Evolution de la demande de transport par les autres secteurs

Le contenu en fret de la croissance économique est directement relié, dans le modèle, à l’évolution des coefficients de consommation intermédiaire de transport de tous les autres secteurs productifs de l’économie. La forme de la structure des coûts de production du transport de fret permet d’amortir significativement l’impact d’une variation des prix des énergies sur le prix final du transport facturé aux secteurs productifs. Et compte tenu de l’importance de l’incertitude qui pèse sur l’évaluation de la réaction des entreprises à des variations, assez minimes, des prix du transport dans leur décision d’organisation de la production, nous avons décidé de fixer l’évolution de ces paramètres de façon exogène comme des variables de scénario. Ainsi, dans la spécification de référence, conformément aux tendances historiquement observées, ces coefficients de consommation intermédiaire sont maintenus constants. Dans les scénarios avec politiques climatiques, les hypothèses de réorganisation des activités ou des zones urbaines peuvent nous conduire à supposer un découplage de la consommation de transport et de la croissance.

6 Le progrès technique

L’induction du changement technique par les conditions de marché intervient sur différents paramètres en fonction des modules dynamiques sectoriels.

Lorsque l’évolution dynamique des coefficients techniques énergétiques est associée à une procédure de choix des agents économiques parmi des portefeuilles de technologies identifiées nous pouvons intégrer dans notre cadre de modélisation les spécificités communément adoptées dans les modèles « bottom-up » du secteur énergétique pour effectuer une description endogène du progrès

technique. L’évolution dynamique du coût en capital des technologies concernées est ainsi reliée au cumul des capacités installées via des courbes d’apprentissage mondiales qui sont caractérisées par

un taux d’apprentissage constant et une asymptote limite à la décroissance des coûts (cf. chapitre 1,

section 2.3.1). Le choix d’une courbe d’apprentissage à l’échelle mondiale traduit une hypothèse de diffusion parfaite de l’innovation entre les différentes régions et sous-entend la présence d’externalités positives de connaissance importantes associées à ces progrès. Le secteur de la production d’électricité et les véhicules automobiles sont concernés par cette spécification. Dans le secteur de la production d’électricité, le processus d’apprentissage qui permet la décroissance du coût en capital des technologies est aussi associé à une amélioration de leur rendement avec des marges de progrès pour ces paramètres qui sont calibrées sur le modèle du secteur énergétique POLES (LEPII-EPE, 2006).

Nous avons adopté une stratégie de modélisation différente lorsque l’évolution des coefficients techniques énergétiques n’est pas associée à une procédure de choix des agents parmi des technologies identifiées. Dans ces cas, l’évolution des coefficients techniques est déterminée, à

l’échelle de chaque secteur, par une fonction de réaction aux niveaux des prix des énergies ou de la taxe carbone. Cette spécification s’applique en particulier pour les cœfficients techniques des secteurs de l’industrie, de l’agriculture et des services (cf. section 5.1) ainsi que pour les

consommations d’énergies associées aux usages résidentiels (cf. section 5.2). Dans ces cas, nous

avons choisi de mettre en place des courbes d’apprentissage qui modifient la forme des fonctions de réaction sectorielles.

Pour les secteurs de production (industrie, agriculture, services), l’apprentissage concerne le niveau de taxe carbone minimal permettant d’obtenir une valeur maximale pour les gains annuels supplémentaires. La décroissance de ce niveau de taxe est paramétrée par une hypothèse sur le taux d’apprentissage et reliée à l’évolution du cumul des capacités de production installées qui ont bénéficié des gains supplémentaires d’efficacité énergétique. Nous formulons aussi une hypothèse sur un niveau d’asymptote en dessous de laquelle le niveau de taxe minimal ne peut pas descendre. Ainsi le niveau de taxe de 150 $/tCO2 qui permet d’obtenir des gains d’efficacité énergétique de 2,5 % par an s’ajoutant à la trajectoire d’amélioration autonome d’efficacité énergétique (cf. section 5.1

pour une description de la fonction) peut décroître jusqu’à la valeur limite de 75 $/tCO2 avec un taux d’apprentissage de 8%. Comme pour les autres technologies, la courbe d’apprentissage est mondiale.

Pour le secteur résidentiel, l’apprentissage concerne le niveau minimal de taxe assurant un taux de pénétration maximal des bâtiments « très basse énergie » dans les nouvelles constructions (cf.

section 5.2). Ce niveau minimal de taxe est initialement fixé à 100 $/tCO2 mais peut décroître, avec un taux d’apprentissage égal à 8%, jusqu’à 50 $/tCO2 en fonction de l’évolution du cumul des surfaces de logement « très basse énergie » déjà construites.

Conclusion

Cette description des modules dynamiques technico-économiques met en évidence à la fois la flexibilité du modèle pour la représentation des univers techniques dans chaque secteur et la complexité de l’entreprise de représentation de l’évolution de tous les coefficients techniques. Contrairement aux modèles macroéconomiques usuels, dans lesquels la définition des élasticités de substitution suffit à déterminer l’ensemble des évolutions techniques tout au long de la trajectoire, il est ici nécessaire de représenter l’évolution des coefficients techniques un par un.

De ce point de vue, le développement du modèle est aujourd’hui à un stade intermédiaire, dans lequel certains modules ont pu faire l’objet d’un travail spécifique permettant de détailler les dynamiques technico-économiques à un niveau de désagrégation satisfaisant – par exemple les ressources pétrolières, le secteur électrique – tandis que d’autres sont encore traités avec un niveau d’agrégation élevé, qui ne permet pas de les adosser à une représentation discrète de technologies identifiées – par exemple le secteur résidentiel ou le transport terrestre. Cet avancement hétérogène est supposé être progressivement corrigé dans les années qui viennent, avec de nombreux projets qui visent à développer de nouveaux modules désagrégés : un module résidentiel détaillé (projet GICC), une désagrégation du secteur industrie pour mettre en évidence les secteurs clés de la sidérurgie et de la production de ciment et un ensemble limité de technologies dans ces secteurs

(projet FONDDRI), une désagrégation du secteur transport terrestre entre fret et transport de passagers, un module d’usage des sols (projet DECLIC), l’addition d’un cycle du carbone et d’un module climatique compact pour intégrer l’effet du changement climatique à moyen terme (projet GICC).

Il serait tentant de croire que ces développements iront de pair avec une complexification croissante rendant de plus en plus opaque les résultats et les déterminants des émissions à long terme. Notre expérience nous laisse croire que c’est le contraire : le développement maîtrisé d’un module désagrégé, dans lequel les évolutions technico-économiques sont reliées de manière cohérente aux signaux prix endogènes au modèle, aux contraintes de revenu et d’investissement, ainsi qu’aux potentiels techniques identifiés par des études technico-économiques, renforce la robustesse et la tangibilité des résultats, en permettant une validation progressive par les experts sectoriels et une meilleure assimilation par les décideurs.

Bibliographie

AIE, 2004, “World Energy Outlook”, IEA/OECD, Paris, France.

AIE, 2006, “Energy Technology Perspectives: Scenarios and Strategies to 2050”, OECD/IEA ,

Paris, France.

AIE, 2007, “World Energy Outlook”, IEA/OECD, Paris, France.

Azar C., Dowlatabadi, H., 1999, “A Review of Technical Change in Assessments of Climate Policy”, Annual Review of Energy and the Environment 24: pp 513-44

Bardi, U., 2005, “The mineral economy: a model for the shape of oil production curves”, Energy Policy 33, pp. 53-61.

Bentley, R.W., 2002, “Global oil & gas depletion: an overview”, Energy Policy 30 3, pp. 189-205.

Clarke, J., F., Edmonds, J. A. (1993) Modelling energy technologies in a competitive market

Energy Economics, Volume 15, Issue 2, Pages 123-129

Fulton L. and Eads G., IEA/SMP Model Documentation and Reference Case Projection, July 2004

http://www.wbcsd.org/web/publications/mobility/smp-model-document.pdf

Grübler A., Nakićenović N., Nordhaus W. D. (Eds.), 2002, Technological Change and the Environment, Washington, DC, Resources for the Future.

Hotelling, H., 1931, “The economics of exhaustible resources”, The Journal of Energy and Development 39 (2), 137-175.

Hubbert, M.K., 1956, “Nuclear energy and the fossil fuels”, Drilling and Production Practice. American Petroleum Institute, pp. 7-25.

Hubbert, M.K., 1962, “Energy Resources”, A Report to the Committee on Natural Resources. National Academy of Science, Government Printing Office, Publication No. 1000-D.

Labriet, M., Loulou, R., Kanudia, A., Vaillancourt, K., 2004, “The advanced world markal Model: Description of the inputs”, Les Cahiers du GERAD.

Laherrère, J.H., 2001, “Forecasting future production from past discovery”.

http://www.hubbertpeak.com/laherrere/opec2001.pdf

Laherrère, J.H., 2003, “Future of oil supplies”, http://www.oilcrisis.com/laherrere/zurich.pdf. LEPII-EPE, 2006, “The POLES model”, Institut d’Économie et de Politique de l’Énergie,

Grenoble, France, 12 pp. http://webu2.upmf-grenoble.fr/iepe/textes/POLES12p_Jan06.pdf (accédé le 12/04/2008)

Rao S., Keppo I., Riahi K., 2006, “Importance of technological change and spillovers in long term climate policy”, The Energy Journal, (Special issue on Endogenous Technological Change and the

Economics of Atmospheric Stabilisation), pp 55–72.

Rehrl T., Friedrich R., 2006, Modelling long-term oil price and extraction with a Hubbert approach: The LOPEX model, Energy Policy, 34(15) , pp. 2413-2428.

Rogner, H., 1997, “An assessment of world hydrocarbon resources”, Annual Review of Energy and the Environment, 22, pp. 217-262.

Sims, R.E.H. , R.N. Schock, A. Adegbululgbe, J. Fenhann, I. Konstantinaviciute, W. Moomaw, H.B. Nimir, B. Schlamadinger, J. Torres-Martínez, C. Turner, Y. Uchiyama, S.J.V. Vuori, N. Wamukonya, X. Zhang, 2007, “Energy supply”, In Climate Change 2007: Mitigation. Contribution of Working Group III to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change [B. Metz, O.R. Davidson, P.R. Bosch, R. Dave, L.A. Meyer (eds)], Cambridge University

Press, Cambridge, United Kingdom and New York, NY, USA.

Storchmann, K., 2005, “Long-run gasoline demand for passenger cars: the role of income distribution”, Energy Economics 27, pp. 25-58.

Szklo, A., Machado, G., Schaeffer, R., 2007, “Future oil production in Brazil—estimates based on a Hubbert model”, Energy Policy 35, pp. 2360-2367.