📈 economics

Drivers of Success: A Bayesian State-Space Model to Disentangling Latent Driver and Constructor Abilities in Formula One

Cet article introduit un modèle d'espace d'états bayésien qui parvient à dissocier les capacités dynamiques et latentes des pilotes et des constructeurs de Formule 1 en analysant les temps de tours de qualification et les classements en course de 2014 à 2021, révélant que si la performance des pilotes reste relativement stable, les capacités des constructeurs présentent une plus grande variabilité et jouent souvent un rôle plus dominant dans les résultats des courses.

Auteurs originaux : Tim Lindner, Rui Jorge Almeida, Nalan Baştürk, Stephan Smeekes

Publié 2026-08-06

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Tim Lindner, Rui Jorge Almeida, Nalan Baştürk, Stephan Smeekes

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 regardiez une compétition culinaire à enjeux élevés. Vous voyez le plat final dans l'assiette, mais vous ne voyez ni les ingrédients ni la technique du chef. Le repas était-il incroyable parce que le chef est un génie, ou parce que la cuisine était garnie des meilleurs ingrédients au monde ? Dans le monde des statistiques sportives, c'est un casse-tête classique : comment séparer le talent de l'athlète individuel de la qualité de l'équipe ou de l'équipement qu'il représente ? Cette question se situe à l'intersection des statistiques et des sciences du sport, un domaine qui utilise les mathématiques pour démêler les motifs cachés de la performance. Pour résoudre cela, les chercheurs utilisent souvent des « modèles à variables latentes », qui sont des outils mathématiques sophistiqués qui devinent des qualités invisibles (comme le « talent » ou la « qualité de la machine ») à partir de ce que nous pouvons réellement voir (comme les temps de course ou les scores). Ils utilisent également des « modèles d'espace d'états », qui sont comme des machines à remonter le temps pour les données, permettant à ces qualités invisibles de changer et d'évoluer au fil de la saison. Comprendre qui est réellement le moteur du succès en Formule 1 est crucial, car cela tranche le vieux débat : est-ce le pilote le héros, ou est-ce la voiture la véritable star ?

Dans cet article, Tim Lindner et ses collègues s'attaquent précisément à ce mystère en utilisant une nouvelle recette mathématique appelée modèle d'espace d'états bayésien. Ils ont examiné les données de course de Formule 1 de l'« ère hybride » (2014 à 2021), une période où les voitures utilisaient des moteurs hybrides complexes. Au lieu de simplement regarder les résultats des courses, ils ont injecté deux types de données différents dans leur modèle : les temps de tour les plus rapides lors de la séance de qualifications (qui est comme un sprint en solo) et les classements finaux de la course (qui est une course collective). Le modèle traite le pilote et le constructeur automobile comme deux forces invisibles distinctes qui changent et évoluent constamment au fil du temps.

Les chercheurs ont découvert que, bien que le pilote et la voiture comptent tous deux, ils se comportent de manière très différente. Le modèle suggère que la capacité d'un pilote est comme une rivière tranquille ; elle coule relativement de manière fluide et reste stable dans le temps. Un pilote peut s'améliorer légèrement ou régresser, mais son talent fondamental ne varie pas de façon erratique d'une course à l'autre. La capacité du constructeur, en revanche, ressemble davantage à une mer agitée. La performance des écuries de voitures fluctue de manière beaucoup plus dramatique, avec de grands sauts et des chutes de capacité à mesure qu'elles développent de nouvelles pièces ou corrigent des problèmes.

La découverte la plus intéressante est peut-être que, pour de nombreuses combinaisons pilote-voiture, la voiture contribue en réalité plus au résultat final que le pilote. Le modèle montre que la « capacité du constructeur » a souvent un impact plus important sur le score de performance partagé que la « capacité du pilote ». Cependant, les auteurs précisent avec prudence que leur modèle n'est pas parfait. Lorsqu'ils l'ont testé en simulant des résultats de course, il a très bien prédit le flux général des temps de qualification. Mais lorsqu'il s'agissait des classements de course, le modèle a eu du mal à capturer pleinement la domination pure des meilleures équipes. Il suggère que si les mathématiques fonctionnent bien pour le milieu de tableau, les « super-tempêtes » des meilleures équipes sont un peu plus difficiles à prédire avec cet outil spécifique. En fin de compte, l'étude offre un moyen de diviser mathématiquement le mérite, nous montrant que, en Formule 1, le moteur sous le capot est souvent tout aussi important que les mains sur le volant.

Résumé Technique : Les Facteurs de Succès en Formule 1

Énoncé du Problème
La performance en Formule 1 est le produit conjoint de l'aptitude du pilote et de la capacité du constructeur (l'écurie), pourtant ces contributions sont inobservées et évoluent de manière dynamique au fil du temps. Séparer ces effets est méthodologiquement complexe en raison de trois facteurs : la nature variable dans le temps des capacités, les changements fréquents d'affectations pilotes-constructeurs, et l'hétérogénéité des résultats observés. Plus précisément, les données consistent en deux types de résultats distincts : des temps de qualification continus (tour de qualification le plus rapide) et des positions de classement en course (classements partiels). La littérature existante traite souvent ces problèmes de manière isolée — en utilisant des modèles statiques, des analyses à résultat unique ou des modèles de classement dynamiques qui n'intègrent pas conjointement les mesures de performance continues. De plus, les modèles standards à deux voies (travailleur-entreprise) en économétrie analysent généralement un seul résultat continu et manquent de cadres où les effets individuels et de groupe suivent des équations d'évolution stochastique distinctes au sein d'une structure d'espace d'états conjointe.

Méthodologie
Les auteurs proposent un modèle d'espace d'états bayésien qui analyse conjointement les temps de qualification standardisés et les classements en course pour décomposer les aptitudes latentes des pilotes et des constructeurs.

Équations d'Observation : Le modèle traite les deux résultats en utilisant des distributions d'échantillonnage spécifiques aux résultats, liées par des états latents partagés.
- Qualification : Modélisée comme un résultat continu à l'aide d'une distribution Normale. Le temps observé est standardisé pour chaque Grand Prix afin de tenir compte des variations de circuit et de météo.
- Course : Modélisée comme un résultat de classement partiel. La position de classement en course est induite par une variable de performance de course latente suivant une distribution de Gumbel, ce qui produit analytiquement une vraisemblance de type Plackett-Luce. L'équation de course inclut la position sur la grille de départ comme covariable, reconnaissant que la position sur la grille est déterminée par la performance de qualification.
Dynamique des États Latents : Les aptitudes des pilotes ( $a_{d,t}$ ) et des constructeurs ( $c_{k,t}$ ) sont toutes deux modélisées comme des processus de marche aléatoire distincts évoluant au niveau du Grand Prix. Ces états sont décomposés de manière additive dans les prédicteurs de performance pour les deux résultats. L'affectation contractuelle observée ( $z_{d,t}$ ) détermine quel état de constructeur entre dans le prédicteur d'un pilote spécifique.
Stratégie d'Identification : L'identification de la décomposition dynamique repose sur trois piliers :
1. Vraisemblance Conjointe : L'équation de qualification continue et la vraisemblance de classement fournissent des informations complémentaires, restreignant les décalages communs dans les composantes latentes qu'un modèle de classement seul ne pourrait identifier.
2. Contraintes de Somme Nulle : Pour fixer la localisation et l'échelle des états latents, le modèle impose des contraintes qui centrent les aptitudes des pilotes et des constructeurs à zéro pour chaque Grand Prix. Ceci est mis en œuvre via des spécifications de priors spécifiques qui induisent des corrélations négatives dans les termes d'innovation des équations d'état.
3. Variation des Affectations : La variation des affectations pilotes-constructeurs au fil du temps (par exemple, les pilotes changeant d'écurie) permet au modèle de distinguer l'aptitude persistante du pilote de l'aptitude du constructeur, de manière analogue à la mobilité des travailleurs dans les modèles à effets fixes à deux voies.
Inférence : L'inférence bayésienne est réalisée à l'aide de l'algorithme No-U-Turn Sampler (NUTS), un algorithme de Monte Carlo Hamiltonien, sous des priors peu informatifs qui traitent les aptitudes des pilotes et des constructeurs de manière symétrique. Cette approche est choisie plutôt que les filtres de Kalman standards en raison de la nature non gaussienne de la vraisemblance de classement.

Principales Contributions

Modélisation Conjointe de Résultats Hétérogènes : Le document intègre un résultat continu et un résultat de classement partiel au sein d'un cadre dynamique unique, étendant les modèles à variables latentes à résultats mixtes au domaine de l'espace d'états.
Décomposition Dynamique à Deux Voies : Contrairement aux modèles statiques travailleur-entreprise, ce cadre permet aux effets individuels (pilote) et de groupe (constructeur) d'évoluer stochastiquement au fil du temps tout en étant identifiés par les structures d'affectation observées.
Synthèse Méthodologique : Le modèle fait le pont entre la littérature sur les modèles à résultats mixtes, les modèles de classement dynamiques (ex: Plackett-Luce dynamique) et les effets à deux voies de l'économétrie, offrant une approche unifiée pour décomposer les prédicteurs de performance partagés.

Résultats Empiriques
Appliqué à l'ère hybride de la Formule 1 (2014–2021), le modèle produit les conclusions suivantes :

Hétérogénéité : Il existe une hétérogénéité substantielle dans les aptitudes des pilotes et des constructeurs à travers l'échantillon.
Stabilité vs Volatilité : Les aptitudes des pilotes sont généralement plus stables au fil du temps, présentant une évolution graduelle. En revanche, les aptitudes des constructeurs affichent une plus grande variation, avec des changements plus prononcés et parfois abrupts au cours et entre les saisons.
Contributions Relatives : Pour plusieurs combinaisons pilote-constructeur, la composante du constructeur contribue plus fortement au prédicteur de performance partagé que la composante du pilote. Cependant, la contribution relative varie considérablement selon l'association spécifique et la période de temps.
Performance Prédictive : Le modèle reproduit raisonnablement bien les résultats de qualification continus. Cependant, la composante de classement en course présente plus de difficultés à reproduire la dominance soutenue des duos de haut niveau (ex: Verstappen/Red Bull en 2021), ayant tendance à sous-estimer la fréquence des deuxièmes places par rapport aux données observées.
Incertitude : L'incertitude a posteriori est généralement plus élevée pour les aptitudes des constructeurs que pour celles des pilotes, reflétant la plus grande volatilité de la performance des constructeurs et la structure spécifique des données d'affectation.

Signification et Revendications
L'article affirme fournir un cadre statistique rigoureux pour décomposer la performance conjointe dans les sports d'équipe où les contributions individuelles et de groupe sont inobservées et dynamiques. En tirant parti de la structure spécifique des données de Formule 1 — où les pilotes changent d'écuries et les résultats sont mesurés sur des échelles différentes — le modèle parvient à identifier des trajectoires latentes distinctes pour les pilotes et les constructeurs. Les auteurs notent que bien que le modèle soit adapté à la Formule 1, sa structure sous-jacente est applicable à d'autres contextes impliquant des résultats longitudinaux hétérogènes dépendant d'effets individuels et de groupe évoluant séparément, tels que les résultats organisationnels ou d'autres compétitions par équipes. L'étude conclut modestement que, bien que la décomposition soit réussie, le modèle de classement en course conserve des limites dans la capture des extrêmes de la domination de performance.

Résumé Technique : Les Facteurs de Succès en Formule 1

Articles similaires