📈 economics

Universality and Predictability of Technology Diffusion

En analysant 120 technologies matures, cet article démontre qu'un processus de Bertalanffy-Richards universel peut prévoir avec précision la diffusion en courbe en S des technologies des décennies à l'avance, révélant que l'énergie solaire et l'énergie éolienne atteindront probablement une domination mondiale d'ici 2050 bien plus tôt que ne le prédisent les scénarios climatiques actuels.

Auteurs originaux : Benjamin Wagenvoort, François Lafond, Joel Dyer, James Doyne Farmer

Publié 2026-08-24

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Benjamin Wagenvoort, François Lafond, Joel Dyer, James Doyne Farmer

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

Chaque nouvelle technologie semble avoir sa propre histoire unique. Certaines arrivent discrètement, d'autres explosent sur la scène, et la plupart finissent par s'installer dans un rythme régulier lorsqu'elles font partie de la vie quotidienne. Pendant des décennies, des scientifiques et des économistes ont tenté de trouver une règle unique expliquant ce schéma, une loi universelle qui prédit la vitesse à laquelle une nouvelle invention se propagera d'une poignée d'utilisateurs au monde entier. Cette question n'est pas seulement une curiosité académique ; c'est une question de survie pour notre planète. Alors que l'humanité s'efforce de remplacer les combustibles fossiles par des énergies renouvelables, savoir exactement à quelle vitesse les panneaux solaires et les éoliennes peuvent être déployés fait la différence entre atteindre les objectifs climatiques et les manquer. Pourtant, les tentatives passées pour prévoir ces transitions ont souvent été radicalement inexactes, laissant les planificateurs deviner si une technologie va décoller ou s'essouffler.

Une équipe de chercheurs de l'Université d'Oxford a maintenant abordé cette incertitude en considérant l'histoire non pas comme une collection d'histoires uniques, mais comme un ensemble massif de modèles. Ils ont recueilli des informations sur 120 technologies différentes qui ont déjà atteint la maturité, allant des canaux anciens aux téléphones mobiles modernes. En étudiant ces parcours achevés, ils ont découvert que malgré leurs origines et leurs fonctions différentes, toutes ces technologies suivent une forme remarquablement similaire lors de leur croissance. Cette forme, souvent appelée courbe en S, commence par une croissance lente, s'accélère en un essor rapide, puis ralentit à nouveau à mesure que le marché devient saturé. Les chercheurs ont découvert que ce schéma est si cohérent qu'il peut être décrit par un processus mathématique unique, qu'ils appellent le modèle de Bertalanffy-Richards. Ce modèle agit comme une carte fiable, leur permettant de prédire la trajectoire future d'une nouvelle technologie avec un niveau de précision connu, même lorsqu'ils ne disposent que d'une petite quantité de données initiales.

Pour tester l'efficacité de cette carte, l'équipe a utilisé une méthode appelée prévision bayésienne, qui permet de mettre à jour leurs prévisions à mesure que de nouvelles informations arrivent. Ils ont lancé des milliers de simulations, faisant semblant d'être dans le passé et essayant de prévoir l'avenir en se basant uniquement sur les données disponibles à cette époque. Ils ont constaté que leur modèle pouvait prédire la taille finale de l'adoption d'une technologie avec une précision surprenante. Même en observant une technologie qui n'avait atteint que cinq pour cent de son marché potentiel, le modèle pouvait prévoir sa taille future avec un facteur de deux. Cela signifie que si une technologie atteint finalement 100 millions d'utilisateurs, le modèle prédirait un nombre compris entre 50 millions et 200 millions, un niveau de précision rare dans les prévisions à long terme. Les chercheurs ont également comparé leur méthode à d'autres outils de prévision populaires et ont constaté que ces méthodes plus anciennes produisaient souvent des résultats systématiquement trop bas ou trop confiants, passant à côté du véritable potentiel de la technologie.

L'équipe a ensuite appliqué cette nouvelle méthode validée aux deux technologies les plus critiques pour notre avenir énergétique : les panneaux solaires photovoltaïques et les éoliennes. Les résultats remettent en question la sagesse dominante que l'on trouve dans de nombreux rapports climatiques majeurs. Alors que les scénarios actuels de groupes comme le Groupe d'experts intergouvernemental sur l'évolution du climat (GIEC) et l'Agence internationale de l'énergie supposent souvent une croissance modérée pour les deux, l'analyse de l'équipe d'Oxford suggère un résultat très différent pour l'énergie solaire. Leur prévision médiane indique qu'en 2050, l'énergie solaire pourrait fournir environ 85 pétawatts-heures d'énergie utile par an. Ce chiffre dépasse de loin les attentes actuelles ; il équivaut approximativement à la quantité totale d'énergie utile consommée par toute la société humaine aujourd'hui. En revanche, leur prévision pour l'énergie éolienne est plus modeste, prédisant une offre d'environ 5 pétawatts-heures, ce qui est nettement inférieur aux scénarios optimistes souvent présentés dans les documents politiques.

L'étude suggère que le monde verra probablement une transition vers l'énergie solaire beaucoup plus rapide que ce qui est largement admis, atteignant potentiellement les objectifs climatiques ambitieux plus tôt que prévu. Les chercheurs notent que cette croissance rapide n'est pas garantie par la politique seule, mais est pilotée par la dynamique inhérente à la propagation des technologies réussies. Ils ont constaté que l'énergie solaire est actuellement dans une phase où sa croissance est encore indiscernable d'une montée exponentielle rapide, ce qui rend difficile de savoir exactement quand elle commencera à ralentir. Cependant, les données suggèrent fortement que les limites supérieures de l'adoption du solaire sont bien plus élevées que ce que supposent les modèles actuels. Cela ne signifie pas que la transition sera facile ou que tous les obstacles disparaîtront, mais cela fournit une raison scientifiquement fondée d'optimisme. L'étude conclut qu'en comprenant les lois universelles de la diffusion technologique, nous pouvons dépasser les conjectures et prendre des décisions d'investissement et de planification basées sur une image plus claire et plus précise de ce qui est possible.

Résumé technique : Universalité et prévisibilité de la diffusion technologique

Problématique

La prévision de la croissance et de la diffusion des technologies est cruciale pour la planification et l'investissement, particulièrement dans des secteurs tels que les énergies renouvelables et l'intelligence artificielle. Historiquement, la croissance technologique a été observée suivant des « courbes en S », caractérisées par une croissance initiale lente, une accélération rapide et une saturation finale. Cependant, la forme fonctionnelle précise régissant cette croissance est restée un sujet de débat, avec diverses propositions de modèles (par exemple, logistique, Gompertz, Bass) sans qu'aucun n'ait fait consensus.

Les tentatives de prévision antérieures ont souffert de deux limitations principales :

Absence de vérité terrain : Les études reposaient souvent sur des technologies immatures dont le niveau de saturation final est inconnu, rendant impossible la validation des prévisions par rapport à la réalité.
Précision peu fiable : L'ajustement simple de courbes en S a historiquement produit des résultats pessimistes ou inexacts, et les méthodes probabilistes manquaient de validation rigoureuse hors échantillon par rapport aux technologies matures.

Par conséquent, l'universalité des processus de diffusion technologique et la capacité de réaliser des prévisions avec une précision connue sont restées hautement incertaines.

Méthodologie

Les auteurs abordent ces lacunes par une approche empirique et statistique complète :

1. Assemblage des données

L'étude construit une base de données de 120 technologies matures (allant des canaux aux téléphones portables), sélectionnées car elles ont atteint au moins 80 % de leur déploiement asymptotique estimé. Ce jeu de données de « vérité terrain » permet un test rétroactif (backtesting) rigoureux. La recherche initiale a produit 1 362 séries temporelles, filtrées pour garantir la robustesse face au biais de sélection.

2. Sélection du modèle et formulation stochastique

Les auteurs testent plusieurs formes fonctionnelles pour le taux de croissance $r(t)$ au sein de l'équation différentielle $dY(t)/dt = r(t)Y(t)$. Ils identifient le processus de Bertalanffy-Richards (B-R) comme le modèle supérieur, défini par :
$r(t) = k(1 - (Y(t)/L)^\beta)$
où $L$ est le déploiement asymptotique, $k$ est le taux de croissance initial, et $\beta$ est un paramètre de forme. Les auteurs trouvent que $\beta = 2/3$ est une valeur universelle robuste.

Pour tenir compte des caractéristiques des données réelles (non-stationnarité, autocorrélation et hétéroscédasticité), le modèle déterministe est reformulé en un processus stochastique :
$Y(t) = \frac{L}{[1 + \exp(-\beta k(t - t_0) + \beta\sigma(\epsilon_t + \rho\epsilon_{t-1}))]^{1/\beta}}$
où $\sigma$ représente l'amplitude du bruit et $\rho$ un paramètre d'autocorrélation. Le bruit est multiplicatif, ce qui entraîne une distribution approximativement log-normale pour $Y(t)$ .

3. Prévision bayésienne et validation

Les auteurs utilisent l'inférence bayésienne empirique pour générer des prévisions probabilistes.

Priors (A priori) : Les distributions a priori pour le taux de croissance $k$ et la volatilité du bruit $\sigma$ sont dérivées de l'analyse de l'échantillon complet des 120 technologies.
Paramètres universels : Pour améliorer la stabilité des prévisions, les auteurs supposent des valeurs universelles pour le paramètre de forme ( $\beta = 2/3$ ) et l'autocorrélation ( $\rho = 0,8$ ), plutôt que d'estimer individuellement chaque paramètre pour chaque technologie.
Backtesting : Un test rétroactif hors échantillon extensif est réalisé. Les prévisions sont générées à différents points d'origine de diffusion (5 %, 10 %, 25 %, 50 %) et comparées aux données réalisées ultérieurement.
Métriques : L'exactitude est mesurée par l'erreur absolue de log médiane (MedALE). Le calibrage est évalué via des graphiques Quantile-Quantile (Q-Q) et la transformée intégrale de probabilité (PIT) pour s'assurer que les distributions de prévision sont bien calibrées.
Données de substitution : Une méthode d'ensemble de données de substitution est utilisée pour tester la signification statistique, comparant les résultats empiriques à un modèle idéalisé où chaque technologie suit strictement le processus B-R.

Résultats clés

1. Universalité des formes de courbes en S

Lorsque les 120 technologies sont rescalées en coordonnées non dimensionnelles (normalisation du temps, de l'échelle et de la croissance initiale), leurs trajectoires de croissance se superposent sur une courbe unique.

Le modèle de Bertalanffy-Richards avec $\beta = 2/3$ explique 93 % de la variance des données.
Cela suggère que, bien que des facteurs idiosyncrasiques affectent des paramètres spécifiques (comme $k$ ou $L$ ), la forme sous-jacente de la trajectoire de croissance est remarquablement universelle à travers diverses technologies.

2. Exactitude des prévisions

Prévisions ponctuelles : Le modèle B-R surpasse les modèles Logistique ( $\beta=1$ ) et Gompertz. Les prévisions ponctuelles réalisées à partir d'une origine de diffusion de 5 % sont généralement exactes à un facteur de deux près (MedALE < 100 %), même pour des horizons s'étendant sur des décennies.
Comparaison de modèles : Le modèle Gompertz présente un biais marqué spécifiquement à l'origine de diffusion de 5 %, ce qui signifie que ses prévisions sont systématiquement trop basses, et qu'il est fortement trop confiant dans ce contexte. Bien qu'il présente des erreurs de prévision légèrement moindres pour les horizons courts en général, le modèle B-R est substantiellement meilleur pour les horizons au-delà de 50 %. Le modèle Logistique est plus performant que le modèle Gompertz mais est généralement surpassé par le modèle B-R, particulièrement pour les horizons longs.
Calibrage : Les prévisions probabilistes sont bien calibrées. Après un ajustement mineur pour élargir la distribution prédictive afin de tenir compte de la spécification erronée du modèle, la couverture empirique tombe dans les intervalles de confiance attendus.

3. Prévisions pour le solaire PV et l'énergie éolienne

Application de la méthode validée au solaire photovoltaïque (PV) et à l'énergie éolienne (mesurée en énergie utile, PWh/an) :

Solaire PV : La prévision médiane pour 2050 est d'environ 85 PWh/an (intervalle à 90 % : 18–290 PWh/an). Cela est comparable à la consommation totale d'énergie utile mondiale actuelle. Les auteurs notent que le solaire est actuellement dans une phase exponentielle bruyante, ce qui rend la borne supérieure de la prévision hautement incertaine.
Éolien : La prévision médiane pour 2050 est d'environ 5 PWh/an (intervalle à 90 % : 4–17 PWh/an).
Comparaison aux scénarios : La prévision médiane des auteurs pour le solaire est plus de 10 fois supérieure à la médiane des scénarios du GIEC (IPCC AR6), de l'AIE (IEA) et du NGFS (qui projettent environ 8 PWh/an). Inversement, la prévision éolienne est environ la moitié du scénario typique du GIEC. L'étude conclut que les scénarios actuels sont probablement trop pessimistes concernant le solaire et trop optimistes concernant l'éolien.

Signification et affirmations

L'article affirme résoudre les questions de longue date concernant la nature de la diffusion technologique en démontant que :

L'universalité existe : La croissance technologique suit une forme de courbe en S universelle bien décrite par le processus de Bertalanffy-Richards avec $\beta \approx 2/3$ .
Prévisibilité avec une exactitude connue : Il est possible de prévoir l'adoption future des technologies avec une exactitude quantifiable, même dès les premiers stades (5 % de diffusion), à condition que le processus suive une courbe en S.
Avancée méthodologique : L'étude fournit un cadre validé et statistiquement rigoureux pour la prévision qui surpasse les modèles populaires existants (Logistique, Gompertz, Bass).
Implications pour la transition énergétique : Les résultats suggèrent que les objectifs climatiques ambitieux impliquant l'énergie solaire pourraient être atteints plus rapidement que ne le croient les scénarios politiques actuels, réduisant potentiellement le recours aux technologies d'émissions négatives.

Les auteurs reconnaissent des limites, notamment un potentiel biais de sélection vers les technologies réussies, l'exclusion de variables auxiliaires (coût, politique) dans les prévisions inconditionnelles, et l'hypothèse d'une asymptote constante. Cependant, ils affirment que les méthodes développées offrent une base robuste pour guider l'investissement et la planification des technologies émergentes, s'étendant au-delà de l'énergie vers des domaines tels que l'IA.