Prise en compte de l'incertitude avec le modèle GEMINI-E3
Differentes sources d'incertitude
Dans le projet SynsCOP15 ainsi que dans le programme de recherche EU-FP7: PLANETS (terminé en décembre 2010), nous avons étudié l'impact de différentes sources d'incertitude sur l'évaluation économique de politiques énergétiques d'atténuation à long terme. Nous nous intéressons en particulier à 4 sources d'incertitude : le climat, la technologie, l'économie et l'énergie. Ci-dessous nous présentons une analyse intégrée réalisée à partir de l'usage combiné des modèles TIAM et GEMINI-E3.
Combiner l'optimisation stochastique et les simulations de Monte-Carlo pour traiter l'incertitude dans l'évaluation de politiques climatiques
Nous
proposons une approche duale, fondée sur l'utilisation combinée de la
programmation stochastique et des simulations de Monte-Carlo (MC) pour faire face
à ces incertitudes dans une analyse technico-économique impliquant deux
modèles complémentaires. Une
approche par programmation stochastique est mise en œuvre sur le modèle
bottom-up d'évaluation intégrée TIAM (Loulou et Labriet, 2008) : le modèle
propose une politique de réduction des émissions de GES entre aujourd'hui et 2030, suivie par quatre politiques de recours possibles, compatibles avec un objectif de limitation de l'augmentation
de la température à 2.1°C en 2100 maximum, selon des hypothèses raisonnables sur le coefficient de sensibilité climatique, le fameux Cs (Andronova et
Schlesinger, 2001). Les
scénarios élaborés par TIAM tiennent compte de l'incertitude du coefficient Cs, mais
reposent sur des hypothèses de prévision parfaite pour un grand nombre
de paramètres techniques et économiques qui pourraient également impacter l'évaluation des politiques énergétiques.
Pour
tenir compte de l'impact de ces autres sources d'incertitude sur
l'évaluation de la politique climatique nous utilisons une simulation MC sur le modèle d'équilibre général calculable GEMINI-E3 (Bernard et Vielle,
2008), spécifiquement conçu pour évaluer les politiques climatiques et
qui est géré de manière harmonisée avec TIAM. Nous
prenons en compte plusieurs sources d'incertitude relatives à
l'environnement économique général et technologique, en utilisant des
simulations échantillonnées par des méthodes d'hypercubes latins (Iman et
Helton, 1988) pour obtenir des fonctions de densité de probabilité (pdf)
pour les variables de sortie de GEMINI-E3, telles que le bien-être, la réduction des émissions, etc.
Récemment,
des approches basées sur des simulations MC ont été mises en œuvre avec succès sur le modèle
EPPA qui est aussi un modèle modial d'équilibre général calculable (Webster et al., 2008). Les
simulations du modèle EPPA utilisent la technique d'hypercube latin pour
analyser les impacts de 100 paramètres incertains, y compris les taux de
croissance de productivité du travail, les tendances de l'efficacité
énergétique, les élasticités de substitution, les coûts des technologies
de pointe, la disponibilité des ressources fossiles de carburant, etc. Ces
simulations ont servi à évaluer quatre scénarios de politique
climatique et a montré que les paramètres de la demande d'énergie, y
compris les élasticités de substitution et les tendances d'efficacité
énergétique sont les sources d'incertitude qui impactent le plus les
politiques climatiques. L'étude précédente utilisant le modèle EPPA (Webster et al., 2002) était
axée sur l'incertitude des prévisions des émissions anthropiques. Elle fait état d'une série de changements de température en 2100 comprise entre 0.9 et 4.0°C. Dans (Scott
et al., 1999) des simulations de type Monte-Carlo ont été effectués avec le modèle
d'évaluation intégrée MiniCAM 1.0 pour analyser les sources d'incertitude
et leur importance relative dans le processus politique de décision. Le
document conclut que les "objectifs actuels de stabilisation atmosphérique semblent trop ambitieux" et que "une politique adaptative de type "agir, puis apprendre, puis agir" semble offrir de
meilleures perspectives pour l'équilibre des coûts/bénéfices incertains des politiques de réduction des GES que ne ferait pas une politique protectrice rigide". Plus récemment, des
simulations MC ont été appliquées au modèle MERGE (Kypreos, 2008) pour
produire des fonctions de distribution de probabilité des variables économiques et climatiques liées aux différentes politiques
possibles. D'autres références concernant les simulations de Monte-Carlo sur des modèles mondiaux d'évaluation pourront être trouvées dans (Manne et Richels, 1994; Reilly et al, 1987;. Edmonds et Reilly, 1885).
Dans
la présente étude nous identifions quatre classes d'incertitude
liées à la technologie, l'économie, l'énergie et le climat. La
première regroupe les paramètres technologiques, à savoir le coût et la
date de disponibilité de la capture et séquestration du carbone (CSC),
l'élasticité de substitution entre les formes d'énergie, l'élasticité de
substitution entre les facteurs de production et les facteurs de progrès
technique. La deuxième classe regroupe des indicateurs économiques tels que la croissance du PIB des pays émergents. La troisième classe se concentre sur les prix de l'énergie. Enfin, la dernière classe, liée au climat, est résumée par le coefficient de sensibilité du climat (Cs). Rappelons
que le Cs est défini comme l'augmentation de la température qui
résulteraient d'un doublement de la concentration atmosphérique de GES,
par rapport au niveau de l'ère pré-industrielle. En termes de politiques climatiques, une variation de la valeur
supposée de Cs va induire une modification de la cible de concentration de GES à long terme, et en conséquence une modification du
calendrier de réduction des émissions de GES, et donc finalement une adaptation du
système énergétique mondial. D'un
point de vue politique, il faut formuler un planning de réduction des émissions qui sera mis en œuvre dès maintenant et qui sera éventuellement
corrigé ou adapté une fois que la valeur du coefficient Cs sera (mieux) connue. Nous
supposons que l'incertitude sur la valeur du coefficient Cs sera résolu en 2030, et nous générons différents plannings de réduction d'émission correspondant à différentes valeurs du coefficient Cs en utilisant la version stochastique du modèle TIAM. Ce
faisant, nous obtenons une trajectoire d'émissions jusqu'en 2030 et
ensuite des profils différents en fonction de la sensibilité du climat
révélé. GEMINI-E3
est exécuté pour un ensemble de scénarios correspondant à des valeurs
de l'échantillon pour tous les paramètres incertains. Dans
le cas de la valeur du coefficient Cs, la valeur estimée déterminera un agenda des réductions d'émission de GES après 2030, obtenu par interpolation des trajectoires
d'émissions produites par la version stochastique du modèle TIAM. Les résultats de simulation représentée par les indicateurs économiques, comme par exemple la perte
de bien-être, la consommation d'énergie et le prix du carbone, sont
statistiquement analysés en utilisant des modèles de régression logit et
standard. Cela
permet d'identifier les paramètres les plus sensibles et leur rôle
dans la difficulté à atteindre certains objectifs de réduction.
Télécharger un rapport technique (en anglais)
Références
N. Andronova and M. E. Schlesinger. Objective estimation of the
probability distribution for climate
sensitivity. J. Geophys. Res.,
106, 2001.
A. Bernard and M. Vielle. GEMINI-E3, a General Equilibrium Model of
International & National Interactions
between Economy, Energy and the Environment. Computational Management Science, 5(3):173--206, May 2008.
J. Edmonds and J. Reilly. Global energy: assessing the future. New York:
Oxford University Press, 1985.
R. Iman and J. Helton. An investigation of uncertainty and sensitivity
analysis techniques for computer models. Risk
Analysis, 8(1):71--90, 1988.
S. Kypreos. Stabilizing global temperature change below thresholds:
Monte carlo analyses with merge. Computational
Management Science, 5(1):141--170, 2008.
R. Loulou and M. Labriet. ETSAP-TIAM: the TIMES integrated assessment
model Part I: Model structure. Computational
Management Science, 5(1):7--40, 2008.
A. Manne and R. Richels. The Costs of Stabilizing Global CO2 Emissions:
A Probabilistic Analysis
Based on Expert Judgment. Energy Journal,
15(1):31--56, 1994.
J. Reilly, J. Edmonds, R. Gardner, and A. Brenkert. Monte carlo analysis
of the IEA/ORAU Energy/Carbon Emissions Model. The Energy Journal, 8(3):1--29, 1987.
M. Scott, R. Sands, J. Edmonds, A. Liebetrau, and D. Engel. Uncertainty
in Integrated Assessment Models: Modeling with MiniCAM 1.0. Energy Policy, 27(14):597, 1999.
M. Webster, M. Babiker, M. Mayer, J. Reilly, J. Harnisch, M. Sarofim,
and C. Wang. Uncertainty in Emissions Projections for Climate Models. Atmospheric Environment,
36(22):3659--3670, 2002.
M. Webster, S. Paltsev, J. Parsons, J. Reilly, and H. Jacoby.
Uncertainty in Greenhouse Emissions and Costs of Atmospheric Stabilization. Technical
report, Joint Program Report Series, in press, 61 pages. http://globalchange.mit.edu/pubs/abstract.php?publication$\_$id=974,
2008.
Lien vers le site du projet EUFP7-PLANETS
Probabilistic Long Term Assessment of New Energy Technology Scenarios
