📈 economics

Agent-Based Modelling of Battery Electric Vehicle Adoption in Portugal

Cet article utilise un modèle à base d'agents pour démontrer que, bien que le revenu demeure le principal moteur de l'adoption des véhicules électriques au Portugal, l'investissement stratégique dans les infrastructures de recharge est plus efficace que les incitations fiscales pour stimuler les taux d'adoption et réduire les inégalités spatiales.

Auteurs originaux : Bento Gregório Maria

Publié 2026-07-07

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Bento Gregório Maria

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez le Portugal comme un immense quartier animé composé de nombreuses villes (municipalités). Certaines villes sont riches avec de grandes maisons, tandis que d'autres sont plus petites ou disposent de moins de ressources. L'auteur de ce document, Bento Maria, a construit une simulation numérique sous forme de jeu pour comprendre comment les gens dans ces villes décident de passer des voitures à essence aux véhicules électriques à batterie (VEB).

Au lieu de simplement regarder les statistiques nationales, ce jeu crée 1 000 « personnes » virtuelles (agents) et les répartit dans les villes en fonction des chiffres réels de la population. Ces personnes virtuelles ont des budgets différents et prennent des décisions basées sur les conditions spécifiques de leur propre ville.

Voici comment le jeu fonctionne et ce que l'auteur a découvert, expliqué par des analogies simples :

1. Le plateau de jeu : Comment les villes sont connectées

Dans le monde réel, les villes ne sont pas des îles isolées ; elles sont reliées par des routes et des gens qui se rendent les uns chez les autres.

L'analogie : Imaginez que les villes sont des maisons dans un quartier. L'auteur a dessiné une « corde » entre chaque maison pour voir qui est proche de qui. Ensuite, il a coupé les cordes qui étaient trop longues, ne laissant que les connexions essentielles qui maintiennent tout le quartier lié. C'est ce qu'on appelle un Arbre Couvrant Minimal (Minimum Spanning Tree).
Pourquoi c'est important : Si votre voisin achète une voiture électrique, vous pourriez être plus enclin à en acheter une aussi parce que vous la voyez dans la rue, ou parce que vous savez que la station de recharge à proximité fonctionne bien. Le modèle suit cet « effet de voisinage ».

2. Les règles du jeu : Qu'est-ce qui pousse au changement ?

Les personnes virtuelles décident d'acheter une voiture électrique en calculant un « score ». Si le score est assez élevé, elles effectuent le changement. Le score est composé de :

L'argent (Revenu) : C'est le facteur principal. Les personnes dans les villes riches ont généralement un score plus élevé.
Les stations de recharge : Si une ville possède beaucoup de chargeurs, le score augmente. Le modèle traite la croissance des chargeurs comme une plante qui grandit, avec une part d'aléatoire (parfois elle grandit vite, parfois lentement, tout comme dans la vraie vie).
Les taxes et les réductions : Le Portugal propose des avantages fiscaux pour les voitures électriques. Le modèle teste si ces réductions changent réellement les comportements.
L'« Effet Matthieu Inverse » (Le niveleur) : Habituellement, dans la vie, les riches deviennent plus riches (l'Effet Matthieu). Ce modèle ajoute une règle spéciale pour tenter l'inverse : il donne un petit coup de pouce supplémentaire aux personnes dans les villes pauvres ou les villes ayant moins de voitures électriques. C'est comme un handicap dans une course conçu pour aider les coureurs les plus lents à rattraper leur retard.

3. L'expérience : Tester différentes règles

L'auteur n'a pas seulement lancé le jeu une seule fois. Il l'a lancé de nombreuses fois avec différents livrets de règles pour voir lequel correspondait le mieux à la réalité.

Livret A (Simple) : Seuls l'argent et les stations de recharge comptent.
Livret B (Social) : Ajoute l'« effet de voisinage ».
Livret C (Le pack complet) : Ajoute tout, y compris la règle du « niveleur » et les astuces fiscales complexes.

La découverte surprenante :
Vous pourriez penser que la version « Pack complet » avec toutes les règles complexes serait la plus précise. Ce n'était pas le cas.
La version la plus précise était une version plus simple qui combinait :

Le revenu (L'argent).
Les effets de voisinage (Le social).
La règle du « niveleur » (L'effet Matthieu inverse).

Ajouter des règles plus complexes rendait en fait les prédictions moins bonnes. C'est comme essayer de cuisiner un gâteau : parfois, ajouter trop d'ingrédients sophistiqués gâche la recette, alors qu'un mélange simple de farine, de sucre et d'œufs fonctionne le mieux.

4. Le test de politique publique : Qu'est-ce qui fonctionne le mieux ?

L'auteur a utilisé la meilleure version du jeu pour tester deux stratégies gouvernementales différentes pour l'avenir :

Stratégie 1 : Donner plus d'argent (Incitations fiscales). Imaginez que le gouvernement dise : « Nous allons vous donner des réductions d'impôts encore plus importantes ! »
- Résultat : Cela n'a presque rien changé. Le jeu a montré que les gens bénéficiaient déjà de suffisamment d'avantages fiscaux ; en donner plus n'a pas convaincu beaucoup de nouvelles personnes de changer.
Stratégie 2 : Construire plus de chargeurs (Infrastructure). Imaginez que le gouvernement construise des stations de recharge dans les villes qui n'en ont actuellement aucune.
- Résultat : Ce fut un immense succès. Cela a non seulement poussé plus de personnes à acheter des voitures électriques, mais cela a aussi aidé les villes pauvres à rattraper les riches. Cela a réduit l'écart entre les quartiers riches et pauvres.

L'essentiel

L'article conclut que :

L'argent est Roi : La chose la plus importante pour qu'une personne achète une voiture électrique est d'avoir l'argent pour le faire.
Les voisins comptent : Voir des voitures électriques dans les villes voisines aide à propager la tendance.
Les chargeurs sont la Clé : Si le gouvernement veut avoir plus de voitures électriques sur les routes et s'assurer que tout le monde en bénéficie équitablement, construire des stations de recharge est bien plus efficace que de distribuer davantage de coupons fiscaux.

Le modèle agit comme une boule de cristal pour les décideurs politiques, montrant que s'ils veulent corriger « l'inégalité territoriale » (où les villes riches obtiennent toutes les voitures électriques et les villes pauvres aucune), ils doivent se concenter sur l'infrastructure physique, et non pas seulement sur le portefeuille.

Résumé technique : Modélisation à base d'agents de l'adoption des véhicules électriques à batterie au Portugal

Énoncé du problème
Le secteur des transports est un contributeur majeur aux émissions de gaz à effet de serre au Portugal, ce la pousse les politiques publiques à promouvoir l'adoption des véhicules électriques à batterie (VEB) par le biais d'incitations fiscales, d'exonérations de taxes et de subventions. Cependant, l'adoption ne se produira probablement pas de manière uniforme dans l'espace. La littérature existante souligne le rôle des incitations, des infrastructures et de la diffusion sociale, mais l'interaction entre la politique fiscale, l'hétérogénéité municipale, les effets de réseau et les mécanismes comportementaux reste sous-explorée dans le contexte portugais. L'article répond à la question de recherche suivante : Comment les incitations fiscales, les conditions locales et les interactions de réseau affectent-elles la concentration spatiale de l'adoption des VEB à travers les municipalités portugaises ?

Méthodologie
L'étude développe un modèle à base d'agents (ABM) calibré au niveau de la municipalité pour simuler la dynamique d'adoption des VEB à travers les municipalités portugaises. La méthodologie se déroule en cinq étapes :

Données et variables d'état : Le modèle utilise des données de panel par municipalité (2021–2024) combinant les données d'utilisation des VEB (ACAP), les structures d'incitation fiscale (ISV, IUC, subventions), les incitations au stationnement, les indicateurs socio-économiques (INE) et les données sur l'infrastructure de recharge (MOBI.E). Les variables clés incluent la population, le revenu, la part observée de VEB, la densité de recharge et le nombre de bornes de recharge.
Construction du réseau spatial : Un réseau municipal spatial est construit à l'aide d'un arbre couvrant minimal (MST) dérivé d'un graphe complet pondéré des distances municipales. Un seuil de connectivité ( $\delta$ ) est établi sur la base de la distance maximale des arêtes dans le MST, garantissant que toutes les municipalités restent connectées tout en filtrant la proximité spatiale pertinente.
Population d'agents synthétiques : Une population synthétique de 1 000 agents est répartie dans les municipalités proportionnellement à leur population de l'année de base. Chaque agent possède une dotation liée au revenu municipal et un terme stochastique idiosyncrasique, permettant l'hétérogénéité intra-municipale.
Dynamique d'infrastructure stochastique : L'expansion de l'infrastructure de recharge est modélisée comme un processus de diffusion logistique stochastique (approximé via la discrétisation d'Euler–Maruyama). Cela introduit l'incertitude concernant le calendrier des investissements et la mise en œuvre des politiques, capturant la volatilité du déploiement des infrastructures.
Mécanismes comportementaux et calibration : Le modèle teste cinq spécifications incrémentielles pour isoler la contribution de différents mécanismes :
- Baseline (Référence) : Déterminants économiques de base (dotation, incitations fiscales, infrastructure).
- Social : Ajoute des effets de pairs locaux.
- Spatial : Ajoute des retombées spatiales entre les municipalités connectées.
- Redistribution : Introduit un mécanisme d'incitation redistributif où les incitations fiscales sont pondérées par un « indice de désavantage » (revenu, adoption préalable et infrastructure).
- Effet Matthieu inversé : Un mécanisme compensatoire où les agents des municipalités ayant une adoption préalable et une dotation plus faibles reçoivent un stimulus d'adoption plus fort.
- Modèle complet : Combine tous les mécanismes.

Le modèle est calibré sur les données de 2021–2023 et validé hors échantillon par rapport aux données de 2024. La performance est évaluée à l'aide de l'erreur quadratique moyenne (RMSE), de l'erreur absolue moyenne (MAE), de la corrélation et du biais de prédiction à travers 500 réplications de Monte Carlo.

Résultats clés

Déterminants de l'adoption : Le revenu est identifié comme le déterminant le plus robuste de l'adoption des VEB. Les variables associées aux conditions économiques locales apparaissent dans toutes les spécifications les plus performantes.
Parsimonie du modèle : Contrairement à l'hypothèse selon laquelle la complexité améliore la précision, le modèle le plus complexe (« Full Model ») ne surpasse pas les spécifications plus simples. Les scores de validation les plus élevés sont obtenus par des modèles parsimonieux combinant le revenu, les interactions spatiales et l'effet Matthieu inversé.
Dynamique spatiale : Les interactions spatiales améliorent significativement la représentation des modèles de diffusion locale. Les décisions d'adoption sont influencées non seulement par les caractéristiques locales, mais aussi par les conditions des municipalités voisines.
Incertitude de l'infrastructure : L'analyse de sensibilité révèle que l'importance relative des mécanismes comportementaux dépend de la volatilité de l'infrastructure. Sous une dynamique déterministe, le revenu domine. Sous une volatilité modérée, la combinaison du revenu, des effets spatiaux et de l'effet Matthieu inversé est la plus performante. Sous une volatilité élevée, les effets spatiaux restent critiques, tandis que l'effet Matthieu inversé s'affaiblit.
Simulations de politiques :
- Expansion de l'infrastructure : Simuler une expansion accélérée de l'infrastructure de recharge augmente l'adoption totale des VEB d'environ 3,9 % et réduit la concentration spatiale (abaissant l'indice de Herfindahl–Hirschman).
- Incitations fiscales : Simuler des incitations fiscales plus fortes sous le cadre actuel ne génère pratiquement aucune adoption supplémentaire et ne parvient pas à modifier la dynamique de concentration, suggérant des rendements décroissants sur les incitations une fois un certain seuil atteint.

Signification et contributions
L'article revendique trois contributions primaires à la littérature :

Méthodologique : Il développe un ABM au niveau municipal pour le Portugal qui intègre des agents hétérogènes, des réseaux spatiaux et des dynamiques d'infrastructure stochastiques.
Théorique : Il incorpore un réseau spatial filtré basé sur la connectivité MST et introduit un mécanisme d'effet Matthieu inversé pour évaluer si les incitations fiscales réduisent ou renforcent les inégalités spatiales.
Pertinence politique : Les conclusions soulignent que l'investissement dans l'infrastructure est un levier plus efficace que les incitations fiscales supplémentaires pour augmenter simultanément l'adoption et réduire les disparités territoriales. Le modèle sert de laboratoire de simulation de politiques, permettant aux décideurs d'évaluer des scénarios alternatifs (par exemple, expansion de l'infrastructure vs exonérations fiscales) pour évaluer les niveaux d'adoption attendus et l'émergence potentielle d'inégalités territoriales avant la mise en œuvre.

L'étude conclut que la diffusion des VEB est mieux expliquée par une combinaison de ressources économiques locales, d'effets d'interaction spatiale et de dynamiques d'adoption cumulatives, plutôt que par l'inclusion simultanée de tous les mécanismes comportementaux disponibles. Elle souligne que l'incertitude de l'infrastructure conditionne la structure comportementale nécessaire pour reproduire les modèles d'adoption observés.