L’application des modèles de diffusion de l’innovation dans l’analyse de la transition vers les énergies renouvelables

Les applications des modèles de diffusion de l’innovation dans le domaine des technologies d’ER sont limitées en comparaison de l’approche de la courbe d’expérience. Cependant, avec l’attention croissante accordée à la diffusion des ER durant ces dernières années, de nombreuses études ont appliqué les modèles de diffusion au secteur des ER afin de prévoir leurs modèles de croissance future. On peut citer, par exemple l’étude de Rao et Kishore (2010) qui ont présenté une revue de littérature des différents modèles de diffusion et leur applicabilité à l'analyse de diffusion des technologies des ER.

Purohit et Kandpal (2005) ont analysé les tendances de diffusion de quatre types de technologies d’ER pour le pompage de l'eau d'irrigation en Inde. Les auteurs ont analysé les futurs processus de diffusion en utilisant les modèles suivants : Bass, Gompertz, logistique et Pearl. Ils ont montré que le potentiel des technologies d’ER est atteint le plus rapidement dans le cas du modèle logistique, alors que la diffusion en suivant le modèle de Gompertz est la plus lente. Les deux modèles restants, c'est-à-dire Bass et Pearl représentent une tendance de diffusion intermédiaire par rapport aux deux premiers. Les auteurs ont conclu que, dans le cas de l’Inde, même avec des hypothèses très optimistes, la diffusion des technologies des ER pour le pompage de l'eau d'irrigation ne peut pas atteindre son potentiel maximum estimé dans 25 ans.

Rao et Kishore (2009) se sont intéressés aussi au cas de l’Inde en étudiant les modèles de diffusion de la technologie de l'énergie éolienne, dans plusieurs États indiens, tout en appliquant le modèle de Bass. Les données à l’échelle des États concernant la capacité installée cumulée de l'énergie éolienne sont utilisées pour classer la diffusion dans quatre États. L’indice composite de politique (Composite Policy Index) de chaque État est

65 calculé afin de prouver l'existence d'une corrélation générale entre cet indice et les paramètres de diffusion. Il a été constaté que le modèle de diffusion fournit une bonne base non seulement pour l'étude des marchés de produits de consommation, mais aussi pour l'étude des équipements à forte intensité de capital tels que les générateurs dans le cas de l’énergie éolienne.

Guidolin et Mortarino (2010) ont examiné l'effet du facteur institutionnel et son interaction avec la diffusion des sources d’ER en utilisant le Modèle Généralisé de Bass (MGB). Les auteurs ont modélisé la fonction d'intervention du MGB à travers deux types de fonction de choc : une perturbation drastique a été décrite par une fonction exponentielle alors qu’une perturbation plus stable a été décrite par une fonction rectangulaire. Ils ont analysé les modèles de diffusion du solaire PV pour les onze pays sélectionnés afin de choisir un modèle adapté à chaque pays parmi les différentes variantes du modèle de Bass. Leur analyse a porté uniquement sur les marchés domestiques du solaire PV, sans prendre en compte la dynamique concurrentielle avec d'autres sources d’ER.

Valle et Furlan (2011) ont utilisé un modèle similaire à celui de Guidolin et Mortarino (2010) tout en introduisant les effets d'incitation comme étant des dynamiques exogènes dans le MGB afin d’expliquer les cycles de vie de l'énergie éolienne, aux États- Unis et dans certains pays européens. Les interventions externes représentées par deux fonctions de choc différentes ont été incorporées dans le MGB. Avec ce MGB modifié, les auteurs ont pu identifier les politiques qui correspondent au choc individuel et son impact sur la diffusion de la technologie de l'énergie éolienne. Ils ont également trouvé que, parmi plusieurs modèles de diffusion, le MGB a eu la meilleure performance en matière de précision des prévisions.

Harijan et al. (2011) ont fait des prévisions concernant la diffusion de l'énergie éolienne sur le marché pakistanais, jusqu'à 2030, en utilisant le modèle logistique et une approche analogue aux expériences en Inde. Trois scénarios de politique (standard, modéré et optimiste) ont été utilisés afin de prévoir les tendances de diffusion. Ils ont montré qu’environ 42%, 58% et 73% du potentiel du pays pour la production d'énergie éolienne pourrait être exploité en 2030 selon chaque scénario.

Davies et Diaz-Rainey (2011) ont analysé la diffusion de l'énergie éolienne, dans 25 pays de l'OCDE, en testant plusieurs propositions relatives au modèle logistique et au

66 modèle de Bass. Les auteurs ont examiné la différence entre les modèles de diffusion induits qui intègrent les outils et les mécanismes d’intervention de l’État et les modèles de diffusion classiques avec aucune intervention. Ils ont montré comment les effets de la diffusion induite pourraient être modélisés grâce à une série d'analyses et ils ont suggéré plusieurs implications politiques pour amorcer la diffusion de l'énergie éolienne. Ils ont souligné que, dans des études de cas plus détaillées spécifiques à un pays, il serait souhaitable d'intégrer des facteurs tels que les prix relatifs des facteurs et les technologies concurrentes.

En plus des travaux mentionnés ci-dessus, il est nécessaire de résumer brièvement d'autres recherches sur la diffusion des technologies d’ER. Chen, Chen et Lee (2010) ont analysé le cycle de vie technologique de l'hydrogène et des piles à combustible en intégrant des analyses bibliométriques et des analyses de brevet dans le modèle logistique. Purohit et Michaelowa (2007) et Purohit (2008 ; 2009) ont utilisé le modèle logistique pour estimer le potentiel du mécanisme de développement propre pour la cogénération de bagasse, les petits projets hydroélectriques et les projets de gazéification de biomasse. Lund (2006) a analysé les taux de pénétration du marché de onze différentes technologies énergétiques nouvelles en utilisant le modèle d'influence interne (Internal Influence Model). Tous ces articles sont de bons exemples de recherches sur les technologies des ER en utilisant des modèles de diffusion de l'innovation.

Parmi les études les plus récentes et les plus élaborées dans le domaine de l’étude de la diffusion des technologies des ER, on peut citer celle de Huh et Lee (2014). Les auteurs partent du constat suivant : les modèles de diffusion de l’innovation qui étudient les ER ne prennent pas en compte la concurrence entre les différents types d’ER, c’est pour cela que cette étude intègre la concurrence entre cinq types d’ER afin de faire des prévisions plus précises. En effet, une prévision précise de la demande d’une technologie est très importante non seulement pour la finalisation de la stratégie d'une entreprise, mais aussi pour l'élaboration d'une politique nationale. Dans cette étude, la méthode utilisée pour la prévision de la demande et du modèle de croissance des ER est développée sur la base d'un modèle de diffusion de l'innovation. De ce fait, cette méthode se base sur deux étapes de prévision de la demande. La première étape est une estimation du coût actualisé de l'énergie (Levelized Cost of Energy : LCOE) de chaque type d’ER, qui est considéré comme un facteur clé de la concurrence. La fonction de prix de Bayus (1993) est utilisée pour l'estimation et la prévision du LCOE. La seconde étape est la prévision des modèles

67 de croissance des 5 types d’énergie étudiées en utilisant le modèle de diffusion modifié de Hahn et al. (1994) qui utilise le LCOE prévu comme une variable.

Bien que l’étude faite par Huh et Lee (2014) soit très bien élaborée, elle présente néanmoins des limites comme toute autre modélisation. En effet, cette étude n'a pas tenu compte des interventions de l’État qui peuvent affecter l’offre des sources d’ER. Elle a plutôt mis l’accent sur le cadre conceptuel et méthodologique et la modélisation en parcimonie. Cependant, la politique du gouvernement affecte fortement la diffusion des sources d’ER. Il est donc recommandé de prévoir la demande selon un environnement futur en supposant plusieurs scénarios de politique, comme suggéré dans Harijan et al. (2011).

2.2. Les limites de l’approche basée sur les modèles de diffusion de