Une formule, plusieurs objets distincts
La synthèse de Gabaix étudie les régularités empiriques en loi de puissance dans l’économie et la finance et les mécanismes possibles, notamment la croissance aléatoire et les effets de vedettes. Elle souligne aussi les questions encore ouvertes. C’est une source d’hypothèses de recherche, pas la preuve que tout groupe de grandes entreprises ou toute série de prix suit une loi unique et immuable.[1]
Une queue construite avec un seuil explicite
Posons un modèle pédagogique : pour des tailles au moins égales à dix, la probabilité de dépasser x est le carré du rapport dix sur x. La probabilité de dépasser vingt est de 25 %, quarante de 6,25 % et quatre-vingts de 1,5625 %. Doubler le seuil divise la probabilité par quatre. Cela vient de l’exposant deux choisi pour l’exercice et ne mesure ni entreprises ni marchés réels.
La formule ne s’applique qu’au-dessus de la borne dix. Il ne faut pas la prolonger automatiquement à toute taille positive. De même, une probabilité de dépassement ne doit pas être appelée densité en un point. Si un graphique compte les objets dans des intervalles de largeurs différentes, il faut préciser la normalisation ; sinon la forme visible peut venir du regroupement.
Ce que montre une image par rang
Après avoir classé les entreprises par taille, on peut représenter la taille selon la position. Si les premières places dépassent fortement les suivantes, il y a concentration. Mais un classement décrit un échantillon à une date. Il ne prouve ni que le leader actuel restera premier ni que l’achat du plus grand objet donnera un meilleur rendement. Taille de l’entreprise, prix du titre et performance d’investissement sont des variables différentes.
Un ensemble fictif simple vaut 50, 25, 15 et 10. La somme est 100 et la part du plus grand est la moitié. Un indice de concentration, somme des carrés des parts, vaut 0,345. Ce calcul décrit l’ensemble donné, mais n’établit pas une loi de puissance : quatre observations ne suffisent clairement pas, et l’indice ne choisit pas la forme de distribution.
Pourquoi une droite logarithmique ne suffit pas
Une représentation logarithmique est pratique pour les grandes étendues et les rapports. Elle peut rendre certaines différences moins visibles, surtout avec peu de grandes observations. Vérifiez d’abord les données brutes, la borne de l’échantillon, les valeurs manquantes et l’intervalle proposé. Comparez ensuite d’autres modèles, comme une autre distribution à queue lourde ou un mélange de groupes. Le choix ne doit pas dépendre d’une impression visuelle.
Présentez l’incertitude du paramètre, la sensibilité au seuil inférieur et la composition des objets au-delà du seuil. Si la conclusion change après retrait de l’observation la plus grande, c’est un résultat important, pas une raison de la supprimer silencieusement. Les grands objets peuvent définir la queue. Un intervalle étroit choisi après observation du graphique peut créer une illusion de mise à l’échelle stable.
Comment l’extrapolation devient fausse
Une erreur consiste à transférer une relation transversale entre tailles d’entreprises différentes à la trajectoire temporelle d’une seule entreprise. Même si grands et petits objets forment une distribution transversale donnée, elle ne définit pas la trajectoire individuelle. De même, le leadership sectoriel ne fixe pas le rendement attendu d’une action : le prix peut déjà intégrer des attentes optimistes et la concurrence future modifier les résultats.
Une deuxième erreur consiste à prendre une queue en loi de puissance comme permission d’ignorer la mesure du risque. Les observations rares et grandes rendent le contrôle de l’échelle et des scénarios plus important. Le lien avec les [queues lourdes et le stress test](/guides/fat-tails-stress/) concerne la distribution des résultats possibles, pas la date précise d’un événement extrême. Pour un portefeuille, vérifiez séparément la [diversification](/guides/diversification/), pas seulement le nombre de noms.
Une conclusion vérifiable
Nommez la variable, le caractère transversal ou temporel des données, le seuil inférieur, la méthode d’estimation et les modèles alternatifs. Séparez la concentration observée du mécanisme supposé et de la décision d’investissement. Une formulation correcte peut être étroite : « Sur cet intervalle, ce modèle décrit approximativement ces observations ». Elle est plus utile que « cette loi explique le marché », car ses limites et sa réfutation peuvent être testées.
Ne pas mélanger fréquence et taille
Précisez si le graphique montre le nombre d’objets d’une taille donnée ou la part du capital total qu’ils représentent. Ces distributions répondent à des questions différentes et utilisent des poids différents. Quelques grands objets peuvent être peu nombreux mais représenter une grande valeur. La [distribution en loi de puissance](/glossary/stepennoe-raspredelenie/) exige donc de définir l’unité d’observation avant l’échelle logarithmique.
Sources et limites de vérification
[1] Power Laws in Economics and Finance, document de travail NBER 14299. Synthèse des distributions empiriques en loi de puissance et mécanismes possibles.
Zipf : relation explicite entre taille et rang
Dans un modèle de rang, la taille à la position r vaut S(r)=C/r^β. Le cas particulier β=1 est souvent appelé loi de Zipf ; l’égalité est une approximation de modèle sur un intervalle donné, pas une identité de tout classement réel. La synthèse de Gabaix distingue les régularités et leurs mécanismes ; le nom de la loi ne définit pas le mécanisme de croissance d’une entreprise.[RPL1]
Exemple indépendant : C=120 et β=1 donnent 120, 60, 40 et 30 pour quatre rangs. Leur somme est 250 et la première part est 48 %. Le deuxième rang vaut la moitié du premier et le quatrième la moitié du deuxième. En coordonnées logarithmiques, log S=log C−β log r, donc la pente vaut −1. Ajouter un cinquième rang de 24 change le dénominateur de concentration ; la loi de taille ne fixe pas la part du leader sans nombre d’objets ni limites du classement.
Le lien entre rang et queue exige aussi de la prudence. Si, pour beaucoup d’objets, la part de taille au moins x vaut approximativement (x_min/x)^α, alors le rang r est à peu près proportionnel à x^−α. En isolant x, la taille est proportionnelle à r^−1/α ; β≈1/α. Pour la densité continue, l’exposant est déjà α+1. L’exposant 1 d’un graphique de rang ne peut donc pas être utilisé comme exposant de densité. Les rangs dépendent de l’échantillon et l’approximation est particulièrement grossière près du premier rang. Il faut estimer le paramètre et tester les alternatives.
Allométrie biologique et pyramide de ressources sont des modèles différents
Le travail de West, Brown et Enquist déduit la mise à l’échelle biologique d’un modèle de réseaux de distribution soumis à des contraintes précises : remplissage de l’espace, conditions sur les vaisseaux terminaux et coûts de transport. C’est une construction distincte, pas une conséquence du tri par rang.[RPL2]
Présentons un calcul limité sans le donner pour preuve d’une loi biologique. Supposons que la consommation d’un organisme soit B(M)=aM^3/4, où M est la masse et a est fixé. Multiplier la masse par 16 multiplie la consommation par 8. La consommation par unité de masse B/M=aM^−1/4 est divisée par deux. Avec un flux de ressource disponible E fixe, le nombre maximal d’organismes identiques N=E/B(M) est divisé par huit. Cette égalité suppose l’utilisation complète d’une ressource et un environnement identique ; dans la nature, flux, température, âge et concurrence peuvent varier.
Une pyramide trophique utilise une autre relation. Si 10 000 unités d’énergie fictives transmettent 10 % au niveau suivant, les niveaux reçoivent 10 000, 1 000 et 100. Avec un besoin par organisme de 1, 10 et 100 unités, les nombres calculés sont 10 000, 100 et 1. Pourcentage et besoins sont inventés, non mesurés chez des éléphants, fourmis ou entreprises. La réduction de la ressource et la hausse du besoin indiquent une direction dans cette construction, mais ne déduisent pas un exposant de rang précis.
Niche économique : limite vérifiable du transfert
Une niche d’entreprise combine besoin du client, technologie, canal d’accès et ressources de manière à ce que servir la demande couvre les coûts. C’est plus utile que l’image d’un « grand prédateur qui mange les petits » : un client peut payer plusieurs services, l’information peut être copiée et la technologie modifier les coûts marginaux. Il ne faut pas transférer l’exposant biologique 3/4 au chiffre d’affaires sans mesure propre.
Dans un modèle d’auteur pour un service étroit, le prix p=10, le coût variable v=6 et le coût fixe F=120. Au volume q, le profit vaut (p−v)q−F et le seuil de rentabilité q=30. Si toute la demande disponible est 40, un fournisseur gagne 40. Si deux fournisseurs identiques se la partagent, chacun gagne −40. Cela illustre une limite possible du nombre d’acteurs rentables avec ces coûts, mais ne prouve pas un monopole : prix, technologie, différenciation ou demande peuvent changer.
Quand une technologie réduit F ou élargit la demande accessible, la niche et l’échelle durable changent. Il faut recueillir des données réelles sur l’unité de service, l’utilisation, la fidélisation et les coûts, puis comparer des modèles alternatifs. La taille dans un classement ne répond pas à ces questions. Niche économique, allométrie et Zipf peuvent inspirer des recherches différentes ; aucun de ces noms ne prouve le juste prix d’une action ni son rendement futur.