Importance des données démographiques historiques

Les données démographiques historiques constituent l'épine dorsale de notre compréhension de l'évolution des sociétés au cours des siècles. Elles englobent bien plus que de simples comptes-rendus; elles comprennent les structures d'âge, les rapports entre les sexes, la composition des ménages, les répartitions ethniques et linguistiques et les schémas de diffusion géographique.Ces données sont soigneusement reconstruites à partir d'un large éventail de sources primaires : registres paroissiaux des baptêmes, mariages et sépultures; recensements décennaux; listes de recensements et d'enquêtes foncières; listes de conscriptions militaires; inscriptions de cimetières; et même manifestes de navires pour les populations maritimes.

La mort noire du XIVe siècle, par exemple, a réduit la population de l'Europe d'environ un tiers, remodelant les marchés du travail, la propriété foncière, voire les institutions culturelles pendant des générations. La capture de ces événements sismiques nécessite un renvoi croisé méticuleux de plusieurs dossiers locaux pour corriger les biais de sous-enregistrement ou de déclaration inhérents aux sources historiques. Même les données imparfaites, lorsqu'elles sont agrégées et analysées avec soin, fournissent une vue d'ensemble solide des tendances à long terme. Les techniques statistiques modernes, telles que l'ajustement proportionnel itératif, l'interpolation spatiale et lissage bayésien, contribuent à combler les lacunes tout en préservant la variabilité sous-jacente de l'enregistrement historique.

La cléométrie : une révolution quantitative dans l'enquête historique

La critométrie est apparue dans les années 1950 et 1960 comme un effort délibéré pour appliquer la théorie économique formelle et les méthodes quantitatives aux questions historiques, contestant la tradition purement narrative de l'historiographie.Le terme, inventé par l'économiste Stanley Reiter, reflète le mariage de Clio (la muse de l'histoire) avec metric (mesure).Les pionniers comme Robert Fogel et Douglass North ont démontré que le raisonnement contrefactuel, l'analyse de régression et les modèles de rentabilité pouvaient réviser les récits historiques de longue date.

Cette approche a transformé l'histoire d'une discipline purement narrative en une science empirique, qui construit des modèles mathématiques explicites de processus historiques : les rendements des cultures en fonction de la météo et de la qualité du sol, les flux commerciaux en fonction des coûts de transport et des tarifs, la migration en fonction des écarts salariaux et les changements institutionnels en fonction de la pression démographique.Ces modèles sont ensuite testés à l'aide d'outils statistiques tels que les moindres carrés ordinaires, les variables instrumentales et les différences de différences.Le domaine a produit des études historiques sur les effets économiques de l'esclavage, les causes de la révolution industrielle, la transition démographique et les déterminants à long terme de la croissance économique.

Intégration des données démographiques à la recherche en matière de climat

Variables démographiques comme données analytiques de base

Les données démographiques ne sont pas seulement une variable de base dans les études cliométriques; elles servent souvent de variable explicative ou dépendante de base dans les modèles de changement économique et social. Les chercheurs intègrent des facteurs démographiques pour examiner des sujets aussi variés que la croissance économique, la migration, le changement institutionnel et la diffusion de la technologie.

  • Densité de population[ – utilisée pour modéliser les loyers fonciers, la productivité agricole, la propagation de l'innovation et l'incidence des conflits.
  • Structure d'âge — critique pour comprendre l'offre de main-d'oeuvre, les rapports de dépendance, l'accumulation de capital humain et la formation de capital.
  • Taux d'urbanisation[ — liés à l'industrialisation, au développement des marchés, aux transitions épidémiologiques et à la centralisation politique.
  • Taux de fécondité et de mortalité — essentiels pour les estimations de l'espérance de vie, les transferts intergénérationnels et les modèles d'équilibre économique (p. ex., cadres malthusiens et boserupiens).
  • Les flux migratoires — influencent la convergence salariale, la diffusion culturelle, la composition ethnique et la stabilité politique.
  • Composition des ménages[ — révèle les structures familiales, les modèles de mariage et l'affectation des ressources intraménages.

Ces variables sont souvent tirées de recensements historiques publiés, mais les cliométriques s'appuient de plus en plus sur des données micrométriques — des registres paroissiaux, des évaluations fiscales, des calendriers des ménages et des systèmes d'enregistrement des faits d'état civil — qui permettent d'analyser les cohortes, de modéliser les événements et d'établir des économétriques spatiales que les statistiques agrégées ne peuvent pas étayer.

Approches méthodologiques de l'intégration des données

L'intégration des données démographiques dans les modèles cliométriques exige une attention particulière aux échelles temporelle et spatiale. Les séries chronologiques des taux de naissance et de décès au niveau paroissial, par exemple, doivent être normalisées pour tenir compte de l'évolution des limites administratives, des pratiques de tenue des dossiers et des changements de calendrier (p. ex., la réforme du calendrier grégorien).

  • Lien de données[ — correspondance entre des personnes à travers plusieurs recensements, registres vitaux ou listes fiscales pour construire des ensembles de données longitudinales.
  • Imputation et imputation multiple[ — remplissage des valeurs démographiques manquantes en fonction des relations statistiques avec les variables observées. Par exemple, les âges manquants peuvent être imputés à partir de la position et de l'occupation du ménage à l'aide de modèles prédictifs.
  • Modèles hiérarchiques bayes — La force d'emprunt entre les régions ou les périodes pour améliorer les estimations pour les régions où les données sont rares.
  • Systèmes d'information géographique (SIG)[ — superpose les données démographiques sur les cartes historiques pour analyser les modèles spatiaux de peuplement, d'utilisation des terres, de maladies et d'infrastructure.
  • Décomposition des séries chronologiques — séparation des composantes tendancielles, saisonnières et cycliques pour isoler les réponses démographiques aux chocs économiques.

Ces méthodes ont été appliquées à des questions classiques telles que la relation entre la pression démographique et le début de la révolution industrielle. Par exemple, le modèle Priester intègre les estimations de la population anglaise avec des séries de salaires réels pour tester les hypothèses malthusiennes et boserupiennes sur les boucles de rétroaction démographique-économique.

Étude de cas: La transition démographique en Europe

Une étude réalisée par Bonneuil (2005)[ a utilisé les données du département français du 19e siècle pour montrer que la baisse de la fécondité conjugale était étroitement liée à la diffusion des connaissances en matière de contrôle des naissances, qui à leur tour étaient corrélées avec les niveaux d'éducation et de sécularisation. D'autres recherches mettent l'accent sur le rôle de la baisse de la mortalité infantile dans la réduction de la demande chez les enfants, car les parents s'ajustaient à un environnement de mortalité inférieure, un exemple classique de l'échange de qualité quant à la quantité dans l'investissement en capital humain.

Les travaux cliométriques plus récents sur la transition démographique se sont étendus au-delà de l'Europe occidentale pour inclure l'Asie, l'Amérique latine et l'Afrique. Par exemple, les historiens économiques ont utilisé des recensements historiques du Japon et de la Chine pour comparer les déclins de fécondité dans différents régimes institutionnels. Ces études transrégionales révèlent que, bien que la tendance générale de la transition soit similaire, le moment, la vitesse et les causes immédiates varient considérablement.

Défis et limites des données dans la démographie historique

Incomplètement, partialité et incompatibilités de définition

Les données démographiques historiques sont rarement complètes ou parfaitement exactes. Les recensements ont été effectués de façon irrégulière dans de nombreux pays; certains dossiers ont été perdus par suite de tirs, de guerres ou de négligence bureaucratique. Même lorsque les registres survivent, ils peuvent être biaisés vers certains segments de la population — propriétaires fonciers, contribuables, chefs de famille ou hommes d'âge combatif. Les femmes, les enfants, les personnes âgées, les esclaves, les populations autochtones et les pauvres sont souvent sous-représentés ou enregistrés avec moins de détails. Par exemple, les premiers recensements fédéraux américains ne répertoriaient que les hommes blancs libres par âge, puis groupaient toutes les autres personnes libres et esclaves en catégories grossières.

La catégorie -household peut désigner une famille nucléaire dans un recensement, mais une famille élargie ou un groupe résidentiel dans un autre. Les âges sont souvent arrondis à des multiples de cinq ou dix, en particulier dans les populations à faible analphabétisme, phénomène connu sous le nom de -hapsing d'âge, qui peut être mesuré à l'aide d'indices tels que Whipple. Les professions sont enregistrées de façon incohérente entre recenseurs et au fil du temps, nécessitant une normalisation à l'aide de systèmes de codage professionnels historiques (p. ex. HISCO). Les cliométriques investissent beaucoup d'efforts dans l'harmonisation de ces catégories, mais le processus est exigeant une main-d'oeuvre intensive et exige une connaissance historique approfondie des conventions locales d'étiquetage.

Progrès technologiques dans la numérisation et le couplage des données

De même, les statistiques historiques du Bureau de recensement des États-Unis offrent des séries chronologiques agrégées que les cliométriques peuvent télécharger directement. La reconnaissance optique des caractères (OCR) et la transcription de l'apprentissage automatique permettent l'extraction massive de données à partir de registres paroissiaux manuscrits, de rouleaux de propriété, et même de manifestes de navires. Une fois numérisés, ces enregistrements peuvent être reliés à des ensembles de données à l'aide d'algorithmes qui correspondent aux individus par leur nom, âge, emplacement et relations familiales, créant des histoires longitudinales d'individus, de familles et de communautés qui s'étendent sur des décennies.

Les erreurs de ROC sont plus fréquentes dans les manuscrits plus anciens et endommagés, en particulier ceux qui ont une écriture non standard. Les transcriptions peuvent manquer les entrées non standard, interpréter mal les abréviations ou élargir incorrectement les noms. Les procédures de normalisation, bien qu'elles soient nécessaires, peuvent aplatir des variations locales significatives dans les conventions de désignation, les catégories professionnelles ou les définitions de parenté.

Orientations futures : Big Data, Machine Learning et Synergies interdisciplinaires

Bases de données intégrées pour l'analyse trans-domaine

L'avenir de la recherche cliométrique réside dans la création de bases de données intégrées qui combinent les données démographiques et les données économiques, environnementales, institutionnelles et culturelles. Par exemple, le Euro-Clio Data Hub (un exemple hypothétique) fusionne les registres paroissiaux avec les séries de prix des céréales, les reconstructions météorologiques à partir des anneaux d'arbres, les registres fonciers et les données institutionnelles locales pour des régions entières au cours des siècles. Ces bases de données permettent aux chercheurs de poser des questions plus complexes et multifacettes : un hiver froid en 1740 a-t-il réduit les taux de natalité neuf mois plus tard, et comment cet effet a-t-il varié selon le statut socio-économique ?

L'apprentissage automatique et la reconstruction des modèles historiques profonds

Les réseaux neuraux peuvent déduire la répartition par âge des recensements incomplets en apprenant les modèles à partir de registres complets, en prédisant l'âge du mariage à partir d'études de reconstitution familiale et en reconstituant même la propagation spatiale des épidémies à partir de registres fragmentés de mortalité. Les modèles d'apprentissage approfondi formés sur des cartes historiques peuvent estimer la densité de population dans les régions où il n'existe pas de recensement, en utilisant des caractéristiques telles que les réseaux routiers, les schémas de peuplement, la couverture des terres et l'élévation topographique.

Connecter passé et présent : pertinence des politiques et dynamique des parcours longs

En fin de compte, l'intégration des données démographiques historiques dans les études cliométriques n'est pas seulement un exercice académique. Comprendre la dynamique à long terme de la population et de l'économie éclaire les débats politiques contemporains sur les sociétés vieillissantes, les migrations, le développement durable et la santé publique.Les contrôles malthusiens qui ont limité les populations préindustrielles ont été assouplis par la contraception moderne, les progrès médicaux et les filets de sécurité sociale, mais de nouvelles contraintes – dégradation de l'environnement, inégalité, instabilité géopolitique et pandémies – peuvent imposer leurs propres pressions démographiques.

En somme, les données démographiques historiques, lorsqu'elles sont intégrées rigoureusement dans des cadres cliométriques, transforment notre compréhension de l'histoire économique. Malgré les défis persistants de l'exhaustivité, des biais et de la définition, la synergie entre les humanités numériques, l'innovation statistique et la théorie économique ne cesse d'élargir les frontières de ce que nous pouvons savoir sur les racines démographiques du monde moderne.