Comment les décideurs politiques peuvent-ils éviter d'être pris à contre-pied par les événements du « cygne noir » tels que la crise financière mondiale, quand leur modélisation s'avère limitée et rigide ? Un projet utilise des algorithmes sophistiqués qui utilisent des données localisées pour une meilleure prévision.

La crise financière mondiale (GFC) qui a débuté en 2008 a incité à repenser les prévisions économiques. La modélisation est depuis longtemps un outil de gestion standard pour les banques centrales pour évaluer les perspectives économiques mondiales et nationales, qui sous-tendent ensuite les politiques monétaires.

Cependant, avec des économies en constante évolution, si les modèles n'intègrent pas la capacité de refléter ces changements, les politiques qui en découlent, bien que peut-être approprié pour le passé, peut ne plus être viable. Une grande partie du défi des prévisions économiques réside dans la difficulté d'identifier ces changements, les déclencheurs individuels qui contribuent à façonner la macroéconomie, exigeant des politiques correctives pour compenser les conséquences négatives.

Le projet de politique monétaire post-GFC financé par l'UE a proposé une nouvelle méthodologie qui, en intégrant des données locales, a cherché une réaction plus rapide aux changements macroéconomiques que les méthodologies existantes ne le permettaient. Le projet a trouvé qu'il portait ses fruits en prenant la tarification des soins de santé comme indicateur de succès politique, mais était moins applicable à la politique monétaire, lors de l'examen des données financières.

Utiliser les données locales comme prédicteurs de changement

L'un des problèmes des modèles économiques traditionnels est que beaucoup fonctionnent selon des principes de régression linéaire, à coefficients constants. Ici, les effets sont considérés comme constants dans le temps. Cependant, comme le dit la Dre Isabel Casas, boursière Marie Curie, "Réellement, dans le monde réel, les effets changent au fil du temps car ils réagissent au climat économique plus large ou à des chocs économiques ou financiers soudains et inattendus. » Par conséquent, ces modèles ne peuvent que refléter réellement des tendances très générales, créant quelque chose qui s'apparente à une valeur moyenne des effets changeants.

Une méthode pour contrer cette limitation consiste à appliquer une régression non paramétrique, où le modèle lui-même est en fait construit par les données, plutôt que d'être construit à partir de prédicteurs prédéterminés. Expliquant l'efficacité de la méthodologie, le Dr Casas dit :"La relation entre deux variables quelconques change avec le temps, que ce soit des jours, semaines ou années. Les méthodologies que nous avons utilisées peuvent détecter ces changements automatiquement, donnant une image moins biaisée de la réalité."

Les informations du projet provenaient de données localisées afin de représenter les effets variant dans le temps. Les chercheurs ont créé un package statistique appelé tvReg, en utilisant le langage de programmation R, qui a appliqué des algorithmes de coefficients variant dans le temps aux données. En raison de leur complexité de programmation, ces algorithmes ont été, jusqu'à maintenant, largement l'apanage des spécialistes.

L'application de la politique monétaire de la méthodologie utilisée des données financières, incluant des variables mesurant la production industrielle, taux d'intérêt à court et à long terme, inflation, données de change et Credit Default Swaps. Cependant, les chercheurs ont découvert que la modélisation ne produisait pas de résultats prédictifs différents de ceux générés par la modélisation traditionnelle, concluant que cette technique variant dans le temps n'offrait pas un avantage significatif pour ces données.

D'autre part, en ce qui concerne l'application de la politique de santé, une approche qu'ils ont adoptée consistait à examiner dans quelle mesure les soins de santé peuvent être considérés comme un produit de luxe dans les pays de l'UE et de l'OCDE.

Leurs conclusions diffèrent des résultats précédents dans la littérature où les soins de santé ont toujours été positionnés (sur la base du prix) comme un produit de luxe dans l'UE. Le Dr Casas conclut, "Il est clair que les pays de l'UE convergent vers des politiques communes, avec le prix des soins de santé assez stable au fil des ans et moins cher que dans l'ensemble des pays de l'OCDE, nous pouvons donc voir que les politiques de santé après 2008 dans l'UE évoluent dans la bonne direction."

La prochaine étape de la recherche est de se concentrer sur la modélisation qui prévoit le comportement des processus dans d'autres contextes, comme celles pour la production d'énergie renouvelable à partir de données océaniques, qui comprend des informations sur la houle, marée, hauteur du vent ou des vagues. Cela s'avérera bénéfique tant pour les producteurs que pour les consommateurs sur le marché de l'électricité de l'UE.