Catégorie : Informatique

En économie, la rente d’Hotelling ou « rente de rareté » est la rente touchée par le propriétaire d’un stock de ressources rares et non renouvelables.
L’économiste américain Harold Hotelling a montré (sous certaines conditions) que le prix d’une telle ressource (et donc la rente associée) augmente au rythme du taux d’intérêt.

Elle repose sur le principe classique, que – pour une quantité fixe – plus la demandé est forte, plus le prix augmente.
La rente d’Hotelling est utilisée pour essayer de prédire le prix de ressources rares comme le pétrole, ou tout autre ressource non renouvelable.

Code Python :

La production de richesse, nécessite et consomme de l’énergie, cette énergie au niveau mondial, est principalement émettrice de CO2.

Il est parait donc raisonnable de réfléchir comme suit :

• Plus on produit de richesse, plus on consomme de l’énergie.
• Cette énergie étant majoritairement polluante (En tout cas pour l’instant).
• Donc : Plus on produit de richesse, plus on pollue.

Pour voir si la production de l’énergie et le PIB mondial sont bien corrélés, rien de mieux que d’afficher tout ça !

L’hypothèse de départ se confirme (sans surprise) la corrélation est bien présente, et on peut même parler, dans ce cas, de causalité.

La crise de 2008 a provoqué un fort recul du PIB mondial, l’économie étant ralenti, cette dernière consomme moins d’énergie, et de ce fait, pollue moins.

Données du PIB.

Données du CO2.

En informatique, le sentiment analysis est l’analyse des sentiments à partir de sources textuelles dématérialisées sur de grandes quantités de données (big data).

Ce procédé apparait au début des années 2000 et connait un succès grandissant dû à l’abondance de données provenant de réseaux sociaux, notamment celles fournies par Twitter.
Il a pour objectif d’analyser une grande quantité de données afin d’en déduire les différents sentiments qui y sont exprimés. Les sentiments extraits peuvent ensuite faire l’objet de statistiques sur le ressenti général d’une communauté.

Il peut aussi être utilisé pour l’étude de paroles de chansons ou de discours politiques.

Plus surprenant, une étude a montré que le taux d’émotion sur Twitter (espoir, peur, joie) était proportionnel à l’évolution des indices boursiers !

Pour explorer cette démarche, j’ai procédé comme suit :

• Tirer 10000 tweets parlant du covid-19.

• Tirer 10000 tweets de manières aléatoires (peu importe leurs sujets).

• Réaliser des nuages de mots pour chacun des tirages

• Voir si des mots premiers tirages, se retrouvent dans le second; le cas échéant, ça signifierait que les tweets parlant du covid sont assez récurrents pour apparaitre dans ceux tirés aléatoirement, ce qui n’est guère surprenant vu le contexte .

Les résultats :

Code Python :