Pourquoi votre modèle ne permet pas de prédire l’avenir

Dans un modèle complexe, il est très difficile d’identifier les variables qui comptent et surtout les relations de causalité qui les relient.

Partager sur:
Sauvegarder cet article
Aimer cet article 0

Promouvoir la liberté n’est pas gratuit

Mais cela peut aider à réduire vos impôts de 66%

Faites un don dès maintenant

Faire un don

Pourquoi votre modèle ne permet pas de prédire l’avenir

Publié le 10 octobre 2017
- A +

Par Philippe Silberzahn.

La modélisation est l’une des approches utilisées pour anticiper l’avenir. Son utilisation est extrêmement courante, surtout en économie. Regardons quelles en sont les limites.

La modélisation consiste à construire une représentation simplifiée du système dont on souhaite étudier l’évolution sur la base d’un certain nombre de variables et de relations entre ces variables, c’est-à-dire de lois empiriques.

C’est ce que fait typiquement l’INSEE avec son modèle de l’économie française MESANGE qui comporte 500 équations. On fait ensuite ‘tourner’ ce modèle pour prédire.

Modèles sophistiqués en économie et en finance

Les modèles sont énormément utilisés en économie et en finance, et ils atteignent souvent un degré de sophistication important, surtout depuis que les puissances de calcul disponibles sont presque infinies.

Le problème est que, quelles que soient son ambition et la capacité de l’ordinateur qui va le faire ‘tourner’, un modèle est nécessairement une simplification de la réalité. Il ne peut pas comprendre toutes les variables et leurs relations du système considéré.

C’est en particulier vrai des systèmes complexes. De tels systèmes sont ouverts, c’est-à-dire que le nombre de variables qui les régissent est potentiellement infini. Il va donc falloir à un moment cesser d’inclure certaines règles et certaines variables. C’est la fameuse distinction entre la carte et le territoire lui-même que celle-ci est censée représenter.

La carte indique les chemins, les déclinaisons et les cours d’eau, mais pas les arbres et les fleurs qui sont considérées comme inutiles pour celui qui cherche sa route. La finalité du modèle amène donc à privilégier certaines variables et à en exclure d’autres. Cette simplification est la condition sine qua none de la réalisation du modèle.

L’amélioration marginale du modèle

Dans un système compliqué, une telle exclusion n’est pas très difficile car on est capable de déterminer les variables qui sont importantes et celles qui ne le sont pas.

Plus on en inclut, mieux on représente le comportement du système, et au bout d’un moment le progrès devient marginal, l’inclusion d’une règle ou d’une variable supplémentaire n’améliore plus que marginalement la représentativité du système : il y a une progression linéaire vers l’optimum. C’est ainsi qu’un simulateur de vol peut remplir parfaitement son objet parce que l’avion est un objet compliqué.

Mais dans le cas d’un système complexe il en va tout autrement. Il est très difficile d’identifier les variables qui comptent et surtout les relations de causalité qui les relient.

Imaginez que vous êtes un analyste chargé de rédiger un rapport sur la Tunisie à l’été 2010. Si vous devez modéliser l’évolution du pays, il est peu probable que vous incluiez un modeste vendeur de rue nommé Mohamed Bouazizi dans votre modèle de ‘risque pays’.

La singularité et le modèle

Ce-faisant, vous avez raté la variable-clé, et votre modèle s’effondre. Au contraire de l’approche modélisante, ce sont les incongruités qu’il faut rechercher. Comme le souligne le chercheur Philippe Baumard, discerner ce qui est stratégique implique leur étude systématique et l’on entre alors dans une confrontation entre la singularité (ou l’inédit) et le modèle.

Claude Shannon, un des pères de la théorie de l’information, estimait également que c’est à l’information nouvelle et surprenante qu’il faut faire attention car elle a plus de valeur que celle qui continue une suite existante. C’est une remarque profonde car elle contredit directement la pratique de la modélisation qui consiste, précisément, à supprimer les exceptions, considérées comme aberrantes.

La nature non-linéaire des systèmes auxquels nous sommes confrontés fait qu’une approximation oublie le détail important, celui précisément qui compte, ce que nous avons vu plus haut avec notre exemple tunisien.

C’est ce que Nassim Taleb a capturé avec la notion d’Extrémistan : un tout petit détail (du moins ce qui est vu comme tel par le concepteur du modèle) peut faire basculer le système, qu’il est dès lors bien difficile de modéliser.

Les limites de la modélisation

Le prospectiviste Bertrand de Jouvenel notait ainsi :

Il est assez vain de prévoir les conséquences de quelques facteurs artificiellement isolés lorsqu’ils auront à jouer en fait au milieu d’un grand nombre d’autres dont précisément l’étude abstraite n’a pas tenu compte.

Comme le remarque pudiquement, et sans doute avec humour, l’article de Wikipedia sur le modèle MESANGE de l’INSEE, dans sa rubrique ‘limites’, et qui vaut la peine d’être cité in extenso :

Le comportement de l’économie dépend de plus en plus d’une spéculation financière mondialisée, du comportement des banques (cf. crise économique de 2008-2010) et le comportement des consommateurs comporte lui-même beaucoup d’incertitudes, et reste difficile à modéliser (par exemple en cas de crise prolongée (épargne de précaution, moindre investissement des ménages…), d’effet de lassitude à consommer, de guerre, de pandémie mondiale grave, en cas d’évènement grave (Ex : « Effet Tchernobyl » en Ukraine ou Belarus), ou au contraire en cas d’innovation inattendue (Ex : l’internet et la téléphonie mobile n’avait pas été prévue par les prospectivistes et les modèles antérieurs). Des phénomènes nouveaux peuvent se poser, avec l’épuisement de ressources naturelles, la montée de la mer ou simplement dans le cadre d’un vieillissement de population (effet retard du baby boom, dit papy boom) qui devrait atteindre un pic en France vers 2030 avant de décroître.

Reconnaître la nouveauté

N’en jetez plus ! En substance, l’immense partie de ce qui va conditionner le comportement du système, c’est-à-dire le résultat final, est totalement imprévisible et non modélisable ; l’exercice est sans espoir, les prévisions sont révisées ad infinitum, mais ça n’arrête nullement nos prévisionnistes. Gageons que grâce aux progrès de la technique, le prochain modèle de MESANGE aura non plus 500, mais 5.000 équations, et qu’il sera toujours aussi vain.

En conclusion, on peut citer l’économiste George Shackle, qui écrivait :

Reconnaître qu’il y a de la nouveauté [novelty], au sens de choses fondamentalement non déductibles susceptibles d’être rencontrées pour la première fois, c’est reconnaître que nous ne pouvons pas construire des modèles qui présenteront le cours de l’histoire d’une société même sur une période limitée.

Cet article est un extrait adapté de mon ouvrage Bienvenue en incertitude !

Sur le web

Voir les commentaires (12)

Laisser un commentaire

Créer un compte Tous les commentaires (12)
  • comment prévoir votre avenir ou projet lorsque les règles changent constamment. …
    ils font une loi ,vous l’appliquer,ils découvrent qu’elle est detournée,un avenant pour y remédier. ..bref ce qui aurait pu être une bonne loi c’est un fiasco….
    et cela fait plus de 40 ans que cela dure ….

  • en ce qui concerne ce qui était la douce France , pas besoin de calcul ni de boule de cristal pour savoir ce qui nous attend….

  • La rédaction du paragraphe limites est loin d’être politiquement neutre. On pourrait craindre que le modèle n’en soit gauchi.

  • « Le comportement de l’économie dépend de plus en plus d’une spéculation financière mondialisée, du comportement des banques (cf. crise économique de 2008-2010) »

    Ces crises ont été engendrées par l’action de l’Etat. La spéculation n’a fait que décider du moment où la crise a explosé.

  • Il est bien évident que si l’on oublie un phénomène clef dans un modèle, la prévision a peu de chances d’être juste (quoi que parfois certains défauts se compensent tout comme une horloge arrêtée donne l’heure juste deux fois par jour !). Mais même si tous les phénomènes pertinents sont pris en compte, encore faut il qu’il soient reliés par des relations fiables. Souvent ces relations sont empiriques (les exemple abondent en mécanique des fluides), au mieux le modèle ne peut donc fonctionner qu’en mode interpolation (ou légère extrapolation) et s’effondre dès que le point de fonctionnement se déplace vers des régions inexplorées où la loi empirique ne vaut plus rien. En physique, il est cependant possible de se raccrocher à l’expérience et même de monter des expériences adhoc. En économie c’est bien pire car il est difficile d’expérimenter et les lois utilisées sont souvent très influencées par des idéologies. C’est bien pour cela que l’économie en tant que science est encore très en retard sur les sciences dures.

  • En tout cas, s’il est un domaine où les modèles sont de vastes fumisteries, c’est bien le climat!

  • un modèle prévoit tout à fait l’avenir fut il complexe si il utilise une description parfaite du monde, si il utilise es lois causales de façon parfaite.
    Bon le monde réel, description imparfaite, lois simplifiées….
    En fait ce qui est difficile est de connaitre les limites de prédiction d’un modèles quand on sait qu’il ne décrit pas parfaitement le monde et qu’il utilise des lois causales nécessairement simplifiées.

    C’est la vraie question…donner les limites de prédictions d’un modèle ..
    quand on utilise des lois ad hoc… ça peut être nul.
    Les modèles météo par exemple ne savent pas faire, ils donnent un indice de confiance qui est un indice de convergence .

    • remarque…dans un monde complexe qui commence à plus d’une interaction ! , on est incapable d’utiliser des lois causales correctes , on approxime.

  • L’économie n’est qu’une énorme machine à transformer des ressources naturelles en produits finis grâce à l’énergie, les services ne sont que des sous-ensembles du système productif. Comme les économistes ne regardent que les prix et non les ressources en quantités, ils n’ont jamais regardé les bons indicateurs sur ce qui se passe comme la consommation de l’énergie versus PIB!

  • Les commentaires sont fermés.

Promouvoir la liberté n’est pas gratuit

Mais cela peut aider à réduire vos impôts de 66%

Faites un don dès maintenant

Faire un don

Par Peter St-Onge et Gael Campan. Un article de l'Institut économique de Montréal

Le déconfinement continue à s’opérer de façon graduelle au Canada. Mais alors que certains parlent d’une deuxième vague, il est plus important que jamais de se questionner sur le bien-fondé du confinement. Voici une critique du modèle épidémiologique du professeur Neil Ferguson ayant mené au confinement du pays.

Avant la mi-mars, la plupart des Canadiens considéraient la COVID-19 comme un problème affectant l’étranger. L’accent était mis sur le ret... Poursuivre la lecture

Les données sont l’or noir du XXIe siècle. Elles sont une nouvelle source de savoirs. Les prochaines connaissances seront inférées à partir de données collectées en masse. Leurs pouvoirs de prédiction seront à la base de toutes les décisions à venir.

Les questions concernant la collecte, l’utilisation et la commercialisation des données personnelles se posent avec un intérêt qui va croissant. Comme souvent, l’évolution technologique impose son rythme. Internet, les smartphones et, demain, des objets connectés, la 5G, les réseaux satell... Poursuivre la lecture

Par Philippe Silberzahn.

Il était assez certain que face à l’épidémie du coronavirus, nous allions chercher à identifier ceux qui l’avaient prédite, car le paradigme prédictif nous obsède.

Et ça n’a pas raté : certains ont ressorti un rapport de la CIA qui contient une double page évoquant le risque d’une pandémie, d’autres une vidéo de Bill Gates avertissant lui aussi sur ce risque. Nul doute qu’on nous ressortira bientôt une petite grand-mère du Lubéron qui, elle aussi, évoquait depuis un moment une pandémie à venir, et qu’ell... Poursuivre la lecture

Voir plus d'articles