L’observation du commerce mondial proche de faire un pas en avant / L’utilisation de l’apprentissage automatique commence à faire ses preuves

Alors que l’approche "data-dependent" obtient la faveur des banquiers centraux dans leur lutte contre l’inflation, la publication de ces indicateurs ne s’en est pas retrouvée accélérée pour autant. Ce qui fait toujours courir le risque aux décideurs politiques et économiques d’être en décalage avec la réalité. Un constat partagé par une récente étude de la Banque de France, intitulée "estimation du commerce mondial en temps réel grâce à l’apprentissage automatique", qui voit les auteurs proposer une solution à ce qu’ils nomment un " écueil majeur en économie".

Ce dernier se trouvant être "les longs délais de publication de nombreux indicateurs, ce qui complique l’appréciation du cycle économique en temps réel". La solution pour remédier à ce point faible réside dans leur proposition de construction d’une estimation en temps réel du commerce international. Réalisée "à partir d’une base de données de 600 variables", elle s’appuie sur un nouvel algorithme d’apprentissage automatique, qui selon leur dire "s’est avéré plus performant que d’autres techniques".

Ouvrir la voie

La méthode employée présente des résultats significativement intéressants puisque les chiffres communiqués font état d’une amélioration de "la précision des prédictions" avec un gain de l’ordre 15 à 30 %. Alors que les décisions de politique économique et monétaire doivent être prises avec la plus grande clairvoyance, il est rapporté que "le bureau néerlandais de la planification économique fournit des estimations utilisées par un grand nombre d’économistes, mais qui sont publiées environ huit semaines après la fin du mois. Autrement dit, les données de mars sont disponibles vers le 25 mai".

Une situation qualifiée comme "une véritable gageure en matière de politiques, car les décisions doivent s’appuyer sur des informations récentes". Les auteurs ne souhaitent pas cantonner leurs travaux à "prédire les volumes seulement pour le mois t en cours ("nowcasting"), mais aussi pour les mois précédents ("back-casting" des mois t – 2 et t – 1 pour lesquels les données du CPB n’ont pas encore été publiées) ". Pour y parvenir ils ont introduit ce qu’ils nomment "la grande nouveauté de notre modèle" avec l’usage des algorithmes d’apprentissage automatique.

Cap sur l’avenir

S’ils ne sont pas immédiatement parvenus à obtenir des résultats, grâce aux "gains provenant de l’apprentissage automatique ", ils arrivent à la conclusion que leur modèle de nowcast "suit de très près les données réelles sur toute la période considérée et qu’il réussit à prédire avec exactitude les évolutions en période de fortes fluctuations, lorsque les exercices de nowcasting sont particulièrement utiles, comme en témoigne l’étroitesse des écarts pendant la pandémie de Covid-19 ". Tout comme leurs prévisions sont également restées très proches des publications à l’occasion de l’invasion de l’Ukraine par la Russie.

L’ambition du projet n’est pas de rester une exception sans suite mais de servir de "guide pratique pour les prévisionnistes qui souhaitent utiliser l’apprentissage automatique". L’approche et les techniques développées "pouvant être appliquée facilement à d’autres variables" selon eux et peut-être rendre les décisions plus précises que par le passé.