Prévision économique

La Prévision économique est l'estimation, le plus souvent par des méthodes économétriques, des valeurs actuelles ou futures de grandeurs économiques.



Catégories :

Théories et modèles économiques - Statistiques

Page(s) en rapport avec ce sujet :

  • Les sections économiques des sites Web des banques canadiennes sont de bonnes sources de prévisions économiques. A titre d'exemple, voir : Banque de Montréal.... (source : bibliotheques.uqam)

La Prévision économique est l'estimation, le plus souvent par des méthodes économétriques, des valeurs actuelles ou futures de grandeurs économiques.

Elle est utilisée par exemple pour estimer l'évolution du PIB ou de l'inflation, et orienter les comportements d'investissement des entreprises ou la politique économique de la banque centrale et du gouvernement.

La prévision économique est toujours incertaine, ainsi qu'aux estimations des valeurs futures sont toujours associés des intervalles de confiance. L'incertitude sur les décisions politiques, les chocs économiques (et les réactions en chaîne qui en découlent) et l'ampleur des cycles économiques rend l'exercice de prévision périlleux. En économie ouverte, les changements dans un pays ont des conséquences sur l'activité économique des partenaires commerciaux.

Certaines variables, comme les taux de change, sont spécifiquement complexes à prévoir. Plusieurs auteurs ont ainsi relevé l'incapacité des experts à anticiper les variations importantes des cours du dollar et la sous-évaluation systématique des mouvements de l'ensemble des grandeurs macro-économiques.

La science économique est une discipline qui a fort évolué depuis les années 1930. Les mécanismes de fonctionnement de l'économie sont désormais mieux compris que par le passé et la gamme des outils et des théories à la disposition des économistes s'est beaucoup étendue. La prévision économique a connu aussi de nombreux développements. Il existe une diversité impressionnante de théories et de techniques qui tentent de répondre à la variété des tâches de prévision économique existant de par le monde. Les progrès de l'informatique ont joué un rôle prépondérant dans l'élargissement du spectre des méthodes de prévision. Compte tenu de la taille énorme prise par la discipline de la prévision économique, nous nous sommes restreints à mentionner certains de ses aspects dans cet article.

Quelques définitions

La prévision

Une prévision peut être définie comme un ensemble de probabilités associées à un ensemble d'événements futurs (Fischhoff, 1994). Cette prévision est basée sur un ensemble d'informations disponibles à l'instant t où elle a été effectuée. Cet ensemble noté Ωt (l'indice temporel t correspond à l'instant t) représente les données disponibles, les connaissances et les théories concernant le phénomène qu'on souhaite prévoir. La prévision au temps t d'horizon h de la variable Y, reconnue comme une variable aléatoire, peut par conséquent s'écrire (Granger et Newbold, 1977) sous la forme d'une fonction de distribution conditionnelle (à la totalité d'informations Ωt)  : G(y) \equiv Prob( Y_{t+h} \le y | \Omega_t )

Prévision ponctuelle - Intervalle de confiance des prévisions

En ce qui concerne les variables numériques (les plus rencontrées en économie), il est plus habituel qu'on se contente en pratique d'apporter une valeur centrale des prévisions, comme la moyenne ou la médiane. On qualifie cette prévision de ponctuelle (point forecast en anglais) et on la note Ft, h. L'autre façon d'exprimer sa prévision est de donner un intervalle de confiance des prévisions (prediction interval) qu'on note  [ F_{t,h}ˆ{-} ,   F_{t,h}ˆ{+} ] . Cela revient à révéler une information partielle sur la fonction de distribution attendue.

Un exemple de prévision centrale : «La croissance du PIB sera de l'ordre de 2% en 2009 en France.» Un exemple d'intervalle de prévision : «Le taux de croissance du PIB fluctuera sera compris entre 1, 75 et 2, 25% en France en 2009.» Dans la pratique, on rencontre des formes hybrides de prévision. Ainsi, un cas habituel est l'évocation d'une limite supérieure des prévisions : «la croissance de l'activité économique ne devrait pas dépasser 2% en 2009.»

Dans ces différents exemples, aucune probabilité n'est associée à la prévision. Dans le cas opposé, on pourrait avoir : «Nous estimons à 95%, la probabilité que le taux de croissance du PIB en 2009 soit compris entre 1, 75 et 2, 25% en 2009.» Les raisons pour lesquelles on préfère communiquer ou publier seulement la valeur centrale des prévisions dans la pratique ont été analysées surtout par Chatfield (1993).

Planification et anticipation

Le prévisionniste n'a généralement pas de contrôle sur le phénomène qu'il essaye de prédire. Dans ce cas, on dit qu'il formule des anticipations. Il existe cependant quelques exceptions. Un entrepreneur qui veut connaître la valeur des ventes futures de sa société a un certain contrôle sur la variable à prédire, étant donné qu'il peut agir directement sur certains de ses déterminants (la politique de prix, le budget de publicité). On parle alors de planification. Formellement, si Ωt + h représente la totalité d'informations couvrant l'intervalle de temps [t, t + h], le planificateur possède le contrôle sur un sous-ensemble  \Omegaˆ*_{t+h} de Ωt + h. Il existe bien entendu des cas intermédiaires entre l'anticipation et la planification, surtout quand le prévisionniste peut agir indirectement sur la variable prédite. Un exemple bien connu en économie est celui des "gourous", des "spécialistes". Par le simple fait d'émettre une prévision, ces "super-agents" peuvent influencer les agents économiques; lesquels vont adapter leur comportement et par conséquence agir sur la variable en question.

Horizon de prévision

L'horizon de prévision (noté h) fluctue de l'immédiat au long terme. Cette notion dépend du domaine étudié mais aussi de l'intervalle de temps s'écoulant entre deux observations successives. Pour des données industrielles mensuelles, le court terme exprime généralement un horizon allant de 3 à 15 mois. Pour des données macroéconomiques annuelles, le court terme est utilisé pour les prévisions d'horizon 1 et 2 ans (que on nomme aussi prévisions conjoncturelles). En finance, pour des données journalières ou disponibles en temps réel, le court terme évoque plutôt l'heure suivante ou le lendemain.

Fonction de perte, de coût

Cette notion exprime le coût, les pertes génèrées par les erreurs de prévision. Elle prend son sens quand la prévision est exprimée sous la forme d'une valeur centrale Ft, h. Formellement, l'erreur de prévision d'horizon h est notée et, h et définie ainsi :   e_{t,h} \equiv  Y_{t+h} - F_{t+h} . Le fait que les erreurs de prévision soient non nulles entraîne des coûts pour les agents économiques qui ont utilisé ces prévisions (firmes, ménage, état) pour prendre des décisions qui s'avèrent non optimales. La fonction de coût notée C (et, h) peut prendre différentes formes. Les plus connues étant les fonctions de coût quadratique et de valeur absolue.

Il existe cependant d'autres fonctions de coût, dont les fonctions de coût asymétriques qui sont habituelles dans la réalité (Granger et Newbold, 1977, citent surtout quelques exemples).

L'objectif du prévisionniste est généralement d'être crédible, c'est-à-dire de minimiser la fonction de coût de son auditoire (la totalité des consommateurs de ses prévisions). S'il est rémunéré par un agent spécifique (par exemple une firme), le prévisionniste professionnel doit se baser sur la fonction de coût personnelle de cet agent. Dans de nombreux cas, le prévisionniste et le consommateur de la prévision sont une même personne (une firme ou un ménage qui souhaite estimer ses revenus futurs). Par contre, s'il n'existe pas de lien direct (un contrat de travail ou un engagement moral) entre le prévisionniste et les consommateurs de sa prévision, il peut y avoir un décalage entre la fonction de coût des agents et la fonction de coût implicite du prévisionniste.

L'évolution des techniques de la prévision économique

Les racines de la prévision économique

Les premières approches structurées de la prévision économique datent du siècle dernier. Ainsi, Juglar a attiré l'attention sur la périodicité apparente des crises économiques et sur la possibilité de les prévoir (voir cycle économique). Un certain nombre de développements en statistiques concernant les phénomènes saisonniers observés pour des séries chronologiques de nature climatique ont lieu à la même époque et sont envisagés pour les séries économiques.

Au début du XXe siècle, les travaux du comité de Harvard connaîtront leur heure de gloire. Ils aboutissent à un dispositif de prévision automatique se basant sur l'ordre de succession de courbes relatives aux sphères financière, réelle et monétaire. La première version de ce dispositif fut mise au point en 1917. Dans l'optique de ce dispositif, il n'y a aucune recherche des causes des fluctuations des séries étudiées; il y a un rejet de tout élément personnel et subjectif pouvant intervenir dans l'élaboration des prévisions.

Le succès rencontré par les travaux de la Harvard School fut à l'origine de la création d'instituts de conjoncture dans un certain nombre de pays industrialisés. La Grande Dépression porta cependant un coup fatal à la prévision automatique et permit d'accorder plus de crédits à des théories, des méthodes jusque là embryonnaires.

Déjà, avant la crise des années trente, les travaux de Moore (1923), Fisher (1925) et Slutsky (1927) dénonçaient le caractère déterministe des cycles économiques. Les travaux de Yule (1927) conférèrent une dimension nouvelle au problème de la prévision statistique : la distinction entre processus déterministe et stochastique étant établie. Dans cette lignée les travaux de Wold, qui introduit en 1938 les modèles ARMA (autoregressive moving average), forment la base de l'actuelle discipline de l'analyse des séries temporelles.

Toujours dans les années 1930, la régression multiple est utilisée à des fins prévisionnelles. En ce qui concerne les prévisions macroéconomiques, l'impulsion décisive est donnée par la conjonction des travaux de Keynes (1936) et du développement en matière de comptabilité nationale. Ces progrès débouchent sur la mise au point par Tinbergen (1939) dans les années 1930 du premier modèle économétrique.

Évolution depuis l'après guerre : la diversification des applications et des techniques

Après guerre, la continuité des travaux de Tinbergen sera assurée surtout par Klein (1950), qui apporte les premières simulations prévisionnelles.

Dans la période de l'après guerre à nos jours, une conjonction de nombreux facteurs va faire avancer l'art de la prévision économique, qu'elle concerne les phénomènes micro, méso ou macroéconomiques et va faire augmenter de façon explosive le nombre des techniques, des procédures de la prévision économique.

Les progrès dans l'informatique ont une part principale dans ces développements. Dans un premier temps, les ordinateurs ont permis d'élargir énormément le nombre de données économiques publiées, de par la réduction des coûts de leur stockage et de leur traitement. D'autre part, leur faculté de calcul rapide et de traitement de volumes d'information de plus en plus grand, ont permis à de nombreuses disciplines de se développer. La statistique et l'économétrie font partie de ces disciplines.

En se développant, l'économétrie — qui forme en quelque sorte un outil de laboratoire de la science économique — a permis de faire progresser cette dernière. Un cercle vertueux apparaissant, les progrès de la science économique nécessitant de nouvelles techniques économétriques et ainsi de suite. Les développements des techniques économétriques applicables à la prévision sont particulièrement nombreux : citons surtout les modèles d'équations simultanées (Zellner, 1962), la causalité (Granger, 1969) les modèles à correction d'erreur et la cointégration (Engle et Granger, 1987).

Les méthodes de prévision "statistiques" se sont aussi développées. Voici chronologiquement les développements du lissage exponentiel (Brown, 1962), la décomposition saisonnière (Shiskin et Eisenpress, 1957), l'analyse des séries temporelles (Box et Jenkins, 1970, première édition), les modèles non linéaires (Engle, 1982) et les méthodes bayésiennes (Zellner, 1970). En outre, de nouvelles techniques d'inférence statistique ont vu le jour (inférence exacte, méthode du va et vient ou'bootstraping', Méthode de Monte-Carlo, etc. ).

En parallèle, des progrès plus liés aux aspects organisationnels des firmes ont été effectués (voir Makridakis et al., 1983). Ainsi, dans les années 1950, de nouvelles disciplines sont apparues comme la recherche opérationnelle et les techniques de gestion (management science) et permirent de perfectionner la prise de décision au sein d'une entreprise.

Les progrès continus de l'informatique depuis 1950 et leur diffusion dans les entreprises ont permis l'émergence de la prévision assistée par informatique d'émerger et de s'imposer. Des logiciels spécialisés (comme par exemple SAS ou R) ont fait leur apparition.

La totalité de ces progrès mais aussi l'augmentation des phénomènes économiques qu'on souhaite prévoir ont abouti à une diversité impressionnante de techniques de prévision. Nous tentons dans la section suivante de classifier ces techniques suivant le critère choisi généralement : la totalité d'information requis ( \omega_t, \omega_t \subseteq \Omega_t ) par chaque méthode pour établir la prévision.

Classification des techniques de prévision

Les méthodes sont regroupées en catégories, de la façon suivante :

Pour pouvoir mieux comprendre la portée de ces méthodes sont mentionnés un exemple typique d'application de chaque méthode mais aussi l'horizon (ou les horizons) de prévision recommandé pour l'utilisation de chaque méthode (TCT : particulièrement court terme, CT : court terme, MT : Moyen terme, LT : long terme). Les méthodes peuvent être combinées. C'est d'autant plus pertinent de recourir aux combinaisons quand les méthodes sont jugées complémentaires et qu'il existe une grande incertitude sur le meilleur modèle à employer.

Les méthodes informelles

Les méthodes informelles ou de jugement (judgemental) sont particulièrement répandues dans le monde de l'entreprise. D'une façon plus générale, elles sont spécifiquement utiles dans l'ensemble des applications caractérisées par une information quantitative déficiente (données non mesurables, peu fiables ou trop peu nombreuses) tandis qu'un certain nombre de connaissances, d'informations qualitatives sont disponibles.

Principales méthodes informelles :

Les méthodes extrapolatives

Les méthodes extrapolatives utilisent les observations quantitatives du passé de la variable pour prédire son futur. C'est à dire : ωt = (Y0, ..., Yt − 2, Yt − 1, Yt) .

Elles sont utilisées essentiellement pour la prévision à court terme mais aussi quand des variables explicatives ne sont pas disponibles ou manquent de fiabilité. Elles permettent surtout de modéliser l'inertie propre à de nombreuses variables économiques. Des informations contextuelles concernant le phénomène étudié permettent généralement de perfectionner l'application des méthodes extrapolatives.

Principales méthodes extrapolatives ou univariées :

Les méthodes explicatives

Les méthodes explicatives utilisent les valeurs passées d'une ou de k variables, y compris, peut-être, la variable étudiée Y (appelée variable dépendante).

Formellement, ωt = [ (Y0, ..., Yt − 2, Yt − 1, Y0), (X1, 0, ..., X1, t − 2, X1, t − 1, X1, t)... (Xi, 0, ..., Xi, t − 2, Xi, t − 1, Xi, t)... (XK, 0, ..., XK, t − 2, XK, t − 1, XK, t) ], où  i \in[1, 2, .., K], avec K est le nombre total de variables explicatives.

Ceci implique que la qualité des prévisions obtenues avec ces méthodes dépend entre autres de la qualité de prévision ou d'estimation des variables explicatives sur l'horizon de prévision. Cette catégorie de méthodes est spécifiquement recommandée quand il existe des variables explicatives dont les observations sont disponibles plus rapidement que la variable dépendante. Pour la prévision conjoncturelle, on se base surtout sur ce qu'on nomme des indicateurs avancés ("leading indicators") de l'économie.

Principales méthodes explicatives :

Les méthodes systémiques

Les méthodes systémiques tendent à considérer le dispositif économique dans sa totalité. Elles utilisent les relations et les interactions envisageables entre de nombreuses variables.

Formellement, ωt = [ (Y0, ..., Yt − 2, Yt − 1, Y0), (X1, 0, ..., X1, t − 2, X1, t − 1, X1, t)... (Xi, 0, ..., Xi, t − 2, Xi, t − 1, Xi, t)... (XK, 0, ..., XK, t − 2, XK, t − 1, XK, t) ], où  i \in[1, 2, .., K], avec K est le nombre total de variables explicatives.

Ces méthodes sont utilisées pour la modélisation macro-économique et méso-économique essentiellement. Elles servent d'instrument de simulation (planification, politique budgétaire, politique monétaire) et de prévision à moyen et long terme.

Autres considérations

Certaines informations n'ont pas été reprises ici. On aurait ainsi pu spécifier si la prévision est calculée à partir d'un modèle ou une formule, lorsque cette information est disponible, évidemment. D'une façon plus générale, on aurait aussi pu classer les méthodes de prévision en méthodes paramétriques, non paramétriques et semi paramétriques.

Certaines méthodes plus récentes, comme les réseaux de neurones et les algorithmes d'apprentissage et de classification, ne sont pas reprises dans cet article.

Voir aussi

Sources

Bibliographie

ARMSTRONG, J. S. (1985). Long-Range Forecasting. Wiley-Interscience, New York

BATES, J. M. et GRANGER, C. W. J. (1969). The combination of forecasts, Operations Research Quarterly, 20, 319-325.

BUNN, D. et WRIGHT, G. (1991). Interaction of judgemental and statistical forecasting methods : issues and analysis, Management Science, 37, 501-517.

CARNOT, N. et TISSOT B. (2002). La prévision économique, Economica, Paris, 483 p.

CHATFIELD, C. (1993). Calculating interval forecasts, Journal of Business & Economic Statistics, 11, 121-135.

CLEMENTS, M. P. et HENDRY, D. F. (1996). Economic Forecasting, Cambridge University Press, Cambridge.

FISCHHOFF, B. (1994). What forecasts (seem to) mean, International Journal of Forecasting, 10, 387-403.

FISHER, I. (1925). Booms and Depressions. Some first principles. Wiley, New York.

GOODWIN, P. (1993). Improving judgmental time series forecasting : A review of the guidance provided by research, International Journal of Forecasting, 9, 147-161.

GRANGER, C. W. J. et NEWBOLD, P. (1977). Forecasting Economic Time Series. Academic Press, New York (1re édition).

GRANGER, C. W. J. (1996). Can we improve the perceived quality of economic forecasts ?, Journal of Applied Econometrics, 11, 455-473.

KLEIN, L. R. (1950). Economic Fluctuations in the United States 1921-1941. Wiley, New York

MAHMOUD, E., DERŒCK, R., BROWN, R. et RICE, G. (1992). Bridging the gap between theory and practice in forecasting, International Journal of Forecasting, 8, 251-267.

MAKRIDAKIS, S., WHEELWRIGHT, S. S. et McGEE, V. E. (1983). Forecasting : Methods and Applications. Wiley, New York (2e édition).

MELARD, G. (1990). Méthodes de prévision à court terme. Editions de l'Université de Bruxelles, Bruxelles et Editions Ellipses, Paris.

MENTZER, J. T. et KAHN, K. B. (1995). Forecasting technique familiarity, satisfaction, usage, and application, Journal of Forecasting, 14, 465-476.

MOORE, H. L. (1923). Generating Economic Cycles. New York.

MORGENSTERN, O. (1963). On the Accuracy of Economic Observations. Princeton University Press, Princeton.

SHISKIN, J. et EISENPRESS, H. (1957). Seasonal adjustments by electronic computer methods, Journal of the American Statistical Association, 52, 415-449.

MUTH, J. F. (1960) Optimal properties of exponentially weighted forecasts, Journal of the American Statistical Association, 55, 299-306.

SLUTSKY, E. (1937). The summation of random causes as the source of cyclic processes, Econometrica, 5, 105-146.

THEIL, H. (1966). Applied Economic Forecasting. North-Holland, Amsterdam.

TINBERGEN, J. (1939). Statistical testing of business cycle theories II. Business cycles in the United States of America 1919-1932. League of Nations, Geneva.

WEISS, A. A (1996). Estimating time series models using the relevant cost function, Journal of Applied Econometrics, 11, 539-560.

Notes et références de l'article


Exemples d'utilisation de la prévision économique 
  • INSEE
  • DGTPE
  • Loi de finances

Liens externes

Recherche sur Amazon (livres) :



Ce texte est issu de l'encyclopédie Wikipedia. Vous pouvez consulter sa version originale dans cette encyclopédie à l'adresse http://fr.wikipedia.org/wiki/Pr%C3%A9vision_%C3%A9conomique.
Voir la liste des contributeurs.
La version présentée ici à été extraite depuis cette source le 07/04/2010.
Ce texte est disponible sous les termes de la licence de documentation libre GNU (GFDL).
La liste des définitions proposées en tête de page est une sélection parmi les résultats obtenus à l'aide de la commande "define:" de Google.
Cette page fait partie du projet Wikibis.
Accueil Recherche Aller au contenuDébut page
ContactContact ImprimerImprimer liens d'évitement et raccourcis clavierAccessibilité
Aller au menu