📈 economics

Global Ease of Living Index: a machine learning framework for longitudinal analysis of major economies

Cet article introduit un cadre d'apprentissage automatique reproductible qui comble les lacunes de données et utilise la réduction de dimensionnalité pour construire un Indice mondial de la facilité de vie complet et longitudinal pour les principales économies depuis 1970, offrant ainsi aux décideurs politiques un outil transparent pour identifier et améliorer les domaines socio-économiques et infrastructurels clés.

Auteurs originaux : Arun Kumar Selvaraj, Tanay Panat, Rohitash Chandra

Publié 2026-06-19

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Arun Kumar Selvaraj, Tanay Panat, Rohitash Chandra

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous deviez évaluer le bulletin scolaire d'un élève, mais au lieu de regarder simplement ses notes en mathématiques et en lecture, vous voulez savoir s'il est globalement heureux, en bonne santé, en sécurité et à l'aise financièrement. Maintenant, imaginez faire cela pour chaque pays du monde, mais avec un énorme problème : certains bulletins ont des pages manquantes, des coins déchirés ou des matières entières qui n'ont jamais été notées parce que les données n'ont pas été collectées.

C'est exactement ce que les auteurs de cet article ont entrepris de faire. Ils ont construit un nouveau « bulletin scolaire » pour le monde appelé l'Indice de Facilité de Vie Mondial (Global-Ease of Living Index ou Global-EoLI). Voici comment ils ont procédé, expliquée simplement :

1. Le problème : Des pièces manquantes au puzzle

Le monde regorge de différentes manières de mesurer la qualité de la vie (comme l'« Indice du Bonheur » ou le « PIB »), mais les auteurs soutiennent que celles-ci sont imparfaites.

Le piège du « Bonheur » : Certains indices reposent sur le fait de demander aux gens : « Êtes-vous heureux ? ». Or, l'article explique que c'est comme demander à une personne timide si elle est bruyante ; les biais culturels et la façon dont les gens veulent être perçus peuvent fausser les résultats.
Les données manquantes : De nombreux pays, en particulier les pays en développement, ne disposent pas de registres pour tout. Peut-être qu'ils ont oublié de suivre le prix du pain pendant 20 ans, ou qu'ils n'ont pas compté le nombre de médecins dans une région spécifique. Si vous supprime-z simplement les pays ayant des données manquantes, vous perdez une immense partie du tableau.

2. La solution : L'« atelier de réparation par IA »

Pour réparer les pages manquantes des bulletins scolaires, les auteurs ont utilisé l'Apprentissage Automatique (Machine Learning) comme un atelier de réparation.

L'analogie : Imaginez que vous avez un puzzle dont 40 % des pièces sont manquantes. Vous ne pouvez pas simplement deviner au hasard. Au lieu de cela, vous observez les pièces que vous avez. Si vous voyez un motif de ciel bleu et d'herbe verte, vous pouvez raisonnablement deviner que la pièce manquante au milieu est probablement aussi bleue ou verte.
L'outil : Ils ont utilisé deux modèles informatiques intelligents (appelés Random Forest et MICE) pour agir comme des devins experts. Ces modèles ont analysé les relations entre différents faits (comme la façon dont le PIB est généralement lié à l'espérance de vie) pour combler les vides avec les chiffres les plus probables. Ils ont testé ces modèles pour s'assurer que les « suppositions » correspondaient parfaitement à l'image d'origine.

3. Construire l'indice : Les quatre piliers

Une fois qu'ils ont obtenu un ensemble complet de données, ils ne se sont pas contentés de tout additionner. Ils ont organisé les données en quatre « piliers » ou catégories principales, comme les quatre pieds d'une table robuste :

Économique : Combien d'argent y a-t-il ? (Croissance, emplois, coût de la vie).
Institutionnel : Comment le gouvernement fonctionne-t-il ? (La loi est-elle juste ? Y a-t-il de la corruption ? Les gens peuvent-ils s'exprimer librement ?).
Qualité de vie : Les gens sont-ils en bonne santé et en sécurité ? (Espérance de vie, accès aux soins, taux de criminalité).
Durabilité : La planète est-elle bien traitée ? (Pollution, énergies renouvelables, émissions de carbone).

4. Le « filtre magique » : Trouver la véritable histoire

Les auteurs possédaient des centaines de chiffres différents (indicateurs). Pour donner du sens à tout cela, ils ont utilisé une technique statistique appelée Analyse Factorielle.

L'analogie : Imaginez que vous avez un sac de 100 billes de différentes couleurs. Certaines sont rouges, d'autres bleues, d'autres vertes. L'analyse factorielle est comme un filtre magique qui trie ces billes dans quatre seaux distincts selon leurs motifs de couleur. Elle vous dit : « D'accord, ces 25 chiffres évoluent tous ensemble et représentent la "Santé Économique", tandis que ces 15 chiffres représentent la "Qualité du Gouvernement" ».
Cela leur a permis de créer quatre sous-scores clairs pour chaque pays, qu'ils ont ensuite combinés en un score final unique.

5. Ce qu'ils ont trouvé : La vue d'ensemble

Ils ont analysé cet indice de 1970 à 2022 et ont observé les grandes économies comme les États-Unis, la Chine, l'Inde, l'Australie et l'Allemagne.

Les nations développées : Des pays comme l'Australie, l'Allemagne et le Japon ont systématiquement obtenu des scores élevés. Ils possèdent des « tables » solides avec les quatre pieds (économie, gouvernement, qualité de vie, environnement) bien ancrés.
Les géants émergents : Des pays comme la Chine et l'Inde ont montré une croissance massive de leur pilier Économique. Ils construisent leur table très rapidement ! Cependant, leurs piliers Durabilité et Qualité de vie sont encore à la traîne, ce qui signifie qu'ils s'enrichissent mais font toujours face à des défis concernant la pollution et l'accès aux soins.
Le conflit « Bonheur » vs « Facilité de vie » : L'article compare leur nouvel indice à le célèbre « Indice Mondial du Bonheur ». Ils ont trouvé un décalage important. Par exemple, l'Inde se classe bien plus haut dans le nouvel indice de « Facilité de vie » (51e) que dans l'indice du « Bonheur » (139e).
- Pourquoi ? Les auteurs soutiennent que l'Indice du Bonheur est imparfait car il repose sur de petits sondages qui ne représentent pas des milliards de personnes et se concentre trop sur l'argent (PIB) sans considérer le coût de la vie. Leur nouvel indice affirme : « L'Inde peut ne pas être le pays le plus "heureux" selon un sondage, mais les conditions réelles de vie y s'améliorent et sont meilleures que ce que suggère l'Indice du Bonheur ».

6. La conclusion à retenir

Les auteurs n'ont pas seulement créé une liste de chiffres ; ils ont construit un outil transparent et reproductible.

Open Source : Ils ont mis tout leur code et leurs données sur Internet (GitHub) afin que quiconque puisse vérifier leur travail ou utiliser l'indice pour le mettre à jour.
Pour les décideurs politiques : Cet outil aide les dirigeants à voir exactement où leur pays est faible. Si un pays réussit très bien sur le plan financier mais est désastreux concernant la pollution, l'indice allume un drapeau rouge sur le pilier « Durabilité », leur disant : « Hé, réparez cette partie spécifique de la table ».

En résumé, cet article traite de la création d'un bulletin scolaire plus juste et plus complet pour le monde, en utilisant des ordinateurs intelligents pour combler les vides, afin que nous puissions voir l'état réel de la vie des gens, et non pas seulement combien d'argent ils gagnent.

Résumé Technique : Indice Mondial de Facilité de Vie (Global-EoLI)

Énoncé du Problème
Les indices existants pour évaluer la qualité de vie et la facilité de vie, tels que l'Indice Mondial du Bonheur ou l'Indice Mondial de Vivabilité, souffrent de limitations significatives. Celles-ci incluent une forte dépendance aux données subjectives auto-déclarées (ce qui introduit un biais culturel et des effets de désirabilité sociale), un manque de transparence dans les méthodologies de pondération, et une dépendance excessive aux données agrégées qui peuvent ne pas refléter les réalités locales. De plus, de nombreux indices ne parviennent pas à capturer de manière adéquate la nature multidimensionnelle du bien-être, isolant souvent les facteurs économiques des conditions socio-économiques et infrastructurelles. Un défi technique critique est la prévalence des données manquantes dans les indicateurs économiques et sociaux historiques, particulièrement pour les pays en développement et certaines périodes spécifiques (par exemple, l'indice du coût de la vie manquant de 1970 à 2012, l'indice de santé manquant jusqu'à 92,44 % dans certaines périodes). Les méthodes d'imputation simples comme la substitution par la moyenne ou la suppression par liste peuvent fausser les modèles de données sous-jacents et entraîner une perte d'information.

Méthodologie
Les auteurs proposent un cadre d'apprentissage automatique pour construire un indice mondial de facilité de vie (Global-EoLI) longitudinal couvrant les principales économies de 1970 à 2022. La méthodologie se déroule en sept étapes distinctes :

Collecte de Données : Les données ont été agrégées à partir de sources incluant le FMI, l'OMS et la Banque mondiale, couvrant 70 pays. Le jeu de données comprend quatre sous-indices primaires : Économique, Institutionnel, Qualité de Vie et Durabilité.
Imputation de Données : Pour traiter les valeurs manquantes (allant d'environ 2 % à plus de 90 % pour certaines variables), l'étude compare deux techniques d'imputation avancées :
- Régresseur de Forêt Aléatoire (Random Forest Regressor - RFR) : Une méthode d'ensemble capable de capturer des relations non linéaires complexes sans hypothèses de distribution fortes.
- Imputation Multiple par Équations Chaînées (Multiple Imputation by Chained Equations - MICE) : Une technique statistique qui génère plusieurs jeux de données plausibles pour rendre compte de l'incertitude d'imputation.
- Sélection : L'étude évalue les deux méthodes en utilisant l'erreur quadratique moyenne (RMSE) et l'erreur absolue moyenne (MAE) sur des données manquantes synthétiques. Le RFR a démontré une performance supérieure, particulièrement pour gérer les données environnementales non linéaires et complexes, et a été privilégié pour la construction finale de l'indice. Des graphiques d'estimation de la densité par noyau (KDE) ont été utilisés pour vérifier que les distributions imputées s'alignaient sur les données observées.
Prétraitement et Standardisation : Les données ont été groupées par pays et par année. Les variables ordinales et catégorielles ont été supprimées avant la standardisation. Les variables continues ont subi une standardisation par score z ( $x - \mu / \sigma$ ) après l'imputation afin de garantir que les paramètres de mise à l'échelle soient dérivés de l'ensemble complet des données, évitant ainsi tout biais.
Réduction de la Dimensionnalité et Construction de Sous-Indices :
- Analyse en Composantes Principales (ACP) : Utilisée comme outil exploratoire pour déterminer le nombre approprié de facteurs latents basés sur l'analyse des valeurs propres (critère de Kaiser) et pour évaluer la variance expliquée.
- Analyse Factorielle (AF) : Employée avec une rotation varimax comme méthode principale pour extraire les dimensions latentes et calculer les scores factoriels. Cette étape a identifié quatre facteurs distincts correspondant aux quatre sous-indices (Institutionnel, Qualité de Vie, Économique et Durabilité). Le test de Kaiser-Meyer-Olkin (KMO) a été utilisé pour vérifier l'adéquation de l'échantillonnage ; notablement, le sous-indice de Durabilité a montré une adéquation plus faible (KMO < 0,5 avec RFR), amenant les auteurs à traiter ses résultats avec prudence et à préférer les spécifications basées sur MICE pour cette dimension spécifique.
Pondération et Agrégation : Les quatre sous-indices ont été agrégés en l'indice Global-EoLI final en utilisant des poids fixes inspirés de l'Indice de Facilité de Vie du ministère indien du Logement et des Affaires Urbaines, mais ajustés pour réduire la dépendance aux facteurs purement économiques. Les poids assignés étaient :
- Qualité de Vie : 0,35
- Économique : 0,25
- Institutionnel : 0,25
- Durabilité : 0,15
Analyse Longitudinale : L'indice résultant a été utilisé pour classer les pays annuellement de 1970 à 2021, avec un accent sur les membres du G20 et un mélange de nations développées (ex. États-Unis, Allemagne, Australie) et en développement (ex. Inde, Chine, Malaisie).

Résultats Clés

Performance de l'Imputation : Le RFR a surpassé le MICE en termes de RMSE et de MAE pour la plupart des sous-indices, particulièrement dans les domaines de la Durabilité et de la Qualité de Vie où les relations de données sont non linéaires.
Structure Factorielle : L'analyse factorielle a identifié avec succès quatre facteurs latents cohérents. Le facteur Institutionnel est dominé par les indicateurs de gouvernance (État de droit, lutte contre la corruption), tandis que le facteur Qualité de Vie est porté par les mesures de développement humain (IDH, espérance de vie).
Classements des Pays (2021) : Les nations développées (Australie, Japon, Canada, Allemagne) ont systématiquement obtenu des rangs élevés dans le Global-EoLI. L'Australie s'est classée 4ème, suivie du Japon (8ème) et du Canada (17ème). Les économies émergentes comme l'Inde (51ème) et la Chine (41ème) ont montré des classements globaux plus faibles malgré une forte croissance économique, soulignant des lacunes dans la stabilité institutionnelle, la qualité de vie et la durabilité.
Comparaison avec l'Indice du Bonheur : L'étude a trouvé des disparités significatives entre le Global-EoLI et l'Indice Mondial du Bonheur. Par exemple, l'Inde s'est classée 51ème sur le Global-EoLI mais 139ème sur l'Indice du Bonheur. Les auteurs attribuent cela à la dépendance de l'Indice du Bonheur vis-à-vis de petits échantillons (2 000 à 3 000 répondants) pour des populations massives et à sa forte pondération du PIB par habitant sans ajustement pour le coût de la vie.
Robustesse : L'analyse de sensibilité utilisant des schémas de pondération alternatifs (ex. poids égaux, poids plus élevés pour la durabilité) a montré que les classements des nations développées les plus performantes restaient relativement stables, tandis que les économies émergentes montraient plus de volatilité, reflétant leur performance inégale à travers les quatre dimensions.

Signification et Revendications
L'article prétend offrir un cadre transparent, reproductible et complet pour évaluer les niveaux de vie, répondant aux limites des indices existants. Les contributions clés incluent :

Rigueur Méthodologique : L'intégration de l'apprentissage automatique (RFR) pour gérer les niveaux élevés de données manquantes dans les ensembles de données longitudinales, garantissant la complétude des données sans recourir à des suppressions simplistes.
Perspective Multidimensionnelle : En combinant les dimensions Économique, Institutionnelle, Qualité de Vie et Durabilité, l'indice offre une vue plus holistique du bien-être que les indices centrés sur le PIB ou à facteur unique.
Utilité Politiques : Le cadre sert d'outil pratique pour les décideurs politiques afin d'identifier les domaines spécifiques nécessitant une intervention (ex. systèmes de santé, sécurité publique, durabilité environnementale) à travers différents contextes économiques.
Transparence : Les auteurs soulignent que le code et les données sont en libre accès (open-source), permettant une vérification indépendante et une application à d'autres contextes.

Les auteurs reconnaissent modestement les limites, notant que les variables présentant un taux de données manquantes extrêmement élevé (ex. > 80 %) reposent fortement sur la reconstruction par modèle et doivent être interprétées avec prudence. Ils notent également que le sous-indice de Durabilité a présenté une fiabilité de structure factorielle plus faible par rapport aux autres dimensions. L'étude conclut que, bien que le Global-EoLI améliore les mesures existantes, les travaux futurs devraient explorer l'inférence bayésienne pour la quantification de l'incertitude et incorporer des mesures environnementales plus granulaires.