modèle
Transcription
modèle
Exploration des liens entre croissance, énergie et émissions de gaz à effet de serre modèles, scénarios, incertitudes C. Guivarch [email protected] SÉMINAIRE THÉMATIQUE LIED DU MARDI APRÈS-MIDI 30 septembre 2014 1 I – La modélisation énergie-économie-environnement [à l’échelle globale] – Où en est-on? 1. A quelles questions cherche-t-on à répondre? 2. Quels résultats a-t-on obtenu? 3. Les modèles derrière ces résultats II – La modélisation hybride 1. Quels enjeux? 2. Un ex.: le modèle Imaclim-R monde 3. Une illustration: les incertitudes socio-économiques dans l’évaluation macroéconomique des trajectoires d’atténuation 2 A quelles questions cherche-t-on à répondre? • A quel changement climatique devra-t-on faire face? – – [Quelle est la sensibilité du système climatique à un forçage radiatif additionnel?] Quelles seront/seraient/pourraient être les émissions de gaz à effet de serre… • • • … si aucun effort d’atténuation supplémentaire n’est fait? … si telles ou telles politiques/mesures d’atténuation sont mises en place? Quelles seront/seraient/pourraient être les implications de telle ou telle trajectoire d’atténuation? – – – – – – Impact sur la croissance/le développement de telle ou telle région du monde? Sur la production de tel ou tel secteur? Sur l’emploi? Sur la sortie de la pauvreté?... Contribution aux réductions d’émissions de tel ou tel secteur/région? Evolution du mix énergétique? Contribution de telle ou telle technologie? Niveau d’efficacité énergétique? Demande d’énergie par régions/secteurs/ménages? Compatibilité avec l’accès à l’énergie « pour tous »? Etc. Implications pour les émissions à court-terme? Lien avec la vitesse de réduction des émissions sur le long-terme? Influence de la disponibilité/du coût de telle ou telle technologie sur les éléments ci-dessus? Influence d’autres éléments incertains: population, évolution des modes de vie, etc.? Quelles politiques pour atteindre tel ou tel objectif d’atténuation (à moindre coût/avec un certain niveau de probabilité)? 3 Quelques éléments de réponses dans le 5e rapport d’évaluation du GIEC • Groupe III « Atténuation »,chapitre 6 « Assessing Transformation Pathways » (disponible sur http://mitigation2014.org/) • Une base de données de scénarios: https://secure.iiasa.ac.at/web-apps/ene/AR5DB • 1184 scénarios (collectés par un appel ouvert à scénarios) • 31 modèles (AIM, ENV-linkages, GCAM, Imaclim, IMAGE, MERGE, MESSAGE, POLES, Remind, TIMES, WITCH, iPETS…) 4 Quelles seront/seraient/pourraient être les émissions de gaz à effet de serre… … si aucun effort d’atténuation supplémentaire n’est fait? • Les scénarios de « baseline » energy intensity decline energy intensity decline 5 Quelles seront/seraient/pourraient être les émissions de gaz à effet de serre… … si aucun effort d’atténuation supplémentaire n’est fait? • Les scénarios de « baseline » 6 Quelles seront/seraient/pourraient être les émissions de gaz à effet de serre… … si aucun effort d’atténuation supplémentaire n’est fait? • Les scénarios de « baseline » 7 Quelles seront/seraient/pourraient être les émissions de gaz à effet de serre… … si telles ou telles politiques/mesures d’atténuation sont mises en place? 8 A quel changement climatique devra-t-on faire face? 9 Quelles seront/seraient/pourraient être les implications de telle ou telle trajectoire d’atténuation? Impact sur la croissance/le développement de telle ou telle région du monde? Sur la production de tel ou tel secteur? Sur l’emploi? Sur la sortie de la pauvreté?... 10 Quelles seront/seraient/pourraient être les implications de telle ou telle trajectoire d’atténuation? Impact sur la croissance/le développement de telle ou telle région du monde? Sur la production de tel ou tel secteur? Sur l’emploi? Sur la sortie de la pauvreté?... Baseline uncertainty 11 Quelles seront/seraient/pourraient être les implications de telle ou telle trajectoire d’atténuation? Impact sur la croissance/le développement de telle ou telle région du monde? Sur la production de tel ou tel secteur? Sur l’emploi? Sur la sortie de la pauvreté?... Mitigation costs Mitigation costs 12 Quelles seront/seraient/pourraient être les implications de telle ou telle trajectoire d’atténuation? Impact sur la croissance/le développement de telle ou telle région du monde? Sur la production de tel ou tel secteur? Sur l’emploi? Sur la sortie de la pauvreté?... 13 Quelles seront/seraient/pourraient être les implications de telle ou telle trajectoire d’atténuation? Contribution aux réductions d’émissions de tel ou tel secteur/région? Emission allowances for various concentration levels in 2050 relative to 2010 emissions (minimum, 20th percentile, 80th percentile, maximum). Includes all effort-sharing regimes except 14 “equal marginal abatement costs”. Quelles seront/seraient/pourraient être les implications de telle ou telle trajectoire d’atténuation? Contribution aux réductions d’émissions de tel ou tel secteur/région? 15 Evolution du mix énergétique? Contribution de telle ou telle technologie? Niveau d’efficacité énergétique? Demande d’énergie par régions/secteurs/ménages? Compatibilité avec l’accès à l’énergie « pour tous »? Etc. 16 Evolution du mix énergétique? Contribution de telle ou telle technologie? Niveau d’efficacité énergétique? Demande d’énergie par régions/secteurs/ménages? Compatibilité avec l’accès à l’énergie « pour tous »? Etc. Annual global modern biomass primary energy (top) and BECCS share of modern bioenergy 17 (bottom) in baseline, 550 and 450 CO2-e ppm scenarios in 2030, 2050, and 2100. Implications pour les émissions à court-terme? Lien avec la vitesse de réduction des émissions sur le long-terme? mitigation scenarios reaching 430–530 ppm CO2eq concentrations by 2100 18 Influence de la disponibilité/du coût de telle ou telle technologie sur les éléments cidessus? Influence d’autres éléments incertains: population, évolution des modes de vie, etc.? 19 Quelles politiques pour atteindre tel ou tel objectif d’atténuation (à moindre coût/avec un certain niveau de probabilité)? 20 Quelles politiques pour atteindre tel ou tel objectif d’atténuation (à moindre coût/avec un certain niveau de probabilité)? Impact of fragmented cooperation on the relative mitigation costs of 3 representative regions (OECD, BRICS and Rest Of the World) from the EMF 22 Study. In this study, OECD joins immediately, BRIC (Brasil, Russia, India and China) in 2030, and Rest of the World in 2050. Mitigation costs are calculated relative to baseline over 2015-2100 both in NPV at 5% discount rate (left bars) and as maximum losses over the century (right bars). 21 Les modèles derrière ces résultats 23 Pourquoi a-t-on besoin de modèles? • La non-pertinence d’une approche qui chercherait à “prolonger les tendances” pour traiter du très long-terme et étudier des modifications non-marginales (bifurcations) • Des systèmes complexes avec de multiples intéractions difficile de calculer leurs évolutions avec “des règles de 3” • Assurer la cohérence entre les évolutions des éléments du système • Procéder à des “expériences”: – Ex: tests systématiques pour explorer l’incertitude 24 Le “système” que l’on souhaite étudier End-uses equipment (energyefficiency) Energy supply technologies and systems CO2 = E fossil E primary ⋅ E primary E final Investments ⋅ E final Eservices Energy prices Economic structure, life-styles Eservices ⋅ ⋅ GDP GDP Infrastructures Deux grandes distinctions pour une typologie des modèles Scénarios Exploratoires (simulation) Scénarios Normatifs (optimisation) Bottom Up Top Down (modèles sectoriels, détails des technologies) (modèles globaux, effets de système) Simulation du système énergétique (e.g. POLES, TIMER) Equilibre général multisectoriel (e.g. Green, SGM, EPPA, Gem-E3) Optimisation du système énergétique (e.g. MARKAL, MESSAGE) Croissance optimale (e.g. DICE, RICE, MIND, DEMETER) 26 Simulation vs. optimisation: 2 démarches complémentaires • Approches exploratoires par scénarios « et si… » Explorer l'éventail des états futurs possibles du système économieénergie-environnement : projection de scénarios alternatifs, sur la base de la formulation de visions qualitatives du futur, et de leurs traductions quantitatives dans des modèles numériques. Quelle pourrait être l’évolution du système? • Approches normatives pour proposer des visions alternatives souhaitables Recherche de stratégies optimales (« contrôle optimal » avec une fonction objectif, ex. minimiser le coût total actualisé du système énergétique, ou maximiser l’utilité intertemporelle) Quelle devrait être l’évolution du système? 27 Modèle de simulation vs. modèle d’optimisation: ou la polysémie du mot « modèle » « Modèles réduits » vs. « petites filles modèles » M. Pareto croit que le but de la science est de se rapprocher de plus en plus de la réalité par des approximations successives. Et moi, je crois que le but final de la science est de rapprocher la réalité d’un certain idéal; et c’est pourquoi je formule cet idéal. Léon Walras La modélisation Bottom-up : une vision d’ingénieur Principe : – Représentation fine du panier de technologies de production et transformation de l’énergie Variantes: – Optimisation intertemporelle (plannification) – Simulations à partir de routines de comportement de certaines catégories d’acteurs ou de grandes variables économiques ou énergétiques Atouts : – Représentation détaillée des techniques existantes – Prise en compte des spécificités sectorielles (électricité) Limites : – Demande exogène ou simpliste (élasticité, module macro agrégé) – Pas d'analyse des rétroactions macro-économiques 29 Un example: MARKAL-TIMES Système Énergétique de Référence CONVERSIONS STOCKAGE PRODUCTION D’ÉLECTRICITÉ ET DE CHALEUR Exports PROCESS Émissions Transformation du Charbon Raffinage Recyclage Enrichissement Réseaux de Gaz Industrie Agriculture Résidentiel Commercial et Institutionnel Transport Non Énergétique Flux d’énergie RESERVES Centralisé Décentralisé Réseaux de chaleur Énergies Finales Locales Énergies Primaires Prix de l’énergie Imports SECTEUR DE DEMANDE Demande RESSOURCES 30 Un example: MARKAL-TIMES 31 Modélisation Bottom-Up: résultats types 32 La modélisation Top-Down : une vision d’économistes modèles d’équilibre général (multisectoriels) Principe: – Représentation de l’ensemble des marchés et leurs interdépendances, ainsi que l’ensemble des équations de budget des agents représentatifs Variantes : – Modèle d'optimisation intertemporel – Modèles récursifs de simulation Atouts : – – – – Effets d'équilibre général Contraintes de financement Structures fiscales Commerce international, balance des paiements Limites : – Fonctions de production et de consommation standard et agrégées. – Hypothèses simplificatrices (optimalité, anticipations rationnelles…) – Calibrage sur une seule année (99,99% des modèles) 33 La modélisation Top-Down : une vision d’économistes modèles d’équilibre général (multisectoriels) Ménages Maximisation d’utilité. Impôts, taxes Prix Transferts Demandes finales Salaires Exportations Secteurs productifs Marchés mondiaux Équilibres des marchés – biens et capitaux – Optimisation de la production Importations Charges sociales Taxes État Politiques de redistribution. 34 La représentation des univers techniques • Un clivage persistant entre BU et TD – BU : une liste de plusieurs centaines de technologies – TD : des fonctions de production agrégées CES (Constant Elasticity of Substitution), KLE (Capital, Travail, Energie) 1 r r Q = F ⋅ (a ⋅ K + (1 − a ) ⋅ L ) r avec r= σ −1 σ • Intervale de validité des élasticités de substitution? • Limites aux substitutions? • Asymptotes techniques? • Lois de la thermodynamique? 35 Critiques des fonctions de production agrégées pour représenter les réalités techniques • This wrinkle is acceptable only at an aggregate level (for specific purposes) and implies to be cautious about the interpretation of the macroeocnomic production functions as refering to a specific technical content. [...] total-factor-productivity calculations require not only that market prices can serve as a rough-and-ready approximation of marginal products, but that aggregation does not hopelessly distort these relationships [...] over-interpretation is the endemic econometric vice. (Solow, 1988) • Having assessed one thousand econometric works on the capital-energy substitution, Frondel and Schmidt conclude that “inferences obtained from previous empirical analyses appear to be largely an artefact of cost shares and have little to do with statistical inference about technology relationship” (Frondel and Schmidt, 2002, p.72). Deux interrogations sur le statut de ces modèles et scénarios 1. Quel est le lien entre nos modèles et le monde réel? 2. Des scénarios « toujours faux »? Quel est le lien entre nos modèles et le monde réel? • La difficile question de la confrontation avec les données/l’expérience… – Reproduire les données passées est-il un gage de « validité » de ce type de modèle? – Un modèle d’optimisation a-t-il pour objectif de simuler les mécanismes à l’œuvre dans l’évolution réelle du système? – Système complexe, ouvert, (pas nécessairement) stable dans l’espace et le temps? Oreskes, N. 1998. « Evaluation (not validation) of quantitative models. » Environmental Health Perspectives 106. ———. 2000. Why believe a computer? Models, measures, and meaning in the natural world. WH Freeman and Co., San Francisco. ———. 2003. « The Role of Quantitative Models in Science Naomi Oreskes ». Models in ecosystem science, 13. Oreskes, N., et K. Belitz. 2001. « Philosophical issues in model assessment ». Model validation: Perspectives in hydrological science 23. Oreskes, N., K. Shrader-Frechette, et K. Belitz. 1994. « Verification, validation, and confirmation of numerical models in the earth sciences ». Science 263 641-46. 38 Quel est le lien entre nos modèles et le monde réel? 4 conditions for model validation • Situations being modelled can be observed and measured • Situations being modelled must exhibit a constancy of structure in time • Situations being modelled must exhibit constancy across variations in conditions not specified in the model • Ample data for making predictive tests of the model can be collected Hodges and Dewar (1992). Is it you or your model talking? A framework for model validation. RAND corporation. Quel est le lien entre nos modèles et le monde réel? 4 conditions for model validation • Situations being modelled can be observed and measured • Situations being modelled must exhibit a constancy of structure in time • Situations being modelled must exhibit constancy across variations in conditions not specified in the model • Ample data for making predictive tests of the model can be collected Energy-economy models • Yes, with difficulty of long timescales • ? • ? • Yes, with limitations on data availability and quality DeCarolis et al. (2012). Energy Economics 34:1845--‐1853. Quel est le lien entre nos modèles et le monde réel? Si les modèles ne peuvent pas être formellement validés… leurs performances peuvent être évaluées • Evaluation au sein du monde modélisé – Documentation et transparence des modèles (e.g. DeCarolis et al., 2012) – Comparaisons inter-modèles (e.g. Kriegler et al., 2014;…) – « Diagnostics » des modèles (e.g. Schwanitz, 2013) • Evaluation face aux observations historiques – Hindcasting (simulation rétrospective) (e.g. Guivarch et al., 2009; Trutnevyte, 2014) – « Faits stylisés » (e.g. Wilson et al., 2012) • Tests de « plausibilité » des résultats 41 Quel est le lien entre nos modèles et le monde réel? • La difficile question de la confrontation avec les données/l’expérience… – Reproduire les données passées est-il un gage de « validité » de ce type de modèle? – Un modèle d’optimisation a-t-il pour objectif de simuler les mécanismes à l’œuvre dans l’évolution réelle du système? – Système complexe, ouvert, (pas nécessairement) stable dans l’espace et le temps? • Positivisme vs. performativité 42 Deux interrogations sur le statut de ces modèles et scénarios 1. Quel est le lien entre nos modèles et le monde réel? 2. Des scénarios « toujours faux »? Des projections toujours fausses? • Jevons, The Coal Question (1865) 1891 Des projections toujours fausses? Projection de la consommation d’énergie pour 2000, faite en 1972 Craig et al. (2002) 45 Des projections toujours fausses? 46 Des projections toujours fausses? EIA World Oil Production Estimates Compared to Actual Production, 2000– 2011. 47 Deux interrogations sur le statut de ces modèles et scénarios 1. Quel est le lien entre nos modèles et le monde réel? 2. Des scénarios « toujours faux »? • • • • Pas de prédiction/prévision Faire émerger des « questions », « alertes »? Mettre en évidence des mécanismes, des faits stylisés, des corrélations? Ordres de grandeur? On n’a pas besoin de prévisions pour prendre des décisions… • Quels résultats sont robustes? • Quelles incertitudes comptent? • Quelles stratégies sont robustes aux incertitudes sur les ressources fossiles, les technologies futures, la démographie future…? Vous avez dit “Incertitude”? Connues Inconnues Connus Risque Incertitude Inconnus - Incertitude radicale Classification due à Franck Knight (Risk, Uncertainty and Profit, 1921) et J.M. Keynes (Treatise on Probability , 1921) • Risque: On connait les distributions de probabilités objectives. • Obtenues a priori via un calcul mathématique (probabilités mathématiques). Ex: loterie. • Inférées à partir des résultats d’expériences (probabilités statistiques). Ex: fréquence observée d’un phénomène pour estimer le risque futur. • Incertitude: situation dans laquelle les analystes ne connaissent pas ou ne peuvent se mettre d’accord sur (i) les modèles qui expliquent les mécanismes futurs, (ii) les distributions de probabilités des paramètres de ces modèles, et/ou (iii) la valeur des résultats alternatifs. • Ne peut pas être reduite à une distribution de probabiltés objective. Vous avez dit “Incertitude”? Démographie? Politiques futures? Technologies futures? Infrastructures? Croissance économique future? Modes de vie futurs? Institutions et gouvernance? Choix de localisation des activités et habitations? Coûts et potentiels d’efficacité énergétique? etc…? I – La modélisation énergie-économie-environnement [à l’échelle globale] – Où en est-on? 1. A quelles questions cherche-t-on à répondre? 2. Quels résultats a-t-on obtenu? 3. Les modèles derrière ces résultats II – La modélisation hybride 1. Quels enjeux? 2. Un ex.: le modèle Imaclim-R monde 3. Une illustration: les incertitudes socio-économiques dans l’évaluation macroéconomique des trajectoires d’atténuation 51 Le jeu répétitif des 5 familles Bottom-Up Hybride SGM Imaclim-R Edmonds Reilly Simulation Top-Down AIM MiniCam ASF WEM TIMER IPAC PETRO LEAP Simulation équilibre partiel GREEN EPPA AMIGA GEMINI-E3 WORLDSCAN GTEM EDGE WIAGEM Equilibre général récursif E3MG Optimisation du système énergétique Optimisation MARKAL MESSAGE GET TEESE LDNE New Earth 21 Global 2100 MARKAL MACRO MESSAGE MACRO MERGE CETA DNE21 MARIA GRAPE DICE RICE RICE-FEEM DEMETER ENTICE(-BR) Connecticut Model COMBAT Khana Chapman MIND Croissance optimale 52 Hybrid models: what is at stake? Consistent long-run scenarios… Plausible and tangible technological change pathways Binding physical constraints (asymptotes, resources, availability of land…) Binding economic constraints (investment levels and allocation, terms of trade, final demand patterns, budget constraint) …to guarantee that the economies depicted are based on realistic technical worlds and vice-versa. …to capture the interactions between energy systems evolutions and economic dynamics, for instance: Induced technical change Rebound effects between energy efficiency and activity level Crowding out effects between households energy bill and other consumptions Imaclim-R model • The Imaclim-R model (Waisman et al., 2012. Clim. Change 114(1)) – is a multi-region and multi-sector model of the world economy (12 regions and 12 sectors); – combines a Computable General Equilibrium framework with bottom-up sectoral modules (explicit representation of energy technologies); – has a recursive dynamic architecture; – represents the intertwined evolutions of technical systems, energy demand behaviors and economic growth; – represents endogenous: • GDP and structural change • energy markets • induced technical change – assumes exogenous: • • • • • • Demography and labour productivity growth Maximum potential of technologies (renewable, nuclear, CCS, EV…) Learning rate decreasing the cost of technologies Fossil fuel reserves Parameters of the functions representing energy-efficiency in end-uses Parameters of the functions representing behaviors and life-styles (motorization rate, residential space, evolutions in consumption preferences…) Imaclim-R model • The Imaclim-R model (Waisman et al., 2012. Clim. Change 114(1)) – is a multi-region and multi-sector model of the world economy (12 regions and 12 sectors); – combines a Computable General Equilibrium framework with bottom-up sectoral modules (explicit representation of energy technologies); – has a recursive dynamic architecture; – represents the intertwined evolutions of technical systems, energy demand behaviors and economic growth; – represents endogenous: • GDP and structural change • energy markets • induced technical change – assumes exogenous: • • • • • • Demography and labour productivity growth Maximum potential of technologies (renewable, nuclear, CCS, EV…) Learning rate decreasing the cost of technologies Fossil fuel reserves Parameters of the functions representing energy-efficiency in end-uses Parameters of the functions representing behaviors and life-styles (motorization rate, residential space, evolutions in consumption preferences…) Imaclim-R model • The Imaclim-R model (Waisman et al., 2012. Clim. Change 114(1)) – is a multi-region and multi-sector model of the world economy (12 regions and 12 sectors); – combines a Computable General Equilibrium framework with bottom-up sectoral modules (explicit representation of energy technologies); – has a recursive dynamic architecture; – represents the intertwined evolutions of technical systems, energy demand behaviors and economic growth; – represents endogenous: • GDP and structural change • energy markets • induced technical change – assumes exogenous: • • • • • • Demography and labour productivity growth Maximum potential of technologies (renewable, nuclear, CCS, EV…) Learning rates decreasing the cost of technologies Fossil fuel reserves Parameters of the functions representing energy-efficiency in end-uses Parameters of the functions representing behaviors and life-styles (motorization rate, residential space, evolutions in consumption preferences…) Imaclim-R: a hybrid recursive model to study the economy-energy-climate dynamics 12 regions 12 sectors Calibration: • GTAP 6 • IEA energy balances General features of the Imaclim-R model A comprehensive price & physical quantities account : energy (Mtoe), transportation (Passenger-kilometre travelled) Hybrid matrices, physical production capacities, physical i/o coefficients Secure the dialogue with sector - based expertise (sources of technical inertia, technical asymptotes in efficiency gains…) Assure consistency between economic projections and technical projections A yearly static equilibrium to capture general equilibrium effects Households Utility function prices wages income Transfers Final demand + Investment Production sectors Under technology and capacity constraints taxes Exports World goods, services and capital markets Imports Fiscal systems 12 regions Public Administration Redistribution & Infrastructures 12 sectors (5 energy, 3 transports, construction, industry, agriculture, composite) A yearly static equilibrium to capture general equilibrium effects Mobility : time budget, households equipments and infrastructures Households Utility function prices wages income Transfers Final demand + Investment Production sectors Under technology and capacity constraints taxes Energy consuming services : stock of m², electric appliances Exports World goods, services and capital markets Imports Fiscal systems 12 regions Public Administration Redistribution & Infrastructures 12 sectors (5 energy, 3 transports, construction, industry, agriculture, composite) A yearly static equilibrium to capture general equilibrium effects Households Utility function prices wages income Under or over use of capacities Transfers Rate of utilisation of the labor force Final demand + Investment Production sectors Under technology and capacity constraints taxes Exports World goods, services and capital markets Imports Fiscal systems 12 regions Public Administration Redistribution & Infrastructures 12 sectors (5 energy, 3 transports, construction, industry, agriculture, composite) Focus on the dynamic modules 1. Growth engine 2. Evolution of constraints Salient features of the IMACLIM-R framework What Growth Engine? natural growth and effective growth… A natural growth, the drivers of which are: • Demography (pyramid of age) labor force increase/decrease • Labor productivity increase (either exogenous catching up assumptions or stylized representation from endogenous growth theories) Exogenous “natural growth” (Phelps, 1961), i.e. the growth rate that an aggregated one-sector economy would follow under full employment of production factors. Effective growth is endogenous: • Allocation of labor force across sections (with different absolute productivities) • Shortage or excess of productive capacities, resulting from past investment decisions Focus on the dynamic modules 1. Growth engine 2. Evolution of constraints A recursive dynamic approach to disentangle short run constraints/adjustments and long run dynamics Time Static equilibrium t 12 regions 12 sectors Updated technical and structural parameters (i-o coefficients, stocks, etc.) Static equilibrium t+1 +1 Dynamic modules: Productivity catch-up, Efficiency gains, substitutions, stocks’ dynamics, reserves depletion, etc. Short run equilibrium under capacity and technology constraints Snapshot of the economy at year t: Price-signals, profitability rates, Physical outputs Moving constraints A specific effort to describe technological choices, technical constraints and structural change An explicit technology portfolio for critical elements of the energy system Power generation (Advanced coal, CCS, nuclear, various renewable…) Light Duty Vehicles ( Hybrid, plug-in Hybrid, electric…) Alternative liquid fuels (Biofuels, Coal to liquid…) An effort to represent physical constraints bearing on energy supply and demand Temporal availability of oil resources Load curve for power generation Technical asymptotes for energy efficiency gains Including Structural Change R&D and learning-by-doing mechanisms apply to the sets of techniques Endogenous Structural Change results from interactions between demand, supply, and ITC mechanisms Dynamic module « mimic » investment choices • Sectors chose how many new producing capacities they wish to build and what technical characteristics they want (type of energy, energy efficiency), given: – – – – Depreciation of old capital generations Anticipated demand (with information on current and past demands) Anticipated prices (with information on current and past prices) Technologies characteristics in the portfolio (costs, efficiencies…) • Households similarly chose their equipments (cars, …) • The capital stock characteristics evolve « at the margin » • Putty-clay representation allows to distinguish between short-term rigidities and long-term flexibilities Exogenous Omitted Strikes, wars Saving rates Labor productivity Endogenous Population Unemployement Other resources than energy Energy efficiency Other pollution than CO2 GDP Investment demand by sector Resource substitution Leisure time Capital balance Gouvernance Resource reserves (energy) Wages Prices Climate change damages CO2 emissions Cost of CO2 abatement Resource use per unit of Final demand output by sector CO2 abatement policies Consumption Technical choices Private demand by sector Emission coefficients Income distribution within countries Technical costs Elasticities Exports and of imports by households’ sector utility function Total output by sector Lifestyle choices Public spending (% GDP) Debt, money Research and development spending Socio-economic uncertainties in the macroeconomic evaluation of climate change mitigation scenarios IPCC (2014) WGIII Summary for Policy Makers mitigation scenarios (450ppm CO2eq in 2100) entail losses in global consumption […] of 1% to 4% in 2030, 2% to 6% in 2050, and 3% to 11% in 2100 relative to consumption in baseline scenarios that grows anywhere from 300% to more than 900% over the century. These numbers correspond to an annualized reduction of consumption growth by 0.04 to 0.14 (median: 0.06) percentage points over the century relative to annualized consumption growth in the baseline that is between 1.6% and 3% per year. Mitigation costs Baseline uncertainty Mitigation costs Studying jointly GDP losses and absolute GDP levels • Objective: – Study jointly per capita GDP in mitigation scenarios and GDP losses with respect to the baseline – Explore the role of a wide range of socio-economic uncertainties for these two measures. • Method: Construct and analyze an ensemble of scenarios – Set an emission reduction objective (eg emissions trajectory leading to 50% reduction in 2050 wrt 2000) – Define ex-ante the important drivers of emissions and mitigation costs – Run hundreds of scenarios combining uncertainty on these drivers – Analyze the influence of the different drivers on the two measures with statistical tools Potential drivers of climate mitigation costs Catch-up speed in other countries Design of the policy Labor productivity growth in rich countries Mitigation costs Availability of fossil energy - Coal - Unconventional gas - XTL (gasoline substitutes) Low-carbon technologies - Electricity - Transports - Housing Population growth Consumption behaviors and localization choices End-use energy efficiency Potential drivers of climate mitigation costs Catch-up speed in other 3 possible countries alternatives Design of the policy 2 possible alternatives Labor productivity growth in rich3 possible countries alternatives 3 possible alternatives Population growth Mitigation costs 2 possible alternatives Consumption behaviors and localization choices Availability of fossil energy - Coal - Unconventional gas - XTL (gasoline substitutes) 3 possible alternatives Low-carbon technologies 2 possible - Electricity alternatives - Transports - Housing 3 possible alternatives End-use energy efficiency 216 baseline scenarios 2 mitigation scenarios for each baseline 2 types of policies to reach ~500ppm CO2-eq: - Carbon price revenues recycled to households - Carbon price revenues recycled through a reduction of other taxes 432 policy scenarios Two measures for the macroeconomic evaluation of mitigation scenarios • Macroeconomic cost (or GDP losses): GDPpolicy macro_cost = − − 1 GDPbase • Per capita GDP level reached in mitigation scenario The possible range of costs is large and the two measures are not good proxy for one another mean across all mitigation scenarios Discounted per capita GDP, over 20112050 (3% discount rate) Correlation coefficients: - whole set: -0.67 - set with reduction of pre-existing taxes: -0.36 Discounted GDP losses wrt baseline, over 2011-2050 (3% discount rate) Per-capita GDP and macroeconomic cost are not good proxy for each other Results from Classication and Regression Tree (CART, Breiman et al., 1983) algorithm recycling (+) fossil fuels (-) recycling (-) technologies (-) Fossil fuels uncertainty only impact baseline per-capita GDP Per-capita GDP and macroeconomic cost are not good proxy for each other Results from Classication and Regression Tree (CART, Breiman et al., 1983) algorithm energy efficiency (+) recycling (+) behaviors (+) fossil fuels (-) behaviors (-) recycling (-) technologies (-) energy efficiency (-) Conclusions • Socio-economic uncertainties are important for the evaluation of mitigation scenarios – Using only one baseline for policy assessment is insufficient • The two measures (GDP losses and per capita GDP) are not equivalent and do not give the same insights for policy designs. • Realizing the difference is important to focus on the relevant information depending on the question at stake: • – Deciding on the level of mitigation to target – Choosing a strategy to meet an already fixed target The most important uncertainties for per capita GDP evaluations may be different from the main determinants of GDP losses compared to a baseline. – Low-carbon technologies are important for the latter; whereas end-uses energy efficiency and energy demand behaviors are important for the former. – In a context where mitigation targets are already fixed, these results call to devote more attention to energy demand behaviors and energy efficiency Conclusions 87 Le modèle parfait? Consumption patterns Overall productivity Demographics Aging Migrations Savings rate Capital flows Debts Trade C Energy, food and housing markets Growth engine T Technology and resources L Location 88 Le modèle parfait? • Une illusion? – … le piège de la carte à l’échelle 1:1 – … quel niveau de complexité est gérable/nécessaire? – … attention à la disponibilité/qualité des données • Des modèles très différents co-existent – …des controverses sur la “bonne” représentation des mécanismes économiques (pas de “loi” immuable) – … répondent à des questions différentes 89 Le piège de la carte à l’échelle 1 • Borges, "On Exactitude in Science": « In that Empire, the Art of Cartography attained such Perfection that the map of a single Province occupied the entirety of a City, and the map of the Empire, the entirety of a Province. In time, those Unconscionable Maps no longer satisfied, and the Cartographers Guilds struck a Map of the Empire whose size was that of the Empire, and which coincided point for point with it. The following Generations, who were not so fond of the Study of Cartography as their Forebears had been, saw that that vast Map was Useless...» 90 Le piège de la carte à l’échelle 1 And then came the grandest idea of all! We actually made a map of the country, on the scale of a mile to the mile!" "Have you used it much?" I enquired. "It has never been spread out, yet," said Mein Herr: "the farmers objected: they said it would cover the whole country, and shut out the sunlight! So we now use the country itself, as its own map, and I assure you it does nearly as well.” -- Lewis Carroll, Sylvie and Bruno Concluded (1893). 91 Le modèle parfait? • Une illusion? – … le piège de la carte à l’échelle 1:1 – … quel niveau de complexité est gérable/nécessaire? – … attention à la disponibilité/qualité des données • Des modèles très différents co-existent – …des controverses sur la “bonne” représentation des mécanismes économiques (pas de “loi” immuable?) – … répondent à des questions différentes 92 Modéliser c’est faire des simplifications • Solow (2000) « When I walk around Boston or sail around Vineyard Sound I navigate without hesitation as if the earth were flat, and I get there just fine. If I were flying to Timbuktu or sailing to Sydney, I would surely navigate as if the earth were spherical. The analogy is not perfect. Here is a rather better one that I understand less well: in everyday life, I am assured, Newtonian physics is perfectly adequate, but over much longer distances and higher velocities it would be a bad mistake to omit relativistic effects. Presumably there are intermediate velocities at which the choice might be worth thinking about. » 93 Modéliser c’est faire des choix et des compromis Missing data Data Incomplete data Incorrect data Compromises Theories Limit on the complexity Established? Numerical tools Computational constraints Limit on the complexity 94 Merci pour votre attention … et vos questions. • • • Rozenberg, J., Guivarch, C., Lempert, R., Hallegatte, S. 2014. Building SSPs for climate policy analysis : a scenario elicitation methodology to map the space of possible future challenges to mitigation and adaptation. Climatic Change 122(3), pp 509-522. Guivarch, C. et Rozenberg, J. 2014. ’Produire des scénarios par centaines. Comment les démarches statistiques renouvellent les approches prospectives.’ Futuribles 398, 49-56. Waisman, H.D., Guivarch, C., Grazi, F., Hourcade, J.-C. 2012. ‘The Imaclim-R Model : Infrastructures, Technical Inertia and the Costs of Low Carbon Futures under Imperfect Foresight.’ Climatic Change, Volume 114, Number 1, 101-120. http://www.imaclim.centre-cired.fr/spip.php?article21 [email protected]