La vérité sur la croissance dans les lacunes des données : un nouveau paradigme d’analyse de la transformation structurelle des Suds globaux

Introduction : une transformation occultée par les données

Le déplacement du centre de gravité de l'économie mondiale attire davantage l'attention sur le continent africain. Mais une question fondamentale continue de préoccuper les instituts de recherche, les organisations internationales et les investisseurs transnationaux : que savons-nous réellement des transformations structurelles de ces économies ? Traditionnellement, la transformation structurelle est définie comme le transfert massif de main-d'œuvre et de production de l'agriculture vers l'industrie et les services, constituant le moteur central de la croissance économique à long terme. Cependant, dans les pays à revenu faible et intermédiaire, en particulier en Afrique subsaharienne, la faiblesse des systèmes statistiques, l'ampleur de l'économie informelle et les fréquentes lacunes des données rendent difficile une mesure précise de la vitesse réelle de ce moteur.

Un article récent publié dans *Scientific Reports* tente de percer ces brumes cognitives grâce à un cadre analytique économe en données. Cette recherche n'adhère plus au modèle unique traditionnel, mais intègre la modélisation hiérarchique bayésienne, l'imputation par apprentissage automatique et l'analyse factorielle en un outil unifié, dont elle valide l'efficacité sur des données réelles du Kenya, du Nigeria et du Ghana. Il ne s'agit pas seulement d'une innovation méthodologique, mais aussi de fournir une navigation plus fiable pour les décisions de développement et les flux de capitaux dans les pays du Sud global.

Transformation structurelle : de la théorie aux défis de la mesure

La transformation structurelle est importante car elle touche à la création d'emplois, à l'amélioration de la productivité et à la réduction durable de la pauvreté. Il y a un demi-siècle, des chercheurs comme Kuznets et Lewis ont posé les fondements théoriques de ce concept, mais les outils d'analyse de l'époque reposaient sur des systèmes de données relativement complets dans les pays développés. Lorsque ces outils sont transférés tels quels aux marchés émergents, les problèmes apparaissent : données éparses, définitions statistiques hétérogènes, fortes fluctuations intersectorielles. Les modèles économétriques conventionnels peinent souvent à suivre, voire produisent des conclusions trompeuses.

L'Afrique en est un exemple : dans plusieurs pays, la part de l'emploi agricole reste élevée, mais l'essor des services ne suit pas nécessairement la trajectoire linéaire observée historiquement en Occident. L'ampleur du secteur informel conduit les statistiques officielles à sous-estimer fortement l'activité économique réelle. Lorsque les institutions internationales s'appuient sur ces données incomplètes pour établir des diagnostics nationaux, leurs recommandations politiques peuvent s'écarter des besoins réels. C'est précisément le point de départ de la nouvelle recherche : comment construire un cadre robuste capable d'identifier les tendances de la transformation structurelle même lorsque les données sont incomplètes.

Nouvelle méthodologie : la synergie entre apprentissage automatique et modèles bayésiens

L'innovation clé de l'article consiste à tisser trois techniques jusqu'alors indépendantes en un réseau analytique mutuellement complémentaire. L'imputation par apprentissage automatique traite les données manquantes ; par exemple, la méthode SoftImpute affiche la plus faible erreur quadratique moyenne sur les indicateurs sectoriels, tandis que l'algorithme des k plus proches voisins se révèle meilleur pour reconstruire le PIB. Cette étape revient à réparer d'abord un puzzle endommagé.Ensuite, l'analyse factorielle extrait les moteurs latents des variations de productivité à partir d'un grand nombre de variables ; ces facteurs servent ensuite d'informations a priori pour le modèle hiérarchique bayésien. Ce dernier est capable de fournir des estimations avec intervalles de probabilité dans un contexte d'incertitude sur les différences sectorielles et les fluctuations temporelles. Cette conception en pipeline permet à l'inférence statistique d'exploiter la structure locale des données tout en préservant l'incertitude globale. Comparée aux modèles traditionnels, cette méthode montre une précision et un pouvoir explicatif supérieurs en présence de données manquantes.

Kenya, Nigeria et Ghana : trois trajectoires de transformation distinctes

Pour l'échantillon empirique, l'étude a retenu trois pays entre 2000 et 2020, et les résultats révèlent clairement l'hétérogénéité des économies africaines. Le Kenya présente une trajectoire de croissance dominée par les services : l'expansion des technologies de l'information et des services financiers absorbe la main-d'œuvre auparavant retenue dans le secteur agricole. La transformation économique du Nigeria est, elle, profondément liée à l'industrie pétrolière : les fluctuations des prix internationaux du pétrole, via les effets d'entraînement intersectoriels, amplifient les chocs structurels du secteur industriel. Le Ghana, quant à lui, affiche un schéma d'expansion relativement équilibré, avec une réallocation assez homogène entre l'agriculture, l'industrie et les services.

Ces trois trajectoires brisent une idée reçue : la transformation structurelle de l'Afrique ne suit pas un modèle unique. Les modèles traditionnels tendent à masquer les différences nationales sous des moyennes régionales, tandis que ce nouveau cadre, grâce à une stratification fine par secteur et par période, préserve la texture singulière de chaque transition. Pour les analystes du Sud global, cela signifie des diagnostics nationaux plus précis, plutôt que des étiquettes régionales génériques.

Du diagnostic à la décision : les dividendes des données sur les marchés émergents

Les décideurs politiques et les investisseurs transnationaux sont depuis longtemps confrontés à un dilemme : d'une part, les décisions à haut risque exigent souvent des données abondantes ; d'autre part, les données réelles des marchés émergents peuvent arriver en retard, être incomplètes, voire contradictoires. L'importance de cette recherche ne tient pas seulement au raffinement des méthodes académiques ; elle tient aussi au fait qu'elle fournit aux régions pauvres en données un outil de diagnostic extensible.

Imaginons un scénario : avant d'évaluer la politique industrielle d'un pays, une agence internationale de développement utilise ce cadre pour imputer et prévoir la productivité sectorielle ; elle peut ainsi identifier plus tôt les pôles de croissance potentiels et signaler plus finement les risques structurels. Pour les capitaux privés, ce type d'analyse aide à repérer les opportunités masquées par des données imprécises, comme la compétitivité réelle des services kenyans, ou le potentiel de développement du secteur non pétrolier nigérian.

Lorsque la Banque mondiale, la Banque africaine de développement et d'autres institutions recherchent une nouvelle génération d'outils de diagnostic de la croissance, cette méthodologie pourrait bien devenir une composante standard. Elle nous rappelle que les lacunes de données ne doivent pas devenir un trou noir pour la décision : la combinaison de l'apprentissage automatique et des statistiques bayésiennes permet de construire une certitude exploitable au sein de l'incertitude.

Conclusion : le prochain chapitre du Sud global Le déplacement du centre de la croissance mondiale vers le Sud est déjà une tendance inéluctable. Cependant, la reconfiguration de la géographie économique nécessite une infrastructure cognitive à la hauteur. La mesure de la transformation structurelle constitue précisément le pilier clé de cette infrastructure. La contribution de cet article est de rendre les contours du développement du Sud global plus nets, et de fournir au capital et aux politiques des coordonnées plus fiables dans le brouillard.

Bien sûr, un cadre ne peut pas résoudre tous les problèmes. La génération, la collecte et le partage des données exigent encore une amélioration fondamentale des capacités statistiques des pays. Mais quoi qu'il en soit, c'est déjà un pas en avant : lorsque nous utilisons des outils plus intelligents pour faire face à la réalité de la rareté des données, l'histoire de la croissance du Sud global ne sera plus une simple légende floue, mais une évolution réelle, mesurable, analysable et prévisible.