Pièges et limites des modèles
et prévisions économiques


Imperfections des modèles mathématiques
pour anticiper les phénomènes économiques


Des phénomènes "mous" et incertains liés aux comportements humains
et sociaux peuvent démentir toutes les prévisions.

Ils rentrent mal dans des modèles économiques à bases de logique
binaire, mathématiques linéaires, données historiques et lois de
probabilité précises.

Cette situation d'incertitude affecte aussi les modèles de gestion.

fog La réalité est souvent embrumée.
Pas facile de la piéger dans la boîte noire !

Pourquoi des prévisions ? 
Les modèles sont-ils utiles ?

Un jeu fondamental de l'être humain ; l'anticipation

Un trait fondamental de l'être humain, par rapport tant à la laitue qu'au
mouflon, interrogez les éthologues, est son effort pour anticiper, y
compris à long terme,
ce qui pourrait arriver dans le milieu où il
s'ébat, tant au niveau de son jardin que de l'univers.

Il vise par là, au delà de la simple curiosité, à disposer
d'hypothèses sur le
futur afin de prendre les
meilleu
res  decision décisions.

C'est cette tendance à la "spéculation" au sens général - quelque soit la
diabolisation qui se veut bien-pensante souvent attachée à ce mot - qui
fait le propre des humains.
Cela explique pourquoi le "jeu de la
telescope prédiction" a apporté
une large gamme d'outils
, allant du hautement fantaisiste et
superstitieux à l'approche se voulant scientifique.
Le problème est:
Quelle est l'efficacité de ces outils,

aussi rationnels soient-ils ?

Quels sont les pièges et limites du jeu ?
econsector L'économie, le pays privilégié
          des modèles de prevision

Obtenir des prévisions économiques est un besoin évident des
individus, des entreprises, des institutions, cela afin de:

* Préparer et adapter leurs projets à moyen / long terme
     impliquant notamment de ...l'argent
* Et aussi prendre des décisions face aux évènements
    en cours

Beaucoup de gens font pour cela - à la façon des turfistes - la chasse aux
pronostics.
Ils utilisent - ou comptent sur des experts censés le faire - les meilleures
données disponibles et les méthodes et modèles considérés comme les
plus objectifs.

Censés combiner de bons ingrédients selon de bonnes recettes, ces
modèles brassent quantité de
données statistiques, (big data) à
l'aide de
mathématiques sophistiquées. Par exemple elles
utilisent

* les
probabilités, issues de nombreuses études au cours du temps sur
   les  jeux de hasard, mais qui pour être fiables supposent certaines
   conditions sur lesquelles nous reviendrons.

* la recherche de corrélations statistiques entre des évolutions de
   phénomènes différents mais pouvant être liés. 
   En dehors bien sûr de simples coïncidences ou interprétations
   superficielles propices aux heuristiques de disponibilités ou de
   représentation ....voire aux superstitions.

* le repérage de tendances nouvelles aaun niveau des données
   collectées, mais dont rien ne garantit qu'elles soient pérennes ni
   significatives au niveau des conséquences possibles.

Auusi louable soit-il que les outils les plus techniquement avancés, et
les données les plus abondantes soient utilisés pour simuler la réalité
et réaliser ces analyses et prévisions
il y a un risque qu'elles soient
affectées par une
confiance excessive
  • dans les nombres connus et utilisés (travers numériques)
Même le "big data" n'avance pas au dela du passé et du présent,
certes peut détecter des inflexions déjà amorcées, des situations
précédentes  ayant quelque similarité mais qu'il serait risque de
considérer identiques, mais n'a pas la
faculté de l'être humain de
produire des idées nouvelles et des
scénarios inédits.
  • dans des hypothèses censées rationnelles, mais en réalité  subjectives
          sur ce qui relie ces paramètres.

Eh oui, ces modèles sont parfois assez myopes (on parlerait de taupes
modèles, si cet article n'était pas si sérieux :-).

Plusieurs failles et obstacles
, décrits ci-dessous, peuvent perturber
aussi bien les données dont ils se gavent que les
méthodes culinaires
qu'ils utilisent pour en tirer une potée comestible.
=> Cela peut rendre leur utilisation dangereuse.

Les caractéristiques économiques
que les modèles ont du mal à refléter

Quand les réalités débordent du corset des équations

Des réactions humaines et sociales biaisées

Les consommateurs, producteurs, investisseurs, emprunteurs, prêteurs,
entreprises, institutions publiques peuvent réagir de façon imprévue.
Ils sont en effet sujets à divers
biais comportementaux.

Ces effets capricieux s'accordent mal à des équations mathématiques et aux
recours à des données statistiques du passé.
Dans leurs actions, les gens trouvent un malin plaisir, même quand ce n'est
pas forcément ce qu'ils visent, à contourner les plus beaux calculs.

C'est d'ailleurs plutôt rassurant qu'ils gardent la main, encore qu'il n'y ait pas
toujours de stratégie très construite dans certaines de leurs
action actions
et
reaction réactions.

Des situations non binaires

La logique binary binaire ("oui ou non", "vrai ou faux", "0 ou 1", "noir ou
blanc") parait mal adaptée lorsque le raisonnement s'applique à :
  • Des phénomènes "soft",
notamment ceux qui impliquent des personnes et les sociétés
humaines
.
pour lesquels les probabilités sont inconnues / non mesurables /
non pertinentes (situation d'
incertitude).

La logique floue, la théorie du curseur ou encore les probabilités
bayésiennes
qui partent de scénarios pourraient aider à faire un meilleur
travail, du moins dans des domaines très mouvants.
Plus généralement, l'incertitude dans la vie économique, comme dans la
vie ordinaire, peut rendre illusoire la dépendance inconditionnelle "aux
prévisions" bien ficelées.
Il vaut mieux se préparer à de
éventail nombreux scénarios, dont les
extrêmes
, que  de trouver un faux confort dans une prévision donnant un
chiffre ou un schéma précis (pseudo-certitude) .

Seulement voilà, cette sagesse se heurte souvent:
  • A la "vision tunnel" de l'Homme
et une certaine aversion mentale de sa part aux fourchettes de
prévisions de par une préférence
un peu magique, pour
étayer ses décisions, en une estimation apparement précise
réduite à un seul nombre
qui apportent aux décideurs des prévisions toutes cuites.

Des évolutions non linéaires

Les équilibres et évolutions économiques sont rarement stables.
Ils sont souvent le jeu de percolations, bifurcations et
autres
jump sautes plus ou moins brusques propres
aux
systèmes dynamiques.

Ces évènements "perturbateurs", ces caprices économiques, doivent
exclure de faire des prévisions simplement en prolongeant (*) sur une
nappe en papier de restaurant routier, en consensus avec Bébert, Zaza
et Manolo (ah, les consensus d'experts, voir plus bas la section à ce sujet),
des courbes statistiques de
tendances passées, et en lançant avec un
certain chic :

"Nous avons extrapolé les moyennes mobiles à partir d'une
autorégression linéaire affinée par un lissage exponentiel
tout en débiaisant les données aberrantes".

(*) là encore sauf dans des cas très courants où l'on peut se contenter de
      routines de calcul, s'agit pas de to
ut compliquer, mais de préciser quand
      même alors la marge potentielle d'erreurs
(fourchette) ou un coefficient /
      degré de confiance.


Excès de confiance envers les probabilités
historiques et les lois mathématiques

Utiliser des chiffres et des équations donent une impression de rationalité,

qui peut être illusoire.
  • Les séries statistiques historiques de durée trop courte
L'heuristique de disponibilité peut se manifester à ce niveau : on
pense que les évènements récents préfigurent la suite.


* On applique là sans réfléchir
la "loi des petits nombres" sur la
   base d'échantillons tellement petits qu'ils
peuvent donner une
   image inverse de la véritable situation ou évolution


* on peut passer à côté d' "événements rares " (qui n'arrivent
   que quand ils se produisent, selon Pierre Dac) pouvant
être
   dramatiques tels que la"tempête cinquantenaire",
et qu'il est
   essentiel d'avoir prévu pour avoir des parades déjà prêtes.
(loi de Gauss, de Pareto ...).
Elles
ne s'appliquent pas toujours parfaitement.
Certes, ignorer les probabilités de base est piloter en
aveugle
. Mais il faut-il être conscient que ces lois appliquées
aux phénomènes humains et sociaux, supposent une
certaine
indépendance de comportement des acteurs
entre eux
Cela est loin  d'être acquis du fait des phénomènes d'imitation
entre ceux-ci

Elles sont pourtant largement utilisées comme hypothèses
dans de nombreux modèles.  Les distributions statistiques et les
graphiques qui les représentent (courbe en cloche, en L...) sont
facilement entachés de distorsions
, asymétries, "queues
épaisses" (cas extrèmes gonflant les deux bouts du graphique),
creux et bosses correspondant à des "amas" de données, profil
leptokurtique (à la fois queues boursouflées et sommet pointu,
turlututu) ...
  • Les données du passé peuvent être sans objet
C"est le cas de circonstances et situations complétement
nouvelles.

Règne alors l'
incertitude n'ayant pas grand chose à voir
avec des risques au sens statistique
, autrement dit qui
seraient mesurables.
Entre nous, elle règne même dans des situations courantes qui
semblent  sans surprises.

Les chiffres, aussi précieux soient-ils, ne disent pas tout (biais de
 numératie
), il peut être bon de prendre des précautions telles que :
  • Examiner, chaque fois que possible, non seulement les nombres,
mais les choses directement sur le terrain.
  • Et surtout, anticiper.
Se demander quelle sera la prochaine étape, et la suivante après
celle-ci, au lieu d'extrapoler les courbes du passé !
Les modèles peuvent être améliorées en
imaginant de nouveaux
scénarios
à entrer comme
paramètres pour pouvoir rapidement
répérer ces situations possibles dès qu'elles donnent des
signes
d'émerger.
Enfin le traitement massif de "big data" (voir plus bas) peut
détecter des évolutions noyées dans la masse des informations

Instinct grégaire chez les experts

Les experts tendent à
* utiliser des équations hypothèses, données communes ou assez similaires,
* aussi imiter leurs collègues par crainte de se tromper seul.
=> Cela peut apporter une consensus superficiel fondé sur ce
        qui apparaît comme les facteurs les plus saillants, ce qui n'aide
        à détecter les forces cachées pouvant renverser la situation.
Une autre écueil, déja signalé, est que les décideurs tendent à demander
aux experts de leur fournir une seule projection / un nombre précis
 le plus probable
(par exemple concernant le taux d'inflation, le taux de
croissance du PIB, le bénéfice par action, les taux de change, l'indice
boursier... )
=> Cette prévision qui donne un seul résultat, un seul nombre
        prévu, ignore tous les autres scénarios essentiels pour
        prendre une décision qui prépare à ces éventualités (plan
        B. .. ). Ce genre de myopie numéraire a déjà été traité plus
        haut.
Leçons techniques à tirer
des modèles économiques

Au secours des économistes


Les modèles économiques, et en conséquence, l'économie elle même ( la
«science funeste) et les économistes, sont actuellement très critiqués
sinon ridiculisés.
Cela ne signifie pas que les économistes doivent se recycler comme pizzaïolo,
ce qui certes peut nourrir son homme tout en étant utile, ni que les modèles
économiques soient à rejetter définitivement.

Cela incite plutôt à ce que les modèles intégrent plus d'"intelligence artificielle"
(à base d'intelligence humaine si possible) soient conçus de façon plus souple
et ajustable sur la base de scénarios prenant en compte ce qui pourrait
être de vraies "surprises"
(par exemple pas seulement les variations
courantes d'évaluation détectées par les modèles d'arbitrages financiers)

telles que :
  • Non seulement des événements extrêmes
venant de perturbations quasi mécaniques propres à tout système
dynamique.
Par exemple, un écueil accidentel mais qui change tout.
  • Mais aussi les éléments «soft»
notamment les éventuelles modifications des attitudes des acteurs
économiques

De plus l'arrivée du "big data" (traitement d'énormes masses de données

pouvant
sembler disparates) permet

* d'aller beaucoup plus loin dans la recherche de corrélations
   à la fois dans le
temps et dans la diversité des domaines pouvant
   interférer,


* aussi de détecter plus rapidement de nouvelles tendances à
   partir d'un cumul
de signaux et appliquer des probabilités
   bayésiennes
aux évolutions discernées.

Et les modèles utilisés en gestion?

Une trop grande confiance dans les modèles quantitatifs pour le
buysell trading boursier
, qui oublient les évênements rares (voir
"
probabilités") peut aboutir à des drames.

Quant aux systèmes informatiques de gestion des entreprises,
utilisés par exemple en support d'une direction par objectifs, par un
manager ou contrôleur de gestion ne fait pas son métier si,

* d'une part il ne va pas voir la réalité de terrain,
* d'autre part n'anticipe pas les évolutions internes et externes.

Un sujet voisin est  trop de confiance dans les réglementations et
une trop grande l'attention portée au suivi de données qui s'y réfèrent et
ne sont pas forcément pertinentes pour détecter ce qui pose problème,
plutôt que d'avoir des observateurs curieux et responsables.

Retour à collection : articles de finance migrés depuis Knol
Retour à collection : articles d'économie migrés depuis Knol
Retour à collection : articles de marketing / management migrés de Knol

Visites de cette page avant migration depuis Knol : 1,9 k


M.a.j. / updated : 05 août 2015
All my ex-knols / Tous mes ex knols
Disclaimer / Avertissement légal

This site tracked by OneStat.com. Get your own free site tracker.