Équilibre économique et écologique des pays de l'IORA : l'apprentissage automatique révèle une nouvelle voie de développement durable pour le Sud global

Du modèle académique à la réalité régionale : l'équation croissance-environnement des pays de l'IORA

L'Association des pays riverains de l'océan Indien (IORA) regroupe 23 États membres couvrant l'Afrique, le Moyen-Orient, l'Asie du Sud et l'Asie du Sud-Est, constituant un carrefour clé pour le commerce mondial et les flux de ressources. Cependant, la plupart des pays de cette région sont confrontés à de multiples pressions : littoraux fragiles, risques climatiques et urbanisation rapide. Une étude récemment publiée dans *Scientific Reports*, prenant pour échantillons la Malaisie, Maurice, le Sri Lanka et Madagascar, utilise le cadre d'apprentissage automatique XOS-ELM-GA pour prédire la relation entre les émissions de CO₂, le PIB et les terres agricoles, fournissant ainsi un outil d'analyse quantitative pour le développement durable des pays du Sud global.

Pourquoi ces quatre pays ?

• Les quatre pays sélectionnés par l'étude représentent différentes structures économiques et types de vulnérabilité au sein de l'IORA :
• Malaisie : degré d'industrialisation élevé, avec un poids équilibré entre services et industrie manufacturière, mais l'agriculture conserve une certaine part ;
• Maurice : petit État insulaire, économie dépendante du tourisme et des services financiers, vulnérabilité climatique très élevée ;
• Sri Lanka : agriculture et industrie légère coexistent, confronté récemment à une crise de la dette et à des pressions environnementales ;
• Madagascar : pays le moins avancé, économie dominée par l'agriculture et déforestation sévère.

Ces quatre pays illustrent ensemble les contradictions typiques des pays du Sud global dans leurs trajectoires de développement : ils doivent à la fois augmenter leurs revenus par l'expansion industrielle et éviter une perte de contrôle des émissions de carbone et une disparition des terres agricoles. L'étude utilise des données historiques de 1960 à 2020, en prenant les émissions de CO₂ comme variable explicative clé pour prédire le PIB et la superficie agricole, plutôt que de simplement inférer des relations de cause à effet. Cette approche est mieux adaptée aux caractéristiques des marchés émergents, où les données sont volatiles et les changements structurels fréquents.

L'apport de l'apprentissage automatique : précision prédictive et signification politique

Le modèle XOS-ELM-GA proposé par l'étude surpasse en précision prédictive les méthodes traditionnelles ELM et OS-ELM. Par exemple, dans la prédiction du PIB annuel de la Malaisie, le SMAPE moyen du modèle est de 10,13 % ; pour la prédiction des terres agricoles au Sri Lanka, le SMAPE tombe à 3,77 %. Cela signifie que, même sans introduire de modèles mécanistes complexes, les méthodes basées sur les données de l'IA peuvent fournir aux pays de l'IORA des prévisions fiables d'indicateurs économiques et environnementaux à court terme.

Pour les décideurs politiques, ce type de prévision aide à identifier à l'avance les zones de conflit entre « croissance, émissions de carbone et terres ». Par exemple, si le modèle montre que la superficie agricole d'un pays se réduit à un rythme accéléré accompagné d'émissions élevées, il faudra alors donner la priorité aux investissements dans l'agriculture durable et les technologies bas carbone. Pour les investisseurs internationaux, cette analyse de corrélation peut être intégrée dans les évaluations ESG (environnement, social et gouvernance) afin d'éviter les risques d'actifs échoués dus à la dégradation de l'environnement.

Perspective du Sud global : des données à l'actionLes cas des pays de l'IORA mettent en évidence les défis collectifs du Sud global concernant les objectifs de développement durable (en particulier l'ODD 8, l'ODD 13 et l'ODD 15). Contrairement aux pays développés, les marchés émergents manquent souvent de données de surveillance par satellite de haute précision et de données de recensement, et les méthodes d'apprentissage automatique comblent précisément les lacunes analytiques des régions "sous-développées en données". Par ailleurs, cette étude met l'accent sur la corrélation plutôt que sur la causalité, ce qui nous rappelle que le couplage entre les émissions de CO₂ et la croissance économique n'est pas absolu, et que les politiques de réduction des émissions ne sacrifient pas nécessairement le développement – la clé réside dans l'efficacité de l'utilisation des terres et de l'énergie.

De plus, les quatre pays sont tous des économies riveraines de l'océan Indien, et les mécanismes de coopération régionale (comme le cadre de l'IORA) peuvent promouvoir la surveillance environnementale conjointe et le transfert de technologies bas carbone. À l'avenir, si le modèle pouvait être étendu à davantage de membres (comme l'Inde, la Somalie, l'Australie), il formerait un réseau d'alerte précoce dynamique couvrant le Sud global.

Tendances à long terme : sécurité alimentaire et résilience climatique

Les changements dans l'utilisation des terres agricoles constituent un autre axe de recherche. La haute précision des prévisions pour le Sri Lanka et Madagascar montre que le modèle peut saisir la sensibilité des surfaces cultivées aux chocs externes (comme les anomalies climatiques, les fluctuations des prix internationaux). Pour la Malaisie, avec son urbanisation accélérée, la réduction des terres agricoles coexiste avec l'augmentation des émissions de carbone, suggérant les pressions doubles de la transition d'utilisation des terres, comme l'expansion des plantations de palmier à huile. Les investisseurs, lorsqu'ils planifient des projets agricoles, forestiers ou d'infrastructure, devraient intégrer de telles dynamiques dans des analyses de scénarios à long terme.

À long terme, les pays de l'IORA ont une population jeune et en croissance, ce qui augmentera la demande future de nourriture et d'énergie. Trouver un équilibre entre le maintien des terres agricoles et l'absorption du CO₂ est la logique sous-jacente de la croissance économique régionale. La base de référence pilotée par les données fournie par cette étude aide les pays à fixer des trajectoires plus pragmatiques lors de l'élaboration de leurs contributions déterminées au niveau national (CDN).

Conclusion

Cette étude démontre non seulement le potentiel de l'apprentissage automatique dans la modélisation environnement-économie, mais révèle également la complexité pour les pays du Sud global de chercher à se développer à la fois en "quantité" et en "qualité". Pour les institutions de recherche macroéconomique et les investisseurs internationaux, comprendre les schémas non linéaires de régions comme l'IORA est essentiel pour saisir le futur transfert des pôles de croissance mondiaux. Lorsque l'IA peut prévoir avec précision une contraction agricole ou un pic d'émissions, les réponses politiques et l'allocation de capital peuvent être anticipées d'un demi-pas – c'est précisément la compétence indispensable de "long terme" dans l'analyse des marchés émergents.