Stacking Ensemble Models for Predicting Digital Payment Adoption: A Comprehensive Machine Learning Analysis of Global Findex 2025 Data

Imaginez l'économie mondiale comme un immense marché animé où tout le monde essaie de commercer, d'épargner et d'acheter des choses. Pendant longtemps, ce marché était principalement physique — il fallait se rendre dans une banque, transporter de l'argent liquide ou écrire un chèque. Mais récemment, un nouvel outil magique est apparu : les paiements numériques. Ce sont comme des pièces invisibles qui filent dans les airs via les smartphones et les ordinateurs, permettant aux gens de payer des choses sans jamais toucher d'argent papier. Ce changement est crucial car il aide les personnes qui étaient auparavant exclues du marché — comme celles vivant dans des villages reculés ou n'ayant pas beaucoup d'argent — à enfin rejoindre la fête. C'est ce qu'on appelle l'« inclusion financière », et c'est la clé pour aider chacun à construire une vie meilleure.

Mais voici la partie délicate : tout le monde n'utilise pas encore ces pièces numériques. Certains sautent le pas avec enthousiasme, tandis que d'autres restent sur la touche, perplexes ou effrayés. Les scientifiques et les économistes tentent de comprendre exactement pourquoi certaines personnes adoptent ces nouveaux outils alors que d'autres ne le font pas. Ils examinent des indices tels que le niveau de revenu, l'âge ou la possession d'un smartphone. Traditionnellement, ils utilisaient des mathématiques simples pour deviner la réponse, mais le monde est désordonné et complexe. Parfois, les indices interagissent de manière étrange — comme le fait que posséder un smartphone n'aide pas si l'on ne sait pas s'en servir, ou que posséder de l'argent n'aide pas si l'on n'a pas confiance en Internet. Pour résoudre ce puzzle, les chercheurs utilisent désormais le « machine learning » (apprentissage automatique), qui consiste à enseigner à un robot super intelligent à observer des millions d'indices à la fois et à trouver des modèles que le cerveau humain pourrait manquer.

Dans cette étude, une équipe de chercheurs a décidé de construire un super-robot détective pour résoudre le mystère de l'adoption des paiements numériques. Ils n'ont pas seulement demandé à un seul robot ; ils ont construit toute une équipe de robots, chacun ayant une façon différente de réfléchir, puis leur ont appris à travailler ensemble. Ils ont utilisé un ensemble de données massif appelé le « Global Findex 2025 », qui est comme un immense album photo contenant des informations sur 144 090 adultes de 141 pays différents. Après avoir nettoyé les parties désordonnées des données, ils ont obtenu une image claire de 102 954 personnes à étudier.

Les chercheurs ont commencé par donner à leur équipe de robots une liste de 183 indices différents (variables) à examiner, tels que le niveau d'éducation, l'accès à Internet et les sources de revenus. Pour faciliter la tâche, ils ont utilisé un filtre intelligent pour sélectionner les 66 indices les plus importants et ont combiné certains d'entre eux en de nouveaux « super-indices ». Par exemple, ils ont créé un « super-indice » qui multipliait le niveau d'éducation d'une personne par son utilisation d'Internet, car ils soupçonnaient que posséder les deux ensemble était bien plus puissant que d'avoir l'un ou l'autre. Ils ont également créé de nouveaux indices sur le nombre de différentes façons dont une personne gagne de l'argent et sur son degré d'« inclination financière » (comme le fait d'épargner de l'argent ou de posséder une carte de crédit).

Ensuite, les chercheurs ont entraîné trois types différents de robots de « base » en utilisant des algorithmes avancés appelés XGBoost, LightGBM et CatBoost. Considérez cela comme trois détectives différents : l'un est excellent pour repérer les petits détails, un autre est rapide pour traiter de vastes quantités d'informations, et le troisième est excellent pour gérer les données catégorielles désordonnées. Ils ne se sont pas contentés de laisser ces robots deviner ; ils ont utilisé un outil spécial appelé Optuna pour affiner leurs réglages, comme si l'on ajustait la mise au point d'un objectif d'appareil photo, afin de s'assurer qu'ils soient aussi précis que possible.

Mais la véritable magie s'est produite lorsqu'ils ont décidé de mettre ces robots dans une équipe de « stacking » (empilement). Au lieu de laisser un seul robot prendre la décision finale, ils ont d'abord laissé les trois robots de base faire leurs suppositions. Ensuite, ils ont injecté ces suppositions dans un robot « méta-apprenant » (dans ce cas, un classificateur ExtraTrees) dont le seul travail était d'écouter les trois robots de base et de décider qui avait raison. C'est comme si trois experts donnaient leurs opinions, puis qu'un juge sage écoutait tout le monde pour rendre le verdict final. Les chercheurs ont testé cette équipe contre d'autres méthodes, comme demander à un seul robot ou faire voter les robots à la majorité.

Les résultats ont été impressionnants. L'équipe de « stacking », spécifiquement la combinaison de LightGBM et XGBoost comme détectives de base avec le robot ExtraTrees comme juge, a vu juste 93,04 % du temps. C'était le meilleur score qu'ils aient trouvé, battant les robots isolés et les autres combinaisons d'équipes. Les chercheurs ont également utilisé un outil appelé SHAP pour jeter un coup d'œil à l'intérieur du cerveau du robot et voir pourquoi il prenait ses décisions. Ils ont découvert que le robot était fortement influencé par trois facteurs principaux : le niveau d'éducation d'une personne, l'accès à Internet et le montant de ses revenus. Curieusement, le robot a appris que l'éducation et l'accès à Internet fonctionnent mieux lorsqu'ils sont réunis ; avoir l'un sans l'autre n'était pas aussi utile.

L'étude a également montré que, bien que l'ajustement des robots (optimisation des hyperparamètres) ait aidé un peu, le véritable ingrédient secret était la structure de l'équipe elle-même. L'approche par « stacking » a rendu les prédictions beaucoup plus stables et précises que ce qu'un robot seul aurait pu accomplir. Cependant, les chercheurs ont noté que leur robot éprouvait encore quelques difficultés à prédire le comportement des populations à faibles revenus et rurales. Cela suggère que pour ces groupes, il existe encore des barrières cachées — comme un manque de confiance, des craintes liées à la sécurité ou des vitesses de connexion Internet lentes — que le robot ne pouvait pas pleinement expliquer avec les seules données dont il disposait.

En fin de compte, cet article montre qu'en utilisant une équipe de modèles de machine learning intelligents et spécialisés travaillant ensemble, nous pouvons prédire avec une très grande précision qui commencera à utiliser les paiements numériques. Il confirme que l'éducation et l'accès à Internet sont les clés d'or pour déverrouiller l'inclusion financière, mais il nous avertit aussi que la simple construction d'infrastructures ne suffit pas ; nous devons nous assurer que les gens possèdent les compétences et la confiance nécessaires pour les utiliser. Les chercheurs suggèrent que les études futures devraient examiner comment ces comportements évoluent dans le temps et inclure des facteurs économiques plus larges, mais pour l'instant, cette équipe de robots « empilés » offre la vision la plus claire à ce jour sur la façon dont la révolution de l'argent numérique se propage à travers le monde.