Je me suis mis à rédiger un article sur mon projet EneFin. Je me sens un peu bloqué niveau business plan, là-dessus, et je ne comprends pas exactement les raisons de ce blocage. Je me suis dit qu’une approche scientifique, qui me donne la possibilité de vraiment couper le cheveu en quatre, peut éclaircir mes idées un peu. Dans cette approche intello, le truc de base c’est la disparité observable des prix d’énergie. Pour que le concept EneFin aie quelle assise que ce soit dans la réalité économique, il faut au moins deux prix différents d’énergie, comme P_A(t) et P_B(t), pratiqués niveau détail, donc dans les ventes aux utilisateurs finaux de ladite énergie. Le (t) c’est un moment donné dans le temps. Eh ben oui, qu’est-ce que vous voulez ? Si j’ai de l’énergie et de l’espace, il me faut aussi du temps, autrement c’est pas très physique tout ça et si ce n’est pas physique, c’est forcément métaphysique et là, c’est une terra incognita où je ne dirige mes pas qu’après une consommation substantielle des substances intéressantes pour des raisons extra-économiques.

Alors, j’ai cette situation P_A(t) > P_B(t) et ça implique l’existence de deux groupes d’utilisateurs finaux d’énergie. Le sous-ensemble A(UF) paie le prix P_A(t), pendant que les chanceux du sous-ensemble B(UF) paient juste le P_B(t) pour leur kilowatt heure moyenne. Les questions théoriques que j’ai ouvertes sur ce sujet commencent par demander sous quelles conditions une telle disparité des prix peut pousser les A(UF)s à migrer vers B(UF) et combien sont-ils enclins à payer pour une telle migration.

Ensuite, j’assume qu’une telle migration serait attachée à une utilité économique en forme d’économies sur la facture d’énergie. Pour une consommation moyenne de Q_i(t) des kilowatt heures par an par i-tième consommateur, les économies en question peuvent être calculées comme S_i(t) = Q_i(t)*[P_A(t) – P_B(t)]. Une fois que notre i-tième consommateur les a faites, ces économies, il peut les convertir en d’autres types d’utilité économique. Parmi ces autres types il y en a un qui m’intéresse particulièrement : l’acquisition des titres de participation dans le capital social du fournisseur d’énergie. Voilà la première des deux chambres du cœur pratique de mon concept EneFin : le développement des structures quasi-coopératives à l’échelle locale, où les consommateurs d’énergie sont aussi des actionnaires de leur fournisseur.

Je vois donc un processus de migration de « p » consommateurs d’A(UF) vers B(UF) ; cette migration engendre un flux de trésorerie FT = p*S_i(t) et ledit flux est ensuite alloué entre des utilités économiques différentes, dont l’investissement I_FE(FT) dans le capital social des fournisseurs d’énergie. Ce qui m’intéresse côté théorie, à ce point-ci, est le mécanisme de sélection. Dans l’approche théorique la plus simple(iste ?), je peux représenter ça comme une maximisation analytique : il faut que je convertisse le mécanisme de sélection en une fonction polynomiale quadratique ou plus et que je cherche pour un maximum à travers l’analyse de ses dérivées du premier et second degré.

Si je veux être un peu plus sophistiqué, j’imagine un des états alternatifs des choses et j’essaie d’évaluer la probabilité que les consommateurs d’énergie gravitent vers chacune de ces réalités alternatives. Encore un pas de plus et je verse dans l’analyse béhavioriste, donc je représente cette transition d’A(UF) vers B(UF), suivie par l’investissement I_FE(FT) dans le capital social des fournisseurs comme une séquence ordonnée des schémas de comportement. Ceci ouvre sur deux perspectives : la théorie des jeux d’une part et l’intelligence artificielle d’autre part. Dans la théorie des jeux, je me concentre sur les choix individuels des consommateurs et des fournisseurs et je modèle ces choix comme une adaptation complexe basée sur des règles du jeu social.

En ce qui concerne la théorie des jeux, je sens qu’une explication préalable ferait du bien, surtout à ceux de mes lecteurs qui se sentent comme moyennement initiés à la science. La théorie des jeux aime revêtir des habits ésotériques et prendre des allures comme celle présentée dans « The Ender’s Game », le roman célèbre de science-fiction par Philip Dick. En fait, la base théorique de la théorie des jeux est beaucoup plus simple. Nous agissons tous sous incertitude. Nous ne savons pas exactement ce que l’avenir nous apportera, surtout lorsqu’il s’agit d’actions complexes. Néanmoins, l’une des découvertes que nous faisons tous à mesure d’acquérir l’expérience de la vie est qu’en dépit de cette incertitude fondamentale nous agissons tous selon des schémas répétitifs et que ces schémas sont largement fondés dans l’observation de ce que font les autres. Le développement des stratégies d’action sous incertitude, basées sur l’observation d’actions d’autrui c’est bien ce en quoi consiste un jeu.

Voilà, c’est à peu près tout en ce qui concerne le charme ésotérique de la théorie des jeux. Les jeux formalisés que nous jouons – serait-ce le poker, les échecs ou le tennis – sont des rituels qui nous servent à nous entrainer à faire des stratégies dans la vie de tous les jours. Chaque jeu ritualisé, reconnu par notre culture, est une variation sur ce thème fondamental.

En ce qui concerne l’interprétation théorique de mon concept EneFin, je vois deux jeux différents. Le premier, c’est le jeu type cartes, où la stratégie essentielle consiste à prévoir correctement une distribution des cartes – un état futur incertain des choses – tout en formant des alliances temporaires et fluides avec les autres joueurs. Le second, c’est un jeu comme les échecs ou les dames. Ici, la stratégie de base se concentre sur l’action de développer le contrôle sur un territoire, en compétition avec un autre joueur. Le territoire en question est aussi bien un territoire au sens strict du mot qu’une structure sociale : un chemin de carrière dans une multinationale, un marché, un morceau de pouvoir politique etc. Je développe donc deux schémas comportementaux essentiels : le placement des paris sur un avenir incertain (cartes) et la rivalité ritualisée (échecs, dames).

C’est en principe là que mon approche jeu-théorique diffère du courant principal de telles approches dans les sciences sociales. Ledit courant principal se concentre sur la formation des relations horizontales entre les joueurs, ce qui implique que la structure sociale est essentiellement un réseau, possiblement un réseau complexe fait des réseaux locaux plus simples. Moi, je suis (un peu) plus brutalement terre-à-terre dans ma perspective propre et j’assume que toute structure sociale est une combinaison des réseaux et des hiérarchies. Logiquement, les stratégies comportementales que je veux représenter avec l’instrumentaire de la théorie des jeux sont celles orientées sur la coopération horizontale dans les réseaux que celles qui visent la création (maintien ?) d’une position hiérarchique.

Le jeu type cartes, appliqué à mon concept EneFin, assume que les consommateurs d’énergie font leur décision complexe – transition d’A(UF) vers B(UF) suivie par la transformation du flux de trésorerie S_i(t) en des utilités économiques alternatives, dont l’investissement dans le capital social des fournisseurs d’énergie – sur la base d’un pari sur l’avenir, donc, en des termes plus canoniquement économiques, sur la base de l’utilité future espérée. Chaque stratégie alternative est donc associée, à travers une rationalité qu’il me faut modeler, à un gain futur espéré. Dans ce jeu, les agents économiques peuvent former des alliances pour optimiser leur gain futur. Le trait distinctif de cette approche, par rapport à celle centrée sur la rivalité, est que les joueurs espèrent un gain purement quantitatif, comme profit spéculatif en Bourse, sans se soucier des leviers hiérarchiques qui peuvent faciliter l’acquisition dudit gain.

Lorsque je change d’optique pour le jeu type échecs ou dames, donc si je fais mes agents économiques soucieux de bien garder leur carcasse de mammouth fraîchement tué contre toute intrusion extérieure, leurs stratégies seront différentes. Ils vont raisonner en termes de gain complexes : l’action directe apport le contrôle d’actifs qui, à leur tour, peuvent apporter de profits dans l’avenir. La transition d’A(UF) vers B(UF) devient un choix de position sociale avantageuse préalable, le flux de trésorerie S_i(t) est le gain intermédiaire – comme une bonne ligne d’attaque en échecs – qui donne la possibilité d’acquérir un gain plus durable sous la forme de contrôle d’actifs liés à la génération d’énergie.

Pourquoi ne suis-je pas politiquement correct et je n’assume pas que la transition vers les énergies renouvelables est nécessairement liée à une révolution morale style harmonie universelle ? Eh bien, la recherche que j’avais faite l’année dernière m’a laissé former trois assomptions bien fondées. Un, le contrôle des sources d’énergie reste une position sociale très convoitée et objectivement avantageuse. Deux, nous, les humains, comme structures sociales ancrées dans leurs territoires respectifs, nous avons tendance à maximiser notre absorption totale d’énergie plutôt qu’à la réduire. Trois, le contrôle d’un changement technologique important est lié au contrôle sur des flux de trésorerie substantiels qui, à leur tour, permettent de contrôler même plus de changement technologique dans les tours prochains du jeu.

En partant de la théorie des jeux, je peux faire encore un pas en avant et assumer que toutes ces stratégies individuelles, toutes ces combinaisons d’altruisme, vision, égoïsme et rivalité ritualisée se joignent pour former une technologie sociale complexe. Cette technologie est une machine capable d’apprentissage, donc une intelligence complexe. Faute d’une meilleure étiquette, je peux designer cette intelligence comme artificielle. Dans cette approche théorique, je fais en quelque sorte le tour de l’horizon : je reviens vers l’optimisation mathématique que je prends en compte dans l’approche économique classique, seulement cette fois j’assume que c’est la machine sociale intelligente qui accomplit cette optimisation façon « machine learning ».

L’apprentissage collectif, comme perspective théorique, peut encore muter en deux axes distincts. Premièrement, je peux assumer que l’apprentissage est strictement dit mécanique, donc que la machine sociale peut apprendre tout ce qu’elle veut, pourvu qu’elle ait suffisamment de données. Deuxièmement, je peux adopter une approche évolutive et assumer que l’apprentissage en question exige une séquence des générations, ou chaque génération successive est faite d’agents sélectionnés par une fonction de sélection de parmi le matériel génétique de la génération précédente. L’apprentissage de la machine sociale se fait donc essentiellement à travers cette fonction de sélection. Vous pouvez voir un exemple d’application évolutive dans l’économie des marchés d’énergie chez Wang et al. 2017[1], par exemple.

Une question bien légitime peut vous venir à l’esprit : n’est-ce pas un peu trop compliquer, de multiplier ces perspectives théoriques ? Eh bien, ma petite balade à travers la littérature du sujet suggère une complexité très poussée, comme le signalent Moallemi et Malekpour 2018[2] : toute analyse quantitative est très sensible au choix d’assomptions qualitatives. Comme je la continue, ma petite balade, je tombe sur un article par Lago et al. 2018[3] qui me fait prendre conscience à quel point le marché de détail en énergie est différent du marché de gros. Le premier est toujours rigide, divisé en des marchés qui ont l’air des domaines féodaux plus que de marchés au sens moderne du terme. Le second est un marché réel, très près de la compétition parfaite.

Comme je m’arrête pour étudier le travail de Muller et al. 2018[4] je me rends compte que je eux placer mon concept EneFin dans un contexte social plus large, non seulement comme une alternative pour les habitants des grandes villes, mais aussi comme une solution primaire pour les communautés rurales dans les pays en voie de développement. Ce schéma quasi-coopératif – où les membres de la communauté locale sont en même temps actionnaires et clients du fournisseur local d’énergie renouvelable et où ils disposent d’une plateforme FinTech qui donne de la liquidité financière à ce schéma – ça pourrait être pas con du tout comme solution pratique.

Dans ce cas précis de figure, la fourchette des prix d’énergie serait construite d’une façon légèrement différente. Le sous-ensemble A(UF) est composé des ménages dont l’accès à quelle forme d’énergie que ce soit est tellement difficile qu’il se résume en des pertes économiques. Le montant de ces pertes sert à calculer le prix relativement élevé P_A(t). Le sous-ensemble B(UF) est construit comme référence hypothétique : qu’est-ce qui va se passer si on offre aux ménages d’A(UF) les fournitures régulières d’énergie selon le schéma quasi-coopératif d’EneFin. Les gains économiques que ces ménages connaissent après une telle connexion sert à calculer le prix plus avantageux P_B(t).

Je perçois une autre extension possible du concept EneFin, partiellement liée à celle que je viens de signaler, et cette extension, je la formule sous l’inspiration de la recherche par Chen et al. 2017[5]. Le concept initial d’EneFin c’est de l’énergie pour les ménages, puisque ce sont les ménages qui paient, d’habitude, le prix le plus élevé pour leur kilowatt heure. Néanmoins, si je greffe ce concept sur l’organisme d’une communauté rurale dans un pays en voie de développement, je peux aussi bien tester la robustesse de ce schéma à mesure que j’ajoute des petites entreprises familiales dans le panier d’utilisateurs finaux d’énergie.

Le travail de Du et al.[6] ainsi que celui de Lecca et al. 2017[7] me  réconforte un peu dans mon approche des hiérarchies sociales : ces chercheurs-là placent un accent fort sur le facteur de cohésion sociale, dans la transition vers des nouvelles sources d’énergie.

Mon concept est centré sur les disparités des prix d’énergie est c’est donc autour de cet axe de recherche que j’ai flâné un peu, en termes de littérature. Au niveau strictement empirique, j’ai une fois de plus passé en revue les données publiées par International Renewable Energy Agency (IRENA 2018[8]). Ces données disent un truc d’importance primordiale pour ma recherche : la transition vers les énergies renouvelables est en train d’apporter une baisse solide et soutenue des coûts de production d’énergie. En d’autres termes, les disparités des prix d’énergie, ainsi que leur changement dans le temps, sont de plus en plus des différences de marge bénéficiaire sur le coût de production strictement dit. Logiquement, ces différences des prix sont corrélées de plus en plus avec les stratégies d’investissement ainsi qu’avec les coûts de transaction liés à des schémas institutionnels particuliers.

Les auteurs que j’avais déjà cité sur mon blog, Jean Tirole et Paul Joskow, ont été une fois de plus une source d’inspiration à cet égard. Dans leur article de 2007 (Joskow, Tirole 2007[9])

ils construisent un modèle des prix d’énergie qui me fait repenser à ce bon vieux principe d’Adam Smith : le prix d’un bien a une double nature. D’une part il faut le voir comme le résultat de marchandage et donc de fonctionnement d’un marché ; d’autre part, il reflète une utilité économique objectivement mesurable. Dans un article plus récent, Paul Joskow reprend cet idée à lui seul (Joskow 2011[10]) et souligne fortement que les politiques de minimalisation des prix d’énergie, par exemple à travers un système agressif d’enchères inversées, ne sont pas forcément la meilleure idée. L’énergie est précieuse, même si le coût nominal de sa génération baisse.

Ce petit tour à travers la littérature m’a fait formuler quelques idées générales de plus, à exploiter plus en détail plus tard. Les disparités des prix d’énergie, comme celle très schématique P_A(t) > P_B(t) dans mon modèle de base, peuvent avoir leurs racines dans des structures différentes de marché. Si P_A(t) > P_B(t), cela peut vouloir dire que dans le marché A la demande croît plus vite que dans le marché B, par rapport à la capacité installée de génération d’énergie. Dans ce cas la migration d’A(UF) vers B(UF) est une migration de la pénurie relative d’énergie vers un marché plus équilibré ou bien vers un marché en surplus d’offre. En termes d’économie classique, la migration d’A(UF) vers B(UF) devrait donc conduire, avec le temps, à un rééquilibrage d’offre et de la demande dans les deux marchés, donc à P_A(t) = P_B(t) et à la disparition des raisons pour migrer. En revanche, si P_A(t) > P_B(t) vient de la présence d’une structure quasi-monopolistique dans le marché A, la migration en question est celle entre des structures institutionnelles différentes. Par conséquent, la structure A peut disparaître complétement si la migration atteint un niveau critique.

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 ?

[1] Wang, G., Zhang, Q., Li, H., Li, Y., & Chen, S. (2017). The impact of social network on the adoption of real-time electricity pricing mechanism. Energy Procedia, 142, 3154-3159.

[2] Moallemi, E. A., & Malekpour, S. (2018). A participatory exploratory modelling approach for long-term planning in energy transitions. Energy research & social science, 35, 205-216.

[3] Lago, J., De Ridder, F., & De Schutter, B. (2018). Forecasting spot electricity prices: Deep learning approaches and empirical comparison of traditional algorithms. Applied Energy, 221, 386-405.

[4] Müller, M. F., Thompson, S. E., & Gadgil, A. J. (2018). Estimating the price (in) elasticity of off-grid electricity demand. Development Engineering, 3, 12-22.

[5] Chen, W., Wang, H., Huang, W., Li, N., & Shi, J. (2017). Shared social-economic pathways (SSPs) modeling: application of global multi-region energy system model. Energy Procedia, 142, 2467-2472.

[6] Du, F., Zhang, J., Li, H., Yan, J., Galloway, S., & Lo, K. L. (2016). Modelling the impact of social network on energy savings. Applied Energy, 178, 56-65.

[7] Lecca, P., McGregor, P. G., Swales, K. J., & Tamba, M. (2017). The importance of learning for achieving the UK’s targets for offshore wind. Ecological Economics, 135, 259-268.

[8] IRENA (2018), Renewable Power Generation Costs in 2017, International Renewable Energy Agency, Abu Dhabi, ISBN 978-92-9260-040-2

[9] Joskow, P., & Tirole, J. (2007). Reliability and competitive electricity markets. The Rand Journal of Economics, 38(1), 60-84.

[10] Joskow, P. L. (2011). Comparing the costs of intermittent and dispatchable electricity generating technologies. American Economic Review, 101(3), 238-41.