ANR Induced

Projet ANR INDUCED

Intégration de l'incertitude profonde dans la modélisation des changements climatiques

Programme ANR : Gestion sobre des ressources et adaptation au changement climatique (DS01) 2017

Référence projet : ANR-17-CE03-0008

Coordinateur du projet :
Monsieur Loic Berger (Lille - Economie et Management)

Aide de l'ANR 248 400 euros
Début et durée du projet scientifique janvier 2018 - 48 mois

INDUCED propose d’étudier le rôle joué par l’incertitude profonde dans la manière dont est traité le phénomène du changement climatique global.

L’incertitude est omniprésente. Si cette affirmation est vraie pour la plupart des problèmes de décision, elle revêt une importance particulière pour la politique économique liée aux changements climatiques. Dans ce cas-là en effet, les décisions à prendre ont des conséquences globales, durables et potentiellement irréversibles. Le défi environnemental auquel l'humanité est confrontée avec le changement climatique global illustre particulièrement bien l'importance de considérer l'incertitude lors de la prise de décision. Les décisions concernant le changement climatique doivent être prises en présence d'incertitude portant à la fois sur la science du climat (en raison de l'extrême complexité du système climatique) et sur certains aspects socio-économiques et technologiques fondamentaux (en raison de notre incapacité à capturer parfaitement la façon dont le système socio-économique pourrait répondre, atténuer et s'adapter à ces changements).

Toutefois, bien qu’il soit maintenant acquis que l’incertitude profonde représente une donnée essentielle de la problématique du changement climatique, la manière dont celle-ci est intégrée dans les modèles utilisés pour faire des prédictions, ou dessiner des politiques publiques reste insatisfaisante.

Ce projet a pour but de développer de nouvelles manières d’incorporer les préférences vis-à-vis de l’incertitude profonde dans les processus de prise de décision relatifs aux politiques climatiques. INDUCED propose d’atteindre cet objectif en considérant trois challenges : (i) investiguer de manière théorique les propriétés qu’une approche prenant en compte l’incertitude profonde devrait avoir, identifier les forces et faiblesses des modèles alternatifs de prise de décision, et leur applicabilité dans le contexte spécifique du changement climatique ; (ii) étudier (en utilisant des méthodes d’économie expérimentale) la rationalité de ces approches alternatives, ainsi que quantifier l’intensité de l’aversion à l’incertitude profonde qui pourrait être utilisée directement dans les modèles de prise de décision sous incertitude lors de l’élaboration des politiques climatiques, et (iii) investiguer si le cadre contextuel influe sur les prises de décision sous incertitude.

Le projet s'appuie sur deux observations fondamentales, qui constituent ses principaux moteurs intellectuels:
• Première observation: Choisir parmi les différentes politiques climatiques est essentiellement un exercice de gestion des risques qui doit être effectué dans une situation d'incertitude profonde. Il nécessite une approche robuste, c’est-à-dire qui fonctionne de manière satisfaisante avec un large éventail de distributions possibles des événements aléatoires (ou modèles), qui est moins sensible aux hypothèses initiales, qui est valable pour un large éventail de futurs possibles, et qui conserve les options futures ouvertes.
• Deuxième observation: bien qu'il soit de plus en plus reconnu que les individus manifestent habituellement une aversion face à l'incertitude profonde, son degré d’intensité et son statut constituent toujours encore des questions ouvertes. Si l'on reconnaît que les modèles de décision alternatifs peuvent avoir un meilleur pouvoir explicatif et sont potentiellement capables de fournir de meilleures prédictions et directives dans les situations d'incertitude profonde, il devient essentiel d'avoir une idée plus précise des propriétés sous-jacentes de ces modèles. En particulier, il est important de connaître la valeur des paramètres qui devraient être utilisés pour faire des prédictions et concevoir des politiques environnementales optimales.