Les récentes prévisions de coûts technologiques sous-estiment le rythme du changement technologique
Une équipe de chercheurs de l’Université de Cambridge, de l’University College London, de l’Université d’Oxford et de l’Université de Brescia/RFF-CMCC European Institute on Economics and the Environment a réalisé la première analyse systématique de la performance relative des prévisions de coûts probabilistes d’experts. méthodes basées et méthodes basées sur des modèles.
Ils se sont spécifiquement concentrés sur une méthode basée sur des experts – les élicitations d’experts – et quatre méthodes basées sur des modèles qui modélisent les coûts soit en fonction de la capacité installée cumulée, soit en fonction du temps. Les résultats de cette comparaison sont publiés dans PNAS.
Prévoir avec précision les coûts des technologies énergétiques est une exigence pour la conception de politiques de décarbonation et de plans d’affaires solides et rentables. L’avenir de ces technologies et d’autres est notoirement difficile à prédire car le processus par lequel la technologie est conçue, développée, codifiée et déployée fait partie d’un système adaptatif complexe et est composé d’acteurs et d’institutions interconnectés.
Une gamme de méthodes de prévision probabilistes ont été développées et utilisées pour générer des estimations des coûts technologiques futurs. Deux types d’approches de haut niveau ont été le plus souvent utilisés pour générer des prévisions quantitatives : les approches basées sur les experts et les approches basées sur des modèles. D’une manière générale, les approches fondées sur des experts impliquent différentes manières d’obtenir des informations auprès de personnes bien informées qui peuvent avoir des opinions et/ou des connaissances différentes sur l’importance relative des divers moteurs de l’innovation et sur la manière dont ils peuvent évoluer. Les experts émettent des jugements implicites sur les moteurs sous-jacents du changement lors de la production de leurs prévisions et peuvent prendre en compte à la fois les informations publiques sur les coûts observés ainsi que les informations qui peuvent ne pas être encore largement disponibles ou codifiées. Les approches basées sur les experts sont souvent la seule source d’information à la disposition des analystes lorsque les données, sur une technologie donnée, n’ont pas encore été collectées – comme c’est généralement le cas pour les technologies émergentes.
En revanche, les approches fondées sur des modèles utilisent explicitement une ou plusieurs variables des données observées disponibles pour estimer l’impact de l’ensemble complet des moteurs de l’innovation sur les coûts technologiques, en supposant implicitement que le taux de changement dans le passé sera le meilleur prédicteur de la taux de changement dans le futur.
« La disponibilité accrue d’informations sur les coûts futurs des technologies énergétiques nous a permis d’effectuer la première comparaison systématique des performances relatives des prévisions de coûts technologiques probabilistes générées par différentes méthodologies basées sur des experts et des modèles avec des coûts observés », note l’auteur principal et correspondant, le Prof. Diaz Anadon, professeur de politique sur le changement climatique à l’Université de Cambridge et directeur du Centre universitaire pour la gouvernance de l’environnement, de l’énergie et des ressources naturelles. « Une telle comparaison est essentielle pour garantir que les chercheurs et les analystes disposent de preuves plus empiriques dans les modèles d’évaluation intégrés, les analyses coûts-avantages et les efforts de conception de politiques plus larges ». Elle suggère que ce type de comparaison pour évaluer et mieux comprendre différentes méthodes de prévision devrait devenir plus courant parmi les modélisateurs et les praticiens de la prévision, à mesure que davantage de données sont disponibles. « Notre analyse se concentre sur une période de temps particulière et sur des technologies énergétiques corrélées, donc bien que nos résultats indiquent que les méthodes actuelles sous-estiment les progrès technologiques dans cet espace, des recherches supplémentaires sont nécessaires ».
Le professeur Anadon a rédigé l’article avec le Dr Jing Meng, maître de conférences à l’University College London à la Bartlett School, le Dr Rupert Way, chercheur postdoctoral à l’Oxford Martin School, et le professeur E. Verdolini du département de droit de l’Université de Brescia. et affilié à l’Institut européen d’économie et de l’environnement RFF-CMCC. Le professeur Anadon et le professeur Verdolini étaient les chefs de file des lots de travaux dans le projet européen H2020 INNOPATHS, qui a financé la majorité des travaux de recherche.
Plusieurs résultats clés ressortent de cette analyse.
Comme l’explique le Dr Way de l’Université d’Oxford, « la comparaison des prévisions basées sur des experts et des modèles avec les coûts observés en 2019 sur une courte période (un maximum de 10 ans) montre que les approches basées sur des modèles ont surpassé les élicitations d’experts. Plus précisément , la plage du 5e au 95e centile des quatre approches basées sur un modèle était beaucoup plus susceptible de contenir la valeur observée que celle des prévisions d’EE. Parmi les méthodes basées sur un modèle, certaines ont capturé les coûts observés en 2019 plus souvent que d’autres ».
« De plus », note le Dr Meng de l’University College London, « les médianes de 2019 des prévisions basées sur des modèles étaient plus proches du coût moyen observé en 2019 pour cinq des six technologies. Cependant, cette comparaison n’a été possible que pour un petit nombre de technologies ; en outre, certaines des prévisions d’EE incluaient la valeur observée ». Pour ces raisons, soutiennent les auteurs, cela ne devrait pas être considéré comme une preuve que les approches basées sur des modèles fonctionnent mieux que les méthodes basées sur les experts pour tous ou la plupart des cas.
Le professeur Verdolini, d’UniBrescia/EIEE souligne le fait que les méthodes basées sur des experts et les méthodes basées sur des modèles ont sous-estimé les progrès technologiques dans la plupart des technologies énergétiques analysées dans cet article. « C’est-à-dire que dans cinq des six technologies analysées, les méthodes ont produit des médianes de prévision des coûts 2019 qui étaient supérieures aux coûts observés en 2019. Cela indique que le taux de progrès en matière de réduction des coûts a été supérieur à ce que les données historiques et les opinions d’experts prédisaient. . Mais il reste à voir dans quelle mesure ce rythme de progression plus rapide par rapport aux prévisions se poursuivra (ou non) à l’avenir ».
L’urgence de développer des politiques de décarbonation profonde, comme souligné dans le rapport du GIEC 1.5 C, rend cette analyse systématique opportune et nécessaire. Pris ensemble, les résultats indiquent diverses avenues intéressantes pour de futures recherches. Concernant les élicitations d’experts, cet article attire l’attention sur la nécessité de poursuivre les améliorations méthodologiques pour réduire l’excès de confiance. Pour les méthodes basées sur des modèles, ce travail met en évidence le défi de trouver (et de collecter) des données pour de nombreuses technologies énergétiques clés. Il appelle également à des efforts accrus dans la collecte et la publication de données par les organisations internationales et d’autres entités. La sous-estimation du progrès technologique souligne également la valeur du développement ultérieur de méthodes pour refléter les changements structurels et les corrélations technologiques. Enfin, étant donné les larges plages d’incertitude et les décisions politiques majeures associées à la transition énergétique et à la lutte contre le changement climatique, des recherches supplémentaires comparant les performances de différentes approches de prévision probabiliste avec les valeurs observées dans un plus large éventail de technologies devraient être menées à mesure que davantage de données deviennent disponibles. et plus le temps passe.
L’article est complété par une base de données contenant un grand nombre de points de données sur les coûts de 32 technologies énergétiques pertinentes pour soutenir la transition énergétique. Ces points de données comprennent 25 ensembles de données provenant d’élicitations d’experts menées entre 2007 et 2016 couvrant une gamme de zones géographiques et 25 ensembles de données technologiques observées, y compris l’évolution des coûts et du déploiement sur différentes périodes de temps. Ces données ont été rendues publiques ici.
###
Avertissement: AAAS et EurekAlert ! ne sont pas responsables de l’exactitude des communiqués de presse publiés sur EurekAlert! par les institutions contributrices ou pour l’utilisation de toute information via le système EurekAlert.