Capital racine : mesurer l'impact du financement des petites entreprises agricoles en croissance

L'agriculture représente un tiers du produit intérieur brut et les trois quarts de l'emploi en Afrique subsaharienne, mais les rendements et la productivité agricoles sont les plus faibles de toutes les régions du monde.¹ Bien que de nombreux efforts soient en cours pour améliorer les revenus des agriculteurs pauvres, un certain nombre de faiblesses du marché entravent ces efforts, notamment la médiocrité des infrastructures, le manque de services de soutien agricole et de crédit, et la difficulté d'accéder aux marchés internationaux.

Root Capital est un investisseur d'impact qui cherche à résoudre certains des problèmes de marché affectant les ruraux pauvres. Il fournit des prêts et une formation en gestion financière aux petites entreprises agricoles en croissance, qui achètent directement auprès des petits exploitants agricoles et revendent à des distributeurs plus importants. L'assistance de Root Capital est conçue pour aider les petites entreprises agroalimentaires en croissance à acheter des produits de meilleure qualité à des volumes plus élevés et avec une plus grande cohérence auprès des petits agriculteurs. Depuis sa création en 1999, Root Capital a déboursé plus de 900 millions de dollars en prêts à plus de 600 entreprises rurales et a travaillé avec plus d'un million de ménages ruraux dans 30 pays d'Afrique et d'Amérique latine.

Pour gérer son portefeuille important et en pleine croissance, Root Capital a développé un système de surveillance de taille appropriée qui reflète les principes CART. L'organisation collecte des données orientées vers l'action pour éclairer les décisions clés et démontre un engagement envers la haute qualité des données. L'amélioration continue du système de suivi et l'utilisation d'outils innovants qui intègrent les performances financières, sociales et environnementales dans la prise de décision reflètent un engagement à utiliser les données pour l'apprentissage, l'action et l'amélioration. 

La taille des prêts de Root Capital et la nature de leur travail avec les petites entreprises en croissance posent un défi pour une évaluation d'impact crédible à l'aide d'un groupe de comparaison sélectionné au hasard. Les interventions dans la chaîne de valeur comme celles de Root Capital sont généralement conçues pour apporter des changements à plusieurs étapes de la chaîne de valeur agricole et impliquent généralement de travailler avec un nombre limité d'organisations à la fois avec des prêts relativement importants. Les évaluations randomisées ne sont souvent pas réalisables car la taille de l'échantillon est trop petite pour générer des résultats valides.

Cette étude de cas se concentre sur le principe de crédibilité de Goldilocks et sur le défi de mesurer l'impact des prêts aux petites entreprises en croissance. La stratégie de mesure actuelle de Root Capital a utilisé une approche de discontinuité de régression quasi-expérimentale mise en œuvre par un chercheur indépendant. Cette étude semble valider des éléments importants de la théorie du changement de Root Capital.

Root Capital a également mis en place des enquêtes auprès des agriculteurs avec des groupes de comparaison pour estimer l'impact du programme sur les entreprises et les agriculteurs. Cependant, étant donné qu'il n'est probablement pas possible d'identifier un contrefactuel crédible pour l'évaluation d'impact, nous recommandons que Root Capital se concentre sur l'analyse de l'analyse de rentabilisation des agriculteurs qui travaillent avec les entreprises agroalimentaires. Si une telle analyse révélait que les agriculteurs réalisaient un bénéfice plus important après avoir travaillé avec l'entreprise, cela aiderait à valider la théorie du changement du programme, même si cela ne démontrerait pas que le programme a causé le changement.

Des leçons pour les autres

1. Sachez quand ne pas mesurer l'impact.

Une analyse de données crédible implique de comprendre quand mesurer l'impact, et aussi quand ne pas le faire. Même si des données de haute qualité sont disponibles, il n'est pas possible d'identifier un contrefactuel valide pour mesurer l'impact pour tous les programmes. Une comparaison qui souffre d'un biais de sélection n'est pas une preuve crédible de causalité et peut ne pas être la meilleure utilisation de ressources analytiques et financières rares - ce qui signifie qu'elle ne respecterait pas le principe de responsabilité du CART.

2. Évitez les méthodes d'évaluation complexes dans la mesure du possible.

Les méthodes d'évaluation d'impact quasi-expérimentales peuvent parfois être une bonne alternative lorsqu'un essai contrôlé randomisé n'est pas réalisable, mais ces méthodes sont complexes et présentent également un certain nombre de limites, notamment des défis techniques et des coûts potentiellement élevés. Les organisations de mise en œuvre doivent éviter d'investir beaucoup de ressources dans des méthodes qui nécessitent un grand nombre d'hypothèses, une grande quantité de collecte de données supplémentaires ou nécessitent un niveau élevé de connaissances statistiques pour les valider. Des méthodes plus simples de recherche opérationnelle, telles que l'utilisation de la discontinuité de la régression pour examiner les effets de différents traitements, peuvent fournir des preuves d'impact ainsi qu'un apprentissage utile du programme à un coût raisonnable.

3. Envisagez d'évaluer le modèle d'entreprise plutôt que de mesurer l'impact.

Lorsqu'il n'est pas possible de mesurer l'impact, une organisation d'entreprise sociale pourrait envisager d'évaluer la proposition commerciale d'un investissement. Bien qu'une telle estimation ne puisse attribuer aucun retour sur investissement positif au programme ou à l'investissement (c'est-à-dire qu'elle ne peut pas montrer que le programme a causé le changement), des retours négatifs peuvent être un indicateur que le programme ne fonctionne pas comme prévu. Ces données, en particulier lorsqu'elles sont combinées avec les données d'adoption et d'engagement des utilisateurs finaux, peuvent éclairer la manière dont le modèle peut être renforcé.