La définition ou l'arbitrage des politiques publiques se fonde sur la réponse à la question générique suivante : que se passera-t-il, quel résultat obtiendra-t-on, si on réalise telles et/ou telles actions ?

3 différentes approches

Une première méthode est d'examiner si on dispose d'un retour d'expérience correspondant à la politique qu'on souhaite tester, par exemple dans un autre pays, ou d'une région à une autre. Il ne faut pas sous-estimer l'intérêt d'une telle comparaison – en terme scientifique on parle de l'état de l'art – mais il apparait souvent que si la comparaison permet de comprendre pourquoi une politique ne pourra pas réussir [i.e. les causes d'échec peuvent se transposer], elle ne suffit pas pour établir un plan de réussite [i.e. les recettes du succès ici ne se transposent pas toujours là, dans un contexte différent].

Une deuxième méthode est d'expérimenter, soit à pleine échelle, soit dans une expérience pilote. Ceci peut conduire à deux voire trois objections:
• celle de la pertinence : à supposer que l'expérience pilote soit favorable, est-ce que le passage à l'échelle restera fructueux ?
• celle de l'éthique: il faut que l'expérimentation soit réversible. En cas d'échec de la politique testée, il ne faut pas que les "séquelles" soient sans retour,
• enfin pour certains domaines, comme l'urbanisme, on s'inscrit dans le temps long. On ne peut pas attendre la conclusion d'une expérimentation sur 20 ou 30 ans pour définir une politique publique !

La troisième méthode est la simulation, et c'est bien sûr notre préconisation. Pour ce faire on construit un modèle permettant de rendre compte du comportement du système ou même éco-système que l'on veut appréhender, de façon à déduire les résultats des décisions, des politiques publiques étudiées : Modélisation – Simulation – Décision.

Il ne faut pas s'y tromper. Simuler est en soi une compétence, une expertise, qu'on peut rapprocher de l'informatique et des mathématiques appliquées. On ne peut correctement simuler de grands systèmes, quelle que soit la manière de qualifier leur taille qu'en maîtrisant différentes techniques avancées (algorithmes de résolution d'équations, calcul haute performance, visualisation...).

C'est la modélisation qui est le cœur du sujet, le levier pour réussir. On peut envisager différents types de modèles, tels les représentations d'agents, les équations physiques et/ou mathématiques, les modèles statistiques etc., à différentes échelles. Un enjeu est ensuite la reconstruction multi-échelles pour bien représenter puis simuler l'ensemble.

Notre expérience est que dans chaque domaine, au fil du temps, les spécialistes se concentrent sur un type donné de modélisation, et écartent de fait les autres. Si le résultat est probant, c'est satisfaisant. Une boutade habituelle est d'affirmer que le meilleur modèle est celui qui donne les meilleurs résultats ! Mais le revers est que face à des résultats peu probants, par exemple face à un changement de contexte, la discipline n'est plus en mesure de changer d'approche sans une irrigation par d'autres sources.

C'est pourquoi Kannon MSD a pour vocation, dans une logique de pluridisciplinarité ou de fertilisation entre domaines, de reprendre à leur base les approches de modélisation, simulation et décision pour les politiques publiques : économie, urbanisme, soutien aux développements technologiques, ...