top of page

Energy transition and prospective
​
​

General interest.   English summary.   We aim at developing "participative" tools for energy transition and prospective.

 

Les outils de prospective énergétique sont des outils experts essentiels pour la planification de la transition énergétique, telle que mise en place via la SNBC (Stratégie Nationale Bas Carbone) dans ses grandes lignes, puis par la PPE (Planification Pluriannuelle de l’Energie) pour la France.  Ils sont également utilisés, en collaboration avec le GIEC, pour discuter des engagements français ou européens au niveau international. Ces outils sont développés par des équipes universitaires dédiées, ainsi que par les départements de R&D des grandes entreprises, suivant des logiques « bottom-up » (i.e. partant de l’analyse détaillée du système énergétique et industriel) ou « top-down » (macro-économiques), ou mixtes. Ils reposent in fine sur une exploration (via la modification par l’utilisateur de paramètres) de scénarios voisins d’un scénario central dit « tendanciel » fourni par des experts, construits de manière à satisfaire un optimum économique (maximisation du surplus) ou non.  Les modèles comportent en général des dizaines de milliers de variables au minimum. Le revers de la médaille est que leur fonctionnement, ainsi que leurs prédictions, sont opaques pour les non-experts, et que l’articulation avec la prise de décision est difficile.

​

La SNBC (stratégie nationale bas-carbone) repose sur un compromis entre différents acteurs éclairé par des scénarios divers, eux-mêmes élaborés par des outils de planification scientifique et d’optimum économique. Notre projet vise à construire des scénarios réalistes et socialement acceptables à l’aide d’un outil participatif dynamique, reposant sur la modification par les utilisateurs d’un scénario tendanciel modélisant la demande de manière robuste. L’outil, à base de modélisation mathématique incluant des mécanismes socio-économiques, vise un objectif pédagogique et civique (grand public, étudiants) et de planification pour la transition énergétique (décideurs économiques et politiques).

​

Citant un post récent de J.-M. Jancovici sur LinkedIn (nov. 2024): "Si la collectivité veut que se développe un cadre de raisonnement sérieux pour évaluer la compatibilité de la baisse des flux physiques (et lesquels) avec une hausse de la production (et laquelle), il faut que cela fasse l'objet de nombreux sujets de thèse. Où les héberger ? A priori plutôt dans des laboratoires qui partent de la physique. C'est une simple affaire de logique : les lois physiques (et biologiques) ne dépendent pas de nous, à la différence des conventions économiques qui ne dépendent que de nous. Il est donc normal que l'on héberge ces travaux dans des endroits où le cadre de raisonnement se base sur la contrainte la plus forte (ce qui ne dépend pas de nous). Ami(e)s physicien(ne)s, chimistes et biologistes, c'est à vous de jouer !"

​

Il n'empêche, les idées venant de l'économie (et de la sociologie) permettant d'étayer notre outil sont bienvenues, parce qu'elles lui donneront un soubassement économique (au sens de: prix) et comportemental indispensable pour le réalisme.

​

Ci-dessous:  une proposition de thèse, s'adossant à un mémoire de recherche de M2 et à un cours donné aux Mines de Nancy au printemps 2025

​

​

PhD proposal.

​

​

Ce projet exploratoire est centré autour du développement d’un outil de simulation des besoins en énergies, matériaux et autres ressources pour la transition énergétique. L’approche envisagée repose sur la collecte à grande échelle de données de consommation matière, énergétiques  (énergie grise et consommation directe) et de leur traduction en monnaie.

L’approche envisagée vise à partir des contraintes physiques et technologiques, et de les traduire ensuite en contraintes économiques. Cette approche est l’inverse de ce qui est fait classiquement (modèles de type IAM). Un des objectifs est d’aller vers plus de réalisme socio-économique en intégrant les flux et stocks monétaires, la consommation et les choix collectifs. Ce dernier aspect sera intégré dans le modèle sous forme de choix par acteurs à différents pas de temps.

Les prédictions du modèle sous contraintes diverses et dans des conditions très différentes seront étudiées sous un angle statistique en incluant des méthodes de machine learning.   

​

 

Contexte général. 

La transition énergétique vise à nous libérer de contraintes d’approvisionnement en énergies fossiles, pour des raisons environnementales et climatiques (les rapports du GIEC montrant de manière irréfutable le lien entre les émissions de gaz à effets de serre et le réchauffement) , géopolitiques (indépendance de la France et de l’Europe vis-à-vis de sources d’approvisionnement provenant de pays à risque), et tout simplement de nécessité, les productions en énergies fossiles étant amenées à se réduire dans les décennies à venir. D’un autre côté, la transition énergétique impose le développement de nouvelles infrastructures (éoliennes, panneaux photovoltaïques, centrales nucléaires…) dont la construction est très gourmande en énergie et en matériaux, suscitant de fortes inquiétudes quant à l’approvisionnement en matériaux critiques (cuivre, terres rares…).

 

Problématique. 

Quels seront les besoins en énergie et en matériaux de la transition énergétique ? Quelles seront les émissions induites ? Quelles transformations du tissu industriel ou économique accompagneront la transition ?

 

Ces questions se posent dans un contexte très tendu lié à la croissance économique rapide de pays peuplés, qui engendre une croissance tout aussi rapide de la demande. Les réponses à ces questions nécessitent une part une connaissance assez fine (i.e. désagrégée, secteur de production par secteur de production) des processus de production matière primaire et recyclée, des biens de consommation et de l’énergétique, ainsi qu’un certain nombre de paramètres, industriels (évolution de l’intensité énergétique et matérielle en fonction de l’innovation technologique, énergie mise en œuvre pour l’exploitation de minerais,…), économiques (évolution du PIB/hab., évolution de la demande secteur par secteur, investissement,…) et politiques (grands choix collectifs en termes de production industrielle et énergétique).

 

Différents scénarios doivent être analysés pour analyser comment et à quel coût la transition énergétique est possible, puis de discuter ces scénarios en fonctions de critères humains, politiques, économiques, environnementaux. (qui ne se résument pas à la seule émission de GES).

 

Une des questions clé est de comprendre des effets en chaîne non directement prévisibles pouvant être induits par différentes contraintes dans un régime qui n’est plus un régime de croissance (saturation de la demande, problèmes d’approvisionnement conjoncturels ou globaux). Cette question peut être inscrite dans une réflexion de type systémique sur le fonctionnement matériel et énergétique de la civilisation industrielle.

​

 

 

Position par rapport à l’existant.

Le simulateur de référence sur le sujet de la transition énergétique et climatique, créé par le M.I.T., est En-ROADS ( https://www.climateinteractive.org/en-roads/). Par ailleurs, de nombreux scénarios produits par l’IEA, le GIEC, l’industrie pétrolière et le secteur académique sont disponibles.

Comparé à En-ROADS et les scénarios existants, le modèle dynamique développé par Isterre (DyMEMDS) est capable de reproduire les observations historiques depuis 1950, de l’évolution de PIB, population, développement de l’infrastructure technologique, besoins en ressources et énergie, impacts environnementaux par régions mondiales ou pays. Cela est un prérequis  de tout modèle visant à explorer le futur. DyMEMDS est capable de représenter l’intégralité des secteurs primaire et secondaire de l’économie mondiale et par pays. Le modèle est actuellement développé en collaboration avec Carbone 4, spécialisée dans le conseil stratégique pour les entreprises, le laboratoire d’économie GAEL et des chercheurs de l’IFP dans le cadre du PEPR Sous-sol dont O. Vidal est l’un des coordinateurs. Un financement pérenne (5 ans) est assuré pour son développement. Au niveau international, de nombreuses collaborations se mettent en place avec les universités de Leeds et Cambridge, de Barcelone et de Luleå.  Beaucoup plus détaillé qu’En-ROADS, (il y a quelques milliers de variables), il reste néanmoins simple d’utilisation. 

De même qu’En-ROADS, DyMEMDS repose sur un modèle « stock-and-flow » (équations de bilan et de stock, cf. par ex. https://en.wikipedia.org/wiki/Stock-flow_consistent_model) écrit via le logiciel Vensim. Ce type de modélisation est connu dans le milieu économique ; l’aspect fondamentalement novateur dans ce simulateur est son côté exclusivement « biophysique », en ce sens que la seule donnée économique (exogène) est l’évolution du PIB/hab, toutes les autres données (demande en produits finaux, évolution du mix énergétique et de l’intensité matière,…) ou bien étant modélisées de manière simple (fonctions logistiques ou sigmoïdes) en fonction du PIB/hab, ou bien faisant partie d’un scénario industriel plutôt qu’économique (taux d’augmentation de l’efficacité énergétique, évolution de l’intensité matière et du mix énergétique, etc.). DyMEMDS permet de reproduire correctement les évolutions passées au cours du demi-siècle écoulé de la demande ainsi que des flux mondiaux matériels et énergétiques, ce qui augure bien de la validité de ses prédictions pour le demi-siècle à venir. Comme pour le simulateur En-ROADS (cf. infra), les flux énergétiques permettent de déterminer les émissions de gaz à effet de serre en t éq.CO2, et donc (via la sensibilité climatique rapportée dans les travaux du GIEC) l’augmentation de la température.

Le laboratoire IsTerre a embauché cette année un ingénieur de recherche pour développer une interface hébergée DyMEMDS en reprenant l’esprit d’En-ROADS. Une documentation détaillée et un article expliquant les principes de modélisation sont en cours d’écriture (O. V. et J. U.).  Après un premier essai concluant par des étudiants des Mines de Nancy, l’étudiante C. Iriart de J. U. va traduire DyMEMDS en Python et réaliser des études statistiques préliminaires (analyse de sensibilité, représentation simplifiée du modèle à l’aide de techniques d’apprentissage supervisé).

 

​

Objectifs (1). Modélisation.

 

Le modèle DyMEMDS repose sur une estimation tendancielle de la demande en biens matériels, en énergie et en matériaux à partir du PIB/hab, conçu comme mesure de la richesse collective d’un pays. Le scénario tendanciel ainsi construit, sur la base d’observations historiques consistantes, peut être modifié pour imposer des choix technologiques de type report modal pour la production d’énergie ou le transport, et/ou de consommation. Ces choix permettent de s’écarter de l’évolution tendancielle et simuler différents types de transition.   

Une des limites du modèle sous sa forme actuelle est l’absence de rétroactions des prix sur la demande. La plus simple conceptuellement est l’effet rebond, soit l’impact d’un accroissement de l’efficacité énergétique d’un service énergétique sur la demande (direct lorsqu’il s’agit de la demande pour le même service, indirect sinon). Une des études les plus abouties sur le sujet, concernant les services de transport et d’énergie résidentielle, est la thèse de D. A. G. Hurtado, Efficiency improvement and climate change : what energy policies ? (CREM, Université de Rennes, 2021). DyMEMDS suggère ou bien un effet direct par augmentation de la valeur de saturation de la demande, ou bien un effet indirect moyen par augmentation de l’indice de richesse collective, éventuellement compensé par une augmentation du prix de l’énergie, qui pourrait permettre d’endogénéiser en partie la croissance du PIB/hab.

Comme dans tous les modèles existants, une autre limite de DyMEMDS est l’absence de prise de décision liant la demande, la production et l’investissement. Les approches classiques consistent à minimiser une fonction d’investissement de l’entreprise en fonction d’une évolution anticipée de la demande, ou du taux de retour sur investissement ou valeur actuelle nette. Cela suppose un comportement parfaitement rationnel et une connaissance précise de l’évolution future. Dans la réalité, ces deux points ne sont pas forcément vérifiés.

C’est la raison pour laquelle l'idée est de décliner le modèle DyMEMDS en un jeu sérieux qui demandera aux différents acteurs (économiques, politiques, citoyens) de prendre des décisions à différents pas de temps en tenant compte de contraintes scénarisées (taxe carbone, interdiction des voitures thermiques à partir de 2040, rupture d’approvisionnement, crises engendrant une chute brutale de PIB, e.g. crise Covid, etc.). Ces décisions ne seront pas forcément compatibles avec un objectif initial de minimisation des consommations ou des émissions de GES, mais elles intègreront les objectifs contrastés des différents acteurs sur le temps court, qui ne sont pas forcément en phase avec les objectifs environnementaux sur le temps long.

Cette internalisation par les consommateurs et les producteurs sera mise en œuvre à petite échelle lors d’un cours (décrit ci-dessous), donné aux Mines de Nancy au printemps 2025, via des méthodes de théorie des jeux (méthode des loteries maximales). Une mise à l’échelle sera mise en œuvre ultérieurement, en collaboration avec des sociologues (CSI Mines Paris, LGEI, Mines Alès), et contribuera à une modélisation comportementale « contrainte » par la sobriété ou l’objectif zéro net émission.

      

 

​

Objectifs (2).  Exploration du modèle et méthodes statistiques.

 

Le comportement de DyMEMDS a été testé dans des situations quasi-tendancielles, où la demande égale la production, les valeurs de saturation varient lentement et de manière régulière, et il n’y a ni crise ni contrainte.

La modélisation supplémentaire introduite en (1) permettra d’explorer des régimes très éloignés de ces situations ; par exemple, des régimes de décroissance matérielle, induits par la sobriété ou les contraintes énergétiques ou matérielles; ou encore, les chaînes de propagation d’une rupture d’approvisionnement (vulnérabilité).

Poursuivant un travail entamé au printemps 2025 par C. Inriart, des méthodes statistiques pourront être explorées, en commençant par une analyse de sensibilité permettant de dégager les paramètres importants du modèle. Pour les paramètres les plus incertains (notamment, ceux se rapportant au comportement des acteurs face à une crise), une approche bayésienne pourra être retenue (cf. e.g. [1] et réf.), à condition de pouvoir collecter suffisamment de données pour calculer leurs valeurs a posteriori. Egalement, une représentation simplifiée du modèle à l’aide de techniques d’apprentissage supervisé (ACP, forêts aléatoires,…) sera recherchée, qui pourra servir d’appui à la décision politique.

[1]  S. Yang, Y. Chen, G. Allenby. Bayesian analysis of simultaneous demand and supply, Quantitative Marketing and Economics 1 (2003).

 

Méthodologie mathématique :

  • Méthodes de machine learning (apprentissage supervisé)

  • Inférence statistique (bayésienne)

  • Méthodes d’optimisation mathématique (inégalités de convexité, programmation linéaire)

  • Microéconomie, économétrie.

​

​

 

Plan de réalisation. La 1ère année sera consacrée à une mise en place d’hypothèses réalistes via des partenariats SHS (économie, sociologie), et à un étalonnage du modèle. Des questions centrales autour de la soutenabilité de la transition le long des trajectoires seront abordées en deuxième lieu. Enfin, des versions multi-publics, orientées vers l’aide à la décision, seront mises en place en partenariat avec des décideurs économiques et politiques.

 

Résultats et impacts scientifiques potentiels. Le projet vise à la mise en place d’un outil multi-public accessible à différents niveaux d’expertise, permettant de tester la mise en place de compromis réalistes par un public non-expert, ou servant (dans une version plus experte) d’outil d’aide à la décision.

 

Interdisciplinarité. L’élaboration des hypothèses nécessitera l’intégration d’outils et méthodes provenant de l’économie et de la sociologie.

​

​

Mémoire de recherche de M2. 

Outils de simulation et de décision pour les énergies et matériaux de la transition.

 

Contexte. Suite au constat posé par le GIEC de l’urgence d’une atténuation du réchauffement climatique, la France s’est engagée aux côtés de l’Europe dans une démarche volontaire de réduction des émissions de GES (gaz à effet de serre) afin de parvenir en 2050 à annuler ses émissions nettes.

 

Enjeux. Tout l’enjeu est de trouver une trajectoire de transformation du système énergétique et industriel, et de sobriété, qui permette d’y arriver dans de bonnes conditions.

 

Etat de l’art. Divers outils de prospective donnent une idée des évolutions d’ici 2050, en fonction de paramètres techniques et économiques constituant ce qu’on appelle un scénario. Pour le projet, on partira d’un simulateur dynamique « stock-flow » développé en Vensim par O. Vidal (Laboratoire IsTerre, Grenoble), qui prédit les besoins en matériaux, ainsi que les émissions (annuels ou cumulés), en fonction d’une demande.

 

Objectifs du projet. Ils sont au nombre de trois : (1) re-codage en Python du simulateur ; (2) analyse de sensibilité du modèle en fonction des paramètres ; (3) utilisation de techniques d’apprentissage supervisé pour une représentation simplifiée du modèle.

 

Compétences demandées.  Programmation en Python, techniques statistiques.

​

​

Cours électif aux Mines de Nancy (2A, niveau M1). 

​

Ce cours (cf. lien) présente plusieurs originalités, qui le placent directement au croisement entre la planification scientifique et la prise de décision politique. La principale est qu’il vise une approche participative, impliquant différents acteurs industriels, politiques, citoyens, ONG, etc. : les participants sont invités à co-construire des scénarios satisfaisant à une contrainte de réduction des émissions. Le résultat des décisions est un ensemble de trajectoires industrielles et énergétiques réalisant un « optimum socio-économique », i.e. qui vise à la fois à un compromis socialement acceptable et à un réalisme économique. Il s’adosse à un simulateur dynamique (modèle DyMEMDS) avec un nombre de variables plus limité que dans les outils experts, dont les principes peuvent être expliqués à un public éclairé mais non spécialiste, et qui sera rendu accessible sous des formats divers à des publics très différents (grand public, étudiants, décideurs…).

 

Méthodologie.  La modélisation de la demande tendancielle, robuste, s’appuie sur des fonctions logistiques construites par O. Vidal, co-directeur du projet. Celles-ci décrivent bien l’évolution des demandes de stocks en biens matériels en fonction du niveau de richesse. A partir d’un scénario de croissance du PIB, ainsi que de paramètres techniques (évolution en fonction du temps de l’intensité et du mix énergétique), le modèle DyMEMDS donne rétrospectivement un tableau de bord satisfaisant des trajectoires passées, i.e. de l’évolution pays par pays du système industriel et énergétique depuis l’après-guerre, et permet de définir une trajectoire tendancielle future.

Les contraintes nouvelles de réduction des émissions de gaz à effet de serre, ainsi que de disponibilité énergétique et matérielle (notamment en matériaux critiques), nécessitent une approche plus conjecturelle des trajectoires futures. Le projet repose sur la discussion en commun d’un ensemble de propositions chiffrées, portant sur des objectifs (individuels ou collectifs) de substitution ou de sobriété, correspondant à une énergie (grise ou utile, suivant le cas) quantifiée, soit :  1 GWh/an pour 10.000 habitants (échelle d’un quartier ou d’un canton) pour des arbitrages de consommation, et 100 GWh/an pour 1.000.000 d’habitants (échelle d’une région) pour des arbitrages énergétiques. La mise en commun de classements individuels de ces propositions conduit (via la méthode des loteries maximales) à des arbitrages pondérés. Choisis compatibles avec les contraintes de réduction d’émissions, et couplés à des hypothèses sur la perception par les individus du niveau de richesse (effet rebond,…) et sur l’adaptation des entreprises à un environnement changeant, ceux-ci donnent des trajectoires futures. 

​

​

​

​

​

​

​

​

​

​

​

​

​

​

​

​

​

​

​

 

​

bottom of page