Vous êtes sur la page 1sur 9

M.

David
Mr Franois Bonnieux
Pierre Rainelli

Introduction au traitement des sries chronologiques


In: conomie rurale. N157, 1983. pp. 49-56.

Rsum
Cet article a pour objectif de prsenter une revue des progrs rcents accomplis dans l'analyse des sries chronologiques en
conomie. C'est une tche difficile car cette analyse utilise des techniques mathmatiques complexes. Aussi utilise-t-on des
exemples pour clairer les aspects pertinents d'ordre conomique et statistique.
La premire partie est consacre l'ajustement saisonnier. Aprs une discussion des techniques, l'algorithme du X11 est
appliqu pour estimer la composante mensuelle d'une srie longue sur l'offre de bl au 19e sicle. Dans une seconde partie,
l'exemple du march du bl permet de prsenter la dcomposition spectrale des sries chronologiques stationnaires. L'analyse
cospectrale est applique une analyse comparative de la structure d'une srie de quantits et d'une srie de prix. Des
arguments historiques gnraux sont avancs pour interprter les rsultats. La dernire partie porte sur la mthode de
modlisation de Box et Jenkins. Elle est illustre par un problme d'conomie des pches.
Abstract
The objective of this paper is to survey recent progresses in the analysis of economic time series. It is a difficult task because this
analysis involves sophisticated mathematical materials. Therefore examples are used to highlight the relevant economical and
statistical aspects.
The first section is devoted to seasonal adjustment. After an appraisal of techniques the X1 1 algorithm is used to estimate the
monthly component of a long time series which concerns wheat supply during the nineteenth century. In a second section, the
example of wheat market helps us to present the spectral representation of a stationary time series. Cospectral analysis is used
to compare the structure of serial dpendance of quantity and price series. An interpretation of the results based on general
historical arguments is proposed. The final section consists in an insignt of the procedure of Box and Jenkins for modelling series.
It is illustrated by a problem of fisheries economics.

Citer ce document / Cite this document :


David M., Bonnieux Franois, Rainelli Pierre. Introduction au traitement des sries chronologiques. In: conomie rurale. N157,
1983. pp. 49-56.
doi : 10.3406/ecoru.1983.2997
http://www.persee.fr/web/revues/home/prescript/article/ecoru_0013-0559_1983_num_157_1_2997

ECONOMIE
n 157, septembre-octobre
RURALE
1983
INTRODUCTION AU TRAITEMENT DES SRIES CHRONOLOGIQUES
M. DAVID*, F. BONNIEUX**, P. RAINELLI**
* Universit**deINRA,
Haute-Bretagne,
Rennes
Rennes
Sommaire :
Cet article a pour objectif de prsenter une revue des progrs rcents accomplis dans l'analyse des sries chro
nologiques
en conomie. C'est une tche difficile car cette analyse utilise des techniques mathmatiques complexes.
Aussi utilise-t-on des exemples pour clairer les aspects pertinents d'ordre conomique et statistique.
La premire partie est consacre l'ajustement saisonnier. Aprs une discussion des techniques, l'algorithme
du X11 est appliqu pour estimer la composante mensuelle d'une srie longue sur l'offre de bl au 19e sicle. Dans
une seconde partie, l'exemple du march du bl permet de prsenter la dcomposition spectrale des sries chronologi
ques
stationnaires. L'analyse cospectrale est applique une analyse comparative de la structure d'une srie de quanti
ts
et d'une srie de prix. Des arguments historiques gnraux sont avancs pour interprter les rsultats. La dernire
partie porte sur la mthode de modlisation de Box et Jenkins. Elle est illustre par un problme d'conomie des pches.
Summary :

INTRODUCTION TO THE ANALYSIS OF TIME SERIES


The objective of this paper is to survey recent progresses in the analysis of economic time series. It is a difficult
task because this analysis involves sophisticated mathematical materials. Therefore examples are used to highlight
the relevant economical and statistical aspects.
The first section is devoted to seasonal adjustment. After an appraisal of techniques the X1 1 algorithm is used
to estimate the monthly component of a long time series which concerns wheat supply during the nineteenth century.
In a second section, the example of wheat market helps us to present the spectral representation of a stationary time
series. Cospectral analysis is used to compare the structure of serial dpendance of quantity and price series. An
interpretation of the results based on general historical arguments is proposed. The final section consists in an insignt
of the procedure of Box and Jenkins for modelling series. It is illustrated by a problem of fisheries economics.

La plupart des phnomnes conomiques varie dans le temps


et tout ensemble de donnes mesurant certains aspects de ces ph
nomnes
et repres dans l'ordre des temps croissants, peut tre
considr comme dfinissant une srie chronologique. Des exemp
lessimples sont fournis par les agrgats de la comptabilit natio
naleet les indices de prix. Ces exemples correspondent des enre
gistrements
effectus des instants donns, gnralement quidistants. Ainsi parle-t-on de srie mensuelle, trimestrielle,
annuelle. Depuis longtemps l'importance de ces sries est recon
nuepour tester la validit d'hypothses conomiques.
Les sries chronologiques ne sont pas des chapelets de don
nes indpendantes. Elles ne sont pas purement alatoires, leurs
valeurs ne rsultent pas du simple hasard. Elles sont lies, ce que
l'on exprime en se rfrant la notion gnrale d'autocorrlat
ion.
Le temps joue un rle particulier dans l'analyse des sries
chronologiques. Il ne s'agit pas cependant d'une variable expli
cative au sens o on l'entend habituellement. Nulle causalit entre
la valeur de la srie et la date laquelle elle se produit. On a
affaire une ralisation de nature diffrente de celle qui lie par
exemple, la consommation au revenu par l'intermdiaire de
fonction de consommation. L'hypothse fondamentale esi
qu'une srie chronologique en tant que reprsentation d'un ph
nomne
conomique est caractrise par une certaine structure
qu'il s'agit de mettre en vidence. Ceci permet notamment d'tu
dierle phnomne de faon positive et de prvoir ses valeurs sous
la clause ceteris paribus.

A Babylone, la non-occurrence d'une clipse solaire prvue


par les astronomes tait impute au jeu de forces surnaturelles.
Au cours du XVIIIe sicle, ce type d'cart a reu progressive
ment
une explication rationalise. A partir de l'observation des
orbites de la lune, de Jupiter et de Saturne, des mathmaticiens
s'intressant l'astronomie comme Laplace, Euler et Lagrange
ont introduit une distinction entre mouvement priodique et mou
vement sculaire. Ainsi s'est fait jour l'ide selon laquelle une
srie chronologique est forme de composantes non observables
sparment.
L'analyse des sries chronologiques en conomie est redeva
ble
directement aux travaux des astronomes. L'approche tradi
tionnelle a distingu divers types d'volution qui peuvent se comb
iner :
la tendance correspond une volution lente qui se maint
ient pendant de longues annes,
le cycle est un mouvement qui comporte une phase croissante
et une phase dcroissante,
le mouvement saisonnier est associ des variations qui
"ectuent rgulirement au rythme du mois, du trimestre...,
le mouveic:-. rtsiauei correspond des fluctuations acci
dentelles,
on parle parfois de mouvements erratiques pour
le caractriser.
Le mouvement rsiduel correspond un phnomne de fr
quence leve alors qu' l'oppos la frquence associe la ten-

-49-

dance est trs faible sinon nulle. Le cycle et le mouvement sa


isonnier
correspondent des cas intermdiaires en termes de fr
quences.
L'tude des cycles a donn lieu jusqu'au milieu du
XXe sicle de multiples travaux empiriques, citons le cycle long
de Koncratieff de 50 ans, le cycle long de Kuznets de priode
moyenne 20 ans. Certains ont propos une dcomposition des
cycles en mouvement de courte priode (cycle mineur) et mou
vement de longue priode (cycle majeur) que Schumpeter a expli
qupar les dlais que prennent les innovations pour engendrer
des modifications du systme conomique. Ces travaux ont cu
lmin il y a trois dcennies avec l'analyse des cycles conjonctur
els
de Burns et Mitchell. Depuis les cycles conjoncturels n'ont
plus fait l'objet d'autant d'intrt. Toutefois depuis le dbut de
la crise il semble qu'il ait un regain d'intrt pour cette question.
Sur un autre plan, les sries chronologiques tablies par les
instituts de statistique ne sont pas livres au public sous forme
brute. Elles sont lisses, dbarrasses de certaines scories de faon
ne conserver que l'essentiel. La dsaisonnalisation est une op
ration presque systmatique. Elle est effectue selon des modal
itsprcises, codifies en quelque sorte.
Ce n'est que rcemment que des mthodes puissantes la
mesure de la difficult des problmes soulevs ont t gnrali
ses
dans le domaine conomique. L'examen raisonn des pics
et des creux tait prsum suffire et prfr aux techniques issues
de l'analyse de Fourier, employes communment en astrono
mie
et en physique. Pourtant appliqu des sries longues, le
raisonnement dans le domaine des frquences s'avre fructueux,
ce qui explique l'engouement dont a bnfici l'analyse spectrale.
De mme les techniques d'ajustement introduites au XVIIIe si
cle avec les moindres carrs ne sont utilises de faon systmati
que
par les conomistes que depuis environ une cinquantaine
d'annes.
Nous avons choisi d'illustrer certains aspects modernes de
l'analyse des sries chronologiques partir de deux exemples.
Le premier est fourni par l'observation mensuelle du march du
froment en Ille-et- Vilaine de 1827 1900. Il servira prsenter
les mthodes de dsaisonnalisation et les mthodes spectrales.
Une premire analyse portera sur les sries de quantits. Une
seconde sera consacre l'volution de la relation entre les prix
et les quantits. Le deuxime exemple emprunt au fonctionne
ment
des pcheries de Bretagne Nord fournira l'occasion de cons
truire un modle de prvision de la production de poissons. Ces
mthodes n'puisent pas le sujet et tout un domaine est laiss
compltement de ct. Il concerne les modles ou en plus du
temps on fait intervenir d'autres facteurs explicatifs en croisant
par exemple un modle de rgression et un processus alatoire
complexe.
1. VARIATIONSSAISONNIRES DE L'OFFRE
EN LONGUE PRIODE :
EXEMPLE DES QUANTITS DE FROMENT
CHANGES EN ILLE-ET-VILAINE DE 1827 1900
De tout temps les informations relatives aux subsistances ont
fait l'objet d'Une grande attention de la part des gouvernants,
tant sous l'Ancien Rgime, qu'aprs la Rvolution. A ce titre
les crales, facteur stratgique de l'alimentation, taient part
iculirement
suivies. N'oublions pas qu'au milieu du XIXe si
cle, en termes de calories, le pain reprsentait plus des deux-tiers
de la ration alimentaire (Toutain, 1971, p. 1 994). Ceci nous vaut
de disposer de sris longues sur les grains rpondant certai
nes
exigences, compte terni des lois du 2 dcembre 1814 et du
16 juillet 1819 relatives l'chelle mobile (Gille, 1964, p. 169).
Le document de base avec les informations par dpartement
sur les prix et les quantits changes est celui des mercuriales
gnrales. Cet tat rsult des observations faites au chef-lieu

-50-

du dpartement, aux chefs-lieux d'arrondissement et sur les prin


cipaux marchs du dpartement. Les transactions sont connues
par quinzaine.
Utilisant cette source nous avons retrac les quantits de fro
ment changes en Ille-et- Vilaine de 1827 1900, mais en rete
nant seulement des donnes mensuelles. En effet, les sries bimens
uelles s'avrent trop lourdes manipuler par rapport l'info
rmation supplmentaire ainsi fournie. En soi, un tel enregistr
ement
reflte le cycle productif caractre annuel, mme si des
chevauchements entre grains de la rcolte prcdente et grains
de la rcolte nouvelle se produisent. Point n'est besoin d'analyse
spectrale ou d'une quelconque mthode statistique pour faire
apparatre une priodicit annuelle du phnomne !
Par contre, il est intressant de dterminer si au cours de ces
trois quarts de sicle, les transformations de l'agriculture ont
modifi la structure du facteur saisonnier et selon quelles modali
ts.Diverses techniques permettent l'tude de cette question.
1-1. - Choix d'une procdure de dcomposition
Mouvements long terme, saisonnier et rsiduel peuvent tre
interprts comme des facteurs expliquant les variations obser
vesde la variable xt. On suppose donc une relation fonctionn
elle
:
(pt, st, et)
Xj avec
pt le mouvement long terme ou facteur de tendance,
st le mouvement moyen terme ou facteur saisonnier,
et le mouvement court terme ou rsiduel (facteur accidentel).
Reste dfinir la forme de cette relation. La plus simple est
de type additif avec xt = pt + st + et. La forme multiplicative
est galement envisageable avec xt = pt st et. Notons que par
une transformation logarithmique il est ais de passer de l'une
l'autre. On peut aussi envisager une variante associant la
forme multiplicative des facteurs tendanciel et saisonnier un effet
rsiduel additif o l'on a : xt = pt st + et.
Le principe de la dsaisonnalisation consiste extraire la com
posante saisonnire de la srie sans perturber les autres compos
antes. Pour cela, on a gnralement recours l'une des trois
mthodes suivantes : filtrage, rgression, modlisation de type
ARIMA.
La premire mthode repose sur le filtrage par moyennes mobil
es: c'est la technique utilise par le Bureau of Census des EtatsUnis. Celui-ci emploie un algorithme particulier, le XI 1, mis au
point par Shiskin, Young et Musgrave (Laroque, 1977). Dans
cette procdure, on applique diffrentes moyennes mobiles la
srie afin de dgager la tendance et le facteur saisonnier. Les
valeurs aberrantes de la composante rsiduelle sont limines
chaque tape de faon obtenir des estimations suffisamment
lisses des mouvements long terme et moyen terme. Le recours
des moyennes mobiles a pour contrepartie de diminuer la lon
gueur de la srie rsultante. Selon les cas, cette rduction con
cerne 82, 83 ou mme 88 donnes. Pour palier cet inconvnient
on applique des filtres asymtriques quivalents aux filtres symt
riques utiliss. Mais si cela permet de reconstituer une srie de
longueur quivalente, les extrmits sont nanmoins interprt
er
avec prcaution. Les prvisions qui peuvent tre faites avec
cette mthode sont biaises. En fait, le programme XI 1 est pres
que exclusivement bas sur des considrations empiriques.
Dans la deuxime mthode, les coefficients saisonniers sont
estims par rgression multiple, en faisant appel aux moindres
carrs simples, sur la base de variables indicatrices associes
chaque saison. En gnral la tendance est estime au moyen d'une
rgression polynominale. Ce type de mthode est a priori plus
labore, toutefois, elle suppose que les composantes soient dter
ministes. Par ailleurs les rsultats ne sont pas trs satisfaisants,

car trs sensibles aux extrmits de la srie, cela tient la mthode


d'estimation de la tendance.
La troisime approche repose sur une modlisation de type
ARIMA (Autoregressive Integrated Moving Average) de cha
cune des composantes. En fait, ce processus autorgressif
moyenne mobile intgre (Box et Jenkins, 1976) relve de la pr
vision. Comme tel il fait l'objet de dveloppements particuliers
(cf. infra).
La classification des techniques en trois catgories constitue
seulement une commodit de prsentation. Notons l'utilisation
par ie Centrai Statistical Office du Royaume-Uni d'une proc
duremixte dans laquelle le filtrage par moyennes mobiles inter
vient dans un premier temps pour dterminer la tendance. Puis
on fait appel la technique de rgression pour estimer les coeff
icients saisonniers. D'autres procdures mixtes existent gale
ment, tel l'ajustement saisonnier par un modle baysien.
Avec l'tude des composantes de l'offre de froment en lon
gue priode on ne vise pas la prvision, mais uniquement l'analyse
dtaille. Dans ces conditions, c'est le filtrage par moyennes
mobiles, bas sur l'algorithme du XI 1, qui convient le mieux.

Dans ce genre de problme, c'est la mthode la plus efficace en


gnral (David, 1978, a). Le seul problme qui se pose est le choix
entre modle multiplicatif, ou modle additif.
Dans de nombreux cas le choix du modle sersoud sans dif
ficult,
un simple examen de la courbe de la srie brute tant
suffisant. Il est plus difficile de trancher lorsque l'ampleur du
mouvement rsiduel est telle que les autres composantes de la
srie sont masques. Parfois, notamment dans les sries longues,
modle additif et modle multiplicatif peuvent alterner par souspriode. En cas d'hsitation, il est possible de recourir au test
de Durbin et Murphy (1975) pour guider le choix.
1-2. - Interprtation des rsultats
Le graphique 1 reproduit les courbes reprsentant la srie brute,
le mouvement long terme et le facteur saisonnier obtenus aprs
utilisation du XI 1 . Pour dterminer la nature du modle statis
tique, on a appliqu le test de Durbin et Murphy. L'ensemble
de la priode est divis en sous-priodes de 25 ans, les origines
de deux sous-priodes conscutives sont dcales de 5 ans
(1827-1851, 1832-1856, ...).

Graphique 1 . - Evolution des quantits de froment changes en Ille-et-Vilaine de 1827 1900


L'analyse des rsultats statistiques fait surtout ressortir l'i
nterpntration
des modles additifs et multiplicatifs tout au long
des trois quarts de sicle tudis. Globalement on peut distin
guertrois phases, sachant bien qu'il y a empitement entre les
sous-priodes, et que les ruptures proposes n'ont pas de carac
trebrutal. Les dates constituent seulement des repres, car les
changements se font au cours d'une dcennie et non sur une seule
anne. Ceci nonc, on retiendra l'existence :
de 1827 1857 d'un modle additif,
de 1856 1870 d'un modle multiplicatif,
de 1870 1900 d'un modle multiplicatif.
La premire phase se caractrise par un mouvement saison
nierrelativement rduit, mme si son importance tend

-51-

menter au cours du temps. Ainsi, de 1827 1851, le facteur sa


isonnier
explique 31 % de la variance des observations. De
1832-1856, sa contribution passe 48 7o. D'ailleurs en milieu
de priode apparat plutt une relation de nature multiplicative.
Ce modle, globalement additif, avec de faibles variations sa
ison ires,
correspond l'agriculture traditionnelle de ce temps
reposant sur le systme jachres-crales. Il s'agit d'une product
ion
domine par un systme de type autarcique, o l'on pro
duit pour satisfaire aux besoins locaux.
Dans la deuxime phase, le facteur saisonnier prend plus d'im
portance,
puisqu'il reprsente 69 Vo de la variance. Ceci appar
atclairement sur le graphique 1 o les mouvements moyen
terme sont de plus grande amplitude. Paralllement la tendance
est modifie dans son allure gnrale avec la prsence de pertur-

btions sensibles. Ces divers phnomnes traduisent l'intgra


tion
de l'agriculture d'IUe et Vilaine au march national. Cette
intgration se manifeste au plan agronomique par la mise en place
dans les annes 1850-1860 du systme de polyculture-levage
(Dauc et Lon, 1982). Pratiquement elle est facilite par le dve
loppement
du rseau ferroviaire qui atteint Rennes en 1857.
La phase de 1870 1900 correspond ce que l'on a appel
la crise agricole de la fin du XIXe sicle due la concur
rencedes pays neufs facilite par le perfectionnement des moyens
de transport, notamment dans le domaine de la navigation. C'est
en 1869 que le canal de Suez est ouvert, et c'est partir de cette
priode que la navigation vapeur permet aux bls des EtatsUnis et du Canada de venir bas prix sur les places franaises.
Durant cette phase, on enregistre des variations trs fortes du
facteur saisonnier dont l'amplitude est maximle entre 1890 et
1895.

l'esprance mathmatique du processus (Xt,Yt) est cons


tante, E (Xt) = ux et E (Yt) = uy ;
les fonctions d'autocovariance et d'autocovariance croise
du processus (Xt,Yt) ne dpendent que des dcalages,
E (Xt - ux) (Xt+k - ux) = vx(k)
E (Yt - uy) (Yt+k - uy) = vy(k)
E (Xt - ux) (Yt+k - uy) = vxy(k).
On remarque que les autocovariances vx(k) et vy(k) sont sim
plement
les covariances de (XJ et (Xt+k) d'une part, (Yt) et
(Yt+k) d'autre part. L'autocovariance croise vxy(k) correspond
la covariance de Xt et Yt+k. Ces fonctions ne dpendent donc
que de l'intervalle de temps qui spare les deux dates consid
res
et non pas de ces dates elles-mmes. Ces deux hypothses
dfinissent un processus (faiblement^ stationnaire. Elles s'av
renten pratique moins contraignantes que ne le laisse supposer
un premier examen. Un cas frquent de non stationnante est celui
d'une tendance qui volue dans le temps. Cette complication peut
tre limine en filtrant le processus. De mme on peut stabili
ser
par une transformation logarithmique une fonction d'auto
covariance
qui ne dpendrait pas des seuls dcalages. Certains
cas de non stationnante sont plus difficiles traiter et ncessi
tent
de recourir des notions plus compliques comme le spec
treet le cospectre d'volution.
La deuxime catgorie d'hypothse impose au processus d'tre
ergodique. Elle signifie que les moments du premier et du second
ordre, calculs partir d'une ralisation finie du processus, con
vergent en probabilit vers les mmes quantits dtermines
partir d'une ralisation infinie.
La stationnante et l'ergodicit permettent la mise en uvre
d'une dmarche statistique. Elles assurent qu'il est possible d'es
timer les caractristiques du processus sous-jacent partir d'une
ralisation finie.

2. LA RELATION PRIX-QUANTITS SUR LE MARCHE


DU FROMENT EN ILLE-ET-VILAINE DE 1827 1900
L'volution de la relation entre prix yt et les quantits xt vient
complter l'tude des quantits commercialises. L'intgration
progressive de l'Ille-et- Vilaine au cours du XIXe sicle au mar
chnational et indirectement au march international, a videm
mentdes rpercussions sur le mcanisme de fixation des prix.
L'importance des quantits vendues dans le dpartement un
moment donn a des effets sur le niveau des prix durant un laps
de temps plus ou moins grand. Pour une priode brve, de l'or
dre de 3 4 mois, le march est dit court terme. Par contre
si cette priode approche les 12 mois, le march doit prsenter
une plus grande rgularit. Nous pouvons voir travers nos sries
si ce phnomne peut tre mis en vidence.
2-1. - Mthodes spectrales
L'analogie avec l'oscilloscope est utile pour comprendre la
nature des mthodes spectrales. Cet appareil destin l'tude
des signaux lectriques et des ondes radio, procde une dcomp
osition en bandes de frquences. L'analyse et l'interprtation
des diffrentes composantes mises en vidence est alors plus facile
que celle du signal brut, ou de l'onde initiale. De la mme manire,
les mthodes spectrales sont un ensemble de techniques statist
iquesapplicables aux sries chronologiques. Elles reposent sur
une dcomposition en bandes de frquences. On peut les appli
quer aux sries prises une une et on parle d'analyse spectrale,
ou encore aux sries prises deux deux et il s'agit alors d'analyse
cospectrale. La mise en uvre de l'analyse spectrale se heurte
en conomie la longueur insuffisante de la plupart des sries.
Le domaine d'application de l'analyse cospectrale parat plus
important, aussi insisterons-nous davantage sur cette mthode.
a) Rflexions thoriques
Plaons-nous d'emble dans le cadre d'une analyse deux
dimensions et considrons les deux sries mensuelles de 888 obser
vations (12 mois x 74 annes) portant sur les prix et quantits
de froment. On peut les noter par le couple (x^y,) t = 1, . . ., T.
Ce couple de sries chronologiques est considr comme un
chantillon deux dimensions engendr par un processus ala
toire (Xt,Yt). On distingue par les notations, le processus gn
rateur repr par des majuscules et sa ralisation pour laquelle
on utilise des minuscules.
La mise en uvre de toute procdure statistique inductive
ncessite un corps d'hypothses concernant le modle sous-jacent,
c'est--dire ici le processus alatoire (Xt, Yt). Les hypothses
portent tout d'abord sur ses moments du premier et du second
ordre :

b) Notions de spectre et de cospectre


Le processus alatoire (Xt,Yt) est caractris par ses moments
d'ordre un et deux. Ds lors que l'on suppose qu'il est la rsul
tante d'un certain nombre de composantes, chacune correspon
dant
une bande de frquences donnes w, il est naturel d'utili
ser
les mthodes de l'analyse harmonique. On associe alors aux
fonctions d'autocovariance leurs transformes de Fourier fx(a>)
et fy(w), que l'on appelle densits spectrales deXtet de Yt. De
la mme faon l'autocovariance croise vxy(k) on fait corre
spondre sa transforme de Fourier, note fxy(co) et appele dens
it cospectrale.
Cette dernire fonction est une fonction complexe qui s'crit
sous la forme :
en distinguant sa partie relle et sa partie imaginaire. La pre
mire est appele cospectre et la seconde spectre de quadrat
ure.
L'intrt de ces notions est qu'elles se prtent une construc
tion
statistique qui dbouche sur des interprtations simples. Le
raisonnement se fait pour chaque bande de frquences et per
met de dfinir l'analogue d'un coefficient de dtermination entre
Xt et Yt :
C2(<o) = c2(w) + q2(w)
fx(w) fy(w)

tu

0 < C2 (to)

C(w) appele cohrence fournit le moyen d'tudier l'associa


tion
entre deux processus en termes d'analyse de corrlation par

-52-

bande de frquences. On peut pousser plus loin l'analogie avec


la statistique classique et dfinir le coefficient de la rgression
du processus (Xt) en fonction du processus (Yt) pour chaque
bande de frquence ; il s'agit du carr du gain : G(w) et :
fy(u>) C(u>)

S
1 t =

Ces deux statistiques sont d'une interprtation facile dans le


domaine conomique, mais n'puisent pas toutes les possibilit
s.
Ainsi tout comme en cinmatique, on dfinit le dphasage
entre deux processus par bande de frquences. Cette mesure est
parfois difficile interprter. Ces notions se gnralisent plus
de deux dimensions.
c) Problmes d'estimation
Partant de la ralisation (x^y^ t = 1 ... T du processus ala
toire deux dimensions (X^YJ le problme statistique est celui
de l'estimation du spectre de Xt, de celui de Yt et du cospectre
de (Xt,Yt). L'estimation de ces diffrents paramtres repose sur
l'estimation des moments d'ordre un et deux : esprances math
matiques,
fonctions d'autocovariance. Pour les estimer on uti
lise les quantits empiriques (calcules partir de la ralisation
du processus) correspondantes, d'o les estimateurs suivants :
u, =

pour l'esprance de Xt
t=
T k
et vx(k) = -L S (xt x) (xt+k x) k =0, ... T 1
t = 1
pour la fonction d'autovariance de Xt. On a des expressions
analogues pour estimer l'esprance et la fonction d'autovariance
de Yt. Enfin l'estimateur de la fonction d'auto-co variance croi
sevaut :

1827

vxv(k) =

T k
S (xt-x) (yt+k-uy) k = o, . . ., T-l
1 t = i
= -T+l,...-l

Ces estimateurs sont asymptotiquement sans biais et conver


genten probabilit vers les vraies valeurs des paramtres :
ux,uy,vx(k), vy(k) et vxy(k). En ce qui concerne les fonctions
d'autocovariance il faut noter que la variance des estimateurs
augmente avec k (c'est--dire que leur prcision diminue) ce qui
limite les possibilits d'estimation des dcalages au plus gaux
T/4 ou T/3.
L'estimation des densits spectrales, du cospectre et du spec
trede quadrature repose sur les estimateurs prcdents. Ceux-ci
sont obtenus par transformation de Fourier des estimateurs
vx(k), vy(k) et vxy(k) suivi d'un filtrage. Les estimateurs obtenus
sont la fois sans biais et convergents en probabilit vers les vraies
valeurs.
2-2. - Evolution des comportements dans la relation
prix-quantits
La fonction de densit spectrale de la srie du prix a t est
ime sur 262 points. Il est intressant de rapprocher les rsultats
obtenus de ceux fournis par le traitement, selon les mmes tech
niques, de la trs longue srie de Beveridge relative au prix du
froment en Europe Centrale et de l'Ouest de 1500 1869. Ces
donnes reprises par Granger et Hughes (1971) mettent en v
idence un cycle majeur de 13 ans et 4 mois ainsi que des harmon
iques d'une priodicit de 6 ans et 5 mois, 5 ans et demi et
4 ans. Notre srie est trop courte pour pouvoir dceler la pr
sence du cycle majeur, s'il existe. Par contre, on trouve un ha
rmonique
de 7 ans et 3 mois, ce qui ne contredit pas les rsultats
issus de la srie de Beveridge. Bien videmment on trouve aussi
un cycle annuel, ce qui est trivial.

1860

1900

Graphique 2. - Prix de l'hectolitre de bl en centimes


en [Ile-et-Vilaine de 1827 1900

En ce qui concerne la srie des quantits, sa fonction de dens


it spectrale a t calcule sur 219 points. L'examen de la courbe
ne fait apparatre que l'existence d'un cycle annuel, caractre
trivial lui aussi ! Les deux courbes reprsentant les fonctions de
densit spectrale ont une allure semblable, celle des quantits
ayant toutefois un pic plus accus sur la bande de frquences
annuelles. L'importance des basses frquences indique la pr
sence significative d'un facteur de tendance qui s'interprte
comme un ensemble de cycles de priodes trs grandes ( la limite,

-53-

infinies). L'analyse cospectrale peut donc s'appliquer puisque


les relations sur toute la priode entre les deux sries sont relat
ivement stables.
L'estimation du cospectre par sous-priodes homognes per
met d'tudier l'volution ventuelle de la relation prix-quantits.
Compte tenu des contraintes statistiques (ncessit d'un nomb
reminimum d'observations) et des indications fournies par
l'analyse prcdente, on a retenu des sous-priodes d'un quart
de sicle. Partant de l'origine de la srie on a balay l'ensemble

de la priode en dplaant le dbut de chaque analyse de dix ans.


Les rsultats significatifs concernant la cohrence entre les deux
sries sont condenss dans le tableau 1.
Tableau 1 . - Analyse de la relation prix-quantits
partir de la notion de cohrence
Priode

Retards en mois

Cohrence

1827-1850

24
4
40
0,35
4
3,5
2,4
40
12
4
3
2

0,29
0,44
0,25
6
0,52
0,30
0,26
0,27
0,25
0,48
0,35
0,47
0,26
0,55
0,52
0,27
0,38
0,31
0,41
0,59
0,45
0,29
0,33
0,49
0,28
0,38
0,35
0,25

1836-1860

1846-1870

1856-1880

20
12
6
3,9
3
2,2

1866-1890

30
12
6
2,9
2,4
12
6
3,4
2,6
2,4

1876-1900

3. PREVISION DE LA PRODUCTION DE POISSONS


EN BRETAGNE NORD
La production de poissons en Bretagne nord (graphique 3) a
t perturbe partir du mois de mars 1978 par la pollution
entrane par le naufrage de l' Amoco-Cadiz (Bonnieux et
al., 1980, p. 44 et sq.). L'estimation des dommages subis par
la pcherie passe par une prvision de ce qu'aurait d tre la pro
duction
(en l'absence de mare noire). Il s'agit d'une prvision
autoprojective qui repose sur un modle o n'interviennent que
les seules informations contenues dans le pass de la srie. On
ne fait pas entrer en ligne de compte d'autres lments d'expli
cation, comme les variations de l'effort de pche. Le modle dve
lopp correspond un prolongement des mthodes de prvision
introduites par Box et Jenkins (1976).
Graphique 3. - Production de poissons
Quartiers de Brest, Morlaix, Quimper
Srie brute et tendance.
(unit : millier de francs)

L'examen de la cohrence entre les sries confirme les hypot


hses prcdemment mises. En effet :
sur les bandes de frquences qui correspondent aux compos
antes long terme, c'est--dire sur les bandes de frquenc
es
suprieures 12 mois, la cohrence reste faible et l'on
n'observe pas d'volution significative ;
sur les bandes de frquences qui correspondent aux compos
antes moyen terme, c'est--dire sur les bandes de fr
quences
comprises entre 6 et 12 mois on observe que l'i
nfluence de la composante annuelle est croissante. Ce ph
nomne
est prcd par une augmentation de l'influence de
la composante semestrielle qui diminue par la suite ;
sur les bandes de frquence qui correspondent aux compos
antes court terme, c'est--dire sur les bandes de frquenc
es
infrieures 6 mois on observe une diminution de l'i
nfluence de la composante de bande de frquence 4 mois, et
aucune volution significative de l'influence des autres ban
des de frquence.
On notera que sur la priode 1827-1850 seule la bande de fr
quence de 4 mois induit une cohrence significativement forte.
Or, c'est la priode qui correspond une agriculture trs tradi
tionnelle
fonctionnant l'chelon local avec des changes limi
ts. La substitution progressive de la composante annuelle, la
composante correspondant la bande de frquence de 4 mois,
accompagne l'intgration de l'agriculture d'Ille-et- Vilaine au mar
ch national avec l'influence des changes internationaux. Ainsi
voit-on la relation prix-quantits changer de nature au cours du
temps, refltant l'volution conomique.

-54-

3-1. - Spcification d'un modle (David, 1975).


Un examen minutieux de l'volution de la production de pois
sons, valeurs brutes et valeurs dsaisonnalises (graphique 3) comp
lt par l'tude des moments empiriques de la srie permet
d'avancer un ensemble d'hypothses sur le processus stochasti
que
sous-jacent. Prsentons les de faon heuristique en montrant
comment elles aboutissent la spcification d'un modle.
a) Filtrage
La valeur de la production suit une tendance la hausse vi
dente, due en partie au calcul en francs courants. Son limina
tion
par filtrage, prcde l'application de procdures d'estima
tion
qui ne s'appliquent qu' des processus stationnmes (du
second ordre). Un premier filtre bas sur une transformation
exponentielle vise stabiliser la variance de la srie brute Xt, on
dfinit alors :
yt = (x 1) / m
t = 1 . .. T
o m est un paramtre dterminer.
Un second filtre a pour objectif de stabiliser la srie elle-mme
de faon se rapprocher des conditions de stationnarit. On
retient un filtre de diffrenciation d'ordre d, qui revient effec-

tuer d fois la transformation yt yt yt_s. Lorsque


s = 1 (dcalage d'un mois), on retrouve le filtre de diffrencia
tion
habituel. Le filtre de diffrenciation permet de tenir compte
d'une tendance polynominale coefficients alatoires. Si l'or
dre du filtre vaut 2, on a une tendance linaire avec une ordon
ne l'origine et une pente alatoire.
Par ce double filtrage, on passe des valeurs brutes xt une
nouvelle srie de valeurs zt :
^ yt Zt
La srie zt (t = 1 . . . T) est suppose tre engendre par un
processus stationnaire (du second ordre). On raisonne dsormais
sur les valeurs transformes de la production.
b) Processus autorgressif
La production mensuelle est en partie lie la production enre
gistre au cours des mois prcdents. Abstraction faite du fac
teur saisonnier, l'intensit de cette liaison dcrot mesure que
l'on considre des priodes de plus en plus loignes dans le pass.
Une relation fonctionnelle dterministe ne saurait cependant, pas
rendre compte correctement de cette liaison. En effet de nomb
reux facteurs lis en particulier aux conditions climatiques, inte
rviennent sur la production de faon irrgulire et ponctuelle. Leur
influence s'ajoute aux consquences des erreurs d'observation
et conduit retenir une relation stochastique de la forme :
= b0
bp zt__
t = 1
o et dsigne une variable alatoire, d'esprance nulle. Le nomb
rede retards p pris en compte est a priori inconnu et les coeffi
cients b0, bj, . . . bp sont eux aussi des paramtres inconnus. La
stationnarit implique que leurs valeurs sont telles que les raci
nes du polynme 1 btk b2k2 ... bpkp soient de
module infrieur l'unit. On dfinit ainsi un processus autorg
ressif d'ordre p : AR(p).
c) Processus de moyennes mobiles
La production d'espces commercialismes est lie par
l'intermdiaire de la biomasse primaire aux conditions clima
tiques (en particulier l'ensoleillement) qui ont prvalu. En
l'absence de modles de chanes alimentaires explicitant cette rela
tion, on peut tenir compte des effets durables de cette nature.
Il suffit de supposer que la variable alatoire et qui vient d'tre
introduite dpend d'une suite d'effets alatoires lmentaires
a^ at_1> . . .at_q. La longueur de la suite (nombre q de retards)
est a priori inconnue. La partie alatoire du processus autor
gressif d'ordre p s'crit alors :
et = at c, at_1 . . . cq at_q
t = 1 . . . T
o les Cl . . . cq sont des paramtres inconnus. Les at sont des
variables alatoires d'esprance nulle. Elles ont toutes la mme
variance et ne sont pas corrles entre elles. La stationnarit du
processus gnrateur des et impose que les valeurs des coeffi
cients Cj, ... cq soient telles que les racines du polynme
1 Cjk c2k2 ... cq kq soient de module infrieur
l'unit. La variable alatoire et est la ralisation d'un processus
de moyennes mobiles d'ordre q not MA(q).
d) Synthse des hypothses
La combinaison d'un processus autorgressif AR(q) et d'un
processus de moyennes mobiles MA(q) dfinit un processus
ARMA (p, q). On a donc fait l'hypothse qu'un processus de ce
type tait le processus gnrateur des z,. Le processus gnra
teurdes yt est suppos tre un processus ARIMA(p, d, q). Ce
processus s'adapte des sries chronologiques trs varies tou
tefois la prise en compte de fluctuations saisonnires implique
de retenir, dans le cas d'observations mensuelles des valeurs de
p et q au moins gales 12. Ceci entrane l'estimation d'un nomb
relev de paramtres dont certains sont presque nuls. Une

-55-

tion quivalente permet de rduire le nombre de paramtres


estimer. Elle consiste introduire plusieurs processus ARIMA
d'ordre infrieur, leur produit dfinit alors le processus gnra
teurdes yt. Le modle ARIMA multiplicatif est un prolonge
ment
du modle ARIMA (p, d, q) (David, 1978, b).
3-2. - Estimation des pertes de la pcherie
On traite simultanment du filtrage, des aspects autorgress
ifs
et de moyenne mobile. Pour chaque processus ARIMA les
ordres p, d, q sont dtermins partir de l'examen des corrlogrammes. L'estimation des paramtres est faite par itrations suc
cessives.
Sur la base de critres statistiques (Ljung et Box, 1978),
plusieurs modles peuvent convenir. Le choix dfinitif est bas
sur le critre d'Akaike (Hannan et Quinn, 1979).
Sur la base des enregistrements mensuels de la production ant
rieurs la mare noire, on a retenu le modle ajust suivant :
y =(xt0-243 - 1)/ 0,243
(1,34)
yt yt_12
0,235 Zt_i 0,352 a;'_ 12 + a
(1.94)
(2,48)
a;' = 0,2
h at'
(1,77)
d = 0,916 a.'. + at 0,504 a,
(17,28)
(4.13)
R2 = 99 %
(Les valeurs entre parenthses sont celles du t de Student).
Ce modle est un modle multiplicatif qui correspond au pro
duit de 3 processus ARIMA. Comme on le vrifie, il comporte
7 paramtres inconnus : 6 coefficients et la variance de la varia
blealatoire a^
La qualit de l'ajustement a permis de faire des prvisions mens
uelles partir de mars 1978. Le calcul a t poursuivi jusqu'en
octobre 1979 (tableau 2).
Tableau 2.
Pertes de production de poissons (unit 1000 F)
Production
Ralisation Prvision
Mars 1978 ....
Avril
Mai
Juin . . . .
Juillet
Aot
Septembre
Octobre
Novembre ....
Dcembre
Janvier 1979
Fvrier
Mars
Avril
Mai
Juin
Juillet
Aot
Septembre
Octobre

503
370
499
1 005
1 393
1 450
1 075
1 094
832
702
842
760
852
926
1 406
1 797
1 907
1 758
1 529
1 323

939
J 038
215
488
512
719
256
135
971
854
653
700
898
956
] 110
l 386
[ 447
[ 704
l 213
I 111

Ecarts

Ecarts
cumuls

436
668
716
483
119
269
181
41
139
152
189
60
46
30
296
411
460
54
316
212

436
1 104
1 820
2 303
2 422
2 691
2 872
2 913
3 052
3 204
3 015
2 955
3 001
3 031
2 735
2 324
1 864
1 810
1 494
1 282

La qualit de la prvision diminue videmment mesure que


l'on s'loigne du point de dpart. La comparaison mois par mois
de la production ralise et de la production prvue rend compte
du droulement de la campagne de pche. La priode de dficit
couvre l'ensemble de l'anne 1978 partir de mars. Une

lioration sensible succde cette mauvaise priode et permet un


lger rattrapage en 1979. Malgr un certain arbitraire si on fixe
l'horizon de la prvision un an aprs la catastrophe, on est con
duit estimer les pertes de la pcherie 3 millions de francs (en
supposant que l'effort de pche n'a pas volu).

RFRENCES BIBLIOGRAPHIQUES
BONNIEUX F., DAUCE P., RAINELLI P., avec CHASSE C,
DAVID M., L'HOSTIS D. (1980). Impact socio-conomique de la
mare noire provenant de l' Amoco-Cadiz . INRA et UVLOE Volume d'Annexs.
BOX G.-E.-P., JENKINS G.M. (1976). Time series analysis fore
casting and control. Holden Day (2e dition).
DAUCE P., LEON Y. (1982). L'volution de l'agriculture bretonne
depuis 1850. Quelques donnes. Sciences Agronomiques, 1982-2, 97 p.
DAVID M. (1975). Statistique des modles de rgression erreurs
lies : cas des estimations de Box et Jenkins. Thse Universit de
Rennes I.
DAVID M. (1978,, a). L'ajustement saisonnier : une tude comparat
ive
n
7 570
entre231.le XI 1 et la mthode du CSO, in Rapport DGRST,
DAVID M. (1978, b). Estimation des modles de rgression erreurs
ARIMA, in Rapport DGRST, n 7 570 231.

-56-

DURBIN J., MURPHY M.J. (1975). Seasonal adjustment based


on a mixed additive-multiplicative model. J. Royal Statistical Society A,
vol. 138, pp. 385-410.
GILLE B. (1964). Les sources statistiques de l'histoire de France,
des enqutes du XVIIIe sicle 1870. Genve, 288 p.
GRANGER C.-W.-J., HUGLES A.-O. (1971). A new look at some
old data : the Beveridge wheat price series. J. Royal Statistical Society A,
vol. 134, pp. 413-428.
HANNAN J., QUINN P.-G. (1979). Determination of the order
of an autoregression. J. Royal Statistical Society B, vol. 44, pp. 190-195.
LAROQUE G. (1977). Analyse d'une mthode de dsaisonnalisation : le programme XI 1 du US Bureau of Census, version trimestrielle,
Annales INSEE, n 28.
LJUNG G.-M., BOX G.-E.-P. (1978). On measure of lack of fit
in time series models. Biometrika, vol. 65, pp. 279-303.
TOUT AIN J.C. (1971). La consommation alimentaire en France
de 1789 1964. Cahiers ISEA, tome 5, n 11.