Technologie de la réfrigération : Pourquoi un dossier d'investissement doit-il être basé sur des modèles probabilistes ?
Lorsque les détaillants évaluent les investissements dans les technologies de réfrigération, l'analyse repose souvent sur un modèle simple et simpliste. Les prix de l'énergie sont fixés aux taux en vigueur, les économies prévues sont supposées rester constantes et la période de récupération est exprimée en un seul chiffre. À première vue, ce modèle semble fiable, mais il ne reflète pas l'évolution des conditions dans la pratique. Les coûts énergétiques fluctuent, les besoins d'entretien augmentent avec le temps et les activités des magasins varient d'un jour à l'autre. Le fait de s'appuyer sur des valeurs fixes masque ces variables et peut conduire à des conclusions trompeuses ou mal informées.
La simulation de Monte Carlo permet de relever ce défi. Au lieu de produire un seul résultat, elle exécute des milliers de scénarios dans des plages de probabilité définies pour chaque variable d'entrée. Les résultats sont présentés sous la forme d'une gamme de résultats avec leurs probabilités associées , plutôt que sous la forme d'absolus. Cela permet une évaluation plus nuancée du risque et du rendement, en alignant le modèle d'investissement sur l'incertitude à laquelle les détaillants sont réellement confrontés.
Ce blog examine les raisons pour lesquelles la modélisation probabiliste constitue une base plus solide pour les décisions d'investissement dans la technologie de la réfrigération, comment les méthodes de Monte Carlo fonctionnent dans la pratique et les avantages qu'elles offrent par rapport aux approches à point unique.
Modélisation déterministe ou probabiliste des investissements dans les technologies de réfrigération
Les risques liés à l'utilisation d'estimations ponctuelles. La plupart des modèles d'investissement dans les technologies de réfrigération sont déterministes. Ils partent d'un ensemble fixe d'hypothèses, telles que le prix de l'énergie, les performances de l'armoire et les coûts d'entretien, et calculent un résultat unique. Un modèle peut indiquer que la période de récupération est un nombre fixe d'années ou que les économies réalisées sur la durée de vie atteindront un chiffre donné. Ces résultats donnent l'impression d'être précis, mais si les prix de l'énergie changent au fil du temps ou si la maintenance s'avère plus exigeante, les résultats perdent rapidement toute crédibilité. Pire encore, les modèles déterministes sont plus susceptibles d'être manipulés pour obtenir un résultat ponctuel.
La modélisation probabiliste remédie à cette faiblesse. Au lieu de s'appuyer sur des données fixes, elle attribue des distributions de probabilité à chaque variable. Par exemple, les coûts de l'énergie peuvent être représentés sous la forme d'une fourchette qui reflète les variations de prix au niveau régional ou en fonction de la demande. Les indices d'inflation, le calendrier de déploiement et les prévisions d'intensité de carbone dans l'approvisionnement peuvent être modélisés de la même manière. Grâce à la méthode de Monte Carlo, des milliers de simulations sont effectuées, en tirant au hasard les valeurs d'entrée de ces distributions de probabilités, générant ainsi un spectre de résultats agrégés.
Le résultat ? Il ne s'agit pas d'un chiffre unique, mais d'un histogramme montrant les résultats possibles avec leurs probabilités associées. Dans la figure ci-dessous, nous montrons des fourchettes de résultats pour les retours sur investissement, le rapport bénéfice/coût et les économies de carbone pour un investissement au niveau du magasin modélisé sur une période de 10 ans.
Par exemple, les résultats peuvent montrer une tendance centrale vers une économie de 173-183 tonnes de CO₂, mais une large fourchette de résultats hauts et bas. Cette approche permet à l'office d'investissement d'évaluer la probabilité qu'un investissement atteigne un taux de rendement minimum spécifique, ou de déterminer la fourchette des résultats dans un intervalle de confiance de 95 %, par exemple.
Ce passage de méthodes déterministes à des méthodes probabilistes reflète la manière dont la modélisation avancée est de plus en plus appliquée par les entreprises. Aerofoil Energy et ses clients dans les programmes d'investissement technologique.
Simulation de Monte Carlo : Comment cela fonctionne-t-il pour les investissements dans le secteur de la réfrigération ?
Les méthodes de Monte Carlo utilisent des techniques probabilistes pour générer des résultats sur la base d'un échantillonnage aléatoire répété. Dans le cadre de la modélisation des investissements dans les technologies de réfrigération, elles sont utilisées pour dresser un tableau de l'impact financier et des émissions de carbone à long terme du déploiement des technologies dans les établissements de vente au détail.
Plutôt que de traiter chaque donnée comme une hypothèse fixe, le modèle les représente sous forme de distributions de probabilités, en saisissant dans chaque cas l'éventail des valeurs que chaque hypothèse peut présenter pendant la durée de vie de l'investissement. Les données d'entrée comprennent généralement
Taille du parc de magasins et composition des armoires: nombre de magasins devant être modernisés et proportion d'armoires frigorifiques adaptées au déploiement.
Calendrier de déploiement: mise à niveau progressive des armoires existantes et adoption dans des armoires neuves ou remises à neuf au fil du temps, modélisée sur la durée de vie utile de l'équipement.
Consommation d'énergie de l'armoire de référence : dérivée des données de contrôle de l'énergie ex ante.
Distribution de probabilité de la consommation d'énergie de l'armoire de base dérivée de la surveillance en laboratoire et en magasin.
Économies d'énergie: dérivées de mesures indépendantes effectuées en laboratoire et en magasin après le déploiement de la technologie.
Intensité carbonique de l'offre: basée sur les données des gouvernements, des ONG et des universités, l'évolution dans le temps étant modélisée à l'aide d'une marche aléatoire contrainte.
Prix de l'électricité: tarifs industriels en vigueur ou contrats de vente au détail divulgués, reflétant les variations régionales ou basées sur la demande.
Facteurs d'inflation: coûts de l'énergie, du capital et de la main-d'œuvre modélisés pour refléter la cyclicité économique et les interdépendances (par exemple, les coûts du capital par rapport aux coûts de l'énergie).
Une variation possible de l'inflation dans le temps, basée sur une "marche aléatoire" au sein de cycles économiques périodiques.
Schéma du modèle probabiliste de Monte Carlo. Les données d'entrée comprenaient la taille du parc de détaillants, la typologie des armoires, la distribution des économies d'énergie, le calendrier de déploiement, l'intensité en carbone de l'offre, les taux d'adoption, les coûts technologiques, les prix de l'électricité et l'inflation.
Chaque simulation Monte Carlo sélectionne au hasard des valeurs dans chacune de ces distributions d'entrée. En général, entre 8 000 et 10 000 simulations sont effectuées pour générer des résultats, qui peuvent ensuite être résumés statistiquement sous la forme d'un histogramme ou utilisés pour rapporter une gamme de résultats dans un intervalle de confiance défini.
Pour les modèles d'investissement d'Aerofoil Energy, les résultats agrégés sont exprimés sous la forme de distributions de probabilités :
Émissions de carbone évitées: au niveau du détaillant, au niveau national et au niveau régional.
Viabilité financière : le cas d'investissement exprimé en termes monétaires, de taux de rendement, de rapport bénéfices/coûts et de délais de récupération.
Dans la section suivante, nous montrerons un exemple concret d'utilisation des méthodes de simulation de Monte Carlo pour évaluer l'impact financier et en termes d'émissions de carbone des technologies de réfrigération dans les grandes enseignes internationales de la distribution.
Étude de cas : Demande de projet d'élite
Aerofoil Energy a appliqué des modèles probabilistes à son projet Elite, un programme de recherche et de développement conçu pour établir une nouvelle référence en matière d'efficacité de la réfrigération. L'objectif était d'estimer l'impact carbone de la technologie en cours de développement.
Comment cela a été fait
Des variables telles que la consommation d'énergie des armoires avec ou sans technologie et l'intensité de carbone du réseau ont été modélisées pour refléter l'incertitude inhérente et les variations dans le temps.
Le déploiement de la technologie a été modélisé de manière à refléter à la fois les mises à niveau progressives et l'installation en usine dans de nouvelles armoires au fil du temps.
Des milliers d'itérations ont été effectuées pour calculer l'éventail probable des résultats en matière de carbone.
Ce qu'il a montré
Les résultats ont été présentés pour montrer comment les émissions de carbone évitées évolueraient dans le temps, reflétant l'adoption progressive de la technologie Elite par rapport à l'élimination graduelle du carbone du mix de production d'énergie électrique d'un pays.
Au Royaume-Uni, l'adoption de la technologie Elite par un groupe restreint d'épiciers devrait permettre d'éviter 0,45 million de tonnes de CO₂ sur une période de 20 ans.
Série chronologique montrant les émissions de carbone annuelles évitées grâce à l'adoption de la technologie Elite au Royaume-Uni.
En Amérique du Nord, l'impact potentiel est de 3,6 millions de tonnes de CO₂ évitées, contre 1,75 million de tonnes pour le Japon et l'Australie et 1,72 million de tonnes pour l'Europe.
Série chronologique montrant les émissions de carbone annuelles évitées grâce à l'adoption de la technologie Elite aux États-Unis et au Canada. Il convient de noter que le maintien de niveaux élevés de production de combustibles fossiles dans le bouquet énergétique de la région se traduit par des niveaux plus élevés d'économies de CO2 grâce à la technologie Elite à long terme, par rapport au Royaume-Uni et à l'Europe.
Globalement, l'impact total se situe entre 6,8 et 8,1 millions de tonnes de CO₂ évitées.
Le résultat
Depuis le projet Elite, Aerofoil Energy a intégré la modélisation probabiliste dans ses évaluations de rentabilité standard pour les clients, donnant aux détaillants une vue complète des impacts financiers et des impacts sur le carbone. En associant son expertise en ingénierie à une modélisation financière avancée, Aerofoil Energy renforce la crédibilité des analyses de rentabilité présentées au conseil d'administration, ce qui favorise une prise de décision plus confiante et mieux informée.
Construire des dossiers d'investissement qui reflètent la réalité
Les investissements dans les technologies de réfrigération ne peuvent être évalués sur la base d'hypothèses fixes. Les coûts énergétiques fluctuent, le comportement opérationnel est irrégulier et les besoins de maintenance augmentent avec l'âge de l'armoire. Les modèles déterministes compriment ces variables en un seul chiffre, ce qui crée l'illusion de la certitude mais dissimule les risques qui affectent les performances à long terme.
La modélisation probabiliste offre une vision plus sophistiquée. En appliquant les méthodes de Monte Carlo pour simuler des milliers de scénarios de résultats possibles, elle garantit que les stratégies d'investissement sont fondées sur des données qui tiennent compte à la fois de la variabilité et du risque. Les clients ont ainsi la certitude que leurs décisions sont fondées sur les conditions auxquelles ils sont confrontés aujourd'hui et à l'avenir.
Si vous êtes en train de revoir votre stratégie de réfrigération, notre équipe peut partager les résultats de la modélisation probabiliste et les exemples de cas que les principaux détaillants utilisent déjà pour éclairer leurs décisions. Prenez contact avec nous.
Pour en savoir plus :