{"id":9121,"date":"2026-09-23T08:26:56","date_gmt":"2026-09-23T08:26:56","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/bonne-valeur-pour-le-mape\/"},"modified":"2026-09-23T08:26:56","modified_gmt":"2026-09-23T08:26:56","slug":"bonne-valeur-pour-le-mape","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=bonne-valeur-pour-le-mape","title":{"rendered":"Qu’est-ce qui est consid\u00e9r\u00e9 comme une bonne valeur pour le MAPE ?"},"content":{"rendered":"

Dans le domaine de l’\u00e9conom\u00e9trie appliqu\u00e9e, de la science des donn\u00e9es et du pilotage strat\u00e9gique de la cha\u00eene logistique, la mod\u00e9lisation pr\u00e9dictive occupe une place cardinale dans la r\u00e9duction de l’incertitude organisationnelle. Face \u00e0 la multiplicit\u00e9 des architectures algorithmiques disponibles, des r\u00e9gressions lin\u00e9aires classiques aux r\u00e9seaux neuronaux r\u00e9currents de type LSTM, l’\u00e9valuation de la performance d’un mod\u00e8le requiert des indicateurs quantitatifs standardis\u00e9s et interpr\u00e9tables. Parmi cet arsenal de m\u00e9triques statistiques, le pourcentage d’erreur absolue moyenne, commun\u00e9ment d\u00e9sign\u00e9 sous l’acronyme anglo-saxon MAPE (Mean Absolute Percentage Error)<\/a>, s’est impos\u00e9 comme l’indicateur de pr\u00e9cision le plus largement diffus\u00e9 aupr\u00e8s des directions op\u00e9rationnelles et ex\u00e9cutives.<\/p>\n

Toutefois, cette ubiquit\u00e9 op\u00e9rationnelle s’accompagne d’une interrogation persistante et souvent mal r\u00e9solue : qu’est-ce qui caract\u00e9rise v\u00e9ritablement une \u00ab bonne \u00bb valeur pour le MAPE ? Trop fr\u00e9quemment, les praticiens de la pr\u00e9vision et les gestionnaires d’entreprise recherchent un chiffre magique, un seuil d’admissibilit\u00e9 universel qui trancherait de mani\u00e8re manich\u00e9enne entre la validit\u00e9 ou la caducit\u00e9 d’un mod\u00e8le de pr\u00e9diction. Cette qu\u00eate d’un \u00e9talon absolu est non seulement illusoire sur le plan th\u00e9orique, mais elle peut \u00e9galement s’av\u00e9rer n\u00e9faste sur le plan manag\u00e9rial, en induisant des d\u00e9cisions d’allocation de ressources fond\u00e9es sur des esp\u00e9rances d\u00e9connect\u00e9es des propri\u00e9t\u00e9s stochastiques intrins\u00e8ques des s\u00e9ries temporelles analys\u00e9es.<\/p>\n

D\u00e9terminer l’excellence, l’acceptabilit\u00e9 ou la m\u00e9diocrit\u00e9 d’un r\u00e9sultat de MAPE exige une d\u00e9construction rigoureuse de la m\u00e9trique, coupl\u00e9e \u00e0 une contextualisation pluridimensionnelle. Une telle analyse doit int\u00e9grer la nature statistique des donn\u00e9es, l’horizon temporel consid\u00e9r\u00e9, la fonction de co\u00fbt asym\u00e9trique propre au secteur \u00e9conomique sous revue, ainsi que les pathologies math\u00e9matiques inh\u00e9rentes \u00e0 la division par des grandeurs r\u00e9elles. Cet article propose un examen exhaustif, th\u00e9orique et empirique, des crit\u00e8res permettant d’appr\u00e9cier la pertinence d’une valeur de MAPE, en substituant aux dogmes quantitatifs pr\u00e9con\u00e7us une m\u00e9thodologie d’\u00e9valuation probabiliste, relative et contextualis\u00e9e.<\/p>\n

1. Introduction et fondements conceptuels du MAPE<\/h2>\n

1.1 D\u00e9finition et origine du pourcentage d’erreur absolue moyenne<\/h3>\n

La gen\u00e8se th\u00e9orique du MAPE s’inscrit dans le d\u00e9veloppement de la statistique descriptive appliqu\u00e9e et de l’\u00e9conom\u00e9trie pr\u00e9visionnelle au cours de la seconde moiti\u00e9 du vingti\u00e8me si\u00e8cle. Alors que les analystes s’appuyaient traditionnellement sur des m\u00e9triques absolues d\u00e9pendantes de l’\u00e9chelle, telles que l’\u00e9cart moyen absolu (MAD ou MAE) ou l’erreur quadratique moyenne (RMSE – Root Mean Squared Error<\/a>), le besoin s’est fait sentir d’\u00e9tablir des comparaisons normalis\u00e9es entre des s\u00e9ries chronologiques d’amplitudes divergentes. L’acronyme MAPE d\u00e9signe la moyenne arithm\u00e9tique des \u00e9carts relatifs, pris en valeur absolue, entre les observations empiriques et les projections issues d’un mod\u00e8le formel.<\/p>\n

Le positionnement du MAPE au sein du panth\u00e9on des m\u00e9triques d’erreur repose principalement sur son caract\u00e8re dimensionless, c’est-\u00e0-dire invariant \u00e0 l’\u00e9chelle de mesure. Contrairement au MAE, qui s’exprime dans l’unit\u00e9 physique de la variable cible (qu’il s’agisse de tonnes d’acier, de m\u00e9gawattheures ou de milliers d’euros), le MAPE convertit chaque r\u00e9sidu en une fraction de la r\u00e9alit\u00e9 observ\u00e9e, puis multiplie le r\u00e9sultat par cent pour g\u00e9n\u00e9rer un pourcentage intuitif. Cette transformation math\u00e9matique accorde au MAPE un avantage communicationnel d\u00e9terminant aupr\u00e8s des instances manag\u00e9riales non sp\u00e9cialis\u00e9es en mod\u00e9lisation stochastique, en rendant les performances imm\u00e9diatement intelligibles et comparables d’un portefeuille d’actifs \u00e0 un autre.<\/p>\n

En \u00e9conom\u00e9trie des s\u00e9ries temporelles, le r\u00f4le d\u00e9volu au MAPE a \u00e9t\u00e9 consolid\u00e9 par son inclusion syst\u00e9matique dans les grandes comp\u00e9titions acad\u00e9miques de pr\u00e9vision, notamment les comp\u00e9titions de Makridakis (comp\u00e9titions M). Ces travaux fondamentaux ont \u00e9tabli le MAPE comme un instrument standardis\u00e9 pour \u00e9valuer l’exactitude des m\u00e9thodes de lissage exponentiel, des architectures autor\u00e9gressives int\u00e9gr\u00e9es moyennes mobiles (mod\u00e8les ARIMA<\/a>) et, plus r\u00e9cemment, des algorithmes d’apprentissage automatique supervis\u00e9. N\u00e9anmoins, cette adoption massive s’est parfois r\u00e9alis\u00e9e au d\u00e9triment d’une compr\u00e9hension fine des contraintes structurelles impos\u00e9es par sa formulation analytique.<\/p>\n

1.2 La qu\u00eate d’un seuil critique : Pourquoi la question se pose<\/h3>\n

La persistance de la question relative au seuil optimal du MAPE d\u00e9coule directement d’une n\u00e9cessit\u00e9 op\u00e9rationnelle et strat\u00e9gique au sein des organisations contemporaines. Les entreprises et institutions doivent fr\u00e9quemment arbitrer entre l’investissement dans des infrastructures de calcul plus sophistiqu\u00e9es, l’acquisition de donn\u00e9es externes \u00e0 haute r\u00e9solution et le rendement marginal de la pr\u00e9cision algorithmique obtenue. Dans ce cadre de gouvernance, disposer d’un bar\u00e8me de performance constitue un pr\u00e9requis pour valider le passage en production d’un algorithme pr\u00e9dictif ou pour sanctionner contractuellement les engagements de niveau de service (SLA) conclus avec des prestataires technologiques.<\/p>\n

Cependant, cet imp\u00e9ratif pragmatique se heurte \u00e0 un dilemme \u00e9pist\u00e9mologique profond : la tension irr\u00e9conciliable entre une exigence de pr\u00e9cision absolue formul\u00e9e par le management et la faisabilit\u00e9 empirique r\u00e9gie par les lois du hasard. L’ambigu\u00eft\u00e9 entourant la d\u00e9finition d’une \u00ab bonne \u00bb valeur d\u00e9coule du fait que le MAPE ne mesure pas uniquement l’incomp\u00e9tence relative du mod\u00e9lisateur, mais capture \u00e9galement, de mani\u00e8re indiff\u00e9renci\u00e9e, l’al\u00e9a intrins\u00e8que du ph\u00e9nom\u00e8ne sous-jacent. Attendre d’un mod\u00e8le qu’il d\u00e9livre un taux d’erreur inf\u00e9rieur \u00e0 un seuil standardis\u00e9 arbitraire sans analyser l’entropie du processus g\u00e9n\u00e9rateur de donn\u00e9es revient \u00e0 m\u00e9conna\u00eetre la structure m\u00eame des syst\u00e8mes stochastiques.<\/p>\n

Les attentes manag\u00e9riales se trouvent ainsi fr\u00e9quemment en d\u00e9calage avec les r\u00e9alit\u00e9s de la mod\u00e9lisation. Tandis qu’un d\u00e9cideur non averti percevra intuitivement tout score d’erreur sup\u00e9rieur \u00e0 10 % ou 15 % comme l’indice d’une d\u00e9faillance m\u00e9thodologique, l’\u00e9conom\u00e8tre sait pertinemment que, dans certains contextes macro\u00e9conomiques ou g\u00e9opolitiques volatils, parvenir \u00e0 stabiliser le MAPE \u00e0 30 % repr\u00e9sente un exploit math\u00e9matique remarquable. Cette dichotomie entre la perception profane et la r\u00e9alit\u00e9 statistique souligne l’urgence de d\u00e9passer les grilles d’\u00e9valuation statiques pour embrasser une grille d’analyse contextualis\u00e9e.<\/p>\n

2. La formulation math\u00e9matique du MAPE et son interpr\u00e9tation<\/h2>\n

2.1 D\u00e9composition alg\u00e9brique de la m\u00e9trique<\/h3>\n

Pour appr\u00e9hender rigoureusement les variations du MAPE, il convient d’en d\u00e9composer l’\u00e9quation fondamentale. Pour une s\u00e9rie temporelle comportant n<\/em> observations, o\u00f9 $y_t$<\/span> repr\u00e9sente la valeur r\u00e9elle observ\u00e9e \u00e0 l’instant t<\/em> et $\\hat{y}_t$<\/span> d\u00e9signe la valeur projet\u00e9e par le mod\u00e8le pr\u00e9dictif pour ce m\u00eame instant, la formulation alg\u00e9brique standard s’\u00e9crit formellement comme suit :<\/p>\n

$$\\text{MAPE} = \\frac{100%}{n} \\sum_{t=1}^{n} left| \\frac{y_t – \\hat{y}_t}{y_t} right|$$<\/span><\/p>\n

Cette expression r\u00e9v\u00e8le une structure articul\u00e9e autour de trois op\u00e9rations arithm\u00e9tiques cons\u00e9cutives : le calcul de l’\u00e9cart brut $(y_t – \\hat{y}_t)$<\/span>, son passage \u00e0 la valeur absolue $|y_t – \\hat{y}_t|$<\/span> afin d’annihiler la compensation des erreurs de signes oppos\u00e9s, puis sa normalisation par division scalaire via la valeur empirique r\u00e9elle $y_t$<\/span>. Enfin, la sommation des quotients individuels est rapport\u00e9e au nombre total d’observations n<\/em>, avant d’\u00eatre mise \u00e0 l’\u00e9chelle cent\u00e9simale. Le comportement statistique du MAPE est dict\u00e9 par la position centrale de $y_t$<\/span> au d\u00e9nominateur : l’\u00e9cart absolu n’est pas mesur\u00e9 dans l’absolu, mais proportionnellement \u00e0 l’amplitude de chaque r\u00e9alisation individuelle.<\/p>\n

En tant qu’estimateur statistique de l’erreur d’\u00e9chelle invariante, le MAPE pr\u00e9sente des propri\u00e9t\u00e9s math\u00e9matiques particuli\u00e8res. Il s’agit d’une m\u00e9trique non diff\u00e9rentiable en z\u00e9ro (en raison de l’op\u00e9rateur de valeur absolue), ce qui emp\u00eache son utilisation directe comme fonction de perte dans les algorithmes d’optimisation bas\u00e9s sur la descente de gradient, \u00e0 moins de recourir \u00e0 des approximations liss\u00e9es. De surcro\u00eet, la normalisation locale par $y_t$<\/span> conf\u00e8re \u00e0 chaque terme de la somme un poids pond\u00e9r\u00e9 par l’inverse de la grandeur observ\u00e9e, ce qui induit une sensibilit\u00e9 disproportionn\u00e9e aux variations survenant sur des grandeurs de faible amplitude, conditionnant structurellement la valeur finale obtenue.<\/p>\n

2.2 Interpr\u00e9tation quantitative concr\u00e8te d’un pourcentage<\/h3>\n

Sur le plan op\u00e9rationnel, la conversion en pourcentage conf\u00e8re au MAPE une signification apparente de dispersion relative. D\u00e9clarer qu’un mod\u00e8le pr\u00e9dictif affiche un MAPE de 8 % signifie qu’en moyenne arithm\u00e9tique, l’\u00e9cart absolu entre la trajectoire simul\u00e9e et la trajectoire constat\u00e9e s’\u00e9l\u00e8ve \u00e0 8 % du volume r\u00e9el de chaque point d’observation. R\u00e9ciproquement, un r\u00e9sultat de 25 % d\u00e9note une instabilit\u00e9 pr\u00e9dictive trois fois plus marqu\u00e9e \u00e0 l’\u00e9chelle individuelle, impliquant qu’en moyenne, un quart de la valeur r\u00e9alis\u00e9e \u00e9chappe \u00e0 la capture structurelle de l’\u00e9quation pr\u00e9visionnelle.<\/p>\n

Toutefois, cette interpr\u00e9tation pragmatique dissimule une \u00e9quivalence complexe entre dispersion relative et dispersion absolue autour de l’esp\u00e9rance math\u00e9matique. Le MAPE ne doit en aucun cas \u00eatre assimil\u00e9 au coefficient de variation des r\u00e9sidus, car il agr\u00e8ge des pourcentages d’erreurs locales plut\u00f4t qu’il ne calcule le rapport entre l’erreur totale et la moyenne globale de la s\u00e9rie. Cette distinction engendre une cons\u00e9quence majeure : le MAPE traite avec une s\u00e9v\u00e9rit\u00e9 identique un \u00e9cart de 10 unit\u00e9s sur une observation de 100 qu’un \u00e9cart de 100 000 unit\u00e9s sur une observation de 1 000 000, ind\u00e9pendamment du fait que la seconde d\u00e9viation puisse pr\u00e9senter des r\u00e9percussions industrielles ou financi\u00e8res sans commune mesure avec la premi\u00e8re.<\/p>\n

Enfin, l’absence de directionnalit\u00e9 cons\u00e9cutive \u00e0 l’usage de la valeur absolue interdit formellement de d\u00e9duire le biais syst\u00e9matique d’un mod\u00e8le \u00e0 partir de son seul MAPE. Un MAPE de 15 % peut r\u00e9sulter aussi bien d’une sous-estimation constante de 15 % sur l’ensemble de la p\u00e9riode d’\u00e9chantillonnage que d’une alternance \u00e9quilibr\u00e9e de pr\u00e9dictions sur\u00e9valu\u00e9es de 15 % et sous-\u00e9valu\u00e9es de 15 %. La pr\u00e9cision relative mesur\u00e9e par le MAPE renseigne sur l’amplitude moyenne de l’impr\u00e9cision, mais demeure aveugle \u00e0 la sym\u00e9trie distributionnelle des r\u00e9sidus, ce qui impose une s\u00e9paration m\u00e9thodologique stricte entre la m\u00e9trique d’exactitude et la m\u00e9trique de biais pr\u00e9visionnel.<\/p>\n

3. L’\u00e9chelle conventionnelle de Lewis : Une grille d’\u00e9valuation historique<\/h2>\n

3.1 Les quatre cat\u00e9gories de performance selon Lewis (1982)<\/h3>\n

Dans la litt\u00e9rature manag\u00e9riale consacr\u00e9e \u00e0 la pr\u00e9vision des s\u00e9ries temporelles industrielles, la tentative la plus influente pour codifier ce qui constitue une \u00ab bonne \u00bb valeur de MAPE remonte aux travaux de Colin D. Lewis, formalis\u00e9s dans son ouvrage canonique publi\u00e9 en 1982, intitul\u00e9 Industrial and Business Forecasting Methods<\/em>. Lewis a propos\u00e9 une taxonomie empirique segment\u00e9e en quatre intervalles herm\u00e9tiques, destin\u00e9e \u00e0 fournir aux gestionnaires de stocks un outil de diagnostic rapide pour qualifier l’exactitude op\u00e9rationnelle des mod\u00e8les de lissage :<\/p>\n