Le monde est maintenant plus chaud qu’à aucun autre moment au cours des 12 000 dernières années. L’année 2020 à égalité avec 2016 pour l’honneur douteux d’être l’année la plus chaude jamais enregistrée. Une transition rapide vers une économie nette à zéro carbone est devenue une priorité politique urgente.
Le défi est en partie technologique. Mais il est aussi économique et financier. Comme le président de Black Rock, Larry Fink, l’a écrit dans sa récente lettre annuelle aux PDG, « le risque climatique est risque d’investissement ». C’est un point qui a également été soulevé par l’envoyé des Nations Unies pour le climat, Mark Carney. Dans son ancien rôle de gouverneur de la Banque d’Angleterre, Carney a fait la distinction entre les « risques physiques » – les impacts associés aux dommages physiques causés par le changement climatique – et les « risques de transition » – les impacts que les portefeuilles d’investissement en évolution rapide peuvent avoir sur l’économie. Depuis l’examen Stern, nous en savons beaucoup sur le risque physique. On en sait beaucoup moins sur le risque de transition. L’objectif de la modélisation du risque de transition était d’aider à remédier à 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 à travers l’économie qui vont bien au-delà de toute « normale » historiquement acceptée.
Ces trois caractéristiques de la transition – changements structurels rapides, transferts massifs d’investissements et comportements « post-normaux » – signifient que les modèles conventionnels d’équilibre ou d’équilibre partiel ne nous sont pas d’une grande aide. 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 manquer les rétroactions dynamiques qui se produisent entre l’économie réelle et l’économie financière, alors qu’une myriade d’agents interagissent les uns avec les autres au cours d’une transition technologique rapide. Notre travail a cherché à combler 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 y parvenir, nous avons réuni une équipe des universités du Surrey et du Sussex (au Royaume-Uni) et de L’Aquila (en Italie) avec une expertise combinée dans les transitions énergétiques, la modélisation à base d’agents (AB) et la modélisation financière – et en en particulier dans ce que l’on appelle la modélisation stock-flux cohérente (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 impressionnante. La multiplicité des agents qui caractérise les approches AB et la stricte responsabilité financière inhérente à la modélisation SFC, pris ensemble, imposent un ensemble de critères de validation stricts 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 » importante à un modèle utile. Une leçon fondamentale tirée de la modélisation de ce processus est 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 ».
