Modélisation de la consommation d’énergie dans le

secteur résidentiel français

Frédéric Branger

To cite this version:

Frédéric Branger. Modélisation de la consommation d’énergie dans le secteur résidentiel français.
Etudes de l’environnement. 2011. �hal-01139233�

HAL Id: hal-01139233

https://enpc.hal.science/hal-01139233
Submitted on 3 Apr 2015

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
Branger Frédéric Master EDDEE

AgroParistech
Corps des Ponts, Eaux et Forêts

Modélisation de la consommation
d'energie dans le secteur
résidentiel français

CIRED
Septembre 2011

Tuteur :Philippe QUIRION

Encadrant pédagogique : Franck LECOCQ

1
Remerciements

Je remercie Jean-Charles Hourcade pour m'avoir accueilli dans son laboratoire et

Philippe Quirion mon tuteur de stage, dont les conseils ont toujours été très avisés.
Je tiens également à remercier tout particulièrement Louis-Gaëtan Giraudet. Ce mé-
moire n'aurait pas été le même sans son aide inépuisable et son enthousiasme communi-
catif.
Je remercie ensuite Céline Guivarch, qui a été ma porte d'entrée au CIRED en me
permettant de décrocher ce stage, Franck Lecocq, pour avoir accepté d'être mon référent
du master EDDEE et pour les conseils qu'il m'a apporté, ainsi que Pierre-André Jouvet,
pour avoir accepté d'être mon évaluateur pour ce mémoire.
Mes remerciements s'addressent ensuite aux personnes avec lesquelles j'ai collaboré
ou qui m'ont aidé durant ce stage : Jean-Jacques Becker, Olivier Teissier et Lucile Penot-
Antoniou du CGDD, Sylvain Caurla du Laboratoire d'Economie Forestière pour son aide
dans la modélisation des prix du bois énergie, Benoît Allibe du CIRED grâce auquel
Res-IRF peut intégrer une composante comportementale et Gaël Callonec de l'ADEME.
Je remercie également Hubert Branger et Oskar Lecuyer pour leur travail de relecture.
Enn, je remercie mes collègues de travail, tous brillants, ouverts et sympathiques,
faisant du CIRED un lieu de travail intellectuellement stimulant et surtout agréable à
vivre.

2
Table des matières

I Description du modèle Res-IRF 14

1 Fonctionnement 14
1.1 Parc de logement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2 Croissance du parc de logements/Construction neuve . . . . . . . . . . . . 17
1.3 Bouclage macroéconomique . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.4 Processus de rénovation des logements existants . . . . . . . . . . . . . . . 19
1.5 Lien qualité/quantité de rénovation . . . . . . . . . . . . . . . . . . . . . . 23
1.6 Calibrage des coûts intangibles . . . . . . . . . . . . . . . . . . . . . . . . 25
1.7 Evolution des coûts intangibles et des coûts de rénovation . . . . . . . . . 26
1.8 Passage consommation théorique/consommation réelle : eet rebond . . . 28

2 Paramétrage des diérentes politiques 30

2.1 Crédit d'impôt développement durable (CIDD) . . . . . . . . . . . . . . . 30
2.2 Eco-prêt à taux zéro (EcoPTZ) . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3 Règlementation thermique pour les bâtiments neufs (RT2012 RT2020) . . 31
2.4 Obligation de rénovation (OR) . . . . . . . . . . . . . . . . . . . . . . . . 31
2.5 Taxe carbone (ou CCE Contribution Climat Energie) . . . . . . . . . . . . 31

3 Quelques résultats du modèle pour le scenario au l de l'eau 32

II Analyse de sensibilité 35
4 Méthode 35
4.1 Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.2 Variation des paramètres . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

5 Distribution des résultats 39

6 Analyse de sensibilité sur les paramètres 41

6.1 Méthode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
6.2 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
6.3 Remarques générales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
6.4 Inertie du taux de rénovation par rapport au taux de rénovation initial . . 48
6.5 Inuence des diérentes courbes d'utilisation . . . . . . . . . . . . . . . . 48

7 Analyse de sensibilité simpliée 49

7.1 Paramètres et politiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
7.2 Analyse de variance aggrégée . . . . . . . . . . . . . . . . . . . . . . . . . 51

8 Elasticités-prix et inuence du mode d'anticipation des prix 53

8.1 Elasticités-prix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
8.2 Eet des modes d'anticipation des prix . . . . . . . . . . . . . . . . . . . . 54

9 Conclusion de l'analyse de sensibilité 56

3
III Analyse des résultats du modèle 58
10 Evaluation des politiques du Grenelle de l'environnement 58

11 Le bois-énergie : solution d'avenir pour la consommation d'énergie dans

le résidentiel ? 62
11.1 La forêt française : un potentiel important encore peu exploité . . . . . . 62
11.2 Objectifs de développement de la lière . . . . . . . . . . . . . . . . . . . 63
11.3 Freins au développement du bois-énergie à grande échelle . . . . . . . . . 64
11.4 Bois-énergie dans Res-IRF . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
11.5 Endogénéisation de l'ore de bois . . . . . . . . . . . . . . . . . . . . . . . 66
11.6 Consommation de bois selon diérents scenarios . . . . . . . . . . . . . . . 67

Références 71

IV Annexes 75
12 Mise à jour des données 75
12.1 Parc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
12.2 Taux de rénovation initial . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
12.3 Matrice de coûts de rénovation . . . . . . . . . . . . . . . . . . . . . . . . 78
12.4 Données introduites suite à l'ajout des logements sociaux et du bois énergie 79

13 Calibrage des coûts intangibles 81

14 Piste d'amélioration de la procédure de fuel switch 82

14.1 Calibrage des coûts intangibles . . . . . . . . . . . . . . . . . . . . . . . . 82
14.2 Evolution des coûts intangibles et des coûts de rénovation . . . . . . . . . 83

4
Table des gures

1 Evolution de la consommation d'énergie selon les diérents postes (base

100 en 1976) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2 Parc résidentiel français (source ANAH) . . . . . . . . . . . . . . . . . . . 16
3 Consommations énergétiques (en kWh/m2/an) selon les classes de perfor-
mance énergétique (dans les règlementations et dans Res-IRF) . . . . . . 17
4 Projection du nombre de logements . . . . . . . . . . . . . . . . . . . . . . 19
5 Schéma du bouclage entre Res-IRF et IMACLIM-R . . . . . . . . . . . . . 20
6 Fonction de rénovation (avec r = 0.015) . . . . . . . . . . . . . . . . . . . 24
7 Courbes de facteur de service . . . . . . . . . . . . . . . . . . . . . . . . . 30
8 Evolution des coûts dans le scenario BAU . . . . . . . . . . . . . . . . . . 32
9 Evolution du Parc existant en scenario BAU . . . . . . . . . . . . . . . . . 33
10 Evolution de la consommation d'énergie et du facteur de service en scenario
BAU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
11 Courbes d'utilisation utilisées dans l'analyse de sensibilité . . . . . . . . . 39
12 Histogrammes des tirages de valeurs pour les diérents paramètres . . . . 40
13 Distribution de la consommation d'énergie rélle et conventionnelle . . . . 41
14 Résultats probabilisés : coûts de rénovation et coûts intangibles . . . . . 41
15 Résultats probabilisés : taux de rénovation . . . . . . . . . . . . . . . . . . 42
16 Coecient de variation des diérents paramètres de sortie (I) . . . . . . . 42
17 Coecient de variation des diérentes sorties (II) . . . . . . . . . . . . . . 42
18 Coecient d'actualisation en fonction du taux d'actualisation . . . . . . 46
19 Visualisation de l'impact du taux de croissance du prix des énergie et du
taux de rénovation initial sur la consommation d'énergie en 2050 . . . . . 47
20 Taux de rénovation en 2020, 2035 et 2050 en fonction du taux de rénovation
initial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
21 Moyenne et coecient de variation de Ef pour les trois courbes d'utilisation 49
22 Résultats de l'analyse de variance simpliée selon les courbes de taux d'ut-
lisation et les politiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
23 Résultats de l'analyse de variance aggrégée . . . . . . . . . . . . . . . . . 52
24 Coecient R2 en fonction de la moyenne des taux d'accroissement . . . . 53
25 Elasticités-prix calculées . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
26 Prix de l'énergie, consommations d'énergie nale réelle et conventionnelles
selon diérents scenarios . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
27 Ef conventionnelle en 2050 en fonction de la moyenne des taux d'accrois-
sement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
28 Consommations d'énergie sous diérentes politiques . . . . . . . . . . . . 60
29 Consommations d'énergie sous diérentes politiques. Résultats supplémen-
taires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
30 Composition de la forêt française (source IFN [31]) . . . . . . . . . . . . . 62
31 Illustration du lien entre BIBE et BO (source IFN) . . . . . . . . . . . . . 63
32 Courbe d'ore du prix du bois établie en forçant le modèle FFSM du LEF 67
33 Consommation de bois simulée dans Res-IRF et prix du bois en fonction
de diérents scenarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
34 Consommations d'énergie et émissions de CO2 selon les diérents scenarios 69

5
Liste des tableaux

1 Coûts de rénovation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2
2 Matrice de coûts de fuel switch (¿/m ) . . . . . . . . . . . . . . . . . . . 23
2
3 Coûts de construction (¿/m ) . . . . . . . . . . . . . . . . . . . . . . . . 23
4 Transitions d'étiquettes réelles, déterminées à partir de 500 opérations de
rénovation prises dans le logement social (adapté de PUCA 2008 [52]) . . 25
2
5 Coûts intangibles dans les rénovations (¿/m ) . . . . . . . . . . . . . . . 25
6 Parts de marché de la construction neuve (adapté de OPEN 2008 [49]) . 26
7 Coûts intangibles dans la construction neuve (pour un taux d'actualisation
2
de 8%) (en ¿/m ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
8 Lois des paramètres servant à l'analyse de sensibilité . . . . . . . . . . . . 38
9 Résultats analyse variance : Efconv 2050 . . . . . . . . . . . . . . . . . . . 43
10 Résultats analyse variance : Efconv 2050 . . . . . . . . . . . . . . . . . . . 44
11 Résultats analyse variance : Facteur service 2050 . . . . . . . . . . . . . . 44
12 Résultats analyse variance : Facteur service 2020 . . . . . . . . . . . . . . 44
13 Résultats analyse variance : Ef 2050 . . . . . . . . . . . . . . . . . . . . . 46
14 Résultats analyse variance : Ef 2020 . . . . . . . . . . . . . . . . . . . . . 47
15 Résultats de la régression linéaire de Ef2050 en fonction de τreno,ini et
τcroissance,éner . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
16 Comparaison des prévisions de la baisse de la consomation d'énergie nale
unitaire sur le parc existant entre Res-IRF ancienne et nouvelle version . 58
17 Rénovations énergétiques dans le bâti en 2006 . . . . . . . . . . . . . . . . 77

6
Liste des notations et symboles

β part variable des coûts intangibles

CEN ER coût de l'énergie actualisé
CIN V coûts de rénovations
d type de décideur (P OM I , P OLC , P BM I , P BLC et LS )
DISC coecient d'actualisation
e type d'énergie de chauage (elec, gaz, oul, bois)
Econv énergie nale conventionnelle (sans eet rebond)
Ef in énergie nale réelle (avec eet rebond)
γ taux de destruction
H besoin en logement
IC coûts intangibles
K stock de capital installé
l taux d'apprentissage
LBD coecient de learning-by-doing
LBU coecient de learning-by-using
LCC coût total sur le cycle de vie
LP H nombre de personnes par logement
LS logements sociaux
M I /LC maison individuelle/logement collectif
M S market shares
N P V valeur actuelle nette (ou net present value)
ν paramètre d'hétérogénéité des préférences
p prix de l'énergie
P O/P B propriétaire occupant/propriétaire bailleur
q classe énergétique (G à A pour l'ancien, RT05, BBC et BEPOS pour le neuf )
r paramètre de la fonction de rénovation calibré la première année
ρ consommation théorique en kWh/m2/an
Stancien Stock de logement ancien (à l'année t)
t année
τ fraction rénovée d'une catégorie
τutilisation facteur de service
u taux d'information

7
Liste des sigles

ADEME Agence nationale de l'environnement et de la maîtrise de l'énergie

AL (courbe) Ancienne logistique
ANAH Agence nationale de l'habitat
AME (scenario) Avec mesures existantes
AMS (scenario) Avec mesures supplémentaires
BAU (scenario) Business as usual
BBC Bâtiment basse consommation
BEPOS Bâtiment à énergie positive
BIBE Bois industrie bois énergie
BO Bois d'oeuvre
CCE Contribution climat-énergie (taxe carbone)
CGDD Conseil général du développement durable
CSTB Centre scientique et technique du bâtiment
CIDD Crédit d'impôt développement durable
CIRED Centre international de recherche sur l'environnement et le développement
DPE Diagnostic de performance énergétique
EC (courbe) Elasticité constante
Eco-PTZ Eco-prêt à taux zéro
ENR Energies renouvelables
GES Gaz à eets de serre
GIEC Groupe intergouvernemental d'experts sur l'évolution du climat
IFN Institut forestier national
INSEE Institut national de la statistique et des études économiques
NL (courbe) Nouvelle logistique
OPEN Observatoire permanent pour l'amélioration énergétique du logement
OR Obligation de Rénovation
PCI Pouvoir calorique inférieur
POPE (loi) Programmation xant les orientations de la politique énergétique
Res-IRF Module résidentiel d'IMACLIM-R France
RT Règlementation thermique
Tep Tonne équivalent pétrole

8
Avertissement

Agroparistech n'entend donner aucune approbation ni improbation aux opinions émises

dans les mémoires : ces opinions doivent être considérées comme propres à leurs auteurs.

9
Abstract

This dissertation presents the functioning, the evaluation and some results of the latest
version of Res-IRF, a hybrid simulation model of heat consumption in French households
developed at the CIRED.
The residential sector is considered to have the largest potential for energy consump-
tion and greenhouse gases emissions mitigation. Modelling retrotting and energy consump-
tion with public policies (subventions, taxes, regulations) is therefore an important issue.
Engineers bottom-up and economists top-down models fail to capture the technological
and economical mechanisms of this dynamics.
Res-IRF is an innovative hybrid model developped taking into account phenomena
related to energy eciency : distinction between eciency and suciency linked by the
rebound eect, landlord-tenant dilemma, myopic price expectations, cost decrease through
learning-by-doing...
A lot of uncertainties surrounds the design of these models. Some uncertainties are
external (lack of reliable data, theoretical controversies) while others are internal (choices
of the modeller to represent complex phenomena : parameters, functional forms, algo-
rithms). As uncertainty is tricky to address, it is rarely made explicit in these models. In
this dissertation, we develop an original method of parameter sensitivity analysis based
on a Monte Carlo method. It allows to determine the salient parameters of our model
(energy prices, utilisation curve, initial retrot rate). After highlighting some diculties
that are inherent in this type of modeling, some improvements of the model are suggested.
These new developments conrm the previously established results : energy eciency
policies make signicant reductions of energy consumption compared to the business as
usual scenario, but, even if they are ambitious, don't achieve the political targets of the
Grenelle (-38% of energy consumption in 2020 and -75% in 2050).

Résumé

Ce mémoire présente le fonctionnement, l'évaluation et certains résultats issus de

la dernière version de Res-IRF, modèle hybride de simulation de la consommation de
chauage en France développé au CIRED.
Le secteur du bâtiment est considéré comme le plus gros gisement d'économies d'éner-
gie et de réduction des émissions de gaz à eets de serre. Modéliser la dynamique de ré-
novation du parc de logements et des consommations d'énergie est donc un enjeu majeur.
Les modèles d'ingénieurs bottom-up et les modèles d'économistes top-down présentent
certaines limites pour représenter les mécanismes technologiques et économiques de cette
dynamique.
Res-IRF est un modèle hybride innovant prenant en compte des phénomènes carac-
téristiques liées à l'ecacité énergétique : ecacité et sobriété distingués mais liés par
le phénomène comportemental de l'eet rebond, dilemme propriétaire-locataire, antici-
pation myope des prix par les acteurs (rationalité limitée), décroissance des coûts par
apprentissage technologique...
Un grand nombre d'incertitudes jalonnent la conception de ce type de modèles, qu'elles
soient externes (données peu ables, controverses théoriques) ou internes (choix néces-
saires du modélisateur pour représenter des phénomènes complexes : paramètres, formes
fonctionnelles, algorithmes). Dicile à traiter, les incertitudes sont souvent mal explici-
tées. Dans ce mémoire, nous développons une méthode originale d'analyse de sensibilité
des paramètres basée sur une méthode de Monte Carlo. Cette dernière permet de dé-

10
terminer les paramètres saillants du modèle (prix de l'énergie, courbe d'utilisation, taux
de rénovation initial). En révélant certaines dicultés propre à ce type de modélisation
(calibrage pour reproduire des données réelles rendant le modèle trop rigide), elle suggère
certaines pistes d'améliorations (lien entre la qualité et la quantité des rénovations, coûts
intangibles).
Ces nouveaux développements conrment les résultats précédemment établis : les po-
litiques promouvant l'ecacité énergétique permettent des réductions signicatives de
consommations d'énergie par rapport au scenario au l de l'eau, mais ne permettent pas
d'atteindre les objectifs du Grenelle (-38% de consommation d'énergie en 2020 et -75%
en 2050), même lorsqu'elles sont ambitieuses.

11
Introduction

Le secteur du bâtiment résidentiel et tertiaire est souvent présenté comme le plus gros
potentiel en termes d'économies d'énergie et d'atténuation du changement climatique. En
France il compte pour 43% de la consommation d'énergie nale et 23% des émissions
1
de gaz à eet de serre . Pourtant les technologies récentes permettent de faire diminuer
2
la consommation d'énergie de façon très signicative : à environ 50kWh/m /an, contre
2
environ 240 kWh/m /an en moyenne dans les logements actuels. Ce gisement d'économies
d'énergie facilement accessible en apparence explique pourquoi ce secteur a été choisi
comme fer de lance des ambitions du Grenelle, avec un objectif de -38% en 2020, contre
-20% tous secteurs confondus.
La nécessité d'atténuer le réchauement climatique et de maîtriser la demande d'éner-
gie pour préserver les ressources naturelles, diminuer les pollutions en tous genres et ga-
rantir l'indépendance énergétique ne sont pas les seuls enjeux liés à la maîtrise de l'énergie
dans le secteur résidentiel. La facture énergétique pèse lourd dans le budget des ménages,
et 3.4 millions de Français vivent en situation de précarité énergétique
2 (ANAH 2009
[20]). La rénovation des bâtiments est donc aussi un levier permettant d'augmenter le
pouvoir d'achat et le bien-être (confort thermique) des habitants.
Pourtant, le nombre de rénovations engagés par ces derniers est bien inférieur à l'heure
actuelle à ce qu'il devrait être au regard de critères économiques simples (temps de retour
sur investissement par exemple). Ce manque d'investissement dans l'ecacité énergétique,
connu sous le nom d'energy eciency gap dans la littérature (Jaffe et Stavins 1994 [36]),
peut être expliqué par des barrières à l'ecacité énergétique : information imparfaite,
intérêts divergents (entre propriétaires et locataires d'un même logement), contrainte de
liquidité, décisions d'investissements par des règles heuristiques ou autres critères de choix
que l'ecacité énergétique.
Au-delà du manque d'ecacité des biens (systèmes de chauages ou enveloppe des
bâtiments) s'ajoute l'enjeu de la sobriété des comportements. D'une part la modication
du comportement des utilisateurs peut être en soi une source d'économie d'énergie non
3
négligeable . D'autre part, ecacité et sobriété sont étroitement liés par l'eet rebond
(Sorrell et Dimitropoulos 2008 [59]) : après travaux dans la majorité des cas, la
diminution de la facture entraîne un relâchement de l'utilisateur qui se chaue plus. Les
économies d'énergie sont alors moins importantes que ce qui était espéré ex ante.
Les externalités négatives engendrées par la consommation d'énergie dans le bâtiment
(consommation d'énergie accrue, émissions de gaz à eet de serre) et certaines barrières
à l'ecacité énergétique justient une intervention publique dans ce secteur. Dès lors, la
prévision des consommations futures et l'évaluation de dierentes politiques (subventions,
règlementations, taxe), nécessitent des travaux de modélisation de ce secteur.
Jusqu'à la n des années 90, deux types de modèles s'opposaient : les modèles bottom-
up portés par les ingénieurs, et les modèles top-down portés par les économistes. L'émer-
gence de modèle hybrides dans les années 2000 a permis, dans une certaine mesure, de

1. La diérence entre les deux pourcentages vient du fait qu'une grande partie du parc de logements
est chaué à l'électricité, et qu'avec en moyenne 80% de l'électricité produite par énergie nucléaire, le
contenu en CO2 du kWh électrique est relativement faible en France.
2. Une personne est dite en situation de précarité énergétique lorsqu'elle dépense plus de 10% de
ses ressources pour l'énergie dans son logement. Cette dénition simple originaire de Grande-Bretagne a
l'avantage de faciliter les traitements statistiques mais a le défaut de mal prendre en compte les phéno-
mènes de restriction et de gaspillage.
3. En Californie, le simple fait de mettre sur la facture la consommation moyenne du voisinage, ainsi
qu'une incitation visuelle (un smiley positif d'encouragement si on consomme moins, un smiley négatif
si on consomme plus) a fait diminuer la consommation de 2% (Alcott et Mullainathan 2010 [5]).

12
tirer parti de la spécication technologique des premiers modèles tout en gardant des mé-
canismes économiques des seconds (Hourcade et al. 2006 [30]). Les deux spécicités des
questions d'ecacité énergétique évoquées plus haut, à savoir les barrières à l'ecacité
énergétique et l'eet rebond, étaient mal prises en compte dans les modèles classiques
(Ürge-Vorsatz et al. 2009 [55], Jaffe et Stavins 1994b [36]). Ce sont ces faiblesses
que Res-IRF, modèle hybride de simulation de la consommation de chauage en France
métropolitaine développé au CIRED (Giraudet et al. 2011 [26]), essaie de dépasser, en
utilisant diérents leviers (coûts intangibles, taux d'actualisations diérentiés, fonction
d'eet rebond etc).
Une nouvelle version de ce modèle a été développée par l'auteur
4 grâce à (i) l'inclusion
du bois énergie et des logements sociaux (ii) une mise à jour des données pour les coûts
de rénovation, le parc de logement et le taux de rénovation initial (iii) un ranement des
paramètres (taux d'actualisation, fonction de rénovation, fonction de comportement de
l'utilisateur).
Dans ce mémoire, nous détaillons dans un premier temps le fonctionnement de la der-
nière version de Res-IRF, en expliquant quelques résultats du scenario au l de l'eau. Un
aspect primordial pour contrôler le fonctionnement d'un modèle est de tester sa sensibi-
lité par rapport aux diérents paramètres qui le composent. C'est pourquoi une analyse
de sensibilité conséquente occupe la deuxième partie. Enn dans un dernier temps, nous
complétons une analyse des politiques du Grenelle déjà réalisée par ailleurs (Giraudet
et al. 2010) par une analyse approfondie de la contribution du bois énergie.

4. Pour voir les nouveautés par rapport à la version de Giraudet et al. 2011, voir surtout partie 12
page 75 en annexe, et parties 1.5 et 1.8, ainsi que la partie 13

13
Première partie

Description du modèle Res-IRF

Res-IRF modélise les consommations de chauage dans le bâtiment résidentiel en
France, sur une période allant de 2008 à 2050. Le chauage représente les deux tiers de la
consommation d'énergie dans le secteur du bâtiment résidentiel, qui lui même représente
les deux tiers de la consommation d'énergie dans le secteur du bâtiment résidentiel et
tertiaire. Les résultats de Res-IRF peuvent alors être utilisés pour donner une indication
de la consommation d'énergie dans le secteur du bâtiment résidentiel et tertiaire.
Cette approximation est justiée au moins à court et moyen terme, le chauage (et
donc l'isolation des bâtiments) étant bien l'enjeu principal de la maîtrise de l'énergie
dans ce secteur et le point de focalisation des politiques à l'heure actuelle. Cependant,
il ne faut perdre de vue qu'à plus long terme, dans un parc de logements ecace ther-
miquement, la consommation d'électricité spécique (autre que chauage, éclairage, eau
chaude sanitaire et cuisson) occupera une place déterminante. Cette dernière a augmenté
continûment depuis plusieurs années (voir gure 1), alors que les autres postes de consom-
mation ont stagné ou diminué. L'incertitude est grande sur son évolution, l'ecacité des
appareils électroniques étant plus que compensée par l'apparition de nouveaux appareils
(ordinateurs, téléphones portables etc).
Autre point important à souligner : le climat est considéré comme constant dans cette
modélisation (pour un type de bâtiment donné, les besoins énergétiques restent les mêmes
pour toute la durée de la simulation). Un réchauement climatique diminuerait la consom-
mation de chauage en hiver mais augmenterait les besoins de climatisation en été , la
5
6
balance entre les deux étant diérente selon les pays (Isaac et Van Vuuren 2009 [33]).
En raisonnant du seul point de vue de la consommation d'énergie et des émissions de GES
dans le résidentiel, il est probable qu'en France le réchauement climatique soit bénéque,
car cela atténuerait le pic de consommation hivernal responsable de très fortes émissions
de CO2 (les pics de consommation sont en hiver et les centrales
7 utilisées en pointe sont
les plus émettrices).

1 Fonctionnement

1.1 Parc de logement

1.1.1 Caractéristiques du parc de logements français
8
La France comptait en 2007 31,3 millions de logements , dont 26,2 millions de ré-
sidences principales, le reste étant des résidences secondaires et des logements vacants.
Nous considérons dans Res-IRF que la consommation énergétique des résidences secon-
9
daires et des logements vacants est négligeable , et représentons seulement les résidences

5. culturellement les français sont très peu consommateurs de climatisation, le marché reste important
vu le faible taux d'équipement
6. l'Inde aurait une explosion de sa demande de climatiseurs par exemple, le réchauement climatique
ne faisant qu'accentuer la tendance imputable au développement économique et à l'augmentation de la
population
7. on suppose donc ici que le fonctionnement des centrales ne soit pas aecté par le réchauement
climatique ce qui n'est pas le cas, notamment pour les ressources en eau
8. Comptes du Logement 2007
9. Ces dernières représentent plus de 90% de la consommation, avec 260 TWh hors bois pour 280
TWh hors bois pour l'ensemble du parc (CEREN)

14
Figure 1  Evolution de la consommation d'énergie selon les diérents postes (base 100
en 1976)

principales.
En 2006, 14,8 millions de ces résidences principales étaient des maisons individuelles,
les 11,5 millions d'autres étant des logements collectifs. 57,5% des ménages sont proprié-
taires en 2007 (INSEE 2009 [32]), ce qui place la France en dessous de la moyenne des
pays européens
10 .
Le gaz naturel est la première source d'énergie de chauage, 45% des ménages en sont
équipés (ADEME 2008 [1]), principalement les logements collectifs. Une autre caractéris-
tique du parc français par rapport à ses voisins européens liée au contexte énergétique
(construction de centrales nucléaires dans les années 70 et 80 et politique d'augmentation
de la demande) est la forte présence de l'électricité comme énergie de chauage, à 29%.
Le oul équipe 19% des ménages, principalement les maisons individuelles. Enn le bois,
souvent utilisé en chauage d'appoint, apparaît comme non négligeable, avec 3% de foyers
utilisateurs. Le chauage urbain, ainsi que le charbon, le GPL et d'autres énergies moins
répandues, équipent le reste des ménages.

1.1.2 Description dans Res-IRF

La représentation du parc dans Res-IRF comporte deux catégories principales : les

logements construits avant 2007 ou logements anciens, et ceux construits après 2007
ou logements neufs. Même si en 2050, un logement construit en 2010 a quarante ans,
il est toujours considéré comme un logement neuf . Seuls les logements anciens sont
susceptibles d'être rénovés. Avec approximativement 1% du parc de logements renouvelé
chaque année, les logements neufs ne représenteront environ qu'un tiers des logements en
2050, et, étant mieux isolés, une part bien plus faible de la consommation totale.
Chaque logement a trois caractéristiques :
 la performance énergétique (indice q ). Pour les logements anciens, elles sont au
nombre de 7 : il s'agit des étiquettes de diagnostic de performance énergétique

10. qui est de 65%, à titre de comparaison ce pourcentage est de 83% en Espagne et 46% en Allemagne

15
 Figure 2  Parc résidentiel français (source ANAH)

2
(DPE), allant de G (consommation annuelle théorique supérieure à 450 kWh/m /an)
2
à A (inférieure à 50 kWh/m /an). Pour les logements neufs, il y en a seulement
trois : RT05 (règlementation thermique de l'année 2005), BBC (bâtiment basse
consommation) et BEPOS (bâtiment à énergie positive). Ces valeurs représentent
la consommation d'énergie primaire utilisée pour le chauage, l'eau chaude sanitaire
le refroidissement et la ventilation
11 . Voir la gure 3 pour les valeurs réglementaires
et dans Res-IRF des consommations énergétiques.
 l'énergie de chauage principale (indice e). Il y en a quatre : électricité, gaz, oul
et bois-énergie.
 le type de décideur (indice d). Il y en a cinq : propriétaire occupant en maison indivi-
duelle (P OM I ), propriétaire occupant en logements collectifs (P OLC ), propriétaire
bailleur en maison individuelle (P BM I ), propriétaire bailleur en logement collectif
(P BLC ), et logement social (LS ).
La description ne du parc a été réalisée grâce à la base de données de l'ANAH (J.
Marchal 2008 [43]). Trois points particuliers ont posé des dicultés 12 et des hypothèses
ont dû être prises pour les résoudre au mieux (voir l'annexe partie12.1 pour le détail).
Le prochain travail de l'ANAH prévu pour la n de l'année permettra de rafraîchir ces
données.
Une représentation du parc à une année t est donc un couple de deux hypermatrices,
l'une de dimensions 7×4×5 (logements anciens) Stancien et l'autre Stneuf de dimension
3×4×5 (logements neufs) . Les éléments de ces hypermatrices sont le nombre (ou la
surface) des logements ayant les caractéristiques (q, e, d).
11. Le modèle ne prenant pas en compte les autres usages que le chauage, un coecient de 84%
(représentant la part moyenne du chauage dans le DPE) est appliqué à ces consommations théoriques
12. Premièrement, hors logement social, pour les logements construits avant 1975 ou après 2000, on ne
sait pas si le propriétaire est occupant ou bailleur. Deuxièmement concernant les énergies de chauage, on
a une segmentation par électricité, gaz, oul et autres (hors logement social) et électricité, gaz et oul
et autres (logement social). Enn la base de donnée de l'ANAH couvre les 31 millions de logements de
France métropolitaine, sans distinguer s'il s'agit de résidences principales, secondaires, ou de logements
vacants (Res-IRF ne concerne que les résidences principales).

16
 G 750 RT05 120
F 390 BBC 50
E 280 BEPOS 0
D 190
C 120
B 70
A 40

Figure 3  Consommations énergétiques (en kWh/m2/an) selon les classes de perfor-

mance énergétique (dans les règlementations et dans Res-IRF)

1.1.3 Passage d'une représentation en eectifs de logements à une représen-

tation en surfaces

Le nombre de logements est l'unité adéquate pour parler de rénovations, tandis que
lorsqu'on parle de consommations, ce sont les surfaces qui sont pertinentes.
Il est donc nécessaire de pouvoir jongler entre une représentation du parc par nombre
de logements et une représentation du parc par surface
13 . Dans tous les cas c'est uni-
quement le type de décideur (et pas la classe de performance énergétique ou l'énergie
de chauage principale) qui détermine cette surface pour une catégorie donnée (maison
individuelle, logement collectif, logement social).

2
Existant En France en 2007, la surface moyenne des logements est de 67m pour les
2
logements collectifs et 112m pour les maisons individuelles. Ce sont ces valeurs que l'on
garde pendant toute la durée de la simulation

Neuf La surface évolue chaque année, selon une procédure expliquée partie 1.2, variant
2 2
entre 70 et 80m pour les logements collectifs et entre 120 et 140m pour les maisons
individuelles
14 .

1.2 Croissance du parc de logements/Construction neuve

A l'année t, le besoin en logements Ht (en nombre de logements) est déterminé par
deux facteurs : la population Lt et le nombre moyen de personnes par logements LP Ht :

Lt
Ht =
LP Ht
13. au moins pour l'existant car le neuf ne subit pas de processus de rénovation
14. Dans l'existant il est donc possible de passer de l'un à l'autre par une (hyper)matrice de passage,
tandis que dans le neuf ce n'est pas le cas, on doit incrémenter chaque année en parallèle l'augmentation
du nombre de logements et l'augementation de la surface de logements.

17
 Ces deux facteurs sont exogènes. La population est tirée du scenario médian de l'IN-
SEE établi à partir d'hypothèses sur la natalité, la mortalité et l'immigration (population
française métropolitaine de 73 millions en 2050). Le nombre moyen de personnes par lo-
gements est déterminé de façon exogène pour correspondre aux tendances passées
15 . Ce
nombre n'a cessé de diminuer au cours des dernières décennies, passant d'un peu moins
de 3 au début des années 80 à un peu plus de 2,5 à la n des années 2000. Cette dimi-
nution est essentiellement imputable à des facteurs socio-démographiques (augmentation
du nombre de familles recomposées, célibat géographique, baisse de la natalité etc).
Parallèlement, le parc existant subit une destruction au taux annuel de γ = 0.5% 16 .

Stancien = (1 − γ)St−1
ancien

Le nombre de logements à construire à l'année t est donc le diérentiel entre le besoin

en logements Ht et le stock de logements anciens restants :

Stneuf − St−1
neuf
= Ht − Stancien (1)

La formule (1) donne un nombre de logements à construire. Stneuf est le stock de loge-
ments neufs cumulé (et pas le nombre de logements construits à l'année t). Il faut ensuite
les répartir dans les diérentes classes (performance énergétique, énergie de chauage,
type de décideur). Les types de décideurs des nouveaux logements sont choisis de façon
exogène (on garde constant les ratios observés à l'année de base : 37% pour les P OM I ,
22% pour les P OLC , 6% pour les P BM I , 15% pour les P BLC et 20% pour les LS 17 . Le
choix des proportions de classes de performance énergétique et d'énergie de chauage est
expliqué partie 1.4.3 page 23.
La surface des logements neufs est donnée par une formule traduisant le fait qu'une
augmentation de richesse induit une augmentation de surface habitable (et encore plus
dans les maisons individuelles), cette augmentation étant controlée par des valeurs mini-
males et maximales
18

LP Ht−1 − LP Hmin
15. Par la formule LP Ht = (1+εLP H )LP Ht−1 , avec εLP H = −0.007, LP Hmin =
LP Href − LP Hmin
2 et LP Href = 2.42
16. En réalité il ne s'agit pas d'un taux unique γ, mais d'une multitude de taux γq,e,d choisis de telle
sorte que les mauvaises étiquettes soient détruites en priorité (Sartori et al. 2009), et qu'on retombe
au nal sur un taux de destruction pondéré par les eectifs de classe de logements de 0,5%, la formule
ancien = (1 − γ
St,(q,e,d) ancien
désagrégée est q,e,d )St−1,(q,e,d) .
17. Cela peut sembler un peu grossier de considérer cette répartition par type de décideur immuable.
Cela n'a en fait que très peu d'importance. Le choix du type de décideur fait uniquement varier les taux
d'actualisation diérenciés qui déterminent à leur tour le coût de l'énergie actualisé. Ces derniers dans
le neuf varient peu : 7% pour les maisons individuelles, 10% pour les logements collectifs et 4% pour
les logements sociaux, traduisant le fait qu'un promoteur a moins d'incitations à construire un logement
bien isolé qu'un particulier car il ne va pas y habiter, le taux faible pour les logements sociaux traduisant
la volonté de lutter contre la précarité énergétique). Ce coût de l'énergie actualisé aura une inuence sur
le choix de performance énergétique et le type d'énergie choisis une fois pour toutes (les logements neufs
ne sont pas rénovés). Au nal comme les logements neufs ont tous des bonnes performances énergétiques
et que le taux d'actualisation varie peu, l'inuence est très faible.
disp
smax − st−1 1 Rt /Lt
18. st = × εsurf ace × ( index disp − 1) avec smax = 140 pour les MI (80 pour les
smax − sini pt Rt−1 /Lt−1
LS et les LC), sini = 120 pour les MI (70 pour les LS et LC), εsurf ace = 0.2 pour les MI (0.01 pour les
disp
LC et LS), Lt la population française à l'année t (exogène), Rt le PIB à l'année t (exogène ou obtenu
par bouclage macro avec IMACLIM-R) et pt index l'indice des prix (pris à 1 ici).

18
 Figure 4  Projection du nombre de logements

1.3 Bouclage macroéconomique

Dans l'état actuel, Res-IRF est connecté au modèle IMACLIM-R (Crassous et al.
2006 [18], Sassi et al. 2010 [57]) par le biais du prix des énergies pener et du revenu des
ménages R. Ces deux valeurs sont calculées dans IMACLIM-R par un modèle d'équilibre
général calculable à une année t. Ils interviennent alors à diérents niveaux dans le mo-
dèle Res-IRF (rénovation et choix du type de construction neuve pour pener , nombre de
constructions neuves pour R) qui détermine alors la demande en énergie dans le résiden-
tiel et les investissements dans l'ecacité énergétique. Ces dernières valeurs permettent
de calculer un nouvel équilibre dans IMACLIM-R l'année suivante, donnant de nouvelles
valeurs de pener et R et ainsi de suite.
Pour des raisons de facilités de développement et pour isoler son comportement propre,
le module Res-IRF a été séparé d'IMACLIM-R. Ainsi le revenu des ménages et le prix
des énergies sont des données exogènes. Le revenu est tiré d'un des scenarios médian
d'IMACLIM-R. Le prix des énergies augmente de 1% par an dans le scenario de réfé-
rence. Les valeurs de 2007 étant de 11.82, 5.35, 6.72 et 4 centimes d'euros du kWh pour
l'électricité, le gaz, le oul et le bois respectivement (ADEME 2010 [4]).

1.4 Processus de rénovation des logements existants

ancien ancien
Pour chaque catégorie de logement S(d,e,q) , seule une fraction τ(d,e,q) S(d,e,q) est ré-
novée chaque année. Les τ(d,e,q) sont déterminés de façon endogène selon une procédure
décrite partie 1.5 page 23.
Dans cette partie on décrit le processus permettant de déterminer quels types de
rénovation sont eectuées sur ce sous-ensemble du parc. Un logement dans la catégorie
(d, qi , ei ) peut passer dans la catégorie (d, qf , ef ) avec qf > qi (ce qui veut dire que
l'étiquette énergétique d'arrivée est meilleure) et ef quelconque, d soit le type de décideur
ne change pas
19 .
Le changement se fait en deux étapes : dans un premier temps on change de classe

19. Ce qui est normal pour la distinction maison individuelle/logements collectifs, mais l'est moins pour
la distinction propriétaire/locataire, c'est une hypothèse que l'on doit prendre par souci de simplicité

19
 Figure 5  Schéma du bouclage entre Res-IRF et IMACLIM-R

énergétique, à énergie donnée. Puis dans un second temps, pour les logements ayant été
rénovés, il y a la possibilité de changer de combustible (fuel switch).
Une refonte de ce processus a été entreprise. Simple en apparence, elle nécessite en
réalité une nouvelle façon d'appréhender les coûts intangibles et la décroissance des coûts
(cf parties suivantes). Dans sa mise en oeuvre, elle nécessite à la fois un travail sur les
données empiriques et des modications importante dans le code Scilab. Pour ces raisons
la nouvelle version n'est pas encore opérationelle, pour plus de détail voir partie 14 en
annexe.

1.4.1 Changement d'étiquette

A type de décideur et énergie donnée, parmi les logements rénovés, la proportion

passant de la catégorie qi à la catégorie qf , noté PR est donnée par la formule :

−ν
LCC(d,e)q i →qf
P R(d,e)qi →qf = P −ν (2)
qf >qi LCC(d,e)q i →qf

avec
LCC(d,e)qi →qf = CEN ER(d,qf ,e) + CIN Vqi →qj + ICqi →qj (3)

LCC est le coût total sur le cycle de vie, soit la somme du coût de l'énergie actualisé
CEN ER, des coûts de rénovation CIN V et des coûts intangibles IC (leur signication
et la description de leur calibrage sont détaillés partie 1.6). Le paramètre ν désigne l'hé-
térogénéité des préférences. S'il était inni, seule la solution la plus ecace sur le plan
économique serait choisie. Il peut reéter le fait que la réduction de la facture énergétique
n'est pas le seul critère de choix (31% en 2007 selon TNS SOFRES [62]). ν vaut 8 dans
Res-IRF (partant de G, l'option la moins coûteuse est choisie dans 44% des cas).

20
 F E D C B A
G 76 136 201 271 351 442
F 63 130 204 287 382
E 70 146 232 331
D 79 169 271
C 93 199
B 110

Table 1  Coûts de rénovation

La matrice de coûts de rénovations est donnée dans le tableau 1. L'utilisation d'une

telle matrice présente certaines limitations pour diérentes raisons :
 Technologies implicites. Les travaux de rénovations font intervenir diérentes me-
sures sur l'enveloppe (isolation des combles, isolation des murs, double-vitrage etc)
ou sur le système de chauage (achat d'une chaudière plus ecace). Dans cette
matrice ces diérentes options technologiques n'apparaissent pas.
 Hétérogénéité des prix et de l'ecacité des travaux. Le coût des technologies est
mal connu et il existe presque autant de solutions techniques que de logements.
Les coûts d'installation sont eux aussi extrêmement variables. Au nal le prix des
devis peut varier du simple au double. Les travaux peuvent également être faits par
les particuliers, ce qui fait diminuer le coût, mais potentiellement la performance
énergétique nale si le travail a été mal fait
20 .
 Hétérogénéité des logements au sein d'une même étiquette. Le point précédent se
poserait même si tous les logements étaient identiques. Le fait qu'ils ne le soient
pas complique un peu plus le problème. Par exemple, entre un logement à la limite
des étiquette G et F et un logement extrêmement mal isolé, le prix pour arriver à
l'étiquette F sera très diérent.
L'utilisation d'une telle matrice peut se justier dans Res-IRF par le fait que l'on travaille
sur des classes de plusieurs milliers de logements, et donc que des moyennes de coûts
susent. Le paramètre ν permet alors de modéliser grossièrement ces diérentes sources
d'hétérogénéité.
Par souci de cohérence, la matrice, dont la construction est détaillée en annexe page
78 respecte deux principes. Premièrement, mis à part la transition G vers F, les coûts de
passage à l'étiquette immédiatement supérieure (termes de la diagonale) sont de plus en
plus grands, par décroissance des rendements
21 . Gagner 20% d'ecacité énergétique est
beaucoup plus simple lorsqu'on part d'un logement mal isolé, car des solutions techniques
de plus en plus sophistiquées et donc de plus en plus chères doivent être adoptées au fur et
à mesure que l'on gagne en classe énergétique. Deuxièmement, il est toujours moins cher
de passer directement d'une étiquette à l'autre que d'eectuer plusieurs sauts d'étiquettes
successifs (par exemple CoûtG→E < CoûtG→F + CoûtF →E ).
Le coût de l'énergie actualisé vaut :

CEN ER(d,qf ,ef ) = Constheo (qf ) × pener (ef ) × DISC(d) (4)

La consommation théorique est donnée dans le gure 3. Les ménages ont une antici-
pation myope : ils considèrent le prix de l'énergie pener constant, égal à celui de l'année

20. ce qui ne concerne pas seulement les particuliers d'ailleurs. Les logements BBC sont particulièrement
concernés : la moindre malfaçon peut coûter cher en termes d'ecacité énergétique
21. Avec les consommations théoriques du modèle, passer de G à F représente une économie d'énergie
de 48%, contre 28% pour le passage de F à E

21
t pour les années à venir. Cette myopie peut se justier par l'incertitude sur le futur,
ou par une règle d'investissement non optimale opérée par les ménages imputable à une
rationalité limitée (Kempton et Montgomery 1982 [37]). Les travaux anthropologiques
conrment cette rationalité limitée (Bovay et al. 1987, pp114-115 [11]) : Le discours de
nos interlocuteurs sur la crise laisse entrevoir qu'ils ne sont guère en position de choisir
une attitude de long terme en matière de consommation. (...), ils ne possèdent ni l'envie,
ni les informations nécessaires [pour le faire]. (...) qu'il s'agisse de gérer un budget, d'éco-
nomiser nancièrement ou énergétiquement, la tendance générale est dans la gestion au
mois.
Le coecient d'actualisation vaut quant à lui

1 − (1 + r(d))−(lif etime+1)
DISC(d) = (5)
r(d)

Le paramètre lif etime est pris à 35 ans ici (durée de vie conventionnelle pour l'en-
veloppe d'un bâtiment). Les taux d'actualisation diérenciés selon le type de décideur
r(d) permettent de modéliser le dilemme propriétaire-locataire. Le propriétaire qui loue
son logement n'a pas intérêt à supporter des coûts de rénovation s'il ne bénécie pas
lui-même des économies d'énergies réalisées, tandis que le locataire n'a pas intérêt à ré-
nover s'il n'est pas certain de rester au moins aussi longtemps que le temps de retour
sur investissement. Il permet également de modéliser la diculté d'opérer des travaux en
copropriété (i.e sur des logements collectifs), ou la volonté politique de lutter contre la
précarité énergétique (taux d'actualisation faible pour les logements sociaux). Le dilemme
propriétaire-locataire a été observé et bien étudié (Levinson et Nieman 2004 [41] pour
les Etats-Unis, Rehdanz 2007 [54] pour l'Allemagne).
Ces taux d'actualisation valent respectivement 8%, 15%, 45%, 55% et 4% pour les
types de décideurs P OM I , P OLC , P BM I , P BLC et LS . La moyenne pondérée par les
classes de logements de ce taux d'actualisation vaut environ 20%, valeur classique utilisée
dans la littérature pour les rénovations énergétiques (Train 1985 [63]).

1.4.2 Fuel switch

Pour les logements ayant été rénovés, la classe de performance énergétique étant xée,
la proportion choisissant l'énergie de chauage ef est donnée par :

−ν
LCCS(d,qi )ei →ef
P RF S(d,qi )ei →ef = X
−ν
LCCS(d,qi )ei →e0
f
e0f

Avec
LCCS(d,qi )ei →ef = switchei →ef + CEN ER(d,qi ,ef )
Il n'y a pas pour le fuel switch de coûts intangibles (par manque de données permettant
de calibrer le processus).CEN ER(d,e,q) est donné par la même formule que 21 page , à
l'exception près que le paramètre lif etime est pris à 15 ans (durée de vie conventionnelle
d'un système de chauage). La matrice de fuel switch switch est donnée dans le tableau
2.

22
 Combustible nal
Elec Gaz Fioul Bois
Elec 0 70 100 120
Gaz 55 0 80 100
Fioul 55 50 0 100
Bois 55 50 80 0

Table 2  Matrice de coûts de fuel switch (¿/m2 )

RT05 BBC BEPOS

Elec 1150 1400 1700
Gaz 1200 1350 1600
Fioul 1270 1400 1800
Bois 1200 1300 1800

Table 3  Coûts de construction (¿/m2 )

1.4.3 Choix des classes de performance énergétique et d'énergie dans la

construction neuve

A type de décideur d donné, les market shares pour la classe de performance énergé-
tique et l'énergie de chauage est donnée par :

−ν
LCCneuf,(i,e,d)
P R(q,e) = P −ν
i0 ,e0 LCCneuf,(i0 ,e0 ,d)

où

LCCneuf,(q,e,d) = CEN ER(q,e,d) + CCON S(q,e,d) + IC(q,e,d)

CEN ER est le coût de l'énergie actualisé (même formule que 4 page 21). CCON S
est donné tableau 3. IC sont les coûts intangibles dans le neuf (voir partie 1.6 page 25
pour plus d'explications).

1.5 Lien qualité/quantité de rénovation

Dans Res-IRF, le nombre de rénovations est déterminé de façon endogène, contrai-
rement à beaucoup d'autres modèles (pour une revue des diérents modèles énergie-
économie, voir Mundaca et al. 2010 [46]).
ancien
On a vu précédemment que pour chaque catégorie de logement S(d,e,q) , seule une
ancien
fraction τ(d,e,q) S(d,e,q) est rénovée chaque année. On décrit dans cette partie comment
cettre fraction τ(d,e,q) est déterminée.
La valeur actualisée nette NPV d'une catégorie de logement donnée (d, q, e) est donnée
par la formule :

X
N P V(d,q,e) = CEN ER(d,q,e) − P Rd,(q,e)→(q0 ,e0 ) LCCd,(q,e)→(q0 ,e0 )
e0 ,q 0 >q

Il s'agit de la diérence entre le coût actualisé du statu quo (CEN ER) et le coût
actualisé de la rénovation (en fait de la rénovation moyenne car il y en a plusieurs

23
 Figure 6  Fonction de rénovation (avec r = 0.015)

possibles : moyenne des coûts totaux sur le cycle de vie LCC pondérés par les market
shares M S ).
Pour une classe de logement donnée, plus la rénovation est rentable, plus la fraction
rénovée est importante. Le lien entre les deux se fait par la fonction de rénovation R.
C'est une fonction logistique donnant le taux de rénovation des logements (d, q, e),
τ(d,e,q) , en fonction de leur N P V . Cette fonction a été modiée par l'auteur pour permettre
un calibrage plus rapide et plus able (voir Giraudet et al. 2011 pour l'ancienne version).

τmax
τ(d,e,q) = Rr (N P V(d,e,q) ) = τmax
1+( − 1) exp(−rN P V(d,e,q) )
τN P V =0
Elle comporte trois paramètres dont deux sont xés de manière ad hoc et un est
déterminé suite à une calibration. τN P V =0 est le taux de rénovation lorsque la NPV vaut
0, il est pris à 0.1%. τmax est le taux de rénovation maximum pour une classe de logement
donnée. Il se justie par une contrainte sur l'ore : on ne peut pas rénover entièrement
une classe de logement en une seule année. Sa valeur est de 20%.
Le paramètre r est calibré la première année de telle sorte que la moyenne pondérée
par classe de logements des taux de rénovation soit égale au taux de rénovation initial,
soit :

ancien 1 X
ancien 0 0 0
Fr (St=t ini
)= X (St=t ini
(d , q , e ) × Rr (N P V(d0 ,q0 ,e0 ) )) = τini
ancien (d0 , q 0 , e0 )
St=tini (d0 ,q 0 ,e0 )
(d,q,e)

Ce taux, déterminé à partir des données OPEN, vaut 3%, voir partie 12.2 pour plus de
ancien
détails). La fonction Fr (St=tini
) étant une fonction monotone et continue du paramètre
r, ce dernier est déterminé en utilisant un algorithme dichotomique exploitant le théorème
des valeurs intermédiaires
22 .

22. Si une fonction f monotone et continue prend une valeur positive en a et une valeur négative en b,
alors elle s'annule entre a et b.

24
 F E D C B A

G 25% 27% 27% 21% ε% ε%

F 40% 26% 31% 2% ε%
E 66% 28% 6% ε%
D 95% 5% ε%
C 91% 9%
B 100%

Table 4  Transitions d'étiquettes réelles, déterminées à partir de 500 opérations de

rénovation prises dans le logement social (adapté de PUCA 2008 [52])

F E D C B A

G 8 31 37 35 139 162
F 15 35 10 93 133
E 18 24 33 121
D 5 35 83
C 43 24
B 0

Table 5  Coûts intangibles dans les rénovations (¿/m2 )

1.6 Calibrage des coûts intangibles

Si l'on ne prenait en compte que le coût de l'énergie actualisé CEN ER et les coûts
de rénovation CIN V , les transitions de classes énergétiques calculées de façon endogène
ne reèteraient pas les transitions réellement observées (voir tableau
23 4). Les coûts in-
tangibles sont rajoutés pour que ce soit le cas.
Ils sont calibrés la première année en résolvant un système non linéaire que l'on détaille
en annexe partie 13 page 81.
Leur interprétation économique est délicate. De par leur nature même de coûts non
tangibles, on peut leur donner une valeur de tout ce qui ne rentre pas dans le calcul
économique classique : coûts d'information (Urge-Vorsatz et al. 2009 [55]), coûts de
transaction, coûts cachés (gêne occasionnée pendant les travaux par exemple), prime de
risque contre la malfaçon (Farsi 2010 [23]), valeur d'option (en attendant le dévelop-
pement de nouvelles technologies), préférence pour les autres attributs de la technologie
(Beugin et Jaccard 2011 [10]).
Dans ce modèle, on leur prête une véritable valeur économique liée aux coûts d'in-
formation (voir partie 1.7). Ils jouent donc le double rôle d'instrument de calibration
(faire en sorte que les transitions endogènes correspondent aux transitions observées) et
d'instrument de modélisation économique (du social learning).

1.6.1 Construction neuve

Le principe est le même dans la construction neuve. Ce ne sont pas des transitions
qui sont à reproduire, mais les parts de marché de la construction neuve en fonction de
la classe énergétique et du type de combustible (voir tableau 6).

23. ε dans le tableau est pris à 0.0001

25
 RT05 BBC BEPOS
Elec 51% 6% 1% 64%
Gaz 21% 2% ε% 24%
Fioul 3% ε% ε% 3%
Bois 8% 1% ε% 9%
89% 10% 1%

Table 6  Parts de marché de la construction neuve (adapté de OPEN 2008 [49])

RT05 BBC BEPOS

Elec 100 291 585
Gaz 211 560 983
Fioul 562 1079 1550
Bois 419 870 1320

Table 7  Coûts intangibles dans la construction neuve (pour un taux d'actualisation de

2
8%) (en ¿/m )

1.7 Evolution des coûts intangibles et des coûts de rénovation

Les coûts de rénovation et de construction décroissent par un processus de learning-
by-doing assez classique (Gillingham et al. 2008 [24]) : plus le nombre de travaux déjà
réalisés est important, et plus le prix de ces derniers est faible. Ainsi la rénovation éner-
gétique engendrerait des externalités positives : si je suis un particulier, les travaux que
je fais aujourd'hui aurait un eet bénéque pour mes voisins car s'ils en feraient demain
ils seraient moins cher.
On s'inspire également de ce processus pour faire décroître les coûts intangibles (on
nomme cet eet par analogie learning-by-using ). Si on considère que les coûts intangibles
représentent un manque d'information, les travaux eectués peuvent engendrer des ex-
ternalités positives d'information par eet de voisinage ou neighboor eect : je fais des
travaux d'ecacité énergétique car mes proches m'ont parlé de leurs travaux et de leur
satisfaction d'avoir diminué leur facture énergétique (voir Mau et al. 2008 [44] pour un
processus similaire dans le modèle CIMS). Dans l'enquête TNS Sofres de 2009, 10% des
ménages arment que le conseil des parents et amis est la source d'information la plus
utile. Cet eet aussi appelé social learning en économie, est compatible avec l'hypothèse
de l'homo economicus rationnel (un individu adopte une technologie lorsqu'il a eu suf-
samment de preuves de son ecacité dans son entourage), au contraire des concepts
de contagion utilisé en marketing (les innovations se propagent par contact comme des
virus) et de social inuence en sociologie (technologie adoptée par conformisme social)
(Young 2009 [66]).
A titre indicatif, mentionnons que les politiques d'information
24 peuvent avoir un im-
pact considérable et déterminer le contexte socio-technique des décennies futures. Après-
guerre, EDF-GDF embauche pour rentabiliser ses investissements des monitrices d'en-
seignement ménager parcourant les campagnes et encourageant les femmes à acheter les
bons produits (Subrémon 2010 [61]). Cette politique volontariste a entrainé une surre-
présentation du chauage électrique, avec les problèmes de pointes hivernales que cela
pose à l'heure actuelle.
D'autre part, des mécanismes économiques lient la demande de travaux de rénovations

24. diciles à modéliser de façon satisfaisante, elles ne sont pas traités dans Res-IRF.

26
et les coûts des devis proposés par les artisans. L'ADEME aurait observé une augmenta-
tion du prix des devis des artisans suite aux incitations publiques à eectuer des travaux
(Subrémon 2010 [61]). Ces aspects ne sont pas modélisés dans Res-IRF car le marché
de la rénovation n'y est pas représenté. Les coûts de rénovation ne peuvent que décroître
par learning-by-doing.
Cette partie décrit les procédés de learning-by-doing et learning-by-using.
Chaque année on sauvegarde l'augmentation du stock de capital installé dans le neuf
et dans l'existant :
 La surface rénovée selon l'étiquette d'arrivée : 4Kexistant (vecteur allant de l'éti-
quette F à l'étiquette A).
 La surface construite selon l'étiquette d'arrivée, 4Kneuf (vecteur de taille 3 : RT05,
BBC, BEPOS).
Le stock de capital installé l'année suivante est alors K + 4K . Le stock de capital initial
revêt alors une certaine importance
25 .
Le stock de capital installé permet alors de calculer deux facteurs (les formules sont
les mêmes pour le neuf et l'existant) :

t
log(K (qf )/K 0 (qf ))





LBDt = (1 − l) log(2)
t

 log(K (qf )/K 0 (qf ))


LBU t = (1 − u) log(2)

l est le taux d'apprentissage, valant 10% pour les rénovations et 15% pour la construc-
tion neuve. u, le taux d'information, vaut 25% pour les rénovations et les nouvelles
constructions. Valant 1 au départ, LBD (respectivement LBU ) diminue de l% (respecti-
vement u%) à chaque fois que le stock de capital installé double par rapport au stock de
capital initial
26 .
Une étude empirique (Weiss et al. 2010 [65]) donne des taux d'apprentissage à 18
plus ou moins 9% pour les technologies utilisées par les consommateurs. Mais le coût

25. Le stock de capital initial revêt alors une certaine importance. En eet, il détermine la vitesse de
décroissance des coûts (on décroit du taux d'apprentissage en pourcents à chaque doublement du stock
de capital par rapport au stock initial ). Si on prend une valeur trop petite, le stock de capital installé
double très vite et les coûts décroissent trop vite.
Sa détermination ne peut relever que de l'appréciation du modélisateur. Voici les valeurs retenues :
Pour l'existant Kexistant (0) = SF :A × τini × nbannées
où SF :A est la surface des logements dans le parc initialement pour les étiquettes allant de F à A et
nbannées un paramètre pris à 10 ans.
Pour le neuf, Kneuf (0) vaut la surface totale du parc pour RT05, le tiers de la surface totale du
parc des logements supérieurs à C pour BBC et le sixième de la surface totale des logements supérieurs
à B pour BEPOS. Ces valeurs résultent d'un choix ad hoc du modélisateur pour contrôler la vitesse de
décroissance des coûts.
26. En eet, il détermine la vitesse de décroissance des coûts (on décroit du taux d'apprentissage en
pourcents à chaque doublement du stock de capital par rapport au stock initial ). Si on prend une valeur
trop petite, le stock de capital installé double très vite et les coûts décroissent trop vite.
Sa détermination ne peut relever que de l'appréciation du modélisateur. Voici les valeurs retenues :
Pour l'existant Kexistant (0) = SF :A × τini × nbannées
où SF :A est la surface des logements dans le parc initialement pour les étiquettes allant de F à A et
nbannées un paramètre pris à 10 ans.
Pour le neuf, Kneuf (0) vaut la surface totale du parc pour RT05, le tiers de la surface totale du
parc des logements supérieurs à C pour BBC et le sixième de la surface totale des logements supérieurs
à B pour BEPOS. Ces valeurs résultent d'un choix ad hoc du modélisateur pour contrôler la vitesse de
décroissance des coûts.

27
d'installation
27 n'est pas compris dans ces études, qui se concentrent sur le prix du bien
technologique seulement. De plus, les études économétriques surestimeraient ces taux
d'apprentissage (Nordhaus 2009 [48]). C'est pourquoi les taux utilisés dans Res-IRF
sont légèrement inférieurs aux estimations données plus hauts.
Les coûts de rénovations valent nalement :

CIN Vqti →qf = CIN Vq0i →qf × LBDexistant

t

Pour les coûts de construction, le processus est identique excepté l'existence de bornes
inférieures
28 :

t lim t lim t
CCON S(q,e) = CCON S(q,e) + (CCON S(q,e) − CCON S(q,e) )LBDneuf
Enn pour les coûts intangibles, seule une fraction du coût de départ décroit :

IC t = IC 0 ((1 − β) + β × LBU t ) (6)

La part variable des coûts intangibles β vaut 80% pour l'existant et 95% pour le
neuf. La part non variable quant à elle peut être interprêtée par exemple comme la gêne
occasionnée par les travaux, qui ne diminue pas même avec des eets d'information.

1.8 Passage consommation théorique/consommation réelle : eet

rebond
Pour un logement donné, on peut décomposer la consommation d'énergie nale en
trois facteurs : la surface du logement S, l'ecacité du logement et le facteur de service,
caractérisant le comportement économe ou dépensier des occupants par rapport à la
facture d'énergie :

Econv Ef in
Ef in ≡ S × ×
S Econv
Econv 2
(en kWh/m /an) est ici la consommation d'énergie issue directement d'un diag-
S
nostic de performance énergétique, tandis que Ef in est l'énergie réellement consommée.
Ef in
Dans Res-IRF, le passage de l'un à l'autre (soit le rapport nommé facteur de ser-
Econv
vice ) est modélisé par une fonction de facteur de service prenant en argument la consom-
Econv
mation théorique =ρ et le prix de l'énergie p. Cette fonction est décroissante par
S
rapport à la dépense énergétique théorique p × ρ.
En eet, après investissement dans l'ecacité énergétique, la consommation d'énergie
observée est très souvent supérieure à celle attendue par des hypothèses conventionnelles
(thermostat intérieur à 19°C par exemple), c'est l'eet rebond. Parfois dû à des malfa-
çons, cette augmentation du facteur de service est le plus souvent dû à un changement
de comportement de l'utilisateur. Ce changement de comportement peut être expliqué
par une rationalité de l'agent qui réalloue des ressources entre deux attributs du ser-
vice énergétique : le confort qu'il procure et la dépense qu'il occasionne (Sorrell et
Dimitropoulos 2008 [59]).

27. qui représente une part importante du coût total et qui n'est pas aecté par le learning-by-doing,
mais plutôt par des mécanismes d'ore/demande
28. il y a plus de coûts xes dans la construction neuve que dans la rénovation

28
 Cet eet rebond fait parfois l'objet de diérents jugements de valeur selon les dis-
ciplines. Pour les énergéticiens, c'est un gâchis d'économies d'énergies imputable à l'uti-
lisateur qui ne joue pas le jeu. Pour les économistes, il s'agit plutôt d'une substitution
confort thermique/dépense résultant d'une maximisation de bien-être.
La prise en compte de l'eet rebond est un réel atout de Res-IRF par rapport à d'autres
modèles mais sa modélisation par l'intermédiaire unique de cette courbe d'utilisation
repose sur des hypothèses qu'il est important de clarier.
 Tous les utilisateurs ont le même comportement. Dans la réalité, le comportement
des ménages face à la consommation d'énergie est très varié et a fait l'objet d'études
sociologiques et anthropologiques. On peut citer ici quelques éléments. Les popula-
tions les plus riches sont généralement les plus sensibles aux questions écologiques et
énergétiques, mais leur pouvoir d'achat important fait que leurs aspirations ne sont
pas toujours reétées dans leurs habitudes de consommations (Roy 2007 [56]). Le
rapport à l'énergie peut également être diérent selon les générations (Moussaoui
2009 [45]) : adolescents plus gaspilleurs par volonté d'émancipation, jeunes adultes
plus raisonables par limitation du budget, etc. Enn, la consommation d'énergie ren-
voie également à l'image que l'on veut donner de soi : généreux ou radin, concerné
par les problématiques écologiques ou pollueur (Desjeux et al. 1996 [22]). L'utili-
sation d'un ménage moyen ou représentatif peut se justier ici car on raisonne à
l'échelle macro.
 La courbe n'évolue pas sur toute la durée de la simulation. Or les comportements
des ménages vis-à-vis de l'énergie ne sont pas constants au cours du temps mais
évoluent. Dans un article, Koomey qualie même de big mistake le fait de se baser
sur des paramètres historiques et de considérer les paramètres comportementaux
comme immuables pour réaliser des prévisions (Koomey 2002). Il est toutefois
dicile de faire autrement dans le cadre d'une modélisation.
 Le passage de la consommation conventionnelle à la consommation réelle par une
fonction suggère une totale réversibilité. Or des études sociologiques montrent que ce
qui est considéré comme luxueux un jour peut devenir au contraire banal, quotidien
et donc parfaitement nécessaire quelques années plus tard (Hitchings 2008 [29], sur
la perception de la climatisation parmi les jeunes de Singapour). Ces phénomènes
de lock-in psychologiques ne sont pas pris en compte.
Les deux courbes ont été construites sur des données réelles EDF obtenues grâce à B.
ALLIBE. Sur la gure 7, les points sont les déciles (ordonnés par dépense énergétique
théorique) d'un échantillon de 900 ménages. Les paramètres de la courbe nouvelle logis-
tique sont obtenus à la main, tandis que ceux de la courbe élasticité constante le sont
par une régression linéaire.
Deux versions sont utilisées. La première (nouvelle logistique) est de la forme

consomax − consomin
F actservice = consomin +
1 + a exp(bpρ − c)
2
avec p le prix de l'énergie, ρ la consommation conventionnelle (en kWh/m /an), a = 1,
b = 0, 2, c = 1, 8, consomin = 0.45, consomax = 1.45.
La deuxième (élasticité constante ou isoélastique) est :

F actservice = K(pρ)e
avec K = 2, 72 et e = −0, 505.
Pour une catégorie de logement donnée, la consommation d'énergie nale vaut :

29
 Figure 7  Courbes de facteur de service

Ef in Econv
Ef in = ×S× = F actservice × S × ρ
Econv S
En sommant sur toutes les catégories de logements, on a nalement :

X
Ef in,tot = F actservice,(q0 ,e0 ) × Sd0 × ρ(q0 ,e0 )
(q 0 ,e0 ,d0 )

2 Paramétrage des diérentes politiques

Res-IRF permet de simuler l'eet de politiques déjà existantes du Grenelle de l'envi-

ronnement sur la consommation d'énergie pour le chauage résidentiel (CIDD, Eco-PTZ,
RT 2012-2020) mais aussi des mesures supplémentaires (obligation de rénovation, taxe
carbone).
Dans cette partie nous discutons de la façon dont ces politiques sont paramétrées. La
simplicité du modèle ne permet souvent pas de prendre en compte toutes les règles d'une
politique donnée.
Pour leur eets sur la consommation d'énergie, voir partie 10 page 58.

2.1 Crédit d'impôt développement durable (CIDD)

Certains achats de biens ecaces en énergie, comme les travaux d'isolation, les doubles
vitrages, les chaudières à condensation, sont éligibles au CIDD. Les règles d'attribution
sont assez techniques et ont évolué au cours du temps.
Dans Res-IRF, le CIDD est représenté de manière simpliée sous la forme d'une sub-
vention, comme une remise uniforme de 30% du coût d'investissement pour toute transi-
tion vers une classe énergétique supérieure, plafonnée à 8000¿ par logement.
Les enquêtes ont montré que cette mesure a été un réel déclencheur de travaux d'ef-
cacité énergétique (54% des ménages ayant réalisé des travaux ont été inuencés par

30
celui-ci, TNS SOFRES 2010 p41 [62], voir aussi M.L Nauleau 2011 [47]pour son évalua-
tion). Son coût budgétaire important (revers de son succès) ainsi que la crainte d'un eet
d'aubaine
29 massif ont cependant poussé l'Etat à restreindre les conditions d'éligibilité.

2.2 Eco-prêt à taux zéro (EcoPTZ)

En l'absence de classes de revenus représentant les contraintes de liquidités, l'Eco-PTZ
est représenté par une subvention correspondant au montant total des intérêts d'un prêt
conventionnel (du montant des coûts des travaux de rénovations) de 10 ans à 4%.

2.3 Règlementation thermique pour les bâtiments neufs (RT2012

RT2020)
Avoir des critères exigents d'ecacité énergétique dans la construction neuve a été
l'une des mesures les plus consensuelles du Grenelle de l'Environnement.
Dès 2013, les nouveaux bâtiments devront se conformer au label BBC (moins de 50
KWh/m2/an), et il est question à partir de 2020 d'imposer le label BEPOS.
Dans Res-IRF, on traduit ces mesures par la restriction successives des catégories
d'ecacité énergétique des bâtiments dans la construction neuve
30 .

2.4 Obligation de rénovation (OR)

L'obligation de rénovation impose la réalisation de bouquets de travaux visant à at-
teindre la classe B ou C à chaque transaction immobilière. Cette obligation commencerait
à la classe G en 2012 puis s'étendrait successivement aux autres classes énergétiques.
Pour représenter cette politique, on force le taux de rénovation endogène pour les
logements situés sous le seuil an de le faire correspondre aux cycles de changement
d'occupant : 3,5% des logements occupés par leur propriétaire, 18% des logements loués
dans le parc non social et 10% dans le parc social
31 (CGDD 2009 [15]). Les classes
énergétiques d'arrivée sont limitées aux catégories supérieures ou égales à C.

2.5 Taxe carbone (ou CCE Contribution Climat Energie)

La valeur du carbone utilisée dans Res-IRF suit celle du rapport Quinet : 32¿ par
tonne de CO2 en 2010, augmentant de 5.8% par an jusqu'en 2030 puis de 4% par an
ensuite, atteignant 217¿/tCO2 en 2050. La taxe carbone est parfaitement anticipée par
les ménages au moment où elle est mise en place. Le contenu carbone des diérentes
énergies retenu pour l'application de la taxe est de 180g/kWh pour l'électricité, 201g/kWh
pour le gaz, 271g/kWh pour le oul et 0g/kWh pour le bois-énergie (ADEME 2007).

31
 Figure 8  Evolution des coûts dans le scenario BAU

3 Quelques résultats du modèle pour le scenario au l

de l'eau

Comme on peut le voir gure 8, les trois composantes du coût total sur le cycle de
vie (prix de l'énergie, coûts de rénovation, coûts intangibles, aggrégés grâce à l'indice de
Fischer) n'évoluent pas de la même façon. Le prix de l'énergie augmente au taux annuel de
1% (c'est un input, il pourrait évoluer diéremment). En revanche, les coûts de rénovation
et les coûts intangibles ne peuvent que décroître par le processus de learning-by-doing et
learning-by-using. Les stocks de capital installés étant les mêmes pour les deux processus,
ce qui explique la décroissance plus rapide des coûts intangibles est le taux d'information
valant 25%, contre 10% pour le taux d'apprentissage.
Pour une classe énergétique donnée, l'augmentation du prix de l'énergie (cela coûte
plus cher d'avoir un logement peu performant) et la diminution des coûts de rénovation
et des coûts intangibles (cela coûte moins cher de rénover) augmentent la rentabilité
des travaux de rénovation, et donc leur occurrence d'après notre dynamique. Mais un
autre phénomène poussant à moins de rénovations contrebalance cet eet : l'épuisement
des gisements. Globalement, plus un logement est bien isolé, et moins les travaux de
rénovations ultérieurs sont rentables. A coûts constants, le nombre de rénovations diminue
donc avec l'augmentation de la performance du parc de logements. Les meilleurs travaux
sont fait en premier et le gisement d'économies d'énergie s'épuise.
La résultante des deux phénomènes est donc dicile à prévoir et dépend des para-
mètres de notre modèle. Ici c'est plutôt le deuxième eet qui l'emporte : il y a de moins
en moins de rénovations, mais c'est aussi parce que le taux de rénovation initial est assez
élevé voir partie II page 35.
Comme on peut le voir sur l'histogramme de droite de la gure 9, la distribution des

29. même en l'absence de CIDD, beaucoup de ménages auraient fait des travaux
30. Ce sont les RT telles qu'elles étaient à l'origine qui sont simulées, à savoir BBC en 2012 et BEPOS
en 2020
31. Par simplication on considère que ces taux de renouvellement ne changent pas suite à l'introduc-
tion de cette mesure. On surestime donc certainement l'impact de cette mesure car une telle obligation
donnerait des incitations aux propriétaires à garder leurs locataires plus longtemps.

32
 Figure 9  Evolution du Parc existant en scenario BAU

Figure 10  Evolution de la consommation d'énergie et du facteur de service en scenario

BAU

logements en fonction de la performance énergétique se déplace vers davantage d'ecacité

énergétique. Sur la gure de gauche, on voit que la surface totale des logements apparte-
nant à des mauvaises étiquettes (G,F,E,D) diminue tandis que celle des bonnes (A et
B) augmente. Pour l'intermédiaire, à savoir C, on a une courbe en U inversé : l'eectif de
cette catégorie augmente dans un premier temps avec l'aux d'anciens logements réno-
vés, puis diminue au fur et à mesure que ces logements se rénovent pour passer dans les
catégories A et B.
Deux eets s'opposent dans l'évolution du facteur de service (le rapport entre l'énergie
nale réellement consommée et l'énergie nale conventionnnelle issue d'un diagnostic de
performance énergétique). L'augmentation des prix de l'énergie conduit à plus de sobriété
donc à une diminution de ce facteur de service. Mais l'augmentation de la performance
énergétique globale consécutive aux travaux de rénovations diminue la facture énergétique
théorique et entraîne donc par eet rebond une augmentation du facteur de service.
Comme on peut le voir gure 10, le deuxième eet l'emporte sur le premier.
Malgré cet eet rebond aux alentours de 20% (valeur que l'on trouve dans Res-IRF et
qui correspond à la valeur moyenne issue d'une méta-analyse (Sorrell et al. 2009 [60])),
la consommation d'énergie dans l'existant diminue de façon conséquente. Les parts du gaz
et du oul diminuent dans la consommation d'énergie nale (48% et 16% en 2050 contre
53% et 20% en 2007) au prot de l'électricité et du bois (24% et 12% en 2050 contre 17%

33
11% en 2007).

34
Deuxième partie

Analyse de sensibilité
Diérentes taxonomies des incertitudes ont été réalisées par les chercheurs en Sciences
Sociales, Oreskes (Oreskes 1998 [50]) les classe en quatre catégories.
 Les incertitudes théoriques. Certains mécanismes utilisés dans le modèle qui ne sont
pas parfaitement compris de façon générale, faisant l'objet de controverses scien-
tiques. Dans Res-IRF : mécanismes poussant les ménages à entamer les travaux
de rénovation, comportement de consommation des utilisateurs (eet rebond), mé-
thodes d'estimation des taux d'apprentissage (Nordhaus 2009 [48]).
 Les incertitudes empiriques. Données du problèmes diciles (voire impossibles) à
mesurer. Dans Res-IRF : coûts de rénovation à haut niveau d'aggrégation, nombre
de logements ayant le bois comme énergie de chauage principale, transitions d'éti-
quettes réelles.
 Les incertitudes paramétriques. Elles apparaissent lorsqu'il est nécessaire de réduire
la complexité d'un système pour pouvoir plus facilement le modéliser. Dans Res-
IRF : segmentation du parc par classes de logements, taux d'actualisation uniques
par types de décideurs, choix de la courbe logistique donnant le pourcentage de
rénovation, choix de la courbe comportementale de facteur de service.
 Les incertitudes temporelles. On est souvent forcés de faire l'hypothèse que les sys-
tèmes sont stables au cours du temps, qui n'est au mieux qu'une approximation.
Ces incertitudes prennent une place prépondérante lorsqu'on modélise non pas des
systèmes physiques mais des systèmes inuencés par les dynamiques économiques,
sociétales et institutionnelles (de Marchi 1995 [19]) ou lorsque le comportement
humain intervient (Koomey 2000 [38]). Des percées technologiques peuvent éga-
lement avoir des conséquences inattendues. Dans Res-IRF : courbe de facteur de
service ne changeant pas au cours du temps, taux d'actualisation n'évoluant pas.
De tous ces types d'incertitudes, seules les incertitudes empiriques peuvent être traitées
de façon satisfaisante par des méthodes de Monte Carlo (en supposant que les marges
d'incertitudes empiriques soient bien connues et que les capacités de calcul soient su-
samment importantes). Pour les autres, elles sont souvent explicitées dans la description
des modèles mais diciles voire impossibles à évaluer. Une façon de les traiter serait
de procéder par scenarios (Van Asselt et Rotmans 2002 [7]), ou par comparaison de
modèles entre eux (Energy Modelling Forum).
Dans ce chapitre, on développe une méthode de Monte Carlo pour évaluer les incerti-
tudes sur les sorties du modèle (ce sont les incertitudes empiriques qui sont traitées) puis
faisons une analyse de variance sur les paramètres (on traite alors de façon partielle des
incertitudes paramétriques).

4 Méthode

Certains paramètres ne sont plus xés mais deviennent des variables aléatoires. A
chaque simulation, on eectue un tirage aléatoire des paramètres selon leur loi de distri-
bution avant de faire tourner le modèle
32 . On sauvegarde certaines sorties : consommation
d'énergie réelle et conventionnelle, taux de rénovation, indice de Fisher des coûts intan-
gibles et des coûts de rénovation, stock de logements par classes énergétiques ou par

32. sans aucune politique

35
énergie de chauage principale ; puis on recommence. Les sorties du modèle sont alors des
distributions statistiques.
Certaines combinaisons de paramètres font échouer la calibration des coûts intangibles.
En cas d'erreur, l'algorithme est conçu pour passer à la simulation suivante et ainsi ne pas
s'arrêter. A la n seules les simulations réussies sont gardées. Les premiers essais d'analyse
de sensibilité ont permis de dénir des plages de valeurs de paramètres qui minimisent
ces erreurs (notamment pour le paramètre ν ). Le taux d'échec est situé entre 1 et 2%, ce
qui limite les biais statistiques.
Au total environ 18 000 simulations ont été réalisées.

4.1 Variables
Dix degrés de liberté sont choisis pour cette analyse de sensibilité.
 Le taux de croissance du prix des énergies (qui est le même pour toutes les énergies
et reste constant de 20078 à 2050). Valeur référence : 1%.
Ce paramètre détermine le prix de l'énergie, qui intervient plusieurs fois dans le processus
de rénovation par l'intermédiaire de CEN ER (voir partie 1.4 équation (3)), ainsi que
dans la courbe de facteur de service (voir partie 1.8). Plus le prix de l'énergie est élevé,
plus on a un comportement sobre et plus il est protable de faire des rénovations, donc
moins on consomme d'énergie.
 Les coûts de rénovation dans l'existant. Valeur référence : la matrice
 
76 136 201 271 351 442

 0 63 130 204 287 382 

 0 0 70 146 232 331 
CIN V −Existant = 

 0 0 0 79 169 271 

 0 0 0 0 93 199 
0 0 0 0 0 110
2
Cette matrice (rappel : le premier terme en haut à gauche donne le coût en ¿/m pour
passer de la catégorie G à la catégorie F), intervient dans le processus de rénovation (voir
partie 1.4 équation (3)). Plus les coûts de rénovation sont faibles, et plus il est intéressant
de rénover, donc moins on consomme d'énergie.
 Le taux de rénovation annuel initial. Valeur référence 3%.
Ce paramètre permet de calibrer le paramètre r de la fonction R de rénovation, qui
détermine les fractions de chaque catégorie de logements qui vont être rénovés (voir partie
1.5) chaque année. Toutes choses égales par ailleurs (prix de l'énergie, coûts de rénovations,
coûts intangibles), un taux de rénovation initial grand va entraîner l'utilisation d'une
courbe de rénovation optimiste, c'est à dire donnant une plus grande fraction de chaque
catégorie rénovée pour la même NPV , donc plus il y aura de rénovations, et plus la
consommation sera faible.
 Le taux d'apprentissage dans l'existant (et de façon corrélée le taux d'apprentissage
dans le neuf, voir plus loin). Valeur référence : 10%.
 Le taux d'information. Valeur référence 25% (neuf et existant).
Ces deux paramètres déterminent la vitesse de décroissance des coûts de rénovations et
des coûts intangibles. Pour une même augmentation de capital installé donnée (ie pour
le même nombre de rénovation), plus ces paramètres sont grands et plus la décroissance
des coûts sera grande (voir partie 1.7), et donc plus il y aura de rénovation, et plus la
consommation sera faible.
 La part variable dans les coûts intangibles. Valeur référence 80%.

36
Plus ce paramètre est grand, et plus la décroissance des coûts intangibles sera grande
(toute chose égales par ailleurs), voir équation (6) partie 1.7.
 Le taux d'actualisation pour les P OM I dans l'existant (et de façon corrélée le taux
d'actualisation pour les P OLC ). Valeur référence 8%.
 Le taux d'actualisation pour les P BLC dans l'existant (et de façon corrélée le taux
d'actualisation pour les P BM I ). Valeur référence 55%.
Le taux d'actualisation intervient dans le calcul de CEN ER (voir équations (??) et (5)
partie 1.4). Il modélise le dilemme propriétaire-locataire et la diculté de faire des travaux
en copropriété. Plus le taux d'actualisation est grand, plus le coût de l'énergie actualisé
est faible, et moins il est intéressant de faire des travaux.
 Le paramètre d'hétérogénéité des préférences ν. Valeur référence 8.
Ce paramètre intervient dans le calcul des transitions d'étiquettes dans la procédure de
rénovation (équation (2) partie 1.4). Plus ν est grand, et plus la solution minimisant le
coût total sur le cycle de vie est favorisée (ce n'est généralement pas la plus ecace au
point de vue énergétique, il n'est donc pas possible de prédire l'évolution dans un sens
ou dans l'autre de la consommation d'énergie). L'expérience a montré que des valeurs
extrêmes de ce paramètre perturbaient la calibration des coûts intangibles.
 La courbe de facteur de service.
Cette courbe modélise l'eet rebond en reliant énergie nale conventionnelle et énergie
nale réelle (voir partie 1.8). Elle n'a donc aucun impact sur l'ecacité (le nombre et la
qualité des rénovations) mais est déterminante sur la sobriété.
En termes plus techniques, cette analyse de sensibilité porte donc sur un input, le
taux de croissance du prix des énergies, deux initial state, les coûts de rnéovation dasn
l'existant et le taux de rénovation annuel initial et sept paramètres.

4.2 Variation des paramètres

Pour déterminer la distribution de probabilité des paramètres, des méthodes écono-
métriques (méthodes de préférences déclarées ou révélées pour les paramètres compor-
tementaux) ou des dires d'expert recueillis avec une méthodologie précise (Webster et
al. 2008 [64]) n'ont pas été accessibles. Ce choix a donc été porté à l'appréciation du
modélisateur.
Il va sans dire que les résultats de l'analyse de sensibilité vont dépendre de ces choix ori-
ginels. Les résultats obtenus par méthode de Monte Carlo, même probabilisés, ne peuvent
se soustraire à la vision du monde du chercheur, qui peut considérer par exemple que
le prix futur des énergies est soumis à beaucoup ou peu d'incertitudes. D'une certaine
façon, le problème du choix des paramètres est déplacé en amont : du choix des para-
mètres eux-mêmes au choix des distributions de paramètres. Cependant nous ne ferons
pas d'analyse de sensibilité de l'analyse de sensibilté.
Certaines valeurs de paramètres tirées aléatoirement pourraient ne pas avoir de sens
(par exemple un taux d'information négatif ) ou bien rendre le modèle instable. Des gardes-
fous ou valeurs seuils ont donc été choisies (là aussi arbitrairement). Le choix des écart-
types a été tel que le recours à ces valeurs seuils soit peu fréquent
33 .
Les lois de distribution des paramètres sont résumés dans la table 8 (N (m, σ) signie
loi normale de moyenne m et d'écart-type σ ).
Ayant retenu des simulations précédentes que la calibration des coûts intangibles
échouait toujours lorsque ν < 5 et parfois lorsque ν > 15, on corrige la loi de Pois-

33. elles sont situés au delà de deux ou trois écart-types par rapport à la valeur de référence, et on
rappelle que pour X ∼ N (0, 1), P(|X| > 2) ' 4.6% et P(|X| > 3) ' 0.27%

37
 Paramètre Loi Garde-fou

Taux croissance prix énergie N (1%, 0, 5%) aucun

Coûts rénovation (1 + k)CIN V , où k ∼ N (0, 0.2) -0,9 (pour k) (min)
Taux réno initial N (3%, 1%) 0.5% (min)
Taux apprentissage N (10%, 4%) 0% (min)
Taux information N (25%, 10%) 0% (min)
Part variable IC N (80%, 5%) 95% (max)
Taux actu P OM I N (8%, 2%) 2% (min)
Taux actu P BLC N (55%, 10%) 10% (min)
ν 2 + P oisson(6) (avec corrections) 1 (min)
Courbe de facteur de service uniforme sur chacune des possibilités

Table 8  Lois des paramètres servant à l'analyse de sensibilité

son de la façon suivante : si ν vaut 2, 3 ou est supérieur à 15, on lui réaecte la valeur
7. Si ν vaut 4, on lui réaecte la valeur 8. La moyenne de cette distribution est 8,2.
Les tirages des paramètres sont indépendants les uns des autres, ces derniers sont donc
complètement décorrélés. La décorrélation des paramètres est une hypothèse qui s'impose
ici faute de données et par souci de simplication. Une corrélation des paramètres entraîne
moins d'incertitudes sur les résulats naux (Beugin et Jaccard 2011 [10]).
Pour la courbe de facteur de service, trois versions sont utilisées. Les deux premières
(ancienne et nouvelle logistique) ont la forme

consomax − consomin
F actservice = consomin +
1 + a exp(bpρ − c)
avec p le prix de l'énergie, ρ la consommation conventionnelle (en kWh/m2/an), a = 4,
b = 0.33, c = 4.22, consomin = 0.4, consomax = 1.25, pour l'ancienne logistique et a = 1,
2, c = 1, 8, consomin = 0.45, consomax = 1.45 pour la nouvelle.
La troisième (élasticité constante) a la forme :

F actservice = K(pρ)e
avec K = 2, 72 et e = −0, 505.
Remarque dans gure 11 : le fait que la courbe ancienne logistique soit en dessous des
deux autres est corrigé par la calibration à l'année de base. En eet un coecient correctif
est appliqué à la consommation des classes de logements selon l'énergie de chauage (sauf
bois), pour que la consommation d'électricité, gaz et oul correspondent aux consomma-
tions réelles
34 (45, 157 et 75 TWH respectivement, CEREN 2010 [14]). Un coecient
correctif supérieur à un (respectivement inférieur à un) déplace la courbe d'utilisation
vers le haut (respectivement vers le bas).

4.2.1 Autres paramètres corrélés

La corrélation de certains paramètres résulte d'un compromis entre :

 Faire intervenir plus de paramètres dans l'analyse de sensibilité.
 Ne pas avoir trop de paramètres indépendants pour ne pas avoir trop de simulations
à eectuer.

34. Ces coecients sont calculés à l'année de basee puis gardés tels quel sur toute la durée de la
simulation

38
 Figure 11  Courbes d'utilisation utilisées dans l'analyse de sensibilité

Ce sont :
 Le taux d'apprentissage dans le neuf (valeur référence de 15% pour le neuf contre
10% pour l'existant). Si on note LRexistant la valeur tirée aléatoirement, on a
LRexistant
LRneuf = 15%. Il s'agit d'une simple proportionalité.
10%
 Le taux d'actualisation P BM I , respectivement P OLC (valeur réf 45% et 15%) est
relié de la même façon au taux d'actualisation P BLC , respectivement P OM I (valeur
réf 55% et 8%). Pour cette raison on note par la suite de façon groupée les paramètres
PO et PB.

5 Distribution des résultats

Tous les résultats sont donnés sous la forme de trois courbes : une représentant la valeur
ème
moyenne, une représentant la valeur haute (95 centile) et une autre représentant la
ème
valeur basse (5 centile). Cela signie donc que 90% des valeurs sont situées entre les
deux courbes extrêmes. Une autre représentation (pour voir la dispersion de la distribution
plus que la valeur médiane), est le coecient de variation, à savoir le ratio écart-type sur
moyenne.
La distribution statistique peut donner une illusion de précision. On pourrait penser
que, un peu à la manière d'un test statistique, les sorties du modèle ont dans l'absolu 90%
de chances de se trouver entre les deux courbes extrêmes. Il faut bien garder à l'esprit que
les trois courbes obtenues sont entièrement dépendantes des distributions de paramètres,
en plus de dépendre des hypothèses de modélisation.
On peut voir sur les gures 13 et 16 que l'incertitude est plus grande pour l'énergie
nale réelle que pour l'énergie nale conventionnnelle. En eet, les incertitudes sur le
facteur de service (choix de la courbe, mais aussi prix des énergies) s'ajoutent aux incer-
titudes sur l'ecacité. On peut également voir que la distribution n'est pas tout à fait
symétrique : la courbe moyenne est plus proche de la valeur basse que de la valeur
haute. Cela s'explique par les rendements décroissants : comme les rénovations les plus
rentables se font en premier, il faut des paramètres de plus en plus avantageux pour

39
Figure 12  Histogrammes des tirages de valeurs pour les diérents paramètres
40
 Figure 13  Distribution de la consommation d'énergie rélle et conventionnelle

Figure 14  Résultats probabilisés : coûts de rénovation et coûts intangibles

économiser la même quantité d'énergie.

Les coûts intangibles ont également une plus grande plage de variation que les coûts
d'investissements (gures 14 et 16), ceci parce qu'on a autorisé une plus grande variation
au taux d'information qu'au taux d'apprentissage (cf tableau 8) et qu'en plus on fait
varier la part variable des coûts intangibles.
Le taux de rénovation est le seul paramètre dont la dispersion diminue au cours du
temps (gure 16).

6 Analyse de sensibilité sur les paramètres

6.1 Méthode
Elle se base sur l'utilitaire d'analyse de variance d'Excel, qui permet de déterminer
par un test type Student si deux échantillons suivent la même loi de probabilité. Voici la
méthode.
Pour chaque paramètre θi , on subdivise l'échantillon en deux : tous ceux pour lesquels
θi > θi,M où θi,M θi < θi,M . Le grand
est la valeur médiane, et tous ceux pour lesquels
nombre de simulations assure que dans les deux sous-échantillons, les autres paramètres θj
ont la même distribution. Ces derniers ne dièrent que sur un seul point : la distribution
du paramètre θi (par exemple un sous-échantillon où le taux de rénovation initial est

41
 Figure 15  Résultats probabilisés : taux de rénovation

Figure 16  Coecient de variation des diérents paramètres de sortie (I)

Figure 17  Coecient de variation des diérentes sorties (II)

42
 EF CONV 2050 F Proba Moy θ > θM Moy θ < θM
−5
Taux réno ini 7607,3 <10 217,4 236,8
−5
Taux croissance éner 1669,9 <10 221,8 232,0
−5
Taux d'apprentissage 1532,7 <10 222,0 231,8
−5
Taux information 179,9 <10 225,2 228,6
−5
Facteur coûts réno 65,5 <10 228,0 225,9
−5
DISC PO 58,5 <10 227,9 225,9
−5
DISC PB 34,2 <10 227,7 226,2
−5
Part IC var 22,8 <10 226,3 227,5
Nu 1,9 0,16 226,4 226,8
Courbe AL/NL 0,2 0,69 227,0 226,8
Courbe NL/EC 0,1 0,78 226,8 226,9
Courbe EC/AL 0,0 0,91 227,9 227,0

Table 9  Résultats analyse variance : Efconv 2050

plutôt haut et un autre où il est plutôt bas). On applique alors l'analyse de variance à
ces deux sous-échantillons sur un critère (par exemple la consommation d'Energie Finale
en 2050).
La valeur du coecient F de Student donne alors l'importance de notre paramètre
sur le critère en question : plus il est grand, et plus les deux sous-échantillons ont des
distributions éloignées.
Cette méthode a été développée par l'auteur pour tirer parti des simulations eectuées
précédemment par la méthode Monte Carlo. Pour voir les résultats d'une analyse de
variance plus classique, voir partie 7. Elle a l'avantage de voir l'inuence d'un paramètre
lorsque tous les autres bougent également. L'analyse de sensibilité prend donc en compte
des eets d'interaction entre les paramètres.

6.2 Résultats
Les résultats sont donnés par ordre décroissant du coecient F. Au lieu d'utiliser
le critère le plus évident (la consommation d'énergie nale) on regarde l'énergie nale
conventionnelle Efconv et le facteur de service an de pouvoir mieux discerner l'eet des
paramètres sur l'ecacité d'une part et la sobriété d'autre part. On regarde également
ces deux critères à deux dates : 2020 et 2050 pour pouvoir discerner les eets de long
terme et les eets de court terme.
L'analyse de variance d'excel compare deux sous-échantillons. Comme il y a trois
courbes de facteur de service diérentes, on doit les comparer deux à deux. AL, NL et EC
signient respectivement ancienne logistique, nouvelle logistique et élasticité constante.
Remarque : dans tous les tableaux, Moy θ > θM signie moyenne du sous-échantillon
dont le paramètre θ est au-dessus de la médiane. Proba signie la probabilité que les deux
sous-échantillons n'aient pas la même distribution statistique. Les énergies sont en TWh.

6.3 Remarques générales

La valeur du coecient F dépend de la taille de l'échantillon : plus ce dernier est gros,
plus le test statistique a de chances de devenir signicatif et plus la valeur du coecient F
est grande (a titre indicatif, une augmentation de x% de la taille de l'échantillon entraîne
une augmentation de F d'environ x% aussi).

43
 EF CONV 2020 F Proba Moy θ > θM Moy θ < θM
−5
Taux réno ini 17779,9 <10 335,8 353,7
−5
DISC PO 938,0 <10 347,5 341,9
−5
Taux croissance éner 201,2 <10 343,4 346,1
−5
Taux information 67,4 <10 344,0 345,5
−5
Taux apprentissage 55,4 <10 344,0 345,4
−5
DISC PB 41,4 <10 345,3 344,1
Facteur coûts réno 8,9 0,003 344,4 345,0
Nu 2,7 0,10 344,8 344,5
Part IC variable 0,2 0,62 344,8 344,7
Courbe NL/EC 0,1 0,744 344,7 344,8
Courbe AL/NL 0,1 0,751 344,8 344,7
Courbe EC/AL 0,0 0,991 344,8 344,8

Table 10  Résultats analyse variance : Efconv 2050

Facteur service 2050 F Proba Moy θ > θM Moy θ < θM

−5
Courbe NL/EC 22458,2 <10 0,77 0,92
−5
Courbe AL/NL 4845,1 <10 0,79 0,91
−5
Courbe EC/NL 4361,8 <10 0,85 0,77
−5
Taux croissance éner 4131,3 <10 0,92 0,85
−5
Taux réno ini 1812,2 <10 0,87 0,83
−5
DISC PO 243,7 <10 0,85 0,85
−5
Facteur coût réno 23,2 <10 0,85 0,85
−5
DISC PB 14,4 <10 0,85 0,85
Nu 4,7 0,01 0,85 0,85
Taux information 3,2 0,02 0,85 0,85
Part IC var 0,1 0,23 0,85 0,85
Taux apprentissage 0,1 0,51 0,85 0,85

Table 11  Résultats analyse variance : Facteur service 2050

Facteur service 2020 F Proba Moy θ > θM Moy θ < θM

−5
Courbe NL/EC 22458,2 <10 0,72 0,79
−5
Courbe NL/AL 4845,1 <10 0,75 0,72
−5
Courbe EC/AL 4361,8 <10 0,79 0,75
−5
Taux croissance éner 4131,3 <10 0,74 0,77
−5
Taux réno ini 1812,2 <10 0,76 0,74
−5
DISC PO 243,7 <10 0,75 0,75
−5
Facteur coût réno 23,2 <10 0,75 0,76
−5
DISC PB 14,4 <10 0,75 0,75
Nu 4,7 0,91 0,75 0,75
Taux information 3,2 0,07 0,75 0,75
Part IC var 0,1 0,78 0,75 0,75
Taux apprentissage 0,1 0,81 0,75 0,75

Table 12  Résultats analyse variance : Facteur service 2020

44
 Avec 18000 simulations et en coupant l'échantillon en deux, on a donc 9000 valeurs
par sous-échantillons, ceci à deux exceptions. Pour nu d'une part (7000 et 7400, car la
variable est discrète et la médiane est 8, les résultats lorsque nu vaut 8 ne sont donc pas
comptabilisés), et pour les courbes d'utilisation d'autre part (6000 de chaque). Ceci a
pour conséquence qu'il est plus délicat de comparer l'importance de ces paramètres par
rapport aux autres.
Un certain nombre de remarques peuvent être faites :
 Tout d'abord l'eet de valeurs hautes/basses des paramètres sur la consommation
énergétique conventionnelle (et donc l'ecacité) est conforme à ce qui est attendu.
Voir partie 4.1 pour le détail des mécanismes.
 Trois paramètres sortent très clairement du lot. Il s'agit du taux de croissance des
prix de l'énergie, de la courbe de facteur de servie et du taux de rénovation initial. Le
taux de croissance du prix des énergies est prépondérant sur la sobriété (et davantage
sur le long terme) tandis que le taux de rénovation initial l'est sur l'ecacité (et
davantage sur le court terme).
 Nu et Part IC var ont toujours très peu d'importance. Cela peut être dû au fait que
leur plage de variation n'est pas très importante
35 (le paramètre nu compris entre
6 et 15 pour minimiser les erreurs de calibration, la Part IC var varie entre 70%
et 95% environ) ou tout simplement au fait que ces paramètres n'ont qu'un rôle
mineur (par exemple Part IC var qui parait a priori moins important que le taux
d'information).
 Les courbes de facteur de service n'ont (ce qui est rassurant) aucun impact sur l'ef-
cacité, mais un impact important sur la sobriété (conso réelle). Comparativement
aux autres paramètres, cet eet est plus marqué sur le court terme. Ceci est cohé-
rent, l'eet des courbes de facteur de service sur la consommation étant instantané
tandis que les autres paramètres mettent du temps à avoir un impact (typiquement
les taux d'apprentissage et d'information). Les valeurs obtenues avec l 'ancienne lo-
gistique sont presque toujours comprises entre la valeurs de la nouvelle logistique
(consommation plus faible) et de l 'élasticité constante (consommation plus forte).
Voir partie 6.5 pour étude plus ne.
 Les coûts de rénovation (fact coûts réno) ont une inuence faible sur le court terme
mais un peu plus importante sur le long terme. Une augmentation des coûts de
rénovation est automatiquement corrigée par des coûts intangibles appropriés lors
de la calibration à l'année de base, et c'est lorsque ces derniers décroissent au cours
du temps que l'importance de ce facteur se fait sentir. Ainsi, ce paramètre qui
semble crucial par intuition (si les coûts de rénovation sont plus faibles alors on
rénove plus) et pour les acteurs sur le terrain n'est que secondaire dans Res-IRF du
fait du calibrage.
 Les taux d'actualisation ont davantage d'importance à court terme (car à long
terme les rénovations se font de toute façon), et davantage sur l'ecacité (ce qui
est normal car ce paramètre joue en premier lieu sur les rénovations) que sur la
sobriété. Les taux d'actualisation pour les PO ont plus d'inuence que ceux pour
les PB. La gure 18 donne un élément d'explication : le coecient d'actualisation
36
(cf équation (5) page 22) est beaucoup plus sensible aux variations pour des valeurs
faibles (les taux d'actualisation varient entre 4% et 12% pour P OM I et entre 40%
et 80% pour P BLC , cf gure 12).

35. Les travaux sur la sensibilité des paramètres réalisés dans Giraudet et al. 2010, avec nu valant 0
ou 100 avaient conclu également à peu d'inuence de ce paramètre
36. Pour un paramètre lif etime valant 30 ans ici sur la gure

45
 Figure 18  Coecient d'actualisation en fonction du taux d'actualisation

EF 2050 F Proba Moy θ > θM Moy θ < θM

−5
Taux croissance éner 12 560,0 <10 175,2 210,0
−5
Courbe NL/EC 6759,7 <10 175,3 209,1
−5
Courbe AL/NL 2133,6 <10 193,6 175,3
−5
Courbe EC/AL 1095,7 <10 209,1 193,6
−5
Taux réno ini 325,0 <10 189,0 196,2
−5
Taux apprentissage 272,1 <10 189,3 195,9
−5
Facteur coûts réno 29,6 <10 193,7 191,5
−5
Taux information 27,5 <10 191,5 193,7
Part IC var 4,9 0,03 192,2 193,1
Nu 1,7 0,19 192,8 192,2
DISC PO 0,5 0,48 192,7 192,5
DISC PB 0,3 0,58 192,7 192,5

Table 13  Résultats analyse variance : Ef 2050

 Le taux d'apprentissage a globalement plus d'importance que le taux d'information

mais ces deux paramètres présentent des caractéristiques très similaires. Ils ont
plus d'importance sur le long terme (plus le temps passe, plus il y a déjà eu des
rénovations, et plus la décroissance des coûts peut être importante) et sur l'ecacité
que sur la sobriété.
 Dans le cas de la sobriété, le taux de croissance des prix de l'énergie et la courbe
de facteur de service captent la majorité des uctuations, reléguant les autres pa-
ramètres au second plan.
L'étude séparée sur les volets ecacité/sobriété permet alors de mieux apprécier les ré-
sultats lorsqu'on combine les deux, à savoir l'énergie nale réelle.
La courbe de facteur de service et le taux de croissance des prix des énergies sortent
clairement du lot pour expliquer les variations d'énergie nale calculées avec le modèle.
Les nuages de point gure 19 permettent de le visualiser (en comparaison l'impact du
taux de rénovation initial sur la consommation d'énergie en 2050 est dicilement visible).

46
 EF 2020 F Proba Moy θ > θM Moy θ < θM
−5
Courbe NL/EC 18730,9 <10 248,8 271,0
−5
Taux croissance éner 5876,1 <10 253,2 266,1
−5
Courbe EC/AL 4207,4 <10 271,0 259,2
−5
Courbe AL/NL 3944,5 <10 259,2 248,8
−5
Taux réno ini 933,1 <10 256,8 262,5
−5
DISC PO 47,1 <10 260,3 259,0
−5
Taux apprentissage 33,4 <10 259,1 260,2
−5
Taux information 18,7 <10 259,2 260,1
−5
DISC PB 16,1 <10 260,3 259,5
Nu 11,8 0,001 260,0 259,2
Facteur coût réno 7,1 0,008 259,9 259,4
Part IC var 0,0 0,957 259,6 259,6

Table 14  Résultats analyse variance : Ef 2020

Figure 19  Visualisation de l'impact du taux de croissance du prix des énergie et du

taux de rénovation initial sur la consommation d'énergie en 2050

47
 Régressions linéaires constante X1 R2
2020 0,83% 0,65 0,67
2035 1,03% 0,53 0,50
2050 1,27% 0,33 0,30

Figure 20  Taux de rénovation en 2020, 2035 et 2050 en fonction du taux de rénovation

initial

6.4 Inertie du taux de rénovation par rapport au taux de réno-

vation initial
Même si gure 19 l'inuence du taux de rénovation initial n'est pas visible, les résultats
du tableau 13 suggèrent que ce paramètre qui pourrait paraître secondaire est en réalité
déterminant.
La gure 20 représente le taux de rénovation à l'année i en fonction du taux de
rénovation initial. On voit nettement que l'inuence du taux de rénovation initial sur le
taux de rénovation à l'année i est très importante, d'autant plus que ce taux initial est
petit et qu'on est proche de l'année de départ (attention les gures 19 et 20 ne sont pas
comparables : dans un cas c'est la consommation d'énergie nale qui est en ordonnée et
dans un autre c'est le taux de rénovation).
Cela s'explique par le calibrage des coûts intangibles et de la courbe de rénovation.
Ce calibrage impose une certaine trajectoire de consommation d'énergie dont on ne
peut s'éloigner que si d'autres paramètres (et surtout le taux de croissance des prix des
énergies) sont susamment éloignés de leur valeur moyenne pour forcer le modèle. Au
nal le modèle présente une inertie très importante puisque malgré la variation de tous
les autres paramètres, le taux de rénovation initial a un impact sur la consommation
d'énergie jusqu'en 2050.
Le calcul endogène du taux de rénovation serait donc un peu trop déterminé par la
condition initiale.

6.5 Inuence des diérentes courbes d'utilisation

Le choix de la courbe d'utilisation a un impact réel. Dans un cas (courbe nouvelle
logistique), on a une réduction de 42% de la consommation d'énergie nale en 2050 tandis
que dans l'autre la réduction est de seulement 33% (courbe élasticité constante).
Cette importance est tout à fait logique. Dans notre modèle, la courbe d'utilisation
est le seul vecteur permettant de modéliser l'eet rebond. Diérentes visions du monde
quant à cet eet rebond induisent nécessairement des résultats très diérents, surtout
lorsqu'on se place à long terme. La courbe isoélastique suppose que quel que soit le
progrès réalisé, l'ajustement est le même, au contraire de la forme logistique où il y a une
saturation dans les bonnes étiquettes. Il se trouve ici que la courbe isoélastique donne

48
 *

Figure 21  Moyenne et coecient de variation de Ef pour les trois courbes d'utilisation

des résultats plus pessimistes que les courbes logistiques (ceci est dû au paramétrage d'une
part, et au fait que l'eet rebond persiste lorsque les logements sont bien isolés d'autre
part).
Ce que l'on peut noter ici, c'est que lorsqu'on utilise la courbe nouvelle logisitique,
les résultats sont moins sensible aux perturbations (essentiellement aux perturbations des
prix de l'énergie).
Ces remarques sont visualisables sur la gure 19 : courbe ancienne logistique comprise
entre élasticité constante et nouvelle logistique, pente des nuages de points (le terme est
peut-être un peu abusif ) reétant la sensibilité aux variations des prix de l'énergie.

7 Analyse de sensibilité simpliée

7.1 Paramètres et politiques

L'analyse de variance précédente a l'avantage d'estimer l'impact d'un paramètre lorsque
tous les autres varient également, mais donne des résultats diciles à visualiser (au
contraire d'une analyse de variance classique) et ne prend pas en compte les diérentes
politiques.
Pour étudier ces aspects on fait une autre analyse de sensibilité, plus simple. Pour
trois types de politiques (Business As Usual, CIDD et taxe carbone) et pour deux courbes
d'utilisation (nouvelle logistique et élasticité constante), on fait varier un seul paramètre
à la fois (tous les autres étant à la valeur référence)
Ce paramètre varie de quatre façons : il prend sa valeur référence plus ou moins un ou
deux écart-types (du tableau 8). Cela fait au total 3 × 2 × (1 + 8 × 4) = 198 simulations
(3 politiques, 2 types de courbes, 1 situation de référence et 8 paramètres variant de 4
façons diérentes).
Pour un paramètre de sortie Y (par exemple la consommation d'énergie en 2050),
la part de variance expliquée par le paramètre i1 vaut alors (à politique π et courbe
d'utilisation κ donnés) :

X
(Y(π,κ),i1 − Y(π,κ),i1 =0 )2
i1 =±1,2
V ar(π,κ) (i1 ) = P 2
(7)
j = 1..9 (Y(π,κ),ij − Y(π,κ),ij =0 )
ij = ±1, 2

49
 X
(On a bien V ar(π,κ) (ij ) = 1). Les résultats sont visibles gure 22.
j=1..9
On peut faire un certain nombre de commentaires.
 Tout d'abord, indépendamment du choix de la courbe d'utilisation et de la poli-
tique, les remarques faites précédemment sur l'importance des diérents paramètres
tiennent toujours (et sont peut-être plus visibles sur les graphiques). Les deux
paramètres prépondérants sont le taux de croissance du prix des énergies et le taux
de rénovation initial. On retrouve que le premier est davantage inuent sur le long
terme tandis que le premier l'est sur le court terme. Par ailleurs, le taux d'apprentis-
sage (long terme) et le taux d'actualisation chez les propriétaires occupants (court
terme) ont une importance secondaire mais non négligeable. Les autres paramètres
n'ont en revanche quasiment aucune inuence.
 Concernant les courbes de facteur de service, on retrouve le fait que la courbe d'uti-
lisation élasticité constante modélise un eet rebond de plus grande importance.
En eet dans le cadre de l'eet rebond classique, une baisse du prix de l'énergie
est automatiquement absorbée par un gain de confort, ce gain de confort étant
d'autant plus grand que l'eet rebond est important. Mais cela marche aussi dans
l'autre sens : une hausse des prix induit une baisse de la consommation. Ainsi avec
un eet rebond plus important, la même variation des prix de l'énergie a un impact
plus important sur la consommation. Or lorsque la courbe d'utilisation élasticité
constante est utilisée, le paramètre taux de croissance des prix de l'énergie prend
beaucoup plus d'importance (au détriment du taux de rénovation initial).
 L'importance relative des diérents paramètres n'est pas modiée de manière signi-
cative par la politique adoptée. On peut toutefois soulever deux points. Première-
ment, les coûts de rénovations n'ont d'importance (à court terme, et une importance
non négligeable) qu'en présence de CIDD. Cela s'explique par le fait que la calibra-
tion se fait en l'absence de CIDD. Ainsi, même avec la correction apportée par
l'ajout de coûts intangibles, la subvention apportée par le CIDD est d'autant plus
incitative que les coûts de rénovation initiaux sont bas. Deuxièmement, avec les
diérentes politiques, le prix des énergies a un impact plus ou moins fort (et donc
le taux de rénovation initail a un impact plus ou moins faible, puisque ce dernier
comble la perte d'inuence du paramètre prix des énergies).
Pour comprendre les résultats il faut rappeler que le prix des énergies impacte la consom-
mation par deux leviers. Le premier est la sobriété : pour un logement ayant des caracté-
ristiques thermiques données, le prix de l'énergie détermine la consommation (par le biais
de la courbe de facteur de service). Le second est l'ecacité : le prix de l'énergie est un
déclencheur de travaux d'ecacité énergétique : certaines rénovations ne sont réalisées de
façon signicative que si le prix de l'énergie est susamment élevé.
 L'importance relative des prix de l'énergie est moins grande en présence de CIDD
que pour le scenario BAU. Deux eets vont en fait en sens opposés, et l'un est
plus fort que l'autre. D'une part, le parc est mieux isolé lors du scenario CIDD
que lors du scenario BAU. Une même variation des prix de l'énergie entraîne donc
une plus faible variation de la consommation (sobriété). D'autre part, la subvention
fait baisser les coûts réels des rénovations, et les prix de l'énergie prennent alors
relativement plus d'importance dans le choix de rénover ou pas (ecacité).
 L'importance relative des prix de l'énergie est moins grande en présence de taxe que
pour le scenario BAU. Cette fois ci les eets sur l'ecacité et sur la sobriété vont
dans le même sens. D'une part, la taxe est un déclencheur de travaux indépendant

50
Figure 22  Résultats de l'analyse de variance simpliée selon les courbes de taux d'ut-
lisation et les politiques

du prix des énergie

37 . D'autre part le paramètre taux de croissance du prix des
énergies détermine l'augmentation du prix hors taxe. La variation des prix taxés
(ressentie par l'utilisateur) est de moindre ampleur que celle des prix hors taxe
(déterminées par le taux de croissance des prix des énergies), le taux de croissance du
prix des énergie perd donc de l'importance sur son rôle de déclencheur de sobriété.
 Pour ce qui est de la comparaison CIDD/taxe, on peut voir que les eets décrits
plus hauts sont plus importants avec le CIDD à court terme, mais avec la taxe à
long terme.
En résumé, l'application de politiques diminue l'incertitude de l'impact du prix des énergies
sur le nombre de rénovations à venir, c'est donc un moyen de se couvrir contre ce risque.

7.2 Analyse de variance aggrégée

Pour nir, on essaie de faire en sorte de comparer les paramètres courbes et politi-
ques en même temps que les 8 précedents (ce qui est moins rigoureux mathématiquement
mais donne des résultats faciles à visualiser).
Par rapport à la référence (courbe isoélastique, scenario BAU, paramètres à leur valeur
de référence), les 8 paramètres ont quatre façons de varier (plus ou moins un ou deux
écart-types), le paramètre courbe un seul (en prenant la courbe nouvelle logistique) et
le paramètre politiques deux (CIDD et taxe).
Par conséquent pour le paramètre courbe (respectivement le paramètre polititi-
ques), on utilise l'équivalent de la formule ?? page ?? mais multiplié par 4 (respecti-
vement 2). La somme totale au dénominateur est modiée en conséquence pour que la
somme des pourcentages de variance expliquée fasse bien un.
On aggrège aussi temporellement : on fait la moyenne de cette formule sur toutes les
années de 2008 à 2050, en utilisant la même pondération pour toutes les années (cela

37. la taxe s'applique sur le contenu carbone et non sur le prix hors taxe

51
 Figure 23  Résultats de l'analyse de variance aggrégée

permet de n'avoir qu'un seul graphique mais ne permet plus de distinguer les eets de
long terme et les eets de court terme).
On fait ce calcul sur le paramètre Ef, mais aussi sur l'indice de Fischer des coûts
intangibles et des coûts de rénovation, ainsi que sur le taux de rénovation. Les résultats
sont sur la gure 23.
 Concernant l'énergie nale, on retrouve les paramètres importants qui avaient été
mis en lumière précédemment : le taux de croissance des prix de l'énergie, le taux
de rénovation initial et la courbe de facteur de service. On voit également, ce qui
est intéressant, que la politique est le paramètre ayant le plus d'importance.
 Pour les coûts intangibles et les coûts de rénovation, on voit que les paramètres ayant
un eet direct (taux d'apprentissage pour les coûts de rénovation, taux d'information
et part variable des coûts intangibles pour les coûts intangibles) ont un impact plus
fort que les autres paramètres qui agissent eux par eet indirect au travers du
learning-by-doing et du learning-by-using (politique, taux de réno initial).
 Enn, pour le taux de rénovation, on retrouve ce qui avait été mis en évidence dans
la partie 6.4, à savoir le caractère prépondérant du taux de rénovation initial. On
peut toutefois noter que la politique et le taux d'actualisation PO ont un eet non
négligeable.

52
 Figure 24  Coecient R2 en fonction de la moyenne des taux d'accroissement

8 Elasticités-prix et inuence du mode d'anticipation

des prix

Cette partie se distingue des précédentes : elle explore les élasticités-prix que l'on
calcule à partir des résultats du modèle et le rôle des anticipations des prix par les agents
lors de travaux d'ecacité énergétique. On explore ainsi un peu plus en détail le rôle des
prix des énergies qui a été révélé comme crucial par l'analyse de sensibilité.
Dans cette partie, seuls les scenarios de prix varient d'une simulation à l'autre, tous
les autres paramètres sont xés.

8.1 Elasticités-prix
8.1.1 Méthode

Pour générer un scenario de prix, on tire des taux de croissance annuels suivant une
loi normale. On prend toujours pour la loi normale un écart-type de 4%, tandis que pour
la moyenne, on a -1%, 0%, 1% et 2% (30 pour chaque). On a donc 120 scenarios de prix
en tout. Ces taux de croissance sont les mêmes pour toutes les énergies.
Dans ces simulations les prix de l'énergie sont donc volatils, au contraire des autres
simulations où le taux de croissance du prix des énergies était le même pour toute la
durée de la simulation.
On calcule ensuite les élasticités-prix en faisant une régression de log(Ef ) sur log(p).
Cette régression capte essentiellement l'eet des prix de l'énergie sur la sobriété, à
travers la courbe d'utilisation
38 , mais aussi son eet sur l'ecacité, à savoir son potentiel
de déclencher des travaux de rénovations
39 .
On peut voir gure 24 que le coecient de la régression R2 est extrêmement proche
de 1 lorsqu'on est dans des scenarios de croissance de l'énergie, qu'il est relativement bon

38. Courbe ancienne logistique pour ces simulations

39. Un autre travail distinguant élasticité de court terme/élasticité de long terme pourrait également
être réalisé

53
 Figure 25  Elasticités-prix calculées

(>0.9) lorsqu'on est dans des scenarios de décroissance de l'énergie mais entre les deux,
on ne peut pas vraiment dire que ce calcul de l'élasticité ait beaucoup de sens.
Sur la gure 25, on peut voir l'asymétrie entre élasticité-prix calculées lorsque les prix
croissent (-0.6/-0.7) et lorsqu'ils décroissent (' −0.25). En eet, concernant l'ecacité,
la variation des prix de l'énergie détermine le nombre plus ou moins élevé de rénova-
tions (mais il y en a toujours). Concernant la sobriété, cette variation est immédiatement
répercutée sur la consommation par l'intermédiaire de la fontion d'utilisation.
L'ecacité énergétique augmente donc toujours, et les prix de l'énergie jouent sur
cette vitesse d'augmentation, tandis que la sobriété peut augmenter ou diminuer selon le
sens de variation des prix de l'énergie (ce qui est visible gure 26).
Ces asymétries se retrouvent donc naturellement dans le calcul des élasticités-prix.
Les études empiriques montrent également une asymétrie des élasticités-prix dus aux
irréversibilités des investissements dans l'ecacité énergétique (Haas et Schipper 1998
[28]).

8.2 Eet des modes d'anticipation des prix

On distingue trois possibilités pour le prix anticipé de l'énergie intervenant dans le
calcul économique.
 Myope : l'individu suppose que le prix futur sera celui du présent.
 Parfaite : l'individu connaît le prix de l'énergie futur.
 Trend : l'individu fait la moyenne des taux de croissance des cinq dernières années,
et suppose que l'énergie croîtra à ce taux dans le futur.
Les scenarios de prix sont les mêmes que précédemment.
Comme on peut le voir sur la gure 27, plus l'accroissement moyen des prix est impor-
tant, plus les travaux d'ecacité énergétiques sont nombreux, et plus la consommation
d'énergie nale conventionnelle est faible, ceci quel que soit le mode d'anticipation des
prix des agents (comme on a pu le voir dans l'analyse de sensibilité précédente)..
Lorsque les prix de l'énergie baissent ou augmentent peu en moyenne, il n'y a pas
vraiment de diérences dans le nombre de travaux de rénovation quel que soit le mode
d'anticipation des prix. En revanche lorsque l'augmentation des prix est forte, on voit
que l'anticipation Trend aboutit à plus de rénovations que l'anticipation parfaite qui

54
Figure 26  Prix de l'énergie, consommations d'énergie nale réelle et conventionnelles
selon diérents scenarios

Figure 27  Ef conventionnelle en 2050 en fonction de la moyenne des taux d'accroisse-

ment

55
elle-même aboutit à plus de rénovations que l'anticipation myope (pour les plus fortes
hausses, on aboutit en 2050 à environ 255 TWh pour l'anticipation Trend, 270 TWh pour
l'anticipation parfaite et 280 TWh pour l'anticipation myope).
En eet l'anticipation myope sous-estime la véritable montée des prix de l'énergie dans
le futur (parfaitement intégrés dans une anticipation parfaite) tandis qu'une anticipation
Trend peut la surestimer (si quelques années d'alée on a des taux de croissance très
élevés). En cas de prévision catastrophique, des travaux de rénovations très importants
peuvent être alors eectués.
Lors de périodes où le prix de l'énergie augmente peu voire diminue, le décit de
rénovations dû à un optimisme passager (toujours par rapport à l'anticipation parfaite)
existe mais reste moins important que l'excès de rénovation lors de ambée des prix de
l'énergie. Les deux eets cumulés aboutissent à plus de rénovations dans des anticipations
Trend.

9 Conclusion de l'analyse de sensibilité

Ce qui ressort avant tout de l'analyse de sensibilité, c'est le caractère prépondérant de

trois paramètres : la courbe de facteur de service, le taux de croissance des prix des énergies
et le taux de rénovation initial. Malgré toutes les uctuations des autres paramètres, leur
connaissance permet de prédire Ef2050 avec une bonne précision, ceci avec une simple
régression linéaire
40 (équation ci-dessous et tableau 15).

Ef2050 = C + X1 τreno,ini + X2 τcroissance,éner (8)

A la fois déclencheur de travaux de rénovation et vecteur de sobriété énergétique, il

est normal que le prix de l'énergie soit le paramètre numéro un dans la modélisation de
la consommation d'énergie. Les nombreuses études empiriques le concernant, se basant
généralement sur des calculs d'élasticités-prix de la demande, montrent qu'il est détermi-
nant dans l'ecacité énergétique (Linares et Labandeira 2010 [42]). Son imprévisibilité
incite donc à beaucoup de prudence dans la qualité des prévisions, surtout à long terme. Il
aurait pu être intéressant de réaliser des études de sensibilité avec des taux de croissance
diérents pour chaque énergie an d'étudier les eets de fuel switch et leurs impacts sur
les émissions de CO2. Cependant la modélisation du fuel switch nécessitant encore des
améliorations (voir annexe 14), ainsi que les émissions dans le secteur électrique, il n'était
pas judicieux de le faire à ce stade actuel de développement de Res-IRF.
D'autre part, la multitude de travaux empiriques conrmant l'importance et la di-
culté d'estimation de l'eet rebond (Sorell et Dimitropoulos 2008 [59]) justient le
fait que le choix de la courbe d'utilisation ait un impact majeur sur la consommation
prédite.
En revanche, ce qui est peut-être moins justiable est l'importance du taux de réno-
vation initial. On touche ici du doigt les dicultés inhérentes à la modélisation hybride :
la nécessité de calibrer le modèle sur des données réelles peut entraîner des conséquences
parfois inattendues et souvent invisibles, ce qu'a mis en lumière ici cette analyse de sen-
sibilité.
Enn, on aurait pu s'attendre à ce que les taux d'actualisation aient plus d'impor-
tance, le dilemme propriétaire étant reconnu comme une véritable barrière à l'ecacité

40. plus le paramètre X est grand en valeur absolue, et plus Ef2050 est sensible à ce paramètre ; on
retrouve bien que la courbe EC est la plus sensible aux variations du prix de l'énergie

56
 R2 X1 stat t X2 stat t
courbe AL 0,94 -919 -61 -4767 -310
courbe NL 0,88 -1158 -70 -3125 -184
courbe EC 0,96 -960 -68 -5053 -353
Toutes confondues 0,68 -1014 -44 -4360 -186

Table 15  Résultats de la régression linéaire de Ef2050 en fonction de τreno,ini et

τcroissance,éner

énergétique (Levinson and Niemann 2004 [41]) ; ainsi que des coûts des travaux de ré-
novation. Ceci est dû avant tout à la structure du modèle (taux d'actualisation nalement
assez peu déterminants dans la procédure de choix, coûts intangibles absorbant les uc-
tuations des coûts de rénovation par la calibration à l'anne de base). On peut toutefois
nuancer ces propos par le fait que ces problèmes restent mal connus et peu quantiés.
Un autre aspect positif de cette analyse de sensibilité est la bonne retranscription de
l'asymétrie des élasticités-prix retranscrite par Res-IRF.
Des pistes d'amélioration pourraient alors être envisagées suite à cette analyse de
sensibilité : calibration moins rigide ainsi qu'une refonte de la procédure de rénovation
donnant plus d'importance aux taux d'actualisation.

57
 2020 2050
BAU (ancien Res-IRF) -7.1% -13.2%
BAU (nouveau Res-IRF) -16.7% -45.7%
Mesures Grenelle + taxe (ancien Res-IRF) -15.9% -33.4%
Mesures Grenelle + taxe (nouveau Res-IRF) -28.4% -58.2%

Table 16  Comparaison des prévisions de la baisse de la consomation d'énergie nale

unitaire sur le parc existant entre Res-IRF ancienne et nouvelle version

Troisième partie

Analyse des résultats du modèle

10 Evaluation des politiques du Grenelle de l'environ-

nement

La version précédente de Res-IRF était pessimiste quant à l'évolution de la consomma-

tion d'énergie dans le secteur résidentiel au regard des objectifs du Grenelle. Elle prédisait
une réduction de 7.1% et 13.2% en 2020 et 2050 pour consommation d'énergie nale uni-
taire sur le parc existant, et 15.9% et 33.4% avec les mesures du Grenelle auxquelles on
ajoutait la taxe carbone. On était donc très loin des objectifs de 38% en 2020 et 75% en
2050.
Depuis cette dernière étude, le modèle a évolué sur plusieurs points : ajout du bois
énergie comme combustible et des logements sociaux comme type de décideur, mise à
jour de certaines données (coûts de rénovation, taux de rénovation initial, état du parc
initial). La quasi-totalité des changements apportés vont dans le sens d'une baisse de la
consommation d'énergie dans le scenario au l de l'eau : taux de rénovation passant de
1% à 3%, coûts de rénovation diminués, faible taux d'actualisation dans le logement social
(dont la plupart étaient comptabilisés auparavant dans la catégorie propriétaires bailleurs
en logement collectif, celle ayant le taux d'actualisation le plus élevé).
On a simulé à nouveau les diérentes politiques pour apprécier l'étendue des change-
ments. C'est sans grande surprise que les prévisions avec la nouvelle version sont beaucoup
plus optimistes (voir tableau 16). Les gures 28 et 29 donnent les résultats de façon dé-
taillés : pour diérents scenarios (politiques isolés, scenarios Grenelle ou scenarios volon-
taristes), les consommations unitaires (par m2 ) ou totales, en énergie primaire ou nale,
dans le neuf ou dans l'existant. On n'atteint toutefois pas les objectifs du Grenelle même
en présence de taxe carbone. Si les résultats précédents étaient sans doute un peu pessi-
mistes, ces derniers sont sûrement un peu optimistes pour le scenario BAU en particulier.
Au vu de l'analyse de sensibilité précédente, l'hypothèse la plus vraisemblable est
que ce soit le changement du taux rénovation initial qui soit à l'origine de la majorité du
changement. Le scenario business as usual est beaucoup plus optimiste, mais les diérentes
politiques ont relativement moins d'impact.
Cependant, au-delà de diérences quantitatives, les aspects qualitatifs restent les
mêmes :
 Contrairement aux autres politiques, la taxe carbone a un eet bénéque sur la
sobriété : on peut voir gure 29 que l'eet rebond est nettement moins important en
présence de cette politique : par exemple l'ajout de la CCE aux mesures existantes
du Grenelle font passer l'eet rebond de 29% à 14.6% en 2050

58
  La taxe carbone entraîne une substitution vers l'électricité et le bois-énergie (qui
n'était pas présent dans l'ancien rapport) : la part de marché de l'électricité passe
en eet de 19% en 2008 à 26% en 2050 (contre 24% scenario BAU) pour l'électricité
et de 9% à 17% (contre 12% scenario BAU) pour le bois. L'explication de cette
diérence assez faible entre scenarios BAU et taxe carbone est double. D'une part,
les part énergétiques dans la construction neuve ne changent (presque) pas, à cause
des coûts intangibles et des faibles consommations dans le neuf donnant moins
d'incitation à choisir l'énergie la moins chère. Ensuite dans l'existant le fuel switch
ne concerne annuellement approximativement que 7% des logements gaz/oul en
BAU
41 (15% avec taxe 42 ), parmi ceux qui subissent une rénovation (soit entre 2
et 3% du parc total). On peut également remarquer que l'eet rebond diminue les
écarts de consommations totale entre énergies chères et bon marché (on consomme
moins en énergie très taxée et plus en énergie moins taxée). Cependant il faudrait
conrmer ces résultats avec la nouvelle procédure de fuel switch une fois que cette
dernière sera bien intégrée au modèle (voir annexe partie 14).
 Les baisses de consommations sont plus fortes en énergie nale qu'en énergie pri-
maire, du fait de la part croissante de l'électricité dans le mix énergétique.
 Les réductions unitaires sont plus importantes que les réductions globales à cause
de la construction neuve (augmentation du nombre total de logement mais aussi de
leur surface)
Enn, on peut terminer par d'autres remarques :
 Les consommations dans le neuf ont (pour la majorité) un prol surprenant : aug-
mentation sur le court terme mais diminution sur le long terme. Rappelons que le
parc neuf  est celui construit après 2007. Il compte en 380 000 logements en 2008
et 12.2 millions en 2050 (ce n'est donc que la comparaison en termes de consom-
mations unitaires qui est appropriée). Sans coûts intangibles, le parc neuf initial
serait moins performant thermiquement
43 . La calibration à l'année de base favori-
se les constructions BBC. Toute choses égales par ailleurs, la diminution des coûts
intangibles fait donc diminuer le nombre de construction BBC. Mais la diminution
simultanée des coûts de rénovations perturbe également la part des classes éner-
gétiques dans la construction neuve. D'autre part, la hausse des prix de l'énergie
favorise la sobriété des ménages et les constructions BBC. Avec tous ces eets com-
binés, on constate une augmentation de la consommation unitaire par rapport à
l'année 2008 sur le court terme et une diminution sur le long terme.
 On peut constater un eet de saturation des économies d'énergie aux alentours de
-75% (en énergie primaire) lorsqu'on met en place des politiques très ambitieuses
(scenarios volontaristes). En eet, la réduction de la consommation est spectacu-
laire dans un premier temps (-50% en 2020) puis s'atténue, tandis que l'ajout de
politiques encore plus ambitieuses (A+) n'améliore qu'à la marge les économies
d'énergie. Les derniers foyers de consommation de Res-IRF sont alors composés
du stock résiduel
44 , de logements existants en majorité de classe A et très sobre
(mais qui consomment tout de même), et de bâtiments neufs RT05 contruits relati-
vement tôt (il n'y a pas de rénovation du neuf dans Res-IRF).

41. De 3% en 2010 à 6% en 2050 pour les logements gaz et de 9% en 2010 à 15% en 2050 pour les
logements oul. Moins de 1% pour les logements élec et bois
42. De 6% en 2010 à 18% en 2050 pour les logements gaz et de 15% en 2010 à 33% en 2050 pour les
logements oul. Moins de 1% pour les logements élec et bois
43. Ceci est dû aux valeurs des paramètres du modèle
44. correspondant par exemple aux bâtiments historiques : le parc existant n'est pas entièrement réno-
vable dans Res-IRF

59
 60

Figure 28  Consommations d'énergie sous diérentes politiques

Figure 29  Consommations d'énergie sous diérentes politiques. Résultats supplémen-
taires

61
 Figure 30  Composition de la forêt française (source IFN [31])

11 Le bois-énergie : solution d'avenir pour la consom-

mation d'énergie dans le résidentiel 45 ?

11.1 La forêt française : un potentiel important encore peu ex-

ploité
La forêt française occupe à l'heure actuelle environ 15.5 millions d'hectares, soit un
peu plus d'un quart du territoire métropolitain. La France possède la quatrième plus
grande forêt d'Europe, derrière la Suède, la Finlande et l'Espagne. Au plus bas au milieu
du XIXème siècle (9.5 Mha), la surface forestière n'a depuis cessé d'augmenter. Cette
augmentation a été particulièrement forte pendant les trentes glorieuses, avec la mise en
place du Fonds Forestier National visant à soutenir la production.
Malgré ce potentiel, la France est en décit commercial dans ce secteur (qui est passé
de 2 milliards d'euros par an en 1996 aux alentours de 6 milliards d'euros par an en 2007),
qui représente après le pétrole le deuxième poste du solde négatif du commerce extérieur
(Rapport Puech 2009 [53]).
Plusieurs raisons expliquent la sous-exploitation de la forêt française.
Tout d'abord les trois quarts de la forêt française sont privés. Cette forêt privée a une
structure foncière extrêmement morcelée : 20% de sa surface est composée de parcelles
faisant moins de quatre hectares (taille souvent considérée comme la taille en dessous
de laquelle une parcelle ne peut pas être rentable), et détenue par plus de trois millions
de propriétaires (les 80% de la surface restante étant détenus par moins de 500 000
propriétaires). La majorité de ces propriétaires préfèrent le payer le prix de la tranquilité
plutôt que d'exploiter leur parcelle, qui est souvent vue comme un patrimoine à préserver

45. Parmi les nouveaux ajouts au modèle (logements sociaux et bois), c'est surtout le deuxième qui a
été étudié, comme on peut le voir à la n de cette partie. L'impact de politiques spéciquement tournées
vers le logement social (éco-prêt logement social, programmes de rénovation) pourront faire l'objet de
travaux ultérieurs.

62
 Figure 31  Illustration du lien entre BIBE et BO (source IFN)

plus qu'une source de revenus.

D'autre part, la diversité des essences (plus d'une vingtaine, dont 41% de chênes
et 37% de résineux) est un atout écologique mais un handicap pour la récolte de bois,
notamment par rapport aux forêts quasiment monospéciques des pays scandinaves : cela
conduit à des tailles de scieries plus petites et donc moins de productivité. La diculté
d'exploitation de certaines parcelles, à cause de la pente, ou de la diculté d'accès, rendent
non rentables au prix du bois actuel de grandes surfaces forestières.
Par ailleurs, le bois est un produit complexe. Les parties principales d'un arbre sont
utilisées pour faire du bois d'oeuvre (BO, pour faire des planches notamment), tandis
que les extrêmités sont valorisées sous forme de bois industrie bois énergie (BIBE) (voir
gure 31). Le BO est nettement plus rentable que le BIBE (certains produit issus de
la lière bois ont une très forte valeur ajoutée, notamment les planches servant à la
fabrication de barriques pour le secteur viticole), reléguant pour certains ce dernier au
rang de sous-produit. On estime à 42% environ la part du BIBE lié physiquement au
BO. Par conséquent le développement du BIBE ne peut s'envisager qu'en soutenant le
BO, notamment dans la construction.
Enn, la lière bois en France est mal structurée : multiplicité d'acteurs mal coordon-
nés, petites exploitations... expliquent le manque d'ecacité et les dicultés d'adaptation
aux uctuations du marché du secteur.
Ainsi, pour une croissance annuelle biologique estimée à 100 millions de m3, la ré-
colte est d'environ 58 millions de m3, se répartissant entre 20 millions de bois de feu,
bois autoconsommé par des particuliers en dehors des circuits commerciaux (ce qui rend
dicile son estimation), 12 millions de m3 de bois industrie (essentiellement du bois de
trituration servant à la fabrication de pâte à papier), 3 millions de m3 de bois énergie, et
23 millions de m3 de bois d'oeuvre.

11.2 Objectifs de développement de la lière

La France s'est xé l'objectif, originaire des trois fois vingt du paquet énergie climat
de l'Union Européenne, de faire passer la part des énergies renouvelables à 23% de la
consommation d'énergie nale en 2020. La lière bois apparaît dès lors comme un levier

63
indispensable pour atteinNiemanndre cette cible ambitieuse, au travers prinicipalement
de trois politiques : les plans bois-énergie national de l'ADEME, le Fonds Chaleur et les
appels d'ore de la Commission de Régulation de l'Energie (CRE).
Le plan bois-énergie national a pour objectif de développer les chaueries au bois dans
les secteurs domestiques, tertiaires et industriels. Le plan 2007-2010 a dans ses objectifs
d'augmenter de 80 000 tep/an la consommation de BIBE pour un budget annuel de 30M¿.
Le Fonds Chaleur mis en place suite au Grenelle de l'Environnement prend la forme
d'un triple appel d'ore (2009, 2010, 2011, pour un montant total d'un milliard d'eu-
ros), concernant les énergies renouvelables et les énergies de récupération : cogénération,
récupération de la chaleur des eaux usées.
Les appels d'ore de la CRE ont pour but de produire plus d'électricité à partir des
énergie renouvelables, et notamment la biomasse.
Si on cumule les objectifs des diérentes politiques sur la période 2007-2011, ce sont
environ 5 millions de m3 supplémentaires qui sont visés.
Ces politiques d'augmentation de la récolte soulèvent la question de l'évaluation des
volumes de bois mobilisables sur le territoire français. En eet, l'objectif de ces politiques
n'est pas de creuser encore plus le décit commercial français dans le secteur forestier
mais au contraire de développer cette lière (ce qui nécessite de mieux la structurer).
Un rapport assez complet (ADEME 2007 [2]), prenant en compte à la fois des facteurs
biologiques, mais aussi des facteurs technico-économiques et institutionnels (toutes les
barrières à l'exploitation évoquées plus haut) estimait à 12 millions de m3 supplémen-
taires les ressources en BIBE, auquels on peut ajouter 8 Mm3 de menus bois (MB). Une
actualisation faite par le CEMAGREF et l'IFN ([13]) ont conduit à une réévaluation de
ces deux estimations à 30 Mm3 et 12Mm3. Les ressources seraient donc dans un premier
temps susantes pour atteindre les objectifs.

11.3 Freins au développement du bois-énergie à grande échelle

Au delà des enjeux déjà très complexes et enchevêtrés d'économie d'énergie, d'indépen-
dance énergétique et de réduction des gaz à eet de serre, le développement à plus grande
échelle de la lière bois énergie est également lié aux problèmatiques de biodiversité, de
politique agricole et de santé publique.
La forêt a la particularité d'être un espace multifonctionnel : la production de bois
n'est qu'une de ses fonctions aux côtés de la préservation de la biodiversité, des services
récréatifs, de la séquestration du carbone, ou encore de la ltration des eaux de pluie. La
mise en avant d'une ces fonctions peut donc entraîner une perte pour les autres.
Une exploitation trop intensive de la forêt peut entrer en conit avec les usagers s'en
servant comme espace de loisir ou avec les acteurs impliqués dans la préservation des
paysages.
Une forêt monospécique et relativement jeune est plus favorable à la collecte du
bois, tandis que la biodiversité est plus grande dans les forêts à plusieurs essences
46
mais aussi plus vieilles. La plus grande fragilité des forêts monospéciques aux grandes
tempêtes (comme Loktar et Martin en 1999 et Klaus en 2008), qui pourraient de surcroît
s'accentuer suite au changement climatique incite à prendre cet aspect en compte dans
la gestion des exploitations sylvicoles
47 .

46. Plus d'essences signie plus de biodiversité, mais aussi un écosystème plus riche qui enduit encore
plus de biodiversité (davantage d'insectes, de champignons etc)
47. De façon assez ironique, certains exploitants ont reconverti leurs forêts en champs de panneaux
solaires suite à la tempête Klaus

64
 Ensuite, en termes de politique climatique, deux options divergent : laisser croître
les forêts pour qu'elles séquestrent du carbone ou développer la production pour que le
bois-énergie se substitue aux énergies fossiles. La stratégie optimale de combinaison de
ces options fait l'objet de débats dans la littérature (Lecocq 2011 [40]). Il est également
utile de rappeler que le bilan carbone du bois énergie n'est nul que si l'équilibre croissance
du stock/production de bois est respecté, ce qui peut être mis en cause si les récoltes sont
trop importantes (Deheza et Bellassen 2010 [21]). Le développement du bois comme
matériau de construction doit aller de pair avec le développement du bois énergie, non
seulement parce qu'ils sont liés de façon technico-économique, mais aussi parce que la
substitution par le bois de matériaux de construction dont la fabrication est coûteuse
en énergie et fortement émettrice est un important gisement de carbone et d'économie
d'énergie.
Le développement du ramassage des menus bois, jusqu'ici laissés sur place, pour ali-
menter la lière BIBE pose également la question de l'appauvrissement des sols en miné-
raux et en matière organique, remettant en cause la viabilité de la forêt à long terme.
D'autre part, le bois énergie pourrait présenter les mêmes controverses que les agro-
carburants avec le développement de taillis à courtes voire à très courtes rotations. De
nouvelles problématiques pour cette lière mais bien connus pour les agrocarburants ap-
paraîtraient alors, comme la tension sur les ressources en eau ou la pollution diuse à cause
des diérents intrants, ainsi que la concurrence avec les surfaces agricoles, entraînant une
appréciation et une augmentation de la volatilité des matières premières agricoles (Auroy
et al. 2011).
Enn, au niveau des particuliers, l'introduction dans le mix énergétique du bois-énergie
est ecace avec des appareils modernes telles que la chaudière à amme inversée (rende-
ment de 90%), mais peut s'avérer désastreux avec des cheminées à foyer ouvert (rendement
de l'ordre de 10%). Le rejet de composés organiques volatils suite à la combustion, dont
on perçoit des pics lors des vagues de froid, peut poser des problèmes de santé publique
dans des zones densément peuplées. Les ltres installés sur les appareils modernes per-
mettent de contrôler ce risque. Ces deux derniers enjeux ont été pris à bras le corps et
sont en voie de règlement avec le développement du label amme verte, favorisant l'achat
d'appareils modernes et ecaces, ainsi que la mise en place de normes très strictes pour
les chaueries au bois de grande taille.
L'ensemble des points soulevés ici fait bien apparaître que le développement du bois-
énergie à grande échelle n'est pas sans danger. Cependant, le développement de la lière
par rapport à son niveau actuel fait l'objet d'un consensus politique fort, et les marges
de manoeuvres restent encore importantes.

11.4 Bois-énergie dans Res-IRF

L'introduction du bois-énergie dans Res-IRF s'est faite en tant que quatrième pos-
sibilité d'énergie de chauage aux côté de l'électricité, du gaz et du oul. Les valeurs
numériques des paramètres nécessaires à cet ajout sont détaillés en annexe partie 12.4.
Une telle représentation présente certaines limitations pour ce type d'énergie qui pré-
sente beaucoup de spécicités.
 Tout d'abord, le bois a la particularité d'être utilisé de façon non négligeable en
chauage d'appoint. Or la représentation du parc de Res-IRF ne permet qu'une
seule énergie de chauage par bâtiment. Les logements chaués au bois dans Res-
IRF sont ceux dont le bois est l'énergie de chauage de base. La consommation de
bois reconstituée dans Res-IRF (dépendant notamment de la performance énergé-
tique des logements chaués au bois) en 2008 correspond alors à une consommation

65
 de 30 TWh soit 11,5 Mm3 ou encore 2,5 Mtep (9% de la consommation totale
d'énergie de chauage dans le résidentiel). On est donc loin des 7 Mtep estimés
de consommation de bois dans le résidentiel
48 . La diérence représentant environ
20 Mm3 représente le chauage d'appoint, pouvant provenir du bois de feu (bois
consommé hors des circuits commerciaux), estimé entre 20 et 25 Mm3, mais pas
seulement
49 (par exemple poêle à bois moderne utilisant des plaquettes forestières).
 Les logements utilisant le bois comme chauage de base peuvent être des vielles
maisons utilisant des cheminées à foyer ouvert comme des maisons neuves et bien
isolés utilisant une chaudière à bois ultra-moderne. Le manque de données sur le
parc de logements chaués au bois a conduit à prendre des hypothèses ad hoc pour
sa constitution (voir partie 12.1.3 en annexe). Cette diversité complique également
le choix des coûts de fuel switch en présence de technologies implicites.
 Res-IRF ne prend pas en compte le chauage urbain, et ne modélise pas non plus le
mix énergétique dans le secteur électrique (le nouveau nexus électrique d'Imaclim-
R est en cours de développement). Sachant que les projets de valorisation de la
lière bois passent beaucoup par les chaueries collectives et les petites centrales à
cogénération (cf partie 11.2) , c'est tout un pan de développement de la lière qui
n'est pas pris en compte.
 Le prix du bois est très variable d'une région à l'autre, et même au sein d'une région
(diérence entre ville et campagne notamment), le coût de transport représentant
environ 10% du prix nal. D'autre part, la capacité calorique du bois est très
variable selon les essences et le pourcentage d'humidité des produits bois. Une étude
(ADEME 2010 [4]) dresse un panorama des prix du combustible bois en ¿/kWh PCI
(qui l'unité appropriée pour Res-IRF). Les prix varient fortement selon le produit
bois, allant de 2 à 3 centimes d'euros par kWh pour les bûches jusqu'à 8 centimes
d'euros par kWh pour les plaquettes forestières. De plus le bois circulant hors des
circuits commerciaux représente en fait la majorité de la consommation de bois
énergie (20 millions de m3 sur 30, ADEME 2009 [2]), mais on peut faire l'hypothèse
qu'il concerne essentiellement le chauage d'appoint non pris en compte dans Res-
IRF. Le modèle Res-IRF ne permettant pas de prendre en compte ces diérents
produits bois, on a pris le prix du bois à l'année de base à 4 centimes d'euros par
kWh.

11.5 Endogénéisation de l'ore de bois

Le bois-énergie est un marché plutôt petit (national), contrairement au marché d'autres
catégories de bois à forte valeur ajoutée et à celui des énergies fossiles et à d'autres ca-
tégories de bois à forte valeur ajoutée. Par conséquent, une hausse signicative de la
consommation de bois entraînerait une augmentation du prix de ce dernier.
Dans le scenario de base (c'est-à-dire pour toutes les simulations sauf celle dans cette
partie), le prix du bois évolue de façon exogène, comme les autres énergies (1% d'aug-
mentation par an dans le scenario de référence).
On a développé dans Res-IRF une option alternative permettant au prix d'évoluer
de façon endogène, par l'intermédiaire d'une fonction d'ore, la consommation de bois
énergie à l'année i déterminant son prix à l'année i+1. Cette endogénéisation a pour
but d'augmenter le prix du bois si sa consommation augmente, limitant par exemple le

48. 6,9 pour ADEME chires clés du bâtiment 2007 p41, 7,6 pour CLIP n° 20 p27
49. C'est pourquoi la distinction bois de feu/bois commercial indispensable dans les modèles d'économie
forestière n'est pas pertinente dans Res-IRF, sauf pour la détermination du prix du bois par ore endogène.

66
Figure 32  Courbe d'ore du prix du bois établie en forçant le modèle FFSM du LEF

fuel switch dans le cas de l'introduction d'une taxe carbone. Un tel bouclage pourrait
également être réalisé pour les autres énergies avec le couplage avec IMACLIM-R.
Ce travail n'aurait pas été possible sans l'aide du Laboratoire d'Economie Forestière
par l'intermédiaire de S. Caurla et de leur modèle French Forest Sector Model (Caurla
2010 [12]). La courbe d'ore a été réalisée en forçant le modèle FFSM par l'ajout d'une
consommation additionnelle en calculan les nouveaux prix du bois (voir gure 32).
Cette courbe d'ore est linéaire. En faisant une régression, on obtient que l'augmen-
tation du prix du bois bord de route est de 2.3% par million de m3 supplémentaire de
BIBE consommé.
Enn, la part du transport est d'environ 10% dans le prix du bois livré (ADEME),
qui est donc la part xe du prix du bois (on pourrait l'indexer sur le prix du oul mais
la sophistication est certainement excessive).
On retient nalement la fonction d'ore suivante :

consorésid
prixbois,i+1 = 0.1×prixbois−réf +0.9×prixbois−ref (1+(consoi −consoréf ) ×2.3%)
consoréf

avec consoi en millions de m3 , consoréf = 11.55, consorésid = 30 et prixbois−réf le

prix du bois dans le cas du scenario exogène (4c¿ au départ puis augmente de 1% par
an).
consorésid
On introduit ici un coecient d'ajustement pour prendre en compte le fait
consoréf
que Res-IRF ne couvre qu'une partie de la consommation de bois énergie (environ 12
millions de m3 à l'année de base, alors qu'elle est estimée à 30 millions de m3 dans le
secteur résidentiel) alors qu'elle est entièrement prise en compte dans FFSM.

11.6 Consommation de bois selon diérents scenarios

La gure 33 donne la consommation de bois selon diérents scenarios (lorsque le prix
du bois est endogène ou exogène, et en présence de taxe carbone plus ou moins élevée,
Taxe 50 signiant que la valeur de la taxe vaut 50¿/tCO2 à l'année de base).
Quatre raisons peuvent expliquer une diminution de la consommation de bois :

67
Figure 33  Consommation de bois simulée dans Res-IRF et prix du bois en fonction de
diérents scenarios

 La démolition de logements anciens qui se chauaient au bois (qui sont souvent très
énergivores).
 La rénovation de logements anciens qui se chauaient au bois.
 Une plus grande sobriété dans les logements chaués au bois (entraînée par la hausse
du prix du bois).
 Les logements anciens chaués au bois qui après rénovation passent à l'électricité,
au gaz ou au oul.
Tandis que pour l'augmentation de la consommation de bois, trois possibilités existent :
 Des logements anciens chaués à l'électricité, au gaz ou au oul qui après rénovation
se mettent à se chauer au bois.
 La construction de logements neufs avec le bois comme énergie de chauage
 Un relâchement de la sobriété (à cause d'une baisse du prix du bois
50 )
Dans le scenario BAU, la diminution de la consommation de bois due à l'augmentation
de l'ecacité est plus importante que l'augmentation due au solde de fuel switch auquel
s'ajoutent les logements neufs (qui sont généralement assez ecaces). Par conséquent la
consommation de bois énergie diminue.
Une taxe carbone laisse le prix du bois inchangé (il n'est pas taxé car son contenu
carbone est considéré comme nul) mais renchérit le prix des autres énergies. Son eet
principal va être d'augmenter le nombre de fuelswitch en direction du bois et d'augmenter
la part de logements chaués au bois dans la construction neuve. Un autre eet négligeable
à court terme mais pas à long terme contrebalance cette augmentation. Le surcroît de
rénovation dans les logements hors bois fait baisser les coûts de rénovation et les coûts
intangibles (par apprentissage) et ainsi augmente les rénovations dans les logements bois,
qui sont alors plus ecaces et consomment moins. Au nal, même si la part du bois
progresse dans le mix énergétique, l'augmentation de l'ecacité des bâtiments fait qu'au
bout d'un moment la consommation cesse d'augmenter.
L'endogénéisation du prix du bois fait augmenter (respectivement baisser) le prix du
bois lorsque la consommation est inférieure (respectivement supérieure) à la consomma-
tion la première année. Comme toutes choses égales par ailleurs, un prix plus élevé fait
diminuer la consommation totale de bois (de façon intuitive mais par beaucoup de leviers
diérents : sobriété, augmentation du nombre de rénovation et du solde de fuelswitch
vers le bois), cette endogénéisation du prix du bois agit donc comme une force de rappel

50. en réalité dans ces simulations le prix du bois augmente toujours comme on peut le voir sur la gure

68
Figure 34  Consommations d'énergie et émissions de CO2 selon les diérents scenarios

de la consommation à l'année i vers la consommation à l'année de base.

Mais comme on peut le voir gure 34, l'endogénéisation du prix du bois n'a pas d'im-
pact sur la consommation totale et les émissions de CO2 (la diérence de bois consommée
est d'au maximum 1 millions de m2, ce qui n'est pas beaucoup au regard de la consom-
mation d'énergie dans tout le secteur résidentiel, et de fait les courbes endo et exo sont
confondues).
Dans tous les cas, on voit qu'une taxe carbone augmente la consommation de bois
dans des proportions raisonnables, l'augmentation de l'ecacité du parc contrebalançant
les fuel switch vers cette énergie.

69
Conclusion
C'est avec légitimité que les décideurs politiques attendent des modèles qu'ils soient
passés au crible d'une évaluation rigoureuse, permettant de valider leurs résultats. La vali-
dation de modèles, d'autant plus lorsqu'ils représentent des phénomènes socio-économiques,
se heurte en réalité à une impossibilité épistémologique (Oreskes 1994 [50]). Dans la pra-
tique, la plupart des scientiques reconnaissent les faiblesses de leur modèle, attitude qui
tranche avec la tonalité très armative entourant la divulgation de leurs résultats dans
la sphère publique (Oreskes 1994 [50]). Cependant, dans la plupart des cas, les incerti-
tudes font l'objet d'un traitement à la marge, et peu de modélisateurs prennent le temps
de décortiquer et d'expliciter les diérentes sources d'incertitudes de leur modèle (Van
Asselt et Rotman 2002 [7]). Les outils existants ne permettent de traiter de façon sa-
tisfaisante qu'un certain type d'incertitude (les incertitudes empiriques, pour reprendre
la taxonomie de Oreskes).
La méthode originale d'analyse de sensibilité que l'on a développé dans ce mémoire
est de ce type. Cette dernière a permis de mesurer l'impact des diérents paramètres sur
les résultats du modèle et nous avons ainsi pu déterminer quels étaient ses paramètres
saillants : prix de l'énergie, courbe d'utilisation et taux de rénovation initial. Nous avons
essayé de dépasser cette première analyse en mettant en lumière les dicultés propres
à ce type de modèle (calibrages), pour pouvoir suggérer des pistes d'améliorations (lien
entre la qualité et la quantité des rénovations, coûts intangibles).
Beaucoup d'autres aspects pourraient également être développés : meilleure connais-
sance technologique (pour déterminer les coûts de rénovation et le taux de rénovation),
segmentation par classes de revenus pour pouvoir traiter de problèmes de précarité éner-
gétique, modélisation du secteur de la rénovation, paramètres comportementaux plus ne-
ment reproduits, modélisation du chauage urbain et du mix énergétique de la production
électrique.
Au nal, quel crédit accorder aux résultats du modèle ? Les récents développements,
même s'ils donnent des résultats quantitativement diérents, ne font que conrmer les ten-
dances évoquées dans les travaux précédents : les politiques promouvant l'ecacité éner-
gétique permettent des réductions signicatives de consommations d'énergie par rapport
au scenario au l de l'eau, mais ne permettent pas d'atteindre les objectifs du Grenelle,
même lorsqu'elles sont ambitieuses.
Au-delà de prévisions quantitatives, c'est davantage sur la compréhension de diérents
mécanismes liés à l'ecacité énergétique que ces modèles de prospectives permettent
d'avoir des éclairages : models are useful, not because they predict, but because building
them and using them improve our insights (Bankes 1993 [9]).

70
Références

[1] ADEME : 2008, `Chires clés du bâtiment'. Technical report, ADEME.

[2] ADEME : 2009a, `Biomasse forestière, bocagère et populicole à l'horizon 2020'. Tech-
nical report, ADEME.

[3] ADEME : 2009b, `Evaluation prospective du marché du chauage domestique au

bois et autres biomasse en 2020'. Technical report, ADEME.

[4] ADEME : 2010, `Enquête sur le prix des combustibles bois en 2008 et 2009'. Technical
report, ADEME.

[5] Alcott, H. and S. Mullainathan : 2010, `Behaviour and Energy Policy'. Science 327,
12041205.

[6] Allibe, B. : 2009, `Impact of comfort level on French dwelling space heating energy
demand : a retrospective and prospective study'. In : Behavior, Energy and Climate
Change Conference.

[7] Asselt, M. B. A. V. and J. Rotmans : 2002, `Uncertainty in Integrated Assesment

Modelling'. Climatic Change 54, 75105.
[8] Auroy, R., B. Boutefeu, N.Richez, and D. Samri : 2011, `Le développement du bois
énergie : solution durable pour répondre au dé énergétique ?'. Technical report,
Ecole des Ponts et Chaussées - Master d'Action Publique.

[9] Bankes, S. : 1993, `Exploratory modeling for policy analysis'. Operations Research
41 (3), 435449.
[10] Beugin, D. and M. Jaccard : 2011, `Statistical simulation to exstimate uncertain
behavioral parameters of hybrid energy-economy models'. Environmental Modeling
and Assessment 16 (4).

[11] Bovay, C. : 1987, L'énergie au quotidien. Genève.

[12] Caurla, S., F. Lecocq, and P. Delacote : 2010, `The French Forest Sector Model
version 1.0 Presentation and theoretical foundations'. Cahier du LEF 2010-03.
[13] CEMAGREF-IFN : 2008, `Évaluation des volumes de bois mobilisables à partir des
données de l'IFN "nouvelle méthode" Actualisation 2009 de l'étude "biomasse dis-
ponible" de 2007'. Technical report.

[14] CEREN : 2010, `Suivi du Parc et des Consommations d'Energie. Parc en 2009'.
Technical report.

[15] CGDD : 2009, `La mobilité résidentielle progresse dans le parc locatif privé et diminue
dans le parc social'. Technical report, CGDD.

[16] CLIP : 2010, `Habitat facteur 4'. Technical report, CLIP.

[17] Convery, F. J. : 2011, `Reections. Energy Eciency Literature for Those in the
Policy Process'. Review of Environmental Economics and Policy.

[18] Crassous, R., J.-C. Hourcade, and O. Sassi : 2006, `Endogenous Structural Change
and Climate Targets Modeling Experiments with Imaclim-R'. The Energy Journal
Special Issue : Endognenous Technological Change and the Economics of
Atmospheric Stabilisation, 259276.
[19] de Marchi, B. : 1995, `Uncertainty in Environmental Emergencies : a diagnostic tool'.
Journal of Contingencies and Crisis Management 3 (2), 103112.

[20] de Quero, A. and N. Lapostolet : 2009, `Plan Bâtiment Grenelle Rapport sur la
précarité énergétique'. Technical report, ANAH.

71
[21] Deheza, M. and V. Bellassen : 2010, `Valorisation carbone de la lière forêt-bois en
France'. Technical report, CDC Climat.

[22] Desjeux, D. : 1996, Anthropologie de l'électricité. Les objets électriques dans la vie
quotidienne en France. Paris.

[23] Farsi, M. : 2010, `Risk aversion and willingness to pay for energy ecient systems in
rental appartments'. Energy Policy 38, 30783088.
[24] Gilllingham, K., K. Newell, and W. Pizer : 2008, `Modeling endogenous technological
change for climate policy analysis'. Energy Economics 30(6), 27342753.
[25] Giraudet, L., C. Guivarch, and P. Quirion : 2011a, `Evaluation des mesures du Gre-
nelle de l'environnement sur le parc de logements français'. Technical report, Energy
Economics doi : 10.1016/j.eneco.2011.07.010.

[26] Giraudet, L., C. Guivarch, and P. Quirion : 2011b, `Comparing and combinging
energy saving policies : will proposed residential sector policies meet French ocial
targets ?'. The Energy Journal Special Issue. Strategies for mitigating cli-
mate change through energy eciency : a multi-model perspective, doi :
10.5547/ISSN01956574EJVol32SI111.

[27] Haas, R., H. Auer, and P. Biermayr : 1998, `The impact of consumer behavior on
residential energy demand for space heating'. Energy and Buildings 27(2), 109205.
[28] Haas, R. and L. Schipper : 1998, `Residential energy demand in OECD-countries and
the role of irreversible eciciency improvements'. Energy Economics 20(4), 421442.
[29] Hitchings, R. : 2008, `Air conditioning and the material culture of routine human
encasement'. Journal of Material Culture.

[30] Hourcade, J.-C., M. Jaccard, C. Bataille, and F. Ghersi : 2006, `Hybrid Modeling :
new answers to old challenges'. The Energy Journal Special issue 2 : Hybrid
Modeling of Energy Environment Policies, 112.
[31] IFN : 2008, `La forêt en chires et en cartes'. Technical report, IFN.

[32] INSEE : 2008, `Comptes du logement'. Technical report, INSEE.

[33] Isaac, M. and D. P. van Vuuren : 2009, `Modeling global residential sector energy
demand for heating and air conditioning in the context of climate change'. Energy
Policy 37, 507521.

[34] Jaccard, M. and M. Dennis : 2006, `Estimating home energy decision parameters for
a hybrid energy-economy policy model'. Environmental Modeling and Assessment
11(2), 91100.
[35] Jae, A. and R. Stavins : 1994a, `Energy-eciency investments and public policy'.
The Energy Journal 15(2), 4365.

[36] Jae, A. and R. Stavins : 1994b, `The energy-eciency gap : what does it mean ?'.
Energy Policy 22(10), 804810.

[37] Kempton, W. and L. Montgomery : 1982, `Folk quantication of energy'. Energy 7

(10), 817827.
[38] Koomey, J. G. : 2002, `FROM MY PERSPECTIVE. Avoidint "The Big Mistake"
in forecasting technology adoption'. Technological Forecasting & Social Change 69,
511518.

[39] Lagandré, E. : 2006, `L'amélioration énergétique des logements existants. Le rôle des
artisants dans l'information de leurs clients'. Les Annales de la Recherche Urbaine
n°103, pp9599.

72
[40] Lecocq, F., S. Caurla, P. Delacote, A. Barkaoui, and A. Sauquet : 2011, `Paying
for forest carbon or stimulating fuelwood demand ? Insights from the French Forest
Sector Model'. Journal of Forest Economics 17, 157168.
[41] Levinson, A. and S. Niemann : 2004, `Energy use by apartment tenants when land-
lords pay for utilities'. Resource and Energy Economics 26(1), 5175.
[42] Linares, P. and X. Labandeira : 2010, `Energy eciency : Economics and policy'.
Journal of Economic surveys 25 (1), 573592.

[43] Marchal, J. : 2008, `Modélisation des performances thermiques du parc de logements'.

Technical report, ANAH.

[44] Mau, P., J. Eyzaguirre, C. Collins-Dodd, and K. Tiedemann : 2008, `The "neighboor
eect : simulating dynamics in consumer preferences for new vehicle technologies'.
Ecological Economics 68 (1-2), 504506.

[45] Moussaoui, I. : 2009, Vers une génération de la modération ? Pratiques, représenta-

tions et systèmes de consommationo énergétiques selon les âges sociaux. Consommer
autrement.

[46] Mundaca, L., L. Neij, E. Worrell, and M. McNeil : 2010, `Evaluating Energy Eciency
Policies with Energy-Economy Models'. Annual Review of Environmental Resources
35, 305344.
[47] Nauleau, M. : 2011, `Modélisation du choix d'entreprendre des travaux de maî-
trise énergétique et évaluation du crédit d'impôt à partir de l'enquête ADEME-TNS
SOFRES Maîtrise de l'énergie'. Master's thesis, Université Paris I.

[48] Nordhaus, W. D. : 2009, `The perils of the learning model for modeling endogenous
technological change'. Cowle Foundation discussion paper 1685.
[49] OPEN : 2009, `Rapport nal'. Technical report, OPEN [Observatoire permanent
pour l'amélioration énergétique du logement].

[50] Oreskes, N. : 1998, `Evaluation (not validation) of quantitative models'. Environment

Health Perspectives 106 (6), 14531460.

[51] Pelletier, P. : 2011, `Pour une meilleure ecacité des aides à la performance énergé-
tique'. Technical report, Plan Bâtiment Grenelle.

[52] PUCA : 2008, `L'habitat existant contre l'eet de serre, évaluer et faire progresser les
performances énergétiques et environementales des OPAH. Rapport Intermédiaire'.
Technical report, PUCA [Plan Urbanisme Construction Architecture].

[53] Puech, C. : 2009, `Mise en valeur de la forêt française et développement de la lière

bois'. Technical report.

[54] Rehdanz, K. : 2007, `Determinants of residential space heating expenditures in Ger-

many'. Energy Economics 29(2), 167182.
[55] Ürge Vorsatz, D., A. Novikova, S. Köppel, and B. Boza-Kiss : 2009, `Bottom-up
assessment of potentials and costs of CO2 emission mitigation in the buildings sector :
insights into the missing elements'. Energy Eciency 2(4), 293316.
[56] Roy, A. : 2007, `Les pratiques environementales des Français en 2005'. Dossier de
l'IFEN n°8.

[57] Sassi, O., R. Crassous, J.-C. Hourcade, V. Gitz, H. Waisman, and C. Guivarch :
2010, `IMACLIM-R : a modelling framework to simulate sustainable development
pathways'. International Journal of Global Environmental Issues 10(1-2), 524.

73
[58] Sofres, A. T. : 2010, `Maîtrise de l'énergie Bilan 2009. Phase 2. Attitudes et compor-
tements des particuliers'. Technical report, ADEME TNS Sofres.

[59] Sorell, S. and J. Dimitropoulos : 2008, `The rebound eect : microeconomic deni-
tions, limitations and extensions'. Ecological Economics 65(3), 636649.
[60] Sorell, S., J. Dimitropoulos, and M. Sommerville : 2009, `Empirical estimates of the
rebound eect : a review'. Energy Policy 37 (4), 13561371.
[61] Subrémon, H. : 2010, `Etat de la littérature anthropologique sur la consom-
mation d'énergie domestique - en particulier de chauage'. Technical report,
DGALN/PUCA.

[62] TNSSOFRES : 2010, `Maîtrise de l'énergie Bilan 2009'. Technical report, ADEME.

[63] Train, K. : 1985, `Discount rates in consumers' energy-related decisions : a review of

the litterature'. Energy 10 (12), 12431253.
[64] Webster, M., S. Paltsev, J. Parsons, J. Reilly, and H.Jacoby : 2008, `Uncertainty in
Greenhouse Gas Emissions and Costs of Atmospheric Stabilization'. Technical report,
MIT Joint Program on the Science and Policy of Global Change is an organization
for research.

[65] Weiss, M. Juginger, M. Patel, and K. Blok : 2010, `A review of experience curves
analysis for energy demand technologies'. Technological Forecasting & Social Change
77 (3), 411428.
[66] Young, H. P. : 2009, `Innovation Diustion in Heterogeneous Populations : Contagion,
Social Inuence, and Social Learning'. American Economic Review 95 (5), 1899
1924.

74
Quatrième partie

Annexes

12 Mise à jour des données

12.1 Parc
Cette partie décrit la méthodologie utilisée pour établir le parc de logements de Res-
IRF : 26 millions de résidences principales (on ne prend délibérément pas en compte les
les résidences secondaires et les logements vacants) caractérisées selon trois paramètres :
 L'étiquette énergétique (de G à A)
 L'énergie de chauage de base (électricité, gaz, oul ou bois)
 Le type de décideur au nombre de cinq (propriétaire occupant en maison indi-
viduelle ou en logement collectif, propriétaire bailleur en maison individuel ou en
logement collectif (hors logement social) et logement social).
La majorité des informations sont tirées de la base de données de l'ANAH de Julien
Marchal
51 , dont certaines segmentations sont plus nes que ce dont nous avons besoin
pour Res-IRF (zone climatique et période de construction notamment). Toutefois trois
aspects empêchent d'utiliser telle quelle cette base de données pour Res-IRF :
 Hors logement social, pour les logements construits avant 1975 ou après 2000, on
ne sait pas si le propriétaire est occupant ou bailleur.
 Concernant les énergies de chauage, on a une segmentation par électricité, gaz, oul
et autres (hors logement social) et électricité, gaz et oul et autres (logement
social).
 La base de donnée de l'ANAH couvre les 31 millions de logements de France mé-
tropolitaine, sans distinguer s'il s'agit de résidences principales, secondaires, ou de
logements vacants.
Les trois prochaines parties décrivent comment traiter ces trois aspects.

12.1.1 Proportion des propriétaires bailleurs et occupants dans les logements

construits avant 1975 et après 2000 sur l'ensemble du parc

57% des ménages sont propriétaires

52 , et parmi ceux-ci 79% vivent dans une maison
individuelle
53 . On a donc sur l'ensemble des résidences principales la répartition (en
comptabilisant le logement social)
54 :

   
P OM I P OLC 45% 12%
= (9)
P BM I P BLC 11% 32%

où P O (resp P B ) signie propriétaire occupant (resp propriétaire bailleur) et MI

(resp LC ) maison individuelle (resp logement collectif ).
Si on considère que les résidences secondaires et les logements vacants (2,8 millions de
maisons individuelles, et 2,1 millions de logements collectifs) appartiennent aux catégories
P OM I et P OLC , on a la répartition sur l'ensemble du parc :

51. Marchal J, 2008 Modélisation des performances thermiques du parc de logements, Rapport pour
l'ANAH
52. INSEE
53. ANAH Enquête nationale du logement p8 Décembre 2009
54. Cette partition est conrmée par les Comptes du logement en 2007

75
    
P OM I P OLC 47% 17%
= (10)
P BM I P BLC Ref
9% 27%
De plus, les 4,5 millions de logements sociaux (qui s'ajoutent aux 16,2 millions de
maisons individuelles et 10,4 millions de logements collectifs pour former les 31,1 millions
de logements en France métropolitaine) sont à 84% des logements collectifs
55 .
On détermine deux paramètres αM I et αLC , représentant la proportion de proprié-
taires occupants dans les maisons individuelles (respectivement dans les logements col-
lectifs) datant d'avant 1975 ou d'après 2000, pour approcher les résultats de 10 (en n'ou-
bliant pas les logements sociaux) par une moyenne pondérée par le nombre de logement.
On trouve αM I = 85% et αLC = 57%.
On fait ensuite l'hypothèse que la proportion de propriétaires occupants dans les
maisons individuelles (respectivement dans les logements collectifs) datant d'avant 1975
ou d'après 2000 est la même quelle que soit l'étiquette et l'énergie de chauage utili-
sée. Cela revient à multiplier par αM I (respectivement αLC ) les eectifs de logements
sous l'étiquette M I (respectivement LC) dans la base de l'ANAH pour les faire passer
dans l'étiquette P OM I (respectivement P OLC ). Tous les logements ont alors un type de
décideur.

12.1.2 Suppression des résidences secondaires et logements vacants

Notre parc contient à ce stage 31,1 millions de logements dont 14,6 millions de P OM I
et 5,3 millions de P OLC (dont respectivement 2,8 millions et 2,1 millions de résidences
secondaires et logements vacants), le reste étant réparti entre logements sociaux et pro-
priétaires bailleurs.
On multiplie alors tous les eectifs de logements sous l'étiquette P OM I (respective-
2, 8 2, 2
ment P OLC ) par α = 1− = 81% (respectivement β = 1− = 59%), quelle que
14, 6 5, 3
soit l'étiquette et le type de chauage utilisé. On retombe alors sur un parc de 26 millions
de logements, soit le nombre de résidences principales en France métropolitaine.
Il est probable que les résidences secondaires soient moins bien isolées que les résidences
principales (on a moins d'incitation à rénover un logement qu'on ne fréquente que quelques
semaines par an car le temps de retour sur investissement est nettement plus grand). Il
est également probable que les énergies de chauage n'aient pas la même répartition
(peut-être plus de oul qui reste l'énergie dominante pour les maisons à la campagne).
Certains logements vacants sont des logements laissés à l'abandon, dans ce cas on peut
émettre les mêmes hypothèses concernant les biais de représentation en matière d'étiquette
et d'énergie de chauage. D'autres en revanche sont en attente d'être vendus, on peut
alors penser que que ce sont des logements plutôt bien isolés (ou qui vont subir très
prochainement des travaux), ayant plus de chance d'être chaués au gaz ou à l'électricité
par exemple.
La dernière catégorie étant moins importante que les deux premières, on peut penser
que cette opération entraîne une légère surreprésentation des mauvaises étiquettes et
du chauage au oul.

12.1.3 Intégration du bois

Logements non sociaux Il existe quatre types d'énergies pour ce type de logement :
électricité, gaz, oul et autres. Dans le autres rentrent donc le charbon, le GPL, le

55. Comptes du logement 2007

76
 Poste MEDIUM OPTIMAL Total

Chauage 266 100 110 800 376 900

Ouverture 613 500 112 400 725 900
Intérieur 179100 73 500 252 600
Toiture 0 163 000 163 000
Total 1 058 700 459 700 1 518 400

Table 17  Rénovations énergétiques dans le bâti en 2006

chauage urbain, le solaire thermique et ce qui nous intéresse : le bois.

Le bois est une énergie de chauage utilisée massivement en appoint : nombre de
maisons chauées à l'électricité ou au oul possède une cheminée utilisée par les habi-
tants selon une fréquence très variable, et pour des raisons parfois autres qu'une stricte
augmentation de la température.
Les chires clés du bâtiment de l'ADEME (année 2007) donnent le nombre de loge-
ments qui utilisent le bois comme énergie de chauage principale, en maison individuelle
et en logement collectif (842 000 et 16 000), permettant avec les autres données d'estimer
la part du bois à 88% de la catégorie autres dans les maisons individuelles et seulement
2% dans les logements collectifs. Une estimation grossière (860 000 logements fois 250kWh
par m2 fois 110 m2 par logement) donne une consommation de 23 TWh, soit environ trois
à quatre fois moins que la consommation estimée de bois dans le secteur résidentiel
56 ,
conrmant que l'utilisation du bois est surtout utilisée en appoint.
Même si la représentation est imparfaite, nous devons nécessairement dans notre mo-
dèle considérer uniquement les énergies de chauage principale. Il est probable que les
maisons chauées principalement au bois se divisent en deux catégories : les maisons très
écologiques équipées de poêle à bois sophistiqués et les vieilles maisons.
On fait cependant l'hypothèse nécessaire (faute de données plus précises) que la part
du bois est identique quel que soit l'étiquette énergétique et le type de décideur (on
pourrait aussi raisonnablement penser que le chauage au bois soit plus utilisé parmi les
propriétaires occupants par exemple).
On transfère donc 44% (respectivement 1% pour les logements collectifs) des lo-
gements de la catégorie autre dans la catégorie bois (à étiquette et type de décideur
donné). Les chires 88% et 2% ont été divisés par deux car dans la base de données
de l'ANAH, la part d'énergie autres représente 15% des logements, contre seulement
7% pour l'ADEME (la diérence étant captée par les logements chaués au gaz), et on
souhaite au nal retomber sur environ 900 000 logements dont l'énergie de chauage
principale est le bois (cf ADEME) et pas le double.

Logements sociaux En l'absence de données, on estime à 50% la part du oul dans

oul et autres et 2% celle du bois (comme dans les logements collectifs), en supposant
que la majorité restante est du chauage urbain.

12.2 Taux de rénovation initial

L'enquête OPEN permet d'obtenir le tableau 17.
On peut se poser trois questions.

56. 87,9 TWh pour le CLIP, 80,2 TWh pour l'ADEME et 75,6 TWh pour le rapport GAP "Le déve-
loppement du bois énergie : solution durable pour répondre au dé énergétique ?"

77
  Les rénovations MEDIUM entraînent-elles toutes un changement d'étiquette ?
 Dans quelle mesure fait-on des travaux sur diérents postes à la fois (chauage+isolation
par exemple), correspondant dans notre modèle à un seul travaux ?
 Dans quelle mesure toutes ces rénovations s'appliquent-elles à notre parc (elec/gaz/oul/bois,
représentant approximativement 91% du parc total) ?
On peut considérer que pour la première question la réponse est positive dans la majorité
des cas (les critères MEDIUM sont relativement exigeants).
Pour la deuxième question, G Callonec de l'Ademe suggérait lors de notre entretien
beaucoup plus des petits travaux davantage que de gros chantiers. Il faudrait peut-être
éplucher en détail l'enquête OPEN pour avoir plus de renseignements. Sans plus d'infor-
mations, on peut estimer à environ à 20% le nombre de travaux aectant plus de deux
postes. Pour simplier, on considère que 30% des travaux sont eectués sur deux postes
exactement. Alors il ne faut comptabiliser que 70% des travaux.
Enn, pour la dernière question, les maisons chauées au charbon sont souvent les plus
rentables à rénover, mais leurs habitants n'ont pas forcément la capacité d'investissement
nécessaire pour mener des travaux. On considère donc que la proportion de travaux est
la même dans le parc Res-IRF que dans le parc réel.
On a nalement un taux initial de travaux (il y a au total 26.2 millions de résidences
1518400
principales) de 0.7 × 0.91 × ' 3%.
26200000

12.3 Matrice de coûts de rénovation

G Callonec de l'Ademe a établi en sa matrice de coûts de transition en se basant sur
des combinaisons de gestes, pour lesquels il a fait un net eort pour déterminer leur prix
moyen.

 
76 141 182 229 304 396

 0 63 105 153 227 320 

 0 0 38 88 163 254 
MADEM E = 

 0 0 0 47 122 212 

 0 0 0 0 75 167 
0 0 0 0 0 105
Cependant on peut voir avec Excel certaines aberrations, par exemple passer de G à
E directement coûte 3% plus cher que de passer de G à F puis de F à E.
Sa matrice est déterminée ex post par aggrégation d'où ces quelques aberrations.
Hormis le passage de G à F qui nécessite un gain énergétique assez conséquent, il
est cohérent que cela coûte de plus en plus cher de passer d'une étiquette à la suivante
(rendement décroissants). On modie donc les valeurs de la diagonale (sauf les deux
premières) à 70, 79, 93 et 110.
La méthode la plus directe pour remplir les autres cases est de procéder par additivité
(le coût pour passer de G à E vaut le coût pour passer de G à F plus celui pour passer
de F à E).
Or plus on saute un nombre important d'étiquettes d'un coup, plus on fait d'économie
d'échelle et de temps et donc plus la diérence de coût relative par rapport à la somme
des prix de transitions d'une seule étiquette est importante.
Pour rendre compte de cela on multiplie tous les termes de la surdiagonale
57 de la
matrice intermédiaire obtenue par additivité par 0,98 ; ceux de la sursurdiagonale par 0,96

57. correspondant à des sauts de deux étiquettes

78
et ainsi de suite (jusqu'à 0,9 pour le dernier élément en haut à droite de la matrice). Ces
facteurs multplicatifs sont choisis un peu arbitrairement (il pourrait être intéressant mais
à mon avis dicile de les estimer à partir de données).
On obtient nalement la matrice :

 
76 136 201 271 351 442

 0 63 130 204 287 382 

 0 0 70 146 232 331 
CIN V −Existant = 

 0 0 0 79 169 271 

 0 0 0 0 93 199 
0 0 0 0 0 110

12.4 Données introduites suite à l'ajout des logements sociaux et

du bois énergie
12.4.1 Part des diérentes énergies dans la construction neuve

9% pour le bois . Les 91% restants sont répartis dans les mêmes proportions que
précédemment (ce qui donne 64% pour l'électricité, 24% pour le gaz et 3% pour le oul).
Pour le bois on trouve sur les sites de professionnels le chire de 250 000 installations
de poêles à bois chaque année (sur 500 000 postes de chauage).

12.4.2 Taux d'actualisation dans le logement social

Existant (rénovations) Il est choisi à 4%, comme le taux traditionnellement retenu

dans le calcul économique public. Comme ce taux est assez bas et qu'on souhaite que
la moyenne pondérée des taux d'actualisation soit de 20% (valeur généralement estimée
pour les travaux d'ecacité énergétique), il faut réévaluer le taux d'actualisation pour
les autres types de décideurs à savoir respectivement de 8%, 15% 45% et 55% pour les
P OM I , P OLC , P BM I et P BLC .

Neuf Il est de 4% pour les logements sociaux, 7% pour les maisons individuelles et 10%
pour les logements collectifs.

12.4.3 Taux de rotation annuel dans le logement social (pour obligation ré-
novation)

Les locataires de logements sociaux sont moins mobiles que les locataires du privé. Le
taux de rotation annuel dans le logement social est de 10%, contre 18% dans les logements
collectifs du privé (CGDD 2009).

12.4.4 Coûts de la construction neuve en fonction des énergies

On retient la matrice suivante :

 
1150 1400 1700
 1200 1350 1600 
CIN Vneuf −ini =
 1270

1450 1800 
1200 1300 1600

On rappelle que les colonnes correspondent aux trois types de construction (RT05,
BBC et BEPOS) et les lignes aux cinq types d'énergie possible (elec, gaz, oul, bois).

79


On se base sur les prix de construction avec gaz : 1200 1350 1600 issue des
données précédentes.
Plus un type d'énergie est peu ecace (le pire étant le oul), et plus l'exigence de
performance énergétique est élevée, plus le coût de construction est grand (car il faut
alors des mesures compensatoires onéreuses (isolation excellente, ventilation mécanique
contrôlée etc) pour compenser la mauvaise performance de l'énergie).

12.4.5 Coûts de fuel switch

On retient la matrice suivante :

 
0 70 100 120
 50 0 80 100 
CCHG = 
 55

50 0 100 
55 50 80 0
Le bois reste un type d'énergie cher à l'installation, mais les bénéces en termes
d'ecacité énergétiques sont alors importants. La procédure de choix dans Res-IRF qui
dissocie complètement l'ecacité en termes d'étiquette énergétique et le fuel switch ne
permet pas d'appréhender cet aspect.
Une seule hypermatrice de coûts de transition incorporant à la fois l'étiquette énergé-
tique ainsi que l'énergie de chauage de départ et d'arrivée serait plus pertinente. C'est
le cas de la nouvelle procédure de fuel switch (voir partie 14 page 82). Le remplissage de
cette matrice (comportant 21 × 4x4 = 176 termes non nuls car il y a 21 choix pour les
rénovations d'étiquette, 4 énergies de départ et 4 énergies d'arrivée) serait délicat. Les
données sur les fuel switch sont extrêmement parcellaires et il faudrait en plus les croiser
avec les données sur les changements d'étiquette.
Cependant cette matrice a un rôle primordial pour les fuel switch notamment en
présence de taxe carbone (ils ont de plus la particularité de ne pas décroître par learning-
by-doing).

12.4.6 Part du logement social dans la construction neuve

D'après l'article 55 de la loi n° 2000-1208 du 13 décembre 2000 relative à la solidarité

et au renouvellement urbains (loi SRU), les villes doivent disposer d'au moins 20% de
logements sociaux.
C'est la part que l'on prend pour les logements sociaux dans la construction neuve, on
répartit les 80% restants dans les mêmes proportions que l'ancienne version du modèle
(cela donne 29% pour P OM I , 19% pour P BM I , 13% pour P OLC et 19% pour P BLC ).

12.4.7 Prix du combustible bois

Le prix du bois-énergie en 2007 est estimé à 4 centimes d'euros par kWh. Il s'agit
d'une moyenne : les bûches tournant autour de 2 à 3 centimes et les granulés et plaquettes
forestières aux environs de 6 à 8 centimes, les disparités régionales étant elles-mêmes très
fortes (ADEME 2009).

12.4.8 Paramètres régissant l'évolution de la surface des logements sociaux

dans la construction neuve

L'élasticité de la surface par rapport au revenu est prise identique à celui des logements
collectifs : 0,01.

80
 On considère que les logements sociaux sont en moyenne légèrement plus petits que
les logements collectifs.
La surface moyenne dans l'existant est prise à 60 m2 (contre 66m2 dans les logements
collectifs). Pour le neuf, la surface initiale est prise à 65m2 (70m2 pour les LC) et la
surface maximale à 75m2 (80m2 pour les LC).

12.4.9 Contenu CO2

Pour le bois, le contenu marginal et moyen est pris à zéro.

12.4.10 Coecients de conversion Energie Primaire/Energie Finale

On le prend à 1 pour le bois (2.58 pour l'électricité et 1 pour le gaz et le oul).

L'énergie grise n'est donc pas comptabilisée, comme c'est le cas pour les autres éner-
gies.

13 Calibrage des coûts intangibles

Les coûts intangibles sont ajoutés au coûts totaux sur le cycle de vie pour faire cor-
respondre transitions énergétiques endogènes et transitions énergétiques réelles.
Lorsque tous les autres paramètres sont xés (CEN ER
58 , CIN V , ν ), les transitions
énergétiques sont une fonction des coûts intangibles :

T + (n) → T U (n)
IC 7−→ P R = FCEN ER,CIN V,ν (IC)
F est la composée des deux fonctions déterminées par les équations (3) et (2) page 20.
T + (n) signie l'espace des matrices triangulaires supérieures de taille n (à savoir ici le
nombre d'étiquettes moins un), à coecients positifs (on impose aux IC d'être positifs).
T U (n) signie l'espace des matrices triangulaires supérieures à coecients positifs dont
la somme sur chaque ligne fait un (en partant d'une étiquette i la somme des transitions
énergétiques sur les étiquettes j > i fait un).
∗ +
L'objectif est donc de trouver IC T (n) tel que

FCEN ER,CIN V,ν (IC ∗ ) = P Robjectif (11)

avec  
25% 27% 27% 21% ε% ε%

 40% 26% 31% 2% ε% 

 66% 28% 6% ε% 
P Robjectif = 

 95% 5% ε% 

 91% 9% 
100%
Le système (11) est un système d'équations non-linéaires sous-déterminé : T U (n) est en
+
fait de la même taille que T (n − 1) (sur une ligne, si toutes les conditions sauf une
sont réalisés, la dernière l'est automatiquement car la somme sur la ligne fait un).

58. taux d'actualisation à 20%,

81
 On cherche IC ∗ de la forme :
 
∗ ··· ··· ∗
.. .
.
 
.
IC ∗ =  .
 

 ∗ ∗ 
0
En eet partant de l'étiquette B, la seule étiquette d'arrivée possible est A, par consé-
quent il est ici superu de rajouter des coûts intangibles sur cette transition.
On rajoute une condition par ligne i :
X X
P Ri,j ICi,j = λ P Ri,j LCCi,j
j>i j>i

La raison est double : d'une part cela permet d'avoir un système bien déterminé,
d'autre part ce la permet de contrôler la valeur des coûts intangibles.
En eet cette condition impose que pour chaque étiquette de départ, en moyenne, les
coûts intangibles représentent une fraction λ du coût total sur le cycle de vie.
Le système est complexe et la résolution est instable (le solveur Scilab doit appliquer un
algorithme type gradient qui ne prend pas bien en compte les spécicités de ce problème).
A la première tentative de résolution, λ vaut 10%, puis est augmenté en cas d'échec de
1%, jusqu'à ce que la calibration réussisse
59 . Au nal, la valeur de λ est située entre 20%
et 30%.

14 Piste d'amélioration de la procédure de fuel switch

L'objectif est de réaliser en une seule étape ce qui se faisait précédemment en deux :
à type de décideur donné, on passe directement d'un couple (qi , ei ) à un couple (qf , ef ).
La proportion de logements (d, qi , ei ) passant dans la catégorie (d, qf , ef ) notée P Rd,(qi ,ei )→(qf ,ej )
est donnée par la formule :

−ν
LCCd,(q i ,ef )→(qf ,ef )
P Rd,(qi ,ei )→(qf ,ej ) = P −ν
LCCd,(q i ,ef )→(qf ,ef )

avec

LCCd,(qi ,ef )→(qf ,ef ) = CEN ER(d,qf ,ej ) + CREN O(qi ,ef )→(qf ,ef ) + IC(qi ,ef )→(qf ,ef )
La matrice CREN O est assez dicile à déterminer faute de données, mais peut être
obtenue de façon grossière dans un premier temps en combinant les matrices précédentes
de coûts de changement d'étiquette et de coûts de fuel switch.
Ce changement simple en apparence induit en réalité un profond changement dans la
calibration des coûts intangibles et la décroissance des coûts.

14.1 Calibrage des coûts intangibles

A partir de l'hypermatrice P R(qi ,ei )→(qf ,ej ) , on peut déterminer deux matrices par
aggrégation P Rag,étiquette et P Rag,f uelswitch :
1 P
P Rag,étiquette (i, j) = P R(i,ei )→(j,ej ) ∀i < j
nbtypechauf f age ei ,ej
59. De façon intuitive, augmenter λ augmente l'espace des possibles pour les IC donc facilitent la
résolution

82
et

1 P
P Rag,f uelswitch (ei , ej ) = P R(i,ei )→(j,ej ) ∀ei ∀ej
nbétiquettes i<j
La première matrice donne les market shares des changements d'étiquette, indépen-
damment des fuel switch. La deuxième les market shares des fuel switch, indépendamment
des changements d'étiquette.
Les coûts intangibles doivent permettre, suite à la procédure de rénovation, de faire
coïncider les market share endogènes avec les market shares observés. On doit donc trouver
IC(qi ,ei )→(qf ,ef ) tel que


P Rag,étiquette,ini = P Rag,étiquette,réels
(12)
P Rag,f uelswitch,ini = P Rag,f uelswitch,réels
Où P Rag,etiquette,réels est la même matrice que précédemment, et P Rag,f uelswitch,réels
une matrice à déterminer à partir de données réelles, que l'on peut xer provisoirement à

 
95% 3% 5% 1.5%
 1% 97.5% 5% 1% 
P Rag,f uelswitch,ini =
 2%

3% 93% 2% 
1% 1% 0.5% 97.5%
(en ligne l'énergie de départ et en colonne l'énergie d'arrivée, l'ordre des énergies étant
élec, gaz, oul, bois).
On réussit à atteindre l'objectif en cherchant IC sous la forme :

IC(i,ei )→(j,ej ) = ICétiquettes (i, j) + ICf uelswitch (ei , ej )

avec une méthode similaire à précédemment.

14.2 Evolution des coûts intangibles et des coûts de rénovation

Ces derniers décroissent chaque année par un processus de learning-by-doing.
Chaque année on sauvegarde :
 La surface rénovée selon l'étiquette d'arrivée : il s'agit de l'augmentation du stock
de capital installé relatif aux étiquettes 4Ketiquette (vecteur allant de l'étiquette F
à l'étiquette A).
 La surface rénovée selon l'énergie d'arrivée, s'il y a eu fuelswitch, auquel on ajoute
la surface dans la construction neuve selon l'énergie : il s'agit de l'augmentation
du stock de capital installé relatif au fuel switch 4Kf uelswitch (vecteur de taille du
nombre de type de chauage soit 4).
CREN Oini,(i,ei )→(j,ej ) × LBDetiquette
(
si ei = e j
CREN Oini,(i,ei )→(j,ej ) = LBDetiquette + LBDf uelswitch
CREN Oini,(i,ei )→(j,ej ) × si ei 6= ej
2
Avec LBDetiquette et LBDf uelswitch calculés à partir de Ketiquette et Kf uelswitch .

83