La régression floue : principes et applications en science de gestion

Les travaux de recherche en Sciences de Gestion ont souvent pour ambition de développerdes modèles prédictifs ; ils font alors généralement appel aux techniques derégression statistique. Pourtant, dans certaines circonstances, l'application de la régressionstatistique "traditionnelle" s'avère inappropriée. Tel est, par exemple, le caslorsque les données disponibles sont imprécises ou approximatives. L'utilisation detechniques plus sophistiquées permet alors de répondre à l'exigence de mise en adéquationde la méthode statistique avec le phénomène étudié. En l'occurrence, le recoursà la régression floue se justifie par la nature imprécise des variables et le besoinde gérer des données vagues et ambigües. De fait, si Tanaka, Uejima et Asia furentbien les premiers à faire intervenir la structure floue dans les modèles de régression,la logique floue fut pour sa part introduite dès 1965 par Zadeh précisément en vue derépondre au besoin de formaliser la représentation et le traitement de connaissancesimprécises et/ou approximatives. Cette méthode s'avère ainsi tout à fait adaptée à lamanipulation de données entachées par ce type d'imperfection; elle permet en outrede s'affranchir de nombreuses limites que présentent les méthodes de régressions statistiqueslinéaires conventionnelles.La contribution proposée vise ainsi, d'une part à exposer les principes fondamentauxet contraintes d'utilisation de la régression floue, et, d'autre part, à montrercomment celle-ci peut, et a, été intégrée dans les quelques travaux de recherche quil'utilisent en Sciences de Gestion et en Economie. Enfin, et en vue de familiariser leschercheurs en management stratégique à cette technique d'analyse de données, unexemple comparatif portant sur l'estimation prévisionnelle de la durée de développementde projets logiciels vient conclure cette communication.