literature below is intended to point out important literature in the field concerning the problem of diverting investment from speculation to production, as well as to establish a systematic perspective referring to historical periods. As noted, the categories “financial-“ and “industrial capitalism” are terms that refer to how strong financial affairs are regulated by national political authorities. Using time as the classification criterion therefore points to the changing character of this debate through the past centuries.

The first category is split chronologically in order highlight the fluctuations in the production of literature. The delineation of periods is based on the dominating trend within the global financial system.

The second major category, “new monetary system movements”, could largely be grouped into the chronological section 1918-1945 but constitutes a tradition which stands out by itself and breaks this chronological categorisation. We believe a better perspective of this tradition is gained by separating this tradition from the rest of the literature. The reason is that on several points these movements converge. Not only do they all intend to solve the post WW I economic crisis of instability, unemployment and social misery and strife. They do also propose more or less similar solutions to this prolonged crisis. It turns out that the most famous of these reformers, J.M.Keynes, was more the visible surface of a great wave than the originator of the wave itself. The reformers saw the problem as primarily connected to the monetary system, concerning in particular credit. The titles of three books are revealing of the general intent of the general movement: Robert Eisler’s Stable Money (1932), Brynjolf Bjørseth’s Distribute or Destroy (1934) and Major Douglas’ The Monopoly of Credit (1931). The depression was seen as a kind of constipation of the economy caused by a lack of proper circulation of credit and money as lubricants in the economic machinery. The solution was seen as a politically administrated distribution of these lubricants to the public in general. The differences between the various reformers reflect the different suggestions of how to carry this out in practice.

LANGUAGES:

For practical purposes the literature is classified into different language groups. The subsection Scandinavia is a reflection of the ethnocentricity of this author. The classification into languages is, of course, also a classification in terms of cultural areas. In particular the European continental nations have a different more nationalistic tendency (favouring political control), whereas the Anglo-Saxon countries have a more market-oriented policy (favouring banking control). The latter is the normal and accepted view today. However - from an historical point of view - this is a fairly recent phenomenon, indeed a post WW II and even a post 1970s phenomenon. In particular, the United States followed a much more nationalist policy during periods of the 19^th Century and in the 1931-1963 era. This goes for Britain as well in several periods, the last being the partly successful attempt to revive mercantilism a Century ago and to some degree the Labour dominated post-WW II period

Un modèle mathématique est une traduction de la réalité pour pouvoir lui appliquer les outils, les techniques et les théories mathématiques, puis généralement, en sens inverse, la traduction des résultats mathématiques obtenus en prédictions ou opérations dans le monde réel. Le mot modélisation est aussi très utilisé dans le monde du graphisme, où l'on modélise des objets en 3D ou en 2D.

Multiplicité de buts Un modèle se rapporte toujours à ce qu’on espère en déduire. Un même objet, par exemple une souris, ne sera pas modélisé de la même façon selon que l'on s'intéresse à ses performances intellectuelles ; ses maladies et leurs soins, voire ceux d'un groupe d'animaux apparentés mais plus large (tous les mammifères dont l'Homme) ; la façon de la dessiner de façon convaincante dans le cadre d'un jeu vidéo. De même, un modèle n'est jamais parfait, ni totalement représentatif de la réalité : le choix des paramètres et des relations qui les lient éclaire la finalité. Au sein d’un même modèle, le choix des valeurs des paramètres peut permettre d’appréhender divers aspects, ou encore des réalités différentes. Multiplicité des modélisations[modifier] Même lorsque le but est fixé, il y a souvent plusieurs modèles possibles dont chacun présente des avantages spécifiques. Dans toute modélisation, il y a un choix a priori de l’environnement mathématique servant à décrire l’ensemble des phénomènes. La formulation s'identifie rarement aux manifestations physiques réelles. Ainsi en physique, il est commode d'utiliser un espace tridimensionnel euclidien, ou un espace « courbe », ou un espace à 4, 5, 11 ou 26 dimensions, ou un espace de Hilbert, etc. Bien qu'il soit généralement possible de montrer une grande proximité de ces différentes représentations, elles s'avèrent toutefois plus ou moins bien adaptées à la situation considérée. Ces formulations théoriques restent des modèles utiles pour appréhender la réalité, mais ils s'en distinguent. Par exemple, lorsqu'un physicien déclare que « l'univers est en expansion », il faut bien comprendre qu'il affirme implicitement que « par rapport à mon cadre mathématique, tout ce passe comme si... ». Un autre physicien peut affirmer que « l'univers n'est pas en expansion » : ils peuvent être parfaitement d'accord si les formulations mathématiques sont distinctes. La même remarque s'applique à d'autres domaines, en particulier aux modèles économiques et comptables dont les résultats et les décisions qui en découlent ont des conséquences économiques et fiscales importantes : l'archétype de la modélisation économique étant le cadastre fiscal et les bases de la taxation immobilière, dont tout le monde sait bien qu'elles sont « fausses », c’est-à-dire qu'elle ne reflètent qu'imparfaitement la valeur réelle qui est censée servir de référence. Tout ceci sans ignorer la réalité : bien qu'un modèle de génie civil pour la construction d'un pont garantisse la robustesse de l'ouvrage, il n'est pas exclu qu'il finisse par s'écrouler (par contre, si le modèle indique que telle variante est trop faible, il serait insensé de la réaliser ...). Typologie de modèle : selon le sens de la modélisation[modifier] La modélisation peut s'exercer du modèle vers le réel : ce sont les modèles prédictifs Ces modèles mathématiques sont utilisés pour anticiper des événements ou des situations, comme prévoir le temps avec la météo, estimer les prix potentiels des actifs financiers avec les modèles d'évaluation en finance, ou prévenir les épidémies. On parle de modèles prédictifs, dans lesquels des variables connues, dites « explicatives », vont être utilisées pour déterminer des variables inconnues, dites « à expliquer ». du réel vers le modèle : ce sont les modèles descriptifs Dans ce cas, les modèles servent à représenter des données historiques. On parle de modèles descriptifs. L'objectif est de rendre compte, de manière interprétable, d'une masse d'informations. L'archétype de ces modèles est la comptabilité : elle décrit de manière simplifiée les événements économiques réels en leur affectant un compte, c'est-à-dire une « étiquette » censée les caractériser. Ces comptes sont ensuite agrégés pour présenter de manière standard la situation économique des entreprises et des pays. Les deux types de modèles sont parfaitement liés : une bonne prédiction suppose au moins la prédiction de la situation passée et actuelle, c’est-à-dire une bonne description. Inversement, une bonne description serait parfaitement vaine si elle ne servait pas au moins de diagnostic, ou de carte, pour identifier la conduite à tenir. Un même modèle mathématique peut se trouver applicable à de nombreuses situations, n'ayant pas forcément un rapport évident. Par exemple, des générateurs de paysages sont capables de créer des formes réalistes d'objets aussi différents que des montagnes, des arbres, des rochers, de l'herbe, des coquillages ou des flocons de neige, avec un seul modèle général, alors même que les processus de croissance et de constructions de ses objets sont très divers. Si, au lieu de créer un nouveau modèle, on est capable de rapprocher un problème d'un ancien modèle connu, on obtient immédiatement une masse de données très utile. Une grande partie du travail est donc de reconnaître qu'un modèle connu s'applique, ou à étendre les propriétés connues d'une classe particulièrement utile de modèle (propriété qu'on pourra ensuite utiliser plus largement). Les qualités d'un modèle[modifier] En préliminaire, il est important de comprendre que la complexité mathématique n'est pas un critère suffisant pour juger si un modèle est pertinent ou non : il existe des classes de modèles qui font appel à des outils mathématiques complexes, tels la recherche opérationnelle ou la théorie des jeux ; d'autres classes, la comptabilité par exemple, sont d'un abord mathématique enfantin (additions, soustractions). Mais, à résultat comparable, c'est bien sûr le modèle le plus simple qui est préférable. Un modèle est pertinent s'il couvre bien le champ du problème réel Ex. un modèle financier qui n'intégrerait pas le phénomène du troc ne serait pas utilisable pour évaluer les entreprises de l'ex-Europe de l'Est. s'il permet d'obtenir le résultat escompté : description du phénomène avec le niveau de détail ou de synthèse souhaité, ou prévisions se révélant justes a posteriori. dans le délai souhaité On pense à la boutade qui promet des prévisions météo précises à une semaine mais qui demandent un mois de calcul. accessoirement, s'il est réutilisable L'investissement pour décrire un modèle est en général si important qu'il se justifie rarement sur une opération unique. Comment créer un modèle ?[modifier] Il n'est pas question dans un article si court de présenter une méthodologie applicable à toutes les situations (s'il en existe une !), mais quelques points essentiels. 1. Le point de départ est toujours une question qu'on se pose sur une situation future et/ou si complexe qu'on n'y trouve pas la réponse de manière évidente. Ex. : mon entreprise est-elle viable ? Ce matériel vaut-il le prix demandé ? Ce médicament est-il efficace ? Que faut-il faire pour que la situation s'améliore ? 2. Pour trouver la réponse, il est nécessaire de limiter le champ du problème en recherchant les données qu'on imagine avoir un lien direct avec la question. Trop limiter fait courir le risque de ne pas modéliser un phénomène qui a du poids dans le contexte, mais trop ouvrir entraîne une dispersion des moyens et une accumulation de données non pertinentes qu'il faudra écarter en justifiant les choix. Cette étape est la plus délicate pour la qualité du modèle : elle est soumise aux a priori du modélisateur, à ses manques de connaissances — parfois de méthode — et aux moyens dont il dispose (temps, argent, accès aux données). Au cours de cette étape, on choisit le type de modèle général qu'on va utiliser, notamment en fonction des données dont on pense disposer. 3. Il faut ensuite construire le modèle : filtrer les données afin d'en extraire les « bruits », ces irrégularités ou ces événements accessoires qui masquent l'essentiel ; éventuellement, reconstituer les manquants, c'est-à-dire les objets qui manquent pour assurer la cohérence de l'ensemble (ex. le fonctionnement d'un paramètre dont on connaît l'existence mais sur lequel on ne dispose pas de données) C'est là qu'interviennent les outils mathématiques et informatiques, qui permettent un filtrage et une construction avec un minimum de subjectivité en un minimum de temps. 4. Le « substrat » restant constitue le modèle, ensemble de règles ou d'équations. Il faut décrire ces règles le plus complètement possible : leur importance relative, les données en entrée et en sortie, les outils mathématiques utilisés, les étapes par lesquelles il faut passer, les points de contrôle. 5. La dernière étape consiste à valider le modèle : en appliquant aux données filtrées les règles du modèle, retrouve-t-on la situation initiale ? Si l'écart est trop important, il est nécessaire de se reposer la question des limites que l'on a fixées, ou de la pertinence des outils utilisés pour la modélisation. Les principaux domaines d'applications[modifier] chimie physique science de la vie. En agronomie : il existe des applications de la modélisation mathématique pour l'étude des systèmes de culture, des systèmes d'élevage. Certains travaux de modélisation sont à la base de la création d'outils opérationnels d'aide à la décision pour le conseil agricole. Les outils mathématiques les plus courants[modifier] Il s'agit essentiellement d'outils statistiques et de probabilités, de calculs différentiels (équation aux dérivées partielles et ordinaires). Plus précisément, Pour les modèles prédictifs : la projection, qui consiste à prédire la valeur d'une grandeur numérique continue à partir des valeurs passées, par exemple en utilisant les méthodes de régression (linéaire ou non) ; Pour tous les modèles : la classification, ou catégorisation, qui permet de situer une observation (événement ou individu) dans un nombre réduit de classes prédéfinies ; la représentation graphique, qui donne une image visuelle ; l'utilisation des variables centrées, où une variable est censée représenter toutes les autres (ex. la moyenne) ; la corrélation, qui permet d'associer plusieurs variables quand elles ont un comportement commun ; la clusterisation, qui consiste à présenter les observations par paquets les plus homogènes possibles (les clusters) ; la réduction de dimensionnalité, qui consiste à créer, à partir d'un ensemble d'observations, un ensemble réduit d'observations (c'est-à-dire moins nombreuses) qui est réputé se comporter comme la population initiale.

Notre modèle considère une élection majoritaire entre deux candidats les un idéologue engagé dans une politique déterminée et un idéaliste qui met en œuvre le choix a posteriori de la majorité. Les électeurs sont conscients que leurs classements individuels des politiques peuvent changer après l'élection selon des chocs communs ou idiosyncrasique. Nous montrons que dans l'équilibre de l'idéologue bat souvent l'idéaliste, même si ce choix fait mal à tous les électeurs. Inefficacité se pose à la fois pour sincère et pour les électeurs stratégiques, nous montrent également qu'il est plus répandue dans ce dernier cas. Les groupes peuvent être inflexible, même si chaque individu a une préférence pour la flexibilité. (JEL C72, D72)