Service Communautaire d'Information sur la Recherche et le Développement - CORDIS

H2020

Post-GFC Monetary Policy — Résultat en bref

Project ID: 657182
Financé au titre de: H2020-EU.1.3.2.
Pays: Espagne
Domaine: Société

Une modélisation plus réactive pour de meilleures prévisions économiques

Comment les décideurs politiques peuvent-ils éviter d’être surpris par des événements «cygne noir» comme la crise financière mondiale, alors que leur modélisation s’avère limitée et rigide? Un projet utilise des algorithmes sophistiqués intégrant des données localisées pour de meilleures prédictions.
Une modélisation plus réactive pour de meilleures prévisions économiques
La crise financière mondiale (CFG) de 2008 a conduit à repenser les prévisions économiques. La modélisation a longtemps été 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, comme les économies évoluent constamment, si les modèles n’intègrent pas la capacité de refléter ces changements, les politiques qui en découlent, même si elles convennaient peut-être dans le passé, pourraient ne plus être viables. Une grande partie du défi pour les prévisions économiques réside dans la difficulté d’identifier ces changements, les déclencheurs individuels qui contribuent à façonner la macroéconomie, nécessitant des politiques correctives pour compenser les conséquences négatives.

Le projet financé par l’UE, Post-GFC Monetary Policy, a proposé une nouvelle méthodologie qui, en incorporant des données locales, vise à fournir une réaction plus rapide aux changements macroéconomiques que les méthodologies existantes ne le permettent actuellement. Le projet a montré que cette méthodologie avait porté ses fruits en prenant les prix des soins de santé comme un indicateur du succès de mesures politiques, mais qu’il était moins applicable à la politique monétaire, lorsqu’il s’agissait d’examiner des données financières.

Utiliser les données locales comme indicateurs prévisionnels

Un des problèmes avec les modèles économiques traditionnels est que beaucoup fonctionnent selon des principes de régression linéaire, avec des coefficients constants. Ici, les effets sont considérés comme constants dans le temps. Cependant, comme le dit Isabel Casas, boursière Marie Curie, «en réalité, les effets changent au fil du temps lorsqu’ils réagissent au climat économique général ou à des chocs économiques ou financiers imprévus soudains». Par conséquent, ces modèles ne peuvent vraiment refléter que 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, selon laquelle le modèle lui-même est construit par les données, plutôt que d’être construit à partir d’indicateurs prédéterminés. Expliquant l’efficacité de la méthodologie, le Dr Casas dit: «La relation entre deux variables change au fil du temps, que ce soit des jours, des semaines ou des années. Les méthodologies que nous utilisons 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 variables 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 variables dans le temps aux données. En raison de leur complexité de programmation, ces algorithmes ont été, jusqu’à présent, largement réservés à des spécialistes.

L’application de la méthode par la politique monétaire a utilisé des données financières, notamment des variables mesurant la production industrielle, les taux d’intérêt à court et à long terme, l’inflation, les données sur les taux de change et les crédits de défaillance. Cependant, les chercheurs ont trouvé que la modélisation ne donnait 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’un autre côté, en ce qui concerne l’application de la politique de santé, l’une des approches adoptées consistait à examiner dans quelle mesure les soins de santé pouvaient être considérés comme un bien de luxe dans les pays de l’UE et de l’OCDE.

Leurs résultats diffèrent des résultats antérieurs dans la littérature où les soins de santé étaient toujours positionnés (en fonction du prix) comme un bien de luxe dans l’UE. Le Dr Casas conclut: «Les pays de l’UE convergent clairement vers des politiques communes, les prix des soins de santé étant relativement stables au fil des ans et moins chers que dans l’ensemble des pays de l’OCDE, nous pouvons observer que les politiques de santé post 2008 dans l’UE vont dans la bonne direction».

La prochaine étape de la recherche consiste à se concentrer sur la modélisation qui prévoit le comportement des processus dans d’autres contextes, comme la production d’énergie renouvelable basée sur les données océaniques, incluant les informations sur la houle, la marée, le vent ou la hauteur des vagues. Cela s’avérera bénéfique à la fois pour les producteurs et les consommateurs sur le marché de l’électricité de l’UE.

Informations connexes

Mots-clés

Post-GFC Monetary Policy, modélisation, prévision, économie, local, données, algorithmes, soins de santé, régression linéaire, coefficients, non paramétrique, produits de luxe