By Invitation Only – CEPI/HKF/290524

Introduction

L’information est le nouveau pétrole et nous sommes entrés dans l’ère de la « société en réseau » qui aura un impact considérable sur la politique, l’économie et la culture, sous l’impulsion des technologies de l’information et de la communication (Castells, 2000, pp. 13-18). Dans le même temps, l’outil TIC dans la politique publique pourrait être considéré comme l’application de systèmes technologiques de pointe qui facilitent la collecte, le traitement et la diffusion de l’information par le secteur public. Dans un certain nombre de domaines, tels que l’administration publique, la gouvernance et la gestion des dépenses publiques, ces instruments ont pris de l’importance.

L’introduction des nouvelles technologies de l’information et de la communication a donné lieu à de nombreuses présomptions de changements radicaux dans la société dans son ensemble. Des affirmations préalables ont été formulées au sujet de diverses avancées technologiques. Standage (1998) et les outils TIC peuvent améliorer la responsabilité des gouvernements, la transparence et les services publics, mais les échecs des politiques gouvernementales sont la raison pour laquelle les avantages du service public sont parfois gaspillés. Cet article examine l’utilisation des TIC dans les politiques publiques, la manière dont les outils TIC peuvent contribuer à la formulation et à la mise en œuvre des politiques publiques en Afrique. Il illustre la manière dont les techniques technologiques modernes sont utilisées pour une analyse approfondie des données.

1. Quelques outils TIC utilisés dans les politiques publiques

Parmi les exemples d’outils TIC utilisés dans les politiques publiques, on peut citer : les outils d’analyse et de visualisation des données tels que Microsoft Excel, Statistical package for social sciences (SPSS), python, tableau et power bi, les outils de communication et les plates-formes de données ouvertes telles que l’Institut national de la statistique. Afin de prendre des décisions plus éclairées sur les politiques publiques, les décideurs politiques peuvent bénéficier de l’utilisation d’outils TIC pour mieux comprendre les liens et les modèles sous-jacents dans les données (Kouam, 2022).

Les outils TIC peuvent également être utilisés pour l’évaluation des politiques et l’inférence causale, comme la détermination de l’impact causal d’une certaine intervention ou politique sur un résultat d’intérêt. La mise en œuvre de ces technologies, qui sont essentielles pour améliorer l’efficacité, l’efficience et la transparence des politiques publiques, doit répondre à un certain nombre d’exigences, notamment une gestion de projet compétente, une collaboration avec les domaines concernés et le soutien du secteur privé.

2. Comment les outils TIC contribuent-ils à la formulation et à la mise en œuvre des politiques publiques en Afrique ?

1. Préparation et analyse des données: Des logiciels de manipulation de données robustes, principalement Microsoft Excel et SPSS, sont souvent utilisés pour gérer et préparer les données économiques à des fins d’analyse au Cameroun. Cela implique des tâches telles que le nettoyage des données, le codage des variables et le traitement des valeurs manquantes. Une préparation précise des données est essentielle pour obtenir des résultats fiables. SPSS permet aux économistes d’appliquer des techniques statistiques inférentielles pour tirer des conclusions sur une population à partir d’un échantillon de données. Des techniques telles que l’analyse de régression peuvent être utilisées pour identifier les relations entre les variables économiques, aidant ainsi les décideurs politiques à comprendre l’impact des différents facteurs sur les résultats économiques (Arrey, 2020).

2. Initiatives en matière de données ouvertes: De nombreux pays africains ont adopté des initiatives en matière de données ouvertes, mettant les données gouvernementales à la disposition du public. Par exemple, l’« autoroute de l’information africaine » de la Banque africaine de développement permet d’accéder à un large éventail de données économiques, sociales et environnementales, ce qui favorise la transparence et soutient la prise de décision fondée sur des données probantes. L’Institut national de la statistique du Cameroun dispose d’une vaste base de données permettant d’accéder facilement, sur autorisation, aux données pertinentes pour une recherche donnée (INS, 2024).

3. La technologie mobile au service de la gouvernance: La technologie mobile a joué un rôle crucial dans l’amélioration de la gouvernance et de la prise de décision.Dans des pays comme le Kenya, le système de paiement mobile M-Pesa a été largement utilisé non seulement pour les transactions financières, mais aussi pour le décaissement des fonds publics et des programmes d’aide sociale, ce qui a permis d’améliorer l’efficacité et de réduire la corruption (Kouam & Kelly, 2024).
4. Services d’e-gouvernement: Dans l’étude de cas du Cameroun, de nombreux services liés au gouvernement ont été numérisés, comme c’est le cas dans certains départements ministériels tels que le ministère des finances, où les fiches d’inscription et les fiches de paie peuvent être téléchargées, ainsi que d’autres capacités telles que le recensement des fonctionnaires.Plusieurs pays africains ont mis en place des services d’administration en ligne afin de rationaliser les procédures administratives et d’améliorer la prestation de services. Par exemple, le portail en ligne de l’Afrique du Sud, e-Government, offre une gamme de services, y compris la déclaration d’impôts, le renouvellement des licences et l’accès à l’information publique.

5. SIG et télédétection pour la planification: Les systèmes d’information géographique (SIG) et les technologies de télédétection ont été utilisés pour la planification urbaine et rurale. Des recherches menées dans des pays comme le Nigeria et le Ghana mettent en évidence l’utilisation des SIG dans la prise de décision liée à l’aménagement du territoire, au développement des infrastructures et à la gestion des ressources naturelles (Ajibola et al, 2021 & Sarfo & Karuppannan, 2020).

6. Les médias sociaux pour l’engagement des citoyens: Les gouvernements africains utilisent de plus en plus les plateformes de médias sociaux pour s’engager auprès des citoyens. Par exemple, pendant les périodes électorales, des plateformes comme Twitter et Facebook sont utilisées pour diffuser des informations, participer au débat public et répondre aux préoccupations des citoyens. Cela a des conséquences sur la compréhension du sentiment du public et sur l’intégration du retour d’information dans les processus de prise de décision.

• Techniques technologiques modernes utilisées pour l’analyse approfondie des données

L’apprentissage automatique dans les politiques publiques

L’apprentissage supervisé consiste à fournir au modèle d’apprentissage automatique des données d’entrée et de sortie précises.  Il est aussi parfois appelé « apprentissage avec un professeur » (Haykin 1998). L’objectif d’un algorithme d’apprentissage supervisé est de trouver une fonction de mise en correspondance pour relier la variable d’entrée (x) et la variable de sortie (y). Il se définit par l’utilisation d’ensembles de données étiquetées pour former des algorithmes de classification précise des données ou de prédiction des résultats.

L’apprentissage supervisé aide les organisations à trouver des solutions à grande échelle à toute une série de problèmes réels. Par exemple, un décideur politique qui tente de lutter contre la sécheresse peut avoir besoin de déterminer si une danse de la pluie aura l’impact souhaité. Cette enquête est uniquement de nature causale. Cependant, certaines décisions concernant la pluie, comme la distribution ou non de parapluies, ne nécessitent qu’une prévision précise de la possibilité d’un temps violent, car l’avantage d’avoir un parapluie est compris, au moins grossièrement. Kleinberg et al. (2015) parlent d’un « problème de politique de prédiction ». Il est efficace pour les problèmes de classification et de régression, tels que la prédiction de variables économiques comme l’inflation pour une date future donnée.

Afin de permettre au modèle de produire des résultats d’étiquetage appropriés lorsqu’il est confronté à des données inédites, l’apprentissage supervisé implique d’entraîner le modèle jusqu’à ce qu’il soit capable de reconnaître les modèles et les corrélations sous-jacents entre les données d’entrée et les étiquettes de sortie.

Les données de test sont destinées à évaluer la précision de l’algorithme sur des données non étiquetées. En général, les étapes de base de la mise en œuvre de l’apprentissage supervisé consistent à déterminer le type de données d’apprentissage qui seront utilisées comme ensemble d’apprentissage, à collecter des données d’apprentissage étiquetées, à diviser les données d’apprentissage en ensembles de données d’apprentissage, de test et de validation, à déterminer un algorithme à utiliser pour le modèle d’apprentissage automatique, à exécuter l’algorithme avec l’ensemble de données d’apprentissage et à évaluer l’exactitude du modèle.

Néanmoins, l’impact d’une politique dépend également de l’efficacité avec laquelle elle sélectionne ses cibles. Prédire quelle cible peut rapporter le plus peut s’avérer crucial lorsque les ressources sont limitées. C’est là que l’apprentissage automatique s’avère utile. Les algorithmes d’apprentissage automatique développés en statistique et en informatique (Hastie et al. 2009) se sont révélés particulièrement puissants pour les tâches prédictives (Mullainathan et Spiess 2017).

Cependant, l’apprentissage automatique supervisé peut être un outil précieux pour la modélisation économique et l’analyse des politiques, en particulier dans les domaines de la prévision, de l’analyse des données, de l’inférence causale et de l’évaluation des politiques. En exploitant la puissance de l’apprentissage automatique, les économistes et les décideurs politiques peuvent obtenir de nouvelles informations à partir des données, améliorer la précision de leurs prédictions et prendre des décisions politiques plus informées et plus efficaces.

1. Prévisions et prédictions

De nombreuses applications de l’apprentissage automatique supervisé ont démontré des performances exceptionnelles en matière de prévision. Ces utilisations peuvent inclure l’anticipation des mouvements des marchés financiers et de la valeur des actifs, ainsi que des indices économiques tels que la croissance du PIB, l’inflation et les taux de chômage. À titre d’illustration, Davis et Heller (2017)) ont utilisé des forêts causales pour prédire l’hétérogénéité des traitements dans le contexte des programmes d’emplois d’été.

2. Analyse des données :

La capacité des algorithmes d’apprentissage automatique à traiter efficacement de vastes quantités de données hétérogènes peut faciliter le développement de modèles économiques de plus en plus complexes. Cela peut conduire à des décisions politiques plus éclairées en aidant les économistes et les décideurs à mieux comprendre les corrélations et les modèles sous-jacents dans les données. En utilisant des approches d’apprentissage automatique, Decarolis et Rovigatti (2021) ont étudié la concentration et la puissance d’achat dans la publicité en ligne.

3. Inférence causale et évaluation des politiques :

L’apprentissage automatique supervisé peut être utilisé pour l’inférence causale et l’évaluation des politiques, comme l’estimation de l’effet causal d’une politique ou d’une intervention particulière sur un résultat d’intérêt. Par exemple, le Fonds monétaire international a étudié l’expérience de 107 pays ayant reçu une aide étrangère entre 1970 et 2000 afin d’examiner l’effet relatif des subventions et des prêts sur l’effort de revenu national.

Conclusion

Ce dossier illustre des cas concrets de la manière dont les outils TIC peuvent être utilisés pour éclairer les politiques publiques.Bien qu’il ne s’agisse pas d’une liste exhaustive, il montre comment les gouvernements africains tirent parti des outils TIC pour améliorer la conception et la mise en œuvre des politiques publiques.Les gouvernements africains devraient accélérer la transformation du secteur public afin de renforcer l’efficacité, de réduire le gaspillage et d’accélérer la « transparence », la « responsabilité » et la « gouvernance ».

Reference List

1. Ajibola, M. O., Oluwunmi, A. O.,Iroham, C. O., &Ayedun, C. A. (2021). Remote Sensing and Land Use Management in Nigeria: a Review, IOP Conference Series: Earth and Environmental Science. https://iopscience.iop.org/article/10.1088/1755-1315/655/1/012084
2. Arrey, A. M. (2020). Explaining Wellbeing and Inequality in Cameroon: A Regression-Based Decomposition, AERC, No. 378, African Economic Research Consortium. https://aercafrica.org/wp-content/uploads/2020/01/Research-Paper-378.pdf
3. Decarolis, Francesco, and Gabriele Rovigatti. 2021. “From Mad Men to Maths Men: Concentration and Buyer Power in Online Advertising.” American Economic Review, 111 (10): 3299-3327. https://www.aeaweb.org/articles?id=10.1257/aer.20190811
4. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Stanford, CA: Stanford University.
   https://web.stanford.edu/~hastie/Papers/ESLII.pdf
   https://doi.org/10.1007/978-0-387-84858-7
5. Haykin, S. (1998) Neural Networks: A Comprehensive Foundation. Prentice-Hall, Englewood Cliffs. https://www.scirp.org/reference/referencespapers?referenceid=1912184
6. (2024). 138ème édition de la Fête Internationale du Travail : L’INS engagé en faveur du travail décent en vue du progrès social, Institute Nationale de al Statistique. https://ins-cameroun.cm/
7. Kleinberg, Jon, Jens Ludwig, Sendhil Mullainathan, and Ziad Obermeyer. 2015. “Prediction Policy Problems.” American Economic Review, 105 (5): 491-95. https://www.aeaweb.org/articles?id=10.1257/aer.p20151023
8. Kouam, H. (2020). The Interplay of ICT, Innovation, Per capita GDP and Chinese Tech Policy, International Journal of Applied Business and Management Studies, 5(2). https://dx.doi.org/10.2139/ssrn.3637656
9. H. (2020).  The Impact of ICT and Value-Added Exports on Per Capita GDP in Cameroon. Journal of Business and Economic Management 8(10): 382-388, DOI: 10.15413/jbem.2020.0140.  https://www.researchgate.net/publication/344475633_The_impact_of_ICT_and_value-added_exports_on_per_capita_GDP_in_Cameroon
10. H. (2020). Bi-Directionality in FX Reserves and Domestic Exchange Rates in the CEMAC Region. Vol 8, No 2. http://www.aebjournal.org/vol0802.php
11. H. and Kouam. S. (2022). The Impact of Public Sector Lending on Financial Stability in Central Africa, J Eco Res & Rev, 2(3),394-399, https://www.opastpublishers.com/open-access-articles/the-impact-of-public-sector-lending-on-financial-stability-in-central-africa.pdf
12. Kouam, H. & Kelly, M, K. (2023). The Impact of Cryptocurrencies on Developing Market Economies. Open Journal of Economics and Commerce, 4(1), 1-8. https://sryahwapublications.com/article/download/2638-549X.0401001
13. Mullainathan, Sendhil, and Jann Spiess. 2017. “Machine Learning: An Applied Econometric Approach.” Journal of Economic Perspectives, 31 (2): 87-106. https://www.aeaweb.org/articles?id=10.1257/jep.31.2.87
14. Sarfo, A. K., & Karuppannan, (2020). Application of Geospatial Technologies in the COVID-19 Fight of Ghana. Trans Indian Natl Acad Eng, 5(2), 193-204. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7334632/

Mr. Ajanoh Ekane Sone || Civil Administrator  || Ministry of Higher Education. || Republique du Cameroun

Download the French Version Here