Programmes

 

La question de l' "incertitude" concernant les informations disponibles et l'application des criteres CITES

 

L'incertitude

Maintes décisions concernant les ressources naturelles doivent être prises dans un contexte d'incertitude. Plus nous découvrons la nature, plus il est évident que nos connaissances sont extrêmement limitées. Des facteurs complexes, tels que les processus se déroulant dans les écosystèmes, sont très mal connus; pourtant, alors même que l'action de l'homme affecte les écosystèmes naturels, les processus biologiques continuent de se modifier. On peut même dire que le milieu naturel change plus rapidement que jamais en raison des effets de facteurs anthropiques tels que le réchauffement du climat. Outre l'incertitude scientifique, nous sommes aussi confrontés à l'incertitude liée à la prise de décisions, qui résulte de priorités et de systèmes de valeurs différents.

La CITES et l'incertitude

L'incertitude peut affecter le processus de prise de décisions et devrait être explicitement reconnue. Dans le contexte de la révision des critères d'inscription CITES, l'Article II de la Convention reconnaît dans une certaine mesure l'incertitude, dans les paragraphes 1 et 2a:

1. L'Annexe I comprend toutes les espèces menacées d'extinction qui sont ou POURRAIENT ETRE affectées par le commerce.

2. L'Annexe II comprend

a) toutes les espèces qui, bien que n'étant pas nécessairement menacées actuellement d'extinction, POURRAIENT le devenir si le commerce des spécimens de ces espèces n'était pas soumis à une réglementation stricte ….

De plus, les nouveaux critères d'inscription énoncés dans la résolution Conf. 9.24 donnent certaines orientations – face à l'incertitude – concernant la situation biologique d'une espèce ou les effets du commerce sur la conservation d'une espèce, recommandant d'évoquer dans ce cas le principe de précaution.

Quelle est l'importance de l'incertitude?

L'incertitude étant incontournable, y a-t-il des moyens d'en déterminer l'importance dans différentes situations? Peut-on déterminer si certaines situations sont moins incertaines que d'autres, et donc que nos décisions seront probablement plus solidement fondées lorsque nous sommes plus sûrs des données et des processus?

Bien que les nouveaux critères d'inscription CITES soient plus objectifs et plus quantitatifs que les critères de Berne, ils ne s'en appuient pas moins sur la déduction et la projection dans l'estimation des valeurs de paramètres particuliers; or, pour de nombreuses espèces examinées, les données complètes qui permettaient d'évaluer l'état de conservation ou les effets du commerce peuvent manquer. De plus, les données sont souvent évaluées avec une incertitude considérable due à des erreurs de mesure, à la variation naturelle et au flou des définitions et des paramètres utilisés dans les critères. Différentes interprétations de ces données incertaines par différents évaluateurs peuvent conduire à une incohérence dans la classification des espèces par rapport aux critères.

Depuis les années 1970, des techniques s'appuyant largement sur l'ordinateur ont été développées et peuvent être utilisées pour intégrer les sources d'incertitude dans un cadre statistique rigoureux. Cette évaluation du risque, combinée à l'analyse des décisions, offre un cadre dans lequel prendre les décisions de gestion dans un monde incertain et a été utilisée en économie, en épidémiologie et dans la gestion des pêches. L'application de ces techniques à la biologie dans le cadre de la conservation a été évaluée par Harwood (2000). Cependant, dans le contexte de la CITES, si ces méthodes peuvent s'avérer utiles pour les espèces bien connues, au sujet desquelles des données sont disponibles, elles peuvent ne pas être aussi utiles pour les espèces moins connues.

Méthodes de prise en compte l'incertitude dans la prise de décisions

Pour surmonter ces problèmes, une méthode de prise en compte l'incertitude a été élaborée pour être appliquée aux critères actuels des Listes rouges de l'UICN; elle vise à apporter une aide dans la prise de décisions en améliorant la transparence des décisions fondées sur des données incertaines (Akcakaya et autres, sous presse). Cette méthode peut aussi être utile dans l'application des critères CITES. En résumé, la méthode s'appuie sur l'arithmétique et la logique floues (voir à l'Annexe 1), qui sont utilisées pour intégrer les divers types d'incertitude inhérents aux systèmes de classification tels que les critères des Listes rouges ou les critères d'inscription CITES. En traitant de l'incertitude, les personnes qui font les évaluations des Listes rouges ou des annexes CITES peuvent avoir des attitudes différentes face à l'incertitude. D'un côté, l'évaluateur peut intégrer un intervalle de valeurs possibles d'un quelconque paramètre, de manière à limiter les éventuelles contestations sur une définition étroite des critères, et donc avoir une faible tolérance à la contestation. De l'autre, il peut vouloir limiter le risque de faire une évaluation erronée au vu de l'incertitude, et donc prendre peut-être le risque inverse.

Un logiciel a été développé pour traiter de l'incertitude et des différents niveaux de tolérance à la contestation et de tolérance au risque rencontrés en faisant les évaluations des Listes rouges de l'UICN (logiciel Ramas Red List). Ce logiciel donne la meilleure estimation de la catégorie des Listes rouges dans laquelle entre l'espèce, ainsi qu'une gamme de catégories possibles. Ainsi, une espèce peut, par exemple, être classée comme "en danger" mais en intégrant davantage d'incertitude, sa classification pourrait aller de "en danger critique" à "vulnérable" (voir fig. 3 à l'Annexe 1).

Différences entre les critères d'inscription CITES et les critères des Listes rouges de l'UICN

Bien que les critères des Listes rouges de l'UICN et les critères CITES aient été développés parallèlement, ils diffèrent par plusieurs aspects fondamentaux. Les critères biologiques CITES d'inscription d'espèces à l'Annexe I, comme les critères des Listes rouges de l'UICN, utilisent les estimations de taille de population, d'étendue de l'aire de répartition et de changements dans les taux de déclin comme substituts des paramètres d'histoire naturelle servant à évaluer le risque probable d'extinction. La grande différence entre les deux systèmes est que les valeurs numériques de la CITES doivent être considérées comme des indications et non comme des seuils, et que rien n'indique quand les valeurs numériques sont pertinentes (ou ne le sont pas), ni quelles bornes, supérieure et inférieure, (± 10% par exemple) pourraient être appropriées. En outre, l'espèce telle que définie par la CITES, peut aussi renvoyer à une sous-espèce ou à une population géographiquement isolée. Ainsi, la décision selon laquelle une espèce remplit les critères d'inscription à l'Annexe I peut être encore moins certaine que la décision selon laquelle une espèce entre dans une des catégories de menace de l'UICN. Quoiqu'il en soit, l'approche floue pourrait encore être applicable si les lignes directrices CITES étaient traduites en indications chiffrées floues telles qu'une taille de population totale de 5000 ± 500.

L'applicabilité des critères biologiques CITES d'inscription à l'Annexe I (et des critères des Listes rouges de l'UICN) à tous les groupes taxonomiques a fait l'objet d'un débat considérable. Ainsi, la FAO, au cours d'une récente consultation sur l'applicabilité des critères d'inscription CITES aux espèces marines, a avancé que ces espèces ont des stratégies de vie très différentes de celles d'autres groupes taxonomiques; il y a également eu un débat sur l'applicabilité des critères aux espèces à longue durée de vie, telles que les arbres. Toutefois, après une étude complète, l'UICN a conclu que des organismes d'un large éventail de groupes taxonomiques peuvent manifester des stratégies de vie données et que, par exemple, les stratégies des poissons marins et des arbres ne diffèrent pas de celles déployées par une série d'autres organismes. Si certains estiment que les valeurs numériques de la CITES devraient être pondérées par un trait biologique tel que la taille du corps, ce trait est en fait déjà intégré dans les critères par le biais de la durée d'une génération, les deux éléments étant généralement bien corrélés. Dans l'application des critères biologiques, l'important est de savoir que différents taxons rempliront différents critères. En conséquence, à condition de prendre en compte des facteurs tels que la gestion, etc., il est vraisemblable que les indications quantitatives auront la même solidité pour tout l'éventail taxonomique. Ainsi, dans les propositions concernant la population mondiale d'une espèce, les indications numériques pourraient probablement être considérées comme des seuils, ou comme des seuils flous mais avec des logiciels appropriés développés pour traiter l'incertitude. il faudrait approfondir les indications numériques, etc., en appliquant les critères à des populations autres que mondiales. Le logiciel Ramas Red List n'a pas encore été développé pour traiter les Listes rouges de l'UICN au niveau national.

Conclusion

L'impératif prédominant dans l'utilisation des critères est que les décisions soient objectives et transparentes et que les critères soient applicables généralement – sans faire de certains taxons des cas particuliers. Intégrer des méthodes pour traiter l'incertitude rendrait la prise de décisions plus explicite et faciliterait la révision régulière et le suivi des décisions d'inscription en cas d'évolution des circonstances.

Références

Akcakaya, H.R.; Ferson, S.; Burgman, M.A.; Keith,D.A.; Mace,G.M.; and Todd, C.R. In press. Making consistent IUCN Classifications under uncertainty. Biological Conservation.

Harwood, J. 2000. Risk Assessment and decision analysis in conservation. Biological Conservation, 95, p219-226.

 

 

Commentaires plus détaillés sur les méthodes traitant de l'incertitude et sur les différentes attitudes face à l'incertitude
adoptées dans la classification dans les Listes rouges

Sources d'incertitude

L'incertitude dans l'application des critères des Listes rouges ou des critères d'inscription CITES a trois origines principales: l'erreur dans la mesure, l'incertitude sémantique, et la variabilité naturelle. L'erreur dans la mesure est la source d'incertitude la plus commune; si elle peut souvent être estimée à partir de la théorie d'échantillonnage, il faut pour cela étayer des hypothèses sur le caractère indépendant et aléatoire des échantillons – hypothèses qui, souvent, ne sont pas confortées par le type de données réunies pour les évaluations des Listes rouges et les évaluations CITES. L'incertitude sémantique pose peut-être moins de problèmes; elle survient quand des définitions inexactes sont utilisées dans les critères ou quand différents utilisateurs interprètent différemment des définitions apparemment claires. Ainsi, par exemple, dans la résolution Conf. 9.24 Annexe 5, on parle de "fluctuations importantes" pour des espèces dont la taille de population varie considérablement, rapidement et fréquemment. Chacun des mots "considérablement", "rapidement" et "fréquemment" peut être interprété différemment par les différents utilisateurs et peut donc être une source d'incertitude. De même, le "déclin" est défini comme une réduction du nombre d'individus. Différents utilisateurs pourraient l'interpréter comme le nombre total d'individus ou le nombre d'individus matures, etc. Bien que des définitions plus précises puissent être utiles, il est peu probable que toutes les composantes de l'incertitude sémantique puissent être supprimées; en fait, les supprimer toutes ferait perdre aux critères une bonne partie du caractère général qui est le leur. La dernière source d'incertitude est celle résultant de la variation naturelle, temporelle et spatiale, des paramètres particuliers qui sont évalués.

Représentation de l'incertitude par des nombres flous

Quand différents types d'incertitude sont confondus, l'un des moyens les plus simples de représenter l'incertitude est d'indiquer la meilleure estimation du paramètre en question en même temps qu'un intervalle de valeurs possibles de ce paramètre. Ainsi, par exemple, la meilleure estimation d'une population totale peut-être de 90 individus, le chiffre réel étant compris entre 70 et 120 individus. Cette donnée peut être représentée sous forme d'un nombre triangulaire flou (voir fig. 1). Graphiquement, ce nombre est représenté par un triangle, avec, en son sommet – là où l'on est le moins sûr que la population est effectivement de cette taille (incertitude maximale) – une valeur ponctuelle d'estimation de la population totale. L'intervalle de l'estimation (70 à 120) est représenté par la base du triangle, là où l'on est le plus sûr que la valeur se situe dans cet intervalle (incertitude minimale). Ainsi, si la taille de population est indiquée en abscisse, l'ordonnée est le niveau de possibilité (non de probabilité) que l'estimation de cette population soit exacte. Le niveau de possibilité donne la mesure inverse de la certitude que le paramètre est compris dans l'intervalle à ce niveau. Dans d'autres cas, il peut ne pas y avoir consensus sur la meilleure estimation de la population totale, de sorte que plutôt qu'une valeur sous forme de point, la meilleure estimation de la population totale pourrait être un intervalle (80-100, par exemple). Dans ce cas, le nombre flou a la forme d'un trapèze. Quand les données sont très incertaines, l'intervalle représentant la meilleure estimation peut coïncider avec l'intervalle des valeurs plausibles. En pareil cas, l'objet qui en résulte peut avoir la forme d'un nombre flou rectangulaire. Les nombres flous ne sont pas des répartitions de probabilité mais peuvent être manipulés avec un intervalle arithmétique simple à chaque niveau de possibilité.

Il se peut aussi que certains critères des Listes rouges de l'UICN, voire des critères d'inscription CITES, nécessitent une réponse Oui/Non pour savoir, par exemple, s'il y a des fluctuations extrêmes. Dans ces réponses, on peut exprimer l'incertitude en utilisant des valeurs numériques telles que 0 (Faux) et 1 (Vrai) pour représenter la valeur logique (truth-value) d'une affirmation. Là encore, la possibilité est représentée en ordonnée et la valeur logique en abscisse. La zone couverte par les valeurs exprime ou quantifie l'incertitude associée à une réponse donnée.

Attitudes face à l'incertitude

Des données aussi incertaines peuvent conduire à des classifications incohérentes sur la base des critères des Listes rouges de l'UICN ou des critères d'inscription CITES en raison des différentes attitudes des évaluateurs face à l'incertitude. Les deux aspects fondamentaux des attitudes face au risque sont la tolérance à la contestation (TC) et la tolérance au risque (TR) (voir fig. 2).

Tolérance à la contestation: si l'évaluateur veut éviter que la classification soit contestée, il inclura toutes les valeurs possibles des paramètres examinés et la TC sera proche de 0; on aura donc une faible tolérance à la contestation mais un niveau d'incertitude élevé. D'un autre côté, s'il veut être aussi précis que possible, il fixera la TC plus près de 1 et ne tiendra pas compte des valeurs les plus extrêmes du paramètre évalué, réduisant ainsi l'incertitude.

Tolérance au risque: si l'évaluateur faisant l'évaluation veut éviter le risque d'une classification erronée due à l'incertitude des données, il aura une attitude prudente face au risque. Par contraste, une attitude face au risque fondée sur les faits aboutira à ce qu'un taxon ne soit classé comme "menacé" qu'en présence de preuves solides. La tolérance au risque est représentée en abscisse, sur l'axe des valeurs logiques. Une valeur 0, ou faible tolérance au risque, témoigne d'une aversion du risque et signale une démarche prudente. A l'extrémité opposée, là où la TR est proche de 1, on a une démarche fondée sur les faits, exigeant des preuves solides avant la classification.

Figure 1. Exemple d'un nombre triangulaire flou limité par un triangle (d'après Akcakaya et autres, sous presse)

Méthodes d'évaluation intégrant l'incertitude

En utilisant le logiciel développé pour les évaluations des Listes rouges de l'UICN par Ramas Software, qui utilise les techniques standard d'arithmétique floue, on peut intégrer l'incertitude et la tolérance à la contestation et au risque dans les évaluations des Listes rouges. Ce programme donne la meilleure estimation et la gamme des catégories des Listes rouges dans lesquelles l'espèce peut être classée. L'avantage de ce logiciel est qu'il permet d'articuler les attitudes face au risque et à l'incertitude (voir la figure 2, qui illustre un nombre flou pour une évaluation dans la catégorie "en danger"). La TC y est représentée en ordonnée tandis que la TR y est en abscisse, sur l'axe valeurs logiques.

Figure 2. Un nombre flou (catégorie "en danger" calculée sur la base des critères de l'UICN)
(d'après Akcakaya et autres, sous presse)

En utilisant le logiciel développé pour les évaluations des Listes rouges de l'UICN par Ramas Software, les évaluateurs peuvent à présent traiter explicitement les niveaux d'incertitude et, en étant explicites sur les niveaux de tolérance à la contestation et de tolérance au risque, ils peuvent fournir des évaluations plus transparentes du risque d'extinction encouru par l'espèce en question. Ce logiciel produit une meilleure estimation de la catégorie de menace et de la gamme de catégories dans lesquelles l'espèce pourrait être classée, selon les niveaux de TC et de TR intégrés dans le modèle. Ainsi, par exemple, la meilleure estimation peut indiquer que l'espèce est "en danger" mais la gamme de classifications peut aller de "en danger critique" à "vulnérable" (voir fig. 3). Dans le contexte de la CITES, cela équivaut à une meilleure estimation indiquant que l'espèce remplit les critères d'inscription à l'Annexe I, tandis que l'intervalle peut indiquer que l'espèce pourrait ne pas remplir ces critères.

Figure 3. Exemple de résultat du logiciel Ramas Red List montrant que la meilleure estimation de classification
dans les Listes rouges est la catégorie "en danger" mais que la situation de l'espèce peut aller
de "en danger critique" à "vulnérable"

La méthode de l'UICN est simple et ne requiert que la meilleure estimation et l'intervalle des valeurs plausibles, et non les répartitions de probabilité, etc. Elle reconnaît que différentes personnes peuvent avoir différentes attitudes face au risque et à l'incertitude, et rend explicite les décisions arbitraires. Ainsi, les différences d'attitude de différents évaluateurs utilisant les mêmes données peuvent expliquer des décisions particulières.

Références

Akcakaya, H.R.; Ferson, S.; Burgman, M.A.; Keith,D.A.; Mace,G.M.; and Todd, C.R. In press. Making consistent IUCN Classifications under uncertainty. Biological Conservation.

Harwood, J. 2000. Risk Assessment and decision analysis in conservation. Biological Conservation, 95, p219-226.