Du déterminisme à l’inférence probabiliste : une avancée méthodologique dans la mesure des pertes de capital humain liées à la violence en Haïti

From Deterministic Estimates to Probabilistic Inference: Advancing the Measurement of Violence‑Induced Human Capital Loss in Haiti

Patrick Prézeau Stephenson, Christian Louis, and Raymond F. Lerebours

POLLNEX Insights, 2026. (Le Français suit)

Abstract

In 2025, Surin introduced the first macro‑economic quantification of gang‑related mortality in Haiti using a deterministic valuation of human capital loss. While foundational, deterministic methods impose fixed parameters on a context characterized by extreme uncertainty, data scarcity, and structural volatility. This article demonstrates why a probabilistic Monte Carlo framework—implemented in 2026 using POLLNEX’s simulation engine—constitutes a qualitative and methodological advance. By incorporating parameter uncertainty, distributional variability, and stochastic dynamics, the probabilistic approach yields more robust, policy‑relevant estimates of violence‑induced economic loss.

1. Introduction

Surin’s L’hémorragie invisible (2025) represented a significant step in the economic analysis of Haiti’s security crisis. His deterministic estimate—USD 400 to 900 million in human capital destroyed in 2024—provided an essential first approximation of the macroeconomic burden of gang violence.

However, deterministic models assume stable parameters and complete information. Haiti’s empirical environment is the opposite:

demographic data are incomplete,
income distributions are heterogeneous and poorly measured,
the age structure of victims is uncertain,
macroeconomic multipliers fluctuate,
and violence itself is stochastic.

Under such conditions, deterministic point estimates risk under‑representing both the scale and the uncertainty of the phenomenon. A probabilistic framework is therefore not only preferable but necessary.

2. Limitations of Deterministic Valuation in High‑Uncertainty Contexts

Deterministic human‑capital valuation typically relies on fixed inputs:

number of deaths,
average income (or GDP per capita),
remaining productive years,
a single economic multiplier.

This structure is appropriate when parameters are well‑measured and stable. In Haiti, they are neither.

2.1 Parameter uncertainty

The age distribution of victims is unknown; income levels vary widely across formal and informal sectors; and macroeconomic multipliers are not empirically calibrated for fragile states. A deterministic model collapses these uncertainties into a single value, masking the true variance of outcomes.

2.2 Structural volatility

Violence in Haiti is non‑stationary. Spatial patterns shift rapidly, gang fragmentation alters risk exposure, and mortality rates fluctuate month‑to‑month. Deterministic models cannot incorporate such volatility.

2.3 Policy relevance

Policy makers require not only expected losses but also the probability of extreme losses. Deterministic estimates cannot provide tail‑risk information, confidence intervals, or scenario distributions.

3. The Probabilistic Monte Carlo Framework

In 2026, POLLNEX implemented a Monte Carlo simulation model to estimate human capital destruction from gang‑related mortality. This approach replaces fixed parameters with probability distributions, allowing the model to reflect empirical uncertainty.

3.1 Stochastic parameterization

The model assigns distributions to:

GDP per capita,
inflation,
unemployment,
poverty rates,
economic multipliers,

Each simulation draws from these distributions, generating thousands of plausible trajectories.

3.2 Distributional outputs

Instead of a single estimate, the model produces:

medians,
percentiles (5th, 25th, 75th, 95th),
confidence intervals,
density curves,
and tail‑risk probabilities.

This allows researchers to quantify not only expected losses but also the likelihood of catastrophic outcomes.

3.3 Robustness to data scarcity

In fragile states, uncertainty is structural. Probabilistic models explicitly incorporate this uncertainty rather than suppressing it.

4. Comparative Findings: Deterministic vs. Probabilistic Estimates

4.1 Central tendency

The probabilistic model confirms Surin’s central insight: human capital losses are extremely large. Median estimates for 2026 fall within the same order of magnitude as the 2024 deterministic range.

4.2 Tail risks

The probabilistic model reveals that:

the probability of losses exceeding USD 1 billion annually is non‑trivial,
the upper tail of the distribution is heavier than previously assumed,
volatility in macroeconomic multipliers significantly widens the confidence interval.

These insights are inaccessible to deterministic methods.

4.3 Temporal dynamics

Simulations show increasing variance over time, indicating that Haiti is entering a regime of structural uncertainty, not merely higher average violence.

5. Methodological Superiority of the Probabilistic Approach

5.1 Capturing uncertainty

Probabilistic models quantify uncertainty rather than ignoring it. This is essential in fragile contexts.

5.2 Policy relevance

Decision‑makers require risk distributions, not point estimates. The Monte Carlo approach provides:

worst‑case scenarios,
likelihood of extreme losses,
sensitivity to parameter shifts.

5.3 Transparency and replicability

The probabilistic framework makes assumptions explicit through parameter distributions, enabling peer review and methodological scrutiny.

5.4 Alignment with modern quantitative standards

In fields such as epidemiology, climate science, and financial risk modeling, deterministic models have long been replaced by probabilistic inference. Violence economics should follow the same trajectory.

6. Conclusion

Surin’s deterministic valuation was a necessary first step in quantifying the economic cost of Haiti’s security collapse. However, as the crisis deepens and uncertainty becomes the defining feature of the Haitian economy, deterministic methods are no longer adequate.

The probabilistic Monte Carlo framework developed in 2026 represents a qualitative methodological advance. It captures uncertainty, quantifies risk, and provides a more realistic representation of violence‑induced human capital destruction.

In fragile states where data are incomplete and volatility is structural, probabilistic inference is not merely superior—it is indispensable.

References

Banque mondiale. (2024). Haiti: Country overview (October 2024 update). World Bank. https://www.worldbank.org/

Collier, P. (2007). The bottom billion: Why the poorest countries are failing and what can be done about it. Oxford University Press.

International Crisis Group. (2024). Haïti : Gouverner ou subir (Rapport Amérique latine/Caraïbes n°97). International Crisis Group.

Institut haïtien de statistique et d’informatique. (2020). Enquête sur l’emploi et l’économie informelle. IHSI.

Jones‑Lee, M. W. (1989). The economics of safety and physical risk. Basil Blackwell.

Mishan, E. J. (1971). Cost‑benefit analysis: An introduction. George Allen & Unwin.

Prézeau Stephenson, P., Louis, C., & Lerebours, R. F. (2026). Gang Violence Impact Simulator (v1.0) [Shiny app]. POLLNEX Insights. Available at: https://stepminer.shinyapps.io/Gang_Violence_Impact/

Schelling, T. C. (1968). The life you save may be your own. The Public Interest, 15, 127–136.

Surin, R. (2025). L’hémorragie invisible : 400 à 900 millions de capital humain détruits par les gangs en 2024. https://lenouvelliste.com/article/259609/lhemorragie-invisible-400-a-900-millions-de-capital-humain-detruits-par-les-gangs-en-2024 .

United Nations Office on Drugs and Crime. (2024). Global study on homicide 2023. UNODC.

Viscusi, W. K. (1984). The value of life: Estimates with risks by occupation and industry. Economic Inquiry, 22(1), 29–48.

***********************************************************

Du déterminisme à l’inférence probabiliste : une avancée méthodologique dans la mesure des pertes de capital humain liées à la violence en Haïti

Patrick Prézeau Stephenson, Christian Louis, and Raymond F. Lerebours

POLLNEX Insights, 2026

Résumé

En 2025, Surin a proposé la première quantification macroéconomique de la mortalité liée aux gangs en Haïti à partir d’une estimation déterministe du capital humain détruit. Bien que pionnière, cette approche repose sur des paramètres fixes appliqués à un contexte marqué par une forte incertitude, une rareté des données et une volatilité structurelle. Cet article montre en quoi un cadre probabiliste fondé sur des simulations Monte Carlo — mis en œuvre en 2026 par POLLNEX — constitue une avancée qualitative. En intégrant l’incertitude paramétrique, la variabilité distributionnelle et la dynamique stochastique de la violence, l’approche probabiliste produit des estimations plus robustes et plus pertinentes pour l’action publique.

1. Introduction

L’étude de Surin (L’hémorragie invisible, 2025) a marqué une étape importante dans l’analyse économique de la crise sécuritaire haïtienne. Son estimation déterministe — entre 400 et 900 millions USD de capital humain détruit en 2024 — a fourni un premier ordre de grandeur du coût macroéconomique de la violence armée.

Cependant, les modèles déterministes supposent la stabilité des paramètres et la disponibilité de données fiables. Or, le contexte haïtien se caractérise par :

une information démographique incomplète,
une forte hétérogénéité des revenus,
une incertitude sur l’âge et le profil socio‑économique des victimes,
des multiplicateurs économiques volatils,
et une dynamique de violence non stationnaire.

Dans un tel environnement, les estimations déterministes risquent de sous‑représenter l’ampleur réelle du phénomène et d’occulter l’incertitude structurelle qui l’entoure. Une approche probabiliste s’impose donc.

2. Limites du déterminisme dans les contextes à forte incertitude

Les modèles déterministes de valorisation du capital humain reposent sur des paramètres fixes :

nombre de décès,
revenu moyen ou PIB par habitant,
années productives restantes,
multiplicateur économique unique.

Cette structure est adaptée lorsque les données sont stables et bien mesurées. En Haïti, ce n’est pas le cas.

2.1 Incertitude paramétrique

L’âge des victimes est mal documenté, les revenus varient fortement entre secteurs formels et informels, et les multiplicateurs économiques ne sont pas calibrés pour les États fragiles. Un modèle déterministe réduit ces incertitudes à une valeur unique.

2.2 Volatilité structurelle

La violence haïtienne est marquée par des fluctuations rapides, des déplacements géographiques et des dynamiques de fragmentation. Les modèles déterministes ne capturent pas cette variabilité.

2.3 Pertinence pour les politiques publiques

Les décideurs ont besoin d’informations sur les risques extrêmes, les intervalles de confiance et les distributions de résultats — éléments absents des approches déterministes.

3. Le cadre probabiliste Monte Carlo

En 2026, POLLNEX a développé un modèle probabiliste fondé sur des simulations Monte Carlo pour estimer les pertes de capital humain liées à la violence. Ce cadre remplace les paramètres fixes par des distributions de probabilité, reflétant l’incertitude empirique.

3.1 Paramétrisation stochastique

Le modèle attribue des distributions à :

la croissance du PIB,
l’inflation,
le chômage,
la pauvreté,
les multiplicateurs économiques,

Chaque simulation génère un scénario plausible, produisant des milliers de trajectoires.

3.2 Sorties distributionnelles

Le modèle fournit :

des médianes,
des percentiles (5e, 25e, 75e, 95e),
des intervalles de confiance,
des courbes de densité,
des probabilités de pertes extrêmes.

3.3 Robustesse face à la rareté des données

Dans les États fragiles, l’incertitude est structurelle. Les modèles probabilistes l’intègrent explicitement plutôt que de la masquer.

4. Résultats comparatifs : déterminisme vs probabilisme

4.1 Tendances centrales

Les simulations confirment l’ordre de grandeur identifié par Surin : les pertes de capital humain demeurent massives.

4.2 Risques extrêmes

Le modèle probabiliste révèle :

une probabilité non négligeable de pertes dépassant 1 milliard USD annuellement,
une distribution asymétrique avec une queue supérieure lourde,
une sensibilité élevée aux variations des multiplicateurs.

Ces éléments sont invisibles dans un modèle déterministe.

4.3 Dynamiques temporelles

La variance croissante des simulations suggère que la violence haïtienne évolue vers un régime d’incertitude accrue, et non vers une simple intensification linéaire.

5. Supériorité méthodologique de l’approche probabiliste

5.1 Intégration de l’incertitude

Les modèles probabilistes quantifient l’incertitude au lieu de la neutraliser.

5.2 Utilité pour les politiques publiques

Les décideurs ont besoin de distributions de risques, non de valeurs uniques. Les simulations Monte Carlo fournissent :

des scénarios extrêmes,
des probabilités de dépassement,
des analyses de sensibilité.

5.3 Transparence et reproductibilité

Les distributions paramétriques rendent les hypothèses explicites et vérifiables.

5.4 Convergence avec les standards contemporains

Dans les domaines de l’épidémiologie, du climat ou de la finance, les modèles déterministes ont été remplacés par des approches probabilistes. L’économie de la violence doit suivre la même évolution.

6. Conclusion

L’estimation déterministe de Surin a constitué une étape essentielle dans la quantification des pertes économiques liées à la violence en Haïti. Toutefois, dans un contexte où l’incertitude est omniprésente et où la dynamique de violence est instable, les modèles déterministes ne suffisent plus.

Le cadre probabiliste développé en 2026 représente une avancée qualitative majeure. Il capture l’incertitude, quantifie les risques extrêmes et offre une représentation plus réaliste des pertes de capital humain.

Dans les États fragiles, où les données sont lacunaires et la volatilité structurelle, l’inférence probabiliste n’est pas seulement préférable — elle est indispensable.