Analyses avancées

Quatre analyses statistiques avancées, calculées automatiquement à partir des données ouvertes, avec des réglages fixés à l'avance et leurs limites affichées.

47,1 % part de « Jours de forte chaleur dans l'année » dans les contributions

Mise à jour : 6 novembre 2026

En bref

Variable la plus mobilisée Jours de forte chaleur dans l'année 47,1 % des contributions Erreur hors échantillon 23,1 vs 13,2 forêt contre modèle naïf (RMSE) Mois atypiques 7 cas régionaux en septembre 2026 Prévisions 16,2 vs 13,2 RMSE forêt contre naïf

1 Ce qui pèse sur l'indice de tension financière

Qu'est-ce que le modèle mobilise pour reproduire l'indice de tension financière ?

Une forêt aléatoire (500 arbres) reproduit l'indice de tension financière de chaque année (1999-2025) à partir de cinq variables. Les valeurs de Shapley répartissent, année par année, l'écart entre la valeur du modèle et le niveau moyen (60,7) entre ces variables.

Importance globale (moyenne des contributions en valeur absolue)

Jours de forte chaleur dans l'année 47,1 % · ±7,5
FSI de l'année précédente 30,1 % · ±4,8
Croissance de la valeur ajoutée agricole 10,8 % · ±1,7
Anomalie de température de l'année 7,6 % · ±1,2
Sécheresse de l'année (SPEI-12 de décembre) 4,5 % · ±0,7

R² dans l’échantillon0,56

Erreur hors échantillon (RMSE, 17 ans)23,1

Erreur du modèle naïf (valeur de l'année précédente)13,2

Hors échantillon, le modèle prévoit moins bien que la simple reconduction de l'année précédente : les contributions ci-dessous décrivent la façon dont il reproduit le passé, pas un outil de prévision.

2 Contributions année par année

Choisir une année

Niveau moyen60,7

Jours de forte chaleur dans l'année (55,6 j) +5,0

FSI de l'année précédente (50,5) −7,6

Croissance de la valeur ajoutée agricole (3,7 %) +1,0

Anomalie de température de l'année (0,7 °C) −1,4

Sécheresse de l'année (SPEI-12 de décembre) (0,2) −1,1

Valeur du modèle56,6

Valeur observée50,0

Lecture : une contribution positive signifie que la valeur de la variable cette année-là a conduit le modèle à placer l'indice au-dessus de son niveau moyen. Ces contributions décrivent le fonctionnement du modèle et n'établissent aucun effet causal. L'échantillon est court (une trentaine d'années) et une variable qui augmente avec le temps, comme les jours de forte chaleur, peut capter une tendance commune plutôt qu'une relation directe.

3 Mois climatiques atypiques

Casablanca-Settat septembre 2026 nombreux jours de forte chaleur
Rabat-Salé-Kénitra septembre 2026 nombreux jours de forte chaleur
Souss-Massa septembre 2026 température très au-dessus de la normale
Guelmim-Oued Noun septembre 2026 nombreux jours de forte chaleur
Fès-Meknès septembre 2026 nombreux jours de forte chaleur
Moyenne nationale septembre 2026 nombreux jours de forte chaleur

Une forêt d'isolement compare chaque mois à l'historique de la région sur quatre variables corrigées de la saison. Un mois est signalé s'il fait partie des 3 % les plus atypiques. La variable citée est la plus éloignée de son niveau habituel ; ce n'est pas une explication complète.

Tous les cas dans la page Alertes

4 Autres analyses sur le site

Prévision de l'indice de tension financière Random forest · Gradient boosting

Erreurs hors échantillon (RMSE) : forêt 16,2, boosting 19,4, modèle naïf 13,2.

Comparer les modèles → Veille classée par thème Plongements multilingues

Chaque publication est rangée automatiquement par thème, avec un court résumé extrait de son texte.

Page Actualités →

Méthode et limites

Tous les calculs sont faits lors de la mise à jour quotidienne avec scikit-learn, sans service externe, avec des hyperparamètres et une graine aléatoire fixes : les résultats sont reproductibles.
Les valeurs de Shapley sont calculées exactement (toutes les coalitions des cinq variables), sans approximation.
Les modèles à arbres apprennent du passé et ne prolongent pas une tendance : ils ne peuvent pas prévoir une valeur hors de la plage déjà observée.
Prédiction n'est pas causalité : qu'une variable pèse dans le modèle ne signifie pas qu'elle cause les variations de l'indice.

Source : Calculs de l'Observatoire (scikit-learn) ; Open-Meteo (ERA5) ; Banque mondiale