En matière de prévisions, la politique échoue plus souvent que la science
«La Taskforce confirme une fausse prédiction», titrait le Blick.1 Pendant ce temps, le Tages-Anzeiger écrivait: «Le groupe de travail sur le coronavirus admet avoir fait une fausse prédiction.» En dessous, une photo de la présidente de la Taskforce Covid-19, Tanja Stadler, soumise à un pilori virtuel.2 Et avec la fiabilité d'une montre suisse, les politiques critiques envers la science ont saisi l'occasion pour remettre en cause les prévisions en général.3
Ce qui, à première vue, semble être un éditorial attrape-clics ou une polémique politique est le symptôme d'un fossé entre la science et la politique. «Les expertes et experts - auxquels je ne prête plus guère attention - ne me semblent pas vivre dans le monde réel», commentait récemment le conseiller fédéral Ueli Maurer. En janvier, Alain Berset a déclaré: «Nous ne pouvons pas travailler avec des prévisions.»
Apparemment, certaines personnes ne voient aucune valeur ajoutée dans les prévisions fondées sur la science. Comment cela se fait-il? Ces prédictions sont-elles vraiment inutiles? Quelqu'un rejetterait-il comme inutile la prédiction selon laquelle le printemps suivra cet hiver?
Comment les prévisions sont faites
Changement climatique, prévisions météorologiques ou évaluation d'une pandémie - quel que soit le sujet, les prévisions scientifiques dans tous les domaines sont presque toujours basées sur quatre éléments: premièrement, un modèle; deuxièmement, des données utilisées pour estimer des paramètres inconnus; troisièmement, des hypothèses basées sur des scénarios; quatrièmement, des connaissances spécialisées. Le poids de ces quatre éléments dépend fortement du problème spécifique.
Le modèle décrit notre compréhension de la dynamique d'un système particulier. La complexité des différents systèmes est très variable. La mécanique céleste détermine les saisons avec une telle précision que toute incertitude dans la prévision est négligeable. Les systèmes biologiques, qui ne peuvent être décrits par une simple équation, ou les systèmes qui présentent un comportement chaotique, comme la météo, sont beaucoup plus difficiles. Certains processus complexes dépassent notre compréhension ou notre capacité de calcul pour les modéliser directement, ils sont donc décrits statistiquement ou par des approximations.
Modèles: aussi bons que les données sous-jacentes
Deuxièmement, un modèle a besoin de données pour être calibré et vérifié. C'est là que les modèles climatiques diffèrent des modèles épidémiologiques. Les données et les relations essentielles à la recherche sur le climat ont déjà été collectées de manière systématique pendant des décennies, mais la mutation des variantes du SRAS-CoV-2 signifie que les données disponibles étaient limitées ou non représentatives, et que les facteurs décisifs dépendaient de l'évolution des stratégies de test ou des progrès en matière de traitement.
Troisièmement, lorsque des décisions sont prises, elles doivent également être prises en compte dans les prévisions. Les prévisions - c'est-à-dire les prédictions sur les développements dans le monde réel - deviennent ainsi des projections ou des scénarios «what-if» en termes techniques. Il s'agit par exemple de l'évolution épidémiologique attendue avec une certaine combinaison de mesures, ou du degré de réchauffement qui accompagnera une évolution spécifique des émissions de CO2. Si le scénario catastrophe ne se produit pas, cela ne signifie souvent pas que le modèle est erroné, mais plutôt que des mesures ont été prises pour l'éviter.
La nature de ces deux incertitudes est complètement différente: les scénarios nous placent devant des choix et relèvent donc en fin de compte de la compétence des décideurs politiques. Ce n'est pas un acquis, mais cela nous aide à comprendre le système et à identifier les vulnérabilités. L'incertitude d'un certain scénario, en revanche, reflète une compréhension incomplète du comportement du système ou des données limitées. C'est la tâche de la science d'atténuer ce phénomène.
Les modèles sont des approximations de la réalité
Quatrièmement et enfin, des connaissances spécialisées sont nécessaires pour évaluer l'imprécision des prédictions due aux simplifications du modèle ou aux erreurs dans les données. L'objectif est de donner un contexte aux simplifications du modèle et aux erreurs de données, et de le communiquer. Un modèle n'est jamais entièrement exact - il est et restera un modèle et fournira au mieux une représentation plus ou moins précise de la réalité. Comme l'a si bien dit le statisticien britannique George Box: «Tous les modèles sont faux - mais certains sont utiles». La question n'est donc pas de savoir si un modèle est correct, car tout modèle est une simplification de la réalité et est donc faux au sens strict. Ce qui importe le plus, c'est de savoir si le modèle est adapté pour répondre à une question spécifique.
Les prédictions d'Omicron étaient-elles vraiment fausses ?
Cela nous ramène à la question de la prévision de la vague Omicron.4 La progression du nombre de cas en janvier a été prédite avec précision, ce qui signifie que le modèle était adéquat. En revanche, les hospitalisations sont restées en deçà des prévisions les plus optimistes. Comme ces chiffres sont en décalage avec les cas déclarés, il était impossible de les prévoir sur la base des données suisses. Il était logique de s'appuyer sur les données du laboratoire ou d'autres pays, mais il est clair que cela ne reflétait pas entièrement la situation en Suisse. Outre les aspects médicaux, tels qu'une virulence plus faible et des taux d'infection plus élevés chez les personnes guéries ou vaccinées ayant une immunité de base existante et donc une maladie moins grave, des aspects comportementaux difficiles à quantifier peuvent également avoir joué un rôle. Par exemple, le comportement plus prudent des groupes à haut risque, même lorsque cela n'est pas obligatoire. Les expertes et experts présenteront finalement une évaluation épidémiologique finale.
Mais une chose est claire: à savoir que les projections ne sont pas délibérément faussées par les scientifiques. Elles reflètent les données actuellement disponibles et l'état des connaissances, dans la mesure où elles peuvent être représentées quantitativement. Au fur et à mesure que de nouvelles connaissances sont disponibles, les projections sont ajustées.
Cependant, les prévisions peuvent faire plus de mal que de bien si elles sont systématiquement erronées ou si elles sous-estiment les incertitudes. Dans le cas du SRAS-CoV-2, les prévisions ont été assez bonnes pendant toute la durée de la pandémie, compte tenu des données souvent rares disponibles.5 Plus nous travaillons longtemps avec les modèles, mieux nous pouvons déterminer le niveau d'incertitude et utiliser les résultats pour évaluer le risque. Dans le domaine de la recherche climatique, 100 ans de données et 50 ans de calculs de modèles ont démontré de manière impressionnante leur exactitude.6 En outre, les prévisions de phénomènes météorologiques extrêmes nous ont permis d'acquérir une grande expérience sur la manière dont la société prend des décisions en conséquence. Ou encore quand il faut donner l'alerte et comment.
Même les décisions quotidiennes dépendent des prévisions
Sans prévision, il est pratiquement impossible de prendre une décision. Même notre intuition que rien ne changera à partir d'aujourd'hui ou l'espoir que le problème disparaîtra comme par magie demain est, après tout, une prévision. Si l'on fait abstraction des modèles, des scénarios, des données et de l'expertise, préféreriez-vous honnêtement naviguer dans la vie sans prévision professionnelle pendant une pandémie qui a fait environ six millions de victimes?
La question la plus pertinente est finalement de savoir si nous pouvons prendre de meilleures décisions avec ou sans prévisions quantitatives: la réponse est presque toujours avec. Lorsque les prévisions sont scientifiquement fondées, elles fournissent de bons conseils et une bonne orientation. Le grand défi ici est - comme dans tout domaine - de calculer systématiquement l'incertitude et la fiabilité. Ignorer les nouvelles connaissances générées par les prévisions montre surtout que les prévisions ne correspondent pas à la vision du monde de chacune et chacun.
Un dialogue et une confiance accrus sont nécessaires
Les prévisions combinent toutes nos connaissances sur un système. Elles sont rarement parfaites, mais sont constamment améliorées. Mais quelle que soit la qualité d'une prévision, elle ne sert à rien si les gens ne la comprennent pas, ne peuvent pas faire face aux incertitudes ou ne sont pas disposés à y réagir. En prévision des crises à venir, il est nécessaire d'intensifier le dialogue et la confiance entre les décideurs politiques, la société, les médias et la recherche.
