DCSIMG

Sélection de la langue

Rechercher

Guide d’utilisation des prévisions saisonnières

Une prévision saisonnière donne un aperçu d’une période précise de trois mois à venir. Elle ressemble à une prévision météorologique, car elle tient compte des observations météorologiques antérieures, mais elle en diffère parce qu’elle tient compte du système climatique mondial plus vaste, y compris des facteurs tels que les circulations océaniques et atmosphériques.

Les prévisions météorologiques sont souvent appelées déterministes et prédisent, par exemple, la température exacte une heure ou un jour d’avance. Les prévisionnistes peuvent faire des prévisions déterministes pour les prévisions à court terme, mais comme la météo est chaotique et en constante évolution, l’établissement d’une prévision de plusieurs mois à un an d’avance se sert de ce que l’on appelle des prévisions probabilistes.

Sur cette page

Qu’est-ce qu’une prévision probabiliste?

On peut se faire une idée des prévisions probabilistes en pensant à l’exemple suivant : vous essayez de prédire combien de temps il vous faudra pour vous déplacer en voiture d’une ville à l’autre dans trois mois. Vu les retards inconnus possibles dus aux travaux et à la circulation, il est difficile de savoir précisément combien de temps durera le trajet. Vous empruntez cet itinéraire tous les mois et vous connaissez la durée de divers déplacements antérieurs. En vous basant sur vos expériences antérieures, vous avez 20 tentatives pour prédire la durée de votre prochain déplacement. Parmi ces 20 prédictions, vous en aurez certaines qui dépassent vos durées antérieures, certaines où votre temps de déplacement sera près de votre moyenne historique et d’autres qui prédiront un temps plus court.

De même, les prévisions saisonnières d’Environnement et Changement climatique Canada estiment la probabilité qu’une certaine variable, par exemple, la température moyenne, soit supérieure à la normale, près de la normale ou inférieure à la normale. Les modèles climatiques qui tiennent compte des moyennes historiques sont exécutés 20 fois, et chaque simulation prévoit une prévision saisonnière différente et produit un éventail de résultats possibles.

L’étape suivante consiste à déterminer lequel des résultats prévus – supérieur à la normale, près de la normale ou inférieur à la normale – est le plus probable ainsi que le degré de confiance à accorder aux prévisions.

Éléments de la prévision probabiliste

Parmi les 20 tentatives, combien de fois chaque résultat a-t-il été prédit? Supposons que la plupart des temps de déplacement soient au-dessus de la moyenne, car on prévoit beaucoup de travaux de construction dans trois mois, il y aura alors une probabilité beaucoup plus élevée d’un temps de déplacement supérieur à la moyenne plutôt qu’un temps moyen ou inférieur à la moyenne. L’utilisation des probabilités est une façon de quantifier l’incertitude des prévisions, sans oublier que même si l’un des résultats est le plus probable, les autres ne sont pas tout à fait improbables.

Il y a deux autres façons de considérer l’incertitude des prévisions, dont l’une est la compétence de la prévision. Dans quelle mesure vos prévisions ont-elles été exactes par le passé? Si, en pratique, le résultat le plus probable s’est généralement avéré erroné lors de vos déplacements, la compétence de vos prévisions est considérée comme faible, et le modèle, la méthode ou les données antérieures ne suffisent pas pour que vous puissiez faire confiance à votre prévision actuelle.

La dernière façon de tenir compte de l’incertitude est d’évaluer la fiabilité des prévisions. Comment les fréquences observées de conditions supérieures à la normale, près de la normale ou inférieures à la normale se comparent-elles aux fréquences de chaque résultat dans votre prévision? Si votre trajet a une durée supérieure à la normale 33 % du temps, mais que 65 % de vos prévisions indiquent qu’il faudra plus de temps que la normale, il se peut que vos prévisions ne soient pas fiables.

Le site Données et scénarios climatiques canadiens (DSCC) fournit des cartes de prévisions saisonnières probabilistes canadiennes et mondiales ainsi que les énoncés de compétence et les diagrammes de fiabilité connexes. Ce document d’orientation explique en détail comment interpréter la prévision, la compétence et la fiabilité pour prendre une décision éclairée quant aux prévisions.

Comment interpréter les prévisions probabilistes saisonnières

Les utilisateurs devraient évaluer les prévisions en tenant compte de quatre composantes principales : les probabilités prévisionnelles, les énoncés de capacité, les diagrammes de fiabilité et la climatologie de la région.


1. Que représentent les cartes de prévisions saisonnières probabilistes?

Les cartes de prévisions saisonnières sont colorées pour afficher la probabilité d’occurrence de la plus probable des trois catégories pour la moyenne saisonnière : au-dessus de la normale, près de la normale ou sous la normale. En outre, des probabilités numériques (%) pour les trois catégories apparaissent à l’emplacement du curseur de la souris ou lorsque vous touchez le lieu avec votre doigt. Ces probabilités sont obtenues à partir d’un ensemble de vingt (20) prévisions différentes (deux modèles de prévision différents exécutés dix (10) fois chacun). Les catégories sont définies en fonction de moyennes saisonnières passées pendant une période climatologique de 30 ans (actuellement de 1991 à 2020). Une moyenne saisonnière est :

  • au-dessus de la normale si elle dépasse sa moyenne climatologique (la moyenne pour cette saison sur l’ensemble des années de la période climatologique) de plus de 0,43 fois son écart type-interannuel saisonnier (l’écart-type des 30 moyennes saisonnières au cours de ces années);
  • sous la normale si elle est inférieure à la moyenne climatologique de plus de 0,43 d’écart-type;
  • près de la normale si elle se situe à moins de 0,43 d’écart-type de la moyenne climatologique.

Le seuil d’écart-type de 0,43 rend chaque catégorie équiprobable (même probabilité de 33 %) en moyenne. Les probabilités de prévision supérieures à 33 % signifient que les chances sont orientées vers la catégorie en question, tandis que les probabilités de prévision inférieures à 33 % signifient le contraire. Vous trouverez les cartes des moyennes climatologiques observées et du seuil d’écart-type de 0,43 pour une période climatologique allant de 1981 à 2010 pour la température et les précipitations dans toutes les régions du Canada ici. Vous trouverez des explications plus détaillées de la façon dont ces prévisions sont produites ici.

La répartition des probabilités indique le degré de confiance accordé à la prévision. Par exemple, une prévision dont la probabilité la plus probable est de 45 % pour des conditions au-dessus de la normale et qui comprend des probabilités de 30 % et 25 % pour les catégories près de la normale et sous la normale, respectivement, serait moins fiable qu’une prévision avec des probabilités de 60 % (au-dessus de la normale), 25 % (près de la normale) et 15 % (sous la normale). Dans ce cas, il y a plus de chance que le hasard (plus de 50 %) que des conditions au-dessus de la normale prévalent, et il y a peu de chances que des conditions près de la normale ou sous la normale soient observées.

Il convient de noter que la catégorie près de la normale tend à être moins bien prévue que les catégories au-dessus et sous la normale.Reference1Reference2Reference3 La raison principale tient au fait que les catégories au-dessus et sous la normale sont ouvertes. En d’autres termes, elles sont seulement contraintes d’un côté, c’est-à-dire par la catégorie près de la normale. Ainsi, une moyenne saisonnière sera au-dessus de la normale, peu importe si elle est légèrement ou fortement au-dessus de la normale, et il en va de même pour la catégorie sous la normale. En revanche, la catégorie près de la normale est contrainte par la catégorie au-dessus de la normale et la catégorie sous la normale, elle présente une gamme de valeurs applicables comparativement plus restreinte. Par conséquent, il faut accorder un plus faible degré d’assurance aux probabilités des prévisions près de la normale qu’aux probabilités de prévisions au-dessus ou sous la normale.

Interprétation des cartes de prévisions saisonnières probabilistes

La carte de prévisions saisonnières est interactive : en déplaçant le curseur sur la carte (ou en touchant un endroit particulier avec votre doigt), une fenêtre d’information apparaît pour ce point de la carte. Les probabilités pour les catégories au-dessus de la normale, près de la normale et sous la normale dans la zone d’intérêt apparaîtront. Vous pouvez également chercher un lieu dans le tableau situé sous la carte. En général, une probabilité plus élevée indique un degré de confiance plus élevé à l’égard de la prévision (voir les exemples ci-dessous). Remarque : Les prévisions saisonnières ne permettent pas de prévoir les phénomènes météorologiques extrêmes. Pour obtenir plus de renseignements sur les prévisions saisonnières d’Environnement et Changement climatique Canada, veuillez lire la foire aux questions.

Les barres de couleur dans le bas ou sur le côté droit des cartes de prévisions (pour le Canada et le monde, respectivement) indiquent les probabilités de prévision par intervalles de 10 % (voir figure 1 et figure 2). Pour la variable de température, les couleurs vont du jaune au rouge pour une température au-dessus de la normale, du gris au violet pour une température près de la normale et du bleu clair au bleu foncé pour une température sous la normale. Ces couleurs changeront en fonction de la variable sélectionnée dans le menu déroulant. Les couleurs de la carte montrent la catégorie ayant la probabilité la plus élevée, le blanc recouvrant une région pour toute variable représentant une « possibilité égale » d’occurrence, c’est-à-dire où aucune catégorie n’excède 40 %. Les mois pour lesquels la prévision est valable sont indiqués au bas de la carte en caractères rouges et correspondent à la période sélectionnée (figure 1). La date de publication est précisée dans le coin supérieur droit de cette page.

La figure 1 montre la répartition des probabilités pour un point du Yukon et l’habileté pour cet endroit. Il y a 58 % de chance que les conditions soient sous la normale pour la période de mars à mai, avec une forte habileté de 66 %. La section suivante explique la façon de mesurer l’habileté. Les prévisions saisonnières mondiales de la figure 2 présentent aussi ces renseignements dans le même format.

Figure 1

Figure 1. Prévisions saisonnières pour le Canada provenant du site DSCC, montrant une prévision probabiliste (de mars à mai 2022) pour la température moyenne. Le délai entre le moment où la prévision a été établie et celui où elle commence est de 0 mois, c’est ce qu’on appelle l’échéance. Les probabilités des trois catégories et les pourcentages d’habileté sont indiqués pour un lieu situé au Yukon.

Figure 2

Figure 2. Prévisions saisonnières mondiales provenant du site DSCC, montrant une prévision probabiliste (de mars à mai 2022) pour la température moyenne. Le délai entre le moment où la prévision a été établie et celui où elle commence est de 0 mois, c’est ce qu’on appelle l’échéance. Les probabilités des trois catégories et les pourcentages d’habileté sont indiqués pour un lieu situé au Japon.


2. Que représentent les cartes d’habileté?

Les cartes d’habileté montrent le rendement du système de prévision dans les années passées, ce qui donne une indication du degré d’assurance à accorder à la prévision actuelle. Une prévision est considérée comme habile lorsque le pourcentage correct est de 40 % ou plus. Par exemple, supposons que l’habileté soit évaluée à 60 % pour une saison et une échéance données (le temps qui s’écoule entre le moment où une prévision est établie et celui où la période de prévision commence). Cela signifie que la prévision était dans la bonne catégorie (au-dessus de la normale, sous la normale ou près de la normale) pour cette saison et cette échéance dans 60 % des cas antérieurs. Si la valeur est inférieure à 40 %, la prévision n’est pas statistiquement meilleure qu’une prévision purement fondée sur le hasard, et le degré d’assurance accordée à la prévision est donc très faible.

Les cartes d’habileté qui accompagnent chaque prévision indiquent l’habileté du système de prévision, selon le lieu, en se fondant sur la vérification des prévisions passées sur un certain nombre d’années (généralement 30 ans).Reference4

Interprétation des énoncés de compétence

Sélectionnez un lieu d’intérêt sur la carte d’habileté ou consultez l’habileté (pourcentage correct) dans le tableau sous la carte pour un lieu répertorié.

Les cartes d’habileté (figure 3 et figure 4 ci-dessous) montrent le pourcentage correct, qui mesure la fréquence à laquelle la catégorie a été prévue avec précision, avec un pourcentage plus élevé indiquant une meilleure habileté de prévision. L’habileté est classée selon les catégories suivantes :

  • Pourcentage correct inférieur à 40 % : faible habileté
  • Pourcentage correct de 40 % à 59 % : moyenne habileté
  • Pourcentage correct de 60 % ou plus : forte habileté

Seules les régions dont le pourcentage correct est égal ou supérieur à 40 % sont représentées en couleur sur la carte. La couleur grise désigne les zones dont le pourcentage correct est inférieur à 40 %, ce qui signifie que l’habileté des prévisions pour ces zones n’est pas significative. Les cartes d’habileté varient en fonction de la saison, du lieu, de l’échéance (combien de temps à l’avance la prévision est établie, les prévisions établies plus longtemps à l’avance ont généralement une habileté plus faible) et de la variable d’intérêt. Lorsque vous évaluez les prévisions d’une région, vérifiez si le pourcentage correct correspond à une habileté faible, moyenne ou forte. Si l’habileté est faible, il peut être préférable d’utiliser des probabilités de prévision fondées sur la climatologie (33 % pour chaque catégorie).

Figure 3

Figure 3. Carte d’habileté de température des prévisions saisonnières du Système de prévision interannuelle et saisonnière canadien, version 2 (SPISCanv2) pour la période passée allant de mars à mai, de 1991 à 2020, au Canada. Les couleurs représentent le pourcentage correct pendant la période de référence, avec un emplacement au Yukon montrant une forte habileté de 66 %.

Figure 4

Figure 4. Carte d’habileté de température des prévisions saisonnières du SPISCanv2 pour la période passée allant de mars à mai, de 1991 à 2020, à l’échelle mondiale. Les couleurs représentent le pourcentage correct au cours de la période de référence, avec un emplacement au Japon montrant une habileté moyenne de 43 %.


3. Que représentent les diagrammes de fiabilité?

Le diagramme de fiabilité, également appelé diagramme d’attributs, montre pour chaque endroit la fréquence avec laquelle chaque catégorie survient (axe vertical) par rapport à la probabilité avec laquelle elle a été prévue (axe horizontal) au cours des 30 années de prévisions antérieures. La fiabilité de la prévision varie en fonction de la mesure dans laquelle la prévision a été établie à l’avance (échéance), des mois évalués, de la variable et de la catégorie (au-dessus de la normale, près de la normale et sous la normale). On parle de « prévision parfaite » lorsque les fréquences observées sont égales aux probabilités de prévision, auquel cas les lignes du diagramme de fiabilité se situent le long de la ligne diagonale tiretée grise. Une prévision est considérée comme fiable lorsque la probabilité de la prévision et la fréquence observée diffèrent de moins de 10 %. La zone grisée du diagramme représente où l’indice d’habileté de Brier (une mesure d’habileté probabiliste courante) possède un niveau d’habileté; l’habileté est nulle lorsqu’une ligne déborde de la zone grisée. Enfin, les histogrammes du bas indiquent la fréquence à laquelle chaque plage de probabilité a été prévue pendant la période climatologique (passée).

Interprétation des diagrammes de fiabilité

Sélectionnez le diagramme de fiabilité pour la même variable et la même période que celles choisies pour la prévision des probabilités et la carte d’habileté. Ce diagramme représente tous les lieux et considère que la prévision est fiable si la fréquence observée et la probabilité prévue diffèrent de moins de 10 % pour les différentes catégories (au-dessus de la normale, sous la normale et près de la normale).

Par exemple, supposons que les prévisions pour un lieu donné soient supérieures de 60 % à la normale. Pour que la prévision soit considérée comme fiable, la ligne rouge (au-dessus de la normale) correspondant à une probabilité d’environ 60 % (0,6 sur l’axe des x) doit se situer dans une fourchette de 10 % (au-dessus ou en-dessous) de la ligne diagonale tiretée grise qui traverse le diagramme. Cette ligne sert de guide pour savoir à quel moment la probabilité de prévision et la fréquence observée sont égales, ce qui serait le moment idéal pour évaluer la fiabilité.

Dans la figure 5 ci-dessous, le diagramme de fiabilité pour les prévisions de température de octobre à décembre dénote un certain excès de confiance à l’égard des prévisions (lignes situées sous la ligne diagonale tiretée, indiquant qu’une catégorie est observée moins souvent que la probabilité prévue) et un très faible manque de confiance (lignes situées au-dessus de la ligne diagonale tiretée, indiquant qu’une catégorie est observée plus souvent que la probabilité prévue), selon la catégorie et la probabilité. Toutefois, ces différences sont inférieures à 10 % (ou 0,1) pour la catégorie sous la normale, ce qui signifie que les probabilités de prévisions sous la normale peuvent être considérées comme fiables. Les probabilités de prévision au-dessus de la normale, comprises entre 0,5 et 0,65, révèlent une fiabilité moindre, où les fréquences observées correspondantes se situent entre 0,35 et 0,5 (une différence de 10 % ou plus). En outre, l’habileté est nulle pour les probabilités de prévision au-dessus de la normale situées entre 0,5 et 0,6, car la ligne déborde de la zone grisée. En revanche, la figure 6 démontre une grande fiabilité pour toutes les catégories et probabilités parce que les lignes colorées dévient de moins de 10 % de la ligne de prévision parfaite.

Figure 5

Figure 5. Diagramme de fiabilité pour les prévisions saisonnières de température de octobre à décembre 2022 pour tous les endroits au Canada. Le délai entre le moment où la prévision a été établie et celui où la prévision débute est de 6 mois (échéance). Les probabilités de prévision sont comparées aux fréquences observées, les prévisions les plus fiables étant les plus proches de la ligne diagonale tiretée grise. La zone grisée montre où se situe l’habileté.

Figure 6

Figure 6. Diagramme de fiabilité pour les prévisions saisonnières de température de janvier à mars 2022 pour tous les endroits dans le monde. Le délai entre le moment où la prévision a été établie et celui où la prévision débute est de 0 mois (échéance). Les probabilités de prévision sont comparées aux fréquences observées, les prévisions les plus fiables étant les plus proches de la ligne diagonale tiretée grise. La zone grisée montre où se situe l’habileté.


4. Quelle est la climatologie de la région?

Dans le contexte d’une prévision probabiliste saisonnière, la climatologie est définie comme la température ou les précipitations moyennes sur une période de trois mois à un endroit précis. La moyenne climatologique est générée à partir de 30 années de données des stations et constitue la référence historique à partir de laquelle des probabilités de conditions supérieures à la normale, près de la normale ou inférieures à la normale peuvent être créées. Les utilisateurs devraient évaluer les prévisions en tenant compte des probabilités, de la compétence, de la fiabilité et de la climatologie de la région concernée.

Variables disponibles

Les variables suivantes sont disponibles sous forme de prévisions saisonnières :

La plupart des informations contenues dans cette page sont fondées sur le document d'orientation du Service météorologique du Canada (SMC). Pour obtenir plus de renseignements sur la façon dont ces prévisions sont produites, consultez les notes techniques.

Exemples d’utilisation des prévisions saisonnières probabilistes

Exemple 1 : importateur d’huile de palme

Remarque : Cet exemple est fourni à des fins purement éducatives. Il est entièrement fictif et extrêmement simplifié. Les décisions sont fondées exclusivement sur les prévisions saisonnières.

Scénario de mise en contexte

L’entreprise canadienne A, qui importe de l’huile de palme de Malaisie (un grand exportateur), souhaite évaluer la façon dont la production d’huile de palme pourrait être touchée par El Niño (la phase chaude de l’oscillation australe El Niño). Durant un épisode d’El Niño, les sécheresses tendent à être plus fréquentes en Malaisie, ce qui réduit la production d’huile de palme.Reference5Reference6 Si le rendement des cultures diminue, l’entreprise A devra chercher un autre fournisseur et se préparer à une éventuelle augmentation des prix. Étant donné que l’oscillation australe El Niño atteint généralement son intensité maximale à la fin de l’automne ou en hiver (habituellement de novembre à février)Reference7, L’entreprise A a décidé de prendre des mesures au début du mois d’octobre si les prévisions saisonnières pour octobre-novembre-décembre ou janvier-février-mars montrent une probabilité de 50 % ou plus de précipitations sous la normale. Leur niveau d’habileté acceptable est de 40 % ou plus (moyen ou fort).

Sommaire des données

L’entreprise A examine les prévisions de précipitations saisonnières mondiales pour un endroit représentatif dans la Malaisie péninsulaire pour les deux périodes ainsi que leur habileté et leur fiabilité. Le tableau 1 résume les données obtenues.


Tableau 1. Prévisions fictives des précipitations moyennes, de l’habileté et de la fiabilité pour un endroit de la Malaisie péninsulaire. Échéance fictive : 0 mois (d’octobre à décembre) et 3 mois (de janvier à mars).

Période Prévisions des précipitations Habileté des prévisions Fiabilité des prévisions

Oct./nov./déc.

(De 1 à 3 mois)

Au-dessus de la normale : 29 %

Près de la normale : 33 %

Sous la normale : 38 %

63 % (forte) La ligne bleue sous la normale, avec une probabilité de prévision d’environ 38 % (0,38), se situe à moins de 10 % de la ligne diagonale grise de « prévision parfaite » (où la fréquence observée et la probabilité de prévision sont égales)

Janv./févr./mars

(de 4 à 6 mois)

Au-dessus de la normale : 10 %

Près de la normale : 22 %

Sous la normale : 68 %

47 % (moyenne) La ligne bleue sous la normale, avec une probabilité de prévision d’environ 68 % (0,68), se situe à moins de 10 % de la ligne diagonale grise de « prévision parfaite » (où la fréquence observée et la probabilité de prévision sont égales)

Interprétation des données

Les prévisions pour octobre-novembre-décembre ne répondaient pas aux exigences de l’entreprise A, car la probabilité de précipitations sous la normale était inférieure à 50 %. Cependant, les prévisions pour janvier-février-mars indiquent une probabilité de 68 % de précipitations sous la normale et satisfont aux deux critères, soit une probabilité de prévision de 50 % ou plus et un pourcentage d’habileté de 40 % ou plus (47 %). Les prévisions étant également fiables, l’entreprise A décide de prendre des mesures en prévision d’une réduction de l’approvisionnement en huile de palme et d’une hausse des prix qui pourraient survenir trois mois après la prise de cette décision. L’entreprise envisage également de revoir son plan d’action lorsque de nouvelles prévisions seront publiées à l’approche du mois de janvier.

Exemple 2 : énergie solaire

Remarque : Cet exemple est fourni à des fins purement éducatives. Il est entièrement fictif et extrêmement simplifié. Les décisions sont fondées exclusivement sur les prévisions saisonnières.

Scénario de mise en contexte

Une centrale solaire (entreprise B) située dans le sud-est rural de l’Alberta envisage d’augmenter le nombre de panneaux solaires, étant donné la demande d’énergie plus élevée de l’été précédent. L’entreprise B veut savoir si son investissement dans un plus grand nombre de panneaux solaires aura des retombées précoces pour la saison d’été à venir, qui dépend en partie de la hausse des températures qui entraîne une augmentation de la demande d’énergie. Comme l’entreprise B doit commencer à construire de nouveaux panneaux avant la saison d’été, elle décide de vérifier les prévisions du 1er mars, moment où les prévisions estivales avec une échéance de trois mois sont publiées. S’il y a une probabilité de 60 % que la température moyenne estivale soit au-dessus de la normale, l’entreprise B envisagera de réaliser l’investissement en question et d’augmenter la production avant l’été. Comme le lieu de la centrale ne figure pas dans le tableau situé sous les cartes de prévision, on utilise le curseur de la souris pour localiser la zone d’intérêt approximative sur la carte. Pour déterminer quel seuil de température constitue une température au-dessus de la normale, l’entreprise B consulte la climatologie de la grande ville la plus proche (Medicine Hat) pour laquelle il existe une fiche.

Sommaire des données

L’entreprise B examine la climatologie, les prévisions saisonnières de température pour le Canada, l’habileté et la fiabilité. Le tableau 2 résume les données obtenues.


Tableau 2.Climatologie pour Medicine Hat (Alberta) et prévisions estivales fictives pour la température moyenne, l’habileté et la fiabilité pour une région du sud-est de l’Alberta. Échéance fictive : 3 mois.

Climatologie Prévisions estivales Habileté des prévisions estivales Fiabilité des prévisions estivales

18.25 °C

Seuil : 0.47 °C

Au-dessus de la normale : 68 %

Près de la normale : 25 %

Sous la normale : 7 %

38 % (faible) La ligne rouge au-dessus de la normale, avec une probabilité de prévision d’environ 68 % (0,68), se situe à moins de 10 % de la ligne diagonale grise de « prévision parfaite » (où la fréquence observée et la probabilité de prévision sont égales)

Interprétation des données

D’après la climatologie, un été au-dessus de la normale correspondrait à toute température moyenne supérieure à 18,72 °C (18,25 °C+ 0,47 °C). La prévision au-dessus de la normale est considérée comme fiable, car sa probabilité est de 68 % (supérieure à 60 %). Cependant, étant donné la longue échéance de trois mois, l’habileté est réduite à un niveau qui n’est pas considéré comme habile (moins de 40 %). Il est peut-être préférable pour l’entreprise B d’attendre un mois de plus pour voir si les prévisions estivales, avec une échéance plus courte, ont une habileté plus élevée, ce qui justifierait d’accorder un plus grand degré d’assurance à une probabilité haute au dessus de la normale. En raison du pourcentage d’habileté faible, l’entreprise déciderait de ne pas étendre ses activités sur la base de cette prévision.

Exemple 3 : hôtel de glace

Remarque : Cet exemple est fourni à des fins purement éducatives. Il est entièrement fictif et extrêmement simplifié. Les décisions sont fondées exclusivement sur les prévisions saisonnières.

Scénario de mise en contexte

L’entreprise C est propriétaire d’un hôtel de glace à Iqaluit et veut évaluer la possibilité d’étendre ses activités au printemps. La décision de rester ouverte est faisable et rentable si la température moyenne saisonnière ne dépasse pas -12 °C. En fonction d’une analyse des coûts, l’entreprise C a décidé de fermer ses portes si la température moyenne printanière avait une probabilité de 50 % ou plus d’être supérieure à -12 °C et de rester ouverte si cette probabilité était inférieure à 50 %. La décision est prise le 1er mars, lorsque les prévisions printanières avec la plus courte échéance (0 mois) sont publiées.

Sommaire des données

L’entreprise C examine la climatologie, les prévisions saisonnières de température pour le Canada, l’habileté et la fiabilité. Le tableau 3 résume les données obtenues.


Tableau 3. Climatologie pour Iqaluit (Nunavut) et prévisions printanières fictives pour la température moyenne, l’habileté et la fiabilité. Échéance fictive : 0 mois.

Climatologie Prévisions printanières Habileté des prévisions printanières Fiabilité des prévisions printanières

-12.96 °C

Seuil : 0.99 °C

Au-dessus de la normale : 54 %

Près de la normale : 28 %

Sous la normale : 18 %

40% (moyenne) La ligne rouge au-dessus de la normale, avec une probabilité de prévision d’environ 54 % (0,54), se situe à moins de 10 % de la ligne diagonale grise de « prévision parfaite » (où la fréquence observée et la probabilité de prévision sont égales)

Interprétation des données

Avec une climatologie de -12,96 °C, une température moyenne supérieure à -11,97 °C (-12,96 °C + 0,99 °C) serait classée comme une prévision au-dessus de la normale, tandis qu’une température moyenne inférieure à -13,95 °C (-12,96 °C - 0,99 °C) serait classée comme une prévision sous la normale. Dans ce cas, la prévision indique une probabilité de 54 % que la température printanière moyenne soit supérieure à -12 °C (en arrondissant à partir de -11,97 °C). La probabilité de prévision de 54 % est moins fiable que les probabilités plus élevées. La probabilité de 54 % est également très près du critère de 50 % fixé par l’entreprise C. Si l’on tient compte du pourcentage d’habileté moyen (40 %), la prévision atteint de justesse les critères de seuils pour être considérée comme habile. La prévision est jugée fiable, puisque la ligne au-dessus de la normale, près de la probabilité de 54 %, se situe à moins de 10 % de la ligne diagonale tiretée.

Bien que les critères de fermeture de l’entreprise C soient remplis tout juste au minimum, cette prévision pourrait nécessiter une étude supplémentaire, selon la tolérance au risque de l’entreprise. Si l’entreprise C fondait plutôt sa décision sur la climatologie avec une chance égale que les trois catégories surviennent (33 % de chances d’être sous la normale, près de la normale et au-dessus de la normale), comme il est conseillé de le faire lorsque l’habileté est faible, elle déciderait de rester ouverte pour le reste de la saison printanière, puisqu’il y aurait 66 % de chances que les prévisions soient près de la normale (entre -11,97 °C et -13,95 °C) ou sous la normale (moins de -13,95 °C).

"Détails de la page"

Date de modification :