Fermer Overlay

Des modèles intégrés économie-climat ‘clés en main’ pour les entreprises ?

Jean-Charles Hourcade

Directeur de Recherches Emérite CNRS, CIRED, UMR 8568, CNRS, Ponts Paristech, Agro Paristech, EHESS, CIRAD,

La question posée dans le titre de cet article ne l’aurait pas été il y a quelques années. Les acteurs industriels se comportaient depuis 1992 (adoption de la Convention Climat à Rio de Janeiro) en observateurs des travaux de prospective synthétisés par le GIEC, appuyaient des réseaux scientifiques pour y voir plus clair1 mais ne ressentaient nul besoin de se doter de capacités internes de prospective.

Les choses ont changé depuis 2015, d’abord dans le secteur financier après le discours de Mark Carney sur la ‘Tragedy of the Horizon’. S’est alors répandue l’idée de ‘transparence climatique’, le fait que les acheteurs de titre doivent être informés des risques climatiques que comportent les portfolios financiers qui leur sont proposés. Émergera alors en Europe une ‘taxonomie’ pour que les opérateurs financiers alignent leurs portfolios sur une neutralité carbone en 2050. En parallèle, on a assisté à la montée de mouvements ‘blame and shame’ et à l’annonce d’objectifs climatiques renforcés avec des impacts immédiats sur des secteurs industriels majeurs, l’automobile par exemple.

Ce contexte a créé pour les entreprises un besoin d’expertise (bilan carbone, stress tests, alignement sur la neutralité carbone). Les scénarios de l’IAE ont souvent servi de référence pour les acteurs financiers, mais certains ont mobilisé des cercles d’experts pour produire des outils sui generis. De tels outils montrent vite leurs limites, ne serait-ce que par la difficulté de calculer les bilans-carbone dits ‘scope 3’, c’est-à-dire une fois intégrées toutes les interactions entre secteurs et pays. La question se pose alors de l’utilisation directe par les entreprises des modèles intégrés mobilisés par le GIEC via des interfaces permettant de s’approprier leurs résultats ou via des modèles ‘clefs en main’.

C’est cette dernière hypothèse, aujourd’hui a priori peu crédible, que nous explorerons ici parce qu’elle est porteuse de questions importantes dont on pourra peut-être tirer des dispositifs permettant de minimiser les écarts entre annonces et réalité dans l’action climatique.

1. Quels besoins des entreprises pour quelles questions ?

Les questions que se posent les entreprises autour des enjeux climatiques relèvent de quatre registres : les choix de R&D (hydrogène, batteries, matériaux), les stratégies industrielles au long cours (quelles filières, pour quels marchés ?), les décisions immédiates d’investissements et la restructuration des portefeuilles financiers. Ce dernier registre est dominant chez les entreprises financières, les entreprises industrielles étant concernées par les trois premiers avec des pondérations différentes selon leur taille et leur domaine d’activité.

La première difficulté pour répondre à ces quatre types de questions vient de la tentation compréhensible du calcul d’empreintes carbone des options techniques et des écarts de coût entre une option fortement et faiblement émettrices. Or, ni la contribution carbone des options techniques, ni leur coût économique pour un service rendu (production d’électricité, tonne transportée par kilomètre etc …) ne sont des caractéristiques intrinsèques de ces options. La première dépend de sa place dans le système technique (une chaudière 50% plus efficace fait gagner 50 kWh si le besoin en chauffage est de 100 kWh, 10 kWh si le bâtiment est cinq fois mieux isolé). Le bilan carbone d’une installation éolienne dépend de sa productibilité et du contenu carbone des énergies utilisées pour pallier son intermittence. Son coût pour l’investisseur, lui, dépend des prix du travail, du capital et des composants qui entrent dans sa fabrication, des coûts des transports de mise à disposition des clients et du coefficient-risque de l’investissement, autrement dit de paramètres économiques qui varient dans le temps et l’espace.

Une deuxième difficulté est que, via la hausse des prix de l’énergie et la réallocation du capital, une transition bas-carbone accélérée peut provoquer des ruptures quant au taux de croissance et à la structure des marchés. Or l’évolution de ces paramètres résulte de synergies entre les mécanismes économiques (impact de la propagation intersectorielle des prix sur le pouvoir d’achat) et des déterminants politiques aussi divers que les réformes fiscales visant à limiter les impacts de la hausse des prix de l’énergie, les politiques budgétaires et monétaires ou de décisions géopolitiques (stratégies de l’OPEP sur les prix du pétrole, mesures protectionnistes, etc.).

Aux écarts entre scénarios qui viennent d’hypothèses différentes sur les potentiels techniques et les politiques économiques incitant à leur exploitation, se rajoute l’incertitude qui pèse sur la soutenabilité même de ces politiques en cas de résistance des populations à de fortes hausses des prix de l’énergie ou de réactions négatives des marchés des capitaux face à une explosion des déficits publics.

Un besoin de modélisation économique se fait donc sentir pour aider la décision privée à hiérarchiser ces incertitudes en fonction de leur ampleur et de leur échelonnement dans le temps. Certaines jouent surtout sur le court terme et sont importantes pour le réajustement continu des portfolios du secteur financier face aux conséquences des politiques de transition écologique (et de leurs fluctuations). D’autres jouent sur les paquets technologiques à très long terme. On peut alors rencontrer certaines options qui s’imposent dans tous les cas de figure, mais aussi des configurations d’équilibres multiples comme on l’a vu après le premier choc pétrolier avec une France qui décidait d’articuler son système énergétique autour du nucléaire quand l’Allemagne et l’Italie l’excluaient.

Nous allons donc voir comment les modèles intégrés, dits Integrated Assessment Models (IAM) peuvent aider à répondre à ce besoin avant d’examiner comment mieux utiliser leur potentiel.

2. Potentiels et limites des modèles intégrés ‘tels qu’ils sont’

Les IAM visent à représenter les liens entre activités économiques et climat en incorporant des formes simples de cycle du carbone. Ils héritent principalement des modèles énergétiques développés dans les années soixante-dix et quatre-vingt et essaient de dépasser les limites des modèles ‘bottom-up’, qui décrivent des systèmes énergétiques au sens de l’ingénieur mais raisonnent à contexte économique constant, et celles des modèles dits ‘top-down’, modèles macroéconomiques qui n’intègrent l’énergie que sous forme de facteur de production agrégé. Après vingt ans d’efforts, il en résulte une grande diversité de ‘modèles hybrides’ (Hourcade et al., 2006) qui diffèrent par leur degré de:

– précision technologique : les IAM sont surtout riches en information sur l’offre d’énergie avec un grand niveau de détails sur les options techniques mobilisées et les besoins d’investissement. Côté demande, l’efficacité énergétique et les modes de consommation sont aussi représentés de façon explicites. En revanche, si les IAM intègrent les autres secteurs en tant que postes de demande, et décrivent leurs interdépendances, ils sont pour la plupart très limités dans la description de leur dynamique interne. Peu d’entre eux décrivent les liens entre dynamiques de mobilité, prix du foncier et de l’immobilier et choix publics d’infrastructures. De même, rares sont ceux qui endogénéisent les modifications dans les chaînes de valeur industrielle suite à des changements de procédés 

– réalisme dans la description des comportements et des marchés : comme le signalait le résumé pour décideurs du quatrième rapport du GIEC (2007) : « Most models use a global least cost approach to mitigation portfolios and with universal emissions trading, assuming transparent markets, no transaction cost, and thus perfect implementation of mitigation measures throughout the 21st century. ». Le point central est que les modèles considèrent que les techniques sont adoptées par un ordre décroissant de mérite, fixé en fonction de leurs coûts actualisés. Or l’actualisation gomme l’importance du profil temporel des cash flows et des risques associés aux coûts initiaux de projets à forte intensité en capital (phase de préparation et de construction, performances techniques en conditions réelles). Ces calculs reviennent à considérer un monde avec allocation parfaite des capitaux sans expliciter les liens entre risques, coûts et modes de financement.

– complexité des dynamiques macro-économiques : n’intégrant pas de biais d’anticipation et des marchés imparfaits, la plupart des modèles intégrés décrivent des trajectoires équilibrées, sans chômage ou sous-investissement. Contrairement à l’idée diffusée par certains experts et think-tanks, ces modèles endogénéisent bien les effets négatifs de la contrainte carbone sur la croissance via la hausse des prix de l’énergie et les effets d’éviction des investissements bas carbone2. Leur vraie limite n’est pas là. Elle réside dans le fait qu’ils calculent une trajectoire sous contrainte carbone elle aussi en équilibre, ce qui revient à admettre que l’enclenchement de la transition ne pose pas de problème. Seuls les modèles avec déséquilibre ou au minimum des équilibre suboptimaux – avec chômage conjoncturel peuvent représenter les frictions de la transition et les incertitudes qu’elles engendrent.

Compte tenu de ces limites, on peut examiner comment les IAM peuvent aider à révéler les degrés d’incertitude qui constituent l’information centrale pour les financiers :

Stress tests ; une confusion persiste qui remonte au concept de ‘risques physiques’ lancé par Marc Carney qui a conduit à penser qu’il y a une relation homothétique entre risques physiques, risques économiques et risques financiers (cfr. les ‘guidelines’ de la Task-force on Climate-Related Financial Disclosures (TCFD)). Or ces derniers sont faibles pour les gestionnaires d’actifs qui restructurent en permanence leurs portefeuilles. Si une vallée est affectée par de violents orages récurrents ou des maisons de front de mer menacées par la montée des eaux, les deux phénomènes sont suffisamment lents pour que les assureurs s’en désengagent. Pour le secteur financier, ce sont les cycles politico-médiatiques et leur impact sur les politiques climatiques et la croissance qui risquent d’avoir le plus d’impact financier à court terme, ce qui rejoint le point suivant.

Choix d’investissements : sur le court et moyen terme, les rétroactions macro-économiques peuvent avoir un effet de premier ordre dès qu’on intègre des déséquilibres et des inerties technico-institutionnelles, (Waisman, 2012) avec des pertes de PIB ou des changements des prix relatifs très significatifs qui peuvent mettre en cause la viabilité des investissements bas carbone. Les IAM permettent de saisir les ordres de grandeur en jeu et alimenter des calculs de risque. Le point crucial ici est de bien distinguer la nature des incertitudes, en sachant qu’un jugement nécessairement subjectif sur la plausibilité des divers jeux d’hypothèses, y compris sur la soutenabilité des politiques menées, est incontournable.

Choix stratégiques et R&D : c’est ici que les IAM donnent les résultats les plus robustes en mettant en cohérence des informations disponibles et des conjectures sur les potentiels d’innovation et les dynamiques économiques futures (Crassous et al ; 2006). On retrouve ici l’importance d’un jugement informé sur la plausibilité des diverses combinaisons d’hypothèses. L’important, en plus du test de la robustesse de certains choix et la possibilité d’équilibres multiples, est le dépassement des difficultés liées aux différences entre scope 1, scope 2 et scope 3 par l’évaluation de l’additionnalité en termes de carbone évité d’un investissement dans un pays donné et un secteur d’activité donné en même temps que sa contribution au développement (emploi, co-bénéfices environnementaux).

3. Bon usage de l’état de l’art ou modèles clefs en main ?

L’utilisation des IAM par les acteurs économiques butte très vite sur la maîtrise des hypothèses sous-jacentes à l’échantillon de scénarios retenu, l’accès à des calculs intermédiaires intéressants mais non publiés et le niveau souvent inadéquat de granularité sectorielle, spatiale et temporelle. Une entreprise ou un acteur financier ne pourra par exemple se satisfaire de projections d’une énergie renouvelable générique, d’un secteur ‘industries lourdes’ ou de quantités de voyageurs-kilomètres et aura besoin d’analyses plus désagrégées et de mailles plus fines de résolution spatiale. On peut en principe répondre à ce besoin par un dialogue approfondi avec les modélisateurs et les experts des entreprises, mais le risque est que la diversité des demandes devienne très vite ingérable pour les équipes de recherche actuellement non équipées pour ce faire. De plus, idéalement, un tel dialogue devrait intégrer l’étude de chocs impliquant des possibilités de transition abrupte d’un scénario à un autre.

L’autre option est que, se dotant d’une capacité de modélisation propre, l’acteur économique puisse contrôler l’écriture des scénarios, les tests de sensibilité et obtenir un degré souhaitable de granularité. Mais, pour réussir, il faut qu’il regroupe en interne des compétences en macroéconomie, en économies sectorielles (énergie, transport, bâtiment, matériaux, agriculture et foresterie) et en sciences de l’ingénieur. Les très grands opérateurs peuvent certes espérer avoir les moyens financiers et humains de le faire. Le pari est donc risqué d’espérer dépasser en peu de temps les limites d’un état de l’art résultant de décennies d’efforts de dizaines d’équipes de recherche. Par ailleurs, la production d’une pluralité de modèles en dehors des scènes de confrontation académique exposera nécessairement l’entreprise à des controverses peu contrôlables, ce qui peut être contre-productif dans un contexte de ‘name and shame’.

On peut essayer d’éviter les impasses de ces deux options (dialogue avec une équipe de recherche et développement d’une capacité de modélisation propre) en revenant au fait que tout modèle intégré repose sur trois piliers : un moteur de croissance fait de relations macroéconomiques, une représentation des marchés qui fixe les échanges en quantités et valeurs et une description des domaines d’activité. Son rôle est d’intégrer des savoirs disciplinaires éclatés grâce à une représentation cohérente des flux physiques et économiques avec des équilibres entre valeurs et quantités à chaque instant du temps et la déformation de cet équilibre au cours du temps. La principale limite à cet exercice réside dans le lien entre temps de calcul, contrôle de la validité et la pertinence des résultats et de correction. C’est pourquoi l’art de la modélisation intégrée est celui des arbitrages sur les niveaux de granularité et la façon dont les dynamiques sectorielles et spatiales, à un niveau donné de granularité sont bien liées au cœur macro-économique du modèle (via des modèles techniques simplifiés voire de simples formes réduites) et ne se déploient de façon autonome. Le plus gros de l’effort consiste en la vérification de la cohérence et de la pertinence des arbitrages effectués pour saisir ces interactions. Une fois validée une version d’un modèle, il est alors possible, très souvent, de descendre en granularité tant qu’on est certain que cela n’affecte pas la dynamique du système représenté (par exemple désagréger un secteur ‘industries lourdes’ en ciment, acier, non-ferreux, etc.). En revanche, il y a des gains en granularité qui exigent des transformations sur la structure même du modèle. Il en est ainsi de l’introduction des prix de l’immobilier ou des infrastructures logistiques dans la dynamique des secteurs de la construction et des transports.

Cela ouvre la voie à un partenariat recherche – monde économique où les modélisateurs ouvriraient l’accès aux entreprises à des versions stabilisées des modèles, actualisées par exemple tous les deux ans, tout en gardant toute liberté pour améliorer leurs modèles et données de base, et intégrer dans leur agenda de recherche sur la structure même des modèles, à la fois les questions des entreprises et celles qu’ils jugent utiles pour éclairer les enjeux économiques et sociaux de la transition bas carbone. Les entreprises auraient donc bien ‘clef en main’ un outil de modélisation à partir duquel elles pourraient dériver ad nutum des extensions en fonction de leurs préoccupations spécifiques.

Mais un prérequis est qu’un ‘club’ d’acteurs économiques soient d’accord pour participer à une forme de ‘bien public’ via la progression des versions stabilisées des modèles et des bases de données partagées au-delà de leur intérêt individuel direct. Leur intérêt indirect est l’émergence d’un business environment stabilisé grâce à un dialogue maîtrisé entre puissances publiques, entreprises et société civile. Celui-ci permettrait des discussions mieux informées sur l’empreinte carbone et, par exemple, une anticipation des effets pervers d’une application mécanique de la taxonomie européenne3. Il aiderait les gouvernements et régulateurs pressés par des requêtes mobilisant des informations fragiles et fragmentées, à éviter des solutions porteuses d’effets pervers.

Conclusion : des obstacles institutionnels et scientifiques à lever

La mise à disposition des modèles intégrés ‘clefs en main’ aux entreprises est donc conceptuellement envisageable sous la forme de l’accès des entreprises à une version stabilisée d’un modèle, les équipes de recherche ayant pour responsabilité de fournir périodiquement, tous les deux ans par exemple, une nouvelle version améliorée en fonction de l’expérience acquise. Le prérequis est institutionnel. C’est l’invention d’un type de partenariats public-privé incitant les entreprises à s’engager dans la co-construction d’un ‘bien commun’ ou au moins ce que les économistes appellent un ‘bien de club’ avec accès à ce bien d’un ensemble de partenaires.

Un autre prérequis est d’ordre scientifique. Un modèle intégré est d’abord un outil de dialogue entre domaines de connaissances. Or une des limites pour qu’il joue pleinement ce rôle vient du fait que les communautés scientifiques à mobiliser restent éclatées. Malgré des progrès réels, les communautés travaillant sur les dynamiques urbaines, l’agriculture et l’occupation des sols, l’habitat ou les transports travaillent de façon très fragmentée, et avec des contacts fort rares avec les travaux en macroéconomie et macro-finance, ce qui est gênant pour éclairer les politiques

En dehors des réflexes de repli disciplinaire, cette situation s’explique par un verrou scientifique précis, la constitution de bases de données cohérentes en quantités physique et en valeur, organisées. C’est conceptuellement possible grâce aux potentiels des représentations matricielles pour organiser les échanges entre domaines d’activités et espace, pour peu (et c’est un défi intellectuel en soi) que celles-ci soient organisées autour de nomenclatures et de formes réduites de modèles sectoriels qui soient partagées par toutes les disciplines mobilisées. Le principal obstacle, jusqu’ici, est calculatoire, non pour la résolution numérique des modèles bien sûr, mais en raison du temps qu’il faut pour interpréter les sorties, détecter des résultats non crédibles, comprendre s’ils viennent d’erreurs dans les données de base, de formes fonctionnelles inadaptées ou de cumuls d’écarts entre valeurs approximées et ‘vraies’ valeurs. Si on rajoute le temps qu’il faut pour procéder aux corrections nécessaires on a là un obstacle majeur à l’évolution des modèles dans un processus d’apprentissage maîtrisé entre équipes de recherche et entreprises.

Ces obstacles ne seront pas levés en quelques années mais il est possible aujourd’hui d’envisager une nouvelle génération d’IAM grâce aux potentialités ouvertes par les progrès en différentiation algorithmique. Les gains en temps de résolution numérique qu’ils permettent peuvent être utilisés pour réduire les temps de détection-correction des erreurs. Les modules d’exploitation des résultats construits pour ce faire peuvent devenir aisément la base d’interfaces permettant aux entreprises de développer des modules répondant à leurs besoins spécifiques. Ils peuvent aussi aider à mobiliser des connaissances souvent négligées en mettant les versions stabilisées à disposition d’équipes de recherche travaillant dans d’autres pays.

Il ne serait plus alors utopique de mettre des modèles intégrés à la disposition des entreprises mais aussi d’acteurs économiques comme les collectivités locales voire les syndicats de salariés. C’est une affaire d’efficacité et de bonne conduite d’une transition écologique mais aussi, in fine, de qualité du débat démocratique.

Bibliographie

F. Ghersi, J.C. Hourcade, J Lefèvre, P.Tankov, S. Voisin Les modèles intégrés économie–climat :quels usages pour quelles décisions ? Opinions et Débats, N°23 Septembre 2021

JC Hourcade, M Jaccard, C Bataille, F Ghersi  Hybrid modeling: new answers to old challenges introduction to the special issue of the energy journal The Energy Journal 2006, 2 (Special issue), pp.1-12.

H Waisman, C Guivarch, F Grazi, JC Hourcade, The Imaclim-R model: infrastructures, technical inertia and the costs of low carbon futures under imperfect foresight, Climatic Change 2012, 114, pp 101-120

R Crassous, JC Hourcade, O Sassi,: Endogenous technical change and climate targets, modelling experiments with Imaclim-R: The Energy Journal (2006)

1 Par exemple le programme pluriannuel soutenu par plusieurs entreprises françaises dans le cadre de Entreprises pour l’Environnement et qui a réuni le Cired et l’IEPE https

2 On trouve cette idée fréquemment dans des think tanks qui réfléchissent sur la décroissance ou chez un Jean-Marc Jancovici qui affirme, devant un public d’ingénieurs, que les IAM ne peuvent représenter des pertes de croissance puisque leur PIB est exogène https://www.youtube.com/watch?v=nfRbpqQu6kU . C’est factuellement faux, y compris dans le paradigme néoclassique le plus orthodoxe (Ghersi et al. 2021).

3 Par exemple, en se désengageant de secteurs ‘gris’ mais essentiels pour la transition comme la transformation des matériaux.