×
  • Compétences & RH
  • Société Brèves International Brèves internationales Courrier des Lecteurs Les Grandes Signatures Documents Lois à polémiques Docs de L'Economiste Docs de Qualité Enquête de Satisfaction Chiffres clés Prix de L'Economiste 2019 Prix de L'Economiste 2018 Earth Beats Solutions & Co Impact Journalism Day cop22Spécial Cop22 Communication Financière
    Tribune

    Management des risques et décision
    «Se méfier des cygnes noirs»(1)

    Par Pr. Mohammed ABDELLAOUI | Edition N°:4762 Le 29/04/2016 | Partager

    Le Pr. Mohammed Abdellaoui est directeur de recherche au CNRS, professeur de sciences de la décision à HEC Paris et chercheur associé à l’IEAPS, Université Al Akhawayn, Ifrane (Ph. L’Economiste)

    Très souvent, les entreprises comme les gouvernements font face à des situations de décision où l'analyse des risques souffre de l'absence ou de l'inutilité des données statistiques passées. Dans un monde caractérisé par l'interdépendance des économies et des marchés, et où les incertitudes sont de plus en plus complexes, les décideurs font fréquemment face à des situations où les modèles qui reposent sur des données historiques ne sont pas d'une grande utilité pour prédire le futur ou mesurer la vraisemblance d'événements rares et extrêmes («cygnes noirs»). En effet, les risques qui accompagnent la vie en société moderne tels que le terrorisme, les désastres écologiques ou les échecs de «business models» sont presque tous «one-shot», uniques et non répétitifs à l'identique.
    La démarche classique d'analyse des risques dans les organisations procède en quatre étapes: (i) identifier les risques; (ii) en évaluer la gravité et la vraisemblance; (iii) identifier les zones critiques sur la matrice des risques qui en résulte; (iv) prévenir les risques critiques en préparant des plans d'action. En fait, bien qu'utile, cette démarche pose au moins deux problèmes. En effet, dans l’approche traditionnelle, l'identification des risques ne résulte pas d'un vrai modèle causal reflétant les causes et les conséquences des événements à fort impact. La possible interdépendance des risques encourus n’est pas prise en compte. Le second problème résulte de la difficulté de déterminer la vraisemblance d'événements rares à fort impact. Très souvent, l'absence de statistiques passées représente un facteur bloquant pour l’analyste.
    Il existe une approche alternative à l'approche classique d'analyse des risques. Fondamentalement basée sur les techniques issues des réseaux bayésiens (RB), cette nouvelle approche donne un poids important aux informations dont dispose le décideur (ou l'organisation tout entière) sur les risques encourus(2). Elle permet notamment de transformer ces informations en un modèle graphique où les événements à fort impact appartiennent à un réseau de relations causales avec des événements déclencheurs.
    Les convictions du décideur (ou d'un expert consulté par ce dernier) concernant l'existence et l'intensité des liens causaux sont représentées à l'aide de distributions de probabilités(3). Le modèle construit permet d’intégrer toute nouvelle information objective ou subjective (inférence bayésienne) et d’évaluer son impact sur la carte des risques du décideur. L’impact du temps sur les risques peut également être pris en compte. Grâce à des logiciels spécialisés, on peut notamment visualiser (sur un graphe) comment réduire un risque en agissant sur l'une de ses causes clés(4).
    Une version avancée des RB consiste à construire des diagrammes d’influence. Il s’agit d’un outil graphique et intuitif qui permet au décideur de résoudre des problèmes complexes de décision dans l'incertain tout en intégrant les différents objectifs du décideur(5). Préalablement à la modélisation en termes de diagrammes d’influence, on doit d'abord expliciter les objectifs fondamentaux du décideur pour ensuite mesurer leur accomplissement. Une étape cruciale de l’analyse consiste à faire des arbitrages entre différents objectifs (accepter la détérioration d’une dimension afin de bénéficier de l’amélioration d’une autre). Cela consiste à construire un index de satisfaction du décideur en lui posant des questions simples en relation avec son problème de décision. Une telle technique «multi-objectifs» améliore considérablement l'efficacité de l'aide à la décision issue des diagrammes d'influence(6).

    Une conférence le 11 mai

    La conférence programmée pour le 11 mai prochain au Technoparc (Université Al Akhawayn, Ifrane) s’attachera à montrer ce que la recherche moderne en sciences de la décision et en modélisation causale de l’incertitude peut apporter à l’analyse des risques et l’aide à la décision. En particulier, on verra pourquoi il est vital pour les décideurs de penser et mesurer l’incertitude sans en violer les règles. Nous montrerons que nous disposons aujourd’hui d’une «boîte à outils» qui peut nous éviter une multitude de chausse-trappes. Ces techniques peuvent s’appliquer à un large spectre de situations: risques technologiques, risques sanitaires, risques bancaires, risques financiers, catastrophes naturelles, etc.

    --------------------------------------------------

    (1) Le «cygne noir» fait ici référence à un biais cognitif qui fait que, parce que l'on n'observe que des cygnes blancs, on finit par se comporter comme si tous les cygnes étaient blancs. Ce concept a été popularisé par Nassim N. Taleb (2007) dans The Black Swan: The Impact of the Highly Improbable, Random House.
    (2) Kjerulff et Madsen 2008: Bayesian Networks and Influence Diagrams, Springer
    (3) Par exemple, en ce moment, la politique pétrolière de l’Arabie saoudite (variable X) et sa capacité de production (variable Y) ont un impact conjoint sur le prix de l’Arabian Light à Londres (variable Z), qui est à son tour influencé par la demande mondiale de l’Arabian Light. Ce RB n’impose pas des relations mécaniques (déterministes) entre ces variables incertaines. Le raisonnement causal est conduit en termes probabilistes.
    (4) Voir par exemple Hugin Expert (http://www.hugin.com).
    (5) Clemen et Reilly (2013): Making Hard Decisions with Decision Tools, Cengage Learning.
    (6) De telles techniques peuvent aussi aider dans les procédures de recrutement où les candidats sont jugés sur plusieurs critères.

     

     

     

    • SUIVEZ-NOUS:

    • Assabah
    • Atlantic Radio
    • Eco-Medias
    • Ecoprint
    • Esjc