Estimation du commerce mondial en temps réel grâce à l’apprentissage automatique
Bulletin n°248, article 5. Un écueil majeur en économie réside dans les longs délais de publication de nombreux indicateurs, ce qui complique l’appréciation du cycle économique en temps réel. Pour y remédier, nous avons construit un « nowcast » (une estimation en temps réel) du commerce international. À partir d’une base de données de 600 variables, nous utilisons un nouvel algorithme d’apprentissage automatique, appelé « forêt aléatoire macroéconomique » (macroeconomic random forest), qui s’est avéré plus performant que d’autres techniques linéaires et non linéaires. Notre approche comporte trois étapes i) présélection des variables,
ii) extraction des facteurs et iii) régression d’apprentissage automatique. Cette approche améliore la précision des prédictions (gain de 15 à 30 % par rapport à la méthode en deux étapes de Stock et Watson (2002), et de 30 à 40 % par rapport à un modèle autorégressif). Nous donnons des exemples de la performance du modèle pendant la pandémie de Covid-19.
1. Les données officielles de commerce mondial sont publiées avec un délai important
L’analyse économique en temps réel est souvent compliquée par le fait que les séries économiques sont publiées avec des délais considérables. Ce constat vaut pour le commerce international : même si certains pays publient rapidement des données en valeur, les données en volume tardent davantage. Le bureau néerlandais de la planification économique (Centraal Plan Bureau – CPB) 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. Cette situation constitue une véritable gageure en matière de politiques, car les décisions doivent s’appuyer sur des informations récentes.
Le problème est d’autant plus préoccupant que nous vivons dans un environnement économique en rapide évolution. En effet, ces dernières années ont été marquées par des crises majeures, comme la pandémie de Covid en 2020 ou la guerre russe en Ukraine depuis 2022. L’objectif de ce projet est d’élaborer un outil permettant de prédire avec exactitude l’évolution du commerce mondial en volume en temps réel ou quasi réel, même en cas de crises de grande ampleur.
S’il est vrai que les données officielles sont publiées avec un délai important, de nombreux indicateurs sont disponibles plus rapidement. Notre récent article (Chinn et al., 2023) exploite ces informations afin de fournir des estimations anticipées des volumes d’échanges. Compte tenu de l’ampleur du retard, il ne s’agit pas de 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). Nous faisons également des prévisions pour t + 1 afin d’évaluer la pertinence de notre méthode pour les évolutions futures.
[Pour lire la suite, télécharger l'article]