Beyond the Exogenous Mask: Learning Feedback, Policy Thresholds, and Sensitive Intervention Points in Energy System Models

Les systèmes énergétiques sont les réseaux complexes qui génèrent et distribuent l'électricité qui alimente la vie moderne. Pour planifier la manière dont nous nous éloignons des combustibles fossiles vers des sources plus propres comme le vent et le solaire, les scientifiques construisent des modèles informatiques. Ces modèles agissent comme des laboratoires virtuels, testant différentes politiques pour voir lesquelles réussiront à réduire les émissions de carbone sans briser l'économie. Une question centrale dans ces modèles est la manière dont la technologie devient moins chère. Pendant des décennies, l'approche standard a consisté à supposer que les coûts chutent automatiquement au fil du temps, comme si la technologie s'améliorait selon un calendrier fixe, indépendamment de la quantité réellement construite. Cette méthode est informatiquement simple, mais elle ignore une force puissante du monde réel : l'idée que fabriquer et utiliser davantage d'une technologie en fait réellement baisser le prix. Ce phénomène, connu sous le nom d'apprentissage par la pratique (learning by doing), signifie que chaque nouveau panneau solaire ou batterie installé aide à rendre le suivant moins cher. Lorsque les modèles ignorent cette boucle de rétroaction, ils manquent une dynamique cruciale qui façonne la façon dont les transitions énergétiques se produisent.

Une nouvelle étude de Nadav Mantel, de l'Université de Reichman, remet en question la manière dont ces modèles sont construits. La recherche soutient qu'en traitant les réductions de coûts comme une fonction automatique et simple du temps, les modèles actuels lissent la réalité complexe et non linéaire de la façon dont l'adoption des technologies fonctionne réellement. L'article suggère que lorsque vous incluez la boucle de rétroaction où le déploiement fait baisser les coûts, la relation entre la politique et le résultat change fondamentalement. Au lieu d'une courbe lisse où un peu plus d'argent conduit à un peu plus de progrès, le système peut développer des points de bascule abrupts. Dans ces zones spécifiques, un infime changement de politique peut déclencher une explosion massive et auto-entretenue du déploiement, ou inversement, une légère baisse de soutien peut provoquer l'effondrement de tout l'effort. L'étude utilise un modèle informatique simplifié du système électrique de la Grande-Bretagne pour démontrer que ces points de bascule existent et sont invisibles pour les modèles standards utilisés par les décideurs politiques aujourd'hui.

Les chercheurs ont construit une version simplifiée du réseau électrique britannique, éliminant les détails complexes comme les goulots d'étranglement de la transmission ou les retards de construction locaux pour se concentrer purement sur l'interaction entre le coût et le déploiement. Ils ont fait fonctionner ce modèle de deux manières différentes. Dans la première version, ils ont utilisé la méthode traditionnelle où les coûts chutent automatiquement au fil du temps, indépendamment de la capacité construite. Dans la seconde version, ils ont activé la rétroaction de l'apprentissage par la pratique, de sorte que chaque unité de nouvelle capacité construite abaissait immédiatement le coût de toutes les unités futures. Ils ont ensuite testé divers scénarios de politique, tels que les taxes carbone et les subventions pour les panneaux solaires et les batteries, pour voir comment le système réagissait. Les résultats ont révélé une différence frappante entre les deux approches. Le modèle traditionnel montrait une augmentation constante et prévisible des énergies renouvelables à mesure que les politiques devenaient plus agressives. Le modèle intégrant l'apprentissage par la pratique, cependant, a montré que le système pouvait rester bloqué dans un piège de faible déploiement. Dans ce scénario, même avec les mêmes politiques, les technologies solaires et de batteries ne parvenaient pas à décoller car elles n'atteignaient jamais l'échelle nécessaire pour faire baisser leurs propres coûts.

La découverte la plus frappante fut celle d'un point d'intervention sensible, un seuil spécifique où le système bascule de l'échec au succès. Lorsque les chercheurs ont testé les subventions pour le stockage par batterie, ils ont constaté que, sous les règles de l'apprentissage par la pratique, le système restait bloqué avec très peu de capacité de batterie tant que la subvention était inférieure à un certain niveau. Cependant, une fois que la subvention a franchi une ligne nette proche de 513 £ par kilowatt, le déploiement s'est soudainement accéléré. Un changement de la subvention de moins de un pour cent a suffi pour pousser le système au-delà de ce seuil, entraînant des différences d'ordres de grandeur dans le nombre de batteries installées. En dessous de cette ligne, la politique était inefficace ; au-dessus, la politique devenait auto-renforcée, la chute des coûts rendant le déploiement supplémentaire rentable sans nécessiter autant d'aide. Cette transition abrupte était totalement absente du modèle traditionnel, qui montrait une augmentation douce et graduelle des batteries quel que soit le niveau de la subvention.

L'étude a également mis au jour des relations cachées entre différentes technologies que les modèles standards ne voient pas. Lorsque les chercheurs ont examiné ensemble l'énergie solaire et le stockage par batterie, ils ont découvert que ces deux technologies sont profondément liées d'une manière qui crée une barrière à l'entrée. Dans le modèle d'apprentissage par la pratique, le solaire et les batteries étaient bloqués dans un état de faible déploiement car aucun des deux ne pouvait devenir assez bon marché par lui-même pour rivaliser sans l'autre. Le solaire a besoin de batteries pour stocker son énergie, et les batteries ont besoin d'un solaire bon marché pour fournir l'excédent d'énergie qu'elles stockent. Le modèle traditionnel, qui traite les coûts de manière indépendante, n'a pas réussi à voir ce verrouillage. La nouvelle approche a montré qu'une subvention coordonnée pour le solaire et les batteries pouvait briser cette impasse. En soutenant les deux simultanément, le coût total de l'intervention pouvait être réduit d'environ six pour cent par rapport à une subvention des batteries seules, car les deux technologies s'entraidaient pour franchir le seuil de coût.

De plus, la recherche a souligné les limites de la dépendance exclusive à la tarification du carbone pour lancer de nouvelles technologies. Dans le modèle tenant compte de l'apprentissage par la pratique, un prix du carbone élevé seul ne suffisait pas à lancer les technologies émergentes comme les batteries. Le prix du carbone devrait être fixé à un niveau extrêmement élevé, bien au-delà de ce qui est généralement considéré comme politiquement réalisable, pour déclencher le déploiement initial nécessaire pour démarrer le cycle de réduction des coûts. Cela suggère que la tarification du carbone pourrait être un mauvais outil pour initier les toutes premières étapes d'une transition pour les technologies qui n'ont pas encore entamé leur courbe d'apprentissage. L'étude implique que les subventions directes sont souvent nécessaires pour pousser une technologie au-delà du premier obstacle, après quoi le marché peut prendre le relais.

L'auteur souligne que son travail n'est pas une prédiction de l'argent exact qui doit être dépensé ou de quelles technologies vont gagner. Les chiffres spécifiques, tels que le seuil de 513 £, sont les résultats d'un modèle simplifié et changeraient si des facteurs du monde réel comme les limites de construction ou les conditions locales du marché étaient ajoutés. Cependant, l'idée centrale est robuste : l'existence de ces points de bascule et la nature non linéaire de la transition sont des caractéristiques réelles du système que les modèles actuels ignorent. L'étude propose un nouvel outil de diagnostic pour les décideurs politiques. Avant de s'engager dans une politique majeure, ils pourraient exécuter une version simplifiée de leur modèle incluant l'apprentissage par la pratique pour vérifier si leur politique proposée se situe près d'un point de bascule. Si elle s'y trouve, la politique est hautement sensible, et une petite erreur de calcul pourrait mener à l'échec. Si elle est loin d'un point de bascule, la politique est probablement plus robuste.

Cette approche offre un moyen d'éviter deux pièges courants. Le premier est la fausse suffisance, où une politique semble bonne dans un modèle standard parce qu'elle semble juste atteindre les objectifs, mais en réalité, elle se situe en dessous du point de bascule et ne produit presque aucun déploiement. Le second est la fausse redondance, où une politique semble gaspiller car elle semble dépenser bien plus que nécessaire, alors qu'en fait, elle est juste au-dessus du seuil et est essentielle pour maintenir le système en mouvement. En identifiant ces zones sensibles, la méthode aide les régulateurs à comprendre que l'intensité du soutien initial peut importer plus que sa durée. Une subvention constante située juste en dessous du seuil échouera indéfiniment, tandis qu'une poussée légèrement plus forte peut débloquer une transition auto-entretenue.

La recherche conclut que le choix de la manière de modéliser les coûts technologiques n'est pas seulement un détail technique, mais une décision qui façonne les résultats politiques. En lissant la dynamique non linéaire de l'apprentissage, les modèles traditionnels peuvent donner un faux sentiment de sécurité quant à la facilité avec laquelle la transition énergétique peut être gérée. La nouvelle méthode ne remplace pas les modèles complexes et détaillés utilisés pour la planification à long terme, mais sert de vérification nécessaire. Elle agit comme un écran de pré-déploiement pour signaler où le système est fragile et où de petits changements de politique peuvent conduire à des résultats disproportionnellement importants. Dans un monde où les enjeux de la transition énergétique sont incroyablement élevés, la compréhension de ces seuils cachés est essentielle pour concevoir des politiques qui fonctionnent réellement. L'étude suggère qu'avec les bons outils pour identifier ces points d'intervention sensibles, il est possible d'accélérer le passage aux énergies propres tout en réduisant la dépense publique totale nécessaire pour y parvenir.