Le monde est maintenant plus chaud qu’à tout moment au cours des 12 000 dernières années. L’année 2020 est à égalité avec 2016 pour l’honneur douteux d’être l’année la plus chaude jamais enregistrée. Une transition rapide vers une économie à zéro carbone net est devenue une priorité politique urgente.
Le défi est en partie technologique. Mais c’est aussi économique et financier. En tant que président de Black Rock, Larry Fink, a écrit dans sa récente lettre annuelle aux PDG: « le risque climatique est risque d’investissement ». C’est un point qui a également été souligné par l’envoyé des Nations Unies pour le climat, Mark Carney. Dans son ancien rôle de gouverneur de la Banque d’Angleterre, Carney faisait la distinction entre les «risques physiques» – les impacts associés aux dommages physiques du changement climatique – et les «risques de transition» – les impacts que des portefeuilles d’investissement en mutation rapide peuvent avoir sur l’économie. Depuis la revue Stern, nous en savons beaucoup sur le risque physique. On en sait beaucoup moins sur le risque de transition. Le but de la modélisation du risque de transition était d’aider à corriger cette lacune.
Ce n’est pas une tâche triviale. La transition vers le zéro net implique le remplacement de technologies, de chaînes d’approvisionnement et d’infrastructures entières sur des échelles de temps plus courtes que la durée de vie des actifs existants. Cela nécessite des investissements dirigés (ou incités) à une échelle généralement observée pendant les périodes de guerre ou d’urbanisation rapide, plutôt qu’à une échelle typique des économies post-industrielles matures. Et cela implique des changements fondamentaux dans les comportements des acteurs financiers dans l’ensemble de l’économie qui vont bien au-delà de toute «normale» historiquement acceptée.
Ces trois caractéristiques de la transition – changement structurel rapide, transferts massifs d’investissement et comportements «post-normaux» – signifient que les modèles conventionnels d’équilibre ou d’équilibre partiel ne nous aident pas beaucoup. Ils supposent une trop grande homogénéité de comportement. Ils ont peu ou rien pour représenter la structure complexe des bilans financiers à travers lesquels les risques de transition peuvent se propager. Et ils risquent de passer à côté des rétroactions dynamiques qui se produisent entre l’économie réelle et l’économie financière, car une myriade d’agents interagissent les uns avec les autres au cours d’une transition technologique rapide. Notre travail a cherché à remédier à ces lacunes. Ce que nous recherchions, c’était une approche capable de gérer les comportements de déséquilibre et en particulier de simuler les interactions complexes qui découlent des interactions de bilan qui affectent la stabilité financière.
Pour ce faire, nous avons réuni une équipe des universités de Surrey et Sussex (au Royaume-Uni) et de L’Aquila (en Italie) avec une expertise combinée dans les transitions énergétiques, la modélisation basée sur les agents (AB) et la modélisation financière. en particulier dans ce que l’on appelle la modélisation de la cohérence stock-flux (SFC). Le projet de 18 mois a développé une version bêta d’un modèle AB-SFC fermé et axé sur la demande (TRansit) qui présente un degré élevé de non-linéarité, d’hétérogénéité et d’endogénéité. Nous pensons qu’il s’agit du premier modèle AB-SFC développé spécifiquement pour simuler le comportement complexe, émergent et de déséquilibre impliqué dans une transition rapide et plus ou moins complète de l’énergie brune (fossile) à l’énergie verte (renouvelable).
La complexité théorique est décourageante. La multiplicité des agents qui caractérise les approches AB et la stricte responsabilité financière inhérente à la modélisation SFC, prises ensemble, imposent un ensemble de critères de validation rigoureux à chaque itération dans le développement d’un modèle AB-SFC. La génération endogène d’un «scénario de référence» stable représentatif d’une économie industrielle mature impose une «barrière d’entrée» significative à un modèle utile. Une leçon fondamentale tirée de la modélisation de ce processus a été l’importance du rôle stabilisateur joué par le gouvernement. En tant qu’acteur économique important et relativement homogène dans un univers d’agents beaucoup plus petits et hétérogènes, dont chacun opère dans des conditions d’incertitude, d’informations incomplètes et de rationalité limitée, le gouvernement a le potentiel de fonctionner comme un puissant « stabilisateur automatique ».
