II. Le cas de la demande totale de transport terrestre en France

La section qui précède a montré l’intérêt des combinaisons de modèles pour prévoir la demande de transport de marchandises à partir de la demande de transport de marchandises à travers les Alpes. La présente partie poursuit cette analyse en offrant une seconde illustration avec la demande totale de transport terrestre en France 19 .

Le Tableau 82 rapporte les résultats des trois modèles estimés. Les trois modèles estimés sont globalement significatifs. Comme pour les estimations réalisées pour la demande de transport de marchandises à travers les Alpes, le modèle double-logarithmique est en apparence le modèle le plus significatif. La valeur des élasticités estimées par ce modèle se distinguent également des élasticités estimées plus élevées que celles des autres modèles.

Tableau 82. Estimations des modèles individuels

En toute rigueur, les résultats de ces estimations ne peuvent être comparés aux valeurs estimées pour la demande de transport à travers les Alpes car les variables expliquées ne sont différentes. Dans les présentes estimations, la variable expliquée est exprimée en unité de transport (la tonne-kilomètre) alors que, dans le cas des modèles alpins, la variable expliquée est exprimée en volume (la tonne).

Les résultats des modèles estimés sont ensuite utilisés pour prévoir le taux de croissance de la demande de transport de marchandises. Comme dans ce qui précède, le taux de croissance prévu est calculé à partir de la sensibilité estimée de la demande de transport de marchandises par rapport à l’activité industrielle et du taux de croissance de l’indice de production industrielle observé.

Les indicateurs MAPE et AR sont également utilisés pour estimer la qualité des modèles de prévision. Le Tableau 83 reproduit la valeur de ces indicateurs. Ce tableau tend à corroborer les conclusions des simulations précédentes. Il ressort en effet de ces estimations que les pires modèles de prévision sont des modèles de prévision individuels et que les combinaisons de prévisions ne produisent pas systématiquement les meilleurs modèles. Enfin, ces estimations mettent également en exergue la faible qualité des prévisions réalisées par le modèle double-logarithmique et la performance des prévisions combinant le modèle à correction d’erreur et le modèle en taux de croissance.

Tableau 83. L’exactitude des modèles individuels et des combinaisons de prévisions. Le meilleur modèle est représenté en gras, le pire en gris.

Au terme de cette section, les deux exercices de simulation réalisés montrent la pertinence de la combinaison de prévisions pour réduire l’incertitude. Il est par ailleurs notable d’observer que l’idée selon laquelle la combinaison de prévisions permet de réduire l’incertitude des prévisions sans pour autant systématiquement améliorer la qualité des modèles de prévision est consistante avec les conclusions de simulations comparables réalisées dans d’autres sous disciplines de la science économique (e. g. Hibon et Evgeniou, 2005).

Notes
19.

La demande de transport considérée correspond à une série annuelle constituée à partir des Comptes transport de la nation publiée chaque année par l’INSEE. La demande de transport est prise en tonne-kilomètres. Elle est constituée d’une série temporelle annuelle couvrant la période [1980-2005]. Elle est constituée par l’ensemble du transport terrestre de marchandises en France (transport ferroviaire, routier, fluvio-maritime et par oléoducs). La variable explicative retenue est l’indice de production industrielle (IPI) également estimé par l’INSEE.