Introduction

1Ce chapitre aborde la notion de prise de décision en football du point de vue du parieur. Lors du colloque organisé à Caen fin mai 2014, nous avions présenté une communication intitulée « Performances des équipes nationales de football : si l’incertitude du résultat n’existait pas, que faudrait-il parier lors de la Coupe du Monde FIFA 2014 au Brésil ? »1. Cette communication nous a permis de proposer des prédictions fondées sur les scores des équipes nationales sur une période allant d’août 2012 à décembre 2013. Nous avions notamment prédit que le Brésil allait remporter sa Coupe du Monde. Cette prédiction s’est révélée inexacte puisque c’est finalement l’Allemagne qui est devenue Championne du Monde après avoir notamment infligé un cuisant 7 à 1 au Brésil en demi-finale. Il n’est pas surprenant que notre modèle n’ait pas permis de déterminer le vainqueur final. En effet, il aurait été valide en l’absence d’incertitude du résultat comme indiqué dans le titre de la communication évoquée plus haut. Or, l’incertitude du résultat existe ! Au lieu de se réfugier derrière cette « excuse », il paraît intéressant de réfléchir de manière plus globale aux raisons pour lesquelles les réalisations ont différé de nos prédictions.

2L’objectif de ce chapitre est double : lister un certain nombre d’explications à l’écart entre prédictions et réalisations pour la Coupe du Monde de la FIFA 2014 ; observer si elles offrent des pistes pour une aide à la prise de décision pour les paris futurs. Nous proposons d’abord une revue de la littérature sur la mesure et les déterminants socioéconomiques et sportifs de la performance des équipes nationales masculines de football. Nous explicitons ensuite notre modèle et les variables retenues, avant de présenter les données utilisées. Les résultats obtenus sont alors exposés, permettant la comparaison entre prédictions et réalisations. Des explications quant aux différences constatées sont suggérées, puis les implications pour la prise de décision pour les paris futurs sont envisagées. La conclusion synthétise les principaux éléments développés.

Revue de littérature

Mesure de la performance des équipes nationales masculines de football

3Plusieurs articles se sont intéressés aux déterminants socioéconomiques et sportifs de la performance des équipes nationales masculines de football2. Cette performance a généralement été mesurée avec les rangs ou points FIFA (Fédération internationale de football association) accumulés par un pays à un moment donné. Le nombre de points par match dépend de son résultat, de son importance, de la force de l’adversaire et de la force de la confédération régionale. Le nombre moyen de points est calculé sur quatre années avec une pondération selon la date du match : 100 % pour la moyenne des matchs joués au cours des 12 derniers mois, 50 % pour l’année précédente, 30 % pour l’année 3 et 20 % pour l’année 4 (les matchs joués au-delà de quatre ans sont supprimés).

4Deux études ne se sont pas appuyées sur les rangs ou points FIFA : James Monks et Jared Husch3 se sont intéressés aux déterminants sportifs (et non socioéconomiques) du classement final en Coupe du Monde, tandis que Wladimir et Madeleine Andreff4 ont testé les déterminants des demi-finalistes en Coupe du Monde. Trois autres recherches ont traité des déterminants de la performance des équipes nationales masculines de football avec une focalisation sur les matchs individuels5. Benno Torgler6 a mesuré cette performance avec une dummy (ou indicatrice) pour la victoire (une dummy ou indicatrice étant une variable ne pouvant prendre que deux valeurs : 1 ou 0 ; ici, 1 en cas de victoire, 0 sinon), Simon Kuper et Stefan Szymanski7 avec la différence de buts entre les deux équipes et Saumik Paul et Ronita Mitra8 avec les deux.

Déterminants de la performance des équipes nationales masculines de football

5La littérature sur les déterminants socioéconomiques et sportifs des rangs ou points FIFA examinée ci-dessous n’est pas exhaustive. En effet, les articles qui traitent des déterminants sportifs durant chaque match individuel (tirs au but, fautes, corners…) ne sont pas couverts. La raison est que nous voulons contrôler les déterminants socioéconomiques et sportifs a priori et non les déterminants intra-match. Néanmoins, notons que Benno Torgler9 et Simon Kuper et Stefan Szymanski10 ont trouvé un impact significativement positif de l’avantage du jeu à domicile, respectivement sur le gain du match lors de la Coupe du Monde 2002 et la performance lors des matchs internationaux11.

6À notre connaissance, Robert Hoffmann, Lee Chew Ging et Bala Ramasamy12, ainsi que Robert G. Houston et Dennis P. Wilson13, ont publié les premiers articles s’étant intéressés aux déterminants socioéconomiques et sportifs de la performance dans le football international. Robert G. Houston et Dennis P. Wilson14 ont observé un impact significativement positif du produit intérieur brut (PIB), de la population et des apparitions en Coupe du Monde en catégories senior et jeune ; pas d’impact significatif du nombre d’années depuis qu’une fédération nationale de football a rejoint la FIFA ; et un impact significativement négatif du carré du PIB (rendement décroissant). Robert Hoffmann, Lee Chew Ging et Bala Ramasamy15, quant à eux, ont observé un impact significativement positif du PIB (cohérent avec R. G. Houston et D. P. Wilson16), de l’occurrence d’avoir accueilli la Coupe du Monde et de l’interaction entre les pays latins (pays d’Amérique Centrale et du Sud, Espagne et Portugal) et la population ; pas d’impact significatif de la population (contrairement à R. G. Houston et D. P. Wilson17) et des pays latins seuls ; et un impact significativement négatif du carré du PIB (cohérent avec R. G. Houston et D. P. Wilson18) et de (température – 14 °C)², des études antérieures ayant montré que 14 °C est la température « idéale » pour disputer un match de football. Robert Hoffmann, Lee Chew Ging, Victor Matheson et Bala Ramasamy19 ont conservé les variables significatives (sauf le carré du PIB) et trouvé des résultats similaires.

7Les études suivantes ont introduit de nouvelles variables potentiellement explicatives, mais elles ont généralement conservé et trouvé des résultats significatifs pour :

• la population20 ;
• le PIB par habitant21 ;
• (température – 14 °C)²22 ;
• l’expérience mesurée à travers le nombre d’années en tant que membre de la FIFA23, l’âge de la fédération24, l’année de fondation25, l’année du premier match international26 ou le nombre de matchs joués par un pays dans son histoire27.

8Parmi les nouveaux déterminants, Garry A. Gelade et Paul Dobson28 ont observé un impact significativement positif du nombre de joueurs de football par pays au lieu de la population. Michael A. Leeds et Eva Marikova Leeds29 ont contrôlé l’effet confédération pour les six de la FIFA : l’AFC (Asian Football Confederation), la CAF (Confederation of African Football), la CONCACAF (Confederation of North, Central American and Caribbean Association Football), la CONMEBOL (Confederación Sudamericana de Fútbol), l’OFC (Oceania Football Confederation) et l’UEFA (Union of European Football Associations). Par rapport à la CONCACAF (référence), ces auteurs ont observé un impact significativement positif pour la CONMEBOL ; pas d’impact significatif pour la CAF et l’UEFA ; et un impact significativement négatif pour l’AFC et l’OFC. Plus récemment, Grant J. Allan et John Moffat30 ont introduit un indicateur d’importation de manager pour les sélectionneurs étrangers : managerimport_i = domesticpoints_i – leaguepoints_i, avec domesticpoints_i les points FIFA du championnat domestique i du sélectionneur (c’est-à-dire le championnat de son pays d’origine) et leaguepoints_i les points FIFA du championnat i du pays pour lequel il est en charge de l’équipe nationale.

9Ces auteurs ont obtenu un impact significativement négatif de l’indicateur d’importation de manager. Leur interprétation a été que les différences culturelles entre le management et les joueurs sont difficiles à surmonter dans le football international. Par conséquent, les sélections nationales devraient employer des coachs domestiques selon eux.

Modèle et variables

10Une équation de la différence de buts entre équipes a été spécifiée et ensuite estimée. Treize variables sont issues ou inspirées par la revue de littérature, tandis que six variables n’ont pas encore été testées en tant que déterminants de la performance des équipes nationales de football. Les premières sont :

• la population : (Log POP_i – Log POP_j) / Log [min (POP_i, POP_j)], avec POP_i la population de la nation de l’équipe i et POP_j la population de la nation de l’équipe j ;
• le PIB par habitant : (Log PIB_i – Log PIB_j) / Log [min (PIB_i, PIB_j)] ;
• le climat ([température – 14 °C]²) : (CLI_i – CLI_j) / [min (CLI_i, CLI_j)] ;
• l’expérience : (Log EXP_i – Log EXP_j) / Log [min (EXP_i, EXP_j)], avec EXP le nombre de matchs joués par un pays dans son histoire ;
• le pourcentage de joueurs, c’est-à-dire le nombre de joueurs de football dans un pays (JOU) divisé par sa population : [(Log JOU_i / Log POP_i) – (Log JOU_j / Log POP_j)] / min [(Log JOU_i / Log POP_i), (Log JOU_j / Log POP_j)] ;
• l’avantage du jeu à domicile, variable égale à 1 si l’équipe i joue à domicile, - 1 si l’équipe j joue à domicile ;
• l’effet confédération, variable égale à 1 pour une équipe i d’une confédération donnée parmi les six de la FIFA (AFC, CAF, CONCACAF, CONMEBOL, OFC et UEFA), et - 1 pour une équipe j d’une autre confédération. Si les deux équipes appartiennent à la même confédération, la variable pour cette confédération est égale à 0 ;
• les sélectionneurs étrangers de cinq pays d’Europe de l’Ouest (SEO) : SEO_i – SEO_j, avec SEO une variable égale à 1 pour les pays avec une équipe nationale managée par un sélectionneur étranger d’Allemagne, de Belgique, de France, d’Italie ou des Pays-Bas. Cette variable est à la fois inspirée par Grant J. Allan et John Moffat31 et dérivée de Simon Kuper et Stefan Szymanski32. Selon ces derniers, les cinq pays d’Europe de l’Ouest mentionnés ci-dessus ont découvert le secret du football. En outre, tous adhèrent aux principes fondamentaux du football collectif et rapide d’Europe de l’Ouest.

11Les nouveaux déterminants testés sont :

• la qualité des joueurs (QUA), variable correspondant au nombre de joueurs dans l’effectif des dix clubs européens les mieux valorisés ayant été titularisés au moins vingt fois au cours de la saison : (QUA_i – QUA_j) / [min (QUA_i, QUA_j)]. En 2013, les dix clubs les mieux valorisés étaient le Real Madrid, Manchester United, le FC Barcelone, Arsenal, le Bayern Munich, l’AC Milan, Chelsea, la Juventus, Manchester City et Liverpool33. Leur valeur était de plus de 650 M$ pour chacun contre 520 M$ pour le 11^e (Tottenham). Par rapport à la variable retenue, l’hypothèse sous-jacente est que les meilleurs joueurs ont une incitation à évoluer dans ces équipes avec les meilleures ressources financières pour les rémunérer ;
• le transfert de technologie à travers les sélectionneurs (TTS) : TTS_i – TTS_j, avec TTS une variable égale à 1 pour les pays avec un sélectionneur ne provenant pas mais ayant managé une équipe en Allemagne, Belgique, France, Italie ou aux Pays-Bas, ou ayant été entraîné lui-même par un manager opérant ou ayant opéré dans un des cinq pays précédents. La variable est égale à 0,5 si le club était en deuxième division ;
• favori dans un match à enjeu pour les deux équipes, une variable égale à 1 si l’équipe i est favorite, - 1 si l’équipe j est favorite et si les deux équipes ont un enjeu sportif à défendre. Pour les équipes nationales, les enjeux peuvent être une qualification pour le tour suivant ; la première position dans une phase de poules dans des compétitions telles que la Coupe du Monde de la FIFA, ceci afin d’éviter l’équipe supposée la plus forte dans une autre poule au tour suivant ; ou gagner la finale. Une équipe est considérée favorite s’il existe une différence de 0,1 ou plus entre les deux adversaires dans les cotes pour les paris. Lorsque ces dernières ne sont pas disponibles, des valeurs sont allouées aux équipes seulement dans les cas où un favori évident peut être décelé ;
• favori lorsque l’outsider n’a pas d’enjeu à défendre, une variable égale à 1 si l’équipe i est favorite, - 1 si l’équipe j est favorite et qu’elle a un enjeu à défendre mais pas l’outsider ;
• outsider lorsque le favori n’a pas d’enjeu à défendre, une variable égale à 1 si l’équipe i est outsider, - 1 si l’équipe j est outsider et qu’elle a un enjeu à défendre mais pas le favori ;
• favori dans un match sans enjeu, une variable égale à 1 si l’équipe i est favorite, - 1 si l’équipe j est favorite et qu’aucune des deux équipes n’a un enjeu à défendre.

Données

12L’échantillon utilisé pour tester les variables mentionnées ci-dessus concerne l’ensemble des matchs internationaux impliquant au moins une équipe parmi les trente-deux ayant participé à la Coupe du Monde 2014 sur une période allant d’août 2012 à décembre 2013 (n = 512 matchs). Deux matchs impliquant le Monténégro ont été exclus en raison de l’absence d’informations pour son nombre de joueurs. Les données portant sur la différence de buts, l’expérience, le pourcentage de joueurs, l’avantage du jeu à domicile et l’effet confédération ont été collectées ou calculées à partir du site Internet de la FIFA. Les populations sont disponibles sur le site Internet des Nations unies ; les PIB par habitant sur le site Internet du Fonds monétaire international ; les températures sur le site Internet de la Banque mondiale ; la qualité des joueurs sur ESPN et Wikipedia ; les sélectionneurs étrangers et le transfert de technologie sur Wikipedia ; et les quatre variables liées au statut des équipes (favori ou outsider) et des matchs (enjeux ou non) sur BetBase1. Le tableau ci-après indique les statistiques descriptives de l’échantillon (tabl. 1). Nous présentons les moyennes et les écarts-types des valeurs absolues qui ont plus de sens que les valeurs réelles. Si nous avons par exemple deux différences de buts, une égale à 2 et l’autre égale à - 2, cela n’a pas de sens de calculer la moyenne des valeurs réelles (0). En effet, elle n’est pas représentative des différences entre équipes, sauf si les deux différences de buts sont liées aux mêmes équipes i et j, mais ce n’est évidemment pas généralisable pour les 512 matchs de l’échantillon.

Résultats et comparaison entre prédictions et réalisations

Résultats

13Les résultats de la régression sont fondés sur la méthode des moindres carrés ordinaires avec des erreurs standards d’Halbert White34 robustes à l’hétéroscédasticité et figurent dans le tableau suivant (tabl. 2). L’expérience, la qualité des joueurs, être favori dans un match à enjeu pour les deux équipes, être favori lorsque l’outsider n’a pas d’enjeu à défendre, les sélectionneurs étrangers d’Europe de l’Ouest et l’avantage du jeu à domicile ont un impact significativement positif (au seuil de 1 % pour les quatre premières variables, 10 % pour les deux dernières) ; la population, le PIB par habitant, le climat, le pourcentage de joueurs, le transfert de technologie, être outsider lorsque le favori n’a pas d’enjeu à défendre et être favori dans un match sans enjeu ont un impact non significatif ; l’AFC, la CAF, la CONCACAF, l’OFC, l’UEFA ont un impact significativement négatif (au seuil de 1 %).

Application à la Coupe du Monde 2014 et comparaison avec les réalisations

14Les coefficients apparaissant dans le tableau 2 ont été appliqués aux matchs du 1^er tour de la Coupe du Monde 2014, ainsi qu’aux matchs prédits par le modèle pour les tours suivants. L’élément le plus marquant est sans doute que notre modèle s’est trompé quant au vainqueur final en désignant le Brésil au lieu de l’Allemagne – et en prédisant + 2 au lieu de - 6 pour Brésil-Allemagne en demi-finale. Néanmoins, il a tout de même trouvé trois des quatre demi-finalistes et quatre des huit quart-de-finalistes (mais seulement six des seize huitième-de-finalistes). En quarts de finale, les bons matches et l’écart (- 1) pour France-Allemagne (malheureusement pour la France pour l’écart !) ont été obtenus par le modèle. Toutefois, il prévoyait l’Espagne plutôt que les Pays-Bas en demi-finale et un zéro pointé au 1^er tour pour le Costa Rica, finalement quart-de-finaliste.

Explications aux différences entre prédictions et réalisations

15Dans cette section, onze explications aux différences entre prédictions et réalisations sont proposées avec la volonté de les lister selon qu’elles touchent :

• au modèle et ses variables initiales (catégorie 1) ;
• aux variables et / ou observations à ajouter, perfectionner ou même retirer (catégorie 2) ;
• à des caractéristiques plus spécifiques de la Coupe du Monde 2014 (catégorie 3) ;
• voire des compétitions internationales en général (catégorie 4) ;
• aux limites d’une approche globale pour traiter d’équipes aux évolutions différentes (catégorie 5) ;
• à l’incertitude du résultat (catégorie 6).

Quel modèle a posteriori pour la Coupe du Monde 2014 ?

16Après la Coupe du Monde, Nicolas Scelles35 a appliqué les mêmes variables que le modèle précédent pour extraire un nouveau modèle. Cette fois-ci, il a été fondé sur les scores de la Coupe du Monde a posteriori et non plus sur ceux de la période allant d’août 2012 à décembre 2013 (explication 1.1 : modèle évolutif). Deux variables ont été ajoutées : un désavantage du jeu à domicile pour le Brésil en demi-finale d’une part, pour le match pour la 3^e place d’autre part (explication 2.1 : variables imprévues). Les différences de coefficients entre les deux modèles sont très importantes, avec notamment plusieurs variables dont le coefficient change de signe : PIB par habitant, climat (même si son coefficient reste minime), qualité des joueurs, sélectionneurs étrangers d’Europe de l’Ouest et CAF (explication 1.2 : effets contraires d’une variable).

17Un élément particulièrement frappant dans le nouveau modèle est l’ampleur du coefficient pour le pourcentage de joueurs qui est égal à 13,25 contre 1,67 auparavant. Les quatre pays avec plus de 10 % de joueurs de football dans la population ont été particulièrement performants puisqu’il s’agit du Costa Rica, de l’Allemagne, du Chili et des Pays-Bas (explication 3 : la Coupe du Monde 2014 a récompensé les pays à fort pourcentage de joueurs). Cela a été possible en dépit d’une population plutôt faible et d’un manque, voire d’une absence de joueurs dans les dix clubs les mieux valorisés pour le Costa Rica, le Chili et les Pays-Bas, ainsi que d’un PIB par habitant limité pour le Costa Rica et le Chili. Parmi les pays avec moins de 5 % de joueurs de football dans la population, seuls l’Algérie et le Nigeria se sont qualifiés en huitièmes de finale, obstacle qu’ils n’ont pas pu franchir. L’Algérie était dans le même groupe que la Russie et la Corée du Sud, tandis que le Nigeria était avec la Bosnie-Herzégovine et l’Iran, c’est-à-dire des pays présentant eux-mêmes des pourcentages de joueurs inférieurs à 5 % (sauf la Bosnie-Herzégovine avec 5,3 %).

18Nous avons mentionné le manque ou l’absence de joueurs parmi les dix clubs les mieux valorisés comme un frein potentiel, mais en réalité ce nombre a un impact significativement négatif dans le modèle de la Coupe du Monde. Cela peut être interprété de la façon suivante : les clubs et donc les joueurs en question ont joué un grand nombre de matchs durant la saison 2013-2014 avec pour conséquence de la fatigue, voire des blessures. Ce fut le cas pour Cristiano Ronaldo, Franck Ribéry qui fut absent de la Coupe du Monde ou encore Neymar à la fin du quart de finale du Brésil contre la Colombie après avoir semblé en délicatesse avec sa cheville gauche depuis le début de la compétition (explication 4.1 : moment de l’épreuve dans la saison). Dès lors, s’il est préférable en règle générale d’avoir des joueurs évoluant dans les clubs les mieux valorisés, cela peut se retourner contre un pays pour une compétition comme la Coupe du Monde qui intervient en fin de saison. De surcroît, notre mesure de la qualité des joueurs peut être discutée, notamment parce qu’elle favorise les joueurs opérant en Angleterre (cinq clubs anglais parmi les dix mieux valorisés) et, a contrario, défavorise les joueurs opérant en Allemagne. Ainsi, le Bayern Munich était le seul club allemand parmi les dix mieux valorisés, avec un effectif comprenant un certain nombre de joueurs étrangers au cours de la saison 2013-2014 : Franck Ribéry, Arjen Robben, Mario Mandžukić, Dante (explication 2.2 : variables perfectibles)…

19Enfin, pour les six sélectionneurs étrangers d’Europe de l’Ouest présents à la Coupe du Monde 2014, notre modèle révèle un impact global significativement négatif (explication 1.2 : effets contraires d’une variable). Jürgen Klinsmann et Ottmar Hitzfeld sont parvenus en huitièmes de finale avec respectivement les États-Unis et la Suisse. Ces pays présentent par ailleurs des caractéristiques favorisant une bonne performance : pourcentages de joueurs relativement élevés, PIB par habitant importants. En revanche, Fabio Capello (Russie), Sabri Lamouchi (Côte d’Ivoire), Alberto Zaccheroni (Japon) et Volker Finke (Cameroun) n’ont pas réussi à contrebalancer les caractéristiques plutôt défavorables des sélections managées.

Anticipations « naïves » VS appréhension différenciée de l’évolution des équipes

20Une faiblesse majeure de nos prédictions est qu’elles correspondent à des anticipations « naïves ». En économie, de telles anticipations signifient que l’on anticipe que t sera comme t -1. Dans le contexte de ce chapitre, cela veut dire que nous avons postulé que la réalité de la période allant d’août 2012 à décembre 2013 se reproduirait à l’identique lors de la Coupe du Monde s’étendant du 12 juin au 13 juillet 2014. Or, un certain nombre de facteurs mettent à mal une telle reproductibilité (explication 1.1 : modèle évolutif).

21Nous avons mentionné précédemment l’état de forme variable et la possibilité de blessures des joueurs. Une autre difficulté concerne le Brésil, pays organisateur. À ce titre, il a joué essentiellement des matchs amicaux avant la Coupe du Monde. Or, de tels matchs n’ont pas la même signification que des matchs compétitifs36 (explication 4.2 : difficulté à interpréter les performances de l’équipe organisatrice au cours des deux saisons précédant l’épreuve). Les matchs amicaux ont également pu perturber les résultats pour d’autres sélections nationales (explication 2.3 : variables / observations à retirer). Ainsi, l’Allemagne n’a pas été performante dans ses matchs amicaux avant la Coupe du Monde, et ce particulièrement contre les sélections des autres confédérations. En distinguant les coefficients à appliquer selon qu’un match concerne deux sélections de la même confédération ou de deux confédérations différentes, Nicolas Scelles37 est arrivé à un score de + 4 pour Brésil-Allemagne, loin du - 6 réellement constaté !

22Les anticipations « naïves » nient également la possibilité d’effets d’apprentissage – les joueurs d’une équipe apprennent progressivement de leurs erreurs et à jouer efficacement ensemble – ou à l’inverse d’équipes sur la pente descendante. Cela peut être lié à une érosion de la motivation, évoquée à propos de l’Espagne qui avait gagné auparavant la Coupe du Monde 2010 ainsi que les Euros 2008 et 2012. Plus généralement, les anticipations « naïves » n’envisagent pas la possibilité de phénomènes cycliques : une équipe est performante sur un laps de temps puis non performante ensuite avant de redevenir performante (explication 1.1 : modèle évolutif).

23Dans cet ordre d’idées, Nicolas Scelles38 est parti du principe que chaque équipe ne connaissait pas la même évolution (explication 5 : équipes aux évolutions différentes). Pour tenter de faire coller la réalité constatée pendant la Coupe du Monde 2014 avec l’évolution possible des équipes, le point de départ a été de réaliser des régressions intégrant pour variables explicatives simplement l’avantage du jeu à domicile et l’effet équipe. Ce dernier effet signifie que pour chaque match et chaque équipe a été allouée une valeur de 1 pour une équipe jouant à domicile et - 1 pour une équipe jouant à l’extérieur. Les régressions ont été opérées pour les périodes 2011, 2012 et 2013, en plus de celle allant d’août 2012 à décembre 2013. Ainsi, des coefficients représentatifs de la force des équipes ont été obtenus pour chacune des quatre périodes envisagées. La moyenne des coefficients pour les trente-deux équipes de la Coupe du Monde 2014 n’étant pas la même d’une période à une autre, les valeurs ont ensuite été corrigées pour obtenir une moyenne homogène.

24Avec ce raisonnement, il a été considéré que les trente-deux équipes de la Coupe du Monde 2014 pouvaient être classées selon trois catégories principales :

• dix-huit équipes (56 %) jouant à leur niveau de la période allant d’août 2012 à décembre 2013 ou durant l’année 2013 (régulières) : Australie, Iran, Corée du Sud, Ghana, Côte d’Ivoire, Nigeria, États-Unis, Chili, Colombie, Croatie, Allemagne, Grèce, Italie, Russie et Suisse pour la période allant d’août 2012 à décembre 2013 ; Honduras, Argentine et Brésil pour 2013 ;
• sept équipes (22 %) ayant poursuivi leur évolution de 2012 à 2013 : Ghana, Belgique, France et les Pays-Bas en hausse ; Équateur, Bosnie-Herzégovine et Espagne en baisse ;
• sept équipes (22 %) étant caractérisées par un phénomène cyclique (reproduction de l’évolution de 2011 à 2012 entre 2013 et 2014) : Algérie, Costa Rica et Mexique en hausse ; Cameroun, Uruguay, Angleterre et Portugal en baisse.

25Ces catégories pourraient expliquer a posteriori les résultats de la Coupe du Monde 2014, encore qu’elles ne permettent pas d’appréhender l’effondrement du Brésil à partir des demi-finales. La question est de savoir si elles auraient pu être identifiées a priori.

L’incertitude du résultat

26En introduction, nous avons évoqué « l’excuse » de l’incertitude du résultat pour expliquer la non-réalisation de nos prédictions, tout en la mettant aussitôt de côté. À ce stade, nous la réintroduisons car il s’agit d’un facteur majeur, particulièrement en football39 et notamment pour une Coupe du Monde40 (explication 6 : incertitude du résultat). Nicolas Scelles41 trouve que le pourcentage de temps de jeu avec un but d’écart au plus en football est de l’ordre de 85 à 90 %. Il rend également compte d’un pourcentage de temps de jeu au rugby avec sept points d’écart au plus (essai transformé) de l’ordre de 60 à 65 %, et d’un pourcentage de temps de jeu au basketball avec six points d’écart au plus (deux paniers à trois points) de l’ordre de 55 à 60 %. Ces pourcentages tendent à montrer que les matchs de football sont plus incertains que ceux de rugby (sans bonus) et de basketball. Depuis la Coupe du Monde 1990 de football, chaque édition a confirmé le pourcentage de temps de jeu avec un but d’écart au plus de l’ordre de 85 à 90 % (tabl. 3). Cela signifie que la marge entre une victoire, un match nul et une défaite est souvent infime. Ainsi, lors de la Coupe du Monde 2014, l’Équateur a eu l’occasion de prendre l’avantage à la dernière minute du temps additionnel contre la Suisse. C’est finalement cette dernière qui a remporté le match sur le contre suivant, pour le plus grand bonheur de Daniel Jeandupeux, ancien entraîneur suisse du Stade Malherbe Caen et l’un des intervenants principaux lors du colloque « Football et Recherche » dont est issu le présent ouvrage42.

27L’incertitude du résultat joue particulièrement pour une Coupe du Monde lorsqu’il s’agit d’appliquer des prédictions fondées sur une période de 17 mois comme le sont celles de notre modèle. En effet, le 1^er tour d’une Coupe du Monde ne comporte que trois matchs par équipe. L’incertitude pour le classement des groupes est dès lors supérieure à celle des poules éliminatoires en matchs aller-retour organisées dans les différentes confédérations. Cela est d’autant plus vrai que l’équilibre entre les équipes est normalement plus élevé. L’incertitude est encore supérieure ensuite puisqu’il s’agit de tours à élimination directe sur un seul match entre les meilleures équipes du tournoi pour lesquelles il est attendu un équilibre encore plus fort (explication 4.3 : format de l’épreuve). Le tableau 3 confirme partiellement une incertitude intra-match plus élevée après le 1^er tour. Ceci est clairement vérifié en 1990 et 2002, moins marqué en 2006 et 2014, tandis que l’incertitude intra-match fut identique pendant et après le 1^er tour en 1998 et plus faible après le 1^er tour en 1994 et 2010. En tout état de cause, il est très difficile de prédire les scores des matchs de Coupe du Monde qui se jouent souvent sur un détail : poteau, penalty manqué, carton rouge, décision arbitrale litigieuse, but marqué à la dernière seconde faisant passer un pronostic de bon à mauvais ou l’inverse. Cette incertitude explique évidemment le fort engouement du public et des parieurs qui espèrent être parmi les rares à avoir réalisé le bon pronostic.

Implications pour la prise de décision pour les paris futurs

28Le tableau suivant retrace les onze explications aux différences entre prédictions et réalisations identifiées dans la section précédente (tabl. 4). L’objet de cette section est d’en tirer des enseignements pour les paris futurs.

291.1. Modèle évolutif : appliquer les coefficients passés ne permet pas de prédire l’ensemble des résultats d’une phase finale. Pour autant, l’exercice n’est pas totalement inutile. En effet, il peut conforter le parieur dans ses impressions ou, au contraire, lui montrer que le rapport de force perçu entre deux équipes ne correspond pas à la réalité passée. En cas de doute, cela peut l’aider à affiner son choix.

301.2. Effets contraires d’une variable : l’exemple des sélectionneurs étrangers d’Europe de l’Ouest indique qu’une variable donnée n’a pas toujours le même impact sur la performance. Pour essayer d’appréhender au mieux ce phénomène, il est nécessaire de s’interroger sur le contexte spécifique de l’épreuve. Ainsi, est-ce que l’apport de ce type de sélectionneurs sera aussi décisif face à des adversaires en pointe sur les dimensions physique, mentale et tactique (ce qui peut être attendu en phase finale internationale) que face à des adversaires moins rodés sur ces dimensions (comme cela peut être le cas en phase éliminatoire) ?

312.1. Variables imprévues : l’effondrement du Brésil à partir des demi-finales de la Coupe du Monde 2014 était difficile à prévoir avant le déroulement de l’épreuve, quand nous avons livré nos prédictions. En revanche, les observateurs ont pu constater une certaine fébrilité de la sélection brésilienne tout au long de la compétition. Cela touche peut-être aux effets contraires d’une variable, ici l’avantage du jeu à domicile qui peut se transformer en désavantage selon le ressenti des joueurs. De surcroît, le Brésil a joué la demi-finale contre l’Allemagne sans ses deux joueurs majeurs, Neymar (blessé) et Thiago Silva (suspendu). Il aurait été intéressant d’essayer de capter l’impact de chacun des deux joueurs sur les performances du Brésil. Néanmoins, nous ne pouvions pas prévoir leurs absences a priori. En outre, l’ampleur de la déroute brésilienne contre l’Allemagne laisse penser que d’autres facteurs ont joué, notamment un « pétage de plombs » collectif lorsque l’Allemagne a marqué son deuxième but, avec quatre buts allemands en six minutes43.

322.2. Variables perfectibles : des variables peuvent être significatives et donc satisfaisantes sur un échantillon important et une période relativement longue, tout en étant perfectibles pour des prédictions de court terme. L’exemple du nombre de joueurs évoluant dans les clubs les mieux valorisés entre dans ce cadre. Au-delà de la fatigue potentiellement supérieure endurée par ces joueurs, la définition de notre variable nous a sans doute fait passer à côté de joueurs aussi talentueux. Pour pallier ce problème, nous ne pouvons que conseiller au parieur de se construire sa propre opinion sur la base de sa connaissance et des informations glanées à travers ses différentes lectures et discussions.

332.3. Variables / observations à retirer : les matchs amicaux peuvent être trompeurs. Il s’agit d’ailleurs d’une des raisons pour lesquelles nous n’avons pas intégré dans notre base de données les matchs de 2014 joués avant la Coupe du Monde, essentiellement amicaux. Pour autant, ce sont quasiment les seuls matchs au cours desquels deux équipes de deux confédérations différentes s’affrontent avant la Coupe du Monde, Coupe des Confédérations et barrages entre équipes de confédérations différentes mis à part. Par conséquent, en retirant les matchs amicaux, il faudrait également retirer l’effet confédération. Cela n’est pas nécessairement un problème car appliquer l’effet confédération peut induire en erreur. En effet, tous les pays d’une confédération sont logés à la même enseigne. Par exemple, l’Allemagne et Saint-Marin se voient attribuer la valeur 1 (à domicile) ou - 1 (à l’extérieur) pour la variable UEFA lorsqu’ils jouent contre une sélection d’une autre confédération. Pourtant, il est évident qu’ils n’ont pas le même niveau. Il paraît pertinent d’avoir des informations synthétiques pays par pays, à l’image de celles fournies par des régressions intégrant pour variables explicatives simplement l’avantage du jeu à domicile et l’effet équipe (un coefficient par pays).

343. Caractéristiques spécifiques à une édition : la Coupe du Monde 2014 a récompensé les pays à fort pourcentage de joueurs de football dans la population. Cela ne constitue pas une surprise, même si son coefficient très largement supérieur à celui obtenu pour la population était plus inattendu : plus de neuf fois supérieur pour la Coupe du Monde 2014 contre moins de deux fois pour la période allant d’août 2012 à décembre 2013. L’ampleur du phénomène nous semble difficilement généralisable à l’ensemble des phases finales, sinon comment expliquer la victoire de l’Espagne en 2010 (6,1 % de joueurs contre 19,9 % pour l’Allemagne) ? Et encore plus la demi-finale de la Corée du Sud en 2002 (seulement 2,2 % de joueurs) ? L’ampleur du phénomène nous paraît plus imputable à une coïncidence, surtout en considérant le nombre d’observations avec seulement soixante-quatre matchs en Coupe du Monde.

354.1. Moment de l’épreuve dans la saison : le déroulement traditionnellement en fin de saison des phases finales internationales impacte l’état de forme des joueurs. De ce point de vue, il est presque souhaitable qu’ils aient subi une baisse de forme, voire une blessure en cours de saison et qu’ils soient sur la pente ascendante au moment où l’épreuve débute. Le parieur doit tenir compte de cette information pour se faire une idée précise de l’état de forme des joueurs. Une situation originale apparaîtra en 2022 avec la Coupe du Monde qui se déroulera au Qatar du 21 novembre au 18 décembre, donc en cours et non en fin de saison.

364.2. Performances de l’équipe hôte avant l’épreuve : nous avons pointé plus haut la difficulté à apprécier la véritable valeur des performances du Brésil avant la Coupe du Monde 2014, du fait de matchs essentiellement amicaux. Dans l’absolu, il aurait fallu regarder l’ensemble des matchs du Brésil pour avoir une idée du niveau d’engagement des deux équipes pour chaque match et ainsi de la significativité du résultat final. Le problème ne se présentera pas pour l’Euro 2020 puisqu’il se jouera dans différents pays et aucune sélection nationale ne sera qualifiée d’office.

374.3. Format de l’épreuve : le format resserré des phases finales internationales encourage des matchs équilibrés en limitant le nombre d’équipes aux meilleures. Toutefois, l’Euro 2016 a accueilli vingt-quatre équipes au lieu de seize précédemment. En outre, le passage de trente-deux à quarante équipes en Coupe du Monde avait été proposé par Michel Platini en réponse à Sepp Blatter pour lequel plus de sélections africaines et asiatiques devaient être admises au détriment des confédérations sud-américaine et européenne44. Ce sont finalement quarante-huit équipes qui participeront à la Coupe du Monde à partir de 2026. En offrant l’accès à des équipes potentiellement plus faibles, l’équilibre entre équipes pourrait être diminué, favorisant la prédiction des vainqueurs de certains matchs. Pour autant, les scores exacts continueront à être très incertains.

385. Équipes aux évolutions différentes : il n’est pas aisé de déceler l’évolution exacte d’une équipe. Notre conseil consiste à rapprocher l’impression du parieur, l’opinion des spécialistes et les résultats fournis par des régressions capturant les forces respectives des équipes. Ainsi, il sera possible au parieur d’affiner son jugement.

396. Incertitude du résultat : pour cette dernière variable, nous n’avons pas de recette miracle. C’est elle qui permet aux paris d’exister. Nous laissons au parieur le soin d’essayer de la dompter !

Conclusion

40Au terme de ce chapitre, nous souhaitons revenir sur son cheminement. Comme l’indique son titre, l’objectif était de comparer prédictions et réalisations pour la Coupe de Monde de la FIFA 2014 afin d’essayer d’en faire ressortir des pistes pour une aide à la prise de décision pour les paris futurs. Nos prédictions sont fondées sur un modèle dont le choix des variables est issu à la fois de notre revue de littérature et de nos hypothèses quant aux déterminants potentiels des scores des matchs de football. Nous avons donc d’abord présenté notre revue de littérature en prenant soin de la resserrer sur les éléments pertinents pour la suite. Nous avons ensuite exposé notre modèle et les variables retenues. L’étape suivante a consisté en une présentation des données utilisées. Les résultats de notre modèle ont alors été présentés, permettant leur application aux matchs de la Coupe du Monde de la FIFA 2014 et la confrontation de nos prédictions aux réalisations. Des explications aux différences constatées ont ensuite été soulevées, ouvrant la voie à des implications pour la prise de décision pour les paris futurs. Si ces implications peuvent peut-être rationaliser l’approche du parieur, elles n’offrent aucune garantie de succès compte tenu de l’incertitude du résultat. Cette dernière est à la fois l’adversaire du parieur mais aussi sa raison d’être !