L'économie expérimentale, ou comment réparer la science économique

En avant-propos, il est important de faire un état des lieux des problèmes auxquels la science économique fait face.
L’économie et ses limites
A) Une décorrélation des phénomènes réels
Cette critique intervient systématiquement après chaque crise économique ou financière. Elle met en lumière l’incapacité des modèles existants en science économique à anticiper (ou même simplement accepter la possibilité) de tels évènements dont les conséquences sont souvent dramatiques. Cette décorrélation est en fait un peu la conséquence, la face émergée de l’iceberg que constituent les deux autres problèmes …
B) Un mésusage des mathématiques
Dès ses fondements, la science économique s’est tournée vers un formalisme mathématique strict. Avec des ambitions similaires aux sciences physiques. Ce qui comporte de nombreux avantages, notamment en termes de construction logique des modèles représentant l’économie ou ses composantes. Sauf que les phénomènes observés n’offrent pas (et de loin) la même stabilité ni la même récurrence. En conséquence, les modèles réduisent énormément le réel en se fondant sur des hypothèses restrictives très éloignées de la réalité. On peut citer, par exemple, le marché pur et parfait, l’agent économique « homo œconomicus » ou les anticipations rationnelles.
C) Un manque de cohérence pratique
L’économie s’étudie principalement au niveau micro (l’analyse du comportement des agents, qu’il s’agisse d’entreprises, de ménages ou d’institutions) et au niveau macro (l’analyse de l’économie d’une zone géographique/pays). Ce sont deux champs de recherche à part entière de la science économique. Dans l’idée, le niveau macro devrait être le niveau micro agrégé (le cumul des analyses au niveau micro pour tous les agents constituant l’économie). Dans la pratique, malheureusement, les frontières ne sont pas poreuses, en partie du fait du problème précédent. C’est-à-dire que l’agrégation ne se fait que sur la base d’hypothèses restrictives, et les résultats comparés à la réalité ne sont pas très probants. Et l’on passe difficilement du niveau micro ou niveau macro dès lors que l’on cherche à se rapprocher de ce qu’il se passe en pratique (notamment si l’on souhaite détailler un niveau intermédiaire « méso » pour avoir une idée de la coordination réelle des agents dans une économie).
Ces critiques ne sont pas exhaustives mais ce sont celles qui me semblent ici pertinentes. Les deux premières ont été largement développées par ailleurs.
L’expérimentation, une tendance récente en l’économie
De son côté, l’économie expérimentale peut se définir comme le champ des sciences économiques qui « utilise l’expérimentation comme méthode d’investigation en économie ».
C’est très large, et ce devrait d’ailleurs être la base pour toute discipline scientifique. Mais la place particulière des sciences sociales (et les débats sur la méthode scientifique à appliquer aux SHS) a en grande partie exonéré l’économie de l’impératif d’expérimentation (voir les écrits de Karl Popper à ce sujet). Ce qui est assez cocasse compte tenu du fait que le mésusage des mathématiques évoqué plus haut tient de la volonté de nombre d’économistes de se rapprocher des sciences physiques. Mais sans pour autant passer par l’étape expérimentation, indispensable aux sciences « dures ». Pour être complet sur ce sujet, c’est également la complexité des phénomènes observés qui amène une difficulté à expérimenter, voire une impossibilité au niveau macro. En effet, mettre en place une politique économique spécifique ne peut pas se faire en laboratoire. On ne peut que difficilement être certain des causalités entre les effets observés et les politiques mises en place.
Cependant, certains champs de la recherche économique sont attaqués à ce sujet, principalement au niveau micro, depuis quelques décennies. L’économie et la finance comportementale (application de la psychologie expérimentale à des phénomènes économiques), par exemple, ont grandement popularisé l’expérimentation en économie. Avec à la clé une remise en cause, logique, des fondements mathématiques simplistes des modèles préalables. Mais également une reconnaissance au sein de la profession avec deux « prix Nobel » décernés entre 2002 et 2017. A tel point qu’aujourd’hui, tous les laboratoires de recherche ou presque disposent d’un département d’économie expérimentale, faite pour tester des hypothèses de comportement sur des sujets humains, avec des protocoles stricts qui n’ont pas grand-chose à envier aux sciences « dures ».
Mais cela reste confiné au niveau micro. Et l’on a donc une spécification des modèles de comportement des agents beaucoup plus réaliste qu’auparavant au niveau micro (sans pour autant renoncer au formalisme mathématique), mais aucun moyen (ou presque) de les étendre au niveau macro. Et donc de bénéficier de ces avancées scientifiques pour produire des modèles macro-économiques plus riches, plus réalistes et donc de concevoir des politiques publiques potentiellement plus pertinentes. Ce qui est justement l’un des objectifs principaux de la science économique.
Simuler à grande échelle ?
Mais cela pourrait bien changer prochainement. En effet, un autre champ de la recherche économique, plus discret, se développe : l’économie computationnelle. Pour faire simple, l’idée est d’utiliser la puissance de calcul d’ordinateurs afin de simuler des modèles économiques. En gros, d’expérimenter à échelle macro grâce à des simulations informatiques. Cette discipline présente de nombreux avantages :
- Répondre à l’impossibilité d’expérimenter des politiques économiques en laboratoire par des données de simulation
- Vérifier la pertinence des modèles simulés et de leurs résultats en les comparant aux données économétriques réelles
- Utiliser les modélisations mathématiques microéconomiques pour paramétrer le comportement des agents (donc conserver l’impératif logique des hypothèses)
- Par là même, lier les niveaux micro-méso-macro et donner une cohérence globale à la recherche en science économique (ce qui est peut-être l’élément le plus important pour rendre consistante toute la science économique)
Mais cela ne va pas sans inconvénients, notamment la complexité des modèles et des hypothèses qui ne sauraient se résumer facilement pour le grand public ou les décideurs politiques (ce qui explique probablement sa moindre visibilité à ce jour). Un autre inconvénient est la puissance de calcul nécessaire, mais les développements technologiques repoussent sans cesse cette limite. Et de manière liée, le nombre d’expérimentations nécessaire, étant donné que l’approche ici est itérative, notamment s’agissant des paramétrages des modèles pour « coller » au plus près du réel.
Une autre limite, relative au comportement des chercheurs en économie et de certains décideurs, est la reconnaissance de l’imperfection de la science économique, que l’itération expérimentale fait apparaitre. En effet, à l’inverse des théories anciennes mais toujours fortement utilisées en économie, il n’y a pas ici de théorie du « tout ». On ne peut déduire de manière logique le fonctionnement global de l’économie uniquement à partir de modèles d’agents individuels fixes. La démarche est donc inductive.
Par contre, on peut essayer de comprendre comment ce « tout » fonctionne. Et c’est bien là l’intérêt d’une telle démarche. La limite intrinsèque à l’analyse des comportements humains est, comme Georges Soros l’appelle, la réflexivité. C’est-à-dire que nous sommes des êtres sociaux, et que l’on ne peut totalement dissocier l’objet de l’étude (nous) de celui qui la mène. Mais également du comportement des autres êtres humains avec nous sommes en interaction. Dit autrement, on ne peut tirer aucune conclusion collective pertinente de l’analyse de comportements individuels en laboratoire. Et c’est ici que la simulation intervient.
En utilisant des modèles multi-agents, dont les actions sont paramétrées via des modèles microéconomiques, on fait apparaitre des conséquences collectives qui ne seraient pas prédictibles par simple addition du comportement d’un agent unique tel que défini par les modèles microéconomiques. Ainsi utilisés, les modèles multi-agents présentent le fonctionnement de l’économie comme un système complexe adaptatif, un peu à l’image de la météorologie (mais en moins précis, vu que cette dernière se base sur des phénomènes physiques).
De l’évolution en économie
Pour que la présentation soit complète, il faut encore introduire une notion que je n’ai pas encore évoqué. Celle qui va permettre à la dynamique inter-agent d’émerger. C’est-à-dire, les comportements qui vont influer le plus sur les résultats de la modélisation. En d’autres termes, il s’agit d’un mécanisme de sélection. Si deux agents en concurrence effectuent un choix différent (du fait d’une dotation initiale en ressources différente ou pour d’autres raisons), quel est celui qui va « gagner » ?
C’est donc ici un autre pan, discret, de la science économique qui est convoqué (et qui est indispensable à l’existence des modèles multi-agents) : l’économie évolutionniste.
D’inspiration darwinienne, l’économie évolutionniste se fonde la biologie et l’économie afin de dessiner des mécanismes de « sélection naturelle » ou plutôt humaine dans ce cas, des comportements des agents. Et étonnamment, les recherches préalables en micro-économie sont ici extrêmement utiles. Les travaux d’Herbert Simon sur la rationalité limitée des agents, par exemple, permettent de modéliser, de façon certes partielle, la manière dont vont émerger les innovations et leur potentiel disruptif sur les autres agents et In Fine, sur l’économie dans son ensemble. D’autres agents verront des mécanismes plus mathématiques s’appliquer (et plus simple), comme par exemple la rentabilité pour les entreprises (les entreprises non rentables disparaissant, remplacées par de nouveaux entrants. Les salariés bénéficiant d’un pouvoir de négociation dépendant de la demande en emploi des entreprises, …).
À la fin, nous obtenons une agrégation cohérente de l’évolution des comportements au niveau micro, qui via la sélection nous donne des output macro pertinents tels que le taux de chômage, de faillites d’entreprises, … et selon le nombre d’agents et la complexité de leurs interactions, une image assez réaliste du fonctionnement d’un système complexe adaptatif qu’est l’économie. Cerise sur le gâteau, tout cela est dynamique. C’est-à-dire que l’état de l’économie ainsi simulé va servir de base pour déterminer le comportement des agents lors de l’exercice (la période) suivant. Et la cohérence entre les niveaux micro-méso-macro devient une réalité. Là où les modèles classiques considèrent une hypothèse presque farfelue d’omniscience des agents par les anticipations rationnelles, qui sauraient avant même d’entreprendre une action ses conséquences sur l’économie dans sa globalité. Dont on sait, grâce à l’économie comportementale (s’il était besoin), qu’elle n’existe pas dans la réalité. Qui plus est, mis en face du comportement d’autres agents (ce que les modèles classiques ne proposent pas), la réflexivité du phénomène risquerait de rendre toute anticipation erronée.
Nous voyons donc bien l’intérêt d’une telle approche qui, malgré ses limites, profiterait à l’ensemble de la science économique si elle était plus largement déployée. Voire même, intégrée de manière transversale à toute recherche en économie et plus largement en sciences sociales. En effet, toute analyse comportementale (niveau micro, idéalement de manière expérimentale), qui permet d’identifier des régularités statistiques modélisées de manière mathématique, peut être utilisée comme donnée entrante pour paramétrer le fonctionnement des agents au sein d’une simulation économique. Et donc proposer des simulations toujours plus riches si tant est que la puissance de calcul le permette. En effet, s’il est possible de modéliser et simuler des phénomènes économiques restreints afin d’étudier précisément les effets « macro » de comportements « micro », il est également possible d’enrichir considérablement les paramètres des agents afin de s’approcher un maximum du fonctionnement observable d’une société humaine.
Monde réel et mondes artificiels
À la clé, la création de véritables mondes artificiels. Ou plutôt, de sociétés ou économies artificielles. Mais rien n’empêche d’imaginer où ce type d’approche pourrait nous conduire, au-delà des frontières sociétales. En effet, les phénomènes sociaux, dont économiques, ne fonctionnent pas de manière hermétique vis-à-vis du monde physique. Ainsi, De nombreuses données manquantes aux modélisations économiques actuelles pourraient être intégrées à ces modèles expérimentaux. Je pense notamment aux ressources naturelles et à la météorologie.
Face à l’immense défi que constitue le dérèglement climatique, et l’incapacité actuelle de la science économique à proposer des modèles « fiables », la macroéconomie expérimentale pourrait, via des modèles très riches, contribuer à mieux comprendre les interactions entre monde physique et social. Et par là même, de penser des actions (si ce n’est des solutions) permettant d’endiguer la dérive environnementale tout en considérant les conséquences de ces actions sur le monde social. Car la difficulté de la science économique face au problème climatique tient autant de l’hermétisme entre les disciplines scientifiques que de problèmes d’échelle.
À titre d’exemple, la science économique dispose d’outils pour orienter les comportements individuels générant des effets sociétaux négatifs (externalités négatives), et qui seraient tout à fait à propos pour tenter de solutionner le problème des émissions de gaz à effet de serre (au sein d’un pays) : la taxe pigouvienne. Par contre, nous ne disposons pas d’outils pour évaluer l’acceptabilité d’une telle taxe. Et l’expérience pouvait laisser penser qu’elle pourrait être bien acceptée à l’instar de celle sur le tabac par exemple. Sauf que, pour l’exemple français, il en fut tout autrement avec la tentative d’instaurer une taxe carbone, qui a déclenché le mouvement des gilets jaunes. Reconnaissons tout de même qu’il est loin d’être sûr que des simulations informatiques auraient pu permettre de prédire ce type de réaction. Par contre, elles auraient fourni plus de matière sur ses tenants et aboutissants (comme son efficacité grâce à la réduction réelle des émissions liées, au sujet de laquelle nous n’avons aucune information vue qu’elle n’a jamais été mise en place).
Tenter de lutter contre l’impact de l’être humain sur son environnement est un défi très complexe. Bien plus que d’autres sujets de la science économique. Plus encore ici qu’ailleurs, il semble indispensable d’utiliser l’économie expérimentale et l’approche par l’analyse de systèmes complexes adaptatifs.
In fine, cela pourrait bien être le salut de la science économique. Qui n’a que trop peu souvent brillée par sa capacité à anticiper et/ou régler des problèmes concrets. Qui s’est trop souvent renfermée derrière un formalisme mathématique fondé sur des hypothèses très éloignées de la réalité. Et qui n’a jamais vraiment été capable d’offrir une cohérence globale micro/macro et par là même, une boussole fiable pour concevoir des politiques économiques. Il est donc plus que temps d’explorer de manière plus systématique l’approche computationnelle en économie. Il en va de l’utilité de la science économique, de l’image qu’elle engendre auprès du grand public mais aussi et surtout, des solutions que nous devons construire face au plus grand défi auquel l’humanité a eu à faire face.
Ne ratez rien de nos publications et articles, inscrivez-vous à notre newsletter
Conformément à notre politique de confidentialité, votre adresse email ne sera jamais partagée à des tiers.
ELDORAGO utilise des cookies afin de mesurer son audience et développer ses produits. Pour plus d'informations, vous pouvez consulter notre politique de confidentialité. Si vous refusez, vos informations ne seront pas suivies et nous déposerons un unique cookie dans votre navigateur afin d'enregistrer votre choix pendant 90 jours.