Mai 01

Modèles mathématiques des épidémies

Comprendre les bases des modèles mathématiques des épidémies

Je reprends ici un article du professeur Étienne Pardoux de l’Institut de Mathématiques de Marseille, Aix- Marseille Université (AMU), sur les bases des modèles mathématiques des épidémies publié sur l’excellent site « The Conversation ».

Jusqu’où la courbe des infectés et des décès va-t-elle grimper ? Quelle est l’efficacité des mesures de confinement décidées dans la plupart des pays ? Peut-on atteindre l’immunité collective ? Comment mener le déconfinement ? Y aura-t-il une seconde vague ? Qu’est-ce que le taux de reproduction, annoncé lundi soir à 0,6 par le gouvernement, alors qu’il valait 4 avant le confinement ? 

Les modèles mathématiques des épidémies donnent des éléments pour répondre à ce type de questions, partant d’abord des modèles les plus simples. Des versions plus élaborées permettent de faire des prévisions, lesquelles ont convaincu nos dirigeants politiques de confiner la population, malgré la crise économique qui va en résulter. On verra en particulier le rôle du nombre de reproductions de base R0, qui est le nombre moyen de personnes à qui un infecté transmet la maladie au début de l’épidémie. Sa valeur exacte fait encore débat pour le Covid-19. Mais surtout elle dépend non seulement de la façon dont la maladie se transmet, mais aussi du nombre de contacts que chaque individu a chaque jour. C’est pour faire baisser ce nombre en dessous de 1 (on verra pourquoi ci-dessous) que l’on nous confine.

Un modèle simple pour cerner la situation 

Le modèle de Reed-Frost est un des plus vieux modèles mathématiques des épidémies, il date de 1929. Il est très simpliste, mais il permet d’introduire des notions essentielles et d’obtenir une formule mathématique importante. Les individus sont de trois types : S comme susceptible (d’être infecté), I comme infecté et infectieux (capable d’infecter un susceptible), R comme remis ou retiré (soit guéri, soit mort). Dans ce modèle, dit « SIR », le temps est discret (on progresse semaine par semaine, par exemple) ; la population est supposée grande, sa taille est n. Au début, il y a n-1 individus de type S, 1 individu de type I et 0 de type R. Un individu qui est infecté une semaine donnée infectera chaque S avec la probabilité la semaine suivante, puis guérira (devenant R). L’épidémie se poursuit tant qu’il y a des infectés (que I n’est pas nul), puis elle s’arrête. 

Deux remarques : on néglige pour simplifier la phase d’incubation ; on suppose qu’un individu de type R, s’il n’est pas mort (ce qui heureusement est le cas de l’immense majorité des R), est immunisé – en réalité, à ce stade, on ne sait pas encore beaucoup de choses sur l’immunité au Covid-19. 

Le nombre de reproductions de base, noté R0, est le nombre moyen de susceptibles qu’un infecté infecte au début de l’épidémie, c’est-à-dire dire « lorsque presque toute la population est susceptible ». 

Dans le modèle de Reed–Frost, combien vaut R0 ? Donnons des valeurs à nos deux paramètres. Supposons que = 1 000, et que = 0,0025 (soit 0,25 %). Le premier infecté a autour de lui n-1 ≃ = 1 000 individus susceptibles. Puisqu’il infecte chacun d’eux avec la probabilité p, ce nombre moyen vaut ici R0 × = 2,5. 

Il est assez clair que si R0 < 1, il n’y aura pas d’épidémie majeure avec un petit nombre d’infectés initiaux, de même si R0 = 1. Par contre si R0 > 1, un seul infecté initial peut déclencher une épidémie majeure, qui touche une fraction importante de la population. 

Quelle fraction de la population totale sera touchée par l’épidémie ? 

Une question importante, que se posent beaucoup de gens au vu de la croissance exponentielle du nombre d’individus touchés, et qui nourrit les discussions entre épidémiologistes modélisateurs et responsables politiques, est « quelle fraction de la population totale sera touchée par l’épidémie » ? Si l’on admet qu’une personne guérie est immunisée, il est clair que l’épidémie va s’arrêter tôt ou tard. En outre, tout le monde n’est pas touché. Lorsqu’une fraction de la population est immunisée, dans le modèle de Reed-Frost, pour savoir combien de susceptibles un infecté infecte en moyenne, il faut multiplier par le nombre de susceptibles restant, et bien avant que ce nombre ne s’annule, le produit × passe en dessous de 1, et alors l’épidémie s’arrête. 

Voici ce que donnent 10 000 simulations dans les cas R0 = 0,95, et R0 = 2,5. Lorsque R0 < 1, aucune épidémie majeure n’a lieu. Dans le cas R0 = 2,5, une certaine fraction des simulations (qui ne dépend pas de la taille de la population) n’aboutissent pas à une épidémie majeure, tandis que la proportion d’individus infectés dans le cas d’une épidémie majeure se concentre quand la taille de la population augmente autour d’une certaine valeur (laquelle augmente avec R0, comme le montrent des simulations pour plusieurs valeurs de R0.

la proportion de la population totale qui est infectée, indiquée horizontalement. est la taille totale de la population. 

Quelle est la fraction de la population touchée par une épidémie majeure ? Supposons que R0 > 1. Dans la réalité, il y a eu plusieurs infectés initiaux, au moins en Europe de l’Ouest et aux États-Unis, suffisamment pour que l’épidémie majeure soit inévitable. On peut montrer que l’épidémie touche au total une fraction τ de la population, qui pour une grande taille de –×τ population, est proche de la solution de l’équation 1-τ = e 

Cette équation a toujours la solution τ= 0, et si R0>1, il y a une autre solution, qui correspond à une épidémie majeure. On a les valeurs numériques suivantes : pour R0=2, τ=79 % ; pour R0=3, τ=94 % ; pour R0=4, τ=98 % ; et pour R0=5, τ=99 %. 

La preuve de ce résultat, dans le cas du modèle de Reed-Frost est assez élémentaire. En fait on peut l’établir dans un cadre plus général, mais avec quand même les trois hypothèses suivantes : 

  1. Pas d’immunité au départ (naturelle ou par vaccination). Vrai pour le SARS-CoV-2, pas pour la grippe saisonnière. Si la moitié de la population était immunisée, la taille totale serait très réduite ! 
  2. Une communauté homogène, ce qui n’est vrai ni pour le SARS-CoV-2 ni pour aucune maladie. Quelles hétérogénéités sont à prendre en compte dépend de chaque maladie et de son mode de transmission. On considère qu’il faut réduire le nombre d’infectés I d’environ 10 % à 20 % par rapport aux prédictions du modèle homogène. 
  3. On a supposé que le comportement des individus ne change pas au cours de l’épidémie. Bien sûr les mesures prises par les autorités (fermeture des écoles et des lieux publics, confinement) changent la donne. 

On peut tracer la courbe de τ en fonction de R0

Taille totale de l’épidémie en fonction de R0. Notre modèle est en bleu.
Si on prend en compte l’hétérogénéité, en rouge pointillé.
Si la moitié de la population était initialement immunisée, en jaune. 

Comment réduire R0, le nombre de reproductions de base ? On peut factoriser R0 R0 × × l, où est la probabilité de transmission à chaque « contact », est le nombre de « contacts » par jour et est la durée de la période d’infection. Alors, les mesures de prévention visent à réduire R0 en réduisant : 

  1. la probabilité de transmission à chaque « contact » : masques, lavage des mains ; 
  2. le nombre de « contacts » par jour : confinement, éviter les transports publics et les grands rassemblements ; 
  3. la durée de la période d’infection : diagnostic rapide, isolation des infectés, traitement efficace (si disponible). 

Il n’y aura pas d’épidémie majeure si le nombre de reproductions de base peut être réduit à une valeur inférieure à 1 grâce à diverses mesures. Conclusion : il faudrait des masques pour tout le monde (réduction de p) et tester massivement (réduction de l, comme le montre l’exemple de la Corée). 

Si une proportion de la population est vaccinée, alors R0 est remplacé par Rv = (1-vR0 (chaque “tentative d’infecter” ne réussit qu’avec la probabilité 1-v) : Rv est inférieur à 1 si > 1-1/R0.

Deux conclusions sur la vaccination (qui n’est malheureusement pas encore disponible pour le Covid-19) : d’une part, si on connaît R0, on connaît la fraction de la population qu’il faut vacciner pour être sûr qu’il n’y aura pas d’épidémie majeure – par exemple, si R0 vaut 2,5, il faut vacciner 60 % de la population, 75 % si R0 vaut 4, 80 % si R0 vaut 5. D’autre part, en se vaccinant, on se protège soi-même, mais surtout on protège les autres. 

Observer la courbe de propagation de l’épidémie ne suffit pas pour estimer R0 car le taux de croissance de la courbe dépend de deux facteurs : R0 et le « temps de génération » G, c’est-à-dire la durée entre le moment où l’on est infecté et celui où l’on infecte. 

Le taux de croissance croît avec R0, décroît avec G. Il existe des formules qui relient rR0 et la loi de probabilité de G. Par une méthode de « suivi des contacts » (recherche de qui a infecté qui et quand ; ceci a été pratiqué avec succès aux Contamines en février, pour juguler ce foyer d’épidémie), on peut obtenir des informations sur la loi probabilité de G, d’où, en combinant avec l’estimation de r, on peut estimer R0 

La dynamique de l’épidémie 

Jusqu’ici on a surtout discuté la fraction de la population touchée par l’épidémie. Pour décrire l’évolution de l’épidémie, dans le cas d’une grande population, et partant d’une situation où une toute petite fraction de la population est touchée, on peut utiliser un modèle déterministe SIR, qui s’écrit sous la forme d’un système d’équations différentielles, dont je présente ci-dessous graphiquement quelques solutions représentatives. On voit sur les quatre premières courbes que plus R0 est grand, plus la vague des infectés arrive tôt et monte haut. En outre, la réduction de la hauteur du pic est plus marquée que la réduction de la « taille totale de l’épidémie » (l’aire sous la courbe), lorsque l’on réduit R0, car la courbe s’étale. 

Si on part avec R0 = 2,5, puis que l’on applique un confinement au bout de la troisième semaine, l’effet de réduction de la vague est très important, même si le taux de reproduction après confinement reste supérieur à 1. Dans la réalité, on n’observe pas une modification si rapide de la courbe, à la fois parce que le confinement ne se met pas bien en place instantanément, et surtout parce que notre modèle ne prend pas en compte des effets de retard inhérents à l’épidémie (temps de génération G, période d’incubation). 

L’évolution du nombre d’infectés. À gauche, sans confinement et pour R0= 3 (en noir), R0= 2,5 (en bleu), R0=2 (en rouge), R0=1,5 (en vert). À droite, R0= 2,5 en noir puis confinement après la 3e semaine, soit un changement de R0 : R0= 1,5 (en bleu), R0=1 (en rouge), R0=0,85 (en vert). 

L’épidémie actuelle du Covid-19 

Concernant le Covid-19 en France, il y a encore beaucoup d’incertitudes quant à la valeur de R0. Certaines estimations tournent autour de 2,5, d’autres donnent des valeurs plus importantes, entre 3 et 5 ! Il est probable que R0 ne prend pas la même valeur dans des zones peu peuplées, et en région parisienne par exemple où beaucoup de gens se pressent dans les transports en commun. Si le gouvernement n’avait pas pris de mesures fortes, on peut penser qu’entre 60 et 80 % de la population aurait été touchée. Et surtout la vague serait arrivée très vite et serait montée très haut, submergeant le système de santé et augmentant la mortalité. 

Ceci ne règle pas le problème de comment sortir du confinement. Une des difficultés est qu’à ce jour on n’a pas une bonne estimation du nombre de personnes en France qui ont été touchées par le virus, c’est-à-dire I(t)+R(t), si t est la date d’aujourd’hui. On sait combien ont eu des symptômes assez sérieux pour se rendre à l’hôpital, mais une des particularités de cette maladie est qu’elle est bénigne et même non décelée dans la majorité des cas. Et on ne connaît pas avec précision la proportion de ces cas. Donc on ne sait pas aujourd’hui quelle fraction de la population est immunisée, information qui sera importante pour la sortie du confinement. 

Dès que l’on disposera de tests sérologiques fiables de détection des anticorps, on pourra tester par sondage un certain nombre de Français, pour avoir cette information. 

Que se passera-t-il dans deux mois, trois mois, six mois ? Aurons- nous un retour à la normale relativement rapide, comme cela a l’air d’être le cas en Chine ? Au niveau européen ? Au niveau de la planète ? Y aura-t-il des rebonds ? Chacun peut formuler des conjectures, mais je pense que personne, à ce stade, n’a de certitude. 

Les épidémies et la recherche mathématique 

Les épidémies constituent un champ d’application important des mathématiques. Les événements que nous vivons attirent l’attention du public sur cette branche de la modélisation mathématique, et sont aussi l’occasion pour les spécialistes d’accélérer leurs travaux, pour tenter de répondre à des questions qui conditionnent la survie de dizaines, voire de centaines de milliers de gens. Bien sûr, le plus important est la recherche de médicaments efficaces et d’un vaccin, mais les modèles mathématiques restent indispensables pour les décideurs. 

Publié dans Uncategorized | Laisser un commentaire
Avr 24

Des chauve-souris et des hommes…

Covid-19 oblige, cette livraison concerne deux thèmes de recherche d’actualité.

Le premier thème s’intéresse aux chauve-souris et à deux publications de 2012 et 2018 les concernant. Le papier de 2018 montre que l’émergence de nouveaux coronavirus en Asie était prévue, notamment à cause des liens entre déforestation et zoonose.

Ce papier montre que la création de conditions permettant des rencontres plus fréquentes entre les CoV des chauves-souris, les animaux domestiques et les humains constitue une menace importante pour l’avenir. Étant donné que l’impact croissant des activités humaines sur les écosystèmes est peu susceptible de s’atténuer dans l’EES, il est nécessaire d’augmenter la surveillance du CoV chez les animaux sauvages, les bovins, les animaux de compagnie et les humains pour mieux comprendre la dynamique de la transmission interspécifique et améliorer l’évaluation des risques, l’alerte précoce et l’intervention. (Devaux, 2012).

Il conclut que l’effet attractif sur les chauves-souris des environnements anthropisés est un facteur de risque majeur dans l’émergence de nouvelles maladies transmises par les chauves-souris chez les humains et les animaux.

Le papier de 2012 s’appuie sur l’étude de l’épidémie du Chikungunya.

Mondialisation de la distribution de pathogènes

https://www.frontiersin.org/articles/10.3389/fmicb.2018.00702/full

https://www.wjgnet.com/2220-3249/full/v1/i1/11.htm

La seconde thématique concerne les liens entre réchauffement climatique et antibiorésistance. Des températures plus chaudes sont associées à des taux d’antibiorésistance plus élevés chez les bactéries terrestres, ce qui offre une perspective sombre quant à l’impact du réchauffement climatique mondial. Elles montrent que les taux de résistance bactérienne multi-antibiotiques (MAR) les plus élevés sont corrélés avec des températures plus chaudes et appartiennent aux pays les plus vulnérables au changement climatique et à l’augmentation de la température : Vietnam, Inde, Pakistan et Bangladesh.

Environ 80 % des antibiotiques administrés via l’alimentation aux animaux aquatiques d’élevage se disséminent dans les environnements voisins (eau et sédiments) ; ils y restent actifs pendant des mois à des concentrations permettant une pression sélective sur les communautés bactériennes, favorisant ainsi le développement de l’antibiorésistance.

https://theconversation.com/avec-la-hausse-des-temperatures-laquaculture-bientot-un-point-chaud-de-lantibioresistance-135865?utm_medium=email&utm_campaign=La%20lettre%20de%20The%20Conversation%20France%20du%2021%20avril%202020&utm_content=La%20lettre%20de%20The%20Conversation%20France%20du%2021%20avril%202020+CID_f1ab8118f8ea06b9349d908adf377aa9&utm_source=campaign_monitor_fr&utm_term=hausse%20des%20tempratures%20sur%20cette%20menace

https://www.nature.com/articles/s41558-018-0161-6

Publié dans Uncategorized | Laisser un commentaire
Avr 03

Un observatoire des laboratoires publics en SHS

L’Alliance Athéna a récemment mis en ligne son observatoire des sciences humaines et sociales.

Interface de veille, d’observation et d’analyse des grandes tendances de la recherche dans le champ des sciences humaines et sociales en France, son principal objectif est de fournir aux instances et décideurs publics des éléments d’aide à la décision et d’encourager le dialogue avec (et entre) les communautés scientifiques.
Les activités de l’observatoire sont conduites en collaboration avec les principaux producteurs de données concernés : ANR, CNRS, HCÉRES, MESRI, AMUE, etc.

Collecte de données, cartographies, analyses, synthèses  : les études produites et relayées par l’observatoire ont vocation à s’inscrire dans les axes de travail des différents groupes et chantiers de l’alliance.

Construit à partir d’une base de données actualisée chaque année, le site de l’observatoire des SHS est mis en œuvre par la MRSH de Caen. Il présente les différentes structures de recherche SHS du territoire en mentionnant les axes scientifiques dans lesquelles ces structures sont impliquées.

Il a vocation à dessiner tous les ans une image plus précise du paysage de la recherche en SHS en suivant les créations et reconfigurations de ces structures.

Rappel sur l’Alliance Athéna

L’Alliance thématique nationale des sciences humaines et sociales (Athéna) est un lieu de concertation et de coopération stratégique entre les universités (représentées par la CPU), les Grandes écoles (représentées par la CGE) et les organismes de recherche (CNRS, CEA, INRA, INSERM, IRD, INED, EHESS).

Fondée en 2010 par convention entre ces organismes, l’Alliance Athéna a pour mission d’organiser le dialogue entre les acteurs majeurs de la recherche en sciences humaines et sociales sur des questions stratégiques pour leur développement et leurs relations avec les autres grands domaines scientifiques.

L’Alliance porte les positions partagées qui émergent de ce dialogue auprès des instances de décision et de financement de la recherche de niveau national et européen notamment.

Elle coordonne une réflexion sur la programmation en direction de l’Agence nationale de la recherche. Elle développe une activité prospective pour alimenter l’exercice de stratégie nationale de la recherche sur la base notamment de données objectivées sur l’ensemble des sciences humaines et sociales. Elle assure un suivi et développe une réflexion stratégique sur l’ensemble des infrastructures de recherche en sciences humaines et sociales (TGIR et IR) et dans le domaine de l’information scientifique et technique. Elle favorise la cohérence des politiques scientifiques menées en france en matière d’Europe et d’international. Elle définit des actions communes en faveur de la structuration du domaine de l’information scientifique et technique.

http://observatoireshs.unicaen.fr/cartes/

http://www.alliance-athena.fr/-Annuaire-et-cartographie-des-structures-de-recherche-en-SHS-en-France-

Publié dans Uncategorized | Laisser un commentaire
Mar 27

La recherche aéronautique avance grâce à la collaboration

L’ONERA et l’IRT Saint Exupéry renforcent leur collaboration : un accord cadre de collaboration entre les deux organismes prévoit le lancement de projets communs ainsi que la mise en place d’un pilotage stratégique pour identifier ensemble les thématiques porteuses pour la filière aéronautique et spatiale et pour lesquelles les collaborations apporteront une valeur ajoutée significative. 

L’accord intègre déjà cinq opérations de recherche, pilotées chacune par un duo ONERA – IRT Saint Exupéry. 

Analyses et optimisations multidisciplinaires (MDO) pour la conception aérospatiale 

Mise en place de méthodologies et d’algorithmes d’analyse permettant d’optimiser simultanément différentes caractéristiques d’un avion/satellite : aérodynamique, thermique, structure vibratoire, etc. Ces travaux sont issus des projets MUFIN (ONERA) et MDA-MDO (IRT Saint Exupéry) et traiteront principalement les thématiques de l’incertitude et de la multi-fidélité de la MDO. 

Intelligence artificielle (IA) hybride 

Cette collaboration rentre dans le cadre de la certification de fonctions d’IA, un des axes du projet DEEL (en liaison avec l’institut 3IA ANITI). Ce projet vise à développer des briques technologiques d’Intelligence Artificielle à la fois sûres, robustes, explicables et certifiables pour les systèmes critiques. 

Avion et sources d’énergie électrique 

Dans le cadre de la réduction de l’impact environnemental du transport aérien, cette opération de recherche vise à apporter une meilleure connaissance des solutions de propulsion basées sur l’électricité et la gestion de l’énergie à bord. 

Ingénierie des systèmes et modélisation 

Développement de méthodes et outils pour répondre aux défis de compétitivité des industries aéronautiques, spatiales et automobiles comme la réduction du temps et des coûts de développement, de fabrication et de maintenance des produits. 

Matériaux composites et métalliques, structures et procédés 

Cette opération de recherche vise en partie à réaliser des essais virtuels sur les matériaux composites, afin de réduire les essais physiques pour la certification des structures d’aéronefs. Dans le cas des matériaux métalliques, elle vise à analyser l’effet des nouveaux procédés de fabrication de pièces sur la durabilité et le vieillissement des matériaux métalliques et des structures. Les surfaces multifonctionnelles seront étudiées afin de répondre aux contraintes environnementales telles que le givre, les contaminations, le réchauffage, etc. 

Pour Geneviève FIORASO, Présidente de l’IRT Saint Exupéry ce rapprochement de l’IRT avec l’ONERA, acteur majeur des recherches aéronautiques et spatiales, s’inscrit dans la stratégie de l’IRT Saint Exupéry qui souhaite resserrer ses liens avec la recherche fondamentale comme technologique …. Il était évident, dans ce cadre, de renforcer le partenariat d’abord avec l’ONERA pour être plus fort et plus performant, ensemble

Pour Bruno Sainjon, PDG de l’ONERA, cet accord prend place dans une politique générale de l’ONERA, d’ouverture et de rapprochement avec les acteurs scientifiques, institutionnels ou industriels de son secteur d’activités.

Ces opérations seront soutenues par les activités de recherche en cours, l’expertise et les plateformes de l’ONERA et de l’RT Saint Exupéry. 

L’ONERA et l’IRT Saint Exupéry sont des acteurs différents de la recherche aéronautique et spatiale, par leur taille, leur positionnement et leurs compétences, mais complémentaires. Tous deux contribuent à la compétitivité des entreprises de cette filière. Leur objectif commun est de contribuer à répondre aux enjeux aéronautiques et spatiaux du futur. 

Publié dans Uncategorized | Laisser un commentaire
Mar 20

Transition énergétique : la France ne serait-elle pas plus vertueuse que l’Allemagne ?

Dresser un panorama des financements climat ou la cartographie des investissements énergétiques au niveau d’un pays peut être un instrument utile, afin de comprendre la manière dont les investissements et les modèles d’investissement répondent aux engagements nationaux climatiques. Ces méthodes peuvent contribuer à identifier un déficit ou un excédent en investissements dans certains secteurs économiques ou dans des technologies spécifiques. Les données relatives aux émissions de gaz à effet de serre (GES) et à la consommation d’énergie servent à mesurer les progrès des objectifs climatiques nationaux et internationaux. 

Un rapport de l’Office franco-allemand pour la transition énergétique (OFATE) présente un aperçu du suivi des investissements nationaux en faveur de la transition énergétique et du climat et y comparons les méthodologies et les résultats français et allemands. 

Signalons évidemment le facteur d’au moins 2 entre l’Allemagne et la France s’agissant des émissions GES, tant en valeur absolue que par habitant !

http://perspective.usherbrooke.ca/bilan/servlet/BMTendanceStatPays?codeTheme=10&codeStat=EN.ATM.CO2E.PC&codePays=DEU&optionsPeriodes=Aucune&codeTheme2=10&codeStat2=EN.ATM.CO2E.PC&codePays2=FRA&optionsDetPeriodes=avecNomP&langue=fr

Le rapport est même de 10 ( ! ) s’agissant de production électrique.

Le rapport de l’OFATE signale qu’en Allemagne, à ce jour, ni méthodologie commune, ni système de suivi n’ont été introduits sur le plan juridique. Les dépenses financières spécifiques au climat ne font pas partie des rapports budgétaires du gouvernement ou des intermédiaires financiers publics. En outre, les informations sur l’investissement privé sont fragmentées et insuffisantes. 

En France, les définitions et la méthodologie de suivi sont établies par la loi. Les données sont fournies par des enquêtes régulières ciblées, menées par des agences publiques. Toutefois, il reste difficile d’intégrer, avec précision, certains domaines d’investissement au panorama. Ceci concerne notamment les investissements réduisant les émissions de GES, qui ne sont pas induites par la combustion d’énergie, tels les investissements dans l’agroécologie ou la forêt. 

Malgré les différences de méthodologie pour lesquelles la France serait bien plus vertueuse, il est possible de faire plusieurs observations pertinentes sur la façon dont la France et l’Allemagne financent leurs transitions énergétiques : en Allemagne, les prêts à conditions avantageuses jouent un rôle important dans le financement de la transition énergétique. En France, par contre, on a recours à des instruments diffus. La banque de développement appartenant à l’État allemand (KfW) joue un rôle crucial dans le financement de la transition énergétique. Elle débourse 32 millions d’euros en prêts à conditions avantageuses pour les ménages, les entreprises et les acteurs publics, par le biais des succursales locales des banques privées, permet- tant d’accéder facilement à du capital pour des projets de différentes tailles. En France, la pratique de la « rétroces- sion » est moins développée. Différents acteurs s’appuient sur des instruments divers, tels que les obligations, les prêts à conditions avantageuses directement déboursés par les institutions financières appartenant à l’État, les aides, la dette commerciale, le financement par le bilan et autres. La part élevée d’investissements diffus reflète la difficulté d’attirer des investissements privés pour des projets de petite taille, en France. 

Dans les deux pays, le secteur du bâtiment attire la plus grande partie des investissements. Toutefois, ce secteur représente aussi le défi le plus important dans chacun des deux pays. D’après les évaluations, aucun des deux pays n’atteint ses objectifs spécifiques. Provenant essentiellement de sources publiques, les investissements dans le secteur des transports occupent la deuxième position en France. À l’inverse, ils ne sont pas à une place élevée en Alle- magne. La faible part des investissements dans les transports en Allemagne ne reflète pas une situation structurelle. Elle est plutôt la conséquence de l’absence de méthodologie permettant la prise en compte des investissements spé- cifiques au climat dans les infrastructures de transport. Les investissements dans la production et le transport d’énergie arrivent en seconde position en Allemagne et en troisième position en France, les investissements dans les installations d’énergies renouvelables étant en baisse depuis 2010 dans les deux pays. Enfin, les investissements dans la décarbonation du secteur industriel ne jouent pas un rôle très important, probablement en raison des prix bas sur le marché carbone EU-ETS. Au vu de l’évolution de la réduction des émissions GES, il est manifeste que, dans les deux pays, des efforts beaucoup plus importants sont requis pour atteindre les objectifs 2050. 

En ces temps de COVID-19, respectons tous la distanciation sociale et rendons hommage aux soignants à 20h00 tous les soirs. Bon courage à tous…

<https://energie-fr-de.eu/fr/systemes-marches/actualites/lecteur/note-de-synthese-externe-sur-le-panorama-des-investissements-dans-la-transition-energetique-en-france-et-en-allemagne.html?file=files/ofaenr/04-notes-de-synthese/02-acces-libre/05-efficacite-et-flexibilite/2019/IKEM_I4CE_OFATE_Panorama_investissements_transition_energetique_FR_DE_1930.pdf>

Publié dans Uncategorized | Laisser un commentaire