Skip to content
Retour aux résultats

Analyse stochastique de scénarios — Évaluation probabiliste multi-scénarios en situation d'incertitude

Introduite par
Dantzig, G. B.; Birge, J. R.; and others in stochastic programming tradition
Année
1955–1980s
Type
Probabilistic scenario enumeration and evaluation
Famille
Simulation / optimization

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

L'analyse stochastique de scénarios évalue un système ou une décision à travers de multiples scénarios explicitement définis, chacun se voyant attribuer une probabilité d'occurrence.

Contrairement à l'analyse déterministe de scénarios, elle propage l'incertitude via des distributions de probabilité et calcule des résultats attendus, la variance et des métriques de risque sur l'espace des scénarios, offrant aux décideurs une vision structurée de ce qui pourrait se produire et de la probabilité de chaque résultat.

L’intuition derrière la méthode

Imaginez la planification d'investissements dans les infrastructures lorsque la demande future est inconnue. Au lieu de choisir une seule prévision, vous définissez un ensemble de futurs plausibles — forte croissance, stagnation, perturbation — et attribuez à chacun une probabilité basée sur le jugement d'experts ou des données historiques. Vous évaluez ensuite votre décision dans chaque futur, pondérez les résultats par leurs probabilités, et calculez la valeur attendue, l'exposition au pire cas et le potentiel de hausse. Le résultat n'est pas un nombre unique mais une distribution de conséquences, vous aidant à choisir des stratégies robustes à travers les futurs plutôt qu'optimales uniquement dans le cas attendu.

Histoire

L'analyse stochastique de scénarios est née de l'intersection de la planification par scénarios développée chez RAND et Shell dans les années 1950-1970 et de la programmation stochastique formalisée par Dantzig (1955) et Beale (1955). Le domaine a mûri grâce aux travaux de Birge, Louveaux, et d'autres dans les années 1980-1990, avec une large adoption dans la gestion des risques financiers, la planification énergétique et la politique climatique à partir des années 1990.

Quand l’utiliser

Utiliser l'analyse stochastique de scénarios lorsque les incertitudes clés peuvent être articulées comme un ensemble gérable de futurs discrets, chacun portant une estimation de probabilité significative — courant dans la planification stratégique, les tests de résistance financiers, l'adaptation climatique et l'évaluation des politiques publiques. Elle est particulièrement précieuse lorsque les risques extrêmes importent autant que la performance attendue. L'éviter lorsque le nombre de scénarios pertinents est trop grand pour être énuméré de manière significative, lorsque les estimations de probabilité sont totalement indisponibles ou dénuées de sens (utiliser des méthodes de profonde incertitude comme la prise de décision robuste à la place), lorsque l'espace de décision est continu et nécessite une optimisation stochastique complète, ou lorsque les résultats sont très sensibles à l'incertitude des paramètres au sein du scénario qui n'est pas elle-même modélisée.

Limites et points d’attention

  • Les résultats sont très sensibles à l'ensemble de scénarios choisi et aux probabilités attribuées ; des probabilités mal calibrées produisent des valeurs attendues trompeuses.
  • Les ensembles de scénarios discrets peuvent manquer des états intermédiaires importants ou des résultats extrêmes non capturés par un scénario nommé.
  • À mesure que le nombre de facteurs d'incertitude augmente, le nombre de scénarios nécessaires pour une couverture complète croît exponentiellement, rendant l'énumération impraticable.
  • La méthode n'optimise pas intrinsèquement les décisions ; la coupler avec l'optimisation nécessite des formulations de programmation stochastique qui ajoutent de la complexité.
  • La communication des résultats pondérés par la probabilité à des publics non techniques peut être difficile lorsque les parties prenantes se focalisent sur le scénario du pire cas, quelle que soit sa probabilité.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Rend l'incertitude explicite et transparente en nommant et quantifiant des futurs distincts plutôt qu'en la cachant dans des estimations ponctuelles.
  • Produit des métriques de risque riches incluant la valeur attendue, la variance et des statistiques de risque extrême qui soutiennent à la fois les critères de décision basés sur la valeur attendue et ceux averses au risque.
  • Calculable de manière traitable pour un nombre modéré de scénarios, permettant l'utilisation de modèles de résultats complexes au sein de chaque scénario.
  • Communique naturellement les résultats aux parties prenantes à travers des scénarios nommés avec des récits concrets et des résumés pondérés par la probabilité.
  • S'intègre harmonieusement avec les modèles d'optimisation (programmation stochastique) lorsqu'une variable de décision formelle doit être sélectionnée.
  • Soutient l'analyse du regret et l'identification de stratégies robustes, aidant les décideurs à se prémunir contre les scénarios du pire.

Applications

  • Tests de résistance de portefeuilles financiers et estimation de la value-at-risk sous des scénarios macroéconomiques
  • Planification de l'adaptation climatique évaluant les investissements dans les infrastructures selon des scénarios d'émissions et de température
  • Allocation des ressources de santé sous des trajectoires épidémiques incertaines
  • Planification du système énergétique sous des prix des combustibles, une croissance de la demande et des environnements politiques incertains
  • Évaluation de la résilience de la chaîne d'approvisionnement sous des scénarios de perturbation incluant la défaillance des fournisseurs et les chocs de demande
  • Évaluation des politiques publiques où les interventions sont évaluées sous des futurs optimistes, de référence et pessimistes

Comment ça marche

Comment ça marche

1

Identifier un ensemble fini de scénarios discrets S = {s1, s2, ..., sK} qui représentent des futurs ou des états du monde structurellement distincts. Les scénarios doivent être mutuellement exclusifs, collectivement exhaustifs dans le cadre de l'analyse, et pilotés par des facteurs d'incertitude clés. En pratique, K varie de 3 à 20 ; au-delà, l'interprétabilité s'en pâtit.

2

Attribuer une probabilité p(sk) à chaque scénario telle que toutes les probabilités soient non négatives et somment à 1. Les probabilités peuvent provenir de l'élucidation d'experts, de l'analyse de fréquences historiques ou de la mise à jour bayésienne. Lorsque les probabilités sont profondément incertaines, une analyse de sensibilité sur les poids de probabilité est essentielle.

3

Pour chaque scénario sk, calculer le vecteur de résultats ou la métrique de performance f(x, sk) pour chaque alternative de décision ou politique x. Cette étape peut elle-même impliquer un modèle de simulation, un sous-problème d'optimisation, ou une formule analytique selon le domaine d'application.

4

Calculer la valeur attendue E[f] = sum_k p(sk) * f(x, sk) et des mesures de risque telles que la variance Var[f], la value-at-risk conditionnelle CVaR, ou les probabilités de dépassement P(f > seuil). Construire des distributions de résultats et des tableaux scénario-performance pour comparer les alternatives.

5

Interpréter les résultats en identifiant les stratégies dominantes (bonnes dans la plupart des scénarios), les stratégies fragiles (optimales en moyenne mais catastrophiques dans les scénarios extrêmes), et les stratégies robustes (acceptables dans tous les scénarios). Utiliser les critères de dominance stochastique ou la minimisation du regret pour sélectionner une alternative préférée.

Pièges courants

  • Traiter les probabilités de scénarios comme précises alors qu'elles sont des estimations grossières — toujours rapporter la sensibilité des conclusions aux affectations de probabilité.
  • Sélectionner des scénarios pour confirmer un résultat préféré plutôt que pour couvrir l'espace d'incertitude réel, sapant la crédibilité de l'analyse.
  • Ignorer l'incertitude intra-scénario en traitant chaque scénario comme déterministe alors que les paramètres au sein d'un scénario sont eux-mêmes variables.
  • Rapporter uniquement les valeurs attendues et négliger les métriques de risque extrême, ce qui peut masquer des stratégies avec une exposition catastrophique à la baisse.
  • Confondre la probabilité d'un scénario avec sa plausibilité — un scénario à faible probabilité peut néanmoins justifier une atténuation si son impact est sévère.

Questions fréquentes

En quoi l'analyse stochastique de scénarios diffère-t-elle de l'analyse de scénarios ordinaire ?

L'analyse de scénarios ordinaire (déterministe) évalue les résultats dans quelques futurs nommés mais ne leur attribue pas formellement de probabilités, elle ne peut donc pas calculer de valeurs attendues ni de statistiques de risque. L'analyse stochastique de scénarios attribue explicitement des probabilités à chaque scénario et agrège les résultats en métriques pondérées par la probabilité, permettant une quantification formelle du risque.

Combien de scénarios dois-je définir ?

Trois à sept scénarios sont typiques dans les applications stratégiques ; plus de dix deviennent difficiles à interpréter et à communiquer. L'essentiel est que les scénarios couvrent l'espace des résultats plausibles sans chevauchement excessif. Lorsque l'incertitude est continue, la simulation de Monte Carlo tirant de distributions de probabilité peut être préférable à l'énumération de scénarios discrets.

Et si je ne peux pas attribuer de probabilités significatives aux scénarios ?

Si les probabilités sont fondamentalement inconnaissables, la méthode se rapproche de l'analyse de profonde incertitude. Des techniques telles que la prise de décision robuste (RDM) ou l'analyse info-gap sont mieux adaptées lorsque les estimations de probabilité ne sont pas crédibles. Vous pouvez également exécuter l'analyse stochastique de scénarios sur une gamme d'affectations de probabilité pour tester si les conclusions y sont sensibles.

L'analyse stochastique de scénarios peut-elle être combinée avec l'optimisation ?

Oui. Lorsqu'une variable de décision formelle doit être choisie avant que les scénarios ne soient révélés, le problème devient un programme stochastique à deux ou plusieurs étapes : la première étape sélectionne une décision ici et maintenant ; les étapes ultérieures s'adaptent au scénario qui se déroule. Des logiciels tels que GAMS, Pyomo et des solveurs spécialisés de programmation stochastique prennent en charge cette formulation.

Comment dois-je valider l'ensemble de scénarios ?

La validation implique de vérifier que les scénarios sont cohérents en interne, qu'ils couvrent collectivement l'espace d'incertitude clé et qu'ils sont fondés sur des connaissances du domaine ou des données historiques. Les panels d'experts, l'analyse des impacts croisés et la comparaison avec les distributions de fréquences historiques de situations analogues sont des approches de validation courantes.

Méthodes associées

Sources

  1. Birge, J. R., Louveaux, F. (2011). Introduction to Stochastic Programming (2nd ed.). Springer.

    ISBN : 9781461402374
    Copié.
  2. Lempert, R. J., Popper, S. W., Bankes, S. C. (2003). Shaping the Next One Hundred Years: New Methods for Quantitative, Long-Term Policy Analysis. RAND Corporation.

    Ouvrir la référence de la publication
    Copié.