Académique Documents
Professionnel Documents
Culture Documents
Semestre 3
Cours : 30h
TD : 15h
Coefficient : 2
ACTIVITE 1 : (15min)
• Décrire les décisions prises par un étudiant depuis son réveil :
o Actions automatiques à effectuées due à un phénomène d’apprentissage
dès le jeune âge
o Accompagné d’une multitude de choix dépendant de différents types de
facteurs :
o Exemple : s’habiller.
▪ 1. Décider quel type de vêtement porter en fonction de :
• Sa garde robe…………………….input
• Du climat…………………………facteurs climatiques
• De l’activité de la journée……sortie de terrain, sportive
• De la mode……………………….facteurs sociaux
• Faire plaisir à ses parents……….valeurs morales…
▪ 2. Décider quand préparer ses vêtements:
• A la dernière minute…………….désordonné
(Risque d’arriver en retard et d’avoir de mauvaises
surprises élevés)
• La veille………………………….ordonné
• Programme pour la semaine…….prévoyant
(0 risque à prendre, totale maîtrise de l’information)
▪ 3. Décider quoi garder comme vêtements:
• Jeter………………………………recyclage ou bienfaisance
• Garnir…………………………….acheter
• Aérer…………………………… ..pour pouvoir choisir, des fois on
est amené à éliminer une grande partie de ses vêtements.
Le processus de prise de décision est déclenché suite à une série de questions :
Quel, quand, quoi….
vi
Domaine de prise de décision
Assistant de
direction
Responsable
marketing
Responsable achat
Responsable
magasin
Responsable
administratif et
financier
Responsable qualité
Président directeur
général
Définition:
La prise de décision est un phénomène permanant. C’est un acte qui se déclenche suite à
un besoin de résoudre une problématique.
"L'aide à la décision est l'activité de celui qui, par des voies dites scientifiques, aide à
obtenir des éléments de réponse à des questions que se posent des acteurs impliqués dans
un processus de décision, éléments concourant à éclairer la décision en vue de favoriser
un comportement des acteurs qui soit de nature à accroître la cohérence entre l'évolution
du processus d'une part, les objectifs et ou les systèmes de valeurs au service desquels
ces acteurs se trouvent placés d'autre part." (B. Roy : Cahiers du Lamsade n°97, Univ. Paris-
Dauphine, 1992)
vii
difficile à définir et surtout à quantifier. Il s'agit ici du niveau de décision du PDG qui
est concerné, par exemple, par la création et l'implantation d'une nouvelle usine, d'un
ministre responsable d'une politique en matière de création d'emplois, etc.
• Semi-stratégiques : le niveau de complexité est intermédiaire. Citons à titre d’exemple
le problème d'élaboration du planning d'un nouveau projet, des modalités
d'implantation d'une nouvelle unité de production, etc.
Objectif du cours.
Ce cours présente en trois parties distinctes, les différents outils nécessaires dans la prise
de décision dans l’entreprise.
Les outils d’aide à la décision proposés ne sont pas présentés de manière exhaustive mais
plutôt, complètent la formation du futur ingénieur en génie industrielle.
Dans la première partie on propose certaines techniques statistiques pour la prise de
décision avec incertitude (univers probabilisé) ainsi qu’à la minimisation des risques
d’erreurs dans la prise de décision
La deuxième partie évoque les limites de la théorie statistique de la décision face aux
problèmes réels rencontrés dans une entreprise. Citons à titre d’exemple le cas du choix
d’un investissement, l’analyse statistique des données s’avère insuffisante. Nous
présentons dans cette partie l’analyse coûts-avantages. Nous nous attarderons vers la fin
sur le problème de mesure des effets intangibles et la complexité de ce type de méthodes
La troisième partie concerne la nécessité de considérer des outils d’aide à la décision
systémique face à des contraintes de nature conflictuelles. Les notions de base
nécessaires de la pratique d’aide à la décision sous une approche mathématique seront
introduites ainsi que certaines méthodes pratique.
viii
Le mythe de Prométhée.
« Il fut jadis un temps où les dieux existaient, mais non les espèces mortelles. Quand le
temps que le destin avait assigné à leur création fut venu, les dieux les façonnèrent dans
les entrailles de la terre d’un mélange de terre et de feu et des éléments qui s’allient au
feu et à la terre.
Quand le moment de les amener à la lumière approcha, ils chargèrent Prométhée et
Epiméthée de les pourvoir et d’attribuer à chacun des qualités appropriées. Mais
Epiméthée demanda à Prométhée de lui laisser faire seul le partage. « Quand je l’aurai
fini, dit-il, tu viendras l’examiner ». Sa demande accordée il fit le partage, et, en le faisant,
il attribua aux uns la force sans la vitesse, aux autres la vitesse sans la force ; il donna des
armes à ceux- ci, les refusa à ceux-là, mais il imagina pour eux d’autres moyens de
conservation ; car à ceux d’entre eux qu’il logeait dans un corps de petite taille, il donna
des ailes pour fuir ou un refuge souterrain ; pour ceux qui avaient l’avantage d’une
grande taille, leur grandeur suffit à les conserver, et il appliqua ce procédé de
compensation à tous les animaux. Ces mesures de précaution étaient destinées à prévenir
la disparition des races. Mais quand il leur eut fourni les moyens d’échapper à une
destruction mutuelle, il voulut les aider à supporter les saisons de Zeus ; il imagina pour
cela de les revêtir de poils épais et de peaux serrées, suffisantes pour les garantir du froid,
capables aussi de les protéger contre la chaleur et destinées enfin à servir, pour le temps
du sommeil, de couvertures naturelles, propres à chacun d’eux ; il leur donna en outre
comme chaussures, soit des sabots de cornes, soit des peaux calleuses et dépourvues de
sang, ensuite il leur fournit des aliments variés suivant les espèces, aux uns l’herbe du sol,
aux autres les fruits des arbres, aux autres des racines ; à quelques-uns même il donna
d’autres animaux à manger ; mais il limita leur fécondité et multiplia celle de leur victime
pour assurer le salut de la race.
Cependant Epiméthée, qui n’était pas très réfléchi avait sans y prendre garde dépensé
pour les animaux toutes les facultés dont il disposait et il lui restait la race humaine à
pourvoir, et il ne savait que faire. Dans cet embarras, Prométhée vient pour examiner le
partage ; il voit les animaux bien pourvus, mais l’homme nu, sans chaussures, ni
couvertures ni armes, et le jour fixé approchait où il fallait l’amener du sein de la terre à
la lumière. Alors Prométhée, ne sachant qu’imaginer pour donner à l’homme le moyen de
se conserver, vole à Héphaïstos et à Athéna la connaissance des arts avec le feu ; car, sans
le feu, la connaissance des arts était impossible et inutile ; et il en fait présent à l’homme.
L’homme eut ainsi la science propre à conserver sa vie ; mais il n’avait pas la science
politique ; celle-ci se trouvait chez Zeus et Prométhée n’avait plus le temps de pénétrer
dans l’acropole que Zeus habite et où veillent d’ailleurs des gardes redoutables. Il se glisse
donc furtivement dans l’atelier commun où Athéna et Héphaïstos cultivaient leur amour
des arts, il y dérobe au dieu son art de manier le feu et à la déesse l’art qui lui est propre,
et il en fait présent à l’homme, et c’est ainsi que l’homme peut se procurer des ressources
pour vivre. Dans la suite, Prométhée fut, dit-on, puni du larcin qu’il avait commis par la
faute d’Epiméthée.
ix
Quand l’homme fut en possession de son lot divin, d’abord à cause de son affinité avec
les dieux, il crut à leur existence, privilège qu’il a seul de tous les animaux, et il se mit à
leur dresser des autels et des statues ; ensuite il eut bientôt fait, grâce à la science qu’il
avait d’articuler sa voix et de former les noms des choses, d’inventer les maisons, les
habits, les chaussures, les lits, et de tirer les aliments du sol. Avec ces ressources, les
hommes, à l’origine, vivaient isolés, et les villes n’existaient pas ; aussi périssaient-ils sous
les coups des bêtes fauves toujours plus fortes qu’eux ; les arts mécaniques suffisaient à
les faire vivre ; mais ils étaient d’un secours insuffisant dans la guerre contre les bêtes ;
car ils ne possédaient pas encore la science politique dont l’art militaire fait partie. En
conséquence ils cherchaient à se rassembler et à se mettre en sûreté en fondant des villes
; mais quand ils s’étaient rassemblés, ils se faisaient du mal les uns aux autres, parce que
la science politique leur manquait, en sorte qu’ils se séparaient de nouveau et périssaient.
Alors Zeus, craignant que notre race ne fut anéantie, envoya Hermès porter aux
hommes la pudeur et la justice pour servir de règles aux cités et unir les hommes par les
liens de l’amitié. Hermès alors demanda à Zeus de quelle manière il devait donner aux
hommes la justice et la pudeur. « Dois-je les partager comme on a partagé les arts ? Or
les arts ont été partagés de manière qu’un seul homme, expert en l’art médical, suffît pour
un grand nombre de profanes, et les autres artisans de même. Dois-je répartir ainsi la
justice et la pudeur parmi les hommes ou les partager entre tous » – «Entre tous répondit
Zeus ; que tous y aient part, car les villes ne sauraient exister, si ces vertus étaient comme
les arts, le partage exclusif de quelques-uns ; établis en outre en mon nom cette loi que
tout homme incapable de pudeur et de justice sera exterminé comme un fléau de la
société ».
Voilà comment, Socrate, et voilà pourquoi et les Athéniens et les autres, quand il s’agit
d’architecture ou de tout autre art professionnel, pensent qu’il n’appartient qu’à un petit
nombre de donner des conseils, et si quelque autre, en dehors de ce petit nombre se mêle
de donner un avis, ils ne le tolèrent pas, comme tu dis, et ils ont raison selon moi. Mais
quand on délibère sur la politique où tout repose sur la justice et la tempérance, ils ont
raison d’admettre tout le monde, parce qu’il faut que tout le monde ait part à la vertu
civile ; autrement il n’y a pas de cité ».
PLATON. Protagoras.320.321c. (Traduction
d’Emile Chambry).
x
PARTIE 1: Les outils statistiques d’aide
à la décision
xi
Chapitre 1: Statistiques descriptives comme
outil d’aide à la prise de décision
Les statistiques descriptives ont été amplement étudiées dans le semestre 2. L’application
des différentes formules statistiques a été effectuée dans le cadre d’enseignement d’une
méthodologie quantitative. Dans ce chapitre on rappelle brièvement les principaux
paramètres développés (voir Appendix 1) par la suite, nous introduisons un outil de
représentation graphique des paramètres de tendance centrale et de position à savoir la
boite à moustache et enfin nous nous attardons sur un cas d’étude pour montrer à la fin que
l’analyse descriptive, permet de résumer les données à travers des paramètres statistiques
pertinents
1. Les paramètres statistiques
(cours diapo + résumé)
Cas d’étude
• La résistance à la compression (80 tests sont effectués, les unités sont en psi)
12
Travail demandé :
En se basant sur les données statistiques précédentes: présenter une aide à la décision
basée sur les outils statistiques étudiés auparavant et justifier votre proposition.
Réponse :
1ère étape :……………………………………………..
13
3ième étape :……………………………………………..
300
250
200
150
Series1
100
50
0
0 10 20 30 40 50 60 70 80 90
14
Yi est le résultat du regroupement des données des tests en classes statistiques :
Comment on détermine le nombre de classes? Il y a essentiellement deux méthodes de
déterminer le nombre de classes à amplitudes égales :
k= n= 169 = 13 CLASSES
Ou bien n = étendu
10
k =1+ . log 10 ( n ) = 9
3
Lorsque l’on regroupe les données en classes, la formule ci-dessous permet de
déterminer le nombre (k) de classes en fonction du nombre (n) d’unités statistique.
Fi
Classe effectif Cumulées
[76 89[
[89 102[
[102 115[
[115 128[
[128 141[
[141 154[
[154 167[
[167 180[
[180 193[
[193 206[
[206 219[
[219 232[
[232 245[
Total
15
Courbe des Fréquences Cumulées
Histogramme
16
Les quartiles
15
Series1
10 • Analyse de la symétrie
o Le coefficient de Yule
5 Q3 + Q1 − 2M
CY = Q3 − Q1 =
163+183−2∗193
= -2
183−163
0
89 115 141 167 193 219 245 Etalement vers la gauche
psi
Réponse p(Yi ≤128) = F(128) = 0,15 > 0,04 on ne produit pas mais tout fois, il faudrait revoir
le plan d’échantillonnage et choisir plus d’échantillons pour s’assurer du résultat.
Conclusion
Les statistiques descriptives sont complétées par les statistiques inductives
La statistique inductive (ou inférentielle) permet de tirer des conclusions générales à partir
d'expériences et de faire des prévisions.
Dans le contexte de l’exemple sur la résistance d’un alliage on pourra affirmer: la résistance
moyenne à la rupture de cet alliage se situe entre 155,3 et 170,1 psi; Cette affirmation
possède un niveau de confiance de 95%. Dans les chapitres suivants, nous verront comment
s’effectue cette évaluation de l’intervalle de variation de la résistance moyenne.
17
Appendix 1 Θi =fi ×360°
I. Définition
Le graphique par tuyaux d’orgue
1. Les effectifs et les fréquences :
ni , d’une valeur xi de la variable X= le nombre de fois que cette valeur est
apparue à l’observation. Les diagrammes figuratifs
n= ∑ ni.
fi = ni/n la fréquence est le rapport entre l’effectif correspondant à cette valeur III. REPRESENTATION DU CARACTERE QUANTITATIF DISCRET
et l’effectif total n. ∑ fi = 1.
Le pourcentage pi=fi×100. 1. Tableaux statistiques : Répartition de P selon C
Modalités Effectifs Fréquences
2. Les séries statistiques :
M1 n1 f1
Les séries simples ou données brutes :
M2 n2 f2
La valeur de chaque unité est reportée individuellement dans le tableau
… … …
statistique de ce type de série. Une série statistique simple comprend autant de
Mi ni fi
valeurs de la variable que d’unités statistiques notées xi. (i= 1 à n ).
… … …
Les séries regroupées :
Mk nk fK
Regroupées dans des classes
Total n 1
II. REPRESENTATION DU CARACTERE QUALITATIF 2. La fonction de réparation : les effectifs et fréquences cumulés croissants
18
Cette grandeur représente la proportion d’individus ayant une valeur du On définit modalités Mi constituées par les k classes [ei-1,ei[.
caractère supérieur à x.
M1= [e0,e1[
3. Représentation graphique
MI= [ei-1,ei[
a) Le diagramme en bâtons
Mk= [ek-1,ek[
L’effectif ni est le nombre des individus qui ont une valeur de la variable
supérieure ou égale à ei-1 et strictement inférieure à ei .
2 .La fonction de répartition
La définition est identique à cette relative au caractère quantitatif discret .
F:R [0,1]
X F(x) avec F(x)=pX<x)
Certaines précisions sont quand même à ajouter à propos de la définition
particulière des intervalles.
b)la courbe en escalier
• La fonction F(x) n’est connue avec exactitude que pour les valeurs e 0,
Le diagramme intégral ou courbe cumulative représentation de la fonction de e1,…….,ei , ……ek
répartition est une courbe en escalier, discontinue donc, mais continue à F (e0)=0
gauche aux points de discontinuité que sont les valeurs Mi. F (e1)=f1
F (ei)=f1+f2+ …..+fi
F (ek)=1
• F(x)=0 pour tout x<eO
• F(x)=1 pour tout x>ek
• Pour tout x compris strictement entre ei-1 et ei ,F(x) n’est pas déterminé
avec exactitude .C’est pourquoi nous supposerons que la fonction F est
linéaire entre ei-1 et ei pour tout i.
𝑭(𝒙)−𝑭(𝒆𝒊−𝟏 ) 𝑭(𝒆𝒊 )−𝑭(𝒆𝒊−𝟏 )
=
(𝒙−𝒆𝒊−𝟏 ) (𝒆𝒊 −𝒆𝒊−𝟏 )
19
3. Représentation graphique Le mode, noté Mo, est la valeur de la variable la plus fréquente dans une série
d’observations.
a)l’histogramme
1. Les séries simples
La surface Si est proportionnelle à l’effectif (ou à la fréquence) de la classe.
la valeur la plus fréquente dans une série de données.
Soit Si=λ .fi, où est un paramètre positif indépendant de i.
2. Les séries regroupées : le caractère discret
La hauteur hi de chaque rectangle doit être donc déterminée en conséquence.
𝑓𝑖
la modalité qui correspond au plus grand effectif ou à la plus grande fréquence.
Si=hi.Ii=hi.ai=λ .fi d’où hi= λ
𝑎𝑖
3. Le caractère continu
Il reste à déterminer la valeur λ. On détermine la classe modale
-Lorsque toutes les classes ont la même amplitude, on choisit Lorsque toutes les classes ont la même amplitude, la classe modale est celle qui
λ égale à cette amplitude et on aura alors hi=fi. correspond à l’effectif le plus élevé.
-Lorsque les classes n’ont pas toutes la même amplitude, on
choisit λ égale à l’amplitude la plus fréquente. Si plusieurs Lorsque les classes ont des amplitudes inégales, on corrige les frequences ou
amplitudes se répètent le même nombre, on choisit alors effectifs et on détermine le mode
l’amplitude fréquente la plus petite.
𝒅𝟏
MO=LMo+ .I
𝑓𝑖 𝒅𝟏 +𝒅𝟐
Dans tous les cas on appelle hi fréquence corrigée notée fic fic = λ.
𝑎𝑖
LMo : Limite inférieur de la classe modale
b) La courbe cumulative d1 :fcMo-fcMo-1
d2 : fcMo-fcMo+1
I : Amplitude de la classe modale
II. LA MEDIANE
Me= la valeur qui sépare une série d’observations ordonnées en ordre
croissant ou décroissant, en deux parties comportant le même nombre
d’observations.
1. Les séries simples
20
correspond à l’observation qui a l’effectif cumulé 𝑛⁄2 si n est pair et (n+1)/2 si 1 1
n est impair. Q2= ∑𝑛𝑖=1 𝑥𝑖2 Q=√ ∑𝑛𝑖=1 𝑥𝑖2
𝑛 𝑛
Si n/2 (ou (n+1)/2) ne se trouve pas parmi les effectifs cumulés, on prendra 2. La moyenne géométrique
comme médiane la valeur de la variable qui correspond à l’effectif cumulé 1 1
immédiatement supérieur à n/2 (ou (n+1)/2) G=(𝑥1 . 𝑥2 … 𝑥𝑛 )𝑛 =(∏𝑛𝑖=1 𝑥𝑖 )𝑛
3. Le caractère continu 𝑘 𝑛
1 1
log 𝐺 = ∑ 𝑛𝑖. log 𝑀 log 𝐺 = ∑ log 𝑥𝑖
Dans le cas d’une variable continue, la médiane se définit comme la solution de 𝑛 𝑛
𝑖=1 𝑖=1
l’équation F(Me)=0,5(ou encore N(Me)= n/2)
3. La moyenne harmonique H
la classe médiane. C’est celle dont les bornes e i-1etei sont telles que :F (ei-1)
≤0,5≤F (ei) Série simple
0,5−𝐹(𝑀𝑒−1) 1 1 1 𝑛
Me=LMe+ .𝐼 = ∑𝑛𝑖=1 H= 1
𝑓𝑀𝑒 𝐻 𝑛 𝑥1 ∑𝑛
𝑖=1 𝑥𝑖
21
Chapitre 2: Modélisation économétrique
comme outil d’estimation et de prévision
Après avoir montré dans le chapitre 1 les avantages d’un tri à plat des variables de décision, nous
montrons dans ce chapitre ceux de la modélisation économétrique simple et multiple dans
l’étude des effets-causalités entre les variables, leur corrélation, et comment prévoir des valeurs
futures à partir des tendances estimées.
Les étapes d’exploitation de la modélisation pour une aide à la décision sont les suivantes :
1. Définir clairement le problème
2. Conceptualiser le problème (définir les variables appropriées, identifier les raisons plausibles du
changement de variable dépendante)
3. Opérationnaliser ( rendre opérationnel)
4. Modèle de régression hypothétique
5. Recueillir des données
6. Vérifier la multicolinéarité (régression multiple uniquement)
7. Estimer l'équation OLS (ordinateur)
8. Faire un test statistique
8.1 Pour l'équation - somme des carrés
8.2 Pour les coefficients
9. Interpréter les coefficients
10. Vérifier les hypothèses de MCO
11. Conclusions, limites
A cet effet, nous allons montrer comment modéliser une relation linéaire entre tout d’abord deux
variables, puis plusieurs variables et ce, par la méthode des moindres carrées ordinaires. Dans
la deuxième section de ce chapitre nous allons montrer comment exploiter ces modèles linaires
pour estimer des valeurs futures ou non observées.
Dans la dernière partie de ce chapitre nous allons aborder le cas des modèles non linéaires et
comment les estimer en se basant sur les principes des moindres carrées ordinaires.
22
Définition
Application :
Après une compagne de promotion [publicité (Z) et force de vente (Y)], jugée efficace, les ventes
d’un produit ont nettement augmenté.
Afin d’augmenter sa part de marché, le décideur veut lancer pour le même produit, une nouvelle
compagne de promotion pour cibler un nouveau type de consommateur. Quelle stratégie future
adopter tenant compte de sa première expérience de compagne publicitaire?.
Les chiffres du tableau suivant sont en milliers de dinars
8 14 120
12 25 140
18 60 160
20 40 165
25 30 170
30 25 180
32 60 190
36 50 205
23
Nous commençons par présenter le nuage de point de varaible deux à deux
Nous remarquons une tendance linéaire croissante entre les variables et plus évidente pour le cas de
force de vente. Pour étudier l’intensité de la relation entre X (vente) la variable à expliquer et Y (force de
vente) et Z (publicité), les variables explicatives. On calcule le coefficient de corrélation ρ et de
détermination R²(X,Y)
Cov (X,Y)
𝜌=
𝜎(𝑋). 𝜎(𝑌)
1 𝑛
∑
= 𝑛 . 𝑖=1(𝑋𝑖 − 𝑋)(𝑌𝑖 − 𝑌) ,𝑅² =𝜌² =
𝑆𝑥𝑦 ²
𝑆𝑥𝑥 . 𝑆𝑦𝑦
𝑛 𝑛
√∑𝑖=1(𝑋𝑖 − 𝑋)² . √∑𝑖=1(𝑌𝑖 − 𝑌)²
𝑛 𝑛
Interprétation
………………………………………………………………………………………………………………………..
………………………………………………………………………………………………………………………..
………………………………………………………………………………………………………………………..
………………………………………………………………………………………………………………………..
………………………………………………………………………………………………………………………..
………………………………………………………………………………………………………………………..
………………………………………………………………………………………………………………………..
………………………………………………………………………………………………………………………..
24
La question qui se pose:
Quelles sont les ventes probables après une action de «force de vente » coutant 40MD.
Le nuage de point a une tendance vers la croissance et peut être approximé par une droite mais
quelle droite choisir?:
* Celle qui passe par le plus grand nombre de point? * Ou bien celle qui passe par l’origine et le
point central M?
* Ou bien celle qui passe par le plus grand nombre de point et le point central M = 𝑋???
Pour répondre à ces questions, la méthode des moindres carrés ordinaire permet d’ajuster un
nuage de point à la droite qui minimise l’écart entre l’ordonnée du point observé et son projeté
orthogonal (par rapport à l’axe des abscisses) sur cette même droite, appelé droite de régression
ou droite de régression linéaire.
Les moindres carrés ordinaires
25
Si l'on note les écarts ɛi avec i {1...N} alors le critère des moindres carrés s'écrit :
i = N
yi − (a xi + b) 2
𝑖=𝑁
𝜀2
MIN [∑ 𝑖 ] qui revient à minimiser i =1
𝑖=1
La minimisation de cette expression selon les hypothèses1 des moindres carrés ordinaires (MCO)
permet de déterminer la pente de cette droite selon cette expression2 :
1 𝑁
∑𝑖=1 𝑥𝑖 𝑦𝑖 − 𝑋̄ ⋅ 𝑌̄ 𝑠𝑋𝑌 /𝑛 𝑠𝑋𝑌
𝑎̂ = 𝑁 = =
1 𝑁 2 𝑠𝑋𝑋 /𝑛 𝑠𝑋𝑋
∑𝑖=1 𝑥𝑖 − 𝑋̄ 2
𝑁
Ainsi que l’ordonnée à l’origine
𝑏̂ = 𝑌̄ − 𝑎̂ ⋅ 𝑋̄
Nous remarquons que le point moyen de coordonnées 𝑀̄ = (𝑋̄, 𝑌̄) appartient à cette droite
d’ajustement. La variance de l’erreur ainsi que celle des coefficients de régression sont :
1
Voir appendixe 2
2
Voir appendix 2
26
Application :
250
Vente (Y)
200
150
100
50
Vente (Y)
0
0 5 10 15 20 25 30 35 40
Forte corrélation entre les deux variables, si les FV augmente d’une unité, les ventes
augmenteront de 2, 6966. En cas d’absence d’efforts dans la Force de vente, les ventes minimales
seront de 105,25 unités (1000DT)
L’ajustement linéaire multiple sert à estimer la relation entre une variable dépendante (Y ) et plusieurs
variables indépendantes (X1, X2, … Xp). Citons à titre d’exemple les cas où on cherche à expliquer le prix
d’un appartement par la superficie, les prestations, l’emplacement, ,Expliquer les ventes d’un magasin par
le marché total, le prix, l’investissement, la publicité,… ou bien Expliquer la consommation des véhicules
par le prix, la cylindrée, la puissance et le poids.
Estimation du modèle
L’équation de régression multiple précise la façon dont la variable dépendante est reliée aux variables
explicatives 𝑦𝑖 = 𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖 +. . . 𝛽𝑝 𝑥𝑝𝑖 + 𝜀𝑖 : où β0, β 1, β 2, . . . , β p sont les paramètres et 𝜀𝑖 est un
bruit variable aléatoire représentant le terme d’erreur.
Ecriture matricielle du modèle
𝛽0
𝑦1 1 𝑥1,1 ⋯ 𝑥1,𝑝 𝜀1
𝛽
[ ⋮ ] = [⋮ ⋮ ⋱ ⋮ ] [ 1] + [ ⋮ ]
𝑦𝑛 ⋮ 𝜀𝑛
1 𝑥1,𝑛 ⋯ 𝑥𝑛,𝑝
𝛽𝑝
𝑦 =𝑋 𝛽+ 𝜀
Tout se base sur les données concernant les deux variables endogène et exogènes. La méthode consiste à
ˆ , ˆ , ˆ ,..., ˆ p
estimer le vecteur β par les MCO, 0 1 2 l’interprétation graphique de ce modèle est la suivante :
L’application des MCO dans le cas d’un modèle à plusieurs variables exogène consiste à minimiser la
somme des carrés des résidus :
n n
i2 = ( yi − yˆi ) 2
i =1 i =1
Le calcul numérique lui-même (calcul matriciel) peut s’effectuer à l’aide de logiciels statistiques (SAS,
SPSS, S+, R, Gretl,…).
L’expression de l’estimateur est la suivante :
𝛽̂ = (𝑋 𝑇 𝑋)−1 𝑋 𝑇 𝑌
28
𝛽̂ * suit une loi N(0, 𝜎𝜀2 (𝑋 𝑇 𝑋)−1 )
Explication du modèle
L’estimée de Y varie d’un facteur égal à 𝛽̂𝑘 lorsque Xk augmente d’une unité, les autres variables étant
maintenues constantes.
• L’ordonnée à l’origine k=0
C’est la valeur moyenne de Y lorsque toutes les Xi sont nulles.
∑𝑛𝑖=1 𝜀𝑖2 𝑆𝐶𝑅
𝜎̂ 2 = = 𝑒𝑡 𝑆𝐶𝑅 = 𝑌𝑌′ − 𝛽̂ ′𝑋′𝑌
𝑛−𝑘−1 𝑛−𝑘−1
La variance des paramètres est donnée par l’expression suivante :
𝑉̂ (𝛽̂ ) = 𝜎̂ 2 (𝑋 𝑇 𝑋)−1
Remarques sur le R2
• 0≤R2 ≤1 avec R2 = SCE/SCT
• Lorsque l’on ajoute de nouvelles variables explicatives au modèle, le R2 augmente (même
dans le cas où les nouvelles variables explicatives sont très liées à la variable dépendante).
C’est la raison pour laquelle on introduit le R2 ajusté.
𝑛−1
• Le R2 ajusté se calcule en fonction du R2 : 𝑅𝑎2 = 1 − (1 − 𝑅 2 ) Il traduit à la fois la
𝑛−𝑝−1
qualité de l’ajustement (liaison entre Y et les Xi) et la complexité du modèle (nombre de
variables explicatives).
29
Vérité H0 H1
Décision
H0 1- α β
H1 α 1- β
• α s’appelle le risque de 1ière espèce, c’est la probabilité de choisir H1 alors que H0 est vraie.
• β s’appelle le risque de 2ième espèce, c’est la probabilité de choisir H0 alors que H1 est vraie.
α étant fixé, β sera déterminé comme résultat d’un calcul.β varie en sens contraire de α.
• 1-α est la probabilité d’opter pour H0 en ayant raison appelé « niveau de confiance »
• 1-β est la probabilité d’opter pour H1 en ayant raison appelé « puissance du test ».
Le test d’hypothèse est donnée par l’expression suivante:
𝐻 :𝑎 = â
{ 0 (par analogie b)
𝐻1 : 𝑎 ≠ â
Soit t la statistique qui permet de réaliser ce test et qui suit la loi de Student de ° de liberté (n – 2)
t ↝ T(n-2)
𝑎−â
𝑡=
√𝑣(â)
[𝑎̂ − 𝑡𝛼 𝜎â ; 𝑎̂ + 𝑡𝛼 𝜎â ]
La prévision
Modèle linéaire simple
Cette étape consiste à prévoir le comportement de la variable dépendante y sur la base de valeur
hypothétique, Xɵ. Outre l’estimation ponctuelle de 𝑦̂𝜃 , donnée par
𝑦𝜃 = 𝑎 + 𝑏. 𝑥𝜃 + 𝜀𝜃
𝑦̂𝜃 = 𝑎̂ + 𝑏̂. 𝑥𝜃
on peut l’estimer par intervalle de confiance (l’encadrer).
1 (𝑥𝜃 − 𝑥)²
𝑎𝑣𝑒𝑐 𝜇̂ 𝜃2 = 𝜎̂ ²( 1 + + 𝑛 )
𝑛 ∑1 (𝑥𝑖 − 𝑥)²
On peut calculer pour une valeur hypothétique Xɵ un Yɵ tel que 𝑦̂𝜃 = 𝑋′𝜃 . 𝛽̂ ou par intervalle de
confiance:
𝐼𝐶(𝑦𝜃 ) = [𝑦̂𝜃 − 𝑡 ∗ 𝜇̂ 𝜃 ; 𝑦̂𝜃 + 𝑡 ∗ 𝜇̂ 𝜃 ]
31
Appendix 2
Les hypothèses des MCO
= 𝐶𝑂𝑉(𝑋𝑖, 𝜀𝑖) = 0 ∀𝑖 ∈ 1… 𝑁
Vari
H2 : en moyenne les erreurs sont nulles
𝐸(𝜀𝑖) = 0 𝑖 = 1 … 𝐻
Cette hypothèse implique que les variables non introduites explicitement dans le modèle présentent un
impact.
2
H4 : E(εi 2) = σ i= 1 … . M
> εi = yi − ŷi
i
La valeur ajustée du ŷi est obtenue en estimant préalablement les paramètres inconnus du modèle. -On
remarque que le résidu estimé peut-êtreaussi bien > 0 que
<0;
32
PARTIE 2: Les outils systémiques
d’aide à la décision
33
Chapitre 3. Les fondements pratiques de
l’analyse coûts – avantages :
L’analyse coûts – avantages sert à mesurer l’efficacité économique d’un projet ainsi que le critère
d’équité, elle repose sur un axe principal qui est la théorie du bien-être général. Nous commençons
par définir quelques concepts de base. Définitions :
Young et Haveman avancent la définition suivante :
« L’avantage se définit comme la somme qu’un utilisateur du bien public, rationnel et informé serait
disposé à payer pour le bien fourni par le secteur public. Les coûts représentent la valeur des biens et
services auxquels il aura fallu renoncer »
Ces propos stipulent que les gens savent ce qui est bon pour eux, chose qui n’est pas toujours
vraie. Mishan dans son ouvrage « l’analyse coûts – avantages. 1975 » a écrit :
« Le fait que les gens ne connaissent qu’imparfaitement les opportunités économiques et qu’ils peuvent
être imprudents ou naïfs n’a jamais empêché les économistes de reconnaître comme données
fondamentales les quantités que les gens acquièrent à des prix donnés. De telles imperfections ne
peuvent donc pas être logiquement invoquées pour qualifier les choix quand les préférences sont
exercées pour attribuer un prix à une augmentation quelconque d’un bien ou d’un mal »
1. Présentation de l’analyse :
L’analyse coûts – avantages est le premier outil qui montre si une réaffectation spécifique des
ressources permet de faire croître la valeur des biens et services produits et donc le bien – être
général de la société.
Nous nous trouvons donc, devant deux grandes approches : celle de l’équilibre général ou tous les
effets positifs et négatifs sont pris en considération et celle de l’équilibre partiel ou nous ne tenons
compte que des effets directs.
Méthode de l’équilibre général :
La définition proposée par Mishan (1975) découle directement du critère de Hicks – Kaldor, en effet
il définit les avantages d’un projet comme étant la somme maximale que tous les gagnants sont
disposés à payer pour profiter des avantages promis par le projet et les coûts comme la somme
minimale à payer pour dédommager les perdants, ce qui leur permettra de jouir du même niveau
de bien - être que celui de la situation initiale, c’est à dire « sans » le projet.
Méthode de l’équilibre partiel :
Cette méthode ressemble à la première mais définit les avantages comme étant la somme qu’un
individu est prêt à payer pour se procurer l’ensemble des extrants directs du projet et les coûts
comme étant la somme globale qu’il est disposé à payer pour les biens et services produits si les
ressources à utiliser dans le projet sont allouées à leur deuxième meilleur emploi. Les deux
méthodes peuvent aboutir au même résultat final, reste que la deuxième méthode est plus simple,
moins coûteuse, mais qui ne tient pas compte de tous les effets. Dans certains cas ou les effets
secondaires s’annulent, nous retrouvons les mêmes résultats aussi bien avec la première qu’avec la
deuxième méthode. Pour pouvoir les différencier, nous commençons par définir les différents types
34
d’effets qui peuvent résulter d’un projet quelconque : Les effets peuvent prendre deux formes
distinctes : avantages et coûts, chaque type d’effet est scindé en deux catégories : effets directs et
effets indirects qui sont encore une fois divisés en deux types d’effets tangibles et intangibles.
Avantage social = Avantages directs plus avantages secondaires qui ne s’annulent pas
Coût social = Coûts directs plus coûts secondaires qui ne s’annulent pas
Projet
En amont En aval
(réels et pécuniaires) (réels et pécuniaires)
Dans cette section un document sera analysé par les étudiants par groupe et commenté pour expliquer
l’usage de l’analyse coûts avantages. Le document est le suivant :
35
Pour un besoin de simplicité, l’ACA peut être divisée en 6 étapes distinctes comme illustré en
Figure 1. Chaque étape est composée comme suit:
36
Identification des résultats
L’identification des résultats (qui peuvent être positifs ou négatifs) a trait au fait de comprendre
le type de changements qui se produisent, ou qui se sont produits, depuis le début d’une
intervention (que ça soit une politique, un programme ou un projet). Cet exercice peut être basé
soit sur les parties prenantes (c.-à-d. demander aux acteurs de dire ce qui change et comment) ou
sur une revue documentaire, dans le cas où l’on veut tester une hypothèse prédéfinie. Par exemple,
si l’on pense qu’il est attendu d’une intervention qu’elle augmente la diversification du revenu, alors
l’on devrait tester l’hypothèse que les revenus sont en train de se diversifier que les parties
prenantes identifient que le dit changement leur est essentiel/important ou pas. Cependant, le
processus d’identification le plus solide est mené en impliquant les acteurs qui sont sensés vivre le
changement.
37
La quantification des résultats bruts se rapporte à la mesure du changement intervenu pour
chaque produit pris individuellement. Cette mesure doit être quantitative. Si vous avez à faire à un
changement qualitatif (ex. l’autonomisation du genre), ce dernier est aussi exprimé en termes
quantitatifs, en utilisant par exemple un indicateur pour ce résultat, et en le mesurant en faisant
usage d’une échelle. Dans le cas d’une agence renforcée et de la participation des femmes, par
exemple, une échelle de 0 à 10 pourrait être utilisée pour demander aux femmes de déterminer
jusqu’à quel point elles pensent participer à la prise des décisions communautaires
comparativement à la période de démarrage du programme. Le changement quantitatif issu de cette
seconde phase est appelé changement « brut » car ne prenant pas en compte les autres facteurs et
les autres acteurs qui sont susceptibles d’avoir contribué à produire le changement observé.
Ainsi, vous aurez à mesurer le contrefactuel et l’attribution afin de saisir le changement « net »,
c.-à-d. le changement qui peut être spécifiques attribué à l’intervention objet de votre analyse. Le
contrefactuel c’est le niveau de changement qui se serait produit de toutes les façons
indépendamment de votre intervention. Il est aussi appelé comme si de rien n’était. Pour les
interventions impliquant plusieurs acteurs, il s’avère utile de mesurer les contributions. Il se
pourrait, par exemple, que ce soit une ONGI qui se serait engagée à travailler avec des partenaires
locaux pour mettre en œuvre l’intervention en question. La question est alors de savoir le niveau de
changement qui peut être attribué 1) à l’ONGI et 2) aux partenaires locaux.
De même, il se pourrait qu’une ONGI ait mobilisé des ressources
(« collaboration ») pour un programme. Par exemple, il peut avoir des accords entre une ONGI et
l’Etat pour permettre aux communautés d’accéder à des services publiques ou biens spécifiques,
telles que les variétés de cultures améliorées. Dans ce cas, il est aussi nécessaire de connaitre le %
du changement dans la production agricole qui peut être attribué à l’ONGI et à l’Etat en question. De
fois, le contrefactuel et l’attribution sont analysés ensemble comme un tout. C’est le cas quand
lorsqu’il n’y a pas plusieurs acteurs.
Une fois que vous êtes à même de mesurer le contrefactuel et l’attribution, vous pouvez déterminer
le changement net, appelé aussi « impact ». L’impact c’est le changement brut moins le
pourcentage qui peut être attribué aux autres facteurs et acteurs. Vous amputerez alors les chiffres
obtenus à travers la seconde étape afin d’obtenir le changement net, c.-à-d. l’impact de l’intervention
objet de votre analyse.
L’ACA requiert une comparaison entre les coûts d’une intervention et ses avantages. En comparant
les deux côtés de l’équation, il est nécessaire de les exprimer tous dans la même unité. L’unité
utilisée est l’argent. Ce qui signifie que vous devrez traduire tous les impacts en valeur
monétaire, que ces impacts aient déjà été exprimés en termes monétaires (telles que
l’augmentation du revenu ou de la production) ou pas (comme l’amélioration des services relatifs à
l’écosystème ou au bien-être des parties prenantes en général). C’est, parfois, la partie la plus
difficile de l’analyse, et des ressources supplémentaires sont fournies dans la liste de référence.
Enfin, il vous faut rassembler toutes les données dans un modèle de feuille de calcul. On aura besoin
de ce modèle pour entrer, au fil du temps, les coûts supportés et les avantages tirés. Ceci est
fait annuellement. Vous aurez alors à déduire tous les coûts et avantages que vous aurez à l’avenir
afin d’obtenir la valeur actuelle de ces coûts et avantages (cf. la section sur
« conduire l’analyse quantitative » et la section sur « Ressources Utiles et Lecture Complémentaire
» à la fin de ce Guide). Les résultats de ce processus vous permettront d’avoir la valeur actuelle nette
(qui équivaut à: la valeur actuelle des avantages moins la valeur actuelle des coûts) et le ratio
38
avantages/coûts (qui équivaut à: la valeur actuelle des avantages divisée par la valeur actuelle des
coûts). Pour qu’une intervention soit considérée efficace, il faut que la valeur actuelle nette soit >0
et le ratio avantages/coûts
>1.
Les sections suivantes du Guide permettent d’approfondir le processus décrit dans la présente
section, en donnant d’amples informations sur comment collecter les données requises et sur
comment traiter ces données dans un modèle d’ACA
39
Définir les résultats
Les résultats/avantages d’une intervention peuvent être tangibles ou intangibles. L’ACA
traditionnelle a souvent trop mis l’accent sur les résultats tangibles, telles les évolutions du
capital économique, comme la production, et du capital humain, comme la santé et
l’éducation. Plus récemment, les ACA conduites par les donateurs principaux tiennent
compte du capital environnemental. Cependant, l’ACA traditionnelle a négligé les avantages
moins tangibles des interventions, tels le capital social, le capital institutionnel,
l’autonomisation des femmes et le bien-être en général (ex. une agence renforcée, la
confiance en soi, etc.). On reconnait, cependant, que la capacité d’adaptation des
communautés peut être largement tributaire de ces composantes moins tangibles. Ainsi, il
est important que l’ACA en tienne compte, si et quand cela s’avère possible.
La prise en compte des avantages moins tangibles dans l’ACA parait plus difficile car il
n’existe pas d’indicateurs précis qui peuvent vous permettre de traduire ces changements
qualitatifs en termes quantitatifs, condition requise si vous voulez les prendre en compte
dans une ACA. La section suivante a pour objectif l’élaboration et/ou la sélection
d’indicateurs de résultats.
40
» en matière de santé infantile. De même, des années scolaires supplémentaires passées
peuvent ne pas parfaitement refléter une éducation et une scolarisation améliorée mais
constitue, néanmoins, un important indicateur « de substitution » pouvant refléter des
changements en matière d’éducation. Dans la plupart des cas, un (ou plusieurs) indicateur(s)
« de substitution » sont utilisés pour justifier un résultat.
41
Le processus de collecte de données évaluera l’évolution des indicateurs des résultats à
proprement parler depuis le début de l’intervention. Le questionnaire (enquête) développé
pour collecter ces données cherchera à savoir l’évolution observée (ou pas) par les
individus/ménages/la communauté relativement à ces indicateurs. La collecte de ces
données vous permettra de mesurer l’évolution des résultats depuis le début de
l’intervention. Il est très important d’avoir à l’esprit que l’ACA requiert non seulement le
niveau de couverture de la population (comme le % du nombre de ménages affirmant avoir
augmenté leur revenu), mais aussi l’ampleur du changement (comme : dans quelle mesure
le revenu moyen a-t-il augmenté relativement à la situation de référence). De même, sachant
que X% des ménages dissent avoir augmenté leur cercle de
solidarité n’est pas un indicateur pertinent pour des techniques quantitatives comme l’ACA.
Vous devrez savoir le nombre de personnes supplémentaires (relativement à la situation de
référence) qu’il y’a eu, en moyenne, au niveau des cercles de solidarité des ménages couverts
par l’enquête. En bref, un indicateur de résultat doit exprimer à la fois le niveau de
couverture de la population et l’ampleur du changement vécu.
Enfin, il est important de noter que vous n’avez pas besoin d’analyser, de façon séparée, les
résultats de chacune de vos interventions (ex. augmentation du revenu résultant du
Warrantage vs. augmentation du revenu résultant de l’introduction de variétés de cultures
résistant à la sécheresse). De même, vous pouvez faire usage d’indicateurs de résultats
agrégés, évaluant ainsi un certain nombre de vos activités globalement pris – plutôt que les
sous-composantes de votre projet ou programme.
42
L’impact c’est le résultat moins le contrefactuel moins la contribution des autres
acteurs
Contrefactuel
Résultat Impact
On peut définir les résultats comme étant des impacts bruts (une simple évolution à travers
le temps), alors que les impacts sont des avantages
« supplémentaires », c.-à-d. des avantages en sus du changement qui se serait produit de
toutes les façons, d’où la nécessité de déterminer la contribution des autres acteurs
(organisations, ONG) dans la production du changement observé. Pour saisir votre impact,
vous aurez alors besoin de comprendre:
quel est le scenario contrefactuel pour les différents types de résultats couverts par votre
analyse ;
quelle est la contribution d’autres acteurs (ex. autres ONGI, ONG locales, organisations
communautaires, etc.) à la production de ce résultat.
Prenez l’exemple du revenu tiré de l’agriculture. Dans le cadre de notre travail sur l’impact
de ALP au Niger, nous nous sommes rendus compte que, depuis le début de l’intervention, le
revenu agricole a augmenté d’au total 153 000 £ au niveau de nos quatre communautés
témoins. Il est par la suite nécessaire de déterminer d’autres facteurs qui auraient pu
contribuer à cette évolution. Ceux- ci peuvent être des facteurs climatiques, ayant une
influence sur les rendements agricoles, et d’autres acteurs, comme par exemple les
décideurs, pouvant contribuer à cette augmentation.
Mesurer le contrefactuel
Il existe quatre approches principales par lesquelles vous pouvez capter le contrefactuel:
L’approche la plus répandue est celle dite « hypothétique » : Cette approche utilise
simplement les données existantes et la documentation disponible au niveau national ou
régional/local afin de chercher à savoir la tendance macro globale dans laquelle se déroule
l’intervention. Cette tendance macro peut être, par exemple, un taux régional de
déforestation, un taux national/local de dégradation des sols, un taux national/local de
l’évolution du PIB par habitant, etc. Si les données existent, c’est la voie la plus facile pour
mesurer une situation contrefactuelle basée sur des hypothèses. Le problème avec cette
approche c’est que les données nationales peuvent ne pas correspondre avec les tendances
43
plus localisées du contexte dans lequel vous intervenez. Dans ce cas, une moyenne macro ne
sera pas directement applicable aux communautés avec lesquelles vous travaillez. Ce qui
signifie que vous devrez être prudent au moment d’élaborer vos hypothèses.
L’approche de la « situation d’avant et d’après » : Au moment de procéder à la collecte de
données pour la situation de référence, on demande aux parties prenantes de parler non
seulement de leurs conditions du moment, mais aussi de leurs conditions passées, disons d’il
y’a un an. Supposons, par exemple, que vous administrez un questionnaire d’état des lieux
afin de capter certains indicateurs clés, tel le nombre d’animaux dont dispose chaque futur
bénéficiaire. Dans un tel cas, vous pouvez aussi demander au bénéficiaire le nombre
d’animaux qu’il possédait un ou deux auparavant. Ceci vous permettra d’avoir une tendance
« dynamique », c.à.d. que vous essaierez de capter l’évolution des choses avant que votre
organisation n’entre dans la danse. Le problème avec cette approche c’est qu’il est évident
que les tendances peuvent changer. C’est la raison pour laquelle il serait plus sage de
n’utiliser cette approche que pour des objectifs à court terme, pour une durée de deux ou
trois ans par exemple.
L’approche basée sur les parties prenantes : l’utilisation de cette approche vous permet
de demander directement aux acteurs de vous dire la mesure dans laquelle les changements
observés résultent soit des améliorations apportées par votre intervention ou d’autres
facteurs. Dans le cas du revenu
agricole, on aura par exemple: (1) l’amélioration des pratiques agricoles occasionnée par
votre intervention; (2) les conditions climatiques depuis le début de votre intervention; (3)
les prix des produits alimentaires en cours depuis le début de votre intervention. La case 2
donne un exemple de question qui pourrait être posée aux parties prenantes afin de jauger
le % de l’impact que l’intervention aurait pu avoir sur l’augmentation du revenu agricole.
Cette approche a des limites évidentes: elle repose sur le jugement des parties prenantes et
suppose, par conséquent, que les répondants possèdent les connaissances et les
informations leur permettant de bien répondre aux questions.
Case 2: Un exemple d’exercice de situation contrefactuelle basée sur les parties prenantes
Veuillez indiquer dans quelle ampleur chacun de ces facteurs a influencé le revenu que vous avez tiré de
l’agriculture depuis le début. Vous avez 100 points à distribuer entre les facteurs ci-après:
Facteurs Points
Le programme:
Les points attribués à d’autres facteurs autre que le programme peuvent être considérés comme étant
votre contrefactuel. C’est le % du changement qui aurait dû se produire de toutes les façons.
44
Enfin, la méthode la plus élaborée est l’approche comparative : Cette approche consiste
à avoir un groupe de contrôle, comme par exemple une communauté proche ou des groupes
de bénéficiaires non couverts par le programme au sein d’une même communauté. Dans ce
cas, vous aurez à administrer un questionnaire au groupe témoin afin de savoir le rang qu’il
occupe en ce qui concerne les mêmes résultats que vous observez au niveau de votre groupe
cible. Cette méthode, quoique mieux sophistiquée, n’est pas sans problèmes. Premièrement,
il y’a une question d’éthique (et d’équité) qui se pose quant à l’utilisation d’autres
communautés (groupes non bénéficiaires) comme « cobayes » pour attester des résultats de
votre intervention auprès de vos bénéficiaires. Deuxièment, le fait de comparer deux groupes
communautaires n’est tout à fait pertinent qu’en essayant de voir si d’autres facteurs ne
seraient pas en train d’influencer les résultats de votre analyse. Vos bénéficiaires vivent-ils
mieux parce qu’ils sont couverts par votre intervention ou existe-t-il d’autres spécificités et
caractéristiques qu’on ne trouve pas chez votre groupe de comparaison? Pour bien répondre
à cette question, on aurait besoin d’une analyse statistique (économétries).
Case 3: Exercice combinant le contrefactuel basé sur les parties prenantes et l’attribution
Etc.
Les points attribués à votre programme peuvent être considérés comme étant
l’avantage net que vous avez créé ou, en d’autres termes, votre impact «
supplémentaire ».
45
Cet exercice comporte des préjugés inévitables, car se basant sur la compréhension des
parties prenantes et les informations qui leur sont disponibles. Une autre option de cet
exercice est d’estimer le montant des fonds que chaque acteur a eu à investir dans la
communauté, ou groupe d’acteurs, en question. On attribuera alors à chaque acteur la
fraction d’avantages correspondant à la fraction d’investissement consenti. Cependant, ceci
est aussi une façon imprécise de comprendre ce qu’est la contribution. En effet, il se pourrait
qu’un investissement élevé ne soit pas en mesure d’affecter le changement comme pourrait
le faire un investissement plus modeste (mieux conçu) qui pourrait produire d’énormes
avantages. Quel que soit l’approche que vous adoptez, vous devrez être conscient des limites
des différents exercices.
Mettre en place des systèmes de collecte de données pour mesurer et suivre le changement
Collecter les données de résultats
La collecte des données pour l’ACA peut être faite, annuellement, dès le début de
l’intervention, ou de façon rétrospective. Le fait de commencer la collecte de données au
début de l’intervention de façon continue peut vous permettre de:
suivre le changement, un processus fondamental pour l’évaluation d’une intervention et la
planification ses étapes suivantes ;
avoir des données de base à partir desquelles vous pouvez mesurer les données de votre
évaluation, c.-à-d. des données comparables en ce qui concerne les conditions de vie des
bénéficiaires au début de l’intervention et après que celle-ci ait pris fin ;
cependant, ceci rend plus difficile la conception conjointe des résultats avec les parties
prenantes. En effet, le changement ne se sera pas produit au début d’une intervention, ce qui
signifie évidemment que les acteurs ne seront pas en mesure de l’identifier de façon
hypothétique.
Il est bon de noter que le fait que les données de base soient souvent collectées au début
d’une intervention ne signifie pas qu’elles soient bien conçues pour être utilisées dans le
cadre d’une analyse quantitative comme l’ACA. Ainsi, un système de collecte de données
continu consiste à fusionner les deux exercices au début d’une intervention afin d’avoir : 1)
des données à des fins de planification et ; 2) des données pour une évaluation socio-
économique ultérieure. De même, tandis que plusieurs organisations utilisent l’évaluation
d’impact, les données qu’elles utilisent à cet effet sont rarement adaptées à l’ACA. En effet, la
plupart des évaluations d’impact analysent la couverture des résultats (% d’acteurs ayant
rapporté que …) plutôt que leur ampleur (% du changement vécu par le % d’acteurs ayant
rapporté que…). Si les évaluations d’impact sont conçues pour analyser à la fois la couverture
et du « chemin parcouru » par ceux qui vivent le changement, alors on peut éviter la
duplication en ce qui concerne la collecte des données.
Une analyse rétrospective (« situation d’avant et d’après ») est entreprise lorsque les
résultats n’ont pas fait l’objet d’un suivi depuis le début d’une intervention. Dans pareil cas,
il vous faut demander aux parties prenantes de répondre à des questions rétrospectives
relatives à leurs conditions d’avant l’intervention. Vous aurez alors à comparer leurs
46
réponses avec les réponses aux mêmes questions se rapportant au moment où le
questionnaire est en train d’être administré (après que l’intervention ait eu lieu).
47
48
2019 - 2020
49
2019 - 2020
décision
Environneme Déforestation Nombre $1,576 0.27 0.60 $256 Valeur du bois $77.79 $19,890 $0 $19,890 $19,890$19,89 $19,8 $19,890 $19,890 $19,8 $59,670 $51,586 $42,654
ntales d’arbres plantés $19,890 0 90 $19,890 $19,890 90
évitée et /entretenus Valeur du fourrage
reforestation Valeur d’émissions de
tCO2eq
séquestrées
Restauration des Hectares de $34,649 0.27 0.60 $5,623 Valeur de terre par$0.40 $2,265 $0 $2,265 $2,265$2,265 $2,26 $2,265 $2,265$2,265 $2,26 $6,795 $5,874 $4,857
terres hectare (prix du $2,265 5 $2,265 5
terres dégradées/ restaurées marché)
désertifiées
Investisseme Programme $10,0 $13,102 $12,823$10,44 $46,395 $41,102 $35,160.
nt 22 $10,449 9
Gestion $1,50 $1,965 $1,923$1,567 $6,959 $6,165 $5,274
3 $1,567
Tableau 3: Calculer des avantages et coûts à travers le temps
51
Il a toujours été reproché aux méthodes d’optimisation classiques de se baser sur la définition d’une
fonction unique, souvent exprimée en terme économique (monétaire) et qui considèrent des
contraintes souvent incommensurables (servant pour un cas particulier et non généralisable), d’où
l’intérêt d’une approche alternative, regroupant des méthodes systémiques et considérant des
critères souvent conflictuels, de différentes nature (exprimés en unité différentes), sans
nécessairement les transformer en critères économiques, ni en une fonction unique. Il s’agit donc de
rechercher une solution de compromis et non un optimum. Les problèmes traités prennent diverses
formes : choix, affectation ou classement. Plusieurs méthodes existent dans la littérature, dans le
cadre de ce cours nous allons nous contenter de définir le cadre théorique et les aspects
méthodologies des méthodes multicritères.
D’après (ROY, 1985) « L’aide à la décision est l’activité de celui qui, prenant appui sur des
modèles clairement explicités mais non nécessairement complètement formalisés, aide à obtenir des
éléments de réponses aux questions que se pose un intervenant dans le processus de décision,
éléments concourant à éclairer la décision et normalement à prescrire, ou simplement à favoriser
un comportement de nature à accroître la cohérence entre l’évolution du processus d’une part, les
objectifs et le système de valeurs au service desquels cet intervenant se trouve placé d’autre part. ».
L’aide à la décision est donc un processus qui utilise un ensemble d’informations disponibles
concernant des critères particuliers à un instant donné, afin de formuler un problème et aboutir à
une décision unique, où évolutive (voir chapitre 6). Dans le cadre de la décision multicritère, l’objet
de la décision est formé par un ensemble d’actions ou alternatives.
Pour (Roy, 1996) les problèmes réels peuvent être formulés à l’aide des méthodes d’analyse
multicritère, selon essentiellement trois formulations de bases : problématique de choix, notée Pα, la
problématique de tri ou d’affectation notée Pβ et la problématique de rangement noté Pγ. Une
quatrième problématique notée Pδ, beaucoup moins utilisé est celle de la description
2019 - 2020
Tableau 1. Identification des types de problématique
Pα Eclairer la décision par le choix d’un sous ensemble aussi restreint Un choix ou une
que possible en vue d’un choix final d’une seule action. (optimums procédure de
et satisfecums) sélection.
Pδ Eclairer la décision par une description, dans un langage approprié, Une description ou
des actions et de leurs conséquences une procédure
cognitive
Formulation du problème
Implémentation
& Analyse
Recommandations
& Aide à la décision
Décision
52
Ces étapes seront détaillées dans la section suivante
Une action est dite globale, si, dans sa mise en exécution, elle est exclusive de toute action
introduite dans le modèle ; dans le cas contraire, elle est dite fragmentaire.
Une action potentielle est une action réelle ou fictive provisoirement jugée réaliste par un
acteur au moins. On note par A l’ensemble des actions potentielles. Provisoirement, car les
prises de décision dans un environnement multicritère sont valables sur une courte durée.
Il s’agit en effet d’identifier et mesurer les conséquences des actions sur lesquelles va porter la
décision sur les critères. En d’autres termes une action va assurer un niveau spécifique pour un
critère donné. Les critères découlent des conséquences des actions. Souvent, une action a plusieurs
conséquences, ainsi la conséquence d’une action selon un critère donné est évaluée par une fonction
g (à valeurs réelles) définies sur l’ensemble A des actions potentielles de telle sorte qu’il soit possible
de raisonner ou de décrire le résultat de la comparaison de deux actions a et b relativement à partir
des nombres g(a) et g(b).
Ces différentes situations de relation sont résumées dans le tableau 2 :
53
Tableau 2. Situations possibles lors de la comparaison de deux actions
Préférence stricte Elle correspond à l’existence de raisons claires et positives P : relation asymétrique
qui justifient une préférence significative en faveur de l’une
(identifiée) des deux actions. (« irréflexive »)
Préférence faible Elle correspond à l’existence de raisons claires et positives Q : relation asymétrique
qui infirment une préférence stricte en faveur de l’une
(identifiée) des deux actions. Mais ces raisons sont (« irréflexive »)
insuffisantes pour en déduire soit une préférence stricte en
faveur de l’autre, soit une indifférence entre ces deux actions.
L’évaluation de l’action sera donc effectuée sur un ensemble de critères. On distingue le vrai-critère
et le pseudo-critère.
Pour le vrai critère, en considérant deux actions a et b à comparer, deux situations sont possibles :
g(b) = g(a) ⇔ b Ig a (indifférence)
et
g(b) > g(a) ⇔ b Pg a (préférence stricte)
C’est une vision peu réaliste car une simple différence g(b) - g(a) n’est pas significative d’une
préférence stricte.
1 2 3 4 5 6 7 8 9 10
Indifférent entre 1 & 2, 2 & 3, 3 & 4………….9&10 mais suis-je indifférent entre 1 & 10 ???
IIIIIII ?????
54
Pour le pseudo-critère, qg(g(a)) exprimant un seuil d’indifférence et pg(g(a)) exprimant un seuil de
préférence sont les deux fonctions seuils on associe à la fonction critère g.
g(b) ≥ g(a) ⇒ b Sb a
Sb : « aussi bon que » ou, S est une relation de sur-classement, c’est à dire que b est au moins aussi
bon que a sur une majorité de critères sans être vraiment plus mauvais relativement sur les autres
critères. On dira dans ce cas que b surclasse a, on notera b Sb a.
On introduit des seuils (constants ou fonction de g) tels que :
La construction des critères se base sur l’identification dees enjeux et de la nature des conséquences
possibles sur l’objet de la décision, c’est à dire les actions considérées. La définition des critères
nécessite par la suite une évaluation de la contribution et l’influence de chaque critère dans la
décision finale. Par la suite les décideurs pondèrent les critères qui doivent répondre aux conditions
suivantes :
L’aide multicritère à la décision doit permettre de construire une famille de critères qui
représente, d’une façon aussi proche que possible, les coûts et les avantages des actions,
bénéfices.
Les critères doivent être suffisamment nombreux et précis pour bien discriminer entre elles
les différentes actions, non redondants et conflictuels (on ne peut augmenter la
performance de l’un sans pour autant baisser celle d’au moins un critère)
Les critères peuvent être de natures différentes. On définit des familles de critères :
économiques, sociaux, environnementaux, techniques. Chaque famille de critères peut
contenir un ou plusieurs critères.
55
2. de cohésion : En partant de deux actions qui sont jugées équivalentes, si l'on accroît la
performance de la première sur un critère quelconque, alors elle apparaît « comme au
moins aussi bonne » que la seconde action inchangée.
3. de non-redondance : un critère est redondant si son retrait de la famille laisse une nouvelle
famille vérifiant les deux axiomes précédents.
Cette étape dépend de la nature du problème posé. Plusieurs méthodes ont été développées, le
Tableau 3 identifie certaines méthodes, de la famille ELECTRE, réparties en fonction de la nature du
problème étudié et qui seront en partie présentées dans le chapitre suivant
Lorsque l’analyse des actions a conduit à la construction d’un seul critère, on peut réaliser une
optimisation sur ce critère, ce qui peut être simple lorsque le nombre d’action est faible, sinon il faut
avoir recours à des outils plus ou moins compliqués.
Pour les méthodes Electres et dans le cas fréquent, où l’analyse des conséquences des actions
potentielles a conduit à construire plusieurs critères, c’est l’analyse multicritère qui permet de
donner des réponses au problème posé.
Pour chaque action considérée, et pour chaque critère un seuil de préférence p, d’indifférence
q et un seuil de veto v sont estimés. Chaque critère se voit attribué un poids k traduisant sa
contribution dans la décision finale. Le résultat de l’analyse des conséquences est présenté dans un
tableau de performances (tableau payoff). Voir Tableau 4.
56
Tableau 4. Tableau de performances
Critères g1 g2 … gj … gn
Poids k1 k2 kj kn
p1 p2 … pj … pn
Seuils q1 q2 … qj … qn
v1 v2 v3 vn
… …
Actions
a1 g1(a1) g2(ai) gj(a1) gn(ai)
… …
a2 . . . .
. . . . .
. . . . .
. . . . .
ai g1(ai) g2(ai) gn(ai)
gj(ai)
. … …
.
.
am g1(am) g2(am) gn(am)
gj(am)
… …
Dans le cadre de ce cours, on distingue entre l’approche d’agrégation classique et les approches dites
de sur-classement proposées par les méthodes ELECTRE. L’approche classique se base sur
l’agrégation des critères de décision en un critère unique. Elle consiste à bâtir un critère unique de
synthèse en utilisant une fonction d’agrégation V en posant : g(a)=V(g1(a), g2(a), g3(a), …, gn(a)).
Deux actions quelconques deviennent ainsi comparables grâce à l’utilisation des différents critères
présentés plus haut. Une fois obtenu le critère de synthèse, on peut simplement élaborer une
prescription dans une des trois problématiques : α, β, γ. La fonction d’agrégation V prend
généralement une des deux formes :
n
[
2. agregation additive : g(a) = ∑k j ⋅v j g j (a) ]
j=1
Les poids k j sont des coefficients strictement positifs et les v j des fonctions monotones
n
57
j=1
Par opposition à l’approche classique, l’approche dite de sur-classement vise à construire sur
l’ensemble A une relation de sur-classement globale S enrichissant la relation de dominance.
Elle vise à modéliser la part des préférences globales que l’on est en mesure d’asseoir de façon
suffisamment probante.
La relation S est généralement construite à l’aide d’un test de sur-classement appliqué à toutes les
paires d’actions de A. Les méthodes ELECTRE utilisent une relation de sur-classement pour
l’agrégation des critères de décision.
58
Chapitre 5. Illustration des méthodes
multicritères
Nous présentons dans ce qui suit deux méthodes multicritères préconisée pour répondre à une
problématique de choix. La première méthode de sur-classement est la méthode Electre I, la seconde
est une méthode interactive à jugement local, acceptant la comparaison.
La méthode Electre I
Cette méthode proposée par (Roy,1968) permet de résoudre les problèmes multicritères de choix.
Cette méthode permet d’identifier le sous-ensemble d’actions offrant le meilleur compromis
possible. Souvent utilisée dans le choix de projets concurrents, afin d’identifier le sous-ensemble de
projets le plus performant sur la base des critères considérés.
Soit A un ensemble de m actions, qui représentent l’objet de la décision, dont le but est de choisir un
sous-ensemble d’actions offrant un meilleur compromis parmi l’ensemble de départ.
On définit pour chaque critère une fonction d’évaluation gj (où j=1 à n, n est le nombre de critères).
Pour chaque critère, on évalue un poids kj qui augmente avec l’importance du critère.
L’indice de concordance pour deux actions a et b est noté par C(a,b), compris entre 1 et 0, il mesure
la pertinence de l’assertion « a surclasse b », comme suit :
∑k n
j
K j=1
Sinon
[
D(a,b) = max j g j (b) - g j (a) ] avec δ est la différence maximale entre le même critère pour deux
actions données.
La relation de sur-classement pour Electre I est construite par la comparaison des indices de
concordance et de discordance à des seuils limites de concordance c et de discordance d. Ainsi,
a surclasse b, si : aSb alors C(a,b) ≥ c et D(a,b) ≤ d .
59
Exemple 1 adapté de (Roger et al, 1999)
L’exemple traite du choix d’un projet, parmi 6 projets concurrents pour la réalisation d’une raffinerie.
Chaque projet est évalué sur la base de 5 critères environnementaux
L’importance de chaque critère dans la prise de décision est traduite par un poids kj tel que
Poids (kj) 3 2 3 1 1
Chaque projet est évalué en fonction des critères retenus à l’aide d’une échelle qualitative et des
scores. Plus le score est élève, plus les impacts du projet sur l’environnement sont moindres. Le
tableau de performance est donné dans le tableau suivant :
P1 10 20 5 10 16
P2 0 5 5 16 10
P3 0 10 0 16 7
P4 20 5 10 10 13
P5 20 10 15 10 13
P6 20 10 20 13 13
La problématique à résoudre est de choisir le sous-ensemble de projets avec le moins d’impacts sur
l’environnement. On propose d’utiliser ELECTRE I.
60
1ere étape : calculer les indices de concordance :
Nous allons comparer le projet 1 au projet 3, si le projet 1 surclasse le projet 3 pour certains critères
alors on ne considère que les poids qui leurs sont relatifs. En d’autres termes :
Projets Cr1 Cr2 Cr3 Cr4 Cr5
P1 10 20 5 10 16
P3 0 10 0 16 7
+ + + - +
On remarque que pour le critère 4, P3 offre une meilleure performance que le P1, alors le poids du
critère 4 s’annule
C(P1, P3) =(3+ 2 + 3+ 0 +1)/10= 0.9 par contre
C(P3, P1)= (0+0+0+1+0)/10=0.1
On remarque que C(P1, P3)+ C(P3, P1)=1
En général, pour tout i différent de j, et si la préférence est stricte alors C(Pi, Pj)+ C(Pj, Pi)=1
P5 20 10 15 10 13
P6 20 10 20 13 13
P1
P2
P3
P4
P5
P6
61
1
D(P2,P1) =15/20= 0.75 , D(P3,P1) =10/20= 0.50
P1
P2
P3
P4
P5
P6
L’intérêt de la méthode Electre I est d’isoler un sous ensemble de solutions, dans notre cas,
identifier les projets avec le moins d’impacts sur l’environnement. En considérant c=1 et d=0, P1,
P2,P3 et P6 sont incomparables, par contre P6 S P4, P6 S P5 et P5 S P4. On obtient le graphe de sur-
classement suivant.
P1 P2 P3 P6
P5 P4
^ ^
Le résultat obtenu est sensible aux valeurs des seuils c et d . A titre d’exemple, en posant
c = 0.9 et d = 0.15, on obtient les résultat suivant : P6 S P2, P6 S P3, P6 S P4 et P6 S P5. Dans
ce cas les projets à retenir seraient les projets P1 et P6.
P1 P6
P2 P5 P4 P3
62
Compromize programming (CP)
2 2 1/2
d = [(2-10) + (3-8) ] = 9.43
𝑛 2 1/2
𝑑 = [∑(𝑥𝑖1 − 𝑥𝑖2 ) ]
𝑖=1
63
1
𝑛 𝑝
𝑝
𝐿𝑝 = [∑(𝑥𝑖1 − 𝑥𝑖2 ) ]
𝑖=1
Principe
Le CP se base sur le principe de minimisation de la distance entre la solution proposée et le point
idéal comme le montre la figure suivante :
g *g (point
= point
*
idéal) anti -idéal
g2* .
g(A)
.
g2* *
g **g =(point
point idéal)
anti -idéal
g1* g1* g1
64
La technique du CP permettra de calculer les distances entre les solutions faisables non dominées
et la solution idéale qui correspond au niveau le plus élevé pour tous les critères g et quel que soit
le niveau d’aspiration p
Application :Etude d’un cas réel d’amélioration de la qualité des Eaux Usées Traitées de la Station
d’épuration « Choutrana »
Le problème majeur de la Station d’épuration « Choutrana » concerne la mauvaise qualité physique,
bactériologique et physico-chimique des EUT. Il faudrait donc étudier la possibilité d’améliorer sa
qualité et faire un choix multicritère des investissements de valorisation d’une station d’épuration
(la STEP Choutrana)
On suppose pour le reste que :
1. La capacité de la station de Choutrana sera augmentée pour accueillir les EU des 2 autres STEPs.
2. La vente des EUT dans le secteur agricole continue à être monopolisée par les CRDA et ce, quelle
que soit la qualité de la ressource.
3. L’irrigation des cultures maraîchères serait autorisée si toutefois, les eaux usées sont soumises à
un traitement tertiaire assurant leur désinfection.
La matrice des objectifs, sous-objectifs et critère relatif à ce problème est la suivante :
Les solutions identifiées comme action sont noté Ai et sont décrite dans le tableau suivant :
65
Code Description
A1 Chenal d’oxydation
A6 A5 + désinfection au Chlore
A9 A5 + désinfection par UV
66
67
Alternatives
2. Concentration en (GP) n/l 14000 14000 12000 12000 5000 100 100 100 0 0
n/l 4 4 3 3 4 2 2 2 0 0
3. Concentration en parasite
5. % d'EUT réutilisées % 0,27 0,27 0,2 0,2 0,3 0,45 0,45 0,45 0,48 0,52
6. Coût de capital (106) DT 29 31,5 41,5 51,5 35,5 37,5 37 38,5 41,5 50
7. Besoin en devises % 0,35 0,38 0,39 0,42 0,4 0,42 0,41 0,43 0,48 0,61
A-G G E E D D F E F A A
10. Risques sanitaires
2019 - 2020
C obj wi A1 A2 A3 A4 A5 A6 A7 A8 A9 A10
1 min 16 3500 3500 3000 3000 3500 3000 3000 3000 2000 2000
2 min 12 2100 2100 1800 1800 900 300 300 300 300 300
3 min 8 1200 1200 1000 1000 1200 600 600 600 400 400
4 min 8 1200 1200 1400 1400 600 600 600 600 400 200
5 max 14 700 700 350 350 1050 1750 1750 1750 2100 2450
6 min 12 300 600 1200 2100 900 900 900 1200 1200 1800
7 min 6 150 150 300 600 300 600 300 600 600 1050
8 min 2 100 100 700 700 200 200 200 200 200 200
9 min 10 1750 1250 1500 1500 1250 750 750 750 250 250
10 min 12 2100 1500 1500 1200 1200 1800 1500 1800 300 300
2019 - 2020
70
Références
Bourbonnais R. 2015. Économétrie Cours et exercices corrigés. Dunod 9ième édition.25p
Ben Mena,S. 2000. Introduction aux méthodes multicritères d’aide à la décision.
Biotechnol.Agron.Soc.Environ.2000. 4 (2), 83-93.
Bouyssou D., Roy B. 1992. Aide à la décision, Encyclopédie du management, Vuibert, pp. 447-457.
Dias, L.C and Mousseau, V.2003. IRIS: A DSS for Multiple Criteria Sorting Problems. Journal of Multi-
Criteria Decision Analysis, (12):285-298.
Lambert G., Mousseau V., 1994, Aide multicritère à la décision, cours de DEA « Sciences de gestion »,
ULP Strasbourg.
Le Coz C., 1991. Aide à la décision en incertitude complexe – utilisation du modèle « E.S.I.C. » pour
l’évaluation économique d’un projet de sécurité sur un réseau de distribution d’eau potable,
mémoire de DEA « Sciences de la décision et micro-économie », ENS Cachan, 87 p.
Maystre L.Y., Pictet J., Simos J., 1996. Méthodes multicritères ELECTRE, Presses Polytechniques et
Universitaires Romandes, Lausanne.
Maystre,L.,Y and Bollinger,D. 1999. Aide à la négociation multicritère, pratiques et conseils. Presses
Polytechniques et Universitaires Romandes, Lausanne, ISBN 2-88074, 188p.
Mousseau, V. and Slowinski, R. 1998. Inferring an ELECTRE TRI model from assignment examples.
Journal of Global Optimization, 12(2):157-174, 1998.
Rogers,M., Bruen,M. and Maystre,L-Y. 2000. ELECTRE and decision support, method and applications
in engineering and infrastructure investment. Kluwer Academeic Publisher, ISBN 07923-8647-7,
USA.
Roy, B., 1996.Multicriteria Methodology for Decision Aiding Dordrecht : Kluwer Academic
Publishers.
Roy B., Bouyssou D., 1993. Aide multicritère à la décision : méthodes et cas, Economica, 695 p.
Vallée, D. and Zielniewicz,P. 1994. ELECTRE III-IV, version 3.x, guide d’utilisation, tome1, document
du LAMSADE n°85, Université de Paris Dauphine, 146p.
Vallée, D. and Zielniewicz,P. 1994. ELECTRE III-IV, version 3.x, guide d’utilisation, tome2, document
du LAMSADE n°85 bis, Université de Paris Dauphine, 52p.
Vincke Ph. , 1989. L’aide multicritère à la décision, Editions de l'Université de Bruxelles - Editions
Ellispses, Bruxelles.
2019 - 2020
71