Un cadre décisionnel pour renforcer la robustesse des analyses de risques

Source : Kuteja, A., & Rass, S. (2026). Methods for uncertainty representation in risk management: A comparative review and decision-oriented framework.

Sommaire : Face à des risques systémiques complexes, traiter l'incertitude de manière simpliste génère une « précision fallacieuse ». Pour bâtir des analyses de risques robustes et auditables, ce cadre propose de catégoriser d'abord la nature de l'incertitude en distinguant l'aléatoire (variabilité intrinsèque) de l'épistémique (manque de connaissances), tout en prenant en compte l'ambiguïté et l'ignorance. Il s'appuie sur cinq familles méthodologiques - probabilistes, floues/d'évidence, qualitatives, graphiques et hybrides - dont le choix s'effectue via un parcours décisionnel en cinq étapes fondé sur la qualité des données et les besoins de gouvernance. Une checklist de documentation valide l'approche finale pour transformer la fragilité des connaissances en décisions résilientes.

1. Le défi de l'incertitude dans la gestion des risques contemporaine

Dans le paysage actuel des risques systémiques, l'incertitude n'est plus une simple marge d'erreur, mais une exigence centrale pour un management robuste et défendable. Trop souvent, elle demeure traitée de manière implicite ou réduite à des estimations probabilistes simplistes, ce qui génère une opacité sur les lacunes de connaissances réelles. Pour le stratège en risques, l'incertitude doit être appréhendée comme un qualificatif de la confiance accordée aux estimations, garantissant l'auditabilité et la rigueur analytique.

Une approche systématique est cruciale : dans des environnements interconnectés, la transparence décisionnelle exige de distinguer la variabilité stochastique des limites cognitives. Ce cadre ne vise pas seulement la précision technique, mais la résilience systémique, en s'assurant que les décideurs ne succombent pas à une confiance infondée envers des modèles dont les fondations de connaissances sont contestées.

2. Fondements conceptuels : Distinguer l'aléa, l'épistémè et l'ambiguïté

Pour structurer une analyse de risques rigoureuse, il est impératif de catégoriser la nature de l'incertitude selon les principes suivants, issus des cadres de recherche les plus récents :

• Incertitude aléatoire (Variabilité intrinsèque) : Phénomènes de hasard objectif et irréductible (ex: fluctuations environnementales).
  • Stratégie de gestion : Gestion par la robustesse, la redondance ou les marges de conception.
• Incertitude épistémique (Manque de connaissances) : Déficit d'information subjectif et réductible (ex: erreurs de mesure, modèles incomplets).
  • Stratégie de gestion : Réduction par la collecte de données, la validation de modèles ou l'élicitation d'experts.
• Ambiguïté : Expression spécifique de l'incertitude épistémique découlant de définitions vagues ou de multiples interprétations divergentes d'un même concept.
• Ignorance : État qualitatif où les mécanismes, dépendances ou résultats possibles sont inconnus ou non caractérisables. Elle marque la limite fondamentale de toute spécification de modèle.

3. Panorama des familles méthodologiques de représentation

L'analyse systématique de la littérature (370 publications) permet de dégager cinq piliers méthodologiques, chacun répondant à des besoins décisionnels spécifiques :

1. Approches probabilistes : Fondées sur la rigueur quantitative, elles sont le standard pour l'incertitude aléatoire. Les distributions de probabilité, simulations de Monte Carlo et réseaux bayésiens permettent des analyses de sensibilité et des comparaisons directes. Elles supposent toutefois que les probabilités sont mesurables.
2. Modèles d'évidence et de logique floue : Conçus pour capturer le vague et l'imprécision. La théorie de Dempster-Shafer (ou théorie de l'évidence) apporte une valeur stratégique majeure en distinguant les mesures de croyance des mesures de plausibilité, permettant ainsi de modéliser l'ignorance partielle. Les ensembles flous utilisent des fonctions d'appartenance pour traduire le jugement expert.
3. Techniques d'élicitation qualitative : Cruciales en l'absence de données empiriques. La méthode Delphi et les analyses de scénarios structurent le jugement interprétatif et identifient les risques émergents, compensant les biais cognitifs par la recherche de consensus.
4. Représentations graphiques et visuelles : Outils de communication et d'intuition. Les diagrammes en nœud papillon (bow-tie) et les diagrammes d'influence facilitent le dialogue interdisciplinaire et révèlent les vulnérabilités structurelles du système sans nécessiter de formalisme mathématique lourd.
5. Approches hybrides : Représentent la perspective unificatrice nécessaire aux systèmes complexes. En combinant, par exemple, des réseaux Bayésiens et des modèles flous, elles assurent une cohérence entre les niveaux technique, organisationnel et humain.

4. Analyse comparative : Forces et limites opérationnelles

Note stratégique : L'analyste doit éviter l'illusion de précision (Münch, 2012). L'utilisation de modèles probabilistes dans un contexte de forte incertitude épistémique mène souvent à une "précision fallacieuse" (spurious precision) : les résultats numériques semblent exacts mais reposent sur des bases de connaissances insuffisantes.

5. Parcours décisionnel pour la sélection d'une méthode

Ce guide opérationnalise le logigramme de sélection en cinq étapes :

• Étape A : Caractérisation. Identifier si l'incertitude est dominante aléatoire (variabilité), épistémique (lacunes) ou mixte.
• Étape B : Évaluation des données. Évaluer la suffisance et la fiabilité des données. Une faible qualité de données impose de délaisser le pur probabilisme pour l'élicitation d'experts ou l'approche floue.
• Étape C : Contexte de sortie. Déterminer si le besoin est un indicateur quantifié pour la planification technique ou un récit interprétatif pour la communication aux parties prenantes.
• Étape D : Gouvernance et contraintes. Intégrer les exigences réglementaires. Si les objectifs sont multiples, utiliser une approche de scalarisation (somme pondérée des objectifs). En cas de priorités strictes, appliquer des règles de décision lexicographiques (optimisation par ordre de priorité).
• Étape E : Intégration et communication. Planifier la visualisation et la traçabilité des hypothèses.

Exemple d'application : Infrastructures hospitalières Dans l'évaluation des risques de panne électrique d'un hôpital, l'incertitude est mixte. Elle comprend l'aléa (taux de défaillance des composants) et une forte part épistémique liée aux concepts de raccordement au réseau spécifiques au site, aux connexions haute tension, et aux comportements de commutation et de transfert. Les demandes de charge dynamiques des équipements médicaux intensifs ajoutent de la complexité. Une approche hybride est préconisée : des modèles probabilistes pour la fiabilité des composants, couplés à une élicitation d'experts pour modéliser les dépendances fonctionnelles et les procédures d'urgence.

6. Check-list de documentation avant engagement méthodologique

Avant de valider une approche, le risk manager doit documenter les points critiques suivants :

• Profilage : Les sources d'incertitude ont-elles été classées (aléatoire, épistémique, mixte) et les subcomposantes (ambiguïté, incertitude de modèle) sont-elles identifiées ?
• Adéquation des données : Les données supportent-elles une calibration statistique ? Si non, des compléments non-probabilistes ont-ils été intégrés pour éviter la précision fallacieuse ?
• Consignation des hypothèses : Les hypothèses critiques (indépendance, stationnarité, conditions aux limites) ont-elles été explicitement documentées ?
• Alignement des sorties : Le format (indicateurs, bandes de confiance, récits) correspond-il aux besoins des décideurs ?
• Auditabilité : L'approche permet-elle une documentation révisable et défendable devant un régulateur ?
• Architecture hybride : Si l'approche est mixte, les interfaces et les règles de combinaison entre les différentes représentations sont-elles spécifiées ?

7. Conclusion et perspectives

La représentation systématique de l'incertitude n'est pas un supplément optionnel, mais le fondement d'une gestion des risques robuste. Si le probabilisme reste le socle de l'analyse quantitative, il doit être complété par des approches floues, qualitatives ou graphiques dès que les connaissances sont lacunaires.

L'avenir de la discipline réside dans les approches hybrides qui assurent une cohérence entre les couches techniques et organisationnelles. Pour les organisations, l'enjeu est de passer d'une gestion intuitive à une intégration explicite de l'incertitude, transformant ainsi la fragilité des connaissances en une stratégie de décision éclairée et résiliente.