Questions d'épistémologie

Brochure publiée le 29/04/2026.

L’importance tenue par la science dans le monde actuel, que ce soit à un niveau social, intellectuel ou même simplement dans le discours public tend à perpétuer des illusions quant à la fiabilité de ses méthodes ou l’aspect définitif de ses conclusions. Il s’agit de l’erreur « scientiste », qui consiste à placer des attentes irréalistes ainsi qu’une confiance aveugle dans cette discipline.

Il nous semble donc opportun d’aborder quelques problèmes théoriques et méthodologiques de ce que l’on appelle la « science » afin de la démystifier ou, pour être plus exact, pour remettre cet outil à la place qui lui revient de droit mais de laquelle il sort bien malaisément.

Fondements logiques de la méthode scientifique

Si l’on désire aborder sérieusement ce qu’est la science d’un point de vue conceptuel, il nous faut d’abord exposer brièvement en quoi elle consiste. Comment définir la méthode scientifique ? L’on pourrait dire qu’il s’agit d’une méthode visant à appliquer certains types de raisonnements et préceptes rationnels à l’étude du monde qui nous entoure. La science (donc la méthode scientifique) se base largement sur l’empirisme, c’est-à-dire l’observation des faits matériels afin d’en tirer quelque connaissance.

L’on voit donc ici que la Raison humaine tient une bonne place, et l’on pourrait donc dire qu’il s’agit d’une forme de rationalité appliquée à l’observation des phénomènes naturels. La base de la science se trouve donc dans une bonne utilisation des raisonnements, et en particulier les raisonnements dits « inductifs » et « hypothético-déductifs ». Le premier est moins immédiatement intellectuel, puisqu’il découle de la tendance naturelle de notre cerveau à catégoriser les évènements et à généraliser nos observations. Si, à chaque fois que je sors sans mon écharpe, je tombe malade, alors j’en tirerai la conclusion que porter une écharpe est une bonne idée pour se prémunir de la maladie. Le raisonnement hypothético-déductif, quant à lui, part d’une série de postulats qu’il considère comme vrais a priori, puis tire les conclusions logiques qui découlent de ce postulat. Le syllogisme est typiquement une forme de logique déductive : Socrate est un homme, or tous les hommes sont mortels, donc Socrate, possédant le caractère « homme », possède également le caractère de mortalité qui lui est lié.

Notons que le raisonnement déductif en lui-même ne se préoccupe pas tellement de la vérité de ses prémisses : il ne cherche qu’à tirer les conclusions logiques qui découlent de ces dernières. Ainsi, un raisonnement de ce type peut être tout à fait logique et cohérent d’un point de vue interne, mais quand même se révéler erroné à cause de ses prémisses erronées : l’édifice intellectuel est bon d’un point de vue architectural, mais ses bases sont construites sur du sable. Bien entendu, le cas inverse peut exister : celui d’une déduction illogique malgré des bases solides. Par exemple, si je dis que « Tous les hommes sont mortels » et que « Napoléon est mortel », il est erroné de déduire que « Napoléon est un homme » : tous les hommes possèdent certes la caractéristique « mortel », mais rien n’indique qu’ils sont les seuls et Napoléon pourrait tout à fait être le nom de mon cheval (lequel est bien mortel). Lorsque l’on critique un raisonnement, il convient de distinguer lequel de ces deux aspects pose problème.

Nous avons pris la peine d’exposer ces considérations, car la méthode scientifique se base sur une boucle articulant la logique inductive avec la logique hypothético-déductive : l’on part de l’observation d’une série de phénomènes particuliers afin d’en tirer des lois générales, puis l’on déduit les conséquences logiques de ces lois afin de réaliser une prédiction que l’on pourrait vérifier. Par exemple, à la suite de mauvaises expériences avec des nombreux italiens, j’en déduis que les ressortissants de cette nationalité sont intrinsèquement désagréables (logique inductive). Si tous les italiens sont désagréables, alors le prochain moment passé en leur compagnie le sera également (logique hypothético-déductive). Si jamais je tombe sur un italien très sympathique, de deux choses l’une : ou bien il n’est pas vraiment italien, ou bien mon modèle théorique est faux et je dois le revoir afin d’essayer de comprendre quel est le point commun (donc le lien de causalité) entre les différentes personnes grognonnes dont il est question.

Soulignons bien ici l’importance de la phase de test, car sans elle, il serait impossible (du moins selon les préceptes modernes) de classer les théories les unes par rapport aux autres. Toute théorie scientifique doit pouvoir prédire un évènement, que l’on peut ensuite comparer à ce qu’il se passe en conditions réelles. Ce point est d’ailleurs la clé de ce que l’on appelle la « reproductibilité », et qui est un critère méthodologique important : idéalement, l’expérience par laquelle l’on teste une théorie doit pouvoir être reproduite par n’importe quelle personne souhaitant à son tour vérifier les hypothèses en question. Nous aurons l’occasion d’y revenir.

Problèmes du positivisme

Le but avoué de la recherche scientifique est de mieux comprendre l’univers qui nous entoure ainsi que les lois qui ordonnent la nature. Or, le problème est que nous n’avons aucun moyen d’accéder directement à ces fameuses lois régissant l’univers, à cet arrière-plan où se situent les mécanismes faisant fonctionner le cosmos. En tant qu’êtres humains, nous n’avons pas directement accès à la pleine réalité du monde qui nous entoure, mais celle-ci passe par un certain nombre de filtres : les cinq sens, le mental, etc. On pourrait dire que la méthode scientifique, en observant la manière dont se produisent les phénomènes en regardant comment ils répondent à nos interactions, revient à essayer de deviner le code informatique sous-jacent d’un logiciel quelconque en ne jetant jamais un œil aux fichiers sources. L’on voit le problème qui se pose ici : non seulement n’y a-t-il aucun moyen de vérifier si nos extrapolations sont correctes, mais il peut en plus théoriquement exister plusieurs blocs de code produisant un même résultat pour une section particulière du logiciel.

Dans ces conditions, l’on comprend que la méthode ne peut que prouver « négativement » : on n’a jamais aucune certitude qu’une théorie soit « vraie » dans l’absolu, mais seulement qu’elle est meilleure que ses concurrentes à un instant donné. Nous disons bien « à un instant donné », car il peut arriver qu’une théorie discréditée à cause de ses mauvaises performances en termes de prédiction soit remise au goût du jour : l’histoire de Galilée et de la théorie héliocentrique en est un exemple fameux. A l’époque, le consensus scientifique était que les planètes de notre système solaire tournaient autour de la terre (géocentrisme) et l’on avait développé des modèles d’orbite elliptiques afin d’essayer de prédire le mouvement de ces dernières. Lorsque Galilée essaya de développer un modèle héliocentrique (selon lequel la terre tourne autour du soleil), il obtint de moins bons résultats que ses rivaux : son modèle fut donc rejeté sur des bases scientifiques, contrairement à une légende populaire qui voudrait que Galilée ait été persécuté pour des motifs religieux (ce sont bien pour ses positions théologiques et son tempérament d’agitateur qu’il fut ennuyé). Il fallut attendre Kepler avant que cette théorie alors discréditée ne soit remise au goût du jour et ne devienne meilleure que ses concurrentes. Cette histoire illustre bien notre propos : l’expérience ne peut jamais complètement disqualifier une hypothèse en principe, mais seulement l’écarter temporairement du fait de ses mauvaises performances à un instant T.

Cela ne signifie pas que tous ces modèles sont inutiles d’un point de vue purement pratique. En effet, si l’on souhaite lancer un missile balistique, à l’autre bout du globe, il ne nous importe pas forcément que celui-ci tombe à cinquante centimètres de sa cible. Nous n’abordons toutefois pas ici la question de l’utilité de la méthode scientifique pour produire des résultats exploitables au quotidien, mais plutôt celle de sa véracité intrinsèque ; nous traitons d’épistémologie, pas d’industrie. Il en résulte que tout scientifique digne de ce nom doit, en principe, être toujours prêt à remettre en question les bases les plus élémentaires de son savoir et toutes les théories auxquelles il croit, même celles les plus acceptées du monde scientifique, car la méthode employée pour y arriver ne peut amener à aucune certitude. Croire autre chose, c’est s’enfermer dans une grave illusion sur la solidité de sa connaissance et ne pas avoir compris grand-chose à sa nature.

La crise de la reproductibilité

Nous avons vu qu’au sein de la méthode scientifique, la question de l’expérimentation est centrale. Il arrive cependant qu’une expérience se déroule dans des circonstances anormales, de telle sorte qu’elle peut apparaître confirmer ou disqualifier indûment une théorie : on pourrait parler ici de « faux positifs » ou de « faux négatifs ». Il est donc important, pour la recherche scientifique, que l’on puisse tenter plusieurs fois une même expérience afin d’en vérifier la véracité. Seulement, depuis plusieurs années, le monde scientifique fait face à ce que l’on appelle une « crise de la reproductibilité », où une part significative des productions savantes se sont révélées ne posséder qu’une valeur bien relative pour ne pas dire nulle. Il y a de fortes chances que si le lecteur ait vu passer ces dernières années des titres de journaux faisant état d’une avancée miraculeuse dans la lutte contre tel ou tel cancer, ce traitement se soit révélé en réalité être parfaitement bidon. Il y existe de nombreuses raisons à cela, et l’une d’entre elle tient à la complexité même des phénomènes observés, particulièrement dans le cas de la médecine.

Le lecteur ne sera pas surpris d’apprendre que plus il existe d’éléments en interaction avec les autres, plus une modélisation est difficile, car isoler précisément la cause de l’effet devient très délicat. C’est la raison pour laquelle la chimie inorganique est l’une des sciences avec l’un des meilleurs taux de reproductibilité : on ne fait réagir entre elles qu’une poignée de molécules les unes avec les autres. Il y a un caractère presque mécanique à une réaction chimique simple, où ces « briques » fondamentales s’assemblent aussi aisément que des Legos. Si je mélange du nitrite avec de la glycérine, j’obtiendrai systématiquement un explosif puissant. En revanche, à partir d’un certain degré, la chimie organique produit des interactions plus difficilement prévisibles : si l’on donne une gélule de doliprane, un quartier d’orange ou une cuillerée d’arachide à un million d’individus, certains mourront d’allergie à la suite d’une réaction anormale de leur système immunitaire. Une molécule interagissant avec une autre molécule interagissant avec une autre molécule et ainsi de suite finissent par engendrer des effets très différents selon les individus, ce qui est souvent totalement imprévisible a priori.

Nous avons pris ici des exemples triviaux, mais ils pourront servir à illustrer ce que nous cherchons à exprimer : plus les systèmes étudiés sont complexes, plus il devient difficile de modéliser avec exactitude les interactions et donc plus il devient difficile de faire des prédictions exactes, car la relation de causalité (« l’action X engendre le phénomène Y ») devient beaucoup moins claire. Cela est encore pire dans le cas de disciplines telles que la sociologie, l’économie, ou même l’histoire : au regard du nombre d’éléments en interaction et de l’impossibilité de réaliser de véritables expériences contrôlées, il est en réalité quasiment impossible d’attribuer précisément à telle ou telle variable la « responsabilité » de telle ou telle observation. Quelle est la cause de la chute de l’Empire romain ? Des institutions mal pensées ? Une modification du climat ayant impacté la production agricole ? La démographie et les épidémies ? Un manque de certaines ressources ? Des contraintes logistiques ? Tout à la fois ? Mais dans quelles proportions ? C’est précisément parce que l’on pourrait tergiverser pendant des heures sans arriver à un résultat définitif que ces disciplines ne sauraient être mises sur le même plan que la physique ou la biologie.

Ce problème devient d’autant plus critique lorsque les expériences coûtent de plus en plus cher à mener, qu’elles demandent un niveau de précision important et que des intérêts financiers soient à la clé : dans ces conditions, il devient rare que des scientifiques tentent de reproduire les expériences de leurs pairs ou même les leurs propres. Or, une telle chose augmente considérablement le risque d’engendrer des faux positifs, c’est-à-dire que l’expérience semble confirmer la théorie alors qu’il ne s’agit, par exemple, que d’une simple erreur de mesure ou d’observation. Cette erreur risque donc de passer inaperçu pendant quelques temps et par conséquent de fausser les débats sur la question : d’où l’existence d’une véritable « crise de la reproductibilité » dans le monde scientifique, où des pans entiers de la recherche sont en réalité totalement inexploitables. Ainsi, selon les estimations, près d’un tiers de l’ensemble des publications en biologie ne parviennent pas à être reproduites en laboratoire, et une part significative du reste ne parvient qu’à des résultats beaucoup plus mineurs qu’annoncés !

À cela s’ajoute un autre phénomène, qui relève plutôt de la psychologie humaine que de l’épistémologie à proprement parler, mais qu’il est bon de signaler pour souligner l’importance de notre entreprise de démystification : il arrive que les scientifiques « profitent » en quelque sorte du coût élevé des expériences pour éviter d’abandonner leurs théories falsifiées par des résultats empiriques en prétextant que le matériel dont ils disposent n’est pas assez précis et que ces résultats négatifs peuvent donc être ignorés. Cela leur permet au passage de faire pression auprès du gouvernement (qui ne comprend pas grand-chose aux questions d’épistémologie) afin d’acquérir plus de crédits pour leurs projets de recherche, tout en évitant de remettre en question des théories sur lesquelles ils ont basé toute leur carrière et qu’il serait donc douloureux d’abandonner. Ce genre d’attitudes est apparemment courant dans le monde des physiciens, du moins si l’on en croit la scientifique Sabine Hossenfelder, qui a passé de nombreuses années à dénoncer l’état de la recherche dans ce domaine. Notons que cela ne signifie pas toujours que ces scientifiques soient systématiquement de mauvaise foi : nous avons vu plus haut comment une théorie falsifiée par l’expérience peut finir par devenir meilleure que ses concurrentes ; là est tout le dilemme du positivisme. Cela peut toutefois contraindre la recherche à « patiner » indéfiniment, ce qui explique le manque d’avancées dans certains domaines depuis plusieurs décennies ; nous renvoyons encore une fois le lecteur vers Sabine Hossenfelder pour qu’il se fasse une idée de quoi il en retourne. Nous conclurons simplement en soulignant que ces éléments constituent une raison suffisante de garder un certain scepticisme vis-à-vis de l’état actuel de la recherche.

Dilemme biais-variance

Puisque nous abordons une série de problèmes épistémologiques liés à la science contemporaine, nous nous devons d’aborder la question du dilemme biais-variance, qui en constitue un exemple assez net.

Pour illustrer la question du dilemme biais-variance, nous allons formuler un petit exercice de pensée. Supposons que nous découvrions une tribu perdue au fin fond de l’Amazonie et que nous cherchons à comprendre sa morphologie. Nous demandons donc à réaliser des mesures de leurs caractéristiques physiques : poids, taille, etc. Nous parvenons à obtenir les tailles de dix membres de cette tribu, mais l’on remarque que trois d’entre eux font moins de 1,30 mètres. En revanche, les sept autres possèdent une taille correspondant tout à fait aux étiages typiquement attendus dans une population de ce type (mettons 1,65 à 1,85 mètres). Une question se pose alors : doit-on conclure que nos trois individus peu élancés sont représentatifs de la répartition des tailles au sein de leur tribu, ou bien s’agit-il d’un pur hasard ? Après tout, il existe bien des populations de pygmées dans le reste du monde, et une bizarrerie génétique expliquerait peut-être pourquoi un tel phénomène surgit dans environ 30% de la population. Mais peut-être pas, et pour une raison ou pour une autre, nous n’avons aucun moyen de vérifier en interrogeant le reste de la population. Il s’agit d’un cas typique de dilemme biais-variance.

De manière générale, l’on peut dire que le dilemme biais-variance consiste à rechercher l’équilibre entre la simplicité d’un modèle et sa précision ; cette recherche est rendue nécessaire par notre impossibilité de connaître la réalité telle qu’elle est : nous devons donc nous résigner à développer des modèles plus ou moins proches de la réalité. Un modèle très simple est facile à utiliser et demande peu de données, mais il risque par définition d’être inadapté à modéliser la complexité du réel, ce qui peut avoir des conséquences problématiques. Si notre modèle part du principe que toute la population du pays possède une taille comprise approximativement entre 1,5 mètres et 1,9 mètres et que sa répartition suit une loi gaussienne, l’on aura peut-être raison dans 90% des cas, mais les 10% restant risquent d’être laissés pour compte et d’avoir bien du mal à s’habiller, à acheter des vélos ou à demander des prothèses ! A l’extrême inverse, chaque individu devient sa propre catégorie : on demande individuellement à chacun quelle est sa taille, mais l’on ne peut donc plus faire de généralités et l’on doit avoir autant de modèles de vêtements que de corpulences individuelles.

Nous prenons la peine d’aborder ce sujet, car étendu de manière plus générale, il s’agit en fait de la question de la pertinence d’essayer de tirer de grandes lois générales sur tel ou tel sujet. Si je dis : « Les chats de comportent d’une manière X », peut-être est-ce une observation relativement utile pour l’éducation de 65% des félins domestiques, mais qui se révélera catastrophique pour le reste : dans ces conditions, est-il vraiment pertinent de la formuler ? La situation inverse peut se poser : peut-être bien que seuls 10% des pit-bulls adoptent des comportements violents en présence d’enfants en bas âge ; pour autant, le risque vaut-il la chandelle de ne pas prendre de précautions, quitte à faire des généralisations à partir d’une fraction de la population ? Dans la mesure où le positivisme ne peut faire appel à aucun référentiel extérieur qui dépasse les observations de l’univers sensible (contrairement à ce que se propose de faire une religion), ce dilemme est en réalité consubstantiel, sous une forme ou sous une autre, à la méthode scientifique elle-même, et il ne semble pas qu’elle puisse jamais y apporter une réponse vraiment satisfaisante.

L’illusion des statistiques

Il n’aura pas échappé au lecteur que le monde moderne se base largement sur les statistiques afin d’appuyer son propos sur tel ou tel sujet. Il est généralement considéré bien plus sérieux, dans le cadre d’un débat, d’appuyer son propos avec des données chiffrées. Une telle approche peut effectivement s’avérer intéressante, mais au regard de la prépondérance qu’ont ces considérations dans le discours public, nous avons jugé important d’aborder ici les faiblesses inhérentes à l’utilisation de toute grandeur statistique. L’on veut diviser le problème épistémologique des statistiques en deux grandes parties : la question de la fiabilité des données sur lesquelles elles se basent d’une part, et le problème intrinsèque à la fonction « agrégative » de toute statistique.

Pour ce qui relève de la première question, nous relaterons ici une anecdote tirée de notre expérience personnelle lorsque nous travaillions au sein d’un organe public chargé d’écrire un rapport sur l’état de la place financière parisienne. Il ne s’agit pas ici de critiquer ni l’institution en elle-même, ni d’accabler nos anciens collègues, mais nous pensons que cette histoire illustre bien notre propos. Chaque année, notre institut demandait aux entreprises parisiennes de nous transmettre des informations sur leurs activités financières afin de jauger la santé économique du secteur. Or, tout au long de cet exercice, nous avons découvert que l’information transmise par les intéressés laissait à désirer. Dans certains cas, nous nous rendions compte un peu tardivement que des entreprises s’étaient trompées plusieurs années de suite au sujet des catégories dans lesquelles elles déclaraient certains montants, faussant une partie de l’analyse. Dans d’autres, certaines variations apparemment anodines (-10% dans les actifs gérés, par exemple, ce qui pourrait tout à fait s’expliquer par une diminution de l’activité du marché, au vu du contexte de l’époque) étaient en fait des erreurs de déclarations, qui ne nous furent signalées qu’à posteriori à l’initiative de la compagnie déclarant ses fonds. D’autres encore avaient été exclues de l’enquête de cette année pour des raisons règlementaires bien qu’elles opérassent toujours à Paris : leur absence de nos chiffres annuels fut donc plus ou moins artificielle et ne dénotait pas une diminution de l’activité globale du secteur concerné ! Par conséquent, toutes les conclusions qui furent tirées de ces chiffres afin d’en déduire l’état du marché dans son ensemble ne pouvaient qu’être approximatives : si, dans notre rapport, nous constations une diminution de 5% de l’activité par rapport à l’année dernière, s’agissait-il seulement d’un artefact statistique ou bien cela dénotait-il réellement une récession ? En théorie, si nous avions disposé d’effectifs plus nombreux ainsi que de contraintes temporelles moins strictes, nous aurions pu mener une enquête plus approfondie pour chaque compagnie afin de nous assurer de la qualité de leurs données ainsi que pour obtenir des explications plus détaillées et atteindre un résultat plus proche de la vérité. Seulement, tel n’était pas le cas et il est en fait douteux que la totalité des organismes publiant des statistiques diverses et variées mènent des enquêtes aussi poussées afin de s’assurer de la fiabilité des données utilisées.

Pour ne rien arranger, il peut arriver que les données soient délibérément manipulées ou choisies afin de fausser les statistiques et renvoyer un résultat jugé plus désirable par celui qui les compile. Un phénomène bien connu (auquel l’on a parfois donné le nom de « loi de Goodhart ») veut d’ailleurs que toute grandeur statistique utilisée afin de mesurer une issue jugée socialement désirable tende à provoquer des « tricheries » qui la rendent bientôt inutile comme étalon. Par exemple, si des policiers sont « punis » par leur hiérarchie s’il se produit un grand nombre de crimes dans leur secteur, ces derniers auront tendance à décourager les citoyens de porter plainte afin de faire diminuer le nombre d’incidents rapportés. De même, si l’impératif d’un gouvernement est d’augmenter la part de la population passant avec succès un examen national (tel que le baccalauréat), l’on ne tardera pas à entendre des appels plus ou moins discrets pour que le niveau d’exigence diminue. Il en va de même avec les exigences environnementales des entreprises : le lecteur pourra certainement se référer aux différents scandales de « greenwashing », qui sont en fait un exemple de ce phénomène. En pratique, cette « loi » n’est pas automatique et est essentiellement une résultante d’une forte pression exercée sur les acteurs pour obtenir les résultats désirés, mais il s’agit malgré tout d’un phénomène relativement répandu.

Supposons toutefois que la collecte des données soit la plus transparente possible et réalisée avec bonne volonté et compétence. Il resterait un problème de taille à l’emploi des statistiques pour arriver à une compréhension de tel ou tel phénomène : leur caractère intrinsèquement et exclusivement quantitatif. La quantification a par définition tendance à « écraser » l’aspect qualitatif des choses étudiées, lesquelles sont pourtant cruciales pour se faire une bonne idée de la réalité. Que les statistiques officielles du gouvernement affirment produire tant de tonnes d’acier par an est une chose, mais quelle est la qualité de cet acier ? Ce problème fut précisément rencontré dans la Chine de Mao Zedong lorsque ce dernier demanda à son gouvernement de produire rapidement une grande quantité d’acier : ses subordonnés, cherchant à lui plaire, ont eu tendance à encourager la production massive d’un type de métal quasiment inutilisable du fait de sa très mauvaise qualité (la fonte brute). Ce genre de fantaisie ne fut pas pour rien dans la catastrophe que fut le Grand Bond en Avant. L’on peut généraliser cette observation à différents domaines : dans le domaine militaire, le colonel Michel Goya faisait remarquer que la majorité des succès étaient obtenus par une minorité d’hommes ; pendant la Seconde Guerre Mondiale, une poignée de pilotes détenaient une part complètement disproportionnée des victoires aériennes tandis que les meilleurs équipages de chars une part équivalente des manœuvres réussies : le seul nombre de soldats ne nous informe guère sur la capacité combative d’une armée. Dans un domaine plus artisanal, le bois d’œuvre (c’est-à-dire utilisable pour construire des étais ou même des meubles) est très différent du bois que l’on utilisait autrefois pour se chauffer, ce dernier pouvant se permettre d’être d’une qualité beaucoup plus médiocre ; par conséquent, si un rapport agrégeait toute la production de bois d’un pays en un seul chiffre, il omettrait un détail très important sur l’utilisation que l’on peut en faire.

Bien entendu, l’on pourrait créer des sous-catégories plus fines pour pallier ce problème : au lieu de dire qu’un pays produit 5 tonnes de bois, l’on pourrait le différencier en bois d’œuvre (2 tonnes) et bois de chauffage (3 tonnes). L’on se retrouve toutefois rapidement dans un cas typique de dilemme biais-variance : combien de sous-catégorie faudrait-il produire pour s’assurer de ne pas « faire disparaître » une qualité importante parmi les données ? Si l’on voulait être aussi pointilleux que possible, alors chaque morceau de bois devrait avoir sa propre catégorie, mais ce serait alors faire disparaître le concept même de statistique ! L’ensemble des problèmes que nous avons soulevés jusqu’ici se combinent à divers degrés et sont parfaitement exemplifiés dans des grands agrégats tels que le PIB, qui sont parfaitement impossibles à interpréter, et envers lequel l’on doit faire preuve de la plus grande méfiance. Beaucoup trop d’approximations et d’incertitudes planent sur ce dernier pour que l’on puisse l’utiliser afin de mesurer avec précision la puissance économique (et donc financière et industrielle) d’un pays, pas plus d’ailleurs que son évolution. De telles notions ont d’ailleurs été mises en avant ces temps-ci par une figure connue du grand public, le polytechnicien Jean-Marc Jancovici lorsqu’il s’intéressait aux questions liées aux limites physiques des économies occidentales ; s’il faut toujours se méfier des figures un peu trop médiatisées, nous invitons tout de même le lecteur à se pencher sur le sujet s’il en a le temps ou l’envie. Que faut-il en conclure ? Peut-être pas que nous devrions tous nous passer de statistiques quelles qu’elles soient : cela serait peut-être exagéré. Néanmoins, il convient de garder une saine attitude de scepticisme quant aux grands agrégats lorsque l’on cherche à analyser une situation, et ne pas se laisser envoûter par leur simplicité apparente.