L'Insee publie chaque trimestre dans la Note de conjoncture sa prévision de croissance trimestrielle du PIB pour le trimestre en cours et le ou les deux trimestres suivants. Cette prévision repose sur celles de chacune des composantes du PIB telles que la consommation des ménages ou la production industrielle. Les prévisions de ces composantes sont elle-mêmes établies à partir d’indicateurs conjoncturels comme le climat des affaires ou l’indice de la production industrielle. Si une seule prévision est publiée chaque trimestre, la publication de nouveaux indicateurs est quasi-quotidienne et chacune de ces nouvelles informations est susceptible de faire évoluer l’estimation de croissance économique qui apparaît comme la plus probable à une date donnée. De nouveaux modèles de prévision au jour le jour ou « nowcasting » permettent de tenir compte de ces publications fréquentes de nouveaux indicateurs pour la prévision de la croissance trimestrielle.

Ces modèles sont élaborés grâce à l’utilisation de méthodes d’apprentissage statistique (dites de « machine learning ») d’une part, et grâce d’autre part à l’accès libre et en temps réel à des centaines d’indicateurs conjoncturels (« open data »). Ainsi, la Réserve fédérale (Fed) d’Atlanta publie depuis 2016 une actualisation de sa prévision de croissance toutes les semaines, en s’appuyant sur un modèle de prévision de ce type.

Ce dossier présente une première proposition de modèles de prévision en continu des variations trimestrielles de la croissance française. Les données utilisées sont notamment les indicateurs conjoncturels publiés par la Banque de France, l’Insee, l’OCDE, Markit et différents services statistiques ministériels (SSM). Plusieurs modèles sont testés, parmi lesquels des modèles d’apprentissage statistique supervisés tels que les forêts aléatoires, et des modèles à facteurs.

Les premiers résultats montrent que la prévision peut varier significativement au cours d’un trimestre (entre +0,2 % et +0,4 % par exemple pour le troisième trimestre 2019), ces variations faisant suite à la publication d’un indicateur en forte hausse ou forte baisse. Les modèles utilisés tendent à converger à la fin du trimestre et ont une erreur, mesurée par la racine de l’erreur quadratique moyenne de prévision, ou Root Mean Squared Forecast Error (RMSFE), d’environ 0,20 point. L’erreur de prévision varie entre 0,28 point au début du trimestre et 0,20 point à la fin du trimestre. L’intervalle de confiance à 80 % pour la prévision de croissance du troisième trimestre 2019 est ainsi passé de [–0,1 ; 0,6] en juillet à [0,0 ; 0,5] fin septembre.