Dissertation - HQ

174 Conclusion
global sur la connectivité entre les populations adultes n’est donc pas
trivial.
C.2 Intérêts et limites des modèles numériques
C.2.1 Quand et pourquoi utiliser des modèles ?
Notre difficulté à
appréhender les
intéractions
Propension à rendre les
modèles plus “réalistes”
Notre faculté de raisonnement est en général mise à mal dès que nous
cessons de voir les choses en termes purement additifs et soustractifs et
que nous essayons d’appréhender des interactions. Considérons, par
exemple, un événement de la vie courante impliquant un raisonnement
souvent purement additif : faire des courses dans un supermarché. Le
processus est régi par des lois simples : chaque élément a une propriété
(un prix) et ces propriétés sont additives (plus il y a de marchandises
dans le caddie, plus le prix est élevé). Ce type de raisonnement est
tellement naturel qu’après une période d’observation, nous sommes
en général capable de prédire à peu près combien coûtera un caddie
donné, sans explicitement faire le calcul. Considérons alors le cas de
promotions : acheter un produit réduit le prix d’un autre produit
(il existe une interaction entre les deux produits, qui modifie leurs
propriétés). Tant que les changements restent simples et localisés (3
pour 2, 15% de réduction, etc.) nous arrivons à prédire leur effet sur le
prix final. Imaginons maintenant une grande surface où acheter un litre
de jus d’orange donne droit à 0.5 euros de réduction sur un kilo de
viande bovine — origine France certifiée — et que la viande de bœuf
donne à son tour droit à un produit gratuit dans le rayon “Entretien
du jardin”, mais augmente également le prix de la viande de porc,
par un facteur différent selon l’heure de la journée . . . nous serions
rapidement dépassés. Pourtant, cette situation ne correspondrait qu’à
un écosystème très simplifié, avec quelques relations de coopération (les
promotions) et d’exploitation (les augmentations de prix) régies par des
facteurs extrinsèques (l’heure de la journée). Tout comme les grandes
surfaces ont recours à des caisses enregistreuses, il est utile de recourir
à une représentation mathématique dans laquelle les propriétés de
chacun des constituants sont paramétrées et les interactions (qui, prises
individuellement, sont simples) sont représentées, afin de comprendre
le comportement du réseau d’interactions à partir de l’observation des
résultats.
Notre faiblesse face aux interactions et aux processus dit non-linéaires
qu’elles engendrent, explique pourquoi les modèles mathématiques
sont des outils prisés dans les domaines de la biologie où les interactions
sont dominantes : les réseaux neuronaux, l’expression génétique,
les voix métaboliques, le fonctionnement des écosystèmes, etc. Elle
explique également notre tendance à vouloir rendre ces modèles toujours
plus “réalistes”, en y intégrant le maximum de processus, car les
interactions entre tous ces processus seraient très difficiles à aborder
autrement. Mais il convient alors de s’interroger sur les hypothèses et