Navigation – Plan du site

AccueilNuméros17-3VariaLa société comme « système comple...

Varia

La société comme « système complexe »

Vers une physique du monde social ?
Society as a “complex system”. Towards a physics of the social world?
La sociedad como «sistema complejo». ¿Hacia una física del mundo social?
Antoine Bernard de Raymond

Résumés

Depuis le début du XXIe siècle, les chercheurs en sciences physiques ont construit une forte capacité à se saisir d’enjeux contemporains et à en imposer leur lecture, aussi bien dans la sphère publique que dans le champ scientifique. Cet article interroge les raisons de ce succès à partir du cas des « systèmes complexes » et de la manière dont cette approche a pu s’imposer dans de nombreux champs scientifiques. D’abord, l’article montre le rôle de situations de crise à la fois politiques et épistémiques dans la circulation interdisciplinaire de ces approches. Ensuite, il montre le rôle de traduction et de standardisation de savoirs hétérogènes opéré par l’analyse des « réseaux complexes » au début des années 2000. Face à ce succès des approches en termes de systèmes complexes et plus encore en termes de réseaux complexes dans les sciences économiques et sociales, cet article discute les apports et les limites de ces approches et élabore les conditions d’un usage raisonné et critique de la complexité en sciences sociales.

Haut de page

Texte intégral

“If I dare to make a prediction for the next decade, it is this: […] the complex system that we are most likely to tackle first in a truly quantitative fashion may not be the cell or the Internet but rather society itself” (Barabási, 2009).

Introduction

1« Anthropocène », « résilience », « tipping points » « complexité », ces catégories issues des sciences naturelles ont intensément circulé entre différentes arènes, jusqu’à devenir des objets de débat public, des catégories de l’action publique, voire des catégories du sens commun. Ainsi, à l’opposé des images d’Epinal véhiculées par la culture populaire (telle que la série TV The Big Bang Theory) du physicien/ chercheur entièrement absorbé par la construction de modèles mathématiques complexes et vivant coupé des réalités et préoccupations ordinaires de l’homme de la rue, les chercheurs en sciences physiques ont construit une forte capacité à se saisir d’enjeux contemporains, à en définir et en imposer une lecture ainsi qu’un programme d’action et de transformation (Gingras & Schinckus, 2012 ; Li Vigni, 2020a). Dans le contexte d’une montée en puissance de préoccupations collectives face à la multiplication des catastrophes naturelles et avec la prise de conscience de l’ampleur du changement climatique global (Aykut & Dahan, 2015 ; Revet, 2011), les catégories et modèles issus des sciences physiques ont acquis une position centrale dans la définition et la solution des problèmes publics.

  • 1 Au sens large, des « sciences de la terre et de l’univers ».

2Les effets de cette centralité ne se font pas sentir uniquement sur les termes du débat et les outils de l’action publique mais aussi dans la sphère scientifique. Les modèles issus des sciences physiques1 pour penser les transformations et les crises affectent les sciences sociales et constituent un défi pour elles. Cet article est consacré à cet enjeu. Il prend pour objet les « sciences de la complexité » et les études des systèmes complexes, et interroge leurs conditions de réception dans les sciences sociales, ainsi que les effets de cette réception pour les concepts et méthodes des sciences sociales. Les sciences de la complexité sont centrées autour de la robustesse et de la vulnérabilité des systèmes. L’article montre tout d’abord que ces approches vont circuler vers les sciences sociales d’abord à partir de l’économie, au moment de la crise financière de 2008, dans un contexte de crise épistémique et d’effervescence sociale favorisant l’institution de nouveaux modes de pensée (Durkheim, 2013). Pour autant, les sciences de la complexité représentent un ensemble disparate de savoirs, beaucoup moins unifié que ses tenants ne le prétendent (Li Vigni, 2020b). Le présent article fait précisément l’hypothèse que le couplage – tardif – entre théorie des systèmes complexes et modélisation des réseaux complexes explique le succès actuel des savoirs de la complexité, parce qu’il a permis d’opérationnaliser de manière homogène un ensemble hétérogène de savoirs et de concepts. La force de la théorie des réseaux complexes tient à ce qu’il s’agit d’une analyse centrée sur des formes structurales pures (Li Vigni, 2020b), applicable à n’importe quel objet (marchés financiers, relations inter-espèces au sein d’un écosystème, systèmes de transports, commerce international, réseau internet, épidémies, relations sociales, etc.) (Barabási, 2002). La seule condition est de disposer de données topologiques. L’article montre ainsi que le succès relatif de la complexité dans les sciences sociales tient au développement des approches en termes de réseaux complexes, qui permet de mettre l’accent sur les interdépendances et offre une clé de lecture des crises d’ordre systémique, dans différents domaines.

3Il semble ainsi important d’expliciter, d’objectiver la vision du monde sous-jacente, l’épistémologie embarquée dans les savoirs de la complexité. Dans une dernière partie, l’article propose une évaluation critique de l’approche par les réseaux complexes et de ses enjeux méthodologiques, épistémologiques et politiques pour les sciences sociales. Il montre d’une part le caractère limité des applications empiriques de ces modèles (contrairement à la promesse d’universalité des tenants de la « science des réseaux ») et pointe le risque d’une lecture dépolitisée des risques et des crises que charrie cette approche. Cet article montre que, à l’instar de la résilience, la complexité n’oriente pas spontanément vers un agenda transformatif progressiste (Jensen, 2018), étayé par une analyse critique des inégalités et rapports de pouvoir au sein d’un système. Il montre en particulier sa perspective fonctionnaliste et sa focalisation sur la transformation des systèmes face à leur possible disruption. Hérités de raisonnement de physiciens et/ou d’ingénieurs, ces savoirs appréhendent la fonctionnalité d’un système comme évidente et son maintien comme désirable en soi. Face à ce possible « impérialisme physicien », cet article plaide non pas pour un rejet pur et simple de cette approche et une réaffirmation défensive de la spécificité des objets et des savoirs des sciences sociales, mais plutôt pour un usage raisonné et critique de ces concepts et méthodes (Cointet & Parasie, 2018 ; Venturini, Cardon & Cointet, 2014).

Méthodologie

4Cet article est issu d’une recherche collective sur les risques systémiques, dans le domaine de la sécurité alimentaire (Bernard de Raymond et al., 2021). Dans le cadre de cette recherche collective, une revue systématique de la littérature scientifique sur les risques systémiques a été réalisée, grâce à l’analyse d’un corpus de publications scientifiques extraites de Web of Science, de 1956 à 2020. Le bouquet de revues scientifiques couvert par Web of Science nous a paru le plus adapté pour saisir la dimension et la circulation interdisciplinaires du concept de risque systémique. Ce corpus a été obtenu par une requête « systemic risk* » dans la section « Topic » de la plateforme. Après élimination des publications en médecine ou recherche médicale, nous avons obtenu un corpus de 2 360 publications scientifiques, ancrées majoritairement dans le domaine de l’économie et de la finance (environ 1800 publications). Ce corpus, au-delà de sa construction autour d’un concept, permet d’aborder la question des crises (financières, en particulier) et de l’effondrement d’un système global. Il constitue donc un « lieu » pertinent pour observer la circulation interdisciplinaire des idées sur la complexité. L’analyse de ce corpus, à l’aide de la plateforme Cortext, a notamment fait ressortir l’influence des modèles de réseaux complexes, à partir des années 2010. L’auteur de cet article a choisi d’approfondir cette question de l’influence des sciences de la complexité et des réseaux complexes sur les sciences économiques et sociales. Ceci l’a amené à réaliser un double travail, en amont pour reconstituer les origines des concepts et outils issus de la complexité, et en aval pour étudier leur circulation parmi les sciences sociales. En retenant les publications les plus citées du corpus et en croisant leurs références bibliographiques, il a été possible de constituer un premier corpus de contributions, puis d’étendre ce corpus par effet boule de neige. Bien que les savoirs issus de la complexité s’ancrent dans différentes traditions de pensée (Li Vigni, 2021a), ce travail interroge la tradition des « sciences de la complexité », proche de la physique et liée au Santa Fe Institute, qui a joué un rôle central dans l’institutionnalisation de la complexité comme champ de recherche (Li Vigni, 2021a), et dont les modèles de réseaux complexes sont les plus proches.

Les sciences de la complexité

Qu’est-ce que la complexité ?

5Les savoirs sur la complexité et les systèmes complexes proviennent principalement de et sont développés et formalisés par les sciences de l’ingénieur, la physique, les mathématiques et l’informatique (Li Vigni, 2020b). Les théoriciens/historiens de la complexité soulignent que, dans un certain sens, les ingénieurs ont toujours élaboré et étudié des systèmes complexes, mais que la réflexion sur la complexité a pu prendre son essor à partir des années 1950 grâce au développement de l’informatique, qui a permis de procéder à des opérations de calcul lourdes, bien au-delà des capacités cognitives humaines (Lloyd, 2002). Ces savoirs transdisciplinaires se consolident sous l’égide de la complexité à partir des années 1980, avec la création du Santa Fe Institue aux Etats-Unis (Li Vigni, 2021b ; Zwirn, 2006). Dans cette section, on ne procèdera pas à une socio-histoire de ces savoirs, mais on en rappellera simplement quelques éléments saillants.

6La complexité a comme question centrale la stabilité ou au contraire la fragilité des systèmes. La complexité apparaît comme la caractéristique centrale des sociétés modernes, pour constituer à la fois leur force et leur talon d’Achille (Centeno et al., 2015). La complexité des interdépendances au sein des sociétés humaines, la sophistication croissante des échanges ont permis une abondance et un enrichissement collectif sans précédent. Ces systèmes complexes offrent en outre une grande adaptabilité, qui leur permet de se maintenir dans un environnement sans cesse changeant. Simultanément, cette sophistication constitue leur plus grande faiblesse, leur principale source de vulnérabilité (Crutchfield, 2009). Passé un certain degré de complexification, un système devient de plus en plus fragile et de plus en plus vulnérable à des chocs, des disruptions (May, Levin & Sugihara, 2008). Mais au-delà de cette idée générale, comment qualifier un système comme complexe ? Quelles en sont les propriétés, les mécanismes de fonctionnement ? Et quelles conséquences peut-on en tirer d’un point de vue de régulation ?

7Un système est constitué d’un ensemble fini d’entités en interaction. Spontanément, on pourrait dire que c’est le nombre d’entités composant le système qui détermine sa complexité : plus il y a d’entités, plus le nombre d’interactions possibles est grand. Par exemple, dans les systèmes aériens internationaux contemporains, il existe de multiples façons d’aller d’un point A à un point B. Si cette complexité « horizontale » joue évidemment un rôle, elle ne constitue pas le critère décisif de la complexité. Les « truly complex systems » sont dotés d’une complexité « verticale » (Crutchfield, 2009) : l’évolution du système aboutit à l’apparition d’un nouveau niveau d’organisation qui devient partiellement autonome.

8L’autonomie de ce niveau d’organisation créé de manière endogène distingue une seconde caractéristique des systèmes complexes : l’émergence. Ceux-ci ont tendance à s’auto-organiser de manière autonome, selon une logique qui échappe à toute intervention volontariste (Helbing, 2013). Cette caractéristique d’émergence rend illusoire, selon les théoriciens des systèmes complexes, toute volonté de régulation centralisée de ces systèmes (Renn et al., 2017). Cette émergence d’un ordre spontané confère aux systèmes complexes leur adaptativité. Les théoriciens des systèmes complexes s’inscrivent ici dans une filiation à la fois darwinienne et libérale (Smith, Hayek), où le bon fonctionnement d’un système repose sur la non-intervention et la concurrence (Baker, 2022 ; Li Vigni, 2020b).

9Mais l’émergence, ou propension des systèmes à générer des nouvelles couches d’organisation confère à la fois à ces systèmes leur adaptabilité et leur fragilité, leur vulnérabilité à des chocs. De plus, et c’est là la troisième caractéristique des systèmes complexes, cette fragilité reste généralement invisible, car elle résulte de l’auto-organisation endogène du système et non de son agencement initial. Ainsi, même s’il est sur le point de rompre, un système complexe peut encore être perçu comme robuste : ou encore, l’accumulation de facteurs de rupture risque de passer longtemps inaperçue et on s’aperçoit généralement trop tard des fragilités systémiques pour y remédier. La crise financière de 2007 constitue un exemple typique de ce cas de figure, où les premiers signes de l’effondrement à venir du système financier ont été perçus par les autorités bien trop tard pour agir et prévenir la crise (Kambhu, Weidman & Krishnan, 2007).

10Une quatrième caractéristique de systèmes complexes a trait à leur fonctionnement selon une logique de « chaos déterministe » (Aubin & Dalmedico, 2002). Au-delà du fait que leur fragilité reste invisible, il est difficile de prédire quand et comment ils vont rompre, de même que les conséquences de cette rupture. Les liens de cause à effet entre les éléments du système sont non linéaires, notamment en raison de boucles de rétroaction (feedback loops) entre les éléments du système. De petites perturbations peuvent avoir des effets majeurs sur le fonctionnement d’ensemble du système, et ce d’autant plus qu’on se rapproche de sa rupture. Juste avant son effondrement, l’ensemble des paramètres du système se met à connaître de brusques variations. À l’approche d’un changement d’état global, on observe donc le passage d’une transformation graduelle et limitée du système à des changements brusques et de grande ampleur. Le fonctionnement des systèmes complexes est en outre marqué par une logique de point de basculement (tipping point) au-delà duquel les changements sont irréversibles (Lenton et al., 2019). Jusqu’à une valeur seuil de certains paramètres, le système peut absorber certaines perturbations et revenir spontanément vers l’équilibre. En revanche, franchie cette valeur seuil, les interactions entre les éléments du système n’auront plus cette tendance à ramener le système vers l’équilibre mais au contraire à accentuer les déséquilibres pour amener le système vers une crise globale et une transition vers un autre état stable.

11On peut donc identifier les signes qu’un système complexe s’apprête à connaître une crise. En revanche, les effets de cette crise sont largement imprévisibles. Ainsi – cinquième caractéristique des systèmes complexes – le cheminement d’un système complexe d’un état stable vers un autre état stable à la suite d’une crise est ex ante indéterminé : la complexité des interactions entre les éléments du système fait que plusieurs états du monde sont possibles après une crise d’ampleur systémique.

12Ces caractéristiques des systèmes complexes ont des conséquences importantes en termes de régulation et de politiques publiques, nous y reviendrons. Si ces réflexions proviennent de manière prédominante des sciences physiques, des mathématiques et de l’informatique, elles ont imprégné les sciences économiques et sociales entre la fin des années 2000 et le début des années 2010, à la faveur de deux éléments en particulier, les attentats terroristes du 11 septembre 2001 et la crise financière de 2007 (cf. section suivante), ainsi que d’innovations conceptuelles et méthodologiques dans le domaine de l’analyse de réseaux (voir partie « Modéliser les systèmes complexes »).

« L’écologie pour les banquiers » : complexité et interdisciplinarité

13La science de la complexité se veut par essence transversale, non indexée à un objet ou une discipline particulière, mais elle a malgré tout des domaines d’élection, tels que la physique ou l’écologie (Marquet et al., 2014 ; Nicolis & Prigogine, 1989). À la faveur d’événements marquants ainsi que de développement méthodologiques (Cf. infra) les « sciences de la complexité » vont néanmoins se diffuser vers les sciences économiques et sociales (Gingras & Schinckus, 2012 ; Lazer et al., 2009). À noter que cette extension n’opère pas de manière spontanée, mais grâce à des interventions volontaristes des théoriciens de la complexité, qui se saisissent d’événements illustrant à leurs yeux l’intérêt de leur approche. Ainsi, en 2003, le mathématicien Paul Crutchfield prononce une conférence où il analyse l’impact des attentats terroristes du 11 septembre 2001 comme résultant de la vulnérabilité d’un système complexe comme le système de transport aérien (Crutchfield, 2009). De même, et surtout à cette occasion, des chercheurs des sciences de la complexité vont analyser la crise financière dite « des subprimes » de 2007 à l’aune de la fragilité des systèmes complexes (en l’occurrence les systèmes financiers). Des physiciens ou écologues vont ainsi appliquer leurs modèles d’analyse aux marchés financiers pour expliquer en quoi leur complexification croissante a pu précipiter leur effondrement (Caccioli, Marsili & Vivo, 2009 ; Haldane & May, 2011 ; May, Levin & Sugihara, 2008).

14Notons qu’en ce qui concerne la complexité, l’économie occupe une place particulière et ambiguë (Arthur, 2014). A priori, l’économie constitue la science par excellence de la complexité. En effet, son projet consiste à expliquer comment des individus poursuivant uniquement leur propre intérêt parviennent à se coordonner efficacement sans besoin d’intervention extérieure (Kilpatrick, 2001). Le marché apparaît ainsi comme l’incarnation parfaite d’un système complexe, comme ordre spontané émergeant des interactions entre agents, doté d’une très forte adaptabilité et stabilité. Ce système est animé par des forces permettant d’absorber toutes sortes de chocs et de revenir spontanément vers l’équilibre. Pourtant, c’est bien vers les croyances des économistes et des praticiens de la finance que se dirigent les textes publiés par les chercheurs en systèmes complexes après la crise de 2007. Ils proposent ainsi une critique radicale de la convention partagée – aussi bien par les modélisateurs que par les régulateurs des marchés financiers – que la complexification infinie des marchés financiers (multiplication des instruments financiers, titrisation, expansion des marchés dérivés, etc.) serait la meilleure garantie de leur stabilité, car elle permettrait la répartition la plus efficace des risques. Crutchfield déclare ainsi :

After decades of building a new world economic order, the data is in: The Fall 2008 near collapse of the global financial system and its heart-wrenching impacts are empirical evidence that pure-market ideology does not work as a design principle for the world’s economies. Historically, this design principle was justified in terms of the Efficient Market Hypothesis - markets in their collective behavior will find the unique, optimal equilibrium condition that homogeneously maximizes human welfare. Sadly, this view is a theoretical artifact of experimentally ungrounded models. The mismatch between ideology and reality is desperately large.

15Et d’ajouter :

Financial instruments invented to reduce risk led to massive failures. To emphasize, innovations in managing risk produced risk on huge scales. (Crutchfield, 2009).

16De même, des physiciens expliquent que les régulations des marchés financiers ayant justifié la prolifération des instruments financiers et la création de produits dérivés sont basées sur la théorie des prix d’arbitrage (arbitrage pricing theory), qui repose sur les concepts de concurrence parfaite, de liquidité et de complétude des marchés (Caccioli, Marsili & Vivo, 2009). Dans un tel cadre théorique, les arbitrages réalisés par les agents n’ont pas d’effets sur la dynamique des marchés. Mais dans des conditions réelles, les interactions entre agents affectent profondément les prix et la prolifération des instruments financiers entraînent une plus grande instabilité : la concurrence entre les institutions financières entraîne naturellement le marché vers un état critique où le comportement de différents produits dérivés devient corrélé et où de petites perturbations engendrent de brusques variations de prix.

  • 2 Pour une discussion de ce résultat, voir Meena et al., 2020. Ces auteurs montrent notamment que si (...)

17Enfin, un éminent scientifique comme Robert May, zoologue spécialiste de la dynamique des populations animales et théoricien du chaos, ancien conseiller scientifique en chef auprès du gouvernement britannique (1995-2000) et président de la Royal Society (2000-2005), co-publie entre 2008 et 2001 des articles sur l’instabilité des systèmes financiers, où il analyse le marché interbancaire comme un écosystème naturel (les différentes institutions financières étant donc étudiées comme les différentes espèces composant un écosystème). Ces articles sont publiés dans Nature (Haldane & May, 2011 ; May, Levin & Sugihara, 2008), l’une des revues scientifiques les plus prestigieuses et les plus légitimantes à l’échelle internationale. Il s’attaque lui aussi aux fondements de l’arbitrage pricing theory pour démontrer que la complexification infinie des marchés n’est pas la meilleure garantie de la stabilité des marchés, mais peut au contraire, à partir d’un certain seuil, être la cause de l’instabilité des marchés. Pour cela, il s’appuie sur l’histoire de l’écologie (comme discipline scientifique) qui, dans les années 1970, a connu les mêmes débats sur le lien entre complexité et stabilité. Contre le consensus qui prévalait à l’époque, selon lequel plus un écosystème se complexifie plus il gagne en stabilité, ses propres travaux ont montré que cette relation n’est vraie que jusqu’à un certain point et qu’un excès de complexité (nombre et force des liens inter-espèces) finit par rendre un écosystème instable2 (May, 1972).

  • 3 Par exemple, Adrian et Brunnemeier (2011) proposent un nouvel outil de mesure du risque systémique, (...)
  • 4 Ce propos s’appuie sur une analyse de la littérature scientifique sur les risques systémiques, effe (...)

18Ces différentes analyses et modélisations des marchés financiers comme systèmes complexes et des causes de leur fragilité rencontrent un important retentissement en économie financière. En effet, ces analyses trouvent une prise dans le raisonnement des économistes par l’intermédiaire d’une catégorie qui joue de longue date un rôle central dans l’analyse et la régulation financière, celle de risque systémique (Aglietta, 2003, 2011). L’histoire des crises financières et des effondrements complets des marchés financiers (1929, 1987) fait que ce type de risque constitue une préoccupation ancienne en finance (de Bandt & Hartmann, 2000 ; Keynes, 2016). La catégorie de risque systémique, c’est-à-dire le risque de défaillance non pas d’une entité mais de l’ensemble des entités composant le système financier, justifie des mesures qui dépassent l’analyse de risques au niveau individuel d’une banque et la mise en place d’une politique macroprudentielle (Billio et al., 2012). Mais, jusqu’à la crise de 2007, cette réflexion sur les risques systémiques ne se nourrit pas de la théorie du chaos ni des sciences de la complexité. Bien que la recherche sur les risques systémiques en finance soit déjà ancienne et fournie, la crise occasionne un profond renouvellement des modes d’analyse et de mesure du risque systémique. Si ce renouvellement opère dans plusieurs directions3, la crise financière joue donc un rôle catalyseur dans l’intégration du risque systémique et des théories des systèmes complexes et plus particulièrement des réseaux complexes4 (voir Figure 1).

Figure 1 : Évolution des thèmes d’un corpus scientifique sur les risques systémiques

Figure 1 : Évolution des thèmes d’un corpus scientifique sur les risques systémiques

Source : CorText

19Certaines analyses critiques de la finance libérale dénoncent l’absence complète d’anticipation de la crise financière parmi les acteurs du système financier et les thuriféraires de la finance dérégulée (Lordon, 2008). À strictement parler, une telle affirmation est fausse. Les autorités de régulation des marchés financiers aux Etats-Unis ont effectivement identifié les signaux d’une crise systémique à venir, mais beaucoup trop tard. Ainsi, un colloque interdisciplinaire sur les risques systémiques est organisé en mai 2006 aux États-Unis par les autorités de régulation financières :

A conference cosponsored by the National Academy of Sciences and the Federal Reserve Bank of New York was convened in New York to promote a better understanding of systemic risk. The sessions brought together a broad group of scientists, engineers, economists, and financial market practitioners to engage in a cross-disciplinary examination of systemic risk that could yield insights from the natural and physical sciences useful to researchers in economics and finance. Presenters from the natural and mathematical sciences and the engineering disciplines provided examples of tools and techniques used to study systemic collapse in interactive systems in nature and engineering (Kambhu, Weidman & Krishnan, 2007, p. 2)

  • 5 Les réseaux assortatifs sont des réseaux où les nœuds présentant le même nombre de degré tendent à (...)

20Cette conférence a pour fonction explicite de socialiser les acteurs (et notamment les régulateurs) de la finance aux approches de la complexité issues des sciences physiques, sciences de l’ingénieur et écologie. Deux co-auteurs de May après la crise (Levin et Sugihara, écologues) participent déjà à ce colloque et présentent la relation paradoxale entre complexité et stabilité des écosystèmes. Lors de ce colloque est présentée une étude commandée par la réserve fédérale américaine et publiée en mars 2006, qui analyse « la topologie des flux de paiements interbancaires » avec les outils de l’analyse de réseaux utilisés en écologie (Soramäki et al., 2007). Les résultats de cette étude apportent de très mauvaises nouvelles : « The [interbank] network includes a tightly connected core of money-center banks to which all other banks connect ». La propriété décrite ici est exactement celle des réseaux disassortatifs5 décrite par les spécialistes des écosystèmes naturels.

21La connexion entre analyse des risques financiers et théorie des systèmes complexe s’opère donc légèrement avant la crise, par l’entremise de l’analyse de réseaux (voir Boss et al., 2004). Mais c’est surtout après la crise, au cours de la décennie que ce type d’analyse se développe et se généralise. L’influence de ces articles peut facilement se voir quand on regarde le tableau des articles les plus cités dans un corpus (extrait de Web of Science) sur les risques systémiques (Tableau 1) :

Tableau 1 : Articles les plus cités dans le corpus « Systemic risk »

Titre

Auteurs

Date

Revue

Citations

Citations/ année

Systemic risk in banking ecosystems

Haldane, May

2011

Nature

401

50,1

The consolidation of the financial services industry: Causes, consequences, and implications for the future

Berger, Demsetz, Strahan,

1999

Journal of Banking and Finance

395

19,7

Econometric measures of connectedness and systemic risk in the finance and insurance sectors

Billio, Getmansky, Lo, Pelizzon,

2012

Journal of Financial Economics

335

47,9

Systemic risk, interbank relations, and liquidity provision by the Central bank

Freixas, Parigi, Rochet

2000

Journal of Money Credit and Banking

297

15,6

Globally networked risks and how to respond

Helbing

2013

Nature

275

45,8

Network models and financial stability

Nier, Yang, Yorulmazer, Alentorn

2007

Journal of Economic Dynamics & Control

269

22,4

Systemic risk in financial systems

Eisenberg, Noe

2001

Management Science

268

14,9

Contagion in financial networks

Gai, Kapadia

2010

Proceedings of the Royal Society A

242

15,6

Network topology of the interbank market

Boss, Elsinger, Summer, Thurner

2004

Quantitative Finance

235

26,8

Source : Antoine Bernard de Raymond

  • 6 Aussi, les ABM ne seront pas présentés dans cet article. À titre d’exemple, dans le corpus sur les (...)

22Cette idée de marché financier comme système ou réseau complexe est devenue commune et est utilisée désormais y compris par des auteurs du champ de l’économie et de la finance. Par exemple, dans un article maintenant classique, Gai et Kapadia introduisent leur propos de la manière suivante : « In modern financial systems, an intricate web of claims and obligations links the balance sheets of a wide variety of intermediaries, such as banks and hedge funds, into a network structure  » (Gai & Kapadia, 2010, p. 1). Sous cet angle, de nombreuses publications analysent les processus de propagation des chocs au sein d’un réseau (effet de contagion) et l’impact de la structure d’un réseau sur sa vulnérabilité aux chocs. La crise favorise aussi le développement d’une autre approche de la complexité, les agent-based models (ABM). Les ABM correspondent à des simulations par ordinateur des interactions entre agents hétérogènes, permettant de prédire l’émergence de phénomènes agrégés. L’introduction de l’hétérogénéité des acteurs permet de rompre avec la tradition de l’agent représentatif (fortement ancrée en économie), tandis que la simulation, à partir de règles simples de comportement, ou de modification de la valeur de certains paramètres, permet de modéliser des transformations autres que des cheminements vers des situations d’équilibre et, typiquement, des phénomènes d’effondrement d’un système. Face à l’incapacité des modèles dominants à avoir prévu la crise financière, la revue Nature encourage aussi l’adoption de ces modèles (Nature, 2009). Néanmoins, les ABM restent moins développés en économie (et encore moins en sociologie) que les réseaux complexes6.

23Cette conception du risque systémique étayée par l’analyse de réseaux va non seulement se développer en finance, mais aussi se diffuser vers l’économie (au-delà de la finance) et les sciences sociales pendant la décennie 2010. Elle devient alors un opérateur d’analyse de la globalisation marchande et des vulnérabilités qui lui sont associées. Ces travaux ont en commun l’idée que la « globalisation » s’accompagne d’une interconnexion (inteconnectedness) et d’une interdépendance généralisées (Centeno et al., 2015 ; Helbing, 2013). Cette global interconnectedness, en même temps qu’elle apporterait nombre de bénéfices (flux continus d’information, de biens, services et personnes), donnerait lieu à un type de risque d’un genre nouveau, supposant que le monde constitue désormais un système au sein duquel des phénomènes de contagion peuvent rapidement impacter l’ensemble de la planète. Les études présentées ici s’intéressent au « système » dans le cadre de la globalisation (Renn et al., 2017 ; Renn & Keil, 2008). C’est donc du global system, et du risque « systémique global » dont il est question ici. À l’instar du mouvement qui s’est opéré dans le domaine de la finance, les auteurs mobilisés ici cherchent à intégrer la théorie des systèmes complexes à l’étude de la globalisation. À travers le concept de risque systémique, il s’agit de saisir, au-delà des bénéfices de la globalisation, les vulnérabilités nouvelles que celle-ci fait surgir, et la manière dont nous pouvons gérer ou limiter ces vulnérabilités (Centeno et al., 2015). D’après ces auteurs, nous vivons du fait de la globalisation (économique, notamment) à un niveau sans précédent d’interdépendances et de couplage entre différents domaines. On assiste ainsi à la formation de vastes systèmes en réseaux (networked systems), définissant et contraignant notre capacité d’agir (Helbing, 2013). Bien que ces réseaux soient porteurs de bénéfices, ils génèrent aussi des vulnérabilités d’un type nouveau. C’est en ce sens que certains auteurs proposent d’appréhender la globalisation du point de vue des risques (Centeno et al., 2015 ; Renn et al., 2017), particulièrement en utilisant la notion de risque systémique, qui est pour eux équivalente à celle de « networked risks ». Par exemple, Helbing définit le risque systémique comme « the risk of having not just statistically independent failures, but interdependent, so-called ‘cascading’ failures in a network of N interconnected system components » (Helbing, 2013, p. 1).

24Ainsi, des événements marquants pendant la décennie 2000 ont pu favoriser un transfert des approches de la complexité, des sciences physiques vers les sciences économiques et sociales. Néanmoins, cette circulation et intégration des savoirs n’a pas été permise uniquement par la diffusion de slogans et de mots-clés (complexité, interdépendance, boucles de rétroaction, points de basculement, etc.) mais aussi par la standardisation et la diffusion de méthodologies et d’ontologies, associées au développement d’une « science des réseaux » (complexes). L’étude des réseaux complexes, qui émerge au tournant des années 1990-2000 – donc assez tardivement par rapport à l’ensemble des savoirs de la complexité – va ainsi opérer une traduction des sciences de la complexité, qui va à la fois permettre leur circulation et les simplifier.

Modéliser les systèmes complexes grâce à l’analyse des réseaux complexes

25Les approche de la complexité comme science des systèmes complexes se sont peu à peu consolidées dans les années 1980. Elles ont été accompagnées par différents développement dans le domaine des mathématiques, notamment la théorie du chaos. Néanmoins, le succès récent des analyses en termes de systèmes complexes est plus précisément lié à des développements de la théorie des graphes et à des innovations dans la modélisation des réseaux complexes, au tournant des années 2000 (Albert, Jeong & Barabási, 2000 ; Barabási & Albert, 1999 ; Newman, 2003). Ces innovations se sont développées en lien avec l’étude de l’Internet public (World Wide Web), dont la structure se prête particulièrement à l’analyse de réseaux (Albert, Jeong & Barabási, 1999) : émerge alors l’idée que la plupart des systèmes complexes sont dotées d’une même architecture sous-jacente présentant des propriétés topologiques spécifiques (Amaral & Ottino, 2004 ; Barabási & Bonabeau, 2003). L’approche par les réseaux complexes constitue ainsi une manière spécifique de se saisir des savoirs de la complexité. Le présent article fait précisément l’hypothèse que le couplage – tardif – entre théorie des systèmes complexes et modélisation des réseaux complexes explique le succès actuel des savoirs de la complexité, parce qu’il a permis d’opérationnaliser de manière homogène un ensemble disparates de savoirs et de concepts. Il s’agit dès lors de documenter non seulement les concepts de la complexité mais aussi les enjeux de la modélisation des réseaux complexes.

  • 7 En outre, même s’il n’y a aucune nécessité à cela, la sociologie étudie en général des réseaux uni- (...)

26L’idée que la modélisation des réseaux a émergé récemment grâce aux innovations issues des sciences physiques pourra paraître surprenante à des sociologues, sachant que la sociologie a joué un rôle pionnier dans l’analyse des réseaux, et ce, dès les années 1930 (Freeman, 2004 ; Moreno, 1934). À n’en pas douter, la morgue teintée d’ignorance (volontaire ou involontaire) des théoriciens de réseaux complexes joue un rôle prépondérant dans la possibilité de telles affirmations (Scott, 2011). Cependant, il faut avoir ici à l’esprit qu’entre les réseaux des sociologues et les réseaux des physiciens, existe une double différence : il peut ne pas s’agir des mêmes types de réseaux, et sociologues et physiciens peuvent ne pas s’intéresser aux mêmes propriétés ou fonctions des réseaux. D’une part, la modélisation des réseaux complexes (small world networks, scale-free networks) s’est consolidée seulement au tournant des années 1990-2000 sous l’égide de la physique et des mathématiques (Watts & Strogatz, 1998). Les réseaux complexes représentent une classe particulière de réseaux complets. La sociologie étudie les réseaux complets en toute généralité, et par ailleurs étudie aussi des réseaux égo-centrés7. Ensuite, en simplifiant, la sociologie va avoir tendance à s’intéresser à la structure interne d’un réseau, à la position d’un nœud au sein d’un réseau, pour étudier des structures relationnelles, des hiérarchies sociales ou des rapports de pouvoir, à travers des concepts comme celui de trou structural (Burt, 1992) ou de clique, ou des indicateurs tels que l’intermédiarité, la centralité, ou la densité (Mercklé, 2004). Les études de réseaux issues des sciences naturelles ou des sciences physiques s’intéressent à la structure d’ensemble d’un réseau, à sa topologie, aux fonctions qu’il remplit, et cherchent à en évaluer la stabilité, la robustesse et l’efficacité (Soramäki et al., 2007). Autrement dit, ces chercheurs se posent moins la question, « quel est le bénéfice apporté par le fait d’occuper telle position au sein d’un réseau ? », que la question, « que se passe-t-il si on supprime tel nœud ou tel lien de ce réseau doté de telles propriétés structurales ? ». Dit encore autrement, l’analyse des réseaux complexes s’intéresse moins aux relations entre les éléments composant un réseau qu’à la vulnérabilité de l’ensemble d’un réseau à un événement disrupteur, ou bien à sa stabilité de long terme. Alors que le questionnement conventionnel de la sociologie des réseaux est relationnel, celui des sciences modélisant les réseaux complexes est beaucoup plus fonctionnel et holistique.

27Les réseaux complexes désignent des réseaux présentant des propriétés topologiques spécifiques. Alors que pendant des décennies les mathématiciens et physiciens ont travaillé sur des liens distribués de manière aléatoire (Erdős & Rényi, 1960), les physiciens ont fini par formuler l’hypothèse que, dans le monde réel, les réseaux ne sont pas structurés de manière aléatoire et que chaque nœud n’a pas une probabilité égale de se connecter avec un autre nœud. Ce constat, banal et évident pour des sociologues, est considéré comme le point de départ d’une révolution scientifique par les physiciens des réseaux complexes. La modélisation des réseaux complexes s’est en particulier penchée sur le cas des small-world networks et des scale-free networks. Le cas des small-world networks a été introduit en 1998 par Watts et Strogatz, pour dépasser la dichotomie entre réseau régulier et réseau aléatoire (Watts & Strogatz, 1998). Les réseaux « petit monde » présentent une double caractéristique : une distance moyenne entre nœuds assez faible (comme dans un réseau aléatoire) mais aussi – et à la différence d’un réseau aléatoire – un fort coefficient de regroupement (clustering coefficient), c’est-à-dire une structure proche de cliques. Les réseaux invariants d’échelle (scale-free networks) constituent un cas particulier de réseau « petit monde ». Mis en avant par l’étude de la topologie du réseau internet (Albert, Jeong & Barabási, 1999 ; Barabási & Albert, 1999), les réseaux invariants d’échelle ont suscité une forte attention dans la littérature scientifique (Barabási & Bonabeau, 2003 ; Newman, 2003). Ils correspondent à des réseaux dont la distribution des degrés suit approximativement une loi de puissance. Mathématiquement, cette propriété s’exprime comme le fait que la proportion de nœuds de degré k au sein du réseau suit la loi :

P(k) ~ k

Où le coefficient γ est un nombre positif généralement compris entre 2 et 3.

28En analyse de réseaux, le degré correspond au nombre de liens d’un nœud. Les scale-free networks sont des réseaux où un petit nombre de nœuds captent la majorité des liens, tandis que la majorité des nœuds ont peu de liens. Visuellement, cette propriété se traduit par un graphe où les « gros nœuds » centralisent la plupart des liens au sein du réseau, tandis que les petits nœuds sont faiblement interconnectés : on est « obligé » de passer par ces gros nœuds pour circuler au sein du réseau, qui ressemble à une étoile ou à un ensemble d’étoiles. Il s’agit ainsi de réseaux fortement hiérarchisés et compartimentés en cliques. Or de nombreux réseaux dans des domaines très différents présentent cette propriété : l’Internet mondial (Albert, Jeong & Barabási, 1999), les citations scientifiques (Price, 1965), les réseaux sociaux, le réseau des contacts sexuels (Liljeros et al., 2001), le secteur financier américain avant la crise de 2007 (Soramäki et al., 2007), ou encore les systèmes de transports maritimes (Ducruet & Zaidi, 2012). Le caractère quasi-universel de cette architecture spécifique s’expliquerait par le mécanisme de l’attachement préférentiel au sein d’un réseau en expansion (Barabási & Albert, 1999). Comme les nouveaux nœuds d’un réseau ont tendance à s’attacher aux nœuds les mieux connectés, plus le réseau grandit, plus il se centralise autour de quelques « hubs ». Par exemple, un jeune chercheur qui souhaite publier un article va avoir tendance à citer et discuter des auteurs déjà connus et très cités, plutôt que des auteurs du même statut que lui. L’arrivée de nouveaux chercheurs sur le marché académique favoriserait paradoxalement la centralisation du réseau de citations scientifiques autour de chercheurs réputés. On reconnait ici « l’effet Matthieu » (Merton, 1968), assez banal pour les sociologues, mais qui fut vécu comme une épiphanie par les théoriciens des réseaux complexes à la fin des années 1990 (Scott, 2011).

29À la suite des travaux « pionniers » ayant identifié l’architecture spécifique des scale-free networks, de nombreux travaux vont s’attacher à étudier et identifier les conséquences de cette propriété de distribution des degrés sur le fonctionnement des réseaux. Autrement dit, les savoirs issus de la complexité vont être subitement retraduits dans le langage, les données et la méthodologie de l’analyse de réseaux. Comme toute opération de traduction, celle-ci opère au prix d’une simplification et d’une sélection, mais en l’occurrence elle apporte aussi un gain en termes d’opérationnalisation des recherches et de généralisation des résultats.

30Plusieurs propriétés ou processus spécifiques aux réseaux invariants d’échelle ont pu être identifiées à la suite des travaux séminaux de Barabási et Albert. En premier lieu, avant d’étudier les phases de déséquilibrages et de rupture, on peut se demander quelles sont les propriétés fonctionnelles qui confèrent aux réseaux invariants d’échelle une telle universalité : ceux-ci sont considérés comme très efficaces, dans le sens où ils permettent de communiquer et de circuler très facilement et très rapidement : en passant par les « hubs », les nœuds les plus connectés du réseau, on peut facilement parcourir le réseau entier (Amaral & Ottino, 2004). Les réseaux invariants d’échelle sont donc considérés comme très efficaces, en raison de leur très faible taille (Cohen & Havlin, 2003). Cette très grande efficacité contribue aussi à la fragilité de ce type de réseau (Watts & Strogatz, 1998). Les travaux sur les réseaux invariants d’échelle se sont en particulier intéressés à la question de leur effondrement ou de leur défaillance globale, à travers les phénomènes de contagion, ou la question de la robustesse des réseaux à des chocs, ou encore au contrôle des systèmes complexes. Ces travaux ont en commun d’étudier les phases de déséquilibre des systèmes complexes.

31Un réseau peut être mis en danger non seulement par des effets de contagion d’un virus en son sein, mais aussi par une attaque extérieure. Ce cas de figure pose la question de la robustesse des réseaux complexes à des attaques extérieures. Toujours en se basant sur les données de l’Internet mondial, Cohen et al. (2000) testent la résilience des réseaux complexes à une attaque non-ciblée : si on supprime aléatoirement une certaine fraction des nœuds du réseau, reste-t-il un ensemble de nœuds interconnectés, ou bien plusieurs sous-ensembles fragmentés ? À quelles conditions un réseau d’ensemble se maintient-il ? À l’aide de simulations, les auteurs montrent que, compte tenu des caractéristiques du réseau internet mondial (distribution des degrés au sein du réseau, taille du réseau), un réseau globalement interconnecté se maintient systématiquement, même pour une attaque qui éliminerait 99 % des nœuds du réseau. En somme, une attaque aléatoire contre un réseau invariant d’échelle ne réduit pas sa connectivité d’ensemble. Une fois encore, les propriétés topologiques des réseaux complexes leur confèrent une très grande force. En revanche, ces mêmes réseaux présentent une très grande fragilité face à une attaque ciblée contre les hubs du réseau (Cohen et al., 2001) : la suppression des quelques nœuds les plus connectés perturbe l’ensemble du réseau. Triste ironie du sort, ce résultat est publié en avril 2001, quelques mois avant les attentats terroristes du 11 septembre.

32Si la plupart des recherches actuelles se focalisent sur le lien entre la topologie du réseau et sa propension à la disruption lors d’un choc, d’autres recherches s’intéressent à la transformation dynamique des réseaux et à la manière dont celle-ci contribue à leur plus grande stabilité ou instabilité. Le paradoxe de May (1972) repose sur l’idée qu’il existe une contradiction entre la complexité et la stabilité d’un système. Autrement dit, le paradoxe de May contredit le sens commun (ainsi que nombre d’observations empiriques) et montre que plus un système devient grand et hétérogène, plus il devient instable. Mais, dans le modèle de May, la connectivité est distribuée de manière aléatoire. Si, au contraire, on fait l’hypothèse que la dynamique des interactions entre les composants du système opère de manière non-linéaire, on peut modéliser plusieurs transformations des systèmes (en fonction de leur topologie initiale et des caractéristiques des interactions entre leurs éléments) et le cas où un système devient instable à mesure qu’il se complexifie devient une exception plutôt que la règle (Meena et al., 2020).

33Développée initialement par des mathématiciens et des physiciens, cette opérationnalisation de la complexité grâce aux modèles et méthodologies d’étude des réseaux complexes a permis la diffusion des savoirs issus de la complexité vers les sciences économiques et sociales. Ainsi, le couplage entre des événements marquants (attaques terroristes du 11 septembre, crise financière de 2007-2008) et des innovations méthodologiques a favorisé une circulation de ces savoirs et un décloisonnement (relatif). La plasticité des analyses de réseaux (applicables à n’importe quelles données topologiques) a contribué à son succès. L’approche par les réseaux complexes a ainsi pu être utilisée dans des domaines aussi divers que les transports, la santé publique, les marchés financiers, les marchés agricoles ou encore les réseaux de trafic de drogues (Duxbury & Haynie, 2020 ; Gai & Kapadia, 2010 ; Puma et al., 2015 ; Suweis et al., 2011 ; Wang et al., 2020). Ces données et méthodes ont en particulier permis d’éclairer les enjeux de crise, de disruption des systèmes concernés, de même qu’elles ont contribué à renouveler la réflexion autour de la régulation de ces systèmes, comme on a pu le voir dans le cas des systèmes financiers. Pour une discipline comme l’économie, on ne peut minorer le changement de perspective épistémologique induit par l’adoption de ce type d’approches : elle amène notamment à mettre de côté l’idée d’individus-atomes cherchant à maximiser leur utilité – principe qui est au cœur de la microéconomie standard – pour prendre en compte des réseaux d’acteurs interconnectés, de même qu’elle conduit à défaire la centralité épistémique de la situation d’équilibre pour se focaliser sur les situations de rupture, de crise. Néanmoins, elle a pu être adoptée plus facilement en économie que dans d’autres sciences sociales, parce qu’elle s’appuie sur un paradigme d’efficacité et de sélection naturelle par le marché (Cf. Li Vigni, 2022).

Apports et limites du paradigme de la complexité pour les sciences sociales

  • 8 John Scott écrivait ainsi à ce propos : « The social physicists have moved into sociology in the ro (...)

34Il est probable que les analyses de réseaux complexes vont continuer à se développer dans le champ des sciences économiques et sociales dans les années à venir. On peut voir au moins deux raisons à cela. D’une part, la disponibilité croissante de données topologiques de masse, de même que la disponibilité de logiciels ou de packages de logiciels dédiés aux réseaux complexes favorise et facilite ce type d’analyses. Le développement des analyses en termes de réseaux complexes s’inscrit pleinement dans l’aire du Big Data et des sciences sociales computationnelles (Buyalskaya, Gallo & Camerer, 2021). D’autre part, le fait que la topologie des réseaux soit une forme pure, indépendante de son objet concret, favorise l’application de l’analyse des réseaux complexes à n’importe quel domaine par les chercheur.e.s issus des disciplines où elle est la plus installée, telle que la physique ou l’écologie. De même qu’on a pu parler d’« impérialisme économique » à propos de la volonté des économistes (suite aux travaux de Gary Becker) d’appliquer à n’importe quelle activité sociale les outils de la microéconomie classique, on pourrait assister à l’émergence d’un impérialisme de la complexité/des réseaux complexes qui appréhende n’importe quelle activité comme un réseau. Ceci invite à ne pas ignorer ou négliger ces travaux et méthodes, à développer sur elles un regard critique, ainsi qu’à en faire un usage raisonné. Dit encore autrement, si la prétention des analystes des réseaux complexes à l’invention d’une « science des réseaux » – née en 1998 ! – pourra agacer les sociologues des réseaux8, qui s’inscrivent dans une tradition de recherche plus ancienne – remontant à Moreno, voire à Simmel –, il n’empêche que l’analyse des réseaux complexes apporte un autre regard sur les réseaux, autour des questions de topologie, de régulation, de transformation et de disruption des systèmes.

Données et méthodologie

  • 9 Plus précisément, l’établissement de la correspondance d’un réseau donné avec le modèle du scale-fr (...)

35L’une des raisons de l’attrait de l’analyse en termes de réseaux complexes tient au développement du Big Data : sa capacité à valoriser d’immenses gisements de données topologiques semble faire sa force et son attrait. Mais, précisément, les données topologiques – et encore plus celles qui correspondent à des réseaux complexes – sont moins nombreuses qu’on ne croit. D’une part, il n’est pas toujours évident de qualifier ce qui fait lien entre deux entités et – on retrouve ici un phénomène bien connu en sociologie des réseaux – les chercheurs doivent parfois « forcer » leurs données pour les transformer en données topologiques. D’autre part, quand bien même on aurait effectivement un réseau, le fait qu’on ait affaire à un réseau de grande taille structuré autour de quelques nœuds ne suffit pas en soi à le qualifier de réseau complexe. On peut déceler ici une difficulté ou limite à généraliser l’approche des réseaux complexes : cette approche s’est construite à partir du cas de l’internet mondial. On peut facilement vérifier que la distribution de degrés au sein de ce réseau suit une loi de puissance. En revanche, dès que l’on prend un objet comptant un plus petit nombre de nœuds – par exemple, quand on étudie les échanges internationaux en prenant les pays comme individus, le réseau étudié comptera moins de 200 nœuds – conclure quant à la nature topologique du réseau devient beaucoup moins aisé9. On peut penser que ceci constitue une limite à la circulation de ce type d’outils et d’approche.

  • 10 Comme les États-Unis ou la France pour le blé, ou la Thaïlande pour le riz.

36Ensuite, l’apport d’une réflexion en termes de réseaux complexes consiste à évaluer la robustesse du réseau à un choc, une disruption. Méthodologiquement, plusieurs solutions existent pour évaluer la résilience d’un réseau complexe à un choc : la comparaison inter-temporelle et l’étude des transformations d’un réseau, les Exponential Random Graph Models (ERGM), l’expérimentation naturelle et enfin la simulation (Gephart et al., 2016 ; Puma et al., 2015 ; Soramäki et al., 2007). Par exemple, pour évaluer la fragilité des marchés alimentaires internationaux, Sartori et Schiavo (2015) étudient l’ensemble des échanges agricoles depuis les années 1980 à partir d’un certain nombre d’indicateurs standards des réseaux. Ils montrent ainsi que le nombre moyen de degrés du réseau a augmenté dans le temps, témoignant d’une plus forte dépendance des pays aux échanges internationaux. Mais ils montrent que dans le même temps, la valeur des indicateurs de « fat tail distribution » tend à diminuer : autrement dit, alors qu’en début de période le réseau des échanges internationaux était structuré autour de quelques hubs centraux (Etats-Unis, France, Australie), des puissances moyennes ont entre-temps émergé (Brésil, Inde) contribuant à équilibrer le réseau et à le rendre plus stable face aux chocs. En se fondant non seulement sur le nombre de pays partenaires mais aussi sur les volumes échangés, ainsi que sur des méthodes différentes, Puma et al. (2015) aboutissent au résultat inverse. Ils comparent les réseaux des marchés internationaux du blé et du riz, pour deux périodes (1992-1996, 2005-2009). Ils montrent qu’entre ces deux périodes, le nombre de connexions bilatérales a augmenté, mais aussi qu’à mesure qu’un pays augmente ses liens d’exportations, ses volumes d’exportation augmentent de manière plus que proportionnelle. Ceci conforte l’idée que les réseaux des échanges agricoles internationaux correspondent à des réseaux complexes, où un grand nombre de pays importateurs dépendent fortement de quelques grands pays exportateurs10. Ces auteurs procèdent ensuite à des simulations d’accidents climatiques extrêmes sur les principales régions exportatrices, et évaluent les effets d’une cessation des exportations sur l’ensemble du réseau. Ils montrent que les pays les plus pauvres sont les plus affectés par les pertes de disponibilités, et que l’ampleur de ces effets est supérieure pour la période récente par rapport aux années 1990. Ils concluent ainsi à une fragilité accrue des marchés mondiaux en raison de l’intensification des échanges internationaux.

37De leur côté, Soramäki et al. (2007) testent la robustesse du marché interbancaire américain en réalisant une expérimentation naturelle basée sur les attentats du 11 septembre 2001, qui ont abouti à un arrêt complet ou une diminution des paiements interbancaires réalisés par les principales banques américaines pendant plusieurs jours. Ils montrent que les changements occasionnés dans la structure du réseau (distance moyenne entre nœuds, connectivité, clustering coefficient) furent supérieurs à ceux observables pendant la période de Noël ou de Thanksgiving.

38Les mécanismes de formation de la topologie d’un réseau peuvent aussi être testés grâce aux modèles ERGM. Apparus au début des années 2000, les modèles ERGM offrent des analyses statistiques de données dépendantes et permettent de modéliser la structure d’un réseau, alors que les indicateurs classiques en sociologie des réseaux portent sur la position des individus au sein du réseau (Brailly et al., 2017). Par exemple, dans leur étude sur le marché de la drogue sur Tor, Duxburry et Haynie montrent d’abord que ce marché correspond à un réseau invariant d’échelle, puis utilisent des ERGM pour tester l’hypothèse d’un mécanisme d’attachement préférentiel basé sur la réputation des vendeurs pour expliquer cette topologie spécifique (Duxbury & Haynie, 2018). Ils constatent en particulier que les acheteurs réalisant leur première transaction avec un vendeur vont le sélectionner en fonction de sa réputation déjà cumulée (évaluations en ligne).

39Ainsi, l’extension de l’usage des approches en termes de réseaux complexes pose un certain nombre de défis, à la fois en termes de pertinence des données, de méthodologie et de modélisation. D’une part, il faut ce méfier d’un usage incontrôlé de la référence aux réseaux complexes et la correspondance d’un réseau concret au modèle des réseaux complexes doit être testée. Par ailleurs, des innovations méthodologiques récentes permettent de tester la robustesse d’un réseau à des chocs. L’intérêt et les limites d’une approche en termes de réseau complexe semble alors se déplacer de la pertinence des données à un problème à la fois épistémologique et politique.

Réseaux complexes et régulation

40La réflexion sur l’efficacité des réseaux complexes ainsi que leur vulnérabilité à des chocs a pour conséquence que l’un des apports majeurs de ce champ de recherche porte sur la régulation, ou encore la gouvernance des enjeux associés. Comme les réseaux complexes se veulent des formes pures, indépendantes de leur objet, les préconisations en termes de politiques publiques se veulent valable pour n’importe quel domaine, de la prévention des mal épidémies à celle des crises financières, en passant par la lutte contre la criminalité ou la protection des écosystèmes naturels.

41La principale préconisation peut se résumer de manière assez simple : des stratégies de uniformes de prévention des risques sont vouées à l’échec et il est au contraire nécessaire de focaliser les interventions publiques sur les hubs les plus connectés. Ce résultat vaut aussi bien pour la prévention des maladies sexuellement transmissibles que pour celle des crises financières. Par exemple, : pour éviter une crise financière, il serait plus efficace d’exiger des réserves de liquidités spécifiques (supérieures à la moyenne) aux institutions financières les plus centrales, plutôt que d’exiger un niveau moyen de réserves de liquidité pour l’ensemble des acteurs du système (Haldane & May, 2009 ; Helbing, 2013).

42Au-delà de la différenciation des mesures de prévention en fonction de la plus ou moins grande connectivité des nœuds du réseau, certains théoriciens des risques systémiques étendent les raisonnements de l’approche des réseaux complexes pour préconiser de nouvelles stratégies de gouvernance des risques. Afin de maintenir la connectivité du système en cas de disruption, plusieurs contributions identifient des solutions possibles (Centeno et al., 2015 ; Helbing, 2013 ; May et al., 2008), telles que :

  • La redondance. Alors que celle-ci peut sembler a priori inefficace et coûteuse, disposer de connexions redondantes permet de maintenir l’activité d’un système en cas de disruption. À l’inverse, une stratégie efficace de lutte contre les organisations criminelles consisterait à viser prioritairement l’arrestation des individus les mieux connectés et disposant de peu de connexions redondantes (Duxburry & Haynie, 2018).

  • La compartimentalisation et la réduction de la connectivité du système : rendre le réseau moins dense, moins connecté, peut permettre de réduire les effets de contagion et donc la vulnérabilité des systèmes. Par exemple, en écologie, certains obstacles (naturels ou construits) entre systèmes peuvent agir comme des coupe-feux.

  • La réduction de la taille des systèmes : plus un système est étendu, plus une crise systémique produit des dégâts importants. Réduire la taille des systèmes peut permettre de fixer une limite supérieure à l’étendue des dégâts. Dans le domaine financier, ceci plaide par exemple pour la séparation de la banque de dépôt et de la banque d’affaires.

  • La sauvegarde (back-up) : il est important d’avoir un système de secours, que l’on puisse utiliser en cas d’échec/panne du système principal. Dans l’idéal, ce système de secours fonctionne selon des standards différents du système principal, au cas où précisément ce seraient ces standards qui seraient en échec.

  • Les mécanismes automatiques de ralentissement : si un système devient incontrôlable, la présence de tels mécanismes permet de donner du temps pour intervenir. Il peut typiquement s’agir d’introduire volontairement des frictions dans les systèmes, par exemple avec une taxe sur les transactions financières.

43En conséquence, ces auteurs invitent à renouveler notre approche de la gouvernance des risques (Briggs, Renn, Helbing, Centeno) en adoptant une perspective d’emblée systémique, alors que les institutions existantes du gouvernement des risques se focalisent sur des risques isolés/individuels. Ces auteurs avancent que les systèmes complexes ne se prêtent pas à une gouvernance top down, ou au contrôle externe (précisément parce que le risque systémique résulte de la dynamique endogène et émergente des systèmes). Les auteurs invitent ainsi à réformer les institutions de gestion des risques et le management des risques, et à opérer un changement de paradigme dans la régulation des risques : passer du component thinking à un system- ou interaction-thinking.

  • 11 À l’inverse, les ABM permettent précisément de modéliser l’émergence d’un niveau supérieur d’organi (...)

44Ainsi, si les sciences de la complexité et en particulier celle des réseaux complexes peuvent concevoir des critiques du néo-libéralisme et du laisser-faire en matière de régulation (Cf. supra), ces approches n’en gardent pas moins certaines affinités avec le libéralisme. Pour reprendre la distinction proposée par Li Vigni entre épistémologie et ontologie (Li Vigni, 2021a), les épistémologies et les méthodologies fondées sur le risque systémique ou les réseaux complexes ne sont pas entièrement séparables d’une ontologie de la mondialisation comme extension endogène des marchés. Sans que cela ait été nécessairement anticipé ni voulu par les inventeurs des approches en termes de réseaux complexes, celles-ci ont trouvé dans le domaine des sciences économiques et sociales une terre d’élection comme outil de lecture de la mondialisation ou, plus exactement, de la mondialisation libérale. En effet, le modèle des réseaux complexes permet d’incarner l’idée d’interdépendance généralisée et d’approfondissement permanent de cette interdépendance par extension endogène de la sphère de l’échange. Il offre une clé de lecture à la fois des bénéfices et des vulnérabilités résultant de la mondialisation. L’approche par les réseaux complexes a permis de renouveler la notion de risque systémique pour saisir les vulnérabilités nouvelles liées à la mondialisation des économies (Centeno et al., 2015 ; Helbing, 2013 ; Renn et al., 2017) : ces risques seraient liés à des effets de contagion de chocs locaux tout au long de réseaux internationaux. L’approche par les réseaux complexes ratifie une vision de la mondialisation comme processus d’interconnexion horizontale généralisée et d’effacement des institutions et États. Si, comme on l’a vu, les tenants de la complexité ont pu réhabiliter une forme de régulation, ils le font au sein d’un certain cadre épistémique, où la régulation verticale est par essence vouée à l’échec (elle ne peut enrayer la dynamique endogène de la formation des attachements au sein d’un réseau) (Cumming, 2016). De sorte que le type de régulation promue est avant tout une auto-régulation par les parties prenantes. Les réseaux complexes sont certes structurés, mais sont plats : avec la traduction de la complexité par les réseaux complexes, on perd une caractéristique fondamentale de la complexité, à savoir la notion d’émergence et d’apparition endogène d’un niveau supérieur d’organisation11.

Quelle conception de la crise ?

45L’analyse des réseaux complexes s’intéresse à l’évolution des réseaux et se focalise sur un cas de figure précis, celui de l’événement ou de la transformation systémique amenant à la désagrégation voire l’effondrement du système (Ferguson, 2010). Ceci constitue indéniablement un de ses apports. Mais on peut alors se demander quelle est la conception de l’événement systémique associée à l’analyse des réseaux complexes et comment elle se situe par rapport à d’autres analyses. Pour cerner cette spécificité, on peut poser deux questions : quels sont les mécanismes de l’événement systémique ? Et qu’est-ce qui fait système ? L’analyse des réseaux complexes ne propose pas d’analyse de la manière dont les activités d’un système peuvent en elles-mêmes conduire à sa déstabilisation ou à une crise globale, mais étudient en quoi la topologie d’un réseau peut susciter une vulnérabilité systémique à un choc local. Ainsi, sans que ce soit nécessairement voulu, l’approche par les réseaux complexes embarque une certaine épistémologie de la crise systémique et exclue ou minore certaines réflexions. Aglietta (2003) distingue ainsi deux paradigmes de la crise systémique : l'ouragan et l'effet domino. Dans une vision endogène du risque systémique, un choc systémique fonctionne comme un ouragan : à l'instar d'une oscillation interne du climat, il frappe d'emblée tous les acteurs et constitue d'emblée un choc global. À l'inverse, dans la vision exogène du risque systémique, la crise provient d'un choc ou d'un accident localisé qui se propage ensuite à tous les acteurs, du fait de leur interdépendance (effet domino). Dans cette perspective, la nature systémique du risque est liée à la manière dont une défaillance individuelle se propage à l'ensemble du système. Par exemple, si on prend le cas de la crise financière de 2007-2008, l’analyse des réseaux complexes permet de comprendre pourquoi la faillite de la banque Lehmann Brothers s’est révélée dévastatrice pour l’ensemble du système financier. En revanche, elle ne permet pas de comprendre en quoi la multiplication des produits dérivés a conduit à déstabiliser les marchés financiers au lieu d’assurer une répartition plus efficace des risques (Aglietta, 2011). Pour Aglietta, la crise financière n’est pas la conséquence d’un investissement malheureux qui se répand de proche en proche en raison de l’interdépendance entre les acteurs des marchés financiers, mais la résultante du fonctionnement propre aux marchés financiers dans leur phase de croissance : l’optimisme qui prévaut alors entraîne une augmentation de la prise de risque mais aussi son invisibilisation. Ainsi, au cours de la phase de croissance du cycle financier, les déséquilibres s’accumulent, jusqu’au moment où des emprunteurs se retrouvent en défaut de paiement. À ce moment, la convention optimiste qui prévalait jusqu’alors se retourne et les acteurs cherchent à liquider leurs positions pour limiter leurs pertes. L’interdépendance stratégique entre les acteurs du marché (leurs actions pour limiter leurs propres pertes accroît le processus de dévalorisation des actifs) peut engendrer des variations extrêmes du prix des actifs et précipiter une crise financière systémique. L’approche par les réseaux complexes n’a pas permis, jusqu’à présent, de modéliser ce type de processus : elle se contente de mettre en avant les conséquences de la disparition des principaux hubs du réseaux, pensée comme la résultante d’une attaque extérieure (ciblée ou non). Plus généralement, cette approche élude ou échoue à développer un regard critique sur les marchés financiers et leur libéralisation à partir des années 1980. Elle ne questionne pas la manière dont ces processus ont contribué à transformer structurellement la répartition de la valeur ajoutée entre capital et travail, et se sont articulés plus généralement à des politiques néo-libérales de dérégulation des marchés, de recul de l’État social et de discipline salariale, entraînant une augmentation des inégalités sociales et générationnelles. Autrement dit, mis à part la mise en exergue du mécanisme de l’attachement préférentiel, l’approche des réseaux complexes contribue assez faiblement à la compréhension de la manière dont la production des inégalités aboutit à des crises systémiques.

46Ainsi, le fait que l’analyse des réseaux complexes se focalise sur la question de la disruption du réseau pose une question épistémologique et politique. Quand, ou à quelles conditions considère-t-on qu’un système pose problème ? Quand le système dysfonctionne ou quand il fonctionne trop bien ? La vision des crises et de l’adaptation aux crises portée par l’analyse des réseaux complexes se situe dans l’univers intellectuel de la résilience, concept lui aussi issu de la physique et de l’écologie (Holling, 1973), approche qui naturalise la survenance de ces crises et tend à esquiver toute réflexion sur le fonctionnement du système lui-même. Elle constitue en quelque sorte l’envers de la tradition marxiste, qui voit la survenance de crises comme un effet intrinsèque du fonctionnement d’un système, et la crise économique comme la résultante des contradictions propres à un processus d’accumulation. On comprend alors mieux les affinités qu’a pu trouver la théorie des réseaux complexes avec l’économie de tradition néo-classique : bien qu’elle mette à distance le paradigme de l’équilibre (central dans l’économie néo-classique), elle n’envisage la crise que sous l’angle de chocs extérieurs, et non comme le fruit de l’accumulation de déséquilibres internes (entre la production et les besoins sociaux, par exemple, ou encore entre les activités productives et la reproduction des forces productives).

47Au-delà des crises économiques, les catastrophes ne correspondent pas seulement à des événements ponctuels entraînant une disruption fonctionnelle patente (accidents, catastrophes naturelles, mouvement sociaux, conflits armés), mais aussi – comme le souligne Knowles à travers la notion de « slow disaster » – à des dynamiques structurelles, que l’événement va révéler voire aggraver (Knowles, 2014). Souvent, la catastrophe correspond moins à un accident exceptionnel, extra-ordinaire, qu’au fonctionnement normal du « système » et à l’exposition chronique à de faibles doses (Chateauraynaud, Debaz & Fintz, 2013). De même, les conséquences des catastrophes ne peuvent se penser uniquement dans la temporalité de l’événement disrupteur, mais à long terme, comme le montre le cas des pesticides ou de l’énergie nucléaire (Boudia & Jas, 2013 ; Torny, 2013).

Conclusion

48Les sciences de la complexité ont trouvé une opérationnalisation et une traduction puissantes dans la modélisation des réseaux complexes. Le succès (relatif) de cette network science se construit au confluent de deux tendances : une préoccupation grandissante pour les questions de crises et d’effondrement systémique d’une part, et le développement du Big Data et des sciences sociales computationnelles d’autre part. Cet article a montré que les réflexions issues de la complexité en général et des réseaux complexes en particulier permettent de renouveler les questionnements des sciences sociales ou d’éclairer à nouveaux frais des problèmes bien connus. Les outils des réseaux complexes permettent d’objectiver et même de mesurer des risques de disruption d’un système. De même, ils permettent d’évaluer la pertinence d’une politique de prévention des risques. En revanche, à rebours des prétentions révolutionnaires et des visées d’établissement d’une grammaire universelle des processus des théoriciens des réseaux complexes, cet article a montré les limites de ces modèles et outils, tant en termes d’application empiriques que de portée épistémique. Si la topologie d’un système social peut offrir un éclairage intéressant sur sa vulnérabilité, il ne faut pas perdre de vue que dans le domaine des affaires humaines, les crises engagent nécessairement des enjeux de perceptions, d’affects, de normes, d’institutions, qui se laisse difficilement rabattre sur des structures relationnelles. Au-delà de ces limites, cet article a souligné que l’approche des réseaux complexes charrie une épistémologie fonctionnaliste qui tend à désarmer un regard critique sur les inégalités et à dépolitiser la lecture des crises.

49Le développement des sciences sociales computationnelles va parfois de pair avec des prophéties de renouvellement complet de la grammaire des sciences sociales, et même des sciences tout cours (Buyalskaya, Gallo & Camerer, 2021). Les réseaux complexes contribuent typiquement à cette tendance. Cet article tempère fortement cette ambition de renouvellement complet de l’épistémologie des sciences sociales, à la faveur du développement des méthodes et outils computationnels. Mais, il invite aussi à ne pas voir le développement de ces outils (qu’il s’agisse des réseaux complexes ou d’autres) comme un phénomène qui serait extérieur aux sciences sociales et qui les menacerait. En réalité, il est tout à fait possible d’adapter des outils développés par d’autres disciplines aux contraintes du raisonnement sociologique (Cointet & Parasie, 2018). De même, les nouvelles méthodes apportées ou favorisées par les sciences sociales computationnelles n’excluent pas les méthodes plus classiques des sciences sociales, et bénéficient au contraire de leur articulation avec ces méthodes (Ollion, 2015 ; Venturini, Cardon & Cointet, 2014). Au-delà du cas particulier des réseaux invariants d’échelle, l’approche par les réseaux complexes permet par exemple de renouveler le regard sur les interdépendances, en prêtant attention à leur topologie.

L'auteur remercie chaleureusement Claire Lemercier, Laurent Beauguitte ainsi que les évaluateurs anonymes de la revue pour leur lecture, remarques et conseils sur des versions antérieures de ce texte.

Haut de page

Bibliographie

Adrian, T. & Brunnermeier, M.K. (2011). “CoVaR,” SSRN Scholarly Paper, ID 1269446, Rochester, NY, Social Science Research Network.

Aglietta, M. (2003). Le risque systémique dans la finance libéralisée. Revue d’économie financière, (70), 33–50.

Aglietta, M. (2011). Risque systémique et politique macroprudentielle : une nouvelle responsabilité des banques centrales. Revue d’économie financière, 101(1), 193–204.

Albert, R., Jeong, H. & Barabási, A.-L. (1999). Diameter of the World-Wide Web. Nature, 401(6749), 130–131.

Albert, R., Jeong, H. & Barabási, A.-L. (2000). Error and attack tolerance of complex networks. Nature, 406(6794), 378–382.

Amaral, L.A.N. & Ottino, J.M. (2004). Complex networks. The European Physical Journal B, 38(2), 147–162.

Arthur, W.B. (2014). Complexity and the Economy. 1st edition. Oxford; New York: Oxford University Press.

Aubin, D. & Dalmedico, A.D. (2002). Writing the History of Dynamical Systems and Chaos: Longue Durée and Revolution, Disciplines and Cultures. Historia Mathematica, 29(3), 273–339.

Aykut, S. & Dahan, A. (2015). Gouverner le climat ? Vingt ans de négociations internationales. Paris : Les Presses de Sciences Po.

Baker, E. (2022). The ultimate think tank: The rise of the Santa Fe Institute libertarian. History of the Human Sciences, 35(3-4), 32–57.

de Bandt, O. & Hartmann, P. (2000). “Systemic Risk: A Survey,” ECB Working Paper, Working Papers Series, 35, Frankfurt, European Central Bank.

Barabási, A. (2002). Linked: The New Science Of Networks Science Of Networks. 1st  edition. Cambridge, Mass: Perseus Books Group.

Barabási, A.-L. & Albert, R. (1999). Emergence of scaling in random networks. Science, 286(5439), 509–512.

Barabási, A.-L. & Bonabeau, E. (2003). Scale-Free Networks. Scientific American. May 1.

Bernard de Raymond, A., Alpha, A., Ben-Ari, T., Daviron, B., Nesme, T. & Tétart, G. (2021). Systemic risk and food security. Emerging trends and future avenues for research. Global Food Security, 29, 100547. https://doi.org/10.1016/j.gfs.2021.100547

Billio, M., Getmansky, M., Lo, A. & Pelizzon, L. (2012). Econometric measures of connectedness and systemic risk in the finance and insurance sectors. Journal of Financial Economics, 104(3), 535–559.

Boss. M., Elsinger, H., Summer, M. & Thurner, S. (2004). Network topology of the interbank market. Quantitative Finance, 4(6), 677–684.

Boudia, S. & Jas, N. (2013). Toxicants, health and regulation since 1945. London: Pickering & Chatto.

Brailly, J., Eloire, F., Favre, G. & Pina-Stranger, A. (2017). Explorer les réseaux à l’échelle de la triade : l’apport des modèles statistiques ERGM. L’Année sociologique, 67(1), 219–254.

Burt, R.S. (1992). Structural holes. Cambridge: Harvard University Press.

Buyalskaya, A., Gallo, M. & Camerer, C.F. (2021). The golden age of social science. Proceedings of the National Academy of Sciences, 118(5), e2002923118.

Caccioli, F., Marsili, M. & Vivo, P. (2009). Eroding market stability by proliferation of financial instruments. The European Physical Journal B, 71(4), 467.

Centeno, M.A., Nag, M., Patterson, T.S., Shaver, A. & Windawi, A.J. (2015). The Emergence of Global Systemic Risk. Annual Review of Sociology, 41(1), 65–85.

Chateauraynaud, F., Debaz, J. & Fintz, M. (2013). At the frontier of health safety: metrological controversies on low doses and endocrine disruptors. Natures Sciences Societes, 21(3), 271–281.

Clauset, A., Shalizi, C.R. & Newman, M.E.J. (2009). Power-Law Distributions in Empirical Data. SIAM Review, 51(4), 661–703.

Cohen, R., Erez, K., ben Avraham, D. & Havlin, S. (2000). Resilience of the Internet to Random Breakdowns. Physical Review Letters, 85(21), 4626–4628.

Cohen, R., Erez, K., ben Avraham, D. & Havlin, S. (2001). Breakdown of the Internet under Intentional Attack. Physical Review Letters, 86(16), 3682–3685.

Cohen, R. & Havlin, S. (2003). Scale-Free Networks are Ultrasmall. Physical Review Letters, 90(5), 058701.

Cointet, J.-P. & Parasie, S. (2018). Ce que le big data fait à l’analyse sociologique des textes. Un panorama critique des recherches contemporaines. Revue française de sociologie, 59(3), 533–557.

Crutchfield, J.P. (2009). The Hidden Fragility of Complex Systems – Consequences of Change, Changing Consequences. In G. Ascione, C. Massip & J. Perello (eds.). Cultures of Change: Social Atoms and Electronic Lives (pp. 98-111). Barcelona: ACTAR D Publishers.

Cumming, G.S. (2016). Heterarchies: Reconciling Networks and Hierarchies. Trends in Ecology & Evolution, 31(8), 622–632.

Ducruet, C. & Zaidi, F. (2012). Maritime constellations: a complex network approach to shipping and ports. Maritime Policy & Management, 39(2), 151–168.

Durkheim, E. (2013). Les formes élémentaires de la vie religieuse. 7ème édition. Paris : PUF.

Duxbury, S. & Haynie, D.L. (2020). The responsiveness of criminal networks to intentional attacks: Disrupting darknet drug trade. PloS One, 15(9), e0238019.

Duxbury, S.W. & Haynie, D.L. (2018). The Network Structure of Opioid Distribution on a Darknet Cryptomarket. Journal of Quantitative Criminology, 34(4), 921–941.

Erdős, P. & Rényi, A. (1960). On the Evolution of Random Graphs. Publication of the Mathematical Institute of the Hungarian Academy of Sciences, pp. 17–61.

Ferguson, N. (2010). Complexity and Collapse: Empires on the Edge of Chaos. Foreign Affairs, 89(2), 18–32.

Freeman, L.C. (2004). The Development of Social Network Analysis: A Study in the Sociology of Science. Vancouver, BC: North Charleston, SC: Empirical Press.

Gai, P. & Kapadia, S. (2010). Contagion in financial networks. Proceedings of the Royal Society of London A: Mathematical, Physical and Engineering Sciences, rspa20090410.

Gephart, J.A., Rovenskaya, E., Dieckmann, U., Pace, M.L. & Brännström, Å. (2016). Vulnerability to shocks in the global seafood trade network. Environmental Research Letters, 11(3), 035008.

Gingras, Y. & Schinckus, C. (2012). The institutionalization of econophysics in the shadow of physics. Journal of the History of Economic Thought, 34(1), 109–130.

Haldane, A.G. & May, R.M. (2011). Systemic risk in banking ecosystems. Nature, 469(7330), 351–355.

Helbing, D. (2013). Globally networked risks and how to respond. Nature, (497), 51–59.

Holling, C.S. (1973). Resilience and Stability of Ecological Systems. Annual Review of Ecology and Systematics, 4(1), 1–23.

Jensen, P. (2018). Pourquoi la société ne se laisse pas mettre en équations. Paris : Seuil.

Kambhu, J., Weidman, S. & Krishnan, N. (2007). New Directions for Understanding Systemic Risk: A Report on a Conference Cosponsored by the Federal Reserve Bank of New York and the National Academy of Sciences.

Keynes, J.M. (2016). The General Theory of Employment, Interest, and Money. 1st edition. San Diego: Mariner Books.

Kilpatrick, H.E. (2001). Complexity, spontaneous order, and Friedrich Hayek: Are spontaneous order and complexity essentially the same thing? Complexity, 6(4), 16–20.

Knowles, S. (2014. Learning from Disaster? The History of Technology and the Future of Disaster Research. Technology and Culture, 55, 773–784.

Lazer, D., Pentland, A., Adamic, L., Aral, S., Barabási, A.-L., Brewer, D., Christakis, N., Contractor, N., Fowler, J., Gutmann, M., Jebara, T., King, G., Macy, M., Roy, D. & Van Alstyne, M. (2009). Computational Social Science. Science, 323(5915), 721–723.

Lenton, T.M., Rockström, J., Gaffney, O., Rahmstorf, S., Richardson, K., Steffen, W. & Schellnhuber, H.J. (2019). Climate tipping points – too risky to bet against. Nature, 575(7784), 592–595.

Li Vigni, F. (2020a). Normativité des modèles et régimes du futur. Revue d’anthropologie des connaissances, 14(1).

Li Vigni, F. (2020b). Le projet épistémique des sciences des systèmes complexes. Philosophia Scientiæ. Travaux d’histoire et de philosophie des sciences, 24(1), 181–200.

Li Vigni, F. (2021a). Regimes of Evidence in Complexity Sciences. Perspectives on Science, 29(1), 62–103.

Li Vigni, F. (2021b). The failed institutionalization of “complexity science”: A focus on the Santa Fe Institute’s legitimization strategy. History of Science, 59(3), 344–369.

Li Vigni, F. (2022). Hayek at the Santa Fe Institute: Origins, Models, and Organization of the Cradle of Complexity Sciences. Centaurus, 64(2), 443–481.

Liljeros, F., Edling, C.R., Amaral, L.A.N., Stanley, H.E. & Aberg, Y. (2001). The Web of Human Sexual Contacts. Nature, 411(6840), 907–908.

Lloyd, S. (2002). “Complex systems: a review,” Working Paper, ESD-WP-2003-01.16, Massachusetts Institute of Technology. Engineering Systems Division.

Lordon, F. (2008). Jusqu’à quand?, Paris : Raisons d’agir.

Macy, M.W. & Willer, R. (2002). From Factors to Actors: Computational Sociology and Agent-Based Modeling. Annual Review of Sociology, 28(1), 143–166.

Marquet, P.A., Allen, A.P., Brown, J.H., Dunne, J.A., Enquist, B.J., Gillooly, J.F., Gowaty, P.A., Green, J.L., Harte, J., Hubbell, S.P., O’Dwyer, J., Okie, J.G., Ostling, A., Ritchie, M., Storch, D. & West, G.B. (2014). On Theory in Ecology. BioScience, 64(8), 701–710.

May, R.M. (1972). Will a Large Complex System be Stable? Nature, 238(5364), 413–414.

May, R.M., Levin, S.A. & Sugihara, G. (2008). Complex systems: Ecology for bankers. Nature, 451(7181), 893–895.

Meena, C., Hens, C., Haber, S., Boccaletti, S. & Barzel, B. (2020). Dynamic stability of complex networks. arXiv:2007.04890 [nlin].

Mercklé, P. (2004). Sociologie des réseaux sociaux. 3ème édition. Paris : La Découverte.

Merton, R.K. (1968). The Matthew Effect in Science. Science, 159(3810), 56–63.

Moreno, J.L. (1934). Who shall survive?. Nervous and Mental Disease Publishing Cy.

Nature. (2009). A model approach. Nature, 460(7256), 667.

Newman, M.E.J. (2003). The structure and function of complex networks. Siam Review, 45(2), 167–256.

Nicolis, G. & Prigogine, I. (1989). Exploring Complexity: An Introduction. New York: W.H.Freeman & Co Ltd.

Ollion, É. (2015). L’abondance et ses revers. Big data, open data et recherches sur les questions sociales. Informations sociales, 191(5), 70–79.

Price, D. de Solla (1965). Networks of Scientific Papers, Science, 149(3683), 510–515.

Puma, M.J., Bose, S., Chon, S.Y. & Cook, B.I. (2015). Assessing the evolving fragility of the global food system. Environmental Research Letters, 10(2), 024007.

Renn, O. & Keil, F. (2008). Systemische Risiken: Versuch einer Charakterisierung. GAIA – Ecological Perspectives for Science and Society, 17(4), 349–354.

Renn, O., Lucas, K., Haas, A. & Jaeger, C. (2017). Things are different today: the challenge of global systemic risks. Journal of Risk Research, 22(4), 401–415.

Revet, S. (2011). Penser et affronter les désastres ; un panorama des recherches en sciences sociales et des politiques internationales. Critique internationale, (52), 157–173.

Scott, J. (2011). Social Physics ans Social Networks. In J. Scott & P.J. Carrington (eds.). The Sage Handbook of Social Network Analysis. London; Thousand Oaks, Calif: SAGE.

Soramäki, K., Bech, M.L., Arnold, J., Glass, R.J. & Beyeler, W.E. (2007). The topology of interbank payment flows. Physica A: Statistical Mechanics and its Applications, 379(1), 317–333.

Suweis, S., Konar, M., Dalin, C., Hanasaki, N., Rinaldo, A. & Rodriguez‐Iturbe, I. (2011). Structure and controls of the global virtual water trade network. Geophysical Research Letters, 38(10).

Torny, D. (2013). Managing an everlastingly polluted world. Food Policies and community health actions in the French West Indies. In N. Jas & S. Boudia (eds). Toxicants, health and regulation since 1945. London: Routledge.

Venturini, T., Cardon, D. & Cointet, J.-P. (2014). Présentation. Réseaux, 188(6), 9–21.

Vespignani, A. (2018). Twenty years of network science. Nature, 558(7711), 528–529.

Wang, L., Zhang, N., Ye, F., Lau, Y. & Ducruet, C. (2020). The complex network analysis of liner shipping networks: Lessons from the merger between COSCO and CSCL. Growth and Change, 51(4), 1877–1893.

Watts, D.J. & Strogatz, S.H. (1998). Collective dynamics of “small-world” networks. Nature, 393(6684), 440–442.

Zwirn, H. (2006). Les systèmes complexes : Mathématiques et biologie. Paris : Odile Jacob.

Haut de page

Notes

1 Au sens large, des « sciences de la terre et de l’univers ».

2 Pour une discussion de ce résultat, voir Meena et al., 2020. Ces auteurs montrent notamment que si l’on prend en compte non seulement la topologie du réseau mais aussi sa dynamique, le paradoxe de May apparaît comme un cas particulier, tandis que les réseaux qui restent stables en même temps qu’ils se complexifient apparaissent comme la norme.

3 Par exemple, Adrian et Brunnemeier (2011) proposent un nouvel outil de mesure du risque systémique, la « conditional value at risk » (CoVar), en lieu et place de la « value at risk » traditionnellement utilisée en finance.

4 Ce propos s’appuie sur une analyse de la littérature scientifique sur les risques systémiques, effectuée dans le cadre du projet SysRisk (Risques systémiques, incertitudes et politiques de sécurité alimentaire), financé par le Métaprogramme INRA - Cirad GloFoodS (2017 - 2019). Ce corpus de publications a été obtenue par une extraction sur la plateforme Web of Science, des textes comportant l’expression « Systemic risk* » dans la catégorie « Topic », de 1956 à nos jours. Pour une présentation détaillée, voir (Bernard de Raymond et al., 2021).

5 Les réseaux assortatifs sont des réseaux où les nœuds présentant le même nombre de degré tendent à s’associer entre eux, tandis que les réseaux disassortatifs sont des réseaux qui connectent des nœuds de degrés très différents. Les réseaux disassortatifs sont plus vulnérables à des suppressions ciblées de nœuds que les réseaux assortatifs (Newman, 2002, REF).

6 Aussi, les ABM ne seront pas présentés dans cet article. À titre d’exemple, dans le corpus sur les risques systémiques, l’expression « interbank network » se classe au 11e rang des termes les plus cités, tandis que l’expression « agent-based model » se classe au 58e rang.

7 En outre, même s’il n’y a aucune nécessité à cela, la sociologie étudie en général des réseaux uni-modaux, où tous les acteurs appartiennent à la même classe, alors que les études de réseaux complexes portent plutôt sur des réseaux bi-modaux ou pluri-modaux. Les différentes espèces animales ainsi que les plantes constituant une chaîne alimentaire constituent un exemple typique de réseau pluri-modal. Ceci étant dit, il est vrai que les physiciens et écologues opèrent plus une redécouverte de l’analyse de réseaux avec un regard spécifique que la création à part entière d’un nouveau champ de recherche. Les sociologues des réseaux apprécieront certainement d’apprendre qu’en 2018, un article établissant le bilan des recherches sur les réseaux complexes s’intitulait « 20 years of network science » (Vespignani, 2018) situant ainsi la naissance de l’analyse de réseaux en… 1998, avec la publication de l’article de Watts et Strogatz (Watts & Strogatz, 1998).

8 John Scott écrivait ainsi à ce propos : « The social physicists have moved into sociology in the role of the civilised colonisers of virgin, barbarian territory. Not unnaturally, they have encountered resistance from the native inhabitants, who justifiably feel that their achievements have been disparaged and that they are being dispossessed from the field that they have made their own » (Scott, 2011, p. 56).

9 Plus précisément, l’établissement de la correspondance d’un réseau donné avec le modèle du scale-free network est une approximation (test de Kolmogorov-Smirnov, (Clauset, Shalizi & Newman, 2009).

10 Comme les États-Unis ou la France pour le blé, ou la Thaïlande pour le riz.

11 À l’inverse, les ABM permettent précisément de modéliser l’émergence d’un niveau supérieur d’organisation sociale à partir de la simulation des interactions entre agents à un niveau micro (Macy & Willer, 2002).

Haut de page

Table des illustrations

Titre Figure 1 : Évolution des thèmes d’un corpus scientifique sur les risques systémiques
Crédits Source : CorText
URL http://journals.openedition.org/rac/docannexe/image/30519/img-1.png
Fichier image/png, 168k
Haut de page

Pour citer cet article

Référence électronique

Antoine Bernard de Raymond, « La société comme « système complexe » »Revue d’anthropologie des connaissances [En ligne], 17-3 | 2023, mis en ligne le 26 juin 2023, consulté le 14 juillet 2024. URL : http://journals.openedition.org/rac/30519 ; DOI : https://doi.org/10.4000/rac.30519

Haut de page

Auteur

Antoine Bernard de Raymond

Sociologue à INRAE (Bordeaux Sciences Économiques, Université de Bordeaux). Ses travaux portent sur la sécurité alimentaire et articulent sociologie économique, sociologie des risques et sociologie des mouvements sociaux. Il a notamment coordonné (avec Delphine Thivet) l’ouvrage Un monde sans faim. Gouverner la sécurité alimentaire (Presses de Sciences Po, 2021). Il développe actuellement des recherches sur l’accès à l’alimentation et les transformations des formes de protection sociale.
ORCID : https://orcid.org/0000-0001-5936-7892

Adresse : Bordeaux Sciences Économiques, 16 Avenue Léon Duguit, Bât H2, FR-33608 Pessac Cedex (France)
Courriel : antoine.deraymond[at]inrae.fr

Haut de page

Droits d’auteur

CC-BY-NC-ND-4.0

Le texte seul est utilisable sous licence CC BY-NC-ND 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.

Haut de page
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search