3) Agrégation et prévision.

Nous avons passé de différentes méthodes d’agrégation. Le fait que ces techniques ajoutent des approximations ou des erreurs aux prévisions se heurte à la cohérence théorique du modèle. Mais ici, l’objectif de la pertinence permet de répondre :

Le chemin suivi (désagrégation et réagrégation entachée d’erreur) permet effectivement d’obtenir des prévisions assez fiables (souvent nettement meilleures que celles des modèles agrégés). Il y a, donc, tout lieu d’accepter ce phénomène, même s’il semble choquant au premier abord.

Cependant, le modèle n’est bien évidemment pas capable d’extrapoler le devenir de ses données d’entrée. Toutes les techniques d’agrégation sont fondées sur la connaissance implicite, ou l’extrapolation, à l’horizon de prévision du modèle de la distribution de p(X) dans la population. Ces variables explicatives font elles-mêmes l’objet de prévisions. Les erreurs peuvent, donc, se cumuler, dans des proportions importantes, au risque de nuire notablement à la pertinence du résultat.

Enfin, cette absence de prise en compte du temps pousse à s’interroger sur la validité de tous les résultats obtenus et, particulièrement, sur les élasticités : sauf si l’on est sûr de la causalité de la formulation du modèle, rien ne permet d’affirmer leur stabilité dans le temps.

Pour conclure sur le temps, il semble qu’il serait très intéressant de mener des études sur les évolutions temporelles et conjointes de l’offre et de la demande de transport sur un ou plusieurs sites. Au même titre, disposant d’un modèle jugé bien spécifié et bien calibré, il semble intéressant de le suivre au cours du temps (validations successives de politiques envisagées et réalisées, séries chronologiques des paramètres ou des élasticités et également de la valeur de la vraisemblance).