Prévoir le changement climatique comme un planificateur de la Supply Chain

Joannes Vermorel

Transcription de la conférence donnée par Joannes Vermorel à l’École polytechnique de Palaiseau (France) le vendredi 3 juin lors du symposium Intelligence Artificielle, Numérique et Changement Climatique. Le symposium a été organisé par Sylvain Le Corff, professeur à Telecom Sud Paris, et Eric Moulines, professeur à l’École polytechnique et membre élu de l’Académie des sciences.

Ma compétence réside dans la science de la supply chain et dans l’analyse prédictive de la supply chain. La supply chain est, en gros, le lien entre la production et la consommation : les matériaux doivent être acquis, transportés, transformés et distribués. Voilà de quoi il s’agit dans la supply chain. Je dois immédiatement avouer que la science de la supply chain est peu susceptible d’être l’avenir de la climatologie.

Cependant, les supply chains modernes utilisent déjà des techniques de prévision automatisées à grande échelle. C’est exactement ce que ma société, Lokad, fait depuis plus d’une décennie.

Au cours de cette décennie, j’ai appris une série de leçons essentielles en ce qui concerne l’utilisation de techniques prédictives, notamment des algorithmes d’apprentissage automatique, dans des contextes réels. La leçon la plus importante est qu’il vaut mieux être approximativement juste plutôt qu’exactement faux. Pourtant, lorsque je regarde autour de moi, je vois des efforts en matière de science des données profondément erronés.

L’aspect le plus insidieux de l’analyse des données est que les algorithmes - ou la technologie - peuvent donner une illusion de rationalité, une illusion de science. Pourtant, trop souvent, ces efforts d’analyse de données erronés conduisent à des conclusions qui ne sont pas meilleures que l’astrologie. Aucun algorithme ne pourra jamais vous sauver si vous abordez un problème de la mauvaise manière.

Pour comprendre comment la modélisation prédictive de la supply chain peut nous donner des leçons précieuses pour prévoir le changement climatique, permettez-moi de souligner que le climat et les marchés mondiaux ont beaucoup en commun. Dans les deux cas, notre mode de vie est en jeu. Dans les deux cas, nous avons des systèmes complexes qui ne sont pas entièrement compris. Dans les deux cas, chaque participant a un impact sur le système, mais c’est un impact minime. En agrégat, une série de petits impacts peut entraîner un grand impact. Pourtant, les participants ont leurs propres incitations, et en tant que tels, rien n’est jamais simple.

Ainsi, je vais évaluer, à la manière de la supply chain, l’évolution du climat du point de vue de la France métropolitaine, tout comme une entreprise utilise ses propres parts de marché pour évaluer le marché.

Les supply chains m’ont appris que le coût se trouve toujours dans les extrêmes. Les petits excès de production et les pénuries mineures sont généralement faciles à résoudre ; ce sont les grandes qui condamnent les entreprises. Ainsi, lors de la prévision du changement climatique, en tant que planificateur de la supply chain, ce ne sont pas les petites variations qui m’intéressent. La France a un climat doux ; et rappelez-vous que j’adopte ici une perspective centrée sur la France.

La France aurait peu ou pas de problème pour s’adapter à des températures deux degrés plus élevées ou plus basses en moyenne. De même, nous pourrions avoir 10% de vent en plus, ou moins de vent, ou 10% de pluie en plus ou moins de pluie, cela ne ferait presque aucune différence. Permettez-moi de préciser immédiatement que je ne dis pas qu’il n’y aurait aucun impact. Je souligne simplement que d’autres pays - comme le Danemark ou l’Italie - n’ont aucun problème à long terme lié à des climats plus froids ou plus chauds - tout en maintenant un mode de vie qui, à toutes fins utiles, est presque identique à celui que nous apprécions en France. À mesure que le climat change, des ajustements se produiraient dans toute une série de domaines, allant du choix des cultures agricoles à l’épaisseur des couches d’isolation thermique dans les bâtiments. Cependant, ces évolutions sont modestes par rapport à d’autres sources de changement qui affectent la France.

Ainsi, en tant que planificateur de la supply chain, ce sont les extrêmes climatiques qui captent mon intérêt. Pour évaluer ce qui peut être attendu, nous devons examiner les extrêmes historiques. En effet, les extrêmes futurs devraient toujours être estimés comme plus importants que les extrêmes passés. Cela est vrai pour les marchés et très probablement vrai pour le climat. Ainsi, jetons un coup d’œil à ce que l’histoire de la France nous dit.

Été 1636¹, c’est l’année où Corneille a écrit Le Cid, mais aussi l’année d’un été terriblement chaud. Les températures ont atteint 39°C à Paris pendant des semaines. En un été, il y a eu 500 000 décès, principalement des bébés et des nourrissons. La principale cause de décès était l’eau contaminée et des maladies comme la dysenterie. Le nombre de décès, par rapport à la population française de l’époque, est comparable à celui de la Première Guerre mondiale, qui a duré un peu plus de 4 ans.

Ainsi, une température soutenue de 39°C pendant tout l’été, pour la France dans son ensemble, devrait être la référence pour laquelle nous devrions être prêts. Il n’y a presque pas de modélisation climatique impliquée dans cette proposition : c’est une lecture directe de l’histoire récente du climat français. Si cela s’est produit il y a 4 siècles, ma proposition est simplement que cela puisse se reproduire l’été prochain.

Naturellement, au cours des 2 derniers siècles, la science médicale et l’assainissement ont pratiquement éliminé la dysenterie en France. Cependant, cela signifie-t-il que nous pouvons passer par des étés chauds sans aucun problème ? Si nous jugeons par les événements récents de l’été 2003 en France, les étés chauds présentent encore des risques sérieux. La canicule de 2003 a à peine duré 2 semaines, atteignant 39°C à Paris, et a causé 15 000 décès en France², principalement chez les personnes âgées. Cependant, au cours des années qui ont suivi, le taux d’équipement de climatisation dans les foyers français est passé de 4% en 2005³ à 25% en 2020⁴.

Ici, nous touchons un aspect critique de la prévision des affaires humaines : les gens observent et s’adaptent. Cela n’affecte pas toujours négativement la précision des prévisions - bien que cela se produise fréquemment - mais l’ingéniosité humaine contribue presque toujours à rendre les prévisions à long terme irrélevantes. En effet, gardez à l’esprit qu’une prévision, quelle qu’elle soit, est avant tout un choix de modèle. Le modèle définit le champ de bataille : ce qui va être prévu. Une prévision peut être très précise et pourtant complètement hors de propos. C’est un danger auquel chaque entreprise opérant une supply chain est confrontée : les marchés changent de nature, ils ne font pas que croître ou diminuer.

Revenons à nos extrêmes climatiques, jetons maintenant un coup d’œil sur le grand hiver de 1709 . Au cours du mois de janvier 1709⁵, les températures chutent à -20°C à Paris ; c’est comme un hiver froid à Québec. La Seine est gelée comme les autres grands fleuves de France. En 11 jours, la France perd 100 000 personnes à cause de la vague de froid. Au total, l’hiver fait 600 000 victimes, principalement des familles pauvres. Encore une fois, ces pertes sont comparables à l’impact total de la Première Guerre mondiale en France, sauf que, une fois de plus, la catastrophe se produit en quelques semaines, au lieu de plusieurs années. Cet hiver faisait partie d’une période connue sous le nom de Petit Âge Glaciaire en Europe, qui a duré du milieu du XIIIe siècle au milieu du XIXe siècle.

Bien que le fait que la Seine soit gelée à Paris puisse surprendre cette audience, il est intéressant de noter que la latitude nord de Paris est de 49° tandis que la latitude de Québec est seulement de 47°. Ainsi, géographiquement, Paris est plus au nord que Québec.

En tout cas, au cours des derniers siècles, la Seine a gelé à plusieurs reprises. C’est une question d’histoire, sans modélisation climatique impliquée. Si un tel hiver s’est produit il y a 3 siècles, ma proposition reste qu’il pourrait se reproduire l’hiver prochain.

Ainsi, considérons le genre de problèmes qui se poseraient en France si nous devions subir un hiver canadien comme cela s’est produit dans le passé.

Le premier problème auquel je peux penser est : l’eau. En France, les canalisations d’eau sont généralement enterrées à 80 cm de profondeur, mais à Québec, c’est 130 cm et pour de bonnes raisons. À 80 cm, les canalisations gèlent et se cassent à Québec. Ainsi, une grande vague de froid, en France, détruirait très probablement une partie importante de notre infrastructure de distribution d’eau.

De plus, les transports seraient gravement impactés. Les camions canadiens utilisent des chauffe-blocs car le diesel gèle à -10°C. Je n’ai pas de statistiques sur la prévalence des chauffe-blocs sur les camions en France, mais le taux d’équipement semble être très limité. Étant donné que plus de 98% des véhicules professionnels fonctionnent au diesel, il est raisonnable de supposer que presque tous ces véhicules deviendraient inutilisables pendant une grande vague de froid.

Enfin, le réseau électrique est également susceptible de subir de graves pannes de courant . En 2012⁶, qui était un hiver froid, la France importait jusqu’à 9% de son électricité depuis l’Allemagne. La part de puissance pouvant être coupée à volonté, principalement avec de grandes entreprises industrielles, ne représente qu’une réduction d’énergie d’environ 1%. Une coupure de courant contrôlée permet d’obtenir environ 3% d’énergie supplémentaire. Au-delà de ce point, la seule option qui reste pour le réseau électrique est de couper des parties du réseau.

Ces problèmes ne sont pas théoriques. Il s’avère que lorsque j’ai discuté du cas des grands hivers avec mon père, ces problèmes sont exactement ce qui s’est passé à Saint-Étienne en 1956 .

1956 a été le plus froid des hivers du XXe siècle en France. À Saint-Étienne, le réseau électrique s’est effondré. Les canalisations d’eau ont éclaté. Les véhicules ont cessé de fonctionner. Dans le sud, même le port de Marseille a gelé.

Les familles sont restées sans eau, sans nourriture et sans chauffage pendant des jours. Un examen sommaire des statistiques de décès de l’INSEE pour février 1956⁷ indique environ 15 000 décès en excès par rapport aux années précédentes.

Cet hiver rigoureux de 1956 s’est produit dans une société d’après-guerre qui dépendait encore peu des appareils électriques. De plus, cette société utilisait encore largement le chauffage au bois, qui ne dépend pas du réseau électrique. Je ne doute pas que le même hiver en Europe aujourd’hui aurait des conséquences beaucoup plus graves.

Revenons à notre discussion sur la prévision climatique, il est clair, à ce stade, que ce ne sont pas les températures futures qui importent vraiment, ce sont les conséquences de ces températures. On pourrait dire la même chose pour toutes les autres variables climatiques : le vent, la pluie, etc.

Si la première erreur de prévision “science des données” consiste à se concentrer sur les moyennes plutôt que sur les extrêmes ; alors, la deuxième erreur de prévision consiste à confondre les artefacts numériques avec les conséquences du monde réel. En supply chain, cette idée est résumée par les pourcentages d’erreur de prévision sont sans importance, seuls les dollars d’erreur comptent.

En effet, les prévisions sont des artefacts numériques conçus pour soutenir les décisions. La qualité de ces prévisions dépend beaucoup de leur adéquation pour atteindre finalement de meilleures décisions.

Évaluer la qualité des prévisions en se basant uniquement sur des indicateurs statistiques arbitraires tels que l’erreur absolue moyenne (MAE), l’erreur quadratique moyenne (MSE) ou l’erreur absolue moyenne en pourcentage (MAPE), qui sont tous complètement déconnectés des conséquences du monde réel, est probablement l’une des erreurs les plus courantes que j’observe chez mes collègues data scientists.

Personnellement, je qualifie ces prévisions de prévisions nues. Les prévisions nues sont l’opposé des prophéties mythiques. Ces prévisions attirent beaucoup plus d’attention qu’elles ne devraient, et lorsque les gens y prêtent attention, elles ne font qu’aggraver la situation.

Pour comprendre pourquoi les prévisions nues sont fausses, il faut réaliser que, dans la supply chain - et je soupçonne également dans le climat - il est facile de générer des prévisions à la fois extrêmement précises et extrêmement stupides en même temps.

En effet, prenons l’exemple d’un minimarket avec des réapprovisionnements quotidiens. Pour presque tous les produits du minimarket, la prévision de ventes journalières la plus précise est de zéro unité. En effet, la plupart des produits, dans un minimarket, ne sont même pas vendus une fois par jour en moyenne. Ainsi, une prévision de ventes nulles est généralement la prévision journalière la plus précise en termes d’erreur absolue moyenne.

Ensuite, si une prévision de ventes nulles est prise comme entrée, le magasin ne se réapprovisionnera de rien. En effet, zéro ventes projetées signifie zéro unité à réapprovisionner. Très rapidement, toutes les étagères du minimarket sont vides, et ainsi, nous avons effectivement zéro ventes, rendant ce modèle de prévision de ventes nulles 100% précis. Pendant ce temps, le minimarket fait faillite.

Cette situation se produit dans la vie réelle (avec des solutions logicielles d’entreprise qui concurrencent Lokad). Cela s’appelle un problème de gel des stocks. Pour le résoudre, le modèle doit prévoir la demande au lieu de prévoir les ventes; cependant, cela est difficile, car les ventes sont observées tandis que la demande ne l’est pas.

Plus généralement, les mesures statistiques de prévision donnent l’illusion de la science : J’ai conçu un modèle de prévision qui est 1% plus précis, donc mon modèle est prouvablement meilleur. Cependant, ce n’est généralement pas le cas, et je ne parle même pas de surajustement. Le problème que je soulève est que la poursuite d’une mesure statistique rend invariablement le modèle moins bon. Le modèle de prévision devient exactement faux alors qu’il était approximativement juste.

Je ne suis pas un expert en climat, mais de mon point de vue de la supply chain, dans les médias - la presse mais aussi les réseaux sociaux - je vois une abondance de prévisions climatiques nues : des prévisions qui ne sont attachées à aucun processus de prise de décision pratique. Je ne remets pas en question l’exactitude de ces prévisions ; c’est un débat pour les climatologues. Cependant, mon expérience en supply chain me dit que tenter de déduire tout type de décisions réelles basées sur ces prévisions nues est une recette pour des conséquences involontaires, gaspillant généralement des tonnes de ressources dans le processus et atteignant fréquemment l’opposé même de l’intention initiale.

Une bonne prévision commence par un problème à résoudre. Une fois que le problème est correctement caractérisé, nous progressons en remontant pour identifier les données et les recettes numériques qui conviennent pour soutenir la décision en jeu.

Au contraire, une mauvaise prévision commence par un ensemble de données qui se trouve être disponible par chance et avec un data scientist qui est impatient de tester le dernier article sur l’apprentissage automatique sur cet ensemble de données, éventuellement un article écrit par le data scientist lui-même.

Ainsi, ma conclusion, qui s’applique à la supply chain et au climat de la même manière, est que si vous voulez trier les bonnes prévisions des mauvaises prévisions, commencez par rejeter immédiatement les prévisions nues. Rien de bon ne vient de ces prévisions. Ensuite, assurez-vous que les prévisions sont approximativement justes, plutôt que d’être exactement fausses. Et enfin, recherchez la proximité de ces prévisions avec les décisions réelles. Si les personnes qui font les prévisions ne doivent pas subir les conséquences de ces prévisions, alors votre position par défaut devrait être empreinte de profond scepticisme.