L’application des courbes d’expérience dans l’analyse de la transition vers les énergies renouvelables

Ces dernières années, plusieurs auteurs ont utilisé l’analyse par la courbe d’expérience dans leurs recherches concernant l’évolution des coûts des technologies des ER. En effet, la transition vers un système énergétique durable nécessite le développement et le déploiement de technologies nouvelles et améliorées d'énergie. Ces technologies ont souvent un coût d'investissement plus élevé que les technologies d'énergie traditionnelle. Ainsi, les coûts de ces nouvelles technologies doivent être réduits pour qu’elles puissent être mises en œuvre à grande échelle. Il est donc important d'analyser l’évolution des coûts des technologies des ER pour faciliter les décisions concernant les investissements futurs et la conception de nouveaux systèmes énergétiques. Ceci nécessite l’utilisation de méthodes d'analyse de la dynamique du changement technologique et d'évolution des coûts.

Les courbes d'expérience offrent un moyen d'analyse de l'évolution passée des coûts qui sera adoptée pour prévoir le développement futur des coûts. Les données historiques sur l'évolution des coûts sont utilisées pour développer une courbe d'expérience, c'est-à- dire pour décrire le coût en fonction du nombre cumulatif d'unités. Cette courbe est ensuite extrapolée afin de prédire le développement futur des coûts. Pour plus de détails concernant l’utilisation de la courbe d’expérience dans le secteur de l’énergie voir, par exemple, IEA (2000) et Neij (2004).

L’approche basée sur la courbe d’expérience permet l’analyse du développement du coût passé des technologies. Selon ce concept, le développement du coût d’un produit ou d’une technologie est étudié comme une fonction de la production cumulée. Dans le domaine des ER, la courbe d’expérience a été utilisée surtout pour l’analyse du progrès réalisé dans la réduction des coûts de production des modules PV (Matsson et Wene 1997 ; Masini et Frankl, 2003 ; Yu, Sark et Alsema, 2011) et les turbines éoliennes onshore et

offshore (Neij, 1997 ; 1999 ; Milborrow, 2008 ; Berry, 2009 ; Blanco, 2009 ; Bolinger et

Wiser, 2009 ; Dinica 2011). Il y a peu d’études qui s’intéressent à d’autres types d’ER vu la non disponibilité des données concernant les technologies qui sont très récentes.

McDonald et Schrattenholzer (2001) ont présenté un aperçu général sur les différentes utilisations de la courbe d’expérience dans le domaine des technologies des ER.

54 En effet, ces dernières années, on a assisté à une augmentation de l’utilisation des courbes d’expérience dans le cadre des modèles bottom up d’énergie (par exemple, le modèle MARGE) avec apprentissage endogène. Ainsi, il est important que les analyses de scénarios énergétiques fournissent des taux d’apprentissage fiables. Mais empiriquement, on remarque que les taux d’apprentissage trouvés diffèrent largement selon les études, ce qui aura des répercussions sur les politiques et les instruments à adopter. En effet, McDonald et Schrattenholzer (2001) ont montré que le taux d’apprentissage des éoliennes varie entre 8% et 18% selon les études. Ces différences existent aussi pour d’autres technologies. Plusieurs études ont essayé d’expliquer ces différences. Par exemple, Ibenholt (2002) a essayé d’analyser les causes des variations dans les estimations des taux d’apprentissage pour la technologie d’énergie éolienne.

Les courbes d’apprentissage sont utilisées afin de quantifier empiriquement l’impact de l’expérience et de l’apprentissage sur le coût d’une technologie donnée. La spécification la plus simple et la plus utilisée de la courbe d’apprentissage dans les études des technologies des ER relie le coût de la technologie à la capacité installée cumulée (Neij, 1999 ; Colpier et Cornland, 2002).

D’autres études plus récentes incluent dans la formulation de la courbe d’apprentissage les dépenses cumulées de R&D (Kouvaritakis et al., 2000) ou le stock de connaissance basé sur la R&D (Klaassen et al., 2005 ; Söderholm et Klaassen, 2007) comme étant des variables explicatives. Ces spécifications sont généralement connues sous l’appellation de modèles de courbes d’apprentissage à deux facteurs et ils permettent d’avoir une estimation du taux d’apprentissage par la recherche. Ce taux montre l’impact du doublement de la valeur des variables qui reflètent la R&D sur les coûts.

Pour les technologies d’ER de production de l’électricité, le système global d’apprentissage de la production de l’électricité peut être appréhendé en trois parties selon le type de coût : les coûts d’investissement, les coûts opérationnels et de maintenance et les coûts de l’électricité. Pour chaque type de coûts, un système d’apprentissage séparé peut être défini. Pour les coûts d’investissements, la courbe d’expérience est la plus difficile à construire vu la faible disponibilité des données et le grand écart dans les coûts d’investissement causé par la différence de configuration des installations des ER. Concernant les coûts opérationnels et de maintenance, ils sont généralement élevés dans la première phase de développement d’un projet d’ER, ils diminuent au cours des années

55 suivantes mais augmentent après plusieurs années avec l’usure des équipements et des installations.

Selon Junginger et al. (2005), il y a plusieurs facteurs qui sont à l’origine de la réduction des coûts : l’apprentissage par la pratique, l’apprentissage par la recherche (les innovations causées par la R&D), l’amélioration des interactions de réseau (entre les instituts de recherche, l’industrie, les utilisateurs finaux, les décideurs, etc.), la standardisation du produit ou de la technologie et la nouvelle conception de la technologie. Dans plusieurs cas, une combinaison de ces facteurs peut avoir lieu, mais la contribution de chaque facteur peut changer au cours du temps selon la phase du développement de la technologie. Plusieurs auteurs font la différence entre les effets d’apprentissage (les trois premiers facteurs) et les effets d’échelle (les deux derniers facteurs).

L’utilisation des courbes d’expérience doit prendre en considération les points suivants :

- Historiquement, les courbes d'expérience ou les courbes d'apprentissage ont été utilisées pour analyser la réduction des coûts par unité de produit standardisé produite par une entreprise individuelle. Aujourd'hui, les courbes d'expérience sont utilisées pour l'analyse et les prévisions des coûts de produits non standardisés produits dans le monde ou à l'échelle nationale. Cela conduit à des incertitudes et à des variations dans les résultats. Cet inconvénient est rarement abordé dans l'analyse critique de la courbe d'expérience, malgré le fait qu'il puisse avoir un impact considérable sur les résultats de l'analyse (van der Zwaan et Seebregts, 2004).

- Afin de comparer les coûts passés aux coûts courants, l’analyse doit prendre en considération l’inflation, donc on utilise le déflateur du PIB ou l’indice des prix à la consommation.

- La courbe d’expérience présente idéalement la réduction des coûts de production. Cependant, en général ces coûts ne sont pas disponibles, dans ce cas, on peut utiliser les prix mais avec des restrictions. En effet, les marges de profit doivent être une part assez constante des prix totaux (IEA, 2000), dans ce cas les prix et les coûts diminuent avec la même vitesse. Ceci sera le cas seulement lorsque le nombre de producteurs, l'élasticité de la demande et le retour sur fonds propres pour les producteurs restent constants. Cependant, les changements dans la structure du marché tels que l'accès au marché et la concurrence stratégique (l’existence d’un oligopole, par exemple) auront une incidence sur les marges (Papineau, 2006).

56 - Dans le cas où l’accent est mis sur l’analyse de la vitesse avec laquelle les coûts d’une

technologie diminuent, il est très important de déterminer si l’expérience a été gagnée seulement à partir du développement intérieur du système étudié ou bien aussi à partir des développements à l’extérieur du système. La non-prise en compte de l’expérience gagnée à l’extérieur du système étudié peut donner lieu à une distorsion des résultats (Junginger, Faaij et Turkenburg, 2005).