Consultation sur les modèles de prévision de l'IPCAV - Résultats des essais des modèles de prévision
Sur cette page
Introduction
L’Office s’est engagé à plus de transparence et de prévisibilité, y compris en ce qui concerne le programme du revenu admissible maximal. C’est pourquoi il instaure un processus annuel régulier et cyclique de consultation lié à l’indice des prix composite afférent au volume (IPCAV) et qu’il entend mener une consultation sur des éléments précis de l’IPCAV d’après le calendrier suivant :
- la première année, examen des modèles de prévision des prix de la main-d’œuvre, du carburant et du matériel de l’IPCAV;
- la deuxième année, demande de commentaires sur l’élaboration d’un indice des prix historiques (réels);
- la troisième année, examen des éléments de l’IPCAV portant sur les composantes de l’indice d’investissements.
Contexte
L’Office a mené sa première consultation sur l’efficacité des modèles utilisés pour prédire les éventuels changements aux éléments de prix que sont la main-d’œuvre, le carburant et le matériel, qui entrent dans l’IPCAV. Les intervenants intéressés ont eu l’occasion de répondre aux diverses questions posées dans le document de consultation entre le 10 juillet 2025 et le 31 octobre 2025. L’Office a reçu de nombreuses réponses et a retenu et évalué un certain nombre de suggestions d’amélioration abordées ci-après.
Le 17 avril 2026, l’Office a émis la décision LET-R-18-2026 dans laquelle il s’était engagé à prolonger la consultation sur les modèles de prévision de l’IPCAV, afin de permettre aux participants de l’industrie de commenter les résultats des diverses nouvelles propositions d’approches testées par l’Office.
Consultation courante sur le modèle d’IPCAV
Choix de modèle
Au cours du processus consultatif, l’Office a reçu un grand nombre de commentaires et de suggestions pour améliorer ses modèles de prévision, allant de simples modifications aux actuelles approches de prévision à de toutes nouvelles façons de faire. En respectant le cadre des lois existantes et dans le but de trouver une approche équilibrée qui serait aussi exacte et fiable que possible, mais qui resterait relativement simple à comprendre, l’Office a choisi six approches à mettre à l’essai et qu’il décrit à l’annexe A du présent document.
Essai des modèles
Après la fermeture du processus consultatif initial le 31 octobre 2025, l’Office a commencé à tester diverses autres méthodes de prévision proposées par des participants afin de déterminer l’efficacité de chacune.
En commençant avec le statu quo, et pour chacune des cinq autres approches restantes, l’Office a généré des prévisions historiques pour les dix dernières campagnes agricoles et les a comparées avec les changements de prix réels connus. Cette technique est communément appelée « extrapolation rétrospective ». Chaque méthode a ensuite été analysée et classée au moyen de paramètres d’erreurs de prévision, par exemple :
- erreur-type, erreur cumulative, erreur absolue, racine de l’erreur quadratique moyenne;
- écart-type empirique S;
- coefficient de variation.
L’annexe B décrit ce que mesure chacun de ces paramètres.
Résultats préliminaires
La rétrospective s’est avérée un outil d’analyse efficace, mais n’a pas permis de trouver une autre approche qui produirait des résultats assez cohérents, soit d’une compagnie de chemin de fer à l’autre, ou entre les divers éléments de l’IPCAV. Parfois, un modèle pourrait fonctionner pour une compagnie de chemin de fer, mais pas pour une autre.
Par exemple, l’une des approches les plus intuitives pour l’élément de la main-d’œuvre suppose de modifier la méthode utilisée pour calculer les prévisions de l’élément lié au salaire, soit la rémunération à base d’actions et les primes. Au lieu d’utiliser des moyennes quinquennales du taux horaire réel, nous avons analysé les moyennes quinquennales des taux de croissance. Les niveaux d’erreur n’étaient pas uniformes d’une compagnie de chemin de fer à l’autre, dans cet exemple.
De plus, les moyennes triennales et quinquennales des indices de prix historiques des compagnies de chemin de fer utilisées pour les essais fonctionnaient relativement bien pour la main-d’œuvre et le matériel, mais beaucoup moins bien pour le carburant, élément pour lequel les niveaux d’erreur étaient extrêmement élevés.
L’annexe C du présent document montre un résumé des résultats des essais des diverses méthodes proposées.
Question finale de la consultation
L’Office estime que le fait de communiquer à l’industrie l’analyse des résultats des essais (jointe à l’annexe C) de toutes les autres suggestions, notamment aux compagnies de chemin de fer, l’aiderait à mieux comprendre et, à terme, à choisir les approches de prévision qui conviendront le mieux pour sa détermination de l’IPCAV de l’an prochain.
À cette fin, maintenant que vous avez vu les résultats des essais des diverses approches, avez-vous des commentaires à savoir quelles seraient les meilleures approches que l’Office devrait adopter?
Annexes
Annexe A
Main-d’œuvre
| Approche | Description |
|---|---|
| Méthode 1
Statu quo |
L’indice des prix de la main-d’œuvre comprend trois éléments principaux : les salaires et les traitements, les éléments liés au salaire, et les avantages sociaux. Les prévisions concernant les salaires et les traitements sont largement basées sur les règlements salariaux négociés annuellement dans les conventions collectives, tandis que les prévisions liées aux salaires et aux traitements1 et celles liées aux avantages sociaux2 sont basées sur des moyennes mobiles sur 5 et 10 ans des taux horaires historiques, respectivement. Les prévisions des éléments liés aux salaires et aux traitements sont calculées comme suit : 3, 4 Valeur de 2024 [A] = moyenne [2020-2024] D’autres détails sur le modèle de prévision de la main-d’œuvre (statu quo) se trouvent aux pages 3 à 5 ainsi qu’à l’annexe A du document de consultation de l’Office. |
| Méthode 2
Statu quo modifié |
Même approche générale que la méthode 1, mais avec les modifications suivantes :
Valeur de 2024 [A] = valeur réelle préliminaire sur une seule année |
| Méthodes 3 et 4
Taux de croissance moyens mobiles sur trois ou cinq ans Proposition par CPKC (CN – moy. 3 ans) |
Basées sur les prévisions des moyennes mobiles sur trois ou cinq ans de l’indice des prix de la main-d’œuvre (IP main-d’œuvre) où5 : Valeur de 2024 [A] = valeur réelle préliminaire sur une seule année de l’IP main-d’œuvre |
| Méthode 5
Application modifiée des taux de croissance moyens mobiles sur trois ou cinq ans Proposition par CPKC |
Même approche que les méthodes 3 et 4 décrites ci-dessus, mais calculée un peu différemment. Ici, la même moyenne sur trois ou cinq ans utilisée au départ (c’est-à-dire, le « taux de croissance moyen [2020-2024] » dans l’exemple ci-dessus est utilisé pour les deux années) : Valeur de 2024 [A] = valeur réelle préliminaire sur une seule année de l’IP main-d’œuvre |
| Méthode 6
Taux de croissance historique des indicateurs de StatsCan Proposition par CN |
Pour cette approche, nous utilisons le taux de croissance historique sur une seule année pour un indice des prix publié donné, à titre de prévision pour la campagne agricole. Pour les prévisions de l’indice des prix de la main-d’œuvre – nous avons utilisé la rémunération horaire moyenne pour l’ensemble des industries, de Statistique Canada (tableau 14-10-0213-01). IP main-d’œuvre de 2025-2026 = [A] × StatsCan [2024/2023] où A égale à l’IP main-d’œuvre de 2024-2025 |
Notes
- Primes, rémunération à base d’actions, etc. Retour à la référence de la note 1↩
- Fonds de pension gouvernementaux, régimes de retraite d’entreprise, régime de soins de santé et de bien-être, etc. Retour à la référence de la note 2↩
- L’exemple montré est celui de la campagne agricole 2025-2026, où 2024 est la valeur préliminaire réelle et celles de 2025 et de 2026 sont les deux prévisions. Retour à la référence de la note 3↩
- Pour toutes les approches, les prévisions pour les campagnes agricoles sont calculées comme suit : 5/12 de la valeur anticipée de la première année plus 7/12 de la valeur anticipée de la deuxième année. Retour à la référence de la note 4↩
- Illustre l’approche de la moyenne mobile sur cinq ans. Retour à la référence de la note 5↩
Carburant
| Approche | Description |
|---|---|
| Méthode 1
Statu quo |
L’Office fait des prévisions pour le prix du carburant au moyen d’un modèle de régression linéaire simple qui suit le lien entre l’indice des prix du carburant (IP carburant) servant à l’exploitation ferroviaire et les prix du pétrole brut sur les marchés mondiaux représentés par la West Texas Intermediate (WTI), à Cushing, en Oklahoma. Le modèle englobe un rajustement additionnel de capitalisation pour les marges des raffineurs, et est basé sur une série de données chronologiques mensuelles datant de 1988. Vous trouverez d’autres détails sur l’approche de l’Office aux pages 5 et 6, ainsi qu’à l’annexe B du document de consultation de l’Office. |
| Méthode 2
Statu quo modifié |
Même approche que la méthode 1, mais avec les modifications suivantes : Le rajustement de capitalisation pour les marges des raffineurs est retiré et la série de données chronologiques datant de 1988 est annuelle plutôt que mensuelle. |
| Méthodes 3 et 4
Taux de croissance moyens mobiles sur trois ou cinq ans Proposition par CPKC et CN |
Base les prévisions uniquement sur les moyennes mobiles sur trois ou cinq ans de l’IP carburant historique où : Valeur de 2024 [A] = valeur réelle préliminaire sur une seule année de l’IP carburant |
| Méthode 5
Application modifiée des taux de croissance moyens mobiles sur trois ou cinq ans Proposition par CPKC |
Même approche que les méthodes 3 et 4 décrites ci-dessus, mais calculée un peu différemment. Ici, la même moyenne sur trois ou cinq ans utilisée au départ (c’est-à-dire, le « taux de croissance moyen [2020-2024] » dans l’exemple ci-dessus est utilisé pour les deux années) : Valeur de 2024 [A] = valeur réelle préliminaire sur une seule année de l’IP carburant |
| Méthode 6
Taux de croissance historique des indicateurs de StatsCan Proposition par CN |
Pour cette approche, nous utilisons le taux de croissance historique sur une seule année pour un indice des prix publié donné, à titre de prévision pour la campagne agricole. Pour les prévisions de l’indice des prix du carburant – nous avons utilisé l’indice des prix des produits industriels (IPPI) de Statistique Canada – carburant diesel (tableau 18-10-0272-01). IP carburant de 2025-2026 = [A] × StatsCan [2024/2023] où A égale à l’IP carburant de 2024-2025 |
Matériel
| Approche | Description |
|---|---|
| Méthode 1
Statu quo |
Les modèles de prévision de l’Office relativement au matériel mesurent le lien entre l’indice des prix du matériel ferroviaire et des sous-composants choisis de l’IPPI. Le modèle de prévision de l’Office pour le matériel inclut quatre équations de régression qui mesurent les effets des fluctuations des prix du matériel sur le modèle de prévision de l’indice des prix du matériel (IP matériel) d’une compagnie de chemin de fer. Les modèles reposent fortement sur les métaux ouvrés et l’acier, et comprennent des rajustements distincts afin de mieux tenir compte des effets des produits pétroliers et du taux de change entre le dollar canadien et le dollar américain. Vous trouverez d’autres détails sur l’approche de l’Office aux pages 7 et 8, ainsi qu’à l’annexe C du document de consultation de l’Office. Le modèle courant pour le matériel (statu quo) reste une option, mais l’Office ne l’a pas utilisé pour calculer le plus récent IPCAV de 2026-2027, pour les raisons résumées au paragraphe 11 de la détermination R-2026-78 sur l’IPCAV de 2026-2027. |
| Méthode 2
Régression simple au moyen de l’IP matériel et de l’IP des produits fabriqués de métal de StatsCan |
Ce modèle permet de faire des prévisions de l’IP matériel d’une compagnie de chemin de fer au moyen d’un modèle de régression linéaire simple qui suit le lien entre l’IP matériel d’une compagnie de chemin de fer et l’IPPI de Statistique Canada – Produits fabriqués de métal et matériaux de construction. Tableau 18-10-0265-01 (SCPAN code P63) |
| Méthodes 3 et 4
Taux de croissance moyens mobiles sur trois ou cinq ans Proposition par CPKC (CN – moy. 3 ans) |
Base les prévisions uniquement sur les moyennes mobiles sur trois ou cinq ans de l’IP matériel historique où : Valeur de 2024 [A] = valeur réelle préliminaire sur une seule année de l’IP matériel |
| Méthode 5
Application modifiée des taux de croissance moyens mobiles sur trois ou cinq ans Proposition par CPKC |
Même approche que les méthodes 3 et 4 décrites ci-dessus, mais calculée un peu différemment. Ici, la même moyenne sur trois ou cinq ans utilisée au départ (c’est-à-dire, le « taux de croissance moyen [2020-2024] » dans l’exemple ci-dessus est utilisé pour les deux années) : Valeur de 2024 [A] = valeur réelle préliminaire sur une seule année de l’IP matériel |
| Méthode 6
Taux de croissance historique des indicateurs de StatsCan Proposition par CN |
Pour cette approche, nous utilisons le taux de croissance historique sur une seule année pour un indice des prix publié donné, à titre de prévision pour la campagne agricole. Pour les prévisions de l’indice des prix du matériel – nous avons utilisé l’IPPI de Statistique Canada – Produits fabriqués de métal et matériaux de construction. Tableau 18-10-0265-01 (SCPAN code P63) IP matériel 2025-2026 = [A] × StatsCan [2024/2023] où A égale à l’IP matériel 2024-2025 |
Annexe B
| Paramètres des erreurs | Ce paramètre mesure quoi? |
|---|---|
| Erreur cumulative | Accumulation totale de chacune des erreurs dans une série de calculs. Sa valeur totale indique le biais global du modèle. |
| Erreur type de la moyenne | Calcule la moyenne des erreurs de prévision dans un ensemble de données. Une erreur correspond à la différence entre les valeurs estimées et les valeurs réelles. Les valeurs positives indiquent que le modèle surestime les prévisions, tandis que les valeurs négatives signifient qu’il les sous-estime. |
| Erreur absolue moyenne (Mean Absolute Error - MAE) | La MAE est la somme moyenne des écarts absolus entre les valeurs prédites et les valeurs réelles. Elle constitue un indicateur fiable que le modèle est adéquat et que les prévisions globales sont précises. |
| Racine de l’erreur quadratique moyenne (RMSE) | Mesure la différence moyenne entre les valeurs prédites et les valeurs réelles d’un modèle. Une RMSE basse signifie que les prédictions du modèle sont très proches des données réelles. Une RMSE élevée indique des erreurs de prédiction plus marquées. |
| Écart-type de l’erreur | Un écart-type élevé signifie que l’erreur varie considérablement d’une année à l’autre. |
| Coefficient de variation | Le coefficient de variation, calculé en divisant l’écart-type par la moyenne, est une mesure relative de la variabilité qui indique l’ampleur de la dispersion des données par rapport à la moyenne. Une valeur supérieure à 1,0 indique un degré élevé de variabilité par rapport à la moyenne. |
Annexe C
Main-d’œuvre
| Paramètres | Méthode 1 : Statu quo | Méthode 2 : Statu quo modifié | Méthode 3 : Taux de croissance moyen mobile sur 3 ans | Méthode 4 : Taux de croissance moyen mobile sur 5 ans | Méthode 5 : Taux de croissance sur 5 ans de CPKC | Méthode 6 : Indice des gains horaires de CN | ||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| CN | CPKC | CN | CPKC | CN | CPKC | CN | CPKC | CN | CPKC | CN | CPKC | |
| Erreur cumulative | -2,3% | -5,97% | 14,7% | 49,2% | 0,30% | -3,6% | 3,6% | -0,04% | 4,1% | 2,0% | 11,4% | 21,27% |
| Erreur-type de la moyenne | -0,23% | -0,60% | 1,5% | 4,9% | 0,03% | -0,36% | 0,36% | -0,004% | 0,41% | 0,20% | 1,1% | 2,1% |
| Erreur absolue moyenne | 3,1% | 3,2% | 3,0% | 6,9% | 4,6% | 2,3% | 4,6% | 2,3% | 4,7% | 2,3% | 1,9% | 2,1% |
| Racine de l’erreur quadratique moyenne (RMSE) | 3,6% | 3,8% | 3,7% | 9,2% | 5,2% | 2,6% | 5,3% | 2,8% | 5,4% | 2,6% | 2,4% | 2,4% |
| Écart-type de l’erreur (STDEV) | 3,8% | 3,9% | 3,6% | 8,2% | 5,5% | 2,7% | 5,5% | 2,9% | 5,7% | 2,8% | 2,2% | 1,1% |
| Coefficient de variation (CV) | 1,23 | 1,24 | 1,20 | 1,19 | 1,20 | 1,19 | 1,21 | 1,28 | 1,21 | 1,22 | 1,21 | 0,53 |
Carburant
| Paramètres | Méthode 1 : Statu quo | Méthode 2 : Statu quo modifié | Méthode 3 : Taux de croissance moyen mobile sur 3 ans | Méthode 4 : Taux de croissance moyen mobile sur 5 ans | Méthode 5 : Taux de croissance sur 5 ans de CPKC | Méthode 6 : IPPI carburant diesel de CN | ||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| CN | CPKC | CN | CPKC | CN | CPKC | CN | CPKC | CN | CPKC | CN | CPKC | |
| Erreur cumulative | -13,6% | -10,8% | -7,5% | -2,5% | 135% | 121% | 76% | 67% | 85% | 77% | 67,0% | 63,6% |
| Erreur-type de la moyenne | -1,36% | -1,08% | -0,75% | -0,25% | 13,5% | 12,1% | 7,6% | 6,7% | 8,5% | 7,7% | 6,70% | 6,36% |
| Erreur absolue moyenne | 11,5% | 10,7% | 12,2% | 11,6% | 43% | 41% | 32% | 29% | 33% | 30% | 32,9% | 32,5% |
| Racine de l’erreur quadratique moyenne (RMSE) | 14,6% | 13,6% | 15,0% | 13,8% | 49% | 45% | 37% | 34% | 39% | 35% | 41,1% | 40,0% |
| Écart-type de l’erreur (STDEV) | 15,3% | 14,3% | 15,8% | 14,5% | 50% | 46% | 39% | 35% | 40% | 36% | 43% | 42% |
| Coefficient de variation (CV) | 1,33 | 1,33 | 1,30 | 1,25 | 1,16 | 1,11 | 1,21 | 1,18 | 1,23 | 1,20 | 1,30 | 1,28 |
Matériel
| Paramètres | Méthode 1 : Statu quo | Méthode 2 : Statu quo modifié | Méthode 3 : Taux de croissance moyen mobile sur 3 ans | Méthode 4 : Taux de croissance moyen mobile sur 5 ans | Méthode 5 : Taux de croissance sur 5 ans de CPKC | Méthode 6 : IPPI - indice des produits fabriqués de métal | ||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| CN | CPKC | CN | CPKC | CN | CPKC | CN | CPKC | CN | CPKC | CN | CPKC | |
| Erreur cumulative | -44,6% | -41,6% | -87,4% | -70,6% | 8,7% | -1,8% | -7,9% | -14,6% | -7,7% | -14,1% | 17,5% | 17,3% |
| Erreur-type de la moyenne | -4,5% | -4,2% | -8,7% | -7,1% | 0,87% | -0,18% | -0,79% | -1,46% | -0,77% | -1,41% | 1,75% | 1,73% |
| Erreur absolue moyenne | 7,4% | 5,3% | 9,0% | 7,3% | 8,8% | 5,39% | 8,5% | 5,2% | 8,4% | 5,0% | 5,8% | 5,2% |
| Racine de l’erreur quadratique moyenne (RMSE) | 9,2% | 6,8% | 10,4% | 8,2% | 10,9% | 7,06% | 10,1% | 6,9% | 10,1% | 6,8% | 8,0% | 6,9% |
| Écart-type de l’erreur (STDEV) | 8,4% | 5,6% | 5,9% | 4,3% | 11,5% | 7,44% | 10,6% | 7,1% | 10,6% | 7,0% | 8,21% | 7,0% |
| Coefficient de variation (CV) | 1,15 | 1,06 | 0,66 | 0,60 | 1,30 | 1,38 | 1,26 | 1,35 | 1,26 | 1,38 | 1,42 | 1,36 |
Étapes clés
| Date | État |
|---|---|
le 22 septembre 2026 | Dernier jour pour envoyer vos commentaires sur les résultats des essais |
le 7 octobre 2026 | Soumissions publiques publiées en ligne |
- Date de modification :