📊 statistics

Mixed Frequency Stochastic Frontier Model: with application to the linkage of weather extremes and firm efficiency

Cet article propose un modèle de frontière stochastique à fréquences mixtes qui utilise des fonctions non paramétriques et une estimation par rétroajustement hybride pour résoudre les problèmes d'asymétrie et analyser l'impact des événements météorologiques extrêmes à haute fréquence sur l'efficacité des coopératives électriques aux Philippines.

Auteurs originaux : Erniel B. Barrios, Nur Syazwani Mazlan, Lim Foo Weng, Paolo Victor T. Redondo, Gian Karlo M. Torreno, Lee How Chinh

Publié 2026-08-03

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Erniel B. Barrios, Nur Syazwani Mazlan, Lim Foo Weng, Paolo Victor T. Redondo, Gian Karlo M. Torreno, Lee How Chinh

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 essayez de noter une classe d'étudiants sur leur capacité à résoudre des problèmes mathématiques. Vous avez leurs scores aux tests finaux (le résultat), et vous connaissez le temps qu'ils ont étudié ainsi que le nombre de manuels scolaires qu'ils possédaient (les entrées). Mais voici le hic : vous savez aussi que certains étudiants sont tombés malades, que certains vivaient dans une maison bruyante, et qu'un orage soudain a coupé l'électricité juste avant l'examen. Ces facteurs de « malchance » ne font pas partie de leur capacité naturelle, mais ils tirent leurs notes vers le bas. Dans le monde de l'économie, c'est ce qu'on appelle un Modèle de Frontière Stochastique. C'est une façon sophistiquée de tenter de tracer une ligne représentant la performance « parfaite » et de voir à quel point chaque personne ou entreprise s'en éloigne. La partie délicate est de comprendre pour pourquoi ils n'ont pas atteint cette ligne. Était-ce parce qu'ils étaient sous-performants (inefficacité), ou simplement parce que l'orage a coupé l'électricité (bruit aléatoire) ?

Maintenant, imaginez un nouveau problème : les scores aux tests sont enregistrés une fois par an, mais les données météorologiques (les tempêtes) sont enregistrées chaque jour. Si vous regroupez simplement toutes les tempêtes quotidiennes en un seul grand chiffre de « tempête annuelle », vous perdez les détails effrayants. Vous pourriez manquer le fait qu'un énorme ouragan a frappé en juillet, même si le reste de l'année était ensoleillé. C'est le casse-tête de la « fréquence mixte ». Cet article s'attaque à ce casse-tête en construisant un nouveau type de modèle mathématique capable de gérer les données météorologiques quotidiennes tout en examinant les résultats commerciaux annuels. Les auteurs cherchent à savoir comment les phénomènes météorologiques extrêmes, comme les typhons et les fortes pluies, perturbent réellement l'efficacité des compagnies électriques aux Philippines. Ils veulent savoir : quand le vent hurle et que la pluie tombe à verse, ces entreprises deviennent-elles simplement un peu plus lentes, ou perdent-elles complètement le nord ?

L'histoire de la tempête et de l'étincelle

Les auteurs de cet article, une équipe de chercheurs issus d'universités de Malaisie, des Philippines et d'Arabie Saoudite, ont décidé d'étudier les coopératives électriques aux Philippines. Ce sont ces groupes locaux qui assurent l'électricité dans les zones rurales. Ils ont remarqué que, bien que ces entreprises publient des rapports financiers annuels, la météo qui les menace — des typhons avec des vents dépassant les 300 km/h et des précipitations massives — se produit à une échelle mensuelle ou même quotidienne.

L'équipe a réalisé que l'ancienne méthode consistait à essayer de décrire un ouragan en faisant la moyenne de la vitesse du vent pour toute l'année. Si un typhon frappe en juillet mais que le reste de l'année est calme, la vitesse moyenne du vent paraîtra faible, cachant le fait que les lignes électriques ont failli être arrachées. Les anciens modèles avaient aussi un problème mathématique : ils restaient souvent bloqués ou donnaাient des réponses bizarres (comme dire qu'une entreprise était efficace à 100 % alors qu'elle ne l'était manifestement pas) parce qu'ils forçaient les chiffres de la « malchance » à s'insérer dans une forme spécifique et rigide.

Pour corriger cela, les chercheurs ont construit un Modèle de Frontière Stochastique à Fréquence Mixte. Voyez cela comme un détective super intelligent qui ne se contente pas de regarder le bulletin de notes annuel. Au lieu de cela, il jette un coup d'œil aux registres météorologiques quotidiens pour voir exactement quand les tempêtes ont frappé. Ils ont utilisé un outil mathématique spécial appelé « fonction logistique » (imaginez une courbe en S douce et régulière) pour s'assurer que le score d'« inefficacité » ne puisse jamais être négatif, ce qui a résolu les problèmes mathématiques qui entravent habituellement ces modèles. Ils ont également utilisé un « algorithme de backfitting », qui est comme un jeu de « chaud et froid » où l'ordinateur ajuste sans cesse son estimation de l'impact de la météo jusqu'à trouver la correspondance parfaite, plutôt que d'essayer de résoudre tout d'un coup par un saut géant et impossible.

Ils ont testé ce nouveau modèle sur des données provenant de 114 coopératives électriques aux Philippines entre 2010 et 2022. Ils ont comparé leur nouveau modèle « conscient de la météo » aux anciens modèles standards qui se contentent de moyenner les données météorologiques.

Ce qu'ils ont découvert

Les résultats étaient assez clairs. Les anciens modèles étaient en difficulté. Dans de nombreuses régions, le calcul standard refusait tout simplement de fonctionner (il « ne convergeait pas »), ce qui signifie que l'ordinateur ne trouvait aucune réponse. Lorsqu'il en trouvait une, il affirmait souvent que les compagnies électriques étaient presque parfaites, avec des scores d'efficacité proches de 100 %, alors que tout le monde sait que les typhons causent de réels dégâts.

Le nouveau modèle, cependant, racontait une histoire différente, plus réaliste. Il a montré que lorsqu'on examine réellement les mois présentant les vents et les pluies les plus forts, l'efficacité des compagnies électriques chute considérablement.

La météo compte : L'étude a révélé que les événements météorologiques extrêmes, tels que les typhons avec des vents soutenus maximaux et de fortes précipitations, causent directement une inefficacité opérationnelle. Par exemple, en 2019, une année marquée par de forts typhons, l'efficacité de ces coopératives est tombée aussi bas que 36 % à 40 % dans certains modèles, alors que les anciens modèles pensaient toujours qu'elles s'en sortaient très bien (autour de 73 % à 97 %).
Le « mauvais » biais : L'article argumente explicitement contre l'idée que nous pouvons simplement ignorer le moment où les tempêtes surviennent. En moyennant les données, les anciens modèles « masquaient » le véritable impact des catastrophes. Le nouveau modèle a prouvé que l'on ne peut pas simplement regrouper les données météorologiques à haute fréquence dans des rapports commerciaux à basse fréquence sans perdre la vérité.
Preuve par simulation : Pour être sûrs que leur nouvelle mathématique n'était pas un simple coup de chance, les chercheurs ont lancé 200 simulations informatiques. Dans ces tests, leur nouveau modèle estimait systématiquement l'efficacité réelle bien plus près des chiffres réels que l'ancien modèle. Les erreurs de l'ancien modèle étaient souvent trois fois plus grandes que celles du nouveau modèle.

L'article conclut que, bien que les coopératives électriques ne puissent pas arrêter les typhons, elles ne peuvent pas non plus prétendre que les tempêtes n'existent pas. Le nouveau modèle offre une meilleure façon de mesurer comment ces tempêtes nuisent à leur performance. Il suggère que les régulateurs et les entreprises elles-mêmes doivent examiner le moment précis des phénomènes météorologiques extrêmes pour comprendre leurs véritables difficultés opérationnelles. En utilisant cette nouvelle approche, ils peuvent mieux planifier la résilience, par exemple en investissant dans des poteaux plus solides ou une meilleure technologie pour faire face aux mois spécifiques où le vent souffle le plus fort, plutôt que de simplement espérer le meilleur sur la base d'une moyenne annuelle. L'article ne prétend pas avoir « résolu » le changement climatique, mais il offre un outil plus tranchant et plus précis pour comprendre comment la météo affecte actuellement l'éclairage aux Philippines.

Résumé Technique : Modèle de Frontière Stochastique à Fréquence Mixte avec Application au Lien entre Événements Météorologiques Extrêmes et Efficacité des Entreprises

Énoncé du Problème
Cet article traite de deux défis méthodologiques persistants dans l'Analyse de Frontière Stochastique (SFA) lorsqu'elle est appliquée à des données de panel impliquant des chocs environnementaux :

Le problème de la « mauvaise asymétrie » (Wrong Skewness) et de la convergence : Les modèles SFA conventionnels supposent souvent une distribution normale demi ou une distribution normale tronquée pour le terme d'inefficacité. Lorsque les données présentent une asymétrie positive (un phénomène courant dans les industries réglementées ou lorsque les entreprises inefficaces sont empêchées d'entrer sur le marché), l'estimation par maximum de vraisemblance (MLE) échoue fréquemment à converger ou produit des matrices d'information singulières, entraînant des estimations d'efficacité biaisées (convergeant souvent vers 1).
Le problème des données à fréquences mixtes : Les indicateurs de production des entreprises (intrants et extrants) sont généralement observés à de basses fréquences (par exemple, annuellement), tandis que les déterminants de l'inefficacité, tels que les événements météorologiques extrêmes (typhons, précipitations), présentent une variabilité à haute fréquence (mensuelle ou quotidienne). Les approches standards agrègent les données à haute fréquence pour correspondre aux données de production à basse fréquence, ce qui, selon les auteurs, entraîne une perte d'information significative. L'agrégation des événements météorologiques extrêmes (par exemple, la moyenne des vitesses de vent mensuelles) neutralise l'impact d'événements rares mais destructeurs, masquant leur véritable effet sur l'inefficacité opérationnelle.

Méthodologie
Les auteurs proposent un nouveau Modèle de Frontière Stochastique à Fréquence Mixte (VF-SFM) qui intègre directement les covariables à haute fréquence dans l'équation d'inefficacité sans agrégation temporelle.

Spécification du Modèle :
- Fonction de Production : Une fonction de production Cobb-Douglas standard est spécifiée sous forme logarithmique, liant la production (Revenu Brut d'Exploitation) aux intrants de travail et de capital. Le modèle inclut un terme autorégressif pour capturer les dépendances temporelles dans la production.
- Équation d'Inefficacité : Au lieu de supposer une distribution spécifique pour le terme d'inefficacité ( $u_{it}$ ), les auteurs spécifient l'inefficacité via une fonction logistique. Cela garantit la non-négativité du terme d'inefficacité sans hypothèses de distribution restrictives.
- Intégration Non Paramétrique : Les variables météorologiques à haute fréquence (précipitations mensuelles maximales et vitesse de vent maximale soutenue) sont incorporées dans la fonction logistique via des fonctions additives non paramétriques flexibles (utilisant des splines). Cela permet au modèle de capturer les influences hétérogènes et variables dans le temps des phénomènes météorologiques extrêmes sur l'inefficacité, en tenant compte de la rareté des données (par exemple, les valeurs nulles pendant les mois secs).
- Structure de l'Équation :
  $\ln y_{it} = \alpha_0 + \alpha_1 \ln L_{it} + \sum \beta_j \ln C_{jit} + v_{it} - u_{it}$
  $u_{it} = \frac{1}{1 + \exp[-(\gamma Z_{it} + \sum f_j(R_{tj}) + \sum g_j(W_{tj}))]} + \epsilon_{it}$
  Où $Z$ représente les déterminants spécifiques à l'entreprise (efficacité de collecte, pertes de réseau, charges d'intérêt), et $R$ et $W$ représentent respectivement les précipitations mensuelles et la vitesse du vent.
Algorithme d'Estimation :
Pour éviter les problèmes de convergence associés au MLE, l'article emploie un algorithme de backfitting hybride. Cette procédure itérative combine :
1. Les Moindres Carrés Généralisés (GLS) pour les paramètres de la fonction de production.
2. Les Moindres Carrés Ordinaires (OLS) pour les coefficients paramétriques de l'équation d'inefficacité.
3. Les Moindres Carrés Pénalisés (PLS) pour l'estimation des fonctions non paramétriques (splines).
  L'algorithme itère entre l'estimation de la fonction de production et l'équation d'inefficacité jusqu'à ce que l'Erreur Absolue Moyenne en Pourcentage (MAPE) converge.

Application Empirique et Résultats
La méthodologie est appliquée à un panel de 114 coopératives électriques (CE) aux Philippines de 2010 à 2022. L'étude lie l'efficacité des entreprises aux événements météorologiques extrêmes (typhons et précipitations) tout en contrôlant les indicateurs financiers et opérationnels.

Convergence et Capacité Prédictive :
- Le VF-SFM proposé a convergé avec succès pour toutes les régions.
- En revanche, le modèle de référence (Battese & Coelli, 1995) utilisant des données météorologiques annuelles agrégées et le MLE a échoué à converger dans la plupart des régions. Là où il a convergé, le VF-SFM a démontré une précision prédictive supérieure, avec des valeurs de MAPE nettement inférieures à celles du modèle de référence.
Estimations d'Efficacité :
- Le modèle de référence a produit des estimations d'Efficacité Technique (ET) gonflées (souvent proches de 100 %), symptôme du problème de « mauvaise asymétrie » et d'une erreur de spécification du modèle.
- Le VF-SFM a produit des estimations d'ET plus réalistes (allant approximativement de 30 % à 80 %), révélant que les entreprises ne fonctionnent pas à la frontière.
- Impact de la Météo : Les fonctions non paramétriques ont réussi à capturer l'impact des phénomènes météorologiques extrêmes. Les régions présentant une faible exposition aux précipitations affichent une efficacité plus élevée. Le modèle a identifié que les années de typhons sévères (par exemple, 2018, 2019) étaient corrélées à une augmentation des pertes de réseau et à une réduction de l'efficacité, effets qui étaient masqués dans le modèle de référence agrégé.
Déterminants : Les pertes de réseau et l'efficacité de la collecte se sont révélées être des déterminants significatifs de l'inefficacité, aux côtés des termes météorologiques non paramétriques.

Principales Contributions

Innovation Méthodologique : L'article introduit un cadre qui résout le problème de la « mauvaise asymétrie » en remplaçant les hypothèses de distribution par une fonction logistique pour l'inefficacité, garantissant ainsi la convergence et la robustesse du modèle.
Gestion des Fréquences Mixtes : Il démontre une solution pratique pour intégrer des données environnementales à haute fréquence dans des modèles de production à basse fréquence en utilisant des fonctions additives non paramétriques, préservant ainsi la variabilité des événements extrêmes que l'agrégation effacerait autrement.
Robustesse de l'Estimation : L'algorithme de backfitting hybride offre une alternative stable au MLE, gérant efficacement la complexité des données à fréquences mixtes et des composantes non paramétriques sans les échecs de convergence typiques de la SFA conventionnelle.

Signification et Revendications
L'article affirme que son cadre proposé élargit l'applicabilité de l'analyse de frontière stochastique à des contextes caractérisés par des données à fréquences mixtes et des déterminants environnementaux complexes. En liant avec succès les chocs climatiques à l'inefficacité opérationnelle au niveau des entreprises, l'étude fournit un outil pratique pour évaluer les défis de durabilité et de résilience au micro-niveau.

Les auteurs soulignent que, bien que les phénomènes météorologiques extrêmes ne puissent être contrôlés, le modèle permet aux régulateurs et aux gestionnaires d'entreprises d'identifier les vulnérabilités opérationnelles spécifiques (par exemple, les pertes de réseau) exacerbées par ces événements. Cela soutient le développement de stratégies adaptatives, telles que l'investissement dans des infrastructures résilientes et l'amélioration des technologies opérationnelles, afin d'atténuer les pertes d'efficacité dans les secteurs vulnérables au climat. L'étude conclut que le VF-SFM offre une approche plus précise et plus fiable pour l'analyse politique dans les secteurs où les chocs environnementaux sont fréquents et sévères.

L'histoire de la tempête et de l'étincelle

Ce qu'ils ont découvert

Articles similaires