RAPPORT FINAL DE LA RECHERCHE :

Dimension: px
Commencer à balayer dès la page:

Download "RAPPORT FINAL DE LA RECHERCHE :"

Transcription

1 RAPPORT FINAL DE LA RECHERCHE : Analyse des substitutions entre différentes formes d énergies dans l industrie INSTITUT D ECONOMIE INDUSTRIELLE Université de Toulouse 1 Sciences Sociales Manufacture des Tabacs Bât F Aile Jean-Jacques Laffont 21 allée de Brienne Toulouse Septembre 2005

2 Table des matières 1 Introduction Générale 5 2 Analyse statistique des données du SESSI Introduction Les enquêtes sur les consommations d énergies Lechampdel enquête Effectifdesenquêtes Informationdisponible Dimension qualitative des consommations d énergies dans l industrie Lanotionde régimededemande Analyse qualitative des choix de consommation d énergie Lesprixdel énergie Modèles économétriques existant : estimations sur les données du SESSI Demande d énergie : rationnement exogène ou rationnement endogène? Estimationsurdonnéesdepanel Extension théorique des modèles de demande d énergie Limitesdesmodèlesàchoixdiscret Equipements énergétiques et demande d énergie Unmodèlesimpleàdeuxpériode Extension du modèle à plusieurs formes d énergies Conclusion 52 6 Valorisation de la recherche 56 1

3 6.1 Conférences Publications Thèse Annexes 60 2

4 Table des figures 1 Régimesdedemande Prix moyens des différentes formes d énergie par quartile de la consommation totale d énergie des établissements (année 1996 en C=/tep) Prix moyens des différentes formes d énergie et régimes de demande (année 1996 en C=/tep) Technologie flexible versus technologies spécifiques Cas intermédiaires : technologies flexibles et spécifiques

5 Avant propos Ce document est le rapport final des travaux de recherche engagés par l Institut D Economie Industrielle conformément aux dispositions du contrat signé avec l Institut Français de l Energie le 21 mai 2002 et effectif pour une période de trois ans du 1 er juin 2002 au 1 er juin

6 1 Introduction Générale La recherche dont les résultats sont décrits dans ce rapport porte sur l analyse des substitutions entre différentes formes d énergies dans l industrie. Elle a pour principal objectif la réalisation d études empiriques centrées sur l estimation des possibilités de substitution entre les diverses formes d énergies utilisées dans l industrie. Cependant, un examen de la littérature existante et les premiers résultats économétriques que nous avons obtenus à partir de données provenant du service statistique du Ministère de l Industrie, nous ont rapidement convaincu de la nécessité d un travail méthodologique dans le but de remédier à certaines lacunes des modèles existants. Ce rapport présente de manière à peu près chronologique les résultats obtenus à l issue des trois années de recherche passées. Outre cette introduction générale (section 1), ce rapport comprend 4 sections. La section 2 est consacrée à une analyse statistique des données que nous avons utilisées dans le cadre de cette recherche. Cet exercice était un préalable indispensable aux études économétriques et à l orientation des recherches théoriques ultérieures. La section 3 décrit les résultats des premiers travaux économétriques que nous avons réalisés à partir des données du SESSI. Ces estimations ont été réalisées sur la base de modèles n ayant fait l objet que de très rares estimations sur données microéconomiques. Leur principal objectif était de tester les modèles théoriques existants sur nos données, d étendre certaines estimations antérieures au cas des données de panel et enfin d explorer l utilisation de nouvelles techniques d estimation permettant de considérer des systèmes de demande d énergie plus détaillés. La quatrième section est consacrée à des recherches visant à remédier à certaines lacunes des modèles existants. Ceux-ci n ont en effet connu aucune évolution depuis le début des années quatre-vingts. L idée centrale de ces travaux est de modéliser le comportement du producteur, en prenant en 5

7 considération l incertitude à laquelle celui-ci fait face lorsqu il choisit les équipements utilisateurs d énergie. Cette incertitude peut porter sur la demande qui s adresse à l entreprise et/ou sur les prix relatifs futurs de l énergie. Dans la conclusion de ce rapport nous rappelons les principaux acquis de cette recherche et donnons les axes de recherches futures qui découlent directement de l état actuel de nos travaux. Enfin, dans une dernière section nous listons les publications, conférences, etc. qui nous ont permis de faire connaître nos travaux. 2 Analyse statistique des données du SESSI 2.1 Introduction Nous présentons dans cette section une analyse statistique des consommations d énergies dans l industrie. Cette analyse s appuie sur le panel des établissements sondés par le SESSI dans le cadre des enquêtes dénommées Enquêtes Annuelle sur les Consommations d Energie dans l Industrie (EA- CEI). La période d étude s étend de 1983 à 1996, période pour laquelle nous disposons de l ensemble des données individuelles des différentes enquêtes EACEI. Cette exploitation statistique a pour objectif de nous guider dans la phase de modélisation des comportements individuels en matière de consommation d énergie et dans le choix des principales hypothèses. Outre une présentation générale des enquêtes, qui permet d identifier leur champ et d apprécier correctement les informations répertoriées, nous avons effectué une analyse statistique des consommations d énergies dans l industrie. Dans cet exercice nous avons exploité l information quantitative et qualitative des choix de consommations d énergies dans l industrie. A ce titre, cette synthèse statistique fournit une information complémentaire et différente des traditionnels bilans des consommations d énergies qui constituent l essentiel 6

8 des exploitations des enquêtes EACEI existantes à ce jour. Les principaux apports de cette analyse statistique sont, en premier lieu, de nous permettre de mesurer l ampleur de la diversité des choix des entreprises en matière d énergie et, en second lieu, d étudier différents aspects de cette variété des choix selon les secteurs industriels, les usages de l énergie, les niveaux de consommation etc. Il s agit là d une analyse des données dans la dimension individuelle. Par ailleurs l analyse statistique de ces mêmes données, mais cette fois dans la dimension temporelle, révèle des informations tout à fait pertinentes sur les principales évolutions du mix énergétique dans l industrie 1.Enfin, l exploitation des données EACEI en panel, autrement dit en utilisant à la fois la dimension individuelle et temporelle des enquêtes disponibles, permet d affiner l analyse pour mieux comprendre l inertie des choix des industriels en matière de consommation d énergie, et en même temps, de mettre mieux en évidence les mix énergétiques qui sont peu à peu abandonnés au profit d autres combinaisons d énergies. Cette analyse descriptive apporte évidemment un éclairage particulier sur les consommations d énergies dans l industrie et constitue en dépit de sa simplicité une exploitation originale des enquêtes EACEI. Plus fondamentalement, elle apporte des précisions utiles pour la conception des modèles 1 On voit très bien que l exploitation des enquêtes en vue d établir des bilans de consommation d énergie privilégie uniquement cette dimension. C est bien par aggrégation des données individuelles de consommation, correctement redressées en fonction des plans de sondages utilisés dans les différentes enquêtes, que ces bilans sont construits. La comparaison des différents bilans permet ensuite de dégager les principales tendances mais ne fournit pas d indications sur les évolutions caractérisques des consommations d énergies pour certains types d entreprises. Habituellement, les statistiques énergétiques distinguent et fournissent des résultats un peu plus détaillés par secteurs industriels, par région et éventuellement selon la taille des entreprises. Ce découpage standard des statistiques économiques n est pas nécessairement le plus pertinent ici. L idéal, si des informations sur les technologies étaient disponibles, serait de distinguer les entreprises selon des caractéristiques essentielles de ces technologies. 7

9 théoriques de demande et aide à formuler un choix d hypothèses dans la construction de ces modèles. Concrètement, l observation des consommations d énergie montre clairement les choix exclusifs faits par les industriels parmi les différentes formes d énergies. Elle permet aussi de montrer que la représentation des comportements individuels doit distinguer deux aspects. Il existe tout d abord une décision qualitative, relative à la décision d utiliser ou non chaque forme d énergie. il existe ensuite, de façon plus classique, une décision quantitative relative au niveau de la demande, conditionnellement au fait que l énergie considérée a été choisie. 2.2 Les enquêtes sur les consommations d énergies Les enquêtes EACEI sont réalisées par le Service des Statistiques Industrielles (SESSI) du Ministère de l Industrie. Elles sont obligatoires et ont remplacé depuis 1982 des enquêtes similaires, mais facultatives, effectuées par correspondance par le Centre d Etudes et de Recherche sur l ENergie (CEREN). Les informations mise à notre disposition par le SESSI sont parfaitement anonymes. Nous disposons par le biais de ces enquêtes d un jeu de données pertinent pour étudier statistiquement les principales évolutions de la consommation d énergie dans l industrie. A l aide de ces données, notre objectif est de rechercher les facteurs technologiques ou économiques qui expliquent la nature et l évolution de la demande d énergie dans l industrie. Ces enquêtes couvrent l ensemble des secteurs de l industrie à l exception des Industries Agro-Alimentaires qui sont, elles, enquêtées par les services statistiques du Ministère de l Agriculture. Nous disposons des données relatives aux consommations d énergies des établissements industriels pour 14 vagues d enquêtes couvrant la période de 1983 à

10 2.2.1 Le champ de l enquête Le champ des enquêtes EACEI est délimité par trois critères principaux de sorte que, ne sont concernés par ces enquêtes, que les établissements suivants : les établissements de l industrie au sens strict d après leur code APE (activité principale exercée) ; les établissements ayant une activité de fabrication (usines, ateliers,...) : sont exclus, les bureaux, entrepôts, magasins,..., établissements dont les caractéristiques en matière de consommation d énergie ressemblent davantage à celles du secteur tertiaire qu à celles de l industrie ; les établissements employant plus de 20 salariés (hors IAA). Deux critères de taille sont utilisés par le SESSI dans ces enquêtes : le nombre d employés et le niveau de consommation d énergie. Selon les secteurs, l enquête est exhaustive pour les entreprises ayant des effectifs importants, ou pour les entreprises consommant une grande quantité d énergie. Ainsi,l enquêteest-elleexhaustivedanslescassuivant: dans les secteurs gros consommateurs d énergie (tuile & briques, papier carton, fabrication de ciment, plâtre ou chaux) quelle que soit la taille de l entreprise (c est-à-dire quel que soit le nombre de salariés) ; pour tous les établissements de plus de vingt salariés dans certains secteurs (métallurgie, industrie chimique de base, fabrication de pâte à papier, fabrications d armes) ; pour tous les établissements connus comme étant d importants consommateurs d énergies (le seuil étant de 300 tep de consommation annuelle toutes énergies confondues) ; pour les établissements de plus de 100 salariés. Les établissements de 20 à 100 salariés ne répondant pas aux différents critères mentionnés ci-dessus sont sondés avec une probabilité de sondage qui varie de 1/8 à 1/2 selon l importance de l effectif du secteur. 9

11 Il existe par ailleurs d autres éléments relatifs au plan de sondage des enquêtes EACEI, notamment quelques différences régionales avec le cas particulier de la Corse où le taux de sondage est plus élevé, mais les éléments décrits plus haut constituent l essentiel des caractéristiques du plan d échantillonnage. On peut trouver notamment dans une publication du SESSI de plus amples détails sur le champ des enquêtes EACEI Effectif des enquêtes Les enquêtes EACEI du SESSI portent sur un nombre relativement important d établissements (cf. tableau 1). L effectif des établissements enquêtés et pour lesquels les questionnaires sont renseignés dépasse dans les années 1980 et approche dans les enquêtes réalisées après Cette chute des effectifs s explique par une baisse du taux de sondage sur les établissements de faible taille. Compte tenu de la forte concentration de la consommation d énergie dans l industrie et du caractère exhaustif de l enquête sur les établissements de grande taille, la baisse des effectifs a très peu affecté la représentativité des enquêtes. 2 Voir SESSI, 1996, Les consommations d énergie dans l industrie, Ministère de l Economie des Finances et de l Industrie, Direction générale des stratégies industrielles, Service des statistiques industrielles, collection Chiffre Clés. 10

12 Année Effectifs Tableau 1 : Effectifs des enquêtes du SESSI Globalement, le SESSI estime que deux tiers des observations finales correspondent à la strate des établissements enquêtés de façon exhaustive. Cette qualité de l enquête est très importante et signifie que l essentiel des consommations d énergies dans l industrie réalisées dans des secteurs forts consommateurs, ou dans d importants établissements, sont répertoriées dans les données d enquête. Enfin, l appariement de la totalité de ces enquêtes dans un fichier cylindré conduit à un panel de 2940 établissements pour lesquels nous sommes en mesure de suivre l intégralité de leurs consommations d énergies sur l ensemble des 14 années d enquêtes. Ce nombre important d établissements, dont les consommations d énergies sont connues de 1983 à 1996 sans interruption, va nous permettre d exploiter les données du 11

13 SESSI en utilisant la dimension individuelle et temporelle des enquêtes EA- CEI. L exploitation de données de panel met en général en évidence une forte diversité des comportements individuels lorsque les analyses sont menées sur des coupes instantanées. L analyse temporelle suivant l ordre chronologique des enquêtes, permet ensuite d établir les principales tendances tout en mesurant la plus ou moins grande inertie des comportements individuels dans le temps Information disponible Le questionnaire d enquête comprend plusieurs volets. Le principal a trait aux consommations d énergies de l établissement. Consommations d énergies Les données sur les consommations sont relatives aux formes d énergies suivantes : houille, lignite ou charbon pauvre, coke de houille, coke de pétrole ou autres produits pétroliers, gaz-naturel, gaz de réseau autres que le gaz-naturel (de raffinerie, de cokerie...), butane et propane, fioul-lourd, fioul-domestique, vapeur, autres énergies (bois, récupération de déchets), électricité. L enquête distingue donc 11 rubriques relatives à différentes formes d énergies consommées dans l industrie. Pour chaque forme d énergie les informations disponibles sont les quantités d énergies achetées au cours d une année en unité physique et 12

14 en valeur. Iln existepasd informationsspécifiques sur les prix de l énergie pour l utilisateur final dans les enquêtes EACEI. Le rapport des quantités d énergie en volume et en valeur permet toutefois de déterminer un prix moyen annuel pour chaque forme d énergie et par établissement. Notons toutefois que, si une énergie n est pas consommée par un établissement, le prix auquel cette énergie aurait éventuellement pu lui être fournie n est pas observé et ne peut évidemment être calculé selon la méthode indiquée cidessus. Nous verrons plus loin que cela peut poser un problème dans certains modèles économétriques. Chaque forme d énergie a une unité physique propre (t, l, kwh..). Nous considérerons toujours les quantités d énergie exprimées en tep. Les coefficients de conversion retenus, qui sont ceux de l observatoire de l énergie, sont donnés dans le tableau 2. Energie Unitédemesure Coefficient de convertion en tep Houille - agglomérés 1 tonne 0,619 Lignite - charbon pauvre 1 tonne 0,405 Coke 1 tonne 0,667 Coke de pétrole 1 tonne 0,762 Gaz de réseau (naturel et autres) 1000 kwh 0,077 Butane Propane 1 tonne 1,095 Fioul-lourd 1 tonne 0,952 Fioul-domestique 1000 litres 0,847 Vapeur 1 tonne 0,072 Electricité 1000 kwh 0,222 Tableau 2 : Coefficients de conversion en tep Usages de l énergie Les enquêtes EACEI apportent des renseignements sur les usages de l énergie. Pour les combustibles l établissement doit fournir 13

15 la proportion (en %) d énergie consommée pour les usages suivants : chauffage des locaux, fabrication (fours séchoirs), production d électricité, matières premières, autres usages. En réalité ce découpage des usages énergétiques n est pas homogène sur l ensemble de la période considérée. Les items mentionnés sont effectivement ceux utilisés dans les enquêtes de 1983 à 1985 pour une première période, et depuis l enquête de 1991 pour une seconde période. Entre 1986 et 1990 les enquêtes EACEI ont été modifiées et fournissent une information différente concernant les usages. La répartition par usage des combustibles est la suivante : sous chaudière, hors chaudière, matières premières, autres usages. Les usages de l électricité sont considérés séparément et concernent la répartition de la consommation selon les usages suivants : force motrice, chaudières électriques, autres usages thermiques, autres usages. Informations Diverses Les questionnaires d enquête comportent par ailleurs une série d autres informations relatives à : auto production d électricité avec : origine de la production (thermique/ hydraulique), destination de l électricité produite (consommation/vente), 14

16 puissance installée d auto-production de l électricité ; puissance électrique maximale souscrite ; stocks en début et fin d année pour les combustibles ; capacité de stockage pour les combustibles ; vapeur (production vendue). Notons enfin, pour terminer ce tour d horizon des informations disponibles dans les enquêtes EACEI, que ces enquêtes ne donnent aucun renseignement concernant l établissement, à l exception toutefois du nombre d employés et du code d activité APE. Cela signifie, en particulier, que la production des établissements n est jamais renseignée. Il n existe pas non plus d information relative au capital de l établissement. Enfin, l objectif principal de l enquête étant d évaluer les niveaux des consommations d énergies, les caractéristiques des équipements énergétiques, et plus généralement des informations relatives aux technologies de production, ne font pas partie des enquêtes EACEI. 2.3 Dimension qualitative des consommations d énergies dans l industrie La notion de régime de demande Si les enquêtes EACEI distinguent, comme nous l avons vu précédemment, 11 formes d énergies ; il est bien évident que peu d industriels utilisent régulièrement l ensemble de ces formes d énergies pour satisfaire les différents besoins en énergie qui résultent de leur activité production. Que certaines formes d énergies, peu conventionnelles, soient rarement utilisées n est pas surprenant. De même, l utilisation de gaz de réseau, autres que le gaz-naturel, l emploi de déchets très particuliers, ou encore l achat de vapeur,..., correspondent à des situations bien particulières souvent probablement en raison d opportunités spécifiques ne concernant que quelques établissements. 15

17 En revanche pour les formes d énergies les plus courantes, et qui constituent par ailleurs l essentiel de la consommation d énergie dans l industrie, on observe généralement, par établissement des consommations sur un nombre très limité de formes d énergies. Chaque industriel en fonction de ses besoins énergétiques, des prix de l énergie, mais aussi en fonction des équipements installés, de l accès aux réseaux de distribution,... effectue donc une sélection parmi les différentes formes d énergies possibles, pour n en retenir finalement qu un nombre relativement restreint. On appelle régime de demande l ensemble des formes d énergies effectivement consommées dans un établissement. Un régime de demande est donc défini par les formes d énergies présentes dans le mix énergétique choisi par l industriel : il correspond donc aux seules sources d énergie consommées en quantité strictement positives au cours d une année donnée. Si l on considère que toute entreprise consomme nécessairement au moins une forme d énergie, (ce qui revient à dire que l énergie est indispensable à toute activité de production), alors le nombre théorique maximal de régimes de demande est de, 2 n 1, où n estlenombredeformesd énergies. On voit que le nombre de régimes de demande possibles augmente de façon exponentielle avec le nombre d énergies considérées. Si l on retient les 9 principales sources d énergies répertoriées dans les enquêtes EACEI (en excluant des 11 catégories initiales, la vapeur et les autres énergies qui ne concernent qu un effectif extrêmement réduit d établissements) le nombre de régime de demande potentiel est de, 2 9 1=511. En réalité étant donné que l électricité est toujours consommée, le nombre 16

18 de régimes de demande est de, = 256. L électricité peut, dans une certaine mesure, être distinguée des autres formes d énergies dans la mesure où certains usages énergétiques ne peuvent être satisfaits que par cette énergie. Pour cette, raison les régimes de demande identifiés à partir des enquêtes EACEI désignent l électricité comme un facteur énergétique essentiel pour les entreprises, au sens où une consommation strictement positive est toujours observée. Il est clair que des informations complémentaires, notamment les données existantes sur les usages de l énergie, devraient être utilisées pour distinguer dans la consommation d électricité la part qui correspond à des besoins essentiels (c est-à-dire nécessaires et peut être incompressibles). A ce stade très général de l analyse, nous ne distinguons pas les entreprises qui utilisent l électricité pour des usages où elle est en concurrence avec les autres formes d énergie disponibles, des entreprises qui ne consomment l électricité que pour des usages réservés à cette forme d énergie (l éclairage par exemple) Analyse qualitative des choix de consommation d énergie Le nombre théorique de régime de demande ne correspond pas, bien évidemment, à la réalité. ceci provient du fait que certaines combinaisons d énergies ne sont jamais observées. En pratique le nombre de régimes observés, associé aux 9 principales formes d énergies, oscille entre 70 et 80 cas distincts. Même si ce nombre demeure très élevé on voit qu il est très inférieur au nombre théorique maximal de combinaisons possibles parmi les 9 formes d énergies considérées. De plus, certains régimes de demande sont soit rarement observés, ou bien ne concernent que des quantités d énergies très faibles voire négligeables, mais pour l instant l intérêt de cette étude exhaustive sur les différents régimes de demande est de considérer tous les 17

19 Régimes de demande Nombre de régimes de demande 100 nombre moyens de formes d'énergies utilisées 3 Nombre de régimes de demande Nombre moyen de formes d'énergies utilisées Fig. 1 Régimes de demande régimes de demande observés sur l échantillon. En particulier nous n avons pas procédé, comme cela est fait couramment, à une agrégation entre différentes formes d énergies (par exemple : charbons, produits pétroliers, gaz et électricité). Cela aurait non seulement réduit le nombre et la diversité des régimes de demande observés mais aussi, diminué considérablement le nombre de cas de demandes nulles. La figure1représentelenombrederégimes de demande observés et le nombre moyen d énergies utilisées dans les établissements. On observe que le nombre moyen d énergies utilisées est légèrement décroissant sur la période considérée. Des statistiques descriptives ultérieures nous montrerons de façon plus précise la signification de cette baisse, certes faible, mais toutefois non négligeable des différentes sources d énergies utilisées dans l industrie. Entre 1983 et 1996, le nombre de régimes de demande est relativement stable autour de 75, et décroît sensiblement à partir de 1994 pour s établir 18

20 légèrement en-dessous de 70 sur la fin delapériode. Le nombre de formes d énergies utilisées en moyenne, dans un établissement industriel, est compris entre 2 et 3 formes d énergies (2,75 précisément). Autrement dit, sur les 9 formes d énergies principales retenues dans les enquêtes EACEI, plus de 6 sources d énergies ne sont en général pas utilisées au niveau de chaque établissement. Ceci nous montre l ampleur de la proportion de demandes nulles qui ressort d une enquête sur les consommations d énergies dans l industrie. Comprendre les raisons qui conduisent les industriels à opérer ce type de sélection parmi les différentes formes d énergies disponibles et tenir compte de cette observation pour développer des modèles de demande adaptés à cette situation, constitue à la fois la motivation et la justification de ce travail. L analyse statistique réalisée comporte de façon détaillée un recensement des différents régimes de demande et étudie les transitions réalisées année par année par les industriels, dans cet ensemble de combinaisons d énergies possibles. La chute de la fréquence des utilisateurs de fioul lourd et de fioul domestique et l augmentation considérable de l utilisation de gaz-naturel constituent le principal fait marquant des consommations d énergie dans l industrie entre 1983 et Des différences notables apparaissent selon le niveau de consommation de l établissement ou le secteur d activité, dans la répartition des établissements par régime de demande. En utilisant le panel cylindré (3000 établissements suivis sur l ensemble des 14 années) nous observons par ailleurs, qu un tiers seulement des établissements n ont jamais changé de régime de demande au cours de cette période. Ces établissements sont majoritairement, soit des établissements consommant de faibles quantités d énergies et utilisant de l électricité et du fioul domestique, soit des établissements qui dès le début de la période d étude appartenaient au régime de demande électricité et gaz-naturel (régime vers lequel d ailleurs de nombreux établissements convergent au cours des années ). Enfin, 19

21 une frange significative d établissements réalisent un nombre élevé de transitions sur un nombre limité de régimes de demande ce qui laisse penser que ces établissements disposent de technologies multi-énergies ou qu ils peuvent modifier leurs techniques énergétiques à faible coût. 2.4 Les prix de l énergie Les enquêtes du SESSI ne donnent aucune information sur les prix de l énergie. Cependant, elles nous fournissent les quantités d énergie consommées, mesurées en unités physiques, et la dépense de consommation correspondante. Il est donc possible de calculer des prix moyens de l énergie par forme d énergie et par établissement. Les données en unités physiques ont toutes été converties en tep et les données initialement en FF ont été converties en Euro. Pour la même forme d énergie, ces prix moyens peuvent varier beaucoup d un établissement à un autre. Différents éléments expliquent cette variabilité des prix. Parmi ces éléments, la quantité totale d énergie consommée par l établissement apparaît comme un facteur essentiel. Dans la figure 2, nous donnons la moyenne des prix moyens des différentes formes d énergie par quartile de la consommation totale d énergie des établissements. Nous constatons immédiatement que, pour toutes les formes d énergie à l exception du gaz naturel, le prix moyen de l énergie décroît avec le niveau de consommation. Cette observation est particulièrement vraie pour l électricité, ce qui ne doit évidemment pas surprendre compte tenu des systèmes de tarification non-linéaire qui sont appliqués par les producteurs. Un autre élément d information intéressant peut être extrait des données du SESSI en considérant la variabilité des prix moyens des énergies selonlerégimededemandeobservédansl entreprise.lafigure 3 donne la moyenne des prix observés par forme d énergie. Cette moyenne est prise sur les entreprises ayant un même régime de demande. Cette figure permet de 20

22 /4 2/4 3/4 4/ gaz électricité fioul domestique fioul lourd butane propane Fig. 2 Prix moyens des différentes formes d énergie par quartile de la consommation totale d énergie des établissements (année 1996 en C=/tep) voir que, en règle générale, ces prix moyens sont plus élevés pour les entreprises qui ne consomment qu une forme d énergie que pour celles qui en consomment plusieurs. On peut même constater que le prix a tendance à décroîtreaveclenombred énergiesconsommées. Une explication possible de cette observation est que les entreprises qui peuvent utiliser différentes formes d énergies sont aussi celles qui disposent d une technologie suffisamment flexible pour substituer entre elles les différentes formes d énergies et donc réduire la consommation de l énergie la plus chère au profit de celle qui est bon marché. Ces entreprises peuvent tirer un plus grand bénéfice des systèmes tarifaires non-linéaires qui leur sont proposés par les producteursd énergie.nousreviendronsplusloin sur cette question dans la section consacrée à l exploitation économétrique des données du SESSI 21

23 électricité butane propane fioul domestique Gaz fioul lourd A E EB EBD EBFD ED EF EFD EG EGB EGBD EGD EGFD Total Fig. 3 Prix moyens des différentes formes d énergie et régimes de demande (année 1996 en C=/tep) 3 Modèles économétriques existant : estimations sur les données du SESSI Les modèles d estimation de la demande d énergie peuvent être classés en plusieurs catégories en fonction des données utilisées (agrégées / désagrégées), du type de modèle (statique/dynamique) et aussi par rapport à la spécification du modèle (notamment les formes fonctionnelles choisies : Translog, Logit linéaire, Leontief Généralisée). Nous laissons de côté, pour cette présentation, le troisième type de classement beaucoup plus technique que les autres (bien que fondamental dans la mesure ou les choix de spécification ne sont pas nécessairement neutres au regard des résultats obtenus). En ce qui concerne les deux premiers, remarquons tout d abord que la plupart des études empiriques sur la demande d énergie sont faites à partir de données agrégées au niveau sectoriel ou au niveau national. Par ailleurs, les mo- 22

24 dèles sont plus souvent statiques que dynamiques. Les modèles dynamiques nécessitent une représentation des comportements permettant d expliquer à la fois les investissements relatifs aux techniques énergétiques et les choix de consommation d énergie à court terme. La complexité de ces modèles est telle que l on trouve peu d applications à ce jour, et en tout cas aucune application dans un système qui distinguerait les différentes formes d énergies, plutôt qu un agrégat représentant la consommation totale d énergie. Les estimations des élasticités de la demande d énergie reposent donc le plus souvent sur des modèles statiques. Ces modèles ont donné des résultats contradictoires concernant la relation entre le capital et l énergie. Si ces deux facteurs semblent être des substituts à long terme, l éventail des estimations des substitutions entre énergie et capital à court et moyen terme est très vaste. Ce débat est évidemment crucial pour comprendre toute analyse de l efficacité de différentes politiques économiques concernant l énergie. Cette efficacité est, en effet, subordonnée aux capacités d adaptation des entreprises en matière d utilisation de l énergie. L utilisation de données de panel est judicieuse pour intervenir dans ce débat, car elle permet des analyses qui intègrent à la fois, la diversité des entreprises en matière de consommation d énergie et l aspect dynamique des comportements. Il est vrai qu une analyse en coupe instantanée apporte, dans une certaine mesure, des éléments d information sur la dynamique des comportements. Mais, les conclusions engendrées peuvent être fragiles. Cela ne signifie pas que de telles études soient sans intérêt. Elles permettent en effet, d identifier les caractéristiques des entreprises et les liens avec leurs consommations d énergie. De même, une première analyse sur données agrégées permet, le plus souvent, d avoir une idée générale des principales tendances. Il n en reste pas moins que les analyses les plus riches requièrent des données à la fois diachroniques et synchroniques, c est-à-dire les données 23

25 de panel. De telles données permettent en effet d estimer simultanément la diversité des comportements individuels et leurs aspects dynamiques. L idée de base est simple, on utilise les données dans la dimension individuelle pour estimer les différences de comportement entre individus et la série, pour évaluer les aspects dynamiques. Les données du SESSI qui sont à notre disposition sont des données de panel. Les enquêtes annuelles réalisées par le SESSI depuis 1983 portent en effet sur un panel représentatif des utilisateurs d énergies. Notre objectif est d utiliser ces enquêtes pour l estimation des possibilités de substitution entre formes d énergies. A cette fin nous proposons tout d abord une analyse fondée sur des modèles de conception relativement ancienne, puisqu ils ont été utilisés pour la première fois dans les années soixante-dix pour les uns et dans les années quatre-vingts pour les autres. L intérêt d une estimation de ces modèles sur nos propres données est double. Il va nous permettre en premier lieu d identifier les insuffisances de ces modèles et en second lieu de résoudre certaines difficultés économétriques qui peuvent apparaître du fait de l utilisation de données de panels. 3.1 Demande d énergie : rationnement exogène ou rationnement endogène? Un problème essentiel dans la modélisation de la demande d énergie tient aux probables rigidités à court terme de la demande en raison notamment des coûts associés au changement de technologie. Les techniques énergétiques conditionnent donc, dans une certaine mesure, la structure de la demande d énergie de chaque entreprise. Les modèles de demande d énergie, construits de telle sorte que les demandes nulles résultent d un rationnement, doivent être approfondis pour tenir compte de la nature et des différents types de rationnements possibles. En pratique, dans une entreprise une forme d énergie peut ne pas être utilisée, soit parce que le rationnement est exogène (l en- 24

26 treprise n a pas accès au réseau de gaz naturel par exemple), soit parce que le rationnement sur la demande est la conséquence d un choix technologique antérieur, et donc donné à court terme, soit parce que le rationnement est endogène au sens ou la technologie permet l utilisation de cette forme d énergie bien que les conditions du marché conduisent finalement l entreprise à la rejeter. On peut justifier a posteriori l existence d une certaine flexibilité des techniques énergétiques par deux types d arguments. Premièrement une analyse statistique basée sur un très grand nombre d entreprises, suivies par ailleurs sur un historique très long, montre, comme c est le cas à partir des enquêtes EACEI, des changements rapides et importants de la structure de la consommation d énergie, notamment de nombreuses transitions entre différents régimes de demande. En particulier, nous observons que certaines entreprises changent très fréquemment de régime de demande. Un examen plus précis de ces entreprises, qui adoptent ou abandonnent certaines formes d énergies d une année sur l autre, semble indiquer qu elles disposent de systèmes multi-énergie leur permettant d adapter leurs approvisionnements en fonction des prix du marché. Deuxièmement, les menus de tarifs proposés par les principaux offreurs, reposent à l évidence sur les possibilités de substitution qu ont les industriels entre les différentes formes d énergies. Les offreurs d énergies intègrent en effet dans leur tarification des options (contrats interruptibles, effacement type EJP par exemple) qui s appuient essentiellement sur des notions de flexibilité des techniques énergétiques à court terme. L un et l autre de ces deux arguments nous renvoient à l importance des coûts des différentes techniques énergétiques et plus précisément, à l importance de ces coûts comparés au coût variable lié à la consommation d énergie. Si ces coûts sont relativement faibles, les entreprises devraient pouvoir modifier plus facilement et donc peut être plus souvent leur technologie, ou bien adopter des techniques énergétiques multi-énergies. Une difficulté importante à ce stade 25

27 de l analyse est l absence d une information précise, couvrant l ensemble de l industrie, et donnant des indications fiables sur les coûts des techniques énergétiques. La complexité, et la particularité des techniques énergétiques de chaque site industriel, rend difficile l obtention de cette information dans le cadre d une enquête, aussi fine soit elle. La flexibilité d une technologie peut-être définie par les possibilités de substitution entre les différentes formes d énergie que cette technologie offre à l industriel, àcourtterme.la mention à court terme signifie que, toute amélioration de cette capacité de substitution, ne peut être atteinte qu en modifiant la technologie (par exemple achat de nouveaux équipements). Il se peut évidemment que la flexibilitédelatechnologieconsidéréenesoitentièrement exploitée qu à l occasion de variations importantes des prix relatifs de l énergie. Les modèles, actuellement utilisés pour estimer empiriquement les élasticités de substitution entre les facteurs de production, ne tiennent pas compte en général d une certaine rigidité à court terme des demandes de facteurs, liée aux choix des équipements énergétiques installés et aux caractéristiques de ces équipements 3. Ils fournissent donc une estimation ponctuelle des possibilités de substitution mais ne peuvent fournir d indication sur l étendue des possibilités de substitution à court terme. Nous avons, sur la partie empirique de ce projet de recherche, procédé à diverses estimations économétriques. Dans ces estimations notre objectif est de tester deux modèles de demande d énergie concurrents construits à partir de deux représentations des technologies de production. Ces deux modèles correspondent en fait, à deux hypothèses alternatives sur la flexibilité des technologies en matière d utilisation de l énergie. Ces deux hypothèses conduisent à deux types de modèles structurels, les seuls actuellement dis- 3 Certains modèles tentent cependant de remédier à cette lacune en introduisant de manière ad hoc une variable supplémentaire dans les équations de demande, en général la consommation retardée d une période. 26

28 ponibles dans la littérature. Nous avons pour cela considéré deux cas de figure. Dans le premier cas, les entreprises disposent de techniques énergétiques spécifiques, le régime de demande observé est alors fixé, et les substitutions ne peuvent se produire que parmi un nombre limité de formes d énergies. Dans le second cas, les entreprises disposent de techniques énergétiques parfaitement flexibles, la technologie permet alors toutes les permutations possibles entre les formes d énergies. Parmi les modèles de la première catégorie, on peut citer un article de Woodland paru en Dans cet article, Woodland propose des estimations des élasticités de substitution entre énergies, basées sur des données individuelles d entreprises. Il suppose que les régimes de demande découlent de choix technologiques antérieurs et les considèrent donc comme exogènes à son modèle. Cela simplifie considérablement le modèle théorique sous-jacent, puisqu il n est plus alors nécessaire d expliquer les raisons pour lesquelles certaines énergies ne sont pas consommées par certaines entreprises. 5 Deux articles récents de Bjoner et Jensen, utilisent la même hypothèse que Woodland, mais ils justifient différemment leur choix. Selon eux, les entreprises changeraient peu fréquemment de régime de demande. 6 Cet argument, en tout cas pour l industrie française, n est pas pertinent comme nous le montre l analyse statistique sur les choix de régimes de demande et 4 Voir : Woodland, A. D., 1993, A Micro-Econometric Analysis of the Industrial Demand for Energy in NSW, The Energy Journal, Vol 14, N 2, Dans l article de Woodland op. cit., on peut lire page 64, The techniques needed to estimate the common technology using all observations and taking into account the cost minimization reasons for the particular pattern observed for each establishment are very complex. 6 Bjoner, T. B., et H. H. Jensen, 2000, Industrial Energy Demand and the effect of taxes, Agreement and Subsidies, AKF Memo, AKF Forlaget, Copenhagen Bjoner, T. B., et H. H. Jensen, 2001, Industrial Companies demand for electricity : evidence from a micro panel, Energy Economics, 23,5,

29 les transitions observées à partir des enquêtes EACEI. Il ne l est pas non plus pour l industrie américaine si l on en croit certains résultats de l enquête du DOE intitulée Manufacturing Energy Consumption Survey. Cette enquête réalisée auprés des entreprises aux Etats Unis comporte un volet spécifique à la question des substitutions entre formes d énergies. Il est demandé aux industriels d indiquer quel montant d énergie pourrait être consommé, en plus ou en moins, par rapport aux consommations observées, et ce pour chaque forme d énergie. L industriel doit tenir compte dans sa réponse, de sa capacité à opérer des substitutions entre les différentes formes d énergies. Ces substitutions doivent par ailleur être possibles dans un délai inférieur à un mois, et ne pas affecter la production ni les coûts de production, (excepté bien sûr, la facture énergétique). Clairement, l information obtenue à partir de cette enquête permet d avoir des indications précises sur la flexibilité à court terme des techniques énergétiques utilisées par les entreprises. Les résultats montrent d une part, qu une frange significative d industriels (20% environ) disposent de systèmes flexibles et que, d autre part, le volant de consommation d énergie qui pourrait, à très court terme, faire l objet de substitutions, est très important. Un tiers environ de la consommation totale d énergie de l industrie pourrait, d après cette enquête, faire l objet de substitutions à très court terme. 7 L hypotèse retenu par Woodland d une part, et par Bjoner et Jensen d autre part, permet de résoudre le problème économétrique posé par l observationd unnombresignificatif de demandes nulles sur l échantillon. Cependant, comme nous l avons vu plus haut, il existe de sérieuses raisons de douter de la validité de cette hypothèse. Dans ce cas, la seule issue possible est de formuler différemment le modèle théorique de demande sur lequel s appuie l estimation économétrique. 7 Voir DOE/EIA, Manufacturing Consumption of Energy 1991, US Department of Energy, report 0512,

30 A ce jour, il n existe dans la littérature, qu un seul modèle pour expliquer ce qui peut conduire un producteur, à choisir des niveaux de consommations positifs pour certaines formes d énergies et à exclure toutes les autres. Dans ce modèle, le producteur est supposé minimiser les coûts énergétiques. Pour y parvenir il doit définir, pour chaque forme d énergie, un prix seuil au delà duquel cette forme d énergie ne sera pas consommée. 8 Simultanément, il doit également définir la quantité d énergie qui sera consommée par son entreprise pour toutes les formes d énergie dont le prix de marché n a pas atteint le seuil. Ce modèle est relativement complexe à estimer car il implique que la forme analytique de la fonction de demande, et par voie de conséquence l élasticité de la demande par rapport au prix, dépende du régime de demande particulier choisi par l entreprise. Autrement dit, dans un seul et même modèle, on intègre ici à la fois les décisions qualitatives, relatives aux énergies sélectionnées, et les décisions quantitatives, relatives aux niveaux de ces demandes (c est-à-dire les niveaux des demandes conditionnelles au régime de demande préalablement choisie par l entreprise). 9 Notons que dans ce qui précède, le producteur ne fait face à aucune contrainte sur le choix des énergies à exclure. De même, en ce qui concerne les énergies consommées, le producteur peut choisir librement les niveaux de consommation. Cela signifie que l hypothèse fondamentale de ce modèle est que la technologie est parfaitement flexible, la demande d énergie n est pas contrainte par la technologie. C est l hypothèse diamétralement opposée à celle qui a été retenue dans les études de Woodland et de Bjoner et 8 Il est important de noter que ce prix seuil peut être différent d une énergie à une autre. 9 Du fait de sa complexité, il existe relativement peu d estimations de ce modèle dans la littérature. On trouvera dans le document de travail de Bousquet et Ladoux, Flexible versus Designated Technologies and Inter-fuel Substitution, donné en annexe, les références des principales études dans lesquelles ce modèle a été utilisé. 29

31 Jensen. On voit ainsi que les modèles jusqu ici disponibles dans la littérature se situe à deux extrêmes : parfaite rigidité d un côté, parfaite flexibilité de l autre. Or, notre étude statistique sur les données du SESSI, ainsi que l enquête du DOE américain, précédemment citées, infirment l une comme l autre ces deux hypothèses. La réalité est vraisemblablement entre ces deux hypothèses et donc entre ces deux modèles. Cependant, avant de procéder à des recherches théoriques dans le but de proposer une modélisation plus générale et mieux adaptée au phénomène étudié, il nous a paru pertinent de comparer, sur un même jeu de données (les données du SESSI), les résultats économétriques issus des deux types de modèles disponibles. Comme nous l avons vu plus haut, lorsque les technologies sont supposées flexibles le modèle théorique décrit, pour chaque entreprise, à la fois la probabilité d appartenance au régime de demande observé et les demandes conditionnelles à ce régime pour les différentes formes d énergies. Techniquement le modèle économétrique correspondant est un modèle de type Tobit généralisé. 10 Lorsqu au contraire, les technologies sont supposées spécifiques, les entreprises appartiennent à un régime de demande donné et ne peuvent changer de régime de demande à court terme. Dans ce cas les estimations 10 Ce problème est bien connu dans la littérature sur la modélisation de la demande. Dans de nombreuses situations en effet, et aussi bien pour les consommateurs que pour les entreprises, il se peut que certains individus choisissent de ne pas consommer un bien. La solution théorique dans ce cas consiste à estimer la fonction de demande par un modèle dans lequel on estime simultanément la probabilité qu un individu choisisse de consommer le bien et le niveau de la demande lorsque celle ci est effectivement non nulle (modèle Tobit simple). Il existe dans la littérature de très nombreuses applications de ce type de modèle. Son extension au cas d un système complet de fonctions demande comportant 3 biens ou plus n est cependant pas immédiate. S il n y a pas de difficultés conceptuelles particulières, l estimation économétrique soulève en revanche de redoutables problèmes de mise en oeuvre. Les modèles économétriques correspondant sont qualifiés, par opposition aux modèles précédents, de modèles Tobit généralisés. La dimension du système de demande considéré est bien souvent un facteur bloquant à moins d avoir recours à des techniques d estimation par simulation comme nous le verrons plus loin. 30

32 sont réalisées séparément pour chaque régime de demande, en considérant à chaque fois les seules entreprises appartenant au régime considéré. Le modèle économétrique est alors un modèle spécifique à chaque régime de demande d énergie. A chaque régime correspond un système d équations de demande des différentes formes d énergie utilisables par l entreprise (celles dont l utilisation est permise par la technologie de production). Dans les développements qui suivent, nous appellerons modèle à technologie fixe, le modèle dans lequel les dépenses nulles observées pour certaines formes d énergie sont considérées comme imposées par la technologie existante. Le modèle dans lequel ces dépenses nulles sont supposées être celles quiminimisentlecoûtdeproductiondel entreprise,comptetenudelavaleur des prix relatifs des différentes formes d énergie, sera appelé modèle à technologie flexible. L estimation de ces deux modèles a fait l objet d un document de travail fourni en annexe 11. Les données utilisées pour l estimation sont issues de l enquête du SESSI de 1996 dont les résultats sont décrits dans l édition de 1997 de l ouvrage intitulé, Les consommations d énergie de l industrie française, publié par le Ministère de l Industrie. Nous n exploitons donc ici qu une partie des informations dont nous disposons, celles relatives à une année donnée. Autrement dit, l estimation est réalisée sur une coupe transversale. Nous verrons plus loin comment les difficultés d une estimation sur données de panel peuvent être résolues. La coupe transversale utilisée comprend approximativement observations. Les consommations des 11 formes d énergie considérées dans l enquête du SESSI sont agrégées en trois formes d énergie différentes : gaz, un bien composite incluant le gaz naturel et le GPL ; produits pétroliers, un bien composite incluant le fioul lourd et le fioul 11 Ce document, Flexible versus designated technologies and interfuel substitution, est actuellement en seconde lecture pour la revue Energy Economics. 31

33 domestique ; électricité, hors électricité auto-produite. 12 Les établissements utilisant du charbon, de la chaleur ou d autres énergies non précédemment citées, sont très peu nombreux et sont donc exclus de l échantillon d observations. Ainsi les observations de la base de données initiale se réduisent à observations. Dans ce qui suit nous résumons les principaux résultats décrits dans le document précédemment cité. Les tableaux 3 et 4 donnent les estimations des élasticités par type de régime de demande. Les valeurs numériques qui figurent dans ces tableaux sont des moyennes prises sur l ensemble des entreprises du régime concerné. Ces tableaux montrent que les résultats obtenus sont très sensibles à l hypothèse retenue, en particulier en ce qui concerne la sensibilité aux prix de la demande de produits pétroliers, et dans une moindre mesure de la demande de Gaz naturel. Régime de demande Gaz+Pétrole+Elec. Gaz+Elec. Pétrole+Elec. gaz pétrole élec. gaz pétrole élec. gaz pétrole élec. gaz pétrole élec Tableau 3 : Elasticités prix dans le cas de technologies fixes pour un régime de demande donné (Moyenne sur les entreprises appartenant à un même régime) 12 Notons que 5% seulement des établissements observés auto-produisent de l électricité. 32

34 Régime de demande Gaz+Pétrole+Elec Gaz+Elec Pétrole+Elec gaz pétrole élec. gaz pétrole élec. gaz pétrole élec. gaz pétrole élec Tableau 4 : Elasticités prix dans le cas de technologies flexibles pour un régime de demande donné (Moyenne sur les entreprises appartenant à un même régime) Gaz Pétrole Elec. Gaz 1.10 ] 3.16; 0[ 0.18 ]0; 1.10[ 0.92 ]0; 2.30[ Pétrole 0.37 ]0; 2.64[ 1.01 ] 4.59; 0[ 0.63 ]0; 1.98[ Electricité 0.36 ]0; 0.76[ 0.15 ]0; 0.53[ 0.52 ] 0.82; 0[ Tableau 5 : Elasticités prix dans le cas de technologies fixes (Moyenne sur l ensemble des entreprises pondérée par les consommations totales d énergie des entreprises) Gaz Pétrole Elec. Gaz 1.62 ] 6.11; 0[ 0.27 ]0; 2.22[ 1.34 ]0; 4.19[ Pétrole 0.61 ]0; 6.53[ 2.79 ] 20.93; 0[ 2.18 ]0; 15.18[ Electricité 0.46 ]0; 1.08[ 0.24 ]0; 0.97[ 0.71 ] 1.31; 0[ Tableau 6 : Elasticités prix dans le cas de technologies flexibles (Moyenne sur l ensemble des entreprises pondérée par les consommations totales d énergie des entreprises) 33

35 Les tableaux 4 et 5 donnent ces mêmes élasticités pour l ensemble de l échantillon. Les moyennes données dans ces tableaux sont pondérées par la consommation totale d énergie des entreprises. Ceci explique le niveau relativement plus faible des valeurs numériques des tableau 4 et 5 par rapport aux tableaux 3 et 4. En effet, lorsqu une entreprise ne consomme pas une énergie donnée, l élasticité correspondante est nulle. La lecture de ces deux derniers tableaux confirmelerésultatprécédent: le choix d un modèle particulier, parmi les deux modèles existant dans la littérature, est très loin d être neutre au regard des estimations économétriques des élasticités de substitutions qui vont être obtenues. Cette conlusion, mérite cependant d être illustrée différemment. En effet, compte tenu de la définition même d une élasticité, tous les résultats présentés ci-dessus ne permettent de comprendre les réactions des entreprises qu à des changements marginaux des prix. D ailleurs, en pratique lorsque l on fait subir de tels changements aux prix pour calculer ces élasticités, on constate, dans le cas des technologies flexibles qu aucune entreprise ne change de régime. Or, il est probable que des changements de régime se produisent, lorsque la technologie le permet, et lorsque le changement des prix relatif est significatif et non plus seulement marginal. C est ce que nous avons voulu vérifier en simulant, à partir des fonctions de demande que nous avons estimées, une politique de taxation du CO 2. Ce choix n est évidemment pas innocent pour deux raisons : de telles politiques sont en cours de mise en oeuvre, notamment en Europe ; ces politiques devraient sensiblement modifier les prix relatifs des différentes formes d énergie. La taxe simulée est de 30 euros par tonne de carbone, soit une augmentation des prix de l énergie consommée par les entreprises comprise entre 0% et 26%, selon la forme d énergie considérée (cf. tableau 6). 34

36 Contenuencarbone(tC/tep) Augmentation du prix Gaz % Pétrole % Electricité % Tableau 6 : Conséquence d une taxe de 30C=/tC sur le prix des différentes formes d énergie Technologie fixe Technologie flexible Gaz 17% 25% Pétrole 24% 45% Electricité +8% +11% Emissions de CO 2 20% 33% Tableau 7 : Conséquence d une taxe de 30C=/tC sur les émissions de CO 2 Une telle taxe provoque des modifications très nettes des comportements. Dans le cas d un technologie fixe les entreprises sont limitées dans leurs choix, alors que dans le cas d une technologie flexible les changements de régime leurs permettent de réagir avec beaucoup plus d ampleur. Si l on compare les deux cas de figure du point de vue de la réduction des émissions, on constate (cf. Tableau 7) que, faire l hypothèse d une technologie fixe alors que la vraie technologie est flexible, implique une erreur de l ordre de 30% sur les réductions d émissions de CO 2. Cette erreur serait due à la non prise en compte des changements de régime qui devraient résulter de l introduction de la taxe. Or, de tels changements sont nombreux comme le montre le tableau 8. 35

37 Régime de demande estimé avant taxe estimé après taxe gaz+ pétrole + élec pétrole + élec gaz + élec élec Tableau 8 : Nombre de firmes appartenant aux différents régimes de demande 3.2 Estimation sur données de panel Les estimations économétriques décrites dans la sous-section précédente ont été réalisées sur un coupe transversale. Dans cette sous section, nous nous intéressons à des estimations sur données de panel du modèle dans lequel la technologie est supposée flexible. Rappelons que des deux modèles décrits précédemment, ce dernier est de très loin le plus difficile à estimer car il oblige à traiter le problème posé par l observation d un nombre significatif de dépenses nulles pour certaines formes d énergie. Ceci explique que, à notre connaissance, nos travaux constituent la première application empirique sur données de panel d un modèle considérant un système complet de demande, dans le cas où une ou plusieurs des demandes observées peuvent être nulles. Ces travaux ont faits l objets de 2 articles : 13 Bousquet A., Chakir R. et Ladoux N., Modeling Corner Solutions with Panel Data : Application to the Industrial Energy Demand in France, publié dans empirical economics, n 1, pp , janvier 2004 et repris dans l ouvrage collectif, Panel Data : Theory and Applications, Physica-Verlag, series : Studies in Empirical Economics, Baltagi, B. H. (Ed.), 2004 ; Chakir R. et Thomas A., Maximum Simulated Likelihood Estimation of Firm Demand Systems with Corner Solutions and Panel Data : 13 On trouvera une copie en annexe de ces deux articles. 36

38 Application to energy demand, Revue d Economie Politique,n 6, novembre-décembre 2003, pp Les estimations proposées dans ces deux articles concernent le secteur du papier carton. Nous nous sommes limités à ce secteur en raison d un temps de calcul important pour réaliser les estimations. Par ailleurs, le choix particulier de ce secteur à été motivé par le fait qu il est un gros consommateur d énergie et que l on a pu y observer sur la période étudiée de nombreuses substitutions entre les différentes formes d énergies disponibles. Dans les deux articles cités ci-dessus, nous estimons sur données de panel le modèle théorique proposé par Lee et Pitt 14. Dans le premier de ces 2 articles, nous distinguons les mêmes formes d énergies que dans les travaux décrits dans la sous-section précédente soit : gaz, produits pétroliers et charbon. Parmi les résultats détaillés fournis dans l article, nous ne mentionnerons ici que quelques éléments essentiels. Tout d abord, l estimation des élasticités de substitution montrent que les différentes formes d énergie sont substituables entre elles. En second lieu, nous montrons que l élasticité de la demande de gaz et de produits pétroliers est plus élevée (en valeur absolue) que l élasticité de la demande d électricité. Un autre résultat intéressant est que la demande d une forme d énergie donnée est plus sensible à son propre prix, dans les entreprises qui ont la capacité de consommer toutes les formes d énergie, que dans celles qui sont limitées à 2 formes d énergie. Le modèle que nous utilisons nous permet d estimer les changements de régime de demande qui résultent d une évolution des prix relatifs de l énergie. Nous pouvons ainsi monter que lorsque, toutes choses égales par ailleurs, c est le prix des produits pétroliers qui augmente, la plupart des changements de régime consiste à basculer du régime pétrole-électricité 14 Lee L.F. et Pitt M.M. (1986), Microeconometric demand Systems with Binding Constraints : The dual Approach, Econometrica 54 :

39 au régime gaz-électricité, l inverse étant vrai, bien sûr, si c est le prix du gaz qui augmente. Enfin nous avons utilisé notre modèle économétrique pour, comme dans les travaux décrits précédemment, simuler les conséquences de l introduction d une taxe sur le CO 2. Nos résultats montrent que dans le secteur étudié, il existe de réelles possibilités de substitutions entre les différentes formes d énergie. Ceci explique qu une taxe de 117C=/tC suffise, à consommation totale d énergie constante, à stabiliser les émissions de CO 2 sur 50 ans ( ). Ceci traduit assez clairement la capacité des entreprises à limiter significativement le coût engendré par l introduction d une taxe sur le CO 2. Il est cependant important de noter que, compte tenu des données et du modèle théorique que nous utilisons, nos résultats doivent être interprétés comme la conséquence d un comportement à long terme des entreprises. En d autres termes, nous ignorons dans ces calculs les rigidités de court terme auxquelles les entreprises doivent faire face. Nous reviendrons plus amplement sur cette question, plus loin dans notre exposé. Une des limites de l approche que nous venons de décrire est le nombre limité de formes d énergie qu il est possible de considérer. En pratique il n est guère possible, à l aide des méthodes économétriques classiques, d analyser les possibilités de substitution de plus de 3 formes d énergie différentes. Cela résultedelacomplexitédumodèleéconométriquequenousdevonsestimer. Compte tenu de cette limitation, les estimations que nous obtenons peuvent être suspectées d être biaisées. En effet, sous la dénomination de produits pétroliers par exemple, nous regroupons le fioul domestique et le fioul lourd. Ces deux produits ont des prix de marché très différents et sont généralement utilisés par des entreprises de tailles très différentes. Il en est de même pour le gaz, pour lequel il peut sembler judicieux de distinguer le gaz naturel du GPL. 38

40 C est pourquoi il nous a paru utile d exploiter une technique économétrique dite méthode du maximum de vraisemblance simulé. Cette méthode, très récemment apparue dans la littérature économétrique, nous a en effet permis détendre l analyse à 5 formes d énergie différentes : électricité, gaz naturel, GPL, fioul domestique et fioul lourd. Il n entre pas dans l objectif de ce rapport de décrire la méthode économétrique complexe, qui a été mise en oeuvre pour réaliser l estimations des élasticités de substitution entre ces différentes formes d énergie. Nous nous arrêterons donc à une analyse des principaux résultats, essentiellement en les comparant aux résultats obtenus dans l analyse précédemment décrite. Premièrement, les 5 formes d énergie étudiées sont toutes substituables entre elles, résultat conforme au résultat précédent. En second lieu, les estimations des élasticités de la demande des différentes formes d énergie montrent que l électricité est l énergie la moins sensible à l évolution de son propre prix. Ce résultat est aussi cohérent avec ceux de nos travaux antérieurs. Enfin, en simulant l introduction d une taxe sur le carbone nous confirmons encore notre résultat précédent selon lequel les possibilités de substitutions entre les différentes formes d énergie permettrait aux industriels du secteur étudié de réduire très significativement le coût de la taxe. 15 En définitivedonc,lepassagede3à5formesd énergiesdansnotre modèle ne modifie pas de manière sensible les résultats obtenus. Elle permet cependant d affiner l analyse, notamment lorsque l on s intéresse aux conséquences d une taxe sur le carbone. Les différentes formes d énergies qui composent un agrégat donné n ont généralement pas, en effet, le même contenu en carbone et ne sont donc pas soumises au même niveau de taxe. C estlecasparexempledufioul lourd et du fioul domestique que nous avions regroupés sous le nom de produits pétroliers. 15 En particulier, la stabilisation des émissions de CO 2 sur la période serait atteinte dans les deux cas avec un niveau de taxe de l ordre de 117C=/tC. 39

41 4 Extension théorique des modèles de demande d énergie 4.1 Limites des modèles à choix discret Les travaux de recherche et les estimations exposés précédemment soulèvent en réalité une difficulté méthodologique fondamentale. Pour mieux comprendre cette difficulté nous présentons ci dessous une illustration du problème dans le cas de trois facteurs énergétiques. Pour trois formes d énergies, on saitquelenombrederégimesdede- mande possibles est de 7. Le figure 4 illustre, dans le cas où la technologie est parfaitement flexible 16, comment une entreprise peut combiner les trois, formes d énergies, deux parmi les trois ou n utiliser qu une seule énergie. Dans le cas où ces différents régimes de demande résultent de technologies spécifiques, chaque combinaison d énergie observée, parmi celles qui figurent dans le schéma précédent, est supposée déterminée par une technologie particulière. Ainsi, tout changement de régime dans le cadre d une technologie spécifique est nécessairement accompagné d un changement de technologie. En pratique, on peut légitimement penser que les techniques énergétiques autorisent à court terme des substitutions entre les différentes formes d énergies qui se situent entre ces deux cas polaires. Le cas d équipement bi-énergie correspond effectivement à une situation intermédiaire entre la technologie parfaitement flexible sur trois énergies et les 7 technologies spécifiques associées aux différents régimes de demande. Cependant, il est clair, que plusieurs technologies correspondant à des associations d un équipement bi-énergie et d un équipement spécifique (au- 16 Ilpeuts agirdesystèmesmulti-énergiesouplusgénéralementdesystèmesénergétiques dans lesquels certains équipements sont en double et donnent à l entreprise la possibilité d utiliser différentes formes d énergie pour un service donné. 40

42 Fig. 4 Technologie flexible versus technologies spécifiques quel est attaché l usage d une énergie donnée), peuvent générer les régimes de demande considérés dans cette illustration. Par exemple, on peut considérer la situation intermédiaire d une technologie composée d un équipement bi-énergie utilisant les énergies 1 et 2 seulement. Cette technologie permet de générer les régimes de demande où l on observe l utilisation de l énergie 1 seulement, 2 seulement, ou une combinaison des énergies 1 et 2. Par ailleurs il se peut que l entreprise dispose aussi d un équipement spécifique nécessitant l usage de l énergie 3. Ce cas mixte d une technologie flexible entre les énergies 1 et 2 et d une technologie spécifique pour l énergie 3, génère les régimes de demande ou les énergies 1 et 3, ou 2 et 3 ou 1, 2 et 3 sont présentes. La figure 5 montre tous les cas intermédiaires correspondant aux régimes de demande générés par des technologies composées d un équipement bi-énergie et (éventuellement) d un équipement spécifique. Au total, on voit qu entre les deux hypothèses extrêmes sur les technologies se glissent 6 autres 41

43 Fig. 5 Cas intermédiaires : technologies flexibles et spécifiques technologies mixtes ou la flexibilitéestpartielleetneportequesur2éner- gies parmi les 3. Un rapide comptage montre finalement que les 7 régimes de demande du départ peuvent découler d un grand nombre de technologies : 1 parfaitement flexible, 7 technologies spécifiques et 6 technologies intermédiaires ; soit au total 14 technologies différentes. La croissance exponentielle du nombre de technologies alternatives, générant un ensemble donné de régimes de demande, constitue une difficulté fondamentale. Par ailleurs, l identification des technologies sans information précise sur les caractéristiques des équipements énergétiques semble impossible. Pour s en convaincre il suffit, par exemple, de remarquer que le régime de demande où figure une combinaison des énergies 1 et 2 pourrait en principe résulter : d un industriel disposant d une technologie parfaitement flexible entre les 3 énergies et ayant choisit de ne pas utiliser l énergie 3, 42

44 d un industriel disposant d une technologie composée d équipements spécifiques nécessitant l usage des énergies 1 et 2, d un industriel disposant d un équipement bi-énergie permettant d utiliser l énergie 1 ou l énergie 2, et ayant effectivement utilisé ces deux énergies, d un industriel disposant d un équipement spécifique nécessitant l usage de l énergie 1 et d un équipement bi-énergie utilisant les énergies 2 ou 3, mais ayant choisit de ne pas consommer l énergie 3, etc... Ce problème d identification est bien réel. Un comptage exhaustif des différents cas de figure possibles nous montre que nous pourrions avoir au total 38 relations possibles entre les 7 régimes de demande et les 14 technologies identifiées précédemment. Pour cette raison, il semble difficile de tester empiriquement des modèles de demande d énergie basés sur une représentation des technologies en suivant l hypothèse d une flexibilité partielle, à mi chemin des technologies parfaitement flexibles ou spécifiques. Cette voie de recherche, qui combine un modèle de choix de technologie à un modèle de choix de régime de demande, s avère complexe. Elle conduit souvent à considérer un nombre considérable d alternatives correspondant à l ensemble des technologies possibles. De plus, l absence d une relation bi-univoque entre régime de demande et technologie empêche d identifier les technologies sous-jacentes aux différents régimes de demande. 4.2 Equipements énergétiques et demande d énergie La notion de flexibilité, retenue implicitement jusqu ici, apparaît comme trop restrictive. En effet, nous avons considéré (voir l illustration précédente) qu une technologie parfaitement flexible permet à l entreprise de substituer les énergies entre elles, et que ces substitutions peuvent être réalisées, quelles 43

45 que soient les quantités d énergies considérées. Autrement dit, l entreprise disposant d une telle technologie serait en mesure de réduire (voire d annuler) la consommation d une énergie donnée, en la compensant par une augmentation des quantités consommées d autres énergies. Il y a donc dans ce concept de flexibilité deux notions, l une correspondant au fait que les possibilités de substitution seraient relativement fortes, et la seconde correspondant au fait qu aucune énergie ne serait un facteur de production essentiel (suivant la définition standard d un facteur de production essentiel en économie de la production). Il semble cependant qu une définition moins restrictive et donc plus générale de la notion de flexibilité consiste à supposer que les possibilités, à court terme, de substitution entre facteurs ne peuvent être réalisées que sur des quantités limitées quels que soient les prix des facteurs. Cette idée semble judicieuse dans le cas de l énergie, puisque l usage de l énergie nécessite en général des équipements dont une des caractéristiques essentielles est la puissance des appareils. De fait, les consommations d énergie sont, à court terme, limitées notamment par la puissance des équipements installés. L entreprise, compte tenue de sa technologie, peut donc substituer les énergies entre elles, tant que les contraintes de capacité sur les divers équipements ne sont pas saturées. Une recherche théorique en ce sens a fait l objet de différents documents de travail dont il a été fait mention dans les rapports intermédiaires de la recherche rédigés au cours des années précédentes. L essentiel de cette recherche est résumé dans le document de travail suivant : 17 BillettedeVillemeurE.,BousquetA.etLadouxN., Short-Term Inefficiencies from Long-Term Optimality in an Uncertain Environment, Juin, Deux autres documents décrits, et fournis dans les rapports intermédiaires de la recherche, décrivent un état antérieur de nos travaux mais, ils 17 Letexteintégraldecedocumentestdonnéenannexe. 44

46 donnent aussi des compléments utiles au document de travail cité ci-dessus. Cesdocumentssontlessuivants: Billette de Villemeur E., Bousquet A. et Ladoux N., Fuel-Switching Capability, novembre 2004 ; BillettedeVillemeurE.,BousquetA.etLadouxN., Input-Switching Capability, janvier La démarche adoptée depuis le début de cette recherche, consiste à considérer que les possibilités de substitution entre formes d énergie dans l entreprise sont partiellement contraintes par des choix technologiques antérieurs. Cela nous a conduit à identifier 2 étapes distinctes dans le processus de décision de l entreprise : une étape relative au choix des équipements qui utilisent l énergie et une étape relative au niveau de consommation d énergie (ou au niveau de consommation des différentes formes d énergie). Bien sûr, si ce processus de décision devait se faire en information parfaite les choix technologiques de la première étape se révéleraient optimaux en deuxième étape. Dans ce cas, aucune contrainte ne s imposerait au producteur : les quantités d énergie consommées ne dépendraient que des prix relatifs des différentes formes d énergies. Le modèle pertinent serait alors le modèle que nous avons appelé, dans les développements précédents, modèle à technologie flexible. En réalité les décisions d investissements du producteur sont réalisées dans un contexte d incertitude. Naturellement, nous avons porté une attention particulière à l incertitude sur les prix futurs de l énergie ; dans notre modèle, le choix des équipements consommateurs d énergie se fait alors que les prix futurs de l énergie ne sont pas encore connus du producteur. Cependant, l incertitude ne porte pas que sur les prix, et une version de notre modèle considère une incertitude sur le niveau futur de production. Dans tous les cas, c est-à-dire quelle que soit la nature de l incertitude, les déci- 18 On trouvera en annexe une copie du premier de ces documents car il a fait l objet d une récente révision. 45

47 sions relatives aux consommations d énergies peuvent se trouver limitées par la puissance des équipements qui ont été préalablement choisis. 19 Schématiquement, il est possible de décrire le fonctionnement des modèles que nous avons développés de la façon suivante. Au moment où elle décide de ses investissements, l entreprise doit arbitrer entre une certaine réserve de capacité des équipements énergétiques et les coûts croissants des capacités de ces équipements. En pratique, l entreprise peut se trouver contrainte à court terme par la capacité des équipements installés dans le cas où, le prix d une énergie donné étant beaucoup plus faible que prévu, l entreprise aurait souhaité consommer plus de cette énergie bon marché (et donc réduire les consommations d autres énergies). Inversement si le prix d une énergie est plus fort que prévu, l entreprise tentera de réduire la consommation de cette énergie, mais, si elle y parvient, l équipement apparaîtra sur-dimensionné et l entreprise devra supporter les coûts de cette sur-capacité. Un tel modèle constitue le fondement micro-économique d un modèle de demande d énergie intégrant le choix de l entreprise en matière d équipements énergétiques et de demande d énergie. Il complète aussi utilement une littérature abondante focalisée sur la relation entre énergie et capital et apporte une contribution au débat sur la substituabilité ou la complémentarité entre énergie et capital Plus récemment, nous avons également travaillé sur la possibilité d intégrer simultanément dans notre modèle l incertitude sur les prix des énergies et sur le niveau de production de l entreprise. 20 Cette question est hors sujet dans le contexte de ce rapport, le lecteur intéressé peut toutefois consulter, Atkenson, A. et P. J. Kehoe, 1999, Models of Energy Use : Putty-Putty versus Putty Clay, American Economic Review, 89, 4,

48 4.2.1 Un modèle simple à deux période Une version très simple de notre modèle considère une situation avec seulement deux périodes. En première période l entreprise doit décider du niveau de la capacité d un équipement énergétique. Cette décision est prise en situation d incertitude sur le prix futur de l énergie. L entreprise est ici supposée neutre envers le risque. En seconde période, l entreprise, sachant le prix de l énergie, décide du niveau de la demande. En fonction des prix, la demande d énergie à court terme peut alors être limitée par la capacité de l équipement installé. Ce cas survient effectivement lorsque le prix de l énergie est faible. Inversement, lorsque le prix de l énergie est plus grand qu un certain seuil, la demande d énergie est inférieure à la capacité de l équipement (le taux d utilisation de la capacité de l équipement est alors strictement inférieur à 100%). Ce modèle, volontairement simplifié en première approche au cas du choix de la capacité d un équipement énergétique et de la demande d énergie correspondante, montre très clairement l arbitrage entre le coût ex-ante de la capacité pour l équipement énergétique choisit d une part, et la possibilité qu a l entreprise d ajuster ex-post les demandes de facteur d autre part. Le choix optimal correspondant à cet arbitrage conduit à un modèle de demande d énergie qui, comparé aux modèles usuels, apporte deux extensions fondamentales : le choix de la technique énergétique dépend non seulement du coût de ces technologies mais aussi des anticipations du prix de l énergie ; la demande d énergie présente une non-linéarité particulière : en dessous d un certain niveau de prix, en effet, la contrainte de capacité de l équipement étant saturée, la demande d énergie est constante. L intérêt d un modèle intégré, considérant à la fois les problèmes de choix d équipement et de demande d énergie, est considérable. Il permet de poser les bases d un lien structurel entre la demande d énergie d une part et les 47

49 choix technologiques d autre part. De plus, ce modèle micro-économique conduit à des fonctions de demande qui présentent une réaction asymétrique par rapport au prix de l énergie. Ce modèle prédit que la demande d énergie diminue lorsque le prix augmente mais est stable lorsque le prix diminue au delà d un certain seuil. Cette prédiction du modèle est compatible avec les résultats d une abondante littérature empirique qui semble indiquer que cette asymétrie de réaction de la demande d énergie par rapport au prix existe effectivement. 21 Par ailleurs, notre modèle est compatible avec les conclusions de notre analyse statistique des enquêtes du SESSI et avec les résultats des enquêtes du DOE américain : les entreprises ont des possibilités de substitution réelles, mais limitées, entre formes d énergies. 22 A l aide de ce modèle, il est possible, sous l hypothèse de neutralité envers le risque, de montrer que la capacité optimale d un équipement énergétique estdécroissanteavecleprixmoyendel énergieetcroissanteaveclavariabilité du prix de l énergie. Le premier résultat est très intuitif. En effet un accroissement du prix moyen de l énergie, toute choses égales par ailleurs, conduit l entreprise à opter, ex-ante, pour une capacité plus faible de l équipement énergétique, puisqu en moyenne la demande optimale d énergie expost devrait être plus faible. Le second résultat est moins évident. Celui-ci indique que l effet d un accroissement de la variabilité du prix de l énergie, toutes choses égales par ailleurs, conduit l entreprise à opter pour une capacité plus forte de l équipement énergétique. L explication peut être donnée de la façon suivante. On peut montrer que la règle optimale de choix de la capacité consiste à choisir un niveau de capacité tel que le coût marginal de capacité soit au 21 Voir par exemple, Gately D. et Huntington H.G., Theasymmetriceffects of changes in price and income on energy and oil demand, The Energy Journal, January, Voir section 3.1 plus haut. 48

50 moins égal à l espérance de gain d efficacité allocative (espérance de diminution du coût variable lié au desserrement de la contrainte de capacité). En effet, l entreprise qui augmente marginalement sa capacité subira un coût égal au coût marginal de la capacité diminué du gain marginal d efficacité allocative que lui procure la capacité additionnelle. Au niveau de capacité optimale 23 correspond une valeur limite du prix de l énergie en deçà duquel cette contrainte de capacité sera liante. Un accroissement de la variabilité du prix de l énergie augmente aussi bien la probabilité d observer des prix forts que des prix faibles de l énergie, et donc la probabilité que l entreprise se trouve dans une situation où la contrainte de capacité est liante. De plus, à prix moyen de l énergie donné, le gain marginal d efficacité allocative croit avec la variabilité des prix. L espérance de gain résultant d un accroissement de la capacité est le produit de deux termes qui croissent avec la variabilité des prix ; elle est donc elle-même croissante avec la variabilité des prix. Notons que ces résultats sont des résultats généraux, au sens où les preuves sont établies pour des technologies de production satisfaisant les propriétés standard des fonctions de production. Les résultats présentés ne sont donc pas dépendants d une spécification particulière des fonctions de production Extension du modèle à plusieurs formes d énergies L analyse précédente a été prolongée en considérant le cas de deux énergies imparfaitement substituables. Notre attention porte ici maintenant plus particulièrement sur le problème suivant : en supposant que les équipements énergétiques ont une capacité d utilisation de l énergie donnée,quelleestlabonnerèglededécision 23 La capacité optimale est définie comme celle qui maximise le profit espéré ou minimise le coût espéré. 49

51 pour choisir le niveau de consommation des différentes formes d énergie? Il s agit d une décision de court terme (la capacité des équipements est donnée) qui doit prendre en considération, outre les prix des différentes formes d énergie, le coût des contraintes de capacité sur les équipements énergétiques. Nous montrons qu en général, à l optimum, il existe un niveau non nul d inefficacité allocative dans le mix énergétique. Autrement dit, il n est pas nécessairement optimal de choisir une capacité des équipements énergétiques telle que la contrainte de capacité ne soit jamais saturée par la suite. Du coup, à l optimum l entreprise s expose effectivement, dans une certaine mesure, au risque de saturation des capacités de ses équipement énergétiques. Ce modèle permet de dériver un certain nombre de propriétés tout à fait intéressantes pour l analyse de la demande d énergie et des substitutions entre les différentes formes d énergie. En premier lieu, nous montrons que l estimation de l élasticité de substitution entre énergies est biaisée lorsque les contraintes de capacité sur les équipements énergétiques ne sont pas prises en compte par le modèle économétrique. 24 En effet, si la demande d énergie de court terme peut, au delà d un certain seuil, être contrainte par la capacité des équipements, alors un modèle de demande d énergie approprié est un modèle avec seuil permettant de distinguer clairement les situations où ces contraintes de capacité sont liantes des situations où elles ne le sont pas. Ignorer cet effet de seuil induit à l évidence des estimations incorrectes des fonctions de demande et, par voie de conséquence, des estimations biaisées des élasticités de substitution. A l évidence si les contraintes de capacité sont saturées lorsque le prix de l énergie est bas, on voit très clairement qu un modèle de demande d énergie 24 En général, le signe du biais ne peut être déterminé dès que l on considère au moins deux formes d énergies utilisant chacune des équipements spécifiques. 50

52 qui ne tient pas compte des rigidités de la demande à court terme va conduire à des estimations biaisées de l élasticité prix de la demande. En second lieu, nous montrons très clairement, que les niveaux de capacité optimale des équipements énergétiques dépendent fondamentalement de l élasticité de substitution entre les différentes formes d énergies. Autrement dit, pour chaque forme d énergie, le niveau de consommation qui sature la capacité des équipements énergétiques est lui même endogène. Il dépend des possibilités de substitution entre les différentes formes d énergie dont le producteur souhaite pouvoir disposer. De façon générale, la relation entre le niveau optimal de capacité pour un équipement énergétique et la valeur de l élasticité de substitution entre les formes d énergies est complexe. On peut cependant aisément déterminer les niveaux optimaux des capacités des équipements énergétiques lorsque les différentes formes d énergies sont complémentaires, ou au contraire, parfaitement substituables. Pour les cas intermédiaires, il est encore possible de montrer formellement l existence d une relation entre possibilités de substitution et niveau de capacité des équipements énergétiques. En revanche, le signe de cette relation est indéterminé. Nous pouvons cependant l illustrer à l aide de simulations utilisant une forme paramétrique classique en économie de la production : la forme CES. Nous pensons que notre modèle présente un réel potentiel d applications économétriques. En particulier il peut servir de base pour une réflexion future sur l intérêt d une approche en terme de fonction frontière de coût pour l analysedelademanded énergieetdes possibilités de substitutions entre forme d énergies. 25 La principale difficulté rencontrée lors de la construction d un modèle économétrique inspiré de nos travaux théoriques est la non disponibilité de 25 Comparée à l approche en terme de fonction de coût, l approche par la fonction frontièredecoûtsupposequelecoûtdeproductionprésenteunécartparrapportaucoût minimum. 51

53 données techniques sur les équipements énergétiques. La mise à notre disposition relativement récentes de telles données par le CEREN devrait nous permettre de lever cet écueil. Une première analyse de ces données nous a cependant montré que ces données ne permettent pas, comme nous pouvions le penser, une application directe de notre modèle. En particulier, un élément qui complique grandement notre problème et la grande diversité des équipements existant dans les entreprises du secteur que nous avons finalement retenu avec l aide du CEREN : le secteur des matériaux de construction. 5 Conclusion Nos travaux de recherche au cours des 3 années passées comprennent des travaux économétriques et des travaux théoriques. Les travaux économétriques font appel à des modèles dont l utilisation a été validée par une ample littérature. Une partie de ces travaux a été orientée vers une comparaison des deux modèles effectivement disponibles afin de montrer leurs limites et illustrer la nécessité d une recherche visant à développer de nouveaux modèles économétriques. Nos résultats montrent en effet que ces deux modèles conduisent à des estimations des possibilités de substitution dans l industrie très significativement différentes. On explique aisément ce résultats par le fait que ces deux modèles reposent sur des hypothèses diamétralement opposées en ce qui concerne les technologies énergétiques : rigidité parfaite dans un cas, flexibilité parfaite dans l autre. Un autre volet de nos estimations économétriques a été orienté vers la recherche d une solution à deux problèmes économétriques non encore résolus dans la littérature. Le premier de ces deux problèmes est lié à la richesse de la base de données dont nous disposons. Ces données sont en effet des données de panels, nous disposons d observations sur plusieurs milliers d entreprises sur une période de 14 ans. L utilisation de telles données n est évidemment pas nouvelle et il existe une littérature très abondante sur la question. Ce- 52

54 pendant, dans notre cas particulier, lorsque nous estimons le modèle à technologie flexible, nous avons une difficulté supplémentaire à résoudre : dans un très grand nombre d entreprises, nous observons que certaines formes d énergie ne sont pas consommées. Estimer un modèle capable de traiter ce problème sur des données de panel n avait encore, à notre connaissance, jamais été réalisé. Enfin, nous avons également voulu tester l éventuelle présence de biais sur les valeurs estimées des élasticités, biais qui pourraient résulter d un niveau d agrégation trop élevé des différentes formes d énergie disponibles. Rappelons que l estimation du modèle économétrique était jusqu ici pratiquement impossible à réaliser dès que le nombre d énergies disponibles dépassait trois. L exploitation d une très récente littérature sur une méthode économétrique dite méthode du maximum de vraisemblance simulé nous a permis de réaliser une estimation d un système de demande comprenant les cinq formes d énergies effectivement disponibles dans le secteur de production étudié (papier carton). Dans une encyclopédie récente consacrée à l énergie, Kenneth B. Medlock écrit "When combined with energy-using capital equipment, energy provides the work necessary to produce good and services in both the industry and the household. As such, energy consumption, whether in the firm or household, is the result of a set of simultaneous decisions. Energy consumers must determine the quantity and type of capital equipment to purchase, where type is differentiated by technological characteristics such as efficiency and fuel input, and they must also determine a rate of capital utilization". 26. Cette phrase suggère une direction de recherche tout à fait conforme à celle que nous avons adoptée. Nos travaux théoriques nous ont en effet permis de proposer différents modèles, dans lesquels les rigidités de court terme des 26 Voir Cleveland J.(Editor in Chief), Encyclopedia of Energy, chapitre 2, The Economics of Energy Demand, pages

55 demandes d énergie sont prises en considération. Dans ces modèles, ce sont les équipements disponibles qui limitent la consommation d énergie ou les substitutions entre les différentes formes d énergie. Or, ces équipements sont choisis dans un contexte d incertitude sur les prix futurs des énergies et/ou sur la demande adressée à l entreprise. Cette dernière pourra donc se trouver dans une situation où les équipements préalablement choisis sont inadaptés à ses besoins. Le but ultime de ces recherches théoriques serait de déboucher sur un modèle économétrique nécessitant un échantillon d observation dont la construction serait réalisable. Les modèles théoriques faisant référence aux équipements utilisant l énergie, des observations sur les caractéristiques de ces équipements sont évidemment indispensables. De telles informations ont pu être réunies pour un secteur de production donné grâce au CEREN ; elles sont donc venues compléter, pour ce même secteur de production, la base de données tirée des enquêtes EACEI du Ministère de l Industrie. Nos efforts pour construire un modèle économétrique, dérivé des modèles théoriques que nous avons écrits, et compatibles avec les données dont nous disposons, sont proches d aboutir. Cependant il reste encore du travail à faire du fait d une difficulté que nous n avions pas anticipée et qui résulte de la très grande diversité des équipements utilisés dans les entreprises du secteur. De notre point de vue, le prolongement naturel de la recherche que nous avons réalisée est clair. L effort doit d abord être concentré vers l estimation de modèles permettant d estimer des élasticités de substitution sur des données individuelles d entreprises, telles que celles dont nous disposons, à l aide d un modèle économétrique dérivé de nos travaux théoriques. Bien sûr l estimation d élasticités de substitution n est pas un objectif en soit, derrière ces estimations se profile l intérêt majeur pour les décideurs, et par voie de conséquence pour les entreprises, de connaître les marges de manoeuvre réelles dont disposent les entreprises pour s ajuster à des politiques visant à 54

56 réduire les émissions de CO 2. Quelle que soit en effet la politique retenue en pratique, elle aura nécessairement pour conséquence d accroître les prix des énergies les plus carbonées relativement aux prix des énergies les moins carbonées. Ce sont donc bien les capacités de substitution entre les différentes formes d énergies des entreprises qui vont déterminer l efficacité et le coût économique de ces politiques. Les modèles économétriques que nous proposons pourraient servir à réaliser des simulations permettant d évaluer les enjeux de différentes politiques de réduction des émissions de CO 2, les coûts pour les entreprises résultant de différent niveaux de sévérité de ces politiques et enfin deproposerun rythme de mise en oeuvre de ces politiques fondé sur les capacités réelles des entreprises à s adapter. 55

57 6 Valorisation de la recherche 6.1 Conférences 1. Modeling Corner Solutions with Panel Data : Application to the Industrial Energy Demand in France 52ème Conférence de l Association Française de Sciences Economiques, Paris, Septembre th Annual Conference of The EARIE, Helsinki, Août 2003, Finland 20ème Journées de Microéconomie Appliquée, Universitéde Montpellier, Juin 2003, France 10th International Conference on Panel Data, Berlin, Allemagne, Juillet th Econometric Society European Meeting, Venise, Italie, Août th Annual Conference of The European Association for Research in Industrial Economics, Madrid, Espagne, ème Journées de Microéconomie Appliquée, Universitéde Rennes I, Juin 2002, France 7ème Conference des Jeunes Econométriciens,UniversitéLouis Pasteur, Strasbourg, France, Mai th Jamboree-Enter meeting, Université de Toulouse, Janvier Flexible versus Designated Technologies and Inter-Fuel Substitution International Energy Workshop (Energy Modeling Forum, International Energy Agency et IIASA) Standford, Juin èmes Journées de Microéconomie Appliquée (JMA 2004), 27 et 28 mai 2004, LILLE, France, 56

58 IAEE conference, May, 2004, Energy & Security in the Changing World, Téhéran, Iran. Séminaire, Direction de la Recherche GDF, Janvier Fuel-Switching Capability 26 th IAEE International Conference, Pragues, Juin Short-Term Inefficiencies from Long-Term Optimality in an Uncertain Environnement 6th IAEE European Conference Modelling in Energy Economics and Policy, Zurich, 2 et 3 septembre 2004, Séminaire de Recherche de l Université de Créteil, Février Publications 1. Bousquet A., Chakir R. et Ladoux N., Modeling Corner Solutions with Panel Data : Application to the Industrial Energy Demand in France Empirical Economics, Vol. 29, n 1, pp , January 2004, PANEL DATA : Theory and Applications, Series : Studies in Empirical Economics, ouvrage collectif, Baltagi, Badi H. (Ed.), Chakir, R.et Thomas, A., Maximum Simulated Likelihood Estimation of Firm Demand Systems with Corner Solutions and Panel Data : Application to Energy Demand, Revue d Economie Politique, n 6, novembre-décembre 2003, pp Bousquet A. et Ladoux N., Flexible versus Designated Technologies and Inter-Fuel Substitution, en 2ème lecture dans Energy Economics. 57

59 6.3 Thèse Chakir R., Analyse microéconométrique des substitutions inter-énergétiques : application au secteur bois et papier français, Thèse de Doctorat en Sciences Economiques soutenue à Toulouse le 28 Novembre

60 7 Annexes 59

61 Annexe 1 Copiedudocumentdetravail: Bousquet A. et Ladoux N., Flexible versus Designated Technologies and Inter-Fuel Substitution, mai, Cet article est en seconde lecture pour la revue Energy Economics. 60

62 Flexible versus Designated Technologies and Inter-Fuel Substitution Alain Bousquet and Norbert Ladoux y May 3, 2005 Abstract Zero demands for some types of energy are frequently observed in rm level data sets. To deal with this problem, two alternative solutions are retained in the literature: rstly, it can be assumed that the consumption of some kinds of energy is not allowed by the existing technology; secondly one can suppose that rms decide to use only some of the di erent kinds of energy allowed by the technology. In this paper we estimate the inter-fuel substitutions resulting from these two di erent situations. We take into account that increasing the price of an energy form possibly modi es the number of energy used by the rm. We show that even in this case an estimation of the elasticity of substitution can be obtained. The empirical results are based on a French manufacturing energy consumption survey. Key words : Energy demand, Censored regression, Inter-fuel substitution JEL Classi cation : 022, 212, 631, 723 We are grateful to the Institut Français de l Energie for its nancial research support, and to the SESSI for making the data avalaible to us. We would like to thank Anna Creti and two anonymous referees for their very helpful comments on an earlier draft of the paper. The authors are, of course, responsible for all errors and omissions. University of Toulouse, CEA and LERNA 21 allée de Brienne, Toulouse Cedex, tel: (33) , fax: (33) , y University of Toulouse, IDEI and LERNA 21 allée de Brienne, Toulouse Cedex, tel: (33) , fax: (33) , 1

63 1 Introduction Firm-level panel data sets reveal a salient feature of energy consumption: the great variability of energy uses. Examples of this variability include simultaneous adoption and abandon of some energy forms and large di erences in the level of energy consumption over time and across rms. This heterogenous behavior of rms with regards to energy consumption is observed even when relatively homogenous populations of rms are considered such as rms in the same industry. Most of the published research on industrial energy demand makes use of aggregated data. Among them the most often cited are Fuss (1977), Gri n (1977), Halvorsen (1977), Pindyck (1979), Hall (1983) and Magnus and Woodland (1987). Studies making use of individual data have most often focused on the residential sector (see Madlener (1996) for a survey). While demand theory commonly deals with situations where the demand is continuously variable, empirical works on residential energy demand are based on continuousdiscrete choice models (Dubin and McFadden (1984)). In this framework, the discrete fuel choice involves comparisons of indirect utility attached to various fuel systems. Consistent with the theory of consumer behavior, continuous equation describing energy use are derived from the indirect utility function by using Roy s identity (Hanemann (1984)). For industrial energy demand the di culty is similar but more severe because rms choose di erent fuel patterns (i.e. di erent combinations of di erent types of energy). As noted by Woodland (1993), the possibility of corner solutions leading to one or more zero values of some types of energy, can occur as a result of two alternative situations. First, di erent fuel patterns are determined by previous technology choice. In that case, for a given technology, some energy forms are required while other are not allowed. Firm behavior in the short run is restricted to the subset of energy forms allowed by rms technology. Later in the paper we will call such a case designated technology where zero demand are the result of an exogenous rationing 1. This is precisely the hypothesis assumed by Woodland (op.cit.) who estimates conditional production functions, that means as many production functions as signi cantly observed fuel patterns. Assuming that fuel patterns are the result of technological constraints, Bjorner and Jensen (2002) follow the same approach. The second approach considers that zero consumptions may instead be the result of cost minimization behavior leading to a corner solution. In this framework all types of energy can potentially be used since the technology is exible enough to allow substitutions between energy forms. This case 1 Given previous choice about the technology, ex-post the rm is like in a situation of exogenous rationing as some energy forms are not used whatever the level of energy prices. 2

64 will be called hereafter exible technology ; zero demand is the result of an endogenous rationing. Both multiple- red equipment and redundant or backup equipment can contribute to the switching capabilities between di erent kinds of energy. Then, if there are no switching costs, one or more energy forms cannot be used when their prices are su ciently high relative to their marginal contribution to output. Lee and Pitt (1987) and more recently, Bousquet and al (1989) and (1998) develop such a model and apply it on individual rms data. The objective of this paper is to compare the di erences in estimated inter-fuel substitution possibilities as measured under the two alternative assumptions about the energy technology leading to an energy demand system with ex-post exogenous or endogenous rationing. In section 2 we present the data base used in the econometric analysis. The two possible assumptions about energy technology are discussed in light of some empirical evidence. Section 3 deals with the two theoretical models and shows how signi cant is the di erence between the two modelling approaches. Section 4 and 5 are nally devoted to the empirical part of the analysis. 2 Heterogeneity in energy technology Depending on energy market conditions and plant characteristics, energy technologies di er by their input requirement set. The energy technology is a varied collection of equipment, like boilers, ovens, heating apparatus, power engines, steam generators,... designed to consume a single fuel or a combination of fuels. As a result, a given energy technology allows for a certain fuel substitution capability. As noted by Doms (1993) the literature on energy technology for manufacturing plants is scant. Without knowledge about plant s energy technology characteristics and the link with energy use, it is nevertheless possible to consider two extreme assumption corresponding to either designated or exible technology. It is then possible to explore one aspect of the manufacturing response to shocks in energy price and to highlight the importance of technology assumptions made in energy demand modelling. 2.1 Data description The data set for this study is a cross-section of establishments built from the Enquête Annuelle sur les Consommations d Energies de l Industrie. A general description of the energy survey and global statistics about energy consumption in the French industry are provided in the annual publication of the Ministère de l Industrie (see SESSI (1997)). The data set includes approximately 13,000 observations. The survey reports energy consumptions for 11 kinds of energy (3 types of coal or coke, 3 types of gas, 2 types 3

65 of oil, electricity, heating, and others energies like wood, wastes,...). The quantity of energy consumed is measured in ton of oil equivalent (toe) and in current Euro. Then, the energy prices are obtained for each plant by calculating the ratio of values over quantities. That means that prices in our data set are average prices over one year. 2 It should be recognized that average prices could be endogenous due to decreasing block pricing in relation with quantity consumed. But taking into account price endogeneity needs more information on rm s characteristics than we have. Moreover, prices does not depend on quantities consumed only, many other factors play an important role. Among them, peak-load pricing and transportation costs are certainly the most important. But, in a short term perspective, they can be considered as exogenous since rm s location is given, as well as wether or not the rms work in twenty four hours shifts. In practice, marginal prices are not observable in most manufacturing consumption surveys. As a result, most studies use average prices; recent examples are the papers by Bjorner and Jensen (2002a), (2002b), and by Woodland (1993). To our knowledge, Bjorner and al. (2001) is the only work where endogeneity bias associated with average prices is empirically investigated. 3 The authors conclude that the endogeneity bias is small. Finally, we can expect that the comparison, of the two alternative models we estimate, is not signi cantly a ected by a potential endogeneity bias. In the current study we focus on the substitution between three di erent energy inputs: gas, a composite good including natural gas and lique ed petroleum gas (LPG); oil products, a composite good including heavy oil and domestic fuel oil; electricity. To measure electricity consumption by rms, we use electricity purchases; therefore, the own-production of electricity by rms is not taken into account in our study. Note that only 5% of plants produce electricity by their own. We neglect rms that use coal, heating and other energy, since they are very few. The nal sample used for estimation includes observations. From table 1 we can deduce the percentage of rms using a given form of energy. While all rms use electricity, only one half of the sample use oil and less than two third use gas. 2 Of course, prices are not observable when a zero demand occurs. 3 Bjorner and al. (2001) use instrumental variables to correct endogeneity. They also analyze the endogeneity bias by splitting their sample into small, medium and large users of energy and re-estimate their model on the three sub-samples. 4

66 One group of rms uses all the three types of energy. This group represents less than one third of plants in the industry. Note that, as a consequence, zero expenditure observations frequently occur in our sample. The major pattern is a mix between gas and electricity. The case where electricity is the only fuel or energy source used represents a signi cant proportion of the sample (see table 1). Table 1: Frequency of fuel patterns Fuel pattern Frequency gas, oil and electricity 27% gas and electricity 38% oil and electricity 21% electricity 14% 2.2 Fuel pattern and assumptions about the energy technology Bjorner and Jensen (2002) observe that companies over time do not change frequently from one fuel pattern to another, and use this nding to justify the Woodland approach, assuming that fuel patterns are given in the short term. The point of view is di erent in the empirical study of Doms (1993), who shows clearly that rms could change rapidly their energy technologies and that a signi cant part of the technologies are exible. Moreover, the analysis based on the U. S. Manufacturing Energy Consumption Survey (henceforth MECS, see DOE/IEA (1994)), provides empirical evidence about the ability of rms to switch between di erent kinds of energy in the short run without changing the technology. In 1991, for instance, around 20% of manufacturing plants possess some capability to switch. The same year, the total capability to switch is estimated at 2.8 quadrillion Btu, that is 14% of the primary energy consumption in the manufacturing sector (which amounts to 20.3 quadrillion Btu). If necessary, 20% of Distillate Fuel Oil consumption could be replaced by other energy sources, this proportion is greater than 40% for LPG, coal and residual fuels. Natural gas appears to be an intermediate case with 35%. 4 This empirical evidence shows that substitution possibilities among energy sources could be very high for a minor but signi cant part of the industry and energy consumption. Switching capability is an important dimension of heterogeneity in energy technologies. For energy demand modelling 4 For the MECS, manufacturers are said to have a fuel-switching capability if they are able to meet their requirements for heat, power and electricty generation by substituting one energy source for another within 30 days without modifying the equipment that consumes the fuel and resuming the same level of production following the switch. 5

67 the consequence is that Woodland (1993) and Lee and Pitt (1987) are at the same time right and wrong, because a zero consumption for one kind of energy can be the result of an ex-post exogenous rationing as well as of an endogenous rationing, depending on the characteristics of the energy technology. 3 Models for inter-fuel substitution 3.1 Main assumptions Following Hudson and Jorgenson (1974) and Gri n (1977), we assume that the di erent energy inputs make up a separable and homogeneous energy aggregate. For this study, we are obliged to make this hypothesis since data on other inputs than energy, and output of the rms are unavailable. Stated alternatively, we are making an analysis focusing on substitution possibilities between the di erent kinds of energy and we do not take into account others forces driving energy demand. The substitution elasticities inside the energy aggregate are independent of inputs prices outside the aggregate and also independent of the production level. These assumptions allow us to estimate separately the unit cost function of energy. Formally our model assumes that the cost function is weakly separable between energy and the others inputs. The nal step toward the speci cation of the econometric model is the choice of a functional form to represent the energy technology. Among the most popular exible forms (the translog, generalized Leontief and symmetric generalized McFadden), the translog is clearly the most convenient in particular because it leads to a tractable econometric model in a context where the decision variables are censored. 5 The three kinds of energy inputs included in our model are indexed i = 1; 2; 3. 6 p i and x i (i = 1; 2; 3) are respectively the price and the quantity consumed of energy i. The total cost of energy is given by, p E E = X i=1;2;3 where p E and E denotes respectively the price index and the quantity index of the energy aggregate. Finally " i (i = 1; 2; 3) are disturbance terms assumed to be distributed N(0; ). The translog form of the unit cost function of energy, p E = C E (p 1 ; p 2 ; p 3 ), is then given by, 5 Our analysis could be made with other quadratic exible forms, but at a higher cost in term of estimation. The existing comparison between exible functional forms concerns monotonicity and concavity restrictions (see Terrel (1996)), not the properties with respect to zero demands. 6 Energy 1, 2 and 3 are respectively gas, oil and electricity. p i x i 6

68 ln(p E ) = 0 + 3X i ln p i i=1 3X 3X 3X ij ln p i ln p j + " i ln p i (1) i=1 j=1 i=1 where, ij = ji 8i; j = 1; 2; 3: (2) The linearly homogenous property in input prices of the unit cost function implies the following additional parameters restrictions, 3X i = 1; i=1 3X ij = 0 8i = 1; 2; 3: (3) j=1 From Shepard s lemma the value share of inputs are given by, w i = i + 3X ij ln p j + " i i = 1; 2; 3: (4) j=1 P Note that under (2) and (3), we necessarily have 3 P " i = 0 and 3 w i = The case of designated technologies Following Woodland (1993), we assume here that observed fuel patterns are simply the consequence of a previous choice among a set of designated technologies. This previous choice restricts the set of energy forms that can be used. Then the problem of the rm is to determine the optimal allocation of its energy needs over a given subset of the di erent kinds of energy The technology allows the rm to use all energy forms The parameters of the translog unit cost function (1) are estimated using the Zellner iterative method applied to the system of cost share equations, i=1 i=1 w 1 = ln p 1 p ln p 2 p 3 + " 1 ; w 2 = ln p 1 p ln p 2 p 3 + " 2 : Table 2 below gives the empirical results. 7

69 Table 2: Estimation when all energy forms are used parameter estimate standard error q E " q E " E (" 1 " 2 ) The technology excludes one form of energy The translog unit cost function of energy includes only 2 types of energy. Consequently, the system of value share equations is reduced to a single equation, w i = i + ii ln p i p 3 + " i ; where i = 1 when gas is excluded and 2 when oil is excluded. The empirical results are given in table 3 and 4. Table 3: Estimation when oil is excluded parameter estimate standard error q E " Table 4: Estimation when gas is excluded parameter estimate standard error q E " The technology excludes two forms of energy In this case there is no need for an econometric estimation; the only energy used is electricity (energy 3) then, w 1 = w 2 = 0 and w 3 = 1: 8

70 3.3 The case of a exible technology With a exible technology, each rm is able to meet its requirements for heat, power etc. by substituting one energy form for another without modifying the equipment that consumes the fuel and obtaining the same level of production after the switch. The exible technology assumption corresponds to the case where the energy technology allows the rm to change one kind of energy by another kind of energy at no cost 7 and for a constant production level. In this case a zero demand for one or more energies is the result of an endogenous rationing. Following Wales and Woodland (1983) and later on Lee and Pitt (1986) and (1987), the approach to the zero corner solution problem is based on the use of virtual prices. Virtual prices are those prices at which non-negativity constraints on input demands solve the analogous unconstrained cost minimization problem; in other words, they are prices at which the rm would be on the margin of consuming non used inputs. At that prices, the so called notional demand of input and the observed demand are the same whatever the observed demand is. If the market price is higher than the virtual price, the notional input demand is negative, which results in zero observed demand. 8 This approach characterizes a fuel pattern by a set of inequality and equality conditions where for each zero demand virtual prices are lower than market prices and respectively for each positive demands virtual prices and market prices are the same. A complete treatment of the theory of virtual prices can be found in Neary and Roberts (1980) and in Pudney (1989). Their models provide directly the econometric speci cation which enters the generalized Tobittype model. The main di erence with a multiple censored regression is that virtual prices are endogenous thresholds explaining zero demands. These thresholds depend on the parameters of the model and are speci c to each fuel pattern. To derive the likelihood function for this model, we need to distinguish the di erent fuel patterns. A fuel switching technology could lead to = 7 possible fuel patterns. As all rms in the sample use electricity we may observe = 4 fuel patterns only. To characterize these 4 di erent cases, we introduce the following notations: w i and ~w i are respectively the observed and the notional value shares of input; PE XXX is the unit cost of energy when all energy forms are used (XXX means gas, oil and electricity are used); 7 Excepted of course the di erence between the cost of energy purchase after and before the switch. 8 In this paper, since we use a translog speci cation of the unit cost function, we estimate value share of inputs. Thus, the di erent fuel patterns will be characterized through the concept of notional value share of input instead of notional demand of input. 9

71 PE OXX, PE XOX and PE OOX are similarly de ned ( O means not used) Fuel pattern XXX: No binding non negativity constraint This case corresponds to an interior solution of the producer s optimization program. All types of energy are used, then notional demands coincide with observed demands, from (4) we have, ew i (p 1 ; p 2 ; p 3 ) w i = i + Similarly we have from (1), 3X ij ln p j + " i 8i = 1; 2; 3: (5) j=1 ln p XXX E C E (p 1 ; p 2 ; p 3 ) = P P 3P i ln p i + 1 P 2 ij ln p i ln p j + 3 " i ln p i : i=1 i=1 j=1 i=1 (6) Fuel patterns OXX or XOX: One binding non negativity constraint There is now one corner solution only. The observed zero demand is the result of an endogenous rationing. When zero demand occurs for input 1, 9 the virtual price of input 1, denoted by 1, is solution to, ew 1 ( 1 ; p 2 ; p 3 ) = w 1 = 0: This fuel pattern occurs when the price of energy 1 is too high, the condition is, p 1 1. Then in this case, provided that 11 < 0, it can be shown that we have ew 1 (p 1 ; p 2 ; p 3 ) < 0. Substituting 1 for p 1 into the notional cost share for input 2 and 3 de ned by (5) gives after straightforward computations the analytical expression of the cost shares of input 2 and 3, ew 2 ( 1 ; p 2 ; p 3 ) = w 2 = ( ( )) + ( 22 ) ln p 2 ; p 3 ew 3 ( 1 ; p 2 ; p 3 ) = w 3 = 1 w 2 : Similar computations gives the expression of the unit cost function of energy for this fuel pattern, 10 9 The case where zero demand occurs for input 2 can be derived by symetry. 10 Virtual prices are used in the same way by Thomsen (2000) to determine the short run restricted cost function in a quasi- xed capital model. 10

72 ln p OXX E = C E ( 1 ; p 2 ; p 3 ) = ( ) ( ( )) ln p 2 p 3 + ln p ( ) ln p 2 11 p 3 : (7) Note that the constant term of this conditional cost function comprises the term 1 ( ) 2 2 > 0 as < 0. This re ects the cost of the binding non-negativity constraint on input Fuel pattern OOX: Two binding non negativity constraints We consider here the case with two corner solutions. The virtual prices of input 1 and input 2 are obtained by solving the simultaneous equations system, ~w 1 ( 1 ; 2 ; p 3 ) = w 1 = 0 ew 2 ( 1 ; 2 ; p 3 ) = w 2 = 0; and this fuel pattern occurs when prices for energy 1 and 2 are such that p 1 1 and p 2 2. As input 3 is the only input used we necessarily have 11 ~w 3 ( 1 ; 2 ; p 3 ) = w 3 = 1. The energy unit cost function under OOX regime is given by the price of energy 3 up to a constant term, ln p OOX E = C E ( 1 ; 2 ; p 3 ) = (1 + 1 ) ( )( ) 12 +( ) ln p 3 : (8) To understand why there is a constant term in (8), we must remember that when the only input used is input 3, the optimal demands for input 1 and 2 are negative. Then, zero demands for input 1 and 2 are not necessarily optimal in our model. The constant in (8) re ects the cost resulting from the fact that the non negativity constraints on input 1 and 2 are binding Estimation The estimation is based on the method of maximum likelihood. Our model is a discrete/continuous choice model but, contrary to most of the models of this type, the discrete choice (the choice of the fuel pattern) and the continuous choice (the level of demand) are here derived from the same cost 11 Of course, substituting the expressions giving virtual prices for input 1 and 2 into the notional cost share for input 3 gives ~w 3 = 1. 11

73 minimization problem. Consequently, the decision rules for the discrete and continuous choices depend on the same set of parameters and errors terms. Following Van Soest and Kooreman (1990), it is well known that this econometric model is correctly speci ed only if certain coherency conditions are satis ed. In generalized Tobit models, a model is de ned to be coherent if, for each possible values of the regressors and the errors terms, there exists a unique value for the endogenous variables. Coherency is clearly a minimal requirement for model speci cation. For binding non-negativity constraint, Van Soest and Kooreman show that coherency conditions are necessarily satis ed when the cost function is globally concave. In our case estimations we do not impose the conditions that make the translog cost function globally concave, but we check them ex-post. ~w 2 6 ~w ~w 1 = 1 23 ~w 1 13 ~w 2 = 13 ~w ~w 1 = 0 OXO 23 ~w 1 13 ~w 2 = 23 OXX 1 XXO 0 XXX 1 XOO - ~w 1 OOX XOX ~w ~w 2 = 0 ~w ~w 2 = 1 Figure 1 Coherency conditions. 12

74 Figure 1 is like a map of the di erent fuel pattern, given possible values of notional cost shares. Another look at coherency conditions could be provided by the comparison of conditional unit cost functions across the di erent fuel patterns. It is easy to show that coherency conditions ensure that rms are able to minimize cost over the di erent fuel patterns. As a consequence, the rm can choose a (unique) fuel pattern corresponding to the lower cost among the set of alternatives. This means that we need a globally concave cost function to be sure that the discrete choice model gives us the optimal cost (see Blundell and Smith 1994). We do not illustrate here the way to build the likelihood function of this model, a complete description is given by Bousquet and Ivaldi (1998). As in generalized Tobit models, the likelihood function involves for each fuel pattern the product of a probability and a conditional density function corresponding to the discrete and continuous choice among the three energies we consider. Assuming a bivariate normal distribution for the additive error terms in the relative costs shares ( 1 ; 2 ), the likelihood function could be written in a closed form. As the prices associated to zero demands are not observable, we need an additional hypothesis. We consider that non-observed prices are equal to the maximum price from the observed distribution of energy prices. 12 Table 5 : Estimation results for a exible technology parameter estimate standard error q E " q E " E (" 1 " 2 ) As in the previous estimations, all the parameters are signi cant at 1% level. Another way to check the quality of the estimates is to compare the observed fuel patterns with the one predicted by the model. Table 6 below 12 A similar solution is taken in labor supply models where the wage for an unemployed is taken as the minimum value found in the observed wage distribution. Here, we have replicated the estimation when, instead of the maximum price, we use the upper centile of the price distribution; we have found very little di erences in the estimation results. No consumption of a given energy form could be the result of geographical conditions (higher transportation costs for instance) - as suggested by a referee. Our sample does not reveal this kind of e ect. 13

75 shows that the prediction is globally acceptable; 98% of rms using a mix of gas and electricity and 94% of rms using a mix of oil and electricity are correctly predicted. The prediction is less good for rms using all the three energy inputs, since only 39% of these rms are predicted in this fuel pattern. For these rms, the model often predicts that the optimal fuel pattern is a mix between gas and electricity. When electricity is the unique energy source the prediction is only correct for 56%; 44% of rms using electricity alone are predicted to use also oil. Overall, the t is pretty good since predicted and observed fuel patterns are the same for more than 75% of the rms in our sample. Table 6: Predicted fuel patterns vs observed one predicted patterns observed patterns Gas+Oil+Elec. Gas+Elec. Oil+Elec. Elec. Total Gas+Oil+Elec Gas+Elec Oil+Elec Elec Total Price Elasticities Price elasticities are de ned by, e ij ln x ln p j de=0;dpk =0 8k6=j (9) to, Using Shephard s lemma, it can be easily shown that (9) is equivalent where C i and C ij are respectively given by, e ij = p jc ij C i 8i; j = 1; 2; 3: (10) C ln p ln p i ; i = 1; ; 3 C 2 ln p ln p ln p j ; i; j = 1; ; 3: 14

76 Using (10), straightforward computations show that in the translog case we have, e ij = ij + ^w i ^w j w i ; i 6= j; (11) e ii = ii + ^w 2 i ^w i ^w i ; (12) where ^w i is the expected value of the relative share of energy i. We can easily use (11) and (12) to determine price elasticities in the case of a designated technology. In the case of a exible technology a change an input price can move consumption smoothly within a single fuel pattern, or yields to a drastic change in consumption when the rm changes its fuel pattern. This discontinuity of the demand behavior precludes as from obtaining an analytical expression of the price elasticities. Nevertheless, we know that price elasticities are de ned for a marginal change of an input price. In practice, as very few rms are located at the frontier between two fuel patterns, a marginal increase of an energy price is not su cient to change their fuel pattern. 13 The elasticities we compute can then be seen as conditional elasticities to fuel patterns and obtained through the following process: 1. given the vector of observed prices of the di erent energy forms, the optimal fuel pattern is estimated for each rm; 2. the partial derivatives appearing in (10) are evaluated by using the GRADP and HESSP routines of the GAUSS software applied to the unit cost function given by (6), (7) or (8) depending on the fuel pattern the rm has chosen. These calculations are useful to make comparisons between price elasticities derived from the two models. Next section analyses the consequences of possible transition between fuel pattern in response to a signi cant price increase. We provides in tables 7 and 8 the estimated price elasticities averaged over rms in each fuel pattern under the hypothesis of designated and exible technologies respectively. Tables 9 and 10 provides the same averaged elasticities but over the whole sample. All of these tables present the averages of individual elasticities weighted by the rm s total energy consumption Typically the GAUSS routines use a 10 5 increase of the variable with respect to which the derivative is calculated. For such a variation of one energy price, none of the rms switch to a new fuel pattern. To observe several rms switching, we must use at least a 1% increase of one energy price. 14 This calculation, as suggested by an anonymous referee, makes the elasticities easier to compare with interfuel substitution possibilities estimated over aggregated data. For table 7 and 8, we provide in annex the simple averages elasticities. 15

77 Two main conclusions arise from tables 7 and 8. Firstly, it appears that inter-fuel substitution possibilities are higher for rms using the three energy forms compared to rms using two kinds of energy only, whatever the technology is supposed to be: designated or exible. In table 7, oilprice elasticity is 2:94 when rms use all kinds of energy while it is 1:47 when rms use oil and electricity only. The same elasticities in table 8 are respectively 7:02 and 1:94. Secondly, the two alternative models we use give very di erent results about the substitution possibilities between energy forms. For instance, ownprice-elasticities for gas, oil and electricity are respectively 1:79, 2:94 and 0:72 when rms have a designated technology while they are respectively 3:12, 7:02 and 1:18 when rms have a exible technology (this when all kinds of energy are used). A last comment applies to both tables, oil is clearly much more sensitive to its own price than gas and electricity. Table 7: Price elasticities in the case of designated technologies fuel pattern Gas+Oil+Electricity Gas+Electricity Oil+Electricity gas oil elec. gas oil elec. gas oil elec. Gas 1:79 0:59 1:19 1:42-1: Oil 1:57 2:94 1: :47 1:47 Elec. 0:49 0:22 0:72 0:64-0:64-0:43 0:43 Table 8 : Price elasticities in the case of exible technologies fuel pattern Gas + Oil + Electricity Gas + Electricity Oil + Electricity gas oil elec. gas oil elec. gas oil elec. Gas 3:12 1:49 1:62 4:92-4: Oil 3:50 7:02 3: :94 1:94 Elec. 0:61 0:56 1:18 0:72-0:72-0:82 0:82 Tables 9 and 10 give these elasticities averaged over the whole sample. Comparing tables 9 and 10 shows that in the model where the technology is considered as exible, the elasticities are, of course, bigger in absolute value, than in the model where the technology is considered as designated. The empirical 95 % con dence intervals of the elasticities appearing in tables 9 and 10 call for several remarks 15. First they are smaller in the designated 15 The estimated distribution of price elasticities (not reported here) are in general very skewed. Moreover they present a probabilty mass at zero, wich explain the lower bound of the empirical con dence intervall. As fuel patterns do not change when a price is increased at the margin, zero demand do not change as well. Then, own and cross-price elasticities are zero for many rms. 16

78 case than in the exible one. This of course is the result of the less constrained model we use in the exible case. Something strange, a priori, is the very high absolute value of the elasticities in some cases. This is a feature of the Translog model that the elasticities explode when factor share approaches zero (see equations (12) (11)). Gas Oil Table 9 : Price elasticities in the case of designated technologies Gas Oil Elec. 1:42 0:30 1:11 ] 3:16; 0[ ]0; 1:10[ ]0; 2:30[ 0:81 1:66 0:84 Electricity Gas Oil ]0; 2:64[ 0:48 ]0; 0:76[ ] 4:59; 0[ 0:15 ]0; 0:53[ ]0; 1:98[ 0:63 ] 0:82; 0[ Table 10 : Price elasticities in the case of exible technologies Gas Oil Elec. 1:92 0:34 1:57 ] 6:09; 0[ ]0; 2:22[ ]0; 4:19[ 0:81 2:10 1:29 Electricity ]0; 6:53[ 0:65 ]0; 1:08[ ] 20:93; 0[ 0:20 ]0; 0:97[ 5 The consequences of a carbon tax ]0; 15:18[ 0:85 ] 1:31; 0[ As noted above, rms do not changes their fuel pattern in response to a marginal price increase of a given energy form. But in the real world, signi cant changes of relative energy prices are in the realm of possibility. In the past, such changes were often the result of oil shocks but today environmental policies should are going to play an important role in the future. Among them, energy policies aiming at reducing CO 2 emissions are of particular interest. Clearly the response to a drastic change in relative energy prices is expected more signi cant in the exible technology model than in the designated technology speci cation, as in the former rms can switch to a new fuel pattern. This section is devoted to determine the sensitivity of the estimation from the two models when a carbon tax is introduced. Following Bousquet and al. (2004), we use a tax of 30 Euro per ton of carbon. Using the carbon content of the di erent kinds of energy, we can translate the carbon tax in price increase for each form of energy as shown in table

79 Table 11: Carbon content of the di erent energy forms 16 tc/toe Price increase Gas 0:65 +19% Oil 0:89 +26% Electricity 0:00 0% In the case of a exible technology energy consumptions that prevail after the implementation of the carbon tax are calculated in three steps, 1. we compute relative energy prices resulting from the implementation of the carbon tax; 2. we determine the rm s optimal fuel pattern; 3. we derive the optimal demand for each energy forms. Table 12 gives the aggregate changes in energy consumption and in CO 2 emissions resulting from the carbon tax. Table 12: CO 2 Emissions Designated technology Flexible technology Gas 17% 25% Oil 24% 45% Electricity +8% +11% CO 2 emissions 20% 33% This table shows that CO 2 emissions reductions can be misestimated by one third if the hypothesis on the technology, exible or designated, is wrong. For oil demand, the most pollutant energy, the misestimation is close to 50%. When the technology is considered as exible of course, the way the rms are distributed among the di erent energy patterns plays an important role. As shown in table 13, there is a very important change in the fuel pattern frequencies when a carbon tax is imposed. The number of rms changing their fuel pattern is particularly high for those using all energy form before the energy prices changes. There are 2 times less rms using all forms of energy after the tax than before. Clearly, rms substitutes oil to gas and electricity. 16 The 0 carbon content of electricity is explained by both the high level of nuclear share in the electricity production in France and because industrial demand is mainly base load demand. 18

80 Table 13: Number of rms following the di erent energy patterns energy pattern estimated before tax estimated after tax Gas + Oil + Elec Oil + Elec Gas + Elec Elec From these results, the model choice appears as having an important consequence on the measurement of substitution possibilities between energy forms. Certainly more important than it is generally considered in the literature. As we know the level of exibility of the technology is certainly between the two extremes assumptions we have studied in this paper. This calls for future research aiming at nding a new way for building model of producer behavior, and at including data on technology characteristics in energy demand modelling. 6 Conclusion The present study is to our knowledge the rst attempt to evaluate the consequences on individual data of the usual assumptions made on energy technology. Using a unique data set, the French manufacturing energy consumption survey, we estimate energy technology under two extreme assumptions depending on the assumed exibility of the technology. In the literature about energy demand modeling it is well known that rms do not use in general all kinds of energy. Zero demands could be interpreted as zero corner solution derived from a exible technology (Lee and Pitt 1987) or could be simply determined by the technology (Woodland 1993). Under these two possible assumptions about the energy technology, this paper shows by how much the estimated inter-fuel substitution di ers. The di erences between the inter-fuel substitution elasticities in the two models induce large di erences in the predicted energy mix as a response to a change in the relative price between electricity, natural gas and oil products. This research outlines the importance of a proper estimation of inter-fuel elasticities and the consequences for greenhouse gas abatement policies. In the real world energy technology is probably in between the two extreme assumption made in this paper. It is di cult to keep the same framework to test a mix of these two assumptions. The reason for that is quite simple and could be shown through an example. Consider a particular rm with positive demands on electricity and gas. Since oil is not consumed we could consider that oil is not used because its price is too high if the technology is exible, or we could consider alternatively that the technology do not allows the use of oil. Clearly, we have not considered all the possible cases 19

81 of the underlying technology. A zero demand for oil, could occur when the rm have a dual red equipment using oil or gas and a speci c equipment using electricity only. This example corresponds to an intermediate case of a exible technology between oil and gas and a designated technology for electricity. We know that with three inputs we may have seven fuel patterns. If we consider that the technology are designated, perfectly exible with respect to all inputs, or partially exible (with respect to two inputs in our case), then it is easy to see that all the observed fuel patterns could come from 14 di erent technologies. As a consequence, the mix of exible and designated technologies involve a large set of possible choices. To analyze more accurately interfuel substitution within industrial companies a particular attention must be paid to technology characteristics and in particular in energy consumption surveys. In practice, we know that energy needs are closely connected to the installed capital equipment, at least in the short run. Energy demand must therefore be part of a more general model considering the rms decision process on investment, installation and replacement of capital equipment. 20

82 7 References Blundell, R. and, R.J. Smith (1994). Coherency and Estimation in Simultaneous models with Censored or Qualitative Dependent Variables. Journal of Econometrics, 64, Bjorner, T.B. and, H.H. Jensen (2002a). Inter-fuel Substitution within Industrial Companies: an analysis based on panel data at company level. Energy Journal, 23(2), Bjorner, T.B. and, H.H. Jensen (2002b). Energy taxes, Voluntary agreements and investment subsidies- a micro-panel analysis of the e ect on Danish industrial companies energy demand, Resource and Energy Economics, 24, Bjorner, T.B., M. Togeby and, H.H. Jensen (2001). Industrial companies demand for electricity: evidence from a micro-panel, Energy Economics, 23, Bousquet, A., M. Ivaldi and, N. Ladoux (1989). La demande d énergie des industries laitières: une analyse micro-économique. Economie et Prévision, 91(5), Bousquet, A. and, M. Ivaldi (1998). An Individual Choice of Energy Mix. Resource and Energy Economics, 20, Bousquet A., R. Chakir and, N. Ladoux (2004). Modelling Corner Solutions with Panel Data: Application to the Industrial Energy Demand in France. Empirical Economics (29), Browning, M. J. (1983). Necessary and Su cient Conditions for Conditional Cost Functions. Econometrica, 51(3), DOE / IEA (1994). Manufacturing Consumption of Energy Energy Information Administration, U.S. Department of Energy. Doms, M. E. (1993). Interfuel Substitution and Energy Technology Heterogeneity in U.S. Manufacturing, Working paper 93(5), Center for Economic Studies. Dubin, J.A. and, D.L. McFadden (1984). An Econometric analysis of residential Electric Appliance Holdings and Consumption. Econometrica 52(2), Fuss, M.A. (1977). The Demand for Energy in Canadian Manufacturing: an example of the estimation of production function with many inputs. Journal of Econometrics 5,

83 Gri n, J.M. (1977). Inter-fuel Substitution Possibilities: a translog application to intercountry data. International Economic Review 18(3), Hall, V.B. (1983). Industrial Sector Interfuel Substitution Following the First Major Oil Shock. Economics Letters 12, Halvorsen, R. (1977). Energy Substitution in U.S. Manufacturing. Review of Economics and Statistics 59(4), Hanemann, W.M. (1984). Discrete/Continuous Models of Consumer Demand. Econometrica 52(3), Hudson, E.H. and, D. W. Jorgenson (1974). U.S. Energy Policy and Economic Growth Bell Journal 5, Johnson, N.L. and, S. Kotz (1973). Distributions in Statistics: Continuous Multivariate Distributions. Wiley. Lee, L.F. and, M.M. Pitt (1986). Microeconometric Demand Systems with Binding Nonnegativity Constraints: The dual approach. Econometrica 54(5), Lee, L.F. and, M.M. Pitt (1987). Microeconometric Models of Rationing, Imperfect Markets, and Non-Negativity Constraints. Journal of Econometrics, 36, Madlener, R. (1996). Econometric Analysis of Residential Energy Demand: A Survey. The Journal of Economic Literature, 2(2), Magnus, J.R. and A.D. Woodland, 1987, Inter-Fuel Substitution in Dutch Manufacturing, Applied Economics, Vol.19, Neary, J. P. and, K.W.S. Roberts (1980). The theory of household behavior under rationing. European Economic Review 13, Pindyck, R.S. (1979). Inter-fuel Substitution and the Industrial Demand for Energy: an international comparison. Review of Economics and Statistics 61(2), Pudney, S. (1989). Modeling Individual Choice: The Econometrics of Corners, Kinks and Holes. Oxford, Blackwell. SESSI (1997). Les consommations d énergie de l industrie française. Service des Statistiques Industrielles, Ministère de l Economie des Finances et de l Industrie. 22

84 Squires, D. (1994). Firm Behavior Under Input Rationing. Journal of Econometrics, 61, Terrell, D. (1996). Incorporating Monotonicity and Concavity Conditions in Flexible Functional Forms. Journal of Applied Econometrics. 11, Thomsen, T. (2000). Short cuts to dynamic factor demand modelling. Journal of Econometrics 97, Van Soest, A. V., and P. Kooreman, 1990, Coherency of Indirect Translog Demand System with Binding Non-Negativity Constraints, Journal of Econometrics, 44, Wales, T.J. and, A.D. Woodland (1983). Estimation of consumer demand systems with binding non-negativity constraints. Journal of Econometrics 21, Woodland, A.D. (1993). A Micro-Econometric Analysis of the Industrial Demand for Energy in NSW. The Energy Journal, 14(2), Annex The following tables provides simple average elasticities in each fuel pattern. They must be compared with weighted average elasticities provided in table 7 and 8. Table 14: Price elasticities in the case of designated technologies fuel pattern Gas+Oil+Electricity Gas+Electricity Oil+Electricity gas oil elec. gas oil elec. gas oil elec. gas 1:81 0:59 1:22 1:45-1: oil 4:01 6:83 2: :36 1:36 elec. 0:47 0:21 0:68 0:62-0:62-0:45 0:45 Table 15: Price elasticities in the case of exible technologies fuel pattern Gas + Oil + Electricity Gas + Electricity Oil + Electricity gas oil elec. gas oil elec. gas oil elec. gas 5:23 2:64 2:58 2:10-2: oil 5:81 11:50 5: :30 5:30 elec. 0:55 0:51 1:07 0:80-0:80-0:64 0:64 23

85 Annexe 2 Copie de l article : Chakir R. et Thomas A., Simulated Maximum Likelihood Estimation of Firm Demand Systems with Corner Solutions and Panel Data : Application to energy demand, Revue d Economie Politique, n 6, novembre-décembre 2003, pp

86

87

88

89

90

91

92

93

94

95

96

97

98

99

100

101 Annexe 3 Copie de l article : Bousquet A., Chakir R. et Ladoux N., Modeling Corner Solutions with Panel Data : Application to the Industrial Energy Demand in France, publié dans Empirical Economics, n 1, pp , janvier 2004 et repris dans l ouvrage collectif, Panel Data : Theory and Applications, Physica-Verlag, series : Studies in Empirical Economics, Baltagi, B. H. (Ed.),

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118 Annexe 4 Copiedudocumentdetravail: Billette de Villemeur E., Bousquet A. et Ladoux N., Short-Term Inefficiencies from Long-Term Optimality in an Uncertain Environment, Juin,

119 Short-Term Ine ciencies from Long-Term Optimality in an Uncertain Environnement Etienne Billette de Villemeur University of Toulouse (IDEI and GREMAQ) Alain Bousquet University of Toulouse and CEA (IDEI and LERNA) Norbert Ladoux University of Toulouse (IDEI and LERNA) (Preliminary, comments welcome) May 25, 2005 Abstract This paper studies the optimal choice of equipment size and capacity in an uncertain environnement. Although optimal in the longterm, the investment decisions of the rm limit its input-switching capability in the short-term. Input switching is the extend to witch a producer can reduce the use of one type of production factor and uptake of another source of input in its place. In a context where input prices uctuate, input-switching capabilities put an upper-limit to the achievable level of productive e ciency. By enhancing the consequences of long-term decisions on the short-term possibilities of the rm, this paper provides micro-foundations for cost ine ciency. We exhibit the optimal choice for capacity and display the consequences of this (long-term) decision on the demand for inputs in the short-term and the production costs that derives from it. We thank IFE for nancial support. Corresponding author University of Toulouse, Manufacture des Tabacs, 21 allée de Brienne, Toulouse Cédex, tel: +33 (0) , fax: +33 (0) , 1

120 1 Introduction In many situations the level of input demand is subject to quantity rationing. The competitive rm behavior under input rationing has been studied by Squires (1994), and Lee and Pitt (1987). Supply disruptions or market regulation by quotas are the most often cited examples of cases implying limits in the quantity of inputs available. In this literature, no attention has been paid to the case in which the maximum amount of input that could be used, is in fact the consequence of an endogenous choice about the production technology. Input rationing could be the result of a rm making decision in a two-stage process. First, an investment is made to put production capacity in place, prior to the knowledge of the market price. Second, a choice is made concerning capacity utilization given the state of the nature. In this paper we focus on the e ect of uncertainty on production decision in a situation where rst, the input use is restricted by technical constraint and second, this constraint level depends only on the capacity choice in the equipment allowing the use of the input. In fact, we consider a simple model where we assume that present investment volume, corresponding to the size of the equipment, determines the maximum amount of input the rm will be able to use in the future. From this perspective, our approach belongs to the literature on investment (Abel 1996, Dixit and Pindyck 1994) and follows the research on rm behavior under uncertainty (Sandmo 1971, Wolak and Kolstad 1991). Energy is a good example as energy use requires always some equipment and energy prices are uncertain. Once the rm has chosen an equipment, the energy consumption will be necessarily less than a given threshold depending on the power, energy e ciency and others characteristics of the equipment. Clearly large industries often have the capacity of using either oil, natural gas, coal or electricity, to fuel their operation and of making a switch between energy factors on short notice, EIA (1994). This example shows that such rms by choosing probably large energy equipment size can reduce dependence upon a single fuel source. Fuel switching capability is the ability of an end user to readily change fuel type consumed whenever a price or supply advantage develops for an alternative fuel. Electricity generation is a another good example to illustrate a situation concerning plant capacity and fuel use to produce electricity with uncertainty about energy price and demand. Given the high capital intensity of the generation sector, the distinction between long- and short-run fuel substitution possibilities is important. As noted by Söderholm (2001) electric utilities are able to use a variety of fuels and switch between them, which gives some short-run exibility. In dual or multi- red plants switching can occur within 2

121 a day. But, there is also the exibility permitted by variations in the use of single- red capacity. A rm generally owns several generating plants and units, which may burn di erent fuels. The fuel mix in the short and the long-run could be changed when fuel prices changes the merit order of plants using di erent fuels. 2 Input Price Uncertainty This section provides a simple model of a competitive rm with input price uncertainty. The horizon is two periods. In our model the production decision is made in two stages : an ex-ante plan and an ex post plan. Ex ante, the price of input is unknown and the rm is making an investment decision consisting in a choice of equipment size which introduce an upper limit in the total amount of input that could be used in second period. ex post, the equipment and so the maximal amount of input that could be used is given and the price of input is known. The rm cannot adjust the size of the equipment but can choose a low rate of use of its capital if the realized price of the input is too high. The two-stages production decision problem is solved backwards. 2.1 Firm Behavior Under Input Rationing We consider the simple case of a production technology with two inputs where use of input 1 requires some equipment. Moreover the size of this equipment denoted by x 1 leads to a constraint on the total amount of input 1 that could be used, written as x 1 x 1. Note that input use and input capacity are expressed in the same unit 1. In the ex post program corresponding to the second period, the rm minimize short-run costs given input capacity constraint and the realized price for input 1. At this stage, the model describes the rm behavior under an exogenous input quantity constraint. As a consequence the framework is the same as in Squires (1994). 1 For example, electric power is produced by combining fuel and equipement, and the range of available equipement can be fully de ned by the equipement s size (KW capacity) and the equipement s fuel requirements. Ignoring labor requirements, maintenance requirements and the fact that heat rate varies nonlinearly with the percent of plant capacity used at any instant, the ex post production function for a plant can be de ned by a xed coe cient prodution function. See Stewart (1979) for a more general discussion of this point. 3

122 We consider the case where two inputs are essential (binding non-negativity constraints will be discussed in further development). The production function y = f(x 1 ; x 2 ) is assumed to have standard regularity conditions. We assume rst that the cost of the equipment depends only on its size and second, that the marginal cost by unit of capacity of the equipment is constant 2 and equal to c 1. The ex post cost minimization program is Min p 1 x 1 + p 2 x 2 + c 1 x 1 ; x 1 ;x 2 Subject to y = f(x 1 ; x 2 ), and x 1 x 1 : Following the virtual prices approach rst developed by Rothbarth (1941) and re ned by Neary and Roberts (1980), the optimal demand will be 8 >< >: x 1 x 2 if p 1 1 ; x 1(p 1 ; p 2 ; y) x 2(p 1 ; p 2 ; y) if p 1 > 1 : Where 1 is the virtual price of input 1 at which the unconstrained demand for input 1 is exactly equal to x 1. A complete characterization of the virtual price can be found in Lee and Pitt (1987) in particular it could be written as a function 1 (x 1 ; p 2 ; y): Finally x 2 follows directly from the production function constraint y = f(x 1 ; x 2 ) 3. The following gure illustrate the solution. In the short term the maximum amount of input 1 the rm can use is limited by x 1 and the isoquant is an arc with an extrema points x 1 ; x 2. For a given capacity level, the ability to switch between the two inputs depends on the realized price and is limited. We distinguish substitution possibilities and switching capacity simply to keep in mind that the marginal rate of technical substitution is a local measure while the switching capacity is a global one and represents the extend of substitution possibilities in the short run. 2 This is the nal simpli cation. Firms could choose simultaneously the quantity and the quality of capital good. See Muller (2000) and their extension of the putty-clay model of capital and energy of Atkeson and Kehoe (1999). 3 A formal presentation is x 2 = x 2 (x 1 ) such that y f(x 1 ; x 2 ). Note that we have dx 2 dx 1 1;x 2 = 1 p 2. This follows directly from the de nition of the virtual price which is de ned as an implicit function 1 (x 1 ; p 2 ; y) by the restriction that it is the price which would induce an unconstrained rm to purchase the ration level x 1. As a consequence at this point, the marginal technical rate of substitution is equal to 1 p 2. 4

123 Figure 1 x 2 6 y = f(x 1 ; x 2 ) x 2 1 p 2 ix X X XX s XX z 0 x 1 - x Optimal Input Capacity In the ex ante plan the rm chooses the amount of capital input which determine the threshold x 1 knowing only the probability distribution of input price. We consider now the ex ante problem which correspond to the choice of the input capacity constraint x 1. Here we consider the case of input price uncertainty where p 1 is assumed to be a random variable with density function (p 1 ), cumulative density function (p 1 ) and with p 1 2 [0; +1[. For sake of simplicity, we assume that the level of production is made prior to the knowledge of the input price. Ex ante the program of a risk neutral rm can be written as Min x 1 Z 1 0 (p 1 x 1 + p 2 x 2 )(p 1 )dp 1 + Z +1 1 (p 1 x 1 + p 2 x 2)(p 1 )dp 1 + c 1 x 1 : (1) For each possible capacity level the rm faces two cases depending on the ex post realized price. If the price of input 1 is low enough the rm would use a huge amount of this input but the rm may be constrained by the installed input capacity level. Otherwise, if the price is high there is in some sense 5

124 a reserve capacity, the optimal level of input demand being lower than the input capacity constraint. The rm s trade-o is simple, by choosing a large capacity x 1 the rm is able to reach allocative e ciency for a large range of possible prices p 1 but this capacity has a cost. Simple manipulation of the rst order condition leads to ( 1 ) [ 1 E(p 1 =p 1 1 )] = c 1 : (2) The optimal level of capacity is such that the expected marginal gain in allocative e ciency is equal to the marginal cost in capacity. A very important remark is that last equation can be solved rst in 1 and, in a second step x 1 can be determined as a function of the virtual price. This means that the rst order condition can be solved in 1 independently of the production function speci cation. To understand this, remark rst that the LHS is necessarily positive and that only the case p 1 1 matters. This is intuitive because there is no gain to increase marginally the input capacity from x 1 for all cases where p 1 > 1. For high ex post prices the capacity constraint is not binding. On the contrary, there is a gain to increase marginally the input capacity level when the constraint is binding. The virtual price 1 is by de nition the willingness to pay to relax marginally the constraint. In situations where p 1 1, which occurs with probability ( 1 ), the marginal gain is equal to the di erence between the virtual price and the expected input price given that this price is below the threshold 1. Considering the theory of household behavior under rationing, Neary and Roberts (1980) states clearly that 1 p 1 gives a precise measure of the bene t to the household when the notional demand is above the ration level and when this ration level increases marginally. The above condition looks like and generalize in two ways the condition found by Neary and Roberts with price uncertainty and endogenous ration level. It states that at the optimum capacity level the expected marginal gain is equal to the marginal cost of capacity. A complete characterization of the optimal solution is that the expected marginal gain to increase capacity is a monotone decreasing function of the capacity level and that there exist at list one value of the capacity such that the expected marginal gain takes a nite (positive) value. In this problem the second order conditions 1 ( 1 ) 0: 6

125 This condition is satis ed since we assume a concave production function which implies 1 is negative. As a consequence the expected marginal gain associated to a marginal increase in the capacity level is always decreasing. Finally remark that we have : lim x 1!0 1 = +1 and, lim 1 = 0: x 1!+1 It is easy to show that these limits values for the virtual price implies that the expected marginal gain in the LHS of the rst order condition tends to +1 and 0 when x 1! 0 and x 1! +1 respectively. Since the expected marginal gain is decreasing monotonically from +1 to 0 there exist a unique value of x 1 such that the rst order condition is satis ed. 2.3 Comparative Statics In this section, we will show how price uncertainty a ects the choice of the input capacity level. First, let x 1 c denote the optimal input capacity level under certainty. Suppose that the price is known and equal to. The cost minimization program of the rm could be simpli ed in this case in only one step Min x 1 ;x 2 ;x 1 x 1 + p 2 x 2 + c 1 x 1 ; Subject to y = f(x 1 ; x 2 ), x 1 x 1 : Clearly the input capacity constraint will be binding because there is no gain to hold some reserve capacity in this case. As a result the optimal solution for the demand and capacity for input 1 are the same and equal to x 1 c = x 1( + c 1 ; p 2 ; y): We now prove the following proposition. Proposition 1 The input capacity chosen by a risk neutral rm x 1, will exceeds x 1 c. Proof. Suppose that while the price p 1 is random with E(p 1 ) =, the rm decides to x the input capacity at x 1 c. 7

126 Then the marginal gain to increase marginally this capacity is ( + c 1 ) Z +c1 0 (p 1 )dp 1 Z +c1 0 p 1 (p 1 )dp 1 which is the same expression as before, evaluated at the particular case where the virtual price +c 1 is associated to the assumed input capacity constraint x c 1. This marginal gain is equal to Z +1 Z +1 ( + c 1 ) 1 (p 1 )dp 1 + p 1 (p 1 )dp 1 +c 1 +c 1 = c 1 + Z +1 +c 1 (p 1 ( + c 1 ))(p 1 )dp 1 : Provided that the distribution probability is not degenerated over [+c 1 ; +1[ which means that with a non zero probability the realized price could be greater that + c 1, then the integral in the marginal gain is positive and so the marginal gain greater than the marginal cost of the capacity c 1. Using the fact, as shown earlier, that the marginal gain is decreasing with respect to the capacity it follows that the rm may increase the capacity level above x 1 c. The intuition behind Proposition 1 is that when faced with a random price of input, the risk-neutral rm sees the possibility of a lower production cost if the realized price is low and if the input capacity do not limit the use of this input. With the option to use input 1 up to the input capacity level, the rm seeks low production costs during low input price by choosing an input capacity greater than x c 1. Proposition 1 have two interesting consequences. the rst one is that since the optimal input capacity with price uncertainty is greater than x c 1, it follows that the virtual price solution of the rst order condition associated to the ex ante cost minimization program is necessarily less than + c 1. The second one is that the expected cost with price uncertainty will be lower than the cost with a certain price p 1 =. Denote by E(C) the ex ante expected cost, we Z +c1 1 (p 1 ( + c 1 ))(p 1 )dp 1 + c 1 : 1 1 =+c 1 0 Using the same simpli cations as those made in proposition 1 concerning the integral in the LHS, it is easy to 0. It follows that 1 1 =+c 1 8

127 the virtual price decrease from + c 1, also do the expected cost. Then the optimal cost with price uncertainty is lower than the optimal cost without uncertainty and the same expected input prices. Now, we will study the e ect of a marginal increase in uncertainty. We consider a modi ed cost minimization program of the rm where the price of input 1 is now equal to p 1 +. It is easy to show that ex post optimal demand for inputs are 8 >< >: x 1(p 1 + ; p 2 ; y) x if p 2(p 1 + ; p 2 ; y) 1 > 1 ; x 1 if p x 1 1 ; 2 The rst order condition associated to the ex ante cost minimization with respect to the input capacity could now be written as ( 1 ) 1 E(p 1 + =p 1 1 ) = c 1 : Proposition 2 The input capacity is a decreasing function of the expected price Proof. Taking the last condition as an identity at the optimal input capacity, we can show that if the expected price of input 1 increases then the rm will choose a lower x d = Z 1 0 (p 1 )dp 1 : Provided that 1 is positive the RHS is positive. Using the fact 1 0 the result follows immediately. We will consider now the e ect of an increase in the variability of the density function of the price in terms of a mean preserving spread. de(p 1 + ) = d + d = 0, d d = : Di erentiating the rst order condition totally with respect to and using the condition about the scale parameter of the price distribution leading to an unchanged mean price, we d = R 1 0 (p 1 )(p 1 )dp 1 R (p 1 )dp 1

128 From proposition 1 we know that the optimal input capacity is larger than the certain case evaluated at the expected price which is + + c 1. A consequence of this result is that the virtual price associated to the optimal capacity level is lower than this value. Proposition 3 The input capacity is an increasing function of the variability of price Proof. We need to proof the negative sign of the integral in the numerator of the RHS in previous equation. Remark rst that this integral is an increasing function with respect to 1. Second, from proposition 1 we know that the optimal input capacity is larger than the certain case evaluated at the expected price which is + + c 1. A consequence of this result is that the virtual price associated to the optimal capacity level is lower than this value. Evaluating this integral at 1 = + + c 1 ;leads to Z + c 1 This integral could be written as Z +1 which is clearly negative. 0 (p 1 )(p 1 )dp 1 : + c 1 (p 1 )(p 1 )dp 1 ; 2.4 Consequences for input demand modelling Energy demand By now there is a substantial empirical literature that supports the theoretical prediction with respect to the asymmetry in response of energy use to energy price increases and decreases (see for example Balke and al (2002), or Hamilton (2003) for recent papers). Soest and al (2000) shows that rms are induced to substitute away from energy only if prices of energy exceed a certain threshold level and they reverse the technology only if energy prices are low enough. The main feature causing the asymmetric response are the sunkcost nature of investment in new-technologies, exarcerbated by the existence of uncertainty about future energy prices. Soest and al consider a simple model of investment between two technologies which are energy-intensive or 10

129 labor-intensive. They show that rms are likely to invest in energy saving technologies only when the energy prices is high enough. In our model, rms will respond immediately to energy price increases but the reverse is not necessarily true when energy price decreases and energy use reach the equipment capacity level. The existence of corner solutions (binding input capacity constraint) cause a break down in the standard marginal conditions for optimality and implies censoring in the observed decision variables. The following system of equations presents the Tobit Model with endogenous threshold derived from our structural model for the joint decision of input use and input capacity. 8 >< >: x 1 x 2 if p 1 1 ; x 1(p 1 ; p 2 ; y) x 2(p 1 ; p 2 ; y) if p 1 > 1 ; with, ( 1 ) [ 1 E(p 1 =p 1 1 )] = c 1 : Non Negativity Constraints A natural extension of previous model is to come back to the non negativity constraint and to analyze in our context the possibility of zeros values for input demand. This could be done very simply by considering a production function such that unconstrained demands could take negative values. We assume that the production function is such that input 2 is not essential. More precisely if the rm uses x 1 units of input 1 then the rm is able to produce y = f(x 1 ; 0): This case is illustrated in gure 2. Without non negativity constraint, the virtual capacity level x 1 may allow for negative demand for input 2. x 1 corresponds to the higher possible capacity level for input 1 satisfying nonnegativity constraint. Ex post the optimal demand of input 1 will be at the threshold x 1 if two conditions are met. The rst one is that the installed capacity x 1 is such that it allows the demand of input 1 to reach the level x 1, which implies x 1 x 1. The second condition is standard and is simply the fact that the realized price p 1 is low enough to lead the optimal demand at a corner solution. We note by 1 the virtual price 4 associated to the case where optimal demand for input 1 is exactly at the ration x 1, and input 2 is not used. 4 This virtual price is positive and nite. 11

130 This particular solution for input demands is characterized by two conditions 8 < ( 1 ) [ 1 E(p 1 =p 1 1 )] c 1 ; and : p 1 1 : The rst inequality comes from the fact that without non negativity constraint the rm may have decide an input capacity greater than x 1. The condition states that the expected marginal gain to increase marginally the input capacity above the threshold x 1 is greater than the marginal cost of capacity. The second inequality 5 says that as the ex post price of input 1 is less than the virtual price the cost minimization induces a corner solution. It is evident that for the corner solution the rst condition is necessary and the second one su cient. When the optimal installed capacity x 1 is less than x 1 then x 2 > 0, and the model falls into the particular case analyzed in the rst part of this paper. The consequence is that now, whatever the realization of price is, in the short term the optimal demand for input 2 have a strictly positive lower limit and so a zero demand could not occur. This model explain why zero observations may arise but in a more general situation. Two conditions must be satis ed to obtain a zero demand. First the installed capacity may allow to switch inputs in such a way that a zero demand is possible and second the price must be high enough and such that ex post a zero demand is desirable. The literature on non negativity constraint follows the virtual price approach and the associated econometric models (Tobit type) use only inequalities conditions between prices and virtual prices to model the discrete choice relative to a zero demand or a strictly positive one 6. Our model with a two-step decision making is an example of microeconomic foundation of the double-hurdle model rst introduced by Cragg (1971). Previous literature based on this approach, introduce an ad hoc latent variable for the participation equation. In our model the two conditions are endogenous. 5 It is possible to write this condition in a usual form based on the price of input 2. This input is not used because the market price p 2 is too high. 6 It is interesting to note that the econometric models applied to demand modeling with zero values (most of them concern consumer behavior) recognize the fact that non participation, instead of pure corner solution, may be a an important reason explaining zero observations. To take into account the fact that high prices do not explain in some cases a zero demand, the econometrics models follows a double-hurdle approach. There are numerous applications of this approach in Garcia and Labeaga (1996) and Blundell and Meghir (1987), for instance. In these models the decision to participate (not smoker for example) is separated from the decision of the purchased quantity which could be positive or zero. 12

131 As nal remark, note that our model still contains a real operational dif- culty, because in general prices are not observable when individual chooses to make no purchase of a good during the observation period. This problem is well known (Pudney (1989)) and frequently encountered in labor supply where market wage is observed only when the woman works, while the reservation wage is not directly observable in any case (Heckman (1974)). Figure 2 x p e Z} s x Z 1 Z~ x 1 - x 1 x 2 s Full sample methods requires to expand the model by specifying price equation in order to predict missing values in explanatory variables. First, our model states clearly that a zero demand could occur if the price satis es a standard condition p 1 1. But the reverse is not true i.e. if p 1 1, depending on the installed capacity level, the demand for input 2 could be strictly positive. Second, the optimal condition relative to the input capacity for input 1 allowing a zero demand for input 2 written in the form E(p 1 =p 1 1 ) 1 c 1 ( 1 ) ; show that the rm could be at a corner solution if he anticipate or faces probably a lower price of input 1. As a consequence, this means that the 13

132 (relative) price associated to a zero demand comes from a censored price distribution. This model do not solve completely the problem of non observability of exogenous variables but provides a useful theoretical framework to extend Tobit demand models with instrument variables on prices Equipment purchasing behavior with several inputs Another interesting generalization of the preceding model is to consider the situation where there is an endogenous capacity level for each inputs. It is possible to develop a similar model in which we will exhibit a kind of restricted technology where the isoquant is an arc with two extrema points x 1 ; x 2 and x1 ; x 2 with obvious notation. In this case the input switching capability is no more the fact that the substitution between the two inputs are possible within an interval. Such a model will imply some symmetric conditions that determines the optimal level of inputs capacities. The case with more than two inputs is probably interesting but we consider that it is not beyond the scope of this paper. 7 3 Consequences on the cost function 3.1 Technology and optimal capacity: the CES case From the theoretical model, it is possible to determine how the optimal equipment capacity level, depends on the price distribution and production function parameters. We solve our model in the particular case of a CES production function. Part of the following results could be derived from a more general production function. Nevertheless, as we will focus mainly on the role of substitution possibility between inputs, and show its great importance in the choice of equipment capacity, the entire model is solved for this particular functional form, which is y = [x 1 + (1 )x 2] 1= ; where y represents output, and x i for i = 1; 2 represents input use. 7 The concept of virtual prices coud be used in a general case with n goods. But, the virtual price associated to a particular good will depend on the set of the other binding non negativity constraints and will be di erent if goods are substitutes or complements. This point is probably the main contribution of Lee and Pitt (1987) which clearly demonstrates, in the case of three inputs why the interdependency in a demand systems implies that the Amemiya Tobin approach is not appropriate. 14

133 The CES production function is de ned for 2] 1; 1], and 0 1. Moreover we know that the CES production function leads to the Leontief production function, as! 1, the Cobb-Douglas production function as = 0, and the linear production function, as = 1. We denote by = 1 the substitution elasticity between the two inputs. 1 For the CES technology, the virtual price associated to the input capacity constraint is, 1 y 1 = p 2 (1 ) 1 : x 1 Denoting by 1 the solution of equation 2,the parameters of the technology plays now a role in the optimal capacity level which is determined by " x 1 = y # 1 (1 ) 1 + (1 ) 1. (3) p 2 Equation 3 shows that the optimal capacity could be expressed as the demand for input 1 evaluated at a particular relative price 1 p 2 which do not depend on the elasticity of substitution. As a consequence, comparing optimal capacities levels which follows from di erent CES functions distinguished by the values of the elasticity of substitution only, is rather simple. Optimal capacity satisfy the standard equality between the MRTS at the point x 1 ; x 2 and the relative price 1 p 2, MRT S = dx 2(x 1 ) dx 1 = 1 p 2 : the input ratio x 1 x 2 as a function of Basic algebra for the CES production function with 2 factors, gives and so we have dx 2 (x 1 ) dx 1 = x 1 1 = x 2 1 x2 x 1 1 : p 2 1= ; The sign of the derivative of the input capacity ratio with respect to the substitution elasticity, could be stated simply. 15

134 @ x 1 x = (1 ) ln 1 (1 ) 1 p 2 p 2 It follows that the input ratio x 1 x 2 is increasing (decreasing) with respect to when 1 p 2 is larger than (respectively lower) than. 1 Let us remark an analogous result obtained in growth models and controversies related to the use of CES production functions, see Klump and Preissler (2000). the optimal capacity x 1 as a function of The relationship between the optimal level of the energy equipment capacity for input 1 and the parameters of the technology, is not straightforward in this case. Deriving x 1 with respect to the substitution elasticity leads to the following non-linear = x ln(x 1 y ) ln((1 ) 1 )(1 ( x 1 p 2 y ) 1 ; It is easy to show that if (1 ) 1 p 2 of. = 1, then x 1 = y which is independent Moreover we know that optimal input capacity is x 1 = y production function is linear (! 1) and 1 p 2 <. 1 when the Similarly we have x 1 = y 0). when the production function is Leontief ( = To understand the shape of the optimal input capacity as a function of, it is convenient to nd depending on, the value of the MRTS leading to a xed capacity x 1 = y (solution when goods are perfects substitutes and 1 p 2 < 1 ). We must nd MRT S() such that " y 1 + (1 ) MRT S() 1 # 1 = y : 16

135 Solving previous equation gives, MRT S() = : Since we have lim!0 MRT S() = 0; lim!+1 MRT S() = and, MRT S 0 () > 0 ; 1 then 9 e 2]0; +1) such that MRT S(e) = 1 p 2. Given 1 p 2 ;and considering the case where 1 p 2 <, then the capacity 1 x 1 = y is optimal for a particular value of the substitution elasticity e corresponding to a CES production function in between the linear technology and the Leontief production function. As a consequence the optimal input capacity rst increase and then decrease as the substitution elasticity increases. Note that x 2 is always decreasing. Interpretation of this result : e ciency and substitution e ect!!! Figure 2, illustrates this result where the heavy curve represents the optimal capacity x 1 for di erent values of the substitution elasticity. In this gure we consider the case 1 p 2 <, the other one could be obtained by 1 symmetry. Let us remark that for the Cobb-Douglas case, the optimal input capacity is not necessarily larger than y. For = 1; 1 x 1=1 = 1 1 : p 2 The optimal capacity is such that as 1 p 2 1 p 2! then x 1 1 =1! y.! 0 then x 1 =1! +1 and as Figure 3 17

136 x 2 = 0 6 = 1 y (1 ) Xi Xi X X y Xz Xi X X X Xz - x Technological Flexibility Using previous result on the e ect of the elasticity of substitution on the optimal capacity, we can analyze the rms decision as the choice of exible manufacturing systems. The cost minimization 1, is equivalent to Min x 1 Z +1 0 (p 1 x 1+p 2 x 2)(p 1 )dp 1 + Z 1 0 (p 1 (x 1 x 1)+p 2 (x 2 x 2))(p 1 )dp 1 +c 1 x 1 : Written in this form, the expected cost appears as the sum of the expected (hypothetical) unrestricted cost, plus, given the capacity level x 1 which is binding by de nition for p 1 1, a cost due to allocative ine ciency when the capacity is binding, plus the cost of the capacity. The cost of allocative ine ciency is Z 1 0 (p 1 x 1 + p 2 x 2 )(p 1 )dp 1 = Z 1 0 ( 1 x 1 + p 2 x 2 ) + (p 1 1 )x 1 (p1 )dp 1 : Finally, the cost of allocative ine ciency at the optimum could be simpli ed using the FOC given in 2 written as, Z 1 1 x 1 + p 2 x 2 (1 ) c 1 x 1 (p 1 x 1 + p 2 x 2)(p 1 )dp 1 : (4) At the optimum the rm do not reach always allocative e ciency. Equation 4 gives precisely the departure from the expected (hypothetical) unrestricted cost function due to allocative ine ciency at the optimum. The rms decision 18 0

137 with respect to the capacity, is a trade o between allocative e ciency and the cost of the capacity. At the optimum 4 is not necessarily equal to zero. A natural way to represent this trade o is to compute Allocative E - ciency at the optimum as a function of the elasticity of substitution. AE() = R 1 0 (p 1x 1 + p 2 x 2)(p 1 )dp 1 1 x 1 + p 2 x 2 (1 ) c 1 x 1 : There are fundamentals di culties to provide a de nition of exibility. Flexibility is evasive because it is a potential, which depends on what happens in the future. At least in our case dealing with the problem of optimal investment in equipment we can provide a criteria for measuring technological exibility, see Gal-Or (2002). The following gures 3 and 4,represents the values of allocative e ciency at the optimum for several values of. For this simulation we consider a lognormal distribution for price p 1 with mean equal to 2 and variance equal to 4. Moreover we take = 0:5, y = = 1; In gure 3 c 1 = 0:05, and c 1 = 0:5 in gure 4. When producers make the input capacity choice prior to the resolution of the input price uncertainty, the standard cost function speci cation (which is conditional on the realized output level and the input prices) is not relevant. As emphasized in the recent article by Moschini (2001), estimating ex ante cost function is not appropriate and leads to inconsistent estimates when the 19

138 output level or input prices are stochastic. Previous theoretical development provides a structural approach for input capacity constraint and proposes in this case how to de ne the cost function and the way to include price uncertainty into e ciency analysis. 4 Conclusion Firms often must account for uncertainty in future input prices when deciding on their investment strategies. Such models have been well studies in the literature within a Brownian motion framework (Abel and Eberly 1996, 1997), and explain how xed or irreversible costs to investment can creates ranges of inaction in a rm s optimal behavior. Considering a putty-clay technology Kaboski (2003) 8 shows that uncertainty of relative input price can also play a role in investment inaction through its e ect on the rm s choice of technology. While the e ect of input price uncertainty on decisions of scale are well known, the focus in our paper is its e ect on technology choice. In order to isolate this e ect from the demand/scale decision of the rm, the analysis assume that the rm s quantity produced is constant. This allows the rm s problem to essentially be reduced to one of cost minimization. In our model, 8 See in this eld Wei (2003) and Gilchrist and Williams (2002). 20

139 while the rm can substitute between factors ex ante, it faces limited substitution possibilities ex post over a restricted range of relative input price. The putty clay technology corresponding to the case where the rm chooses between di erent Leontief technologies and faces xed proportion technology ex post, is a particular case of our model. 21

140 5 References Abel, A.B, 1983, Energy Price Uncertainty and Optimal Factor Intensity: a mean-variance analysis, Econometrica, 51, N 6, 1839, Abel, A.B, and J. Eberly, 1996, Optimal Investment with Costly Reversibility. Review of Economic Studies, 63, Atkeson, A., and P. J. Kehoe, 1999, Models of Energy Use: Putty-Putty Versus Putty-Clay, American Economic Review, Vol.89, N 4, Balke, N. S., S. P. A. Brown and M. K. Yücel, 2002, Oil Price Shocks and the U.S. Economy: Where Does the Asymmetry Originate, The Energy Journal, 23(3), Blundell, R. W. and C. Meghir, 1987, Bivariate Alternatives to the Tobit Model, Journal of Econometrics, 34, Gal-OR, E., 2002, Flexible manufacturing systems and the internal structure of the rm, International Journal of Industrial Organization, 20, Gilchrist, S. and J. C. Williams, 2002, Investment, Capacity and Uncertainty: A Putty-Clay Approach, Federal Reserve Bank of San Fransisco N Cragg, J. G., 1971, Some Statistical Models for Limited Dependent Variables with Application to the Demand for Durable Goods, Econometrica, 39, Kaboski, J. P., 2003, Factor Price Uncertainty, Technology Choice and Investment Delay, Working paper, Ohio State University. Dixit, A., and R.S, Pindyck, 1994, Investment under Uncertainty, Princeton University Press, Princeton, NJ. Energy Information Administration, 1994, Manufacturing Energy Consumption Survey of 1991, DOE/EIA-0512(91). Garcia, J., and J.M. Labeaga, 1996, Alternative Approaches to Modelling Zero Expenditures : an application to Spanish demand for tobacco, Oxford Bulletin of Economics and Statistics, 58, 3,

141 Hamilton, J. D., 2003, What is an Oil Shock, Journal of Econometrics, Vol 113, Heckman, J., 1974, Shadow Prices, Market Wages, and Labor Supply, Econometrica, Vol 42, N 4, Lee, L.F. and M.M. Pitt, 1987, Microeconometric Models of Rationing, Imperfect Markets, and Non-Negativity Constraints, Journal of Econometrics, 36, Moschini, G. C., 2001, Production risk and the estimation of ex ante cost functions, Journal of Econometrics, 100, Muller, T., 2000, Quality of Capital Goods and Investment Demand: a putty-clay model, Cahiers du Département d économétrie N , Université de Genève. Pudney, S., 1989, Modelling Individual Choice, The Econometrics of Corners, Kinks and Holes, Blackwell. Squires, D., 1994, Firm Behavior Under Input Rationing, Journal of Econometrics, 61, Neary, J. P. and K.W.S, Roberts, 1980, The theory of household behavior under rationing, European Economic Review, 13, Sandmo, A., 1971, On the Theory of the Competitive Firm Under Price Uncertainty, American Economic Review, 78, N 5, Söderholm, P., 2001, Fossil fuel exibility in west European power generation and the impact of system load factors, Energy Economics, 23, Soest, D. P., G. H. Kuper and J. Jacobs, 2000, Threshold E ects of Energy Price Changes, CCSO Working Paper, Tilburg University. Stewart, J. F., 1979, Plant Size, Plant Factor, and the Shape of the Average Cost Function in Electric Power Generation : A Nonhomogeneous Capital Approach, The Bell Journal of Economics, Vol.10, N.2, Wolak F. A., and C. D., Kolstad, 1991, A Model of Homogeneous Input Demand Under Price Uncertainty American Economic Review, 81, N 3, Wei, C., 2003, Energy, the Stock Market and the Putty-Clay Investment Model, American Economic Review, 93, N 1,

142 Annexe 5 Copie du document de travail : Bousquet A. et Ladoux N., «Fuel-Switching Capability», novembre

143 Fuel-Switching Capability Alain Bousquet and Norbert Ladoux y University of Toulouse, IDEI and CEA November 30, 2004 Abstract Taking into account the link between energy demand and equipment choice, leads to a new model of energy demand where the key variables are energy prices, price volatility and the costs of equipment. In particular we show that adjustment to changes in relative energy prices are generally asymmetric, as the adjustment involves adaptation of equipment costs. As a consequence, the optimal equipment choice in the long run could imply short-term allocative ine ciency in energy use. This model can be seen as a mix or a generalization of the Putty-Putty versus Putty-Clay models of energy use. Depending on the technology and in particular costs of energy equipment, the model gives drastically di erent predictions about the e ect of energy prices and uncertainty on energy demand. Key Words : Energy Use, Equipment choice, Investment JEL Classi cation : 022, 640, 723 We are grateful to the Institut Français de l Energie for its nancial research support. University of Toulouse, CEA and LEERNA, 21 allée de Brienne, Toulouse Cédex, tel: (33) , fax: (33) , y University of Toulouse, IDEI and LEERNA, 21 allée de Brienne, Toulouse Cédex, tel: (33) , fax: (33) , 1

144 1 Introduction This paper provides a micro-economic foundation of the concept of fuelswitching capability. Fuel switching is the extend to witch a producer can reduce the use of one type of energy and uptake of another source of energy in its place. We develop a micro-economic model where energy consumption and energy equipment capacity are both endogenous. In many situations the amount of input that will be used in the future is necessarily less than an upper limit determined by the installed equipment capacity. Energy demand and electricity generation are good examples of such a situation. Once the rm has chosen an equipment, there is a maximal amount of energy use, determined by the power and energy e ciency characteristics of the equipment. As a direct consequence the amount of one kind of energy that could be substituted by another kind of energy is necessarily limited. This paper is a mix of previous model of rm behavior under input rationing and uncertainty. The main feature of our analysis is that a rm has to decide on its machine characteristics determining a maximum level of use for some input before the demand conditions are completely known. In short, the producer trade-o is to choose ex ante the optimal level of exibility of the technology through di erent input capacities allowing to reach ex post e ciency given market conditions. In our paper we extend the analysis of the rm behavior under price uncertainty when input use is subject to endogenous rationing. Uncertainty and risk play a huge role in energy supply as well as in energy demand, especially on equipment choice. Understanding the e ects of price uncertainty on rm s production and input choice decisions has long been an important issue in economics (see for example Sandmo (1971), Abel (1983) or Dixit and Pindyck (1994)). Real options approach to investment identi es three characteristics of most investment decisions, rst uncertainty over future pro t streams, second irreversibility and nally the choice of timing. Most of existing models consider and study a situation where capital is xed or quasi- xed factor and other inputs are variable factors. Plant capacity is then de ned by the maximum amount that can be produced per unit of time with existing plant and equipment, i.e. given the level of capital. In the energy sector, as long as energy could not be used or generated without some equipment, we are in a situation where variable factors are linked to xed factors. This is precisely what we want to develop in this paper. We consider that input use for variable factors could be constrained by xed factors, according to the size and more generally the characteristics of the equipment. 2

145 2 The model This section provides a simple model of a competitive rm with input price uncertainty. The time horizon is two periods. In our model the production decision is made in two stages : an ex ante plan and an ex post plan. Ex ante, the price of input is unknown. The rm makes an investment and chooses an equipment size which introduces an upper limit in the total amount of input that could be used in second period. Ex post, the equipment and therefore the maximal amount of input that could be used is given and the price of input is known. The rm cannot adjust the size of the equipment but can choose a low rate of use of its equipment if the realized price of the input is too high. The two-stage production decision problem is solved backwards. 2.1 Unrestricted cost function We solve our model in the particular case of a CES production function. Part of the following results could be derived from a more general production function. Nevertheless, as we will focus mainly on the role of substitution possibility between inputs, and show its great importance in the choice of equipment capacity, the entire model is solved for this particular functional form, which is y = [x 1 + (1 )x 2 ]1= ; where y represents output, and x i for i = 1; 2 represents input use. The CES production function is de ned for 2] 1; 1], and 0 1. Moreover we know that the CES production function leads to the Leontief production function, as! 1, the Cobb-Douglas production function as = 0, and the linear production function, as = 1. We denote by = 1 1 the substitution elasticity between the two inputs. We start from the usual cost minimization program of the rm and we will introduce later on exogenous and then endogenous rationing on input use. The optimal input demand are the solution of the following unconstrained cost minimization program, Min p 1 x 1 + p 2 x 2 ; x 1 ;x 2 Subject to y = [x 1 + (1 )x 2 ]1= ; 3

146 and could be expressed as x 1 = " y (1 )p1 + (1 ) p 2 x 2 = " y (1 )p1 (1 ) + p Restricted cost function # 1 1 ; Consider now the rm behavior under exogenous rationing, as in Lee and Pitt (1987) and Squires (1994). We limit ourself to the case where only input 1 is subject to a quantity constraint, but the model can be generalized when input 2 is also subject to some quantity constraint. We consider and denote the constraint on input 1 as, follows: The cost minimization program is Min p 1 x 1 + p 2 x 2 ; x 1 ;x 2 x 1 x 1 : 1 # 1 Subject to y = [x 1 + (1 )x 2 ]1=, and x 1 x 1 : Optimal input demand are 8 x 1 >< if p x 1 1 ; 2 >: x 1 (p 1; p 2 ; y) x 2 (p 1; p 2 ; y) if p 1 > 1 : Where 1 is the virtual price of input 1 (see Heckman (1974) and Neary and Roberts (1980) for a complete treatment of this concept) at which the unconstrained demand for input 1 is exactly equal to x 1, and y 1 1 = p 2 (1 ) 1 : (1) x 1 Moreover when the constraint on x 1 is binding we have 2 x 2 = 4 y 3 x : : 4

147 2.3 Optimal input capacity Suppose now that the threshold x 1 is endogenously determined. Assume rst that some equipment is necessary to use input 1. Second, assume that the characteristics of the equipment, in particular the size of this equipment, induce a constraint on the maximal amount of input such that x 1 x 1. The cost of the equipment is a function of x 1, and consider the case where the cost of the equipment could be written as c 1 x 1. Here, c 1 is the constant marginal cost of the equipment capacity. Finally assume that the rm faces an uncertain price for input 1. So p 1 is assumed to be a random variable with density function (p 1 ), cumulative density function (p 1 ) and with p 1 2 [0; +1[. We assume that the rm has to decide about the level of the capacity x 1 prior to the knowledge of the input price. For each possible value of x 1, we know that there exist a price threshold, denoted by 1 such that if p 1 1 the equipment capacity constraint will be binding while for p 1 > 1 input use is such that x 1 < x 1. The ex ante problem corresponding to the choice of the input capacity constraint x 1, for a risk neutral rm is, Min x 1 Z 1 0 Z +1 (p 1 x 1 + p 2 x 2 )(p 1 )dp 1 + (p 1 x 1 + p 2 x 2)(p 1 )dp 1 + c 1 x 1 : 1 The rst order condition is Z 1 0 (p 1 1 )(p 1 )dp 1 + c 1 = 0: In general it is not possible to obtain an analytical solution for x 1, this will depend on the shape of the statistical distribution. However, remark that it is possible to solve the last FOC with respect to the price threshold and denote the solution by 1, which is independent of the technology characteristics. As a consequence, given 1, the parameters of the technology plays now a role in the optimal capacity level which is determined, according equation (1), by " x 1 = y # 1 (1 ) 1 + (1 ) 1. p 2 The following gure illustrates the solution. In the short term the maximum amount of input 1 the rm can use is limited by x 1 and the isoquant is an arc with an extrema points x 1 ; x 2. For a given capacity level, the ability to switch between the two inputs depends on the realized price and is limited. We distinguish substitution possibilities and switching capacity simply to keep in mind that the marginal rate of technical substitution is 5

148 a local measure while the switching capacity is a global one and represents the extent x to which substitution possibilities may occur in the short run. 2 6 y = f(x 1 ; x 2 ) x 2 1 p 2 ix X X XX s XX z 0 x 1 - x 1 Figure 1 : Switching capability 3 Comparative statics 3.1 Technology and optimal capacity From the theoretical model, it is possible to determine how the optimal equipment capacity level, depends on the price distribution and production function parameters. In this paper, we consider only the property of the chosen capacity with respect to technology characteristics. It is possible to explore with a CES production function how the elasticity of substitution in uences the optimal level of capacity x 1. First order condition shows that the optimal capacity coud be expressed as the demand fo input 1 evaluated at a particular relative price 1 p 2 which do not depend on the elasticity of substitution. As a consequence, comparing optimal capacities levels which follows from di erent CES functions distinguished by the values of the elasticity of substitution only, is rather simple. Optimal capacity satisfy the standard equality between the MRTS and the relative price 1 p 2, MRT S = dx 2(x 1 ) dx 1 = 1 p 2 : 6

149 Basic algebra for the CES production function with 2 factors, gives x 1 x 2 = 1 1 p 2 The sign of the derivative of the input capacity ratio with respect to the substitution elasticity, could be stated x 1 x = (1 ) ln 1 (1 ) 1 p 2 p 2 It follows that the input ratio x 1 x 2 is increasing (decreasing) with respect to when 1 p 2 is larger than (respectively lower) than 1. The relationship between the optimal level of the energy equipment capacity for input 1 and the parameters of the technology, is not straightforward in this case. Deriving x 1 with respect to the substitution elasticity leads to the following non-linear = x ln(x 1 y ) + ln( 1 It is easy to show that if of. )(1 ( x 1 (1 )p 2 1 (1 )p 2 = 1, then x 1 = y y ) 1 ; which is independent 3.2 Consequences for energy demand modeling The standard way to estimate the parameters of a CES production function, consists of testing the following simple a linear regression : ln( x 1 x 2 ) = ln( p 1 p 2 ); where the estimated slope gives the elasticity of substitution = 1 1, and the value of could be derived form the constant through the relation = ln( 1 ). Demand elasticity for input i, i = 1; 2, is (1 w i ), where w i is the share of input i in total cost. The estimation of a CES in the presence of equipment choice must be derived from the estimation of the following Tobit model (Cragg (1971), Blundell and Meghir (1987)), associated to the short run demand : 8 < : ln( x 1 x 2 ) = ln( p 1 p 2 ) p 1 > 1 ln( x 1 x 2 ) = ln( 1 p 2 ) p 1 1 7

150 Note that it is easy to verify the value of the threshold in the previous censored regression. Using the fact that : x 1 x 2 = " y x 1 1 x1 # 1 ; x 1 = y [A] 1 ; (1 with A = + (1 ) p 2 )1 1 For a given set of parameters, = 0:5, y = 1, = 1, = 0:5, p 2 = 1, c 1 = 1, and considering a Log normal distribution for the price of input 1 with parameter = 3 and 2 = 1, we estimate the corresponding CES production function when the existence of energy equipment is ignored. In this example the estimated elasticity is b = 0:25, while the correct value in this case is = 0:66. This very simple estimation show us that the bias in the estimated elasticity could be very large when we do not estimate the energy demand model derived from the CES, and according to the demand threshold induced by the equipment capacity. This estimation has been done only to illustrate the importance of a complete model of energy demand including energy use and equipment choice. Unfortunately we could not provide an empirical test of our model based on real data. At least, we could use general results provided by the MECS (1991) and (1994) to justify the importance of fuel switching capability in the short run and, as a consequence, the relative importance of energy equipment and more generally energy technology on the shape on energy demand. 4 Conclusion Fuel costs are only one of several criteria that shape energy equipment decisions. In this paper, we embed the micro-economic decisions associated with investment under uncertainty, installed capacity, capacity utilization and energy use. We show that the combination of input price uncertainty and production technology, yields to a complex relationship between energy equipment purchasing behavior and energy demand. This model is consistent with the empirical observation provided by the Manufacturing Energy Consumption Survey (EIA 1994). In the electricity generation sector, inevitable trade-o between price level, price volatility and xed costs of power plants, leads to a mix of capacity over di erent technologies and short-run fuel exibility will be of a great importance in the future. 8

151 From a theoretical point of view, our approach provides a very simple and natural framework to understand asymmetric responses to energy price changes and the existence of threshold e ects of energy price changes. Considering the fact that investment in capital goods a ects not only output, but also input use for adjustable factors, our analysis contributes to enlarge theoretical literature that identi es channels through which uncertainty may in uence investment. 9

152 5 Appendix In the appendix, we show that the relationship between optimal equipment capacity level and the substitution elasticity, is highly non-linear. Figure 2 and 3, illustrates how the optimal input capacity level changes with respect to and. In this gures, y and are set equal to 1 by convention. Here, the ratio 1 p 2 is assumed to be equal to 1. For = 0, the CES production function corresponds to the Leontief production function with perfect complementaries between inputs. It is easy to show that the optimal capacity is equal to y. For large values of, the CES production function corresponds to the linear technology with perfect substitutability. It can be shown that when! +1, the optimal capacity is equal to y for > 1 2 and equal to 0 for < 1 2, as long as we assume in this simulation that, 1 p 2 = 1. Figure 2:Technology characteristics and optimal capacity The simulation shows clearly, that the optimal equipment capacity level increase or decrease with respect to the substitution elasticity parameter. Moreover the gure illustrates that we could not expect a monotone relationship in general between capacity and, since for example when = 0:9 the capacity rst increases with and then decreases. At least, this illustrates the di culty to determine the optimal equipment capacity in the energy context where it is well known that the di erent kinds of energy are 10

Les dépenses d énergie pour le logement représentent

Les dépenses d énergie pour le logement représentent COMMISSARIAT GÉNÉRAL AU DÉVELOPPEMENT DURABLE e n 5 Juin 21 Le budget «énergie du logement» : les déterminants des écarts entre les ménages ÉCONOMIE ET ÉVALUATION développement durable Le budget qu un

Plus en détail

En 2008, les industries agroalimentaires ont été confrontées à la flambée des

En 2008, les industries agroalimentaires ont été confrontées à la flambée des Agreste Synthèses IAA : une année 2008 marquée par la flambée des prix de l énergie Novembre 2009 n 2009/87 Novembre 2009 Synthèses n 2009/87 Industries agroalimentaires : une année 2008 marquée par la

Plus en détail

ENQUÊTE ANNUELLE 2004 SUR LES CONSOMMATIONS D'ÉNERGIE DANS L'INDUSTRIE

ENQUÊTE ANNUELLE 2004 SUR LES CONSOMMATIONS D'ÉNERGIE DANS L'INDUSTRIE ENQUÊTE ANNUELLE 2004 SUR LES CONSOMMATIONS D'ÉNERGIE DANS L'INDUSTRIE Statistiques Obligatoires Loi du 7 juin 1951 VISA N 2005 A 036 IN du Ministre de l'économie, des Finances et de l'industrie Signature

Plus en détail

des ménages en 2012 Montant moyen dépensé (en euros)

des ménages en 2012 Montant moyen dépensé (en euros) COMMISSARIAT GénéRAl au développement durable n 645 Juin 2015 Consommations énergétiques des ménages en 2012 OBSERVATION ET STATISTIQueS logement - CONSTRuCTION En 2012, la dépense moyenne annuelle en

Plus en détail

Comité Interprofessionnel du Bois Energie

Comité Interprofessionnel du Bois Energie Impact d une écotaxe sur la rentabilité des projets bois-énergie La combustion des énergies fossiles conventionnelles génère des émissions de CO 2 dans l atmosphère. La lutte contre le réchauffement climatique

Plus en détail

Energie. Panorama. Flux énergétique simplifié de la Suisse, en 2013. Reste Gaz. Pertes. Force hydraulique. Reste Gaz. Combustibles nucléaires

Energie. Panorama. Flux énergétique simplifié de la Suisse, en 2013. Reste Gaz. Pertes. Force hydraulique. Reste Gaz. Combustibles nucléaires Energie Panorama Flux énergétique Dans la nature, l énergie se présente sous forme de pétrole brut, de gaz naturel, d énergie hydraulique, d uranium, de rayonnement solaire, d énergie éolienne, etc. Avant

Plus en détail

1 RÉPUBLIQUE FRANÇAISE MINISTÈRE DE L EMPLOI, DE LA COHÉSION SOCIALE ET DU LOGEMENT ARRÊTÉ

1 RÉPUBLIQUE FRANÇAISE MINISTÈRE DE L EMPLOI, DE LA COHÉSION SOCIALE ET DU LOGEMENT ARRÊTÉ 1 RÉPUBLIQUE FRANÇAISE MINISTÈRE DE L EMPLOI, DE LA COHÉSION SOCIALE ET DU LOGEMENT NOR : SOCU 00611881A ARRÊTÉ relatif au diagnostic de performance énergétique pour les bâtiments existants proposés à

Plus en détail

L énergie en France et en Allemagne : comparaisons

L énergie en France et en Allemagne : comparaisons L énergie en France et en Allemagne : comparaisons En matière de consommation d énergie, de structure du système électrique, de recours aux énergies renouvelables, d émission de gaz à effet de serre, les

Plus en détail

Analyse critique de l étude de l union française de l électricité : «électricité 2030, quels choix pour la France»

Analyse critique de l étude de l union française de l électricité : «électricité 2030, quels choix pour la France» Analyse critique de l étude de l union française de l électricité : «électricité 2030, quels choix pour la France» Benjamin Dessus (Global Chance) L Union Française de l Électricité, organisme qui regroupe

Plus en détail

L efficacite e nerge tique

L efficacite e nerge tique L efficacite e nerge tique 1. Principes généraux Une mesure «d efficacité énergétique» désigne toute action mise en œuvre par un agent économique afin de limiter la consommation d énergie liée à un usage

Plus en détail

Les émissions de gaz carbonique (CO2)

Les émissions de gaz carbonique (CO2) Fiche 21 Les émissions de gaz carbonique (CO2) 1. Quelles émissions pour les différentes énergies fossiles? La quantité de CO2 produit par la combustion d une tep de combustible fossile dépend de sa composition

Plus en détail

Analyse critique de l étude de l Union Française de l Electricité

Analyse critique de l étude de l Union Française de l Electricité Analyse critique de l étude de l Union Française de l Electricité Benjamin DESSUS 23 janvier 2012 www.global-chance.org ANALYSE CRITIQUE DE L ETUDE DE L UFE. Benjamin DESSUS 23 janvier 2012 * L Union Française

Plus en détail

La consommation sectorielle d électricité en Europe 1

La consommation sectorielle d électricité en Europe 1 La consommation sectorielle d électricité en Europe 1 Global Chance 1. Les consommations d électricité en 2007 1.1 La place de l électricité dans la consommation finale d énergie Le tableau 1 montre la

Plus en détail

Synthèse OBJECTIF DE L ÉTUDE

Synthèse OBJECTIF DE L ÉTUDE "Bilan énergétique et des émissions de gaz à effet de serre tout au long du cycle de vie du gaz naturel et du mazout comme combustible pour le chauffage domestique" Synthèse I.1. OBJECTIF DE L ÉTUDE Il

Plus en détail

Les définitions utilisées par l'observatoire de l'énergie (DGEMP- Observatoire de l'énergie, septembre 2003)

Les définitions utilisées par l'observatoire de l'énergie (DGEMP- Observatoire de l'énergie, septembre 2003) Les définitions utilisées par l'observatoire de l'énergie (DGEMP- Observatoire de l'énergie, septembre 2003) Consommation Taux d'indépendance énergétique Energie Electricité Pouvoir calorifique Consommation

Plus en détail

DRAAF de Basse-Normandie. Le chauffage domestique au bois en Basse-Normandie. Situation en 2012 et évolution depuis 1984.

DRAAF de Basse-Normandie. Le chauffage domestique au bois en Basse-Normandie. Situation en 2012 et évolution depuis 1984. DRAAF de Basse-Normandie Le chauffage domestique au bois en Basse-Normandie Situation en 2012 et évolution depuis 1984 Rapport final Biomasse Normandie 19, Quai de Juillet - 14000 CAEN Tél. : 02 31 34

Plus en détail

DEBAT NATIONAL SUR LA TRANSITION ENERGETIQUE

DEBAT NATIONAL SUR LA TRANSITION ENERGETIQUE INTRODUCTION DEBAT NATIONAL SUR LA TRANSITION ENERGETIQUE Note au sous groupe gouvernance du groupe d experts. * L URANIUM DANS LE BILAN ENERGETIQUE FRANÇAIS Bernard LAPONCHE 3 avril 2013 * Dans les échanges

Plus en détail

TERRITOIRE TERRITOIRE ÉNERGIE PLAN CLIMAT ÉNERGIE PRÉCARITÉ VULNÉRABILITÉ ÉNERGIE

TERRITOIRE TERRITOIRE ÉNERGIE PLAN CLIMAT ÉNERGIE PRÉCARITÉ VULNÉRABILITÉ ÉNERGIE DIAGNOSTIC GAZ À EFFET DE SERRE VULNÉRABILITÉ TERRITOIRE PRÉCARITÉ DIAGNOSTIC TERRITOIRE ÉNERGIE VULNÉRABILITÉ DIAGNOSTIC TERRITOIRE VULNÉRABILITÉ GAZ À EFFET DE SERRE PLAN CLIMAT ÉNERGIE PRÉCARITÉ ÉNERGIE

Plus en détail

11. Evaluation de la qualité des essais

11. Evaluation de la qualité des essais 11. Evaluation de la qualité des essais L évaluation de la qualité méthodologique d un essai thérapeutique est une tâche difficile [117]. L essai thérapeutique contrôlé randomisé est considéré comme étant

Plus en détail

Méthodes d investigation

Méthodes d investigation Méthodes d investigation 1 LE QUESTIONNAIRE LE questionnaire 1. l économie générale du questionnaire : 2. L avant questionnaire 3. la construction du questionnaire 4. Le choix de l échantillon 2 1. Le

Plus en détail

5.1. Consommation d énergie dans l industrie manufacturière

5.1. Consommation d énergie dans l industrie manufacturière 5.1 Consommation d énergie dans l industrie manufacturière En 211 en France, la consommation brute d énergie dans l industrie manufacturière s élève à 34,7 millions de tonnes équivalent pétrole (tep) hors

Plus en détail

L impact de la libre circulation des personnes sur les salaires en Suisse

L impact de la libre circulation des personnes sur les salaires en Suisse L impact de la libre circulation des personnes sur les salaires en Suisse L accord sur la libre circulation des personnes (ALCP) avec les États de l UE et de l AELE, entré en vigueur en juin, marque un

Plus en détail

09 2011 R EPÈRES «LES CHARGES. de copropriété» SE LOGER AUTEURS GENEVIÈVE PRANDI, XUAN NGUYEN OBSERVATOIRE DES LOYERS DE LA RÉGION PARISIENNE

09 2011 R EPÈRES «LES CHARGES. de copropriété» SE LOGER AUTEURS GENEVIÈVE PRANDI, XUAN NGUYEN OBSERVATOIRE DES LOYERS DE LA RÉGION PARISIENNE 09 2011 R EPÈRES SE LOGER «LES CHARGES de copropriété» AUTEURS GENEVIÈVE PRANDI, XUAN NGUYEN OBSERVATOIRE DES LOYERS DE LA RÉGION PARISIENNE INTRODUCTION La connaissance du niveau des charges de copropriété

Plus en détail

I.1. OBJECTIF DE L ETUDE I.2. CHAMP DE L'ETUDE

I.1. OBJECTIF DE L ETUDE I.2. CHAMP DE L'ETUDE "Bilan énergétique et des émissions de gaz à effet de serre tout au long du cycle de vie du gaz naturel et du mazout comme combustible pour le chauffage domestique" Synthèse I.1. OBJECTIF DE L ETUDE Il

Plus en détail

Énergie, technologie et politique climatique : les perspectives mondiales à l horizon 2030 MESSAGES CLÉS

Énergie, technologie et politique climatique : les perspectives mondiales à l horizon 2030 MESSAGES CLÉS Énergie, technologie et politique climatique : les perspectives mondiales à l horizon 2030 MESSAGES CLÉS Le scénario de référence L'étude WETO (World energy, technology and climate policy outlook) présente

Plus en détail

Diagnostic Energie GES du secteur résidentiel du SCOT* de l Angoumois

Diagnostic Energie GES du secteur résidentiel du SCOT* de l Angoumois Diagnostic Energie GES du secteur résidentiel du * de l Angoumois Avril 2013 Tous les mots suivis d un «*» sont définis dans le lexique en fin de document. 1. Carte d identité du territoire Nombre d habitants

Plus en détail

Statistiques énergétiques France

Statistiques énergétiques France Statistiques énergétiques France Avril 2001 180 160 140 120 Indice base 100 en 1973 Produit intérieur brut en volume Consommation totale d'énergie primaire 100 80 Consommation Émissions de CO2 60 de produits

Plus en détail

Evolution des prix des services mobiles en France

Evolution des prix des services mobiles en France 28 mai 2014 Evolution des prix des services mobiles en France Résultats pour l année 2013 ISSN : 2258-3106 Sommaire SYNTHESE... 3 I. ELEMENTS DE METHODE... 5 I.1 MODELISATION DES COMPORTEMENTS DE CONSOMMATION...5

Plus en détail

Comprendre... Les Effacements

Comprendre... Les Effacements Comprendre... Les Effacements Un effacement est une diminution temporaire de Qu est-ce la consommation d électricité par rapport à une consommation initialement prévue. Cette diminution que c est? est

Plus en détail

L ENERGIE CORRECTION

L ENERGIE CORRECTION Technologie Lis attentivement le document ressource mis à ta disposition et recopie les questions posées sur une feuille de cours (réponds au crayon) : 1. Quelles sont les deux catégories d énergie que

Plus en détail

L innovation dans le commerce

L innovation dans le commerce L innovation dans le commerce Xavier Reif* Pour une entreprise commerciale, l innovation est un levier servant à consolider sa position par rapport à ses concurrentes. Elle contribue à conquérir de nouveaux

Plus en détail

ÉTUDES DES TENSIONS SUR LES ÉNERGIES DE RÉSEAU LORS DE LA POINTE DE CONSOMMATION HIVERNALE

ÉTUDES DES TENSIONS SUR LES ÉNERGIES DE RÉSEAU LORS DE LA POINTE DE CONSOMMATION HIVERNALE ÉTUDES DES TENSIONS SUR LES ÉNERGIES DE RÉSEAU LORS DE LA POINTE DE CONSOMMATION HIVERNALE Présenté par Benoît Lemaignan / Jean-Yves Wilmotte / Nicolas Gault SOMMAIRE 1 UN EXEMPLE DE POINTE HISTORIQUE

Plus en détail

fixant les conditions d achat de l électricité produite par les installations qui valorisent le biogaz

fixant les conditions d achat de l électricité produite par les installations qui valorisent le biogaz RÉPUBLIQUE FRANÇAISE Ministère de l écologie, du développement durable, des transports et du logement NOR : Arrêté du fixant les conditions d achat de l électricité produite par les installations qui valorisent

Plus en détail

Dix ans de consommation d énergie dans le secteur tertiaire

Dix ans de consommation d énergie dans le secteur tertiaire COMMISSARIAT GÉNÉRAL AU DÉVELOPPEMENT DURABLE n 369 Novembre 2012 Dix ans de consommation d énergie dans le secteur tertiaire OBSERVATION ET STATISTIQUES ÉNERGIE La consommation d énergie du secteur tertiaire

Plus en détail

SUJET INÉDIT 1. Dossier 1. Charges et choix d une unité d œuvre 4 points 45 minutes CHAPITRES 1 et 4

SUJET INÉDIT 1. Dossier 1. Charges et choix d une unité d œuvre 4 points 45 minutes CHAPITRES 1 et 4 SUJET INÉDIT 1 La société Coupe & Shampoing Coupe & Shampoing est un salon de coiffure indépendant. Afin de faire face à la concurrence de salons de coiffure franchisés, son dirigeant, Kamel, aimerait

Plus en détail

Atelier sur les Inventaires de Gaz à Effet de Serre du GCE. Secteur de l'energie Combustion de Combustibles

Atelier sur les Inventaires de Gaz à Effet de Serre du GCE. Secteur de l'energie Combustion de Combustibles Atelier sur les Inventaires de Gaz à Effet de Serre du GCE Nom :. Secteur de l'energie Combustion de Combustibles 1. Quels sont les gaz généralement inclus dans le secteur de l'énergie, conformément au

Plus en détail

Diffusion et révisions des comptes nationaux

Diffusion et révisions des comptes nationaux Diffusion et révisions des comptes nationaux Pour décrire la politique de diffusion et de révisions des comptes nationaux, il est nécessaire de donner préalablement un rapide panorama des deux systèmes

Plus en détail

La valeur présente (ou actuelle) d une annuité, si elle est constante, est donc aussi calculable par cette fonction : VA = A [(1-1/(1+k) T )/k]

La valeur présente (ou actuelle) d une annuité, si elle est constante, est donc aussi calculable par cette fonction : VA = A [(1-1/(1+k) T )/k] Evaluation de la rentabilité d un projet d investissement La décision d investir dans un quelconque projet se base principalement sur l évaluation de son intérêt économique et par conséquent, du calcul

Plus en détail

ADAPTER LA METHODE AUX OBJECTIFS DE L ENQUETE

ADAPTER LA METHODE AUX OBJECTIFS DE L ENQUETE Déchets : outils et exemples pour agir Fiche méthode n 1 www.optigede.ademe.fr ADAPTER LA METHODE AUX OBJECTIFS DE L ENQUETE Origine et objectif de la fiche : Les retours d expérience des collectivités

Plus en détail

RETScreen International. ACÉTATE 3 : Feuille Sommaire financier

RETScreen International. ACÉTATE 3 : Feuille Sommaire financier Module de formation NOTES DU FORMATEUR ANALYSES FINANCIÈRE ET DE RISQUE AVEC LE LOGICIEL RETSCREEN COURS D ANALYSE DE PROJETS D ÉNERGIES PROPRES Ce document donne la transcription de la présentation orale

Plus en détail

Base de données PEGASE www.industrie.gouv.fr/energie

Base de données PEGASE www.industrie.gouv.fr/energie Liberté Égalité Fraternité RÉPUBLIQUE FRANÇAISE MINISTÈRE DE L'ÉCONOMIE DES FINANCES ET DE L'INDUSTRIE 600 550 500 450 400 350 300 En euros constants indice base 100 en 1973 PRIX DES ÉNERGIES Prix du pétrole

Plus en détail

PROJET PILOTE DE FORMATION À L ÉCOCONDUITE POUR VÉHICULES LÉGERS

PROJET PILOTE DE FORMATION À L ÉCOCONDUITE POUR VÉHICULES LÉGERS Bureau de l efficacité et de l innovation énergétiques PROJET PILOTE DE FORMATION À L ÉCOCONDUITE POUR VÉHICULES LÉGERS RÉSULTATS SOMMAIRES 1 Ministère des Ressources naturelles et de la Faune Secteur

Plus en détail

Apave Nord-Ouest 51 avenue de l Architecte Cordonnier 59 000 Lille

Apave Nord-Ouest 51 avenue de l Architecte Cordonnier 59 000 Lille Apave Nord-Ouest 51 avenue de l Architecte Cordonnier 59 000 Lille BILAN DES EMISSIONS DE GAZ A EFFET DE SERRE «scope 1 et 2» ANNEE 2011 1. CONTEXTE Ce bilan des émissions de gaz à effet de serre fournit

Plus en détail

SALARIÉS À «BAS SALAIRE» ET TRAVAILLEURS PAUVRES : UNE COMPARAISON FRANCE - ÉTATS-UNIS

SALARIÉS À «BAS SALAIRE» ET TRAVAILLEURS PAUVRES : UNE COMPARAISON FRANCE - ÉTATS-UNIS IRES INSTITUT DE RECHERCHES ÉCONOMIQUES ET SOCIALES.1 - N 2.1 SALARIÉS À «BAS SALAIRE» ET TRAVAILLEURS PAUVRES : UNE COMPARAISON FRANCE - ÉTATS-UNIS Par de nombreuses caractéristiques, les salariés à «bas

Plus en détail

Taille optimale dans l industrie du séchage du bois et avantage compétitif du bois-énergie : une modélisation microéconomique.

Taille optimale dans l industrie du séchage du bois et avantage compétitif du bois-énergie : une modélisation microéconomique. Taille optimale dans l industrie du séchage du bois et avantage compétitif du bois-énergie : une modélisation microéconomique Alexandre SOKI cole Supérieure du ois Atlanpôle P 10605 Rue hristian Pauc 44306

Plus en détail

Les déterminants de la demande de travail et de l investissement dans les entreprises privées québécoises.

Les déterminants de la demande de travail et de l investissement dans les entreprises privées québécoises. Université de Montréal Les déterminants de la demande de travail et de l investissement dans les entreprises privées québécoises. Par Faoziat Akanni Sous la direction de M. Yves Richelle et M. Abraham

Plus en détail

Rapport au Ministre. sur la répercussion à la pompe de la baisse du prix du baril de pétrole brut intervenue début mai 2011

Rapport au Ministre. sur la répercussion à la pompe de la baisse du prix du baril de pétrole brut intervenue début mai 2011 REPUBLIQUE FRANÇAISE DIRECTION GENERALE DE LA CONCURRENCE, DE LA CONSOMMATION ET DE LA REPRESSION DES FRAUDES PARIS, LE 27 MAI 2011 BUREAU F1 Rapport au Ministre sur la répercussion à la pompe de la baisse

Plus en détail

Simulation et première évaluation de ce dispositif

Simulation et première évaluation de ce dispositif les notes N 2 / 29 septembre 2011 Faut il revenir sur la défiscalisation des heures supplémentaires? Simulation et première évaluation de ce dispositif Éric Heyer Parmi les mesures du plan d économies

Plus en détail

Satisfaction des stagiaires de BRUXELLES FORMATION Résultats 2013

Satisfaction des stagiaires de BRUXELLES FORMATION Résultats 2013 Satisfaction des stagiaires de BRUXELLES FORMATION Résultats 2013 Cahier méthodologique, tableau récapitulatif 2009-2013 et Matrices importance/performance Mars 2014 Service Études et Statistiques Table

Plus en détail

NVIS 2c. CNIS Groupe de travail «Niveaux de vie et inégalités sociales» Note de travail n 2 (Avril 2006)

NVIS 2c. CNIS Groupe de travail «Niveaux de vie et inégalités sociales» Note de travail n 2 (Avril 2006) NVIS 2c CNIS Groupe de travail «Niveaux de vie et inégalités sociales» Note de travail n 2 (Avril 2006) Ce texte est provisoire et fragmentaire. Il vise à alimenter une discussion sur les éléments qui

Plus en détail

Gaz naturel comparé à l'électricité régulière et au mazout léger

Gaz naturel comparé à l'électricité régulière et au mazout léger POSITION CONCURRENTIELLE DU GAZ NATUREL Gaz naturel comparé à l'électricité régulière et au mazout léger Marché affaire (CII) Historique 1 an Prix de avril 2011 à mars 2012 L'historique 1 an présente le

Plus en détail

Dans le cadre de la loi du 10. Les charges de service public liées à la cogénération et aux énergies renouvelables. Les dispositifs de soutien

Dans le cadre de la loi du 10. Les charges de service public liées à la cogénération et aux énergies renouvelables. Les dispositifs de soutien T e n d a n c e s Les charges de service public liées à la cogénération et aux énergies renouvelables C est le consommateur final qui, en France, finance les dispositifs de soutien à la cogénération et

Plus en détail

PROJECTIONTENDANCIELLE DE LA CONSOMMATION D ÉNERGIE DES LOGEMENTS

PROJECTIONTENDANCIELLE DE LA CONSOMMATION D ÉNERGIE DES LOGEMENTS PROJECTIONTENDANCIELLE DE LA CONSOMMATION D ÉNERGIE DES LOGEMENTS Maurice GIRAULT, François LECOUVEY 1 L étude présentée ici prolonge une analyse de l évolution passée de la consommation de chauffage du

Plus en détail

La fée électricité sous le capot?

La fée électricité sous le capot? La fée électricité sous le capot? Quand on analyse les nouvelles motorisations proposées pour les véhicules on s aperçoit vite qu elles reposent pratiquement toutes sur l emploi de moteurs électriques

Plus en détail

Déclassement d'actifs et stock brut de capital

Déclassement d'actifs et stock brut de capital Extrait de : La mesure du capital - Manuel de l'ocde 2009 Deuxième édition Accéder à cette publication : http://dx.doi.org/10.1787/9789264067752-fr Déclassement d'actifs et stock brut de capital Merci

Plus en détail

Guide de référenciation en matière de consommation énergétique Raffinage classique du pétrole au Canada

Guide de référenciation en matière de consommation énergétique Raffinage classique du pétrole au Canada Guide de référenciation en matière de consommation énergétique Raffinage classique du pétrole au Canada Le 15 décembre 2002 Préparé par John Nyboer et Nic Rivers du CIEEDAC Guide de référenciation en matière

Plus en détail

LA REDACTION DU RAPPORT DE STAGE

LA REDACTION DU RAPPORT DE STAGE LA REDACTION DU RAPPORT DE STAGE Le nombre d exemplaires : 3 1 pour l entreprise, 1 pour l I.U.T., 1 pour vous même Le nombre de pages : 30 pages maximum (annexes non comprises) Le format : A4 Le rapport

Plus en détail

BUTANE ET PROPANE UNE ÉNERGIE PERFORMANTE ET COMPÉTITIVE UNE GARANTIE POUR L ENVIRONNEMENT

BUTANE ET PROPANE UNE ÉNERGIE PERFORMANTE ET COMPÉTITIVE UNE GARANTIE POUR L ENVIRONNEMENT BUTANE ET PROPANE UNE ÉNERGIE PERFORMANTE ET COMPÉTITIVE UNE GARANTIE POUR L ENVIRONNEMENT Les gaz butane et propane sont des énergies propres, respectueuses de l environnement. Leur combustion est d excellente

Plus en détail

L ESSENTIEL DE LA COMPTABILITÉ ANALYTIQUE

L ESSENTIEL DE LA COMPTABILITÉ ANALYTIQUE DIDIER LECLÈRE L ESSENTIEL DE LA COMPTABILITÉ ANALYTIQUE Cinquième édition LES ESSENTIELS DE LA FINANCE, 1997, 2001, 2002, 2004, 2011 ISBN : 978-2-212-54964-5 Sommaire Introduction Les objectifs de la

Plus en détail

Pointe et chauffage électrique

Pointe et chauffage électrique Pointe et chauffage électrique Enquête et décryptage sur une bien curieuse singularité française Association négawatt 1 er déc 2009 011209e Pour commencer, un petit lexique Pour caractériser la puissance,

Plus en détail

Evolution des prix des services mobiles en France

Evolution des prix des services mobiles en France 11 janvier 2012 Evolution des prix des services mobiles en France Evolutions 2006-2010 Synthèse L Autorité de régulation des communications électroniques et des postes rend publics les résultats de l étude

Plus en détail

SE DEPLACER. Reportez vous au Livret des Enjeux, objectifs 9 et 11.

SE DEPLACER. Reportez vous au Livret des Enjeux, objectifs 9 et 11. SE DEPLACER Les déplacements, sont liés aux activités, à notre lieu de vie principal, à nos besoins d approvisionnement, à nos relations sociales. Ils sont un moyen et non une fin. Pour autant: - La mobilité

Plus en détail

Consommation de fluides des lycées publics de la Région Rhône-Alpes

Consommation de fluides des lycées publics de la Région Rhône-Alpes Le lycée des Eaux-Claires de Grenoble - Crédit photo : Juan Robert Consommation de fluides des lycées publics de la Région Rhône-Alpes Synthèse - Année 2012 266 lycées 236 sites 193 000 élèves 4,3 millions

Plus en détail

LES MODES D ADAPTATION ET DE COMPENSATION DU HANDICAP : Les personnes handicapées motrices à domicile (enquête HID 1999)

LES MODES D ADAPTATION ET DE COMPENSATION DU HANDICAP : Les personnes handicapées motrices à domicile (enquête HID 1999) Délégation ANCREAI Ile-de-France CEDIAS - 5 rue Las-Cases 75007 PARIS Tél : 01 45 51 66 10 Fax : 01 44 18 01 81 E-mail : creai.idf@9online.fr Contact : Carole PEINTRE LES MODES D ADAPTATION ET DE COMPENSATION

Plus en détail

BILAN DES EMISSIONS DE GAZ A EFFET

BILAN DES EMISSIONS DE GAZ A EFFET B I L A N D E BILAN DES EMISSIONS DE GAZ A EFFET DE SERRE PLACOPLATRE ANNEE 2011 G A Z A E F F E T PRESTATAIRE : CITEPA 7, Cité Paradis 75010 Paris Tél : 01 44 83 68 83 Octobre 2012 D E S E R R E TABLE

Plus en détail

Performance 2010. Eléments clés de l étude

Performance 2010. Eléments clés de l étude Advisory, le conseil durable Consulting / Operations Performance 2010 Eléments clés de l étude Ces entreprises qui réalisent deux fois plus de croissance. Une enquête sur les fonctions ventes et marketing.

Plus en détail

2.3. ÉVOLUTIONS : UNE FACTURE ÉNERGÉTIQUE DE PLUS EN PLUS LOURDE

2.3. ÉVOLUTIONS : UNE FACTURE ÉNERGÉTIQUE DE PLUS EN PLUS LOURDE 2.3. ÉVOLUTIONS : UNE FACTURE ÉNERGÉTIQUE DE PLUS EN PLUS LOURDE Les graphiques ci-dessous illustrent l évolution historique de la facture énergétique régionale et de sa décomposition par acteur, par vecteur

Plus en détail

Les éléments essentiels d un plan de mesure et vérification (pmv) de la performance énergétique selon l ipmvp

Les éléments essentiels d un plan de mesure et vérification (pmv) de la performance énergétique selon l ipmvp SYPIM Syndicat du Pilotage et de la Mesure de la performance énergétique Les éléments essentiels d un plan de mesure et vérification (pmv) de la performance énergétique selon l ipmvp Fédération des Services

Plus en détail

La transition énergétique, comment les réseaux sociaux en débattent sur internet?

La transition énergétique, comment les réseaux sociaux en débattent sur internet? La transition énergétique, comment les réseaux sociaux en débattent sur internet? Quels enseignements en tirer pour la conduite des plans d actions engagés? L expression spontanée sur internet via les

Plus en détail

OBSERVATOIRE BAS-NORMAND DE L ENERGIE ET DU CLIMAT - OBNEC

OBSERVATOIRE BAS-NORMAND DE L ENERGIE ET DU CLIMAT - OBNEC OBSERVATOIRE BAS-NORMAND DE L ENERGIE ET DU CLIMAT - OBNEC Production d énergie et consommations finales en Basse-Normandie Etat des lieux 2010 Evolution 2004-2010 Unité de méthanisation de Cavigny (50),

Plus en détail

Le rôle-clé de l énergie nucléaire pour renforcer la sécurité économique de la France et de l Union européenne

Le rôle-clé de l énergie nucléaire pour renforcer la sécurité économique de la France et de l Union européenne Le rôle-clé de l énergie nucléaire pour renforcer la sécurité économique de la France et de l Union européenne La Société Française d Energie Nucléaire (SFEN) est le carrefour français des connaissances

Plus en détail

La prise en compte des services de logement dans l indice des prix à la consommation : une comparaison internationale

La prise en compte des services de logement dans l indice des prix à la consommation : une comparaison internationale La prise en compte des services de logement dans l indice des prix à la consommation : une comparaison internationale Le traitement des services de logement aux propriétaires occupant leur logement est

Plus en détail

Bilan d'émissions de Gaz à Effet de Serre

Bilan d'émissions de Gaz à Effet de Serre Bilan d'émissions de Gaz à Effet de Serre dans le cadre de l'art.75 de la loi Grenelle 2 FUEL DEFINITIONS DESCRIPTION DE LA PERSONNE MORALE (PM) CONCERNEE Raison sociale SAINT GOBAIN ABRASIFS France Code

Plus en détail

LES CAHIERS DU CEPS/INSTEAD Population & Emploi. Spécificités et performances des canaux de recrutement. Anne-Sophie GENEVOIS

LES CAHIERS DU CEPS/INSTEAD Population & Emploi. Spécificités et performances des canaux de recrutement. Anne-Sophie GENEVOIS LES CAHIERS DU CEPS/INSTEAD Population & Emploi Spécificités et performances des canaux de recrutement Anne-Sophie GENEVOIS Cahier n 2011-01 Janvier 2011 Spécificités et performances des canaux de recrutement

Plus en détail

Bilan d'émissions de gaz à effet de serre SNI

Bilan d'émissions de gaz à effet de serre SNI Bilan d'émissions de gaz à effet de serre SNI Direction du patrimoine Le 12/12/2014 SNI - 125 avenue de Lodève - CS 70007-34074 Montpellier Cedex 3 Tél. : 04 67 75 96 40 - www.groupesni.fr Siège social

Plus en détail

D une production centralisée à une production décentralisée, rendons les énergies renouvelables plus flexibles sur le réseau.

D une production centralisée à une production décentralisée, rendons les énergies renouvelables plus flexibles sur le réseau. e l e c tree D une production centralisée à une production décentralisée, rendons les énergies renouvelables plus flexibles sur le réseau le projet : Donnons à l Europe connectée les outils pour réussir

Plus en détail

3.7. Les sondages dans la révision (6 septembre 1996) 91

3.7. Les sondages dans la révision (6 septembre 1996) 91 c est-à-dire des relations qui sont inattendues ou contradictoires avec des éléments probants obtenus par d autres voies, le réviseur devra procéder à leur étude. Cette étude commencera habituellement

Plus en détail

Avis n 94-02 sur la méthodologie relative aux comptes combinés METHODOLOGIE RELATIVE AUX COMPTES COMBINES

Avis n 94-02 sur la méthodologie relative aux comptes combinés METHODOLOGIE RELATIVE AUX COMPTES COMBINES CONSEIL NATIONAL DE LA COMPTABILITÉ Avis n 94-02 sur la méthodologie relative aux comptes combinés Le Conseil national de la comptabilité réuni en formation de Section des entreprises le 28 octobre 1994,

Plus en détail

L impact de la hausse du prix du pétrole sur la croissance française

L impact de la hausse du prix du pétrole sur la croissance française L impact de la hausse du prix du pétrole sur la croissance française Résumé: - Les variations, notamment la hausse, des prix du pétrole ont un impact sur la croissance du PIB français. Une augmentation

Plus en détail

Evaluation des émissions

Evaluation des émissions Evaluation des émissions de gaz à effet de serre générées par les activités de la Bourse de l Immobilier 28 Avenue thiers 33100 BORDEAUX Tél : 05 57 77 17 77 - Fax : 05 56 40 58 63 www.bourse-immobilier.fr

Plus en détail

Les coûts du TRM Quelles perspectives pour 2013?

Les coûts du TRM Quelles perspectives pour 2013? Synthèse Les coûts du TRM Quelles perspectives pour 2013? OBSERVATOIRE ECONOMIQUE DU TRM Pour les transporteurs, la fin de l année est la période traditionnelle de révision des offres tarifaires. Sans

Plus en détail

Sommaire Introduction 1- Etude de la méthode a- Qu est-ce que la méthode Bilan Carbone? b- La composition d un diagnostic c- Comment établir un

Sommaire Introduction 1- Etude de la méthode a- Qu est-ce que la méthode Bilan Carbone? b- La composition d un diagnostic c- Comment établir un Sommaire Introduction 1- Etude de la méthode a- Qu est-ce que la méthode Bilan Carbone? b- La composition d un diagnostic c- Comment établir un diagnostic? d- Comment appliquer la méthode Bilan Carbone?

Plus en détail

NOTIONS FONDAMENTALES SUR LES ENERGIES

NOTIONS FONDAMENTALES SUR LES ENERGIES CHAPITRE 1 NOTIONS FONDAMENTALES SUR LES ENERGIES 1 suite Chapitre 1 : NOTIONS FONDAMENTALES SUR LES ENERGIES 1.1 Généralités 1.2 L'énergie dans le monde 1.2.1 Qu'est-ce que l'énergie? 1.2.2 Aperçu sur

Plus en détail

Lignes de transfert d Energie Electrique

Lignes de transfert d Energie Electrique Plan général du cours Introduction Les sources d énergie Les vecteurs d énergie Les consommateurs Les systèmes de tension 1 transmission réserve Source : Microsoft 2 1 Source Vecteur d énergie Consommateur

Plus en détail

Changement technique induit rôle des normes et des prix dans les mécanismes d induction : une approche de longue période

Changement technique induit rôle des normes et des prix dans les mécanismes d induction : une approche de longue période Changement technique induit rôle des normes et des prix dans les mécanismes d induction : une approche de longue période Rapport final pour l IFE Synthèse Mai 2005 Mourad Ayouz Franck Nadaud Sous la direction

Plus en détail

LE ROLE DES INCITATIONS MONETAIRES DANS LA DEMANDE DE SOINS : UNE EVALUATION EMPIRIQUE.

LE ROLE DES INCITATIONS MONETAIRES DANS LA DEMANDE DE SOINS : UNE EVALUATION EMPIRIQUE. LE ROLE DES INCITATIONS MONETAIRES DANS LA DEMANDE DE SOINS : UNE EVALUATION EMPIRIQUE. Synthèse des travaux réalisés 1. Problématique La question D7 du plan d exécution du Programme National de Recherches

Plus en détail

Optimisation du fonctionnement de la chaudière et de l open buffer

Optimisation du fonctionnement de la chaudière et de l open buffer Optimisation du fonctionnement de la chaudière et de l open buffer E. BRAJEUL D. LESOURD, A. GRISEY (Ctifl) T. BEAUSSE (Gaz de France) Serres horticoles et énergie, quel avenir? 30 et 31 janvier 2008 1

Plus en détail

A propos du calcul des rentabilités des actions et des rentabilités moyennes

A propos du calcul des rentabilités des actions et des rentabilités moyennes A propos du calcul des rentabilités des actions et des rentabilités moyennes On peut calculer les rentabilités de différentes façons, sous différentes hypothèses. Cette note n a d autre prétention que

Plus en détail

LA CONSOMMATION D ENERGIE EN ALLEMAGNE ET EN FRANCE : UNE COMPARAISON INSTRUCTIVE

LA CONSOMMATION D ENERGIE EN ALLEMAGNE ET EN FRANCE : UNE COMPARAISON INSTRUCTIVE LA CONSOMMATION D ENERGIE EN ALLEMAGNE ET EN FRANCE : UNE COMPARAISON INSTRUCTIVE Bernard LAPONCHE 18 mai 2011 www.global-chance.org LA CONSOMMATION D ENERGIE EN ALLEMAGNE ET EN FRANCE UNE COMPARAISON

Plus en détail

N 2015-XX. Les études de l emploi cadre

N 2015-XX. Les études de l emploi cadre DOCUMENT SOUS EMBARGO JUSQU AU 4 MARS À 00 h 01 LES ÉCARTS DE SALAIRE HOMMES-FEMMES ÉDITION 2015 Les études de l emploi cadre N 2015-XX Mars 2015 Composantes de la rémunération des cadres Méthode employée

Plus en détail

BILAN DES EMISSIONS DE GAZ A EFFET DE SERRE

BILAN DES EMISSIONS DE GAZ A EFFET DE SERRE BILAN DES EMISSIONS DE GAZ A EFFET DE SERRE PRESTATION RÉALISÉE PAR APAVE SUDEUROPE SAS 9 Avenue des Pyrénées 31240 L UNION APAVE SUDEUROPE SAS 9 AVENUE DES PYRÉNÉES 31 240 L UNION Tél : 05.61.37.62.06

Plus en détail

ANNEXE 2 BILAN DES ÉMISSIONS DIRECTES ET INDIRECTES ASSOCIÉES À L ÉNERGIE DE BREST MÉTROPOLE OCÉANE ET DE LA VILLE DE BREST 2012-2017

ANNEXE 2 BILAN DES ÉMISSIONS DIRECTES ET INDIRECTES ASSOCIÉES À L ÉNERGIE DE BREST MÉTROPOLE OCÉANE ET DE LA VILLE DE BREST 2012-2017 ANNEXE 2 BILAN DES ÉMISSIONS DIRECTES ET INDIRECTES ASSOCIÉES À L ÉNERGIE DE BREST MÉTROPOLE OCÉANE ET DE LA VILLE DE BREST 2012-2017 PLAN CLIMAT ÉNERGIE TERRITORIAL DE BREST MÉTROPOLE OCÉANE ET DE LA

Plus en détail

Contribution des industries chimiques

Contribution des industries chimiques Contribution des industries chimiques au débat national sur la transition énergétique Les entreprises de l industrie chimique sont des acteurs clés de la transition énergétique à double titre. D une part,

Plus en détail

Tests de sensibilité des projections aux hypothèses démographiques et économiques : variantes de chômage et de solde migratoire

Tests de sensibilité des projections aux hypothèses démographiques et économiques : variantes de chômage et de solde migratoire CONSEIL D ORIENTATION DES RETRAITES Séance plénière du 16 décembre 2014 à 14 h 30 «Actualisation des projections» Document N 5 Document de travail, n engage pas le Conseil Tests de sensibilité des projections

Plus en détail

Le contenu en CO2 du kwh électrique : Avantages comparés du contenu marginal et du contenu par usages sur la base de l historique.

Le contenu en CO2 du kwh électrique : Avantages comparés du contenu marginal et du contenu par usages sur la base de l historique. Final le 08/10/2007 Le contenu en CO2 du kwh électrique : Avantages comparés du contenu marginal et du contenu par usages sur la base de l historique. - NOTE DETAILLEE - 1- Le contexte Le calcul du contenu

Plus en détail

Énergie et Mondialisation

Énergie et Mondialisation Énergie et Mondialisation Il est fréquent d affirmer que de nombreuses questions énergétiques ou environnementales ne peuvent être posées correctement qu au niveau mondial. Résolument ancré dans le réseau

Plus en détail

BACCALAURÉAT TECHNOLOGIQUE Sciences et Technologies de l Industrie et du Développement Durable ENSEIGNEMENTS TECHNOLOGIQUES TRANSVERSAUX

BACCALAURÉAT TECHNOLOGIQUE Sciences et Technologies de l Industrie et du Développement Durable ENSEIGNEMENTS TECHNOLOGIQUES TRANSVERSAUX BACCALAURÉAT TECHNOLOGIQUE Sciences et Technologies de l Industrie et du Développement Durable ENSEIGNEMENTS TECHNOLOGIQUES TRANSVERSAUX Coefficient 8 Durée 4 heures Aucun document autorisé Calculatrice

Plus en détail

Sondage stratifié. Myriam Maumy-Bertrand. Master 2ème Année 12-10-2011. Strasbourg, France

Sondage stratifié. Myriam Maumy-Bertrand. Master 2ème Année 12-10-2011. Strasbourg, France 1 1 IRMA, Université de Strasbourg Strasbourg, France Master 2ème Année 12-10-2011 Ce chapitre s appuie essentiellement sur deux ouvrages : «Les sondages : Principes et méthodes» de Anne-Marie Dussaix

Plus en détail

Leçon 5. Systèmes de gestion à recomplétement périodique et stock de sécurité

Leçon 5. Systèmes de gestion à recomplétement périodique et stock de sécurité CANEGE Leçon 5 Systèmes de gestion à recomplétement périodique et stock Objectif : A l'issue de la leçon l'étudiant doit être capable : dans le cadre des calendriers d approvisionnement à recomplètement

Plus en détail

Chapitre E : Allégations environnementales dans la communication commerciale

Chapitre E : Allégations environnementales dans la communication commerciale Chapitre E : Allégations environnementales dans la communication commerciale Le présent chapitre doit être lu en conjonction avec les Dispositions générales sur les pratiques de publicité et de communication

Plus en détail