Il existe une distinction similaire, bien que non \u00e9quivalente, propos\u00e9e par Knight. L’auteur de Risk, Uncertainty, and Profit[1]<\/strong><\/sup><\/em><\/a> [3] d\u00e9signe l’incertitude mesurable par le terme risk et conserve le terme uncertainty pour l’incertitude non mesurable. Selon Knight, le profit est le r\u00e9sultat d’une v\u00e9ritable incertitude, alors que la gestion du risque mesurable ne donne lieu qu’\u00e0 une forme de salaire li\u00e9 \u00e0 l\u2019exploitation de la structure du hasard, comme en assurances. \u00ab\u00a0Le profit na\u00eet de l’impr\u00e9visibilit\u00e9 inh\u00e9rente et absolue des choses, du fait brut que les r\u00e9sultats de l’activit\u00e9 humaine ne peuvent \u00eatre anticip\u00e9s, et ce dans la mesure o\u00f9 m\u00eame un calcul de probabilit\u00e9 les concernant est impossible et d\u00e9nu\u00e9 de sens.\u00bb<\/p>\n La distinction knightienne entre risque et incertitude ne correspond pas exactement \u00e0 la distinction entre \u00ab\u00a0Known Unknowns\u00a0\u00bb, et \u00ab\u00a0Unknown Unknowns\u00a0\u00bb. En effet, certains Known Unknowns, comme l’issue de certaines tensions g\u00e9opolitiques, ou le succ\u00e8s de nouvelles technologies, rel\u00e8vent de la v\u00e9ritable incertitude knightienne.<\/p>\n Nous discutons \u00e0 pr\u00e9sent de la diff\u00e9rence entre l’approche de mesure analytique et l’approche de mesure statistique.<\/p>\n Dans la mesure o\u00f9 le risque est d\u00e9fini comme l’effet de l’incertitude sur les objectifs, nous pouvons en effet soit (1) utiliser des approches statistiques pour \u00e9valuer la dispersion autour de l\u2019objectif, soit (2) tenter d’identifier tous les \u00e9v\u00e9nements possibles qui pourraient avoir un impact sur la r\u00e9alisation de cet objectif et \u00e9valuer leurs cons\u00e9quences.<\/p>\n En imaginant la r\u00e9alisation d\u2019un objectif comme un archer visant sa cible, c’est la diff\u00e9rence entre, d’une part, l’observation des performances de 1000 archers et l’\u00e9valuation de la distance \u00e0 laquelle la fl\u00e8che peut s’\u00e9carter de la cible et, d’autre part, l’\u00e9num\u00e9ration de tous les \u00e9v\u00e9nements qui pourraient perturber le prochain tir (un coup de vent inattendu, un rayon de soleil, le vol d’un oiseau, etc.).<\/p>\n Dans la plupart des cas, il existe une ligne claire entre ces deux approches : lorsqu’il s’agit de mesurer un risque contr\u00f4lable, l’approche analytique est pr\u00e9f\u00e9rable, et lorsqu’il s’agit de mesurer un risque non contr\u00f4lable, l’approche statistique est pr\u00e9f\u00e9rable.<\/p>\n Cela s’applique par exemple au risque de projet : un chef de projet essaiera d’identifier tous les risques de son projet, de les mesurer et de les att\u00e9nuer, tandis qu’un responsable de programme, charg\u00e9 d’un portefeuille de projets, pr\u00e9f\u00e9rera utiliser une approche statistique pour chaque projet.<\/p>\n Dans le domaine bancaire, il en va de m\u00eame pour le risque de cr\u00e9dit. Le d\u00e9faut des emprunteurs n’\u00e9tant pas un risque directement g\u00e9rable par la banque, les probabilit\u00e9s de d\u00e9faut seront \u00e9valu\u00e9es statistiquement. Mais le niveau de risque du portefeuille global peut \u00eatre g\u00e9r\u00e9 par une allocation rationnelle, en tenant compte des diff\u00e9rentes probabilit\u00e9s de d\u00e9faut, et des corr\u00e9lations entre les d\u00e9fauts.<\/p>\n Bien s\u00fbr cela s’applique \u00e9galement au risque de march\u00e9. La distribution des rendements du march\u00e9 n’est pas quelque chose qu’une banque peut contr\u00f4ler, mais elle peut concevoir une structure de portefeuille appropri\u00e9e pour optimiser le rapport risque\/rendement.<\/p>\n On voit qu\u2019en g\u00e9n\u00e9ral il y a une opposition entre g\u00e9rer les risques et les mesurer statistiquement\u00a0: La mesure statistique du risque exprime un renoncement \u00e0 <\/strong>sa gestion<\/strong>.<\/em><\/p>\n On peut consid\u00e9rer que c\u2019est cette opposition que Louis Bachelier a formalis\u00e9e en 1900 dans sa \u00a0Th\u00e9orie de la sp\u00e9culation\u00a0 [4]. Suivant l’hypoth\u00e8se selon laquelle les rendements boursiers sont impr\u00e9visibles, en raison des innombrables facteurs qui influencent l’opinion des investisseurs, Louis Bachelier d\u00e9duit math\u00e9matiquement l’une des id\u00e9es les plus importantes du monde de la finance, \u00e0 savoir que les rendements des cours sont normalement distribu\u00e9s (ce que la plupart des non-math\u00e9maticiens trouveraient myst\u00e9rieux).<\/p>\n Les facteurs qui influencent la variation des prix des actions sont impossibles \u00e0 \u00e9num\u00e9rer et \u00e0 quantifier, mais ils sont, \u00e0 un niveau g\u00e9n\u00e9ral, similaires pour diff\u00e9rents titres. Par cons\u00e9quent, un gestionnaire de portefeuille ne comprend pas ce qui motive les mouvements de prix des diff\u00e9rentes actions de son portefeuille, mais cela ne l’emp\u00eache pas de g\u00e9rer les risques de son portefeuille en optimisant son allocation. Cette approche est similaire \u00e0 celle d’un gestionnaire de portefeuille de projets qui n’a pas le contr\u00f4le des projets individuels et qui traite le risque de chacun d’entre eux de mani\u00e8re statistique, tout en essayant de contr\u00f4ler le risque global de son portefeuille.<\/p>\n Mais dans les deux cas, le gestionnaire d’un projet particulier doit g\u00e9rer les risques identifi\u00e9s de son projet, et le dirigeant d’une soci\u00e9t\u00e9 cot\u00e9e en bourse doit g\u00e9rer les risques qui peuvent affecter sa valeur marchande.<\/p>\n Autrement dit, une approche de mesure purement statistique est adapt\u00e9e si le risque est mesur\u00e9 pour une entit\u00e9 consid\u00e9r\u00e9e comme \u00e9chappant au contr\u00f4le du gestionnaire de risques. Lorsque le gestionnaire de risques g\u00e8re efficacement les risques – d’une entreprise, d’un projet, d’un portefeuille d’actifs ou d’un portefeuille de projets – l’approche appropri\u00e9e est l’approche analytique.<\/p>\n Dans son essai\u00a0historique publi\u00e9 \u00e0 titre posthume (Essay Towards Solving a Problem in the Doctrine of Chances, 1763) [5], Thomas Bayes a introduit \u00e0 la fin du 18\u00b0 si\u00e8cle deux notions essentielles dans la th\u00e9orie de la d\u00e9cision.<\/p>\n En formalisant le lien intuitif entre \u00ab\u00a0information\u00a0\u00bb et \u00ab\u00a0probabilit\u00e9\u00a0\u00bb, ou autrement dit entre \u00ab\u00a0connaissance\u00a0\u00bb et \u00ab\u00a0non-connaissance\u00a0\u00bb, Bayes pose ainsi les bases de toute th\u00e9orie de la d\u00e9cision. La d\u00e9cision rationnelle est celle qui recherche toute l\u2019information disponible \u2013 d\u00e9cider en connaissance de cause.<\/p>\n Con\u00e7us par Judea Pearl dans les ann\u00e9es 1980 [6], les r\u00e9seaux bayesiens [7] sont des mod\u00e8<\/em>les causaux probabilistes. Un r\u00e9seau bayesien est constitu\u00e9 d\u2019un graphe d\u00e9rivant les d\u00e9pendances causales entre les variables et d\u2019une distribution de probabilit\u00e9s d\u00e9crivant l\u2019incertitude r\u00e9siduelle de cette d\u00e9pendance. Le graphe repr\u00e9sente donc la structure de la connaissance, et les probabilit\u00e9s repr\u00e9sentent la partie incertaine du domaine.<\/p>\n Explicitons cette id\u00e9e sur un exemple tr\u00e8s simple en gestion des risques [8].<\/p>\n Un op\u00e9rateur travaillant sur une machine risque de se blesser, s\u2019il l\u2019utilise mal. Ce risque d\u00e9pend de l\u2019exp\u00e9rience de l\u2019op\u00e9rateur et de la complexit\u00e9 de la machine. \u00abExp\u00e9rience\u00bb et \u00abComplexit\u00e9\u00bb sont deux facteurs d\u00e9terminants de ce risque.<\/p>\n Bien s\u00fbr, ces facteurs ne permettent pas de cr\u00e9er un mod\u00e8le d\u00e9terministe. Si l\u2019op\u00e9rateur est exp\u00e9riment\u00e9, et la machine simple, cela ne garantit pas qu\u2019il n\u2019y aura pas d\u2019accident. D\u2019autres facteurs peuvent jouer : l\u2019op\u00e9rateur peut \u00eatre fatigu\u00e9, d\u00e9rang\u00e9, etc. La survenance du risque est toujours al\u00e9atoire, mais la probabilit\u00e9 de survenance d\u00e9pend des facteurs identifi\u00e9s.<\/p>\n Le sch\u00e9ma ci-dessous repr\u00e9sente la structure de causalit\u00e9 de ce mod\u00e8le (graphe).<\/p>\n Ce graphe peut \u00eatre compl\u00e9t\u00e9 par des tables de probabilit\u00e9. La table la plus importante est celle qui exprime la d\u00e9pendance de l\u2019accident \u00e0 l\u2019exp\u00e9rience de l\u2019op\u00e9rateur et \u00e0 la complexit\u00e9 de la machine.<\/p>\n –\u00a0Table de probabilit<\/em>\u00e9s conditionnelles (en %)\u00a0–<\/p>\n On comprend bien ici que la connaissance est partielle. Si l\u2019utilisateur est exp\u00e9riment\u00e9 et la machine simple, il n\u2019y aura sans doute pas d\u2019accident (0,1% de chances dans l\u2019exemple ci-dessus). Mais le fait de conserver une probabilit\u00e9 r\u00e9siduelle reconna\u00eet le fait que tous les facteurs de risque ne sont pas pris en compte dans ce mod\u00e8le.<\/p>\n Le r\u00e9seau bayesien repr\u00e9sente donc \u00e0 la fois la connaissance et la non-connaissance du domaine. Ce qui est connu est repr\u00e9sent\u00e9 par la structure de causalit\u00e9 (le graphe). Ce qui n\u2019est pas connu est mat\u00e9rialis\u00e9 par des probabilit\u00e9s.<\/p>\n Le r\u00e9seau bayesien exprime finalement, et simplement, que l\u2019exp\u00e9rience de l\u2019op\u00e9rateur\u00a0et la complexit\u00e9 de la machine\u00a0influent sur la probabilit\u00e9 d\u2019un accident. C\u2019est pr\u00e9cis\u00e9ment le sens de l\u2019approche de Thomas Bayes\u00a0: la probabilit\u00e9 d\u00e9pend du contexte.<\/p>\n La pand\u00e9mie de Covid a contribu\u00e9 \u00e0 vulgariser la notion de mod\u00e8les, qui \u00e9taient utilis\u00e9s pour fonder les d\u00e9cisions gouvernementales.<\/p>\n En mati\u00e8re de gestion des risques, la transparence des mod\u00e8les nous semble essentielle, puisque pr\u00e9cis\u00e9ment l\u2019objet d\u2019\u00e9tude n\u2019est pas observable. Un mod\u00e8le graphique, d\u00e9crivant les hypoth\u00e8ses de causalit\u00e9 et les hypoth\u00e8ses de probabilit\u00e9, peut s\u2019av\u00e9rer tr\u00e8s utile pour initier une discussion critique et constructive. Pour illustrer ce point, nous pr\u00e9sentons justement un mod\u00e8le de strat\u00e9gie de pr\u00e9vention et de protection face \u00e0 une pand\u00e9mie [9]. Cette \u00e9tude a \u00e9t\u00e9 effectu\u00e9e dans le cadre de la r\u00e9flexion sur les pand\u00e9mies qui a \u00e9t\u00e9 lanc\u00e9e dans les ann\u00e9es 2000 apr\u00e8s les craintes suscit\u00e9es par la grippe H1N1.<\/p>\n Ce mod\u00e8le permet de repr\u00e9senter d\u2019une part les variables r\u00e9gissant le co\u00fbt de la contamination d\u2019une personne sous forme d\u2019un r\u00e9seau bayesien, et d\u2019autre part les strat\u00e9gies d\u2019intervention.<\/p>\n <\/p>\n Ce graphe repr\u00e9sente pour une personne expos\u00e9e la possibilit\u00e9 de survenance, c\u2019est-\u00e0-dire la contamination, et l\u2019impact, c\u2019est-\u00e0-dire les cons\u00e9quences de la maladie.<\/p>\n La survenance d\u00e9pend d\u2019une variable appel\u00e9e le taux d\u2019attaque global qui formalise la fraction de la population sensible au virus. Les taux d\u2019attaque consid\u00e9r\u00e9s pour une pand\u00e9mie varient entre 15 % et 35 %, voire 50 % pour certains auteurs.<\/p>\n Conditionnellement \u00e0 ce taux d\u2019attaque, la probabilit\u00e9 de contamination d\u00e9pend aussi de l\u2019\u00e2ge. Elle peut \u00eatre donc repr\u00e9sent\u00e9e par une table de probabilit\u00e9 conditionnelle \u00e0 deux \u00ab\u00a0causes\u00a0\u00bb similaire \u00e0 celles d\u00e9taill\u00e9es dans l\u2019exemple pr\u00e9c\u00e9dent<\/p>\n Pour une personne contamin\u00e9e, les cons\u00e9quences peuvent \u00eatre de trois types\u00a0: soins \u00e0 domicile, hospitalisation, ou d\u00e9c\u00e8s. Le type de cons\u00e9quence d\u00e9pend de l\u2019\u00e2ge et de l\u2019appartenance \u00e0 un groupe \u00e0 risque, comme le graphe permet de le visualiser. L\u2019estimation quantitative de la probabilit\u00e9 de chaque type de cons\u00e9quence en fonction de l\u2019\u00e2ge et de l\u2019appartenance \u00e0 un groupe \u00e0 risque (HiRisk dans le graphe) peut \u00eatre bas\u00e9e sur des cas pass\u00e9s, avec un degr\u00e9 d\u2019incertitude, et \u00eatre affin\u00e9e \u00e0 mesure que les informations sur la maladie sont actualis\u00e9es. Comme pr\u00e9c\u00e9demment, ces d\u00e9pendances seront repr\u00e9sent\u00e9es par des tables de probabilit\u00e9 conditionnelles.<\/p>\n Une fois ce mod\u00e8le \u00e9tabli, la structure d\u2019une population particuli\u00e8re conditionne donc les cons\u00e9quences. On a bien s\u00fbr vu l\u2019influence de cette structure pendant la crise du Covid, en comparant l\u2019impact de la pand\u00e9mie sur les populations africaines jeunes et en bonne sant\u00e9, et les populations occidentales, vieillissantes et souvent en surpoids, notamment aux Etats-Unis.<\/p>\n La deuxi\u00e8me \u00e9tape est de repr\u00e9senter la strat\u00e9gie de r\u00e9ponse \u00e0 la pand\u00e9mie sur le m\u00eame graphe.<\/p>\n La repr\u00e9sentation de la strat\u00e9gie est obtenue en ajoutant au graphe initial quatre n\u0153uds\u00a0:<\/p>\n La strat\u00e9gie d\u00e9termine le statut vaccinal et le traitement d\u2019une personne en fonction de son \u00e2ge et de son niveau de risque. Cette strat\u00e9gie peut \u00eatre de vacciner toute la population, de vacciner seulement les personnes \u00e0 risque, ou bien encore de traiter l\u2019ensemble des personnes, ou uniquement les personnes \u00e0 risque.<\/p>\n Chaque strat\u00e9gie a un co\u00fbt direct qui est celui de sa mise en \u0153uvre (vaccins, traitements), mais \u00e9galement un co\u00fbt indirect repr\u00e9sentant les cons\u00e9quences \u00e9vit\u00e9es ou non \u00e9vit\u00e9es sur les patients. L\u2019utilit\u00e9 d\u2019une strat\u00e9gie est d\u00e9finie par son co\u00fbt total incluant les co\u00fbts de pr\u00e9vention et de protection, ainsi que le co\u00fbt des soins r\u00e9siduels. Cette utilit\u00e9 est repr\u00e9sent\u00e9e dans la variable en forme de losange.<\/p>\n Avec un tel mod\u00e8le, les strat\u00e9gies peuvent donc \u00eatre compar\u00e9es en termes d\u2019utilit\u00e9 \u2013 ce qui n\u2019est pas n\u00e9cessairement pertinent dans une optique de \u00ab\u00a0quoi qu\u2019il en co\u00fbte\u00a0\u00bb mais peut s\u2019av\u00e9rer tr\u00e8s utile si les ressources, et notamment les vaccins et les traitements, sont limit\u00e9es.<\/p>\n Notre propos n\u2019est pas ici de pr\u00e9senter un mod\u00e8le pour g\u00e9rer une pand\u00e9mie, mais bien d\u2019illustrer la puissance de communication de tels mod\u00e8les. Ces graphes peuvent \u00eatre pr\u00e9sent\u00e9s, sinon au grand public, du moins \u00e0 un large public. Ils peuvent \u00eatre discut\u00e9s, remis en question et am\u00e9lior\u00e9s par des \u00e9changes entre experts. Ils peuvent int\u00e9grer les nouvelles connaissances disponibles rapidement.<\/p>\n La mod\u00e9lisation des risques est, nous l\u2019avons dit, la repr\u00e9sentation d\u2019une perception plut\u00f4t que d\u2019un objet observable. Au sein d\u2019une organisation, ces perceptions font souvent l\u2019objet de biais et de d\u00e9formations, volontaires ou non. D\u00e8s lors, la comparaison avec ses pairs est un outil puissant pour identifier ces biais et les corriger, mais aussi pour identifier et corriger les \u00e9ventuelles lacunes de l\u2019organisation.<\/p>\n Dans notre domaine d\u2019application, c\u2019est-\u00e0-dire la mod\u00e9lisation des risques op\u00e9rationnels bancaires, nous menons depuis plusieurs ann\u00e9es un projet de recherche sur ce sujet, en particulier dans le domaine du risque cyber [10].\u00a0 Un groupe de huit banques am\u00e9ricaines a travaill\u00e9 sur neuf sc\u00e9narios de risque cyber, afin d\u2019arriver \u00e0 une repr\u00e9sentation commune permettant une comparaison ult\u00e9rieure des hypoth\u00e8ses. Les neuf sc\u00e9narios ont \u00e9t\u00e9 d\u00e9finis en consid\u00e9rant les combinaisons significatives entre les trois dimensions Assets, Access, Attacker, autrement dit en se demandant quel type d\u2019attaquant attaque quelle type de ressource, et par quel type d\u2019acc\u00e8s. Dans le graphe en forme de roue ci-dessous, cela revient \u00e0 consid\u00e9rer toutes les combinaisons possibles et \u00e0 retenir les plus pertinentes.<\/p>\n Puis, pour chaque sc\u00e9nario, les participants se sont mis d\u2019accord sur une structure commune du r\u00e9seau bayesien, qui repr\u00e9sente le m\u00e9canisme de g\u00e9n\u00e9ration des \u00e9v\u00e9nements et des cons\u00e9quences associ\u00e9es. La figure ci-dessous pr\u00e9sente l\u2019une des structures retenues pour un sc\u00e9nario de cyber attaque sur une application critique.<\/p>\n <\/p>\n En ce qui concerne les hypoth\u00e8ses quantitatives, un point de d\u00e9part \u00e9tait propos\u00e9, et chaque banque fournissait sa propre estimation. Il est important de signaler que la confidentialit\u00e9 des hypoth\u00e8ses formul\u00e9es \u00e9tait garantie. Chaque banque avait acc\u00e8s \u00e0 l\u2019ensemble des hypoth\u00e8ses formul\u00e9es par ses pairs de fa\u00e7on anonyme.<\/p>\n Cette exp\u00e9rience a permis d\u2019am\u00e9liorer l\u2019approche du risque cyber au sein des \u00e9tablissements participants, ce risque \u00e9tant souvent consid\u00e9r\u00e9 comme grave mais difficile \u00e0 estimer. Parmi les enseignements tir\u00e9s de cette recherche, les participants ont consid\u00e9r\u00e9 que la collecte des donn\u00e9es et des avis d\u2019expert \u00e9tait grandement facilit\u00e9e par l\u2019existence d\u2019une structure a priori, qui permet une d\u00e9finition tr\u00e8s pr\u00e9cise de chaque variable.<\/p>\n Pour certains sc\u00e9narios, la dispersion entre l\u2019\u00e9valuation des risques extr\u00eames pouvait aller de 1 \u00e0 10, apr\u00e8s mise \u00e0 l\u2019\u00e9chelle par la taille de l\u2019\u00e9tablissement, bien s\u00fbr. L\u2019impact de chaque sc\u00e9nario \u00e9tait \u00e9valu\u00e9 en jours de revenu, ce qui permet une mise \u00e0 l\u2019\u00e9chelle naturelle. La dispersion s\u2019expliquait selon les cas, soit par des diff\u00e9rences d\u2019organisation, soit par la diff\u00e9rence de perception de la qualit\u00e9 des contr\u00f4les. L\u00e0 encore, la structuration du sc\u00e9nario a permis de bien isoler les aspects les plus subjectifs de l\u2019\u00e9valuation, afin de si possible les rendre plus objectifs et mesurables<\/p>\n La reconnaissance de la nature subjective de l\u2019\u00e9valuation des risques est selon nous un pas essentiel \u00e0 leur meilleure ma\u00eetrise. Comme la crise des subprimes en 2008 l\u2019a montr\u00e9, utiliser des mod\u00e8les, c\u2019est d\u2019abord y croire. Y croire, c\u2019est parfois se tromper. Plus les mod\u00e8les sont opaques et difficiles \u00e0 communiquer, et plus le risque d\u2019aveuglement li\u00e9 \u00e0 une croyance \u00e9rig\u00e9e en v\u00e9rit\u00e9 scientifique est \u00e9lev\u00e9.<\/p>\n La crise qui est devant nous, et qui est li\u00e9e au changement climatique, est probablement celle qui fait l\u2019objet d\u2019un des efforts de mod\u00e9lisation les plus importants de tous les temps. Le GIEC a eu l\u2019intelligence de faire appara\u00eetre dans chacune de ses affirmations la notion de consensus et la notion de fiabilit\u00e9. Ainsi, le caract\u00e8re subjectif et faillible des mod\u00e8les est mis en avant. Cependant il reste selon nous beaucoup d\u2019efforts \u00e0 faire pour faire comprendre au public \u2013 et m\u00eame aux d\u00e9cideurs politiques \u2013 les encha\u00eenements de causalit\u00e9 \u00e0 l\u2019\u0153uvre, en particulier en ce qui concerne les points de bascule entra\u00eenant des r\u00e9troactions positives. L\u2019utilisation de r\u00e9seaux bayesiens serait parfaitement adapt\u00e9e \u00e0 cette repr\u00e9sentation.<\/p>\n En m\u00eame temps que le changement climatique se manifeste, entra\u00eenant avec lui un probable d\u00e9placement de l\u2019\u00e9tat d\u2019\u00e9quilibre de notre plan\u00e8te, et bien s\u00fbr un changement profond de nos habitudes et de nos comportements, le monde d\u00e9velopp\u00e9 semble entr\u00e9 dans une fr\u00e9n\u00e9sie de \u00ab\u00a0big,data\u00a0\u00bb, consid\u00e9rant urgent d\u2019exploiter des masses de donn\u00e9es bient\u00f4t obsol\u00e8tes, pour en tirer des r\u00e8gles et des mod\u00e8les qui le seront aussi.<\/p>\n Notre conclusion sera celle de Judea Pearl, l\u2019inventeur des r\u00e9seaux bayesiens, qui affirme dans son livre r\u00e9cent The Book of Why\u00a0[12] : \u00ab\u00a0Les questions de causalit\u00e9 ne peuvent jamais \u00eatre d\u00e9cid\u00e9es par les donn\u00e9es seulement. Il nous faut d\u2019abord formuler un mod\u00e8le du processus g\u00e9n\u00e9rateur des donn\u00e9es\u00a0\u00bb.<\/p>\n <\/p>\n Mots-cl\u00e9s : bayesien – risque – Knight – incertitude – mesure<\/em><\/p>\n <\/p>\n [1]<\/sup><\/a> Voir la note de lecture de A. Charpentier dans https:\/\/variances.eu\/?p=6028<\/a><\/span><\/span>.<\/p>\n [1] – Basel Committee on Banking Supervision. Discussion Paper BCBS258 \u201cThe regulatory framework: balancing risk sensitivity, simplicity and comparability\u201d July 2013. https:\/\/www.bis.org\/publ\/bcbs258.pdf<\/a><\/span><\/span><\/p>\n [2] – ISO 31000:2018 Risk management \u2014 Guidelines. https:\/\/www.iso.org\/standard\/65694.html<\/a><\/span><\/span><\/p>\n [3] – Knight, Frank, D., Risk, Uncertainty and Profit, 1921 https:\/\/fraser.stlouisfed.org\/files\/docs\/publications\/books\/risk\/riskuncertaintyprofit.pdf<\/a><\/span><\/span><\/p>\n [4] – Bachelier, L. (1900), \u00ab\u00a0Th\u00e9orie de la sp\u00e9culation\u00a0\u00bb, Annales Scientifiques de l\u2019\u00c9cole Normale Sup\u00e9rieure.<\/p>\n [5] – Bayes, Thomas, An Essay Towards Solving a Problem in the Doctrine of Chances, 1763 https:\/\/royalsocietypublishing.org\/doi\/pdf\/10.1098\/rstl.1763.0053<\/a><\/span><\/span><\/p>\n [6] – Pearl, Judea Probabilistic Reasoning in Intelligent Systems\u00a0: Networks of Plausible Inference<\/em>, Morgan Kaufmann, 1988, 552 p.<\/p>\n [7] – Na\u00efm, Patrick ; Wuillemin, Pierre-Henri\u00a0; Leray, Philippe\u00a0; Pourret, Olivier\u00a0; Becker , Anna, R\u00e9seaux bayesiens<\/em>, Eyrolles, 2011, 3e \u00e9d., 424 p.<\/p>\n [8] – Cet exemple est repris du livre \u00ab\u00a0Risk Quantification\u00a0\u00bb, (Condamin, Louisot, Na\u00efm, Wiley 2006) \u00e9galement utilis\u00e9 dans la page fran\u00e7aise de Wikipedia sur les r\u00e9seaux bayesiens.<\/p>\n [9] – Cet exemple est repris du livre \u00ab\u00a0Risk Quantification\u00a0\u00bb, (Condamin, Louisot, Na\u00efm, Wiley 2006)<\/p>\n [10] – Condamin, Laurent; Marie, Cl\u00e9mentine; Na\u00efm, Patrick, A pilot project for peer benchmarking of operational risk scenarios<\/em>, Journal of Risk Management in Financial Institutions, Volume 11, Number 4, 2018.<\/p>\n [11] – IPCC \u2013 Sixth Assessment Report (2022) https:\/\/www.ipcc.ch\/assessment-report\/ar6\/<\/a><\/span><\/p>\n![\"\"](\"https:\/\/variances.eu\/wp-content\/uploads\/2022\/05\/r1.png\")
<\/p>\nM\u00e9thodes de mesure du risque<\/h3>\n
Les r\u00e9seaux bayesiens<\/h3>\n
Utilisation en gestion des risques<\/h3>\n
![\"\"](\"https:\/\/variances.eu\/wp-content\/uploads\/2022\/05\/r2.png\")
<\/p>\n![\"\"](\"https:\/\/variances.eu\/wp-content\/uploads\/2022\/05\/r3.png\")
<\/p>\nUtilisation en communication sur les risques<\/h3>\n
![\"\"](\"https:\/\/variances.eu\/wp-content\/uploads\/2022\/05\/r4.png\")
<\/p>\n![\"\"](\"https:\/\/variances.eu\/wp-content\/uploads\/2022\/05\/r5.png\")
<\/p>\n\n
Utilisation pour le benchmarking<\/h3>\n
![\"\"](\"https:\/\/variances.eu\/wp-content\/uploads\/2022\/05\/r6.png\")
<\/p>\n![\"\"](\"https:\/\/variances.eu\/wp-content\/uploads\/2022\/05\/r7.png\")
<\/p>\nConclusion<\/h3>\n
\nR\u00e9f\u00e9rences<\/h3>\n