Chapitre 14. Coût social du carbone

Le coût social du carbone (CSC) est le concept le plus important à prendre en compte pour pouvoir intégrer les dommages dus au changement climatique dans l’analyse coûts-avantages des politiques publiques et des investissements publics. Le CSC mesure la valeur actualisée en termes monétaires des dommages provoqués par la libération dans l’atmosphère d’une tonne supplémentaire de carbone (ou de tout autre gaz à effet de serre). Le CSC peut être intégré aux analyses en tant qu’élément de coût dans le cas des projets qui entraînent des émissions de carbone, et en tant qu’avantage pour les projets qui permettent une réduction nette de ces émissions. La plupart des projets publics ont un impact sur les émissions de carbone, mais ceux qui relèvent des secteurs de l’énergie, du transport et de l’agriculture suscitent des préoccupations particulières qui imposent de tenir compte du CSC. En matière de politique environnementale, le CSC sert de base de calcul du prix optimal du carbone et du niveau optimal de réduction des émissions. La mise en œuvre du prix du carbone (par l’intermédiaire de la fiscalité ou d’un système de permis par exemple) créera des incitations à la diminution des émissions dans tous les secteurs de l’économie. Ayant pris conscience de l’importance du CSC, de nombreux pays ont conçu leurs propres méthodes pour estimer ce paramètre. Le présent chapitre explique et examine les fondements théoriquesdu CSC et présente les différentes méthodes qui peuvent être utilisées pour l’estimer. Les émissions de carbone produisent des effets de portée planétaire, qui varient dans le temps et dans l’espace et touchent de nombreux secteurs. Par conséquent, le calcul du CSC est un exercice complexe, qui nécessite d’utiliser des données relevant d’une multitude de disciplines allant de la science du climat à l’agronomie en passant par les sciences sociales, notamment l’économie. Chaque étape de la chaîne de causalité entre le carbone et les dommages qu’il occasionne est également marquée par une incertitude considérable. Trois questions importantes rendent le calcul du CSC particulièrement difficile : quelle trajectoire les émissions suivront-elles ? De quelle manière les émissions affecteront-elles les températures ? Et quels dommages les températures occasionneront-elles ? Des incertitudes considérables pèsent sur chaque étape de ce calcul, à quoi il faut ajouter les effets « de seuil » potentiels et les risques d’événements catastrophiques. Cependant, l’importance du changement climatique en tant qu’enjeu planétaire et la nécessité de mettre en œuvre des politiques conformes aux engagements pris au titre des accords internationaux font que de nombreux pays appliquent d’ores et déjà des taxes sur le carbone ou utilisent régulièrement le CSC dans leurs analyses réglementaires. Ce chapitre examine les méthodes actuellement employéespour analyser et calculer le CSC. Il évoque certains désaccords et difficultés qui encourent cette question et fournit des explications sur certaines pratiques internationales qui ont actuellement cours pour intégrer le CSC dans l’analyse coûts-avantages des politiques publiques.

    

14.1. Introduction

Le changement climatique anthropique a été décrit comme un « cocktail explosif » de plusieurs problèmes environnementaux auquel l’humanité est aujourd’hui confrontée. Cette conjonction particulière tient en partie au fait que le changement climatique a des incidences environnementales et économiques multiples, qui se propagent à la fois dans l’espace et dans le temps. En outre, bien que la communauté scientifique s’accorde à reconnaître que les températures augmentent à cause des émissions de CO2, les spécialistes du climat et les économistes admettent qu’une grande incertitude règne autour de plusieurs aspects du changement climatique. Pour les politiques publiques et l’analyse coûts-avantages (ACA), la question est de savoir comment les dommages attendus peuvent être pris en compte dans l’analyse des projets publics et des réglementations, et quelle valeur attribuer à ces dommages.

Le coût social du carbone (CSC) ou coût social du CO2 (CS-CO2) est l’un des concepts les plus importants qui peuvent éclairer la réponse des pouvoirs publics au changement climatique1. Il correspond aux dommages supplémentaires (ou dommages marginaux) induits par une unité de carbone ou de CO2. La valeur du CSC fournit des informations utiles pour l’évaluation des dommages dus au carbone associée aux projets et politiques publics d’atténuation du changement climatique, et devrait être utilisée pour déterminer la taxe « pigouvienne » sur la pollution ou le prix du carbone émis. Les émissions de carbone contribuent à l’accumulation d’un stock (ou une concentration) de CO2 dans l’atmosphère, et le CSC reflète les dommages résultant de l’augmentation de ce stock pendant le cycle de vie des émissions dans l’atmosphère. Le CSC représente la valeur actualisée de ce flux de dommages. Compte tenu de l’évolution des concentrations de CO2 au fil du temps, le CSC dépend du moment dans le temps où il est mesuré. Pour cette raison, la taxe carbone optimale est elle aussi variable.

L’estimation des dommages associés à une unité supplémentaire d’émissions de carbone est un exercice complexe. Cette opération comprend quatre étapes clés : 1) calcul des émissions futures ; 2) calcul de l’impact des émissions sur des paramètres géophysiques tels que les températures et les précipitations ; 3) calcul de l’impact des paramètres géophysiques sur les dommages économiques ; et 4) calcul de la valeur actualisée des dommages en termes de bien-être, selon la technique de l’actualisation sociale. À chaque étape, l’analyste est confronté à des incertitudes considérables concernant les relations structurelles et paramétriques entre les variables en présence. Il existe une incertitude scientifique quant aux principaux paramètres de réponse, tels que la sensibilité du climat à l’équilibre (l’impact à long terme sur les températures mondiales d’un doublement des émissions de CO2) ou la sensibilité transitoire (la réponse à moyen terme des températures face à l’évolution des émissions de CO2). Certaines composantes de cette incertitude sont considérées comme étant irréductibles, même s’il y a tout lieu de penser que l’on en apprendra davantage à leur sujet dans le futur. Au-delà de l’incertitude scientifique, la corrélation entre le changementdes températures et les dommages économiques constitue une autre source d’incertitude majeure. La nature des dommages climatiques fait l’objet d’une littérature foisonnante mais l’exactitude de la fonction de dommages sur le long terme reste sujette à caution, notamment parce qu’il n’existe aucun précédent historique auquel se référer.

L’incertitude scientifique et l’incertitude entourant les dommages climatiques représentent des problèmes d’incertitude au sens « knightien » le plus strict (voir chapitre 8)2. Les outils d’évaluation doivent être utilisés en gardant à l’esprit que les effets du changement climatique sont au mieux ambigus et qu’ils sont très vraisemblablement empreints d’incertitude knightienne. Pour estimer le CSC, il y a lieu de garder à l’esprit ces risques et incertitudes inhérents et de tenir compte des préférences de la société concernant les risques, l’incertitude et l’ambiguïté et l’éventualité de risques de catastrophe. Les comportements individuels dénotent une préférence pour la réduction des risques, de l’ambiguïté et de la probabilité de chocs négatifs. Pour bon nombre de commentateurs, le calcul du CSC devrait refléter ces facteurs.

Le changement climatique étant un processus relativement lent, les dommages ne se manifestent pas avant longtemps et s’accompagnent d’une grande inertie. Par conséquent, le changement climatique est un problème intergénérationnel dont les effets se répercuteront sur les générations futures pendant des centaines, voire des milliers d’années. Pour cette raison, la fonction de bien-être social intertemporel utilisée pour évaluer le bien-être de la société aura une profonde influence sur l’évaluation des coûts et avantages du changement climatique et les stratégies d’atténuation associées. Le présent chapitre montre, à la suite du chapitre 8, que la fonction de bien-être social définit le taux d’actualisation social et donc l’importance attribuée au bien-être des générations futures. Comme l’illustrent les suites données au Rapport Stern, l’absence de consensus quant au taux d’actualisation social peut décider de l’issue de l’évaluation des politiques visant à atténuer le changement climatique.

Deuxièmement, le changement climatique fait planer le spectre de retombées catastrophiques pour les générations futures. Comme nous le verrons, l’analyse économique du changement climatique s’est le plus souvent référée aux dommages moyens. Les conséquences du changement climatique s’inscrivant dans le long terme, un grand nombre de stratégies d’atténuation ne peuvent satisfaire au critère du rapport coûts-avantages qu’en utilisant un taux d’actualisation bas lorsque l’accent est placé sur les effets moyens. Cependant, si la distribution de probabilité des dommages a des « queues de distribution épaisses » – autrement dit si la probabilité de dommages extrêmement graves n’est pas infime –, ce seront alors ces effets qui prédomineront dans l’ACA, plus ou moins indépendamment de la valeur retenue pour le taux d’actualisation. La réduction de la probabilité de catastrophes deviendra alors la motivation principale des actions liées au changement climatique.

Ce chapitre montre que, malgré les obstacles apparents, le CSC a pu être estimé à des fins d’application à l’ACA au moyen d’une combinaison d’outils : connaissances issues de la science du climat, modèles climatiques et modèles économiques, évalués selon les approches économiques du bien-être qui sous-tendent l’ACA. En se focalisant plus particulièrement sur les procédures détaillées recommandées aux États-Unis, il explique les différentes étapes de la procédure d’estimation du CSC et indique les valeurs du CSC utilisées pour l’élaboration des politiques. Les estimations destinées à guider l’élaboration des politiques proviennent pour l’essentiel de modèles d’évaluation intégrée (MEI). Le recours aux avis d’experts et l’utilisation de modèles sommaires encore plus simples du climat et de l’économie sont également évoqués.

Graphique 14.1. Émissions mondiales de carbone imputables aux combustibles fossiles et croissance des émissions de carbone
Millions de tonnes de carbone par an et pourcentage
Graphique 14.1. Émissions mondiales de carbone imputables aux combustibles fossiles et croissance des émissions de carbone

Source : www.carbonbrief.org.

14.2. Le coût social du carbone et le prix optimal du carbone : quelques éléments théoriques

Cette section se propose de donner une définition claire du coût social du carbone (CSC) et d’illustrer les relations entre le CSC et le prix optimal du carbone. Le CSC est normalement défini comme la valeur actualisée des dommages engendrés par une unité supplémentaire d’émissions de carbone (ou d’autres gaz à effet de serre) dans l’atmosphère. Ces émissions sont parfois exprimées en unités de dioxyde de carbone (CO2), auquel cas l’on parle de coût social du dioxyde de carbone (CS-CO2) (voir par exemple NAS, 2017)3. Dans le monde idéal de la théorie économique, la taxe carbone optimale devrait être égale au CSC. Le CSC représente la taxe pigouvienne optimale qu’il faudrait appliquer aux émissions de carbone pour que les agents internalisent le coût externe de leurs décisions et que les facteurs soient répartis de façon optimale dans l’économie. Cette section montrera comment, en théorie, la taxe carbone optimale et le CSC sont liés dans ce contexte d’action optimal. Les sections suivantes seront consacrées à l’application de ces principes et aux différentes approches utilisées pour estimer le CSC. Une fois qu’il a été défini et estimé, le CSC peut être utilisé pour calculer le prix du carbone ou servir de prix fictif du carbone dans les évaluations des politiques publiques fondées sur l’ACA (évaluations de projets d’investissement ou de modificationsde la réglementation par exemple).

L’une des caractéristiques importantes des émissions de carbone ou de CO2 réside dans leur nature de polluant-stock : elles contribuent à la formation d’un stock de CO2 dans l’atmosphère, qui va en augmentant et ne se dissipe que lentement au fil du temps. En conséquence, l’atténuation du changement climatique est un problème dynamique, et les dommages causés par les émissions de CO2 aujourd’hui risquent d’évoluer et de persister dans le temps. Le CSC revêt donc deux caractéristiques fondamentales. Premièrement, il reflète l’évolution future des dommages consécutifs à un changement marginal des émissions de carbone ou gaz à effet de serre se produisant aujourd’hui ou à un moment particulier dans le temps. Deuxièmement, le CSC est appelé à varier au fil du temps, en fonction de l’évolution du stock de gaz à effet de serre polluants et des dommages marginaux qui en résultent. Le prix optimal du carbone doit donc également refléter la nature dynamique du polluant et évoluer dans la durée. Une présentation formelle de ces aspects devrait permettre de s’en faire une idée plus concrète.

14.2.1. Analyse théorique formelle du CSC et prix optimal du carbone. Présentation simplifiée de la contribution de Hoel et Kverndokk (1996)

Un abondant corpus théorique s’est attaché à analyser les propriétés du coût social du carbone, le prix optimal du carbone et leur dynamique dans le temps. Ces études donnent des indications sur la taxe carbone optimale et son évolution dans le temps pour des économies optimales présentant différentes caractéristiques. L’idée maîtresse découle du fait que le carbone est un polluant-stock et non un polluant-flux comme les oxydes d’azote au niveau de la route ou les effluents dans les cours d’eau. Le fait que le CO2 soit un polluant-stock signifie que le coût social du carbone doit refléter les dommages induits par une augmentation marginale du stock se produisant aujourd’hui sur l’ensemble de l’horizon de planification.

Dans le cadre de l’optimisation dynamique, ce coût est représenté par le prix fictif négatif du stock de CO2. L’encadré 14.1 montre que ce coût fictif, le coût social du CO2 en l’espèce, reflète la valeur actualisée des dommages futurs dus à l’émission d’une unité supplémentaire de CO2 aujourd’hui. Dans le régime d’équilibre, cette valeur actualisée est donnée simplement par l’équation suivante :

picture [14.1]

S* est le stock de CO2 dans l’atmosphère, picture le flux de dommages marginaux à chaque moment dans le temps, r un taux d’actualisation et f le taux de déclin du stock de CO2 dans l’atmosphère. L’équation [14.1] montre que le CS-CO2 est équivalent à la valeur actualisée d’une annuité d’un montant de picture. Le CS-CO2 augmente avec la valeur des dommages marginaux, et diminue avec la valeur du taux d’actualisation (r) et du taux de déclin (f).

Dans un cadre d’optimisation, les avantages marginaux liés aux émissions (du secteur manufacturier, des transports, etc.) devaient être égaux aux dommages marginaux associés au CO2. Cela signifie que la taxe carbone optimale devrait être égale au CS-CO2 ou au CSC selon l’unité utilisée. L’équation [14.1] donne une expression de la taxe carbone optimale (en régime d’équilibre). En dehors du régime d’équilibre, qui veut que le stock de CO2 reste constant dans le temps, la taxe carbone optimale devrait refléter l’évolution du stock de carbone dans l’atmosphère – une tendance indubitablement à la hausse depuis quelques années (voir graphique 14.1). L’équation [14.3] dans l’encadré 14.1 représente le CS-CO2 dans ce cas.

Bien qu’il soit possible de définir le CSC et la taxe carbone en termes optimaux, le CSC est souvent estimé ou approximé à l’aide d’une valeur de référence non optimale à politiques inchangées (voir, par exemple, Nordhaus, 2017 ; Stern, 2007). Le CSC reste défini par la valeur actualisée des dommages dans ces cas.

14.2.2. La trajectoire optimale de la taxe carbone

La trajectoire optimale de la taxe carbone a fait l’objet de nombreuses recherches théoriques. Les trajectoires recommandées diffèrent selon le modèle particulier utilisé. La modélisation dynamique des émissions de CO2 en tant que polluant-stock livre des informations importantes sur les arbitrages dynamiques à opérer pour déterminer la trajectoire optimale de la taxe carbone. Les résultats détaillés dépendent des caractéristiques particulières du scénario de modélisation utilisé. Cependant, il est possible de tirer de ces exercices quelques conclusions générales utiles pour l’élaboration des politiques.

Par exemple, le modèle de Hoel et Kverndokk (Hoel et Kverndokk, 1996), examiné dans l’encadré 14.1, montre qu’en présence d’une ressource non renouvelable qui produit un polluant-stock et qui est susceptible d’être remplacée par une autre technologie (backstop technology), un planificateur soucieux de maximiser l’utilité va mettre en œuvre une taxe carbone qui suivra une trajectoire ascendante à court terme puis diminuera à long terme. Le stock associé d’émissions suivra la même trajectoire mais avec un temps de retard, de sorte que la taxe carbone atteindra son pic avant que les émissions n’atteignent le leur. Cette dynamique résulte de l’hypothèse de modélisation retenue par les auteurs, mais la « bosse » formée par la courbe de la taxe traduit les arbitrages qui sous-tendent le choix de la politique mise en œuvre. D’une part, la taxe produit un effet statique, qui est une diminution de l’extraction de la ressource. D’autre part, elle produit un effet dynamique dans le temps, qui est une diminution de la valorisation actuelle de l’extraction future, c’est-à-dire la valeur actuelle de la rente tirée de la ressource. L’extraction optimale va s’adapter à ces effets, s’orientant à la hausse à court terme avant de décliner à plus long terme, conformément à la dynamique de la rente de ressource donnée par la règle de Hotelling. Le déclin de la taxe optimale dans le temps contrebalance cet effet dynamique lié à l’extraction,entraînant une diminution du niveau d’émissions à chaque moment dans le temps (voir graphique 14.3). Le profil temporel du CSC indique ces considérations dynamiques et montre qu’une politique climatique se doit de prendre en considération la réponse dynamique des extracteurs de combustibles fossiles qui cherchent à maximiser leur bénéfice.

Encadré 14.1. Le coût social du carbone et la taxe carbone optimale

Présentation simplifiée de la contribution de Hoel et Kverndokk (1996)

Le modèle théorique présenté par Hoel et Kverndokk (1996) est l’un de ceux qui permettent d’illustrer le plus simplement la signification théorique du coût social du carbone et sa relation avec la taxe carbone optimale. Le coût social du carbone est analysé dans le contexte d’une économie tributaire d’une ressource non renouvelable (combustible fossile par exemple) produisant un polluant-stock (tel que le CO2). L’analyse peut s’interpréter comme un problème d’épuisement optimal d’une ressource non renouvelable face à l’augmentation du polluant-stock induit par l’utilisation de cette ressource. Il s’agit là d’une représentation simplifiée du problème du changement climatique en tant que résultante de l’exploitation des combustibles fossiles dans l’économie générale. L’explication présentée ci-après donne quelques indications utiles sur le CSC et la taxe carbone optimale.

L’objectif de Hoel et Kverndokk (1996) est de maximiser la valeur actualisée de la somme des utilités u(xt) dans le temps (actualisée au taux r) via le choix du flux de ressources (polluantes) xt, en tenant compte du fait qu’il existe un stock fini de la ressource non renouvelable A0 et que l’extraction cumulée de cette dernière induit un stock de pollution atmosphérique St entraînant des dommages instantanés D(St). L’évolution du polluant-stock dans le temps peut être décrite par l’équation dynamique suivante :

picture [14.2]

xt désigne les émissions du polluant et f le taux du déclin du stock de pollution lié aux processus atmosphériques et océaniques naturels. La fonction de Hamilton suivante rend

compte de l’arbitrage fondamental qui s’opère entre les avantages liés à la consommation de la ressource xt (pétrole par exemple), qui produit l’utilité instantanée u(xt), et l’accumulation du polluant St, qui entraîne les dommages D(St), ainsi que des effets dynamiques de la variation du stock de pollution, picture. La fonction de Hamilton est maximisée à travers le choix de la variable de contrôle xt :

picture

Pour résoudre ce problème, il faut mettre en regard le flux instantané d’avantages que l’économie retire de l’utilisation de la ressource non renouvelable, u(xt), et les coûts futurs dus à l’augmentation du stock de pollution D(St), qui s’accumule au fil du temps dans les conditions décrites par l’équation [14.1]1.

Le prix fictif d’un stock de CO2, μ, reflète l’effet marginal d’un accroissement marginal du stock de pollution picture sur le bien-être intertemporel. Cet effet est négatif dans la mesure où la pollution réduit le bien-être (autrement dit, c’est un coût). Cela signifie que le coût social du carbone CS-CO2 est égal à q = -μ. Il peut être instructif de développer l’expression du CS‐CO2. Selon l’approche hamiltonienne, le prix fictif μ évolue dans le temps comme suit :

picture [14.3]

Le CS-CO2 étant défini comme q = - μ, l’équation différentielle pour q découlant de l’équation [14.2] permet d’obtenir l’expression suivante pour le CS-CO2 (q) au temps t (Hoel and Kverndokk, 1996, p. 119):

picture [14.4]

[14.3] est une identité comptable qui permet de définir le CS-CO2 explicitement selon la formule [14.4]. Cette relation est également valable pour les trajectoires non optimales. L’équation [14.4] montre explicitement que le CS-CO2 (q) correspond à la valeur actualisée de l’ensemble des dommages marginaux D′(St) induits par une unité supplémentaire d’émissions de CO2, actualisés au taux composite (r + φ), sur l’horizon de planification restant, picture2.

Dans une solution optimale, l’avantage marginal tiré de l’extraction aujourd’hui devrait être égal au coût marginal induit dans le futur, q. Par conséquent, le CS-CO2 est égal à la taxe carbone optimale. Le CS-CO2 évoluant au fil du temps selon la formule [14.3], tel devrait également être le cas pour la taxe carbone optimale.

À l’état d’équilibre, cas de figure plus simple dans lequel St = S* à tout moment dans le temps, la taxe carbone devient égale à la valeur actualisée de l’annuité D¢(S*) :

picture [14.5]

Les expressions [14.4] et [14.5] illustrent le point général suivant : le CS-CO2 reflète la valeur actualisée de l’ensemble des dommages marginaux futurs, actualisés au taux composite (φ + r). Le CS-CO2 diminue d’autant plus que le taux d’actualisation (r) est plus élevé et que le déclin du polluant (φ) est plus rapide. Le taux d’actualisation réduit la valeur des dommages futurs, tandis que le déclin du polluant réduit leur quantité.

1. Hoel et Kverndokk (1996, p. 118) prennent également en considération les coûts d’extraction, qui dépendent de l’extraction cumulée de la ressource. Par souci de simplification, l’exposé présenté ici fait abstraction de cette variable.

2. Si l’on utilise un taux d’actualisation composite, c’est parce qu’il existe deux raisonsde minorer la valeur des dommages futurs par rapport aux dommages actuels : le coût d’opportunité r et le taux de déclin φ. Ces deux facteurs justifient d’attribuer une moindre importance au stock de pollution futur.

D’autres études parviennent à des résultats analogues. Ulph et Ulph (1996) préconisent également un profil « en bosse » pour la taxe carbone. Dans leur cas, les émissions ressortent à des niveaux plus élevés à court terme et à long terme, mais la politique optimale élimine les pics d’émissions à moyen terme. Dans le modèle de Hoel et Kverndokk (1996), l’extraction se poursuit plus longtemps que ce n’est le cas en l’absence de taxe optimale. Dans le scénario tendanciel (c’est-à-dire sans taxe carbone) représenté sur le graphique 14.2, le pic d’émissions est plus élevé mais l’ère des combustibles fossiles s’achève à un certain moment du temps fini, lorsque la technologie de substitution devient plus économique. A contrario, dans le scénario de la taxe carbone optimale, les émissions s’amenuisent sur le moyen terme mais l’ère des combustibles fossiles dure plus longtemps, s’étendant au-delà de l’adoption de la technologie de substitution. Dans chaque cas, toutes les ressources économiquement viables sont extraites. Bon nombre de modèles de taxe carbone optimale aboutissent à ce résultat fondamental : la gestion optimale du polluant-stock implique un lissage du profil temporel des émissions, éventuellement au prix d’un allongement de la période d’exploitation des combustibles fossiles.

Graphique 14.2. La trajectoire optimale de la taxe carbone
Graphique 14.2. La trajectoire optimale de la taxe carbone

Source : Hoel et Kverndokk, 1996.

14.2.3. Politique en matière de carbone et paradoxe vert

L’analyse de la trajectoire optimale de la taxe carbone illustre les forces antagonistes avec lesquelles les décideurs doivent composer et le fait que, confrontés à une taxe carbone, les extracteurs de combustibles fossiles sont incités à adapter leur comportement. À en juger par les analyses, des politiques climatiques mises en œuvre de façon irréfléchie peuvent avoir des conséquences imprévues. Une partie des travaux consacrés à la modélisation du coût social du carbone et aux mesures de taxation les plus appropriées aborde ce qu’on a coutume d’appeler le paradoxe vert. Le paradoxe vert est la thèse selon laquelle certaines politiques qui visent à réduire les émissions de carbone et à atténuer le changement climatique pourraient au contraire entraîner une augmentation des émissions à court terme et ainsi diminuer le bien-être. Le mécanisme par lequel cela peut se produire est le suivant : une hausse abrupte de la taxe carbone ou une diminution rapide du coût des énergies renouvelables (la technologie de remplacement) produit un effet semblable à celui du risque d’expropriation, en ce sens qu’elle annihile la valeur future des combustibles fossiles et incite donc les entreprises à accélérer l’extraction des ressources au moment présent (Sinn, 2008 ; van der Ploeg et Withagen, 2015). Le paradoxe vert s’applique aux politiques liées aux ressources renouvelables et à l’efficacité énergétique (Hoel, 2008), et même à l’adoption d’accords environnementaux internationauxefficaces (Strand, 2007). Dans chaque cas, le message est le suivant : des politiques apparemment pertinentes, telles que l’instauration d’une taxe sur le carbone ou de subventions aux énergies renouvelables, peuvent entraîner des effets pervers sur le climat et le bien-être lorsqu’elles sont appliquées par l’entremise des marchés et institutions existants.

L’une des principales références en la matière est Sinn (2008), qui analyse l’impact d’une taxe carbone dans une économie de marché décentralisée. Sinn (2008) montre que, dans ce contexte, une taxe carbone non optimale qui augmente à un rythme constant au fil du temps peut entraîner une augmentation du taux d’extraction des ressources non renouvelables. Le taux de croissance constant de la taxe revient en quelque sorte à une majoration du taux d’actualisation, qui a pour effet d’accélérer l’extraction. Ce résultat est sous-tendu par l’idée que les droits de propriété sur les actifs souterrains ne sont pas parfaits et que, dans ces conditions, la taxe vient en substance s’ajouter au risque d’appropriation inhérent au secteur. La réponse à la taxe a pour conséquence d’éloigner l’économie de la trajectoire d’extraction optimale. Sinn (2008) décrit les effets pervers potentiels de la politique environnementale, l’importance des institutions existantes et les enseignements tirés de l’utilisation de cadres dynamiques. Le rythme de variation de la taxe est un aspect de la politique fiscale qui revêt une importance particulière dans le cas du carbone, tout comme la façon dont la taxe est internalisée.

Partant du principe que tous les combustibles fossiles ne pourront pas être utilisés si l’on veut que les objectifs de réchauffement définis par l’Accord de Paris adopté à l’issue de la COP21 soient respectés, Gerlagh (2011) montre qu’il sera capital d’investir dans des technologies de substitution pour mettre un terme à l’ère des combustibles fossiles, contrairement à d’autres modèles qui tablent sur un lissage plus progressif sur un horizon plus éloigné. La sortie de l’ère des combustibles fossiles pourrait impliquer une augmentation des émissions à court terme mais conduire à une baisse des émissions cumulées. Dans ce contexte, le rythme de diminution du coût de la technologie de substitution détermine la vitesse à laquelle les ressources non renouvelables seront évincées du marché sous l’effet conjugué de la hausse de leur coût de production et du déclin rapide du prix de la technologie de substitution. On parviendrait à un résultat similaire lorsque les gisements de ressources non renouvelables sont de qualités différentes, et affichent donc des prix différents. Dans pareil cas, il est probable qu’il sera inefficient d’exploiter toutes les réserves de combustibles fossiles et le paradoxe vert n’est plus automatique (Gerlagh, 2011). On trouvera une autre analyse du paradoxe vert dans van der Ploeg et Withagen (2015)4. La conclusion générale est que la tarification du carbone est le meilleur moyen de réguler les émissions de carbone, et que lamise en place de subventions aux technologies fondées sur les énergies renouvelables (ou aux combustibles fossiles) en lieu et place d’une tarification du carbone risque de déclencher une situation de « paradoxe vert », avec une hausse des émissions et une accélération du réchauffement climatique.

14.3. Estimations du CSC ou du CS-CO2 produites par les modèles d’évaluation intégrée (MEI)

Pour que les dommages climatiques puissent être intégrés dans les analyses des politiques et investissements publics ou servir au calcul d’un prix adéquat du carbone, il est nécessaire d’estimer le CSC ou le CS-CO2 (ci-après désigné « CSC »). L’Académie nationale des sciences (National Academy of Sciences) a établi un cadre pour l’estimation du CS-CO2, qui s’appuie sur des modèles d’évaluation intégrée (MEI) du climat et de l’économie (NAS, 2017, chapitre 2).

Les MEI diffèrent entre eux par leur finalité spécifique et le niveau de détail de la modélisation. La NAS (NAS, 2017) se réfère à deux types de MEI : 1) les MEI détaillés ; et 2) les MEI à forme réduite. Les MEI détaillés décomposent finement certains aspects spécifiques du climat et de l’économie, en fonction des questions de recherche fondamentales auxquelles ils tentent d’apporter des réponses. Le changement technologique dans le secteur de l’énergie (voir, par exemple, le modèle WITCH de Bosetti et al., 2006), l’adaptation dans les secteurs agricole et manufacturier, les boucles de rétroaction entre les terres et les océans (voir par exemple Reilly et al., 2012) et les risques liés au changement climatique ne sont que quelques-uns des aspects spécifiques qui ont été traités par ces MEI détaillés (NAS, 2017, p. 40). Ces modèles se caractérisent par ailleurs par une granularité spatiale plus fine, les analyses étant effectuées à l’échelon régional (voir par exemple le modèle intégré pour l’Asie (AIM) de Matsuika et al., 1995).

Jusqu’à présent, les MEI détaillés n’ont guère été utilisés pour estimer la valeur mondiale des dommages climatiques et du CSC, dans la mesure où, en général, ils ne sont pas assez aboutis pour permettre d’attribuer une valeur économique aux dommages puis d’agréger les dommages au niveau mondial. C’est pourquoi, pour cet exercice, il est de coutume d’utiliser des MEI à forme plus réduite. Les MEI à forme réduite donnent des représentations très agrégées de l’économie, du climat et du cycle du carbone. Ainsi, la complexité de la production mondiale est généralement représentée au moyen d’une seule fonction de production agrégée. Cette fonction transforme les indicateurs agrégés de capital et de travail en production par l’intermédiaire du changement technologique exogène, en faisant abstraction des spécificités de tel ou tel secteur ou industrie. De la même manière, pour le climat, les relations entre les émissions de carbone, la température et l’économie sont représentées au moyen d’expressions simplifiées. L’avantage de ces modèles est qu’ils utilisent des mesures agrégées mondiales du changement climatique et du bien-être économique, qui permettent d’estimer le CSC.

Un petit nombre de MEI à forme réduite (ci-après désignés simplement « MEI ») ont été utilisés pour calculer le CSC. Dans chaque cas, le calcul du CSC repose sur quatre étapes essentielles (voir, par exemple, NAS, 2017, p. 39) :

  1. Émissions : projection de la trajectoire future de la production et des émissions de CO2 ;

  2. Impact climatique : projection de l’impact des émissions sur le monde physique – changement de la température atmosphérique et océanique, et changements de la productivité des écosystèmes et de la biomasse ;

  3. Dommages : calcul des dommages économiques associés à la trajectoire future des émissions et aux changements qui en découleront pour le monde physique ;

  4. Actualisation : calcul de la valeur actualisée du flux de dommages économiques (voir chapitre 8).

La section suivante examine comment l’on peut mener à bien ces quatre étapes avec un MEI à forme réduite particulier, le modèle DICE (Nordhaus, 2017). Elle indique également les estimations obtenues avec d’autres MEI, ainsi que des estimations qui ont été proposées à des fins d’application pratique.

14.3.1. MEI : les quatre étapes de l’estimation du CSC avec le modèle DICE

Le coût social du carbone : comme on l’a vu dans la section précédente, le coût social du carbone est la valeur actualisée des dommages associés à l’émission d’une tonne supplémentaire de carbone ou de CO2 dans l’atmosphère5. Le modèle DICE et la plupart des MEI à forme réduite utilisent une fonction de bien-être intertemporel utilitariste actualisée de la forme : picture pour évaluer les dommages dus au changement climatique, où δ est le taux d’actualisation de l’utilité et U(Ct) l’utilité instantanée d’un agent représentatif au temps t. Le CSC peut s’exprimer par la formule suivante, où Et désigne les émissions, Ct la consommation et W le bien-être intertemporel :

picture [14.6]

Le numérateur de l’équation [14.6] est l’impact des émissions sur le bien-être (la valeur actuelle de l’utilité) et le dénominateur l’utilité marginale de la consommation, ce qui signifie que le CSC est mesuré en termes de consommation plutôt que d’utilité. En règle générale, pour calculer le CSC, on perturbe le modèle en introduisant un apport ponctuel non marginal d’émissions de carbone dans un scénario de référence solidement établi (ou en supprimant cet apport), puis en divisant le résultat par le niveau de l’apport pour obtenir la valeur unitaire du CSC en termes monétaires (Newell et Pizer, 2003 ; Nordhaus, 2014 ; 2017). La façon dont les émissions évoluent dans la durée et affectent le climat et l’économie en général varie d’une technique de modélisation à une autre.

14.3.2. Étape 1 – Émissions : projection de la production et des émissions mondiales

Le module socio-économique du modèle DICE se compose de la fonction de bien-être susdécrite et du secteur productif, qui est à l’origine de la production et des émissions de carbone globales. Pour la mesure du bien-être mondial, l’utilité est multipliée par la population mondiale, L(t), et le taux d’actualisation R(t), à chaque moment dans le temps :

picture [14.7]

Les émissions de CO2 viennent de la production globale, Y(t), et des émissions exogènes liées à l’utilisation des sols, Esols(t) :

picture [14.8]

s(t) désigne l’intensité carbone de la production et μ(t) le taux de réduction des émissions, qui reflète les interventions technologiques et celles relevant de la politique publique. La production, Y(t), est modélisée sous la forme d’une fonction de production globale de la technologie, A(t), et du produit marginal décroissant du capital, K(t), et du travail, L(t) :

picture [14.9]

La production globale est soit consommée, C(t), soit investie. Les projections de la production et des émissions sont déterminées par ces relations ; les paramètres et fonctions essentiels (s(t), μ(t), f(.)) sont estimés à partir des meilleures connaissances existantes, tandis que les projections de la croissance démographique, de la production et du changement technologique reposent sur des données historiques ou des avis d’experts (voir Nordhaus, 2016). Le modèle DICE (DICE 2016R) suppose un taux de croissance de la production par habitant de 2.1 % par an jusqu’en 2050, puis de 1.9 % par an jusqu’en 2100. La croissance démographique est conforme aux projections démographiques des Nations Unies.

14.3.3. Étape 2 – Impact climatique : l’impact des émissions sur le monde physique

Chaque MEI définit une relation explicite entre les émissions et le monde physique à partir d’informations issues de la science du climat. L’un des aspects fondamentaux à prendre en compte est la modification des températures qu’induiront les émissions. Dans le modèle DICE 2016R, cette relation est caractérisée par plusieurs expressions simples à forme réduite décrivant les relations géophysiques. Ces expressions (qui ne sont pas reproduites ici par souci de simplicité, voir Nordhaus, 2017, p. 1519-1520) caractérisent : 1) les flux de CO2 entre l’atmosphère, la surface de l’océan et la biosphère, et l’océan profond (puits de carbone) ; 2) le forçage radiatif (effet thermique) produit par les émissions de CO2 dans l’atmosphère ; et 3) l’effet du forçage radiatif sur la température atmosphérique et la température de la couche inférieure de l’océan.

Les procédures d’estimation des paramètres, de calibrage des modèles et de calcul des projections sont rendues difficiles par la grande incertitude qui entoure les estimations. L’un des paramètres particulièrement importants qui est utilisé pour caractériser la relation entre les émissions de CO2 et la modification de la température atmosphérique est la sensibilité du climat à l’équilibre (SCE). La SCE décrit une relation d’équilibre à long terme qui indique la modification (positive ou négative) des températures résultant d’un doublement de la concentration de CO2 dans l’atmosphère. Ce paramètre est par essence incertain (Roe et Baker, 2007), et un grand nombre de tentatives ont été faites pour estimer sa distribution de probabilité, selon différentes méthodes : certaines reposent sur des modèles climatiques, d’autres sont des estimations empiriques fondées sur des données anciennes concernant les relations entre température et CO2, et d’autres encore reposent sur des avis d’experts. Le graphique 14.2 illustre le large éventail des estimations existantes. Le modèle DICE 2016R utilise une valeur moyenne de 3.1 °C, à l’instar d’Olsen et al. (2012). Un autre paramètre lié à la SCE est la sensibilité climatique transitoire (SCT). La SCT décrit les relations à pluscourt terme (50-100 ans) entre les émissions de CO2 et la modification des températures. Le modèle DICE utilise une valeur de 1.7 °C pour la SCT.

Graphique 14.3. Fonction de densité de probabilité pour la sensibilité du climat à l’équilibre
Graphique 14.3. Fonction de densité de probabilité pour la sensibilité du climat à l’équilibre

Source : Heal et Millner (2014).

La SCE de 3.1 °C utilisée dans le modèle DICE 2016R se situe dans la plage de 1.5 °C-4.5 °C que le Cinquième Rapport d’évaluation du GIEC (GIEC-RE5) considère comme probable avec un degré de confiance moyen (GIEC, 2013, p. 16 )6. Tenant compte des incertitudes qui entourent ce paramètre et s’appuyant sur de nombreuses études, le GIEC-RE5 poursuit en faisant valoir que la SCE a « … une très faible probabilité d’être inférieure à 1 °C (degré de confiance élevé), et une très faible probabilité d’être supérieure à 6 °C (degré de confiance moyen) » (GIEC, 2013 p. 16). Le GIEC-RE5 indique par ailleurs que la SCT est probablement comprise entre 1 °C et 2.5 °C (degré de confiance élevé). Ces affirmations s’appuient sur une distribution de probabilité qui synthétique un grand nombre d’études, dont certaines sont représentées sur le graphique 14.2 à l’aide de statistiques bayésiennes.

Les MEI à forme réduite modélisent les relations géophysiques complexes entre les émissions et le monde physique d’une manière très simplifiée et avec un niveau d’agrégation élevé, quoique les paramètres et les relations soient estimés sur la base d’études plus détaillées. Pour un aperçu plus complet des questions entourant la relation entre les émissions de carbone, le monde physique et les températures, on pourra se référer à la contribution du Groupe de travail I au GIEC-RE5 (GIEC, 2013).

14.3.4. Étape 3 – Dommages : prédire et évaluer les dommages climatiques

Toute analyse économique du changement climatique se doit également de définir le mécanisme par lequel la modification attendue des températures se traduira en dommages économiques et comment ces dommages se traduiront en termes monétaires. Les dommages associés au changement climatique peuvent prendre plusieurs formes (NAS, 2017) :

  1. Dommages pour la consommation : le changement climatique a une incidence sur les biens et services qui sont consommés ;

  2. Dommages pour les stocks de capital : les dommages pour les stocks de capital peuvent avoir des répercussions indirectes sur la consommation, par exemple en affaiblissant la productivité. S’applique aux stocks de capital physique, naturel et humain.

  3. Dommages pour les stocks de capital non commercialisés : avantages non marchands des stocks de capital humain et naturel qui ont une incidence directe sur le bien-être, et non par l’intermédiaire de la consommation. Ces avantages comprennent certaines valeurs d’agrément, la valeur esthétique des paysages et le patrimoine culturel. Les actes de violence et les maladies sont également de bons exemples (NAS, 2017, p. 152).

Les dommages climatiques peuvent se manifester par une variation des niveaux de consommation et de PIB. Cependant, les dommages climatiques infligés aux stocks de capital (définis au sens large) sont fortement susceptibles de se répercuter sur la croissance. Par conséquent, pour obtenir un tableau complet, il faut également estimer ces conséquences à long terme. Les coûts d’investissement induits (par exemple, investissements dans la protection contre les crues) sont une autre composante du coût du changement climatique, tandis que la capacité d’adaptation au changement climatique est un facteur modérateur important. Les fonctions de dommages qui sont utilisées dans les MEI pour estimer le CSC devraient prendre l’ensemble de ces facteurs en considération. Bien entendu, comme la NAS (2017, p. 139) l’indique clairement, les MEI sont « limités par le corpus d’études disponible et doivent en général procéder à des extrapolations au-delà des relations mises en évidence par les éléments probants existants ». Néanmoins, les fonctions de dommages des MEI tentent d’inclure de nombreux aspects des dommages climatiques. Pour ce faire, elles tiennent compte des études menées aux échelons microéconomique, des branches et des secteurs, qui sont ensuite agrégées au niveau de l’économie, puis aux niveau régional et mondial (Metcalf et Stock, 2017 ; Dell et al., 2014).

Au niveau macroéconomique, plusieurs études ont essayé d’estimer les coûts du changement climatique pour l’ensemble de l’économie, en examinant la relation empirique entre le PIB, utilisé comme catégorie « fourre-tout » représentative des dommages climatiques, et des variables climatiques telles que les températures (Metcalf et Stock, 2017). En se référant à des mesures agrégées des performances économiques, telles que le PIB national ou régional, ces études évitent certaines des difficultés posées par l’agrégation au niveau des secteurs ou des branches dans les études microéconomiques, cette procédure nécessitant de formuler des hypothèses précises concernant les interactions entre les secteurs. On trouvera un exemple récent de cette démarche dans Greenstone et al. (2014), qui ont estimé la relation entre le PIB national et les fluctuations des températures et des précipitations. Ces auteurs observent que l’élévation des températures entraîne une forte réduction du niveau et du taux de croissance du PIB, mais seulement dans les pays pauvres. L’impact observé sur la croissance laisse supposer que le changement climatique peut endommager le capital productif.

Diverses études ont par ailleurs mené des analyses à un niveau plus fin, pour examiner l’impact du changement climatique (par exemple des températures et des précipitations) sur des secteurs particuliers de l’économie. Cette focalisation se justifie par le fait que certains secteurs sont sans doute plus sensibles au changement climatique que d’autres (l’agriculture et la sylviculture par exemple). L’étude de Dell et al. (Dell et al., 2014) constate qu’une hausse de 1 °C des températures est associée à une diminution à court terme de 2.7 points de pourcentage du taux de croissance, mais aussi à une baisse de 2.0 points de pourcentage de la croissance de la productivité industrielle. Cette réduction de la croissance dans l’industrie ne concerne pas des secteurs agricoles situés « en aval » et rejoint les résultats obtenus dans d’autres régions (voir par exemple Hsiang, 2010). Par conséquent, les retombées négatives du changement climatique sur la productivité ne se cantonnent pas aux secteurs dont on pense habituellement qu’ils sont particulièrement exposés au changement climatique, comme l’agriculture.

Une autre façon d’estimer les coûts macroéconomiques du changement climatique consiste à utiliser un modèle économique structurel, par exemple un modèle d’équilibre général calculable (EGC). Ces modèles, qui sont des MEI à part entière, intègrent des relations structurelles détaillées entre l’environnement et l’économie. En considérant les effets d’équilibre général entre les secteurs, l’approche EGC évite en partie les problèmes d’agrégation auxquels se heurtent les approches empiriques sectorielles. Par exemple, Bosello et al. (Bosello et al., 2012) utilisent un modèle EGC multisectoriel et multi-pays pour estimer les impacts sur les régions côtières (migrations et perte de terres), le tourisme, l’agriculture (baisse des rendements), l’énergie (modification de la demande de pétrole et de gaz), les crues (baisse de la productivité du capital, des terres et du travail) et la santé humaine (baisse de la productivité due à la chaleur et à l’humidité). À l’aide d’une méthode de modélisation EGC similaire, la Banque mondiale a estimé que les coûts d’adaptation pour les pays en développement à eux seuls s’élèveraient à au moins 81 milliards USD (Banque mondiale, 2010)7.

En général, les relations structurelles rencontrées dans ces modèles EGC sont étayées par des études empiriques multiples, menées à différents niveaux d’agrégation. Elles comprennent des études de portée macroéconomique, comme celle de Dell et al. (Dell et al., 2014), qui examinent la croissance, parfois à l’échelon de sous-secteurs de l’économie. D’autres études utilisent des données agrégées pour des secteurs particuliers, par exemple l’agriculture (Cline, 2007). Mendelsohn (Mendelsohn, 2012) a effectué des analyses transversales dans différentes régions du monde en développement pour estimer l’impact du climat sur le secteur agricole, en étudiant les relations entre les variables climatiques à long terme et les niveaux de productivité (mesurés par les loyers fonciers par exemple) dans différents pays. Il existe ensuite des études microéconomiques de portée nationale, qui s’intéressent notamment à l’impact du changement climatique sur l’adaptation dans l’agriculture (Kurukulasuriya et Mendelsohn, 2008 ; Gorst et al., 2016 ; Di Falco et Veronesi, 2011 ; Deschenes et Greenstone, 2007 ; Schlenker et Roberts, 2009), à la productivité du travail (voir, par exemple, Zivin et Neidell, 2010) ou à d’autres facteurs socio-économiques comme la criminalité (Ranson, 2013 et Hsiang et al., 2011) et la mortalité (Deschenes et Greenstone, 2011)8. Ces études révèlent que l’adaptationdans l’agriculture contribue à améliorer les rendements dans certains cas (Di Falco et Veronesi, 2011 ; Gorst et al. 2016), et tout au moins à réduire l’impact du changement climatique dans d’autres (Mendelsohn et al., 1994 ; Mendelsohn, 2012). Certains auteurs estiment que dans certaines régions, le changement climatique devrait améliorer la productivité agricole, même sans adaptation, et procurer des avantages nets (voir, par exemple, Cline, 2007). Dans l’industrie également, il est possible d’éviter les pertes de productivité en procédant à des adaptations analogues, par exemple en utilisant la climatisation.

L’une des principales distinctions opérées dans les travaux empiriques concerne les stratégies empiriques qui sont utilisées pour estimer les relations. Bon nombre d’études utilisent des méthodes fondées sur des données de panel, qui identifient les effets à partir des fluctuations à court terme des températures et des précipitations. Dans le meilleur des cas, elles appréhendent les effets à plus long terme du changement climatique en opérant une distinction entre effets à court terme et effets à long terme dans leurs analyses dynamiques de ces fluctuations. Certains spécialistes considèrent que les fluctuations météorologiques à court terme (même si elles reflètent des valeurs moyennes sur 5-10 ans) traduisent les variations météorologiques et non climatiques. Par conséquent, l’un des principaux reproches qui pourrait être fait aux études sur données de panel est de ne pas prendre correctement en compte les réponses adaptatives mises en œuvre sur des durées plus longues (Burke et Emerick, 2016). Ces arguments ont motivé la poursuite de l’étude des relations entre les températures moyennes à long terme et les agrégats économiques à l’échelon de plusieurs pays ou régions (voir, par exemple, Mendelsohn et al., 1994 ; Schlenker et al., 2005 ; Mendelsohn, 2012). Il ressort de ces constatations que les études sur données de panel pourraient surestimer le coût du changement climatique dans la mesure où elles sous-estimentl’ampleur des mesures d’adaptation. Cependant, les études transversales pâtissent d’insuffisances au niveau de l’identification, car l’on peut supposer que la relation entre le climat et, par exemple, la productivité est intermédiée par une troisième variable telle que la qualité des institutions.

Les fonctions de dommages utilisées dans les MEI puisent des éléments dans de nombreux autres domaines de recherche. L’élévation du niveau des océans devrait entraîner une perte de terres productives, une aggravation des inondations, voire une augmentation des maladies et des migrations (voir, par exemple, Stern, 2007). La nature de ces dommages et la nature des mesures d’adaptation à mettre en œuvre sont souvent difficiles à prévoir. De nombreuses études menées aux échelons micro ou macroéconomique tentent de mieux cerner les dommages économiques susceptibles d’arriver dans chaque cas. La NAS (NAS, 2017, chapitre 5) et la contribution du Groupe de travail II au GIEC-RE5 (GIEC, 2013b) contiennent d’excellentes synthèses des connaissances acquises à ce jour sur les dommages et l’adaptation dans différents secteurs de l’économie.

Les dommages abrupts, non graduels, voire catastrophiques, constituent un autre aspect important des dommages climatiques. Ces dommages se produiront si les écosystèmes franchissent un seuil ou atteignent un « point de basculement » au-delà duquel ils évolueront vers un autre équilibre. Parmi ces points de basculement potentiels figurent notamment : i) le changement de direction du Gulf Stream dans l’Atlantique ; ii) le changement des mécanismes de circulation de la mousson ; iii) la fonte de la calotte glacière des pôles ; iv) la fonte du pergélisol arctique et les émissions associées de carbone et de méthane ; et v) la disparition de la forêt amazonienne (voir, par exemple, Weitzman, 2009). Une autre question soulevée par les dommages climatiques est celle des effets de rétroaction. Par exemple, la fonte du pergélisol arctique provoquera la libération de quantités importantes de carbone actuellement emprisonnées dans les sols gelés, entraînant un effet de rétroaction positif qui exacerbera le changement climatique9. Outre ces points de basculement géophysiques, certains analystes considèrent qu’un changement climatique même graduel pourrait conduire les pays et régions vers des points de basculement socio-économiques, qui les feraient tomber dans des « pièges à conflits » préjudiciables au développement (Hsiang et al., 2013).

Chacun de ces événements causerait des dommages abrupts, et il importe que le coût social du carbone et les MEI conçus pour estimer ce coût tiennent compte de ces événements catastrophiques, ainsi que des autres sources de dommages climatiques. Le problème pour les MEI est que même si l’on dispose d’études de plus en plus nombreuses et d’estimations robustes pour quelques secteurs, un grand nombre d’aspects de la nature des dommages climatiques, par exemple les conflits et les migrations, ne sont pas connus avec un degré de certitude élevé. C’est particulièrement le cas pour les points de basculement, les événements catastrophiques et les probabilités qui leur sont associées (NAS, 2017)10.

Dommages dans le modèle DICE : la nature des dommages climatiques est un domaine de recherche en plein essor. Malgré cela, une grande incertitude continue de peser sur certains aspects importants, tels que les points de basculement et les prévisions à long terme. Le modèle DICE représente néanmoins les dommages climatiques sous la forme d’une agrégation au niveau mondial de fonctions de dommages régionales (NAS, 2017, chapitre 2), en s’efforçant d’intégrer les principales connaissances acquises sur l’impact économique du changement climatique dans une relation structurelle spécifique.

Le modèle DICE (Nordhaus, 2017) utilise une fonction de dommages fortement agrégée qui traduit la modification de la température atmosphérique (TAT) au moment t en dommages économiques, exprimés en termes de fraction de la production globale D(T(t)), selon la formule suivante :

picture [14 .10]

Les dommages sont supposés être une fonction quadratique de la température. La fraction de la production mondiale qui est perdue à cause des dommages climatiques est définie comme suit :

picture [14.11]

La production mondiale, nette de dommages (et de coûts d’atténuation) est donc égale à la production totale, Y(t), multipliée par Ω(T(t)) et picture :

picture [14 .12]

picture reflète les coûts d’atténuation. Nordhaus (2017) estime les paramètres de la fonction de dommages en s’appuyant sur les résultats des études de Tol sur les dommages (Tol, 2009, 2012), qu’il actualise de manière à prendre en compte les facteurs non commercialisés, les secteurs omis et une estimation des dommages catastrophiques établie par Nordhaus et Sztorc (2014)11. Cette fonction donne des dommages équivalant à 2.1 % de la production mondiale pour un réchauffement de 3 °C, et à 8.5 % pour un réchauffement de 6 °C.

Compte tenu de la complexité de la procédure d’estimation des dommages économiques, la forme quadratique utilisée dans le modèle DICE donne matière à débat, notamment en ce qui concerne l’estimation des risques de catastrophe. L’équation [14.9] implique que, même si les dommages marginaux dus à la modification des températures augmentent, cette augmentation est relativement modeste au regard de la plage de réchauffement attendue.

Commentant ce point, Weitzman (2010) propose d’attacher davantage d’importance aux dommages catastrophiques et aux « points de basculement » au-delà desquels les dommages climatiques augmentent rapidement au risque de devenir irréversibles. Weitzman (2010) estime qu’une fonction de forme polynomiale de degré plus élevé permettrait de mieux appréhender ces dommages. Botzen et van den Bergh (2012) ont simulé la sensibilité de la fonction de dommages aux changements de la forme fonctionnelle découlant de Weitzman (2010). Leur analyse utilise le modèle DICE de Nordhaus et compare les dommages constatés par Nordhaus (2008, 2017)12 :

picture [14.13]

à la forme polynomiale de degré supérieur proposée par Weitzman (2010) :

picture [14.14]

Ces formulations ne sont que deux des caractérisations possibles de la fonction de dommages. Les implications de chaque fonction sont représentées au graphique 14.4. Pour des changements de la température de l’ordre de 3 °C, les deux fonctions de dommages amènent aux mêmes prédictions : une baisse d’environ 2 à 2.5 % du revenu mondial. Pour une modification de la température de l’ordre de 6 °C, la fonction de dommages de Nordhaus (2008) implique une perte de production de 10 % et le calibrage de Weitzman une perte de 50 %. Le calibrage de Weitzman repose sur des avis d’experts concernant le degré de réchauffement qui déclenchera certains points de basculement climatique comme le relargage du méthane du pergélisol arctique (toundra) et le changement de la circulation thermohaline (du Gulf Stream notamment) (Botzen et van den Bergh, 2012, p. 373 ; Weitzman, 2010).

Pourtant, comme le fait observer Pindyck (2013), l’étendue des dommages consécutifs à un réchauffement supérieur à 6 °C est pour ainsi dire inconnue, et le calibrage de la fonction de dommages comporte son lot de conjectures et d’approximations. Les différences entre les modèles résultent des hypothèses de modélisation qui sont utilisées pour résoudre ce problème et générer les projections. Le modèle FUND, par exemple, comprend des fonctions de dommages sectorielles détaillées qui dans l’ensemble, sur la base des paramètres de référence, font apparaître pour chaque hausse de la température des niveaux de dommages inférieurs aux niveaux obtenus par le modèle DICE ; dans la plage de réchauffement de 0 à 3 °C, FUND relève même des avantages (Greenstone et al., 2013, p. 27). À l’inverse, la méta-analyse des estimations des dommages climatiques effectuée par Howard et Sterner (Howard et Sterner, 2017) aboutit à la conclusion que les dommages seront probablement plus élevés que ceux obtenus par le modèle DICE-2016R.

Graphique 14.4. Implications du réchauffement en termes de dommages climatiques
Selon différentes hypothèses concernant la fonction de dommages
Graphique 14.4. Implications du réchauffement en termes de dommages climatiques

Source : Botzen et van den Bergh, 2012.

14.3.5. Étape 4 – Actualisation

Le chapitre 8 donne une description détaillée des problèmes liés à l’actualisation. Dans le contexte des MEI à forme réduite, le problème de l’actualisation se résume à la question de savoir comment calibrer la fonction de bien-être social dans (14.7). L’hypothèse de modélisation classique repose sur un taux d’actualisation de l’utilité constant, δ, et sur une fonction d’utilité à élasticité constante de l’utilité marginale : picture, où les paramètres δ et η sont des composantes de la règle de Ramsey pour le taux d’actualisation social : TAS = d + ηgc, où gc désigne la croissance de la consommation (voir chapitre 8). Le changement climatique est un changement non marginal que subit l’économie. Par conséquent, dans le modèle DICE, la croissance de la consommation est une composante endogène qui est le résultat de la procédure d’optimisation avec et sans politiques climatiques. La seule question qui reste à présent est de savoir comment choisir les deux paramètres de bien-être, δ et η. Les divergences entre les politiques climatiques proposées peuvent parfois s’expliquer par de simples différences d’opinion sur ce point (voir, par exemple, Stern, 2007 ; Nordhaus, 2008). Dans le modèle DICE, Nordhaus propose une méthode de calibrage positiviste, qui part du principe que le taux d’actualisation social devrait refléter les taux de rendement observés sur le marché. Cela permettrait de rendre compte du coût d’opportunité associé aux investissements dans l’atténuation du changement climatique, et que les paramètres de la fonction de bien-être social devraient être calibrés de telle sorte que la règle de Ramsey s’applique comme suit : r = d + hgc. Il faut dès lors disposer d’une estimation empirique de η et g. d est estimé comme résidu (Nordhaus, 2017, p. 1520). Le CSC du modèle DICE repose sur l’hypothèse d’un taux de rendement réel mondial des investissements de 4.25 % jusqu’en 2100, ce chiffre étant une moyenne des taux passés observés aux États-Unis et dans le reste du monde.

Dans d’autres MEI, le CSC est estimé avec d’autres méthodes d’actualisation. Dans le Rapport Stern, qui repose sur le modèle d’évaluation intégrée PAGE, la fonction de bien-être social a été calibrée selon une méthode prescriptive/normative, qui a fait le choix de ne pas utiliser les taux d’intérêt du marché pour définir le taux d’actualisation sociale (voir chapitre 8 pour de plus amples précisions à ce sujet).

14.3.6. Résumé

À chaque étape de la procédure de calcul du CSC, il faut composer avec l’incertitude qui entoure les relations modélisées – qu’il s’agisse des relations entre l’économie et les émissions, entre les émissions et le climat ou entre le climat et les dommages. Des incertitudes pèsent sur les paramètres climatiques, tels que la SCE et la SCT, ainsi que sur la nature spatiale, temporelle et probabiliste des dommages climatiques. En outre, les projections à un horizon de plusieurs centaines d’années sont calculées à partir d’hypothèses formulées au moment présent. Les estimations du CSC doivent être accompagnées d’une stratégie clairement définie en matière de traitement de l’incertitude, et présentées d’une manière montrant clairement qu’elles sont empreintes d’incertitude. La plupart des estimations se concentrent sur les valeurs centrales mais s’accompagnent d’indicateurs synthétiques sur la distribution des estimations qui tiennent compte de différents aspects de l’incertitude des paramètres, par exemple de la SCE. Avant d’examiner comment l’incertitude est traitée dans la pratique, nous présentons ci-après les estimations du CSC obtenues par quelques-uns des principaux MEI à forme réduite. Avant toute chose, ces estimations confirment l’avis, partagé par la plupart des chercheurs, que le CSC n’est assurément pas nul.

14.4. Incertitude, risque de catastrophe et théorème lugubre de Weitzman

14.4.1. L’incertitude du CSC et les MEI

Des incertitudes considérables pèsent sur chaque étape du calcul du CSC. Les émissions futures probables calculées à la première étape dépendent notamment des politiques climatiques et technologiques futures, qui sont inconnues et incertaines. En ce qui concerne la deuxième étape, les paramètres utilisés pour convertir les émissions en changements climatiques ne sont pas connus avec certitude, comme on l’a vu ci-avant en évoquant la sensibilité du climat à l’équilibre et la sensibilité climatique transitoire (voir graphique 14.3). À la troisième étape, la transposition des changements climatiques en dommages physiques et économiques est peut-être l’une des procédures sujettes à la plus grande incertitude. Lors de la quatrième étape, enfin, les composantes du taux d’actualisation (taux d’intérêt, rendement du capital, etc.) sont difficiles à prévoir ou donnent lieu à d’importants désaccords (Drupp et al., 2017).

Lorsque l’on évoque la question de l’incertitude dans le calcul du CSC, il importe d’opérer une distinction entre l’incertitude structurelle et l’incertitude paramétrique. L’incertitude structurelle est l’incertitude qui entoure la question de savoir quel modèle (si tant est qu’il en existe au moins un) est le mieux à même de saisir les relations dont dépend le calcul du CSC. L’une des principales sources d’incertitude en la matière concerne les dommages abrupts, les seuils et les points de basculement au-delà desquels peuvent survenir des événements potentiellement catastrophiques. L’incertitude paramétrique touche à la mécanique interne des modèles. Par exemple, le graphique 14.2 illustre l’incertitude qui entoure la SCE utilisée pour calibrer le rapport entre les émissions et la variation de température dans tous les MEI. L’incertitude paramétrique touche cependant tous les paramètres utilisés, des variables intervenant dans les relations économiques, comme par exemple le changement technologique et la croissance, aux composantes de la fonction de dommages, telles que l’élasticité des dommages par rapport à la production et à la température, particulièrement à des températures élevées, comme le montrent les fonctions de dommages représentées au graphique 14.4 (NAS, 2017).

Du point de vue des politiques, il est important de comprendre ces facteurs d’incertitude et de les intégrer dans les estimations du CSC. La solution actuellement retenue pour traiter l’incertitude structurelle consiste à estimer le CSC à l’aide de plusieurs modèles simultanément. Comme on le verra par la suite, aux États-Unis, les estimations sont calculées avec les modèles DICE, FUND et PAGE, les variations entre les résultats des différents modèles reflétant les divergences des hypothèses de modélisation. S’agissant de l’incertitude paramétrique, l’approche classique consiste à assigner aux paramètres des distributions de probabilité (comme dans le graphique 14.2) et à effectuer une analyse de Monte-Carlo. Aux États-Unis, l’Interagency Working Group for the Social Cost of Carbon (IWG) a estimé le CSC au moyen de trois MEI alimentés par 10 000 tirages, en s’appuyant sur la distribution de la SCE proposée par Roe et Baker (2007) pour produire une distribution des estimations du CSC (IWG, 2016). Le rapport de la NAS (2017) recommande de procéder à ce type d’analyse pour chacune des quatre étapes précédemment décrites. Nordhaus (2017) effectue une analyse de Monte-Carlo pour tous les paramètres du modèle.

Ces approches partent du principe que les distributions de probabilité peuvent être définies pour tous les paramètres. Or, dans bien des cas, les probabilités sont au mieux ambiguës et sont souvent non connues. C’est le cas par exemple de la probabilité d’événements catastrophiques et des points de basculement. Ces risques peuvent occuper une place prédominante dans les analyses du changement climatique en termes de bien-être, dans la mesure où leur prévention peut présenter un avantage considérable du point de vue de l’assurance.

14.4.2. Le risque de catastrophe et le théorème lugubre de Weitzman

Le théorème lugubre de Weitzman (Weitzman, 2009) affirme que le cadre standard de l’ACA n’est pas adapté à l’évaluation des coûts et avantages du changement climatique. Ce postulat tient à l’incertitude qui entoure les dommages associés au changement climatique. Weitzman fait valoir que la distribution de probabilité associée à des facteurs incertains tels que la sensibilité du climat est une distribution « à une queue épaisse ». Dans une distribution normale, les queues de distribution ne sont pas épaisses étant donné que la probabilité d’événements extrêmes converge rapidement vers zéro à mesure que l’on s’éloigne du centre de la distribution. Or, d’après les meilleures estimations disponibles, les probabilités associées à des valeurs de sensibilité du climat extrêmes, par exemple supérieures à 6 °C, ne sont pas infimes. Ainsi, le Quatrième Rapport d’évaluation du GIEC (GIEC, AR4) estime à environ 10 % la probabilité que la sensibilité du climat excède 6 °C et constatent une distribution de probabilité à queue épaisse. Une sensibilité élevée du climat implique des dommages économiques potentiels également élevés, et des conséquences pour l’humanité qui pourraient se révéler désastreuses. Selon Weitzman, ces événements extrêmes dessinent les limites des possibilités d’applicationde l’ACA classique.

L’argumentation de Weitzman (2009) est relativement complexe, mais dans sa critique du théorème lugubre, Nordhaus (2011) donne une explication simple de son principe de base. Supposons que le bien-être social soit évalué à chaque moment dans le temps à l’aide du cadre standard de l’utilité espérée :

picture [14.15]

Dans ce cadre, les événements catastrophiques sont représentés par des situations où la consommation, C, est proche de zéro. Le théorème lugubre de Weitzman postule que dans de telles situations, l’utilité espérée ne peut pas converger car l’utilité espérée marginale tend vers l’infini négatif. Du point de vue du bien-être, ce résultat signifie que la société serait disposée à réaffecter toute les richesses à des mesures de prévention de ces événements catastrophiques. Dans le contexte du changement climatique, si l’on part du principe que les générations futures seront exposées à des risques d’événements catastrophiques à queue épaisse, alors le compromis harmonieux entre générations actuelles et générations futures disparaît car l’ACA recommandera de consacrer des investissements infinis au bien-être futur.

Ce raisonnement a suscité beaucoup d’intérêt dans le secteur de l’économie du climat. Weitzman (2007) avançait que ce type d’argument pouvait être utilisé pour justifier les conclusions du Rapport Stern – à savoir qu’il faut réduire drastiquement les émissions maintenant pour éviter le changement climatique – et indiquait que les conclusions du Rapport Stern étaient peut-être justes, mais pour les mauvaises raisons. Elles correspondent à un cas extrême et ne valent que pour des fonctions d’utilité et des fonctions de distribution de probabilité particulières. Nordhaus (2009) propose une explication simple de ce qui précède.

Supposons que l’utilité soit iso-élastique en consommation, C, une hypothèse classique dans les travaux d’économie et de finance appliquées : picture. L’utilité marginale est alors donnée par picture. Si la distribution de probabilité pour C est une loi de puissance, lorsque C avoisine zéro – ce qui est le cas en situation de catastrophe –, la densité de probabilité est donnée par l’approximation suivante : picture. Dans ce cas, de faibles valeurs de k impliquent des queues de distribution épaisses et des valeurs de k élevées (considérablement supérieures à 1 par exemple) des queues de distribution fines. Le graphique 14.5 donne une illustration de cette distribution au voisinage de C = 0.

Graphique 14.5. Distribution de probabilité de la consommation
Distributions à queue épaisse (k < 1) et à queue fine (k ≫ 1) au voisinage de C = 0
Graphique 14.5. Distribution de probabilité de la consommation

Le graphique du haut représente la fonction de densité de probabilité entière (pdf) pour la consommation. Le graphique du bas examine de plus près l’extrémité inférieure de cette fonction au voisinage de C = 0, pour différentes valeurs de k. Ce que Nordhaus (2009) appelle l’utilité marginale conditionnelle au voisinage de zéro est donné par la formule suivante :

picture [14.16]

L’utilité espérée au voisinage de zéro, entre C = 0 et un niveau positif (arbitraire) de consommation, picture est donnée par :

picture [14.17]

Cette intégrale ne peut avoir de solution définie que si k + 2 – η > 0. Si k + 2 – η < 0, l’utilité espérée converge vers l’infini négatif, dans la mesure où C à la puissance d’un exposant négatif est égal à l’infini lorsque C = 0. Ces deux cas sont possibles avec des valeurs plausibles pour k et η, mais le second (k + 2 – η < 0) est une illustration simple du théorème lugubre de Weitzman.

Si l’on suit le raisonnement de Weitzman, lorsque les queues de distribution sont épaisses (dans l’exemple considéré ici, lorsque k a une valeur faible), le critère de bien-être ne peut pas donner d’informations exploitables étant donné qu’il attribue aux événements catastrophiques dans le monde une valeur infiniment négative. Pris littéralement, une ACA dans ce sens impliquerait que toutes les ressources possibles devraient être réaffectées pour éviter le risque catastrophique. Nordhaus (2011) indique que le théorème lugubre n’est pas inévitable, même avec des queues de distribution épaisses, car il dépend des préférences de l’agent représentatif. Néanmoins, lorsque k + 2 – η < 0, un cas de figure possible si la société a une grande aversion pour le risque, (que la valeur de η est très élevée) et que les queues de distribution sont épaisses (k faible), alors le critère de l’utilité espérée ne fournit pas de mesure utile du bien-être car l’utilité marginale espérée tend vers l’infini. Cette situation est problématique pour l’évaluation des variations marginales de la consommation induites par les investissements publics, et donc pour l’analyse coûts-avantages. L’utilité marginale espérée est infinie quand k + 1< η.

L’intuition initiale qui sous-tend les résultats de Weitzman (2009) présentés par Nordhaus (2011) a été examinée en détail par Millner (2013). De nombreux auteurs ont fait observer que la non-convergence du critère du bien-être espéré n’est pas systématique, ce problème se posant surtout avec les fonctions d’utilité iso-élastiques. Il offre néanmoins une illustration théorique des faiblesses que peuvent présenter des cadres particuliers poussés à l’extrême. La prise en compte des distributions à queue épaisse et l’évaluation des risques de catastrophe en termes de bien-être sont largement perçues comme l’enjeu majeur de l’économie du changement climatique, même si le théorème lugubre de Weitzman constitue un cas extrême (voir par exemple Wagner et Weitzman, 2013 ; Pindyck, 2013). Deux conclusions s’imposent : il est nécessaire, d’une part, d’intégrer les risques de catastrophe dans les fonctions de dommages des MEI, et d’autre part, de faire preuve de prudence pour évaluer les effets de ces incertitudes et risques extrêmes en termes de bien-être. Pour de nombreux auteurs, la suppression de ces risques pourrait être assimilée à une importante couverture d’assurance des biens procurée par la politique d’atténuation du changement climatique (Weitzman, 2009 ; Weitzman et Wagner 2013).

14.5. Estimations du CSC produites par les modèles d’évaluation intégrée

Les quatre étapes du calcul du CSC ont été détaillées et l’exemple spécifique du modèle DICE a été utilisé pour illustrer les hypothèses de modélisation retenues à chaque étape, ainsi que les études de référence qui ont servi à calibrer le modèle. La communauté scientifique et les cercles de décision emploient de nombreux modèles d’évaluation intégrée différents, qui se distinguent par les hypothèses mises en œuvre à chacune des quatre étapes susdécrites. En outre, bien qu’un grand nombre de MEI soient adaptés à l’analyse des politiques liées au changement climatique, Nordhaus (2014) observe que la plupart des estimations du CSC citées dans les travaux existants proviennent de trois modèles : le modèle DICE (Dynamic Integrated Climate and Economy) conçu par William Nordhaus et ses collègues de Yale, le modèle FUND (Framework for Uncertainty, Negotiation and Distribution) de Richard Tol de l’Université du Sussex, et le modèle PAGE (Policy Analysis of Greenhouse gas Emissions) de Chris Hope de l’Université de Cambridge (Hope, 2007), qui a inspiré les résultats présentés dans le Rapport Stern (Stern, 2007). La comparaison des CSC obtenus avec différents modèles permet de mettre en lumière certaines de ces différences fondamentales.

Tol (2011) résume les estimations du CSC générées par ces modèles et d’autres MEI, et le tableau 14.1 présente les résultats de cette synthèse. On trouvera un autre résumé récent des estimations du CSC dans la publication de Greenstone et al. (2013), qui compare des modèles similaires dans différents scénarios.

Tableau 14.1. Estimation du coût social du carbone par différents MEI
USD par tonne de carbone (USD 1995)

Statistique

Modèle d’évaluation intégrée (nombre d’estimations, N)

Ensemble (211)

PAGE (42)

DICE (12)

FUND (112)

Autres (73)

Mode

   49

 20

  9

 25

   67

Moyenne

  177

 77

 35

 59

  266

Écart type

  293

119

 51

 75

  403

Médiane

  116

 53

  7

 46

  177

90e percentile

  487

219

105

139

  734

95e percentile

  669

302

148

178

1 002

99e percentile

1 602

504

200

286

1 824

Probabilité que CSC < 0

25 %

26 %

23 %

14 %

25 %

Source : Tol (2011, p. 431).

Les statistiques sommaires figurant dans le tableau 14.1 sont des données brutes et non pondérées issues des modèles sélectionnés. Il ressort clairement de ces distributions que les estimations du CSC relevées dans les études sont très variables. Ces variations résultent du choix des hypothèses économiques et climatiques retenues dans chacun des modèles. Le fait qu’un même modèle puisse produire un grand nombre d’estimations différentes illustre la diversité des simulations de politiques effectuées et des hypothèses paramétriques et autres retenues dans chaque modèle, certaines étant utilisées pour des analyses de sensibilité. Pour tenter une synthèse, la moyenne pondérée des estimations du CSC ressortant des trois modèles principaux s’établissait en 2011 à 62 USD par tonne de carbone en dollars de 1995, ou 92 USD par tonne de carbone en dollars de 201513. Les estimations sont extrêmement variables et la distribution présente une longue queue allant jusqu’à plusieurs milliers de dollars. Les estimations du CSC présentées dans le tableau 14.1 utilisent deux mesures de l’incertitude : l’écart type et la probabilité que les modèles aboutissent à un CSC inférieur à zéro. Comme l’indique Tol (2011), l’incertitude des estimations transparaît dans la valeur élevéedes écarts types et le fait qu’il existe une probabilité de 25 % que les modèles produisent une estimation négative du CSC (sur la base d’une synthèse des résultats donnés par les modèles à partir de l’ensemble des hypothèses déployées dans leurs nombreuses applications).

Pour illustrer les déterminants des variations, référons-nous aux estimations du CSC figurant dans Nordhaus (2014), qui compare une série de scénarios caractérisés par différents objectifs de politique et différents taux d’actualisation, entre autres paramètres (voir tableau 14.2).

Tableau 14.2. Coût social du carbone selon certaines hypothèses
USD par tonne de CO2, 2005

Scénario

2015

2020

2025

2030

2050

Scénario de référence

18.6

 22.1

 26.2

 30.6

 53.1

Scénario optimal

17.7

 21.2

 25.0

 29.3

 51.5

2 °C

47.6

 60.1

 75.5

 94.4

216.4

Actualisation conforme au Rapport Stern

89.8

103.7

117.4

131.3

190.0

Forte actualisation

 6.4

  7.7

  9.2

 10.9

 19.6

Source : Adapté de Nordhaus (2014), p. 284.

Les estimations du tableau 14.2 sont calculées avec la version 2013 du modèle DICE : DICE-2013R. Les hypothèses économiques et climatiques de base restent constantes dans les différents scénarios. Les différences entre les scénarios sont les suivantes : le modèle de référence suppose qu’il n’y aura pas de nouvelles politiques climatiques à l’avenir. Le modèle optimal optimise la réponse au changement climatique, en considérant que des réductions d’émissions et des accords internationaux sont possibles. Le scénario « d’actualisation conforme au Rapport Stern » reprend les paramètres d’actualisation du Rapport Stern (Stern, 2007) tandis que le scénario « de forte actualisation » utilise un taux de préférence temporelle pur (δ) de 3.5 %. La valeur du CSC varie de manière assez logique en réponse à ces différentes hypothèses.

Premièrement, dans le modèle DICE, la réduction optimale des émissions ne permet pas d’atteindre l’objectif de 2 °C compte tenu de la façon dont les dommages sont modélisés. Le scénario des 2 °C ajuste les dommages de telle sorte que la réponse optimale soit de réduire les émissions et d’atteindre cet objectif. Inévitablement, l’aggravation des dommages se traduit par une augmentation du CSC. Ce résultat illustre l’importance de la fonction de dommages pour la détermination du CSC. Il montre aussi que la limite de 2 °C (et a fortiori celle de 1.5 °C fixée par l’Accord de Paris) n’est pas nécessairement un objectif sur lequel Nordhaus (2014) recommanderait d’axer la politique climatique : les coûts seraient trop élevés par rapport aux dommages évités.

Le Rapport Stern a utilisé le modèle PAGE pour évaluer les avantages et les coûts de l’atténuation du changement climatique (Stern, 2007). L’une des hypothèses retenue par ce rapport est que le taux pur de préférence temporelle (taux d’actualisation de l’utilité) devrait être égal à zéro pour des raisons d’équité intergénérationnelle. Cette hypothèse accorde la même importance aux utilités futures et aux utilités actuelles aux fins du calcul du bien-être intertemporel global. Le calibrage normatif du taux d’actualisation, qui implique un traitement uniforme des utilités, a donné matière à des débats guidés par des considérations normatives et positivistes (voir par exemple Nordhaus, 2007 ; Weitzman, 2007 ; Dasgupta, 2008). D’un point de vue pratique, le coût social du carbone est très sensible à la valeur du taux d’actualisation, comme le montre clairement le tableau 14.2 : à 90 USD par tonne de CO2 en 2015, le CSC fondé sur le taux d’actualisation du Rapport Stern est presque cinq fois supérieur au CSC du scénario optimal du modèle DICE-2013R. Le scénario « de forte actualisation » offre une illustration supplémentaire de la sensibilité du CSC au taux d’actualisation : avec un taux pur de préférence temporelle de 3.5 %, le CSC en 2015 s’élève à 6.4 USDpar tonne de CO2. Enfin, la trajectoire optimale du CSC s’élève avec l’horizon temporel dans le modèle DICE.

Ces simulations mettent en évidence la sensibilité des estimations du CSC à certaines hypothèses cruciales utilisées par les MEI. Les deux sources de sensibilité identifiées ici sont la fonction de dommages (qui est renforcée, de manière à rendre le scénario des 2 °C optimal) et le taux pur de préférence temporelle. La première est entourée d’une grande incertitude (voir par exemple Millner et al., 2013 ; Pindyck, 2013), et la seconde fait l’objet de désaccords (Drupp et al., 2017).

Dans une étude plus récente sur le CSC, Nordhaus (Nordhaus, 2017) cite un certain nombre d’autres facteurs de sensibilité qui affectent les estimations du CSC générées par les MEI et explique comment, en intégrant les progrès de la science à ces modèles, il est possible d’obtenir des estimations qui reflètent les avancées scientifiques les plus récentes. Le tableau 14.3 indique les nouvelles estimations du CSC obtenues suite à la mise à jour de cinq paramètres figurant dans le modèle DICE-2016R, qui ont une incidence sur les étapes 1-4 susdécrites : 1) dommages ; 2) croissance démographique ; 3) sensibilité à la température ; 4) hypothèses concernant la décarbonation ; et, 5) cycle du carbone.

Tableau 14.3. Coût social du carbone selon certaines hypothèses
USD par tonne de CO2, dollars internationaux de 2010

Scénario

2015

2020

2025

2030

2050

Scénario de référence

 31.2

 37.3

 44.0

 51.6

  102.5

Scénario optimal

 30.7

 36.7

 43.5

 51.2

  103.6

2.5 °C

184.4

229.1

284.1

351.0

1 006.2

Actualisation conforme au Rapport Stern

197.4

266.5

324.6

376.2

  629.2

Autres taux d’actualisation

2.5 %

128.5

140.0

152.0

164.6

  235.7

  3 %

 79.1

 87.3

 95.9

104.9

  156.6

  4 %

 36.3

 40.9

 45.8

 51.1

   81.7

  5 %

 19.7

 22.6

 25.7

 29.1

   49.2

Source : Adapté de Nordhaus (2017, p. 1520).

Le tableau 14.3 indique les estimations du CSC les plus récentes et la trajectoire temporelle du CSC selon les mêmes scénarios que ceux considérés dans le tableau 14.2. Nordhaus (2017) utilise à nouveau le scénario de référence et le scénario optimal, mais remplace le scénario des 2 °C par un scénario plus réaliste tablant sur un réchauffement de 2.5 °C. Nordhaus considère qu’un réchauffement maximal de 2 °C n’est pas réalisable compte tenu du niveau technologique actuel, d’où le choix d’un scénario de 2.5 °C dans la mise à jour de 2017 (Nordhaus, 2017, p. 1522). Encore une fois, le scénario des 2.5 °C ajuste les dommages de telle sorte que la réponse optimale soit de réduire les émissions et d’atteindre cet objectif. Comme précédemment, ce scénario se traduit par une hausse du CSC, qui passe de 31 USD à 184 USD par tonne de CO2. Ce CSC est par ailleurs sensible au taux d’actualisation : sa valeur en 2015 est plus de six fois plus élevée si l’on adopte un taux d’actualisation de 2.5 % au lieu de 5 %.

Les valeurs des tableaux 14.2 et 14.3 ne sont pas mesurées dans les mêmes unités de la même année de référence. Nordhaus (2017) montre néanmoins que la mise à jour du modèle DICE-2016R a affecté le calcul du CSC de la manière suivante (% de variation entre parenthèses) :

  1. Dommages (-14 %) ;

  2. Croissance démographique (+6 %) ;

  3. Sensibilité à la température (+8 %) ;

  4. Hypothèses économiques concernant la décarbonation (+31) ;

  5. Cycle du carbone (+25 %).

Au bout du compte, la valeur du CSC privilégiée par Nordhaus sur la base du modèle DICE est de 31 USD par tonne de CO2 en 2015, puis s’élève à 102.5 USD en 2100. Malgré tout, ces estimations sont entourées d’une grande incertitude. Par exemple, Howard et Sterner (2017) obtiennent un CSC presque quatre fois plus élevé au terme de leur méta-analyse de la fonction de dommages, arguant qu’il est préférable d’utiliser une fonction de dommages plus élevée, prenant mieux en compte les risques de catastrophe et les dommages aux actifs non commercialisés.

14.6. Coût social du carbone : l’expérience internationale

Plusieurs pays dont les États-Unis, le Royaume-Uni et le Canada ont adopté des mesures législatives ou des politiques visant à assurer la prise en compte des émissions de carbone dans l’analyse des projets publics et des réglementations. Dans certains cas, les émissions de carbone sont soumises à une taxe carbone (Finlande, Suède) ou à un système de plafonnement et d’échange (systèmes d’échange de droits d’émission dans l’Union européenne, en Californie (États-Unis) et en Alberta (Canada))14. Les États-Unis emploient le CSC dans l’ACA des projets publics et des règlements, tandis que la France préconise la méthode du coût de réduction des émissions. En 2009, le Royaume-Uni a abandonné le CSC pour utiliser les coûts associés à un niveau cible de réduction des émissions, conformément à la loi sur le changement climatique (Climate Change Act) de 2008. Les sections qui suivent examinent l’expérience de certains de ces pays, à commencer par les États-Unis.

14.6.1. Calcul du CSC aux États-Unis : l’Interagency Working Group on Social Cost of Carbon

Aux États-Unis, à la suite d’une série de décisions de justice, l’Agence de protection de l’environnement (EPA) a été habilitée à réguler les émissions de gaz à effet de serre sur la base du Clean Air Act (CAA) ainsi qu’à prendre des mesures concernant d’autres polluants atmosphériques (Metcalf et Stock, 2017). En 2007, dans l’affaire Massachusetts vs EPA (549 U.S. 497), la Cour suprême a statué que le CAA conférait à l’EPA le pouvoir de réguler les émissions de gaz à effet de serre à l’échappement. En 2008, la Cour d’appel des États-Unis pour le neuvième circuit a considéré que l’Administration nationale de la sécurité routière (National Highway Traffic Safety Administration) avait agi « de façon arbitraire » en refusant d’évaluer les émissions de carbone au motif que la valeur du CSC était incertaine. Qui plus est, le décret présidentiel n° 12866 impose aux agences « d’évaluer les coûts et les avantages de l’évaluation envisagée et, compte tenu du fait que certains coûts et avantages sont difficiles à quantifier, de ne proposer ou adopter une nouvelle réglementation que s’il est raisonnablement établi que les avantages de cette réglementation justifient son coût » (Section 1, partie 6)15. D’après le document d’appui technique de l’IWG,le CSC a pour fonction de « permettre aux agences d’intégrer les avantages sociaux de la réduction des émissions de dioxyde de carbone (CO2) dans les analyses coûts-avantages des mesures réglementaires » (IWG, 2016, p. 3).

C’est aux États-Unis que la procédure de calcul du CSC est la plus aboutie. En 2010, le Conseil économique consultatif (Council of Economic Advisors, CEA) a établi un groupe de travail interinstitutionnel (Interagency Working Group on Social Cost of Carbon, IWG) qu’il a chargé de calculer des estimations du CSC pouvant être appliquées conformément aux exigences établies par le décret présidentiel n° 12866. Ces travaux ont débouché sur un document d’appui technique (IWG, 2010). Ces estimations ont été actualisées en 2013, comme le résument Greenstone et al. (2013), puis de nouveau en 2016. Cette dernière révision a conduit à la publication d’une nouvelle version du document d’appui technique (IWG, 2016). Ces mises à jour répondent aux stipulations du décret présidentiel n° 13563, qui impose aux organismes publics d’utiliser les meilleures données scientifiques disponibles à l’appui de toute décision réglementaire (IWG, 2016, p. 6). Enfin, la NAS a récemment publié un rapport en réponse à une demande de conseils de l’IWG sur la façon dont le CSC devrait être mis à jour à l’avenir pour s’assurer que les estimations reposent sur les meilleures données scientifiques disponibles (NAS, 2017). Ce rapport formule plusieurs recommandations importantes, qui sont examinées ci-après.

L’IWG s’est servi de trois modèles MEI pour estimer le CSC : FUND, DICE et PAGE. L’IWG a utilisé les versions les plus récentes de ces modèles qui étaient disponibles à l’époque et suivi la procédure exposée dans Greenstone et al. (2013)16 :

  1. Les scénarios d’émissions ont été définis à l’aide de la trajectoire d’émissions EMF-22 établie par l’Energy Modelling Forum de l’université Stanford ;

  2. Cinq scénarios ont été définis : quatre scénarios tendanciels tablant sur de fortes concentrations de CO2, comprises entre 600 et 900 ppm, et un cinquième scénario supposant l’atténuation et la stabilisation des émissions aux alentours de 450 ppm ;

  3. La sensibilité du climat à l’équilibre (SCE) a été utilisée comme variable aléatoire de la distribution recommandée par Roe et Baker (2007), calibrée selon la déclaration de consensus du GIEC-RE4. Cette distribution se caractérise par « une médiane de 3 °C, une probabilité de 2/3 d’une sensibilité comprise entre 2 °C et 4.5 °C et une probabilité nulle qu’elle soit inférieure à zéro ou supérieure à 10 °C » (Greenstone et al. 2013).

  4. L’équipe a imaginé trois scénarios de taux d’actualisation, en appliquant des taux de rendement réels de 2.5 %, 3 % et 5 % aux différents scénarios d’émissions17.

  5. Les effets de bien-être ont été évalués au moyen d’une fonction de bien-être général (équation [14.7]).

En procédant à cette série d’étapes, l’IWG (IWG, 2016) a obtenu un barème de valeurs pour le CS-CO2, reproduit dans le tableau 14.4. Ces travaux ont amené l’IWG à proposer d’utiliser une valeur de 40 USD par tonne de CO2 dans l’analyse coûts-avantages des travaux publics et des réglementations, en se référant à un taux d’actualisation de 3 % et à l’année 2020. Encore une fois, les variations des estimations entre les trois modèles s’expliquent par les différences des hypothèses de modélisation, mais il est incontestable que les estimations sont sensibles au taux d’actualisation. De plus, comme dans la synthèse effectuée par Tol (2011), les valeurs figurant dans le tableau 14.4 sont des moyennes non pondérées des différents modèles et scénarios.

Tableau 14.4. Coût social du dioxyde de carbone selon différents scénarios et taux d'actualisation (%)
(CS- CO2, USD de 2007 par tonne de CO2)

Année

Impact moyen 5 %

Impact moyen 3 %

Impact moyen 2.5 %

Impact élevé (95e percentile)

2010

10

31

50

 86

2015

11

36

56

105

2020

12

42

62

123

2025

14

46

68

138

2030

16

50

73

152

2035

18

55

78

168

2040

21

60

84

183

2045

23

64

89

197

2050

26

69

95

212

Source : IWG (2016, p. 4).

En suivant ces procédures et en réitérant l’exercice 10 000 fois, l’équipe a obtenu un éventail d’estimations du CSC reflétant les échantillonnages répétés du paramètre de sensibilité du climat (IWG, 2016 ; Greenstone et al., 2013). Comme on l’a vu au chapitre 9, ce type d’analyse de Monte-Carlo, consistant à déduire les paramètres d’une distribution et à agréger les estimations, est fréquemment appliqué dans les ACA. Il est aussi fréquent mis en œuvre dans les modèles MEI à forme réduite pour gérer l’incertitude des paramètres. Alors que les estimations correspondant au 5e-95e percentile pour 2020 s’établissaient entre – 11 USD (FUND) et + 370 USD (PAGE) par tonne de CO2, dans l’hypothèse d’un taux d’actualisation de 3 %, la moyenne pour l’ensemble des modèles ressortait à 42 USD par tonne de CO2 en dollars de 2007. Ces estimations du CSC sont supposées augmenter au fil du temps à mesure que les émissions produisent davantage de dommages. À des fins d’analyse des réglementations, les valeurs recommandées pour la sensibilité du CSC sont de 12 USD et 62 USD (en 2020, pour des taux d’actualisation de 5 % et 2.5 % respectivement). La valeur de 123 USD au 95e percentileen 2020 reflète une fonction de dommages plus proche de la fonction de dommages de Weitzman représentée au graphique 14.6. Ces estimations correspondent aux recommandations qui étaient les plus récentes à l’époque concernant la valeur du CSC à utiliser pour l’analyse des réglementations (IWG, 2016).

Calcul du CSC aux États-Unis : le rapport de la NAS (2017) répond aux demandes formulées par l’IWG sur les moyens d’améliorer et actualiser le calcul du CSC dans les analyses de réglementations futures. Il comporte plusieurs recommandations au sujet des mises à jour futures du CSC.

14.6.2. Le CSC aux États-Unis : impact sur les politiques et perspectives futures

Hahn et Ritz (Hahn et Ritz, 2017) se sont demandés si l’utilisation du CSC aux États-Unis avait eu un quelconque effet sur la politique nationale et ont procédé à une analyse systématique de l’ensemble des réglementations fédérales adoptées depuis 2008. Nordhaus (2017) relève que des réglementations fédérales ayant généré jusqu’à 1 000 milliards USD d’avantages, selon les estimations, ont tenu compte du CSC. Pour leur part, Greenstone et al. (2013, p. 43) constatent que trois grands domaines d’action aux États-Unis ont été influencés par les estimations du CSC : 1) détermination des normes d’émissions de GES et d’efficacité énergétique du ministère des Transports et de l’EPA ; 2) audience de la Commission des services publics (Public Utilities Commission) du Colorado concernant l’abandon de centrales électriques au charbon d’une puissance totale de 900 MW ; et 3) déclaration relative à la régulation des GES par l’EPA, prononcée devant la Cour d’appel des États-Unis pour le circuit du district de Colombia.

Pourtant, l’étude de Hahn et Ritz constate que le classement des projets aux États-Unis n’a pas été modifié par la prise en compte du CSC, même si elle représente environ 15 % en moyenne des avantages constatés parmi les 53 mesures réglementaires analysées. Pour les auteurs, ce résultat peut s’expliquer par de nombreuses causes internes, allant du comportement de non-maximisation des organismes de réglementation à l’anticipation d’une hausse future du CSC. Cette absence d’influence du CSC pourrait d’ailleurs être délibérée : il se peut que l’administration ait décidé d’utiliser le CSC simplement pour montrer qu’elle ne restait pas les bras croisés, même si cet instrument était impropre à réduire les émissions de carbone. Seulement un projet sur huit analysés a été fortement influencé par la prise en compte du CSC (Hahn et Ritz, 2017, p. 245).

La signature en mars 2017 du décret présidentiel n° 13783 par l’actuel président a rendu très incertain l’avenir du CSC en tant qu’outil d’aide à la décision aux États-Unis. Ce décret a entre autres supprimé l’IWG et annulé l’ensemble de ses documents d’appui technique (E.O. 13783, Section 5). En outre, l’administration américaine est en train d’envisager l’adoption d’un CSC ne tenant compte que des dommages nationaux et d’utiliser un taux d’actualisation haut de 7 % à des fins d’analyse de sensibilité (US EPA, 2017, p. 1). Lorsque seuls les avantages nationaux sont pris en considération, le CSC diminue à 7 USD (1 USD) par tonne de CO2 avec un taux d’actualisation de 3 % (7 %), et la valeur au 95e percentile tombe à 28 USD (5 USD) par tonne de CO2, ces chiffres étant à mettre en regard de ceux du tableau 14.4. Ces valeurs correspondent à des réductions de 80-95 %.

14.6.3. Royaume-Uni

Pour établir la valeur du carbone, le Royaume-Uni et la France utilisent la méthode du coût de réduction des émissions, non le CSC. En 2002, le Royaume-Uni avait recommandé que les analyses des réglementations se réfèrent au CSC, les valeurs proposées, applicables dans l’ensemble des administrations, variant entre 35 et 140 GBP par tonne de carbone, avec une valeur centrale de 70 GBP par tonne de carbone (environ 250 USD par tonne de CO2). En 2009, le gouvernement a modifié la façon dont la valeur du carbone devait être estimée dans les ACA : le CSC a été abandonné au profit de valeurs fondées sur le système d’échange de quotas d’émission de l’Union européenne (SEQE-UE) si la source était située dans un secteur couvert par le SEQE, ou de l’approche du coût de réduction des émissions dans les autres cas. Il est recommandé que l’ensemble des projets publics et modifications des réglementations qui ont une incidence en termes d’émissions de carbone, catégorie qui recouvre les projets liés au transport, à l’énergie et à l’efficacité énergétique, se réfèrent aux valeurs à court terme du carbone fixées par le gouvernement. Ces valeurs sont régulièrement actualisées, la mise à jour la plus récente ayant eu lieu en 201618. Le tableau 14.5 indiqueles estimations actuelles de la valeur du carbone émis dans les secteurs couverts et non couverts par le SEQE-UE, et les valeurs prévues au cours de la période 2010-2030.

Tableau 14.5. Valeurs du carbone dans les secteurs couverts et non couverts par le SEQE-UE
Royaume-Uni, GBP par tonne d'équivalent CO2, prix de 2016

Année

Secteur couvert par le SEQE-UE

Secteur non couvert par le SEQE-UE

Basse

Centrale

Élevée

Basse

Centrale

Élevée

2010

13

13

13

29

57

86

2011

12

12

12

29

58

87

2012

6

6

6

29

59

88

2013

4

4

4

30

60

90

2014

4

4

4

30

61

91

2015

5

5

5

31

62

92

2016

0

4

4

31

63

94

2017

0

4

4

32

64

95

2018

0

4

5

32

64

97

2019

0

4

7

33

65

98

2020

0

5

9

33

66

100

2021

4

12

20

34

68

101

2022

8

19

31

34

69

103

2023

12

26

41

35

70

105

2024

15

34

52

35

71

106

2025

19

41

63

36

72

108

2026

23

48

73

37

73

110

2027

27

56

84

37

74

111

2028

31

63

95

38

75

113

2029

35

70

105

38

76

115

2030

39

77

116

39

77

116

Source : Tableaux de données utilisés pour guider l’évaluation du prix du carbone : www.gov.uk/government/publications/valuation-of-energy-use-and-greenhouse-gas-emissions-for-appraisal. La convergence des valeurs entre secteurs couverts et non couverts par le SEQE-UE traduit l’hypothèse selon laquelle le prix fixé dans le cadre du SEQE-UE devrait augmenter à mesure que le marché gagnera en maturité, commencera à fixer des plafonds plus stricts et s’étendra à tous les secteurs de l’économie.

L’abandon de l’approche fondée sur le CSC au profit de la méthode du coût de réduction des émissions fait suite à l’adoption en 2008 de la loi sur le changement climatique (chapitre 27), qui enjoint le secrétaire d’État de prendre les mesures nécessaires pour que les émissions nettes de carbone du Royaume-Uni en 2050 soient de 80 % inférieures à leur niveau de 1990, conformément aux engagements pris au titre du Protocole de Kyoto et d’accords ultérieurs. Composé d’experts de différentes disciplines et de fonctionnaires, le Comité du changement climatique (Climate Change Committee) vérifie la mise en œuvre des engagements pris en vertu de la loi et formule des recommandations lorsque les objectifs ne sont pas atteints.

14.6.4. France

En France, la « valeur du carbone » fait maintenant partie des « valeurs unitaires » citées dans les lignes directrices en matière d’analyse coûts-avantages, au même titre que la valeur de la vie statistique et le taux d’actualisation. Les valeurs utilisées démarrent à environ 27 USD (32 EUR) par tonne de CO2 et augmentent au rythme de 5.8 % par an jusqu’en 2030, puis au taux d’actualisation de 4.5 % ensuite. Ces hausses successives reflètent la règle de Hotelling pour les énergies non renouvelables, qui tente de définir la trajectoire temporelle optimale des valeurs du carbone, comme l’a expliqué la section 14.2, et reflètent l’accroissement des dommages associés aux émissions de carbone (Quinet, 2013). Cette valeur du carbone appliquée par la France est en cours de révision. La valeur du carbone est utilisée pour définir la taxe carbone devant s’appliquer dans les secteurs couverts et non couverts par le SEQE-UE.

14.7. Autres modes de calcul du CSC

14.7.1. Estimation du CSC fondée sur les avis d’experts

Dans une série d’articles critiques, Pindyck (Pindyck, 2012, 2013, 2016) s’est penché sur les faiblesses des modèles d’évaluation intégrée. Le principal reproche qu’il fait aux MEI n’est pas de ne pas permettre d’améliorer la compréhension globale des effets probables du changement climatique et l’efficacité des politiques, notamment les politiques technologiques et d’atténuation du changement climatique. Ce que Pindyck réprouve, c’est que ces modèles soient utilisés directement comme instruments d’élaboration de politiques, par exemple pour produire des estimations du CSC comme l’a fait l’IWG (IWG, 2016) aux États-Unis.

Le fondement de cette critique est que, dans certains domaines essentiels, les modèles et leur paramétrage se fondent sur ce que Pindynck (2013) décrit comme de « pures suppositions » concernant des aspects qui sont entourés d’une grande incertitude scientifique. L’exemple le plus frappant est selon lui celui de la fonction de dommages associée aux émissions responsables du changement climatique. Comme si la sensibilité du climat à l’équilibre (SCE : impact à long terme sur le climat d’un doublement des émissions de CO2) et la réponse transitoire du climat n’étaient pas suffisamment incertaines (voir, par exemple, graphique 14.2), il est extrêmement difficile de définir avec certitude les mécanismes par lesquels les modifications de la température entraînent des dommages bien que l’on dispose d’un corpus d’études empiriques de plus en plus abondant sur l’estimation des dommages climatiques. Le problème tient à ce que les dommages futurs sont très difficiles à prévoir, dans la mesure où ils résulteront de modifications des températures qui n’ont encore jamais été observées. Les risques d’événements catastrophiques sont particulièrement incertains.

Pindyck (2013, 2016) fait par ailleurs valoir qu’à ces incertitudes et facteurs non connus, il faut ajouter la complexité générale des modèles, qui contribue à les rendre opaques. Aussi la raison précise pour laquelle une simulation climatique ou de politique donne le résultat observé est-elle souvent difficile à identifier : il est impossible de savoir quelle cause entraîne quel effet et de déterminer si les résultats sont en un sens « réels » ou si ce sont les artefacts d’une hypothèse dissimulée. En résumé, la plupart des MEI sont pour ainsi dire des « boîtes noires ». Enfin, les MEI analysent le plus souvent des températures moyennes, et donc des dommages moyens. La valeur actualisée des dommages imputables à une variation des tendances centrales du climat s’élève rarement à beaucoup plus de 5-10 % du PIB, soit l’effet d’une récession d’ampleur modérée. Cela tient au fait que les dommages climatiques ne se matérialisent que lentement lorsqu’ils sont mesurés de cette manière, d’où la sensibilité des estimations des dommages au taux d’actualisation social. Pour toutes ces raisons – i) l’incertitude des paramètres et des modèles ; ii) l’opacité ou le manque de transparence ; et iii) la focalisation sur les tendances centrales du changement climatique – Pindyck se montre sceptique quant à l’utilité des MEI.

En remplacement de ces modèles, Pindyck propose tout simplement d’interroger les experts sur le CSC, non pas directement mais en leur posant une série de questions simples sur les dommages climatiques, afin de pouvoir calibrer un modèle simplifié du climat et calculer le CSC sur la base non pas des modifications moyennes des températures mais de la suppression des risques de catastrophe. L’annexe donne des précisions sur cette méthode et les questions qui ont été posées aux experts. Les principales informations qui leur étaient demandées étaient : i) les trajectoires des émissions ; ii) le pourcentage de réduction du PIB dû au changement climatique dans 50 ans ; iii) la probabilité que le PIB ait diminué de X % dans 50 et dans 150 ans ; iv) la réduction des émissions requise pour ramener le risque d’une perte de 20 % à zéro ; v) le taux d’actualisation. Combinées à une modélisation simple et transparente des relations entre les dommages et les émissions (voir annexe 14.A1), les réponses à ces questions permettent d’obtenir un CSC fondé sur l’avis des experts.

Par exemple, à partir des réponses aux questions sur les probabilités de diminution (point iii ci-dessus), le chercheur peut construire une fonction de distribution de probabilité rudimentaire pour les dommages. Le tableau 14.5 et le graphique 14.6 présentent l’exemple d’une distribution de probabilité qui peut être calculée à partir des réponses des experts au questionnaire de Pindyck19.

À partir des réponses des experts, il est maintenant possible d’approximer le CSC. La méthode d’estimation du coût social du carbone proposée par Pindyck (2016) s’articule en deux parties. Dans un premier temps, on calcule les avantages attendus associés à la réduction des coûts permise par l’élimination des dommages supérieurs à 20 % du PIB. Dans un deuxième temps, les avantages sont divisés par la réduction des émissions requise pour éliminer le risque de dommages extrêmes. Il doit être évident que l’estimation obtenue correspond au CSC moyen et non au CSC type, qui mesure la valeur des dommages consécutifs à un changement marginal des émissions.

Tableau 14.6. Exemples de réponses d'expert au questionnaire de Pindyck (2016)

Support de la baisse du PIB

Fonction de distribution cumulative

Fonction de survie

P(perte de PIB < x)

P(perte de PIB > x)

-7 (min)

0

1

2

0.2

0.8

5

0.4

0.6

10

0.7

0.3

20

0.8

0.2

50

0.95

0.05

100 (max)

1

0

Graphique 14.6. Fonctions de probabilité cumulative, de survie et de densité de probabilité
Pour une réponse d’expert type au questionnaire de Pindyck
Graphique 14.6. Fonctions de probabilité cumulative, de survie et de densité de probabilité

Note : Chaque point sur la ligne bleue correspond à un point du questionnaire où il était demandé aux experts d’évaluer la probabilité que la perte de PIB dépasse x %, sauf le premier point tout à gauche. La ligne orange correspond à l’unité diminuée de cette probabilité, c’est-à-dire à la fonction de survie, qui indique la probabilité que la perte de PIB soit supérieure à x %.

Cette estimation des dommages unitaires dues aux émissions de carbone a l’avantage d’être transparente, au sens où elle repose sur une approche parcimonieuse tout en saisissant certaines des principales caractéristiques du changement climatique et de l’évolution des dommages. En outre, elle met clairement l’accent sur les événements extrêmes les plus désastreux que pourrait entraîner le changement climatique, et non sur les dommages graduels et modérés associés à la variation des tendances centrales des températures (par exemple les températures moyennes). En ajoutant quelques hypothèses relatives à la distribution des avis des experts, il est facile de calculer les avantages procurés par une diminution des événements désastreux.

Pindyck (2016) a calibré le CSC moyen à partir des réponses fournies par environ un millier d’experts issus de différentes disciplines, dont l’économie et la science du climat. Les estimations du CSC obtenues sont très hétérogènes mais le CSC moyen est généralement nettement supérieur à 200 USD par tonne de carbone (54.6 USD par tonne de CO2) sur l’ensemble des groupes. La moyenne sur l’ensemble des groupes s’élève à 290 USD par tonne de carbone (79.1 USD par tonne de CO2). Lorsque l’on élimine les valeurs aberrantes et les avis des experts se considérant insuffisamment compétents, le CSC tombe à environ 200 USD par tonne de carbone.

Le modèle simplifié du changement climatique et des dommages climatiques proposé par Pindyck (2016) consacre à de nombreux égards le triomphe du rasoir d’Ockam20. L’expression du CSC moyen et les hypothèses qui la sous-tendent sont transparentes. Néanmoins, l’argument selon lequel il y aurait une boîte noire derrière chaque estimation ne peut pas être totalement balayé, si ce n’est que dans le cas présent, la boîte noire se trouve dans la tête de l’expert qui répond à la question. Il est possible que des erreurs de compensation soient introduites à l’étape de l’agrégation, conférant un degré de précision accru à cette approche fondée sur les avis d’experts, mais des biais ne sont pas à exclure pour autant. Au bout du compte, il n’est pas certain que cette approche permette d’obtenir des valeurs plus rationnelles, malgré son élégance et sa simplicité évidentes.

Le message le plus important des travaux de Pindyck est peut-être que le coût social du carbone estimé selon cette méthode dépasse largement la valeur de 42 USD par tonne de CO2 – qui était le point de mire des orientations réglementaires aux États-Unis sous la présidence Obama – sans même parler des 1 USD par tonne de CO2 actuellement proposés.

14.7.2. Expressions simplifiées du CSC

Une autre façon d’estimer le CSC consiste à élaborer une expression de forme fermée relativement simple pour le CSC, reposant sur un nombre relativement restreint de composantes et facile à estimer pour les besoins des politiques. À certains égards, Pindyck (2016) propose une représentation simple et compréhensible du CSC (voir équation [14.A1.1] à l’annexe 14.A1), mais cette expression ne repose pas sur des hypothèses économiques claires et précises et ne prétend pas être en lien étroit avec la science du climat et la théorie économique. Les travaux de recherche examinés dans cette section visent à obtenir des représentations du CSC plus parcimonieuses que celles issues des MEI, qui restent profondément en prise avec la théorie économique et la science du climat.

Un certain nombre d’études ont adopté cette approche en utilisant des modèles extrêmement simplifiés ou schématiques du climat et de l’économie, qui saisissent les principales caractéristiques du problème que représente le changement climatique sans chercher à obtenir une solution de forme fermée pour le CSC (Golosov et al., 2014 ; Gerlagh et Liski, 2012). van den Bijgaart et al. (2016) vont plus loin : ils proposent une solution de forme fermée pour le CSC dans un cadre déterministe, et montrent qu’elle constitue une bonne approximation des résultats obtenus par des MEI (déterministes) plus complexes.

La motivation première de ces expressions – le besoin de transparence et de parcimonie – rejoint en partie la critique formulée par Pindyck vis-à-vis des MEI. L’un des avantages des estimations simplifiées et transparentes du CSC est que les décideurs et les praticiens peuvent comprendre plus aisément les principes qui les sous-tendent et, de façon générale, s’approprier le concept sans avoir besoin de connaissances techniques ou de haut niveau sur le modèle lui-même. Pour van den Bijgaart et al. (2016, p. 75-76), l’un des problèmes majeurs des MEI est qu’ils « ne sont pas accessibles » pour les décideurs et le grand public. L’inaccessibilité est un déterminant majeur qui fait que le CSC est souvent « accepté ou rejeté en fonction de la confiance ou de la défiance » inspirée par les estimations et procédures qui s’y rapportent.

La formule simple proposée par van den Bijgaart et al. (2016) est la suivante :

picture [14.18]

Y désigne le revenu ou la production, L la population et picture un niveau de consommation de référence. Tous les autres termes sont des variables liées aux quatre étapes de la procédure d’estimation du CSC précédemment décrites : 1) lien entre la production et les émissions ; 2) lien entre les émissions et les températures ; 3) lien entre les températures et les dommages ; 4) actualisation. Le tableau 14.6 donne des précisions sur ces paramètres.

Cette représentation du CSC est extrêmement transparente et cadre étroitement avec le CSC qui émerge d’un grand nombre de MEI à forme réduite (voir van den Bijgaart et al., 2016, p. 81-88). Elle ne repose pas sur des avis d’experts mais sur des relations fonctionnelles parcimonieuses relevant des domaines économique et géophysique, ainsi que sur des hypothèses économiques bien définies. En comparaison des représentations produites par les MEI, cette expression du CSC est relativement facile à comprendre pour les décideurs. Par ailleurs, un tableau Excel en accès libre permet aux praticiens de se faire une idée de la sensibilité relative du CSC à différents choix de paramètre21.

Sur la base des hypothèses de distribution types appliquées aux paramètres du modèle DICE, le CSC ressortant de l’équation [14.18] présente une asymétrie prononcée vers la droite, avec une valeur moyenne d’environ 40 USD par tonne de CO2, une valeur médiane de 17 USD par tonne de CO2 et une valeur au 90e percentile de 84 USD par tonne de CO2. Ces valeurs sont en adéquation étroite avec les estimations des tableaux 14.3 et 14.4.

Tableau 14.7. Paramètres de l'équation [14.18] donnant une expression simple du CSC

Paramètre

Signification

ω

Au niveau de consommation de référence picture, une hausse de la température de 1 °C entraîne les dommages relatifs w.

m

Niveaux d’émissions préindustriels

ϕ

Paramètre de déclin du stock de CO2 (comme dans l’encadré 14.1)

ε

Les températures s’ajustent au taux ε vers leur niveau d’équilibre à long terme.

03C3

Taux d’actualisation climatique :

picture

ldésigne la croissance démographique et ξ le paramètre ci-dessous.

ψ

Élasticité des dommages par rapport à la température, T.

ξ

Élasticité des dommages par rapport à la production, Y.

Source : van den Bijgaart et al. (2016).

14.8. CSC : faut-il utiliser des valeurs mondiales ou nationales ?

Une autre question pertinente du point de vue des politiques, à laquelle il convient de répondre pour calculer le CSC, est de savoir si un pays doit utiliser la valeur mondiale du CSC ou se concentrer uniquement sur la valeur actuelle des dommages nationaux du changement climatique (Fraas et al. 2016 ; Dudley et Mannix, 2014 ; Gayer et Viscusi, 2016). Jusqu’à présent, il était d’usage d’estimer la valeur mondiale du CSC lorsque ce paramètre est destiné à être utilisé dans les politiques publiques à l’échelon national (IWG, 2016 ; NAS, 2017, chapitre 2). Le choix de la valeur mondiale est motivé par le fait que le CO2 est un polluant mondial, et donc que pour internaliser l’externalité mondiale, tous les pays doivent internaliser cette externalité. Selon un autre argument, la coopération internationale requise pour limiter le réchauffement mondial aura plus de chances de porter ses fruits si les parties prenantes s’inscrivent dans une logique mondiale (Revesz et al., 2017). Dans ses analyses du CSC, l’IWG (IWG, 2010) a estimé que le CSC national était compris entre 7 % et 23 % du CSC mondial dans le cas des États-Unis. De nombreuses mises en garde ont été émises au sujet de cette mesure, notamment le fait qu’un grand nombre des modèles utilisés pour estimer le CSC ne sont pas suffisamment détaillés géographiquement pour que l’on puisse attribuer les dommages à tel ou tel pays. Il est par ailleurs admisque de telles estimations sont sujettes à négliger les dommages indirects que peuvent subir les États-Unis par l’intermédiaire des pays qui sont ses partenaires commerciaux par exemple. La question du choix de la valeur nationale ou mondiale des dommages fait l’objet de recherches actives (voir, par exemple, Kotchen, 2016).

Néanmoins, l’idée d’utiliser un CSC national gagne en popularité dans les cercles de décision. En octobre 2017, l’EPA a recalculé la valeur du CSC devant être appliquée dans les analyses des réglementations, en se référant uniquement aux dommages nationaux et en utilisant le taux d’actualisation le plus élevé de la plage recommandée par l’OMB dans ses lignes directrices pour les analyses de sensibilité (OMB, 2003) : 7 %. Lorsqu’il est calculé selon ces deux conditions – taux d’actualisation de 7 % et prise en compte des dommages nationaux uniquement –, le CS-CO2 pour les États-Unis tombe de 40 USD à 1 USD par tonne de CO2 (US EPA, 2017)22.

14.9. Conclusions

Il est essentiel que le coût des émissions de carbone soit pris en compte dans l’analyse des réglementations et l’évaluation des projets publics. Et pour que ces dommages climatiques puissent être intégrés dans les ACA ou servir au calcul d’une taxe carbone optimale, il est nécessaire d’estimer le CSC. La procédure d’estimation est rendue difficile par la complexité du problème et par les incertitudes qui entourent les paramètres en lien avec le changement climatique, à savoir la sensibilité du climat, la croissance économique et les trajectoires d’émissions futures ainsi que les dommages qui en découleront. La théorie montre que des précautions sont indispensables pour réguler les émissions de carbone et déterminer la trajectoire de la taxe carbone la plus appropriée et que des politiques sous-optimales peuvent entraîner des effets pervers illustrés par le paradoxe vert, même si ces conséquences ne sont pas certaines.

Sur le plan de l’estimation, les États-Unis ont établi des lignes directrices claires sur la façon dont le CSC devait être estimé et, jusqu’à la réorientation récente de la politique publique, le CSC était régulièrement utilisé dans l’analyse des réglementations et des politiques, la valeur retenue s’élevant à environ 40 USD par tonne de CO2 et devant augmenter dans le temps pour atteindre plus de 100 USD par tonne de CO2 à l’horizon 2050. De nombreux pays de l’OCDE se réfèrent à une estimation du CSC pour évaluer les projets publics et calculer les taxes carbone.

Le CSC est fréquemment estimé à l’aide de modèles d’évaluation intégrée (MEI), dont il apparaît qu’ils sont sensibles aux hypothèses concernant la sensibilité du climat, les dommages climatiques et le traitement de l’incertitude et de l’ambiguïté au regard du bien-être. Plus particulièrement, la façon dont les MEI traitent les risques de catastrophe, à la fois dans les fonctions de dommages et dans la mesure du bien-être, est un puissant déterminant de la rigueur des politiques qui seront adoptées en réponse au changement climatique. Une incertitude et une ambiguïté plus grandes, conjuguées à des probabilités de risque de catastrophe à queue épaisse, conduisent à la préconisation d’une politique climatique plus sévère et à une valeur estimée du CSC plus élevée.

Les années récentes ont vu l’apparition de procédures faisant appel aux avis d’experts sur le CSC et de formules de calcul du CSC alliant simplicité et transparence. Selon certains commentateurs, ces méthodes sont préférables au sens où elles sont plus transparentes et démocratiques, avantages qui n’ont pas obligatoirement un coût en termes de fourchette de valeurs obtenues pour le CSC. Le calibrage des MEI à des fins d’aide à l’élaboration des politiques publiques suscite de nombreux débats et nécessite des recherches plus approfondies en raison des incertitudes associées aux dimensions scientifiques et économiques du changement climatique et des désaccords entourant certains paramètres cruciaux qui déterminent le CSC (tels que le taux d’actualisation ou la SCE). La principale bonne nouvelle, du point de vue de l’ACA, est que les estimations du CSC sont désormais prises en compte dans l’analyse des politiques publiques et qu’elles influencent les décisions d’une manière qui devrait améliorer le bien-être social à long terme.

Le prix du carbone n’est très certainement pas nul. Ce consensus général quant à la probabilité que le CSC soit non nul transparaît dans le fait que, très souvent, les analyses des politiques menées dans les pays de l’OCDE attribuent une valeur monétaire au carbone (Smith et Braathen, 2015 ; FIT, 2015).

Références

van den Bijgaart, I., R. Gerlagh et M. Liski (2016), « A simple formula for the Social Cost of Carbon », Journal of Environmental Economics and Management, vol. 77, pp. 75-94, http://dx.doi.org/10.1016/j.jeem.2016.01.005.

Bosello, F., F. Eboli et R. Pierfederici (2012), « Assessing the Economic Impacts of Climate Change: An Updated CGE Point of View », FEEM Working Paper, n° 2.

Bosello, F., R. Roson et R.S.J. Tol (2007), « Economy-wide Estimates of the Implications of Climate Change: Sea Level Rise », Environmental and Resource Economics, vol. 37, pp. 549-571.

Bosello, F., R. Roson et R.S.J. Tol (2006), « Economy wide estimates of the implications of climate change: Human health », Ecological Economics, vol. 58, pp. 579-591.

Botzen, W.J.W. et J.C.J.M. van den Bergh (2012), « How sensitive is Nordhaus to Weitzman? Climate policy in DICE with an alternative damage function », Economics Letters, vol. 117, n° 1, pp. 372-374, http://dx.doi.org/10.1016/j.econlet.2012.05.032.

Burke, M. et K. Emerick (2016), « Adaptation to Climate Change: Evidence from US Agriculture », American Economic Journal: Economic Policy, vol. 8, n° 3, pp. 106-140.

Dell, M., B.F. Jones et B.A. Olken (2014), « What Do We Learn from the Weather? The New Climate-Economy Literature », Journal of Economic Literature, vol. 52(3), pp. 740-98, www.aeaweb.org/articles?id=10.1257/jel.52.3.740.

Deschenes, O. et M. Greenstone (2011), « Climate Change, Mortality, and Adaptation: Evidence from Annual Fluctuations in Weather in the US », American Economic Journal: Applied Economics, vol. 3, n° 4, pp. 152-185.

Deschenes, O. et M. Greenstone (2007), « The economic impacts of climate change: Evidence from agricultural output and random fluctuations in weather », American Economic Review, vol. 97, n° 1, pp. 354-385.

Di Falco, S., M. Veronesi et M. Yesuf (2011), « Does Adaptation to Climate Change Provides Food Security? A Micro-Perspective from Ethiopia », American Journal of Agricultural Economics, vol. 93, n° 3, pp. 829-846.

Drupp, M. et al. (2017), « Discounting Disentangled: An Expert Survey on the Components of the Long Term Social Discount Rate », à paraître dans American Economic Journal: Economic Policy ; version document de travail : Drupp, M. et al. (2015), Grantham Research Institute on Climate Change and the Environment Working Paper, n° 172, www.lse.ac.uk/GranthamInstitute/wp-content/uploads/2015/06/Working-Paper-172-Drupp-et-al.pdf.

Dudley, S.E. Mannix et F. Brian (2014), « The social cost of carbon », Engage: The Journal of the Federalist Society, vol. 15, pp. 14-18.

Forum international des transports (2015), « Adapting Transport Policy to Climate Change: Carbon Valuation, Risk and Uncertainty », rapport de recherche du FIT.

Fraas, A., R. Lutter, S. Dudley, T. Gayer, J. Graham, J.F. Shogren et W.K. Viscusi (2016), « Social cost of carbon: Domestic duty », Science, vol. 351, p. 569.

Freeman, M.C. et al. (2015), « Declining Discount Rates and the Fisher Effect: Inflated Past, Discounted Future », Journal of Environmental Economics and Management, vol. 73, pp. 32-49, http://dx.doi.org/10.1016/j.jeem.2015.06.003.

Freeman, M.C., B. Groom et R.J. Zeckhauser (2015), « Better predictions, better allocations: Scientific advances and adaptation to climate change », Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, vol. 373, n° 2055, http://dx.doi.org/10.1098/rsta.2015.0122.

Gayer, T. et W.K. Viscusi (2016), « Determining the Proper Scope of Climate Change Policy Benefits in U.S. Regulatory Analyses: Domestic Versus Global Approaches », Review of Environmental Economics and Policy, vol. 10, n° 2, pp. 245-263.

Gerlagh, R. (2011), « Too much oil », CESifo Economic Studies, vol. 57, n° 1, pp. 79-102, https://doi.org/10.1093/cesifo/ifq004.

Gerlagh, R. et M. Liski (2012), « Carbon Prices for the Next Thousand Years », CESifo Working Paper Series 3855, CESifo Group Munich, wwz.unibas.ch/fileadmin/wwz/redaktion/forschung/Matti_Liski_et_al_ CarbonPrices_mars25.pdf.

GIEC (2013), Climate Change 2013: The Physical Science Basis – Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change [Stocker, T.F., D. Qin, G.-K. Plattner, M. Tignor, S.K. Allen, J. Boschung, A. Nauels, Y. Xia, V. Bex et P.M. Midgley (dir. pub.)], Cambridge University Press, Cambridge, Royaume-Uni et New York, NY, USA.

Gorst, A., B. Groom et A. Dehlavi (2015), « Crop productivity and adaptation to climate change in Pakistan », Centre for Climate Change Economics and Policy Working Paper, n° 214.

Greenstone, M., E. Kopits et A. Wolverton (2013), « Developing a Social Cost of Carbon for US Regulatory Analysis: A methodology and Interpretation », Review of Environmental Economics and Policy, vol. 7, n° 1, pp. 23-46, https://doi.org/10.1093/reep/res015.

Groom, B. et al. (2007), « Discounting the Distant Future: How much does model selection affect the certainty equivalent rate? », Journal of Applied Econometrics, vol. 22, n° 3, pp. 641-656, http://dx.doi.org/10.1002/jae.937.

Heal, G. et A. Millner (2014), « Uncertainty and decision-making in climate change », Review of Environmental Economics and Policy, vol. 8, n° 1, pp. 120-137, https://doi.org/10.1093/reep/ret023.

Hoel, M. (2008), « Bush Meets Hotelling: Effects of Improved Renewable Energy Technology on Greenhouse Gas Emissions », Working Paper, n° 2492, CESifo, Münich, www.cesifo-group.de/ifoHome/publications/working-papers/CESifoWP/CESifoWPdetails?wp_id=14556692.

Hoel, M. et S. Kverndokk (1996), « Depletion of fossil fuels and the impacts of global warming », Resource and Energy Economics, vol. 18, n° 2, pp. 115-136, https://doi.org/10.1016/0928-7655(96)00005-X.

Howard, P.H. et T. Sterner (2017), « Few and Not So Far Between: A Meta-analysis of Climate Damage Estimates », Environmental and Resource Economics, vol. 68, n° 1, pp. 197-225, https://doi.org/10.1007/s10640-017-0166-z.

Hsiang, S.M. (2010), « Temperatures and Cyclones Strongly Associated with Economic Production in the Caribbean and Central America », Proceedings of the National Academy of Sciences, vol. 107, n° 35, pp. 15367-72.

Hsiang, S., K. Meng et M. Cane (2011), « Civil conflicts are associated with the global climate », Nature, vol. 476, pp. 438-441.

Interagency Working Group on Social Cost of Carbon (2016), Technical Support Document: Social Cost of Carbon for Regulatory Impact Analysis under Executive Order 12866, août, gouvernement des États-Unis, www.epa.gov/sites/production/files/2016-12/documents/sc_co2_tsd_august_2016.pdf.

Interagency Working Group on Social Cost of Carbon (2010), Technical Support Document: Social Cost of Carbon for Regulatory Impact Analysis under Executive Order 12866, février, gouvernement des États-Unis, www.epa.gov/sites/production/files/2016-12/documents/scc_tsd_2010.pdf.

Kotchen, M.J. (2016), « Which Social Cost of Carbon? A Theoretical Perspective », NBER Working Paper, n° 22246.

Kurukulasuriya, P. et R. Mendelsohn (2008), « Crop switching as a strategy for adapting to climate change » African Journal of Agricultural and Resource Economics, vol. 2, n° 1, pp. 105-126.

Mendlesohn, R. (2012), « The Economics of Adaptation to Climate Change in Developing Countries », Climate Change Economics, vol. 3, n° 2.

Mendelsohn, R., W. Nordhaus et D. Shaw (1994), « The Impact of Global Warming on Agriculture: A Ricardian Analysis », American Economic Review, vol. 84, n° 4, pp. 753-771.

Millner, A. (2013), « On welfare frameworks and catastrophic climate risks », Journal of Environmental Economics and Management, vol. 65, n° 2, pp. 310-325, http://dx.doi.org/10.1016/j.jeem.2012.09.006.

Millner, A., S. Dietz et G. Heal (2013), « Scientific ambiguity and climate policy », Environmental and Resource Economics, vol. 55, n° 1, pp. 21-46, http://dx.doi.org/10.1007/s10640-012-9612-0.

NAS (2017), Valuing Climate Changes: Updating Estimation of the Social Cost of Carbon Dioxide, National Academy of Sciences, www.nap.edu/24651.

Newell, R.G. et W.A. Pizer (2003), « Discounting the distant future: How much do uncertain rates increase valuations?, Journal of Environmental Economics and Management, vol. 46, n° 1, pp. 52-71, http://dx.doi.org/10.1016/S0095-0696(02)00031-1.

Nordhaus, W.D. (2017), « Revisiting the Social Cost of Carbon », Proceedings of the National Academy of Sciences, vol. 114, n° 7, pp. 1518-1523.

Nordhaus, W. (2016), « Projections and uncertainties about climate change in an era of minimal climate policies », Cowles Foundation discussion paper, n° 2057, https://cowles.yale.edu/sites/default/files/files/pub/d20/d2057.pdf.

Nordhaus, W.D. (2014), « Estimates of the Social Cost of Carbon: Concepts and Results from the DICE-2013R Model and Alternative Approaches », Journal of the Association of Environmental and Resource Economists, vol. 1, n° 1-2, pp. 273-312, http://dx.doi.org/10.1086/676035.

Nordhaus, W.D. (2011), « The Economics of Tail Events with an Application to Climate Change », Review of Environmental Economics and Policy, vol. 5, n° 2, pp. 240-257, https://doi.org/10.1093/reep/rer004.

Nordhaus, W.D. (2008), A Question of Balance: Weighing the Options on Global Warming Policies, Yale University Press, New Haven.

Nordhaus, W.D. (2007), « A Review of the Stern Review on the Economics of Climate Change », Journal of Economic Literature, vol. 45, n° 3, pp. 686-702, http://dx.doi.org/10.1257/jel.45.3.686.

Nordhaus, W.D. et A. Moffat (2017), « A survey of the global impacts of climate change: Replicability, survey methods and a statistical analysis », Cowles Foundation Discussion Paper No. 2096, Cowles Foundation for Research in Economics, Yale University, New Haven. https://cowles.yale.edu/sites/default/files/files/pub/d20/d2096.pdf.

Nordhaus, W. et P. Sztorc (2013), DICE 2013R: Introduction and User’s Manual, octobre 2013, voir : www.econ.yale.edu/∼nordhaus/homepage/documents/DICE_Manual_100413r1.pdf.

Olsen et al. (2012), « A climate sensitivity estimate using Bayesian fusion of instrumental observations and an Earth system model », Geophysical Resource Letters, 117(D4):D04103.

Perry, M. et J.-C. Ciscar (2014), « Multi-sectoral Perspective in Modelling of Climate Impacts and Adaptation », chapitre 15 in Handbook of the Economics of Climate Change Adaptation, Markandya, A., I. Galarraga et E. Sainz de Murieta (dir. pub.), Routledge Handooks.

Pindyck, R.S. (2016), « The Social Cost of Carbon Revisited », NBER Working Paper 22807, National Bureau of Economic Research, Washington, DC, www.nber.org/papers/w22807.

Pindyck, R.S. (2013), « Climate Change Policy: What Do the Models Tell Us? », Journal of Economic Literature, vol. 51, n° 3, pp. 860-872, http://dx.doi.org/10.1257/jel.51.3.860.

Quinet, E. (2013), L’évaluation socio-économique en période de transition, Rapport du groupe de travail presidé par Émile Quinet, Commissariat général à la stratégie et à la prospective, Tome I, Rapport final, juin.

Ranson, M. (2013), « Crime, Weather and Climate Change », Journal of Environmental Economics and Management, vol. 67, n° 3, pp. 274-302.

Revesz, R.L., J.A. Schwartz, P.H. Howard, K. Arrow, M.A. Livermore, M. Oppenheimer et T. Sterner (2017), « Letter – The Social Cost of Carbon: A Global Imperative », Review of Environmental Economics and Policy, vol. 11, n° 1, 1 janvier 2017, pp. 172-173, https://doi.org/10.1093/reep/rew022.

Roe, G.H. et M.B. Baker (2007), « Why is climate sensitivity so unpredictable? », Science, vol. 318, n° 5850, pp. 629-633, http://dx.doi.org/10.1126/science.1144735.

Schlenker, W. et M.J. Roberts (2009), « Nonlinear temperature effects indicate severe damages to US crop yields under climate change », Proceedings of the National Academy of Sciences, vol. 106, n° 37, pp. 15594-98.

Schlenker, W., W.M. Hanemann et A.C. Fisher (2005), « Will U.S. Agriculture Really Benefit from Global Warming? Accounting for Irrigation in the Hedonic Approach », American Economic Review, vol. 95, n° 1, pp. 395-406.

Sinn, H.W. (2012), The Green Paradox, MIT Press, Cambridge, Mass.

Smith, S. et N. Braathen (2015), « Monetary Carbon Values in Policy Appraisal: An Overview of Current Practice and Key Issues », Documents de travail de l’OCDE sur l’environnement, n° 92, Éditions OCDE, Paris, http://dx.doi.org/10.1787/5jrs8st3ngvh-en.

Stern, N. (2007), The Economics of Climate Change: The Stern Review, Cambridge University Press, Cambridge, www.cambridge.org/catalogue/catalogue.asp?isbn=9780521700801.

Strand, J. (2007), « Technology Treaties and Fossil-Fuels Extraction », Energy Journal, vol. 28, n° 4, pp. 129-142, http://dx.doi.org/10.5547/ISSN0195-6574-EJ-Vol28-No4-6.

Tol, R.S.J. (2014), « Correction and Update: The Economic Effects of Climate Change », Journal of Economic Perspectives, vol. 28(2), pp. 221-26, http://dx.doi.org/10.1257/jep.28.2.221.

Tol, R.S.J. (2012), « On the Uncertainty about the Total Economic Impact of Climate Change », Environmental and Resource Economics, vol. 53, n° 1, septembre 2012, pp. 97-116.

Tol, R.S.J. (2011), « The Social Cost of Carbon », Annual Review of Resource Economics, vol. 3, pp. 419-443, https://doi.org/10.1146/annurev-resource-083110-120028.

Tol, R.S.J. (2008), « The Social Cost of Carbon: Trends, Outliers and Catastrophes », Economics: The Open-Access, Open-Assessment E-Journal, vol. 2, n° 2008-25, http://dx.doi.org/10.5018/economics-ejournal. ja.2008-25.

Ulph, A. et D. Ulph (1997), « Global warming, irreversibility and learning », Economic Journal, vol. 107, n° 442, pp. 636-650, http://dx.doi.org/10.1111/j.1468-0297.1997.tb00031.x.

USEPA (2017), Regulatory Impact Analysis for the Review of the Clean Power Plan: Proposal, octobre 2017, www.epa.gov/sites/production/files/2017-10/documents/ria_proposed-cpp-repeal_2017-10.pdf.

Weitzman, M.L. (2010), « What is the ‘Damages Function’ for Global Warming and What Difference Might it Make? », Climate Change Economics, vol. 1, n° 1, pp. 57-69, http://dx.doi.org/10.1142/S2010007810000042.

Weitzman, M.L. (2009), « On Modeling and Interpreting the Economics of Catastrophic Climate Change », The Review of Economics and Statistics, vol. 91, n° 1, pp. 1-19, www.mitpressjournals.org/doi/abs/10.1162/rest.91.1.1.

Weitzman, M.L. (2007), « A Review of ‘The Stern Review on the Economics of Climate Change’ », Journal of Economic Literature, vol. XLV, n° 3, pp. 703-724, http://dx.doi.org/10.1257/jel.45.3.703.

Annexe 14.A1. Questionnaire et modèle de Pindyck (2016)

Pindyck a conçu son questionnaire de manière à pouvoir définir un scénario d’émissions de référence puis, à partir de là, déterminer la probabilité de survenue de dommages particuliers, exprimés en termes de pertes proportionnelles de PIB. Les questions posées étaient les suivantes :

  1. Quel sera le taux de croissance moyen des émissions de GES au cours des 50 prochaines années en cas de maintien du statu quo (absence de mesures supplémentaires visant à réduire les émissions) ?

  2. En l’absence de politique d’atténuation du changement climatique, quel sera le niveau le plus probable (en %) de diminution du PIB mondial imputable au changement climatique au cours des 50 prochaines années ?

Les experts ont ensuite été interrogés sur la distribution de probabilité associée aux dommages climatiques, et en particulier sur la probabilité d’événements extrêmes en queue de distribution. Les questions suivantes leur ont été posées :

  1. 3. En l’absence d’atténuation du changement climatique, quelle est la probabilité pour que, d’ici 50 ans, le changement climatique ait provoqué une diminution du PIB mondial d’au moins 2, 5, 10, 20 et 50 % ?

Les mêmes questions ont ensuite été posées en se référant à un horizon beaucoup plus éloigné (150 ans). Enfin, il a été demandé aux experts de répondre à la question suivante :

  1. 4. Dans quelle proportion faudrait-il réduire la croissance des émissions pour supprimer la queue de distribution et ramener la probabilité de dommages climatiques supérieurs à 20 % du PIB à zéro d’ici 50 et 150 ans ?

Les réponses à la question 3 définissent implicitement une fonction de distribution de probabilité cumulative et une fonction de survie pour les dommages en termes de perte de PIB en pourcentage. Ces fonctions sont représentées dans le tableau 14.3 et le graphique 14.6. Les experts ont répondu à chacune des questions pour les deux horizons temporels considérés : 50 et 150 ans. Ces données sont du même type que celles produites par les modèles d’évaluation intégrée, à la différence qu’elles reposent sur des avis d’expert.

Les avantages liés à la réduction des dommages extrêmes sont calculés comme suit (Pindyck, 2016) :

picture [14.A1.1]

où le numérateur est composé de deux termes :

  1. [E1(z1)-E0(z1)] : le changement de la perte de PIB attendue, consécutif à l’élimination du risque extrême. L’espérance E0(z1) porte sur une plage réduite de valeurs des dommages (support probabiliste), alors que E1(z1) est l’espérance sur l’ensemble du support de la fonction de dommages ;

et

  1. 2. bY0 : la proportion obtenue en 1) est multipliée par le niveau initial du PIB, Y0, et le taux de croissance présumé des dommages, b.

En divisant le numérateur par le terme (1 – exp(– bT)), on obtient le flux instantané d’avantages découlant de la réduction des dommages climatiques pour l’horizon T. Pour calculer la valeur actualisée de ce flux, on divise le résultat obtenu par le taux d’actualisation effectif, calculé à partir du taux d’actualisation applicable à la consommation, r, net de la croissance du PIB, g, et de la croissance des dommages, : (r – g)(r + b – g) (Pindyck, 2016, p. 11).

La réduction des émissions requise pour obtenir ce niveau attendu de réduction des dommages est calculée à partir des réponses à la question 4 ci-dessus. Les avis formulés par les experts concernant la réduction des émissions impliquent une variation particulière du taux de croissance des émissions, à savoir une réduction de m0 à m1. Les différences entre ces trajectoires en valeur actualisée sur un horizon infini sont données par l’expression suivante (Pindyck, 2016, p. 11) :

picture

r désigne le taux d’actualisation et E0 le niveau d’émissions initial. En divisant les avantages bruts de la réduction des dommages, tels qu’estimés par les experts, par le niveau requis de réduction des émissions, également estimé par les experts, on obtient une estimation du coût social moyen du carbone. La combinaison des deux équations donne le coût social moyen du carbone :

picture [14.A1.2]

Notes

← 1. Malgré l’appellation restrictive de « CSC », ce concept mesure généralement les dommages associés à l’ensemble des gaz à effet de serre. C’est le point de vue adopté dans l’ensemble de ce chapitre.

← 2. L’incertitude knightienne décrit une situation dans laquelle le risque associé à certains événements ne peut pas être représenté par des distributions de probabilité bien définies. Les événements qui sont rares ou qui ne se sont encore jamais produits dans le passé constituent des exemples d’incertitude knightienne, dans la mesure où la probabilité de survenue de tels événements n’est pas connue. Les probabilités sont au mieux ambiguës et ne peuvent être définies qu’à l’aide d’intervalles.

← 3. Une tonne de CO2 contenant 0.273 tonne de carbone, le CS-CO2 équivaut à 0.273*CSC.

← 4. La contribution de van der Ploeg et Withagen (van der Ploeg et Withagen, 2015) a été publiée par la revue Review of Environmental Economics and Policy, dans le cadre du symposium « The Green Paradox and Climate Policy ».

← 5. Une tonne de CO2 contient 0.273 tonne de carbone.

← 6. Le GIEC (GIEC, 2013) établit une distinction entre confiance et probabilité dans le traitement de l’incertitude. Un degré de confiance moyen signifie 5 chances sur 10, et un degré de confiance élevé 8 chances sur 10. Par ailleurs, probable correspond à une probabilité > 66 %, improbable à une probabilité < 33 %, et très improbable à une probabilité < 10 %. Pour une description complète, on pourra se référer à : www.ipcc.ch/publications_and_data/ar4/wg1/en/ch1s1-6.html.

← 7. On trouvera une synthèsedes méthodes de modélisation structurelle dans Perry et Ciscar (2014).

← 8. La NAS (NAS, 2017, chapitre 5) et Dell et al. (Dell et al., 2014) présentent une bonne synthèse des études sur les dommages. Un recueil d’études a été publié par la revue Review of Environmental Economics and Policy dans le cadre du symposium consacré à l’adaptation dans l’agriculture (volume 11, deuxième édition, juillet 2017).

← 9. Pour une analyse de la formation des nuages, voir GIEC (2013), chapitre 7. Pour une analyse des effets de rétroaction et des effets irréversibles du changement climatique, voir GIEC (2013), chapitre 12, et pour une analyse du changement du niveau des océans, voir GIEC (2013), chapitre 13.

← 10. La NAS (NAS, 2017, p. 138) cite le rapport de l’IWG (IWG, 2010), qui soulignait que les dommages catastrophiques et non catastrophiques n’étaient pas traités de façon exhaustive dans les formules de dommages utilisées alors. Ces fonctions ont été actualisées depuis 2010 (voir, par exemple, Nordhaus, 2017), mais selon la NAS (2017, p 144), le traitement des risques de catastrophe et des points de basculement demeure problématique dans les MEI à forme réduite.

← 11. Certaines erreurs arithmétiques qui figuraient dans les étudesde Tol (2009, 2012) ont été corrigées dans les mises à jour récentes de DICE. Voir Tol (2014) ainsi que Nordhaus et Moffatt (2017).

← 12. À proprement parler, pour des raisons de qualité d’ajustement, l’estimation utilise une fonction à un paramètre en supposant que picture, d’où la formulation donnée dans (14.13).

← 13. Pour une inflation de 2 % sur 20 ans.

← 14. Outre ces mesures, plusieurs pays ont instauré des taxes carbone qui s’appliquent à différents secteurs de l’économie. Par exemple, la Suède et la Finlande ont mis en place des taxes carbone de 150 USD par tonne de CO2 et 89 USD par tonne de C respectivement.

← 15. Voir www.epa.gov/laws-regulations/summary-executive-order-12866-regulatory-planning-and-review.

← 16. Ces mises à jour apportaient des changements aux modules de dommages, qui concernaient notamment l’élévation du niveau des océans, les facteurs d’échelle régionaux, l’adaptation et les paramètres du cycle du carbone.

← 17. Le scénario bas de 2.5 % s’inspire des étudessur les taux d’actualisation décroissants de Newell et Pizer (2003), Groom et al. (2007) et, plus récemment, Freeman et al. (2015). Voir IWG (2010) et le chapitre 8 de ce livre.

← 18. La liste des valeurs à court terme du carbone dans les secteurs couverts et non couverts par le SEQE-UE peut être consultée à l’adresse suivante : www.gov.uk/government/collections/carbon-valuation--2.

← 19. Pour calculer les distributions de probabilité, le seul élément d’information requis en plus des réponses au questionnaire de Pindyck (2016) est la valeur de la borne inférieure.

← 20. Voir https://fr.wikipedia.org/wiki/Rasoir_d%27Ockham.

← 21. Voir : http://dx.doi.org/10.1016/j.jeem.2016.01.005.

← 22. www.federalregister.gov/documents/2017/03/31/2017-06576/promoting-energy-independence-and-economic-growth.

End of the section – Back to iLibrary publication page