes les transactions sont enregistrées dans une chaîne (registre séquentiel), et il existe de nombreux « nœuds » décentralisés (ordinateurs) qui conservent copie de chaque opération en chaîne de blocs. Si quelqu’un essaie de modifier un bloc d’informations (données), toutes les autres copies de la chaîne permettent de vérifier la transaction (qui est cryptée). Si les mêmes copies de blocs (données transactionnelles) conservées dans d’autres ordinateurs ne concordent pas, alors les données ne sont pas échangées. Cela garantit un très haut niveau de sécurité et de propriété privée des données. L’avantage de la blockchain est que non seulement elle protège les données et permet à des individus de jouir de leur droit de propriété, mais également elle ne donne accès à des données que si leur(s) propriétaires(s) l’autorise(nt).

13



Pourquoi ces nouvelles technologies sont‑elles susceptibles de bouleverser le domaine de l’évaluation ?

Certes, ces nouvelles technologies présentent d’énormes avantages potentiels pour une grande variété d’organisations d’évaluation, mais les mêmes technologies entraîneront inéluctablement des perturbations notables dans la pratique évaluative.

❚ Premièrement, de nombreux évaluateurs ne se sont pas familiarisés avec ces nouvelles technologies pour la collecte et l’analyse de données, et, par conséquent, seront tenus de renforcer considérablement leurs capacités sur ce point ;

❚ Deuxièmement, la collecte et l’analyse de nouveaux types de données nécessiteront parfois d’importants investissements dans les équipements, les logiciels, le personnel et les consultants ;

❚ Troisièmement, il faudra souvent restructurer les relations entre les bureaux d’évaluation, les centres de données et les départements opérationnels ;

❚ Quatrièmement, il est probable que ces changements fassent l’objet de résistance, car les évaluateurs seniors peuvent se sentir menacés par ces nouvelles technologies ou résister à la nécessité de se recycler ;

❚ Cinquièmement, il conviendra de réorganiser l’activité et de constituer des équipes au sein des bureaux d’évaluation, étant donné le personnel et les consultants ayant des compétences nouvelles en data science devront être intégrés dans des bureaux où peu de membres du personnel disponibles bénéficient de telles aptitudes ; et

❚ Enfin, à niveau structurel plus global, il pourrait être plus facile pour des organisations plus vastes et mieux outillées d’être écartées de certains programmes potentiels et de ne pas accéder à certaines sources de financement. Par exemple, les organismes de financement peuvent préférer soutenir uniquement les organisations qui sont déjà en mesure d’utiliser des mégadonnées dans leurs systèmes de gestion et d’évaluation.

Des enjeux intéressants pour l’évaluation à l’ère de la 4RI

Certes, il importe de s’adapter à un écosystème de données nouveau et complexe, mais la 4RI offre un éventail de ressources et d’opportunités intéressantes pour les évaluateurs afin qu’ils le fassent dans l’environnement en pleine mutation où s’opèrent les programmes.

❚ L’accès à des données est devenu plus rapide et moins onéreux, et les types de données se multiplient rapidement. Les nouveaux outils analytiques nécessaires pour créer des bases de données intégrées permettent de combiner de multiples types de données dans une seule base de données. Autrement dit, il est désormais possible de combiner par exemple des données d’enquête avec des données géospatiales, des enregistrements d’appels téléphoniques, des posts sur les réseaux sociaux, des enregistrements de transactions au niveau des guichets automatiques (GAB) et des données audiovisuelles pour obtenir une seule plateforme de données. L’analytique textuelle permet également d’analyser d’énormes volumes de documents PDF que la plupart d’organismes ont accumulés durant des années3.

❚ Le coût de collecte de données fait que la majorité des évaluations s’efforce de réduire la taille de l’échantillon au strict minimum afin d’atteindre le

15



niveau de puissance statistique requis. Il est pourtant désormais possible de travailler avec l’ensemble de la population d’étude, ce qui permet une analyse plus granulaire et des modèles analytiques plus sophistiqués.

❚ S’il est largement reconnu que la plupart des programmes sont « complexes » et que les résultats de programmes sont influencés par un vaste ensemble de variables contextuelles (économiques, politiques, démographiques, environnementales), le coût et la complexité de la collecte de données sur les plus importantes d’entre elles montrent que, jusqu’à maintenant, l’incorporation de ces variables contextuelles dans la conception des évaluations était encore impossible. Désormais, il est possible de les incorporer et de commencer à utiliser des méthodes d’évaluation « tenant compte de la complexité ».

❚ L’analyse systématique (un élément clé de la théorie de la complexité) peut aussi être maintenant prise en compte dans l’évaluation.

❚ De même, le big data peut offrir assez de cas nécessaires pour approfondir l’analyse des externalités et déviants positifs, et affiner notre compréhension de ce qui fonctionne.

❚ Des techniques telles que l’analyse géospatiale permet désormais de collecter des données sur de longues périodes, notamment avant le démarrage d’un projet ou à sa clôture. Par conséquent, on peut évaluer la durabilité d’un programme, ce qui a rarement été fait jusqu’ici.

Transformer la nature de l’évaluation à l’ère du big data

Cette section identifie quelques-unes des transformations de premier plan qu’a

connu le domaine du big data et de la data science, qui commencent déjà à être testés dans le champ de l’évaluation. Si certaines de ces applications seront étrangères à beaucoup d’évaluateurs évoluant dans des pays en développement ou dans des régions accusant un retard technologique aux États-Unis et dans d’autres nations riches, le rythme auquel les coûts de ces applications baisse et auquel ils deviennent accessibles à de non-spécialistes prouve que leur utilisation va croître rapidement à travers le globe. Alors que, par le passé, la plupart de ces applications s’acquéraient au moyen de l’achat de logiciels de marque onéreux et techniquement complexes ou en engageant des consultants à un coût élevé, un plus grand nombre d’organisations, y compris les ONG nationales et les organismes publics sans ressources peuvent désormais les obtenir rapidement. Compte tenu de la vitesse à laquelle ces technologies pourraient s’introduire sur le continent, il faut s’attendre à une transformation encore plus rapide que jamais de la pratique de l’évaluation. Cette section se termine sur une brève présentation de quelques-uns des problèmes qui méritent d’être traités au cours de cette transformation.

Technologies de pointe pour l’évaluation4

La technologie du big data combinée aux algorithmes du machine learning donnera un coup d’accélérateur à la pratique d’évaluation. Les évaluations de programmes utilisant les données et les techniques de correspondance statistique disponibles pour réduire les biais de sélection (l’appariement des scores de propension, par exemple) ont été utilisées pendant longtemps pour 100 000 études dans des domaines tels que la médecine et l’économie. À la faveur des avancées enregistrées dans la capture du big data et l’application des algorithmes du machine learning, le temps et le coût de conduite des évaluations recourant à des

16



données d’observation seront réduits de façon exponentielle dans les quelques années à venir. En reliant les données administratives à des données d’enquête et des données contextuelles pour usage personnel, de suivi ou issues des réseaux sociaux, et donc disponibles au grand public, le domaine de l’évaluation assurera une capacité à faible coût pour mesurer de manière quasi expérimentale les résultats de programmes, identifier les tendances émergentes des pratiques prometteuses et produits des informations pour la formation des organes d’exécution en première ligne.

Les avancées technologiques ont amené les plateformes de l’analytique, qui associent les outils de modélisation statistique au machine learning afin de réaliser des évaluations beaucoup plus rapidement, avec plus de fréquences et de manière plus économe. Les États-Unis regorgent de prestataires qui ont établi des plans d’évaluation rigoureux, quasi expérimentaux et reposant sur une méthode mixte ; ce plan se nourrit de données administratives à l’appui de leurs programmes. Ces plans d’évaluation automatisés extraient, transforment et chargent les données d’analyse longitudinale de programmes des organisations dans une chaîne analytique ; procèdent à tout le travail de nettoyage et de transformation de données, notamment en calculant les échelles et les concepts ; repèrent toutes les expérimentations qui surviennent naturellement dans l’histoire avec des groupes de comparaison de cas correspondants ; effectuent des analyses par déduction afin de tester et d’accepter ou de rejeter des hypothèses concernant des programmes, notamment en déterminant les tailles des effets, les tableaux et visualisations dynamiques des résultats ; et produisent un langage guidé par l’organe d’exécution en vue des recommandations qui amélioreront les chances de succès pour chaque cas/bénéficiaire. Des programmes peuvent désormais évaluer chaque cas de manière probabiliste, en fonction des

membres du groupe de comparaison qui conviennent et de l’appariement de chaque individu avec l’un des quatre résultats suivants : a) Succès attribuable – a eu obtenu le nécessaire (recommandations à forte probabilité spécifique à un groupe) et a réussi ; b) besoins inconnus – a obtenu le nécessaire, mais n’a pas réussi ; c) succès non attribuable – n’a pas obtenu le nécessaire, mais a quand même réussi ; et d) besoins non satisfaits – n’a pas obtenu le nécessaire et n’a pas réussi.

Les évaluations qui utilisent des données de programmes structurées seront davantage renforcées sur le plan qualitatif à travers des algorithmes de traitement de langage naturel qui évoluent rapidement et la capacité à mener des enquêtes qualitatives plus ciblées et précises. Les organismes publics commencent à employer et à appliquer des algorithmes de traitement du langage naturel qui permettent de mieux cerner le contexte en se formant moyennant des bases de données telles que Wikipédia dans son ensemble. Par exemple, ces types d’algorithmes de traitement de langage naturel ont été formés pour rehausser le niveau d’examen de la présentation des propositions et des rapports, de manière à ce qu’un humain assisté par des algorithmes de machine learning soit huit fois plus rapide que des codeurs humanoïdes, sans aucune perte de l’exactitude. Des prestataires de soins mentaux ont développé des algorithmes d’évaluation qui peuvent coder et attribuer des notes de psychiatrie susceptibles d’être utilisées pour obtenir des résultats d’évaluation testables. En plus des avancées en matière de traitement du langage naturel, l’identification de la situation du résultat de chaque cas (besoins non satisfaits, succès attribuable, etc.) à travers des algorithmes a amené les médecins à mener des recherches qualitatives et à cocréer la signification des cas spécifiques dévoilés par le processus analytique. Ces « échanges d’apprentissage » étaient opportuns,

17



plus ciblés et moins coûteux que les méthodes d’évaluation qualitative basées sur des plans d’échantillonnage moins ciblés. De même, les médecins ont souvent émis de nouvelles hypothèses et demandé des points/métriques plus adéquats pour aller de l’avant. Par conséquent, en s’appropriant le processus qualitatif de détermination de la signification, ils ont eu plus de motivation pour collecter de nouvelles données. L’automatisation de l’évaluation quasi expérimentale reposant sur des méthodes d’observation structurées basées sur la data science diminuera la nécessité pour les individus de prendre tant de temps pour obtenir, préparer et analyser manuellement les données, les dépouiller afin d’approfondir la manière dont ils comprennent, d’un point de vue qualitatif, une expérience liée à un programme. De même, les progrès qualitatifs permettront de cerner encore plus la complexité.

Les défis liés à la transformation

La vitesse à laquelle ces technologies innovantes pourraient évoluer implique que les organismes de développement et le secteur de l’évaluation doivent anticiper et initier un plan pour ces mutations, afin de se préparer lorsque ces innovations commenceront à être introduites. Le domaine de l’évaluation est souvent conservateur et résiste aux changements ; il faudra donc concevoir une approche plus dynamique de gestion des innovations. Le premier défi à relever sera de comprendre et de naviguer à travers l’écosystème non familier du big data (question abordée dans l’introduction). Les décideurs doivent également s’attaquer à la longue aux risques potentiels, et les organismes mieux nantis pourront profiter de ces technologies, tandis que ceux ayant peu ou moins de ressources pourraient rester à la traîne. La fracture numérique potentielle pourrait avoir des répercussions plus lourdes, car certains organismes de financement pourraient être attirés par ceux ayant un

niveau de développement technologique avancé, de sorte que le financement destiné aux organismes moins avancés sur le plan technologique pourrait être réduit, ce qui entraînerait une perte de ressources par des organismes expérimentés, mais technologiquement moins développés. Le processus de transformation peut également s’avérer perturbant (les systèmes de suivi, de gestion de données et d’évaluation mis en place pouvant changer), ce qui non seulement accroîtrait la demande d’un nouveau personnel ayant de l’expérience en data science, mais également les menaces à la sécurité de l’emploi de nombreux employés technologiquement moins habiles. L’expérience a montré que l’évolution technologique apporte toujours plus de transformations que ne l’admettent ses défenseurs.

Applications potentielles du big data aux évaluations de la Banque : cas de l’évaluation d’impact d’un projet routier au Ghana

Il s’agit d’un exemple hypothétique pour illustrer l’éventail des outils et techniques du big data qui pourraient servir dans les évaluations conduites par la Banque. Ce n’est pas une recommandation que ces techniques soient absolument utilisées dans une évaluation.

Le projet routier Fufulso-Sawla road au Ghana5 a été choisi par IDEV, en consultation avec le Département du développement urbain et des infrastructures de la Banque, comme un exemple convenable pour une évaluation d’impact rigoureuse, dans un échantillon de nouveaux projets de transport6. Le projet comprend la construction d’une route de 147,5 kilomètres de long entre Fufulso et Sawla, avec des routes secondaires vers des localités principales, mais aussi des infrastructures complémentaires comme des forages, l’indemnisation et la réinstallation des familles à déguerpir. Le projet a pour

18



objectif de promouvoir un ensemble d’avantages socioéconomiques qui, en plus de l’amélioration de l’efficacité du transport, englobent l’accès à des écoles, à des centres de santé et à d’autres services publics.

L’évaluation a pour but d’étudier l’effet net de la route et des travaux annexes sur i) l’intensité du trafic, le temps et le coût du voyage ; et ii) le revenu et l’emploi pour les ménages, et leur accès à des services sociaux et économiques. L’évaluation examinera les facteurs qui induisent des effets, ainsi que la typologie des effets sur les femmes et les hommes. L’évaluation se propose de recourir à une conception quasi expérimentale qui, sur le plan statistique, alignera les communautés et les zones affectées par le projet sur des zones similaires non touchées7.

Il a été proposé que l’évaluation mobilise quatre sources de données, à savoir i) une enquête sur le trafic ; ii) une enquête auprès des ménages ; iii) une enquête sur les établissements ; et iv) une enquête sur le tourisme. Les différentes sources de données disponibles du gouvernement seront utilisées (enquêtes sur le niveau de vie et principaux indicateurs sur le bien-être émanant du recensement, bases de données SIG couvrant l’ensemble du pays, enquête de référence sur le projet et enquêtes sur l’origine et la destination, par exemple). Après avoir évalué l’adéquation de ces ensembles de données, on pourra envisager la possibilité de produire de nouvelles données.

Sources potentielles du big data

Quelques sources du big data peuvent être exploitées dans le cadre de la présente évaluation et des évaluations futures dans le secteur du transport ; il s’agit de :

A. L’analyse géospatiale à partir des données issues des satellites et des drones. Elle s’est montrée rentable

pour créer des avant-projets quasi expérimentaux plus rigoureux, car il est possible d’assortir le projet à des groupes de comparaison sur un large éventail d’indicateurs socioéconomiques (tels que la qualité du logement, l’infrastructure communautaire, la qualité de l’entretien, la qualité du sol, la production agricole, les mouvements des populations, les taux de croissance communautaires et les estimations du niveau économique du ménage et de la communauté). Les données satellitaires offrent l’avantage inouï de produire parfois des ensembles de données longitudinales sur des périodes pouvant s’étaler sur 20 ans, de façon à suivre les différents changements. Un large éventail d’indicateurs du développement économique sont désormais disponibles, y compris l’emploi des émissions lumineuses nocturnes des communautés (indicateur de la situation économique de ces dernières) et des émissions de chaleur par des usines (qui permettent d’estimer la production), les types de construction de toitures (indicateur du niveau économique d’une communauté).

B. Téléphones portables. Ils constituent un moyen rentable pour collecter et analyser des données d’enquêtes socioéconomiques, notamment des données audiovisuelles (comme des photographies d’un endroit prises chaque année pour suivre l’évolution des conditions des ménages et de la communauté). Elles peuvent également servir à collecter des données sur le voyage et le temps mis, relativement à un ensemble de sujets, des informations sur l’utilisation des services publics et sur la recharge journalière et hebdomadaire de crédit téléphonique, un indicateur de l’évolution à court terme de la pauvreté.

c. Enregistrements d’appels téléphoniques de centres d’appel. Cet outil peut être utilisé pour contrôler la mobilité

19



et, dans certains cas, les recharges de crédits téléphoniques.

D. Réseaux sociaux : Des plateformes telles que Facebook et Twitter produisent d’importants volumes d’information sur les attitudes et comportements des utilisateurs. Elles mettent également à disposition des informations précieuses sur les attitudes des individus à l’égard des programmes et des services (routes, écoles, services de santé, etc.), ainsi que sur l’utilisation de ces services. De plus, ces sites offrent des outils gratuits pour l’analyse des tweets et des posts. Il s’agit des outils précieux pour l’évaluation de programmes, à condition que des questions concernant les partis pris soient résolues, les individus recourant à ces sites n’étant jamais représentatifs de l’ensemble de la population concernée.

E. Data analytics. Les algorithmes du machine learning peuvent être entraînés pour trouver avec plus d’exactitude des groupes de comparaison appariés, à travers des modèles prédictifs permettant d’évaluer la « probabilité » pour une communauté de bénéficier des travaux de construction de routes et d’ouvrages annexes. Ce processus d’appariement prédictif est souvent plus exact et plus valide que l’appariement effectué par un expert. Les évaluateurs devront tenir compte de tous les facteurs contextuels, environnementaux et socioéconomiques qui permettent de prédire, de manière hypothétique, si une communauté devrait bénéficier d’un appui en infrastructure. Ce processus d’alignement prédictif réduira considérablement l’éventualité d’un parti pris dans la sélection. Les variables d’appariement (produits) pourraient également inclure des facteurs politiques spécifiques au niveau local. Les segments communautaires alignés qui en

résultent (et sont basés sur la probabilité prédictive de bénéficier des routes et des ouvrages annexes) garantissent mieux la prise en compte de ces facteurs contextuels et situationnels par l’évaluation. D’autre part, les algorithmes du machine learning peuvent être entraînés pour trouver, évaluer par déduction et déterminer l’ampleur des effets sur les communautés alignées auxquelles des routes et ouvrages annexes ont été assignés de façon « aléatoire », en comparaison avec celles qui n’en ont pas eu. Tout cela peut également être automatisé de sorte que l’évaluation puisse être conduite de manière très rentable et en temps réel, étant donné que le projet évolue.

conclusion

L’évolution rapide des outils et techniques du big data et de la data science offre d’énormes occasions pour renforcer la contribution de l’évaluation à la résolution des problèmes de développement de l’Afrique à l’ère de la 4RI. L’amélioration de l’accès à des outils en vue d’élargir la typologie des données qui peuvent être collectées et au pouvoir de la data mining, de l’intelligence artificielle et de l’analytique prédictive signifie que les évaluateurs seront en mesure de réduire de manière substantielle le temps et l’effort de collecte de données et d’analyse de routine, de façon à pouvoir appliquer leur expertise professionnelle à la conception, à la conduite et à l’interprétation de la signification et de l’importance des données et de l’analyse. Toutefois, le processus de transformation du nouvel écosystème d’information sera potentiellement perturbant. Les évaluateurs et les spécialistes de la data science doivent donc se concentrer sur plusieurs tâches prioritaires.

Premièrement, la formation professionnelle des évaluateurs doit être sensiblement

20



mise à jour en intégrant des outils et techniques de la data science, ainsi que leur application à l’évaluation. De même, les spécialistes de la science des données doivent se familiariser avec les principes et approches de la pratique d’évaluation. Deuxièmement, les bureaux d’évaluation doivent se réorganiser pour renforcer leurs liens avec les centres de données et d’autres collègues travaillant sur le big data dans leurs propres organisations. Troisièmement, les départements de finance des gouvernements et des organismes

de financement internationaux doivent explorer des voies et moyens pour soutenir l’infrastructure dont les organismes de développement et leurs bureaux d’évaluation ont besoin pour utiliser pleinement les nouvelles technologies. Enfin, la communauté de développement doit chercher activement des occasions pour que les évaluateurs et les experts en data science coopèrent et évaluent de manière critique la valeur ajoutée de la combinaison de l’évaluation avec la data science sur le terrain.

21



African Development Bank (2019) Unlocking the potential of the Fourth Industrial Revolution in Africa. Abidjan: AfDB

Bamberger, M., Vaessen, J. and Raimondo, E. (2016) Dealing with Complexity in Development Evaluation. Thousand Oaks, CA: Sage Publications.

IDEV (2019) Impact evaluation of the AFDB-Funded Ghana Fufulso-Sawla Road Project: Approach Paper. Abidjan: IDEV (Independent Development Evaluation at AfDB)

York, P., Bamberger, M. and Olazabal, V (2020) Measuring results and impact in the age of big data: The nexus of evaluation, analytics and digital technology. New York: The Rockefeller Foundation.

1. See Bamberger et al. (2016) Dealing with Complexity in Development Evaluation. Les auteurs proposent que les interactions axées sur les quatre dimensions de la complexité soient examinées dans la plupart des évaluations; ces dimensions sont : 1) la complexité du programme évalué ; 2) les interactions complexes entre différents organismes et parties prenantes au programme ; 3) les multiples facteurs économiques, politiques, administratifs, socioculturels et écologiques qui influencent le programme ; et 4) les schémas non linéaires de la causalité.

2. Le seul élément perturbateur qui n'affectera probablement pas l'évaluation est l'impression 3D.

3. Par exemple, il est possible de recourir au machine learning pour identifier et classer toutes les références au sexe ou aux droits de l'homme dans des fichiers de données d'une organisation.

4. Pour une présentation plus détaillée de ces nouvelles technologies, lire: York, Bamberger and Olazabal (2020), Measuring results and impact in the age of big data: The nexus of evaluation, analytics and digital technology. New York: Rockefeller Foundation.

5. IDEV (2019), Impact evaluation of the AfDB-Funded Ghana Fufulso-Sawla Road Project: Approach Paper (évaluation d'impact du projet routier Fufulso-Sawla financé par la Banque au Ghana: document d'approche).

6. Lire: IDEV (2019), p. 5, pour savoir pourquoi ce projet a été choisi pour l'évaluation d'impact.

7. Pour une présentation de l'approche d'identification de données de vérification, lire: IDEV (2019), section 4.3

Références

Annotations

22

23Transformer l’évaluation dans la 4e révolution industrielle : Opportunités intéressantes et nouveaux défis Transformer l’évaluation dans la 4e révolution industrielle : Opportunités intéressantes et nouveaux défis


Titulaire d'un PhD en sociologie de la London School of Economics, Michael Bamberger a participé, durant plus de quarante ans – dont 25 ans comme sociologue principal à la banque mondiale –, à l'évaluation de programmes de développement en Afrique, en Asie et en Amérique latine. M. Bamberger s'est focalisé sur des questions telles que la pauvreté et l'exclusion sociale, l'égalité hommes-femmes, le développement urbain et les défis liés à l'évaluation des OMD. Au cours des dernières années, il a travaillé sur les possibilités et défis liés à l'intégration de nouvelles technologies dans l'évaluation des programmes de développement. Ses récentes publications comprennent: « Evaluation in the age of big data » [avec Jos Vaessen and Estelle Raimondo] ; « Dealing with complexity in development evaluation » [avec Linda Mabry], « RealWorld Evaluation: working under budget, time, data and political constraints » ; et « Evaluating the Sustainable Development Goals through equity-focused and gender-responsive evaluations ». Ces vingt dernières années, il a fourni des services de consultant à 10 agences des Nations Unies, à des organismes bilatéraux de développement, banques de développement, fondations, ONG et gouvernements, sur l'évaluation des politiques et programmes de développement.

Peter York occupe le poste de Data Scientist en chef à BCT Partners et jouit de plus de 20 ans d'expérience dans la recherche, l'évaluation et le data analytics. M. York est auteur de chapitres de livres et a publié des articles universitaires et professionnels examinés par des pairs sur l'utilisation des algorithmes du machine learning à partir des données administratives, afin d'élaborer des modèles d'évaluation prédictifs, prescriptifs et rigoureux. Il s'agit notamment d'un chapitre du livre intitulé «The Application of Predictive Analytics and Machine Learning to Risk Assessment in Juvenile Justice»; d'un article publié dans la revue à comité d'experts Children and Youth Services Review et dont le titre est « Predictive and Prescriptive Analytics, Machine Learning and Child Welfare Risk Assessment: The Broward County Experience »; et d'autres articles et publications revus par un comité de lecture sur l'utilisation du big data et du machine learning aux fins d'évaluation. Il est un conférencier régulier sur l'évaluation et la data science ou l'analytique à des conférences professionnelles telles que l'American Evaluation Association, Data Analysts for Social Good, Monitoring Evaluation Research & Learning, et bien d'autres.

À p

ropo

s de

s au

teur

s

23

Le re

cour

s au

« m

achi

ne le

arni

ng »

pour

des

éva

luat

ions

d’

impa

ct li

ées

au c

limat

Le présent article se penche sur l’utilisation de machine learning et de l’intelligence artificielle dans des études sur l’impact du changement climatique au Malawi et au Mali. Ces deux techniques offrent de nouvelles pistes pour évaluer l’impact des programmes et permettent d’obtenir des processus flexibles et personnalisables qui peuvent contenir les disparités importantes entre les régions et les secteurs, et en ce qui concerne la disponibilité des données. Ces techniques peuvent transformer une évaluation d’impact en mesurant un plus grand nombre de programmes sans surcharger les participants, en offrant une présentation plus globale du contexte de base et du contexte initial et en produisant des mesures d’impact incluant des informations d’ordre écologique et humain.

Messages clés

❚ Les avancées technologiques récentes, notamment le machine learning (ML) et l’intelligence artificielle (IA), sont en mesure d’influencer les évaluations d’impact.

❚ Le machine learning et l’intelligence artificielle permettent de créer un tableau sur la vulnérabilité liée au climat qui soit à la fois complexe, détaillé, complet, axé sur des données et centré sur l’humain.

❚ Le machine learning permet de contrôler rapidement et de façon continue des zones de programmes, d’identifier les composantes spécifiques de la capacité adaptative et d’évaluer de quelle manière l’activité d’un programme aide à combler de telles lacunes.

Ben Leo, Shaan Pattni, Catherine Winn, Quinn Lewis, Christina Paton & Melissa Persaud, Fraym1.

Introduction

Selon le Brooking Institute, sept des dix pays les plus menacés par le changement climatique sont africains. Non seulement le dérèglement climatique

induit des effets environnementaux tels que l’augmentation du nombre ou de la fréquence des inondations, des sécheresses et des catastrophes naturelles, mais il aggrave également la persistance des défis en matière de développement tels que l’accès à l’eau, la sécurité alimentaire, la stagnation des taux de prévalence du paludisme et les conflits. La Banque africaine de développement prévoit que les coûts d’adaptation au changement climatique correspondront à 3 % du PIB annuel des pays africains d’ici à 2030 (Bishop 2017 : 88-89). Une approche révolutionnaire assortie d’une stratégie pour des évaluations d’impact est nécessaire pour relever ces défis combinés. La prise en compte de l’analyse du changement climatique dans les approches traditionnelles en faveur du développement suppose une nouvelle compréhension de la menace, qui ne peut se dissocier des questions classiques telles que la pauvreté et la sécurité alimentaire.

Étant donné que les programmes, dans leur extension, englobent l’atténuation du risque climatique et une plus forte résilience communautaire, les évaluations d’impact doivent s’adapter afin de refléter une nouvelle compréhension de la menace que représente le changement climatique : une menace qui coexiste avec les populations et leurs moyens d’existence (Brooks et al. 2018).

Dans cet article, Fraym examine les possibilités d’application de l’intelligence artificielle et du machine learning aux évaluations d’impact. En premier lieu, nous explorons plusieurs approches basées sur l’IA/ML qui se montreront de plus en plus pertinentes pour évaluer, de manière efficiente, la vulnérabilité des communautés africaines au dérèglement climatique. En deuxième lieu, nous présentons un indice de vulnérabilité modifié, qui repose sur des études antérieures et que nous apparions par la suite au niveau de 1 km2. En troisième lieu, nous appliquons cette nouvelle approche au Malawi et au Mali afin d’indiquer comment ce type de cartographie localisée de la vulnérabilité peut offrir des informations exploitables dans le cadre de la conception de programmes et des

25Le recours au « machine learning » pour des évaluations d’impact liées au climat



Le recours au « machine learning » pour des évaluations d’impact liées au climat

efforts de suivi en cours. Enfin, nous concluons sur plusieurs recommandations et des pistes utiles pour la recherche future.

L’utilisation de l’intelligence artificielle et du machine learning pour des évaluations d’impact

Dans les évaluations d’impact, l’analyse traditionnelle de données se limitait à exploiter des données agrégées ou d’échelle locale, ou alors des données initiales et finales dont la collecte prenait du temps. Les récentes avancées technologiques permettent désormais aux analystes d’incorporer de centaines d’indicateurs dans leurs recherches sur l’impact et la vulnérabilité. Cette approche est précieuse pour ceux d’entre eux qui étudient les répercussions du changement climatique sur l’homme. Encore une fois, les pays disproportionnellement frappés par le dérèglement climatique sont souvent les plus démunis en données. Les algorithmes du ML peuvent élargir le champ d’application et l’applicabilité des ensembles de données existants pour fournir des informations sur les communautés où les données locales sont difficiles à obtenir, voire tout simplement inexistantes.

La technologie de l’IA/ML et les données qu’elle produit ont déjà contribué, à travers de multiples aspects, à des évaluations d’impact traditionnelles dans le monde. L’IA/ML est capable d’influencer le concept clé de l’évaluation d’impact en mesurant des résultats concernant des groupes de traitement ciblés (McKenzie 2018). Au Sri Lanka, des chercheurs exploitent des images satellitaires à haute résolution pour cartographier la pauvreté et le bien-être économique (Engstrom et al. 2017). Dans les zones rurales de l’Inde, l’IA/ML a permis aux économistes de la Banque mondiale d’obtenir des données sur des résultats qui sont traditionnellement difficiles à mesurer à partir des relevés sur des regroupements de villages (Parthasarathy et al. 2019). Dans la région Moyen-Orient et Afrique du Nord,

la recherche sur la sécurité alimentaire a montré la capacité de la technologie IA/ML à cibler des groupes de traitement et d’obtenir des résultats sur leurs prévisions concernant la sécurité alimentaire (Moody et al. 2017). En Colombie, des chercheurs ont résolu le problème d’ambiguïté et de parti pris dans l’estimation des effets déterminants en recourant au machine learning pour analyser des données sur la récidive d’anciens combattants (Samii et al. 2016). Ces innovations font partie d’une bibliothèque en pleine expansion qui contient des travaux publiés ayant utilisé la technologie IA/ML pour révolutionner les évaluations d’impact. En matière de ciblage, de suivi et d’évaluation en vue de l’atténuation des effets du change climatique, ces types d’algorithmes peuvent se révéler particulièrement puissants.

Fraym est en première ligne dans l’application des données ML au niveau des pays en développement, en particulier ceux en proie aux effets du changement climatique. Cette entreprise a utilisé des algorithmes ML avancés, en y associant des images satellitaires et des microdonnées issues d’enquêtes auprès des ménages, pour apporter des informations complètes sur des populations, des communautés, ainsi que sur leurs moyens de subsistance au niveau local. En utilisant des données à la portée de tous, nous créons des couches de prédiction au niveau de la résolution sur un kilomètre carré pour des indicateurs tels que la pauvreté, la propriété, l’emploi, ainsi que pour d’autres indicateurs socioéconomiques et démographiques. Ces ensembles de données à haute résolution peuvent ensuite être pris en compte dans une analyse plus approfondie effectuée par des chercheurs, des analystes et des évaluateurs. Depuis l’année dernière, les analystes de Fraym mobilisent nos données pour élaborer des indices de vulnérabilité complets sur les menaces les plus pressantes du monde.

Pour notre exercice d’évaluation du changement climatique, nous avons eu recours à une série de couches de données de prédiction qui ont servi à analyser

26



la vulnérabilité à travers des dimensions représentant des complexités centrées sur l’humain. En dehors des couches de données de Fraym, il y a également eu des données en provenance d’organisations telles que la United States Geological Survey la National Oceanic and Atmospheric Administration. Alors que les efforts de développement intègrent désormais l’atténuation des effets du changement climatique et inversement, les évaluations d’impact doivent faire de même. Notre méthodologie axée sur l’intelligence artificielle occupe une position unique pour illustrer ce changement de cap. Les efforts antérieurs visant à cartographier la vulnérabilité au changement climatique s’appuyaient exclusivement sur des données environnementales telles que les incidences des inondations, des sécheresses ou des catastrophes naturelles ; or, il s’agit d’indicateurs qui restreignent notre compréhension du dérèglement climatique aux seules questions environnementales, écartant la possibilité de cerner un aspect essentiel : l’adaptation potentielle et la résilience des individus et des communautés vivant avec cette menace. En utilisant nos données très locales sur les attributs humains des populations et des communautés, nous avons trouvé une marge de progression.

Autrement dit, la technologie IA/ML a permis aux analystes de Fraym d’inclure plus de vingt indicateurs sur les aspects écologiques et les facteurs centrés sur l’homme qui reflétaient les communautés et leur résilience (l’accès à des comptes bancaires, la sécurité alimentaire et la proximité avec des infrastructures, par exemple). Le résultat est un tableau complexe et détaillé sur la vulnérabilité au changement climatique qui permet de mieux comprendre les indicateurs contextuels moins accessible du passé ; par conséquent, on perçoit la vulnérabilité face au climat dans une perspective plus globale, axée sur des données et centrée sur l’homme. Ce type d’analyse détaillée et « hyperlocalisée » est en mesure de transformer radicalement les évaluations d’impact qui sont menées

dans des zones où les données et leurs applications étaient antérieurement très limitées et méritent d’être ciblées, complètes et riches en informations.

Méthodologie

La conception de la vulnérabilité au changement climatique selon Fraym s’étend sur un solide corpus de recherche et de bourses en provenance d’organisations telles que l’Institut international de recherche sur les politiques alimentaires (IFPRI), l’Agence des États-Unis pour le développement international (USAID) et la Banque africaine de développement (BAD). Le consensus sur le changement climatique, la vulnérabilité et la résilience devient de plus en plus important parmi ces organisations et dans d’autres institutions qui ont fixé une norme concernant l’incorporation des indicateurs socioéconomiques dans les définitions de la vulnérabilité au dérèglement climatique. Notre technologie et méthodologie axées sur l’IA/ML permet à cette précieuse série de travaux de continuer à détailler et à élargir le périmètre et les fonctionnalités des évaluations d’impact.

De nombreux acteurs, y compris Fraym, ont suivi le canevas à trois facteurs (exposition, sensibilité et capacité adaptative) proposé par Groupe de travail intergouvernemental sur les changements climatiques (GIEC) (Hahn et al. 2009). Le choix des indicateurs diffère dans chacun de ces paniers en fonction des contextes et de la disponibilité des données (tableau 1), bien que beaucoup de ces facteurs conviennent toujours pour des comparaisons éventuelles à travers le continent. La première composante, à savoir l’exposition, fait ressortir la force et la fréquence des conditions climatiques extrêmes telles que les sécheresses et les inondations. Nous avons exploité des données géospatiales et des images par satellites pour assortir les conditions environnementales sur le terrain avec des données collectées au niveau des ménages sur la sensibilité aux chocs,

27



telle que déterminée en signalant des sécheresses, des précipitations irrégulières et des inondations. La deuxième composante (la sensibilité) mesure les facteurs pouvant diluer ou aggraver l’impact d’un choc climatique dans une zone ; il s’agit par exemple des méthodes agricoles, de types d’agriculteurs et de l’accès à des services publics. Fraym définit la sensibilité à l’aide des mesures de la sécurité alimentaire et hydrique, les pratiques agricoles et la composition des ménages. Ces indicateurs se sont appuyés sur des microdonnées sur les caractéristiques des communautés, telles que les ratios de dépendance, l’accès à des sources d’eau améliorées et la proportion des ménages engagés dans l’agriculture. S’agissant de la dernière composante (capacité adaptative), nous avons compilé plus de quinze indicateurs pour mesurer quatre principales catégories de capital : le capital social, le capital humain, le capital financier et le capital physique. Ces regroupements comprennent les taux d’achèvement scolaire, l’accès aux marchés agricoles et à la finance, les niveaux de revenu, les services de vulgarisation et d’autres indicateurs. Pour combiner des indicateurs dans les trois composantes susmentionnées (exposition, sensibilité et capacité adaptative) et élaborer un indice de vulnérabilité au changement climatique ; nous avons effectué une première analyse de ces éléments en recourant à des approches précédemment utilisées par l’IFPRI et l’African American Resilience to Climate Change (ARCC).

La carte de la vulnérabilité au changement climatique qui en résulte fournit une vue d’ensemble plus complète des communautés les plus touchées ainsi que de leur capacité de redressement et de résilience. Combinées avec les enseignements tirés des précédents indices de vulnérabilité au changement climatique, nos données produites par le machine learning peuvent offrir un nouveau moyen d’évaluer l’impact de programmes. Cette nouvelle approche ouvre la voie à un processus flexible et personnalisable qui

peut présenter des disparités importantes entre les régions et les secteurs, et en ce qui concerne la disponibilité des données. Pour les organes d’exécution ambitionnant d’adapter leurs évaluations dans des zones sensibles au changement climatique, des informations localisées sur la vulnérabilité et les facteurs spécifiques à chaque communauté peuvent guider les efforts de suivi dès le démarrage d’un projet. Par exemple, dans les indicateurs de la capacité adaptative, nous pouvons mesurer les formes d’accès à l’information, telles que le niveau d’alphabétisation et le niveau d’instruction, ou l’accès au capital financier (obtention de prêts, etc.), qui permettent au ménage de faire face à l’adversité. La collecte de données au cours d’un projet peut ensuite se concentrer sur les indicateurs clés révélés par l’indice pour des communautés séparées, en atténuant les défaillances et les efforts de collecte inutiles. La segmentation des zones ou secteurs vulnérables peut également apporter des données d’appui à la conception d’un projet ciblant des occasions très particulières pour améliorer la capacité adaptative des ménages. L’application de notre nouvelle approche à ce corpus de recherche en pleine expansion permet d’obtenir des indices de vulnérabilité au changement climatique qui soient complets et pratiques pour des évaluations d’impact, le suivi de projet et l’appui aux décisions sur les principes d’action.

Études de cas et analyse – Malawi et Mali

Dans la section qui suit, nous explorons l’application de l’IA/ML à l’évaluation de projets de développement existants au Malawi et au Mali en vue de montrer ce qui est possible en l’absence d’une enquête de référence à grande échelle. Dans les deux cas, nous avons mobilisé les données de Fraym pour analyser les moyens de subsistance des populations très vulnérables au changement climatique dans les zones de projet. Pour chaque pays, nos analystes ont élaboré une cartographie des indices de

28



Composante Type d’indicateur¹ Indicateur utilisé dans l’indice de vulnérabilité

Exposition Catastrophes ❚ Pourcentage des membres de la communauté ayant signalé une sécheresse au cours de la dernière année

❚ Pourcentage des membres de la communauté ayant signalé une pluviométrie irrégulière au cours de la dernière année

❚ Pourcentage des membres de la communauté ayant signalé une inondation au cours de la dernière année

Changement des conditions environnementales ou climatiques

❚ Changement de la moyenne mensuelle des précipitations entre 1960 et 1990 et entre 2000 et 2017

Sensibilité Pratiques agricoles ❚ Pourcentage des ménages d’agriculteurs ayant des terres cultivées de 2 hectares ou moins (petits exploitants)

❚ Indice moyenne de diversification des cultures (1 divisé par le nombre de groupes)

❚ Présence de périmètres hydroagricoles dans la communauté

Structure de la communauté

❚ Ratio de dépendance

Sécurité alimentaire et hydrique

❚ Pourcentage des ménages ayant eu la sécurité alimentaire au cours des 12 derniers mois

❚ Pourcentage des ménages s’approvisionnant à des sources d’eau non améliorées

Capacité adaptative

Capital social ❚ Présence d’une organisation d’appui aux agriculteurs au sein de la communauté

❚ Pourcentage des ménages d’agriculteurs recourant à des services de vulgarisation

Capital humain ❚ Taux d’alphabétisation des personnes âgées de 15 ans ou plus

❚ Pourcentage des chefs de ménage ayant au moins une scolarisation primaire

❚ Pourcentage des ménages dirigés par une femme

❚ Âge moyen du chef de ménage

Capital financier ❚ Pourcentage des ménages ayant contracté un crédit au cours de la dernière année pour une activité commerciale ou agricole

❚ Montant moyen emprunté au cours de la dernière année à des fins commerciales ou agricoles

❚ Revenu agricole moyen net en espèces

❚ Taille moyenne de l’ensemble de l’exploitation agricole

Capital physique ❚ Pourcentage des ménages ayant accès à l’eau de distribution

❚ Distance moyenne jusqu’à la route la plus proche

❚ Durée moyenne du parcours jusqu’à l’école

❚ Distance moyenne jusqu’au marché le plus proche

❚ Pourcentage des ménages ayant de l’électricité

❚ Distance jusqu’à un centre de santé

❚ Pourcentage des ménages ayant un téléphone portable

Tableau 1 : Méthode de calcul de l’indice de vulnérabilité au changement climatique2

vulnérabilité au changement climatique à un niveau de résolution sur un kilomètre carré, afin d’étudier les facteurs qui créent des disparités en matière de vulnérabilité.

Malawi

La cartographie de la vulnérabilité au Malawi indique que la région australe du pays est la plus vulnérable. En 2017, 46 % des ménages au sein des communautés de cette région ont connu quelques formes de

sécheresse, soit 10 points de pourcentage de plus que les ménages de la région centrale, et 25 points de pourcentage de plus que le nord. Pour appliquer de manière pratique nos capacités « hyperlocales », nous avons choisi le district de Mangochi, où le bureau de l’USAID chargé du programme Food for Peace (« Nourriture pour la paix ») a lancé une activité de consolidation de la sécurité alimentaire en 2019 (USAID 2019, USAID 2020a). Ce district compte environ 1,1 million d’habitants, soit 6 % de la population totale du Malawi.

29



Profil

Nous avons mobilisé notre base de données sur les indicateurs de la capacité adaptative ainsi que la carte des indices de vulnérabilité au changement climatique de 2017 pour le Malawi pour quantifier les niveaux de capacité adaptative des zones les plus vulnérables du district de Mangochi (figure 1). Selon l’indice de vulnérabilité au changement climatique élaboré par Fraym, Mangochi est le cinquième district le plus vulnérable du Malawi. Concernant les trois composantes de l’indice (exposition, sensibilité et capacité adaptative), le district de Mangochi affiche la deuxième capacité adaptative la plus faible sur les 28 districts du pays, ce qui témoigne d’un niveau de résilience aux chocs climatiques plutôt relativement faible par rapport aux autres districts. Cela dit, la vulnérabilité au changement climatique n’est pas uniforme à travers le district.

Une fois de plus, en recourant à l’indice de vulnérabilité au changement climatique, nous avons classé les ménages selon les zones de vulnérabilité plus faible et plus élevée, puis quantifié leur capacité adaptative. De ce fait, nous avons défini les zones très vulnérables de Mangochi comme celles ayant un niveau de vulnérabilité supérieur à la valeur moyenne de l’indice de vulnérabilité au changement climatique au Malawi ; ensuite, nous avons analysé les indicateurs relatifs à la capacité adaptative sous forme de capital humain, financier et physique, comme suit :

❚ capital financier : Le district de Mangochi a la plus faible proportion de ménages ayant contracté un prêt ou ayant accès à un compte bancaire. En moyenne, 11 % des ménages étaient en mesure d’obtenir un crédit pour leurs entreprises commerciales ou agricoles au sein des communautés très vulnérables du district, contre 20 %

Figure 1 : carte des indices de vulnérabilité au changement climatique – Malawi

30



de ménages dans les communautés moins vulnérables au dérèglement climatique. Une tendance similaire se dégage pour l’accès à des comptes bancaires, seulement 11 % des ménages bénéficiant d’un tel accès, contre 19 % dans les zones moins vulnérables de Mangochi. Dans l’ensemble, selon ces deux indicateurs, l’accès au crédit est plus faible au sein des communautés du district très vulnérables au changement climatique.

❚ capital physique : De l’avis de l’IFPRI, la qualité du capital physique, à savoir les infrastructures, peut améliorer la capacité adaptative des communautés vulnérables au changement climatique. Plus les communautés des zones reculées ont des infrastructures, moins elles sont isolées, ce qui peut probablement améliorer leur capacité de riposte aux catastrophes tout en promouvant le commerce. Une analyse des indicateurs du capital physique à partir de nos données montre que les ménages des communautés très vulnérables se trouvent en moyenne à 14 kilomètres des routes, les communautés moins vulnérables étant à 7,5 kilomètres seulement. Par ailleurs, moins de 2 % des ménages des zones fortement vulnérables disposent de l’eau courante, contre 35 % des ménages dans les zones moins vulnérables du district. De même, en examinant la propriété des biens tels que le téléphone portable, il est apparu que le niveau d’accès des ménages des zones fortement vulnérables n’est que de moitié celui des zones moins vulnérables (36 % contre 79 %).

❚ capital humain : Les niveaux d’alphabétisation constituent une variable utile pour comprendre l’accessibilité à l’information et permettent de quantifier les entraves dont les femmes sont confrontées dans le contexte de vulnérabilité au changement climatique. Les données

de Fraym montrent que le district de Mangochi possède les plus faibles niveaux de scolarisation primaire chez les femmes chefs de ménage au Malawi et les troisièmes taux d’alphabétisation les plus faibles chez les femmes de plus de 15 ans. Parmi les femmes chefs de ménages du district, seules 18 % ont achevé leurs études primaires, contre 60 % des femmes des communautés moins vulnérables au changement climatique.

En combinant l’indice de vulnérabilité au dérèglement climatique avec nos indicateurs relative à la capacité adaptative, nous avons pu comprendre de manière globale non seulement la question de la vulnérabilité climatique spécifique à chaque communauté, mais également les niveaux de capacité adaptative actuels des ménages. Le programme Food for Peace étant encore en cours, nous pouvons mesurer les modifications survenues dans les indicateurs tout en incluant la dimension « vulnérabilité » dans l’analyse contextuelle de l’évaluation de l’ensemble du programme.

Mali

Près des deux tiers des Maliens (environ 14,4 millions) sont particulièrement vulnérables au changement climatique. Ce fort pourcentage est dû à une combinaison de facteurs, notamment la faiblesse et la variabilité des taux de précipitations, le faible taux d’agriculture à petite échelle et le manque d’accès à des services de base tels que la finance, l’éducation et l’eau potable. Dans tout le pays, les Maliens sont mal outillés pour faire face aux effets négatifs du changement climatique, compte tenu de ces facteurs environnementaux et socioéconomiques.

La vulnérabilité au changement climatique à tendance à diminuer du nord au sud ; cela s’explique en partie par l’accroissement de la densité de la population au sud, ainsi que par des facteurs écologiques plus favorables tels que la réduction de

31



la variabilité environnementale, la faiblesse des précipitations et la baisse des températures, contrairement au nord. En fait, la réduction de la vulnérabilité au changement climatique est fortement corrélée à la proximité avec des centres urbains tels que Bamako, Sikasso ou Gao, une fonction de la baisse de la sensibilité et de l’augmentation de la capacité adaptative face aux effets induits. En zone urbaine, le délitement de la sécurité hydrique et la multiplication des ménages engagés dans l’agriculture entraînent une baisse de la sensibilité. Les zones urbaines ont une capacité adaptative particulièrement forte pour faire face aux effets du changement climatique. Cela est dû à leur meilleur niveau d’accès à des services essentiels tels que la finance, l’eau de distribution, l’électricité et l’éducation.

Profil

Afin de maximiser les implications pratiques des indices de Fraym, nous avons réduit notre analyse à un cercle, la division administrative de deuxième

degré du Mali. Plus clairement, nous avons examiné deux cercles dans la région de Gao (figure 2), y compris au niveau de l’activité de renforcement de la sécurité alimentaire (DFSA) du programme Food for Peace de l’USAID pour le Mali (USAID 2020b).

Le niveau de vulnérabilité relativement faible de la région de Gao occulte une large gamme de vulnérabilités en son sein. Si la région de Gao est 5e sur les dix régions maliennes selon notre indice de vulnérabilité, l’essentiel de tout cela tient aux niveaux relativement faibles enregistrés dans son cercle le plus populeux (28e sur un total de 50 cercles). D’autre part, le cercle d’Ansongo occupe le 9e rang national. Nous avons choisi d’étudier cette disparité plus en profondeur. Même si Gao est relativement plus vulnérable, la forte proportion de sa population fait de cette région une zone propice pour des programmes visant à accroître la capacité adaptative. Notre équipe a trouvé que près de 200 000 personnes (soit environ 53 % de la population du cercle de Gao)

Figure 2 : carte des indices de vulnérabilité au changement climatique – Mali

32



ont une faible capacité adaptative, tandis qu’environ 215 000 personnes sont particulièrement vulnérables.

Certes, deux cercles possèdent des niveaux d’exposition et de sensibilité similaires, mais la capacité adaptative du cercle d’Ansongo est à près de 50 % inférieure à celle de Gao, ce qui témoigne de l’existence d’importants déficits en capital humain qui pourraient être corrigés à l’aide d’une programmation appropriée. Plus de 95 % de la population du cercle d’Ansongo est classée comme disposant d’une faible capacité adaptative et d’un niveau élevé de vulnérabilité au changement climatique. Le projet Food for Peace menant des activités axées sur la capacité adaptative, nos données IA/ML hyperlocales peuvent servir dans le suivi des progrès vers l’amélioration de la résilience des ménages d’une année à l’autre. En outre, une mesure exhaustive des aspects humains et environnementaux de la vulnérabilité au changement climatique – comme dans un cas précédent – pourrait être utilisée pour présenter l’impact global du programme sur la capacité adaptative des communautés, soit une dimension de plus à l’évaluation d’impact aux fins de programmation liée à la résilience.

conclusion

Que ce soit en comparant des tendances dans un district comme celui de Mangochi ou des facteurs entre des cercles faiblement ou fortement vulnérables tels que Ansongo et Gao, notre approche révèle des disparités régionales importantes dans les sous-composantes définissant la résilience au changement climatique. En cernant mieux la question de vulnérabilité au changement climatique et de ses

nombreuses composantes, les organes d’exécution sont plus outillés pour corriger les faiblesses de capacité adaptative et toucher les populations vulnérables avec plus d’efficacité et d’efficience. Alors que les études cas du Mali et du Malawi montrent des similarités en matière de vulnérabilité, leurs disparités soulignent la nécessité d’une bonne compréhension de la façon dont les réponses sociodémographiques communautaires au changement environnemental peuvent influer sur les résultats des participants. Une meilleure compréhension de la vulnérabilité initiale et des faiblesses de capacité adaptative peut permettre d’identifier les indicateurs qu'un programme devrait suivre sur la durée, ainsi que les efforts de collecte de données à consentir pour répondre aux besoins de suivi. Le machine learning peut permettre de contrôler rapidement et de façon continue des zones de programmes, d’identifier les composantes spécifiques de la capacité adaptative et d’évaluer de quelle manière les activités d’un programme aident à corriger des carences. Il en résulte un programme plus cohérent et capable d’utiliser efficacement les données du projet pour une gestion adaptative.

Enfin, cette approche globale, qui consiste à mobiliser un grand volume de données à l’aide des techniques sophistiquées d’intelligence artificielle et d’apprentissage automatique, peut transformer l’évaluation d’impact en élargissant l’échelle des mesures sans surcharger les participants au programme avec des enquêtes et des questionnaires, en présentant un tableau plus exhaustif du contexte initial et final dans lequel évoluent les participants, et en produisant des mesures d’impact incluant des informations environnementales et humaines (la vulnérabilité au changement climatique, par exemple).

33



Références

Bishop, R., 2017. Confronting climate change: Africa’s leadership on an increasingly urgent issue. Brookings Institute, Washington, DC.

Brooks, N., Rai, N., Anderson, S., 2018. ‘How integrated monitoring and evaluation systems can help countries address climate impacts,’ Briefing: iied, August, pp. 1–5.

Caffrey, P., Farmer, A. 2014. Mali climate vulnerability mapping: African and Latin American resilience to climate change (ARCC). USAID, Washington, DC.

Engstrom, R., Hersh, J., Newhouse, D., 2017. « Poverty from Space; Using High-Resolution Satellite Imagery for Estimating Economic Well-Being,’ World Bank, Poverty and Equity Global Practice Group, http://documents.worldbank.org/curated/en/610771513691888412/pdf/WPS8284.pdf

Gbetibouo, G.A., Ringler, C., 2009. Mapping South African farming sector vulnerability to climate change and variability: a subnational assessment. International Food Policy Research Institute, Geneva.

Government of Malawi (2018), National Resilience Strategy: Breaking the Cycle of Food Insecurity in Malawi, Government of Malawi. Consulté le 9 fév. 2020, https://www.usaid.gov/sites/default/files/documents/1860/Malawi_National_Resilience_Strategy.pdf .

Hahn, M.B., Riederer, A.M., Foster, S.O., 2009. ‘The Livelihood vulnerability index: A pragmatic approach to assessing risks from climate variability and change - A case study in Mozambique.’ Global Environmental Change, vol. 19, 74-88.

McKenzie, D., 2018. ‘How can machine learning and artificial intelligence be used in development interventions and impact evaluations,’ Development Impact, 5 March, consulté le 8 Feb 2020,

https://blogs.worldbank.org/impactevaluations/how-can-machine-learning-and-artificial-intelligence-be-used-development-interventions-and-impact.

Moody, D., Brumby, S.P., Chartrand, R., Keisler, R., Mathis, M., Beneke, C.M., et al, 2017. ‘Satellite imagery analysis for automated global food security forecasting,’ American Geophysical Union, consulté le 8 fév. 2020, https://ui.adsabs.harvard.edu/abs/2017AGUFMGC33A1055M.

Parthasarathy, R., Rao, V., Palaniswamy, N., 2019. ‘Deliberative Democracy in an Unequal World: A Text-As-Data Study of South India’s Village Assemblies,’ American Political Science Review, vol. 113, no. 3, pp. 623-640, consulté le 9 fév. 2020, DOI 10.1017/S0003055419000182.

Samii, C., Paler, L., Daly, S.Z., 2016. ‘Retrospective causal inference with machine learning ensembles: an application to anti-recidivism policies in Colombia,’ Political Analysis, vol. 24, pp. 434–456.

USAID, 2019. Fiscal Year 2019 Development Food Security Activities in Madagascar and Malawi, Office of Food for Peace, consulté le 9 fév. 2020, https://www.usaid.gov/sites/default/files/documents/1866/FINAL_FY_19_DFSA_RFA_for_Madagascar_and_Malawi.pdf .

USAID, 2020a. Country Specific Information : Malawi, USAID Office of Food for Peace, consulté le 9 fév. 2020, https://www.usaid.gov/sites/default/files/documents/1866/CSI_for_Malawi.pdf .

USAID, 2020b. Fiscal Year (FY) 2020 Development Food Security Activity in Mali, Office of Food for Peace, consulté le 4 fév. 2020, https://www.usaid.gov/sites/default/files/documents/1866/FY20_DFSA_RFA_for_Mali-1-13-20.pdf.

Annotations

1. Fraym est une entreprise de données géospatiales qui utilise les algorithmes de marque basés sur le machine learning pour produire des informations précises et d'échelle locale. Elle couvre principalement l'Afrique, l'Asie et l'Amérique latine.

2. Si de nombreuses composantes demeurent comparables entre nos modèles du Mali et du Malawi, les analystes de Fraym ont intentionnellement modifié certaines mesures afin de refléter les principales différences contextuelles entre ces deux pays et produire un modèle aussi correct que possible. Par exemple, les données et indicateurs sur le Malawi étaient essentiellement basés sur l'agriculture, en

droite ligne des travaux de recherche qui ont démontré une plus forte dépendance au revenu agricole dans les ménages sud-africains pauvres et vulnérables (Gbetibouo et al. 2009). Au Mali, les ménages pauvres et vulnérables dépendent plutôt généralement de l'élevage (bétail), même si l'agriculture est la principale source de revenu dans le nord du pays, dont les terres sont essentiellement arides (Caffrey et al. 2014). La technologie à base de l'IA/ML de Fraym nous a permis de modifier les indicateurs des modèles afin de mieux refléter cette situation ainsi que d'autres disparités au niveau local, sans pour autant sacrifier la profondeur de l'analyse dans les deux pays.

34

http://documents.worldbank.org/curated/en/610771513691888412/pdf/WPS8284.pdf

http://documents.worldbank.org/curated/en/610771513691888412/pdf/WPS8284.pdf

https://www.usaid.gov/sites/default/files/documents/1860/Malawi_National_Resilience_Strategy.pdf

https://www.usaid.gov/sites/default/files/documents/1860/Malawi_National_Resilience_Strategy.pdf

https://blogs.worldbank.org/impactevaluations/how-can-machine-learning-and-artificial-intelligence-be-used-development-interventions-and-impact



https://ui.adsabs.harvard.edu/abs/2017AGUFMGC33A1055M

https://ui.adsabs.harvard.edu/abs/2017AGUFMGC33A1055M

https://www.usaid.gov/sites/default/files/documents/1866/FINAL_FY_19_DFSA_RFA_for_Madagascar_and_Malawi.pdf



https://www.usaid.gov/sites/default/files/documents/1866/CSI_for_Malawi.pdf

https://www.usaid.gov/sites/default/files/documents/1866/CSI_for_Malawi.pdf

https://www.usaid.gov/sites/default/files/documents/1866/FY20_DFSA_RFA_for_Mali-1-13-20.pdf

https://www.usaid.gov/sites/default/files/documents/1866/FY20_DFSA_RFA_for_Mali-1-13-20.pdf

35Le recours au « machine learning » pour des évaluations d’impact liées au climatLe recours au « machine learning » pour des évaluations d’impact liées au climat


À p

ropo

s de

s au

teur

s

Ben Leo est le directeur général et cofondateur de Fraym. Expert en finance pour le développement, géostatistique, analyse de la consommation, ainsi que des questions économiques et sécuritaires en Afrique, il a officié à la Maison-Blanche et au Trésor américain, où il a conseillé le Président sur les nations de l’Afrique centrale, australe et de l’Est, et où il a été l’architecte d’accords d’allègement de la dette d’une valeur de 1 milliard USD. En tant que directeur de la politique mondiale à ONE Campaign, Ben a dirigé une équipe dédiée à des questions telles l’infrastructure, l’investissement et le commerce, mais aussi la santé, l’agriculture et la transparence. Il a également servi comme chercheur associé invité au Center for Global Development.

Shaan Pattni est analyste principal à Fraym. Shaan applique des données géospatiales avancées pour aider à résoudre des problèmes complexes liés à la consommation dans différentes régions du monde. Il dirige une équipe qui se consacre à l’analyse novatrice et produit un contenu riche en enseignements. Shaan est titulaire d’une licence (B.A.) en économie et d’une autre (B.Sc.) en gestion des chaînes d’approvisionnement de l’Université d’État de Penn.

catherine Winn est associée junior à Global Development, à Fraym. Elle travaille sur les engagements de Fraym en matière de développement à l’échelle mondiale, nouant des relations avec des organisations multilatérales et dirige le travail de création de contenu sur le leadership de pensée. Elle a par le passé, officié dans les ambassades américaines du Burkina Faso et de la République du Congo. Catherine est titulaire d’une licence en relations internationales et langue française du Wellesley College.

35



Quinn Lewis est analyste des données à Fraym. Quinn combine son domaine d’expertise à des données générées par le machine learning afin de répondre aux questions les plus pressantes des clients. Il est titulaire d’une licence de l’Université polytechnique San Luis Obispo de l’État de Californie et d’un master en affaires internationales de l’Université de Californie, à San Diego.

christina Paton est spécialiste principale en data science à Fraym. Christina utilise son expertise en matière de données et méthodes géospatiales pour modéliser des données hyperlocales en combinant des sources disparates, des images par satellite et des algorithmes de l’apprentissage automatique. Elle est titulaire d’un diplôme de M.P.A science et politique de l’environnement de l’Université Columbia et d’une licence en science de l’environnement de l’université du Nord-Ouest.

Melissa Persaud est directrice de New Business : Global Development à Fraym. Elle travaille avec des partenaires de Global Development en vue mobiliser les données géospatiales nécessaires à la conception, au suivi et à l’évaluation de programmes. De plus, elle jouit d’une expertise avérée en messagerie mobile et en collecte de données. Melissa est titulaire d’un diplôme de M.P.A. en pratique de développement de l’Université Columbia et d’une licence du Lafayette College.

À p

ropo

s de

s au

teur

s

36

L’in

tégr

atio

n du

big

dat

a an

alyt

ics

et d

e l’in

tellig

ence

ar

tifici

elle

dan

s le

sui

vi e

t l’é

valu

atio

n da

ns u

n co

ntex

te d

e dé

velo

ppem

ent e

n pl

eine

exp

ansi

on

Les récentes avancées des technologies de l’information, à la faveur de la quatrième révolution industrielle et des innovations transformatrices associées, ont créé, en temps réel et sous différents formats, une myriade de mégadonnées (big data). Les progrès qui en ont résulté (le big data et l’intelligence, par exemple), ont contribué à renforcer le champ du suivi et de l’évaluation. Le big data analytics (analytique du big data) et l’intelligence artificielle sont des technologies qui jouent un rôle majeur dans le suivi et l’évaluation en améliorant l’efficacité, en réduisant les coûts et en redéfinissant le domaine du S&E. Le présent article applique un cadre de décomposition au big data et à l’intelligence artificielle en tant que facteurs déterminants du suivi et de l’évaluation. Il le fait ainsi dans le cadre général des technologies transformatrices et de la quatrième révolution industrielle, et examine la façon dont elles façonnent le suivi et l’évaluation.

Bernard Okpe, Département pays pour le Nigéria, Banque africaine de développement.

Messages clés

❚ L’émergence de la quatrième révolution industrielle (4RI) et le boom des technologies transformatrices ont créé de plateformes et outils nouveaux pour améliorer la participation des citoyens au processus décisionnaire en leur permettant d’accéder facilement à des données et informations, et donc à promouvoir la transparence et l’obligation de rendre compte.

❚ Le big data et l’intelligence artificielle ont promu diverses capacités (la modélisation prédictive et la prévision à grande échelle, par exemple), qui favorisent les processus de suivi et d’évaluation des opérations de développement.

❚ Ils constituent des outils essentiels qui contribuent à obtenir des indicateurs clés dans le cadre des objectifs universels du Programme 2030 concernant le développement durable.

Introduction

ces dix dernières années, il y a eu une forte concurrence pour capter les faibles ressources allouées par le développement international,

tandis que ce qui était censé être réalisé à travers cette assistance a nourri des attentes sans cesse plus grandes (Raftree & Bamberger 2016). Cette situation a donné lieu à une forte demande de systèmes pouvant efficacement évaluer la performance et l’efficacité des programmes de développement. La montée du big data analytics1 de l’intelligence artificielle (IA)2, du fait de la quatrième révolution industrielle (4RI) et de l’expansion des technologies transformatrices qui en a résulté, a contribué à la mise en place de plateformes et outils permettant une participation accrue des citoyens à la prise de décision et offrant à ces derniers un accès facile à des informations et à des services, améliorant ainsi la transparence et la redevabilité.

La 4RI renvoie à des innovations technologiques caractérisées par la fusion

d’une série de technologies qui éliminent les frontières entre les sphères physique, numérique et biologique. La 4RI accélère les innovations, rendant l’accès à l’information plus rapide, plus efficace et plus largement disponible. La technologie à l’ère de la 4RI est également de plus en plus connectée et permet des mutations sociétales en influençant la formulation des politiques, l’économie, les valeurs, les identités et les possibilités qui s’offrent aux générations futures. Au cœur de la 4RI se trouvent le big data et l’IA (Manyika et al. 2013). Toutefois, une question essentielle autour de la 4RI concerne la façon dont il faut utiliser efficacement les avancées technologiques pour améliorer la p e r fo r m a n ce o r ga n i s a t i o n n e l l e (Nalubega & Uwizeyimana 2019). D’autre part, les technologies transformatrices désignent des formes d’innovations qui influencent généralement de façon sensible et modifient l’approche traditionnelle à travers laquelle les consommateurs, les industries et les entreprises se comportent (Segal et al. 2016) Les technologies transformatrices jouent aujourd’hui un rôle significatif dans l’émergence d’outils et techniques

39


L’intégration du big data analytics et de l’intelligence artificielle dans le suivi et l’évaluation dans un contexte de développement en pleine expansion



nouveaux qui façonnent la pratique du suivi et de l’évaluation (S&E). Par exemple, l’évolution de la téléphonie mobile a facilité la communication grâce au message textuel, aux réseaux sociaux et Internet, en plus des appels vocaux (Segal et al. 2016). De plus, les appareils mobiles sont de plus en utilisés lors de la collecte de données dans de nombreux secteurs, y compris l’évaluation. En effet, la disponibilité à grande échelle des smartphones, tablettes et autres appareils mobiles, au-delà de leurs multiples fonctionnalités et de la baisse de leur coût d’acquisition et d’utilisation, a transformé le mode de collecte de données sur le terrain, ainsi que la façon dont elles sont traitées, diffusées et utilisées (Segal et al. 2016).

Cet article examine la façon dont le big data analytics et l’intelligence artificielle influencent le processus de S&E. L’article soutient que ces outils ont pu transformer le processus de S&E en enclenchant l’élaboration de procédures plus efficaces et conclut que ces technologies sont essentielles pour le futur du S&E, au regard de la vitesse de transformation du domaine de développement.

Big data et intelligence artificielle

La capacité croissante des technologies à collecter des données concernant l’activité humaine a suscité un plus grand engouement à utiliser ces données pour prévoir ou suivre des comportements, ainsi que pour concevoir des interventions en matière de développement bien alignées sur les objectifs. Le boom de la collecte de données a davantage fait progresser le développement de l’IA. Les experts en technologie se sont vite rendu compte que l’analyse de données dans le but d’améliorer le processus décisionnel est une tâche fastidieuse (Analytics 2018). Ils ont alors développé des algorithmes intelligents afin d’effectuer le travail consistant à extirper des informations de vastes ensembles de données. En

se basant sur des données issues de différentes sources, l’IA permet de construire une banque de connaissances qui aide à effectuer des prévisions exactes (Russell & Norvig 2016). En outre, la capacité de l’IA à s’intégrer dans le big data a donné lieu à un renforcement mutuel des deux technologies, le succès de l’IA dépendant de la qualité des données intégrées dans le big data.

Dans l’IA, des machines analysent des données et les ajustent pour générer de nouveaux produits. C’est ce qui permet à cette technologie d’être conçue pour des interventions spécifiques qui favorisent le processus d’évaluation (McKenzie 2018). Le big data et l’IA sont tous les deux utilisés pour effectuer de la modélisation prédictive et prévoir des changements systémiques à grande échelle. Les praticiens du développement ont également commencé à explorer l’utilisation du big data pour prévoir, voire suivre le comportement des individus (Raftree & Bamberger 2016). UN Global Pulse, qui ambitionne de corréler les données produites par les utilisateurs d’Internet à de possibles interventions en matière de développement, est l’une des organisations en première ligne dans la recherche dans ce domaine. Qatar Computing Research Institute, une autre organisation, filtre le trafic d’informations sur les réseaux sociaux afin de renforcer la riposte à des catastrophes (Raftree & Bamberger 2016). Il est désormais admis que les données de grande qualité sur le développement sont essentielles pour l’impact en matière de développement, la qualité des données étant le socle des stratégies efficaces qui appuient l’élaboration des politiques, l’allocation efficiente de ressources et la fourniture adéquate des services publics. L’éthique dans l’utilisation du big data et de l’IA a toutefois suscité des inquiétudes, car ces technologies ne sont pas en mesure de prévoir les comportements et tendances des individus par rapport à l’espace et le temps.

40



L’impact du big data et l’IA sur le S&E en Afrique

Le big data analytics et l’IA constituent sans doute des préalables à la réalisation des ambitieux objectifs mondiaux du Programme 2030 pour le développement durable, parce que les technologies interviendront dans toute activité. D’ailleurs, des technologies connexes telles que l’imagerie par satellite, la géo-ingénierie et les cartes intelligentes (smartcarts) recèlent des découvertes qui ont la capacité de transformer le développement dans le monde (Manyika et al. 2013). D’autres technologies connexes telles que la réalité virtuelle sont également utilisées pour construire des modèles destinés à soutenir le S&E de projets et programmes de développement et à suivre les progrès réalisés dans les interventions en matière de développement tant en Afrique que dans le reste du monde. De même, ces technologies ont servi à évaluer des interventions et à faciliter les prestations de service et le renforcement des politiques d’action.

Dans le domaine du S&E, le big data est en mesure de compléter les sources de données traditionnelles. Pour ce faire, il faut promouvoir l’unicité et apporter des informations actualisées qui peuvent être utilisées pour présenter une perspective globale de la situation (UN Global Pulse 2012). Par exemple, les détecteurs numériques de transmission de données à distance peuvent servir dans l’évaluation en collectant des données objectives pour favoriser le contrôle des interventions en matière de durabilité. À l’inverse, d’autres contrôlent des occurrences en temps réel en analysant des contenus en ligne. Cette capacité est nécessaire pour fournir des données de référence sur un incident actuel et mettre à jour les informations à l’aide des instantanés, afin de vérifier comment une situation change et peut servir à des interventions dans le cadre d’un programme (UNDP 2013). En outre, UN Global Pulse met en œuvre plusieurs

projets recourant aux réseaux sociaux pour contrôler l’environnement social (UN Global Pulse 2012). Ce facteur offre un cadre pour savoir comment des changements dans le discours public facilitent le S&E de l’efficacité au fil du temps.

La 4RI propose un défi au S&E traditionnel, aussi bien dans le secteur public que dans le secteur privé. L’évolution technologique charriée par la 4RI change la façon dont les sociétés mènent leurs opérations au quotidien (CEPAL 2018). Au-delà des nombreuses opportunités liées à la 4RI, la perspective de la disponibilité des données, de la cybersécurité et de la protection du consommateur présente un risque pour les cadres réglementaires des pays. Il convient donc de s’attaquer aux effets de la 4RI sur le S&E, tant en Afrique qu’ailleurs. Cette situation appelle également le renforcement des capacités des évaluateurs afin qu’ils exploitent les opportunités offertes par l’évolution technologique pour développer des solutions durables (Rogerson 2014).

La 4RI offre l’énorme occasion d’incorporer le S&E dans les politiques de développement ainsi que dans les approches d’évaluation de programmes. Lorsqu’ils sont bien menés, le S&E a beaucoup de chances d’évoluer et de s’adapter à un environnement en pleine mutation, tout en répondant à la demande publique à l’échelle mondiale. Sur la base d’une étude de cas concernant quelques secteurs au Kenya, la section ci-dessous montre comment le big data peut être utilisé pour améliorer le S&E de projets. Elle indique comment le big data et l’IA transforment actuellement les secteurs du transport, de l’agriculture et de la santé (fourniture des soins) dans le pays. L’influence de ces technologies peut contribuer efficacement à renforcer l’efficacité du S&E. Ces technologies peuvent également influer sur le développement de meilleurs systèmes dans ces différents secteurs.

41



Étude de cas : application de l’IA et du big data au Kenya

Applications de services de taxi – Uber, Taxify et Little Cab dans le secteur du transport

Au Kenya, l’IA est appliquée dans de nombreux domaines, mais cette section ne se focalise que sur son application dans le secteur du transport. Le Kenya utilise des données sur le déplacement des individus et se sert des applications d’appel de taxi telles que Uber, Taxify et Little Cab pour améliorer l’efficacité dans le secteur. Selon Oduma (2020), l’IA a comblé le fossé entre les voyageurs et les prestataires de service en accumulant et appariant des données telles que des routes avec les congestions de trafic les plus importantes à des moments particuliers de la journée. Ces données sont utilisées pour guider les automobilistes durant les heures de grand trafic et leur permettre ainsi de virer vers d’autres routes. Le système collecte des données sur différents endroits à partir des téléphones d’individus afin d’identifier les routes les plus empruntées à des moments précis de la journée. Il exploite également des reportages, des blogs et des posts sur les réseaux sociaux, etc. pour donner des détails sur les conditions du trafic à différentes périodes de la journée. Étant donné que de nombreuses personnes utilisent leurs téléphones durant le voyage, le système collecte des données issues de ces sources pour identifier les moments où la route a le plus grand nombre de véhicules. De même, certains véhicules ayant des services de géolocalisation, le système exploite ces informations de géolocalisation. Ces sources de données/informations permettent au système de constituer une base de données sur les conditions des routes à différents moments de la journée.

Implications pour le S&E. Avant que l’IA ne soit appliquée à ce secteur, les personnes qui se déplaçaient pouvaient perdre beaucoup de temps dans les embouteillages, les conducteurs ne pouvant pas être informés

de la meilleure route du moment. Pourtant, une fois qu’ils commencent à utiliser cette technologie, l’information obtenue leur permet de choisir les meilleures routes. De même, le gouvernement peut désormais obtenir des détails sur les routes les plus congestionnées et chercher des moyens de décongestionner le trafic. L’information fournie peut aider les décideurs, y compris les experts du secteur, à décider de l’agrandissement/rénovation du réseau routier existant. Les mégadonnées générées viennent en appoint aux méthodes d’évaluation conventionnelles, car elles offrent des informations peu onéreuses, rapides, sensibles à la complexité, longitudinales et facilement analysables qui peuvent être compilées à des fins de S&E afin d’améliorer le développement des infrastructures routières dans le pays. Par ailleurs, avant le déploiement de l’IA dans le secteur du transport, la détermination des routes qui avaient besoin d’extension était une tâche fastidieuse qui impliquait de nombreux évaluateurs qui devaient se déplacer pour chercher les effets induits et les routes éventuelles à élargir. L’IA a, par conséquent, amélioré le secteur du transport du pays.

Assistant numérique en soins de santé alimenté par la Smart AI

L’IA est également appliquée dans le secteur de la santé au Kenya via l’utilisation de Dr. Elsa, une IA axée sur des données qui a pour but de rendre l’accès à des soins de santé plus abordables et de meilleure qualité (Oduma 2020). Même si l’application de Dr. Elsa n’est qu’à un stade embryonnaire dans le secteur de la santé au Kenya, cet outil améliore déjà les prestations – outil d’aide à la prise de décisions cliniques, au diagnostic et pour les fichiers médicaux électroniques (Guo & Li 2018). Dans le cas des décisions cliniques, l’IA permet aux médecins d’acquérir et d’assimiler des données médicales. Sans cette technologie, le secteur de la santé aurait eu du mal à s’en sortir avec un grand volume de

42



données, qui sont nécessaires pour effectuer des évaluations globales des patients, personnaliser les traitements, améliorer la communication et obtenir de meilleurs résultats sanitaires (Akannigbe et al. 2018). L’IA est également utile dans le diagnostic des patients : le nombre d’erreurs commises dans le diagnostic ambulatoire au Kenya est élevé et l’IA aide à le réduire. Dr. Elsa permet ainsi aux patients de s’autodiagnostiquer sur la base des symptômes (Oduma 2020). Son utilisation et son acceptation prennent de l’ampleur. Les données IA utilisées dans le secteur de la santé sont issues d’un grand nombre de sources, y compris mais pas exclusivement : i) les enregistrements électroniques, qui informent sur les pathologies d’un patient, leurs symptômes, les médicaments prescrits et les résultats du traitement reçu; et ii) les laboratoires, où des personnes sont testées pour différentes pathologies. Ces sources constituent une base de données vitale sur les symptômes et le diagnostic. Le système combine et étudie une variété de données qui déterminent les relations susceptibles

d’aider les patients de demain. Par exemple, lorsque le système trouve une relation entre un médicament et les résultats du traitement, il peut le recommander pour des cas futurs (figure 1).

Implication pour le S&E. Le big data et l’IA peuvent contribuer au S&E des techniques thérapeutiques utilisées dans diverses situations sanitaires. Par exemple, les médecins peuvent évaluer l’efficacité d’un produit et d’une procédure utilisés pour le traitement d’un patient, qui est encore plus amélioré par le recours à l’IA et au big data. Avant l’introduction de l’IA dans le secteur de la santé, les médecins prenaient un temps considérable pour diagnostiquer un patient. Cette technologie a permis de détecter des anomalies dans le diagnostic des maladies et aidé les médecins à les corriger. En rendant peu onéreuse et rapide la cartographie des zones prédisposées à certaines maladies, l’IA offre une meilleure piste aux évaluateurs. Les informations collectées permettent de créer des occasions pour des réponses de santé publique plus rapides et plus ciblées.

Figure 1 : Application de l’IA dans le secteur de la santé au Kenya

Source : Oduma 2020

chatbots IA conception du traitement

Exploration des dossiers médicaux

Aider avec des tâches monotones

Assistants de santé virtuels

43



Les drones dans le secteur agricole du Kenya

L’IA améliore également la production agricole à travers des drones. Il s’agit d’un puissant outil pour le suivi, voire l’évaluation, de la croissance dans les domaines géologique, agricole, écologique et forestier (Ren et al. 2019). Comme l’indique Oduma (2020), la technologie des drones fournit des informations sur la qualité du sol, la présente des nuisibles et la pénurie de nutriments dans les exploitations agricoles. L’utilisation de drones permet aux agriculteurs d’appliquer des mesures correctives appropriées, donnant ainsi la possibilité à leurs plantations d’être plus productives.

Au Kenya, plusieurs méthodes sont employées pour collecter des données enregistrées par des drones auprès des agriculteurs : smartphones, posts d’agriculteurs concernant leur production sur les réseaux sociaux, articles de journaux. Les données issues d’organismes publics servent également

à tester le niveau des nutriments dans les sols des différentes zones, tout comme des rapports de marché sur la performance de l’agriculture dans diverses parties pays. Les données générées sont utilisées pour créer des cartes descriptives alimentées par le GPS des drones, qui permet de déterminer les zones ayant des malformations sur la base des données de géolocalisation.

Implications pour le S&E. Ces technologies contribuent au S&E dans le secteur agricole en permettant aux parties prenantes d’évaluer l’efficacité des approches correctives utilisées. En matière d’évaluation, les drones permettent de cartographier l’étendue des exploitations agricoles, d’évaluer l’état des cultures et des sols sur de vastes zones – une tâche qui prend habituellement du temps et des ressources, et demande une main-d’œuvre conséquente, soit beaucoup de personnes pour évaluer la situation d’une petite zone. Dans ce sens donc, l’introduction des drones a rendu l’évaluation

Figure 2 : Application de pesticides à l’aide de drones au Kenya

Source : Oduma 2020

44



du secteur agricole plus rapide et peu onéreuse, et l’évaluateur peut entreprendre des études à grande échelle. Une fois de plus, le recours à des drones facilite l’adoption de mesures correctives appropriées dans les délais les plus brefs. Hormis la couverture aérienne, les drones sont utilisés éliminer les infestations de nuisibles et pour régler des problèmes météorologiques. Même si l’utilisation des drones crée des défis tels qu’il soit impossible à tout évaluateur de les relever, notamment en ayant la capacité d’en faire « voler », ces défis peuvent être relevés par une planification adéquate assortie de la formation d’experts en S&E.

conclusion et perspectives

Pour développer leurs économies et réduire la pauvreté, les pays africains doivent investir massivement dans les infrastructures des secteurs cruciaux tels que l’éducation, la technologie, la santé, l’agriculture et le transport. Les décisions de meilleure qualité ne reposent toutefois que sur des données de qualité. Le S&E évolue et est de plus en plus adossé à de meilleures technologies pour soutenir des interventions en vue de résultats en matière de développement. Cet article suggère la nécessité d’utiliser encore plus le big data et l’IA dans le S&E et de développer des infrastructures adéquates pour tirer parti des énormes opportunités qu’offrent ces technologies.

En d’autres termes, l’application de ces technologies présente des enjeux et des

risques. D’abord, l’enjeu principal consiste à améliorer plusieurs secteurs (santé, agriculture, transport, etc.), comme dans le cas du Kenya. Ensuite, ces technologies ont des possibilités pour accroître la productivité, appuyer le travail de S&E concernant les résultats en matière de développement et permettre aux gouvernements et aux décisionnaires de fonder leurs décisions sur des données probantes. Les risques inhérents à l’IA et au big data ont trait à la sécurité des informations personnelles collectées. Un autre risque concerne le respect de l’éthique dans la collecte des données personnelles afin de construire des mégadonnées. Les secteurs utilisant ces technologies doivent garantir la protection des données individuelles (Cheatham et al. 2019).

S’agissant des perspectives, les évaluateurs doivent sensibiliser les pôles de réflexion sur la possibilité d’utiliser les résultats basés sur l’IA et le big data pour mieux élaborer des politiques en vue des résultats en matière de développement axés sur des bases factuelles. Les évaluateurs doivent également tenir compte, de manière transparente, des risques associés et énoncer clairement des sauvegardes adoptées pour des besoins de protection de la confidentialité et de gouvernance des données. De plus, si le big data est utilisé dans le S&E, les mêmes normes de qualité utilisées pour la collecte doivent s’appliquer pour plus de fiabilité et de cohérence. Cela permettra d’améliorer, et même encore plus que d’habitude, la qualité et la fiabilité des données captées par ces technologies en vue du S&E.

45



Références

Akannigbe, A., Peiris, K. D. A. & Akinloye, O., 2018. Prospects of big data analytics in Africa healthcare systems. Global Journal of Health Science, 10(6), 114-112. doi:10.5539/gjhs.v10n6p114.

Analytics, M., 2018. Analytics comes of age. New York: McKinsey & Company.

Cheatham, B., Javanmardian, K, & Samandari, H., 2019. Confronting the risks of artificial intelligence. [Sl]: McKinsey Global Institute.

CEPAL, N., 2018. Emerging challenges and shifting paradigms: New perspectives on international cooperation for development.

Guo, J. & Li, B., 2018. The application of medical artificial intelligence technology in rural areas of developing countries. Health Equity, 2(1), 174-181. doi:10.1089/heq.2018.0037.

Manyika, J., Chui, M., Bughin, J., Dobbs, R., Bisson, P. & Marrs, A., 2013. Disruptive technologies: advances that will transform life, business, and the global economy. [Sl]: McKinsey Global Institute.

McKenzie, D., 2018. 'How can machine learning and artificial intelligence be used in development interventions and impact evaluations,' Development Impact, 5 March, Available at: https://blogs.worldbank.org/impactevaluations/how-can-machine-learning-and-artificial-intelligence-be-used-development-interventions-and-impact [Accessed 8 Feb 2020].

Nalubega, T. & Uwizeyimana, D.E., 2019. Public sector monitoring and evaluation in the Fourth Industrial Revolution: Implications for Africa. Africa's Public Service Delivery and Performance Review, 7(1), pp.1-12.

Oduma, E., 2020. How AI can transform Kenyan industries. Available at : https://kenya.ai/how-ai-can-transform-kenyan-industries/ [Accessed 27 April 2020].

Raftree, L. & Bamberger, M., 2016. Emerging Opportunities: M&E in a Tech-Enabled World. Available at : https://www.rockefellerfoundation.org/report/emergingopportunities-monitoring.

Ren, H., Zhao, Y., Xiao, W. & Zhengi, H., 2019. A review of UAV monitoring in mining areas: current status and future perspectives. Int J Coal Sci Technol 6, 320–333 https://doi.org/10.1007/s40789-019-00264-5

Rogerson, A., 2014. Financing the post-2015 Sustainable Development Goals: a rough roadmap. Overseas Development Institute.

Russell, S.J. & Norvig, P., 2016. Artificial intelligence: a modern approach. Malaysia: Pearson Education Limited.

Segal, J., van Wyk, A., O’Flaherty, M., Simmons, M., Osinubi, F. & Yaiche, N., 2016. Disrupting Africa: Riding the wave of the digital revolution. In PwC.

UN Global Pulse., 2012. Big Data for Development: Challenges & Opportunities [White Paper]. Retrieved from : http://www.unglobalpulse.org/sites/default/files/BigDataforDevelopment-UNGlobalPulseJune2012.pdf

UNDP., 2013. Discussion Paper: Innovations in Monitoring and Evaluation. Available at : http://www.outcomemapping.ca/download/UNDP%20Discussion%20Paper%20Innovations%20in%20Monitoring%20and%20Evaluation.pdf

Annotations

1. Tel qu'utilisé ici, le big data désigne à des tendances telles que le volume de données numériques produites par le biais d'une utilisation intense de services numériques, de technologies et outils nouveaux, et de méthodes, pour analyser de vastes ensembles de données.

2. Par intelligence artificielle, il faut entendre une branche de l'informatique qui facilite la construction de machines pouvant effectuer des tâches qui exigent l'intelligence humaine.

46





https://kenya.ai/how-ai-can-transform-kenyan-industries/

https://kenya.ai/how-ai-can-transform-kenyan-industries/

https://www.rockefellerfoundation.org/report/emergingopportunities-monitoring

https://www.rockefellerfoundation.org/report/emergingopportunities-monitoring

https://doi.org/10.1007/s40789-019-00264-5

https://doi.org/10.1007/s40789-019-00264-5

http://www.unglobalpulse.org/sites/default/files/BigDataforDevelopment-UNGlobalPulseJune2012.pdf



http://www.outcomemapping.ca/download/UNDP%20Discussion%20Paper%20Innovations%20in%20Monitoring%20and%20Evaluation.pdf



47L’intégration du big data analytics et de l’intelligence artificielle dans le suivi et l’évaluation dans un contexte de développement en pleine expansion


À p

ropo

s de

l'au

teur Bernard Okpe est analyste des opérations au

Département pays pour le Nigéria de la Banque africaine de développement. Ses spécialités englobent notamment la gestion, les données, la recherche et l’analyse, l’administration des bases de données et le suivi de la performance de portefeuille. Au cours des neuf dernières années, il a appuyé le financement de projets à hauteur de plus de 7 milliards de dollars EU dans des pays et contribué à la réussite de l’exécution du plan de travail de la Banque et des missions connexes. Bernard maîtrise cinq langages de programmation, y compris Front-End Developer. Il est titulaire d’une licence et d’un master en économie, ainsi que d’un diplôme de comptabilité. Il poursuit actuellement des études en vue d’un MBA en gestion du big data à l’University of Applied Sciences Bad Honnef, en Allemagne.

47

Blo

g :

L’in

tégr

atio

n du

big

geo

data

(még

a-gé

odon

nées

) da

ns l’

éval

uatio

n :

que

faut

-il s

avoi

r ?


Blog : L’intégration du big geodata (méga-géodonnées) dans l’évaluation : que faut-il savoir ?

Introduction

De grandes choses émergent lorsque nous franchissons les limites d’une discipline. Avec la combinaison des connaissances et des compétences, les

collaborations entre différents domaines universitaires sont encore meilleures que la somme des éléments qui les composent. Je me suis moi-même retrouvé dans une telle aventure, où j’ai négocié les contours de multiples disciplines, d’abord comme analyste géospatial, puis comme évaluateur au Fonds pour l’environnement mondial – Bureau indépendant de l’évaluation (FEM BIE).

Ce blog traite de l’application des méga-géodonnées (issues notamment des systèmes de télédétection par satellite, des drones et des technologies basées sur le téléphone portable) à la pratique de l’évaluation d’impact. Le big data est caractérisé par un énorme volume de données, la rapidité avec laquelle elles sont collectées et la variété de leurs formats, y compris les formats structurés et non structurés. Je partage ici quelques-unes des applications du big geodata et de la technologie par satellite sur la base de mon expérience en évaluation.

Applications dans l’évaluation

La mobilisation du big geodata : Le big geodata est un ensemble de big data contenant des informations issues d’un éventail de sources en pleine expansion, y compris les données par satellite, les capteurs au sol et l’éducation civique. Pour l’évaluation des zones protégées (protected area evaluation), le Bureau de l’évaluation indépendante – FEM a utilisé des données satellitaires équivalant à des milliards de données d’observation (pixels) de 35 000 zones forestières protégées dans le monde (soit en moyenne quelque 400 km2 chacune). L’analyse axée sur les données par satellite nous a permis d’évaluer l’efficacité des zones protégées soutenues par le FEM par rapport aux zones sans aucun appui du FEM (zones tampons, autres zones protégées). L’un des principaux résultats obtenus est que les zones protégées par le FEM ont subi moins de déforestation que les zones adjacentes que le Fonds n’avait pas soutenues. Ce résultat a été dû à la disponibilité de données par satellite et de l’analytique pour les traiter. La zone protégée de Beng Per (figure 1) est une illustration des résultats pour chacune des 35 000 zones protégées.

Messages clés

❚ Le big geodata sont un sous-ensemble de big data contenant des informations spatiales provenant d'un éventail de sources en expansion rapide, notamment des données satellitaires, des capteurs au sol et des sciences citoyennes.

❚ L'utilisation de technologies innovantes comporte des risques. Soyez donc prêt à accepter les échecs lorsque les méthodes innovantes ne fournissent pas de preuves évaluatives.

❚ Le défi d'un manque de ressources et de compétences pour traiter le big geodata peut être atténué dans une certaine mesure en utilisant des bases de données ouvertes, des outils analytiques gratuits et en établissant des partenariats.

Anupam Anand, Bureau indépendant de l’évaluation, Fonds pour l’environnement mondial.

49

https://www.gefieo.org/

https://www.gefieo.org/evaluations/impact-evaluation-gef-support-protected-areas-and-protected-area-systems-pas-2016



Utilisation du calcul de la haute performance : Le Bureau de l’évaluation indépendante du FEM a utilisé des données satellitaires pour évaluer l’efficacité, l’impact et la durabilité des interventions du FEM dans la dégradation des terres, le changement climatique, les eaux internationales et les zones thématiques de biodiversité. L’analyse approfondie de ces données requiert le recours à l’informatique à haute performance, qui est généralement absente dans des bureaux d’évaluation. Ce défi peut être facilement relevé si les ressources informatiques existantes sont utilisées de manière novatrice. Par exemple, j’ai utilisé le calcul parallèle à l’aide de multiples noyaux existant déjà dans la plupart des ordinateurs de bureau et des ordinateurs portables modernes. Ce système m’a permis d’assigner le travail de calcul à de multiples processeurs qui ont réparti efficacement la tâche, réduisant sensiblement le temps de calcul. Le processus de calcul parallèle accepte des modifications mineures dans

les codes du langage de programmation et est soutenu par la plupart des ensembles statistiques, tels que R, Python et Stata. Pour accélérer l’analyse, le Bureau de l’évaluation indépendante du FEM a collaboré avec l’Université du Maryland (UMD) et la National Aeronautics and Space Administration (NASA).

Utilisation du machine learning (ML) et de l’intelligence artificielle (IA) : Le Bureau de l’évaluation indépendante du FEM a également exploité le machine learning et l’intelligence artificielle en vue de la classification des données par satellite et de la réalisation des régressions complexes. Les algorithmes de l’apprentissage automatique ont besoin de données et fonctionnent très efficacement avec des méga-géodonnées, y compris l’imagerie par satellite. Le Bureau a utilisé le ML et l’IA pour analyser les données par satellite et identifier les facteurs liés à l’impact évalué à travers l’importance variable du modèle de régression basé sur le ML.

Figure 1 : Analyse des données par satellite montrant l’ampleur de la déforestation (en rouge) autour de la zone protégée de Ben Per (2001‑2018) au cambodge

Source: Anupam Anand/Bureau de l’évaluation indépendante, FEM

50



Utilisation de drones : Les drones se indiqués pour effectuer des évaluations rapides dans des zones difficiles d’accès, isolées et non sécurisées. J’ai utilisé des drones non seulement pour évaluer l’ampleur de l’activité extractive illicite (illegal mining) et les zones d’abattage au niveau des différents sites de projet (figures 2 & 3), mais également pour collecter des données concrètes pour valider des produits basés sur des données satellitaires. Ce qui est amusant dans l’utilisation des drones est qu’ils aident à capter des images visuelles qui servent ensuite à améliorer les produits de savoir et d’apprentissage. Voici un sommaire d’évaluation (evaluation summary) préparé à l’aide de vidéos et d’images captées par des drones.

Appareils mobiles : Le Bureau de l’évaluation indépendante du FEM a utilisé des outils de collecte de données auprès des sources ouvertes, qui ont été déployés à travers des smartphones pour recueillir des informations sur le terrain de manière efficiente. Les appareils mobiles peuvent servir à obtenir des informations issues d’une variété de sources (audio, vidéo, GPS), et ce de façon structurée et efficiente (figure 4). En matière d’évaluation des interventions liées à la dégradation des terres (land degradation interventions), qui sont appuyées par le FEM, j’ai fait recours à des données qualitatives collectées à l’aide des smartphones, afin de

valider les résultats de l’analyse des données de terrain et par satellite. Je me suis servi des données issues des entretiens avec les parties prenantes pour répondre à la question « pourquoi ? », tandis que données satellitaires m’ont permis de répondre aux questions « quoi ? », « où ? » et « combien ? » au sujet du changement environnemental.

Enseignements tirés et perspectives

En m’appuyant sur l’expérience du Bureau de l’évaluation indépendante du FEM, j’ai souligné les défis et les enseignements concernant l’intégration de ces outils et données innovants dans les évaluations.

❚ Les questions d’abord : Opérer un choix à partir d’un vaste ensemble d’outils et de données disponibles peut s’avérer fastidieux, même si les perspectives concernant leur utilisation et les résultats potentiels qui en découlent peuvent être excitants. La formulation des bonnes questions d’évaluation est cependant une étape cruciale pour produire des informations utiles et pas le contraire.

❚ Identifier les fruits à portée de main et les opportunités : Le big geodata a démontré son utilité dans des contextes spécifiques en dehors

Figure 2 : Drone déployé à partir d’une route lointaine

Figure 3 : Image de drone d’un site minier illégal

Source : Anupam Anand/ FEM BIE Source : Anupam Anand/FEM BIE

51

https://www.gefieo.org/evaluations/biodiversity-mainstreaming-2018

https://www.youtube.com/watch?v=EIiyYkgJg2o

https://www.gefieo.org/sites/default/files/ieo/evaluations/files/land-degradation-2017_1.pdf

https://www.gefieo.org/sites/default/files/ieo/evaluations/files/land-degradation-2017_1.pdf



de la communauté des évaluateurs, notamment dans des zones isolées, difficiles d’accès et éloignées, des zones de conflit et des régions en proie à des catastrophes naturelles. La technologie de détection à distance peut s’avérer particulièrement utile, compte tenu de la pandémie actuelle, avec les restrictions de voyage qui ont créé des problèmes méthodologiques aux évaluateurs. Cette technologie peut aussi s’appliquer dans des zones de conflits et de catastrophes, dans le cadre des activités de planification, de suivi et d’évaluation.

❚ La nécessité d’une équipe pluridisciplinaire : Même si les termes « big data » et « innovation » sont des noms singuliers, leur application réussie a besoin d’éventail d’outils et des équipes pluridisciplinaires. Un spécialiste en

data science pourrait être un expert dans un domaine, mais l’expertise dans une spécialité est cruciale pour une intégration réussie de ces méthodes et ensembles de données dans l’évaluation. Les connaissances en évaluation aident à formuler les bonnes questions, et le fait de savoir utiliser et explorer des données et des méthodes permet de les intégrer dans l’évaluation. Il est donc essentiel de travailler avec une équipe pluridisciplinaire à partir de l’étape de planification de l’évaluation jusqu’à son exécution, l’analyse et l’interprétation des données évaluatives.

❚ Les implications pour les ressources : Les budgets d’évaluation doivent tenir compte des ressources humaines et financières nécessaires à l’intégration des outils du big data. Il s’agit

Figure 4 : Utilisation de l’enquête basée sur des appareils mobiles pour valider les résultats de l’analyse des données satellitaires. ces données montrent la restauration de la zone forestière au cours de l’intervention (panneau du haut). Le panneau du bas montre une enquête utilisant des smartphones et un instantané du formulaire d’enquête

Avril 2015

Puis-je prendre une photo ?

Nom de la ou des personnes interrogées Premlal Anke

Quel est votre rôle dans le projet ? Bénéficiaire

Nom de l'organisation Borpani

Le projet crée-t-il un impact positif dans la zone/région/site ?

Oui

Le projet a-t-il contribué à une meilleure gestion des terres ?

À un degré modéré

Le projet a-t-il augmenté la productivité des parcours ? (Oui/Non)

Oui

Avril 2009

Source : Anupam Anand/FEM BIE

52



notamment des coûts additionnels liés au recrutement d’experts techniques et à l’acquisition du matériel et des logiciels requis pour effectuer des analyses. Il convient de faire preuve de créativité dans la gestion des coûts. La collaboration avec des institutions universitaires et spécialisées, ainsi que le recours à des données ouvertes et des outils libres (comme le machine learning), est utile. Comme indiqué précédemment, le Bureau de l’évaluation indépendante du FEM a collaboré avec la NASA et l’Université de Maryland. Le Bureau utilise souvent des logiciels libres tels que R, QGIS et Python pour effectuer des tâches cruciales.

❚ Les risques et les défaillances sont inéluctables : il existe certains risques liés à l’utilisation des technologies innovantes, car les guides d’utilisation ne sont pas très nombreux. Par exemple, l’analyse des données par satellite pourrait ne pas présenter une différence notable du fait d’une intervention. Cela pourrait ne s’expliquer simplement par le fait que les activités n’aient créé aucune différence sur le terrain. Mais il pourrait

aussi s’agir de l’incapacité du satellite à mettre en exergue des changements au niveau granulaire (figure 5). Dans le dernier cas, il convient d’essayer de résoudre le problème, dans la mesure du possible, tout en se préparant à faire face à des défaillances lorsque l’utilisation de méthodes innovantes ne produit pas de données évaluatives.

❚ L’apprentissage continu est capital : le domaine du big data et de la technologie évolue rapidement, et leur intégration dans les méthodes d’évaluation sera un processus d’apprentissage dynamique, étant donné que de nouveaux outils et données continueront à émerger. Par conséquent, l’apprentissage continu est la clé, car il maintient les évaluations sur des bases théoriques robustes et permet de poser les bonnes questions.

❚ Les considérations liées au coût peuvent représenter un défi, mais aussi une opportunité pour le Sud global : il existe de plus en plus de données satellitaires brutes à l’échelle mondiale. Mais le défi pour le Sud global tient au manque de ressources nécessaires

Figure 5 : L’image à haute résolution (à gauche) capte les vecteurs de la déforestation, tandis que l’image à faible résolution (à droite) ne donne pas autant de détails

Source : PA Evaluation/ FEM BIE.

53

https://www.gefieo.org/evaluations/impact-evaluation-gef-support-protected-areas-and-protected-area-systems-pas-2016



pour traiter les méga-géodonnées, ainsi que les compétences adéquates pour le faire. Ces problèmes peuvent être assouplis par le biais des ensembles de données ouvertes (open datasets) et d’outils d’analyse libres, ainsi que par le développement de partenariats avec des organisations nationales de recherche. Concernant la formation professionnelle et le développement des compétences, les cours en ligne ouverts à tous (MOOC) sur la data

science et les capacités géospatiales, qui sont offerts par des organisations et universités réputées, sont gratuits et accessibles à toute personne ayant une connexion Internet. Les forums sur l’évaluation ont également commencé à offrir des formations sur des méthodes innovantes à travers des ateliers. Les connaissances sont disponibles, et il ne manque plus qu’à faire preuve de créativité pour les assimiler et les mettre en application.

Références

Global Environment Facility Independent Evaluation Office (GEF IEO), Land Degradation Focal Area Study, Evaluation Report No. 120, Washington, DC: GEF IEO, 2018.

Global Environment Facility Independent Evaluation Office (FEM BIE), Impact Evaluation of GEF Support to Protected Areas and

Protected Area Systems, Evaluation Report No. 104, Washington, DC: GEF IEO, 2016.

Global Environment Facility Independent Evaluation Office (GEF IEO), Evaluation of GEF's Support to Mainstreaming Biodiversity, Evaluation Report No. 134, Washington, DC: GEF IEO, 2018.

À p

ropo

s de

l'au

teur

Anupam Anand est chargé d’évaluation au Bureau indépendant de l’évaluation du Fonds pour l’environnement mondial (FEM BIE). Avec plus de 14 ans d’expérience combinée dans l’évaluation, le développement international, la recherche universitaire et l’enseignement, il a dirigé des évaluations sur la biodiversité, la dégradation des terres, le Protocole de Nagoya et le commerce illicite, tout en appuyant plusieurs autres évaluations fondées sur la recherche géospatiale et de terrain. Anupam fait recours à un mélange d’approches novatrices telles que les données par satellite, le SIG, l’apprentissage automatique, la science sociale computationnelle, les drones et les enquêtes de terrain utilisant des appareils mobiles, mais également des méthodes qualitatives, pour promouvoir des produits de savoir fondés sur des données évaluatives. Avant de rejoindre le Bureau d’évaluation indépendante (BIE), il était spécialiste de la science des données à la Global Land Cover Facility (GLCF) de l’Université du Maryland, où il travaillait sur de multiples projets financés par la NASA, y compris des campagnes sur le terrain pour des missions futures par satellite. Il a également fourni des services de consultant au Fonds d’investissement pour le climat (Banque mondiale). Anupam est titulaire d'un doctorat en applications écologiques de télédétection, surtout à l’aide du détecteur Lidar, de l’Université du Maryland. Il a publié plusieurs articles revus par un comité de lecture et des chapitres de livres qui traitement globalement de la télédétection, de l’écologie, du développement durable, du changement du couvert végétal et de la politique environnementale.

54

http://2016africalandcover20m.esrin.esa.int/

L’év

alua

tion

de la

gou

vern

ance

en

Afri

que

sous

l’in

fluen

ce d

es

tech

nolo

gies

et i

nnov

atio

ns tr

ansf

orm

atric

es e

t du

big

data

Le big data et les innovations technologiques transformatrices (ITT) sont en train de remodeler et de redéfinir progressivement le mode d’évaluation de la gouvernance en Afrique. Cependant, l’évaluation de l’impact des technologies transformatrices sur la gouvernance, quoique précieuse, n’est pas encore une pratique répandue. Le présent article relève que malgré quelques inquiétudes et scepticismes concernant l’influence des ITT et du big data sur les processus de gouvernance, il est admis que les ITT facilitent l’échange d’informations vitales pour la promotion de l’efficacité dans divers aspects de la vie, y compris la gouvernance et la sphère politique.

Peter Arthur, Département des sciences politiques, Université Dalhousie (Canada).

Messages clés

❚ Les technologies et innovations transformatrices sont en train de transformer radicalement les processus de gouvernance dans le monde.

❚ Bien que les technologies transformatrices contribuent fortement à améliorer l’élaboration des politiques et l’efficacité des prestations de service dans des secteurs tels que l’agriculture, l’éducation et la santé, ces avancées s’accompagnent de risques et de coûts importants.

❚ L’atténuation des risques liés aux technologies transformatrices nécessitera un processus garantissant des données d’appui aux évaluations sans parti pris et de haute qualité, et intégrera la mise à jour des règles et règlements en vigueur dans l’utilisation des nouvelles technologies.

Introduction

L’une des avancées majeures d e s d e u x d e r n iè r e s décennies a été l’émergence de différentes formes de technologies de l’information

et de la communication (TIC). Brennan, Subramaniam & van Staden (2019) ont fait valoir que les innovations technologiques transformatrices (ITT) et d’autres avancées technologiques telles que l’intelligence artificielle (IA), l’Internet des objets (IoT) et le big data1 ont entraîné des changements sans précédent qui ont parfois chamboulé la façon dont les services étaient habituellement produits et consommés. Ces auteurs notent également que la capacité de traitement, de manière rapide et complexe, d’énormes volumes de données numérisées grâce à ces technologies a également augmenté notre dépendance à des structures plus ouvertes, à plateformes multiples et en réseau. La question qui taraude l’esprit est celle de savoir comment ces nouvelles avancées redéfinissent le mode d’évaluation de l’impact des ITT sur l’Afrique. Les ITT ont joué un rôle dans le processus de collecte de données en temps réel, ce qui signifie

que nous sommes en mesure d’évaluer les informations recueillies en temps réel et de réagir en conséquence. Toutefois, comme Mackenzie (2018) l’indique, la collecte de données n’est pas exempte d’erreurs ; ainsi, si l’on fait une prédiction basée sur une erreur alors que la réalité est différente à partir des données présentées, alors la question de l’identification des données erronées se pose.

L’un des domaines d’intérêt des chercheurs est l’évaluation de la façon dont les ITT et le big data influencent le processus de gouvernance.2 Sur ce point, Hermanns (2008) regrette la rareté des travaux d’analyse détaillée des éventuels effets des ITT sur la politique. « La littérature sur les sciences politiques dispose de peu de publications traitant de l’impact des technologies à base du téléphone portable sur la politique et le comportement politique », s’indigne l’auteur (Hermanns 2008 : 75). De plus, les études disponibles portent sur le rôle des ITT telles que les réseaux sociaux dans les démocraties occidentales, mais mettent peu d’accent sur le débat concernant les sphères démocratiques et les pays en développement

57L’évaluation de la gouvernance en Afrique sous l’influence des technologies et innovations transformatrices et du big data



L’évaluation de la gouvernance en Afrique sous l’influence des technologies et innovations transformatrices et du big data

(Wolfsfeld, Segev & Sheafer 2013). Par conséquent, l’évaluation des nouvelles ITT sur la gouvernance, qui est une composante essentielle du processus de fourniture d’informations précieuses à l’appui de la prise de décision (Sukai 2013 : 77), n’existe pas dans le contexte africain. La conduite d’un processus d’évaluation de manière indépendante et spécifique à chaque contexte est essentielle pour obtenir le succès auquel la plupart des modèles aspirent (Segone et al. 2013 : 8). Dans ce contexte, cet article examine la façon dont les ITT remodèlent et redéfinissent la conduite des évaluations de la gouvernance en Afrique. En particulier, il ambitionne de répondre aux questions suivantes : quels avantages offrent les innovations technologiques transformatrices (ITT) dans l’environnement plus global de la gouvernance dans les sociétés africaines ? Quels sont les coûts et les inquiétudes liés à l’utilisation répandue des ITT et du big data dans la gouvernance ? Pour répondre à ces questions, l’article soutient que, bien que les ITT et le big data permettent aux gouvernements et aux citoyens de s’organiser à un coût réduit et que le monde témoigne – et facilite – de l’échange d’informations (qui est vital pour la coordination de différentes activités), le recours au big data et aux ITT à des fins négatives – telles que la propagation d’informations erronées et de l’autoritarisme par les gouvernements – ne peut pas être sous-estimé.

ITT, big data et gouvernance

Le changement des modes traditionnels de communication et d’échange d’informations est la conséquence de l’émergence d’un puissant nouveau modèle d’entreprise (données de masse). Selon Körner (2019), l’expansion de l’économie axée sur les données est devenue quasi universelle, l’accès facile à des smartphones peu onéreux et à du contenu gratuit a rendu le comportement en ligne indépendant de la situation financière, ethnique, religieuse et politique

des individus. Dans la sphère politique et de gouvernance, les ITT jouent un rôle crucial en façonnant diverses formes d’activisme politique qui prennent pied un peu partout dans le monde. Körner (2019) ajoute que les gens jouissent de l’accès à l’information – qui était inimaginable il y a seulement quelques décennies – et ont la possibilité de procéder à des échanges coordonnés en une fraction de seconde. Pour des milliards de personnes, la transformation digitale qui se confond avec le smartphone a apporté d’énormes avantages et commodités, y compris l’enrichissement du discours sociétal via de nouvelles formes de communication multilatérale. Agrawala (2019) estime que la transformation digitale, qui s’accompagne de la disponibilité d’un plus grand volume de données, peut améliorer l’élaboration des politiques et contribuer à faire chuter les coûts de l’expérimentation et de l’évaluation des politiques. Cet avis est partagé par Nalubega & Uwizeyimana (2019), qui soutiennent que les avancées en matière technologique et d’innovation rendues possibles par la quatrième Révolution industrielle (4RI) déracinent et changent la façon dont les sociétés exercent leurs activités quotidiennes, y compris économiques. Ces innovations et avancées technologiques renvoient à un ensemble de technologies transformatrices qui remodèlent des systèmes sociaux, économiques et politiques, tout en mettant les dirigeants et les stratèges politiques du monde entier sous pression.

De même, des ITT telles que les drones ont servi à améliorer le secteur de la santé dans des pays comme le Rwanda et la Tanzanie, et plus récemment, le Ghana. Les cours en ligne ouverts et massifs (CLOM) ont également été sollicités pour accroître l’accès à l’éducation dans des universités telles que l’Université de Lagos, l’Université du Cap, l’Université de Witwatersrand et l’Université de Stellenbosh (Nalubega & Uwizeyimana 2019). Dans le marché du travail, la montée de l’IA et de l’apprentissage automatique transforme le lieu de travail et débride

58



les besoins en main-d’œuvre humaine. Grâce à l’IA, il est possible d’automatiser un éventail de tâches en permettant aux machines de jouer un plus grand rôle dans la formulation des conclusions basées sur des données et dans la mise en œuvre. Kahne & Bowyer (2018) ont également noté qu’une plus forte évolution technologique permet à Internet de devenir une force dans la mobilisation des fonds, l’évaluation des résultats et le partage, la présentation des perspectives et la mobilisation des individus pour l’action politique. L’atout le plus fascinant des ITT telles que les réseaux sociaux demeure leur capacité à permettre aux citoyens de se connecter et de s’organiser avec peu de moyens, et au monde de témoigner. Des réseaux tels que Facebook et Twitter sont devenus des outils d’évaluation standards pour les citoyens, leurs représentants et les gouvernements, qui leur donnent la possibilité de communiquer et d’échanger des points de vue, des avis et des propositions d’action politique (Körner 2019 ; voir aussi Jotia 2018 sur le Printemps arabe).

critiques et limites des ITT et du big data

Malgré les avantages de la transformation digitale, notamment un niveau d’accès sans précédent et d’échange d’informations dans le cadre de la communication et de l’organisation humaines au cours des dernières années, Körner (2019) indique que la technologie digitale a également amplifié l’expansion de la désinformation, de chambres d’enregistrement et de la propagande, contribuant éventuellement à la montée du populisme et à la particularisation des sociétés démocratiques. Les utilisateurs à travers le monde profitent des services « gratuits » de l’économie axée sur des données, mais les modèles commerciaux sous-jacents et la concentration de l’influence et de la richesse ont engendré des problèmes pressants liés à la vie privée, la propriété des données et la manipulation ciblée à des fins à la fois

économiques et politiques. Körner (2019) est d’avis que la combinaison du big data et de l’IA offrent aux gouvernements des moyens inédits pour suivre, superviser, contrôler et influencer leurs citoyens. Dans les États autoritaires, ces outils peuvent permettre de détecter et de prévenir tout type de contestation encore embryonnaire, et donc d’empêcher la formation de groupes d’opposition et de défense des droits civiques qui pourraient défier la concentration du pouvoir politique et économique de l’élite gouvernante. Étant donné que les gouvernements autoritaires peuvent accéder à toutes les informations et données collectées et stockées par des entreprises privées (celles-ci n’étant d’ailleurs souvent pas distinctes des entités publiques), les moyens de suivi et de contrôle de l’État peuvent englober tous les aspects de la vie des citoyens (Körner 2019). En outre, dans les démocraties bien établies, la technologie digitale peut être utile pour manipuler délibérément les électeurs et créer des distorsions dans le discours politique. Les nations autoritaires ont par ailleurs appris très vite à tirer parti de la technologie de surveillance, des données de masse et de l’intelligence artificielle pour assurer la surveillance intérieure et éroder les sociétés démocratiques à l’étranger. L’expansion continue des théories du complot et d’autres informations factuellement inexactes et fortement biaisées empêche les citoyens de pouvoir identifier et évaluer la vérité « objective » ou partagée (Körner 2019).

Pour Agrawala (2019), si la disponibilité d’un plus grand volume de données contribue toujours à améliorer des politiques, il ne s’agit pas d’une panacée : il existe des risques qu’il faudra atténuer au cours de la prochaine décennie, de sorte qu’il est souvent préférable d’avoir peu de données. En particulier, la transformation digitale pose plusieurs défis : l’augmentation de la granularité des données et de leur partage entre les organismes publics et à travers des partenariats public-privé peuvent engendrer des vulnérabilités et inquiétudes concernant la sécurité numérique par rapport à la vie privée.

59



Quant à Nalubega & Uwizeyimana (2019), ils soutiennent que la protection de la sphère privée et la sécurité des données, par exemple, suscitent la controverse, car il s’agit de l’adoption de quelques technologies transformatrices en vue de la collecte de données. L’utilisation des téléphones permet de suivre les mouvements et communications quotidiens des individus et d’analyser leurs humeurs sur les réseaux sociaux, tandis que l’emploi des drones et d’outils géospatiaux pour photographier des propriétés privées pourrait violer la vie privée au sein d’une communauté et soulever ainsi de sérieuses questions d’éthique pour des évaluations fondées sur des ITT. Le commerce des données suscite une peur grandissante et peut être à l’origine de conflits et de malentendus. Le personnel et les services de suivi et l’évaluation (S&E) doivent relever le défi de protéger les données collectées d’actes malicieux ; sinon, un individu ou un pays entier encourt un risque ou est en situation de vulnérabilité. De plus, avec l’adoption de certaines technologies, l’accès à certaines données clés peut s’avérer limité ou strict, entravant ainsi leur extraction aux fins d’analyse. Le manque de données essentielles du fait d’un accès limité peut créer une situation difficile pour le personnel et les services de S&E. La complexité des questions éthiques liées au déploiement des technologies transformatrices est également un énorme défi pour le secteur public en Afrique. D’autre part, l’analytique prédictive est privilégiée dans le big data analytics, ce qui contraste avec les conceptions expérimentales souvent utilisées dans le S&E actuel des administrations publiques. De même, l’emploi du big data des technologies transformatrices dans le seul but de formuler des recommandations de l’évaluation peut être particulièrement déroutant, de telles données ayant été choisies avec un parti pris (Nalubega & Uwizeyimana 2019).

L’autre problème concerne les répercussions que l’utilisation accrue des technologies mobiles et la montée des innovations transformatrices en Afrique ont sur la main-d’œuvre, ce qui pose la

question de savoir si les spécialistes de la data science empièteront sur les moyens d’existence et la profession des évaluateurs. Les transformations technologiques créent de nouvelles possibilités, mais suscitent des inquiétudes quant aux cadres juridique et réglementaire existants dans des contextes émergents. Comment les évaluateurs envisagent-ils de naviguer dans ce système émergent, étant donné que les données qu’ils utilisent seront produites, contrôlées et diffusées selon des procédés et formats nouveaux (big data, blockchain, etc.) et qu’il existe une multitude d’acteurs impliqués dans la régulation, le marketing et la production de données (drones, technologie, machine learning, IA, applications mobiles, réseaux sociaux, etc.) ?

Dans l’arène politique, si l’on admet parfois que les ITT (réseaux sociaux, par exemple) sont un outil efficace pour impliquer facilement des personnes dans le processus politique et accroître l’activisme politique, Kaplan et Haenlein (2010) ne sont pas de cet avis. Ces auteurs montrent comment l’utilisation des réseaux sociaux peut mettre en péril le gouvernement représentatif et entraîner ainsi une certaine « dépolitisation ». Ils indiquent comment des individus peuvent s’organiser pour planifier des activités sans intermédiaire, au lieu de travailler à travers les autorités élues ou d’autres représentants officiels. De même, Rød & Weidmann (2015) ont interrogé la possibilité pour que les avancées en matière de TIC, comme on le voit sur Internet, contribuent à un changement de cap au niveau mondial vers la démocratie, la participation et l’activisme politiques. Selon ces auteurs, le recours aux réseaux sociaux lors des récents soulèvements populaires contre les autocrates arabes a suscité la notion de « technologie de la libération », c’est-à-dire des TIC qui facilitent l’organisation de mouvements antigouvernementaux dans des régimes autocrates. Pour eux, les observateurs moins optimistes soutiennent que les TIC constituent un outil de répression entre les mains des autocrates, qui imposent

60



davantage de restrictions sur les libertés sociales et politiques.

De plus, selon Allcott & Gentzkow (2017), les ITT telles que témoignées par les réseaux sociaux i) créent des groupes réduits et fortement polarisés d’individus qui croient généralement tout ce qu’ils entendent, quel que soit leur décrochage de la réalité, et ii) contribuent à créer un cadre propice à la création et au maintien d’une société divisée et polarisée. Allcott & Gentzkow (2017) ajoutent que les réseaux sociaux sont donc devenus des plateformes où des « fake news » (désinformation) sont diffusés – ce terme étant défini et conceptualisé comme des nouvelles intentionnellement erronées et vérifiables, et des signaux faussés et non corrélés à la vérité. Comme le révèle Persily (2017), c’est à cause de ces inquiétudes que plusieurs plateformes Web (Google, Facebook et Twitter, par exemple) ont changé leurs politiques d’information sur leurs sites afin de combler les lacunes observées dans l’environnement communicationnel. Enfin, hormis le fait que la connectivité à Internet facilite la censure digitale ainsi que l’identification et l’arrestation des personnes qui critiquent les tenants du pouvoir politique dans des régimes totalitaires (Rød, 2015), les réseaux sociaux présentent une limite notable en matière d’information politique : le manque de qualité et de fiabilité, ce qui représente un défi pour l’évaluation.

La dissipation des inquiétudes liées aux ITT : la voie à suivre

On estime que la 4RI a charrié d’énormes avantages liés à l’amélioration de l’efficience et de l’efficacité des prestations de services, y compris les grandes occasions d’anticipation des transformations digitales et automatisées (Nalubega & Uwizeyimana 2019). Malgré ces avantages, l’évolution des ITT amène des défis dans le domaine de l’évaluation, comme on l’a indiqué plus haut. Comment les évaluateurs et les élites stratèges, qui sont de plus en

plus aux avant-postes, font-ils donc face aux transformations, innovations et changements technologiques (Hasselbalch 2017) ? Comme Hasselbalch (2017) l’affirme, les innovations permettent souvent d’accélérer les changements, les transformations et les principaux défis nécessitant des réponses réglementaires d’envergure pour l’économie, la société et les responsables de l’élaboration des politiques. C’est à cet égard que Nalubega & Uwizeyimana (2019) soulignent que les gouvernements des pays africains ont intérêt à cerner les défis liés aux innovations technologiques transformatrices (ITT) et d’adopter des mesures pour atténuer l’impact négatif des produits et services imprévisibles et en pleine mutation qui sont créés pour le public. De même, la vitesse de l’évolution des ITT invite les évaluateurs à anticiper et à planifier des réponses adéquates à un environnement évolutif, afin de ne pas être pris au dépourvu et emportés par diverses mutations. C’est en effet à cause de quelques problèmes et soucis concernant les ITT identifiés précédemment qu’une approche afrocentrique pour évaluer l’impact des technologies digitales dans le processus de gouvernance en Afrique attire de plus en plus l’attention. Un modèle d’évaluation prenant en compte les facteurs contextuels et institutionnels de la société représente un aspect important de l’aide à apporter à un pays afin qu’il produise des outils et approches d’évaluation indépendants. Il importe que les différents acteurs élargissent leurs horizons et connaissances sur le rôle que la technologie joue pour que ses avantages et les risques inhérents soient maîtrisés ; la réussite en dépend.

De plus, au regard de l’extrême importance des mécanismes de gouvernance « adéquats » pour les innovations transformatrices, Hasselbach (2017) suggère qu’il faut collecter des informations sur la nature et sur les effets induits par les bouleversements entraînés, ce afin de bien identifier la cible. Dans ce cas, au lieu de ne se concentrer que sur la quantification des effets, on pourrait penser à un

61



ensemble d’exercices évaluatifs et à des jeux politiques hautement politiques permettant de choisir entre des systèmes d’évaluation, d’organiser les données et éléments factuels, et de dicter l’objectif de l’utilisation des évaluations. Par ailleurs, nous devrions imaginer et présenter de nouvelles formes d’évaluation (l’évaluation innovatrice, par exemple) qui conviennent aux nouveaux défis en matière de réglementation (Hasselbalch, 2017). À cet effet, Körner (2019) indique que les gouvernements doivent actualiser la réglementation, les règles de la concurrence et la supervision afin de mieux traduire les nouveaux besoins de l’économie axée sur des données. Les sociétés doivent s’assurer que leurs modèles commerciaux et leurs produits sont compatibles avec les droits constitutionnels et l’intégrité des institutions et processus démocratiques. Il appartient aux évaluateurs de mieux comprendre non seulement les algorithmes et conceptions qui sous-tendent leurs applications et appareils, mais également la mécanique de l’économie axée sur des données. Il importe que les sociétés organisent un dialogue éclairé sur la propriété des données et des technologies, y compris sur le partage des fruits de l’évolution technologique et la prévention des asymétries croissantes de richesse et pouvoir, qui peuvent déstabiliser leurs fondations.

Nalubega & Uwizeyimana (2019) l’ont indiqué, des efforts considérables sont déployés dans les systèmes de S&E actuels pour s’assurer que les données à utiliser soient de haute qualité et ne soient pas faussées. Le recours à des données issues des innovations transformatrices crée un défi concernant ce qu’il convient d’appeler un « signal d’alerte rapide » en situation de crise juste pour des besoins de déguisement, les véritables évaluateurs de données pouvant s’en servir pour tirer des conclusions sur l’impact d’un événement, d’un programme ou d’une politique qui peut avoir de graves répercussions. Il est donc important de clarifier, à l’ère de la 4RI, ce

qu’on entend par « signal d’alerte », de mener des recherches et d’établir une distinction à partir du S&E. Enfin, la maximisation des opportunités à l’ère du 4RI suppose des efforts multipartites qui nécessitent une mentalité ouverte pour explorer pleinement des contributions fondées sur des idées novatrices. Pour ce faire, on peut avoir besoin d’intégration totale ou de collaboration sur des technologies de longue durée pour gérer et contrôler efficacement la nature particulièrement complexe et interdépendante des innovations transformatrices. À l’ère de la 4RI, ce ne serait pas étonnant de voir certaines des solutions les plus puissantes aux défis de l’Afrique venir de petites start-ups ou de collaborations plus simples que de vastes structures traditionnelles de gestion des finances publiques. Par conséquent, les politiques émergentes visant à réguler ou à guider les technologies innovantes charriées par le 4RI doivent se montrer adaptatives, inclusives, durables et centrées sur l’humain, afin de relever les défis grandissants de ces nouvelles avancées technologiques (Nalubega & Uwizeyimana, 2019).

conclusion

Cet article s’est concentré sur le rôle des innovations technologiques transformatrices (ITT) et du big data, ainsi que sur leur évaluation pour des besoins de gouvernance dans le contexte africain. Il en ressort que l’utilisation des ITT et du big data peut permettre de produire une évaluation efficace et efficiente des politiques. Le présent article relève que malgré quelques inquiétudes et scepticismes concernant le rôle des ITT et du big data dans les processus de gouvernance (leur contribution à la mobilisation et l’activisme politiques, par exemple), il faut reconnaître que les ITT facilitent l’échange d’informations vitales pour la promotion de l’efficacité dans divers aspects de la vie, y compris la gouvernance et la sphère

62

63L’évaluation de la gouvernance en Afrique sous l’influence des technologies et innovations transformatrices et du big dataL’évaluation de la gouvernance en Afrique sous l’influence des technologies et innovations transformatrices et du big data


Annotations

1. Pour Emmanuel & Stanier (2016), le big data désigne la collecte, le traitement, l'analyse et la visualisation de grands volumes de données structurées et non structurées qui sont diversifiées et difficiles à traiter au moyen de techniques matérielles et logicielles traditionnelles.

2. Fukuyama (2013) définit la gouvernance comme la capacité d'un gouvernement à élaborer et à appliquer des règles, et à

fournir des services, que ce gouvernement soit démocratique ou non. Il distingue deux dimensions de la gouvernance, à savoir la capacité et l'autonomie. En fin de compte, la qualité de la gouvernance est fonction de l'interaction entre la capacité et l'autonomie, l'une ou l'autre étant, de manière indépendante, inappropriée en tant que mesure de la qualité de la gouvernance.

politique. En dehors des ITT telles que les réseaux sociaux – qui favorisent l’échange de contenus faits d’émotions et de motivation pour soutenir ou pour s’opposer à des activités de protestation (messages empreints de colère, de l’identification sociale, de l’efficacité

sociale et des inquiétudes sur l’équité et la justice) –, le rôle des ITT, qui consiste à améliorer l’élaboration des politiques en diminuant le coût d’expérimentation et d’évaluation de ces politiques, est également important.

63

À p

ropo

s de

l'au

teur

Peter Arthur est professeur agrégé en sciences politiques et études sur le développement international à l’Université Dalhousie, au Canada. Il est titulaire d'un doctorat en sciences politiques de la Queen's University (Canada). Ses domaines de recherche s’articulent autour de l’Afrique subsaharienne, avec un accent sur les petites entreprises, le nouveau régionalisme, le développement des capacités, la reconstruction au sortir d’un conflit, la gouvernance en matière de gestion du pétrole et des ressources naturelles, ainsi que des technologies transformatrices et de la gouvernance. Ses travaux ont été publiés dans plusieurs volumes et revues édités, notamment Africa Today, African Studies Review, Commonwealth and Comparative Politics, et Journal of Contemporary African Studies. Il est joignable par courriel, à : [email protected]



Références

Agrawala, S. (2019) “Using Digital Technologies to improve the design and enforcement of public policies,” OECD Digital Economy Papers (February) No. 274. Disponible sur: https://pdfs.semanticscholar.org/5594/20a788e76a9bc0b46968ce373947a0c25cac.pdf, Consulté le 11 March 2020.

Allcott, H. & Gentzkow, M. (2017), « Social Media and Fake News in the 2016 Election, Journal of Economic Perspectives, » 31 (2) : 211-236.

Brennan, N. M., Subramaniam, N. & van Staden, C. (2019) “Corporate governance implications of disruptive technology: An overview,” British Accounting Review, 51 (6) : 1-15.

Emmanuel, I. & Stanier, C. (2016), “Defining Big Data,” BDAW 2016: Proceedings of the International Conference on Big Data and Advanced Wireless Technologies (November) Article No. 5, pp. 1–6.

Fukuyama, F. (2013) « What Is Governance? » CGD Working Paper 314. Washington, DC : Center for Global Development. http://www.cgdev.org/content/publications/detail/1426906

Hasselbalch, J. (2017) “Innovation assessment: governing through periods of disruptive technological change,” Journal of European Public Policy, 25 (12) : 1855-1873.

Hermanns, H. (2008) “Mobile democracy: Mobile phones as democratic tools,” Politics, 28(2) : 74–82.

Jotia, A. (2018) “The role of social media in freeing Botswana from state control of the media,” Journal of contemporary African Studies, 36 (2) : 264-278.

Kahne, J. & Bowyer, B. (2018) “The Political Significance of Social Media Activity and Social Networks,” Political Communications, 35 (3) : 470-493.

Kaplan, A. M., and Haenlein, M. (2010) « Users of the World, Unite! The Challenges and Opportunities of Social Media, » Business Horizons, 53(1) : 59–68.

Körner, K. (2019) Digital politics : AI, big data and the future of democracy. Deutsche Bank AG, Deutsche Bank Research, 60262. Disponible sur : https://www.dbresearch.com/PROD/RPS_EN-PROD/PROD0000000000497768/Digital_politics%3A_AI%2C_big_data_and_the_future_of_d.pdf, Consulté le 10 March 2020.

McKenzie, D. (2018) “How can machine learning and artificial intelligence be used in development interventions and impact evaluations,” Development Impact, 5 March, https://blogs.worldbank.org/impactevaluations/how-can-machine-learning-and-artificial-intelligence-be-used-development-interventions-and-impact, Consulté le 11 March 2020.

Nalubega, T. & Uwizeyimana, D.E. (2019) « Public sector monitoring and evaluation in the Fourth Industrial Revolution: Implications for Africa,” Africa’s Public Service Delivery and Performance Review 7(1), a318. https://doi.org/10.4102/apsdpr.v7i1.318

Persily, N. (2017) « The 2016 U.S. Elections: Can Democracy Survive the internet? » Journal of Democracy, 28 (2) : 63-76.

Rød, E. G. & Weidmann, N. B. (2015) « Empowering activists or autocrats? The Internet in authoritarian regimes,” Journal of Peace Research, 52 (3) : 338-351.

Segone, M., Heider, C., Oksanen, R., Silva D.S., & Sanz, B. (2013) « Towards a Shared Framework for National Evaluation Capacity Development ». Evaluation Matters, A quarterly knowledge publication of the Operations Evaluation Department of the AfDB, September 2013. Vol. 2, No. 3.

Sukai, P. J. (2013) « Rebirth, Restoration, Reclamation, and Responsibilities of the Evaluation Function of Africa ». Evaluation Matters, A quarterly knowledge publication of the Operations Evaluation Department of the AfDB, September 2013. Vol. 2, No. 3.

Wolfsfeld, G., Segev, E., and Sheafer, T. (2013) Social Media and the Arab Spring: Politics Comes First, The International Journal of Press/Politics, 18(2) : 115–137.

64

mailto:pathur%40dal.ca?subject=

https://pdfs.semanticscholar.org/5594/20a788e76a9bc0b46968ce373947a0c25cac.pdf

https://pdfs.semanticscholar.org/5594/20a788e76a9bc0b46968ce373947a0c25cac.pdf

https://dl.acm.org/doi/proceedings/10.1145/3010089



http://www.cgdev.org/content/publications/detail/1426906

http://www.cgdev.org/content/publications/detail/1426906

https://www.dbresearch.com/PROD/RPS_EN-PROD/PROD0000000000497768/Digital_politics%3A_AI%2C_big_data_and_the_future_of_d.pdf







https://doi.org/10.4102/apsdpr.v7i1.318

Inst

itutio

ns e

t p

oliti

que

s ag

ricol

es :

tech

nolo

gies

tr

ansf

orm

atric

es e

t re

cher

che

sur

l’éva

luat

ion

en A

friq

ue

Les institutions et politiques agricoles occupent une place centrale dans le développement de l’Afrique, compte tenu de l’importance de ce secteur pour les relations politiques, économiques et sociales. Le présent article examine, dans le contexte de la recherche sur l’évaluation, le rôle des technologies transformatrices dans le développement de l’agriculture, en se basant sur une étude de cas concernant New Rice for Africa (NERICA). L’article conclut que les technologies transformatrices et la recherche sur l’évaluation doivent tenir compte de l’interaction complexe entre les producteurs et les utilisateurs des connaissances tout en reconnaissant leurs intérêts et objectifs communs.

Messages clés

❚ Des institutions et politiques régissant le secteur agricole existent en Afrique, mais ce n’est pas le cas de l’engagement politique en vue de l’accès aux ressources.

❚ Les technologies transformatrices ne représentent pas une baguette magique pour la recherche sur l’évaluation de l’agriculture sur le continent.

❚ Les fonctions de la technologie dans un contexte social et politique, et l’utilité de la technologie dans la planification et l’évaluation du développement, sont sujettes à des considérations à la fois techniques et non techniques.

Korbla P. Puplampu, Département de sociologie, Grant MacEwan University.

Introduction

Le rôle et l’importance des institutions et des politiques favorables aux mutations sociales ont été reconnus comme une profession de

foi universelle. Les institutions offrent un cadre à travers lequel les politiques peuvent orienter un vaste programme social. Comme North (1990) l’indique, les institutions établissent les « règles du jeu ». Dans le contexte africain, les institutions et politiques agricoles occupent une place centrale dans le développement de la région, compte tenu de l’importance de ce secteur pour les relations politiques, économiques et sociales. Ainsi, les États africains et les acteurs externes, notamment les partenaires au développement, ont initié et mis en place des institutions et politiques agricoles depuis l’époque coloniale (ACBF 2012; Puplampu 2003). D’ailleurs, l’Afrique n’a pas vécu une quelconque pénurie d’institutions et de politiques dans le domaine agricole pour son développement. Pourtant, un problème demeure : celui des « résultats institutionnels et d’action politique souhaitables au vu des ressources disponibles, car l’engagement politique,

quoique nécessaire, n’est pas une condition suffisante » (Puplampu & Essegbey 2018: 65). Si l’engagement politique ne suffit pas, alors que représentent des résultats souhaitables dans les institutions et politiques agricoles africaines ?

Les travaux de recherche montrent que l’évolution technologique est indispensable pour obtenir des résultats rationnels dans des sociétés développées, et que les sociétés en développement doivent s’appuyer fortement sur la technologie pour établir des institutions et politiques agricoles capables d’accélérer leur développement. Le présent article examine, dans le cadre de la recherche sur l’évaluation, le rôle des technologies transformatrices dans le développement de l’agriculture. L’analyse effectuée se fonde sur les processus institutionnels et d’action politique du projet de NERICA. Cet article soutient que la technologie n’est pas une entité désincarnée et qu’elle fonctionne dans un cadre social qui la remodèle au même titre qu’elle façonne en retour la société. L’évolution technologique nécessite donc un intermédiaire, et les résultats obtenus sont contingents et non prédéterminés. L’article s’articule autour de quatre

67Institutions et politiques agricoles : technologies transformatrices et recherche sur l’évaluation en Afrique



Institutions et politiques agricoles : technologies transformatrices et recherche sur l’évaluation en Afrique

parties : la première présente les aspects saillants du développement a g r i c o l e , d e s te c h n o l o g i q u e s transformatrices et de la recherche sur l’évaluation. La deuxième section présente le projet NERICA, suivie de la troisième section, qui traite de l’analyse. La dernière section sert de conclusion.

Développement agricole, technologies transformatrices et recherche sur l’évaluation

Depuis le début de l’ère postcoloniale, des programmes de mécanisation de l ’agriculture (modernisation) ont été intégrés dans les plans de développement de nombreux pays africains. Ces programmes n’ont toutefois pas contribué assez à développer l’agriculture sur le continent, à cause des facteurs politiques et non techniques (Griffin 1979) tels que le coût de la technologie, bref sa situation sociale. Il se pose donc la question de savoir si les technologies transformatrices sont si uniques pour transcender des problèmes non techniques et plus utiles aux institutions et politiques agricoles en Afrique. Rendues populaires par Christenson (1997), les technologies transformatrices constituent un processus innovant qui vise à déterminer comment les avancées technologiques produisent des résultats susceptibles d’influer sur l’évaluation des institutions et des politiques. Le moteur du processus est l’évolution enregistrée dans les technologies de l’information et des communications (smartphones, systèmes mondiaux de positionnement, imagerie par satellite, transmission de données et intelligence artificielle – qui ont collectivement donné naissance à l’Internet des objets [IoT]).

L’Internet des objets englobe l’interconnectivité des systèmes de communication physiques et virtuels dans lesquels « les éléments du monde

physique et les détecteurs embarqués ou fixés sur eux sont connectés à Internet via des dispositifs de connexion avec ou sans fil » (Ndubuaku & Okereafor 2015 : 23). L’intégration des institutions et politiques agricoles dans l’IoT a donné lieu à des notions telles que l’agriculture intelligente, l’agriculture numérique et l’exploitation agricole intelligente, qui sont des aspects essentiels de l’agriculture de demain (Bacco et al. 2019 ; Eitzinger et al. 2019). L’agriculture numérique suppose l’emploi de robots et de systèmes de collecte de données en temps réel et d’analyse qui conviennent à la mesure et au calibrage prudent de résultats. La digitalisation peut stimuler l’agriculture en Afrique et améliorer les résultats sur le plan institutionnel et d’orientation politique, des questions qui sont au cœur de la recherche sur l’évaluation.

La recherche en évaluation a un intérêt pour l’impact sur les politiques et les programmes, c’est-à-dire une analyse visant à déterminer si les politiques et les programmes atteignent leurs buts et objectifs. Selon Langbein (2012:3), la recherche en évaluation comprend « l’application de la recherche empirique des sciences sociales au processus d’appréciation de l’efficacité des [...] politiques, des programmes ou des projets, ainsi qu’à leur gestion et mise en œuvre en vue de la prise de décision ». La recherche sur l’évaluation, et surtout dans le cas du développement agricole, soulève des questions telles que : qu’est-ce qui marche et qu’est-ce qui ne marche pas et pourquoi ? Comment peut-on produire un impact ou de l’efficacité ? L’évaluation d’un programme ou d’une politique suscite des questionnements, particulièrement dans le cas de l’évaluation d’un programme. Ce type d’évaluation, comme le nom le suggère, est « vise à répondre à la question de savoir si un programme, une politique ou un projet a fonctionné » (Symbaluk 2014:271). Ce sont les processus de quantification des politiques de

68



recherche en évaluation qui révèlent le mieux le rôle des technologies, et dans le cas d’espèce, des technologies transformatrices. Les technologies transformatrices permettent de suivre des résultats grâce à leurs attributs, qui englobent des détecteurs susceptibles d’être programmés pour des mesures et pour générer les données nécessaires à l’analyse future.

Projet NERIcA en Afrique de l’Ouest : un bref aperçu

Le secteur agricole en Afrique a fait l’objet d’importantes réformes, notamment en ce qui concerne l’aspect technologique et le rôle de l’État (Satgar 2011; Puplampu 2006). Toutes les étapes du développement de l’agriculture – production, commercialisation et consommation – ont connu une évolution technologique. En matière de production agricole, les systèmes de contrat incluent la technologie à la fois comme moyen et finalité, tout en introduisant « diverses formes de routine dans le travail » (Watts 1990:149), ainsi que des produits agricoles destinés à la chaîne mondiale d’approvisionnement. La filière riz, une denrée de première nécessité dans de nombreux pays africains, illustre le mieux l’évolution technologique. Il existe un déficit entre la production intérieure du riz et sa consommation, et de ce fait, les importations du riz deviennent nécessaires pour satisfaire la demande croissante. Selon Atera et al. (2011:60), « l’Afrique subsaharienne a produit environ 21,6 millions de tonnes de riz en 2006, soit 32 % de ses importations en provenance des marchés internationaux, afin de répondre à la demande ». L’historique des importations de riz peut remonter à la faible productivité de riz au niveau local, du fait des facteurs tels que les variétés de semence, les disparités dans les conditions agroclimatiques et la nature de la recherche sur l’agriculture, etc. (Arounaa et al. 2017). Ces facteurs ont poussé le Africa Rice Center, une filiale du Groupe consultatif sur la recherche agricole internationale (GCRAI), à adopter un nouveau plan de recherche qui a

finalement débouché sur NERICA (Otsuka and Kijima 2010).

La recherche de NERICA s’est concentrée sur une hybridation spécifique au niveau interne entre Oryza glaberrima (riz africain) et Oryza sativa (riz asiatique), dont le but était de combiner des les caractéristiques de la variété africaine – résistante aux nuisibles, aux herbes et aux mauvaises conditions du sol – avec la variété asiatique, qui est plus rentable et idéale pour la fertilisation à base d’engrais minéraux. Faisant l’objet d’expérimentations dès 1991, le riz a connu plusieurs variétés en 1994 « grâce à la persévérance et l’utilisation d’outils de la biotechnologie tels que la culture des anthères et les techniques de sauvegarde d’embryons » ; et tout cela a donné naissance à NERICA (Diagne et al. 2011:255). En procédant à une hibridisation des plantes asiatiques à haut rendement avec des variétés africaines résistantes à la pauvreté du sol et à la sécheresse, NERICA démontré son importance à travers l’accroissement de la production à concurrence de 250 %, réduisant le temps de croissance du riz de moitié et donnant encore plus à manger à 240 millions de personnes en Afrique et ailleurs (World Food Prize 2020). Les nouvelles variétés améliorées ont été par la suite adoptées par les agriculteurs dans beaucoup de pays d’Afrique (Burkina Faso, Gambie, Ghana, Kenya, Ouganda, etc.) (Atera et al. 2011 ; Diagne et al. 2011).

Les agriculteurs ont adopté NERICA parce que la recherche méthodologique de cette entité leur a permis d’opérer des choix dans les variétés de culture disponibles. Les agriculteurs étaient en effet persuadés qu’ils jouaient un rôle dans le développement et la vulgarisation des variétés, et qu’ils étaient des acteurs clés pour des facteurs spécifiques aux sites tels que les options agronomiques et de sélection (Diagne et al. 2011). NERICA a créé une différence fondamentale

69



dans son utilisation répandue grâce à son orientation méthodologique, qui a fait des agriculteurs des cocréateurs de connaissances en matière de recherche agricole (Kilelu, Klerkx & Leeuwis 2013). Les implications de NERICA pour la sécurité alimentaire en Afrique ont été légitimement notées (Anderson & Jackson 2005). L’Africa Rice Center et son directeur (Monty Jones) ont remporté le Prix du roi Baudouin de GCRAIen 2000 et la World Food Prize en 2004 (avec Yuan Longping, de Chine) (GCRAI 2020; World Food Prize 2020). Au-delà de sa capacité à nourrir des millions de personnes en Afrique, NERICA s’aligne également sur les technologies transformatrices et la recherche en évaluation.

Projet NERIcA : technologies transformatrices et recherche sur l’évaluation

NERICA était un produit spécialisé indiqué pour les conditions agronomiques et sociales des riziculteurs en Afrique. Les dimensions transformatrices de NERICA peuvent être expliquées par deux facteurs liés : l’amélioration des aspects technologiques du processus de croisement ; et le taux d’adoption et de réussite dans plusieurs pays africains, qui tient à l’orientation méthodologique du projet de recherche. En tant qu’hybride interspécifique, NERICA possède plusieurs « traits » améliorés que les riziculteurs africains ont adoptés dans diverses conditions agroclimatiques. Comme le montrent Somado et al (2008), NERICA est une famille élargie de différents « traits », ce qui signifie que les traits agrophysiologiques de ce produit ne sont pas homogènes et donnent naissance à diverses variétés adoptées ou mises en circulation dans de nombreux pays. L’émergence de multiples « traits » est un ensemble de processus contenus dans de nouvelles techniques transformatrices de nature et de caractère.

La variété de traits, en retour, représente les succès enregistrés dans l’adoption à travers l’Afrique. Les détails techniques liés à chaque trait de NERICA sont facilement identifiables, tout comme il est possible d’identifier et de spécifier facilement les préférences des agriculteurs. En Côte d’Ivoire et au Nigéria, les agriculteurs préfèrent NERICA 1 et 2, ceux de Guinée adoptent NERICA 1 et 6, tandis que les agriculteurs du Mali et d’Ouganda optent pour NERICA 4 (Somado et al. 2008). Dans une étude statistique sur l’évaluation de terrain de NERICA à l’Est du Kenya (NERICA 1, 4, 10 et 11), Atera et al. (2011) a documenté les qualités supérieures de ce produit par rapport aux variétés traditionnelles de riz de la région. Kijima et al. (2006) ont également trouvé que la productivité de NERICA peut augmenter en comparaison avec d’autres variétés en Ouganda. Ce qui est essentiel dans les résultats de cette évaluation est de reconnaître l’impact des facteurs non techniques tels que l’expérience des riziculteurs, la distribution des semences, et la disponibilité et l’opportunité des engrais ; bref, les conditions d’accès aux intrants dont les agriculteurs ont besoin.

La recherche en évaluation et l’accent mis sur les politiques peuvent projeter un spectre lumineux sur le projet NERICA. La recherche et l’innovation à la base du projet NERICA a tenu compte des aspects essentiels des technologies transformatrices, en intégrant les avancées technologiques dans la recherche sur les cultures. L’innovation agricole à travers l ’agriculture intelligente a permis de contrôler et de gérer la culture de l’anthère et d’autres techniques de sauvegarde d’embryons. La capacité de suivi des changements microscopiques et physiologiques dans un cadre de recherche offre l’occasion de produire des données en temps réel, vérifiables et précieuses à l’appui des résultats de la recherche. Les

70



éléments précédents ont appuyé la conception et l’exécution des projets GeoFarmer en Afrique de l’Est et de l’Ouest, ainsi qu’en Amérique latine (Eitzinger et al. 2019). Par exemple, GeoFarmer était en mesure de capter des données en temps réel, avec des flux de données entrants et sortants, et des agriculteurs intervenant comme cocréateurs dans les différents projets de développement de l’agriculture. Le fait de mesurer les capacités des détecteurs dans l’agriculture numérique et de reconnaître la base de connaissances des agriculteurs représente un changement fondamental dans les processus de recherche agricole, ce qui corrobore la thèse de Kuhn’s (1970) sur le changement de paradigme.

L’adoption accrue de NERICA était due à l’orientation méthodologique du projet, qui s’est éloignée du système de recherche agricole axé sur des questions techniques et où l’élaboration et la mise en œuvre du programme de recherche n’incombaient qu’aux chercheurs, en tant qu’experts. Dans de pareils cas, les agriculteurs, utilisateurs finaux des résultats de la recherche, ne pouvaient jouer aucun rôle et se limitaient simplement à faire confiance au travail des experts. Ainsi, lorsque le système de recherche agricole, par exemple, ne contribuait pas au développement de l’agriculture, on accusait les agriculteurs d’avoir « refusé » d’utiliser les nouvelles technologies. Pourtant, aucune attention n’était portée sur les problèmes qui se posaient lors de l’élaboration du programme de recherche, ni sur le jeu du pouvoir entre les différentes parties prenantes de la recherche agricole, et encore moins sur le fait de ne pas prendre en compte les points de vue des agriculteurs dans le système de recherche. Il convient que les chercheurs résolvent ces problèmes afin que les agriculteurs s’approprient les résultats de la recherche et les intègrent dans leurs pratiques de production.

Le projet NERICA a cependant trouvé une solution au sempiternel problème de participation des agriculteurs, acteurs légitimes, dans la recherche agricole et en tant que cocréateurs des connaissances. Une telle participation se fonde sur l’hypothèse que les groupes doivent faire partie des processus de prise de décisions qui ont des répercussions sur eux (Brett 2003). La participation crée également le sens d’appropriation et d’acceptation future d’une politique donnée. NERICA montre que l’implication effective des agriculteurs dans la recherche agricole produit des résultats positifs. En tant qu’acteurs rationnels, les agriculteurs se préoccupent de leur sécuritaire alimentaire et, donc, font preuve de prudence dans l’adoption d’une technologie donnée, notamment lorsqu’ils ne jouent aucun rôle de premier plan dans l’élaboration du programme de recherche agricole.

Le changement de cap dans le projet NERICA est conforme à une recherche agricole qui intègre à la fois des facteurs techniques et non techniques ou des considérations sociales. Ces considérations sont importantes, car elles se croisent au niveau de l’exploitation agricole où a lieu la production, de la communauté où il existe des services d’appui à la production agricole, et au niveau sociétal où les consommateurs utilisent les denrées produites (Ruttan 1982). Par conséquent, cette approche reconnaît l’existence d’une collaboration étroite entre les aspects techniques et sociaux de la recherche, ce que Biggs et Farrington (1991) appellent l’analyse de la recherche agricole à travers le prisme des sciences sociales. Les aspects techniques et sociaux de la recherche agricole « sont liés de manière permanente et inextricable », soutiennent-ils. Si ces aspects sont séparés, des politiques et programmes conçus pour réaliser un ensemble d’objectifs peuvent plutôt produire des résultats différents » (Biggs & Farrington 1991:3).

71



Ce qui est en jeu, est que l’environnement social façonne les résultats de la recherche et vice-versa. Par conséquent, pour expliquer les résultats d’une recherche, il faudrait d’abord comprendre les aspects sociaux et techniques du processus. Autrement dit, toute analyse des résultats d’une recherche agricole devrait aller au-delà des préoccupations techniques pour aborder les connaissances des agriculteurs et leur rôle dans la création de nouvelles formes de connaissances. La recherche agricole dans la plupart des pays africains est une recherche de base, et les travaux scientifiques censés bousculer les frontières de la connaissance sont marginaux. Dans le même temps, le volume de recherche est adaptatif et ne vise qu’à ajuster les connaissances acquises ailleurs à des situations locales. NERICA a démontré que la recherche adaptative peut s’avérer utile seulement lorsque les situations sociales et locales sont prises en compte. Il est donc important de mettre l’accent sur la situation sociale des agriculteurs, compte tenu de son impact sur les processus adaptatifs qui seront mis en œuvre pour le succès des résultats.

conclusion

Cet article a montré les possibilités que l’évolution technologique peut offrir pour le développement de l’agriculture, ainsi que l’interaction entre la technologie et la recherche sur l’évaluation. En particulier, l’article s’est concentré sur les technologies transformatrices et leurs implications pour la recherche en évaluation, en prenant pour exemple le cas de NERICA. La production rizicole a profité de la recherche et de l’innovation, mais aussi de l’intégration des questions techniques et non techniques dans le programme de recherche. Cela fait entrevoir des enseignements utiles pour l’avenir. D’abord, les technologies transformatrices et la recherche sur l’évaluation doivent tenir compte

de l’interaction complexe entre les producteurs et les utilisateurs des connaissances tout en reconnaissant leurs intérêts et objectifs communs. Les modèles traditionnels de recherche agricole ont négligé les connaissances des agriculteurs, qui devraient constituer le pilier de départ du programme de recherche, tandis que les chercheurs en évaluation ont jusque-là privilégié les aspects techniques au détriment des questions non techniques. En d’autres termes, en matière de recherche en évaluation et de recherche agricole, il importe de tenir compte compte aussi bien des facteurs techniques que non techniques, et en particulier la situation géographique des agriculteurs. Il faut le relever avec force parce que NERICA a établi de manière concluante que des efforts concertés s’imposent pour impliquer véritablement les agriculteurs dans les institutions et politiques de recherche agricole, notamment s’il est question d’accroître la production agricole et, éventuellement, le développement agricole à l’échelle nationale en Afrique.

Ensuite, l’impact de la technologie n’est pas neutre. L’accent à mettre sur les variables non techniques doit être sensible, entre autres, à la fracture numérique, qui met en avant des questions telles que l’accès à la technologie et son coût, et la typologie des agriculteurs. Sur ce point, deux questions sont en jeu. D’une part, l’activité agricole intelligente a sapé la distinction historique entre les grands agriculteurs et les petits exploitants agricoles, les premiers produisant pour l’exportation et les seconds pour le marché local (AGRA 2017). D’autre part, la disparité zone rurale–zone urbaine, une caractéristique de nombreuses sociétés africaines, reflète également la situation géographique des infrastructures pertinentes. Les problèmes de connexion à Internet et de débit (bande passante) doivent être

72



résolus au niveau des agriculteurs, afin que, quelle que soit leur situation géographique, la recherche sur l’IoT et l’évaluation puisse mieux contribuer

à la performance des institutions et politiques agricoles africaines, dans un monde du XXIe siècle de plus en plus connecté à Internet.

73



Références

ACBF (2012) Africa Capacity Indicators 2012 – Capacity Development for Agricultural Transformation and Food Security. Harare : ACBF.

AGRA (2017). Africa Agriculture Status Report: The Business of Smallholder Agriculture in Sub-Saharan Africa (Issue 5). Nairobi : AGRA.

Anderson, K. and L. Jackson (2005) “Some implications of GM food technology policies for Sub-Saharan Africa”, Journal of African Economies, 14, 3, 385-410.

Arounaa, A., Lokossoub, J.C., Wopereisc, M.C.S., Bruce-Oliverd, S. & Roy-Macauley, H. (2017) “Contribution of improved rice varieties to poverty reduction and food security in sub-Saharan Africa”, Global Food Security 14, 54–60.

Atera, E.A., Onyango J.C., Zuma, T., Asanuma S. & Itho, K. (2011) “Field evaluation of selected NERICA rice cultivars in Western Kenya”, African Journal of Agricultural Research, 6, 1, 60-66.

Bacco, M., Barsocchi, P., Ferro, E., Gotta, A. & Ruggeri, M. (2019) “The Digitization of Agriculture: A Survey of Research Activities on Smart Farming”, Array, 3-4, 100009

Biggs, S. and Farrington, J. (1991) Agricultural Research and the Rural Poor: A Review of Social Science Analysis. Ottawa : IDRC.

Brett, E.A. (2003) “Participation and Accountability in Development Management”, Journal of Development Studies, 4, 2, 1-29.

CGIAR (2020) King Baudouin Award to WARDA for Development of High-Yielding Rice Varieties https://cgspace.cgiar.org/handle/10947/698. Consulté le 6 mars 2020

Christensen, C. (1997) The Innovator’s Dilemma: When New Technologies Cause Great Firms to Fall. Boston, MA : Harvard Business School Press

Diagne, A., Gnonna, S-K, Wopereis, M. and Akintayo, I. (2011) “Increasing Rice Productivity and Strengthening Food Security through New Rice for Africa”. In Chuhan-Pole, P. and Angwafo, M. (eds.), Yes Africa Can: Success Stories from a Dynamic Continent. Washington, DC: World Bank, 253-267.

Eitzinger, A., Cock, J., Atzmanstorfer, K., Binder, C. R., Läderach, P., Bonilla-Findji, O., Bartling, M., Mwongera, C., Zuritae, L. & Jarvis, A. (2019) “GeoFarmer: A monitoring and feedback system for agricultural development projects”, Computers and Electronics in Agriculture 158, 109–121.

Griffin, K. (1979) The Political Economy of Agrarian Change: An Essay on the Green Revolution. Cambridge : Cambridge University Press.

Kijima, Y., Sserunkuuma, D. & Otsuka, K. (2006) “How Revolutionary is the “NERICA Revolution”? Evidence from Uganda”. The Developing Economies, XLIV-2 (June 2006) : 252–67.

Kilelu, C., Klerkx, L. & Leeuwis, C. (2013), “Unraveling the role of innovation platforms in supporting co-evolution of innovation: contributions and tensions in a smallholder dairy development programme”, Agricultural Systems, Vol. 118, June, pp. 65-77.

Kuhn, T. (1970) The Structure of Scientific Revolutions. Chicago : University of Chicago Press.

Langbein, L. (2012) Public Program Evaluation: A Statistical Guide. Armonk, NY: M.E. Sharpe (2e édition).

Ndubuaku, M. and D.T. Okereafor (2015) Internet of Things for Africa: Challenges and Opportunities. 2015 International Conference on Cyberspace Governance, Abuja, Nov. 4-7.

North, D.C. (1990) Institutions, Institutional Change, and Economic Performance. New York : Cambridge University Press.

Otsuka, K. and Y. Kijima (2010) “Technology Policies for a Green Revolution and Agricultural Transformation in Africa”, Journal of African Economies, Volume 19, Issue suppl_2, 2010, 60–76.

Puplampu, K.P. and G.O. Essegbey (2018) “From MDGs to SDGs: The Policy and Institutional Dynamics of African Agriculture”. In Hanson et al. (eds.) From Millennium Development Goals to Sustainable Development Goals: Rethinking African Development, Abingdon: Routledge, 53-73.

Puplampu, K.P. (2006) “The World Trade Organization, Global Trade and Agriculture”. In Smith, M.S. (ed.) Beyond the ‘African Tragedy’: Discourses on Development and the Global Economy. Aldershot: Ashgate, 233-245.

Puplampu, K.P. (2003) “State-NGO Relations and Agricultural Sector Development,” In Tettey, Puplampu and Berman (eds.) Critical Perspectives on Politics and Socio-Economic Development in Ghana, Leiden and Boston: Brill Publishing, 135-151

Ruttan, V.W. (1982) Agricultural Research Policy. Minnesota : Minnesota University Press.

Satgar, V. (2011) “Challenging the Globalized Agro-Food Complex: Farming Cooperatives and the Emerging Solidarity Economy Alternative in South Africa” WorkingUSA, 14, 2, 177-190.

Somado, E.A., R.G. Guei and S.O. Keya (2008) The New Rice in Africa – A Compendium. Cotonou : Africa Rice Center.

Symbaluk, D. (2014) Research Methods: Exploring the Social World. Toronto : McGraw Hill (1re édition).

Watts, M. (1990) « Peasants Under Contract: Agro-Food Complexes in the Third World ». In Bernstein, H., B. Crow, M. Mackintosh and C. Martinet (eds.), The Food Question : Profits versus People ? London : Earthscan, 149-162

World Food Prize (2020) ‘2004: Jones and Yuan’ https://www.worldfoodprize.org/en/laureates/20002009_laureates/2004_jones_and_yuan/ - Consulté le 6 mars 2020.

74

https://cgspace.cgiar.org/handle/10947/698

https://cgspace.cgiar.org/handle/10947/698

https://www.worldfoodprize.org/en/laureates/20002009_laureates/2004_jones_and_yuan/

https://www.worldfoodprize.org/en/laureates/20002009_laureates/2004_jones_and_yuan/

75Institutions et politiques agricoles : technologies transformatrices et recherche sur l’évaluation en AfriqueInstitutions et politiques agricoles : technologies transformatrices et recherche sur l’évaluation en Afrique


À p

ropo

s de

l'au

teur

Korbla P. Puplampu enseigne au Département de sociologie de la Grant MacEwan University, au Canada. Ses domaines d’intérêt pour la recherche sont notamment la restructuration de l’agriculture à l’échelle mondiale et la politique de l’identité dans les sociétés multiculturelles. Dr Puplampu a publié dans des revues universitaires telles que le Canadian Journal of Learning and Technology et Perspectives on Global Development and Technology. Il a également coédité et contribué dans plusieurs ouvrages, y compris From Millennium Development Goals to Sustainable Development Goals : Rethinking African Development (en collaboration avec Hanson & Shaw); et The Public Sphere and the Politics of Survival: Voice, Sustainability and Public Policy in Ghana (avec Tettey).

75

Dig

italis

atio

n du

sec

teur

éne

rgét

ique

et é

valu

atio

n d’

impa

ct

L’infrastructure énergétique vit actuellement un changement de paradigme en direction d’un système multidirectionnel intégré et numériquement amélioré. Le présent article étudie les implications de la digitalisation énergétique sur l’évaluation d’impact à travers l’accès à des données sur les charges électriques à un lieu et à un temps donné. Ces données opportunes et d’envergure permettront à des évaluations de refléter les valeurs créées par les nouvelles technologies et, éventuellement, promouvront des instruments de financement innovants en faveur de la réforme du marché de l’énergie.

Yang Liu, Département Politique macroéconomique, prévisions et recherche, Banque africaine de développement.

Messages clés

❚ La digitalisation du secteur énergétique transforme le mode d’alimentation et de consommation de l’électricité, tout en estompant la distinction entre l’offre et la demande.

❚ Une granularité accrue des données peut répondre à la question de l’hétérogénéité dans l’évaluation d’impact.

❚ L’évaluation d’impact approfondie permet d’obtenir des changements sur le marché et de guider la politique énergétique.

Introduction

L’avènement des technologies de l’information et des communications au cours de la dernière décennie a eu de fortes répercussions sur la façon dont

les différentes composantes du secteur de l’énergie interagissent – en particulier, l’établissement de la communication à double sens entre les services d’utilité publique et les consommateurs, de réseaux ouverts de transmission et de distribution, et de logiciels et protocoles permettant l’interopérabilité entre de multiples acteurs et technologies (Liu & Zhong 2018). Les conséquences de ces tendances à la digitalisation sur l’évaluation d’impact de l’infrastructure énergétique sont lourdes. La digitalisation énergétique traduit le mieux son potentiel en se montrant en mesure non seulement d’estomper la distinction entre l’offre et la demande, mais également de les équilibrer en temps réel en créant une interaction entre les consommateurs (Liu et al. 2020).

Cet article aborde la question de la digitalisation énergétique et la manière dont elle transforme l’offre et la consommation d’électricité, en éliminant la frontière

entre l’offre et la demande. Il indique par ailleurs comment la technologie (réseaux intelligents, compteurs automatisés, blockchain, etc.) offre aux évaluateurs d’impact l’extraordinaire occasion de tirer le plus grand parti des données issues des charges électriques, spécifiques à chaque lieu et à chaque moment, lesquelles n’auraient pas pu être obtenues autrement.

Un plus grand volume de données et une meilleure évaluation

L’augmentation de la connectivité due à la digitalisation génère un grand volume de données et offre un outil robuste et rentable pour résoudre le problème d’hétérogénéité dans les évaluations d’impact. Le facteur clé de réussite de l’évaluation d’impact consiste à effectuer une analyse hypothétique ayant pour but de cerner les contours de l’impact d’une intervention en faveur d’une politique ou d’un programme, ainsi que des attributs inhérents à chaque unité individuelle. Il est bien connu que l’hétérogénéité est une question essentielle pour les besoins pratiques de l’évaluation d’impact. Les observations retenues ne sont pas identiques et ne sauraient faire partie d’un tout.

77Digitalisation du secteur énergétique et évaluation d’impact



Digitalisation du secteur énergétique et évaluation d’impact

Les comportements concernant la consommation de l’énergie par les ménages varient d’une frange de la population à l’autre. Cette hétérogénéité peut avoir un rapport avec les caractéristiques des ménages (revenu, âge, niveau d’instruction et sensibilisation à l’économie d’énergie). Par exemple, pour mieux comprendre l’impact d’un programme de subvention en appareils électroménagers économes, il faut maîtriser les effets de l’orientation politique spécifique à chaque ménage sur l’évolution de la consommation (Yao et al. 2014).

De nos jours, la digitalisation énergétique améliore considérablement l’accès à des mégadonnées sur les profils de charge et les prix à des endroits et à des moments spécifiques. Le coût moyen d’un compteur intelligent a chuté d’environ un quart depuis 2008, et à peu près 800 millions de compteurs intelligents ont été déployés dans le monde depuis 2017. Selon les estimations de l’Agence internationale de l’énergie (AIE), à l’horizon 2040, un milliard de ménages et 11 milliards d’appareils intelligents pourraient être effectivement intégrés dans les systèmes d’électricité à travers le monde. Au-delà de l’utilisation accrue des détecteurs et équipements de contrôle numériques, ces appareils intelligents peuvent être connectés à un réseau et contrôlés à distance (AIE 2019).

Les technologies transformatrices (blockchain, apprentissage automatique) sont en mesure de tracer et d’identifier les sources d’énergie propres, et peuvent donc concourir au commerce des énergies renouvelables entre homologues, ce qui pourrait avoir d’importantes implications sur la redéfinition de l’interaction des consommateurs avec les fournisseurs d’énergie et les détaillants de l’électricité. Ces technologies peuvent également modifier considérablement la façon dont les populations perçoivent et gèrent les services chargés de l’énergie.

Un système de gestion de l’énergie basé sur des données facilitera certainement l’évaluation documentée des effets induits par une intervention au titre d’une politique ou d’un programme, non seulement de façon à impliquer plus facilement les utilisateurs finaux dans des essais de contrôle personnalisés ou des enquêtes de terrain, mais surtout de sorte que nous pussions mieux tenir compte de l’hétérogénéité d’un grand nombre de groupes de traitement à travail l’analyse de données. De même, un système de comptage automatique de la consommation d’électricité permettra d’aligner rationnellement et à temps les attributs hétérogènes à grande échelle sur les changements de cap, tandis que le système de suivi de la consommation axé sur le blockchain pourra améliorer sensiblement la transparence dans une évaluation d’impact.

Un nouveau marché et des évaluations approfondies

Plus que jamais, dans un contexte de changement de paradigme par le marché énergétique, les praticiens de l’évaluation d’impact sont censés améliorer leur compréhension des innovations en matière d’élaboration des politiques et de modèles économiques. Autrement dit, des idées novatrices sont nécessaires pour induire des effets sur les changements de politique à travers lesquels les nouveaux acteurs du marché peuvent fournir des biens et des services énergétiques accessibles et abordables aux communautés insuffisamment desservies.

Dans de nombreux pays africains, les transformateurs vieillissants et surchargés des réseaux centraux ne peuvent pas faire face à ces pics de la demande. Par conséquent, les délestages et coupures à répétition entravent gravement la fiabilité de l’offre d’électricité. Parallèlement, l’Afrique est le deuxième marché mobile le plus vaste et à plus forte croissance

78



dans le monde. Cet écart demande que l’on repense le secteur de l’énergie. Par exemple, au Nigéria, Upnepa.ng1 a établi une plateforme mobile d’Internet des objets (IoT) en vue de fournir des informations en temps réel sur les heures totales de l’offre d’électricité dans les communautés locales. Ce système détecte la situation actuelle de l’offre énergétique (marche/arrêt), enregistre la dernière fois que l’électricité a été établie ou interrompue, et prévoit la prochaine fois qu’elle pourra être rétablie ou coupée. Sur la base de ces informations, les ménages disposant de leurs propres générateurs de secours peuvent aider ceux qui en ont besoin à un coût abordable. Le concept commercial est comme une sorte d’Airbnb, mais plutôt dans le secteur énergétique.

En connectant des homologues entre eux, ce modèle économique collaboratif peut valoriser les actifs existants, mais sous-exploités. Il peut également permettre aux petits producteurs d’électricité de profiter largement de la structure des coûts. Ils peuvent accélérer très rapidement l’activité économique si les consommateurs potentiels veulent rejoindre le réseau collaboratif.

Pour bien cerner l’impact de ces systèmes, les praticiens de l’évaluation devront renforcer leurs aptitudes à effectuer une évaluation d’impact de ces nouvelles avancées. Grâce aux nouveaux outils numériques, il est plus facile aujourd’hui d’intégrer de petits consommateurs et fournisseurs dispersés dans un programme d’évaluation à grande échelle. Cette représentativité accrue est particulièrement importante si l’évaluation d’impact doit jouer un rôle clé dans l’évaluation des nombreux avantages qu’offrent les modèles commerciaux innovants (grâce à la digitalisation) à un niveau sociétal plus large.

Pour l’heure, l’énergie solaire hors réseau global sert 420 millions d’usagers, ce qui représente un marché annuel de

1,75 milliard d’USD (ESMAP 2020). En Afrique, l’Éthiopie, le Kenya et la Tanzanie représentent ensemble près de la moitié des 5 millions de personnes ayant accès aux nouveaux systèmes domestiques d’énergie solaire en 2018 (AE 2019). Pourtant, en matière de l’accélération de l’électrification en Afrique, les clients dont le raccordement est le plus coûteux sont souvent les moins à même de payer et/ou de consommer.

La plupart des interventions au titre d’un programme d’électrification ne seront pas économiquement viables, à moins que les marchés soient en mesure de traduire les effets sociaux et économiques plus larges en valeurs commerciales. Manifestement, ces projets d’électrification ont la possibilité de s’étendre à d’autres services sociaux de base tels que les pompes d’eau à énergie solaire, des chambres froides, des appuis à la santé communautaire et à des écoles. Il est toutefois impératif que ces effets soient explicitement suivis, évalués et signalés. Ce faisant, on présentera quelques-uns des instruments de paiement réussis tels que les obligations d’impact social et les obligations d’impact sur le développement, qui sont des mécanismes de financement innovants conditionnant le financement à l’obtention de résultats concrets et, bien plus, récompensant des entreprises à fort impact à l’aide des paiements de primes afin que celles-ci réalisent des résultats sociaux.

conclusion

La digitalisation du secteur énergétique transforme l’offre et la consommation de l’électricité, tout en estompant la distinction entre l’offre et la demande. Le déploiement des réseaux intelligents, de compteurs automatisés et de la blockchain offrira aux évaluateurs d’impact l’extraordinaire occasion de tirer le plus grand parti des données issues des charges électriques, spécifiques à chaque lieu et à chaque moment, lesquelles n’auraient pas pu être obtenues autrement. Les outils numériques concourront également

79



Références

Energy Sector Management Assistant Program (ESMAP), (2020). Off-Grid Solar Market Trends Report 2020. Washington, DC: World Bank

International Energy Agency (IEA), (2019). World Energy Outlook 2019. Paris: OECD

Yang Liu and Sheng Zhong (2018). “Integrating Renewables and Energy Efficiency: Smart Grid Innovation Trends ». Policy Brief. http://esi.nus.edu.sg/docs/default-source/esi-policy-briefs/integrating-renewables-and-energy-efficiency--smart-grid-innovation-tren-.pdf?sfvrsn=2

Yang Liu, Donghyun Park and Sheng Zhong. (2020). “Meeting New Realities in the Era of Smart Grids: Implications for Energy Infrastructure Investment and Financing in Asia”. In: Bambang Susantono, Donghyun Park & Shu Tian (ed.), Infrastructure Finance in Asia, chapter 5, pp.113-152, World Scientific Publishing Co. Pte. Ltd.

Yao Xilong, Yang Liu and Xiao Yan. (2014). “A Quantile Approach to Assess the Effectiveness of the Subsidy Policy for Energy-Efficient Home Appliances: Evidence from Rizhao, China. ». Energy Policy, Vol 73, pp. 512-18. https://doi.org/10.1016/j.enpol.2014.06.010

À p

ropo

s de

l'au

teur Dr Yang Liu occupe actuellement le poste d’économiste

principale à la Banque africaine de développement. Avant de rejoindre la Banque, il était chercheur associé à l’Energy Sciences Institute de l’Université nationale de Singapour, où il a dirigé des projets de recherche et de consultant dans les domaines tels que l’intégration des énergies renouvelables, l’efficacité énergétique, la conception du marché de l’énergie et la politique d’évaluation. M. Yang jouit de plus de 15 années d’expérience dans le secteur de l’énergie, au niveau des organismes publics et du milieu universitaire, dans des économies développées ou en développement; il a été notamment un spécialiste principal à l’Agence internationale de l’énergie, où il a été coauteur des éditions de 2015 et 2016 de « IEA Global Energy Efficiency Market Report », tout en fournissant une assistance technique aux économies émergentes sur la réforme du marché énergétique.

Annotations

1. Upnepa.ng est une plateforme alimentée par l'IoT qui fournit, en temps réel, des informations et l'historique de l'offre d'électricité

dans des communautés et domiciles précis au Nigéria. Pour plus de détails, veuillez visiter : https://upnepa.ng/

à obtenir des programmes d’évaluation rentables et opportuns, par l’incorporation d’observations extrêmement dispersées, alors que les tendances décentralisées s’accélèrent en vue des infrastructures énergétiques de demain. Ce qui est plus

important encore est que ce travail d’évaluation particulièrement utile fera ressortir les coûts et avantages à l’échelle du système, et permettra ainsi de libérer le plein potentiel des modèles commerciaux sur le marché de l’énergie.

80

http://esi.nus.edu.sg/docs/default-source/esi-policy-briefs/integrating-renewables-and-energy-efficiency--smart-grid-innovation-tren-.pdf?sfvrsn=2



https://ideas.repec.org/b/wsi/wsbook/11688.html

https://doi.org/10.1016/j.enpol.2014.06.010

https://doi.org/10.1016/j.enpol.2014.06.010

https://upnepa.ng/

App

licat

ion

de la

tech

nolo

gie

de c

olle

cte

de d

onné

es m

obile

à

l’aid

e de

Sur

veyC

TO d

ans

les

enqu

êtes

aup

rès

des

mén

ages

: Le

cas

de

l’éva

luat

ion

d’im

pact

du

proj

et d

e ge

stio

n co

mm

unau

taire

inté

grée

des

ress

ourc

es e

n ea

u du

Nig

erL’intérêt pour des données de meilleure qualité et à coûts réduits continue de croître dans le monde. Si, auparavant, les évaluateurs se sont fiés à des enquêtes basées sur des questionnaires imprimés, les défis liés à la mauvaise qualité des données et aux coûts et délais considérables de la collecte et de saisie de ces données ont amené les spécialistes à se tourner vers les enquêtes numériques. Certes, il existe de nombreux outils avec une variété de fonctions de collecte de données, mais encore faut-il choisir le plus approprié, en prenant en considération la sécurité des données, le coût, la capacité à travailler hors connexion Internet et l’aisance dans l’utilisation de l’outil. L’un de ces outils est le logiciel SurveyCTO, un produit qui rassemble des données de haute qualité à l’aide de téléphones ou tablettes androïdes, ou via Internet. Le présent article examine l’utilisation de SurveyCTO pour la collecte de données en vue de l’évaluation d’impact d’un projet communautaire de gestion intégrée des ressources en eau au Niger. Il met en exergue les avantages et les inconvénients de SurveyCTO par rapport à l’enquête avec questionnaire sur papier. Il montre également comment SurveyCTO peut s’appliquer dans les organisations et contextes de développement, y compris la Banque africaine de développement.

Messages clés

❚ SurveyCTO est une plateforme de collecte de données fiable, sécurisée et extensible dont se servent les professionnels et chercheurs travaillant dans des environnements sans connexion Internet.

❚ Le recours à SurveyCTO réduit le coût et le temps mis pour collecter des données, tout en améliorant la qualité de ces données.

❚ SurveyCTO permet aux équipes de collecte de données de soumettre, immédiatement après cette opération, des résultats préliminaires aux parties prenantes.

Andrew Anguko, Évaluation indépendante du développement, Banque africaine de développement.

Introduction

Dans la conduite d’enquête auprès des ménages ou des individus à des fins d’évaluation, l’approche c l a s s i q u e c o n s i s t a i t

à administrer des questionnaires imprimés à remplir manuellement par les personnes interrogées lors des entretiens. Ensuite, chaque soir, les superviseurs et coordonnateurs d’enquête vérifient la qualité et la cohérence des réponses notées dans les questionnaires. À la fin de tous les entretiens et du travail de terrain, des secrétaires transcrivent les informations contenues dans les questionnaires papier sur un format numérique. Ce processus est toutefois problématique (Lombardini et al. 2018). D’abord, la qualité des données – il existe plusieurs occasions pour introduire des erreurs lors de la collecte et de la saisie des données ; ensuite, le laps de temps entre la collecte des données et le moment où ces données sont prêtes pour l’analyse peut entraver ou retarder considérablement le retour d’information aux communautés ainsi que l’utilité des données recueillies.

Il importe de minimiser les erreurs dans le cas des évaluations d’impact utilisant

un échantillon de petite taille. Comme Caeyers et al. (2012) le suggèrent, les erreurs ne se répartissent généralement pas de manière aléatoire dans un échantillon : elles sont corrélées aux caractéristiques des ménages, ce qui peut éventuellement introduire un biais dans l’analyse si les observations doivent être écartées. L’utilisation de méthodes de collecte numérique de données peut contribuer à atténuer les problèmes inhérents aux enquêtes sur papier. Elle est encore plus importante en ce qui concerne la collecte de données dans le cadre d’enquêtes auprès des ménages, qui évaluent les résultats des interventions pour le développement. C’est le cas avec l’évaluation d’impact du projet de gestion communautaire intégrée des ressources en eau (GCIRE) qui a fait recours à SurveyCTO1. Ce projet a été mis en œuvre par Oxfam dans les communautés Banibangou et Soumatt du Niger, conjointement avec Karkara, un partenaire local, et le Département de l’agriculture du pays.

Le projet GcIRE

Démarré en avril 2013, ce projet s’est achevé en mars 2015 et a été évalué un an

83



après sa clôture. Ce projet avait pour objectif général de contribuer à accroître la production agricole et les revenus des agriculteurs, particulièrement pour les femmes. L’accroissement de la production a ciblé des cultures telles que les choux, les tomates, les oignons, les carottes, les pommes de terre et les poivrons. Ces cultures ont été choisies parce que les agriculteurs étaient confrontés à des problèmes spécifiques dans les deux villages : très faibles taux de précipitations ; faible capacité des agriculteurs locaux à produire des denrées alimentaires ; manque d’intrants nécessaires.

Karkara a joué un rôle vital dans la résolution de ces problèmes, notamment en mettant en place des systèmes d’irrigation. Sur financement d’Oxfam, des puits et forages ont été creusés, et des citernes d’eau équipées de pompes solaires ont été installées. Des canalisations ont été raccordées à des bassins hydrographiques afin d’améliorer l’irrigation au sein de la communauté, tandis que les agriculteurs ont reçu des semences et du matériel agricole pour accroître leur production. Karkara a ensuite collaboré avec le Département de l’agriculture du Niger pour former les agriculteurs sur des pratiques agronomiques améliorées, organiser des visites d’échange sur le terrain et encouragé les agriculteurs à constituer des groupes pour renforcer leur pouvoir de négociation sur les marchés locaux. Oxfam a financé l’exécution du projet et coordonné les activités, y compris celles de suivi de routine, à travers des visites sur site en vue de s’assurer d’une mise en œuvre effective (Oxfam 2019).

L’enquête et le plan d’échantillonnage : Le principal objectif de l’évaluation du projet était de déterminer l’impact de l’intervention sur le revenu des ménages bénéficiaires. Les évaluateurs ont eu recours à une conception quasi expérimentale pour l’évaluation d’impact, qui a notamment consisté à comparer les ménages ayant bénéficié de l’appui

du projet avec ceux des communautés riveraines qui n’en ont pas bénéficié, mais qui avaient des modes de vie semblables avant le démarrage du projet. L’évaluation a couvert quatre villages (deux pour le projet et deux pour le contrôle). Les ménages impliqués dans le projet ont été choisis au hasard, puis interrogés. Pour des besoins de contrôle, les entretiens ont eu lieu avec les ménages des deux villages qui n’ont pas participé au projet, mais qui étaient éligibles et ont exprimé leur intérêt pour l’enquête. Les villages retenus pour le contrôle ont été sélectionnés à dessein parce qu’on a estimé qu’ils avaient, au départ (avant le début du projet), les mêmes caractéristiques que ceux retenus pour l’exécution du projet. Au total, 300 participants au projet et 404 non-participants ont été interrogés.

Les outils statistiques d’appariement des scores de propension et de régression à plusieurs variables aléatoires ont été utilisés pour contrôler les disparités démographiques et de base entre les ménages des villages projet et des villages contrôle, afin d’améliorer la confiance statistique lors des estimations de l’impact du projet (voir Caliendo & Kopeinig 2008). Le tableau 1 ci-dessous énumère les villages et le nombre de ménages/agriculteurs interrogés dans le cadre de l’intervention ainsi que dans les villages contrôle.

Le logiciel SurveycTO et ses propriétés : L’équipe d’évaluation a choisi le logiciel SurveyCTO pour plusieurs raisons. Premièrement, ce logiciel a une propriété unique, à savoir sa capacité à prendre en charge beaucoup de langues, y compris les caractères non latins. Deuxièmement, il peut être parfaitement utilisé sans connexion Internet, de l’élaboration des questionnaires à l’analyse des données – ce qui pourrait être idéal dans des zones à faible connexion Internet comme au Niger. Troisièmement, cet outil dispose non seulement d’une fonctionnalité de conception avancée qui lui permet d’héberger la structure de questionnaires longs et complexes, mais également

84


d’une autre pour explorer les fréquences à la fin de l’enquête. Cela permet de transmettre rapidement les avis recueillis à la communauté sondée. Enfin, ses robustes propriétés de cryptage sont particulièrement utiles pour les collecteurs de données, qui mettent un point d’honneur sur la sécurité des données. L’utilisation de SurveyCTO passe par huit étapes essentielles2 et le recours à des lignes directrices et des outils normalisés à l’appui du processus (Tomkys et al. 2015).

Applicabilité potentielle aux évaluations et avantages connexes

Cette section montre comment l’application de SurveyCTO et d’autres plateformes numériques peut contribuer à promouvoir l’évaluation au sein de la communauté africaine des évaluateurs, notamment à la Banque africaine de développement. L’analyse se concentre sur cinq aspects : a) le coût, la qualité et la durée de la collecte de données ; b) la sécurité des données ; c) l’éthique ; d) l’engagement des communautés/clients ; et e) le caractère versatile de l’utilisation. Pour garantir un certain équilibre, cette section relève également les défis potentiels concernant SurveyCTO et des plateformes techniques similaires.

❚ coût, qualité et durée de la collecte des données : Le coût moyen du questionnaire papier dans la collecte de données est estimé à environ 1,5 fois supérieur par rapport à SurveyCTO. Pour l’étude du Niger, la collecte de données a pris huit jours, contre deux semaines pour une enquête basée sur un questionnaire imprimé pour un échantillon de la même taille. En outre, la qualité des données collectées à l’aide de SurveyCTO est supérieure, ce logiciel intégrant une fonction de vérification et l’équipe d’enquête étant en mesure de fournir immédiatement les avis recueillis à la communauté. Par ailleurs, SurveyCTO est à même d’améliorer la qualité des données en suivant, en temps réel et au cours de la collecte, celles qui entrent. Cette fonctionnalité permet d’identifier rapidement les erreurs d’enquête, d’aider les sondeurs ayant besoin de supervision et de déceler les erreurs et les disparités à corriger. Pour les évaluateurs africains, cet outil sera bénéfique dans des enquêtes auprès des ménages, surtout celles destinées à des évaluations d’impact et pour lesquelles les tailles des échantillons sont cruciales. La réduction du coût induite par le recours à SurveyCTO peut s’illustrer par des évaluations de bonne qualité et par la production accrue de connaissances évaluatives.

Participants au projet Groupe de comparaison

Commune Villages/associations paysannes choisis de manière aléatoire dans les communautés touchées par l’intervention

Ménages/agriculteurs participant au projet

Ménages/agriculteurs interrogés

Commune Villages/associations paysannes choisis dans les communautés retenues à des fins de comparaison

Ménages/agriculteurs interrogés au sein des communautés retenues à des fins de comparaison

Banibangou Banibangou 320 147 Banibangou Garbey 200

Soumatt 392 153 Gossou 204

Total 712 300 404

Tableau 1 : Tailles des groupes échantillons retenus pour l’intervention et le contrôle

85


❚ Sécurité des données : Les inquiétudes suscitées par la propriété privée des données ont créé une propension à les retenir dans les pays ou dans les institutions et entreprises3. Les problèmes de propriété privée des données et de cybersécurité continuent de s’aggraver, sous l’influence des cas de violation à grande échelle tels que le vol des données de Capital One, qui a compromis les informations privées sur plus de 100 millions de consommateurs (FBI 2019). SurveyCTO fait face à la vulnérabilité d’Internet en offrant à ses utilisateurs les niveaux les plus élevés de sécurité de données par le biais du cryptage de bout en bout. Les utilisateurs finaux génèrent et contrôlent entièrement une paire de clés public-privé utilisée pour crypter et décrypter des données. Ainsi, si des données sont volées ou violées de quelque manière que ce soit, elles demeurent sécurisées, à condition que la clé de cryptage n’ait pas été aussi volée ou compromise. Cette fonctionnalité peut être utilisée par des évaluateurs, surtout pour les évaluations d’opérations non souveraines ou du secteur privé, dont la confidentialité des données est optimale.

❚ Principe de respect et d’éthique : Le consentement est un critère éthique et légal en évaluation. À cet effet, toutes les évaluations devraient être conçues et conduites dans le strict respect des droits, des valeurs et de l’intégrité physique des parties prenantes et de leurs communautés. Les évaluateurs devraient respecter la dignité et les valeurs humaines de tous les acteurs (personnes ou groupes) du processus d’évaluation, de sorte que personne ne se sente contraint, menacé ou blessé physiquement ou culturellement ou en raison de ses croyances religieuses. Les résultats des évaluations devraient être également la propriété des parties prenantes, et les limites des méthodes employées devraient être spécifiées.

La vie privée devrait être préservée durant le processus d’évaluation pour minimiser des influences excessives sur les évaluateurs – c’est pourquoi le consentement devrait toujours être le préalable avant tout entretien. SurveyCTO a pour propriété unique la capacité d’être programmé de façon à empêcher les sondeurs de poursuivre un entretien si l’espace prévu pour le consentement n’est pas signé. Ce « déclencheur » garantit le strict respect des lignes directrices éthiques.

❚ Une plus forte mobilisation communautaire à travers une rétroaction à temps : L’éthique impose aux personnes interrogées qui consacrent leur temps à participer à des enquêtes auprès des ménages de fermer la chaîne de rétroaction, et les évaluateurs à leur tour doivent partager les résultats/conclusions de l’enquête avec les fournisseurs de données. Cette pratique n’est pas la norme, et lorsqu’elle a lieu, c’est souvent bien après la clôture de l’enquête. L’utilisation de la technologie pour rassembler des données permet de traiter ces données en temps réel. Le partage des données d’enquête avec les communautés s’effectue alors presque immédiatement, même lorsque le travail de terrain est encore en cours, ce qui peut améliorer l’engagement et la participation avec les communautés sondées. Une fois de plus, cela facilite le partage de connaissances et la hiérarchisation des besoins communautaires.

❚ Enquête dans un environnement multilingue : SurveyCTO permet de concevoir des enquêtes en de multiples langues, et cela inclut le texte du questionnaire, les options de réponse, les astuces et même tout autre média (images, clips audio et clips vidéo, etc.). Le nombre de langues pouvant être programmées n’est pas limité, et les personnes interrogées peuvent

86


passer d’une langue à une autre en cas de besoin. Cette fonctionnalité est prometteuse non seulement pour des institutions internationales telles que la Banque, qui effectue des évaluations dans des environnements multilingues et ethnoculturellement complexes, mais également pour les évaluateurs qui enquêtent auprès des personnes en langues locales. Cette flexibilité dans la conception d’enquêtes culturellement nuancées et spécifiques à chaque langue peut stimuler la participation et améliorer la validité et la fiabilité des réponses des participants.

Défis liés à SurveycTO

Comme pour toutes les technologies, des problèmes techniques peuvent saper ou perturber la qualité et la faisabilité du processus de collecte de données à l’aide de SurveyCTO. L’un de ces problèmes est lié aux différents niveaux d’alphabétisme technologique. Si les recenseurs ne se sont pas familiarisés avec des appareils mobiles/tablettes, la qualité des données collectées peut en pâtir. L’autre problème se rapporte aux conditions météorologiques (la poussière et l’humidité, par exemple), qui peuvent avoir un impact négatif sur le fonctionnement des appareils.

Dans le cas du Niger, le projet a négocié ces défis en formant les enquêteurs à un bon maniement (navigation) des appareils. Les enquêteurs et leurs superviseurs ont reçu des lignes directrices et des fiches-conseils de dépannage. Pour parer aux intempéries (poussière et dégâts dus aux pluies), des sacs munis de fermetures étaient utilisés. Toutefois, les appareils ont chauffé sous les fortes températures du Niger et étaient donc difficiles à tenir pendant longtemps. L’autre problème rencontré était le vol d’appareils. Si ce problème n’est pas résolu, il peut entraîner la perte de

données précieuses ainsi que des retards, les recenseurs étant dans ce cas obligés d’interroger à nouveau les participants.

conclusion

L’évaluation d’impact au Niger permet de voir comment les TIC, et particulièrement SurveyCTO, peuvent apporter de la valeur ajoutée et jouer un rôle clé dans une évaluation. La sécurité des données, la responsabilisation, l’exactitude, le respect des délais et le coût ont été considérablement améliorés. Les organisations disposant de la technologie nécessaire devraient recourir à des enquêtes numériques, dans la mesure du possible. Des plateformes telles que SurveyCTO permettent à différents évaluateurs de rationaliser, organiser et évaluer leur travail de collecte de données en temps réel sur le terrain. Ils peuvent facilement soumettre leurs formulaires à distance aux fins de revue/vérification immédiate, améliorant ainsi la productivité et minimisant les délais. Cela influe positivement sur la validité de l’étude et réduit le temps et les ressources consacrés au toilettage des données pour les affecter plutôt à des tâches telles que la transmission des résultats obtenus aux communautés. SurveyCTO offre également des tableaux de bord solides et des rapports automatisés, ce qui améliore davantage la confidentialité, la sécurité des données et l’efficacité. Des enquêtes peuvent être effectuées en ligne et les données autotransmises une fois que la connexion Internet est rétablie, minimisant ainsi le stress lié au travail dans des zones reculées ou ayant une connexion limitée.

Pour les évaluateurs africains, un tel outil est particulièrement prometteur, surtout compte tenu des restrictions imposées à beaucoup d’entre eux par la pandémie de la COVID -19.

87


À p

ropo

s de

l'au

teur

Andrew Anguko est Conseiller en chef chargé de la qualité et des méthodes à l’Évaluation indépendante du développement de la Banque africaine de développement. Avant de rejoindre la Banque, Andrew était Directeur du S&E d’un projet Eau, assainissement et hygiène financé par l’USAID au Kenya. Bien avant, il a servi en qualité de Conseil en évaluation d’impact global chez Oxfam (Grande-Bretagne), où il avait fourni des conseils sur les outils, méthodes et processus nécessaires pour conduire des évaluations d’impact rigoureuses sur les projets d’Oxfam. Entre autres expériences, Andrew a occupé les postes suivants : Conseiller principal en S&E à Danya International au Kenya ; Spécialiste en S&E à Malaria Consortium en Ouganda ; et Analyste de données senior à American Centres for Disease Control and Prevention (CDC). Il est titulaire d’un master (M.Sc.) en biostatistique et épidémiologie de la Wits University (Afrique du Sud) et d’un autre master, en statistiques médicales, de l’Université de Nairobi (Kenya). Il est également titulaire d’une licence en foresterie, d’un diplôme de second cycle en éducation (Université Moi du Kenya) et d’un certificat en analyse de données longitudinales (Université du Colorado, Boulder, aux États-Unis).

Références

Caeyers, B., Chalmers, N. & De Weerdt, J. (2013) Improving consumption measurement and other survey data through CAPI: Evidence from a randomized experiment, Journal of Development Economics, Vol. 98, 1, May 2012, pp. 19–33.

Caliendo, M. & Kopeinig, S. (2008) Some practical guidance for the implementation of propensity score matching. Journal of Economic Surveys,21:31–72.

FBI (2019) Capital one Data Breach. Available at https://edition.cnn.com/2019/07/29/business/capital-one-data-breach/index.html

Lombardini, S., Pretari, A. & Tomkys Valteri, E. (2018) Going Digital: Improving data quality with digital data collection Available at : https://policy-practice.oxfam.org.uk/publications/going-digital-improving-data-quality-with-digital-data-collection-620522

Oxfam (2019) Livelihoods in Niger: Impact evaluation of the ‘Community based integrated water resource management project’

Tomkys Valteri, E. & Lombardini, S. (2015) Going Digital: Using digital technology to conduct Oxfam’s Effectiveness Reviews. Oxford : Oxfam., UK. Available at : https://policy-practice.oxfam.org.uk/publications/going-digital-using-digital-technology-to-conduct-oxfams-effectiveness-reviews-578816

Annotations

1. SurveyCTO est un logiciel qui rassemble des données via des téléphones/tablettes androïdes ou Internet, à travers des entretiens personnels (entretiens assistés par ordinateur, par exemple) ou le téléphone (entretiens assistés par téléphone - CATI).

2. Pour en savoir plus sur ces huit étapes, voir Tomkys et al. (2015).

3. Le domaine de la sécurité des données a nettement changé avec l'adoption du Règlement général sur la protection des données de 2018, qui a introduit des normes strictes de traitement de données personnelles sensibles et des sanctions sévères pour les pirates.

88

https://edition.cnn.com/2019/07/29/business/capital-one-data-breach/index.html

https://edition.cnn.com/2019/07/29/business/capital-one-data-breach/index.html

https://policy-practice.oxfam.org.uk/publications/going-digital-improving-data-quality-with-digital-data-collection-620522

https://policy-practice.oxfam.org.uk/publications/going-digital-improving-data-quality-with-digital-data-collection-620522

https://policy-practice.oxfam.org.uk/publications/going-digital-using-digital-technology-to-conduct-oxfams-effectiveness-reviews-578816



L’actualité en images


pour atteindre les Objectifs de Développement Durable : Comment les parlementaires africains peuvent-ils catalyser le progrès ?

L'AGA devrait attirer des présidents de l’Assemblée Nationale/Sénat, des députés et des sénateurs de toute l'Afrique, ainsi que des représentants des partenaires de développement et des centres d'expertise tels que la BAD, le PNUD, l'UNICEF, l'ONU-Femmes, EvalPartners, CLEAR (Centres d'apprentissage sur l'évaluation et les résultats), le Forum mondial des parlementaires sur l'évaluation (GPFE) et le Réseau francophone de l'évaluation (RFE). Sont également attendus, des représentants des parlements régionaux africains.

En savoir plus :

http://idev.afdb.org/fr/news/le-maroc-va-accueillir-la-sixième-assemblée-générale-annuelle-de-lapnode

L’ac

tual

ité e

n im

ages

Le Maroc va accueillir la sixième Assemblée générale annuelle de l'APNODE

La sixième Assemblée générale annuelle (AGA) du Réseau des Parlementaires Africains pour l'Evaluation du Développement (APNODE) se tiendra à Rabat, au Maroc, à l'invitation de la Chambre des conseillers du Royaume. Initialement prévue pour juillet 2020, l'AGA a dû être reportée en raison des restrictions de voyage liées à la pandémie de la COVID-19. La nouvelle date sera annoncée dès que possible.

Guidée par le thème du renforcement du contrôle parlementaire pour un développement transformateur, l'AGA réfléchira, entre autres, sur les cinq premières années de l'APNODE pour aller de l'avant au cours des cinq prochaines. Le forum organisera également deux tables rondes de haut niveau sur les thèmes suivants : a) Renforcer le contrôle parlementaire pour un développement transformateur - Quels sont les impératifs stratégiques ? et b) 10 ans

90







IDEV publie son Rapport annuel 2019

Pour IDEV, l’année 2019 a permis d’aider la Banque et ses Pays membres régionaux à transformer l’expérience en connaissance et en apprentissage par le biais d’évaluations indépendantes, et à atteindre leurs objectifs de développement dans la perspective du Top 5 de la Banque, du Programme de développement durable à l’horizon 2030 et de l’Agenda 2063 de l’Union africaine. IDEV a livré 13 produits d'évaluation tout en menant et facilitant des évaluations, des événements de partage des connaissances et des activités de renforcement des capacités dans plus de 26 pays d'Afrique.

Les évaluations d'IDEV ont éclairé les discussions et les décisions de haut niveau, comme celles sur la 7ème

augmentation générale du capital de la Banque et la 15ème reconstitution du Fonds africain de développement. Elle a également introduit de nouveaux produits d'évaluation répondant aux besoins en connaissances exprimés par le Conseil d'administration et la Direction de la Banque, et ses évaluations ont contribué à l'amélioration continue par la Banque de ses systèmes, processus et mécanismes nécessaires pour remplir son mandat.

Le rapport est disponible en français et en anglais. Il est présenté plus en détail sur une page dédiée: idev.afdb.org/fr/RA2019

En savoir plus :

http://idev.afdb.org/fr/news/idev-publié-son-rapport-annuel-2019

DE L’ EXPÉRIENCE À LA CONNAISSANCE ET L’APPRENTISSAGE

2019

91

http://idev.afdb.org/fr/RA2019





Les parlementaires africains partagent leur expérience du suivi des progrès vers les objectifs de développement durable des Nations Unies dans le cadre de la semaine d'évaluation gLOCAL

Dans le cadre de sa contribution à la semaine d'évaluation gLOCAL qui a eu lieu du 1er au 5 juin 2020, IDEV a facilité un webinaire co-organisé par le Réseau des parlementaires africains sur l'évaluation du développement (APNODE) et le Centre pour l’apprentissage sur l’évaluation et les résultats - Afrique anglophone (CLEAR-AA). Le webinaire, qui s'est tenu le 5 juin 2020, visait à partager les expériences des parlements en i) identifiant les priorités nationales des ODD, ii) fournissant des orientations sur leur mise en œuvre pour garantir que les actions nationales reflètent et répondent aux besoins et circonstances spécifiques nationaux, et iii) suivant et surveillant les progrès nationaux vers la réalisation des ODD.

Plus de 50 participants de toute l'Afrique et au-delà ont assisté au webinaire qui était co-modéré par M. Kobena Hanson d'IDEV et Mme Hermine Engel de CLEAR-AA.

Hon. Evelyn Naomi Mpagi-Kaabule, ancienne députée de l'Ouganda et présidente de l'APNODE, et l'Hon. Stanley Kakubo, membre de l'Assemblée nationale de Zambie et Président par intérim de la section nationale zambienne de l'APNODE, ont servi de

panelistes et partagé leurs expériences dans la mise en œuvre et le suivi des progrès vers les ODD. Dans leur exposé, ils ont exploré les facteurs de réussite et les bonnes pratiques pour suivre les progrès des ODD tels que les structures, les partenariats et les actions explicites mises en place pour faciliter cela.

En savoir plus :

http://idev.afdb.org/fr/news/les-parlementaires-africains-partagent-leur-expérience-du-suivi-des-progrès-vers-les-objectifs

92

https://www.glocalevalweek.org/fr

http://idev.afdb.org/fr/document/mise-en-%C5%93uvre-du-programme-des-nations-unies-2030-et-ses-odd-que-font-les-parlements

http://idev.afdb.org/fr/page/r%C3%A9seau-des-parlementaires-africains-pour-levaluation-du-d%C3%A9veloppement-apnode

https://www.wits.ac.za/clear-aa/







Boîte à outils pourles évaluation rapides

Antonio Hercules

Avril 2019

CONTENU1. Introduction 2. Conception d’évaluation rapide 3. Produits 4. Références et lectures complémentaires

REPUBLIC OF SOUTH AFRICA

Planning, monitoring& evaluationDepartment:Planning, Monitoring and Evaluation

Webinaires d’IDEV

L’évaluation rapide

Ce webinaire tenu le 3 juin 2020 a présenté une introduction aux évaluations rapides, leur objectif général entre autres approches de l’évaluation, et leur approche et méthodologie. Les avantages et les limites ainsi que l'offre de valeur générale des évaluations rapides ont également été présentés. Plusieurs exemples concrets ont été utilisés pour illustrer l'approche: une évaluation rapide de la

disposition des entreprises publiques d'Afrique du Sud à assumer la fonction d'évaluation, et leur inclusion dans le système national d'évaluation, ainsi qu'une évaluation rapide des cours de formation en évaluation du DPME dispensés de 2012 à 2018 aux ministères nationaux et provinciaux et aux bureaux des premiers ministres.

En savoir plus :

http://idev.afdb.org/fr/document/webinaire-sur-l’évaluation-rapide

93



Frai

chem

ent

pub

liéÉvaluation de l’appui de la BAD au secteur de l'eau (2005-2016)

Au-delà du développement des infrastructures : vers la prestation de services et le changement de comportement

Ce rapport résume les conclusions, les enseignements et les recommandations d'une évaluation indépendante de l’appui fourni par le Groupe de la Banque africaine de développement au secteur de l'eau de 2005 à 2016. Cela comprend l’appui à l'approvisionnement en eau potable et à l'assainissement dans le contexte urbain et rural (3,7 milliards d'UC sur la période d'évaluation) et pour la gestion de l'eau agricole (2,2 milliards d'UC). L'évaluation vise à éclairer les stratégies et l'approche opérationnelle de la Banque en matière d'assistance au secteur de l'eau en examinant

Atteindre les populations les plus vulnérables : Intensifier les services d’approvisionnement en eau potable et d’assainissement en milieu urbain

Ce rapport résume les résultats d'une évaluation groupée de 15 projets d'approvisionnement en eau potable et d'assainissement en milieu urbain (AEPAU) financés par la BAD qui ont été mis en œuvre dans 12 pays africains entre 2001 et 2016, pour une valeur de 342 millions d'UC. L'évaluation a analysé la performance (pertinence, efficacité, efficience et durabilité) des projets sélectionnés et a tiré des enseignements pour la conception et la mise en œuvre des futurs projets d’AEPAU conformément à l’une des 5 priorités (Top 5) de la

dans quelle mesure la Banque a contribué au développement du secteur de l'eau dans les pays africains et en identifiant les enseignements sur la manière dont la Banque peut contribuer le plus efficacement à l'amélioration de la performance du secteur.

En savoir plus :

http://idev.afdb.org/fr/document/évaluation-de-l’appui-de-la-bad-au-secteur-de-l’eau-2005-2016-au-delà-du-développement-d

Une

éval

uatio

n se

ctor

ielle

IDEV

February 2018Janvier 2020

Au-delà du développement d’infrastructure : vers la prestation de

services et le changement de comportement

Evaluation de l’appui de la BAD au secteur de l’eau (2005-2016)

Rapport de synthèse

Une

éval

uatio

n gr

oupé

e de

pro

jets

IDEV

Janvier 2020

Atteindre les populations les plus vulnérables :

Intensifier les services d’approvisionnement en eau

potable et assainissement en milieu urbain


Banque relative à l'amélioration de la qualité de vie des Africains.

En savoir plus :

http://idev.afdb.org/fr/document/atteindre-les-populations-les-plus-vulnérables-intensifier-les-services-d’approvisionnement











Fraichement publié

Vers une approche de prestation de services pour l'approvisionnement en eau potable et l'assainissement en milieu rural

Ce rapport synthétise les résultats d'une évaluation groupée de 16 projets d'approvisionnement en eau potable et d'assainissement en milieu rural (AEPAR) financés par la BAD qui ont été mis en œuvre dans 13 pays africains au cours de la période 2000-2017, pour un montant de 365 millions d'UC. L'évaluation a examiné la performance des projets et a tiré des enseignements pertinents pour la politique et la pratique de conception et de mise en œuvre des futurs projets d’AEPAR. Elle a évalué la pertinence, l'efficacité, l'efficience et la durabilité des projets, la mesure dans laquelle les résultats escomptés des projets ont été atteints et les facteurs qui ont facilité ou limité leur réalisation.

En savoir plus :

https://idev.afdb.org/fr/document/vers-une-approche-de-prestation-de-services-pour-lapprovisionnement-en-eau-et

Renforcer la gestion de l’eau agricole pour « Nourrir l’Afrique »

Ce rapport résume les résultats d'une évaluation groupée de neuf projets de gestion de l'eau agricole (GEA) financés par la BAD dans sept pays africains, qui ont été mis en œuvre entre 2005 et 2016, pour une valeur totale de 150 millions d'UC. Il vise à éclairer la conception et la mise en œuvre des futures interventions de GEA de la Banque dans le cadre de sa Stratégie Nourrir l’Afrique. L'évaluation examine les résultats des projets (en évaluant la pertinence, l'efficacité, l'efficience et la durabilité) et distille les enseignements que la Banque et ses parties prenantes, y compris les gouvernements, la société civile et les agences de développement, peuvent utiliser dans les futures interventions de GEA.

En savoir plus :

http://idev.afdb.org/fr/document/renforcer-la-gestion-de-l’eau-en-agriculture-pour-nourrir-l’afrique

Une

éval

uatio

n gr

oupé

e de

pro

jets

IDEV

Vers une approche de prestation de services dans le domaine de

l’approvisionnement en eau potable et assainissement en milieu rural


Janvier 2020

Janvier 2020

Renforcer la gestion de l’eau agricole pour

« Nourrir l’Afrique »Rapport d'évaluation groupée

Une

éval

uatio

n gr

oupé

e de

pro

jets

IDEV

95








Editions précédentes

http://idev.afdb.org/fr/document/des-évaluations-adaptées-à-lafrique-volume-2-applications-pratiques

http://idev.afdb.org/fr/document/promouvoir-une-culture-de-l’évaluation-en-2020-et-au-delà

Premier trimestre 2019 : Des évaluations adaptées à l’Afrique - volume 2 : Applications pratiquesCe second volume sur les évaluations adaptées à l’Afrique (EAA) explore les applications

pratiques des évaluations endogènes et la façon dont elles peuvent donner un coup

d’accélérateur aux pactes de développement de l’Afrique que sont le Programme 2030 des

Nations Unies et ses ODD, et l’Agenda 2063 de la Commission de l’Union africaine. Les

contributeurs ont également examiné l’application du concept d’EAA et à quoi renvoient les

évaluations EAA dans les faits.

Premier trimestre 2020 : Promouvoir une culture d’évaluation en 2020 et au-delàCette édition examine des pensées et stratégies nouvelles concernant la promotion d’une

culture d’évaluation. Les contributeurs traitent individuellement et collectivement des questions

du « pourquoi ? », du « quoi ? » et du « comment ? » en posant les problématiques suivantes :

Pourquoi avons-nous besoin d’une culture d’évaluation ? À quoi devrait ressembler une

culture d’évaluation ? Comment peut-on instaurer une culture d’évaluation ? Quels processus,

politiques et outils sont-ils nécessaires à cet égard ?

eVALU

ation M

atters: Des évaluatio

ns adap

tées à l'Afriq

ueeVA

LU

Quatrièm

e trimestre 2019

eVAL

U

Des évaluations adaptées à l'Afrique

Quatrième trimestre 2019


eVALUation Matters

Volume 2:Applications pratiquesidev.afdb.org



Tél: +225 20 26 28 41

Courriel: [email protected]

EM Q4-2019-(Fr) cover.indd 1-3 18/02/2020 10:07 AM

Promouvoir une culture de l’évaluation

en 2020 et au-delà

Premier trimestre 2020


eVALUation Matters

idev.afdb.org



Tél : +225 20 26 28 41


eVALU

ation M

atters : Pro

mo

uvoir une culture d

e l’évaluation en 2020 et au-d

elà eVA

LU

Prem

ier trimestre 2020

Cover-EM Q1-2020-(Fr)-.indd 1-3 25/06/2020 4:09 PM

http://idev.afdb.org/fr/document/des-évaluations-adaptées-à-lafrique-volume-1-approches-théoriques

Troisième trimestre 2019 : Des évaluations adaptées à l’Afrique - volume 1 : Approches théoriquesCe volume de l’édition aborde les approches théoriques favorables à une évaluation « adaptée

à l’Afrique », examinant les outils et techniques locaux et la manière dont ils peuvent accélérer

la réalisation du programme de développement de l’Afrique. Les contributeurs se sont penchés

sur des questions clés telles que : Que faut-il entendre par « évaluation adaptée à l’Afrique »

et en quoi est-elle différente d’autres approches ? Quel est l’apport unique de la perspective

cognitive africaine au champ évaluatif ? Comment les pays devraient-ils procéder pour créer

des pratiques évaluatives locales ?

Deuxième trimestre 2019 : Meilleures pratiques et innovation en évaluationCette édition met en lumière les pratiques optimales et les innovations susceptibles de renforcer

la culture d’évaluation. Les contributeurs ont partagé leurs expériences en matière d’application

de techniques innovantes à des évaluations de projets de développement rural, d’approches

novatrices à des évaluations d’impact environnemental, de méthodes mieux élaborées pour

l’étude de la durabilité, du suivi de processus, et de la meilleure technique du changement.

http://idev.afdb.org/fr/document/meilleures-pratiques-et-innovation-en-évaluation

eVALU

ation M

atters: Des évaluatio

ns adap

tées à l'Afriq

ue eVA

LU

eVAL

U

Des évaluations adaptées

à l'Afrique

Troisième trimestre 2019

eVALUation Matters

idev.afdb.org




Tél: +225 20 26 28 41


Troisièm

e trimestre 2019

Volume 1 :Approches théoriques

EM Q3-2019-(Fr) V-6.indd 1-3 29/11/2019 4:39 PM

eVALU

ation M

atters: Meilleures p

ratiques et inno

vation en évaluatio

n eVA

LU

Deuxièm

e trimestre 2019

eVAL

U

idev.afdb.org

Meilleures pratiques et innovation en évaluation


eVALUation MattersPublication trimestrielle de connaissances sur l’évaluation du développement



Tél: +225 20 26 28 41


Editions précédentes96

http://bit.ly/2RzbTPL

http://idev.afdb.org/fr/document/des-évaluations-adaptées-à-lafrique-volume-2-applications-pratiques


http://idev.afdb.org/fr/document/promouvoir-une-culture-de-l’évaluation-en-2020-et-au-delà


http://idev.afdb.org/fr/document/des-évaluations-adaptées-à-lafrique-volume-1-approches-théoriques

http://idev.afdb.org/fr/document/meilleures-pratiques-et-innovation-en-évaluation

eVALU

ation M

atters: Prép


u futur : big

data, techno

log

ies mo

dernes et évo

lution d

es prio


e dévelo

pp

ement d

ans le mo

nde

eVAL

U

eVALU

ation M

atters: Prép


u futur : big

data, techno

log

ies mo

dernes et évo

lution d

es prio


e dévelo

pp

ement d

ans le mo

nde

eVAL

UD

euxième trim

estre 2020

Préparer l’évaluation du futur : big data,

technologies modernes et évolution des priorités en

matière de développement dans le monde

idev.afdb.org



Tél: +225 20 26 28 41


evaluation matters · 2020. 8. 17. · evaluation matters idev.afdb.org banque africaine de...

Documents