Agent-Based Modeling of Low-Emission Fertilizer Adoption for Dairy Farm Decarbonisation using Empirical Farm Data

Résumé technique : Modélisation basée sur les agents de l'adoption d'engrais à faibles émissions pour la décarbonation des exploitations laitières

Énoncé du problème
Les systèmes agricoles, en particulier l'élevage laitier irlandais, sont des contributeurs majeurs aux émissions de gaz à effet de serre (GES), principalement dues à l'utilisation d'engrais azotés, à la gestion du bétail et aux pratiques d'utilisation des terres. Bien que des mesures pratiques à faibles émissions existent — telles que l'adoption d'urée protégée (urée traitée avec l'inhibiteur d'uréase NBPT) —, leur adoption à travers les exploitations est inégale. Cette hétérogénéité découle de différences dans les capacités de gestion, les contraintes structurelles et les interactions sociales. Les modèles d'évaluation traditionnels de type descendant (top-down) échouent souvent à capturer cette complexité, s'appuyant sur des hypothèses de comportement uniforme et d'adoption immédiate, tout en ignorant les effets de pairs, la dépendance au chemin et la prise de décision stochastique. Par conséquent, il existe un besoin d'un cadre capable de simuler l'évolution socio-technique de la décarbonation, traitant l'adoption non pas simplement comme un calcul financier, mais comme un processus dynamique influencé par la contagion sociale et les caractéristiques structurelles des exploitations.

Méthodologie
L'étude développe un cadre de modélisation basée sur les agents (ABM) empiriquement fondé pour simuler la diffusion des technologies à faibles émissions à travers 295 exploitations laitières irlandaises sur un horizon de 15 ans.

• Fondement des données : Le modèle utilise un ensemble de données complet au niveau des exploitations fourni par Teagasc (l'Autorité irlandaise de développement agricole et alimentaire), agrégé à partir de la Fédération irlandaise d'élevage bovin (ICBF) et de Bord Bia. Cet ensemble de données comprend les performances de production (rendement laitier, solides, structure du troupeau), l'utilisation d'intrants (types d'engrais, chaux, aliments) et les variables économiques.
• Structure des agents : Chacune des 295 exploitations est modélisée comme un agent autonome avec des attributs spécifiques : superficie, unités de bétail, production laitière et intrant azoté. Initialement, tous les agents utilisent du nitrate d'ammonium calcique (CAN) conventionnel.
• Architecture du réseau social : Pour reproduire la dynamique sociale des groupes de discussion agricole, le modèle emploie un réseau de petit monde de Watts-Strogatz. Cette structure présente un regroupement local élevé (représentant des cercles stables de conseils entre pairs) et de courtes longueurs de chemin moyennes (représentant le transfert d'information entre groupes via les conseillers). Les paramètres du réseau ($k=4$ connexions, probabilité de réarrangement $p=0.1$) ont été fixés pour représenter une structure de pairs clairsemée et regroupée, plutôt que calibrés pour correspondre à des courbes d'adoption spécifiques.
• Mécanisme d'adoption : L'adoption de l'urée protégée est modélisée comme un processus de décision stochastique et probabiliste. La probabilité d'adoption ($P_{i,t}$) pour une exploitation non adoptante $i$ au temps $t$ est une fonction de :
  1. Inclinaison de base : Une propension fixe à innover ($\beta_0$).
  2. Influence des pairs : Un signal décalé ($S_{i,t-1}$) représentant le taux d'adoption moyen des exploitations voisines, pondéré par un paramètre d'influence sociale calibré ($\omega = 0.85$).
  3. Facteurs structurels : Taille de l'exploitation et production laitière normalisées.
  4. Chocs politiques : Ajustements exogènes pour les taxes carbone ou les subventions.
• Scénarios politiques : Le modèle simule trois scénarios : une référence (aucune politique), une taxe carbone (71 €/t de CO2 appliquée aux émissions incorporées dans les engrais) et une subvention (200 €/tonne sur l'urée protégée).
• Émissions et économie : Le modèle calcule les émissions directes de protoxyde d'azote basées sur des facteurs d'émission spécifiques aux engrais (CAN : 0,0149 ; Urée protégée : 0,0040) et les convertit en équivalents CO2. Il calcule également les coûts marginaux d'abattement (MAC) en comparant les changements de coûts privés des intrants par rapport à l'abattement total, distinguant entre les coûts privés et les coûts sociaux (incluant les dépenses gouvernementales).
• Validation et incertitude : Le modèle a été calibré à l'aide de données historiques d'adoption (2019–2024) et validé contre des données hors échantillon (2023–2024) en utilisant les métriques d'erreur quadratique moyenne (RMSE), d'erreur absolue moyenne (MAE) et de $R^2$. La robustesse a été évaluée via 250 itérations de Monte Carlo et des analyses de sensibilité sur les poids d'influence sociale et les niveaux de subvention.

Contributions clés

1. Calibration empirique : L'étude relie des données réelles au niveau des exploitations à un ABM calibré, modélisant avec succès des voies de diffusion réalistes pour l'adoption d'engrais avec une haute précision prédictive ($R^2 = 0,979$, RMSE = 0,0274).
2. Intégration de la modélisation biophysique et économique : Elle combine la comptabilité économique avec la modélisation des émissions biophysiques pour estimer les coûts marginaux d'abattement dans un environnement simulé, distinguant entre les coûts de bien-être privés et sociaux.
3. Quantification de l'incertitude : En utilisant des méthodes de Monte Carlo, l'étude quantifie l'incertitude dans le calendrier d'adoption et les émissions cumulées, fournissant des insights probabilistes plutôt que des estimations déterministes à un seul point.
4. Cadre de laboratoire politique : Le modèle sert de « laboratoire politique » pour pré-tester la robustesse et la vitesse de diffusion des stratégies climatiques, conceptualisant la décarbonation comme une évolution socio-technique plutôt que comme un calcul purement monétaire.

Résultats

• Précision prédictive : Le modèle a démontré une haute précision prédictive, avec un $R^2$ de 0,9793 et un RMSE de 0,0274. L'inclusion des effets de réseau social était cruciale ; leur suppression a augmenté le RMSE de cinq fois (de 0,0274 à 0,1476), confirmant que l'influence de pair à pair est un mécanisme dominant dans l'adoption d'engrais.
• Dynamiques d'adoption : L'adoption a suivi une courbe en S logistique. Le scénario de référence a atteint 50 % d'adoption en environ 7,2 ans. La taxe carbone a accéléré cela à environ 3,6 ans, tandis que le scénario de subvention a été le plus rapide, atteignant 50 % en environ 3,0 ans.
• Abattement cumulatif : Sur l'horizon de 15 ans, le scénario de subvention a permis d'éviter 121,35 Gg de CO2-eq, soit environ 24 % de plus que le scénario de taxe carbone (97,73 Gg de CO2-eq). Cette différence est attribuée au pic d'adoption plus précoce sous la subvention, qui prolonge la période d'économies d'émissions.
• Déplacements distributionnels : Un test de Kolmogorov-Smirnov a confirmé que les interventions politiques modifient fondamentalement la distribution de l'intensité carbone du secteur ($D = 0,2407, p < 0,001$), supprimant efficacement la queue à haute intensité et tirant les exploitations « en retard » vers le mode de référence.
• Viabilité économique : Le coût marginal d'abattement privé a été calculé à 0,80 € par tCO2-eq, nettement inférieur aux références actuelles des prix du carbone de l'UE. Cependant, en incluant les dépenses de subvention gouvernementales, le coût social d'abattement est passé à 4,54 € par tCO2-eq.
• Hétérogénéité : L'analyse structurelle a révélé que l'intensité carbone est pilotée par l'efficacité de l'utilisation des nutriments et l'équilibre du chargement plutôt que par l'échelle de l'exploitation seule. Les exploitations « en retard » (20 % des plus grands émetteurs) présentaient des taux de chargement élevés (~4,5 UB/ha) sans gains correspondants de rendement laitier, indiquant des rendements décroissants et des pertes d'azote.

Signification et revendications
L'article revendique que sa signification principale réside dans la fourniture d'un cadre validé et généralisable pour investiguer la diffusion de technologies hétérogène et médiatisée par les réseaux dans les systèmes agricoles. En intégrant des données empiriques à la modélisation basée sur les agents, l'étude démontre que :

• La contagion sociale est critique : L'influence des pairs n'est pas un facteur secondaire mais un moteur principal de la vitesse d'adoption. Les politiques qui ne tiennent pas compte de la dynamique des réseaux peuvent sous-estimer la vitesse de diffusion ou l'impact des premiers adoptants.
• Subventions vs Taxes : Bien que les taxes carbone et les subventions puissent toutes deux stimuler l'adoption, les interventions basées sur les subventions créent une diffusion plus rapide et un abattement cumulatif plus important grâce à leur capacité à déclencher plus tôt des points de bascule sociaux auto-renforçants au début de la transition.
• Dépendance au chemin : Le modèle illustre que le calendrier des politiques interagit avec la contagion des réseaux pour créer des voies de transition durables. Les incitations précoces peuvent « verrouiller » les comportements en réduisant les risques perçus grâce à la validation par les pairs, une dynamique que les mécanismes de prix statiques (comme les taxes) peuvent avoir du mal à reproduire à moins qu'ils ne soient suffisamment puissants pour franchir le même seuil social.
• Interventions ciblées : Le cadre suggère que le ciblage des exploitations à forte intensité d'émission structurellement influentes produit l'impact marginal le plus élevé, soutenant la conception d'interventions différenciées et fondées sur des preuves plutôt que des approches uniformes.

Les auteurs positionnent le modèle comme un outil pour l'expérimentation de « laboratoire politique », permettant aux parties prenantes d'anticiper et d'optimiser les stratégies de décarbonation avant leur mise en œuvre, tout en reconnaissant les limites concernant la complexité comportementale bornée et les variables économiques statiques.