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]