Dynamic Graph Learning and Causal Machine Learning for Evolution, Shock Propagation, and Systemic Resilience in Global Cross-Border Investment Networks

L'argent ne reste pas simplement dans les comptes bancaires ; il circule. Il traverse les frontières, reliant les économies dans un vaste réseau d'investissements mouvants. Lorsqu'un pays décide de construire une usine à l'étranger, ou lorsqu'un gouvernement modifie ses règles sur la propriété étrangère, il envoie une onde de choc à travers ce réseau. Ces ondulations ne s'arrêtent pas à la frontière du premier pays impliqué. Elles voyagent, parfois en s'amplifiant au passage, parfois en s'atténuant, et parfois en changeant totalement de direction. Pendant des décennies, les économistes ont tenté de cartographier ces connexions, en les traitant comme une série de clichés instantanés ou une collection d'histoires distinctes sur des nations individuelles. Mais la réalité est plus fluide. Le réseau lui-même change de forme à mesure que l'argent circule, et un choc à un endroit peut altérer le chemin du capital pour des pays situés à des milliers de kilomètres, bien après que l'événement initial soit passé. Comprendre cela nécessite de considérer le système non pas comme une carte statique, mais comme un organisme vivant et respirant qui évolue au fil du temps.

Le défi pour les chercheurs a été que les outils utilisés pour prédire ces mouvements ont été divisés en deux camps distincts. D'un côté, il existe des modèles conçus pour prévoir l'avenir, devinant quels pays se connecteront ensuite en se basant sur des schémas passés. Ils sont doués pour percevoir les tendances, mais souvent aveugles à la relation de cause à effet ; ils peuvent prédire qu'une connexion aura lieu, mais ils ne peuvent expliquer pourquoi une crise spécifique l'a provoquée ou comment le choc a réellement voyagé. De l'autre côté, il existe des méthodes conçues pour mesurer la cause et l'effet, tentant d'isoler l'impact d'une politique ou d'un événement spécifique. Elles sont excellentes pour trouver le « pourquoi », mais manquent souvent de la machinerie nécessaire pour montrer comment cet effet se propage à travers un réseau changeant sur des mois ou des années. Elles traitent le réseau comme une scène fixe, plutôt que comme un acteur dynamique de l'histoire. Cette séparation crée un fossé : nous pouvons prédire l'avenir, ou nous pouvons comprendre le passé, mais nous peinons à faire les deux à la fois d'une manière qui respecte la façon dont le système se remet réellement d'une crise.

Un chercheur de l'Université de Melbourne, Zetai Kong, a proposé une nouvelle façon de combler ce fossé. Ses travaux introduisent un cadre unifié appelé l'Opérateur de Graphe de Résilience Causale (Causal Resilience Graph Operator). Au lieu d'utiliser des outils séparés pour la prédiction et la compréhension de la causalité, cette approche construit un moteur unique qui fait les deux simultanément. Imaginez un système où le mécanisme même qui explique comment un choc se propage est le même mécanisme qui prédit la prochaine étape de l'évolution du réseau. Dans ce modèle, la « cause » d'un changement n'est pas seulement un chiffre ajouté à une liste de faits ; elle est tissée directement dans les règles qui régissent la circulation de l'argent d'un pays à l'autre. Le système apprend à identifier comment un événement spécifique, tel qu'un pic d'incertitude mondiale ou une tension géopolitique, altère le potentiel d'investissement entre les nations. Il utilise ensuite cette compréhension spécifique pour projeter comment le choc va onduler vers l'avant, comment il sera absorbé ou amplifié, et combien de temps il faudra au système pour revenir à un état stable.

Pour tester cette idée, le chercheur a alimenté le modèle avec une quantité massive de données réelles, incluant des décennies d'enregistrements sur les lieux où les pays ont investi leur argent, la performance de leurs gouvernements et le niveau d'incertitude mondiale à différents moments. Les données proviennent de sources internationales fiables telles que le Fonds Monétaire International et la Banque Mondiale, couvrant la période de 2009 à 2024. Le modèle a dû accomplir un ensemble de tâches difficiles : prédire quels liens d'investissement apparaîtraient ensuite, prévoir la taille de ces investissements et simuler ce qui se passerait si un choc soudain frappait le réseau. Il a ensuite été comparé à une gamme de méthodes existantes, allant des outils statistiques standards aux modèles d'intelligence artificielle avancés actuellement considérés comme les meilleurs dans leur domaine.

Les résultats ont montré que cette nouvelle approche surpassait les autres dans presque toutes les catégories. Lorsqu'on lui demandait de prédire les futures connexions entre les pays, elle était plus précise que les meilleurs modèles précédents, maintenant sa précision même en regardant loin dans l'avenir. Plus important encore, lorsque le modèle simulait la propagation d'un choc, il capturait le moment et la direction de la réaction avec un niveau de détail que les autres modèles manquaient. Tandis que d'autres systèmes pouvaient deviner la tendance générale, ils échouaient souvent à saisir le chemin spécifique du choc, manquant soit les pays qui seraient les plus durement touchés, soit jugeant mal la durée de la reprise. Le nouveau modèle, en revanche, a appris une « carte » de la façon dont les différents pays réagissent au stress. Il pouvait montrer, par exemple, qu'un choc sur une économie pourrait être atténué par un pays partenaire mais amplifié par un autre, créant un motif complexe de gagnants et de perdants qui dépend entièrement des connexions spécifiques entre eux.

L'étude a également examiné la capacité du modèle à gérer une crise qu'il n'avait jamais vue auparavant, un test connu sous le nom de généralisation hors distribution (out-of-distribution generalization). Les chercheurs ont caché des données relatives à des perturbations mondiales majeures, telles que la pandémie et les périodes de tensions géopolitiques intenses, puis ont demandé au modèle de prédire ce qui se passerait durant ces périodes. Le nouveau cadre s'est révélé remarquablement robuste. Il ne s'est pas effondré lorsque les règles du jeu ont changé, comme cela arrive souvent lors d'une crise. Au contraire, il a continué à fournir des prévisions et des classements de résilience fiables, identifiant correctement les économies susceptibles de se rétablir rapidement et celles qui éprouveraient des difficultés. Cela suggère que le modèle a appris la logique sous-jacente du système plutôt que de simplement mémoriser des schémas passés. Il a compris que la résilience ne dépend pas seulement de la taille d'un pays, mais de la manière dont ses connexions spécifiques lui permettent d'absorber un coup et de trouver une nouvelle voie.

L'une des découvertes les plus significatives est que le modèle peut désormais mesurer la « résilience » d'une manière qui était auparavant impossible. Au lieu de simplement classer les pays selon le montant de l'argent perdu, le système calcule un score de récupération basé sur le temps nécessaire à une économie pour revenir à sa trajectoire normale après un choc. Il mesure l'ampleur totale des dommages, la vitesse du rebond et l'amplification maximale du choc lors de son passage à travers le réseau. Cela permet une compréhension beaucoup plus riche de la stabilité mondiale. Par exemple, le modèle a révélé qu'un même choc peut avoir des effets très différents selon la gouvernance d'un pays et sa position dans le réseau d'investissement. Une nation dotée d'institutions solides peut absorber un choc rapidement, tandis qu'une nation similaire avec des connexions plus faibles peut voir ce même choc se répercuter sur son économie pendant des années.

Les chercheurs ont pris soin de noter qu'il s'agit d'un outil de compréhension et de tests de résistance, et non d'une boule de cristal capable de prédire l'avenir avec une certitude absolue. Le modèle repose sur les données qui lui sont fournies, et comme tout système, il a des limites. Il ne peut pas rendre compte de chaque variable possible, et il suppose que les règles de base des interactions entre les pays restent relativement constantes. Cependant, en combinant la capacité de prédire l'avenir et celle de comprendre le passé, il offre un nouveau prisme puissant pour observer l'économie mondiale. Il déplace la conversation au-delà des simples prévisions vers une analyse plus profonde du fonctionnement du système nerveux financier mondial.

En fin de compte, ce travail suggère que la manière dont nous étudions la finance mondiale doit changer. Nous ne pouvons plus traiter la prédiction et la causalité comme des problèmes séparés. L'avenir de l'économie mondiale est façonné par les chocs mêmes qui la perturbent, et le chemin du rétablissement est écrit dans le même code que celui qui régit la propagation de la crise. En construisant un modèle qui respecte cette connexion, le chercheur a fourni un moyen de voir le système non pas comme une simple collection de chiffres, mais comme une structure dynamique et évolutive qui peut être comprise, mesurée et, peut-être, mieux préparée aux tempêtes à venir. Les conclusions indiquent que lorsque nous comprenons les liens causaux entre les nations, nous obtenons une vision plus claire de la véritable force du système et de sa capacité à endurer.