Tag: business plan

Contagion étonnement cohérente

 

Je me suis un peu dispersé, dans mon discours de la méthode, en ce qui concerne le marketing de mon projet EneFin. Je voulais simplement comprendre comment est-ce que la plateforme EneFin attirerait ses clients, de parmi tous les clients potentiels sur le marché et paf ! : ça s’est échappé à tout contrôle. Par « ça » je veux dire mes processus cognitifs. Je le sens bien, là, mon bouledogue joyeux interne. Il prend plaisir à mordre dans le problème en tant que tel, même sans solutions concrètes en vue.

Eh ben moi, je vais en avoir besoin, des solutions concrètes. Il faut donc que je mette un peu d’ordre dans tout ça, je veux dire dans le même « ça » que dans le paragraphe précèdent. J’ai formulé trois méthodes de base pour prévoir le nombre des clients de la plateforme EneFin. Premièrement, c’est le modèle classique d’absorption d’innovation où le nombre de mes clients est calculé comme une fraction de la population totale de ménages. La fraction, je la calcule avec la courbe de distribution normale où le temps moyen d’absorption de l’innovation par le ménage moyen est de 7 ans et j’expérimente avec des hypothèses diverses quant au coefficient de variabilité de la population. A ce sujet, dans « Le modèle d’un marché relativement conformiste » ainsi que dans « Safely narrow down the apparent chaos » vous pouvez voir des prédictions que j’avais déjà faites à titre d’échauffement.

Deuxièmement, j’ai ce modèle épidémique, à voir en détail dans « La valeur espérée » où les services de la plateforme EneFinse propagent dans la population des clients comme une contagion. Chaque client acquis en attire deux de plus, donc c’est essentiellement une progression géométrique du type n(t) = 2*n(t-1) + 1, qui s’approche très près d’une courbe exponentielle à la formule n(t) = e0,69*t. Le « t » c’est le temps.

Troisièmement et sous un angle d’approche tout à fait différent, j’avais identifié quelque chose comme un cycle de développement du portefeuille clients dans une entreprise EneFin. Le cycle, il semble être de 3 à 4 ans, il vient de l’observation du cas de la société américaine Square Inc.et vous pouvez lire les détails dans « The expected amount of what can happen ».

Trois methodes de prevoir les ventes

Je pense que je vais appliquer toutes les trois méthodes en concours, puisque chacune d’elles m’offre une perspective différente. Je commence par trouver des repères de base pour la courbe d’absorption de l’innovation. Dans ce cas, le repère de base c’est la taille du marché potentiel. Je conduis ce créneau particulier de recherche sur l’échantillon des 13 pays européens que j’avais déjà mentionné plusieurs fois (regardez, par exemple, « Good hypotheses are simple »). J’utilise les données de la Banque Mondiale en ce qui concerne la populationainsi que celles des Nations Unies à propos de la taille moyenne des ménages. Vous avez les résultats du calcul dans Tableau 1.

Tableau 1

Pays Population 2016 Taille moyenne des ménages (personnes par ménage) Nombre de ménages
Autriche 8 747 358 2,30 3 803 199
Suisse 8 372 098 2,20 3 805 499
République Tchèque 10 561 633 2,30 4 592 014
Allemagne 82 667 685 2,10 39 365 564
Espagne 46 443 959 2,60 17 863 061
Estonie 1 316 481 2,30 572 383
Finlande 5 495 096 2,10 2 616 712
France 66 896 109 2,30 29 085 265
Royaume Uni 65 637 239 2,30 28 537 930
Hollande 17 018 408 2,30 7 399 308
Norvège 5 232 929 2,20 2 378 604
Pologne 37 948 016 2,80 13 552 863
Portugal 10 324 611 2,60 3 971 004
Total 366 661 622 2,35 (moyenne pondérée) 156 265 895

Alors, juste pour me faire une idée, je prends les taux d’absorption calculés dans « Safely narrow down the apparent chaos » et je les applique à ces populations, pour calculer le nombre des ménages qui pourraient, hypothétiquement, être les clients de la plateforme EneFin. Les résultat de ce calcul particulier, vous pouvez le trouver dans un fichier Excel que j’ai placé dans les archives de mon blog. La disparité des nombres que je trouve ainsi est énorme. Dans le cas du Royaume Uni, par exemple, ça va de 0,22 client dans une population extrêmement homogène, variabilité v = Ω/µ = 0,1, jusqu’à 3 790 302,83 clients dans la population qui semble, en général, la plus accueillante, celle dotée de la variabilité v = Ω/µ = 0,8.

Maintenant, quoi ? Tout d’abord, la compréhension de ces nombres. Ils représentent le nombre hypothétique des clients que la plateforme EneFinpourrait attirer en l’espace des 36 mois à travers le mécanisme d’absorption d’innovation, un classique de la littérature du sujet (encore une fois, regardez du côté de chez Robertson). C’est un mécanisme où on adopte l’approche strictement structurelle. On en sait que dalle sur la façon exacte dont le nouveau business attire ses clients, on s’en fiche des compétiteurs, et on se concentre sur la courbe normale marquée par un temps d’absorption moyen µ et une déviation standard Ω, cette dernière étant calculée sur la base d’hypothèses à propos de la homogénéité / hétérogénéité relative de la population en question. Vous connaissez ces machines à sous (pièges à cons ?) où vous pouvez manipuler une pince pour tirer un jouet en peluche de parmi tout un tas des jouets similaires ? Eh bien, cette approche strictement structurelle c’est un peu ça. On imagine une pince socio-économique qui sélectionne des entités précises pour qu’elles joignent le portefeuille des clients du business donné.

Sonne un peu comme science-fiction ? Tout à fait. C’est la raison pour laquelle, tout en gardant le respect dû à une méthode solide, il vaut mieux approfondir la compréhension des clients et de leur comportement. Le comportement, ça me renvoie à la méthode épidémique. Je prends donc cette fonction exponentielle n(t) = e0,69*tavec « t » représentant une période de temps. Cet exponentiel représente, à son tour, une contagion modérément folle, où à partir du client zéro, chaque client acquis attire, durant une période de temps « t », deux autres clients. C’est du n(t) = 2*n(t-1) + 1, quoi.

Lorsque j’y pense, à cette épidémie modérément agressive, c’est pas si bête que ça. Le truc, c’est de bien définir le « t ». C’est un cycle de modification comportementale. Je suis un ménage innocent. L’un de mes voisins contracte le virus EneFin. Combien de temps vais-je résister à ce monstre ? Quelle réponse immunologique je vais développer ? Tout ça, c’est un truc passionnant en soi, cette modification des comportements. J’y avais consacré toute une série des mises à jour sur mon blog, en Janvieret en Février, surtout. Vous pouvez y regarder.

Ma question, à présent, est : « Est-ce que les nombres obtenus à travers la courbe normalereflètent un cycle cohérent de modification comportementale du type épidémique ? ». Allons voir. Je prends donc ce fichier Excelet je commence mon raisonnement en posant l’hypothèse que ce nombre précis, il pourrait refléter le « n » obtenu à travers exponentielle n(t) = e0,69*t.  Je fais le calcul suivant : je tire le logarithme naturel de chacun de ces nombres et je le divise par 0,69. De cette façon je fais cracher le « t » à ce n(t) = e0,69*t. Allez-y, si vous avez téléchargé ce fichier Excel, vous pouvez faire de même. Si le nombre local des clients est, hypothétiquement, le résultat de croissance épidémiquen(t) = e0,69*t , alors ln(n)/0,69 = t = le nombre des périodes de tempsdistinctes qui pourraient produire le résultat épidémique égal à « n » obtenu à travers la courbe normale.

Avant de discuter les résultats de ce petit calcul, une digression. Sans la colonne intitulée « variability 0,1 » de ce fichier Excelet, vous trouverez, quel calcul que vous ne fassiez, des nombres aberrants. Dans ce cas précis, le calcul du « t » à travers le logarithme naturel donne des valeurs négatives, donc, en principe, c’est du voyage temporel dans le passé. La colonne « variability 0,1 » représente un cas extrême, une population si homogène, que la déviation standard Ω ne fait que 0,1 de la moyenne µ. De telles situations n’arrivent que très rarement en réalité. Une population comme ça est tellement peu diversifiée qu’il est à peine justifié de l’analyser avec un courbe de distribution normale. Je l’avais inclue dans mes simulations juste pour montrer l’étendue des états possibles. Vous pouvez l’ignorer en toute tranquillité.

Alors, ces « t » locaux. Comme je les calcule, j’obtiens – et c’est une surprise – une rangée des valeurs beaucoup plus homogène que les « n » de départ. Entre t = 10,44au plus court et t = 24,42au plus long, le temps moyen est de µ(t) = 19,44et la déviation standard de ce temps est de Ω(t) = 2,40. En d’autres mots, si le nombre des clients acquis après 36 mois, simulé avec une courbe normale, était le résultant d’une croissance épidémique exponentielle épidémiquen(t) = e0,69*t , alors le temps nécessaire pour obtenir le même « n » à travers ladite croissance épidémique serait de 19,44 périodes distinctes « t » en moyenne, avec très peu de variabilité autour de cette moyenne.

Important : ce « t » est le nombre des périodes de temps distinctes, donc le nombre des cycles de contagionn(t) = 2*n(t-1) + 1. Ce n’est pas le nombre des mois, mais j’y passe, justement. Si mon « n », hypothétiquement obtenu à travers la contagion n(t) = e0,69*t survient après 19,44 périodes en moyenne et le même « n », obtenu à travers l’absorption suivant la courbe normale, devient ce qu’il devient après 36 mois, cela veut dire qu’une période de contagion « t » est de t = 36 / 19,44 = 1,88mois. En généralisant, t = 36 / {ln[n(t)] / 0,69} = (36 * 0,69) / ln[n(t)] = 24,84 / ln[n(t)]. Ainsi généralisé, le « t » rend, à part la moyenne µ(t) = 1,88, un maximum de 3,45 mois et un minimum de 1,47 mois, avec une déviation standard Ω(t) = 0,26.

Je sens que j’ai besoin de résumer. J’avais donc pris treize populations nationales européennes : Autriche, Suisse, République Tchèque, Allemagne, Espagne, Estonie, Finlande, France, Royaume Uni, Hollande, Norvège, Pologne, Portugal. Ça fait dans les 367 millions de personnes, soit quelques 156 millions de ménages. D’autre part, j’avais pris un cycle de changement technologique, très crument observé en ce qui concerne les nouvelles technologies éolienneset je l’ai fixé à 7 ans, ou bien 84 mois. Je me suis dit que ces 7 ans, c’est le temps moyen qu’un ménage moyen a besoin pour absorber une technologie nouvelle. Ensuite, j’ai fait à ces 156 millions des ménages absorber une technologie nouvelle, celle de la plateforme transactionnelle EneFin, avec des hypothèses variées à propos de l’homogénéité relative des ces populations. J’avais obtenu tout un univers des nombres possibles des ménages qu’EneFin aurait des chances d’attirer. Ces nombres disparates, je les ai testées comme des résultats possibles d’une croissance épidémiquen(t) = e0,69*t  où « t » est un cycle de contagion durant lequel chaque client acquis en attire deux autres. Aussi étonnant que ça puisse être, ces nombres très variés, obtenus pour des populations nationales variées avec des assomptions tout ce qu’il y a de cavalier, rendent un cycle de contagion (modification comportementale) remarquablement consistant de t ≈ 2 mois.

Lorsque j’écris « aussi étonnant que ça puisse être », c’est essentiellement de mon propre étonnement que je parle. Ces résultats, c’est l’une de ces occasions quand j’ai l’impression d’être tombé sur la théorie de quelque chose mais je suis à court d’idées en ce qui concerne quelle pourrait bien être cette chose. Je suis 100% sérieux, là. Je ne comprends pas, comment ces nombres calculés avec la courbe normalepeuvent bien rendre un cycle de croissance épidémique aussi cohérent.

Cela veut dire que mon cerveau a besoin de prendre sa distance, là. Je continue à vous fournir de la bonne science, presque neuve, juste un peu cabossée dans le processus de conception. Je vous rappelle que vous pouvez télécharger le business plan du projet BeFund(aussi accessible en version anglaise). Vous pouvez aussi télécharger mon livre intitulé “Capitalism and Political Power”. Je veux utiliser le financement participatif pour me donner une assise financière dans cet effort. Vous pouvez soutenir financièrement ma recherche, selon votre meilleur jugement, à travers mon compte PayPal. Vous pouvez aussi vous enregistrer comme mon patron sur mon compte Patreon. Si vous en faites ainsi, je vous serai reconnaissant pour m’indiquer deux trucs importants : quel genre de récompense attendez-vous en échange du patronage et quelles étapes souhaitiez-vous voir dans mon travail ?

Vous pouvez donner votre support financier à ce blog

€10.00

 

The expected amount of what can happen

 

I am working on that customer forecast thing for my EneFinproject. I want to hit as accurate a forecast, regarding the volume and value of sales, as well as the number of customers, as possible. In my last three updates – Le modèle d’un marché relativement conformiste, Safely narrow down the apparent chaos, and La valeur espérée– I sort of kept turning around that forecast, testing and discussing various angles of approach. So far, I have been sticking to one, central, and somehow an implicit assumption, namely that the EneFinproject – that transactional platform for trading complex contracts, combining futures on energy with participatory deeds – will tap into patterns observable in the market of energy. Still, EneFinis essentially a FinTech concept, which just explores those large disparities between the retail prices of electricity in Europe. Essentially, the concept is applicable in any market with noticeable variance in prices, at the same tier of the value chain. Thus, I could look for good patterns and assumptions in the market of financial services, even very straightforwardly in the FinTech sector.

Good, time to work up to the desired synaptic tension. I open up calmly, with the financial results of Square Inc., a big, US – based FinTech company. I am rummaging in their SEC filings, and more specifically in their 10-K annual report for 2017. I am spotting that nice history of revenues, which I present here below, first as a table with values given in millions of dollars, then as two consecutive graphs, just to give you an idea of proportions.

 

Table 1

  Revenue of Square Inc., USD mln
Year Transaction-based revenue Subscription-based revenue Hardware revenue Total net revenue
2013  433,74  –  4,24  552,43
2014  707,80  12,05  7,32  850,19
2015  1 050,45  58,01  16,38  1 267,12
2016  1 456,16  129,35  44,31  1 708,72
2017  1 920,17  252,66  41,42  2 214,25

 

Graph 1

Square Inc Revenue 2017

 

Graph 2

Square Inc Revenue 2013 2017

The revenues of Square Inc., in terms of sheer size, are a bit out of reach for any startup in the FinTech industry. What I am interested in are mostly proportions. Here, in this update, I am going to apply one particular path of thinking to studying those sizes and proportions. Mind you: this is basic science in action. ‘Basic’ means that I take the very basic analytical tools of logic and mathematics, and I am sort of counting my way through that data. In educational terms it is good example of how you can use the most fundamental logical structures you have in your personal toolbox and invent a method of discovering reality.

And so I discover. I start with the category ‘Subscription-based revenue’, as it looks very much like a startup inside an established business, i.e. it starts from scratch. Intrapreneurship, it is called, I believe. My goal is to find benchmarks for my EneFinproject, and, more specifically, to form some understanding about the way a FinTech project can build its customer base. The specific history of subscription-based revenue with Square Inc. is a process I want to squeeze as much information out as possible. So I start squeezing. A process is an account of happening. It is like a space made of phenomena, carved out of a larger space where, where, technically, anyone can do anything. I take each year of that time series, from 2013 through 2017, as a space, and in a space, distance matters. So I measure distances, the Euclidean ones. In a unidimensional space, as it is the case here, the Euclidean distancebetween two points is very much akin local deviation. I subtract the value at point B from the value at point A, and, just to be sure of getting rid of that impertinent minus that could possibly poke its head out of the computation, I take the so-obtained difference to its square power, so I do (A – B)2, just to take a square root of that square power immediately afterwards: [(A – B)2]1/2.

The logic of the Euclidean distance is basically made for planes, i.e. for two-dimensional spaces. In that natural environment of its own, the Euclidean distance looks very much the I-hope-really-familiar-to-you Pythagorean theorem. C’mon, you know that: a2+ b2= c2, in a right triangle. Now, if you place your right triangle in a manifold with numerical coordinates, your line segments a,b, and cbecome like a = x2– x1, b = y2– y1, and c = [(x2– x1)2+ (y2– y1)2]1/2. If you have more than two dimensions, i.e. when your space truly becomes a space, you need to reduce them down to two dimensions, precisely by taking those multiple dimensions two by two and converting the complex coordinates of a point into Euclidean distances. Complicated? I hope so, honestly. If it wasn’t, I couldn’t play the smart guy here.

Right, my Square Inc. case study. I am coming back to it. I take that history of growing revenues in the ‘Subscription-based’ category and I consider it as a specific, local unfolding of events in a space. I calculate distances, in millions of dollars, in between each pair of years.  I take the value of revenues in a given year and I subtract it from the value of revenues in any given other year. I treat the so-obtained difference with that anti-minus, square-root-of-square-power therapy. The picture below summarizes that part of the analytical process, and Table 2, further below the picture, gives the numerical results, i.e. the Euclidean distances in between each given pair of years, in millions of dollars in revenue, and corrected for the temporal distance in that given pair of years.

Square Euclidean Subscription Revenue

 

Table 2

Euclidean distance in subscription-based revenues, USD mln over time between years
2013 2014 2015 2016 2017
2013 – 12,09 58,05 129,39 252,70
2014 12,09 – 45,98 117,32 240,64
2015 58,05 45,98 – 71,35 194,66
2016 129,39 117,32 71,35 – 123,32
2017 252,70 240,64 194,66 123,32 –

 

Now, as we have those results, what’s the next step? The next step consists in a bit of intellectual gymnastics. Those Euclidean distances in Table 2, they are happenings. They reflect the amount of sales that happened in between those pairs of years. Each year is a checkpoint: those revenues are measured at the end – or, more exactly, after the closure – of the fiscal year. Between 2014 and 2015, there are 365 days of temporal distance etc.

We have a set of happenings. What is the kind of happening that we can expect the most to happen? Answer: the average. Yes, the average. Why the average? Because the average is the expected value in a set of numerical observations. You can go back to Safely narrow down the apparent chaos if you need to refresh your background. This is the theorem of de Moivre – Laplace: the expected value in a set is the average. I am just reverting the order of ideas. I claim that the average is the expected value.

The average from Table 2 is $124,5 mln. This is the expected amount of what can happen, in one year, to the revenues of Square Inc. from subscription-based sales. It serves me to denominate the actual revenues as reported in Table 1. By denominating, I mean taking the actual, subscription-based revenue from each year, and dividing it by that average Euclidean distance. You can see the result in the picture below. Some kind of cycle seems to emerge: this particular branch of business at Square Inc. needed like 4 years to exceed the expected amount of what can happen in one year, namely the average Euclidean distance.

Square Euclidean Subscription Revenue_2

A good scientist checks his facts. Firstly, it is in order to make sure they are his facts. Sometimes, quite embarrassingly, they turn out to be somebody else’s facts, and that creates awkward situations when it comes to sharing the merit, and the cash, coming with a Nobel award. Secondly, checking facts broadens one’s intellectual horizons, although it might hurt a bit. So I am checking my facts. Good scientist, check!

I repeat the same computational procedure with the two remaining categories of revenues at Square Inc: the transaction-based ones, and those coming from the sales of hardware. Still, what I do is almost the same computational procedure. The ‘almost’ part regards the fact that those two other fields of business had non-null revenues in 2013, when the publicly disclosed financial reporting starts. Subscription-based revenues started from the literal scratch, and those two other had already something in their respective belts in 2013. In order to make my calculations mutually comparable, I need to transform the time series of transaction-based, and hardware-based revenues so as they look as starting from nearly nothing.

This is simple. You want to make people look as if they were starting from scratch? Just take their money from them. Usually works, this one. This is what I do. I take $433,73 mln from each year of transaction-based sales, and $4,23 mln with respect to each year of hardware-based revenues. Instantaneously, both look younger, and, as soon as they do, I make them do the same gymnastics. Bet Eucliean, one! Compute the expected Euclidean, two! Divide reality by the expected Euclidean, three!

Seems to work. In those two other categories of revenues, I can observe slightly shorter a cycle of achieving the expected amount of happening, like 3+ years. Useful for that business plan of mine, for the EneFinproject.

You can see the general drift of those calculations in the pictures and tables that follow below. Now, one thing is to keep in mind. What I am doing here is having fun with science, just as we can have fun with painting, photography, sport or travel: you take some simple tools, and you just see what happens when you use them the way you think could be interesting. This is probably the strongest message I want to deliver in that entire scientific blog of mine: it is fun to have fun with science.

Square Inc transformation of revenue

 

Table 3

Euclidean distance in transaction-based revenue, USD mln over time between years
2013 2014 2015 2016 2017
2013 – 274,06 616,71 1 022,43 1 486,44
2014 274,06 – 342,65 748,36 1 212,38
2015 616,71 342,65 – 405,72 869,73
2016 1 022,43 748,36 405,72 – 464,02
2017 1 486,44 1 212,38 869,73 464,02 –

 

 

Table 4

Euclidean distance in hardware-based revenues, USD mln over time between years
2013 2014 2015 2016 2017
2013 – 12,09 58,05 129,39 252,70
2014 3,24 – 45,98 117,32 240,64
2015 12,30 9,11 – 71,35 194,66
2016 40,18 37,04 27,95 – 123,32
2017 37,39 34,22 25,12 3,06 –

Square Euclidean Transaction Revenue

Square Euclidean Hardware Revenue

 

I am consistently delivering good, almost new science to my readers, and love doing it, and I am working on crowdfunding this activity of mine. As we talk business plans, I remind you that you can download, from the library of my blog, the business plan I prepared for my semi-scientific project Befund  (and you can access the French versionas well). You can also get a free e-copy of my book ‘Capitalism and Political Power’ You can support my research by donating directly, any amount you consider appropriate, to my PayPal account. You can also consider going to my Patreon pageand become my patron. If you decide so, I will be grateful for suggesting me two things that Patreon suggests me to suggest you. Firstly, what kind of reward would you expect in exchange of supporting me? Secondly, what kind of phases would you like to see in the development of my research, and of the corresponding educational tools?

Support this blog

€10.00

 

 

La valeur espérée

Dans ma dernière mise à jour en anglais – Safely narrow down the apparent chaos– j’avais fait un pas en avant (enfin, j’espère) dans l’estimation du nombre des clients que je pourrais faire dans mon projet EneFin. Je me suis dit que ça ne serait peut-être pas entièrement idiot d’aller un peu en profondeur et expliquer toute cette idée de prédire le nombre des clients en s’aidant de la distribution normale.

Voilà le problème de départ : comment prédire une quantité future et incertaine ? Lorsque nous voulons prédire le nombre ou la taille de quoi que ce soit, serait-ce le nombre des billets vendus pour un concert ou la quantité de matériel rocheux éjecté dans l’éruption d’un volcan, vous avons deux voies – mutuellement alternatives mais pas mutuellement exclusives – à suivre : la méthode épidémique ou bien la méthode de changement structurel.

Dans la méthode épidémique, je me concentre sur le nombre (ou la taille) de départ et je me demande comment ce numéraire initial peut possiblement croître. Lorsque j’applique cette logique au nombre des clients potentiels, je peux utiliser ce qu’on appelle la théorie de l’épidémie : l’attraction des clients consécutifs est étudiée comme la propagation d’un pathogène. Ça commence avec le patient zéro – mon premier client – qui contacte (contamine) ses potes et ses cousins et certains parmi eux deviennent mes clients. Ceux-là, à leur tour, contaminent d’autres et ainsi ça se développe, par contamination.

Si je veux modeler me développement de mon portefeuille des clients comme une contamination épidémique, j’ai besoin des assomptions initiales en ce qui concerne la contamination strictement dite. Il faut quelque sorte de contact pour rendre possible la transmission. En d’autres mots, il faut que je raconte une histoire plausible à propos des relations sociales entre mes clients potentiels et de la façon dont ils se transmettent mutuellement des schémas de comportement. Mathématiquement, j’ai deux outils de base pour modeler l’effet agrégé de cette transmission des schémas de comportement: le premier c’est la fonction factorielleou bien sa cousine, la fonction gamma, le deuxième c’est la fonction exponentielle.

Dans la méthode de changement structurel, je change d’optique et au départ je me concentre sur la population totale des toutes les entités qui peuvent potentiellement devenir mes clients. Je définis donc un marché potentiel total et ensuite je me demande comment je vais développer mon portefeuille clients à l’intérieur de cet univers. Je perçois l’ensemble de mes clients comme un sous-ensemble d’une population plus large. Comme certains membres de cette population totale graviteront vers mon offre, la proportion entre mon portefeuille clients et cette population totale changera. Dans cette approche, ma prédiction se concentre plus sur le pourcentage que mes clients vont représenter dans la population totale que sur leur nombre absolu. Côté maths, c’est le bon moment pour sortir de mon sac des outils comme la distribution normale, ou bien celle de Poisson, ou encore celle de Weibulletc.

Epidemie et changement structurel

 

Maintenant, vous pouvez légitimement demander laquelle de ces deux méthodes – épidémique et structurelle – est la meilleure des deux et si on peut possiblement les mélanger. A mon avis, la méthode structurelle est la meilleure des deux en général. Elle est à la fois plus rationnelle, plus intuitive, plus simple et mieux instrumentée mathématiquement. Encore, pour avoir une idée vraiment précise et un modèle analytique vraiment solide, il est bon d’ajouter une pincée de la méthode épidémique.

Je commence par expliquer l’aspect rationnel. Peut-être vous vous souvenez de ces épisodes d’enfance lorsque vous mesuriez votre taille en faisant des marques sur le châssis dormant d’une porte. Vous pouviez observer la progression directement – « je suis plus grand(e) qu’il y a deux mois » – et vous aviez une idée vague de la taille finale que vous pourriez probablement atteindre. Vous observiez les adultes autour de vous et vous vous disiez qu’un jour, vous serez aussi grand(e) qu’eux. Vous perceviez votre propre taille en proportion à la taille-cible des adultes. A un niveau plus général et plus profond, c’est comme ça que marche la réalité : comme des structures entremêlées. Tout ce qui existe est une structure à l’intérieur d’une structure plus vaste et en même temps contient des structures plus locales à l’intérieur de soi-même. La méthode structurelle est fondamentalement en phase avec la façon dont notre cerveau rationnalise notre expérience de la réalité.

Encore, si vous étiez un gosse bien curieux – moi j’étais une vraie peste à cet égard, je tuais les adultes avec mes questions – vous voulez comprendre comment ça se fait que la marque de votre taille, sur le châssis de la porte, et plus haut que celle d’il y a deux mois. Alors voilà que vous prenez connaissance de toute l’histoire des cellules qui se multiplient. Vous passez de l’approche structurelle à la théorie de l’épidémie. Toute croissance de matière organique peut être étudiée comme une épidémie, celle d’un certain code génétique. Voilà la bonne place pour la méthode épidémique : comprendre ces petites interactions locales dans des petites structures locales.

Dans la prédiction du nombre futurs de mes clients, dans un business plan, la méthode structurelle commence avec des assomptions bien vérifiables empiriquement. La taille de mon marché potentiel entier, je peux la mesurer – ou bien faire des assomptions solides à ce sujet – sur la base des données économiques accessibles : démographie, consommation ménagère, investissement entrepreneurial etc. Tout ça, ce sont des repères bien distincts et ce qui est même plus important, intersubjectifs. Vous allez chez INSEE, chez Eurostat, ou bien chez la Banque Mondiale, et vous avez ces données de départ. C’est comme si vous aviez la carte essentielle d’un territoire : ça rassure.

Ensuite, lorsque je passe en revue – tout à fait subjectivement, je l’admets – les outils mathématiques dont je dispose pour prédire le nombre de mes clients, les structurels sont beaucoup plus simples à utiliser que les épidémiques. En fait, je pense qu’il est utile d’étudier la différence en peu plus en profondeur. Je retourne donc à mon concept EneFin(regardez du côté de Le modèle d’un marché relativement conformistepour vous rafraichir la mémoire) et je me dis : « OK, j’ai donc le premier client : la première personne qui a acheté au moins un contrat complexe via EneFin. Qu’est-ce qui se passe ensuite ? ».

L’épidémie d’abord. Mon premier client convainc deux autres. Ça fait 1 plus la factorielle de deux, donc dans ce deuxième moment de mon histoire j’ai 1 + 2 ! = 1 + 1 * 2 = 1 + 2 = 3 clients. Ces deux autres font de même, donc chacun d’eux convainc deux suivants, ce qui fait 4 de plus. Par conséquent, dans le troisième moment de mon histoire j’ai 1 + 1 * 2 + 2 * 2 = 7 = 1 + 3 ! clients. Ainsi vient le quatrième moment de l’histoire et des suivants. A chaque fois chacun des clients convaincus jusqu’alors en attire deux autres et j’ai bien sûr mon patient zéro. Au moment « t » j’ai donc le double du nombre des clients gagnés au moment « t – 1 » plus 1. En mathématique commun ça fait n(t) = 2*n(t-1) + 1.

Est-ce que ça se marie avec les factorielles des moments consécutifs ? Pas tout à fait. A partir du moment no. 4, la discorde s’insinue. Prenez le cas du moment no. 8. La chaîne n(t) = 2*n(t-1) + 1donne n(8) = 255clients, mais la factorielle 8 ! ça fait 40 321 clients. Comme une légère différence. Eh ben oui, puisque la factorielle pure et dure ça implique une contamination de plus en plus rapide. Pour avoir 8 ! = 40 321 clients au moment 8, chacun des 7 ! = 5 041 clients déjà attirés préalablement jusqu’au moment 7 devrait attirer 40 321/5 041 = 7,998611387 amis et cousins. Pour avoir le point de départ du moment 7, donc ces 7 ! = 5 041 clients, au moment 6 j’étais obligé d’avoir 6 ! = 721 clients, dont chacun avait convaincu 6,991678225 autres.

Alors voilà que j’ai deux contaminations différentes : une avec la progression n(t) = 2*n(t-1) + 1, l’autre qui file au rythme de n(t) = t ! + 1. Tableau 1 ci-dessous donne une idée de ces deux propagations épidémiques.

Tableau 1 – Comparaison des propagations épidémiques : n(t) = 2*n(t-1) + 1et n(t) = t ! + 1.

  Épidémie n(t) = 2*n(t-1) + 1 Épidémie n(t) = t ! + 1
Moment Nombre total des clients Nombre des clients nouveaux attirés par chaque client existant Nombre total des clients Nombre des clients nouveaux attirés par chaque client existant
1 1 2 2 2
2 3 3 3 1,5
3 7 2,333333333 7 2,333333333
4 15 2,142857143 25 3,571428571
5 31 2,066666667 121 4,84
6 63 2,032258065 721 5,958677686
7 127 2,015873016 5 041 6,991678225
8 255 2,007874016 40 321 7,998611387
9 511 2,003921569 362 881 8,999801592
10 1 023 2,001956947 3 628 801 9,999975198
11 2 047 2,000977517 39 916 801 10,99999724
12 4 095 2,00048852 479 001 601 11,99999972
13 8 191 2,0002442 6 227 020 801 12,99999997
14 16 383 2,000122085 87 178 291 201 14
15 32 767 2,000061039 1 307 674 368 001 15
16 65 535 2,000030519 20 922 789 888 001 16

 

A première vue, la progression purement factorielle n(t) = t ! + 1c’est un peu fou. Ça pourrait servir à simuler, par exemple, le nombre des transactions dans une fonctionnalité FinTech, mais pas le nombre des clients. La propagation géométrique n(t) = 2*n(t-1) + 1semble un peu plus réaliste. Elle a aussi un trait mathématique intéressant. Si vous tirez le logarithme naturel du nombre total des clients à chaque moment consécutif et ensuite vous divisez ce logarithme par la valeur du moment – donc par 4 au moment no. 4 etc. – vous arrivez très vite, dès le moment no. 5, à la valeur quasi constante de ln[n(t)/t] ≈ 0,69. En d’autres mots, la propagation épidémique n(t) = 2*n(t-1) + 1est à peu de chose près équivalente à la croissance exponentielle n(t) = e0,69*t. Qu’est-ce que ça prouve ? Eh bien, dans les sciences économiques on assume que si la croissance quantitative d’un phénomène suit la logique de n(t) = e ß*t, avec ßplus ou moins constant, cela représente raisonnablement une hystérèse, donc un développement où chaque pas consécutif détermine le pas suivant d’une façon plus ou moins cohérente.

J’ai donc une hystérèse bien jolie, mais est-elle réaliste ? Puis-je assumer une progression où chaque période consécutive va me permettre de doubler la taille de mon portefeuille clients ? Comment définir cette période de changement du simple au double ? Comment puis-je simuler une situation ou quelques-uns de parmi mes clients attirent, chacun, deux nouveaux pendant que d’autres attirent cinq nouveaux ?

Voilà le moment quand la méthode épidémique, illustrée ci-dessus, devient de plus en plus encombrante avec toutes les assomptions qu’il faut y ajouter. Voilà donc le moment de tourner vers la méthode structurelle. Nous y retournons avec la version française des mêmes schémas graphiques que j’avais déjà présentés dans Safely narrow down the apparent chaos. Je les présente ci-dessous en j’enchaîne ensuite.

Distribution normale de base

 

Distribution normale interpretation

L’application pratique de la distribution normale exige un peu de flexibilité, surtout dans l’interprétation d’un paramètre-clé : la moyenne ou le « µ » dans l’équation. En théorie, la moyenne est la valeur espérée dans un ensemble des données. D’habitude, on l’interprète comme un attribut de la moyenne : dès qu’on la calcule, on peut la considérer comme valeur espérée. Maintenant, je vous propose d’inverser le raisonnement. Prenons une valeur que nous pouvons considérer comme espérée, donc comme, à la fois, ce que nous voulons avoir (espérons), et ce qui est objectivement vérifiable (pour savoir si on a obtenu ce qu’on espérait d’avoir). Dans cet outil de calcul que vous pouvez trouver sur mon blog, le « Business Planning Calculator », une telle valeur est le point mort des ventes, donc le nombre des clients qui nous garantit la couverture de nos frais fixes. On peut prendre le niveau des ventes qui garantit 20% de marge opérationnelle. On peut prendre, comme notre valeur espérée, tout ce qui est : a) désirable b) objectivement mesurable et vérifiable.

Une fois notre valeur espérée identifiée, nous assumons que c’est la moyenne d’une distribution normale. Tout autour de cet état que nous voulons atteindre, il y a des états plus ou moins voisins, qui se composent en une courbe de Gauss. Si nous vérifions la réalité autour de nous, nous découvrirons ces états voisins de la moyenne – par exemple à travers l’étude des cas des business similaires au notre – et ainsi nous pouvons estimer la déviation standard de notre courbe. Voilà, on a les deux paramètres de la distribution normale.

Bon, j’en finis avec la science, pour aujourd’hui. Je continue à vous fournir de la bonne science, presque neuve, juste un peu cabossée dans le processus de conception. Je vous rappelle que vous pouvez télécharger le business plan du projet BeFund(aussi accessible en version anglaise). Vous pouvez aussi télécharger mon livre intitulé “Capitalism and Political Power”. Je veux utiliser le financement participatif pour me donner une assise financière dans cet effort. Vous pouvez soutenir financièrement ma recherche, selon votre meilleur jugement, à travers mon compte PayPal. Vous pouvez aussi vous enregistrer comme mon patron sur mon compte Patreon. Si vous en faites ainsi, je vous serai reconnaissant pour m’indiquer deux trucs importants : quel genre de récompense attendez-vous en échange du patronage et quelles étapes souhaitiez-vous voir dans mon travail ?

Vous pouvez donner votre support financier à ce blog

€10.00

 

Safely narrow down the apparent chaos

There is that thing about me: I like understanding. I represent my internal process of understanding as the interplay of three imaginary entities: the curious ape, the happy bulldog, and the austere monk. The curious ape is the part of me who instinctively reaches for anything new and interesting. The curious ape does basic gauging of that new thing: ‘can kill or hopefully not always?’, ‘edible or unfortunately not without risk?’ etc. When it does not always kill and can be eaten, the happy bulldog is released from its leash. It takes pleasure in rummaging around things, sniffing and digging in the search of adjacent phenomena. Believe me, when my internal happy bulldog starts sniffing around and digging things out, they just pile up. Whenever I study a new topic, the folder I have assigned to it swells like a balloon, with articles, books, reports, websites etc. A moment comes when those piles of adjacent phenomena start needing some order and this is when my internal austere monk steps into the game. His basic tool is the Ockham’s razor, which cuts the obvious from the dubious, and thus, eventually, cuts bullshit off.

In my last update in French, namely in Le modèle d’un marché relativement conformiste, I returned to that business plan for the project EneFin, and the first thing my internal curious ape is gauging right now is the so-called absorption by the market. EneFin is supposed to be an innovative concept, and, as any innovation, it will need to kind of get into the market. It can do so as people in the market will opt for shifting from being just potential users to being the actual ones. In other words, the success of any business depends on a sequence of decisions taken by people who are supposed to be customers.

People are supposed to make decisions regarding my new products or technologies. Decisions have their patterns. I wrote more about this particular issue in an update on this blog, entitled ‘And so I ventured myself into the realm of what people think they can do’, for example. Now, I am interested in the more marketing-oriented, aggregate outcome of those decisions. The commonly used theoretical tool here is the normal distribution(see for example Robertson): we assume that, as customers switch to purchasing that new thing, the population of users grows as a cumulative normal fraction (i.e. fraction based on the normal distribution) of the general population.

As I said, I like understanding. What I want is to really understandthe logic behind simulating aggregate outcomes of customers’ decisions with the help of normal distribution. Right, then let’s do some understanding. Below, I am introducing two graphical presentations of the normal distribution: the first is the ‘official’ one, the second, further below, is my own, uncombed and freshly woken up interpretation.

The normal distribution

 

Normal distribution interpreted

 

So, the logic behind the equation starts biblically: in the beginning, there is chaos. Everyone can do anything. Said chaos occurs in a space, based on the constant e = 2,71828, known as the base of the natural logarithm and reputed to be really handy for studying dynamic processes. This space is ex. Any customer can take any decision in a space made by ‘e’ elevated to the power ‘x’, or the power of the moment. Yes, ‘x’ is a moment, i.e. the moment when we observe the distribution of customers’ decisions.

Chaos gets narrowed down by referring to µ, or the arithmetical average of all the moments studied. This is the expression (x – µ)2or the local variance, observable in the moment x. In order to have an arithmetical average, and have it the same in all the moments ‘x’, we need to close the frame, i.e. to define the set of x’s. Essentially, we are saying to that initial chaos: ‘Look, chaos, it is time to pull yourself together a bit, and so we peg down the set of moments you contain, we draw an average of all those moments, and that average is sort of the point where 50% of you, chaos, is being taken and recognized, and we position every moment xregarding its distance from the average moment µ’.

Thus, the initial chaos ‘e power x’ gets dressed a little, into ‘e power (x – µ)2‘. Still, a dressed chaos is still chaos. Now, there is that old intuition, progressively unfolded by Isaac Newton, Gottfried Wilhelm Leibnizand Abraham de Moivreat the verge of the 17thand 18thcenturies, then grounded by Carl Friedrich Gauss, and Thomas Bayes: chaos is a metaphysical concept born out of insufficient understanding, ‘cause your average reality, babe, has patterns and structures in it.

The way that things structure themselves is most frequently sort of a mainstream fashion, that most events stick to, accompanied by fringe phenomena who want to be remembered as the rebels of their time (right, space-time). The mainstream fashion is observable as an expected value. The big thing about maths is being able to discover by yourself that when you add up all the moments in the apparent chaos, and then you divide the so-obtained sum by the number of moments added, you get a value, which we call arithmetical average, and which actually doesn’t exist in that set of moments, but it sets the mainstream fashion for all the moments in that apparent chaos. Moments tend to stick around the average, whose habitual nickname is ‘µ’.

Once you have the expected value, you can slice your apparent chaos in two, sort of respectively on the right, and on the left of the expected value that doesn’t actually exist. In each of the two slices you can repeat the same operation: add up everything, then divide by the number of items in that everything, and get something expected that doesn’t exist. That second average can have two, alternative properties as for structuring. On the one hand, it can set another mainstream, sort of next door to that first mainstream: moments on one side of the first average tend to cluster and pile up around that second average. Then it means that we have another expected value, and we should split our initial, apparent chaos into two separate chaoses, each with its expected value inside, and study each of them separately. On the other hand, that second average can be sort of insignificant in its power of clustering moments: it is just the average (expected) distance from the first average, and we call it standard deviation, habitually represented with the Greek sigma.

We have the expected distance (i.e. standard deviation) from the expected value in our apparent chaos, and it allows us to call our chaos for further tidying up. We go and slice off some parts of that chaos, which seem not to be really relevant regarding our mainstream. Firstly, we do it by dividing our initial logarithm, being the local variance (x – µ)2, by twice the general variance, or two times sigma power two. We can be even meaner and add a minus sign in front of that divided local variance, and it means that instead of expanding our constant e = 2,71828, into a larger space, we are actually folding it into a smaller space. Thus, we get a space much smaller than the initial ‘e power (x – µ)2‘.

Now, we progressively chip some bits out of that smaller, folded space. We divide it by the standard deviation. I know, technically we multiply it by one divided by standard deviation, but if you are like older than twelve, you can easily understand the equivalence here. Next, we multiply the so-obtained quotient by that funny constant: one divided by the square root of two times π. This constant is 0,39894228 and if my memory is correct is was a big discovery from the part of Carl Friedrich Gauss: in any apparent chaos, you can safely narrow down the number of the realistically possible occurrences to like four tenths of that initial chaos.

After all that chipping we did to our initial, charmingly chaotic ‘e power x‘ space, we get the normal space, or that contained under the curve of normal distribution. This is what the whole theory of probability, and its rich pragmatic cousin, statistics, are about: narrowing down the range of uncertain, future occurrences to a space smaller than ‘anything can happen’. You can do it in many ways, i.e. we have many different statistical distributions. The normal one is like the top dog in that yard, but you can easily experiment with the steps described above and see by yourself what happens. You can kick that Gaussian constant 0,39894228 out of the equation, or you can make it stronger by taking away the square root and just keep two times π in its denominator; you can divide the local variance (x – µ)2just by one time its cousin general variance instead of twice etc. I am persuaded that this is what Carl Friedrich Gaussdid: he kept experimenting with equations until he came up with something practical.

And so am I, I mean I keep experimenting with equations so as to come up with something practical. I am applying all that elaborate philosophy of harnessed chaos to my EneFinthing and to predicting the number of my customers. As I am using normal distribution as my basic, quantitative screwdriver, I start with assuming that however many customers I got, that however many is always a fraction (percentage) of a total population. This is what statistical distributions are meant to yield: a probability, thus a fraction of reality, elegantly expressed as a percentage.

I take a planning horizon of three years, just as I do in the Business Planning Calculator, that analytical tool you can download from a subpage of https://discoversocialsciences.com. In order to make my curves smoother, I represent those three years as 36 months. This is my set of moments ‘x’, ranging from 1 to 36. The expected, average value that does not exist in that range of moments is the average time that a typical potential customer, out there, in the total population, needs to try and buy energy via EneFin. I have no clue, although I have an intuition. In the research on innovative activity in the realm of renewable energies, I have discovered something like a cycle. It is the time needed for the annual number of patent applications to double, with respect to a given technology (wind, photovoltaic etc.). See Time to come to the ad rem, for example, for more details. That cycle seems to be 7 years in Europe and in the United States, whilst it drops down to 3 years in China.

I stick to 7 years, as I am mostly interested, for the moment, in the European market. Seven years equals 7*12 = 84 months. I provisionally choose those 84 months as my average µfor using normal distribution in my forecast. Now, the standard deviation. Once again, no clue, and an intuition. The intuition’s name is ‘coefficient of variability’, which I baptise ßfor the moment. Variability is the coefficient that you get when you divide standard deviation by the mean average value. Another proportion. The greater the ß, the more dispersed is my set of customers into different subsets: lifestyles, cities, neighbourhoods etc. Conversely, the smaller the ß, the more conformist is that population, with relatively more people sailing in the mainstream. I casually assume my variability to be found somewhere in 0,1 ≤ ß ≤ 2, with a step of 0,1. With µ = 84, that makes my Ω (another symbol for sigma, or standard deviation) fall into 0,1*84 ≤ Ω ≤ 2*84 <=> 8,4 ≤ Ω ≤ 168. At ß = 0,1 => Ω = 8,4my customers are boringly similar to each other, whilst at ß = 2 => Ω = 168they are like separate tribes.

In order to make my presentation simpler, I take three checkpoints in time, namely the end of each consecutive year out of the three. Denominated in months, it gives: the 12thmonth, the 24thmonth, and the 36thmonth. I Table 1, below, you can find the results: the percentage of the market I expect to absorb into EneFin, with the average time of behavioural change in my customers pegged at µ = 84, and at various degrees of disparity between individual behavioural changes.

Table 1 Simulation of absorption in the market, with the average time of behavioural change equal to µ = 84 months

Percentage of the market absorbed
Variability of the population Standard deviation with µ = 84 12th month 24 month 36 month
0,1 8,4 8,1944E-18 6,82798E-13 7,65322E-09
0,2 16,8 1,00458E-05 0,02% 0,23%
0,3 25,2 0,18% 0,86% 2,93%
0,4 33,6 1,02% 3,18% 7,22%
0,5 42 2,09% 5,49% 10,56%
0,6 50,4 2,92% 7,01% 12,42%
0,7 58,8 3,42% 7,80% 13,18%
0,8 67,2 3,67% 8,10% 13,28%
0,9 75,6 3,74% 8,09% 13,02%
1 84 3,72% 7,93% 12,58%
1,1 92,4 3,64% 7,67% 12,05%
1,2 100,8 3,53% 7,38% 11,50%
1,3 109,2 3,41% 7,07% 10,95%
1,4 117,6 3,28% 6,76% 10,43%
1,5 126 3,14% 6,46% 9,93%
1,6 134,4 3,02% 6,18% 9,47%
1,7 142,8 2,89% 5,91% 9,03%
1,8 151,2 2,78% 5,66% 8,63%
1,9 159,6 2,67% 5,42% 8,26%
2 168 2,56% 5,20% 7,91%

I think it is enough science for today. That sunlight will not enjoy itself. It needs me to enjoy it. I am consistently delivering good, almost new science to my readers, and love doing it, and I am working on crowdfunding this activity of mine. As we talk business plans, I remind you that you can download, from the library of my blog, the business plan I prepared for my semi-scientific project Befund  (and you can access the French versionas well). You can also get a free e-copy of my book ‘Capitalism and Political Power’ You can support my research by donating directly, any amount you consider appropriate, to my PayPal account. You can also consider going to my Patreon pageand become my patron. If you decide so, I will be grateful for suggesting me two things that Patreon suggests me to suggest you. Firstly, what kind of reward would you expect in exchange of supporting me? Secondly, what kind of phases would you like to see in the development of my research, and of the corresponding educational tools?

Support this blog

€10.00

Le modèle d’un marché relativement conformiste

C’est l’un de ces moments quand beaucoup d’idées se bousculent dans ma tête, et lorsque je dis « bousculent », je veux dire qu’il y a vraiment des coups de coude là-dedans. Dans une situation comme celle-ci, j’ai deux façons de procéder. Tout d’abord, je peux regarder chaque idée séparée de près, énumérer toutes ces idées séparées etc. Bref, je peux être Aristotélicien. Ensuite, je peux considérer la situation présente comme un phénomène, façon Husserl ou Gadamer : ce qui se passe maintenant c’est moi qui pense à tous ces trucs différents, donc le mieux que je puisse faire est de se concentrer sur le phénomène de moi qui pense à tous ces trucs différents.

Ce chemin phénoménologique a un certain charme que je ne manque pas d’apprécier. Néanmoins, il y a un petit piège à éviter dès le début et le piège consiste à se concentrer sur la question « qu’est-ce que je pense ? ». La question qui ouvre vraiment une nouvelle porte c’est « comment est-ce que je pense ? ». Je pense comme si je circulais dans du trafic dense : mon esprit slalome parmi les différents projets et différentes idées qui s’y attachent. Ce slalom, il commence à m’agacer. Quelle est la conclusion ou bien l’observation générale que je peux tirer du travail de recherche que j’ai effectué depuis que j’eus publié le business plan du projet BeFund ? Tout ce travail relatif au projet EneFin, au carrefour de l’industrie FinTech et du marché de l’énergie, comment puis-je le résumer, jusqu’alors ?

Point de vue utilitaire, le travail fait sur ces deux concepts d’entreprise consécutifs – BeFund et EneFin –  m’a fait penser à créer un outil relativement simple de planification, pour pouvoir tester des concepts d’entreprise d’une façon structurée. C’est ainsi que j’ai créé, la semaine dernière, cet outil de calcul et planification pour préparer un business plan. Si vous cliquez ce lien hypertexte que je viens de donner, vous atterrissez sur une sous-page du blog Discover Social Scienceset là, vous pouvez télécharger directement le fichier Excel avec ce que j’appelle, pour le moment, « Business Planning Calculator ».

Point de vue théorie, je viens de découvrir cette connexion étrange entre le nombre d’inventions déposées pour breveter, dans le domaine d’énergies renouvelables, d’une part, et la taille du marché d’énergies renouvelables (consultez, par exemple : Je corrèleainsi que Time to come to the ad rem). Ces corrélations que j’ai découvertes, je ne sais même pas encore comment les appeler, tellement elles sont bizarroïdes. Faute d’une meilleure étiquette scientifique, j’appelle ce phénomène « la banalisation des technologies de génération d’énergies renouvelables ».

C’est ainsi que je suis en train de préparer un business plan pour le projet EneFin(consultez Traps and loopholeset Les séquences, ça me pousse à poser cette sorte des questions) et en même temps j’essaie de développer une interprétation scientifiquement cohérente de ce phénomène de banalisation des technologies. J’espère que ces deux créneaux de travail intellectuel vont se joindre l’un à l’autre. J’ai beau être un passionné de la science, la dissonance cognitive ça me tue parfois, lorsque c’est trop intense.

Bon, fini de geindre. Je me prends au boulot. J’ouvre « Business Planning Calculator » et je fais une copie de ce fichier Excel, spécialement pour le projet EneFin. La première table du calculateur me demande de préciser les produits que je veux vendre. Je m’en tiens aux trois cas de référence que j’avais déjà décrit, de façon sommaire, sur ce blog : la société américaine Square Inc., la société canadienne Katipultainsi que la société allemande FinTech Group AG. EneFin serait une fonctionnalité type Blockchain, dotée de la capacité de créer et de mettre en circulation des contrats intelligents complexes, sous la forme des tokens d’une crypto-monnaie. Chaque contrat serait un produit à part. Vous pouvez trouver un résumé de l’idée dans les illustrations ci-dessous.

 Contrat complexe EneFin

Contrat EneFin 2

Prix du contrat EneFin

Maintenant, il y a un choix stratégique à faireen ce qui concerne le développement et l’appropriation de la technologie. Option A : EneFin se contente d’organiser le marché, tout en utilisant une base technologique externe, par exemple celle d’Ethereum. Option B : EneFin crée sa propre technologie de base, une sorte de kernel (noyau) du système informatique, et développe des fonctionnalités particulières sur la base dudit kernel. Option A s’associe plutôt avec le modèle d’entreprise de Square Inc.et sur la base de ce que je sais à leur sujet (consultez The smaller more and more in FinTechet Plus ou moins les facteurs associés) les économies d’échelle sont cruciales dans ce chemin stratégique et encore, même avec la tout à fait respectable échelle d’opérations chez Square ne garantit pas de succès financier. Option B, en revanche, c’est plutôt le schéma de chez Katipultou bien chez FinTech Group AGet là, les résultats financiers de ceux deux business semblent prometteurs.

Ce que je vais donc faire c’est une boucle d’analyse. Je commence par construire in business plan pour l’Option A, donc pour un concept d’entreprise où mon produit sera le contrat complexe façon EneFin et son prix sera la marge de commission sur chaque transaction. Ceci va me conduire à bâtir un modèle analytique qui simule combien de marge brute le projet va générer en fonction des facteurs primordiaux : des prix d’électricité, de la quantité d’énergie mise en échange à travers EneFin ainsi que de la valeur des titres participatifs associés, du nombre des clients individuels ainsi que du nombre des participants institutionnels.

Une fois ce pas franchi, je passerai à l’estimation des frais fixes d’entreprise et à la décision si la marge transactionnelle, à elle seule, sera la source suffisante de revenu pour dégager une de bénéfice opérationnel d’au moins 20% sur les frais fixes. Si la réponse sera « oui », le business plan pour Option A sera un concept autonome et dans ce cas je développerai Option B comme une extension possible. Dans le cas contraire, donc si la marge brute dégagée sur la commission transactionnelle sera moins que 20% au-dessus des frais fixes, j’incorporerai l’Option B comme partie intégrante du projet et je referai le business plan du début.

Je commence mon analyse en formulant une équation de départ. C’est un réflexe chez les économistes. D’autres gens engagent la conversation avec une blague ou bien par une remarque anodine comme « Ne fait-il pas beau aujourd’hui ? ». Nous, les économistes, on engage avec une équation. La mienne, vous pouvez la voir ci-dessous :

Equation de marge brute EneFin 1

Le truc qui semble être le plus intéressant côté science, dans cette équation, c’est la dernière partie, donc cette fonction f(CME*N)qui transforme une population autrement innocente des consommateurs d’énergie en clients d’EneFin. Cette fonction transforme une consommation agrégée d’énergie en un marché à exploiter. Donc, à priori, j’ai une quantité en kilowatt heures, qui peut se sentir plus confortable en mégawatt ou même en des gigawatt heures, par ailleurs, et cette quantité se transforme en trois facteurs distincts à voir de l’autre côté du signe d’égalité : une quantité des contrats complexes façon EneFin, un prix unitaire pour un contrat et enfin en la marge de commission d’EneFin. Cette dernière, en fait, est aussi un prix, relatif au prix unitaire des contrats. J’ai donc une quantité et deux prix.

Je commence par dériver la quantité Qdes contrats, de l’agrégat CME*Net je commence ce commencement en le représentant la fonction f(CME*N)comme un processus de décision. Dans la population de N clients potentiels, certains vont décider d’acheter leur énergie – ainsi que des titres de participation dans le capital des fournisseurs d’énergie – à travers le système EneFin, d’autres vont s’en abstenir. Les certains qui vont être partants pour EneFin vont se subdiviser en des certains qui décideront d’acheter toute leur énergie à travers EneFin, d’une part, et en des certains qui vont acheter juste une partie de leur énergie par ce moyen. Ces deux sous-ensembles des certains se subdiviseront suivant une séquence temporelle : certains parmi certains vont se décider plutôt vite pendant que d’autres certains parmi des certains vont y aller mollo, à pas de balade.

Decisions des clients EneFin 1

Comme l’eut écrit Milton Friedman, les hypothèses, une fois qu’on s’y prend sérieusement à les formuler, elles débordent. Faut se concentrer sur ce qui est possible à exprimer d’une façon plus ou moins vérifiable. Je décide donc de simuler trois formes possibles de la fonctionf(CME*N). Premièrement, suivant les assomptions déjà classiques de Robertson, je construis une fonction d’absorption d’innovation, où la population des clients d’EneFinse développe comme une fraction croissante de la population totale N, suivant la logique de la distribution normale (Gaussienne). C’est essentiellement le scénario où une fois une personne opte pour EneFin, c’est un choix complet : la personne en question commence à acheter toute leur énergie à travers EneFin. Les deux paramètres de cette fonction sont Gaussiens, donc le temps moyen qu’un client de la population N prend à se décider pour EneFin, ainsi que la déviation standard de ce temps. Deuxièmement, je construis un scénario un peu à l’opposé de ce premier, où les clients sont plutôt réticents et conservatifs et leur comportement peut être représenté avec la distribution de Poisson, appelée parfois « la distribution d’évènements rares ». Là, j’ai besoin de juste un paramètre, c’est-à-dire le temps moyen de décision dans un client typique.

Troisièmement, j’essaie de tirer au milieu, parmi le scénario relativement optimiste de la progression Gaussienne et celui, relativement pessimiste, de la distribution de Poisson. Pour le faire, je retiens la structure logique de la progression Gaussienne, mais je change légèrement les assomptions en ce qui concerne les décisions individuelles. Au lieu d’assumer qu’une fois qu’un consommateur se décide d’utiliser EneFin, il ou elle achète toute son énergie à travers ce système, j’assume des achats partiels. Cette fois, tout consommateur peut acheter des pourcentages variables de leur consommation individuelle d’énergie sur EneFin. Mathématiquement, cela veut dire que je retiens la distribution normale comme fonction de base mais je change l’ensemble de définition, ou, si vous voulez, l’ensemble des abscisses « x » de ma fonction : je remplace l’ensemble Ndes clients par l’ensemble des kilowatt heures consommées, donc par CME*N. Comme c’est du Gaussien, j’ai les mêmes paramètres que dans mon premier scénario : le temps moyen d’absorption d’une kilowatt heure moyenne et la déviation standard de cette moyenne.

La grande question, avec ces simulations, est comment établir la valeur des paramètres. Je pense à utiliser ce que j’avais découvert à propos de la dynamique des technologies éoliennes, en particulier celles des turbines à l’axe vertical (consultez Je corrèleet Time to come to the ad rem). Apparemment, en phase d’expansion de cette technologie, le nombre des demandes de brevet qui y correspondent doublait en 7 ans en Europe et aux États-Unis, et ça prenait 3 ans en Chine. Là, je suis en train d’avancer à tâtons, mais je besoin d’un point d’attache raisonnable. Je prends ces 7 ans comme temps moyen d’un cycle technologique qui survient dans le domaine des énergies renouvelables et je le transpose dans mes trois fonctions d’absorption.

J’ai donc un horizon de planification de trois ans, dans mon « Business Planning Calculator ». Je transforme ça en mois, pour étirer mon ensemble de définition, donc j’ai 36 mois. J’ai u cycle d’absorption de 7 ans = 7*12 = 84 mois. J’assume que la fonction Gaussienne de base serait une fonction standard, où la déviation standard est égale à la moyenne. Je teste rapidement si ça tient débout, tout ça. Eh bien, ça tient, mais en partie seulement : la fonction Gaussienne marche comme outil de prédiction avec ces assomptions, mais la distribution de Poisson rend, sur ces 3 années de planification, des pourcentages indéfiniment petits du marché : 0,000000288% après trois ans. Je comprends maintenant pourquoi Robertson avait opté pour la distribution normale.

Je dis donc au revoir à Poisson, j’en reste à la distribution de Gauss, et cela veut dire que je retiens les scénarios 1 et 2, donc une migration progressive des clients vers EneFin, soit selon le modèle « tout ou rien » (scénario 1) ou bien selon la philosophie de mettre ses œufs dans des paniers différents et voir ce qui se passe (scénario 2). Je commence à jouer avec les paramètres. J’ai déjà calculé le pourcentage du marché possible à absorber dans la distribution Gaussienne standard où la déviation standard est égale à la moyenne. Je formule deux autres hypothèses pour voir la différence. D’une part, je simule le comportement d’un marché plutôt conformiste, où la grande majorité des clients est près de la moyenne, donc la déviation standard est égale à la moitié de ladite moyenne. D’autre part, j’imagine une population très diversifiée en termes des schémas de comportement, avec les ailes de la courbe de Gauss relativement étirées, donc où la déviation standard est égale à deux fois la moyenne.

Vous pouvez voir les résultats de ces tests dans Tableau 1, ci-dessous. Il me semble que les pourcentages dans les colonnes des côtés (distribution standard et la distribution dispersée) sont trop élevés pour être réalistes. En revanche, ceux dans la colonne du milieu semblent plus proches de la vie réelle. Je retiens donc le modèle d’un marché relativement conformiste et je vais jouer encore avec les paramètres pour étudier la sensitivité de mon modèle de marketing au choix des assomptions.

Tableau 1

  Pourcentage du marché absorbé dans la plateforme EneFin
  Absorption Gaussienne standard ; déviation standard = la moyenne Absorption Gaussienne conformiste ; déviations standard = 0,5 de la moyenne Absorption Gaussienne conformiste ; déviations standard = 2 fois la moyenne
Fin de l’année 1 19,6% 4,3% 33,4%
Fin de l’année 2 23,8% 7,7% 36,0%
Fin de l’année 3 28,4% 12,7% 38,8%

Je continue à vous fournir de la bonne science, presque neuve, juste un peu cabossée dans le processus de conception. Je vous rappelle que vous pouvez télécharger le business plan du projet BeFund(aussi accessible en version anglaise). Vous pouvez aussi télécharger mon livre intitulé “Capitalism and Political Power”. Je veux utiliser le financement participatif pour me donner une assise financière dans cet effort. Vous pouvez soutenir financièrement ma recherche, selon votre meilleur jugement, à travers mon compte PayPal. Vous pouvez aussi vous enregistrer comme mon patron sur mon compte Patreon. Si vous en faites ainsi, je vous serai reconnaissant pour m’indiquer deux trucs importants : quel genre de récompense attendez-vous en échange du patronage et quelles étapes souhaitiez-vous voir dans mon travail ?

 

Vous pouvez donner votre support financier à ce blog

€10.00

Les gains associés

 

Mon éditorial via You Tube

J’ai décidé d’utiliser mon blog pour documenter mon travail entier de recherche et pas uniquement la préparation du business plan pour le projet EneFin. Ça fait trois projets au total ; à part le concept d’entreprise vous connaissez déjà, donc EneFin, je suis en train de préparer un autre business plan, pour un concept de startup développé par mon ancien étudiant dans le marché des services médicaux ; le troisième truc c’est un livre sur le secteur FinTech. Vous trouverez une description de ces trois directions de travail dans ma dernière mise à jour en anglais : Crossbreeds, once they survive the crossbreeding process.

En ce qui concerne le projet EneFin et le marché d’énergie, je suis en train de revoir mes sources d’information. Je me suis intéressé à deux articles quelque peu couverts de poussière – puisqu’ils datent de 1999 : Transmission Rights and Market Power on Electric Power Networks I: Financial Rightspar Paul Joskow et Jean Tirole suivi par Transmission Rights and Market Power on Electric Power Networks II: Physical Rightsdes mêmes auteurs. La raison pour laquelle je veux les étudier à fond est le fait qu’ils reflètent un aspect important du marché de l’énergie : les mécanismes que je propose dans le cadre du concept EneFinpour le marché de détail marchent depuis longtemps dans le marché de gros. Ledit marché de gros fonctionne, de façon routinière, comme tout autre marché, à un rythme réglé part des équilibres locaux entre l’offre et la demande, avec l’utilisation de toute une gamme des produits financiers et en présence d’une forte régulation légale. Les contrats long-terme s’y entremêlent avec des transactions ponctuelles du type spot. Par comparaison, les contrats long-terme que nous, les particuliers, signons avec nos fournisseurs directs d’électricité ont l’air, en fait, une relique dont la seule raison de demeurer toujours en place semble être une vague appréhension vis à vis de ce qui pourrait se passer si on s’en passait.

Je commence donc par une courte introduction en la matière desdits « transmission rights » ou « droits de transmission ». Je commence par une évidence : personne ne peut signer ses électrons. Une centrale électrique charge dans le réseau de transmission 10 MWh et ces 10 mégawatt heures ont un prix de gros. Quelqu’un doit payer ce prix, avec une marge de détail, à la fin de la chaîne de distribution. Ce quelqu’un c’est nous, les consommateurs finaux, qui, de notre côté, n’avons aucun moyen de savoir d’où est-ce qu’ils viennent exactement, ces électrons que nous mettons dans le compresseur de notre frigo ou bien dans le moteur de notre machine à laver. A la rigueur, avec beaucoup de mesurage dans le réseau, il est possible de calculer la probabilité que la kilowatt heure donnée que je suis en train d’utiliser vient d’une centrale électrique donnée, mais ce calcul ressemble largement à de la physique quantique : ce qu’on a c’est seulement une probabilité.

Tout réseau de distribution d’électricité est donc comme un réservoir doté d’un système des valves à l’entrée et à la sortie. Une centrale électrique peut identifier la valve à travers laquelle son énergie entre dans le système (le nœud ou le site de chargement) et – dans une certaine mesure – elle peut identifier la valve de sortie (nœud/site de consommation) et cette identification est possible grâce au système des contrats et d’instruments financiers. « Dans une certaine mesure » veut dire que l’identité exacte du consommateur final est dans le domaine de décision du distributeur local d’énergie, qui est en charge du réseau local de moyenne et de basse tension. Un nœud de consommation d’énergie est donc le point exact dans le réseau de distribution ou l’électricité distribuée en haute tension est transformée en moyenne ou basse tension et « transmise » au distributeur local. Un nœud de consommation est aussi un point de facturation.

Là-dessous, vous pouvez voir une présentation graphique de la structure du réseau de transmission d’énergie, qui, à son tour, fait l’ossature du marché. Plus loin en-dessous vous trouverez l’équation de revenu gagné par une centrale électrique comme fournisseur primaire d’électricité.

La structure du réseau

 La structure du réseau

 

L’équation de revenu de la centrale électrique

 Revenu de la centrale electrique

Dans ce cadre général, différents points de facturation peuvent enregistrer des prix substantiellement différents. L’échelle de cette disparité dépend du pays et, dans une grande mesure, de l’heure de facturation. Le marché d’électricité s’étend sur 8760 heures dans l’année (8784 si c’est une bissextile) et chacune d’elles peut s’associer avec un prix différent.  Un fournisseur primaire d’électricité (une centrale électrique) peut acheter des contrats à terme (instruments financiers dérivés) qui sont déjà pré-facturés à un prix défini pour un nœud de consommation précis et une heure précise. C’est comme si ce fournisseur primaire s’achetait une facturation en avance. Ces contrats à terme sont précisément appelés « droits de transmission », puisqu’ils simulent, sur le plan légal et financier, une situation où un fournisseur primaire d’énergie acquiert une garantie que son énergie sera vendue et facturée comme si elle était consommée à un nœud précis du réseau et à un moment précis.

Les deux articles que je suis en train de passer en revue – Transmission Rights and Market Power on Electric Power Networks I: Financial Rightset Transmission Rights and Market Power on Electric Power Networks II: Physical Rights– signés Paul Joskow et Jean Tirole développent une théorie de fonctionnement du marché d’électricité dans le contexte des droits de transmission. A l’époque quand ces deux articles étaient écrits, en 1999, les droits de transmission étaient parmi les rares instruments financiers typiquement « spot » (c’est à dire correspondants aux transactions ponctuelles sans appui direct dans des contrats long-terme) appliqués dans le marché de gros en électricité. Étudier le fonctionnement des droits de transmission était un excellent prétexte pour étudier la libéralisation du marché d’énergie au sens large.

Je me suis intéressé à ces deux articles pour deux raisons : auteurs et conclusions. Quant aux auteurs, le nom de Paul Joskow en ce qui concerne le marché d’énergie est un peu comme celui de Paul Krugman dans la géographie économique. Même si je décidais de le contourner, ce serait à mes propres risques et périls. Quant à Jean Tirole, je respecte profondément son acquis scientifique et ce prix Nobel en économie qu’il avait reçu en 2014 était vraiment bien justifié. La conclusion générale de la part de ces deux auteurs est pratiquement à l’opposé de ce que moi je soutiens au sujet de mon concept EneFin. Pendant que moi, je prétends que l’introduction d’un système basé sur les contrats à terme, dans le marché de détail en énergie, peut favoriser le développement des petits fournisseurs locaux et des petites installations locales basées sur les énergies renouvelables, Paul Joskow et Jean Tirole disent quelque chose de diamétralement opposé : les contrats à terme qui parient sur les prix futurs, ça favorise les gros joueurs et fait du mal au pouvoir d’achat des petits consommateurs.

Oui, je sais, je pourrais les ignorer en prétendant que dans le marché de l’énergie, avec tous les changements observés, 1999 c’était à peine après l’invention de la roue et les thèses de l’époque ne tiennent plus débout. Seulement, je sais par expérience qu’ignorer délibérément un point de vue particulier provoque à faire de même pour un autre point de vue particulier, et ces points de vue particuliers et délibérément ignorés ont tendance à s’accumuler. Il y a un point critique dans cette accumulation du savoir passé sous silence, où l’ignorance ciblée et délibérée se transforme en une ignorance générale et involontaire.

Je veux donc bien comprendre le point de vue de Paul Joskow et Jean Tirole, juste l’histoire de ne pas être con. Alors, leur réflexion est présentée en deux étapes : d’abord ils étudient le fonctionnement des droits de transmission tels qu’ils sont, donc comme instruments purement financiers, et ensuite ils font une extrapolation théorique où ces instruments financiers créent des droits physiques d’exploitation vis à vis le réseau de distribution d’énergie. Comme c’est mon habitude, je me concentre le plus sur les assomptions fondamentales du modèle théorique de Joskow – Tirole, et aussitôt je découvre les racines de leurs thèses au propos qui m’intéresse.

Joskow et Tirole assument, très pertinemment si vous voulez mon avis, que les contrats à terme dans le marché d’énergie émergent comme quelque chose de financièrement utile lorsqu’il y a des imperfections économiques marquées dans la distribution géographique de génération primaire d’électricité. Par « imperfections économiques » je comprends quelque chose de très simple : certaines régions accueillent des surplus notables d’énergie produite par rapport à l’énergie consommée pendant que d’autres ont des déficits. Logiquement, les prix les plus intéressants, qui valent la peine d’être garantis par des contrats à terme tels que les droits de transmission, sont ceux pratiqués dans les régions à déficit, où la demande est beaucoup plus élevée que l’offre. Si je suis in fournisseur primaire d’énergie et si je sais qu’il y ait de tels marchés locaux, j’ai deux stratégies long-terme à leur égard : soit j’investis dans les droits de transmission pour exploiter les prix locaux anormalement élevés, soit j’investis dans la construction de capacité génératrice locale. Pratiquer les deux stratégies en parallèle serait illogique, puisque tout investissement en capacité génératrice locale va liquider une grande partie des bénéfices issus des droits de transmission.

Je pense que je comprends. Il y a des situations où la création d’instruments financiers peut aider le flux de capital vers des actifs productifs nouveaux mais il y en a d’autres quand c’est exactement le contraire qui se passe, c’est-à-dire les titres financiers servent à concentrer et immobiliser le capital disponible plutôt qu’à son flux vers des projets nouveaux. La concentration survient lorsque les gains possibles à obtenir de la détention simple des titres financiers sont plus grand que ceux associés avec l’utilisation de ces mêmes ou autres titres pour financer des projets nouveaux.

Je vois donc deux types de contexte pour l’application de la fonctionnalité EneFin, telle que je la vois à présent, assez souple et généraliste (consultez Les séquences, ça me pousse à poser cette sorte des questions). Le contexte à haute mobilité de capital physique est celui où la construction de nouvelle capacité génératrice locale est relativement facile, point de vue technologique et légal (permis de construction et d’exploitation, par exemple). Dans un tel contexte le gain marginal issu du changement technologique réel (nouveaux moulins à vent, nouvelles turbines hydrauliques etc.) a des fortes chances de surpasser celui de la détention des titres financiers en tant que tels. En revanche, lorsque la création des nouvelles installations rencontre des obstacles substantiels – par exemple lorsqu’il est extrêmement difficile d’obtenir un permis d’exploitation pour une turbine hydraulique nouvelle – la mobilité du capital physique décroît significativement et ça peut payer plus d’exploiter de déficits en l’offre d’énergie que de les combler avec de la capacité locale nouvelle.

Bon, je pense que j’ai temporairement pompé ma cervelle à sec. Il me faut la remettre à plein.

Je continue à vous fournir de la bonne science, presque neuve, juste un peu cabossée dans le processus de conception. Je vous rappelle que vous pouvez télécharger le business plan du projet BeFund(aussi accessible en version anglaise). Vous pouvez aussi télécharger mon livre intitulé “Capitalism and Political Power”. Je veux utiliser le financement participatif pour me donner une assise financière dans cet effort. Vous pouvez soutenir financièrement ma recherche, selon votre meilleur jugement, à travers mon compte PayPal. Vous pouvez aussi vous enregistrer comme mon patron sur mon compte Patreon. Si vous en faites ainsi, je vous serai reconnaissant pour m’indiquer deux trucs importants : quel genre de récompense attendez-vous en échange du patronage et quelles étapes souhaitiez-vous voir dans mon travail ?

Crossbreeds, once they survive the crossbreeding process

 

As a bit of a surprise, I presently have two business plans on the board, instead of just one. A former student of mine asked me to mentor a business project he is starting up with his friend. The basic concept is that of an online platform for managing medical visits, and the innovation consists in using the Blockchain technology to create, for each patient using that functionality, a digital, trusted ledger of all their medical documentation, i.e. their medical visits, diagnoses, treatments received etc. all in one set of data, properly secured and available from any place on Earth.

Additionally, an educational project – a book on the FinTech industry accompanied by an educational toolkit – which I am running with a friend of mine, has gained in maturity and we will be giving it a definitive form. All in all, ideas and projects abound, and I decided to use my blog for conveying as accurate an account of my intellectual journey into all of these three realms. From now on, I am doing my best to weave an interesting story of scientific research out of three distinct stories, namely: a) my EneFinproject b) that medical ledger project, which I provisionally name MedUs, and c) the FinTech educationalpackage.

As for the EneFinproject, in my last update in French, namely in Les séquences, ça me pousse à poser cette sorte des questions, I came to the conclusion that the best way of starting with the EneFin concept is to create or to join an existing generalist trading platform, possibly using a cryptocurrency, such as Katipult, and include in its general features some options, which, in turn, are likely to spur the emergence of new suppliers in renewable energies.

A little pill of update for those who didn’t follow that update in French: I used a technique that data scientists frequently use, and which consists in expressing something we want as a sequence of events, actions and decisions. When I did this with the general concept, to be found in Traps and loopholes, I discovered that at least some potential users of the EneFinfunctionality are likely to have and want a bit more choice and freedom of movement in their financial decisions. I came to the (provisional) conclusion that the strictly spoken EneFinscheme, i.e. promoting the development of new suppliers in renewable energies, will sell better when expressed as a set of financial incentives, placed in the environment of an otherwise general, well-running platform of exchange, rather than as a closed system.

Right now, I am working through the issue of contracts and the legal rules that accompany them. I am deconstructing the typical contracts signed for the supply of energy, in order to have a very precise idea of what should the smart, crypto-coined contracts at EneFinlook like. Contracts are about securing a precise pattern of behaviour from the part of the other contracting party. I want to understand thoroughly the patterns of behaviour, those wanted as well as those unwanted ones, in the relation between a supplier of energy and his customers.

The business plan I am preparing form the MedUsconcept, I am at the phase of evaluating the size and the value of the market, together with defining, progressively, the core business process. Let me present a bit of the initial idea, and a few openings that it creates. The idea has its roots in the observation of the Polish healthcare market, which is a maze of mutually interweaving public funding and private schemes. An average Polish patient seldom can rely exclusively on the public provision of medical care. Frequent blood diagnostics, dental care, post-surgery rehabilitation – sooner or later, you just need to stop waiting for the public funding of these, and pay privately, either in the out-of-pocket formula, or in some kind of pooled funding scheme.

Those entangled, disparate funding patterns results in the dissipation of the patients’ medical records. The initial ides of MedUsis to take the already known functionality of online arrangement of medical appointments, and combine it with the aggregation and proper handling of digitalized medical records. You make an appointment with one doctor via MedUs, you are being diagnosed and treated, then you make an appointment with another doctor, another diagnosis and treatment ensue, and the record of all that is being stored with MedUs.

This is where the Blockchain technology becomes interesting. Blockchain is basically a ledger, and in handling medical records we need, precisely, a ledger. Medical records contain legally sensitive data, and improper handling can lead to a lot of legal trouble. Every single action taken regarding that data has to be properly documented, and secured against fraud. The basic digital architecture of medical records is that of a database, with the identity of the patient as the leading variable.

In those databases, well, s**t happens, let’s face it. I had a good example of that in my own recent experience. As some of you could have read in ‘The dashing drip of Ketonal, or my fundamental questions for the New Year’, due to a complicated chain of events, involving me, some herrings, and the New Year’s party, I spent the New Year’s night in an emergency ward of the district hospital, with the symptoms of acute food poisoning. As I was being released, on the New Year’s day, I had my official discharging documents. In those documents, space and time warped a little. It started with my data, and then I could read that I had been taken in charge three days earlier, in Berlin, with acute cardiac symptoms, and subsequently transferred to the very same hospital, and then, all of a sudden, my own (real) description followed.

As for me, I wouldn’t care, but my wife said: ‘Look, if you have any complications, or if you need any follow up in treatment, that official discharge will matter. Go to that hospital and make them get your records straight’. So I did, and you would really like to see the faces of people, in the hospital’s administration, when I showed them what I am coming with and for. It was that specific ‘Oh, f**k, not again!’ look. They got it straight, and so I stopped being that cardiac patient hospitalized in Berlin, but as far as I know, it all required a little bit of IT acrobatics.

As I described the situation to a friend of mine, an IT engineer, he explained me that this sort of things happen all the time. Our sensitive data is being stored in a lot of databases, and errors happen recurrently. Technically, once they happen, they should be bound to stay happened. Still, what do we have those IT engineers for? What you do, in such a case, is either to run ‘a minor reloading of the database, just to remove some holes in the security systems’, or you deliberately put the system to failure, and reboot it. Both manoeuvres allow miraculous disappearance of embarrassing data. A lot of institutions do it, like hospitals, banks, even ministries, apparently on a recurrent basis. This is, for example, the way that banks hush up the traces of hacking attacks on their customers’ accounts.

Databases with medical records are basically proprietary, i.e. each database has to have a moral entity clearly owning it and being responsible for it. That’s the law. If I use the services of many different medical providers, each of them runs their own database of medical records, and each such database is proprietary, which, in turn, means that my personal medical data is being owned by many entities in the same time. Each of these entities holds one piece of the puzzle, and the law prohibits any sharing between them, basically, unless a chain of official requests for information is being put in motion. As strange as it seems, such a request cannot be issued by the patient, whose medical records are in question. Only doctors can put my dispersed medical records into one whole, and I have no leverage upon that process.

Strange? Absurd? Well, yes, still no more than the promises, which some politicians make during elections. Anyway, that student of mine came up with the idea of using Blockchain to revolutionize the system. There is that digital platform, MedUs, which starts innocently, as a simple device to make appointments for private medical care. Now, revolution begins: each action taken by the patient, and about the patient, via MedUs, is considered as a transaction, to be stored in a ledger powered by the Blockchain technology. The system allows the patient to be effectively in charge of his own medical record, pertaining to all the medical visits, tests, diagnoses and treatments arranged via MedUs.

A sequence comes to my mind. A patient joins the MedUsplatform, and buys a certain number of tokens in its internal cryptocurrency. Let’s call them ‘Celz’. Each Celzcan buy medical services from providers who have joined MedUs. As it is a token of cryptocurrency, each Celzis being followed closely in all its visits and acquaintances: the medical history of the patient is being written in the hash codes of the Celzeshe or she is using in the MedUsplatform.

Crossbreeds, once they survive the crossbreeding process strictly spoken, are the strongest, the meanest, and the toughest players in the game of existence, and so I am crossbreeding my business concepts. The genes (memes?) of EneFingently make their way inside MedUs, and the latter sends small parcels of its intellectual substance into EneFin. Yes, I know, the process of crossbreeding could be a shade more fun, but I am running a respectable scientific blog here. Anyway, strange, cross-bred ideas are burgeoning in my mind. Each subscriber of the EneFinplatform could have all the history of their transactions written into the hash codes of the cryptocurrency used there, and thus the EneFinutility could become something like a CRM system (Customer Relationship Management), where each token held is informative about the past transactions it changed hands in. How would the reading of such data, out of the hash code, work in the (legal) light of General Data Protection Regulation (GDPR)?

On the other hand, why couldn’t patients, who join the MedUsplatform, use their Celzesto buy participation in the balance sheet of those medical providers who wish such a complex deal? Celzes used to buy equity in medical providers could generate extra purchasing power – more Celzes – to pay for medical services.

In both projects, which I am currently preparing business plans for, namely in EneFin, and in MedUs, the Blockchain technology comes as a simplifying solution, for transforming complex sets of transactions, functionally interconnected, into a smooth flow of financial deeds. When I find a common denominator, I tend to look for common patterns. I am asking myself, what do these two ideas have in common. What jumps to my eye is that both pertain to that special zone of social interactions, when an otherwise infrastructural sector of the social system gently turns into something more incidental and mercantile. It is about giving some spin to those portions of the essential energy and healthcare systems, which can tolerate, or even welcome, some movement and liquidity, without compromising social stability.

As I see that similarity, my mind wanders towards that third project I am working on, the book about FinTech. One of the essential questions I have been turning and returning in my head spells: ‘What is FinTech, at the bottom line? What part of FinTech is just digital technology, versus financial innovation in general?’. Those fundamental questions popped in my head some time ago, after some apparently unconnected readings: the Fernand Braudel’s masterpiece book: ‘Civilisation and Capitalism’, ‘The Expression of The Emotions in Man and Animals’ by Charles Darwin, and finally ‘Traité de la circulation et du crédit’ by Isaac da Pinto. It all pushed me towards perceiving financial deeds, and especially money, as some kind of hormones, i.e. systemic conveyors of information about what is currently the best opportunity to jump on.

A hormone is information in solid form, basically, just obtrusive enough to provoke into action, and light enough to be conveyed a long way from the gland it originates from. OK, here I come: gently and quietly, I have drifted towards thinking about the nature and origins of money. Apparently, you cannot be a serious social thinker if you don’t think about it. Mind you, if you just think about the local (i.e. your own) lack of money, you are but a loser. It is only when you ascend beyond your own, personal balance sheet that you become a respectable economist. Karmic economics, sort of.

Being a respectable social thinker does not preclude practical thinking, I hope, and so I am drifting back to business planning, and to the MedUsconcept. My idea is that whatever will be the final span of customers with that online platform, it is going to start in the market of private healthcare, or, as I think about it, peri-healthcare as well (beauty clinics, spa centres, detox facilities etc.). Whatever the exact transactional concept will be finally developed, any payment made by the customers of MedUswill be one of these: a) a margin, paid by the patient over the strictly spoken price of the healthcare purchased b) a margin, paid by the provider of healthcare out of the price they receive from the patient, or, finally, c) a capital expense of the healthcare provider, to be reflected in some assets in their balance sheet. Hence, I need to evaluate the aggregate value of payments made by patients, the distribution of the corresponding expenditure per capita, and the capital investments in the sector. Studying a few cases of healthcare businesses, just to get the hang of their strategies, would do no harm either.

As I browsed through the website of the World Health Organization, I selected 17 indicators which seem relevant to studying the market for MedUs. I list them in Table 1, below. They are given either as straight aggregates (indicators #11 – 17), as per capita coefficients, or as shares in the GDP. When something is per capita, I need to find out about the number of capita, for example with the World Bankand from then on, it is easy: I multiply that thing per capita by the amount of capita in the given country, and I fall on the aggregate. When, on the other hand, I have data in percentages of the GDP, I need the GDP in absolute numbers, and the World Economic Outlook database, by the International Monetary Fund, comes handy in such instances. Once again, simple multiplication follows: % of GDP times GDP equals aggregate.

Table 1 – Selected indicators about national healthcare systems, as provided by the World Health Organization

Indicator #1 Current Health Expenditure (CHE) as % Gross Domestic Product (GDP)
Indicator #2 Health Capital Expenditure (HK) % Gross Domestic Product (GDP)
Indicator #3 Current Health Expenditure (CHE) per Capita in US$
Indicator #4 Domestic Private Health Expenditure (PVT-D) as % Current Health Expenditure (CHE)
Indicator #5 Domestic Private Health Expenditure (PVT-D) per Capita in US$
Indicator #6 Voluntary Financing Arrangements (VFA) as % of Current Health Expenditure (CHE)
Indicator #7 Voluntary Health Insurance (VHI) as % of Current Health Expenditure (CHE)
Indicator #8 Out-of-pocket (OOPS) as % of Current Health Expenditure (CHE)
Indicator #9 Voluntary Financing Arrangements (VFA) per Capita in US$
Indicator #10 Out-of-Pocket Expenditure (OOPS) per Capita in US$
Indicator #11 Voluntary prepayment, in million current US$
Indicator #12 Other domestic revenues n.e.c., in million current US$
Indicator #13 Voluntary health insurance schemes, in million current US$
Indicator #14 NPISH financing schemes (including development agencies), in million current US$
Indicator #15 Enterprise financing schemes, in million current US$
Indicator #16 Household out-of-pocket payment, in million current US$
Indicator #17 Capital health expenditure, in million current US$

 I am wrapping up writing, for today. I am consistently delivering good, almost new science to my readers, and love doing it, and I am working on crowdfunding this activity of mine. As we talk business plans, I remind you that you can download, from the library of my blog, the business plan I prepared for my semi-scientific project Befund  (and you can access the French versionas well). You can also get a free e-copy of my book ‘Capitalism and Political Power’ You can support my research by donating directly, any amount you consider appropriate, to my PayPal account. You can also consider going to my Patreon pageand become my patron. If you decide so, I will be grateful for suggesting me two things that Patreon suggests me to suggest you. Firstly, what kind of reward would you expect in exchange of supporting me? Secondly, what kind of phases would you like to see in the development of my research, and of the corresponding educational tools?

Les séquences, ça me pousse à poser cette sorte des questions

 

Mon éditorial via You Tube

Dans ma dernière mise à jour en anglais (Traps and loopholes) j’ai finalement commencé à cerner sérieusement le concept ainsi que la fonctionnalité de base du projet EneFin, pour lequel je prépare un business plan et dont la documentation me sert couramment comme force motrice de ce blog scientifique. Après maintes tours et détours j’ai conclu que le modèle d’entreprise que j’avais déjà étudié au sujet de cette société canadienneKatipultqui commercialise une plateforme technologique d’échange sous forme d’un marché de crypto-monnaie à accès limité.

Dans le concept EneFin,les petits consommateurs d’énergie sont censés acheter et vendre des contrats à terme pour les fournitures futures d’électricité et que la crypto-monnaie doit servir à lier ces contrats à terme à l’achat ainsi qu’à la vente des titres de participation dans les bilans des fournisseurs d’énergie, avec une composante additionnelle possible d’autres actifs financiers que ces titres de participation.

Dans Traps and loopholesj’en étais venu à la conclusion que cet échange complexe – contrats à terme plus actifs financiers – marchera mieux si je transforme cette complexité en une séquence plutôt qu’une simultanéité. Encore, il faut se souvenir que les séquences, ça peut se multiplier presque à l’infini et mathématiquement, plus la séquence donnée est bizarre et peu probable, plus elle a de façons alternatives de survenir (à ce sujet-là, vous pouvez jeter un coup d’œil dans Fringe phenomena, which happen just sometimes). J’imagine donc une séquence de basequi me semble être la mieux enracinée dans la logique du concept EneFin : j’achète des titres de participation dans un fournisseur d’énergie et ça me donne la possibilité d’acheter des contrats à terme pour des fournitures futures d’énergie, au prix avantageux normalement réservé aux gros consommateurs institutionnels. En plus de ça, je peux acheter, via EneFin, d’autres actifs financiers.

Les séquences, ça me pousse à poser cette sorte des questions qui parfois énervent les gens, comme « Qu’est-ce qui se passe si je modifie ce pas particulier dans la séquence ? Quelles sont les versions alternatives de ce pas particulier ? ».  Alors, je commence à les poser sérieusement, mes questions et je commence par le début (pas aussi évident et logique que certains pourraient le penser). Je suis un consommateur qui s’enregistre sur la plateforme EneFinet j’achète des tokens de crypto-monnaie, pour €100, qui m’habilitent à acquérir, par la suite, les actions d’un fournisseur d’énergie pour l’équivalent de €100 ou bien ses obligations pour la même somme. Appelons ça « Pas no.1 ». Question no. 1.1 : entre combien des fournisseurs différents – et leurs titres financiers – puis-je choisir ? Initialement, lorsque j’avais formulé ce concept particulier, dans Lean and adaptable, je pensais à un schéma fortement coopératif, où les consommateurs d’énergie nouent des liens capitalistes durables avec un fournisseur local d’énergie renouvelable. Maintenant, lorsque j’y repense, je suis plus flexible dans mon raisonnement. Je vois trois types de ce pas particulier dans ma séquence :

Pas no.1 – Type A, coopératif

Le consommateur d’énergie achète des tokens de crypto-monnaie qui correspondent à des titres d’un seul fournisseur d’énergie.

Pas no.1 – Type B, capitaliste concentré sur le marché d’énergie

Le consommateur choisit entre des tokens différents, dont chacun correspond aux titres d’un autre fournisseur d’énergie

Pas no.1 – Type C, capitaliste qui dépasse le marché d’énergie

Le consommateur choisit entre des tokens correspondant aux titres des différentes sociétés, du secteur d’énergie aussi bien qu’en d’autres secteurs

Oui, je sais, EneFin ça implique de l’énergie, donc type Ca l’air venu d’un autre conte de fées. Ça, d’accord, mais d’un autre point de vue, ça donne du fuel financier à la plateforme d’échange, donc pourquoi pas, après tout ? Je veux dire qu’EneFinpeut être une fonctionnalité particulière dans le cadre d’une plateforme d’échange plus large.

Question no. 1.2 : si, théoriquement, le consommateur peut choisir entre une position en haut du bilan (actions) ou en bas de celui-ci (obligations), peut-il faire ce choix tout à fait librement ? Je pense que la réponse est dans la stratégie du fournisseur concret. Celui-ci peut décider de mettre en échange sur la plateforme EneFinun panier caractéristique des titres et le choix du consommateur peut porter sur cet éventail précis.

Je passe au « Pas no. 2 » : le consommateur qui vient d’acheter des titres financiers, dans le Pas No. 1, passe à l’achat des contrats à terme pour la fourniture future d’énergie. Question 2.1 : est-ce obligatoire ? Chaque acheteur des titres sur la plateforme EneFindoit-il nécessairement des futures d’électricité ? Ne pourrait-il pas s’arrêter au Pas no. 1 et ne pas passer au Pas no. 2 ? Intuitivement, je répondrais « oui, il peut s’arrêter au Pas no. 1 ». Encore une fois, je sais que ça va un peu à l’encontre du concept initial, fortement coopératif. Néanmoins, je sais aussi qu’un bonne fonctionnalité FinTech, ça devrait donner du choix et de la liberté des mouvements.

Question 2.2 : Si dans le Pas no. 1 l’utilisateur avait acheté des titres des du fournisseur A d’énergie, peut-il bénéficier du prix avantageux (des futures d’énergie) chez le fournisseur B ?  Doit-il y avoir une correspondance stricte entre l’identité sociale des fournisseurs choisis par le consommateur dans les pas consécutifs 1 et 2 ou bien puisse-il y avoir un panier plus complexe ? J’imagine qu’encore une fois, la stratégie du fournisseur concret d’énergie est la meilleure réponse. Un fournisseur donné peut choisir de donner les mêmes prix avantageux à tous les utilisateurs de la plateforme EneFin. C’est le cas d’une entreprise qui n’est pas vraiment gloutonne côté bilan, probablement déjà bien bourré avec d’autres instruments de financement, mais elle est avide de faire des ventes de ces kilowatt heures futures à travers les contrats à terme.

Voici un autre fournisseur, qui donne une préférence légèrement prononcée aux acheteurs de ses propres titres participatifs. Disons que ceux-ci bénéficient du meilleur prix possible, celui normalement réservé aux gros consommateurs institutionnels, pendant que les détenteurs des titres participatifs d’autres fournisseurs enregistrés sur EneFin ont accès à un prix mi-figue mi-raisin : plus élevé que le prix « gros institutionnels » et néanmoins en-dessous du prix typique détail pour les ménages. C’est un fournisseur d’énergie qui donne comme des suggestions gentilles, genre « vous pourriez penser, un de ces jours, à vous trouver une niche dans mon bilan, mais no stress, hein ? ».

Voilà enfin un type strict et direct dans ses manières, qui dit honnêtement : « pas de participation dans mon capital, pas de rabais sur énergie, désolé ». En voilà un qui a bien besoin de financement et peut s’offrir de la patience en termes de ventes des kilowatt heures.

Il en faut un peu de tout pour faire un monde et c’est aussi la devise que j’essaie de suivre dans mon raisonnement à propos d’EneFin. Je veux une plateforme d’échange qui puisse accommoder plusieurs stratégies alternatives de la part des fournisseurs d’énergie. Même dans la situation hypothétique où le consommateur aurait suivi le chemin type C dans le pas no. 1 de ma séquence, il peut y avoir des fournisseurs d’énergie qui lui octroient un rabais sur l’énergie à être fournie dans l’avenir, juste l’histoire de faire tourner la roue du marché. C’est tout dans la stratégie adoptée par l’émetteur concret de ces contrats à terme.

Voilà que les questions embarrassantes m’ont conduit à une vision bien élargie et bien assouplie du concept initial EneFin. Ça peut commencer avec une plateforme d’échange généraliste, par exemple avec celle de Katipult. On attire des fournisseurs d’énergie avec leurs titres de participation financière dans leurs bilans et on leur offre la possibilité d’émettre des contrats à terme portant sur la fourniture future de l’énergie pour les consommateurs ménagers. Les fournisseurs d’énergie ont la liberté de vendre ces contrats à terme aux prix de leur choix et on leur suggère l’idée d’offrir des prix avantageux, proches de ceux réservés aux consommateurs institutionnels. On fait du marketing à l’égard des consommateurs ménagers pour qu’ils achètent ces contrats et on leur donne la possibilité de les revendre ensuite.

Dans ce cadre général, des stratégies différentes peuvent émerger. Maintenant, le pas suivant de mon analyse est la structure légale de ces contrats à terme pour la fourniture d’électricité. Il me faut un contrat, qui donne à son détenteur le droit de recevoir une quantité standardisée d’énergie, dans l’avenir, à un prix fixé d’avance aujourd’hui. Encore une fois, j’étudie la situation comme une séquence en un nombre fini des pas, avec des déroulements alternatifs. Question : si j’achète de mon fournisseur d’énergie des contrats à terme portants sur les fournitures d’électricité depuis un moment dans 6 mois jusqu’au moment dans 12 mois, devrait-il être possible de les utiliser pour payer ma facture d’électricité dans les six mois immédiatement à venir ? J’achète donc 1000 kWh à être fournies entre le 1erNovembre 2018 et le 30 Avril 2019 et je dis à mon fournisseur « Comme j’ai ces 1000 kWh futures, à un prix qui semble vous satisfaire (puisque vous me les avez vendues, ces 1000 kWh), pourquoi pas faire un décompte ? Je vous paie les 1000 kWh que je vais utiliser dès maintenant avec ces contrats à terme. Alors, affaire conclue ? ».

Bien sûr, la réponse dans un cas concret dépend entièrement de la stratégie adoptée par le fournisseur, mais ça ouvre une perspective intéressante. Ces contrats à terme échangés à travers EneFinpourraient avoir des prix alternatifs suivant leur capacité de décompte avec des obligations qui se trouvent hors leur horizon temporel strictement dit. Là, je retourne au train de raisonnement que vous avez déjà pu trouver dans « Les marchés possibles à développer à partir d’une facture d’électricité » : ce que les consommateurs ménagers payent comme facture d’énergie est composé de deux parts, une qui correspond à l’énergie consommée strictement dite et l’autre chargée à titre de la maintenance du réseau.

Comme je traduis cette structure des charges en des contrats à terme, je distingue deux perspectives différentes sous l’étiquette générale de « fourniture future d’énergie ». La perspective courte est l’intervalle de temps qui est trop courte pour modifier physiquement l’accès des consommateurs au réseau. Dans cet horizon temporel la connexion au réseau est quelque chose de fixe et donné comme exogène. Ni moi comme consommateur ni mon fournisseur d’énergie ne peut choisir, en fait, de ne pas maintenir le réseau. Moi, je dois rester physiquement connecté et le fournisseur doit maintenir ma connexion en service. Dans cet horizon temporel, un décompte du type décrit là-dessus serait possible juste dans le cadre de cette partie de ma facture courante d’énergie qui correspond au jus pompé dans ces câbles strictement dit. Quoi que je n’eusse acheté comme contrat à terme, le coût de maintenance courante du réseau doit être financé.

En revanche, si nous avançons plus loin dans l’avenir, nous aboutissons à une perspective temporelle qui sera suffisante pour la modification physique du réseau. Le fournisseur pourra liquider physiquement ma connexion et connecter quelqu’un d’autre dans le voisinage. Si j’achète suffisamment des futures sur énergie, à travers EneFin, pour compenser le montant total de ma facture d’électricité sur cette période plus longue, théoriquement moi et mon fournisseur nous pourrons utiliser ces futures pour financer, à travers un décompte, une période de se dire adieu. Je les achète, ensuite je les revends à mon fournisseur et c’est comme si notre contrat se finissait maintenant. Oui, ma connexion va physiquement rester en place mais moi je ne vais pas payer un sous pour sa maintenance durant le temps qui normalement correspondrait à la période de préavis inclue dans le contrat à long terme.

Autre question, et celle-là devient vraiment embarrassante : si, dans un marché local d’énergie, par exemple dans une ville entière, la fonctionnalité EneFinprend vraiment de l’essor et les contrats à terme qui y sont échangés couvrent la valeur totale de ce marché comme deux ans à l’avance, pourrions-nous avoir un marché complètement dépourvu de ces contrats signés pour long-terme, qui à présent sont la base normale des transactions entre les fournisseurs d’énergie et leurs clients ?

Je continue à vous fournir de la bonne science, presque neuve, juste un peu cabossée dans le processus de conception. Je vous rappelle que vous pouvez télécharger le business plan du projet BeFund(aussi accessible en version anglaise). Vous pouvez aussi télécharger mon livre intitulé “Capitalism and Political Power”. Je veux utiliser le financement participatif pour me donner une assise financière dans cet effort. Vous pouvez soutenir financièrement ma recherche, selon votre meilleur jugement, à travers mon compte PayPal. Vous pouvez aussi vous enregistrer comme mon patron sur mon compte Patreon. Si vous en faites ainsi, je vous serai reconnaissant pour m’indiquer deux trucs importants : quel genre de récompense attendez-vous en échange du patronage et quelles étapes souhaitiez-vous voir dans mon travail ?

Traps and loopholes

 

My editorial via You Tube

I am focusing on one particular aspect of my EneFinconcept, namely on what exactly will the consumers of electricity acquire under the label of ‘participatory deeds in the supplier of energy’. For those, who have not followed my blog so far, or just haven’t followed along this particular path of my research, I am summing the thing up. In practically all the European countries I have studied, the retail sales of energy, i.e. to its final users, take place at two, very different prices. There is the retail price for households PH, much higher than the retail price for PIpracticed with big institutional consumers. The basic EneFinconcept aims at making energy accessible to households at a price just as low as or close to the PIlevel, and, in the same time, at promoting small, local suppliers of renewable energy. The basic concept is that of complex contracts, which combine a futures contract on the supplies of electricity with the acquisition of participatory deeds in the supplier of that electricity. For a given, small user who consumes QHkilowatt hours, we have QH(t+z)*PH= QH(t+z)*PI+ K(t)and K(t) = QH(t+z)*(PH– PI), where ‘t’ is the present moment in time, ‘t+z’ is a moment in the future, distant from the present by ‘z’ periods, and K(t)is investment capital supplied today, to the provider of electricity, by the means of this complex contract.

EneFin Concept

Now, the issue of those participatory deeds purchased together with the futures contracts on electricity. I am advancing step by step, just to keep an eye on details. So, I need something freely tradable, endowed with high liquidity. EneFinis supposed to be a FinTech business, and FinTech means finance, and finance means giving liquidity, i.e. movement, to the otherwise lazy and stationary capital goods. The imperative of liquid, unimpeded tradability almost automatically kicks out of the concept the non-securitized participatory deeds: cooperative shares in equity, and corporate shares in partnerships. These are tradable, indeed, but at a very slow pace. If you have cooperative shares or those in a partnership, selling them requires a whole procedure of formally expressed consent from the part of other members (in a cooperative) or partners (in a partnership). Can take months, believe me. Problems with selling those types of participatory deeds find their mirroring image in problems with buying them.

Securitized shares in a joint stock company give some hope regarding my concept: they are freely tradable and can be highly liquid if we only want them to. As the aim of the EneFinproject is to promote new suppliers of renewable energies, or the creation of new capacity in the existing suppliers, the first issuance of those complex contracts (futures on energy + capital participation) would be like an Initial Offering of corporate stock. I see an opening here, yet with some limitations. As soon as I offer my stock to a sufficiently large number of prospective buyers, my initial offering becomes an Initial Public Offering, and my stock falls under the regulations pertaining to the public exchange of corporate stock. The ‘sufficiently large number’ depends on the exact legal regime we are talking about, but is does not need to be that large. The relevant regulations of my home country, Poland, assume a public offering as soon as more than 300 buyers are being addressed. The targeted size of the customer population in the EneFinproject depends on the country of operations, but even for a really small, 1 MW local power installation, it takes certainly more than 300 (see This is how I got the first numerical column).

The thing is that in the legally understood public exchange of corporate stock I can trade only that stock. A complex contract in my line of thinking – futures on energy plus participatory deeds – would require, in such a case, to carry out two separate transactions in two separate markets: one transaction in the market of futures contracts, and another one in the public stock exchange. Maybe it is feasible, but looks sort of clumsy. Mind you, what looks clumsy when handled simultaneously can gain in gracefulness when turned into a sequence. First, I buy futures on energy, and then I present them to my provider, and they give me their corporate stock. Or another way round: first, I buy the stock of that provider, in an IPO, and then, with that stock in hand, I claim my futures on energy. That looks better. I’ll keep that avenue in mind.

Another caveat that comes together with the public exchange of corporate stock is that only licensed brokerage houses can do it. In the EneFinproject, that would mean the necessity of signing a contract with such a licensed entity. Right, if I have professional stock brokers in the game, I can entertain another option, that of offering that stock in secondary exchange, not in an IPO. A provider of energy does an ordinary IPO in the stock market, their stock comes into the system. Then, they offer the following deal: they buy their stock back and they redeem it, and they pay for it with those futures on energy. With good pricing, could be worth some further thinking.

Everything I have passed in review so far pertains to the equity of the energy provider. I might venture myself into the realm of debt, now. Customers can participate in the balance sheet of their provider via what the French call ‘the bottom part’, namely via liabilities. Along with the futures on energy, customers can acquire bonds or bills of exchange of some kind. Fixed interest rate, no headache about future profits in that energy provider, only some headache left about future liquidity. Debt has the reputation of being more disciplining for the corporate executives than equity.

F**k (spell ‘f-asterisk-asterisk-k’), my mind starts racing. I imagine a transactional platform, where customers buy futures contracts on energy, accompanied by a capital deed of their choice. I buy some kilowatt hours for my future Christmas cooking (serious business over here, in Poland, trust me), and the platform offers me choice. ‘Maybe sir would dare to have a look at those wonderful corporate shares, quite fresh, issued only two months ago, or maybe sir wants to consider choosing that basket with half corporate bonds, half government bonds inside, very solid, sir. Holds money well, sir. If sir is in a genuinely adventurous mood, sir could contemplate to mix Bitcoins with some corporate stock, peppered with a pinch of corporate options, and some futures on gold’.

Right, now I understand the deep logic of the business concept introduced by that Canadian company: Katipult. They have created a financial structure made of an investment fund, whose participatory shares are being converted into a cryptocurrency traded at their internal transactional platform. I understand, too, why they pride themselves with the number of distinct legal regimes they have adapted their scheme to. I see that I should follow the legal regime of my market very closely, in order to find traps and loopholes.

My mind keeps racing. There are three, internally structured and mutually connected sets of financial deeds: a) A set of futures contracts on energy, priced at the retail, non-household rate b) A set of capital deeds issued by the providers of energy, and c) A set of tokens, in some cryptocurrency, which can be purchased for the price of energy at the retail, household rate, and give a claim on both the energy futures and the capital deeds.

A new customer enters that transactional platform and buys a certain number of tokens. Each token can be converted, at a given exchange rate, against the futures on energy and/or the capital deeds. The customer can present the basket of tokens they are holding to any provider of energy registered with that platform, and make a choice of futures on energy and capital deeds.

I think I am progressively coming up with the core process for the EneFin project. Here, below, I am giving its first graphical representation.

EneFin Core Process First Approach

I am consistently delivering good, almost new science to my readers, and love doing it, and I am working on crowdfunding this activity of mine. As we talk business plans, I remind you that you can download, from the library of my blog, the business plan I prepared for my semi-scientific project Befund  (and you can access the French versionas well). You can also get a free e-copy of my book ‘Capitalism and Political Power’ You can support my research by donating directly, any amount you consider appropriate, to my PayPal account. You can also consider going to my Patreon pageand become my patron. If you decide so, I will be grateful for suggesting me two things that Patreon suggests me to suggest you. Firstly, what kind of reward would you expect in exchange of supporting me? Secondly, what kind of phases would you like to see in the development of my research, and of the corresponding educational tools?

Ce que le prof en moi veut dire sur LCOE

 

Mon éditorial sur You Tube

Je me concentre sur la faisabilité économique et légale de mon concept d’entreprise EneFin. Par ailleurs, dans ma dernière mise à jour en anglais (This is how I got the first numerical column) j’explique pourquoi j’ai laissé tomber le nom Coop EneFin : en anglais, « coop » veut dire « coopérative », il est vrai, mais ce n’est pas la seule dénotation du mot. Les autres sont : « berceau », « poulailler » ou « espace étroit ». Pas vraiment ce que je voudrais associer avec un projet d’entreprise. Bref, je retourne aux sources, c’est-à-dire au nom « EneFin », bénite soit la modération dans la création des néologismes.

Alors, la faisabilité. Je commence par les coûts et je pose la question suivante : est-ce que le mécanisme EneFin pourra fonctionner dans le monde d’énergies renouvelables sans aucune forme d’aide fiscale ou bien les nouveaux fournisseurs de telle énergie auront-ils besoin des subventions publiques ? Je commence par recenser l’information que j’ai au sujet des coûts de production d’électricité des sources renouvelables. Je commence aussi à jouer le prof, comme ce blog à une vocation éducative. Dans ce cas particulier, il est difficilement évitable de jouer le prof, de toute façon, puisque dans le business d’électricité le coût de production n’est pas tout à fait la même chose que ce que vous pouvez connaître de votre cours d’économie ou de gestion. En ce qui concerne l’énergie, la logique de base est celle de LCOEou « coût nivelé d’électricité » (anglais : « Levelized Cost Of Electricity »). Ci-dessous je vous donne la formule générale de LCOE et juste en cas où elle ne s’affiche pas correctement, ici vous avez le lien hypertexte pour voir la formule directement dans l’archive de mon blog.

LCOE

Alors, la notation. En général, nous considérons une période de nannées de cycle de vie technologique de l’installation génératrice. Logiquement, le « t » est la position numérique d’une année particulière dans ce cycle de vie. Comme vous pouvez le voir, pratiquement tout ce qui compte dans cette formule est « t », d’une façon ou d’une autre. Le symbole Itreprésente l’investissement mis dans l’installation en question dans l’année t ; Mtest le coût de maintenance durant l’année t, Ftsymbolise le coût du carburant brûlé, Etest la quantité d’énergie produite et rreprésente le taux d’escompte assigné à tout ce calcul.

Maintenant, d’abord je vous sers l’information sur ce LCOE comme il est couramment estimé pour les énergies renouvelables en ensuite je discute un peu la controverse théorique et pratique qui accompagne cette formule. Les nombres, je les ai pris du rapport publié parIRENA, intitulé Renewable Power Generation Costs in 2017. Pour l’hydro-génération ça semble tourner autour de $0,05 = €0,04 par kWh ; l’éolien dans les installations sur terre ferme ça se défend à $0,06 = €0,05 par kWh et lorsque ces moulins sont localisés dans la mer, c’est $0,14 = €0,12 pour une heure qui se kilowatte ; le LCOE du photovoltaïque semble osciller autour de $0,10 = €0,08 quoi que ça tend à se casser la gueule en tombant, ces derniers temps (moins 73% sur les sept dernières années), donc ça peut tomber encore ; le solaire concentré, donc le truc basé sur les miroirs paraboliques qui collectent la chaleur du soleil, ça génère un LCOE autour de $0,22 = €0,18. Encore, ce rapport que je cite signale que les installations éoliennes marines ainsi que celles basées sur le solaire concentré, à être mises en service dès 2020, vendent aujourd’hui leur énergie future entre $0,06 et $0,10 par kWh, donc entre €0,05 et €0,08 ; soit ils sont tellement désespérés de faire leurs ventes, ces gars-là, soit il y a vraiment du progrès dans l’air.

Du point de vue microéconomique, le LCOE c’est une valeur complexe, qui combine le coût moyen de production strictement dit – soit le (Mt+ Ft)/Etou le coût de maintenance et celui du carburant divisés par la quantité d’énergie produite – avec le retour sur l’investissement exprimé comme It/Et. Le retour sur investissement, dans le monde paisible de la microéconomie, c’est fait du bénéfice net. Alors, la présence de la composante It/Etassume que le LCOE n’est pas vraiment le coût strictement dit, c’est plutôt un prix minimum satisfaisant pour le fournisseur d’énergie, avec la marge bénéficiaire déjà incluse. Personnellement, je crois que tout ce bazar de LCOE est plutôt politique qu’économique. Lorsque la question de compétition dans le marché de l’énergie avait commencé à lever la tête, dans les années 1980, les gros fournisseurs établis dans le marché avaient commencer à grogner au sujet des prix qui vont tomber et ça va faire du remous, et les bénéfices vont tomber etc. Les gouvernements avaient donc commencé à mettre en place des systèmes des subventions pour compenser à ces braves fournisseurs établis d’énergie les effets horribles de la compétition. Lorsque les énergies renouvelables avaient sérieusement entré la scène, dans les années 1990, il y avait déjà en place toute cette philosophie du coût qui n’est pas tout à fait un coût et ça tombait à merveille pour organiser le support fiscal pour les nouveaux venus.

Remarquez, dans ce cas, le politique n’est pas entièrement con. L’énergie c’est aussi de la sécurité et de la stabilité des plus élémentaires ; c’est même un facteur de base de la cohésion sociale. Instaurer un calcul des coûts qui sont en fait un flux de trésorerie satisfaisant pour les investisseurs, ça garantit un flux de capital vers le secteur d’énergie et donc une sécurité énergétique accrue. Un secteur d’énergie sous-investi ça peut donner des coups de sabots très, très douloureux là où vous savez.

La bonne nouvelle qui vient avec ces considérations de base à propos de LCOE est que ces coûts moyens par kWh que je viens de citer c’est essentiellement du LCOE, donc ce sont en principe des prix minimum de base. Le coût du carburant pour les renouvelables c’est nul, je veux dire zéro. La maintenance est d’habitude moins onéreuse que la construction initiale, donc ces coûts par kilowatt heure c’est essentiellement le calcul du flux de trésorerie lissé qui assure un retour satisfaisant sur investissement.

Je compare rapidement ces coûts avec les prix d’électricité dans quelques pays européens (consultez Je recalcule ça en épisodes de chargement des smartphones) est ça à l’air optimiste. Mon concept EneFinassume, entre autres, que les consommateurs ménagers pourront acheter de l’énergie au prix avantageux réservé normalement aux consommateurs institutionnels, à condition qu’ils acquiescent de participer dans le bilan de leur fournisseur. Dans tous les pays que je prends en compte, l’éolien sur terre ferme et l’hydraulique, ça se défend financièrement sans problème, dans le schéma EneFin. Même les prix relativement bas réservés aux usagers institutionnels donnent une marge confortable en plus du LCOE moyen. En ce qui concerne les installations éoliennes dans la mer, le photovoltaïque ainsi que le solaire concentré, ceux gars-là pourraient avoir des problèmes en s’EneFinant en Norvège, en Finlande et dans la République Tchèque. Partout ailleurs, ça se défend, sans épater. Remarquez, la Norvège et la Finlande, c’est pas vraiment terriblement ensoleillé et l’éolien marin assume des gros projets d’investissement, d’un calibre bien en-dessus ce que je vois comme le marché de base pour EneFin. Somme toute, y a des chances que l’idée ne soit pas complètement idiote.

Les faits, ils ont l’air favorables et je peux les laisser à eux-mêmes pour quelques instants, les instants dont j’ai besoin pour jouer le prof. J’ai envie de donner un petit cours d’économie appliquée à l’occasion de cette formule de LCOE. Premièrement, les maths. Dans la formule, vous pouvez voir deux fractions ordinaires superposées. Au premier abord ça a l’air compliqué mais voilà quelques trucs que vous connaissez de l’école par ailleurs et qui peuvent être utiles pour simplifier ou plutôt pour diviser la formule en deux niveaux distincts d’analyse. Le symbole « ∑ » dans les deux étages de la fraction générale symbolise la somme d’une chaîne des composantes. En d’autres mots, les deux étages de la fraction générale sont des sommes des fractions partielles formulées comme [(It+ Mt+ Ft) / (1 + r)t] / [Et/ (1 + r)t]pour chaque année « t ».

Lorsque vous avez à faire, dans la même formule, de la division et de l’addition, que faites-vous en premier lieu ? Oui, la division. Cela veut dire qu’il y a une version possible de cette formule où ∑ [(It+ Mt+ Ft) / (1 + r)t] / ∑ [Et/ (1 + r)t] = ∑ {[(It+ Mt+ Ft) / (1 + r)t] / ∑ [Et/ (1 + r)t]} donc où je tire l’opération d’addition à l’extérieur de la fraction générale. Comme j’ai dit, c’est un truc, pas une méthode à 100% rigoureuse, néanmoins ça permet de se débarrasser, pour un instant, du dénominateur (1 + r)tqui se répète aussi bien dans le numérateur de la fraction générale que dans son dénominateur. Le truc arithmétique a un appui économique. Dans le passé, le taux d’escompte « r » était simple et intuitif : tôt ou tard on assumait qu’il était égal au taux d’intérêt qui, à son tour, était corrélé avec taux d’inflation. A présent, on vit dans une période des taux d’intérêt historiquement les plus bas, accompagnés par des épisodes des plus en plus fréquents de déflation locale. Il y a vraiment des années quand le dénominateur (1 + r)tdevrait être remplacé par (1 – r)t.

De tout en tout, ce que le prof en moi veut dire est que le LCOE général peut être décomposé en des LCOE locaux, dans lesquels le dénominateur (1 + r)tn’a rien de vraiment constructif à dire. Cette assomption est importante pour mon concept d’entreprise – l’EneFin – dans la mesure où je veux précisément miser sur le mécanisme des prix espérés dans l’avenir, donc des LCOE locaux et momentanés.

Si vous voulez un peu de littérature scientifique rigoureuse sur les prix d’énergie, deux noms apparaissent comme des classiques du domaine : Paul Joskow et Jean Tirole. Voilà quelques références : Comparing the Costs of Intermittent and Dispatchable Electricity Generating Technologiespar Paul L. Joskow, Transmission Rights and Market Power on Electric Power Networkspar Paul L. Joskow et Jean Tirole, Reliability and Competitive Electricity Marketspar Paul Joskow et Jean Tirole, Transmission Rights and Market Power on Electric Power Networks I: Financial Rightspar Paul Joskow et Jean Tirole suivi par Transmission Rights and Market Power on Electric Power Networks II: Physical Rightsdes mêmes auteurs. Si par hasard ces liens hypertexte ne marchent pas, contactez moi via mon blog et je vous envoie des PDFs par e-mail.

Je continue à vous fournir de la bonne science, presque neuve, juste un peu cabossée dans le processus de conception. Je vous rappelle que vous pouvez télécharger le business plan du projet BeFund(aussi accessible en version anglaise). Vous pouvez aussi télécharger mon livre intitulé “Capitalism and Political Power”. Je veux utiliser le financement participatif pour me donner une assise financière dans cet effort. Vous pouvez soutenir financièrement ma recherche, selon votre meilleur jugement, à travers mon compte PayPal. Vous pouvez aussi vous enregistrer comme mon patron sur mon compte Patreon. Si vous en faites ainsi, je vous serai reconnaissant pour m’indiquer deux trucs importants : quel genre de récompense attendez-vous en échange du patronage et quelles étapes souhaitiez-vous voir dans mon travail ?