Le code de croissance dans le désert de données : un nouveau cadre pour l'analyse de la transformation structurelle des pays à revenu faible et intermédiaire

Depuis longtemps, l’analyse économique des pays du Sud global est confrontée à un dilemme fondamental : les économies qui ont le plus besoin d’être comprises sont précisément celles dont les données sont les plus incomplètes. Lorsque les pays développés peuvent s’appuyer sur des statistiques économiques à haute fréquence, fines et cohérentes pour saisir les transformations structurelles, les systèmes statistiques des pays à revenu faible et intermédiaire (PRFI) présentent souvent d’énormes lacunes, ce qui fait que les décisions politiques, les choix d’investissement et la recherche universitaire avancent comme à tâtons dans l’obscurité.

Une étude récemment publiée dans *Scientific Reports* tente d’apporter une solution extensible à ce problème. Les chercheurs ont conçu un cadre unifié intégrant la modélisation hiérarchique bayésienne, des techniques d’imputation fondées sur l’apprentissage automatique et l’analyse factorielle, spécifiquement optimisé pour la rareté des données dans les PRFI. Ce cadre a été validé par des simulations utilisant les données de la Banque mondiale de 2000 à 2020 pour le Kenya, le Nigéria et le Ghana. Les résultats montrent qu’il est plus précis et plus interprétable que les modèles traditionnels en situation de données manquantes.

La valeur de cette étude ne réside pas seulement dans l’innovation méthodologique, mais aussi dans le nouveau prisme qu’elle offre pour observer les transformations économiques du Sud global. Grâce à ce cadre, les chercheurs ont identifié trois trajectoires structurelles nettement différentes entre les économies d’Afrique de l’Ouest et d’Afrique de l’Est : la croissance tirée par les services au Kenya, les fluctuations industrielles étroitement liées au pétrole au Nigéria, et l’expansion équilibrée du Ghana. Ces différences nous rappellent que, même parmi les pays d’Afrique subsaharienne, la logique de reallocation sectorielle derrière le mot « croissance » peut être radicalement différente.

La pauvreté des données, frein invisible de la recherche sur les marchés émergents

Dans le récit économique dominant, la transformation structurelle est généralement comprise comme un processus de réallocation de la main-d’œuvre de l’agriculture vers l’industrie et les services. Ce processus a été maintes fois vérifié dans l’essor des économies asiatiques, mais en Afrique, les recherches correspondantes sont depuis longtemps contraintes par l’incomplétude des données, l’incohérence des définitions statistiques et la forte volatilité sectorielle. Les modèles économétriques traditionnels supposent souvent des données complètes et un bruit limité, ce qui paraît bien fragile face à la réalité des PRFI.

Le manque de données fiables signifie que nous risquons de sous-estimer ou de mal interpréter les véritables moteurs de croissance des marchés émergents africains. Par exemple, la part élevée de l’économie informelle fausse sérieusement les données officielles du PIB et de l’emploi, tandis que les statistiques sectorielles sont souvent lacunaires. De ce fait, les discussions sur des questions clés comme la « désindustrialisation prématurée » ou la « stagnation de la productivité des services » reposent souvent sur des bases empiriques fragiles.

Le point de départ de cette étude est le suivant : plutôt que d’attendre une amélioration des systèmes statistiques, mieux vaut développer des outils d’analyse capables de s’adapter à la rareté des données. Les chercheurs ont relié de manière organique trois méthodes habituellement utilisées dans des domaines différents — la modélisation hiérarchique bayésienne, l’imputation par apprentissage automatique et l’analyse factorielle — plutôt que de simplement les juxtaposer. Les techniques d’imputation comblent les lacunes des données, l’analyse factorielle extrait les structures latentes à partir d’indicateurs de haute dimension, et le modèle bayésien génère des estimations a posteriori intégrant l’hétérogénéité sectorielle et temporelle dans un contexte d’incertitude. Cette interdépendance opérationnelle est précisément ce qui distingue ce cadre des « outils ponctuels » antérieurs.

Trois méthodes d’imputation, trois philosophies des données## Trois méthodes d'imputation, trois philosophies des données

L'étude a simulé des états de rareté des données et a évalué trois techniques d'imputation. Il est à noter qu'aucune méthode n'a surpassé les autres sur tous les indicateurs : SoftImpute a obtenu la plus faible erreur quadratique moyenne (RMSE) sur les indicateurs sectoriels, tandis que k-plus proches voisins (kNN) s'est révélé plus performant pour reconstruire le PIB. Cette constatation souligne l'importance de la « sensibilité au contexte » dans le traitement des données — lors de l'analyse des pays à revenu faible et intermédiaire (PRFI), une stratégie d'imputation unique peut ne pas suffire. Pour les études industrielles qui dépendent des données de production sectorielle, la logique de complétion de matrice de SoftImpute est plus adaptée ; tandis que pour les évaluations des agrégats macroéconomiques, l'imputation par kNN basée sur des échantillons similaires est plus avantageuse.

Un échantillon de trois pays révèle la divergence de croissance du Sud global

La partie empirique de l'article se concentre sur le Kenya, le Nigeria et le Ghana. Ces trois pays représentent la diversité typique des économies africaines : dotations en ressources, structures industrielles et trajectoires d'économie politique distinctes. Les différences de trajectoires révélées par le nouveau cadre sont assez éclairantes :

La croissance du Kenya présente un caractère nettement dominé par les services, ce qui peut être lié à son secteur des technologies de l'information et de la communication ainsi qu'à son secteur des services financiers, relativement matures. Cette découverte suggère qu'en l'absence d'industrialisation à grande échelle, les services peuvent également constituer une source importante de gains de productivité, bien que leur durabilité doive encore être évaluée avec prudence.

La transformation structurelle du Nigeria est quant à elle fortement tributaire des cycles des prix du pétrole. Le secteur industriel fluctue fortement avec les variations des prix du pétrole, ce qui montre que les trajectoires de croissance des pays exportateurs de ressources peuvent facilement être dominées par des chocs externes. Cette volatilité constitue un défi majeur pour la conception des politiques à long terme — comment échapper à la malédiction des ressources et cultiver une dynamique de croissance stable au milieu de la volatilité structurelle est un enjeu commun au Nigeria et aux autres pays producteurs de pétrole.

La performance du Ghana est quant à elle plus équilibrée, l'agriculture, l'industrie et les services semblant se développer de manière synchrone. Ce modèle de croissance multidimensionnel pourrait refléter la base économique relativement diversifiée du Ghana, mais la question de savoir s'il pourra maintenir à long terme un développement coordonné entre les secteurs nécessite encore un suivi plus précis.

Ces différences prouvent une fois de plus qu'utiliser un « récit de croissance africaine » unique pour guider les investissements ou les politiques est loin d'être suffisant. La transformation structurelle du Sud global suit de multiples trajectoires et nécessite des outils d'analyse pilotés par les données et désagrégés par secteur pour être saisie.

Implications politiques et perspectives d'investissement

La contribution la plus importante de cette étude est peut-être d'offrir un outil d'aide à la décision « convivial pour les données » dans des environnements où les données sont limitées. Dans le domaine de l'aide au développement international et des prêts souverains, on tombe souvent dans des « prévisions fondées sur la foi » en raison du manque de données. Or, le nouveau cadre permet aux décideurs politiques d'obtenir, même lorsque les données ne sont pas encore complètes, des prévisions sectorielles avec des intervalles d'incertitude, et ainsi d'appréhender le risque de manière plus pragmatique.Pour les institutions d'investissement internationales, les applications potentielles de ce cadre sont tout aussi claires. Lors de l'évaluation de la faisabilité de projets d'infrastructure ou de parcs industriels sur les marchés émergents, l'utilisation de données traditionnelles peut conduire à de graves erreurs d'appréciation de la demande du marché et des transferts de main-d'œuvre. Les prévisions sectorielles fondées sur l'inférence bayésienne peuvent ancrer plus précisément les flux de capitaux dans les secteurs et les régions présentant un réel potentiel de transformation.

Bien entendu, l'étude elle-même indique explicitement que sa validation se limite à trois pays et s'étend jusqu'en 2020. Lors de l'extension à d'autres pays à revenu faible ou intermédiaire (PRFI), les algorithmes devront peut-être être ajustés en fonction des contextes institutionnels et de la qualité des données. Quoi qu'il en soit, elle a déjà établi une référence reproductible pour « l'analyse structurelle dans des conditions de rareté des données ».

Le rattrapage méthodologique à l'heure du déplacement des centres de croissance mondiaux

Alors que les centres de croissance mondiaux se déplacent progressivement vers l'Asie, l'Afrique et le Moyen-Orient, les infrastructures de données économiques du Sud global n'ont pas encore suffisamment suivi. Cette asymétrie signifie que les capitaux internationaux et les institutions politiques mondiales regardent souvent « des contours flous à travers des jumelles ». Cette nouvelle recherche nous rappelle qu'au-delà de la collecte de davantage de données, il nous faut surtout développer des outils plus intelligents pour exploiter les données existantes. La combinaison de l'apprentissage automatique et des statistiques bayésiennes constitue précisément une tentative active de ce « rattrapage des données ».

À une époque où se superposent le dividende démographique, l'urbanisation, la délocalisation de l'industrie manufacturière et la transformation numérique, des informations structurelles sectorielles précises sont plus cruciales que jamais. Qu'il s'agisse de déterminer si un pays connaît une « désindustrialisation prématurée » ou d'évaluer si un investissement d'infrastructure correspond à l'évolution à long terme de la structure industrielle, nous avons besoin de cadres d'analyse plus fins et plus inférentiels.

Cet article ne sera peut-être pas aussi remarqué que la signature d'un grand contrat d'infrastructure, mais sa valeur réside dans le fait de permettre à l'analyse économique du Sud global de passer de la « narration » à la « testabilité ». À une époque où les données sont insuffisantes mais où le besoin de décisions est plus urgent que jamais, la construction d'une telle infrastructure de connaissances est en elle-même une forme de croissance.