Science des données, crédibilité et transmission de la politique monétaire
L’économie haïtienne est dominée par des forces externes.
\[ \pi_t \approx \pi_t^{import} + \theta \Delta e_t + \kappa x_t \]
Le problème monétaire n’est pas uniquement domestique.
La politique monétaire doit suivre en priorité :
\[ \left\{ e_t,\; R_t,\; Rem_t,\; \pi_t^{import} \right\} \]
Ces variables forment un système interdépendant.
La crédibilité détermine l’efficacité de la politique.
\[ E_t \pi_{t+1} = \omega_t \pi^* + (1-\omega_t)\tilde{\pi} \]
La politique monétaire agit d’abord via les anticipations.
La science des données transforme la décision.
\[ \hat D_{g,t} = f(P_{g,t}, C_{g,t}, Rem_{g,t}) \]
\[ Var(\hat D_t) \downarrow \Rightarrow erreurs de politique \downarrow \]
La qualité de la décision dépend de la qualité de la mesure.
La politique monétaire doit être pensée comme un système intégré.
\[ \pi_t = f(i_t,\; e_t,\; D_t,\; z_t^{ext},\; E_t\pi_{t+1}) \]
Chaîne opérationnelle :
\[ \text{Données} \rightarrow \text{Diagnostic} \rightarrow \text{Anticipations} \rightarrow \text{Décision} \]
Message final :
La performance monétaire dépend de quatre piliers :
\[ Performance_t = f(Credibility,\ Data,\ Transmission,\ External\ shocks) \]
La décision optimale n’est pas un choix isolé de taux, mais une coordination de ces dimensions.
La crédibilité désigne la capacité d’une banque centrale à faire coïncider les anticipations privées avec la trajectoire d’inflation qu’elle annonce. Le problème est intertemporel : l’engagement formulé aujourd’hui doit rester optimal demain.
\[ \min_{\{i_t\}_{t\ge 0}} \; \mathbb{E}_0 \sum_{t=0}^{\infty}\beta^t \mathcal{L}_t, \qquad \mathcal{L}_t = (\pi_t-\pi^*)^2 + \lambda x_t^2 \]
Ici, \(i_t\) est l’instrument monétaire, \(\pi_t\) l’inflation, \(\pi^*\) la cible et \(x_t\) l’écart de production. Toute la littérature part d’une question simple : comment rendre cette politique cohérente dans le temps ? (Kydland & Prescott, 1977)
La règle optimale calculée en \(t=0\) n’est pas nécessairement la règle que l’autorité voudra appliquer en \(t=1\), une fois les anticipations privées fixées.
\[ \{i_s^{0}\}_{s\ge 1} \neq \{i_s^{1}\}_{s\ge 1} \]
L’incohérence temporelle ne renvoie donc pas à un défaut de communication ; elle renvoie à une incitation structurelle à re-optimiser. La conclusion fondatrice est qu’une politique discrétionnaire peut être dominée par une règle crédible.
Barro et Gordon donnent au problème une forme monétaire canonique. La banque centrale souhaite stimuler l’activité au-delà de son niveau naturel, mais les agents anticipent cette incitation.
\[ L_t = \frac{1}{2}\left[\pi_t^2 + b(x_t-x^*)^2\right] \]
\[ x_t = \alpha(\pi_t-\pi_t^e), \qquad x^*>0 \]
Sous discrétion et anticipations rationnelles, l’équilibre vérifie
\[ \pi_t^D = b\alpha x^*, \qquad x_t^D = 0 \]
Il en résulte un biais inflationniste : l’inflation est positive à l’équilibre, sans gain durable d’activité. La crédibilité sert précisément à éliminer ou réduire ce biais (Barro & Gordon, 1983a, 1983b).
Dans un jeu répété, la réputation peut discipliner la discrétion. Avec Rogoff, la crédibilité devient aussi une question d’architecture institutionnelle : mandat, indépendance et préférences du banquier central.
\[ V^{respect} \ge V^{deviation} + \delta V^{punition} \]
\[ L_t^{CB} = \frac{1}{2}\left[(\pi_t-\pi^*)^2 + \lambda_c x_t^2\right], \qquad \lambda_c < \lambda_s \]
La première inégalité résume la logique réputationnelle ; la seconde formalise l’idée d’une banque centrale plus conservatrice que la société. Le gain est une inflation plus basse ; le coût potentiel est une moindre flexibilité face aux chocs (Barro & Gordon, 1983b; Rogoff, 1985).
Dans le cadre néokeynésien, la crédibilité agit avant tout par les anticipations. La politique monétaire ne déplace pas seulement le taux d’intérêt courant ; elle modifie la trajectoire anticipée des prix et de l’activité.
\[ x_t = E_t x_{t+1} - \sigma\left(i_t - E_t\pi_{t+1} - r_t^n\right) \]
\[ \pi_t = \beta E_t\pi_{t+1} + \kappa x_t + u_t \]
\[ i_t = r_t^n + \pi^* + \phi_\pi(\pi_t-\pi^*) + \phi_x x_t \]
Dans ce cadre, une banque centrale crédible est une banque centrale capable d’ancrer \(E_t\pi_{t+1}\) autour de \(\pi^*\) (Svensson, 1999; Clarida, Galí, & Gertler, 1999; Woodford, 2003).
La littérature récente abandonne l’hypothèse d’anticipations homogènes et parfaitement rationnelles. Les ménages, les firmes, les analystes et les marchés n’ancrent pas l’inflation de la même manière, ni au même horizon.
Écriture réduite de présentation :
\[ E_t^j \pi_{t+h} = \omega_{j,t}\pi^* + (1-\omega_{j,t})\tilde{\pi}_{t+h}^j, \qquad 0 \le \omega_{j,t} \le 1 \]
Plus \(\omega_{j,t}\) est faible, plus la crédibilité est limitée et plus les chocs inflationnistes deviennent persistants. Cette intuition résume les travaux sur l’ancrage des anticipations et sur l’inflation post-2020 (Bems, Caselli, Grigoli, & Gruss, 2021; Coibion & Gorodnichenko, 2025).
La crédibilité ne passe plus uniquement par les marchés financiers. Elle dépend aussi de la capacité de la banque centrale à être comprise par le grand public.
Écriture réduite de présentation :
\[ E_t^j \pi_{t+1} = E_{t-1}^j \pi_{t+1} + \gamma_j m_t \]
Le message \(m_t\) n’a pas le même effet selon les publics. Cette sensibilité varie avec la confiance, la clarté de la communication et la littératie économique. La communication devient donc un instrument de politique monétaire à part entière (Coibion, Gorodnichenko, & Weber, 2022; Blinder, Ehrmann, de Haan, & Jansen, 2024; Binder, 2025).
L’épisode post-Covid a montré qu’une règle simple de type Taylor n’épuise pas la question. Lorsque le choc inflationniste est en partie exogène, la banque centrale arbitre entre désinflation rapide, stabilisation de l’activité et préservation de son capital de crédibilité.
\[ \pi_t = \beta E_t\pi_{t+1} + \kappa x_t + u_t \]
\[ i_t = r_t^n + \pi^* + \phi_\pi(\pi_t-\pi_t^*) + \phi_x x_t + \nu_t \]
Le terme \(\nu_t\) résume ici l’écart entre une règle simple et la réponse effectivement jugée optimale. La littérature récente montre que cet écart peut être soutenable lorsque la réputation anti-inflationniste est forte ;
Pour les économies émergentes, la crédibilité ne dépend pas seulement du mandat légal. Elle dépend aussi de l’histoire inflationniste, de la cohérence avec la politique budgétaire et de la stabilité de la gouvernance monétaire.
\[ i_t = \bar{i} + \phi_\pi(\pi_t^e-\pi^*) + \phi_x x_t, \qquad \phi_\pi = \phi_\pi(H, I) \]
où \(H\) désigne l’héritage inflationniste et \(I\) le degré d’indépendance de la banque centrale. Plus \(H\) est élevé ou plus \(I\) est fragile, plus la réaction requise pour restaurer la crédibilité peut être forte (Jácome, Magud, Pienknagura, & Uribe, 2025; Bolhuis, Mano, & Thorell, 2026).
Pour la BRH, la littérature suggère que la crédibilité ne doit pas être comprise uniquement comme la capacité à annoncer une cible. Dans une petite économie ouverte, elle se joue aussi dans la cohérence entre politique monétaire, politique budgétaire, gestion du taux de change et communication institutionnelle.
\[ \pi_t = \beta E_t\pi_{t+1} + \kappa x_t + \eta \Delta e_t + u_t \]
Lorsque le pass-through du taux de change est élevé, la crédibilité monétaire devient encore plus décisive pour empêcher qu’un choc externe ne se transforme en inflation persistante.
Le mécanisme de transmission décrit la chaîne causale qui relie l’instrument de politique monétaire aux variables financières intermédiaires, puis à l’activité et à l’inflation.
\[ i_t \longrightarrow \left\{r_t,\;R_t^{(n)},\;L_t,\;q_t,\;e_t,\;E_t\pi_{t+1}\right\} \longrightarrow x_t \longrightarrow \pi_t \]
Ici, \(i_t\) est le taux directeur, \(r_t\) le taux réel pertinent, \(R_t^{(n)}\) les taux longs, \(L_t\) le crédit, \(q_t\) les prix d’actifs, \(e_t\) le taux de change, \(x_t\) l’écart de production et \(\pi_t\) l’inflation.
Une représentation compacte du mécanisme de transmission est fournie par le cadre néokeynésien.
\[ x_t = E_t x_{t+1} - \sigma\left(i_t - E_t\pi_{t+1} - r_t^n\right) \]
\[ \pi_t = \beta E_t\pi_{t+1} + \kappa x_t + u_t \]
La politique monétaire agit d’abord sur les taux réels et sur les anticipations, puis sur la demande agrégée, avant d’affecter l’inflation. Cette écriture permet de situer tous les canaux particuliers dans un même système analytique.
Le canal le plus classique passe par la substitution intertemporelle. Une hausse du taux directeur élève le coût réel du financement et reporte la consommation et l’investissement.
\[ r_t \approx i_t - E_t\pi_{t+1} \]
\[ C_t = E_t C_{t+1} - \sigma_c\left(i_t - E_t\pi_{t+1} - \rho_t\right) \qquad I_t = I\!\left(r_t^k - r_t\right), \quad \frac{\partial I_t}{\partial r_t}<0 \]
Le point décisif est que la banque centrale contrôle un taux nominal de court terme, alors que la dépense privée réagit au taux réel anticipé et au coût du capital.
La politique monétaire ne se transmet pas seulement par le taux courant. Une annonce crédible modifie la trajectoire attendue des taux futurs et, par là, les taux longs.
\[ R_t^{(n)} = \frac{1}{n}\sum_{j=0}^{n-1} E_t i_{t+j} + TP_t^{(n)} \]
\[ r_t^{(n)} = R_t^{(n)} - E_t \bar{\pi}_{t,t+n} \]
Le forward guidance agit précisément par ce canal. Sa puissance dépend de la crédibilité de la banque centrale et de la réaction du terme premium \(TP_t^{(n)}\).
Lorsque l’intermédiation bancaire est centrale, le resserrement monétaire peut réduire l’offre de prêts au-delà du simple effet de taux.
\[ L_t^s = \bar{L}_t - \psi \mu_t \]
\[ \mu_t = \mu(i_t, NW_t^b, \text{funding}_t), \qquad \frac{\partial \mu_t}{\partial i_t}>0, \quad \frac{\partial \mu_t}{\partial NW_t^b}<0 \]
Ici, \(\mu_t\) résume le coût marginal de financement et le resserrement des standards de prêt, tandis que \(NW_t^b\) désigne la richesse nette bancaire. Plus le bilan des banques est fragile, plus la transmission par le crédit est forte.
La politique monétaire agit aussi sur la richesse nette des emprunteurs et sur la prime de financement externe. C’est le cœur du broad credit channel.
\[ \text{EFP}_t = r_t^b - r_t = \phi\left(\frac{B_t}{NW_t}\right), \qquad \phi' > 0 \]
\[ I_t = I(q_t,-\text{EFP}_t), \qquad q_t = \frac{V_t}{K_t} \]
Lorsque la hausse des taux réduit la valeur des collatéraux et la richesse nette \(NW_t\), la prime de financement externe augmente. Le recul de l’investissement est alors amplifié.
Une littérature plus récente souligne qu’un resserrement monétaire n’est pas transmis mécaniquement. Il dépend de la concurrence bancaire, de la liquidité et de la vitesse d’ajustement des taux de dépôt.
\[ s_t^D = i_t - r_t^D, \qquad \frac{\partial s_t^D}{\partial i_t}>0 \]
\[ D_t = D(r_t^D - i_t), \qquad D' > 0, \qquad L_t = \ell D_t + NW_t^b \]
Si les banques ajustent lentement \(r_t^D\), l’écart \(s_t^D\) s’élargit, les dépôts sortent du système bancaire et la capacité de prêt se contracte.
La politique monétaire modifie la valorisation des actions, obligations et actifs immobiliers. Elle agit ainsi sur la richesse, le collatéral et le revenu disponible.
\[ W_t = P_t^e E_t + P_t^h H_t - B_t \]
\[ C_t = c_0 + c_1 W_t + c_2 Y_t^d \]
Dans les modèles hétérogènes, la transmission dépend aussi de la distribution des bilans. Une variation de taux redistribue entre emprunteurs et prêteurs ; l’effet agrégé dépend alors des propensions marginales à consommer des groupes concernés.
Dans une petite économie ouverte, le canal du change est souvent rapide. Si \(e_t\) désigne le prix de la devise étrangère en monnaie nationale, un resserrement monétaire tend, toutes choses égales par ailleurs, à réduire \(e_t\).
\[ i_t - i_t^* = E_t \Delta e_{t+1} + \rho_t \]
\[ \pi_t = \beta E_t\pi_{t+1} + \kappa x_t + \eta \Delta e_t + u_t \]
La désinflation passe alors par deux voies : le ralentissement de la demande intérieure et le pass-through du change vers les prix importés.
Les travaux récents montrent que la transmission est hétérogène dans le temps et entre pays. Elle tend à être plus forte lorsque le régime de change est plus flexible, le système financier plus développé et le cadre monétaire plus crédible.
Écriture réduite de présentation :
\[ y_{t+h}-y_{t-1} = \alpha_h + \beta_h \varepsilon_t^{MP} + \gamma_h(\omega \times \varepsilon_t^{MP}) + u_{t+h} \]
où \(\omega\) mesure le degré de dollarisation ou d’euroisation. Si \(\beta_h<0\) pour un choc de resserrement, un coefficient \(\gamma_h>0\) signifie qu’une plus forte dollarisation atténue l’effet contractionniste du taux directeur domestique.
Pour la BRH, la bonne lecture n’est pas de supposer que tous les canaux ont la même force. Dans une petite économie ouverte, le canal des anticipations et le canal du taux de change peuvent être plus rapides que le canal du crédit bancaire domestique.
\[ \frac{\partial \pi_t}{\partial i_t} = \underbrace{\frac{\partial \pi_t}{\partial x_t}\frac{\partial x_t}{\partial r_t}\frac{\partial r_t}{\partial i_t}}_{\text{taux d’intérêt}} + \underbrace{\frac{\partial \pi_t}{\partial x_t}\frac{\partial x_t}{\partial L_t}\frac{\partial L_t}{\partial i_t}}_{\text{crédit}} + \underbrace{\frac{\partial \pi_t}{\partial e_t}\frac{\partial e_t}{\partial i_t}}_{\text{change}} + \underbrace{\frac{\partial \pi_t}{\partial E_t\pi_{t+1}}\frac{\partial E_t\pi_{t+1}}{\partial i_t}}_{\text{anticipations}} \]
La conclusion substantielle est que l’efficacité de la politique monétaire dépend moins d’un canal unique que de la cohérence entre crédibilité, structure financière, ouverture externe et régime de change.
Une lecture purement agrégée de la demande peut masquer des contractions sévères dans certaines communes, quartiers ou zones de marché, compensées par des hausses ailleurs. La science des données permet de passer d’une mesure moyenne de la consommation à une surface spatio-temporelle de la demande locale.
\[ D_t = \sum_g \omega_g D_{g,t}, \qquad \Delta D_t = \sum_g \omega_g \Delta D_{g,t} \]
Si les \(\Delta D_{g,t}\) sont très hétérogènes, l’agrégat national peut paraître stable alors même que la géographie de la demande se transforme fortement.
À granularité fine, l’objet n’est plus seulement la consommation totale. Il devient possible d’estimer la demande par territoire, secteur, produit, format de vente et horizon temporel.
\[ D_{g,s,t} = \sum_{i \in \mathcal{I}(g,s,t)} p_{i,t} q_{i,t} \]
Ici, \(g\) désigne l’unité spatiale, \(s\) le secteur ou la catégorie de produits, et \(t\) la date. Cette écriture autorise des estimations au niveau du jour, de la commune, du quartier, du point de vente ou de la catégorie de biens.
Les données scanner et POS fournissent des prix, quantités et caractéristiques de produits totalement désagrégés à haute fréquence. Les transactions par carte, les données de mobilité, les prix en ligne, l’imagerie satellitaire, les luminosités nocturnes et certaines sources administratives complètent ce noyau et permettent d’observer simultanément achats, déplacements et environnement local (Dubois, Griffith, & O’Connell, 2022; Abramitzky, Boustan, & Storeygard, 2025).
\[ X_{g,t} = \left\{ \text{POS}_{g,t}, \text{cards}_{g,t}, \text{mobility}_{g,t}, \text{prices}_{g,t}, \text{ntl}_{g,t}, \text{admin}_{g,t} \right\} \]
Le point essentiel est que la demande locale devient observable au travers d’un ensemble de signaux complémentaires, aucun n’étant suffisant isolément.
Le premier gain concret est le nowcasting : produire une mesure presque en temps réel de la demande locale avant la publication des statistiques officielles.
Les travaux sur les cartes bancaires montrent que ces données améliorent la prévision du commerce de détail et de la consommation des ménages; les travaux sur les données GPS montrent qu’elles permettent de nowcaster avec précision les ventes des services et certaines activités intensives en travail (García, Pacce, Rodrigo, Ruiz de Aguirre, & Ulloa, 2021; Aastveit et al., 2024; Matsumura, Oh, Sugo, & Takahashi, 2024).
\[ \hat D_{g,t\mid t} = f_{\theta}\!\left(X_{g,t}^{HF}, Z_{g,t}\right) \]
\[ D_{g,t} = \alpha_g + \rho D_{g,t-1} + \beta'X_{g,t}^{HF} + \gamma'Z_{g,t} + \varepsilon_{g,t} \]
Ici, \(X_{g,t}^{HF}\) regroupe les signaux haute fréquence et \(Z_{g,t}\) les variables plus lentes ou plus structurelles.
La granularité très fine implique souvent des cellules creuses, des trous temporels et une forte volatilité. Les modèles hiérarchiques et spatio-temporels empruntent alors de l’information aux zones voisines et aux périodes adjacentes, ce qui permet d’estimer des séries locales robustes même lorsque le signal direct est incomplet.
\[ \log D_{g,t} = \mu_t + \alpha_g + \rho \log D_{g,t-1} + \lambda \sum_h w_{gh}\log D_{h,t-1} + \beta'X_{g,t} + \varepsilon_{g,t} \]
Le terme \(w_{gh}\) représente ici la proximité géographique ou fonctionnelle. Cette logique est centrale dès lors que l’on travaille au niveau de petites zones.
Dans les environnements pauvres en données, la fusion entre imagerie satellitaire, luminosité nocturne, bâti, routes et densité de population permet d’estimer des proxys spatiaux de demande ou d’activité locale.
Des travaux récents montrent qu’il est possible de produire des estimations fines du PIB local, d’améliorer le nowcast de la croissance avec les nightlights, et, pour Haïti, d’estimer et de projeter des indicateurs sociaux à l’échelle communale à partir d’images satellitaires et de données mobiles (Rossi-Hansberg & Zhang, 2025; Fotopoulou, Maduako, Sbrancia, & Srivastava, 2026; Pokhriyal, Zambrano, Linares, & Hernández, 2020).
\[ \hat D_{g,t} = m_{\theta}\!\left( \text{imagery}_{g,t}, \text{ntl}_{g,t}, \text{roads}_{g}, \text{buildings}_{g}, \text{population}_{g} \right) \]
Cette stratégie est particulièrement pertinente pour les petites économies et les territoires où les enquêtes sont coûteuses, tardives ou incomplètes.
La science des données permet aussi d’identifier les bassins de consommation, c’est-à-dire les zones d’origine de la demande qui alimentent un marché, un centre commercial ou une rue commerçante.
En combinant cartes de paiement et données de localisation, on peut mesurer la dépense locale, suivre ses effets de débordement, et montrer que certains multiplicateurs sont très localisés et décroissent rapidement dans l’espace (Klopack & Luco, 2025).
\[ P(i \rightarrow j \mid t) = \frac{\exp(U_{ij,t})}{\sum_k \exp(U_{ik,t})} \]
\[ D_{j,t} = \sum_i P(i \rightarrow j \mid t)\,E_{i,t} \]
Cette logique permet de reconstruire des aires de marché effectives plutôt que d’imposer mécaniquement des frontières administratives.
Pour les économies où une partie substantielle de l’activité commerciale est informelle, l’imagerie satellitaire permet de détecter des marchés sans base administrative préalable et d’en suivre l’activité à fréquence hebdomadaire.
Les résultats de von Carnap et al. montrent que l’activité observée suit les calendriers agricoles locaux et réagit aux chocs climatiques et aux conflits; pour les small island developing states, les nightlights apparaissent en outre comme un proxy empirique pertinent de l’activité économique (von Carnap, Asiyabi, Dingus, & Tompsett, 2026; Fontaine, Hermet, & Lucic, 2025).
\[ M_{g,t} = h_{\theta}\!\left(\text{satellite pixels}_{g,t}\right) \]
Dans ce cadre, \(M_{g,t}\) ne mesure pas directement toutes les transactions, mais un signal d’intensité commerciale locale, souvent très informatif là où les données formelles sont absentes.
À partir des données scanner et POS, la demande n’est plus estimée seulement au niveau agrégé. Il devient possible d’estimer des élasticités locales par produit, marque, format de magasin ou territoire.
Les développements récents permettent en outre de traiter des jeux de données très grands, des produits à ventes nulles et des chocs de demande épars, ce qui rapproche fortement l’estimation structurelle de l’usage opérationnel (Dubois et al., 2022; Gandhi, Lu, & Shi, 2023; Lu & Shimizu, 2025; Todoroki & Otaka, 2026).
\[ \log Q_{jgt} = \alpha_{jg} + \beta_{jg}\log P_{jgt} + \gamma'Z_{g,t} + \delta_t + u_{jgt} \]
\[ \beta_{jg} = z_{jg}'\theta + \nu_{jg} \]
L’élasticité-prix n’est donc plus supposée uniforme ; elle devient elle-même un objet empirique localisé.
La haute fréquence et la forte granularité permettent de détecter rapidement des ruptures locales de demande, puis d’en estimer les effets de manière hétérogène. Cela vaut pour des chocs de transport, de sécurité, de météo, de revenu ou pour des interventions publiques ciblées.
\[ a_{g,t} = \mathbf{1}\left\{ \left| \hat{\varepsilon}_{g,t} \right| > c_g \right\} \]
\[ \tau(x) = \mathbb{E}[Y(1)-Y(0)\mid X=x] \]
La première expression résume une logique de détection d’anomalies; la seconde résume l’estimation d’effets hétérogènes. En pratique, la science des données ne sert donc pas seulement à prévoir, mais aussi à attribuer et à comparer.
Pour la BRH, l’enjeu serait la construction d’un observatoire territorial de la demande permettant d’observer, presque en temps réel, où la consommation ralentit, où elle se déplace, et dans quels secteurs les tensions sont les plus marquées.
Dans une petite économie ouverte, cela aiderait à distinguer les phénomènes véritablement agrégés des ruptures localisées, et à mieux articuler analyse monétaire, suivi des prix et lecture territoriale des chocs.
\[ \hat D_t^{nat} = \sum_g \omega_g \hat D_{g,t} \qquad \text{Gap}_{g,t} = \hat D_{g,t} - \hat D_t^{nat} \]
L’agrégat national resterait indispensable, mais il serait désormais décomposable en écarts locaux observables.
La promesse de ces approches n’est réelle que si quatre conditions sont respectées : représentativité, recalage sur les statistiques officielles, stabilité des séries dans le temps et protection de la confidentialité.
La littérature récente insiste sur le fait que les données de cartes peuvent être biaisées si elles proviennent d’une seule source, et que l’intégration multi-sources ainsi que les technologies préservant la vie privée améliorent fortement la qualité du signal et la faisabilité institutionnelle (Mallatt, 2025; Chetty, Friedman, Stepner, & Opportunity Insights Team, 2024; BIS, 2025).
\[ \tilde D_{g,t} = \sum_{i\in g} w_i y_{i,t}, \qquad w_i = \frac{\Pr(\text{population stratum } s)}{\Pr(\text{sample stratum } s)} \]
Sans correction de couverture, sans validation externe et sans gouvernance des données, la granularité apparente peut produire une précision trompeuse.
La science des données ne remplace pas les statistiques publiques ; elle les prolonge.
Son apport majeur est de transformer une mesure tardive et agrégée de la demande en un système d’observation quasi temps réel, spatialement désagrégé, capable de détecter les chocs, d’estimer les élasticités locales, de reconstruire les zones de marché et d’éclairer des diagnostics territoriaux beaucoup plus fins.
La BRH dispose déjà d’une architecture de données plus riche qu’il n’y paraît. Elle opère ou encadre une infrastructure de paiement modernisée autour du PRONAP et du SPIH, supervise les fournisseurs de services de paiement électronique, publie quotidiennement des informations sur le marché des changes, suit mensuellement les transferts privés internationaux, administre le Bureau d’Information sur le Crédit, et met à disposition une cartographie des points de services financiers. Trois FSP figurent actuellement sur la page de supervision de la BRH : HaitiPay, NatCash et MAGO.
\[ X^{BRH}_{g,t}={ P^{pay}*{g,t}, C^{credit}*{g,t}, R^{remit}*{g,t}, F^{fx}*{t}, A_{g}, S_{g}} \]
où (g) peut désigner, selon le degré de normalisation des adresses et des identifiants, un département, une commune, une zone de marché, voire un corridor commercial.
L’option la plus réaliste à court terme consiste à estimer un indice local de demande combinant paiements, crédit, transferts et accessibilité financière. Cette stratégie est particulièrement adaptée à Haïti, car la BRH dispose déjà d’un rapport mensuel indiquant le nombre de transferts privés internationaux, ainsi que d’une étude montrant que ces opérations sont enregistrées dans tous les départements du pays. Par ailleurs, le BIC reçoit la totalité du portefeuille de crédit de ses déclarants sur une base mensuelle, et la note monétaire de la BRH publie déjà une répartition régionale du crédit, avec une très forte concentration sur l’Ouest.
\[ \widehat{D}_{g,t\mid t} = \alpha_g + \beta_1 P^{pay}*{g,t} + \beta_2 R^{remit}*{g,t} + \beta_3 C^{credit}*{g,t} + \beta_4 A_g + u*{g,t} \]
L’idée n’est pas de mesurer parfaitement la consommation finale, mais d’obtenir un signal local cohérent, rapide et révisable.
Le niveau départemental est immédiatement crédible. Le niveau communal devient plausible dès lors que les points de service sont normalisés et géocodés. La circulaire 114-3 encadrant les banques et maisons de transfert exige que le reçu comporte notamment le montant, la monnaie de paiement, le taux de change, le nom de l’institution et l’adresse du point de service ayant effectué l’opération ; le moteur de recherche de la BRH indique aussi que les banques et maisons de transfert doivent établir, pour chaque sous-agent, une capacité journalière de paiement des transferts.
Cette information administrative est précisément le type de socle nécessaire pour passer du simple volume national à une mesure localisée.
\[ g_i = G(\text{adresse}*i), \qquad R^{remit}*{g,t} = \sum_{i:, g_i=g} R_{i,t} \]
La science des données, ici, commence moins par des modèles sophistiqués que par un travail rigoureux de normalisation spatiale.
La BRH et le MEF disposent d’une base d’étalonnage précieuse avec l’enquête FinScope MPME Haïti 2023. Le document précise qu’elle repose sur un échantillon de 5 310 propriétaires ou dirigeants d’entreprises et qu’elle est représentative au niveau national, régional et urbain-rural.
Les résultats montrent surtout pourquoi les traces numériques doivent être corrigées avant toute interprétation macro-territoriale : 89 % des entreprises ne sont pas enregistrées, 14 % seulement sont bancarisées, et 99 % dépendent du cash.
\[ D^{corr}_{g,t} = \frac{\widehat{D}^{digital}_{g,t}}{\pi_g} \]
où (_g) désigne le taux de couverture formelle ou numérique du territoire (g). Plus (_g) est faible, plus la correction d’échantillonnage devient substantielle.
Avec ce socle, la BRH peut viser un tableau de bord de demande locale par département, puis par commune lorsque les identifiants territoriaux sont stabilisés. Le premier usage consisterait à suivre les écarts relatifs entre territoires plutôt qu’à prétendre mesurer instantanément un niveau absolu.
Le second usage serait la détection précoce des ruptures locales de demande, qu’elles proviennent d’un choc sécuritaire, logistique, climatique ou migratoire.
\[ Gap_{g,t} = \widehat{D}^{corr}_{g,t} - \sum_h \omega_h \widehat{D}^{corr}_{h,t} \]
Cette logique de surveillance relative est souvent plus robuste, dans un premier temps, qu’une tentative d’estimation exhaustive de la consommation locale.
Le saut qualitatif suivant suppose des partenariats de données.
Les priorités les plus naturelles sont les opérateurs télécoms, les acquéreurs et PSP, la DGI, l’Administration des douanes, le Trésor, les programmes sociaux, ainsi que certaines sources géospatiales.
Le contexte haïtien rend cette stratégie à la fois prometteuse et sélective : la Banque mondiale note qu’Haïti compte deux opérateurs mobiles et deux principaux fournisseurs d’accès internet ; entre 80 % et 90 % de 1 700 sites publics géolocalisés étaient déjà couverts par les réseaux 3G ou 4G, mais environ 17 % de la population vit encore hors couverture télécom.
Dans le même temps, le projet PAGeFIS a mis en place un IFMIS interopérable avec la BRH, la douane, le Trésor public et l’administration fiscale.
\[ y^{(k)}_{g,t} = \lambda_k D^{*}*{g,t} + \varepsilon^{(k)}*{g,t}, \qquad k \in { \text{télécom}, \text{paiements}, \text{fiscal}, \text{douanes}, \text{satellite} } \]
Chaque source (k) n’observe qu’une projection partielle de la demande locale latente (D^{*}_{g,t}). L’enjeu n’est donc pas de choisir une source unique, mais de les fusionner.
Une architecture multi-sources permettrait à la BRH de distinguer plusieurs dimensions de la demande locale : consommation financée par transferts, demande marchande formelle, contrainte de liquidité, accès effectif aux services financiers, et exposition aux perturbations de connectivité.
En pratique, la méthode la plus robuste serait un modèle hiérarchique ou de type espace d’état, où les séries officielles lentes servent d’ancrage et les signaux haute fréquence servent d’actualisation.
\[ D^{*}_{g,t} = \rho D^{*}*{g,t-1} + \gamma' X^{HF}*{g,t} + \eta_g + \nu_{g,t} \]
\[ \sum_g \omega_g D^{*}*{g,t} \approx D^{nat}*{t} \]
La contrainte d’agrégation est décisive : les estimations locales doivent rester cohérentes avec les agrégats macroéconomiques nationaux.
Le principal risque méthodologique, en Haïti, est de confondre trace numérique et demande totale. La BRH rappelle, en s’appuyant sur Global Findex 2021, qu’environ 27 % seulement des adultes disposaient d’un compte financier formel ou d’un compte de monnaie mobile.
La dernière enquête nationale représentative citée par la Banque mondiale montrait en outre de fortes fractures : 48 % d’accès en zone urbaine contre 15 % en zone rurale, et 24,3 % pour les hommes contre 18,5 % pour les femmes.
L’expérience PSARA va dans le même sens : en avril 2023, 57 % des bénéficiaires recevaient leur paiement via MonCash, mais presque tous encaissaient immédiatement l’intégralité du transfert.
\[ y^{digital}_{g,t} = \pi_{g,t} D^{*}*{g,t} + u*{g,t} \]
Lorsque \(\pi_{g,t}\) est faible ou très hétérogène, la donnée numérique est un échantillon partiel de la demande, non la demande elle-même.
Les contraintes ne sont pas uniquement statistiques. Le FMI note que les données financières et de digitalisation, y compris ventilées par genre, pourraient être plus opportunes, et que la dernière observation FAS disponible pour Haïti était alors 2020 ; le même rapport indique que l’amélioration de la rapidité de publication a été perturbée par l’incident de cyberattaque informatique subi par la banque centrale en juin 2024.
De son côté, la Banque mondiale soulignait déjà des lacunes importantes en matière de cybersécurité, de protection des données personnelles et de protocoles de partage de données.
Cela étant, la trajectoire institutionnelle s’améliore : la Banque mondiale signale désormais l’existence d’une évaluation de maturité cyber, d’un cloud privé dédié, d’un Cybersecurity Operations Center, ainsi que d’actions de formation en données et statistiques ; la BRH affirme en outre former ses cadres à l’IA et explorer ses usages pour la supervision bancaire, les paiements et l’inclusion financière.
\[ \mathcal{Q}_{data} = f(\text{couverture},\text{timeliness},\text{sécurité},\text{interopérabilité},\text{gouvernance}) \]
Autrement dit, la qualité d’un dispositif de science des données est une fonction institutionnelle autant que technique.
À horizon immédiat, la priorité serait de constituer un entrepôt statistique unifié reliant BIC, paiements, transferts, taux de change, cartographie des points de service et résultats d’enquêtes.
À horizon intermédiaire, il faudrait négocier des protocoles de partage avec télécoms, DGI, douanes, Trésor et opérateurs de paiement, puis stabiliser un référentiel commun des localisations, des catégories marchandes et des identifiants d’agents.
La condition transversale est simple : aucune granularité fine ne doit être produite sans anonymisation, sans agrégation minimale, et sans recalage systématique sur les statistiques officielles.
\[ \widehat{D}^{final}_{g,t} = \mathcal{A} \left( \widehat{D}^{BRH}*{g,t}, \widehat{D}^{partners}*{g,t}, \widehat{D}^{survey}_{g,t} \right) \]
où \(\mathcal{A}(\cdot)\) désigne une procédure d’agrégation sécurisée, documentée et révisable.
Pour la BRH, l’objectif pertinent n’est pas d’obtenir immédiatement une mesure parfaite, quotidienne et exhaustive de la consommation de chaque quartier. L’objectif pertinent est d’installer, par étapes, un système de mesure locale crédible de la demande, d’abord départemental puis communal, fondé sur des données déjà détenues ou régulées par la Banque, ensuite enrichi par des partenariats, et enfin corrigé pour ses biais de couverture.
C’est précisément dans cet espace — entre traces administratives, paiements, crédit, transferts et calibration statistique — que la science des données peut produire le plus de valeur pour l’analyse monétaire et territoriale en Haïti.
Pour la BRH, le noyau méthodologique le plus défendable repose sur un enchaînement précis : prétraitement et fusion de sources, nowcasting mixte, extraction d’états latents, estimation locale avec emprunt d’information, détection d’anomalies, puis validation par backtesting et suivi des révisions.
Le modèle à facteurs dynamiques reste la plateforme canonique de nowcasting pour des séries nombreuses et asynchrones ; l’IMF montre en outre qu’une petite banque centrale comme celle de Samoa peut opérationnaliser Bridge, MIDAS et U-MIDAS à partir de données telles que transferts, enquêtes agricoles et variables financières ; et l’IMF souligne aussi que, lorsque le nombre de séries devient élevé, la sélection de variables, la régularisation et la réduction dimensionnelle deviennent des questions centrales.
Pour la très fine granularité, il est prudent de combiner des modèles hiérarchiques et spatiaux avec de la fusion multi-sources. Les travaux de la BEA insistent sur le fait que les données de dépenses en temps réel gagnent en robustesse lorsqu’elles intègrent plusieurs sources plutôt qu’un seul fournisseur, tandis que des travaux récents montrent que l’imagerie satellitaire et le random forest peuvent améliorer les estimations locales ou les nowcasts dans des environnements pauvres en données.
La BIS documente par ailleurs que les banques centrales utilisent déjà l’IA et le machine learning pour les statistiques, la recherche, la politique et la surveillance, y compris pour la détection d’anomalies dans les systèmes de paiement et les réseaux de change.
Dans le cas haïtien, cette stratégie est cohérente avec l’infrastructure existante de la BRH, notamment PRONAP, le BIC et les données de transferts, mais elle doit être conçue en tenant compte d’un grand secteur informel reposant fortement sur les remittances et d’une couverture télécom encore incomplète.
La demande locale pertinente pour l’analyse monétaire est une variable latente. Les paiements, le crédit, les transferts, les prix, les flux de change ou l’imagerie ne sont que des mesures partielles, bruyantes et hétérogènes de cette variable sous-jacente.
\[ y_{g,t}^{(k)}=\alpha_k+\lambda_k D_{g,t}^{*}+\beta_k'X_{g,t}+\varepsilon_{g,t}^{(k)} \]
\[ D_{g,t}^{*}=\rho D_{g,t-1}^{*}+\eta_{g,t} \]
Dans cette écriture, \(D_{g,t}^{*}\) est la demande locale latente dans la zone \(g\) à la date \(t\), et \(y_{g,t}^{(k)}\) représente la \(k\)-ième trace observable.
Pour la BRH, un premier noyau de travail peut être représenté de manière compacte comme suit :
\[ X_{g,t}^{BRH} = \left\{ P^{PRONAP}_{g,t}, C^{BIC}_{g,t}, R^{transferts}_{g,t}, FX_t, A_g \right\} \]
où \(P^{PRONAP}_{g,t}\) désigne les flux de paiement, \(C^{BIC}_{g,t}\) les signaux de crédit, \(R^{transferts}_{g,t}\) les flux de transferts, \(FX_t\) les variables de change, et \(A_g\) les caractéristiques d’accessibilité financière du territoire.
À granularité fine, l’essentiel commence par l’harmonisation. Il faut déflater les montants, corriger les effets calendaires, stabiliser la variance, géocoder les observations et normaliser les unités territoriales.
\[ y_{g,t}^{real}=\frac{y_{g,t}^{nom}}{P_{t}} \]
\[ \tilde y_{g,t}^{(k)}=\log\!\left(1+y_{g,t}^{real}\right)-\hat s_{dow(t)}-\hat s_{m(t)} \]
\[ z_{g,t}^{(k)}=\frac{\tilde y_{g,t}^{(k)}-\mu_k}{\sigma_k} \]
Sans ce travail, l’algorithme apprend trop souvent les jours de la semaine, les ruptures de format ou les doublons, plutôt que la demande.
Le premier usage opérationnel est le nowcasting, c’est-à-dire l’estimation en temps quasi réel d’un indicateur non encore publié ou incomplet. Deux familles de modèles sont généralement les plus utiles au démarrage : les régressions de type Bridge et les modèles MIDAS.
\[ Y_t=\alpha+\sum_{j=1}^{p}\phi_j Y_{t-j}+\sum_{k}\beta_k \bar x_{k,t}^{(m)}+u_t \]
\[ Y_t=\alpha+\sum_{j=1}^{p}\phi_j Y_{t-j}+\sum_{h=0}^{H} b(h;\theta)x_{t-h/m}+u_t \]
La première équation résume l’idée Bridge ; la seconde, l’idée MIDAS. Elles sont particulièrement utiles lorsque la cible est mensuelle ou trimestrielle alors que les signaux sont quotidiens ou hebdomadaires.
Dès que le nombre de séries devient important et que les publications sont asynchrones, le cadre état-espace devient le cœur du dispositif. Il permet d’absorber les données manquantes, les “ragged edges” et les révisions.
\[ f_t=A f_{t-1}+u_t \]
\[ y_t=\Lambda f_t + B z_t + e_t \]
\[ \hat f_{t|t}=\hat f_{t|t-1}+K_t\left(y_t-\Lambda \hat f_{t|t-1}\right) \]
Ici, \(f_t\) résume l’état latent de l’économie locale ou nationale, et le filtre de Kalman actualise cet état au fur et à mesure de l’arrivée des nouvelles données.
La forme la plus simple d’indicateur opérationnel est un indice synthétique de demande locale. Il peut être construit soit par pondération économique supervisée, soit par réduction dimensionnelle.
\[ I_{g,t}=\sum_{k=1}^{K} w_k z_{g,t}^{(k)} \]
\[ I_{g,t}^{PCA}=\hat v_1' z_{g,t} \]
Une pondération supervisée peut être reliée à un benchmark macroéconomique :
\[ w_k \propto \operatorname{Cov}\!\left(z_{g,t}^{(k)},Y_t^{benchmark}\right) \]
Le choix entre ces deux familles dépend de l’objectif : interprétabilité économique dans le premier cas, compression statistique dans le second.
Un indicateur local n’est utile à une banque centrale que s’il reste cohérent avec l’agrégation macroéconomique. Il faut donc imposer une contrainte de cohérence verticale.
\[ I_t^{nat}=\sum_g \omega_g I_{g,t} \]
\[ Gap_{g,t}=I_{g,t}-I_t^{nat} \]
La variable \(Gap_{g,t}\) devient alors une mesure directement lisible des surperformances ou sous-performances locales par rapport à la dynamique agrégée.
Lorsque les données deviennent trop clairsemées au niveau communal ou infra-communal, l’estimation directe devient instable. Il faut alors emprunter de l’information aux autres zones et aux covariables, par des modèles hiérarchiques de type small area estimation.
\[ \hat\theta_{g,t}^{dir}=x_{g,t}'\beta + u_g + e_{g,t}, \qquad u_g \sim \mathcal{N}(0,\sigma_u^2), \quad e_{g,t}\sim \mathcal{N}(0,\psi_{g,t}) \]
\[ \hat\theta_{g,t}^{EBLUP} = \gamma_{g,t}\hat\theta_{g,t}^{dir} + (1-\gamma_{g,t})x_{g,t}'\hat\beta \]
\[ \gamma_{g,t}=\frac{\sigma_u^2}{\sigma_u^2+\psi_{g,t}} \]
Plus \(\psi_{g,t}\) est grande, plus l’estimateur local direct est bruyant, et plus le modèle doit “shrink” l’estimation vers la moyenne structurelle.
La granularité territoriale exige aussi d’intégrer explicitement la dépendance spatiale. Une zone voisine informe souvent davantage qu’une moyenne nationale indifférenciée.
\[ u_g=\rho\sum_h w_{gh}u_h+\nu_g \]
\[ D_{g,t}^{*} = \alpha+\beta'X_{g,t}+\rho\sum_h w_{gh}D_{h,t-1}^{*}+\nu_{g,t} \]
Le terme \(w_{gh}\) encode ici la proximité géographique, commerciale ou de mobilité. Cette extension est particulièrement utile lorsque l’on veut cartographier des corridors de demande ou des bassins de consommation.
Dans les zones où les traces formelles sont partielles, la meilleure stratégie consiste à compléter le noyau BRH par des variables auxiliaires, puis à utiliser des modèles flexibles comme le random forest ou le gradient boosting.
\[ \hat D_{g,t}^{ML} = f_{\theta} \left( P_{g,t}, C_{g,t}, R_{g,t}, NTL_{g,t}, Mob_{g,t}, Roads_g, Pop_g \right) \]
\[ \hat D_{g,t}^{final} = \omega_t \hat D_{g,t}^{state} + (1-\omega_t)\hat D_{g,t}^{ML} \]
L’idée n’est pas de remplacer le cadre économétrique, mais de laisser l’apprentissage statistique capter les non-linéarités et les interactions que les modèles plus structurés saisissent mal.
Une banque centrale n’a pas seulement besoin d’un indicateur moyen ; elle a besoin d’un système d’alerte. La détection d’anomalies sert à repérer les ruptures locales de demande, les comportements atypiques d’agents de paiement, ou les incidents opérationnels.
\[ s_{i,t}=a(x_{i,t}), \qquad A_{i,t}=\mathbf{1}\left\{s_{i,t}>c\right\} \]
\[ \hat p_{i,t}=\Pr(A_{i,t}=1\mid x_{i,t}) \]
Pour les ruptures de trajectoire, une écriture simple est la suivante :
\[ \tau=\arg\max_t \left|\bar y_{1:t}-\bar y_{t+1:T}\right| \]
Le score \(s_{i,t}\) mesure ici l’étrangeté statistique d’une observation ou d’un point de service.
Une fois les indicateurs construits, il faut pouvoir attribuer des effets. Pour une fermeture de route, un choc sécuritaire, un transfert public ou une panne de paiement, les cadres de base sont la différence-en-différences, l’event study, puis les méthodes d’effets hétérogènes.
\[ Y_{g,t} = \alpha_g+\delta_t+\beta T_{g,t}+\gamma'X_{g,t}+\varepsilon_{g,t} \]
\[ Y = m(X) + \tau(X)T + \varepsilon \]
La première écriture capture l’effet moyen d’un traitement \(T_{g,t}\). La seconde fait apparaître un effet hétérogène \(\tau(X)\), variable selon les caractéristiques locales.
Aucune banque centrale ne devrait s’en remettre à un modèle unique. L’indicateur opérationnel final doit résulter d’une combinaison de modèles, régulièrement évaluée par backtesting.
\[ RMSE= \sqrt{\frac{1}{T}\sum_{t=1}^{T}(\hat y_t-y_t)^2} \]
\[ MAPE= \frac{100}{T}\sum_{t=1}^{T}\left|\frac{\hat y_t-y_t}{y_t}\right| \]
\[ \hat D_{g,t|t}^{ens} = \sum_{m=1}^{M}\omega_{m,t}\hat D_{g,t|t}^{(m)}, \qquad \omega_{m,t}\propto RMSE_{m,t}^{-1} \]
\[ Revision_{g,t}=D_{g,t}^{final}-\hat D_{g,t|t} \]
Le suivi systématique des révisions est indispensable, car il mesure la vraie qualité opérationnelle du dispositif, et non sa seule performance in-sample.
Le noyau recommandé pour la BRH est séquentiel. Un premier étage Bridge/MIDAS produit un signal rapide. Un deuxième étage état-espace consolide l’information hétérogène. Un troisième étage small area estimation spatial descend au niveau communal. Un quatrième étage de détection d’anomalies alimente la surveillance. Un cinquième étage causal sert aux évaluations ad hoc.
\[ \text{Stack}_{BRH} = \underbrace{\text{Bridge/MIDAS}}_{\text{signal rapide}} + \underbrace{\text{État-espace}}_{\text{cohérence}} + \underbrace{\text{SAE spatial}}_{\text{granularité}} + \underbrace{\text{Alertes}}_{\text{surveillance}} + \underbrace{\text{Causal ML}}_{\text{évaluation}} \]
Le produit final peut être résumé ainsi :
\[ Output_{g,t} = \left\{ \hat D_{g,t}, Gap_{g,t}, A_{g,t}, CI_{g,t} \right\} \]
La science des données est utile à la BRH lorsqu’elle transforme des traces hétérogènes en indicateurs révisables, cohérents et territorialement lisibles. La bonne architecture n’est ni purement économétrique, ni purement algorithmique. Elle combine des modèles mixtes de nowcasting, des états latents, du shrinkage spatial, de la fusion multi-sources et un système d’alerte.
Pour une petite économie ouverte, le contexte international n’est pas un décor. Il entre directement dans l’inflation, le taux de change, la liquidité en devises, le coût du financement et la demande intérieure via les transferts privés.
\[ \pi_t = \beta E_t\pi_{t+1} + \kappa x_t + \eta \Delta e_t + \phi_o \Delta p_t^{oil,*} + \phi_f \Delta p_t^{food,*} + u_t \]
La bonne lecture n’est donc pas de demander seulement si la croissance mondiale accélère ou ralentit, mais par quels canaux externes un choc mondial se transmet à l’économie haïtienne.
Au 8 avril 2026, le WEO d’avril du FMI n’est pas encore publié ; le dernier cadrage complet du FMI reste celui de janvier 2026. Ce scénario projetait 3,3 % de croissance mondiale en 2026 et 3,2 % en 2027, avec une inflation mondiale de 3,8 % puis 3,4 %. L’OCDE, dans son rapport intérimaire du 26 mars 2026, déjà plus proche du choc énergétique récent, situe la croissance mondiale à 2,9 % en 2026 et 3,0 % en 2027, avec une inflation du G20 à 4,0 % en 2026.
Les chiffres ne coïncident donc pas exactement selon les institutions, mais le diagnostic converge : croissance positive, plus fragile, et inflation moins docile.
\[ y_t^{*} = y_t^{base} + \varepsilon_t^{energy} + \varepsilon_t^{trade} + \varepsilon_t^{geo} \]
Cette écriture rappelle qu’en 2026 le contexte mondial doit être pensé en scénarios plutôt qu’en trajectoire unique.
Le scénario international n’est pas celui d’un effondrement global, mais celui d’un environnement moins porteur qu’attendu au début de l’année. La croissance mondiale demeure positive, mais le soutien externe potentiel pour les petites économies ouvertes est plus limité, plus incertain et plus sensible à l’énergie, au commerce et à la finance.
\[ X_t = \chi_0 + \chi_1 Y_t^{*} - \chi_2 q_t - \chi_3 \tau_t \]
où \(Y_t^{*}\) représente la demande mondiale pertinente, \(q_t\) le taux de change réel, et \(\tau_t\) un terme résumant frictions commerciales, coûts logistiques et incertitude géopolitique. Quand \(Y_t^{*}\) ralentit ou que \(\tau_t\) augmente, la contribution externe à l’activité intérieure s’affaiblit.
Le changement décisif de ces dernières semaines concerne le couple énergie-alimentation. Le Brent a atteint en moyenne 103 dollars le baril en mars 2026, et le scénario central de l’EIA envisage un pic autour de 115 dollars au deuxième trimestre avant détente progressive. Dans le même temps, l’indice FAO des prix alimentaires a atteint 128,5 en mars, soit une hausse mensuelle de 2,4 %, avec une hausse de 1,5 % pour les céréales et de 4,3 % pour le blé.
Pour une économie importatrice nette, cette configuration réactive immédiatement le risque d’inflation importée.
\[ \pi_t^{imp} = \theta_o \Delta p_t^{oil,*} + \theta_f \Delta p_t^{food,*} + \theta_u \Delta p_t^{fert,*} + \theta_e \Delta e_t \]
La transmission n’est ni instantanée ni complète, mais elle est d’autant plus forte que le pass-through du taux de change est élevé et que les produits importés occupent une place importante dans le panier de consommation.
Le commerce mondial ralentit. L’OMC anticipe une progression du volume du commerce mondial de marchandises de 1,9 % en 2026, après 4,6 % en 2025, tandis que les services ralentiraient à 4,8 % après 5,3 %. Le point important, pour la BRH, est que même sans récession mondiale, une économie ouverte peut subir un choc réel via la hausse des coûts commerciaux, les détours logistiques, l’assurance maritime et l’incertitude.
\[ M_t = m(Y_t, q_t, c_t^{ship}, \tau_t), \qquad \frac{\partial M_t}{\partial c_t^{ship}} < 0, \qquad \frac{\partial M_t}{\partial \tau_t} < 0 \]
Ici, \(c_t^{ship}\) résume les coûts d’acheminement et \(\tau_t\) les frictions commerciales. Pour Haïti, cette dimension agit à la fois sur les prix et sur la disponibilité des intrants.
Le contexte monétaire international est moins restrictif qu’au pic du cycle de resserrement, mais il n’est pas redevenu accommodant. La Réserve fédérale a maintenu en mars 2026 son taux directeur dans une fourchette de 3,50 à 3,75 %, et la BCE a laissé inchangée sa facilité de dépôt à 2,00 %.
Les grandes banques centrales restent donc prudentes, ce qui entretient des coûts de financement réels encore élevés dans les économies émergentes et en développement.
\[ i_t = i_t^{*} + E_t \Delta e_{t+1} + \rho_t \]
\[ \rho_t = \rho(VIX_t,\;debt_t^{ext},\;reserves_t,\;credibility_t) \]
Le taux externe pertinent pour la BRH n’est donc pas simplement le taux directeur américain ou européen pris isolément ; c’est ce taux augmenté d’une prime de risque variable avec la volatilité mondiale, la liquidité internationale et la perception du risque.
Pour Haïti, l’économie américaine reste la variable externe la plus structurante. Elle compte pour les transferts privés, pour certaines importations, pour la formation des anticipations sur le dollar et pour les conditions financières internationales.
Les derniers chiffres officiels montrent une croissance américaine de 2,1 % sur l’ensemble de l’année 2025, mais un ralentissement à 0,7 % en rythme annualisé au quatrième trimestre, tandis que l’inflation CPI était encore de 2,4 % en glissement annuel en février 2026.
\[ R_t = r_0 + r_1 Y_t^{US} + r_2 N_t^{diaspora} + r_3 \Gamma_t + \nu_t \]
où \(R_t\) désigne les transferts privés, \(Y_t^{US}\) l’activité américaine pertinente, et \(\Gamma_t\) un terme résumant les conditions migratoires, réglementaires et de transfert. Dans une petite économie ouverte, le canal des remittances est un canal macroéconomique majeur, pas seulement social.
La mise à jour régionale de la Banque mondiale publiée le 8 avril 2026 projette une croissance de 2,1 % pour l’Amérique latine et les Caraïbes en 2026, après 2,4 % en 2025, puis 2,4 % en 2027.
Le message central du rapport est clair : coûts d’emprunt encore élevés, demande externe faible, investissement privé atone et environnement géopolitique inflationniste.
\[ Y_t^{LAC} = C_t + I_t + G_t + X_t - M_t, \qquad \frac{\partial I_t}{\partial r_t^{real}} < 0 \]
Le point important, pour une présentation à la BRH, est que la région n’entre pas en 2026 avec un régime de croissance robuste et auto-entretenu. L’impulsion régionale reste faible et vulnérable aux chocs externes.
Pour la BRH, le contexte international doit être lu comme une combinaison de quatre chocs potentiels : prix importés, conditions financières, remittances et change.
Le bon diagnostic monétaire ne consiste donc pas à suivre un seul indicateur mondial, mais à mesurer l’élasticité de l’inflation et de la demande domestique à chacun de ces canaux.
\[ \frac{\partial \pi_t}{\partial z_t^{ext}} = \underbrace{\frac{\partial \pi_t}{\partial p_t^{*}}\frac{\partial p_t^{*}}{\partial z_t^{ext}}}_{\text{prix importés}} + \underbrace{\frac{\partial \pi_t}{\partial e_t}\frac{\partial e_t}{\partial z_t^{ext}}}_{\text{change}} + \underbrace{\frac{\partial \pi_t}{\partial D_t}\frac{\partial D_t}{\partial R_t}\frac{\partial R_t}{\partial z_t^{ext}}}_{\text{remittances}} + \underbrace{\frac{\partial \pi_t}{\partial i_t}\frac{\partial i_t}{\partial i_t^{*}}\frac{\partial i_t^{*}}{\partial z_t^{ext}}}_{\text{finance}} \]
Cette écriture formalise l’idée qu’un même choc mondial peut se transmettre par plusieurs voies simultanément.
Dans le contexte actuel, une banque centrale gagne à raisonner moins en projection unique qu’en scénarios conditionnels. Le scénario central peut rester celui d’un ralentissement ordonné, mais il faut lui adjoindre un scénario énergétique adverse et un scénario financier adverse.
\[ \min \; \mathbb{E}_t \sum_{j=0}^{\infty}\beta^j \left[ (\pi_{t+j}-\pi^*)^2 + \lambda x_{t+j}^2 + \mu (\Delta e_{t+j})^2 \right] \]
Une telle fonction de perte rappelle qu’en petite économie ouverte, la politique monétaire arbitre rarement entre inflation et activité seulement ; elle arbitre aussi entre inflation, activité et stabilité du change.
Le contexte international d’avril 2026 ne correspond ni à un monde en crise généralisée, ni à un monde revenu à la normalité pré-choc. Il s’agit plutôt d’un environnement de croissance mondiale modérée, d’inflation externe redevenue plus risquée, de commerce mondial moins dynamique et de conditions financières encore sélectives.
Pour la BRH, cela justifie une lecture monétaire fondée sur les prix importés, le taux de change, les transferts privés et les primes de risque, davantage que sur un seul indicateur agrégé de croissance mondiale.
Dans une petite économie ouverte comme Haïti, la transmission externe passe principalement par quatre variables : le taux de change, les réserves internationales, les transferts privés et les prix importés.
\[ \pi_t = f(e_t,\; R_t,\; Rem_t,\; p_t^{*}) \]
L’analyse monétaire doit donc être structurée autour de ces quatre objets, et non uniquement autour de l’écart de production domestique.
Le taux de change est le principal canal de transmission externe à court terme. Il affecte directement les prix des biens importés et indirectement les anticipations inflationnistes.
\[ \Delta p_t^{import} = \alpha \Delta e_t + \varepsilon_t \]
\[ \pi_t = \pi_t^{dom} + \theta \Delta e_t \]
Lorsque le pass-through est élevé, une dépréciation du taux de change se traduit rapidement par une hausse des prix domestiques.
Le taux de change dépend de plusieurs forces simultanées : différentiels de taux, flux de devises, anticipations et primes de risque.
\[ e_t = g(i_t - i_t^{*},\; Rem_t,\; FX_t,\; \rho_t) \]
\[ i_t - i_t^{*} = E_t \Delta e_{t+1} + \rho_t \]
Dans ce cadre, la crédibilité de la banque centrale influence directement la composante \(\rho_t\).
Les réserves jouent un double rôle : elles permettent d’intervenir sur le marché des changes et elles signalent la capacité de la banque centrale à stabiliser la monnaie.
\[ \Delta R_t = FX_{in,t} - FX_{out,t} + Interv_t \]
\[ Interv_t = h(e_t - \bar e) \]
Une baisse rapide des réserves peut amplifier les anticipations de dépréciation, même en l’absence de choc fondamental.
La littérature suggère qu’un niveau adéquat de réserves dépend de l’ouverture commerciale, de la volatilité des flux et de la crédibilité institutionnelle.
\[ R_t^{*} = \phi_1 M_t + \phi_2 Debt_t^{short} + \phi_3 \sigma_{FX} \]
Dans le cas haïtien, la volatilité des flux externes et l’importance des transferts justifient une approche prudente.
Les remittances constituent un flux externe majeur pour Haïti. Elles soutiennent la consommation, fournissent des devises et stabilisent partiellement l’économie.
\[ D_t = C_t + I_t + G_t + X_t - M_t + Rem_t \]
\[ e_t = e(Rem_t), \qquad \frac{\partial e_t}{\partial Rem_t} < 0 \]
Une hausse des transferts tend à apprécier la monnaie ou à limiter sa dépréciation.
Les transferts dépendent fortement de l’activité économique dans les pays d’origine, notamment les États-Unis.
\[ Rem_t = \alpha + \beta Y_t^{US} + \gamma N_t^{diaspora} + \varepsilon_t \]
Cela introduit un canal indirect entre la conjoncture américaine et la demande domestique haïtienne.
Dans une économie importatrice nette, une part importante de l’inflation provient de l’extérieur.
\[ \pi_t^{import} = \theta_1 \Delta p_t^{oil,*} + \theta_2 \Delta p_t^{food,*} + \theta_3 \Delta e_t \]
Ce canal est particulièrement actif lorsque : - la dépendance aux importations est élevée
- le pass-through du change est rapide
- les marchés domestiques sont peu concurrentiels
Le taux de change agit comme un multiplicateur des chocs externes.
\[ \frac{\partial \pi_t}{\partial p_t^{*}} = \theta_1 + \theta_3 \frac{\partial e_t}{\partial p_t^{*}} \]
Ainsi, un choc sur les prix internationaux peut être amplifié par une dépréciation simultanée.
Les quatre variables interagissent entre elles et peuvent générer des dynamiques auto-renforçantes.
\[ \Delta e_t \uparrow \Rightarrow \pi_t \uparrow \Rightarrow i_t \uparrow \Rightarrow D_t \downarrow \]
\[ Rem_t \downarrow \Rightarrow FX \downarrow \Rightarrow e_t \uparrow \Rightarrow \pi_t \uparrow \]
Ces boucles rendent la stabilisation macroéconomique plus complexe.
La politique monétaire doit être informée par un suivi simultané de ces quatre variables :
\[ Policy_t = f(\pi_t,\; e_t,\; R_t,\; Rem_t) \]
Trois diagnostics deviennent centraux :
Un tableau de bord opérationnel pourrait inclure :
\[ \left\{ \Delta e_t,\; R_t / M_t,\; Rem_t,\; \pi_t^{import},\; FX\; liquidity \right\} \]
L’objectif n’est pas seulement descriptif, mais prédictif : détecter les tensions avant qu’elles ne se matérialisent pleinement dans l’inflation.
Pour la BRH, le cœur de la politique monétaire en environnement ouvert repose sur la gestion conjointe du taux de change, des réserves, des flux de transferts et de l’inflation importée.
Ces variables ne sont pas indépendantes : elles forment un système interdépendant où la crédibilité institutionnelle joue un rôle central dans la stabilisation des anticipations.
La BRH doit prendre des décisions dans un environnement où :
Le problème devient donc multidimensionnel.
\[ \min \; \mathbb{E}_t \sum_{j=0}^{\infty}\beta^j \left[ (\pi_{t+j}-\pi^*)^2 + \lambda x_{t+j}^2 + \mu (\Delta e_{t+j})^2 \right] \]
La crédibilité conditionne l’efficacité de tous les autres canaux.
\[ E_t \pi_{t+1} = \omega_t \pi^* + (1-\omega_t)\tilde{\pi}_{t+1} \]
Plus \(\omega_t\) est élevé, plus la politique monétaire agit rapidement et avec moins de coût réel.
La politique monétaire agit via plusieurs canaux simultanés.
\[ \frac{\partial \pi_t}{\partial i_t} = \underbrace{\text{taux}}_{r_t} + \underbrace{\text{crédit}}_{L_t} + \underbrace{\text{change}}_{e_t} + \underbrace{\text{anticipations}}_{E_t\pi_{t+1}} \]
Dans le cas haïtien, le canal du taux de change et celui des anticipations dominent à court terme.
La science des données permet de transformer des signaux partiels en indicateurs exploitables.
\[ y_{g,t}^{(k)}=\lambda_k D_{g,t}^{*}+\varepsilon_{g,t}^{(k)} \]
\[ \hat D_{g,t} = f(P_{g,t}, C_{g,t}, Rem_{g,t}, X_{g,t}) \]
La qualité de la décision dépend directement de la qualité de cette estimation.
Les variables externes influencent directement l’inflation et la liquidité.
\[ z_t^{ext} = \left\{ p_t^{oil,*},\; p_t^{food,*},\; i_t^{*},\; Y_t^{US} \right\} \]
\[ \pi_t = f(z_t^{ext}, e_t, D_t) \]
La politique monétaire doit intégrer ces chocs comme des contraintes structurelles.
L’ensemble du système peut être représenté comme suit :
\[ \pi_t = f\Big( i_t, E_t\pi_{t+1}, e_t, D_t, z_t^{ext} \Big) \]
\[ D_t = \sum_g \omega_g \hat D_{g,t} \]
La banque centrale agit sur \(i_t\), mais doit anticiper les effets sur tous les autres éléments.
Une décision de politique monétaire peut être structurée en trois étapes :
Diagnostic des chocs
\[
Shock_t = f(z_t^{ext}, D_t, e_t)
\]
Évaluation des risques
\[
Risk_t = \mathbb{E}_t[(\pi_{t+1}-\pi^*)^2]
\]
Réponse optimale
\[
i_t = i_t^{*} + \phi_\pi(\pi_t-\pi^*) + \phi_e \Delta e_t + \phi_D D_t
\]
La science des données intervient à deux niveaux critiques :
\[ Var(\hat D_t) \downarrow \Rightarrow Var(Policy\ error) \downarrow \]
Une meilleure mesure réduit les erreurs de politique.
La crédibilité agit comme multiplicateur de l’efficacité de la politique.
\[ \frac{\partial \pi_t}{\partial i_t} = \omega_t \cdot \text{effet direct} \]
Si \(\omega_t\) est faible, la politique doit être plus agressive pour obtenir le même effet.
Trois contraintes doivent être intégrées explicitement :
\[ \pi_t = \pi_t^{import} + \pi_t^{dom} \]
\[ D_t = D_t^{formal} + D_t^{informal} \]
\[ FX_t = Rem_t + Export_t - Import_t \]
Ces identités rappellent que la politique monétaire opère dans un système partiellement informel et fortement dépendant de l’extérieur.
Le système peut être résumé comme une chaîne :
\[ \text{Données} \rightarrow \text{Diagnostic} \rightarrow \text{Anticipations} \rightarrow \text{Décision} \rightarrow \text{Transmission} \]
Chaque maillon détermine la qualité du suivant.
Pour la BRH, la politique monétaire efficace ne repose pas uniquement sur le choix du taux directeur. Elle repose sur une architecture intégrée combinant :
La performance de la politique monétaire est donc une fonction systémique.
\[ Performance_t = f(Credibility_t,\ Data_t,\ Transmission_t,\ Global_t) \]
Objectif : limiter la transmission des chocs externes à l’inflation.
\[ \min (\Delta e_t)^2 \]
Actions :
Le taux de change est le canal dominant à court terme.
Objectif : renforcer la crédibilité monétaire.
\[ E_t \pi_{t+1} \rightarrow \pi^* \]
Actions :
Une crédibilité élevée réduit le coût de la désinflation.
Objectif : améliorer le diagnostic en temps réel.
\[ \hat D_{g,t} = f(P_{g,t}, C_{g,t}, Rem_{g,t}) \]
Actions :
La granularité améliore la précision des décisions.
Objectif : anticiper plutôt que réagir.
\[ z_t^{ext} = \{oil,\; food,\; i^{*},\; US\ growth\} \]
Actions :
La politique monétaire devient prospective.
Objectif : adapter la politique au contexte haïtien.
\[ \pi_t = \pi_t^{import} + \pi_t^{dom} \]
\[ D_t = D_t^{formal} + D_t^{informal} \]
Actions :
Le modèle standard doit être ajusté au terrain.
Objectif : améliorer la cohérence des décisions.
\[ Policy_t = f(\pi_t,\; e_t,\; D_t,\; z_t^{ext}) \]
Actions :
Une bonne décision est une décision structurée.
La politique monétaire efficace en Haïti repose sur :
\[ Succès = f(\text{Crédibilité},\ \text{Données},\ \text{Discipline},\ \text{Anticipation}) \]
La priorité n’est pas la sophistication des modèles, mais la cohérence du système.
Athey, S., & Imbens, G. W. (2019). Machine learning methods that economists should know about. Annual Review of Economics, 11, 685–725.
Bańbura, M., Giannone, D., & Reichlin, L. (2011). Nowcasting. In M. P. Clements & D. F. Hendry (Eds.), The Oxford handbook of economic forecasting (pp. 193–224). Oxford University Press.
Bernanke, B. S., & Blinder, A. S. (1992). The federal funds rate and the channels of monetary transmission. American Economic Review, 82(4), 901–921.
Bernanke, B. S., & Gertler, M. (1995). Inside the black box: The credit channel of monetary policy transmission. Journal of Economic Perspectives, 9(4), 27–48.
Bernanke, B. S., Gertler, M., & Gilchrist, S. (1999). The financial accelerator in a quantitative business cycle framework. In J. B. Taylor & M. Woodford (Eds.), Handbook of Macroeconomics (Vol. 1, pp. 1341–1393). Elsevier.
Calvo, G. A., & Reinhart, C. M. (2002). Fear of floating. Quarterly Journal of Economics, 117(2), 379–408.
Chernozhukov, V., Chetverikov, D., Demirer, M., Duflo, E., Hansen, C., Newey, W., & Robins, J. (2018). Double/debiased machine learning for treatment and structural parameters. The Econometrics Journal, 21(1), C1–C68.
Clarida, R., Galí, J., & Gertler, M. (1999). The science of monetary policy: A New Keynesian perspective. Journal of Economic Literature, 37(4), 1661–1707.
Coibion, O., & Gorodnichenko, Y. (2025). Inflation, expectations and monetary policy: What have we learned and to what end? NBER Working Paper.
Coibion, O., Gorodnichenko, Y., & Weber, M. (2022). Monetary policy communications and their effects on household inflation expectations. Journal of Political Economy, 130(6), 1537–1584.
Dubois, P., Griffith, R., & O’Connell, M. (2022). The use of scanner data for economics research. Annual Review of Economics, 14, 723–745.
Giannone, D., Reichlin, L., & Small, D. (2008). Nowcasting: The real-time informational content of macroeconomic data. Journal of Monetary Economics, 55(4), 665–676.
Kashyap, A. K., & Stein, J. C. (2000). What do a million observations on banks say about the transmission of monetary policy? American Economic Review, 90(3), 407–428.
Kydland, F. E., & Prescott, E. C. (1977). Rules rather than discretion: The inconsistency of optimal plans. Journal of Political Economy, 85(3), 473–491.
Mishkin, F. S. (2008). Exchange rate pass-through and monetary policy. NBER Working Paper No. 13889.
Mullainathan, S., & Spiess, J. (2017). Machine learning: An applied econometric approach. Journal of Economic Perspectives, 31(2), 87–106.
Rao, J. N. K., & Molina, I. (2015). Small area estimation (2nd ed.). Wiley.
Rogoff, K. (1985). The optimal degree of commitment to an intermediate monetary target. The Quarterly Journal of Economics, 100(4), 1169–1189.
Rossi-Hansberg, E., & Zhang, J. (2025). Local GDP estimates around the world. NBER Working Paper.
Svensson, L. E. O. (1999). Inflation targeting as a monetary policy rule. Journal of Monetary Economics, 43(3), 607–654.
Woodford, M. (2003). Interest and prices: Foundations of a theory of monetary policy. Princeton University Press.
Sources institutionnelles
Banque de la République d’Haïti. (2024–2026). Notes de politique monétaire et rapports sur les systèmes de paiement.
International Monetary Fund. (2024). Haiti: 2024 Article IV Consultation—Staff report.
International Monetary Fund. (2026). World Economic Outlook Update.
Organisation for Economic Co-operation and Development. (2026). Economic Outlook, Interim Report.
World Bank. (2020–2026). Haiti Digital Acceleration Project and related reports.
World Bank. (2026). Global Economic Prospects / Regional Update: Latin America and the Caribbean.
Thierry Warin, PhD