Comment gagner un mauvais procès ? Épisode II

Liminaire sur la notion de causalité

La notion de causalité n’a pas de définition juridique précise. Selon la jurisprudence, il relève de l’appréciation souveraine des juges de juger de l’existence d’un lien de causalité sur la base de la chronologie des faits, de la simultanéité de la faute et du dommage, du lien économique entre un comportement et un préjudice, etc.

En d’autres termes, il n’est pas possible d’établir de manière irréfragable un lien de causalité.

Il s’agit donc – pour la partie demanderesse – de convaincre le juge de l’existence d’un lien de causalité, et – pour la partie défenderesse – de le convaincre de son absence.

A notre sens, la méthode la plus efficace pour infirmer un lien de causalité est de la restreindre à des notions voisines mais moindres : la coïncidence, la concomitance ou la corrélation.

Selon les efforts déployés par la partie demanderesse pour défendre l’existence d’un lien de causalité entre les fautes allégués et les dommages chiffrés, il est possible de critiquer la causalité sous trois angles :

1. La coïncidence, que nous définirons comme l’occurrence simultanée de l’événement fautif et de l’événement préjudiciable;
2. la concomitance, que nous définirons comme l’occurrence conjointe de l’événement fautif et d’autres éléments susceptibles de causer l’événement préjudiciable (elle suppose donc l’existence d’un lien logique entre événement fautif et événement préjudiciable) ;
3. la corrélation, qui se caractérise par l’existence d’une relation mathématique entre l’événement fautif et l’événement préjudiciable.

La coïncidence

Il est pertinent d’évoquer une coïncidence lorsque (i) le lien logique/économique entre la faute allégué et le préjudice chiffré est peu évident et (ii) lorsque l’on ne constate pas de récurrence entre faute allégué et préjudice chiffré.

Si la demanderesse produit les éléments comptable suffisant, il est alors possible de proposer une analyse de régression entre la faute alléguée et ses précédents d’une part (mettons des actes de dénigrement) et le dommage d’autre part (mettons une baisse de la marge).

En l’absence de lien de corrélation entre les deux les éléments, il est possible de conclure à une coïncidence.

Contrairement à la coïncidence, la demanderesse a démontré cette fois un lien économique logique et proportionné entre la faute alléguée et le préjudice chiffré (le dommage).

Dans ce cas, l’idée est d’invoquer une concomitance de plusieurs causalités possibles et le dommage. Le cas de concomitance le plus souvent évoqué concerne une mauvaise gestion de la demanderesse, mais il est possible de trouver bien des causalités potentielles à une perte de marge.

Pour filer notre exemple, imaginons que les actes de dénigrement aient été proférés à l’encontre d’un restaurateur en 2020. Il sera assez facile d’invoquer la concomitance de la pandémie de la covid-19 et du dénigrement comme cause du chiffre d’affaires.

Il est possible de compléter l’argumentation par le calcul de coefficient de corrélation (de Spearmann ou de Pearson notamment) ; lesquels permettront soit une absence de corrélation entre la faute alléguée et le préjudice chiffrée, soit une corrélation moins forte qu’avec une autre variable (le covid-19 dans notre exemple).

Dans ce dernier cas, la demanderesse a en plus établi une corrélation entre la faute alléguée et le préjudice chiffré (le dommage), voire la démonstration dune relation causale par modèle mathématique.

Limites du coefficients de corrélation

Commençons par le cas d’une simple démonstration de corrélation : Il convient alors de démontrer que toute corrélation n’implique pas de causalité.

Il s’agit, en effet, d’un vieux sophisme ( « Cum hoc ergo propter hoc »[1]) qui consiste à prétendre que si un évènement X est corrélé positivement à un événement Y, alors X cause Y.

En réalité, une corrélation positive entre deux événements peut traduire plusieurs autres situations :

1. un hasard, sans la moindre incidence sur la causalité ;
2. une relation de causalité inverse (Y cause X : imaginons que ce soit la baisse du chiffre d’affaires de la société qui ait motivé un concurrent à lancer une campagne de dénigrement sur une société en perte de vitesse) ;
3. une relation systémique (X entraîne Y qui entraîne X qui entraîne Y, etc.), laquelle ne permet pas de conclure sur une causalité simple (le nombre d’œufs est corrélé au nombre de poules sans que l’on puisse dire que l’un cause l’autre) ;
4. une relation de causalité cachée (il existe une ou plusieurs variables cachées, pouvant être la cause commune des deux événements).

Cette dernière possibilité, très fréquente, est connue sous le nom d’effet cigogne.

Il y a quelques années des statisticiens avaient remarqué que le taux de natalité de communes dans lesquelles nichaient des cigognes était plus élevé que celui du reste du pays. Ce ne sont pourtant pas les cigognes qui apportent les bébés. L’explication réside dans la préférence pour les cigognes à nicher dans des villages ruraux plutôt qu’en milieu urbain (où la natalité est plus faible).

L’effet cigogne permet donc de rapprocher très facilement deux variables corrélées positivement qui n’entretiennent aucun lien de causalité (pour prendre un exemple absurde : le réchauffement climatique et le rétrécissement des sous-vêtements féminins sur les trois derniers siècles).

Limites des modèles de démonstration de causalité

Dans le cas où la demanderesse défendrait l’hypothèse d’un lien de causalité à partir de modèles plus complexes (visant notamment à contrôler les relations de causalité cachées), il convient de critiquer la construction-même des modèles.

Pour ce faire, la notion la fondamentale à retenir est celle de divergence de Kullback-Leibler ; laquelle mesure la déficience (ou sa divergence de la réalité) d’un modèle en fonction des biais que présentent son échantillon de construction (si des variables sont omises, ou non-observées par exemple).