Unveiling hidden features of social evolution by inferring Langevin dynamics from data

Cet article propose un cadre d'équations différentielles stochastiques pour modéliser l'évolution sociale sous forme de dynamique en temps continu, permettant la quantification de l'irréversibilité, la détection de perturbations exogènes et l'imputation de données manquantes afin de surmonter les limites des approches déterministes dans l'analyse des trajectoires historiques.

L'essentiel

Imaginez essayer de comprendre l'histoire de la civilisation humaine en regardant une série de clichés flous et déconnectés. L'histoire traditionnelle tente souvent de relier ces points par des lignes droites, supposant que si nous connaissons le passé, nous pouvons prédire l'avenir avec une formule simple : « Si X se produit, alors Y suivra. »

Cet article soutient que l'histoire n'est pas une ligne droite ; elle ressemble plutôt à un homme ivre marchant dans une forêt brumeuse. Il a une direction générale qu'il souhaite suivre (la « dérive »), mais il trébuche, oscille et se fait constamment pousser par le vent (le « bruit aléatoire »).

Les auteurs proposent une nouvelle façon d'étudier l'histoire en utilisant un outil mathématique appelé Dynamique de Langevin. Considérez cela comme une « prévision météorologique pour l'histoire ». Au lieu de simplement dire « il pleuvra demain », cela vous donne la probabilité de pluie, la force potentielle du vent et la probabilité qu'un orage soudain change tout le trajet.

Voici une décomposition de leurs idées en utilisant des analogies simples :

1. L'idée centrale : L'histoire comme une « marche chancelante »

La plupart des livres d'histoire traitent les sociétés comme des boules de billard : si vous les frappez d'une certaine manière, elles vont dans cette direction. Les auteurs disent que c'est faux. Les sociétés sont plutôt comme une feuille flottant sur une rivière.

• La Dérive (Le courant de la rivière) : Cela représente les grandes forces structurelles. Par exemple, à mesure qu'une société s'enrichit, elle tend à devenir plus démocratique. C'est le « courant » qui pousse la feuille dans une direction spécifique.
• La Diffusion (L'oscillation) : Cela représente le chaos aléatoire. Une guerre soudaine, un chef brillant, une peste ou une mauvaise récolte peuvent pousser la feuille sur le côté, même contre le courant.
• L'Innovation : Au lieu d'ignorer l'oscillation en la considérant comme du « bruit », cet article traite cette oscillation comme une partie cruciale de l'histoire. Ils utilisent les mathématiques pour séparer le « courant de la rivière » de « l'oscillation aléatoire ».

2. Trois super-pouvoirs de cette nouvelle méthode

En traitant l'histoire comme cette « marche chancelante », les auteurs débloquent trois capacités spéciales que les anciennes méthodes ne pouvaient pas accomplir :

A. Mesurer la « Flèche du Temps » (Irréversibilité)

Imaginez jouer un film de l'histoire à l'envers. Est-ce qu'il aurait l'air normal ?

• L'analogie : Si vous faites tomber un œuf et qu'il se brise, vous savez que le temps avance. Vous ne pouvez pas « dé-briser » l'œuf.
• La découverte de l'article : Les auteurs ont créé un score pour mesurer à quel point l'histoire est « unidirectionnelle ». Ils ont découvert que l'histoire a généralement une forte direction vers l'avant (comme une rivière qui coule vers le bas d'une pente). Cependant, ils peuvent identifier précisément quand un pays est allé « à contre-courant » de son flux naturel.
• Exemple concret : Ils ont trouvé que lors de crises majeures (comme la crise financière de 2008 ou la pandémie de 2020), les pays ont temporairement cessé de suivre leur chemin habituel et se sont déplacés de manière chaotique et imprévisible.

B. Repérer les « Rebonds de l'intrigue » (Perturbations exogènes)

Parfois, une feuille est frappée par une branche qui tombe. C'est un choc externe.

• L'analogie : Si vous marchez dans la rue et qu'un étranger vous pousse soudainement, c'à une « perturbation ».
• La découverte de l'article : Leurs mathématiques peuvent faire la différence entre une « oscillation normale » (comme un léger changement économique dû à la météo) et un « choc massif » (comme une révolution ou une guerre).
• Exemple concret : Ils ont identifié que les protestations de 1968 en France étaient une « anomalie statistique » — un saut énorme et inattendu que les règles normales de l'histoire ne pouvaient expliquer. C'était un moment où le « vent » a emporté la feuille hors de la rivière.

C. Combler les lacunes (Imputation probabiliste)

Les archives historiques sont pleines de trous. Nous connaissons peut-être l'état d'un pays en 1900 et en 1920, mais rien entre les deux.

• L'analogie : Si vous voyez les traces de pneus d'une voiture dans la boue du point A au point B, vous pouvez deviner le chemin parcouru au milieu, même si vous ne l'avez pas vu.
• La découverte de l' article : Au lieu de simplement tracer une ligne droite entre les points (ce qui est faux), ils utilisent leur modèle de « marche chancelante » pour simuler des milliers de chemins possibles qu'un pays aurait pu emprunter. Cela donne une image beaucoup plus réaliste des années manquantes, en tenant compte du fait que l'histoire est désordonnée et incertaine.

3. Ce qu'ils ont réellement testé

Les auteurs ne se sont pas contentés de théorie ; ils ont testé cela sur deux ensembles de données réels :

• La politique moderne (Le test du « Monde Riche ») : Ils ont observé 149 pays de 1995 à 2022, en suivant la Démocratie, l'Inégalité et la Richesse.
  • Découverte : Ils ont trouvé que dans les pays riches, une forte inégalité agit comme un « piège ». Elle affaiblit le « courant » qui pousse habituellement les sociétés vers la démocratie, les rendant beaucoup plus susceptibles de glisser aléatoirement vers l'autoritarisme.
• Les civilisations anciennes (Le test « Seshat ») : Ils ont examiné des sociétés anciennes (comme Rome, la Chine et l'Égypte) en utilisant une base de données de faits historiques.
  • Découverte : Ils ont trouvé que les civilisations croissent généralement selon une forme d'entonnoir (devenant plus grandes et plus complexes). Cependant, ils ont pu repérer des moments spécifiques où une civilisation a soudainement « sauté » en complexité (comme Rome construisant sa bureaucratie) ou s'est effondrée (comme la chute de l'Empire romain occidental), distinguant ainsi un déclin lent d'un crash soudain.

La grande conclusion

Cet article ne prétend pas prédire l'avenir ni dire que l'histoire est aléatoire. Au lieu de cela, il offre une meilleure carte.

Les anciennes cartes disaient : « Si vous allez ici, vous finirez là. »
Cette nouvelle carte dit : « Si vous allez ici, il est probable que vous finissiez là, mais il y a 20 % de chances qu'une tempête vous dévie de votre course, et voici exactement où ces tempêtes se produisent. »

Cela aide les historiens à cesser de demander « Pourquoi cela est-il arrivé ? » pour commencer à demander « Quelle était la probabilité que cela arrive, et quel genre de choc était nécessaire pour que cela se produise ? » Cela transforme l'histoire d'un récit de destin fixé en un récit de probabilités, de chances et de courants structurels.

Résumé technique

Résumé technique : Révéler les caractéristiques cachées de l'évolution sociale par l'inférence de la dynamique de Langevin à partir de données

Énoncé du problème
L'article traite d'une limitation fondamentale en histoire quantitative et en économie politique : la dépendance aux instantanés déterministes ou aux effets moyens (par exemple, les méthodes basées sur la régression) qui ne parviennent pas à capturer la nature continue et intrinsèquement incertaine des trajectoires historiques. Les outils existants de la « révolution de la crédibilité » (par exemple, la différence de différences, les variables instrumentales) sont efficaces pour estimer les effets causaux moyens, mais offrent un aperçu limité de la variabilité des chemins historiques, de l'accumulation de l'incertitude au fil du temps, ou de la distinction entre les tendances structurelles et les événements contingents. De plus, les données historiques sont caractérisées par la parcimonie, l'échantillonnage irrégulier, les entrées manquantes et une hétérogénéité de la qualité de mesure. Les auteurs soutiennent que traiter le changement historique comme un processus stochastique, plutôt que comme un processus déterministe, est essentiel pour distinguer l'incertitude aléatoire (le caractère aléatoire intrinsèque provenant de degrés de liberté cachés) de l'incertitude épistémique (l'information incomplète et l'erreur de mesure).

Méthodologie
Les auteurs proposent un cadre modélisant l'état d'une société comme un vecteur évoluant selon une équation différentielle stochastique (EDS) en temps continu. L'état $x_t$ représente des variables macroscopiques (par exemple, la démocratie, l'inégalité, la complexité), et son évolution est régie par :
$$dx_t = F(x_t)dt + \sqrt{2D(x_t)}dW_t$$
où $F(x_t)$ est le champ de dérive (tendances structurelles déterministes) et $D(x_t)$ est la matrice de diffusion (magnitude et covariance des fluctuations stochastiques intrinsèques).

Le cadre comprend trois composantes techniques principales :

1. Construction de l'espace d'états : Les indicateurs historiques bruts (souvent catégoriels ou ordinaux) sont projetés dans un espace d'états latents continu et de faible dimension via des techniques de réduction de dimensionnalité (par exemple, l'ACP) et des transformations logarithmiques pour gérer l'hétéroscédasticité. Cela crée un vecteur cohérent $x_t \in \mathbb{R}^d$.
2. Inférence d'EDS : Pour gérer les données parcimonieuses et irrégulières, les auteurs emploient deux méthodes d'inférence complémentaires :
   • Réseaux bayésiens de Langevin (LBN) : Utilisés pour l'ensemble de données d'économie politique moderne (Application 1). Cette méthode utilise des réseaux de neurones pour approximer la dérive et la diffusion, entraînés pour correspondre aux coefficients de Kramers-Moyal (moments conditionnels). Elle utilise l'apprentissage pondéré stochastique gaussien (SWAG) pour quantifier l'incertitude épistémique via un ensemble de modèles.
   • EDS de processus gaussiens non paramétriques (npSDE) : Utilisée pour l'ensemble de données des civilisations historiques (Application 2), qui est extrêmement parcimonieux. Cette méthode modélise la dérive et la diffusion comme des processus gaussiens et emploie une optimisation de la vraisemblance basée sur la simulation, ce qui la rend robuste aux intervalles d'échantillonnage irréguliers sans nécessiter de données denses.
3. Capacités analytiques : Le cadre débloque trois outils analytiques spécifiques :
   • Irréversibilité : Quantifie la « flèche de l'histoire » en calculant le rapport de vraisemblance entre une trajectoire directe et sa contrepartie temporellement inversée. Cela mesure le degré d'asymétrie temporelle et de directionnalité structurelle.
   • Détection de perturbations exogènes : Identifie les transitions statistiquement improbables sous les dynamiques endogènes apprises. Cela est fait via une métrique de « surprisal normalisée », distinguant les véritables chocs externes (ex: guerres, pestes) des fluctuations internes rares mais possibles.
   • Imputation probabiliste : Utilise l'EDS apprise pour échantillonner à partir de la distribution conditionnelle $P(x_t | x_0, x_T)$ afin de combler les données historiques manquantes, en respectant les dynamiques non linéaires et la volatilité intrinsèque plutôt qu'en utilisant une simple interpolation linéaire.

Résultats clés
Le cadre a été appliqué à deux domaines distincts :

• Application 1 : Évolution de l'économie politique (ère moderne) :

  • En utilisant des données de 149 pays (V-Dem, WID, Maddison), les auteurs ont inféré un champ de dérive montrant qu'une forte inégalité économique crée une « pression déstabilisatrice » sur les institutions démocratiques, particulièrement dans les contextes de PIB élevé où la résilience structurelle disparaît.
  • Le champ de diffusion a révélé que les scores de démocratie présentent une forte volatilité, surtout dans les régimes à haut PIB et haute inégalité, tandis que l'inégalité est relativement robuste.
  • L'analyse de l'irréversibilité a confirmé une tendance globale persistante loin de l'équilibre, mais a identifié des creux spécifiques correspondant à des crises majeures (Grande Récession, COVID-19) où les trajectoires ont dévié de la dérive structurelle.
  • La détection de perturbations a réussi à signaler des anomalies historiques comme les attentats du 11 septembre et le scandale du Mensalão, distinguant les événements qui étaient structurellement impactants de ceux qui étaient statistiquement extrêmes.

• Application 2 : Civilisations historiques (jeu de données Seshat/Polaris) :

  • Analyse de 27 zones géographiques naturelles (ZGN) sur des millénaires en utilisant l'échelle et la computation comme variables d'état.
  • Le champ de dérive global ressemble à un « entonnoir », attirant les petites structures politiques vers une complexité plus élevée, avec un plateau de gains à des niveaux intermédiaires.
  • Études de cas :
    • Bassin de Paris : A identifié une accélération rapide et statistiquement surprenante de la « computation » (capacité institutionnelle) qui était directionnellement structurée (irréversible), suggérant une transition institutionnelle discrète.
    • Latium : A distingué un « décollage institutionnel » (directionnellement structuré) d'une contraction impériale ultérieure (statistiquement surprenante mais pas fortement irréversible), suggérant que cette dernière était un événement de type perturbation plutôt qu'une dérive déterministe vers l'effondrement.
    • Vallée du Moyen Fleuve Jaune : A montré une dérive soutenue avec des contractions épisodiques, soulignant des intervalles où les hypothèses de périodisation (ex: transitions dynastiques) méritent un examen historique plus approfondi en raison de faibles probabilités de transition.

Signification et revendications
L'article affirme que l'adoption d'une perspective stochastique débloque des capacités analytiques indisponibles pour les modèles statiques ou purement déterministes. Spécifiquement :

1. Méthodologie unifiée : Il fournit un cadre unique pour disséquer la stabilité, la contingence et la dynamique, allant au-delà de la dichotomie entre « déterminisme structurel et pur hasard ».
2. Quantification de l'incertitude : Il sépare et quantifie explicitement l'incertitude aléatoire et épistémique, permettant aux chercheurs de distinguer les véritables surprises des artefacts de contraintes de modèle insuffisantes.
3. Pouvoir diagnostique : Les métriques d'irréversibilité et de perturbation servent d'outils de « triage », guidant les historiens vers des intervalles spécifiques où les données impliquent une reconfiguration rapide, des chocs externes ou des ambiguïtés de codage, priorisant ainsi les cibles pour l'investigation qualitative.
4. Changement philosophique : Les auteurs soutiennent que traiter les dynamiques sociales comme stochastiques recadre le concept d'agence et de responsabilité, en voyant l'histoire non pas comme un chemin unique réalisable, mais comme une distribution de trajectoires possibles façonnées par des contraintes structurelles et une contingence irréductible.

L'article maintient une position modeste, reconnaissant que les EDS sont des représentations de forme réduite et que les termes de dérive et de diffusion estimés ne doivent pas être interprétés comme des forces causales directes. Au lieu de cela, ils résument des tendances statistiques conditionnelles capables de générer des hypothèses testables sur les mécanismes sous-jacents et les contraintes institutionnelles. Le cadre est présenté comme une couche complémentaire aux méthodes existantes des sciences sociales, particulièrement précieuse pour gérer les défis uniques des données historiques fragmentaires et irrégulières.