Mise à jour du modèle statistique sur les pertes russes
Par Peter Turchin − Le 25 juillet 2026 − Source Cliodynamica
Après avoir publié les résultats préliminaires de mon analyse des données de Mediazona, j’ai envoyé un e-mail à l’équipe de Mediazona pour lui demander de les commenter. J’ai reçu une réponse très utile de Dima Treshchanin, que je résume ci-dessous.
Il a souligné que pendant la première période de la guerre (2022-2023), le délai entre le décès et la publication de la nécrologie (ou d’une autre notification) était généralement de deux semaines ou d’un mois, environ 20 % des cas prenant plus de temps. À partir de 2024, ce délai a commencé à s’allonger, d’abord jusqu’à six mois et plus, puis encore davantage — un an, un an et demi.
La raison fondamentale de cet allongement du délai réside dans le fait que le front avance plus lentement et que la zone de combat s’est élargie, rendant l’évacuation des corps des défunts plus difficile. [NdA : cela explique également la disparité dans les échanges de corps entre l’Ukraine et la Russie.]
Une autre raison du retard dans l’intégration de ces informations dans la base de données est l’accumulation croissante des retards dans le traitement des nécrologies. Il s’élève actuellement à 29 000 enregistrements, dont environ la moitié correspond à des nécrologies uniques (alors que les bénévoles qui aident Mediazona dans cette tâche ne peuvent en traiter que 5 000 à 6 000 par mois sans compromettre la qualité). De plus, déterminer la date exacte du décès prend souvent un an, voire plus (de nombreuses nécrologies ne la mentionnent pas et la date doit être établie à partir d’autres types d’informations).
La conclusion de Dima est la suivante :
Par conséquent, nous ne pourrons compter avec certitude le nombre de morts du premier semestre 2026 qu’au mieux fin 2028 ou après la fin de la guerre, selon la première éventualité. Si la ligne de front cesse enfin d’avancer ou si la zone de combat s’étend davantage, même la fin de l’année 2028 constitue une estimation optimiste.
Nous ne croyons pas non plus au bilan de 30 000 morts par mois, mais cela ne signifie pas pour autant que nous pensons que les pertes russes aient diminué d’une manière ou d’une autre. Rien n’indique cela : aucun changement de tactique, aucune réduction de l’intensité des opérations de combat, aucune mesure prise par les commandants pour protéger d’une manière ou d’une autre leurs effectifs.
En substance, c’est aujourd’hui le même broyeur qu’à la fin de 2024-2025. La seule différence réside dans le facteur saisonnier : l’armée russe subit en effet de lourdes pertes pendant les mois d’hiver, avec une « accalmie » en été. Nous attribuons cela à la fois au fait que les tactiques d’infiltration sont légèrement plus efficaces en été (les soldats sont dissimulés par la végétation) et à la volonté des dirigeants d’atteindre leurs indicateurs clés de performance (KPI) à des dates précises (fin d’année, certains événements politiques, etc.).
Je m’attends à ce que le nombre de victimes en 2025 puisse atteindre le niveau cumulé de 2022 à 2024, sans changement significatif début 2026.
Pour l’analyse, cela signifie que je ne peux pas supposer la stationnarité (comme je l’ai fait dans mon article il y a une semaine). Mon modèle statistique doit tenir compte du fait que le délai entre le décès et l’enregistrement des données dans la base s’allonge. Procédons ainsi et voyons comment cela affecte les résultats.
Tout d’abord, j’apporte une modification simple à la méthode précédente : au lieu d’utiliser les données couvrant l’intégralité des 4,5 années de guerre, je n’utilise que les deux dernières années (de juillet 2024 à juillet 2026).
Comme je ne dispose désormais que de deux années de données, ce calcul montre à quoi ressemblera la courbe prévue dans deux ans (juillet 2028). Cela convient, car la question principale porte sur l’évolution des chiffres relatifs et cette approche devrait fournir une approximation raisonnable à cet égard. Pour le reste, la méthode reste la même.
Voici le résultat :
(Pour rappel : la courbe marron continue correspond aux données réelles, tandis que la bande bleue indique la fourchette des valeurs possibles, selon le modèle.)
Elle ne diffère pas beaucoup de la prévision précédente. Mais je n’y accorde pas vraiment de crédit, car elle part du principe que le délai de déclaration n’a pas évolué au cours des deux dernières années, alors que nous savons que ce n’est pas le cas.
Si nous voulons intégrer ce délai de déclaration qui ne cesse de s’allonger dans la méthode, je ne vois d’autre solution que d’ajuster une courbe théorique aux données. J’ai utilisé la fonction exponentielle négative avec des coefficients variant dans le temps (pour la formule, voir l’annexe technique ci-dessous). Là encore, cette approche prédit à quoi ressembleront les chiffres dans deux ans (en juillet 2028). Voici le résultat :
Vous pouvez constater à présent que cette méthode prévoit un déclin moins marqué après le pic atteint au jour 1 008 (28-11-24) et que la fourchette des valeurs prévues (la bande bleue indiquant l’écart entre le minimum et le maximum) s’élargit plus rapidement que dans les projections précédentes. Cela me semble réaliste. Ce qui ne l’est pas, en revanche, c’est la tendance à la hausse observée après le jour 1 400 (janvier 2026). Cela s’explique par le fait que le modèle statistique surestime les taux de croissance initiaux. Mais cela ne vaut pas la peine d’ajuster davantage le modèle, car les données de 2026 ne nous fournissent tout simplement pas une base solide pour établir des prévisions (comme l’a expliqué Dima plus haut).
Ainsi, ma meilleure estimation de ce à quoi ressemblera la trajectoire en juillet 2028 est peut-être la suivante :
Entre décembre 2024 et décembre 2025, la tendance est à la baisse, tandis qu’après janvier 2026, tout est possible. Il ne nous reste plus qu’à attendre l’été 2028 pour savoir si les prévisions de ce modèle statistique correspondront aux données qui auront été accumulées d’ici là.
Alors, que pense-je maintenant que j’ai effectué ces analyses ? Tout d’abord, les données de Mediazona ne sont malheureusement pas aussi révélatrices des tendances récentes en matière de victimes (c’est-à-dire pour 2026) que je l’espérais. Néanmoins, le temps que j’ai consacré à cette analyse n’a pas été perdu. On ne peut pas savoir à quel point des données sont révélatrices tant qu’on ne les a pas soumises à une analyse formelle. Si votre analyse intègre toutes les sources d’incertitude importantes, vous obtiendrez alors une réponse quantitative dans les limites de l’intervalle d’incertitude estimé. C’est ce que nous avons constaté : sur tous les graphiques, la bande bleue s’élargit à mesure que l’on se rapproche du présent.
Deuxièmement, selon mes estimations, le nombre de victimes russes est en baisse depuis le pic atteint durant l’hiver 2024/25. Pour 2025, cette conclusion est corroborée par toutes les projections basées sur les chiffres de Mediazona. Pour 2026, les chiffres de Mediazona ne sont pas utiles, mais je ne m’attends toujours pas à une tendance à la hausse. Cette « estimation approximative » ne repose pas sur les chiffres de Mediazona, mais provient plutôt du modèle de guerre d’usure (AWM). Si ce modèle est correct, nous nous trouvons actuellement dans une phase dynamique où les effectifs de l’armée ukrainienne diminuent (voir « La guerre entre l’Ukraine et la Russie entre-t-elle dans sa phase finale ? ») et, par conséquent, sa capacité à infliger des pertes. Notez qu’il ne s’agit pas d’une prophétie, mais d’une prévision scientifique (Prévision scientifique ≠ Prophétie). Je ne sais pas si c’est vrai ou non ; nous le saurons en 2028 ou une fois la guerre terminée. C’est également à ce moment-là que nous verrons dans quelle mesure les prévisions de l’AWM sont exactes, et en quoi le modèle se sera trompé.
Pour en revenir à la question initiale, avec laquelle j’ai commencé l’article de la semaine dernière : la vague actuelle de reportages dans les médias grand public sur la défaite imminente de la Russie est-elle une opération de guerre psychologique, ou repose-t-elle sur des données ? Je pense qu’il est clair que les affirmations exagérées concernant d’énormes pertes russes n’ont aucun fondement empirique (voir également ce que Dima a dit à ce sujet plus haut).
D’un point de vue plus général, plusieurs personnes m’ont demandé pourquoi je consacrais autant d’espace dans ce Substack à la guerre en Ukraine. C’est une bonne question qui nécessite une réponse détaillée ; j’ai donc l’intention d’y répondre dans mon prochain article.
Peter Turchin
Traduit par Hervé, relu par Wayan, pour le Saker Francophone
Annexe technique
Pour les amateurs de statistiques, voici la courbe que j’ai ajustée aux données de Mediazona (« mzdat ») :
fit <- nls(delta ~ a0 + a1*week^theta + b*exp(-interval/c), data=mzdat, start = list(a0=0, a1=0.001, b=20, c=30, theta=1), algorithm = “port”)
où delta est le taux d’augmentation des chiffres hebdomadaires, week correspond au nombre de jours écoulés depuis le début de la guerre, interval est le nombre de jours entre la semaine du décès et la semaine de la déclaration, et a0, a1, b, c et theta sont des paramètres. Le modèle s’adapte assez bien aux données, avec un coefficient de détermination R² = 0,801.