Les Newsletters Interstices
Image par Chris LeBoutillier de Pixabay
    Niveau facile
    Niveau 1 : Facile

    Comment intégrer l’économie, l’énergie et le climat ?

    Environnement & Planète
    Modélisation & Simulation
    Des modélisations ont l’ambition d’intégrer à l’économie globale les effets des activités humaines sur le climat et réciproquement.

    Effondrement de la plateforme glaciaire Larsen B en Antarctique. Prise de vue par satellite le 18 mars 2002. Image : ESA (European Space Agency)

    Au cours du siècle dernier, la température moyenne à la surface de la Terre a augmenté de 0,6 degré (± 0,2). Ce réchauffement est dû en grande partie aux émissions humaines de gaz à effet de serre : depuis 1750, la quantité de dioxyde de carbone (CO2) dans l’atmosphère a augmenté de 31 pour cent et le méthane (CH4) de 151 pour cent. Quel impact aura ce réchauffement climatique sur nos sociétés et nos modes de vie ? Pour certains, l’ingéniosité humaine saura s’adapter aux changements. D’autres soulignent qu’il est temps d’agir face aux risques : inondations, catastrophes climatiques, impacts sur les cultures et les habitats.

    Compte tenu des dynamiques de développement économique actuelles et attendues dans les trente prochaines années, les émissions ne diminueront pas rapidement. Cependant la France, par exemple, s’est engagée à diviser par quatre ses émissions de gaz à effet de serre d’ici 2050. Comment s’y prendra-t-elle ? Faut-il réduire les voyages en avion ? Doit-on définir de nouvelles formes de mobilité dans les villes ? Comment améliorer l’efficacité énergétique des activités humaines ? Faut-il trouver de nouvelles sources d’énergies (nucléaires, renouvelables) ou développer des techniques de capture et de séquestration du CO2 ? Les modèles « intégrés » économie-énergie-climat sont destinés à étudier toutes ces questions. Ils visent à traduire les débats sur la précaution en arguments fondés sur des connaissances scientifiques mesurables, pour informer les citoyens et instances de décision. Ils explorent une vaste gamme de situations possibles et nous préparent ainsi à de nombreuses éventualités, tant du côté des évolutions climatiques que de celui des manières de réduire les émissions anthropiques.

    Le couplage des modèles

    Chaque discipline apporte des connaissances sur une part des processus qui déterminent l’évolution du système Terre-société, mais leur mise en interaction n’est pas simple. Par exemple, les modèles de circulation générale des climatologues, qui ont confirmé l’alerte au changement climatique (voir Comment estimer le changement climatique, par Serge Planton, sur Interstices), sont insuffisants pour étudier les stratégies de réduction d’émissions. Il faut alors se pencher sur les technologies de production et de transformation de l’énergie, mais aussi de production de biens et services. Celles-ci doivent être insérées dans les grands équilibres monétaires et financiers qui régulent l’économie : les investissements, les budgets des ménages, les prix et échanges internationaux ainsi que les mouvements de capitaux.

    De surcroît, toute la planète est concernée. Il faut comprendre les interactions de la physique planétaire et de la chimie atmosphérique en même temps que la dépendance du climat vis-à-vis des activités humaines et de la vie terrestre en général. Mais personne ne possède une telle connaissance. Toutefois il n’est pas nécessaire de prédire l’avenir dans sa globalité pour apporter des éléments de réponse scientifiques à un problème, fut-il global. En dépit de la difficulté, nous devons tenter de hiérarchiser les phénomènes, les causalités et les arguments.

    Les disciplines en jeu ? La climatologie, la macro-économie, l’étude des systèmes énergétiques et l’étude du cycle du carbone. Le couplage des modèles respectifs se fait à partir de paramètres communs. Par exemple, la circulation atmosphérique dépend de la composition de l’atmosphère, qui est elle-même liée à l’activité économique et aux systèmes énergétiques via des émissions de gaz et de fumées. L’usage des sols ou leur état dépendent du climat et l’influencent en retour. L’activité économique est affectée par les développements dans le secteur de l’énergie, mais aussi par les effets du changement climatique. Les systèmes énergétiques dépendent de l’épuisement des ressources fossiles, des volontés de limiter les émissions, mais aussi du climat lui-même, par l’intermédiaire du chauffage et de la climatisation des bâtiments. Le cycle du carbone intervient sur le climat et en dépend.

    La relation entre l’économie et l’atmosphère s’exprime par l’accroissement des quantités de gaz à effet de serre. En retour, cet accroissement modifie le climat (températures, pluies, événements extrêmes). Ces modifications déterminent à leur tour des changements dans l’activité économique, soit sous la forme de « dommages » (sécheresses, canicules, etc.) qui se traduisent par des pertes de production ou des coûts supplémentaires (climatisation, irrigation, destructions dues aux événements extrêmes), soit sous la forme de « bénéfices » (allongement de la durée de végétation, augmentation des récoltes, etc.).

    Les modèles intégrés considèrent les interactions entre le climat et l’économie mondiale : les activités économiques, la production et la consommation d’énergie conduisent à l’émission de gaz à effet de serre dans l’atmosphère, laquelle interagit avec l’océan et la biosphère et répond à ces émissions par un changement climatique. Ce dernier a un impact sur les économies.
    Illustration : Cédric Trojani

    Les couplages entre modèles sont plus ou moins forts, selon qu’ils sont résolus simultanément ou successivement. En effet, il n’est pas toujours nécessaire de fermer la boucle des interdépendances pour examiner les effets environnementaux des techniques énergétiques, agricoles, de transport, d’habitat. En outre, les différents modèles peuvent être représentés à divers niveaux de détail. Cependant, le mode de résolution de chaque modèle importe. En particulier, la plupart des modèles économiques de long terme décrivent la croissance en supposant les marchés proches de l’équilibre. Ils ne sont pas configurés pour rendre compte de changements structurels profonds qui touchent à la fois la production et les comportements ou les régulations économiques.

    En raison de cette difficulté, nombre de modèles intégrés reposent sur une description explicite des technologies. On doit rendre compte, par exemple, du passage de sources d’énergies primaires, comme celui de la filière charbon « classique » pour la production d’électricité, à la filière charbon avec séquestration géologique du CO2, ou encore du passage d’habitats actuels, mal conçus sur le plan énergétique, à des habitats rénovés et mieux conçus (la consommation devrait passer de 200 à 50 kilowattheures par mètre carré). Par ailleurs, depuis que l’on connaît mieux l’impact des pratiques agricoles sur les émissions ou la captation de ces gaz, il importe de représenter en détail les usages des sols parmi les activités humaines.

    Dans un premier temps, pour éviter de décrire physiquement toute l’économie (les services, l’état, etc.), les chercheurs se sont orientés vers des modèles mixtes couplant une représentation agrégée de la macro-économie à une représentation détaillée du système énergétique. Mais ces modèles mixtes se heurtent à leur tour à des difficultés. En raison du manque de détail de la description macro-économique, ils ne rendent pas toujours compte des changements structurels que l’évolution du secteur de l’énergie lié à la réduction des émissions induit dans le reste de l’économie. Ainsi, dans les nations industrielles, la rénovation énergétique des bâtiments impliquera une augmentation de la production de matériaux de construction et une augmentation de l’emploi dans le secteur du bâtiment (des centaines de milliers en Europe). En outre, ces emplois seront plus qualifiés que les emplois actuels de ce secteur.

    Le couplage exige aussi d’adapter les échelles de temps et de discrétiser les modèles continus. Un pas de temps de l’ordre d’une année est souvent retenu, car cela correspond à un cycle complet à la fois pour la production agricole et pour la consommation d’énergie. Par ailleurs, le système global évolue d’une année sur l’autre : la composition de l’atmosphère varie, mais aussi les grandeurs économiques, comme les niveaux d’équipements relatifs aux techniques de production — le nombre de centrales électriques à charbon dans chaque pays par exemple — et les niveaux des ressources en combustibles fossiles.

    Les équations dynamiques

    Au cœur de tout modèle, un système d’équations dynamiques relie les paramètres exogènes, c’est-à-dire donnés hors du modèle, et les variables endogènes, calculées par le modèle. Parmi les variables, on distingue les variables d’état (déterminées par la force de l’évolution naturelle) et les variables de contrôle (soumises au choix du décideur). Les variables représentant des quantités sont soit des variables de flux, comme les productions de charbon, d’électricité ou les émissions de gaz à effet de serre, soit des variables de stock, comme le nombre de centrales électriques, les superficies de rizières, ou la quantité de CO2 dans l’atmosphère. D’autres variables, comme la température ou les prix, ne représentent pas des quantités : elles expriment des « équilibres » entre les processus géophysiques (température) ou économiques (prix).

    Les équations peuvent être regroupées en plusieurs classes : les équations d’équilibre intrapériodiques, les lois d’évolution interpériodiques, les conditions initiales et finales. Ces dernières fixent les valeurs des variables de la première ou de la dernière période de la simulation. Les équations intrapériodiques, quant à elles, représentent par exemple l’équilibre des bilans physiques des biens et services. Ainsi, dans un modèle détaillé, on tient compte du fait que le charbon consommé pour les usages électriques et thermiques soit (aux stocks constitués près) celui qui a été extrait des mines de charbon. Dans un modèle détaillé, il existe autant d’équations de ce type que de biens, matériaux ou services pris en compte. Dans un modèle « réduit », on suppose que la production est égale à l’investissement additionné à la consommation. Dans ce même groupe d’équations, on totalise les émissions de toutes les activités énergétiques liées à l’activité des centrales électriques, l’énergie pour le chauffage, l’industrie, etc.

    Dans les équations interpériodiques, également nommées « équations d’évolution », les évolutions de toutes les catégories d’objets ou de matériaux sujets à accumulation (évolution de stocks et des équipements installés) sont exprimées. Ainsi, la quantité de carbone dans l’atmosphère au temps t + 1 est égale à la quantité au temps t à laquelle s’ajoutent les quantités émises par les activités humaines et se retranchent les quantités captées, par exemple par la forêt. Dans ce même groupe d’équations, le nombre de centrales nucléaires à l’année t + 1 est égal à celui de l’année t plus celles qui sont construites moins celles qui sont détruites. L’évolution démographique des populations est également représentée par de telles équations interpériodiques, qui lient une période à la suivante.

    Les méthodes de résolution

    Les décisions des acteurs sont représentées par les variables de contrôle, qui ne sont pas déterminées à l’avance. Comment rendre compte de ces comportements décisionnels dans la résolution des équations du modèle ? Il existe deux stratégies de modélisation : causale et téléonomique.

    La première stratégie consiste à poser les variables de contrôle comme exogènes. Le modèle sert à tester des scénarios imposés de l’extérieur. Par exemple, il permet de calculer les changements climatiques qui se produiraient si rien n’est fait. Une seconde option est de doter les décideurs du modèle d’une rationalité limitée. On suppose par exemple qu’ils prennent leurs décisions sur la base des prix et des habitudes. On écrit alors des lois phénoménologiques du comportement, déterminant les variables de contrôle en fonction de l’état actuel ou des trajectoires passées. L’algorithme de décision est causal, c’est-à-dire qu’il dépend du passé. Dans ces deux cas, on résout les équations de la seconde période à partir de la première, puis celles de la troisième à partir de la seconde, et ainsi de suite, de façon itérative, jusqu’à la dernière période. Le modélisateur n’est donc pas maître de l’état final.

    Toutefois le comportement réel du système économie-énergie-climat est, non pas causal, mais téléonomique : les décisions sont prises en fonction des buts à atteindre, par exemple en vue de limiter les risques liés au changement climatique ou d’utiliser efficacement les ressources naturelles et financières. Cela amène à considérer les équations pour toutes les périodes comme un « système d’équations simultanées » que l’on résout globalement. De ce fait, toutes les périodes temporelles sont mises sur le même plan, comme si elles étaient simultanées. Au contraire de l’approche itérative précédente, soit on impose un état final, et on cherche des cheminements compatibles avec cet état final, soit on constate des impossibilités. Là encore, plusieurs approches sont utilisées. L’une d’elles consiste à s’intéresser à l’ensemble des contrôles compatibles avec un objectif donné. On peut ainsi affirmer, par exemple, que la stabilisation de la concentration atmosphérique des gaz à effet de serre à l’horizon 2100 exige dans tous les cas une nette diminution des émissions anthropiques dès le milieu du siècle.

    La modélisation intégrée offre diverses manières de questionner un même modèle par le choix d’une méthode de résolution. Infographie : Pour la Science

    Quatre méthodes de résolution sont illustrées ici par les courbes d’émissions de CO2, prévues ou escomptées : la simulation, la satisfaction des contraintes, l’optimisation et la programmation dynamique stochastique. La simulation (a) répond à la question « Que se passerait-il si… ? » : si on ne fait rien et que les émissions mondiales de CO2 poursuivent la croissance tendancielle décrite en rouge, alors on estime que la concentration de ce gaz dans l’atmosphère suivra la courbe verte. La satisfaction des contraintes (b) répond à la question « Comment peut-on arriver à… ? » : si l’on fixe un plafond de concentration à ne pas dépasser (ici 550 parties par million), on obtient une famille de courbes d’émission de CO2 à respecter. En effet, la satisfaction des contraintes détermine, non pas un résultat précis unique, mais une gamme de possibilités. Dans tous les cas, les émissions devront diminuer. L’optimisation (c) répond à « Comment agir au mieux pour… ? » : si l’on souhaite minimiser le coût total lié au changement climatique, un modèle tel que DICE calcule une courbe d’émission de CO2 qui respecterait les intérêts des générations présentes et à venir. La programmation dynamique stochastique (d) répond à « Comment agir prudemment pour… ? » : si l’on suppose que le plafond de concentration ne sera fixé qu’en 2020 en fonction des dommages causés par le réchauffement climatique, on calcule une courbe d’émission optimale à deux branches. La branche haute correspond à des dommages faibles et la basse à des dommages forts. Autrement dit, la stratégie consiste non pas à calculer une courbe optimale pour tout le siècle à venir, mais à définir une politique de précaution qui sera adaptée avec le temps.

    Cependant il est plus courant en économie de représenter les anticipations des décideurs en supposant qu’ils agissent au mieux en fonction de leurs intérêts, connaissant la dynamique future décrite par le modèle. On distingue alors la résolution en coût-efficacité et la résolution en coût-avantages. Dans la première, les agents calculent comment parvenir à moindre coût au but fixé, par exemple à un niveau donné de réduction. Dans la seconde, le modèle calcule lui-même l’arbitrage entre les coûts de réduction, d’adaptation et de dommages pour déterminer l’objectif environnemental. Les incertitudes sur le coût-efficacité portent surtout sur l’innovation technologique : elles sont moins importantes que les incertitudes sur l’évolution du climat, ce qui explique que les exercices coût-efficacité soient les plus développés. Notons que notre discussion omet l’existence de deux niveaux de prise de décision : la politique publique et le comportement des agents microéconomiques. Le premier niveau peut être globalement coordonné dans le cadre d’une convention-climat. Le second est décentralisé et dépend des prix de marchés. Les deux types de décideurs n’ont donc pas en général le même horizon temporel ni le même système de valeurs. Ces derniers paramètres introduisent un second niveau d’incertitude dans les résultats du modèle.

    Dans la simulation itérative, les acteurs de l’économie sont myopes et ne voient que la période courante. Dans la résolution interpériodique, les acteurs voient leurs actions jusqu’à la fin des temps. Aucun de ces partis ne correspond à la réalité, où de multiples acteurs prennent des décisions à partir du passé, de ce qu’ils imaginent du futur, ou de leurs impulsions du présent. Mais des organismes existent, qui réalisent des prévisions et des projections pour les acteurs économiques réels, si bien que l’idée d’anticipation n’est pas absurde, en témoigne le débat actuel sur la « fin du pétrole bon marché ». De même, les résolutions mettant en avant « l’équilibre général » traduisent l’existence de coordinations entre les agents économiques : négociations internationales sur le commerce, nationales sur les salaires, coordination entre producteurs et distributeurs et coordination par les prix.

    Une rencontre des cultures

    Les modèles intégrés reposent sur des scénarios d’évolution de la planète, comme autant de planètes fictives, à l’image de cet étal de globes terrestres importés de Chine, au marché de Guará, ville-satellite de Brasilia. © CNRS Photothèque – THERY Hervé / UMR7169 – Centre de recherche et de documentation sur l’Amérique latine (CREDAL) – Paris.

    La légitimité scientifique de la modélisation intégrée est difficile à définir. Ce n’est pas celle des sciences expérimentales, car les « simulations » sur plusieurs siècles ne peuvent être vérifiées, d’autant que l’on explore des configurations d’événements potentiels qui n’accéderont jamais à l’existence. Ce n’est pas non plus celle des mathématiques, puisque le modèle se réfère au réel : les variables et les paramètres sont mesurables. Enfin, les modèles intégrés sont aussi en décalage par rapport aux pratiques courantes des sciences sociales, puisqu’ils sont quantitatifs et non narratifs.

    Ce problème de légitimité scientifique est amplifié par le fait que les modèles sont souvent l’objet de commandes publiques ou privées, alors qu’ils sont appliqués à des questions controversées : l’effet de serre n’est pas entièrement compris, les coûts techniques des mesures de prévention sont mal connus et les effets macro-économiques des politiques restent incertains. On améliore alors la légitimité de ces modèles en assurant une base technique méticuleuse, garantissant l’objectivité, la neutralité et la reproductibilité des résultats. Plus important encore, il faut assumer et tenir compte de la différence de représentation de l’incertitude entre les sciences positives et les sciences morales.

    En effet, la nature de l’information et de l’ignorance représentée dans les modèles diffère selon les disciplines. Les sciences positives — la physique par exemple — reposent sur des variables définies et mesurées, et sur le paradigme de l’expérience contrôlée répétable. Elles prétendent accéder à une prédiction précise du futur, fût-elle probabiliste. Ce n’est pas le cas des sciences de l’homme et de la société. Même en économie, plus formalisée et quantitative que les autres, l’importance du libre arbitre individuel, du jeu des acteurs et de la psychologie est admise. Les sciences morales, la philosophie par exemple, envisagent un univers imprécis et controversé. Dans ces disciplines, l’imprécision des connaissances, autant que la nature prospective des modèles, ne permet pas de viser la prévision. C’est pourquoi, par nature, les modèles intégrés cherchent, non pas à prévoir, mais seulement à aider à comprendre pour décider. Ce sont des modèles possibilistes plus que probabilistes.

    Cependant, rapprocher des scientifiques d’horizons divers autour d’un objet de recherche commun permet à chacun de revenir vers sa discipline avec des idées nouvelles. C’est ainsi qu’une culture propre à la physique est transférée vers l’économie. La pensée économique contemporaine est accoutumée à représenter les processus de production en unités monétaires et financières, car elle s’appuie sur des sources statistiques telles que les comptabilités nationales, lesquelles sont exprimées en valeur. Mais quand on cherche à maîtriser la question des émissions, notamment sur plusieurs gaz, on doit prendre en compte la réalité physique des processus et des équipements liés aux activités humaines. Ce retour aux phénomènes physiques apparaît dans la théorie de l’équilibre général et dans les sciences économiques sectorielles (économie de l’énergie, économie rurale, économie industrielle…). Le transfert inverse se fait aussi. Les modèles du changement climatique étudient les « contrôles » que représentent les mesures politiques. Les actions humaines sont à l’origine des phénomènes : on tente d’infléchir les actions des agents économiques vers moins d’émissions. Ainsi les modèles intégrés s’écartent des modèles de la physique macroscopique, qui conduisent à une simulation déterministe (dans un sens de « prévision »), pour se placer sur le terrain de la théorie du contrôle (méthodes inverses, probabilistes, etc.).

    L’avenir de la modélisation intégrée

    L’histoire des modèles économiques MARKAL ou DICE l’a montré : plus un modèle est répandu, plus les chercheurs l’adoptent facilement. Cet effet conduit à la sélection d’un petit nombre de modèles classiques et bien documentés, dont le code source est libre et qui, de ce fait, peuvent être reproduits dans différents pays et faire l’objet d’un développement coopératif. Ce dernier permet le partage des données, des innovations méthodologiques, de l’expérience mais aussi la comparaison des modélisations nationales et l’échange des informations. Ce processus se poursuivra.

    John von Neumann (1903-1957), mathématicien américain d’origine hongroise, a participé à l’essor des machines à calculer et a été un pionnier de la modélisation informatique.
    Institute for Advanced Study Archives / Photo © Alan Richards

    La modélisation actuelle doit beaucoup à John von Neumann, pionnier des formes modernes de la théorie économique, inventeur de l’ordinateur, et concepteur des premiers programmes informatiques consacrés à la prévision météorologique. Les modèles économiques de long terme et la représentation de la base physique de l’économie résultent aussi du travail de Frank Ramsey et Piero Sraffa, à Cambridge. Tous deux furent des interlocuteurs privilégiés du logicien Ludwig Wittgenstein. La réflexion de ce dernier et du Cercle de Vienne sur la formalisation du réel dans les années 1930 a sûrement inspiré les démarches de modélisation.

    Au début des années 1970, la modélisation intégrée émerge de l’analyse des systèmes et de la recherche opérationnelle, avec les travaux de Jay W. Forrester pour le Club de Rome, une association internationale dont le but est de chercher des solutions pratiques aux problèmes planétaires. Suite à la publication de son ouvrage « World dynamics » dans lequel Forrester dévoile son modèle appelé World2, des membres de son équipe au MIT produisent en 1974 le modèle World3 — une version étendue du World2 — qui a servi de support au fameux rapport « Limits to growth » publié en 1972. World3 est l’un des premiers modèles à représenter les interactions entre l’environnement et une économie à l’échelle du monde. Ce modèle a permis de lancer le débat sur les ressources épuisables même si les économistes le critiquèrent vivement. Beaucoup invoquèrent l’idée qu’il ne considérait pas les processus d’innovation que provoqueraient à coup sûr l’épuisement des ressources minières et les hausses concomitantes des prix des matières premières. Nombre d’entre eux remirent également en question la méthode de modélisation utilisée. William D. Nordhaus, précédemment cité, rédigea ainsi un article intitulé « World dynamics : measurement without data »…

    À la suite des premières alertes à propos de l’effet de serre et de l’accumulation de gaz carbonique dans l’atmosphère, William D. Nordhaus, de la Cowles Foundation for research in economics, à l’Université de Yale aux États-Unis, a l’idée de coupler une représentation agrégée de l’économie avec une représentation agrégée du cycle du carbone et des impacts du réchauffement global : c’est le modèle DICE.

    La crise de l’énergie débute à la même époque, en 1971-1973, et motive la création de modèles de planification des systèmes énergétiques nationaux. Le plus élaboré de ceux-ci, conçu par des chercheurs américains au Brookhaven National Lab et allemands, à Jülich, aboutit à un modèle encore en usage de nos jours, le modèle MARKAL.

    Cette première étape (1970-1980) de capitalisation de connaissances sur la modélisation économique, environnementale et énergétique marque les efforts de la période suivante (1980-2000). Parmi la multitude de modèles de dynamique des systèmes (de type World3), le modèle IMAGE offre, dans ses versions les plus récentes, une visualisation fine des impacts possibles du changement climatique en Europe. Quant aux modèles DICE et MARKAL, ils ont fait école, et les variantes utilisées aujourd’hui sont encore nombreuses.

    En même temps, des modèles idiosyncrasiques, propres à une équipe, mais dont les données et le calibrage ne sont pas publiés et dont le contrôle par les pairs n’est que partiel, continueront d’exister. Ces modèles marginaux sont nécessaires pour renouveler les pratiques et confirmer ou critiquer les résultats des modèles paradigmatiques. Un courant important en modélisation intégrée met l’accent sur la participation des décideurs à la construction du modèle. En effet, le but ultime de ces modèles étant de favoriser la prise de décision informée objectivement, l’implication des communautés concernées ne peut être que bénéfique.

    Le principal défi actuel se situe dans la constitution des bases de données. Comparés aux systèmes d’observation de la physique et de la chimie du globe, les systèmes d’observation des paramètres économiques sont bien moins maîtrisés. En effet, pour l’essentiel, ce type de données est collecté par les États pour les perceptions fiscales, et on en imagine bien les limites. La corruption, l’économie informelle ou la guerre civile qui touchent des nations entières et très peuplées constituent autant d’obstacles importants à la connaissance objective de l’économie mondiale. Dans tous les cas, l’avenir des modèles intégrés repose sur une accumulation de connaissances, de données, d’informations, de procédures informatiques et sur un partage entre les équipes. L’analyse des modèles devra appartenir à une culture commune de la décision.

    Quelques références vous sont proposées pour en savoir plus sur les modèles intégrés économie-énergie-climat.

    En français

    En anglais

    • Minh Ha Duong, Transparency and control in engineering integrated assessment models, in Integrated Assessment, n°2, vol. 4, pp. 209-218, 2001
    • IPCC (Intergovernmental Panel on Climate Change), Climate change 2001, Chap. 7, §7.6, « Modelling and cost assessment »
    • William D. Nordhaus et Joseph Boyer, Warming the world : economic models of global warming, The MIT Press, 2000
    • Revue en ligne de la société savante The Integrated Assessment Society

    Une première version de cet article est parue dans le dossier n°52 La modélisation informatique, exploration du réel de la revue Pour la Science, numéro de juillet/septembre 2006.

    Newsletter

    Le responsable de ce traitement est Inria. En saisissant votre adresse mail, vous consentez à recevoir chaque mois une sélection d'articles et à ce que vos données soient collectées et stockées comme décrit dans notre politique de confidentialité

    Niveau de lecture

    Aidez-nous à évaluer le niveau de lecture de ce document.

    Si vous souhaitez expliquer votre choix, vous pouvez ajouter un commentaire (Il ne sera pas publié).

    Votre choix a été pris en compte. Merci d'avoir estimé le niveau de ce document !

    Minh Ha Duong

    Chargé de recherche CNRS au Centre international de recherche sur l’environnement et le développement (CIRED). Ingénieur de l'École Nationale du Génie Rural, des Eaux et Forêts ; docteur en analyses politiques et économiques.

    Voir le profil

    Pierre Matarasso

    Ingénieur de recherche CNRS au Centre International de Recherche sur l'Environnement et le Développement (CIRED), son activité de recherche porte sur la modélisation intégrée de l'économie et du climat d'une part et sur la modélisation des systèmes énergétiques d'autre part.
    Voir le profil

    Découvrez le(s) dossier(s) associé(s) à cet article :

    DossierCulture & Société
    Environnement & PlanèteSécurité & Vie privée

    TIPE 2020-2021 : enjeux sociétaux