Théorie des réseaux
Petit monde et attachement préférentiel
- Présentation du cours
- Pourquoi les réseaux en économie
- Le vocabulaire des graphes
- La matrice d'adjacence et l'algèbre des graphes
- Les centralités locales
- Les centralités spectrales
- Densité, clustering et assortativité
- Composantes, distances et petit monde
- Le graphe aléatoire d'Erdos et Renyi
- Petit monde et attachement préférentiel
- La détection de communautés
- La diffusion sur un réseau
- Les jeux en réseau
- L'identification des effets de pairs
- Réseaux financiers et risque systémique
- Réseaux de production et chocs sectoriels
- Mise en œuvre sur R et Python
Théorie des réseaux
Chapitre 8 : Petit monde et attachement préférentiel
Watts et Strogatz
Le modèle
Partir d’un anneau régulier où chaque nœud est relié à ses k plus proches voisins.
Puis recâbler chaque arête avec probabilité p vers une destination tirée au hasard.
p = 0 : l’anneau. Clustering très élevé — les voisins se chevauchent —, mais distances longues, en O(n/k).
p = 1 : un graphe aléatoire. Distances courtes, clustering nul.
Le résultat central
Quand p croît de 0 à 1, la distance moyenne s’effondre bien avant que le clustering ne baisse.
| p | Distance moyenne | Clustering |
|---|---|---|
| 0 | \approx 50 | 0{,}75 |
| 0{,}001 | \approx 25 | 0{,}75 |
| 0{,}01 | \approx 10 | 0{,}73 |
| 1 | \approx 3{,}5 | \approx 0{,}01 |
Entre p = 0{,}001 et p = 0{,}01, on obtient les deux à la fois : distances courtes et clustering élevé.
Quelques raccourcis suffisent. Sur mille arêtes, en recâbler cinq divise la distance moyenne par cinq sans toucher au clustering.
L’explication
Un raccourci relie deux régions éloignées et court-circuite un long détour pour un grand nombre de paires : son effet sur les distances est global.
Il ne détruit qu’un seul triangle : son effet sur le clustering est local.
Une poignée d’expatriés, de voyageurs ou de banques internationales suffit à rendre le monde petit, tout en laissant chaque communauté aussi dense qu’avant.
Le petit monde ne demande pas la mondialisation de tout le monde — seulement de quelques-uns.
Barabasi et Albert
Ce qui reste à expliquer
\mathbb{P}(k) \;\propto\; k^{-\gamma}, \qquad \gamma \in [2, 3] \text{ le plus souvent}
En échelle logarithmique, c’est une droite — au lieu de la cloche de Poisson.
Elle n’a pas d’échelle caractéristique : un nœud mille fois plus connecté que la moyenne reste possible.
Pour \gamma < 3, la variance est infinie : la moyenne des degrés ne résume rien.
La distribution des degrés, en image
Le modèle
Croissance — le réseau grandit : un nœud arrive à chaque période avec m liens.
Attachement préférentiel — il se lie au nœud i avec probabilité \Pi(i) = \frac{k_i}{\sum_j k_j}
La distribution des degrés converge vers une loi de puissance d’exposant
\gamma = 3
L’effet Matthieu
Un nœud arrivé tôt a plus de temps pour accumuler des liens, ce qui le rend plus attractif, ce qui lui en apporte davantage.
k_i(t) \;\propto\; \sqrt{t/t_i}
L’avantage du premier arrivé ne s’efface jamais.
C’est le mécanisme des rendements croissants d’adoption : plus une plateforme a d’utilisateurs, plus elle en attire.
Le vainqueur n’est pas nécessairement le meilleur : il est celui qui est arrivé le premier. C’est l’argument central de l’économie des plateformes.
Les deux ingrédients sont nécessaires
Croissance sans attachement préférentiel : distribution exponentielle, pas de hubs.
Attachement préférentiel sans croissance : un seul nœud finit par tout capter.
Un modèle dont on n’a pas testé la nécessité de chaque hypothèse n’a rien démontré.
Ici, les deux ingrédients sont indispensables et suffisants — c’est ce qui donne au résultat sa force.
Les limites
Ce que Barabasi-Albert ne fait pas
Le clustering qu’il produit tend vers zéro quand n croît : il n’explique pas le petit monde.
L’exposant est figé à 3, alors qu’on observe 2 à 3.
La qualité est ignorée : rien ne permet à un nouvel entrant supérieur de dépasser un incumbent.
Bianconi et Barabási (2001) ajoutent une aptitude \eta_i : \Pi(i) \propto \eta_i k_i.
Un nouveau nœud très apte peut alors rattraper et dépasser — ce que le modèle nu interdisait, et que l’histoire des plateformes montre pourtant.
Ce qu’il faut retenir
Le résumé du chapitre
- Watts-Strogatz : recâbler quelques arêtes d’un anneau donne distances courtes et clustering élevé.
- L’asymétrie vient de ce qu’un raccourci a un effet global sur les distances, local sur les triangles.
- Les réseaux réels ont des degrés en loi de puissance, \mathbb{P}(k) \propto k^{-\gamma}.
- Barabási-Albert : croissance + attachement préférentiel \Rightarrow \gamma = 3.
- Les deux ingrédients sont nécessaires : ni l’un ni l’autre ne suffit seul.
- Le modèle ignore le clustering et la qualité ; l’aptitude de Bianconi corrige le second point.
Le chapitre 9 change d’échelle : au lieu de décrire les nœuds ou le réseau entier, il cherche les groupes — ces zones plus denses que le reste, qu’on appelle des communautés.
Ressources du chapitre
- Diapositives
- Polycopié du chapitre
- Exercices corrigés
- Application interactive
- — Vidéo
- QCM (bientôt)