La théorie économique ne se retrouve pas dans le vide, elle est forgée dans le creuset de l'expérience, et les données quantitatives historiques fournissent la matière première de ce processus. En mesurant systématiquement l'activité économique passée — sortie, emploi, prix, commerce et flux financiers — les économistes peuvent identifier des relations persistantes, tester des hypothèses concurrentes et affiner les modèles qui sous-tendent les décisions politiques. Depuis la Grande Dépression jusqu'à la réponse à la pandémie de COVID-19, les données quantitatives historiques ont refait à plusieurs reprises la façon dont nous comprenons l'économie et comment les gouvernements et les banques centrales tentent de la diriger.

Le rôle des données historiques quantitatives dans l'analyse économique

Les données quantitatives transforment l'observation anecdotique en une analyse rigoureuse. Les séries chronologiques à long terme permettent aux économistes de distinguer les fluctuations cycliques des tendances structurelles, de mesurer la corrélation entre les variables et de construire des modèles économétriques qui peuvent être utilisés pour la prévision et la simulation. Sans données historiques, la théorie économique resterait une collection d'histoires plausibles mais intestables. La capacité de quantifier des relations telles que le lien entre l'offre monétaire et les niveaux de prix ou entre les déficits budgétaires et les taux d'intérêt dépend entièrement de la disponibilité de données historiques fiables.

Principales sources de données et de données

Pour les États-Unis, des sources telles que la base de données Federal Reserve Economic Data (FRED) fournissent des séries mensuelles et trimestrielles qui remontent au début du XXe siècle. Sur le plan international, le projet Maddison[ reconstitue le PIB par habitant pour les pays qui remontent au premier millénaire, offrant des informations sur les modes de croissance à long terme et les niveaux de vie.

Collecte de données et normalisation des défis

Les données historiques ne sont pas des chiffres simples et prêts à être utilisés.Les définitions changent : par exemple, la définition moderne du PIB n'a été normalisée qu'après la Seconde Guerre mondiale.Les estimations antérieures nécessitent une reconstruction minutieuse des registres fiscaux, des recensements de la production et des registres commerciaux, ce qui implique souvent une interpolation et une supposition considérables.La révision des données est également un problème persistant : les premières versions des statistiques sont révisées plus tard à mesure que de plus amples informations deviennent disponibles, et les économistes doivent utiliser les données de -vintage - ou s'adapter à ces changements dans leurs analyses.

Comment les données historiques façonnent les modèles économiques

Les théories économiques les plus influentes ont souvent été des réponses directes aux principaux épisodes historiques saisis dans les données quantitatives. Chaque crise ou période prolongée d'instabilité expose les limites des modèles existants et fournit les preuves empiriques nécessaires pour en construire de nouveaux.

La Grande Dépression et la Révolution keynésienne

L'économie classique, avec son hypothèse que les marchés se corrigeraient eux-mêmes, n'avait guère à dire sur le chômage prolongé et la baisse de la demande.Les données quantitatives de la dépression — en particulier la baisse spectaculaire de la demande globale (PIB américain de près de 30 % entre 1929 et 1933) et la persistance d'un chômage élevé (qui s'élève à plus de 25 %) — ont fourni la base empirique de John Maynard KeynesLa théorie générale. L'économie keynésienne, qui met l'accent sur les dépenses gouvernementales et les incitations fiscales pour gérer la demande globale, n'était pas seulement un changement philosophique; elle a été une inférence directe des schémas statistiques observés dans les années 1930.

La Stagflation des années 1970 et l'élévation du monétarisme

Dans les années 70, de nombreuses économies avancées ont connu la combinaison inhabituelle d'une inflation élevée et d'un chômage élevé, phénomène appelé -stagflation -que la courbe standard de Keynesian Phillips n'a pas pu expliquer. Les données de cette période ont révélé une rupture dans le compromis précédemment stable entre l'inflation et le chômage, avec les deux taux augmentant simultanément. Les économistes comme Milton Friedman et Edmund Phelps ont utilisé ces données pour développer le concept du taux naturel de chômage et l'importance des attentes. Leurs arguments, fondés sur des preuves quantitatives, ont conduit à la montée du monétarisme et finalement à l'approche moderne du ciblage de l'inflation.

La crise financière de 2008 et les réformes de la modélisation macroéconomique

Avant la crise financière mondiale de 2008, les modèles macroéconomiques traditionnels, appelés modèles d'équilibre général stochastique dynamique (DSGE), n'avaient guère tenu compte du secteur financier. Les ménages et les entreprises étaient supposés avoir un accès parfait au crédit et les banques étaient traitées comme des frictions. La crise fournissait une multitude de données quantitatives microéconomiques et agrégées qui contredisaient ces hypothèses : l'intermédiation financière s'est effondrée, les écarts se sont élargis et les défauts de paiement ont grimpé en spirale. Les données sur les déficits hypothécaires (passant de moins de 2 % en 2005 à plus de 11 % en 2010), les prix du logement (indice S-P/Case-Shiller de plus de 30 %) et les bilans bancaires ont forcé les modélisateurs à intégrer les frictions financières et les contraintes de crédit.

La pandémie de COVID-19 et le débat sur la résilience

Les données quantitatives — indicateurs en temps réel de la mobilité de Google et d'Apple, demandes d'assurance-chômage suivies chaque semaine, dépenses de consommation provenant des transactions par carte de crédit et perturbations de la chaîne d'approvisionnement par le biais des données du trafic portuaire — ont permis aux économistes de suivre l'impact presque en temps réel. Les données sur la pandémie ont relancé les débats de longue date sur les multiplicateurs fiscaux, l'efficacité des stabilisateurs automatiques et les limites de la politique monétaire à l'échéance zéro. Elles ont également fourni de solides preuves de l'importance des programmes de transfert gouvernementaux, tels que l'élargissement de l'assurance-chômage et les paiements directs de stimulation aux États-Unis, pour soutenir la demande globale pendant les fortes périodes de ralentissement.

Méthodes quantitatives de recherche économique historique

Les outils utilisés pour analyser les données historiques quantitatives ont eux-mêmes évolué, permettant aux économistes d'extraire des données historiques des données plus solides. Des simples statistiques descriptives à l'inférence causale complexe, ces méthodes constituent le fondement analytique de l'économie historique.

Analyse chronologique et économétrie

Les méthodes économétriques classiques, l'analyse de régression, la cointégration, les autorégression vectorielles, sont les piliers de la recherche économique historique. En examinant les relations statistiques entre les variables au fil du temps, les économistes peuvent estimer l'impact des changements de politique, tester la présence de cycles économiques et identifier les effets causaux à l'aide d'expériences naturelles. Par exemple, des données historiques sur les salaires réels et la productivité du XIXe siècle ont été utilisées pour estimer la courbe -salaires-Phillips et évaluer le degré de puissance du marché sur les marchés du travail.

Apprentissage automatique et approches du Big Data

Les travaux de recherche ont permis de déterminer les déterminants historiques des crises financières à partir d'un grand nombre de variables macroéconomiques couvrant des siècles, révélant que la croissance du crédit privé était le facteur le plus prédictif. L'extraction de textes de journaux historiques et de documents parlementaires fournit jusqu'ici des mesures quantitatives non disponibles du sentiment politique, de la couverture médiatique ou de la confiance des entreprises, permettant aux économistes de construire des indices d'incertitude ou de risque politique remontant aux années 1800. Les réseaux neuraux ont été appliqués aux données historiques sur les prix pour découvrir les régimes de marché latents. Ces techniques permettent d'étendre la portée de l'analyse quantitative historique au-delà des données numériques structurées en sources textuelles non structurées, créant ainsi des ensembles de données plus riches pour le développement théorique.

Influence sur la politique et la prise de décision

Les données historiques quantitatives ne sont pas seulement des curiosités académiques, elles façonnent directement les actions des décideurs. Les leçons du passé sont intégrées dans les procédures de fonctionnement des banques centrales, des autorités fiscales et des institutions internationales.

Banque centrale et politique monétaire

La règle Taylor, qui prévoit une cible pour le taux des fonds fédéraux fondée sur l'inflation et l'écart de production, est dérivée d'une analyse statistique du comportement historique de la Réserve fédérale. Lorsque la Fed fixe les taux d'intérêt, elle examine les tendances historiques du chômage et de l'inflation pour mesurer où l'économie se situe par rapport à son potentiel. La banque utilise également des données historiques pour estimer le taux d'intérêt réel neutre (r-star), qui n'est pas directement observable mais qui est déduit des corrélations passées entre l'épargne, l'investissement et la croissance.

Politique budgétaire et interventions gouvernementales

Les données historiques qui éclairent les décisions budgétaires de manière aussi profonde sont utilisées par le Bureau du budget du Congrès des États-Unis (BCE) à partir de données à long terme sur la croissance du PIB, les recettes fiscales et les dépenses pour projeter les déficits budgétaires et la dette nationale selon différents scénarios de politique. La conception des stabilisateurs automatiques, comme l'assurance-chômage et l'impôt progressif sur le revenu, est fondée sur des preuves historiques de leur efficacité au cours des récessions précédentes.

Limites et défis

Malgré son rôle indispensable, les données historiques quantitatives doivent être utilisées avec prudence. Plusieurs pièges bien connus peuvent conduire à des conclusions trompeuses si elles ne sont pas correctement traitées par les chercheurs et les décideurs.

Qualité des données et questions de révision

Les données historiques sont souvent de qualité inférieure à celles des statistiques modernes. Avant le milieu du XXe siècle, les comptes nationaux n'ont pas été compilés systématiquement. Les chiffres du PIB des États-Unis, par exemple, sont souvent reconstruits à partir de sources limitées et comportent des estimations considérables, le Bureau of Economic Analysis des États-Unis n'ayant commencé à publier des comptes nationaux de revenu cohérents que dans les années 1930. De plus, les organismes statistiques révisent constamment les données plus anciennes à mesure que de nouvelles méthodes deviennent disponibles, ce qui signifie qu'un modèle fondé sur les données des années 1990 peut fonctionner différemment lorsque des révisions sont appliquées dans les années 2020.

Pauses structurelles et changements de régime

Les relations fondamentales de l'économie peuvent changer au fil du temps, phénomène connu sous le nom de ruptures structurelles.La fin du système de Bretton Woods en 1971, les chocs pétroliers des années 1970, l'adoption d'un ciblage de l'inflation dans les années 90 et la montée de l'économie Internet représentent tous des changements de régime qui peuvent rendre les données pré-ruptives non pertinentes pour prédire le comportement post-rupt.Les économistes utilisent des tests statistiques pour les ruptures structurelles (p. ex., test Chow, Bai‐Perron) et parfois fractionner leurs échantillons en conséquence, mais le choix de la date de rupture peut être fortement corrélé à des conclusions.

La Critique Lucas

Robert Lucas a affirmé dans son article de 1976 que les modèles économétriques estimés sur des données historiques pourraient être invalides pour évaluer les changements de politique si le changement de politique modifie lui-même le comportement des agents. Par exemple, une corrélation historique entre la croissance monétaire et la production peut disparaître une fois que la banque centrale adopte un nouveau régime de politique monétaire, parce que les agents adaptent leurs attentes en conséquence. Cette critique souligne la nécessité pour les modèles économiques d'intégrer un comportement prospectif — ce que les économistes appellent des paramètres profonds — qui sont invariants pour la politique.

Surdépendance par rapport aux modèles passés

L'histoire ne se répète pas précisément. L'environnement qui a produit une corrélation particulière ne peut jamais être recréé. Par exemple, la structure démographique, la réglementation financière et les modèles commerciaux mondiaux des années 1950 sont très différents de ceux d'aujourd'hui. Extrapoler à partir de données historiques sans tenir compte de ces différences structurelles peut conduire à de graves erreurs de politique.La crise financière de 2008 a été un rappel humiliant que -cette fois est différente - mais est l'hypothèse que les données passées fournissent toujours un guide fiable pour l'avenir. La meilleure pratique est d'utiliser des données historiques pour éclairer les modèles tout en restant ouvert à la preuve que le régime actuel a changé.

Conclusion : La pertinence continue des données historiques

De la révolution keynésienne au cadre macroprudentiel moderne, chaque avancée majeure de la pensée économique a été guidée par une analyse minutieuse des chiffres laissés par le passé. À mesure que de nouvelles techniques statistiques et des ensembles de données plus riches deviennent disponibles, la capacité d'apprendre de l'histoire ne fera que s'améliorer. En même temps, les économistes doivent rester humbles sur les limites de l'extrapolation, constamment mettre à jour leurs modèles avec des données fraîches et respecter les caractéristiques uniques de chaque moment historique. L'interaction entre les données, la théorie et la politique est un processus dynamique, et les données historiques quantitatives seront toujours leur apport le plus vital. L'avenir de la pensée économique continuera d'être façonné par l'étude attentive du passé, en veillant à ce que chaque génération s'appuie sur les leçons durement acquises de ses prédécesseurs.