cohendet"at"cournot.u-strasbg.fr

La présentation s'efforcera dans un premier temps de montrer le rôle et l'importance théorique de la notion de routines comme réponse organisationnelle efficace des organisations face à des contextes sélectifs divers. On examinera ensuite les caractéristiques principales de la notion de routines, avant de discuter dans une troisième partie de manière plus précise de l'articulation théorique de la notion de routines avec les développements actuels sur l'économie de la connaissance et particulièrement sur le lien entre la notion de routine et les notions de communautés (épistémique, de pratique, et autres types de communautés). Dans cette perspective, les principaux points traités sont les suivants:

• Distinction entre routines et autres traits génétiques stables dans les organisations (heuristiques, paradigmes, stratégies, etc...). On montrera toute la richesse et la complexité particulière du concept qui peut être perçu à la fois comme une manière dont les organisations répondent collectivement à l'incertitude sous la contrainte de rationalité limitée, ou sous un angle différent comme une manière dont les organisations construisent et accumulent leurs connaissances dans des contextes compétitifs. S'il y a de nombreux points communs dans la conception de la routine de March, Cyert et Simon d'un côté et de Nelson et Winter de l'autre, il y a aussi des nuances importantes entre les deux visions qu'il s'agit d'expliciter.

• La double nature du concept de routines: 1) la routine peut être considérée comme un schéma d'action collectif visant la résolution de problèmes. 2) la routine peut être considérée comme un mécanisme particulier de gouvernance et de contrôle incorporant des schémas d'incitation entre acteurs. Si Nelson et Winter (1982) ont eu les premiers l'intuition de cette distinction ("routines are truces amongst conflicts"), c'est à Coriat et Dosi (1994) que l'on doit l'analyse la plus approfondie de cette distinction.

• Les mécanismes d'évolution/reproduction des routines. La compréhension de ces mécanismes est déterminante pour expliquer un certain nombre de phénomènes fondamentaux des organisations comme la transmission de routines d'une période à l'autre, ou la manière dont se réalise l'arbitrage entre exploitation ou exploration. Ce qui est souvent reproduit, ce n'est pas la routine proprement dit, mais une forme de "connaissance codifiée" qui implique généralement à la fois des représentations, des règles et des artefacts. On étudiera à titre d'exemple la diffusion et transmission des "best practices" comme une articulation complexe de processus cognitifs élémentaires. La discussion sur les mécanismes d'évolution et de reproduction des routines montre également l'importance du contexte ("situated" ou "context dependent" learning), de la nature de la connaissance (tacite ou codifiée), ou du caractère local ou distribué de cette connaissance. C'est à partir de l'explicitation de l'ensemble de ces mécanismes que l'analyse des rapports profonds entre routines et apprentissage peut alors être menée.

• La maintenance des routines dans l'organisation. Les routines peuvent être fixées de différentes manières dans une organisation (dans la mémoire des acteurs individuels, dans une mémoire collective, dans des artefacts physiques, dans des pratiques organisationnelles, dans des codes locaux ou globaux, etc..). Le choix par les organisations de cette forme d'encodage des routines est capital pour comprendre comment se décide la cohérence et les possibilités d'évolution d'une organisation.

• De la notion de routines à la notion de compétences. Les développements récents de la théorie des organisations mettent en évidence la notion de compétences et plus particulièrement la notion de compétences de base (core-competence). Les mécanismes de passage de la notion de routine à celle de compétences qui supposent le fonctionnement de mécanismes de sélection aussi bien internes qu'externes portant sur les routines et sur les mécanismes de génération de diversité à la base de l'évolution des routines seront particulièrement analysés. Selon l'importance du rapport de force entre la sélection interne et la sélection externe, deux types de fonctionnement extrêmes des organisations peuvent être décrits.

• La dimension collective et interprétative des routines. Un certain nombre de travaux récents (B.Raynaud) ont montré l'importance de la distribution de la connaissance au sein des équipes pour interpréter les routines, et l'importance de la relation entre règles et routines ("rules-ready-to-use" et "rules-to-be-interpreted"). La présentation reviendra sur ces travaux, mais tentera de prolonger la réflexion à la lumière des développements récents de la littérature qui mettent en avant la notion de "petites communautés" (épistémiques, de pratique, d' équipe de travail, de projets, etc..). Chaque forme de communauté possède des caractéristiques qui contribuent à façonner la manière dont les routines sont générées, maintenues, distribuées, reproduites, etc…au sein des organisations. La difficulté de ces dernières est précisemment de gérer la cohérence entre ces diverses communautés. L'interaction entre les différentes communautés, la manière dont celles-ci se transmettent les connaissances et les routines est une des clefs d'interprétation de la manière par laquelle émergent des phénomènes d'auto-organisation et d'élaboration de règles nouvelles au sein des organisations.

BIBLIOGRAPHIE

weisbuch"at"lps.ens.fr

Nous présenterons les résultats généralisables obtenus sur le problème de l'acheteur et du choix des produits en appliquant un formalisme inspiré de la mécanique statistique et en particulier du "champ moyen''. Nous considérons le problème d'un acheteur qui doit choisir un produit (ou un vendeur) parmi d'autres. L'approche que nous allons décrire est d'ailleurs applicable au problème plus général d'un acteur devant choisir une technologie, une règle de comportement, une option politique etc. Nous nous limiterons à deux exemples extrêmes dans la gamme des informations disponibles pour l'acheteur :

• L'information est publique, mais les acheteurs ont la mémoire courte. Ils basent leurs choix sur les choix des autres agents à la période précédente (Föllmer 1974, Kirman 1993, Orlean 1995).

• L'information est privée et les agents se basent sur l'histoire de leurs transactions précédentes (Weisbuch et al. 2000).

Nous supposerons que les agents ont une stratégie probabiliste. Leur problème est alors de passer de l'ensemble I(t) des informations dont ils disposent au temps t à une probabilité d'achat P(t) dans le simplex S_m, où m est le nombre des choix offerts :

laslier"at"poly.polytechnique.fr

Un "jeu évolutionniste'' est un objet complexe, constitué d'un jeu non coopératif au sens formel du terme, sous forme normale ou extensive, et d'un processus dynamique. Le jeu formel sous-jacent, ou jeu de base, définit seulement les utilités associées aux configurations d'action (principe de satisfaction). Le processus dynamique spécifie les hypothèses de confrontation, information, évaluation et décision dans la répétition du jeu de base. C'est donc par la spécification de la dynamique que le modélisateur peut introduire les processus de maximisation, apprentissage, sélection, imitation, renforcement,... qu'il juge pertinents. Les apports de la Théorie des Jeux Evolutionnistes sont de deux ordres. D'une part, la recherche a tenté de trouver des descriptions du comportement temporel du système qui ne dépendent pas trop du détail du processus dynamique considéré. De tels résultats ont été obtenus pour les dynamiques évolutionnistes "de base'', c'est à dire celles comportant seulement un mécanisme de sélection ou renforcement (type réplicateur) éventuellement couplé avec un mécanisme de mutation ou exploration de faible intensité. Il s'agit donc de résultats "généraux''. D'autre part la Théorie des Jeux Evolutionnistes a permis de donner un éclairage nouveau à certains problèmes particuliers.

Objet du cours: Le cours expose quelques définitions et résultats de la Théorie des Jeux Evolutionniste. On rappelle d'abord le vocabulaire de base de la Théorie des Jeux: stratégies, paiements, équilibres. Ensuite on présente les modèles standards de la dynamique des populations. Troisièmement on discute les re-interprétations de ces modèles biologiques populationnels en des modèles d'apprentissage individuel, et on explique les autres approches de l'apprentissage individuel dans les jeux. Quatrièmement on discute les ré-interprétations des mêmes modèles en des modèles de l'apprentissage des normes dans les sociétes humaines, et on explique les autres approches de l'apprentissage collectif. A travers ces considérations, on souhaite donner aux auditeurs les éléments nécessaires pour qu'ils puissent juger des forces et des faiblesses de la métaphore évolutionniste en Sciences Sociales.

Laboratoire de Physique Statistique - ENS

Jean-Pierre.Nadal"at"lps.ens.fr

Ce cours portera sur la dynamique et les mécanismes d'apprentissage et d'(auto)organisation dans les systèmes composés d'un grand nombre d'unités, fortement int erconnectées : principalement réseaux de neurones mais aussi populations d'agents, systèmes "connexionistes".

Je présenterai les principaux types de réseaux de neurones, tant du point de vue de la modélisation en neurosciences que comme outil informatique pour l'analyse de données ou le traitement du signal. J'introduirai les notions d'apprentissage et d'adaptation dans ces réseaux (apprentissage supervisé, apprentissage non supervisé, auto-organisation,...). Je présenterai les principaux algorithmes d'apprentissages et indiquerai en quoi l'étude théorique de ces systèmes relève des probabilités et statistiques (en particulier statistiques bayésiennes), de la théorie de l'information, de la physique statistique. Je discuterai sommairement la dynamique des systèmes fortement interconnectés (en particulier le cas des "réseaux à attracteurs").

J'insisterai sur la notion de "phénomènes collectifs" : dans le cas d'un très grand nombre d'unités, le système (réseau de neurones, population d'agents) va avoir un comportement bien décrit par un petit nombre de quantités "macroscopiques", dans une très large mesure indépendantes des détails au niveau "microscopique" (c-à-d des particularités des unités qui composent le système). En variant un paramètre (par exemple le niveau de bruit, le nombre de formes mémorisées,...), on passera d'un type de comportement à un autre type par une transition abrupte lorsque le paramètre passe par une valeur seuil, dite valeur "critique".

J'illustrerai ce propos par l'étude de la capacité de mémorisation dans un réseau de neurones, et par un exemple d'auto-organisation dans une population d'agents.

BIBLIOGRAPHIE

University of Trento
mv"at"business.auc.dk

This talk describes in some detail the main systems used to represent adaptive learning: Genetic Algorithms (GA), Classifier Systems (CS) and Genetic Programming (GP). The goal of the talk is to provide the elements to decide which system may be more appropriate for a purported use. It will also be discussed the kind of problems that generally emerge during the implementation of these systems, that is, the use of simulation models for economic research.

The systems of learning with genetic flavour have been proposed in the early 70's in the area of artificial intelligence. The "traditional" AI tried to use the computers to reproduce intelligent behaviours by means of feeding the machine with as much "basic knowledge" as possible, and then using the speed of data retrieving and logical elaboration to select the correct piece to be used at any given moment. These produced, for example, the "expert systems" (find the correct suggestion an expert would give in that situation), or logical machines (develop the whole set of logical implications from given assumptions). J.Holland instead used a different approach (Holland, 1975). His idea was to provide the computer with a "basic language" and a fitness function, resembling the "language" of genetic coding (all possible combinations of the basic genes) and the biological response (fitness of individual in a given environment). The computer started with a random sample of strings (i.e. random "words" of the language), assigning each the fitness response. Then the program continuously creates new strings in a similar way that new genetic material is produced by existing one, exploring better and better areas of the whole potential space of research.

The power of this genetic system resides in the fact that the number of "words" represented by the basic language may be virtually unlimited. The exploration does not necessitate considering at once the whole space of research, but only a very small portion of it. Using the bits of information obtained from the fitness responses it is therefore possible to obtain increasingly better elements. This system, the GA, was basically designed after the biological evolution of species. Initial random individuals survive from one generation to the next in proportion to their relative fitness. New individuals are created by mixing chunks of existing individuals' genetic material, and mutating with low probability. However, this system did not seem adequate for the representation of knowledge evolution followed by humans. In Holland et al., 1986, is formally faced this problem. One of the proposals is the Classifier System (see also Goldberg, 1989). The CS uses the GA way to explore, select and retain new knowledge (i.e. random initial endowment, selection, and genetical recombination and mutation). However, the basic element of knowledge is not a generalized "word" of a language, but it is a "classifier" condition-action. The condition- part operates a classification of the states on which the action part can be successfully operated. In this way, it is considered explicitly the human activity of developing a classification of relevant states of the world, on each of which different actions need to be operated. CS improve GA in that allow the learning system to develop differentiated responses for different states of the world (a fundamental condition for representing human behaviour). Moreover, CS introduces the differentiation between the timing of action of the simulated agent and the timing of elaboration of information. From the theoretical viewpoint, the CS allows to develop quite sophisticated structures, like the default hierarchies, that are thought to be at the base of the intelligent behaviour when coping with real world complex situations. On the other hand, CS require quite high technical skills for their implementation. Moreover, they often fail to succeed in developing "intelligent" behaviour, since the calibration is very complex.

In the early 90's a new system was proposed: Genetic Programming (Koza, 1992). The goal of this new system is to make computers develop their own programs, aimed at solving a given problem. The Genetic Programming, GP, is very similar to the GA, but instead of using a basic language of "static" elements (i.e. 0's and 1's forming strings), it uses elementary functional elements, like arithmetical operators, conditional statements, etc. Of course, the GP are, in theory, far more general than any other system, since their "research space" includes any conceivable computable structure, including the classification represented in CS.

Although many researchers from different areas contributed to the development of the above mentioned systems, the common environment for their development is highly technical. This, for example, is responsible for the potential conflict between who uses learning systems for pure optimization purposes (the "engineer approach") and the ones that prefer a more social attitude, requiring learning systems to have the same balance between intelligent and · non-intelligent (satisficing?) behaviour that humans show.

The software tools made available are themselves mainly thought for technical applications, and need a quite high degree of programming skills to be applied to a specific context. Moreover, besides the simplicity of their basic design, the actual implementation often requires many specifications that require, again, a deep understanding of, both, the problem to which they are applied and the internal mechanism of the artificial learning system.

Besides the development of a learning system, a more general concern is the use of simulation models in social sciences. That is, the development of an artificial economy, intrinsically dynamical, in which artificial agents act and develop gives rise to many technical problems that are not yet fully solved by off-the-shelves products. Moreover, differently from "engineering" problems, simulation models in social sciences do not need to "solve the problem", but have the more vague goal of increasing our knowledge. This means that the simulation need to provide all the information concerning whole patterns followed and help in finding the explanation for the simulated events.

BIBLIOGRAPHY

Marie.Cottrell"at"univ-paris1.fr

L’algorithme de Kohonen est un des algorithmes d’apprentissage les plus célèbres. On l’appelle aussi algorithme d’auto-organisation, ou carte de Kohonen, ou plus brièvement SOM (Self-Organizing Map).

Il a été défini par Teuvo Kohonen, dans les années 80, à partir de motivations neuromimétiques (cf. Kohonen, 1984, 1995). On sait que des signaux d’entrée voisins excitent des régions voisines dans différents cortex comme le cortex visuel, auditif, sensoriel, par exemple. Cette ´ organisation ª des champs récepteurs se met en place progressivement au cours d’un apprentissage (plus ou moins long). C’est cette observation qu’a exploitée T.Kohonen pour définir son algorithme, qui a pour caractéristique essentielle de faire correspondre à des entrées voisines des unités (et des vecteurs-codes) identiques ou voisins. Ce résultat s’obtient après un processus d’apprentissage stochastique, non supervisé, puisque les correspondances entrées-sorties ne sont pas prédéterminées. Il existe aussi une version batch de cet algorithme, mais on perd alors l'aspect progressif et dépendant de l’expérience de l’algorithme original.

Dans le contexte d’analyse des données qui nous intéresse ici, l’ensemble des entrées (ou inputs) est un ensemble fini rangé dans une matrice de données, formée de N individus ou observations, décrits par un identificateur et p variables. L’algorithme regroupe alors les observations en classes, en respectant la topologie de l’espace des observations.

Cela veut dire qu’on définit a priori une notion de voisinage entre classes et que des observations voisines dans l’espace des variables (de dimension p) appartiennent (après classement) à la même classe ou à des classes voisines.

Les voisinages entre classes peuvent être choisis de manière variée, mais en général on suppose que les classes sont disposées sur une grille rectangulaire qui définit naturellement les voisins de chaque classe. On peut aussi considérer une topologie unidimensionnelle dite en ficelle, ou éventuellement un tore ou un cylindre.

L’algorithme de classement est itératif. L’initialisation consiste à associer à chaque classe un vecteur code (ou représentant) de p dimensions choisi de manière aléatoire. Ensuite, à chaque étape, on choisit une observation au hasard, on la compare à tous les vecteurs codes, et on détermine la classe gagnante, c’est-à-dire celle dont le vecteur code est le plus proche au sens d’une distance donnée a priori. On rapproche alors de l’observation les codes de la classe gagnante et des classes voisines.

Cet algorithme est analogue à la version stochastique de l’algorithme des centres mobiles, mais dans ce dernier cas, il n’existe pas de notion de voisinage entre classes et on ne modifie à chaque étape que le code (ou représentant) de la classe gagnante.

Nous présenterons les principales propriétés de l’algorithme de Kohonen et des applications en analyse de données et prévision. Nous définirons plusieurs variantes de l’algorithme de base permettant de faire de l’analyse exploratoire de données tant quantitatives que qualitatives.

BIBLIOGRAPHIE

E.N.S.G.I.-Grenoble

Bernard.Ruffieux"at"inpg.fr

Smith et al. (1988) created laboratory asset markets in which they observed that market prices consistently differed from the fundamental value of the asset, and labeled the price patterns as "bubbles" and "crashes". In subsequent work, laboratory asset market bubbles have been given the definition "trade at high volumes at prices that are considerably at variance from intrinsic values" (King et al. 1993). A market crash can be defined as a rapid drop in transaction prices. The markets studied by Smith et al. (1988) traded assets with a lifetime of a known finite number of periods, in which the asset paid a dividend in each period, and the dividend was typically the only source of intrinsic value. The dividend paid was identical for each trader and the dividend process was common information to all traders. When subjects participated in this type of market for the first time, the prices tended to climb to levels higher than the fundamental value, and then to crash toward the fundamental value near the end of the time horizon. A typical time series of prices shows that prices increase to a level greater than the fundamental value, and then a crash occurs. After the crash, prices closely track the fundamental value.

The sharp differences between the observed prices and the fundamental values have motivated several extensions of the original Smith et al. (1988) experiment. The extensions examine the robustness of the bubble and crash phenomenon. King et al. (1993) study the effect of allowing short selling, allowing margin buying, having an equal initial endowment of the asset for each agent, imposing a fee on transactions (‘Tobin tax’ style), imposing limits on price changes, and using businesspeople as subjects. They observe bubbles in all of their treatments. Fisher and Kelly (1998) construct two asset markets operating simultaneously and observe bubbles and crashes in both markets. Porter and Smith (1995) study the effect of futures markets and of removing the uncertainty in the dividend process. The futures market reduces the bubble, but does not dampen it. Van Boening et al. (1993) study asset market with call markets (two-sided sealed-bid auctions), and also observe price bubbles and crashes.

During the session, we shall produce an experimental bubble with the students, then we shall present general procedures and results from the literature, and recent works. We shall finish with a discussion on the implications for cognitive approaches.

BIBLIOGRAPHY

ENS-Cachan et IDHE

jmdalle"at"dir.ens-cachan.fr

L’étude de la diffusion des innovations technologiques constitue une question essentielle de l’économie de l’innovation, qui a donné lieu depuis les années 50 à de nombreux travaux empiriques et théoriques importants (Griliches, 1957 ; Mansfield, 1961 ; pour un survey récent : Lissoni & Metcalfe, 1994). La nature même de la question a au demeurant conduit les économistes à se confronter très tôt dans ce domaine à la prise en compte de phénomènes dynamiques où l’existence d’interactions et l’hétérogénéité des acteurs jouent un rôle important, et donc à un nécessaire effort de modélisation sur des voies relativement originales.

Aucun modèle n’est pourtant véritablement parvenu jusqu’à récemment à intégrer de manière satisfaisante l’existence d’interactions/externalités ainsi que l’hétérogénéité des adopteurs potentiels tout en préservant un degré de généralité satisfaisant, alors même que les phénomènes mis en évidence empiriquement se caractérisent au contraire par la présence de très fortes régularités : celles-ci tiennent notamment à la bien connue forme logistique des courbes de diffusion, pour laquelle il n’a donc longtemps pas existé de véritable explication structurelle, sans parler d’une liaison robuste entre les caractéristiques des trajectoires de diffusion et celles des innovations et des marchés.

L’apparition récente de nouveaux outils de modélisation en économie de l’innovation a permis de ce point de vue des progrès très importants. Cette apparition est due à la conjonction de plusieurs évolutions qui tiennent notamment à la mise en évidence du rôle que jouentles interactions directes entres les acteurs, i.e. des interactions non médiées par des prix (Kirman, 1983, 1992, 1997) et en particulier, dans le cas plus spécifique de l’économie de l’innovation, les externalités positives locales et globales (David, 1988 ; Arthur, 1989) mais aussi à la nécessaire prise en compte de processus à proprement parler dynamiques et non plus simplement statiques (Nelson & Winter, 1982 ; David, 1985 ; Dosi, 1988), et généralement à la remise au goût du jour depuis Schelling (1971, 1978) de la traditionnelle question de l’agrégation des actions individuelles, qui n’est autre que la question de la compréhension des phénomènes collectifs, et qui se pose en effet désormais dans un contexte où l’on doit considérer l’évolution au cours du temps de populations d’agents hétérogènes entre lesquels existent des structures d’interactions.

Comme d’autres phénomènes économiques, la diffusion des innovations est donc marquée et influencée par différentes formes d’endogène, si l’on caractérise ainsi ´ à la Schelling ª l’apparition d’équilibres métastables communs à la totalité ou à un sous-ensemble des trajectoires possibles d’un système et dus à la coordination décentralisée des actions de nombreux acteurs (Dalle, 1997). Il s’agit typiquement de ce que nous avons appelé des ordres endogènes de type 1, liés à l’uniformisation des comportements des acteurs et donc ici à la standardisation (David, 1985 ; Arthur, 1989) mais dont l’analogue sur les marchés financiers serait la formation de bulles spéculatives (Orléan, 1990, 1992), mais aussi d’ordres endogènes de type 2, liés à l’apparition de territoires, qu’il s’agisse de niches ou d’enclaves technologiques (Dalle, 1995 ; David, Foray & Dalle, 1998), mais aussi d’ordres de type 3, précisément liés à la forme logistique des courbes de diffusion, à laquelle il devient ainsi facile de donner une explication générale, mais aussi aux variations de la vitesse de diffusion en fonction de la répartition statistique des comportements probables d’adoption, c’est-à-dire en fonction des caractéristiques des produits et des marchés (Dalle, 1998).

Tous ces résultats ne sont évidemment pas neutres en termes d’intérêt général. La question centrale tient de ce point de vue essentiellement aux conséquences éventuellement fâcheuses des phénomènes de standardisation et a l’apparition de standards inefficaces, phénomènes dont les conséquences font au demeurant aujourd’hui largement la une des journaux. Au delà de l’explication de tels phénomènes (David, 1985, 1987), il devient possible avec une compréhension plus fine des phénomènes collectifs sous-jacents de suggérer dans ce domaine différentes pistes à l’action publique, qui peuvent certes conclure à son inefficacité hors d’une fenêtre initiale dont la durée peut toutefois être évaluée, mais aussi suggérer différentes stratégies susceptibles par exemple d’allonger la durée de cette fenêtre et de favoriser ainsi l’apprentissage collectif qui ensemble permettront la sélection des meilleurs standards (Dalle & Foray, 1998, 1999).

Laboratoire des Milieux Désordonnés et Hétérogènes-Université Paris 6

galam"at"ccr.jussieu.fr

Every day, millions of people get together to make up a decision about some issue of interest for the group or the collectivity they represent. The spectrum of group nature is almost infinite. It includes professionnal groups having to decide on some technical issue, as well as all kind of friendly groups. The nature of the decision itself is even more diversified. It can be a high rank political issue related to some military retaliation, like recently about bombing Yougoslavia. It can be also a public jury to decide about a murder guilt. But it can equally be casual with some school board to decide on the cafeteria setting.

A priori to decide about bombing a country or painting a dinning room seems and is of a totally different nature. Especially the decision cost and the associated human consequences. Nevertheless it may be that the respective groups undergoing the decision making do obey an identical process of group decision making. At least that is the hypothesis behind our approach. In this work, we are assuming here the existence of some universal mechanisms which produce group decision making.

Of course, we are dealing with the character of the decision rather than with the nature of the decision itself. We aim to determine for a given issue the psycho-sociological conditions under which a group either polarize or get to a compromise [1].

Modelizing a complex social situation using Statistical Physics have started long ago [2]. For instance to study strike process [3]. They are getting more numerous in recent years. Among others, we can cite voting in political organisations [4], group power dynamics [5], social impact [6], outbreak of cooperation [7], stock market [8], and more recently traffic flows [9] and sexual reproduction [10].

To keep the presentation simple, we used a model in which a group of N persons has to make up a decision with respect to two options "yes" and "no". The model is articulated around a Postulate of minimum conflict. Competing interactions are also present.

Formally we are using a random field Ising ferromagnetic model in an external magnetic field at zero temperature. However here the system is finite in size. Moreover "random fields" may have a non-zero configurational average. Results may also depend on the field configuration.

Our model does not aim at novelty in Statistical Physics. It is aimed instead at drawing the psycho-sociological implications of a human-like version of a physical model.

We will first consider the simplest situation with only pair interactions. A measure of the group conflict is determined. The concept of a symmetry breaking choice is introduced. Then we deal with quantizing the anticipation effect at work in the group process of making up a collective choice. Surrounding pressure as well as individual biases will be included. Given a class of individual conflicts we study mechanisms by which either a compromise or a polarization of the group is produced. Examples will discussed in details. Last, but not least we will comment on the possible extension to non-rational behavior, i. e., in physical terms, to non-zero temperatures.

BIBLIOGRAPHY

CEPREMAP

andre.orlean"at"cepremap.cnrs.fr

L’imitation intéresse l’économie cognitive parce qu’elle est, parmi les processus de diffusion de croyances au sein d’une population, une des formes les plus simples et les plus communément utilisées. Le présent exposé se propose d’illustrer cette thèse à l’aide de plusieurs exemples. Pour ce faire, on partira d’une typologie distinguant trois formes distinctes d’imitation, ce qu’on appellera le " mimétisme normatif ", le " mimétisme informationnel " et le " mimétisme autoréférentiel ". Par mimétisme normatif, nous entendons la conduite qui consiste à faire siens les comportements ou les croyances des autres dans le but de se faire admettre au sein d’un groupe ou par peur des sanctions que ferait courir une attitude déviante. Le mimétisme informationnel consiste à imiter les autres parce qu’on les suppose mieux informés que nous le sommes. Le mimétisme autoréférentiel s’intéresse à des situations sociales complexes dans lesquelles les individus cherchent à se rapprocher d’une opinion majoritaire qui n’est pas déterminée ex ante, l’exemple le plus classique nous étant donné par le fameux " concours de beauté " de Keynes.

On commencera par montrer l’intérêt de ces concepts au travers d’une série d’exemples économiques, le plus souvent tirés de la finance. Notre thèse est que les dynamiques financières ne peuvent être rendues intelligibles uniquement à partir d’une analyse des fondamentaux économiques mais nécessitent impérativement une prise en compte de la dimension cognitive des interactions. On retrouve ici la thèse fondamentale de l’économie cognitive.

Dans un second temps, on analysera les modélisations qui ont été proposées pour rendre compte de ces différentes formes d’imitation. La question qui est alors centrale est celle des liens entre imitation et rationalité : s’agit-il de comportements rationnels ? Sous quelles conditions ? Une grande variété de modèles sera mise en évidence et étudiée (entre autres Akerlof pour l’étude des sanctions, Bickchandani et alii pour l’analyse des cascades informationnelles et B. Arthur pour celle des externalités positives et des standards).

Pour conclure, nous nous intéresserons plus spécifiquement à la dimension auto-organisatrice de l’imitation : sous quelles conditions les dynamiques de contagion peuvent-elles déboucher sur l’émergence de nouvelles conventions ? Ici, c’est le mimétisme autoréférentiel qu’on étudiera. L’exemple financier et monétaire nous conduira à mettre en avant certaines contraintes portant sur la plus ou moins grande légitimité intrinsèque des opinions en concurrence.

Bastien.Chopard"at"cui.unige.ch

Cellular Automata models offer a natural framework to model various types of complex systems. They consists of a discrete space-time universe in which simplified actors can mimic some desired behaviors through the use of simple local rules of interaction.

A simple cellular automata model for a two-group war over the same "territory'' is presented. It is shown that a qualitative advantage is not enough for a minority to win. A spatial organization as well a definite degree of aggressiveness are instrumental to overcome a less fitted majority. The model applies to a large spectrum of competing groups: smoker-non smoker war, epidemic spreading, opinion formation, competition for industrial standards and species evolution. In the last case, it provides a new explanation for punctuated equilibria. This model also illutrates the importance of considering a finite size system rather than the thermodynamic limit of the model. Dealing with finite, but large systems gives rise to a much richer dynamics that may be a crucial ingredient in social systems.

*ENST-Bretagne, Dpt economie & ICI-UBO

**ENST-Bretagne, Dpt Informatique

*** Université d'Orléans

Denis.Phan"at"enst-bretagne.fr

Depuis le milieu des années quatre-vingt-dix, on voit se développer des outils conceptuels et opérationnels qui devraient permettre à la fois de penser autrement les marchés et d'en simuler les performances. Dans un ouvrage récent, Bernard Walliser [1999] regroupe sous le nom "d'économie cognitive" deux programmes de recherches majeurs qui contribuent à ces développements Il s'agit d'abord du "programme évolutionniste", qui met l'accent sur les processus d'adaptation des agents à leur environnement, en particulier au sein de réseaux ou de structures d'interaction spécifiques. Il s'agit ensuite du "programme cognitiviste" qui met l'accent sur les processus cognitifs qui déterminent les comportements des agents. Ces deux dimensions peuvent être "opérationnalisées" dans le cadre d'une approche par la simulation connue sous le nom de "modèle multi-agents". Dans cette note, qui se veut avant tout didactique, on représente un marché par un "système multi-agents" (désigné ci-dessous par "Xagents"), modélisé informatiquement selon une approche "objet" (mise en œuvre en Java). La présentation explicite des hypothèses informationnelles, institutionnelles et cognitives du modèle utilise un langage de présentation graphique standard dédié à la modélisation objet (UML - cf. par exemple Muller [2000]). D'un point de vue économique, le marché ainsi représenté est structuré par les propriétés informationnelles et cognitives qui en régulent le fonctionnement. L'accent est mis sur le rôle de la structure et des processus de communication qui supportent les flux informationnels et activent les fonctions cognitives au sein du système Xagents, dans le cas où il existe une forme simple d'interdépendance des préférences.

Pour bien comprendre la démarche conceptuelle, on fait abstraction dans cette présentation du rôle de "l'offre" et on se limite à la formation des choix qui structurent "la demande". La méthode suivie et les résultats obtenus peuvent ainsi être plus facilement comparés à des modèles stochastiques standard de compétition technologique ou de formation d'opinion (qu'il s'agisse des modèles à "effet de champ", comme par exemple : Weidlich & Haag [1983], Arthur [1994], Orléan [1995] [1996], ou des modèles fondés sur des champs markoviens Kindermann & Snell J. L. [1980], Dalle [1997] (cf. Aoki [1996] pour une synthèse sur tous ces modèles). L'objectif de cette note est en effet de souligner le lien entre deux démarches complémentaires. La première met plus l'accent sur l'analyse des régularités au niveau macroscopique des systèmes dynamiques composés d'éléments hétérogènes en interaction stochastiques. La seconde insiste plus sur la compréhension par simulation (Dupuy [1994]) des propriétés émergentes de systèmes dynamiques fondés sur l'interaction d'agents autonomes (Varela, Bourgine [1992], Bourgine [1993], Heudin [1998]).. Dans ce but, on introduit d'abord les outils de la modélisation Xagents (1) à partir d'un exemple (un modèle de dilemme du prisonnier spatial inspiré de Nowak, May [1993]). Puis on présente ensuite brièvement les propriétés asymptotiques d'un modèle stochastique très simple qui servira de référence (2). On compare les trajectoires obtenues pour différentes configurations fixes de ces structures de communication, en se limitant au cas "synchrone", où les décisions sont temporellement ordonnancées par un agent centralisateur (3). La dernière partie de l'exposée est consacrée aux enjeux du relâchement de cette dernière hypothèse, qui se traduit par "l'autonomie" des agents logiciels, et à la représentation explicite des processus de communication (4). L'autonomie des agents est en effet la caractéristique fondamentale qui se fonde la spécificité des systèmesXagent, en offrant de nouvelles potentialités de développement à la fois à la formalisation des apprentissages individuels et à celle des apprentissages collectifs. La représentation explicite des processus de communication permet, quand à elle, de formaliser de manière plus fine ces apprentissages, en tirant parti d'une caractéristique essentielle d'un flux de communication qui a été a ce jour peu exploitée : la décomposition du processus en trois étapes (encodage d'information porteuse de sens par l'émetteur, transmission de l'information, décodage d'information en vue de produire du sens (l'interprétation).

BIBLIOGRAPHIE

Les références économiques précédées d'une * sont plus directement liées à la démarche suivie dans cette note. Les références renvoyant à des connaissances complémentaires de nature informatique directement liées aux méthodes développées sont identifiées par **. Les autres références couvrent un champ beaucoup plus large que celui qui est traité dans la présente note, et ne servent qu'à situer la démarche suivie dans la littérature connexe.