📈 economics

QUBO-Based Optimization of Social Indicator Configurations for Working-Age Population Growth

Cet article présente un nouveau cadre basé sur le QUBO utilisant des données municipales japonaises pour modéliser et optimiser les configurations d'indicateurs sociaux pour la croissance de la population en âge de travailler, démontrant que les méthodes de recuit quantique et classique peuvent identifier des scénarios politiques optimaux tout en capturant les interactions non linéaires des indicateurs de manière interprétable.

Auteurs originaux : Hayate Wada, Seiya Miyamoto, Tatsumasa Ogawa, Kazuki Uehara, Masaru Hitomi, Masayuki Ohzeki

Publié 2026-08-14

📖 8 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Hayate Wada, Seiya Miyamoto, Tatsumasa Ogawa, Kazuki Uehara, Masaru Hitomi, Masayuki Ohzeki

Article original sous licence CC BY 4.0 (https://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

L'énigme des gens et des lieux

Imaginez que vous essayiez de préparer le gâteau parfait, mais qu'au lieu de la farine et du sucre, vos ingrédients soient des choses comme « combien de personnes vivent dans une ville », « quel est leur âge » et « quels types d'emplois occupent-elles ». Dans le monde de la science, c'est un peu comme étudier comment les différentes parties d'une société s'assemblent pour permettre à une communauté de prospérer. Depuis des décennies, les scientifiques savent que lorsqu'une ville perd sa population en âge de travailler (les personnes se situant approximativement entre 15 et 64 ans), elle fait face à un avenir difficile. C'est comme une équipe de sport qui perd ses joueurs vedettes ; toute l'équipe peine à continuer de jouer.

Mais voici la partie délicate : on ne peut pas simplement réparer une seule chose. On ne peut pas simplement dire : « Si nous abaissons simplement l'âge moyen, tout ira bien ! » ou « Si nous ajoutons simplement plus de résidents étrangers, le problème sera résolu ! ». Le monde réel est complexe. Ces facteurs se mélangent de manières compliquées, comme une recette où l'ajout d'une pincée de sel change le goût du sucre. Pour trouver la meilleure combinaison, les chercheurs utilisent un type spécial de mathématiques appelé optimisation. Considérez cela comme un moteur de recherche super intelligent qui ne cherche pas seulement une réponse, mais explore des millions de « recettes » possibles pour trouver celle qui fonctionne le mieux. Récemment, une nouvelle technologie informatique appelée recuit quantique (quantum annealing) a été introduite pour aider à résoudre ces puzzles massifs plus rapidement, agissant comme une boussole magique capable de franchir des collines et des vallées dans un paysage de possibilités pour trouver le point le plus bas (ou le sommet le plus haut, selon ce que vous recherchez).

La grande idée de l'étude : Trouver la recette sociale parfaite

Dans cette étude, une équipe de chercheurs de l'Université de Tohoku et d'autres institutions a décidé de s'attaquer au problème du déclin de la population en âge de travailler au Japon. Ils voulaient savoir : Si nous pouvions modifier magiquement les statistiques sociales d'une ville, quelle combinaison de changements conduirait à la plus grande croissance de la population en âge de travailler ?

Au lieu de deviner, ils ont construit un « modèle de substitution » numérique (surrogate model). Imaginez cela comme une boule de cristal qui n'est pas magique, mais entraînée sur des données réelles. Ils ont pris les données de 1 855 villes japonaises, en examinant dix indicateurs sociaux du recensement de 2010 (comme la densité de population, l'âge moyen et le ratio de différents types de travailleurs) et en observant comment ceux-ci étaient liés à la croissance de la population entre 2010 et 2020. Ils ont transformé ces nombres continus en un code « one-hot » simple, comme si l'on tournait un cadran possédant quatre réglages pour chaque indicateur.

Le résultat fut une équation quadratique — une formule mathématique qui capture non seulement comment chaque indicateur fonctionne seul, mais aussi comment ils interagissent entre eux. C'est comme réaliser que « un âge moyen bas » est une bonne chose, mais que « un âge moyen bas » plus « un nombre modéré de travailleurs du secteur primaire » est encore mieux. Le modèle était étonnamment précis, prédisant la croissance de la population avec un coefficient de corrélation de 0,84 et un coefficient de détermination moyen ( $R^2$ ) de 0,76. Cela signifie que la recette mathématique qu'ils ont créée correspondait assez bien aux résultats du monde réel, bien que les auteurs précisent avec prudence qu'il s'agit d'un outil pour explorer les possibilités, et non d'une boule de cristal qui garantit l'avenir.

La chasse à l'optimisation : Quantique vs Classique

Une fois leur recette établie, l'équipe devait trouver la combinaison absolue la plus performante. C'est ici qu'intervient le cadre « QUBO » (Quadratic Unconstrained Binary Optimization). Ils ont transformé leur modèle de croissance en un puzzle dont le but est de trouver le mélange spécifique des dix indicateurs qui maximise la croissance prédite.

Pour résoudre cela, ils ont utilisé trois « chercheurs » différents :

Gurobi : Un puissant solveur informatique exact qui agit comme un bibliothécaire méticuleux vérifiant chaque livre pour trouver le parfait.
Le recuit simulé (Simulated Annealing) : Une méthode informatique classique qui imite le refroidissement d'un métal, se stabilisant lentement vers une bonne solution.
Le recuit quantique (Quantum Annealing) : Une méthode utilisant un système D-Wave Advantage2, qui utilise la physique quantique pour explorer l'espace des solutions d'une manière unique.

Les trois méthodes sont tombées d'accord sur la même configuration exacte ! La « recette » optimale pour la croissance impliquait :

Le niveau le plus élevé de densité de population.
Le niveau le plus bas de l'âge moyen.
Le niveau le plus élevé du sex-ratio (mâles pour 100 femelles).
Le niveau le plus élevé de résidents étrangers.
Le niveau le plus élevé de ménages composés d'une seule personne.
Le deuxième niveau de ménages à trois générations.
Le niveau le plus bas de travailleurs du secteur primaire.
Le niveau le plus bas de travailleurs du secteur secondaire.
Le niveau le plus élevé de travailleurs du secteur tertiaire.
Le niveau le plus élevé du ratio population diurne-nocturne.

Le taux de croissance prédit pour cette configuration parfaite était d'environ 6,35. Cependant, les chercheurs ne se sont pas arrêtés à la réponse « parfaite ». Ils ont remarqué que les méthodes de recuit (tant quantique que simulé) avaient également trouvé de nombreuses autres configurations bonnes et réalisables, légèrement moins parfaites mais toujours très prometteuses. Cela est crucial car, dans le monde réel, une ville peut ne pas être capable de devenir instantanément la « configuration parfaite » en raison de son budget ou de sa géographie. Avoir une liste d'alternatives « suffisamment bonnes » est souvent plus utile qu'un seul idéal théorique.

Le rebondissement : Tout est question de mélange

Pour voir comment ce modèle fonctionne en pratique, l'équipe a choisi trois villes réelles (anonymisées sous les noms A, B et C) qui présentaient des taux de croissance de population similaires. Ils ont ensuite joué à un jeu de « et si » : Que se passe-t-il si nous changeons une seule chose dans ces villes ?

Ils ont découvert quelque chose de fascinant. Changer un seul indicateur n'aidait pas toujours. Par exemple, dans certaines villes, rapprocher le « ratio population diurne-nocturne » du niveau « optimal » a en réalité diminué la croissance prédite. Cela a prouvé que les indicateurs sont profondément connectés. On ne peut pas simplement réparer une partie du puzzle de manière isolée ; l'effet du changement d'une chose dépend entièrement de ce que font les autres choses.

L'étude a également mis en évidence une interaction spécifique et forte : la combinaison d'un âge moyen bas et d'un ratio modéré de travailleurs du secteur primaire était un moteur puissant pour la croissance. Cela suggère que la magie ne réside pas seulement dans le fait d'avoir des jeunes ou des agriculteurs, mais dans le fait d'avoir le bon mélange d'entre eux.

Ce que cela signifie (et ce que cela ne signifie pas)

Les auteurs sont très clairs sur ce que leur travail est et n'est pas. Ils affirment qu'il s'agit d'une démonstration méthodologique, et non d'une preuve de causalité. En d'autres termes, ils ne disent pas : « Si vous faites X, Y arrivera certainement ». Ils disent plutôt : « Notre modèle suggère que ces combinaisons sont associées à la croissance ». Les politiques publiques réelles sont complexes, et changer réellement la démographie d'une ville implique des lois, de l'économie et des comportements humains que ce modèle mathématique ne capture pas.

Cependant, l'étude démontre avec succès que nous pouvons prendre des données sociales complexes, les transformer en un modèle mathématique interprétable, et utiliser des outils d'optimisation avancés (y compris l'informatique quantique) pour explorer différents scénarios. Elle offre une façon transparente de demander : « Et si nous essayions cette combinaison ? » et d'obtenir une réponse basée sur les données. Bien que l'ordinateur quantique n'ait pas nécessairement battu l'ordinateur classique dans ce test spécifique à petite échelle, le fait qu'ils aient tous trouvé la même réponse donne confiance dans le fait que la méthode fonctionne. La véritable valeur réside dans la capacité d'avoir un outil capable de générer une liste de scénarios optimisés et réalisables pour alimenter les discussions des décideurs politiques, plutôt que de simplement fixer un chiffre unique en espérant le meilleur.

Résumé Technique : Optimisation des configurations d'indicateurs sociaux basée sur le QUBO pour la croissance de la population en âge de travailler

Énoncé du problème
Le déclin de la population en âge de travailler pose un défi critique pour la durabilité régionale, particulièrement dans les sociétés vieillissantes comme le Japon. Bien qu'il soit connu que les changements démographiques sont corrélés à de multiples indicateurs socio-économiques, traduire ces associations en modèles interprétables et prêts pour l'optimisation reste difficile. La littérature existante manque souvent d'un cadre capable de gérer simultanément les interactions non linéaires entre les indicateurs et la nature combinatoire des contraintes de politiques (où l'amélioration d'un indicateur peut nécessiter des changements complémentaires dans d'autres). De plus, l'identification de la configuration conjointe optimale des niveaux de politiques discrétisés constitue un problème de recherche discrète de haute dimension qui croît de manière exponentielle avec le nombre d'indicateurs.

Méthodologie
Les auteurs proposent un cadre méthodologique qui intègre une modélisation de substitution quadratique avec l'Optimisation Binaire Quadratique Non Contrainte (QUBO) pour explorer les configurations d'indicateurs sociaux associées à la croissance de la population en âge de travailler. L'approche se compose de trois étapes principales :

Prétraitement des données et encodage :
- Source des données : L'étude utilise les données municipales de 2010–2020 du Japon, couvrant 1 855 municipalités (excluant les entités fusionnées/dissoutes et celles affectées par le grand séisme de l'Est du Japon).
- Variables : Dix indicateurs sociaux du recensement de la population de 2010 (ex. : densité de population, âge moyen, sex-ratio, ratios de travailleurs de l'industrie) servent de variables explicatives. La variable cible est le taux de croissance de la population en âge de travailler (15–64 ans) de 2010 à 2020.
- Discrétisation et encodage One-Hot : Les valeurs continues des indicateurs sont discrétisées en quatre niveaux basés sur les quartiles. Ces niveaux sont ensuite encodés en variables binaires via un schéma one-hot ( $x_{in} \in \{0,1\}$ ), où exactement un niveau par indicateur est actif. Cela transforme le problème en un espace vectoriel binaire $\vec{x} \in \{0,1\}^{40}$ .
Construction du modèle de substitution quadratique :
- Une fonction quadratique $G(\vec{x})$ est construite pour régresser le taux de croissance sur les indicateurs encodés de manière binaire. Le modèle inclut des termes linéaires (contributions individuelles des indicateurs) et des termes d'interaction quadratiques (associations par paires entre les niveaux d'indicateurs).
- Estimation des paramètres : Les paramètres du modèle sont estimés par l'estimation du Maximum A Posteriori (MAP) avec une pénalité de régularisation $L_2$ (équivalente aux moindres carrés régularisés). Le modèle résultant capture à la fois les effets individuels et les compatibilités par paires entre les conditions sociales.
Formulation et optimisation QUBO :
- Le modèle de substitution est converti en une fonction de coût QUBO $H(\vec{x}) = -G(\vec{x}) + \alpha \sum_{i} (\sum_{n} x_{in} - 1)^2$ . Le premier terme représente l'objectif (maximiser la croissance), et le second terme impose la contrainte one-hot (garantissant qu'un seul niveau par indicateur est actif) via un coefficient de pénalité $\alpha$ .
- Solveurs d'optimisation : Le problème QUBO est résolu à l'aide de trois approches :
  - Gurobi : Utilisé comme optimiseur de référence exact.
  - Recuit simulé (SA) : Implémenté via l'échantillonneur de Neal.
  - Recuit quantique (QA) : Exécuté sur le système D-Wave Advantage2.
- Analyse de sensibilité : Une analyse de « basculement d'indicateur unique » est effectuée sur des municipalités sélectionnées pour évaluer comment les taux de croissance prédits changent lorsqu'un indicateur est modifié alors que les autres restent fixes.

Résultats clés

Performance prédictive : Le modèle de substitution quadratique a obtenu de solides performances prédictives sur les ensembles de test, avec un coefficient de corrélation de 0,84, un coefficient de détermination moyen ( $R^2$ ) de 0,76 et une erreur quadratique moyenne de 33,36 sur 20 divisions entraînement-test.
Interprétabilité : La matrice des coefficients a révélé des structures interprétables. La plus grande contribution diagonale positive ( $Q_{5,5} = 1,75$ ) correspondait au quartile le plus bas de l'âge moyen, ce qui concorde avec l'attente selon laquelle les démographies plus jeunes soutiennent la croissance de la population en âge de travail. Des interactions hors diagonale significatives ont été identifiées, telles qu'une forte interaction positive ( $Q_{5,26} = 1,30$ ) entre le quartile de l'âge moyen le plus bas et le deuxième quartile du ratio de travailleurs du secteur primaire.
Cohérence de l'optimisation : Les trois solveurs (Gurobi, SA et QA) ont identifié la même configuration optimale réalisable avec un taux de croissance prédit de $G_{opt} \approx 6,35$ . La configuration optimale comprenait une densité de population élevée, un âge moyen faible, un ratio élevé de résidents étrangers et des répartitions industrielles spécifiques.
Échantillonnage et solutions sous-optimales : Bien que le SA ait généré 100 % d'échantillons réalisables, le QA a produit 39,4 % d'échantillons non réalisables en raison des contraintes d'intégration (embedding) sur le matériel D-Wave. Cependant, les deux méthodes de recuit ont réussi à échantillonner des configurations sous-optimales réalisables avec des taux de croissance variables, fournissant un paysage de scénarios candidats au-delà de l'optimum global unique.
Sensibilité locale : Les analyses de basculement d'indicateur unique ont démontré que la modification d'un indicateur ne permet pas toujours d'améliorer le taux de croissance prédit ; l'effet dépend de la configuration des autres indicateurs. Par exemple, déplacer un indicateur vers son niveau « optimal » de manière isolée a parfois diminué la croissance prédite, soulignant la nécessité d'une optimisation conjointe.

Signification et revendications
L'article positionne ce travail comme une démonstration méthodologique plutôt que comme une évaluation causale des interventions politiques. Ses principales contributions sont :

Intégration de cadres : Il intègre avec succès la pertinence des politiques démographiques infra-nationales, la modélisation quantitative multifactorielle et l'optimisation combinatoire basée sur le QUBO.
Interprétabilité : Il fournit une fonction d'objectif quadratique transparente et interprétable qui lie les statistiques sociales municipales à des modèles prêts pour l'optimisation, visualisant explicitement les contributions individuelles et les interactions par paires.
Génération de scénarios : Le cadre sert d'outil exploratoire pour la discussion politique. En générant des configurations candidates réalisables (y compris sous-optimales), il offre un ensemble d'états cibles réalistes qui peuvent être plus réalisables en pratique qu'un seul optimum global, en tenant compte des contraintes budgétaires et institutionnelles.
Validation du QUBO : L'étude valide la cohérence des formulations QUBO pour cette classe de problèmes, montrant que les méthodes de recuit peuvent récupérer les optima exacts et explorer efficacement le paysage de solutions, même si aucun avantage computationnel par rapport aux solveurs exacts n'est revendiqué pour cette taille de problème spécifique.

Les auteurs soulignent que les résultats représentent des associations apprises à partir des données, et non des estimations causales, et qu'une mise en œuvre politique réelle nécessiterait une analyse institutionnelle et causale supplémentaire.

L'énigme des gens et des lieux

La grande idée de l'étude : Trouver la recette sociale parfaite

La chasse à l'optimisation : Quantique vs Classique

Le rebondissement : Tout est question de mélange

Ce que cela signifie (et ce que cela ne signifie pas)

Articles similaires