Gérer les risques climatiques et faire face aux pertes et aux dommages

2. Types d'incertitudes et compréhension des risques de pertes et de dommages

Abstract

Le présent chapitre examine les différents degrés de confiance – et par conséquent d'incertitude – qui influent sur la compréhension des risques de pertes et dommages induits par le changement climatique. Il s’intéresse plus spécifiquement aux différents degrés de fiabilité que présentent les projections du climat physique et les prévisions concernant l’exposition et la vulnérabilité futures. Cela inclut et/ou concerne les incertitudes liées aux trajectoires des émissions, à la façon dont le système climatique réagit à ces émissions, à la variabilité du climat et aux modes de développement socioéconomique. Ce chapitre présente en outre des exemples analytiques qui illustrent les différents types d'incertitudes. Il s'achève en examinant comment ces incertitudes doivent être abordées pour communiquer efficacement sur les risques climatiques.

En bref

Le rôle de l’être humain dans le réchauffement du système climatique est sans équivoque. Il y a très peu de doutes quant à la dimension thermodynamique de ce changement et à la gravité des impacts qui y sont associés. En revanche, il existe de grandes incertitudes concernant certains aspects importants de la réaction du climat au forçage radiatif, ainsi que sur la vulnérabilité et l’exposition des systèmes socioéconomiques. Ces incertitudes ne sont cependant pas une raison pour retarder l’action.

Le changement climatique est le résultat de processus physiques complexes. Seul un petit groupe d’experts et de savants très spécialisés a une parfaite compréhension scientifique de ces processus. Bien que les décideurs publics s’occupant de la question du changement climatique n’aient pas besoin d’avoir une telle compréhension, ils doivent souvent établir un lien entre la science et l’action publique. Cela signifie qu'ils doivent gérer un certain nombre de types et de formes d’incertitudes différents. Un décideur bien informé des différentes interprétations possibles du risque climatique est capable de déterminer quelles sont les mesures efficaces et robustes permettant de réduire et de gérer ce risque. Les différents types d’incertitudes sont les suivants :

• Incertitudes liées à la qualité et la quantité des données issues de l’observation : la Terre est aujourd'hui observée plus attentivement et plus systématiquement que jamais auparavant. Malgré cela, il reste encore du chemin avant de pouvoir compter sur un dispositif de surveillance systématique et exhaustive du climat au niveau mondial. Toute amélioration de la surveillance est un pas en avant qui peut procurer des avantages à court terme.

• Incertitudes de la sensibilité climatique à l’équilibre (ECS) et de la réponse climatique transitoire (TCR) : l’aspect le plus important d'un plan ou d'une stratégie en faveur du climat est sa capacité à atténuer le changement climatique. Les fourchettes des estimations de l’ECS et de la TCR représentent les incertitudes de l’ampleur de la réaction du climat aux émissions de gaz à effet de serre. Au vu de ces incertitudes, la nécessité de réduire radicalement les émissions revêt un caractère d’urgence évident.

• Incertitudes des projections du changement climatique aux niveaux régional et mondial : malgré le grand degré de confiance dans la dimension thermodynamique de ce changement et dans la gravité des impacts qui y sont associés, il est très difficile de déterminer précisément quand, où et comment se produiront ces aléas. Les projections des changements pouvant survenir à court terme à l’échelle régionale restent néanmoins utiles. Elles donnent une idée des bouleversements que pourront subir les systèmes humains et naturels, même si la date à laquelle ils surviendront et leur ampleur ne sont pas établies avec précision. Les modèles climatiques fournissent donc, du point de vue de l’action publique, des informations générales sur les grandes tendances et la façon dont le changement climatique pourrait avoir lieu localement. Ces informations peuvent être utilisées directement pour l’élaboration des politiques ayant trait à la gestion des risques climatiques, notamment en ce qui concerne l’adaptation physique, comportementale et culturelle aux changements attendus.

• Incertitudes liées aux données socioéconomiques : ces données doivent servir de base à toute décision des pouvoirs publics, afin de pouvoir évaluer les conséquences possibles des mesures qui sont prises. Or, ces données cruciales ne sont souvent pas disponibles. Lorsque c’est le cas, les décideurs publics peuvent utiliser – entre autres – des variables de substitution et des analyses de régression, qui introduisent des incertitudes supplémentaires. La réalisation d’analyses quantitatives et qualitatives peut favoriser une compréhension plus large et plus complète des enjeux.

• Incertitudes des projections socioéconomiques : une autre source importante d’incertitude concerne la situation socioéconomique résultant des changements. Les modèles d’évaluation intégrée constituent la méthode la plus efficace, au regard des politiques climatiques, pour analyser les différents scénarios possibles pour l’avenir. Ils utilisent dans une seule formule les éléments pertinents du système climatique et ceux de l’économie. Bien qu'ils soient utiles pour comparer les effets probables des différentes mesures, ces modèles présentent des limites car ils intègrent rarement l’incertitude physique et socioéconomique, en particulier la façon dont ces deux incertitudes interagissent. Il est donc nécessaire qu'ils soient complétés par d'autres types de modélisation, comme par exemple la modélisation multi-agents, ou encore les modèles avec rééchantillonnage ou repondération. Les projections sont également sensibles à la place de la nature dans les systèmes socioéconomiques, comme par exemple sa valeur intrinsèque et son rôle dans la production économique et le bien-être des individus. Ces éléments doivent par conséquent être soigneusement pris en compte.

• Autres incertitudes socioéconomiques : il s’agit notamment des points de bascule socioéconomique et du taux d'actualisation social. Les points de bascule socioéconomique sont des changements brusques survenant dans la société, sans commune mesure avec le point de départ (autrement dit, non linéaires). Ils ont la possibilité d'accroître ou de menacer l’efficacité de la politique climatique et sont, par nature, extrêmement difficiles à prédire. Les actions engagées par les pouvoirs publics doivent avoir pour but d’encourager le franchissement des points de bascule, qui permettent de renforcer la résilience des sociétés. Le taux d'actualisation social doit refléter les valeurs et les cultures locales. Son rôle est essentiellement de pondérer l'avenir par rapport au présent : ce taux est faible lorsque le contexte est incertain ou que les dommages sont importants.

Ces dernières décennies, les incertitudes relatives aux pertes et dommages pouvant survenir ont diminué. Elles occupent toutefois une place importante dans la perception des risques et dans la façon dont l'action d'atténuation du changement climatique réagit à cette perception. Compte tenu de l’incroyable accumulation de données scientifiques sur le changement climatique et ses possibles conséquences, l’absence de certitudes – par exemple au sujet de la façon, du moment et du lieu où surviendra un aléa – ne saurait être une raison pour ne pas agir. Ce chapitre montre en fait que plus les incertitudes sont grandes, plus l’éventail de risques climatiques est large. Par conséquent, les doutes et les ambiguïtés qui entourent certains aspects des projections du changement climatique doivent être invoquées non pas pour ne rien faire, mais au contraire pour engager des actions énergiques en faveur du climat.

2.1. Introduction

Le chapitre 1 présente de façon synthétique le changement climatique en montrant brièvement comment le climat réagit aux émissions anthropiques de gaz à effet de serre (GES) et comment la vulnérabilité et l’exposition peuvent exacerber les risques climatiques et les impacts socioéconomiques. Dans son sixième Rapport d'évaluation, le Groupe de travail I du Groupe d’experts intergouvernemental sur l’évolution du climat (GIEC) conclut : « Il n’y a aucun doute sur le fait que l’activité humaine a entraîné un réchauffement de l’atmosphère, des océans et des sols. » Il estime également que « l’ampleur des récents bouleversements qu’a connus le système climatique dans son ensemble et l’état actuel de ce système à de nombreux égards sont sans précédent depuis plusieurs siècles, voire plusieurs millénaires » (IPCC, 2021[1]).

Au vu de ces évaluations, il existe très peu de doute quant à la dimension thermodynamique du changement climatique si l’on considère l’équilibre des flux d'énergie à l’entrée et à la sortie du système terrestre. Pour citer un exemple, l’augmentation des émissions de GES entraîne une concentration accrue de ces gaz dans l’atmosphère, et donc un forçage radiatif plus important. Il s’en suit une hausse de la température moyenne à la surface du globe (IPCC, 2013[2] ; Hausfather et al., 2020[3]). Ces changements thermodynamiques ont en outre pour effet de modifier profondément les courants océaniques et atmosphériques, d'où la perturbation du cycle de l’eau et du régime des précipitations. La conséquence de ces bouleversements est une augmentation de la fréquence et de l’ampleur d'un grand nombre de phénomènes météorologiques extrêmes tels que les fortes précipitations et les inondations, les sécheresses et les vagues de chaleur.

Le forçage radiatif accru s’exerçant sur le système terrestre du fait de la plus forte concentration de GES entraîne également à longue échéance des modifications irréversibles du niveau de la mer (principalement à cause de la dilatation thermique ainsi que de la fonte des glaciers et de la banquise) (IPCC, 2021[1]). Si rien n’est fait, le changement climatique aura au final des conséquences sur les points de bascule, ce qui entraînerait un bouleversement total du système climatique. Ce bouleversement potentiel est traité dans le chapitre 3, qui s'intéresse à la circulation méridienne océanique de retournement de l'Atlantique (AMOC) : ce courant océanique majeur, qui transfère de la chaleur depuis les Tropiques vers le nord, pourrait très bien s’affaiblir au cours du XXI^e siècle (IPCC, 2021[1]).

Il y a de nombreuses raisons de penser que ces modifications physiques du climat auront différents types d'impacts socioéconomiques – avec les pertes et dommages qui vont avec –, notamment des incidences directes sur les moyens de subsistance des populations. Celles-ci pourraient se manifester par exemple par des modifications des régimes de précipitations, des températures ainsi que de la distribution de la biodiversité et des services écosystémiques. Un autre effet indirect sur les moyens de subsistance est notamment la modification de la demande de biens et services (Granderson, 2014[4]).

Certaines données montrent par ailleurs que l’altération des conditions socioéconomiques contribue, par différents biais, à l’augmentation de la vulnérabilité et de l’exposition des pays. Une telle situation pourrait entraîner une aggravation des pertes et des dommages (Hallegatte, Bangalore et Vogt-Schilb, 2016[5]). Le changement climatique peut également provoquer la perte de sécurité des individus, la disparition de pratiques territorialisées, d’identités et d'un patrimoine culturel, ainsi que des déplacements de populations (Barnett et al., 2016[6]) (Adger et al., 2012[7]). Bien que moins facilement quantifiables, ces pertes et dommages non économiques peuvent être tout aussi importants – voire plus – car ils surviennent à des degrés variables et sont perçus très différemment selon les sociétés.

Il existe peu de doutes quant à la dimension thermodynamique du changement climatique et à la gravité des impacts qui y sont associés. En revanche, il est très difficile de déterminer avec certitude quand, où et comment ces effets se produiront. La raison est qu'il est extrêmement compliqué de modéliser un système climatique très complexe et non linéaire. À cette difficulté s'ajoute (voire la supplante, dans certains cas) l’incertitude concernant le contexte socioéconomique dans lequel se manifesteront à l’avenir ces aléas ; or, il est essentiel de connaître ce contexte pour appréhender le degré de vulnérabilité et d’exposition au changement climatique futur, et donc les risques de pertes et de dommages à différentes échéances (Riahi et al., 2017[8]).

Selon le GIEC, « l’incertitude dénote une situation d'imperfection de la connaissance résultant d'un manque d’information et/ou d’un désaccord au sujet de ce que l'on sait ou que l'on peut savoir » (Kunreuther et al., 2014[9]). Certains aspects de l’incertitude qui règne concernant l’évolution future d'une certaine variable climatique ou socioéconomique peuvent être quantifiés et revêtent une probabilité bien définie. D'autres, en revanche, ne peuvent être quantifiés. Ces deux types d’incertitudes sont décrits dans le présent chapitre. Au vu des données probantes dont on dispose sur l’ampleur du défi climatique, ces incertitudes ne sont pas une raison pour retarder l’action. Étant donné l’ampleur du changement climatique, les dommages liés au climat risquent au contraire de s'accroître de façon non linéaire par rapport à la situation actuelle. Par conséquent, l’incertitude relative à l’évolution future du climat à l’échelle locale et régionale est un motif non pas de tranquillité mais d’inquiétude.

Cette incertitude se reflète dans les projections modélisées des précipitations futures. Dans certaines régions, les modèles climatiques présentent un haut degré de concordance concernant la direction du changement (Zappa, Bevacqua et Shepherd, 2021[10]). Dans d'autres, en revanche, les modèles indiquent soit une direction opposée, soit un changement minime. La nature des incertitudes a des implications différentes en termes de mesures d’adaptation. Il peut arriver que dans une région donnée, les tendances climatiques soient incertaines (par exemple, lorsque les projections se situent de part et d'autre d'une moyenne établie à zéro). Cette région sera donc confrontée à des choix différents par rapport à une autre où les prévisions du changement climatique sont très fiables et où ce changement est relativement faible et proche de zéro. En d'autres termes, l’absence de confiance dans la façon dont le changement se manifestera n’est pas la même chose que la confiance dans l’absence de changement.

Face à l’incertitude du risque climatique, il convient en fait de trouver un équilibre entre deux types d’erreurs possibles. La première est le faux positif (c’est-à-dire la surestimation de la probabilité qu'un impact se produise). La seconde est le faux négatif [c’est-à-dire la sous-estimation de cette même probabilité (Shepherd, 2019[11])]. Trouver l’équilibre entre les deux n’est pas simple. Cela suppose d’avoir une bonne compréhension des différents degrés et types d’incertitudes ainsi que de la meilleure façon de mettre à profit l’incertitude dans le cadre de la prise de décisions.

Les sections qui suivent examinent les incertitudes relatives à la réponse du climat face au forçage radiatif ainsi qu’à la vulnérabilité et l’exposition des systèmes socioéconomiques (Graphique 2.1.). Le but est de présenter les informations qui sont à la disposition des décideurs publics en montrant leur part d’incertitude, et d'indiquer comment les dirigeants peuvent améliorer la communication sur les risques de manière à stimuler l’action. La section 2.2 porte sur les projections du climat et leur degré de confiance, tandis que la section 2.3 étudie le degré de fiabilité des prévisions relatives à l’exposition et la vulnérabilité futures. Enfin, la section 2.4 s’intéresse à la nécessité que ces incertitudes soient abordées conjointement si l'on veut communiquer plus efficacement sur les risques climatiques.

Graphique 2.1. Types d'incertitudes influant sur la compréhension des risques de pertes et de dommages

2.2. Fiabilité et incertitudes des projections climatiques

Le changement climatique est le résultat de processus physiques complexes. Un petit groupe seulement – ou presque – d’experts et de savants très spécialisés a une parfaite compréhension scientifique de ces processus. Bien que les décideurs publics s’occupant de la question du changement climatique n’aient pas besoin d’avoir une telle compréhension, ils doivent souvent établir un lien entre la science et l’action publique. Cela signifie qu'ils doivent gérer un certain nombre de types et de formes d’incertitudes différents. Un décideur bien informé des différentes interprétations possibles du risque climatique est capable de déterminer quelles sont les mesures efficaces et robustes pour réduire et gérer ce risque.

Cette section vise à mieux faire comprendre les risques de pertes et de dommages encourus, afin d’encourager les décideurs publics à engager une action climatique ambitieuse. Elle examine différents types d’incertitudes, notamment celles liées au système climatique lui-même ou celles provenant des choix politiques et sociétaux – encore inconnus – qui seront faits à l’avenir et qui détermineront le forçage radiatif. D'autres incertitudes proviennent de la disponibilité des données d’observation concernant la sensibilité climatique, ainsi que des projections des émissions futures et du flou des prévisions du changement climatique aux niveaux régional et mondial. Si certaines incertitudes peuvent être atténuées par l’amélioration des outils scientifiques (comme l’observation et la modélisation), pour d'autres les seuls remèdes sont la volonté politique et le temps qui passe.

2.2.1. Qualité et quantité des données issues de l’observation

Observations météorologiques et climatiques actuelles et passées

Les données et observations de la situation météorologique et climatique actuelle et passée sont essentielles pour comprendre la variabilité et l’évolution du système climatique, et fournissent des valeurs de référence utilisables pour suivre les évolutions. Lorsqu’elles sont de grande qualité, ces données et ces observations alimentent en outre la recherche, qui sert de base à la compréhension du changement climatique actuel et futur.

Les observations du comportement passé d'un certain nombre de variables liées au climat sont utilisées pour concevoir et perfectionner les modèles climatiques qui fournissent des projections concernant le système climatique futur (Flato, 2013[12]). Partant du principe que si les modèles ne permettent pas de prédire le passé avec précision, ils ne peuvent donc vraisemblablement prédire l'avenir, une approche directe pour évaluer l’efficacité d'un modèle climatique consiste à comparer son résultat avec les observations passées. Les données se rapportant à un passé très lointain (depuis des millions jusqu'à des centaines d'années en arrière) – appelées données paléoclimatiques – sont également importantes pour évaluer les modèles climatiques en utilisant d'autres références que les observations récentes ayant été utilisées pour les concevoir (Braconnot et al., 2012[13]).

Cette approche montre que les modèles climatiques reproduisent correctement les caractéristiques et aspects généraux des températures de surface moyennes enregistrées par le passé au niveau mondial. Ils sont en revanche moins efficaces pour simuler les régimes de précipitations à grande échelle, et pas du tout pour évaluer la pluviométrie au niveau régional (Flato, 2013[12]). Pour analyser les différences entre les résultats de la modélisation et les données issues de l’observation, il convient d'avoir une bonne connaissance et compréhension des incertitudes et erreurs potentielles.

La surveillance du climat mondial est une opération qui coûte cher. Il est donc important de réfléchir à sa nécessité en tenant compte des objectifs sociétaux (Goody et al., 2002[14]). Cette surveillance est globalement nécessaire à trois périodes différentes qui présentent chacune un enjeu sur le plan sociétal (Goody et al., 2002[14]) :

• Premièrement, la surveillance du climat actuel répond à un certain nombre d’objectifs sociétaux. Elle peut par exemple aider les acteurs des secteurs agricole et industriel en leur permettant d’obtenir des succès et des gains à court terme. Elle peut aussi servir de base aux mesures de protection visant à éviter les pertes (de vies humaines, de moyens de subsistance et d'actifs).

• Deuxièmement, la surveillance du climat peut être utile pour les prévisions à court terme du climat (sur un à deux ans, par exemple), notamment concernant le phénomène El Niño. Ce type de phénomène est lié à un certain nombre de catastrophes naturelles pouvant survenir au niveau mondial, ce qui signifie que sa surveillance répond à une réelle motivation et qu’elle a un lien avec des objectifs sociétaux.

• Troisièmement, les données et la surveillance climatiques sont utilisées pour effectuer les projections du climat à longue échéance (dans 50-100 ans, voire au-delà) car elles permettent l’étalonnage et l’évaluation des modèles. Les résultats de la modélisation servent à déterminer quelles seront les implications à long terme de l'interférence entre les activités humaines et le système climatique. Ils ont été très utiles pour établir le processus climatique international et ont joué un rôle central dans les évaluations du GIEC (par exemple en ce qui concerne l’adoption des objectifs de température à long terme visés à l’échelle mondiale, qui sont inscrits dans l’Accord de Paris).

La Terre fait aujourd'hui l’objet d’observations plus attentives et plus systématiques que jamais auparavant. La capacité d’observation du climat s’est en outre considérablement améliorée ces dernières années grâce aux progrès technologiques, notamment le perfectionnement des systèmes de mesure (par exemple du niveau de la mer et des températures) et d'imagerie terrestre (avec la télédétection par satellite) (Guo, Zhang et Zhu, 2015[15]).

L’amélioration des méthodes d'analyse des données climatiques recueillies par les stations météorologiques permet également de disposer d’observations du climat plus précises et plus fiables qu'il y a un siècle (Mitchell et Jones, 2005[16]). De nombreux ensembles de données sur la température moyenne enregistrée au niveau mondial ont été compilés à l'aide de méthodes différentes et de toutes sortes de variables, pour un résultat concordant. La hausse des températures à la surface du globe a ainsi été confirmée (Rahmstorf, Foster et Cahill, 2017[17]). Enfin, la technologie émergente de l’analytique des mégadonnées, qui connaît de nombreux succès, est de plus en plus appliquée à la science météorologique et climatique (Hassani, Huang et Silva, 2019[18]).

La surveillance du climat permet d’obtenir de précieuses informations sur les grandes variables climatiques (comme la température). Elle nécessite cependant le suivi précis et sans distorsion d'un plus grand nombre de variables (National Research Council, 2012[19]). De nombreux pays à travers le monde reconnaissent la nécessité de poursuivre et d’améliorer les observations climatiques, d'une part pour mieux comprendre le changement climatique qui s’opère aujourd'hui, et d'autre part pour affiner les prévisions le concernant. Preuve en est l’approbation du plan de mise en œuvre du système mondial d'observation du climat (SMOC) de l’Organisation météorologique mondiale (OMD) (GCOS, 2016[20]), qui a été présenté à la COP22 à Marrakech.

Ce plan « préconise des innovations scientifiques et technologiques pour les programmes d’observation de la Terre déployés par les agences spatiales, ainsi que la mise en œuvre dans chaque pays de systèmes et de réseaux d’observation du climat ». Il recense en outre les actions nécessaires pour procéder à la surveillance du climat et passe en revue les exigences croissantes de la recherche scientifique, de la Convention-cadre des Nations Unies sur les changements climatiques (CCNUCC) et d'autres accords multilatéraux. Enfin, il présente succinctement un certain nombre de variables climatiques essentielles (VCE), résumées dans le Tableau 2.1, et indique ce qu'il faut faire pour les mesurer.

Tableau 2.1. Variables climatiques essentielles selon le SMOC

Domaine de mesure	Variables climatiques essentielles (VCE)
Atmosphère	Surface - Température de l’air, vitesse et direction du vent, vapeur d'eau, pression, précipitations, bilan du rayonnement en surface. Atmosphère supérieure : température, vitesse et direction du vent, vapeur d'eau, propriétés des nuages, bilan radiatif de la Terre, foudre. Composition : dioxyde de carbone (CO2), méthane (CH4), autres GES à longue durée de vie, ozone, aérosols, précurseurs d’ozone et d'aérosols.
Océans	Physique - Température de l’eau de mer en surface et des eaux souterraines. Salinité : eau de mer en surface et eaux souterraines ; courants, courants superficiels, niveau de la mer, état de la mer, glace de mer, force à la surface de l’océan, flux thermiques à la surface de l’océan. Biogéochimie : carbone inorganique, oxygène nutriments, traceurs transitoires, oxyde d'azote (N2O), couleur de la mer. Biologie/écosystèmes : plancton, propriétés de l’habitat marin.
Terre	Hydrologie - Cours d’eau, eaux souterraines, lacs, humidité des sols. Cryosphère : neige, glaciers, banquise et glace flottante, permafrost. Biosphère : albédo, couverture terrestre, fraction absorbée du rayonnement photosynthétiquement actif, indice de surface foliaire, biomasse aérienne, carbone du sol, feux, température de la surface terrestre. Utilisation des ressources naturelles par l’être humain : consommation d’eau, flux de GES.

Source : (GCOS, 2016[20]).

Outre ces travaux, l’OMD fournit depuis 1993 des informations actualisées sur le climat dans son bulletin intitulé « State of the Global Climate » [pour le plus récent, voir (Kennedy et al., 2021[21])]. Ces données proviennent de la Commission for Climatology qui définit les orientations du Programme climatologique mondial, en partenariat avec les membres de l’Organisation. Le bulletin précité fournit des informations clés sur ce que l'on appelle les indicateurs climatiques mondiaux (Trewin et al., 2021[22]), qui sont un sous-ensemble des VCE. Il est donc une source fiable de données scientifiques sur le climat et sa variabilité.

La surveillance du climat montre que le degré d’incertitude, la qualité et la portée des données varient considérablement pour les différents indicateurs. Les variations de la température moyenne à la surface du globe peuvent ainsi être évaluées avec une grande fiabilité et jusqu’à des périodes reculées. À l'opposé, l’acidification des océans présente un volume limité de données d’observation car seul un petit nombre de stations mesurent cet indicateur à l’échelle mondiale, et seulement depuis quelques années. Quant aux observations de la banquise, elles dépendent des données satellite, qui sont disponibles depuis 40 ans.

La réanalyse des données climatiques, qui combine modèles et observations, a également été très utilisée au cours des dernières décennies. Grâce à elle, des estimations exhaustives de nombreuses variables climatiques de premier plan ont pu être réalisées à l’échelle mondiale, avec une grande régularité temporelle et une résolution élevée. Plusieurs centres d’observation du climat procèdent à des réanalyses en utilisant différents modèles (Kalnay et al., 1996[23] ; Dee et al., 2011[24] ; Kobayashi et al., 2015[25] ; Randles et al., 2017[26]). Des paramètres atmosphériques y sont notamment mesurés (comme la température/la pression de l’air et le vent), mais aussi des paramètres de surface (tels que les précipitations, l'humidité du sol et la température de surface de la mer). Ces ensembles sont très utiles car ils produisent des séries homogènes de données maillées qu’il serait quasiment impossible de mesurer et d'analyser directement.

Les réanalyses consistent à utiliser des données passées – nettoyées, normalisées et interpolées – pour produire des études du changement climatique au fil du temps. Les imperfections et les biais que présentent les données d’observation et les modèles utilisés pour créer ces séries se retrouvent inévitablement dans les ensembles de données résultant de la réanalyse. Autrement dit, la fiabilité de ces ensembles est à la hauteur des données qui les composent, raison pour laquelle ils ne sauraient être pris pour une vérité historique.

Les systèmes et les réseaux de collecte d’informations sur le climat sont de plus en plus nombreux et gagnent en efficacité. Malgré cela, il reste encore du chemin avant de pouvoir compter sur un dispositif de surveillance systématique et exhaustive du climat au niveau mondial. Or, toute amélioration de la surveillance est un pas en avant qui peut procurer des avantages à court terme.

Compte tenu des nombreuses lacunes du dispositif, des priorités doivent être établies. Il convient de citer en particulier la qualité et la disponibilité des données, qui présentent une grande hétérogénéité sur le plan géographique et temporel, ainsi que pour les différents types de variables climatiques. Cela entraîne une qualité variable des prévisions météorologiques dans les différentes régions – souvent dans les plus vulnérables – et limite les travaux de recherche sur le climat. La couverture inégale des données, due à toutes sortes de facteurs politiques et économiques, génère inévitablement de grandes incertitudes. Pour citer un exemple, l’évaluation du changement climatique qui se produira à l’avenir dans des régions moins représentées dans les ensembles de données a des conséquences en termes de justice climatique (Brönnimann et Wintzer, 2018[27]).

Les améliorations de la surveillance du climat peuvent avoir un impact direct sur les décisions qui sont prises concernant, entre autres, la gestion des risques climatiques et les mesures de résilience. La raison est que ces décisions doivent répondre à des questionnements – par exemple sur l’emplacement des infrastructures ou les zones à privilégier pour prendre des mesures de préservation des sols ou de l’eau –, et que les observations climatiques peuvent y apporter une réponse directe. Le fait de disposer de données de meilleure qualité, et sur de plus longues périodes, peut aussi aider à développer et mettre à l’essai des modèles pouvant fournir des prévisions plus fiables à moyen et long terme.

Données issues de l’observation d’événements climatiques aux impacts particulièrement forts

Des données d’observation de grande qualité sont nécessaires pour établir des statistiques sur différents types de phénomènes climatiques extrêmes, ainsi que pour détecter un changement climatique et en déterminer les causes (Otto, 2016[28]). Cela permet ensuite aux chercheurs de tirer des conclusions (aux degrés de confiance variés) sur le fait qu’un phénomène donné a eu lieu ou non, ou s'il a été exacerbé par le changement climatique anthropique qui s’ajoute à la variabilité climatique actuelle. Les études d'impacts de ce type sont généralement engagées après la survenue d'un événement climatique ayant eu des conséquences graves pour les populations locales (Philip et al., 2020[29]). Le problème est que la surveillance et la notification des effets de différents types de phénomènes météorologiques extrêmes sont souvent insuffisantes et déséquilibrées entre les pays pauvres et les pays riches (Visser, Petersen et Ligtvoet, 2014[30] ; Noy, 2015[31] ; Noy et duPont IV, 2018[32] ; Tschumi et Zscheischler, 2019[33]). La qualité inégale des données qui existent dans les pays à revenu élevé sur l’impact de différents types de phénomènes extrêmes suscite de réelles inquiétudes (Tschumi et Zscheischler, 2019[33]). Cela dit, dans de nombreuses autres régions du monde, aucune donnée n’est enregistrée pour quelque impact que ce soit de tous les types de phénomènes météorologiques extrêmes (Noy, 2015[31]), comme par exemple les canicules (Harrington et Otto, 2020[34]).

Les données d’observation relatives aux événements produisant des impacts importants sont également utiles pour l’étalonnage et l’évaluation des modèles, afin de pouvoir prédire la reproduction future des mêmes événements. Les modèles climatiques mondiaux permettent de prédire avec précision les hausses de la température moyenne à la surface du globe dues aux émissions de GES. En revanche, ils ne sont pas supposés prédire – ni capables de le faire – des phénomènes extrêmes isolés, comme par exemple une vague de chaleur (voir la section 2.2.4) ou une inondation survenant à un endroit précis (tout au moins jusqu'à maintenant).

Les modèles secondaires établissent un lien entre les projections émanant des modèles climatiques mondiaux et les événements spécifiques se produisant localement. Le fait de ramener les modèles à une échelle inférieure a surtout pour but d’améliorer la résolution numérique. Les modèles d’impacts peuvent également évaluer les effets produits sur d'autres variables humaines ou physiques. Ils utilisent par ailleurs les résultats des modèles climatiques mondiaux (comme l'évolution prévue de la température, des précipitations ou du niveau de la mer) et déduisent les conséquences possibles de ces changements sur divers secteurs de l’économie (comme l’agriculture, les ressources en eau et l’exploitation forestière). Comme pour les modèles climatiques mondiaux, les modèles d'impacts et la descente d'échelle des modèles doivent être testés et étalonnés par rapport aux observations passées afin d'améliorer les prévisions (Xu, Han et Yang, 2018[35]). Les données de qualité résultant de l’observation des événements climatiques locaux et de faible ampleur – et de leurs conséquences – leur sont donc très utiles.

Tableau 2.2. Évaluation des impacts de différents types de phénomènes climatiques extrêmes

Type de phénomène	Impacts faciles à mesurer	Impacts difficiles à mesurer	Impacts rarement mesurés
Vague de chaleur	s.o.	Surmortalité due à la chaleur, hospitalisations liées à la chaleur, dommages causés à l’infrastructure.*	Baisse de la productivité et autres pertes économiques indirectes.
Inondation	Dégradation d'actifs assurés, mortalité directe.	Dégradation d'actifs non assurés. Pertes de récoltes.	Problèmes psychologiques, épidémies.
Sécheresse	Pertes de récoltes.	Insécurité alimentaire et malnutrition.	Impacts liés à la chaleur. Autres pertes économiques indirectes.
Incendie	Dégradation d'actifs assurés, mortalité directe.	Dégradation d'actifs non assurés. Problèmes de santé dus à la pollution de l’air.	Baisse de la productivité et autres pertes économiques indirectes.
Ampleur de la couverture	Ensemble des pays	Pays à revenu élevé seulement	Études spécifiques uniquement

Note : Représentation schématique de la variation du niveau d'incertitude des impacts en fonction du type de phénomène climatique examiné (les lignes) ainsi que de la fréquence de notification des différentes catégories d'impacts par les différents pays (les couleurs). Les quatre types d’événements climatiques ont été classés d'après la fréquence avec laquelle ils font l’objet d'une analyse d'attribution.

*Parce que les inondations ont lieu plus souvent et frappent une plus grande proportion de la population mondiale que les incendies1, il existe plus d’informations sur les impacts qui sont souvent ou peu mesurés dans différents contextes. Cela explique pourquoi l’« ampleur de la couverture » des impacts est différente entre ces deux types de phénomènes dans le tableau.

Le fond bleu désigne les impacts couramment rapportés par l’ensemble des pays.

Le fond orange représente les impacts généralement rapportés par les pays à revenu élevé uniquement.

Le fond rouge correspond aux impacts qui ne sont pas signalés régulièrement et qui nécessitent des études spécifiques (souvent publiées dans la littérature spécialisée) pour en établir une estimation.

Les sous-sections qui suivent présentent succinctement les différents types d’incertitudes qui existent lorsque l’on mesure les impacts des différentes catégories de phénomènes climatiques extrêmes (Tableau 2.2), représentant des exemples des aléas possibles. L’absence d'évaluation d'autres types d’aléas – comme dans le cas des phénomènes à évolution lente et des points de bascule (voir le chapitre 3) – est également une réalité, mais elle n’est pas abordée ici. Le but n’est pas, en effet, de fournir un compte rendu exhaustif des nombreuses publications traitant des impacts des catastrophes naturelles, mais plutôt de comprendre l’ampleur relative du déficit de données qui existe concernant les impacts des phénomènes extrêmes.

Inondations

Parmi les types de phénomènes météorologiques extrêmes les plus souvent analysés du point de vue de l’attribution des incidences (voir le Tableau 2.2), les épisodes de précipitations extrêmes et les inondations qui en résultent sont les mieux définis dans les bases de données dont on dispose (Tschumi et Zscheischler, 2019[33]). Une raison pour laquelle les inondations – dues à des tempêtes ou à des cyclones – sont très bien représentées dans des bases de données comme EM-DAT, Sigma Explorer ou DesInventar tient aux caractéristiques de leurs impacts. Les principales dégradations qui ont lieu lors de ces événements concernent des actifs matériels comme les habitations, les routes ou d'autres infrastructures (Hallegatte et al., 2013[36]). Ces dégradations présentent les caractéristiques suivantes :

• une valeur économique bien définie (et, dans les pays riches, une couverture contre les dommages) ;

• une délimitation spatiale (à savoir, des lieux inondés) ;

• l’absence – ou presque – de décalage temporel entre le pic de l’événement et ses effets.

Associées à des données satellite – entre autres –, ces caractéristiques permettent d’effectuer relativement rapidement des évaluations de la plupart des impacts des épisodes de précipitations extrêmes (Ward et al., 2017[37]). De nombreux autres effets importants des inondations ne sont que rarement répertoriés dans les bases de données d'impacts. Il s'agit notamment des problèmes psychologiques dus à des événements répétés (English National Study of Flooding and Health Study Group, 2019[38]), des déplacements de populations (Tong, 2017[39]) ou encore des maladies (bien documentées) (Brown et Murray, 2013[40] ; Marcheggiani et al., 2010[41] ; English National Study of Flooding and Health Study Group, 2019[38]). Les études ayant mis en évidence ces impacts doivent, pour acquérir un plus grand poids statistique, inclure des données sanitaires de qualité couvrant plusieurs inondations différentes. Les estimations des impacts plus diffus ou difficiles à mesurer sont rarement disponibles avant plusieurs années, et souvent uniquement après que des études spécifiques aient été réalisées.

Incendies

Les incendies ont au moins trois impacts en commun avec les inondations. Tout d’abord, ils touchent des actifs économiques bien précis, qui sont souvent assurés contre les dommages dans les pays riches. Ensuite, la plupart des impacts ont souvent lieu dans une zone clairement délimitée (on peut distinguer les bâtiments incendiés de ceux qui ne le sont pas). Enfin, il existe peu de décalage temporel entre l’événement et ses effets.

Dans le cas des incendies, des incertitudes existent également au sujet des conséquences sanitaires. À titre d’exemple, l’analyse préliminaire de la pollution de l’air qui a été réalisée lors des incendies du bush australien en 2019/20 a conclu à une surmortalité d’environ 400 personnes et à plus de 1 000 hospitalisations dues à l’exposition aux fumées (Borchers Arriagada et al., 2020[42]).

Comparées aux incendies, les inondations ont lieu plus souvent et frappent une plus grande proportion de la population mondiale.¹ Il existe par conséquent plus d’informations sur les impacts faciles ou difficiles à mesurer dans différents contextes. Cela explique pourquoi l’« ampleur de la couverture » des impacts indiquée dans le Tableau 2.2 est différente entre ces deux types de phénomènes.

Vagues de chaleur

Contrairement aux inondations, il y a peu d'impacts directement observables dans le cas des vagues de chaleur. L’examen approfondi de certaines canicules permet toutefois d’en savoir plus sur les effets constatés lors de ces événements. Il convient à cet égard de citer les vagues de chaleur exceptionnelles qui ont eu lieu dans le sud-est de l’Australie en janvier 2009 (Steffen et al., 2019[43]). La réévaluation qui a été effectuée à l’aide des autres canicules survenues en Australie les années suivantes a mis en évidence quatre grandes catégories d'impacts (Zander et al., 2015[44]) :

• une surmortalité due à l’extrême chaleur (estimée à plus de 500 décès) ;

• une surmorbidité estimée à 3 000 hospitalisations supplémentaires pour des pathologies liées à la chaleur ;

• des pertes économiques consécutives aux dommages des réseaux d'électricité et de transport (estimés au total à 800 millions AUD) : coupures de courant dues à la chaleur et frappant 500 000 personnes, perturbation générale des transports causée par le dysfonctionnement de l'infrastructure ferroviaire, et fermeture d’axes routiers en raison de la fonte du bitume ;

• des baisses de la productivité de la main-d’œuvre au sens large, estimées à des centaines de millions de dollars australiens.

Malheureusement, même les rapports d'impacts des vagues de chaleur les plus complets qui figurent dans des bases de données comme EM-DAT recensent généralement un seul de ces quatre impacts, à savoir la surmortalité. De surcroît, seuls les pays d’Europe occidentale fournissent en général ces chiffres (Guha-Sapir, Hargitt et Hoyois, 2004[45] ; Guha-Sapir, Hoyois et Below, 2016[46]). S'agissant de la majorité des pays à revenu faible et intermédiaire de la tranche supérieure, aucun système de surveillance en temps réel n’est en place pour aucune de ces quatre (ou plus) catégories d'impacts des vagues de chaleur. Par voie de conséquence, les effets des canicules ne sont souvent pas du tout répertoriés, malgré des preuves météorologiques évidentes et des analyses rétrospectives qui, s'étendant sur de longues périodes, montrent que ces effets existent bel et bien (Russo et al., 2016[47] ; Ozturk, Saygili-Araci et Kurnaz, 2021[48] ; Zittis et al., 2021[49]).

En bref, des données fiables montrent que la persistance pendant une certaine durée de températures relatives très élevées – autrement dit, une vague de chaleur (Perkins et Alexander, 2013[50]) – peut avoir de profondes répercussions sur le plan social, sanitaire et économique, quel que soit l’endroit où elle a lieu (Gasparrini et al., 2015[51] ; Ebi et al., 2021[52]). Une canicule sans précédent (du type de celle de 2003 en Europe) qui surviendrait dans une mégapole non préparée (Fouillet et al., 2008[53] ; Hess et al., 2018[54]) des pays du Sud, par exemple, aurait des coûts économiques – directs et indirects – avoisinant sans doute des centaines de millions de dollars (Steffen et al., 2019[43]). Dans de telles circonstances, des milliers de personnes pourraient mourir de stress thermique (Whitman et al., 1997[55] ; Robine et al., 2008[56] ; Mora et al., 2017[57]) et des dizaines de milliers d'autres pourraient tomber malades à cause de la chaleur (Vaidyanathan et al., 2019[58]).

En l’état actuel des choses, rares sont les pays du globe qui peuvent fournir un compte rendu en temps réel (ou quasiment) des effets des vagues de chaleur sur le plan économique ou en termes de morbidité (Tschumi et Zscheischler, 2019[33]). En vérité, un grand nombre des pays les plus vulnérables du monde ne disposent d'aucun système pour détecter les impacts des épisodes de canicules. La conséquence est qu’aucun « événement caniculaire » n’est rapporté dans les bases de données sur les catastrophes naturelles (Harrington et Otto, 2020[34]). Ces déficits de notification contribuent à des erreurs de perception. Ils laissent entendre que les phénomènes de chaleur extrême soit n’arrivent jamais, soit ne provoquent pas d’effets économiques ou sanitaires majeurs dans les régions à faible revenu ou au climat chaud (Tschumi et Zscheischler, 2019[33] ; Otto et al., 2020[59]). Tant que ces lacunes ne seront pas comblées, des milliers de décès causés par la chaleur extrême continueront sans doute chaque année à ne pas être déclarés. Malgré les prévisions annoncées une semaine à l’avance, des avertissements clairs et des actions collectives dans cette région d'un pays développé, la Colombie-britannique a fait savoir que dans sa seule province, le nombre de décès avait triplé (jusqu’à 719) pendant la canicule de juin/juillet 2021 (Government of British Columbia, 2021[60]).

Sécheresses

De nombreux pays à faible revenu ont mis en place des dispositifs permettant de mesurer les pertes de récoltes causées directement par les épisodes de sécheresse. Cela s’explique par l’importance pour les organisations non gouvernementales de repérer l’insécurité alimentaire et ses conséquences sur le plan humanitaire (Benson et Clay, 1998[61] ; Clay et Stokke, 2000[62] ; Harrington et Otto, 2020[63]).

Au-delà des pertes de récoltes directes et de l’éventuelle raréfaction de l’eau dans les régions vulnérables, la sécheresse a des impacts très diffus sur le plan économique. Les pertes économiques indirectes peuvent parfois mettre plusieurs années avant d'apparaître. Ce décalage est source de problèmes lorsque l'on essaie de récapituler les différents impacts aussitôt après que l’épisode a eu lieu. De plus, des outils de modélisation macroéconomique complexes sont souvent nécessaires pour réussir à mesurer ces pertes (Kamber, McDonald et Price, 2013[64] ; Edwards, Gray et Hunter, 2019[65]). Cela génère des différences de la qualité de notification encore plus grandes entre les pays qui ont les moyens d'évaluer régulièrement ces impacts et les autres.

2.2.2. Variation de la sensibilité climatique

La sensibilité climatique à l’équilibre (ECS) fait référence à la modification de la température moyenne globale suite au doublement de la concentration d’équivalent CO₂ (éq. CO₂2) dans l’atmosphère (Kattenberg et al., 1996[66]). En d'autres termes, lorsque la concentration d’éq. CO₂ dans l’atmosphère est multipliée par deux et que l'on attend la réponse du climat, la hausse de température qui se produit lorsque le climat retrouve une situation d’équilibre correspond à l’ECS.

Le système terrestre présente une autre forme de sensibilité, appelée réponse climatique transitoire (TCR). À la différence de l’ECS, la TCR mesure le réchauffement qui se produit au moment où la concentration d'éq. CO2 est multipliée par deux suite à l'augmentation linéaire et régulière des émissions (de 1 % par an), et non lorsque le système a atteint un équilibre. La TCR a plus à voir avec la hausse cumulée des émissions de GES qui a eu lieu lors du passé récent.3

L’ECS et la TCR ne sont pas des techniques de mesure basiques. Elles résultent au contraire d'un mécanisme complexe de réponse du système terrestre, et ont fait l’objet de travaux de recherche pendant plusieurs décennies. Depuis les 40 dernières années, il est clair que l’ECS se situe entre 1.5 et 4.5 °C (Ad Hoc Study Group on Carbon Dioxide and Climate et al., 1979[67] ; IPCC, 2013[2]). Dans son rapport le plus récent, le GIEC l'évalue à une fourchette de 2.5-4 °C (forte probabilité), la valeur la plus probable étant de 3 °C. Cette actualisation s'appuie sur une connaissance accrue des processus climatiques, sur des données paléoclimatiques et sur la réponse du système climatique à l’intensification du forçage radiatif. En d'autres termes, le doublement de la concentration des émissions d’équivalent CO₂ dans l’atmosphère entraînerait une augmentation de 2.5-4 °C de la température moyenne à la surface du globe (IPCC, 2021[1]).

La TCR est plus faible que l’ECS et se situe dans une fourchette de 1.0-2.3 °C (des émissions cumulées de 1 000 PgC de CO₂ devraient causer une augmentation de la température à la surface du globe comprise dans cette fourchette), l’estimation la plus probable étant de 1.65 °C (IPCC, 2021[1]). Cela est dû aux retards et décalages qui ont lieu dans le système climatique, comme par exemple le temps requis pour que la chaleur gagne les profondeurs des océans et pour qu'un nouvel équilibre soit atteint. La hausse de température due à ces émissions détermine l’ampleur et la gravité du changement climatique lié aux émissions anthropiques. L’ECS et la TCR sont donc des mesures essentielles pour comprendre le changement climatique actuel et futur provoqué par les activités humaines.

Une question qu'il convient de se poser en tout premier lieu concernant un plan ou une stratégie climatique est celle de son efficacité. Les incertitudes qui entourent l’ECS et la TCR ont des conséquences directes sur l’ampleur de la réponse du climat aux émissions de GES (Graphique 2.1.). Le positionnement de l’ECS dans la fourchette 1.5-4.5 °C aura une incidence directe sur la gravité, la chronologie et l'étendue des impacts climatiques ayant d'importantes ramifications sociétales.

Les engagements de réduction des émissions pris par les pays ne sont pas suffisants pour atteindre les objectifs de températures à long terme inscrits dans l’Accord de Paris (UNFCCC, 2015[68]). Si l’ECS atteint dans la réalité les valeurs supérieures des estimations actuelles, les émissions pourraient entraîner un réchauffement (et des impacts) encore plus important que ne le laissent supposer les projections actuelles après 2050. Il conviendrait alors d’accélérer la réduction des émissions ou d'avancer et d'élargir le déploiement des technologies de réduction du CO₂ par rapport à ce qui aurait sans doute été le cas sinon. Certains ouvrages récents avancent que même en tenant compte de ces incertitudes, l’objectif de limitation du réchauffement climatique à 1.5 °C – fixé dans l’Accord de Paris – est matériellement réalisable (Holden et al., 2018[69] ; CONSTRAIN, 2020[70]), même s'il faudra pour cela beaucoup d’efforts et de chance. Une bonne compréhension du caractère incertain de l’ECS est donc essentielle pour évaluer les risques climatiques et élaborer des politiques d’atténuation et d’adaptation. Malgré de nombreuses tentatives pour réduire l’incertitude de l’ECS, celle-ci s’est maintenue à un niveau élevé au cours des quarante dernières années.

Un certain nombre de méthodes et de sources de données sont utilisées pour déterminer l’ECS et la TCR, chaque fois en combinant plusieurs études, modèles et ensembles de données. Cela inclut des données d'un passé très lointain (paléoclimatiques), des observations récentes et les résultats de modèles climatiques.4 Une étude récente, élaborée à partir de ces diverses sources de données, a permis de réduire sensiblement la fourchette de l’ECS (Sherwood et al., 2020[71]). Sa conclusion est que le positionnement de l’ECS dans des valeurs inférieures à la fourchette estimée (c’est-à-dire en dessous de 1.5 degrés) – là où la réponse climatique aux émissions anthropiques est la plus faible – est très peu probable. L’étude précise qu’il y a moins de 5 % de chance pour que l’ECS soit inférieure à 2 degrés, mais en revanche plus de 5 % de chance qu’elle atteigne des valeurs dépassant la fourchette fixée dans le cinquième Rapport d'évaluation du GIEC (à savoir plus de 4.5 degrés). Comme l'indiquaient les précédentes évaluations, le réchauffement pourrait, d’ici à 2100, être plus élevé que la fourchette supérieure des niveaux prévus aujourd'hui pour n'importe quel scénario de concentrations de GES survenant au cours du siècle.5

D'autres études indiquent également que la réponse climatique aux augmentations des concentrations de GES sera de grande ampleur. En d'autres termes, il existe une probabilité faible, mais suffisante, d'assister à un réchauffement très important (Ackerman, Stanton et Bueno, 2010[72] ; Wagner et Weitzman, 2018[73] ; Weitzman, 2009[74]). Les incertitudes de l’ECS ont été partiellement quantifiées grâce à plusieurs exercices de modélisation. La robustesse des valeurs est ainsi évaluée à l’aide de différents modèles et de séries de paramètres plausibles. La forme de la distribution des estimations de l’ECS obtenue de cette manière renseigne sur le niveau d’incertitude. Elle indique aussi la probabilité pour que l’ECS se situe dans la fourchette supérieure. Le constat est cependant que les traînes de la distribution sont sensibles aux hypothèses. L’Encadré 2.1 examine les implications des différentes distributions de l’ECS. L’ECS n’est pas une donnée d’entrée, mais le résultat d'un exercice de modélisation. Elle dépend donc des modèles et varie selon la façon dont la dynamique complexe du système climatique est modélisée.

Encadré 2.1. Implications des différentes distributions de l’ECS

L’une des façons d’estimer l’ECS est d'utiliser des modèles climatiques. Les projections déterministes (c’est-à-dire les prévisions des causes et des effets) du changement climatique sont sujettes à de nombreuses incertitudes dues à la compréhension incomplète du système climatique, à l’utilisation de modèles imprécis, ainsi qu'à la sensibilité des modèles et des exercices de modélisation aux paramètres initiaux configurés par l’opérateur (Collins et al., 2013[75]). Il existe en outre relativement peu de modèles, et leurs résultats sont très différents. Cela a des conséquences sur la façon dont l’ECS est évaluée.

Pour illustrer l’interprétation des incertitudes de l'évaluation de l’ECS provenant des modèles, le Graphique 2.2.a compare la distribution de la probabilité de l’ECS telle qu’établie par Sherwood et al. (2020[71]). Les évaluations les plus récentes de l’ECS ont été réalisées dans le cadre du CMIP6 (Meehl et al., 2020[76]). Le Graphique 2.2.a montre que la fourchette des valeurs de l’ECS est plus élevée selon le CMIP6 que selon le cinquième rapport du GIEC (1.5-4.5 °C), avec seulement très peu de valeurs en dessous de 1.5 °C et un grand nombre au-dessus de 4.5 °C. Ce dépassement est très souvent évoqué dans la littérature. Il est dû principalement à la plus forte rétroaction positive des nuages provenant de la prise en compte, dans les modèles, de la diminution de la couverture nuageuse extratropicale basse et de l’albédo (Zelinka et al., 2020[77]).

Au-delà des valeurs absolues de l’ECS, l’observation visuelle des histogrammes a et b du Graphique 2.2. permet de constater qu'il y a moins de valeurs faibles que de valeurs élevées. Cela suggère une distribution à traîne épaisse en direction des valeurs plus élevées. Le Graphique 2.2.b représente, aux fins d'illustration seulement, deux types de distributions simplifiées des données de l’ECS évaluées par le CMIP6. On y voit qu'une distribution log-normale à traîne épaisse coïncide avec une plus forte probabilité de valeurs élevées. Inversement, une distribution normale (courbe gaussienne) correspond à une probabilité plus faible d’avoir de telles valeurs. Le constat est donc que la forme de la distribution a une influence sur la probabilité d'un degré élevé de réchauffement, ce qui est important à savoir pour élaborer des mesures de gestion des risques climatiques.

Ce format de distribution n’est en aucun cas proposé en tant qu’alternative à celui présenté dans Sherwood et al. (2020[71]). Les travaux en question utilisent de nombreuses sources de données et représentent le summum en matière d'évaluation de l’ECS. La différence entre les deux histogrammes montre l’effet que produit la disponibilité de données supplémentaires sur une méthode d'évaluation plus élaborée (celle de Sherwood), en particulier sur les traînes. Ce type de distribution, qui vise à représenter la situation actuelle en matière d’incertitude et de (manque de) connaissances, s'appuie davantage sur la synthèse d'un grand nombre d'avis d’experts que sur la quantification d'une vérité physique ( (Jebeile et Crucifix, 2020[78])).

Graphique 2.2. Distribution des estimations de la sensibilité climatique à l’équilibre du CMIP6

Note :  Les estimations du CMIP6 proviennent de (Meehl et al., 2020[76]) et sont comprises entre 1.1 et 5.6 °C. La distribution représentée dans l'histogramme b a été réalisée à l’aide du package « fitdist » de R en calculant l’estimateur du maximum de vraisemblance pour inférer des paramètres variables (moyenne, écart-type) dans la classe de modèles.

Les évaluations de l’ECS et de la TCR ont des répercussions directes sur l’estimation des budgets carbone restants, en fonction des objectifs de température à long terme. Les incertitudes de ces deux mesures, qui sont des propriétés du système climatique, introduisent un haut degré de doute dans les trajectoires d'atténuation décidées au niveau mondial et dans les répercussions régionales/locales.

Compte tenu de ces incertitudes, la nécessité de réduire radicalement et de toute urgence les émissions à tous les niveaux apparaît comme une évidence. Cela est d’autant plus vrai que les études les plus récentes rejettent totalement les valeurs les plus basses (correspondant aux dommages les plus faibles) mais n’excluent pas les valeurs les plus élevées (correspondant à des dommages importants). Grâce aux nombreuses recherches consacrées à la sensibilité climatique, la compréhension des budgets carbone et des processus physiques pouvant conduire à des valeurs élevées a évolué et s’est considérablement améliorée.

Au vu de ce qui précède, les scénarios de travail sur les émissions ainsi que leurs implications pour les dispositifs d'atténuation à l’échelle mondiale et d'adaptation au niveau local ont un certain lien avec la compréhension de l’ECS et de la TCR. Une surveillance étroite de l’évolution des émissions et des températures ainsi que de leurs impacts est donc extrêmement importante. Elle peut permettre d'améliorer progressivement les scénarios relatifs aux émissions afin qu’ils coïncident davantage avec la réalité du changement climatique, et d'adapter rapidement l’action en fonction de la progression des connaissances.

Dans le domaine de la politique climatique, la lenteur de l’action présente de hauts risques ; elle consiste à s'appuyer sur le niveau le plus bas des budgets carbone envisageables en espérant qu'il pourra devenir, avec des informations complémentaires, le niveau le plus élevé. Le problème est que cela pourrait être le contraire. Les budgets présentant 66 % de chance – voire 50 % – d'atteindre les objectifs de température fixés à l’échelle mondiale sont plus vulnérables face aux changements que ceux qui s'accompagnent d'une action plus énergique pour y parvenir.

2.2.3. Incertitudes des projections des émissions futures et du forçage radiatif

Outre les incertitudes concernant la façon dont le climat réagit au forçage radiatif, les prévisions détaillées du changement climatique sont limitées par les incertitudes relatives aux aspects suivants : i) la projection du niveau des émissions futures de GES ; et ii) la transformation de ces émissions en concentrations de GES dans l’atmosphère, qui déterminent l’ampleur du forçage radiatif (Graphique 2.1.).

D'une part, les incertitudes de la projection des émissions proviennent de la difficulté à prédire avec précision les activités qui auront lieu à l’avenir dans le monde, et donc les émissions qui en résultent. Cela est dû à l'interaction complexe entre les choix sociétaux, technologiques, économiques et politiques qui sont opérés pour les administrations, les pays et les citoyens à court, moyen et long termes, et qui changent rapidement.

D'autre part, les incertitudes relatives à la façon dont les émissions influenceront ultérieurement le forçage radiatif sont directement liées à la compréhension actuelle du cycle du carbone. Ce cycle fait référence à la série de processus par lesquels les composés du carbone, dont le CO₂, s’interconvertissent et s’intègrent à l’environnement pour ensuite retourner dans l’atmosphère (voir Encadré 2.2).

L'évaluation des émissions futures de GES, des aérosols et de leurs précurseurs est essentielle pour analyser le changement climatique à venir. Or la prévision des émissions anthropiques futures est tributaire des choix politiques, économiques et sociétaux. Il en résulte que l’exercice de prédiction des émissions à court, moyen et long termes repose essentiellement sur des spéculations, elles-mêmes basées sur la compréhension des systèmes socioéconomiques et sur des hypothèses concernant les choix possibles. Parce que les objectifs et les aspirations des politiques publiques ne se traduisent pas nécessairement par une organisation parfaite des activités humaines, il ne suffit pas de prédire ce qu’entraînera telle ou telle action, de sélectionner le meilleur avenir et de déterminer les émissions qui en découleront. La difficulté est au contraire qu’il existe une interface floue entre les prévisions scientifiques, les aspirations politiques et les actions concrètes des individus et des organisations. Cela dit, il est important que le changement social soit considéré comme un revers non pas de l’action mais de la prédiction : il faut un cap pour orienter le monde économique et social vers une réduction des émissions, et l'hypothèse selon laquelle il n’y aurait pas de cap risque malheureusement de devenir une prophétie autoréalisatrice.

La modélisation des émissions futures de GES s'appuie par conséquent sur des « scénarios », chacun associé à un postulat crédible sur l'évolution possible des sociétés. Ces scénarios sont ensuite utilisés pour évaluer les changements climatiques futurs pouvant servir de base à l’action et aux choix qui seront opérés par les sociétés et les administrations publiques.

Encadré 2.2. Incertitudes relatives au cycle du carbone et scénarios RCP

Les scénarios RCP sont des trajectoires des concentrations d'émissions. Bien qu'étroitement corrélées, les émissions et les concentrations de GES dans l’atmosphère ne sont pas la même chose. Par voie de conséquence, un scénario RCP ne correspond pas à une seule trajectoire d’émissions.

Graphique 2.3. Série chronologique des émissions annuelles compatibles avec les scénarios RCP

Note : Ces émissions compatibles de combustibles fossiles ont été modélisées par le CMIP5 pour les quatre scénarios RCP. Série chronologique des émissions annuelles (PgC n–1). Les pointillés représentent les estimations passées et les émissions calculées à l’aide des MEI utilisés pour définir les scénarios RCP ; les traits continus et les zones de couleur sont les résultats de la modélisation du système terrestre du CMIP5 (à savoir la moyenne et un écart-type en grisé).

Source : (Stocker et al., 2013[79]).

En fait, les projections des concentrations de GES au cours du XXI^e siècle sont réalisées en simplifiant les hypothèses relatives aux cycles biogéochimiques, dont le cycle du carbone. Les incertitudes qui planent au sujet de ce cycle concernent le rapport entre l’augmentation des émissions de CO₂ et le captage/stockage du carbone terrestre, ainsi que le rôle des processus de rétroaction dans l’apparition des « points de « bascule » (par exemple la fonte du permafrost, le dépérissement des forêts, ainsi que l’affaiblissement des puits de carbone terrestres et océaniques) (Steffen et al., 2018[80]). Compte tenu de ces incertitudes, plusieurs trajectoires d'émissions différentes pourraient conduire à un certain niveau de concentration (Graphique 2.3.). Ces incertitudes (et non les concentrations elles-mêmes) ont une incidence sur l’élaboration des politiques puisque les activités humaines produisent des émissions. Par conséquent, la politique et l’action climatiques ne peuvent avoir une influence directe que sur les émissions.

Les incertitudes relatives au cycle du carbone pourraient être beaucoup plus grandes qu'on ne le pense (Higgins et Harte, 2012[81]). La conséquence est que les réactions induites par ce cycle pourraient entraîner des niveaux de réchauffement plus élevés qu’attendu. À cet égard, utiliser les concentrations plutôt que les émissions pourrait conduire à sous-estimer le réchauffement ainsi qu’à négliger l’étude et la compréhension des éventuels processus de rétroaction. Il est important que les fourchettes des émissions soient évaluées systématiquement afin de pouvoir être revues à la baisse au fil du temps.

Après quoi, l'évolution de ces émissions en concentrations déterminera l’ampleur du changement climatique. Du point de vue de la physique, et pour les besoins de la modélisation climatique, mettre l’accent sur les trajectoires des concentrations a du sens car cela permet de réduire l'une des incertitudes. Ces dernières peuvent toutefois avoir d'importantes implications au regard de l’élaboration des politiques et ne sauraient à ce titre être ignorées.

Les engagements et les promesses des pouvoirs publics à l’égard du climat fournissent une indication de la façon dont les émissions évolueront au fil du temps. Les contributions déterminées au niveau national (CDN) introduites par l’Accord de Paris incluent souvent des engagements de réduction des émissions, qui consistent à limiter les émissions (ou l’intensité des émissions liées, par exemple, à la production économique) à une certaine fourchette sur une année ou une période cible. En plus des CDN, un grand nombre de pays se sont engagés à atteindre en 2050 la neutralité carbone ou en gaz à effet de serre. Cela aussi aide à fixer un cap pour l'évolution des émissions.

Les niveaux d'émissions correspondant aux engagements qui ont été pris ne doivent pas forcément être utilisés pour développer les scénarios. Ils fournissent néanmoins des informations importantes sur la vraisemblance des différents scénarios existants. En mai 2021, l’analyse a montré que les CDN et les objectifs climatiques à long terme annoncés par les pays se traduiraient par un réchauffement d’environ 2.4 °C (1.9-3 °C) d'ici la fin du siècle (CAT, 2021[82]).

Dans son cinquième Rapport d'évaluation, le GIEC a mis au point quatre profils représentatifs d'évolution de concentration (ou RCP). Le scénario d'atténuation prévoyant une faible teneur en carbone suppose des actions radicales sur les systèmes climatique et énergétique, alors que le scénario à forte intensité de carbone table sur la hausse ininterrompue des émissions. Un scénario complémentaire a ensuite été ajouté, conforme à la volonté de poursuivre « l'action menée pour limiter l'élévation de la température à 1,5 °C par rapport aux niveaux préindustriels », énoncée dans l’Accord de Paris (UNFCCC, 2015[68]) (voir le chapitre 1, section 1.2.2 et graphique 1.1).

Les modèles d’évaluation intégrée (MEI) s’appuient sur des scénarios d'émissions au niveau mondial. Ils prennent en compte l'évolution potentielle du système énergétique, la croissance démographique, le développement économique et d'autres secteurs générateurs d’émissions comme l’agriculture et l’utilisation des terres. Les MEI servent généralement à étudier la rentabilité des mesures d'atténuation. Ils sont globalement utiles – et très utilisés – pour répondre aux questions d’orientation qui se posent à différents niveaux, même s’ils présentent des imperfections et des lacunes qui méritent que l'on s'y intéresse (Gambhir, 2019[83]).

Sur la base des résultats des MEI, un second ensemble de scénarios a été créé : les trajectoires socioéconomiques partagées (SSP). Les SSP représentent plus en détail les facteurs socioéconomiques et technologiques donnant lieu à différentes trajectoires d'émissions, et donc de concentrations (voir aussi la section 2.3.2). Une caractéristique importante des différents scénarios SSP est qu'ils fournissent des informations très importantes sur les choix socioéconomiques et technologiques possibles au niveau mondial. Ces choix peuvent être replacés dans le contexte des CDN et des objectifs de neutralité carbone à long terme. Le Graphique 2.4. représente les trajectoires mondiales des émissions de CO₂ dans neuf combinaisons de scénarios RCP/SSP, qui servent de base à l’étude sur le plan physique des différentes perspectives d'avenir pour la planète, avec différents degrés de réchauffement et impacts en termes de changement climatique.

Graphique 2.4. Émissions mondiales de CO₂ selon différentes combinaisons de scénarios RCP/SSP

Note : Trajectoires harmonisées des émissions mondiales de CO₂. Les appellations des scénarios correspondent à des combinaisons des scénarios SSP/RCP, à savoir : SSP1 1.9 désigne la combinaison SSP1/RCP1.9, et ainsi de suite. OS désigne un dépassement de l’objectif et « LowNTCF » les émissions responsables d’un faible forçage radiatif à court terme.

Source : (Gidden et al., 2019[84]).

Aucune probabilité n’est associée aux scénarios car ces derniers s'appuient sur un certain nombre de choix et d’hypothèses (comme la diffusion d'une technologie) qui ne peuvent être présentés comme des probabilités. En ce sens, il n’existe pas de bons ou de mauvais scénarios. Les scénarios peuvent toutefois être plus ou moins plausibles (selon, par exemple, les choix politiques, socioéconomiques et technologiques qui sont opérés dans le monde réel) et décrire les répercussions éventuelles de ces facteurs. Des travaux récents ont mis en doute la vraisemblance du scénario des émissions les plus élevées (Hausfather et Peters, 2020[85]). Le scénario RCP8.5, qui correspond à la trajectoire des concentrations les plus fortes, serait ainsi peu probable si l'on tenait compte uniquement des émissions. Il supposerait que les principaux acteurs ne respectent pas leurs engagements et consomment plus de combustibles fossiles qu'il n’en existe dans l’économie.

En règle générale, plus le temps passe et plus l’espace de réalisation des scénarios se restreint. Aussi, à l'avenir, les nouveaux ensembles de scénarios refléteront les nouveaux grands axes d’incertitude sur le plan social et politique. Ces scénarios devraient être conçus de manière à être utiles aux décideurs publics. Ils pourraient par exemple distinguer les choix ou les résultats politiques et sociaux qui sont faisables en mettant en évidence les obstacles, les opportunités, les synergies et les arbitrages associés aux différentes trajectoires, ou en intégrant les effets systémiques des pertes et des dommages. Un éventail plus large de techniques d’analyse des tendances futures sera peut-être nécessaire pour compléter les informations émanant des modèles d'évaluation intégrée et de la modélisation énergétique (Gambhir, 2019[83])

Il est impossible de savoir quels choix seront effectués par les administrations publiques et les sociétés en général sur le court, le moyen et le long terme. Néanmoins, les scénarios RCP et SSP fournissent aux décideurs des renseignements importants sur la façon dont ces choix influeront sur le type de transition qu’opérera le monde dans les prochaines décennies. Ils peuvent, de ce fait, faciliter les choix. Pour citer un exemple, il existe différentes manières de s'y prendre pour limiter le réchauffement climatique à 1.5 °C d’ici à 2100 (IPCC, 2018[86]). Cela dépend du choix des trajectoires socioéconomiques possibles, des mesures d’efficacité énergétique, ainsi que des progrès sociaux et technologiques. Un autre aspect à prendre en compte concerne les arbitrages qui doivent être opérés entre des réductions fortes et précoces des émissions et l’utilisation de technologies prévues à cet effet. Les trajectoires reposant sur une faible demande d’énergie et une faible consommation de matières utilisent très peu ces technologies. À l’autre extrémité, les scénarios tablant sur une forte demande énergétique future affichent de faibles niveaux de réduction des émissions de CO₂ à l’horizon 2030 ; leur utilisation des technologies de réduction des émissions est plus importante lorsque l’on avance dans le temps [ (IPCC, 2018[86]) et graphique 6.4)].

En d'autres termes, l’hypothèse d'une utilisation poussée et à grande échelle des technologies de réduction des émissions est la seule solution pour que les scénarios reposant sur une forte consommation d'énergie atteignent l’objectif fixé par l’Accord de Paris, à savoir limiter le réchauffement à 1.5 °C. Il n’est cependant pas certain que ces technologies puissent être déployées à un coût raisonnable et sans trop de risques. Cela signifie que les trajectoires prévoyant une forte hausse des émissions sont plus risquées au regard de la réalisation de l'objectif fixé dans l’Accord de Paris.

Les scénarios comme les SSP/RCP et leur prédécesseur SRES (IPCC, 2000[87]) peuvent fournir un cadre utile. Ils peuvent aider les décideurs publics à mieux comprendre les transformations qui devront être opérées sur de longues durées pour éviter les effets les plus dramatiques du changement climatique. À l’échelle internationale, le scénario RCP a été utilisé comme base de travail par les dirigeants du monde entier. Il a ainsi, dans le cadre des négociations internationales sur le climat, contribué à l’adoption d’objectifs de température communs à l’échelle planétaire, inscrits dans l’Accord de Paris.

La capacité d’utiliser ces scénarios à l’échelle nationale est en revanche moins directe et moins évidente pour les décideurs publics. Prenons l’exemple d'un organisme national dont le rôle – crucial – est de transformer les objectifs en réductions effectives des émissions, et qui peut intervenir dans différentes circonscriptions et localités (comme des villes ou des États). Les informations fournies par les scénarios d’envergure mondiale ne sont pas directement utilisables pour la mission qui l’occupe. D'une part, les échelles temporelles et spatiales y sont trop vastes pour agir à un échelon plus réduit. D’autre part, l'action climatique engagée par les pouvoirs publics dépend d'un ensemble de facteurs qui vont au-delà de ce que ces scénarios examinent et saisissent, même si des efforts sont en cours pour y inclure des domaines présentant de l’importance pour prendre des décisions au niveau national.

L’utilisation des scénarios a pour but d'élargir le débat et de déterminer les axes d'incertitude probables les plus importants. Cela peut aider à simplifier le large éventail des résultats possibles en le réduisant à un ensemble plus vraisemblable et facile à traiter. Les scénarios climatiques alimentent et structurent les débats relatifs aux développements socioéconomiques et technologiques qui auront lieu pendant le siècle prochain, en mettant en évidence les arbitrages nécessaires ainsi que les aspects les plus importants de la transition bas carbone.

Le problème est qu’en réduisant tout un éventail de situations plausibles à une poignée seulement de résultats possibles, d'autres facteurs incertains pouvant s'avérer importants sont nécessairement ignorés. Pour citer un exemple, les émissions estimées par le scénario RCP8.5 sont aujourd'hui considérées comme improbables (Hausfather et Peters, 2020[85]). Or, les rétroactions du cycle du carbone pourraient un jour provoquer des concentrations semblables à celles de ce scénario si les émissions anthropiques diminuent (voir aussi la section 2.2.2 et l’Encadré 2.2). Sur le plan socioéconomique, certains chercheurs considèrent que les effets systématiques des changements radicaux survenant dans le domaine social, politique ou technologique devraient être plus directement intégrés dans les modélisations de l’énergie (McCollum et al., 2020[88]). De fait, pour élaborer des politiques plus efficaces, les décideurs publics doivent garder à l’esprit que des impacts plus forts, mais d’une probabilité plus faible, peuvent accompagner le changement climatique.

Les MEI présentent quant à eux un certain nombre de lacunes bien connues, en omettant de modéliser certains aspects essentiels du monde réel. Dans ces modèles, par exemple, la politique n’est considérée que comme un facteur implicite de la réduction des émissions ou du retard dans l’action (Peng et al., 2021[89]). Or, toutes sortes de facteurs politiques et socioéconomiques influent sur le type d'action engagée par les pays, les entreprises et les citoyens ainsi que sur leur portée, mais les scénarios internationaux sont pour le moment impuissants à les saisir. À titre d’exemple, un défi central que doit relever le monde aujourd'hui est la réduction des inégalités économiques. La façon dont s'y prennent les pays pour atteindre cet objectif peut avoir d’importantes implications sur le plan de la décarbonation. Peng et al. (2021[89]) étudient des procédés concrets pour améliorer les modèles précités, par exemple en tenant compte de l’opinion publique ou en intégrant les politiques en matière de commerce et d’investissement.

Les projections s'appuyant sur des éléments du monde réel peuvent en fait aider à concevoir les actions aux niveaux local, infranational et national. Elles s’inscrivent dans le contexte des réductions d’émissions qui doivent être opérées à l’échelle mondiale pour éviter les impacts les plus graves du changement climatique. Outre les scénarios internationaux, des informations fiables sur l’évolution des émissions peuvent aussi apporter un certain nombre de réponses utiles aux décideurs publics.

Tout d'abord, des informations sûres peuvent aider à déterminer si une politique ou une stratégie sera efficace pour réduire les émissions conformément aux engagements pris par le pays. Cette étape peut être cruciale pour faciliter l’adoption du plan d’action par les décideurs et par les citoyens. Ensuite, l’élaboration d'une feuille de route pour tenir les engagements – en particulier sur le long terme – fournit des propositions d’action qui permettent de définir plus clairement comment le pays prévoit d'atteindre son objectif. Cela confère à ces actions une plus grande crédibilité (Rogelj et al., 2021[90]). Cette feuille de route peut aider à établir des plans d'action concrets en s'appuyant sur la projection des émissions et en étudiant les mesures pouvant conduire aux niveaux de réduction requis. Enfin, elle permet d’évaluer si les engagements pris par le pays sont justes et appropriés. Cela peut faire progresser le débat sur la question de l’équité (Rogelj et al., 2021[90]).

2.2.4. Incertitudes des projections du changement climatique à l’échelle régionale et mondiale

Comme indiqué dans le chapitre 1, le risque climatique dépend des aléas, de la vulnérabilité et de l’exposition. Pour mieux caractériser ce risque – ainsi que les pertes et dommages éventuels –, il est important de définir plus précisément comment, où et à quelle échéance les différents types d’aléas(par exemple, des phénomènes météorologiques extrêmes comme des vagues de chaleur, des inondations ou des sécheresses) pourront survenir. Comme nous l’avons vu dans les précédentes sections, cette tâche est menée à bien à l’aide de différents modèles tels que les modèles de circulation générale (GCM) et leur descente d'échelle, les modèles régionaux et ceux ciblant certains secteurs économiques et certains types d’impacts.

L’exercice de modélisation au niveau mondial fait intervenir un grand nombre d'acteurs universitaires et opérationnels du monde entier, qui participent à des projets de comparaison de modèles. L'un d’eux est le Projet de comparaison de modèles couplés (CMIP), coordonné par le Programme mondial de recherche sur le climat (pour en savoir plus, voir l’Encadré 2.3).

Ces projets ont permis de constituer une base de connaissances homogène et présentant de l’intérêt pour l’action des pouvoirs publics, et de servir de base aux évaluations du GIEC. Ils comparent les résultats de différents modèles et montrent quelle peut être la configuration du changement climatique dans différentes régions et à différentes périodes selon plusieurs scénarios de réchauffement (voir la section 2.2.3). Le degré de fiabilité de ces projections dépend d'une série de facteurs. Pour être efficaces et responsables, les décisions prises sur la base des modèles doivent tenir compte du degré variable de fiabilité et d'utilité des informations en fonction du type de décision concerné (Nissan et al., 2019[91]).

Les sous-sections qui suivent examinent les niveaux de fiabilité des données émanant des modèles de circulation générale sous deux angles différents : d'une part, en fonction des résolutions spatiales et temporelles utilisées ; d'autre part, en examinant différents types de processus et d’aléas pour déterminer dans quelle mesure un niveau élevé d’incertitude peut conduire à un plus large éventail de risques climatiques.

Les différents niveaux de fiabilité des projections selon les échelles temporelles et spatiales utilisées. Le cas de la projection des températures extrêmes.

À l’heure où les impacts de plus en plus nombreux du changement climatique menacent les systèmes humains et naturels, il existe un besoin croissant d’informations sur le changement climatique futur pour planifier l'action publique et élaborer les stratégies de gestion des risques climatiques (Wang et al., 2016[92] ; Donatti et al., 2016[93] ; Giuliani et al., 2017[94] ; Finn, 2020[95]). Cette planification étant nécessaire à différents échelons temporels et spatiaux, il convient de disposer de différents types d’informations, afin de pouvoir tirer différents types de réponses. À titre d’exemple, les stratégies mondiales d'atténuation à long terme nécessitent des informations ayant une couverture temporelle et spatiale beaucoup plus vaste que les mesures visant à réagir à des menaces localisées immédiates. Utilisant un exemple représentatif des projections de températures issues des modèles climatiques les plus avancés (CMIP6), cette sous-section examine comment les informations émanant de la modélisation peuvent servir à élaborer les mesures et les stratégies climatiques.

Le chapitre 1 montrait le haut degré de confiance du lien entre les émissions anthropiques et l’augmentation des températures moyennes à l'échelle planétaire. Les modèles climatiques ont, de fait, apporté la preuve de leur fiabilité pour prédire depuis cinquante ans la température moyenne à la surface du globe d'après les scénarios d'émissions anthropiques (Hausfather et al., 2020[96]). Cela laisse entendre que ces modèles saisissent avec précision les processus physiques sous-jacents qui contribuent à la hausse des températures (Hausfather et al., 2020[96]). On peut donc être confiants dans la capacité des modèles climatiques à prédire, quoique avec une certaine incertitude, les augmentations de températures qui résulteront des niveaux d'émissions futurs.

Le changement climatique n’aura pas lieu de façon uniforme sur l’ensemble du globe. Le réchauffement sera par exemple plus marqué sur terre que dans les océans et les zones arctiques (Collins et al., 2013[75]). Cependant, les risques liés au climat en général vont s'accroître à mesure que le réchauffement moyen de la planète augmentera.

De fait, les systèmes humains et naturels courent plus de risques avec un réchauffement de 1.5 °C que de 0.87 °C comme actuellement6, et plus encore avec 2 °C (IPCC, 2018[97]). La hausse de la température moyenne de la planète est donc une donnée essentielle pour évaluer l’ampleur approximative des impacts du changement climatique dans différents contextes. Le moment où pourra se produire le franchissement du seuil que représente la menace accrue d’aléas physiques – comme des phénomènes extrêmes/à évolution lente ou des points de bascule – est une simple mesure devant être discutée avec les décideurs publics et les parties prenantes. Ce seuil peut être par exemple le franchissement d’un point de bascule ou l’augmentation de la fréquence et de la gravité des phénomènes météorologiques extrêmes.

En revanche, pour les raisons exposées plus haut, la température moyenne du globe n’est pas une donnée qui peut informer les décideurs publics sur les phénomènes localisés agissant sur les températures. Ces phénomènes sont dus à la dynamique moins bien comprise du climat qui provient de l’augmentation des flux d’énergie dans le système climatique, laquelle s'ajoute aux tendances météorologiques locales.

En fait, s'il est vrai que la fréquence et la gravité d'un grand nombre de ces phénomènes (comme la chaleur extrême, les vagues de chaleur océaniques et les fortes précipitations) s'accroissent avec le réchauffement moyen de la planète, des canicules aux conséquences graves (pertes de vies humaines et de moyens de subsistance) surviennent déjà aujourd'hui, alors que le niveau du réchauffement moyen est relativement faible (Stott, Stone et Allen, 2004[98] ; Vautard et al., 2020[99] ; Le Tertre et al., 2006[100]). Des températures record ont ainsi été enregistrées fin juin 2021 sur les côtes Pacifique des États-Unis et du Canada. Une étude récente montre que ces vagues de chaleur auraient été quasiment impossibles sans changement climatique d’origine humaine : leur occurrence a été estimée statistiquement à environ 1 sur 1 000 ans dans le contexte climatique actuel (Sjoukje Philip et al., 2021[101]).

Pourtant, dans les travaux de modélisation, la température moyenne à l’échelle mondiale est calculée sur la base de la moyenne des projections discontinues de la température, réalisées avec une résolution temporelle et spatiale beaucoup plus élevée7. Par conséquent, le fait de ne prêter attention qu'à la variation de la température moyenne du globe équivaudrait à passer outre les innombrables informations plus granulaires qui émanent des projections à haute résolution.

Aussi, pour examiner les tendances de fond, la présente section utilise les projections les plus récentes des températures extrêmes obtenues grâce aux modèles de circulation générale, qui figurent dans la base de données du CMIP6 (Encadré 2.3). Son objectif est plus spécifiquement d’observer le degré de variation et de concordance entre les modèles. Elle analyse en dernier lieu le niveau de confiance des projections à différentes échelles temporelles et spatiales pour un sous-ensemble de modèles enregistrés dans la base de données du CMIP6. Cela permet de mettre en évidence l'utilité des projections climatiques pour prendre des décisions à court terme en vue de réduire les risques (par exemple, en adoptant des mesures d’adaptation).

Encadré 2.3. Vue d’ensemble des projets de comparaison des modèles climatiques

L'objectif global du Projet de comparaison de modèles couplés (CMIP) est de mieux comprendre le passé, le présent et le futur du système climatique résultant de facteurs naturels ou de modifications du forçage radiatif causées par les activités humaines et autres. Pour ce faire, il utilise un certain nombre de modèles de circulation générale (GCM) étudiant le couplage océan-atmosphère. Ces modèles représentent les processus physiques ayant lieu dans l’atmosphère, l’océan, la cryosphère, la biosphère et les sols – ainsi que les interactions entre eux – et s’en servent pour prédire le climat à court terme (les prochaines décennies) ou à long terme (les siècles à venir). Créé en 1995, le CMIP se trouve actuellement dans sa sixième phase (CMIP6 – https://pcmdi.llnl.gov/CMIP6/) et compte sur la participation d'un grand nombre d’organismes de recherche. Ces derniers exécutent leurs modèles climatiques dans un cadre expérimental standard ou utilisent un ensemble courant de données d’entrée (Eyring et al., 2016[102]) pour étudier et comparer leurs résultats. Cela signifie que les résultats des différents modèles sont directement comparables.

Le CMIP permet d'évaluer la performance des modèles, notamment leurs avantages et leurs inconvénients, afin d’encourager le développement et la révision des modèles de circulation générale. Il met également à disposition les ensembles de données résultant des différents modèles en vue de leur analyse et leur utilisation dans diverses études d'impacts. Les projections climatiques élaborées dans le cadre des phases du CMIP servent de base aux évaluations du GIEC sur le changement climatique.

Le CMIP6 a, quant à lui, été utilisé par le GIEC pour son sixième Rapport d’évaluation (RE6). Lors de cette phase du projet, plus d'une centaine de modèles créés par 50 organismes évaluent quelle sera la réponse climatique à différents scénarios de concentration établis à partir de diverses hypothèses socioéconomiques. Les modèles de circulation générale réalisent des projections de toute une série de variables climatiques du monde entier – avec différentes résolutions temporelles et spatiales – qui peuvent être analysées collectivement dans le cadre du CMIP. Des méthodes ont été mises au point pour distiller les informations les plus crédibles concernant les impacts et les risques à l'intention des décideurs publics et des parties prenantes (Eyring et al., 2019[103]).

Le CMIP est le plus vaste et le plus complet des projets de comparaison de modèles mais il en existe une douzaine d'autres, du plus officiel et très coordonné au plus officieux et de taille réduite. Ces autres projets ont des objectifs similaires et adoptent une approche systématique pour comparer les différentes caractéristiques des modèles (données d’entrée/de sortie et performances).

Les projections représentées sur le Graphique 2.5. affichent des températures extrêmes pour les villes d’Hyderabad (Inde) et de Paris (France) dans trois scénarios de réchauffement différents : i) scénario bas carbone conforme à l’objectif de réchauffement de 1.5 °C inscrit dans l’Accord de Paris (RCP 1.9) ; ii) scénario intermédiaire (RCP 4.5) ; et iii) scénario à très forte intensité de carbone tablant sur la hausse continue des émissions (RCP 8.5). Les villes étudiées dans cette section ont été choisies pour leur large représentativité des différents types de climats et degrés de vulnérabilité socioéconomique. La capitale d'un État indien est ainsi plus vulnérable que la capitale de la France (Kadiyala et al., 2020[104]). De plus, dans ces deux villes, les impacts du changement climatique y sont supérieurs à la moyenne mondiale. À titre d’exemple, la hausse moyenne de la température annuelle sur le territoire français était de 0.95 °C entre 1901 et 2000, ce qui représente quelque 20 % de plus que la moyenne mondiale de 0.74 °C (MEEDDM, 2009[105]).

Graphique 2.5. Projections des températures maximales sur un an et des moyennes sur dix ans à Paris et à Hyderabad

Note : Températures maximales en surface sur un an et moyennes sur dix ans à Paris (moyenne des températures maximales annuelles : 48-49°N 2-3°E) et à Hyderabad (moyenne des températures maximales annuelles : 17-18°N 78-79°E). Les données proviennent de la base de données du CMIP6 (https://esgf-node.llnl.gov/projects/esgf-llnl/) pour les températures quotidiennes maximales (variable « tasmax »), pour les combinaisons des scénarios RCP 1.9 (SSP1), RCP 4.5 (SSP2) et RCP 8.5 (SSP5), ainsi que pour les modèles CAMS-CSMi-0 (variante « r2i1p1f1 »), EC-Earth-3 (variante « r4i1p1f1 »), MIROC6 (variante « r1i1p1f1 ») et UK-ESM1-0-LL (variante « r1i1p1f2 »). À noter que le premier point de la moyenne décennale est calculé en utilisant seulement 5 points de données (2015-2019).

Le Graphique 2.5. montre que pour les trois scénarios, les températures maximales annuelles varient considérablement dans les deux villes jusqu'à la fin du siècle. Cela coïncide avec ce que ressentent au quotidien la majorité des individus, à savoir que certains étés sont plus chauds que d'autres. En revanche, la moyenne des températures maximales annuelles s’accroît avec le temps, à mesure que la température moyenne du globe augmente. Cette tendance est très claire dans les scénarios de très forte concentration, à savoir RCP 4.5 et RCP 8.5. Pour chaque scénario, les différents modèles affichent des variations plus ou moins importantes, et ce pour de nombreuses raisons. Ces raisons sont liées à la façon dont chaque modèle représente le climat mondial dans le passé et dans l’avenir. Si cette section ne s’intéresse pas à ces aspects, les décideurs publics doivent néanmoins être conscients du degré élevé de variabilité des données annuelles.

Les modèles montrent en fait que des températures extrêmes peuvent déjà se produire à des niveaux de réchauffement peu élevés et à brève échéance. En raison de cette variabilité annuelle (Encadré 2.4) et des paramètres utilisés pour la configuration initiale des modèles, le moment précis d’occurrence des phénomènes de canicules peut ne pas être le même selon les différentes sessions du même modèle et selon les modèles. Malgré ces différences, les tendances devraient être assez homogènes. De fait, le Graphique 2.6. (cadres 1a et 2a) met en évidence une large dispersion des prévisions et l’absence de corrélation entre les modèles pour ce qui concerne la chronologie des anomalies de températures maximales sur un an. Cela veut dire que les modèles climatiques ne peuvent prédire, avec quelque compétence que ce soit, le moment exact où surviendra une vague de chaleur.

Lorsque des résolutions temporelles plus grossières sont utilisées (comme les moyennes décennales qui lissent les résultats), on note une plus grande homogénéité entre les modèles (voir le Graphique 2.5. et les anomalies de la moyenne décennale sur les cadres 1d et 2d du Graphique 2.6. ). Une fois que l’on élimine l'importante variabilité annuelle, la tendance à long terme apparaît plus clairement et est homogène d'un modèle à l'autre. Le constat est que la moyenne des températures extrêmes sur dix ans s'accroît au fil du temps, en accord avec le réchauffement moyen au niveau mondial. Dans le scénario où le réchauffement d’ici la fin du siècle est le plus élevé (RCP 8.5), la hausse des températures pourrait, même dans les années les plus clémentes, dépasser les pics enregistrés aujourd'hui. Dans le scénario où les mesures d’atténuation sont les plus poussées (RCP 1.9), les températures maximales devraient rester au même niveau qu’actuellement, ou n’augmenter que légèrement. Cela fournit une occasion de diminuer les risques d’aléas physiques par la réduction radicale des émissions.

Le Graphique 2.6. (cadres 1a et 2a) représente les anomalies de températures selon les différents scénarios.8 On y voit que dans les scénarios où le réchauffement est le plus important (RCP 4.5 et RCP 8.5), les pics de températures peuvent dépasser la moyenne des maximales obtenues pendant la période de référence (d'une durée de 20 ans) de 10 °C au plus dans les deux villes examinées. Cela dit, une même anomalie peut avoir des significations différentes pour l'une et l’autre ville. Cela est dû à leurs différences de localisation géographique et de climat.

La ville de Paris possède un climat océanique de type tropical humide. Elle a connu ces dernières années plusieurs vagues de chaleur d'une grande intensité [dont la plus mortelle en 2003 (Le Tertre et al., 2006[100])]. L’augmentation de la gravité et de la fréquence de ces événements aura probablement de graves impacts, surtout s’il n'y a pas d'amélioration continue de la résilience.

Hyderabad se caractérise par un climat sec avec des températures d’ores et déjà beaucoup plus élevées qu’à Paris en raison de son emplacement géographique. La même anomalie pourrait alors provoquer des hausses de températures que les systèmes humains et naturels ne pourraient physiologiquement supporter. Cela pourrait donner lieu à un dépassement des limites de l’adaptation physique ou à de profondes transformations des sociétés humaines et des écosystèmes (Hanna et Tait, 2015[106] ; Andrews et al., 2018[107] ; Stillman, 2019[108]). Le lien entre la localisation géographique et le climat général revêt une grande importance dans la compréhension du risque climatique encouru par ces régions et dans les risques de pertes et de dommages.

Graphique 2.6. Anomalies des températures extrêmes à différentes échelles temporelles et spatiales

Note : Anomalies des températures extrêmes en surface (c’est-à-dire leur augmentation au-dessus des valeurs de référence) sur un an à différentes résolutions spatiales autour de Paris (France) et d’Hyderabad (Inde). Pour les résolutions faible, intermédiaire et grande, la moyenne des températures extrêmes est calculée sur des cellules de 1x1, 15x15 et 50x50 degrés (respectivement 48-49°N 2-3°E, 41-56°N 5°W-10°E et 24-73°N 22°W-27°E pour Paris ; respectivement 17-18°N 78-79°E, 10-25°N 71-86°E et 7°S-42°N 54-103°E pour Hyderabad). Les données proviennent de la base de données du CMIP6 (https://esgf-node.llnl.gov/projects/esgf-llnl/) pour les températures extrêmes quotidiennes (variable « tasmax »), pour les combinaisons des scénarios RCP 1.9 (SSP1), RCP 4.5 (SSP2) et RCP 8.5 (SSP5), ainsi que pour les modèles CAMS-CSMi-0 (variante « r2i1p1f1 »), EC-Earth-3 (variante « r4i1p1f1 »), MIROC6 (variante « r1i1p1f1 ») et UK-ESM1-0-LL (variante « r1i1p1f2 »). Les anomalies des températures extrêmes équivalent à la différence entre les températures maximales enregistrées pendant une année donnée et la moyenne des maximales annuelles sur la période 1986-2005. La période de référence choisie est conforme à celle utilisée pour présenter les anomalies de températures dans le cinquième Rapport d'évaluation du GIEC. À noter que le premier point de la moyenne décennale est calculé en utilisant seulement 5 points de données (2015-2019).

Comme cela se produit avec les échelles temporelles, la fiabilité des projections des températures extrêmes est plus faible lorsque la résolution spatiale augmente. Le Graphique 2.6. montre que pour les deux villes examinées, la variabilité des projections diminue à mesure que l'échelle spatiale s’accroît. À l’échelle spatiale, la variabilité climatique détermine précisément où surviennent les températures extrêmes à petite échelle (Encadré 2.4). Ainsi, chaque session d'un modèle ne représente qu'une occurrence potentielle de cette variabilité (en fonction du modèle). La modélisation des épisodes de chaleur extrême peut différer de la façon dont ils se concrétiseront dans la réalité.

Le Graphique 2.6. montre aussi que pour les échelles temporelles (les cadres 1d/2d) et spatiales plus élevées (les cadres 1b/1c et 2b/2c), l’évolution des températures est plus homogène (les courbes sont plus plates et ont moins de pics). Il est très probable que ces courbes plus plates reflètent les caractéristiques moyennes du système climatique. Or, parce que les courbes sont le résultat d'une moyenne, elles ne sauraient être considérées comme des indications directes de la situation du climat local à un moment donné.

Par conséquent, vus sous l'angle de l’élaboration des politiques, les modèles haute résolution montrent que de nombreuses régions risquent de connaître des épisodes de chaleur extrême au cours du siècle à venir. Il n’est cependant pas possible de prédire dans le détail quand ni où ils se produiront au-delà d'un délai de quelques semaines (Nissan et al., 2019[91]).

Pour agir, les pouvoirs publics ont toujours besoin d'informations présentant un haut degré de précision sur le plan temporel. Ces informations renseignent sur les évolutions générales ainsi que sur la forme que pourrait prendre le changement climatique au niveau local. De ce fait, elles peuvent être utilisées directement pour l’élaboration des politiques ayant trait à la gestion des risques climatiques, notamment en ce qui concerne l’adaptation physique, comportementale et culturelle aux changements attendus. Les projections des températures extrêmes ne suffisent pas à déterminer quels en seront les impacts. Ceux-ci dépendent aussi – entre autres – de l’humidité, de la durée de la vague de chaleur, de la baisse des températures pendant la nuit, de la vitesse du vent, ainsi que des éventuelles mesures d'adaptation (Nissan et al., 2019[91]).

Les perspectives d'amélioration de ces informations sont mitigées. Il est peu probable que l'on obtienne autre chose que des estimations du risque statistique pour les projections à très long terme (plusieurs décennies ou siècles à l’avance). Or, le perfectionnement des modèles peut améliorer les estimations de ce risque. Cela est particulièrement vrai pour certaines zones géographiques et en ce qui concerne la mesure précise de la possibilité que surviennent des phénomènes extrêmes rarement observés. Ces informations peuvent être utilisées pour concevoir les plans d’adaptation, les évaluations des risques climatiques, les polices d'assurance et les projets d’infrastructure.

Des investissements de grande ampleur dans le perfectionnement des modèles peuvent être bénéfiques aux projections climatiques présentant initialement une portée intermédiaire (de plusieurs mois à plusieurs années à l’avance) car ils permettent d’améliorer la capacité à produire des projections de ce type, qui fournissent plus d’informations utilisables au niveau local. Les résultats préliminaires de cette catégorie de modèles climatiques laissent entendre qu'ils présentent une certaine fiabilité en ce qui concerne les prédictions avancées à l'échelle saisonnière ou interannuelle, voire décennale (Smith et al., 2019[109] ; Dunstone et al., 2020[110]).

Cela dit, la fiabilité statistique ne se traduit pas automatiquement en utilité prédictive. Pour citer un exemple, les prévisions saisonnières indiquant « 40 % de risque que l’été soit plus chaud que la moyenne » ne sont utiles qu'à une petite minorité de parties prenantes. S'agissant des prévisions à court terme (quelques semaines à quelques mois à l’avance), le fait d’accroître l'échelle temporelle en améliorant le modèle peut procurer d'énormes avantages (Nissan et al., 2019[91]). Cela permet de prendre des mesures rapides en amont des événements prévus, comme par exemple l’installation de centres climatisés ou la distribution d’eau et d’informations.

Encadré 2.4. Variabilité du climat

Le climat se définit comme un ensemble de caractéristiques météorologiques moyennes dans une zone donnée et sur plusieurs décennies (généralement 30 ans). La variabilité climatique fait référence aux variations naturelles des données statistiques du climat à différentes échelles de temps. Comme l'indique le GIEC : « La variabilité peut être due à des processus internes naturels au sein du système climatique (variabilité interne) ou à des variations des forçages externes anthropiques ou naturels (variabilité externe). » (IPCC, 2018[111]). Dans la réalité, un hiver peut être froid et humide, et un autre doux et sec. Toutefois, on ne peut conclure à un véritable changement climatique que lorsqu'une tendance moyenne perdure pendant de nombreuses années. Cela signifie aussi, peut-être de façon paradoxale, que des années froides peuvent survenir « au hasard » dans un climat chaud. De la même manière, des précipitations extrêmes peuvent parfois avoir lieu même si le climat a tendance à devenir sec.

L’exemple le plus connu de la variabilité naturelle du climat due à des processus internes du système climatique est le réchauffement périodique rapide de l’est de l’océan Pacifique, appelé El Niño. El Niño et son « contraire », La Niña, provoquent des changements de la température, de la pluviométrie et des vents dans de nombreuses régions, et ce pendant plusieurs mois ou plusieurs années. Un exemple de la variabilité naturelle externe du climat est celle provoquée par une forte éruption volcanique, par exemple celle du mont Pinatubo en 1991. Cette éruption, au cours de laquelle de grandes quantités de dioxyde de soufre (SO₂) ont été projetées dans la stratosphère, a entraîné une baisse temporaire des températures moyennes à l’échelle mondiale (Council, 2001[112]). En règle générale, les facteurs de variation sont évalués séparément puis introduits dans les modèles sous forme de données d’entrée. À l’inverse, les facteurs internes sont générés de façon dynamique par les modèles eux-mêmes. Certains facteurs peuvent être traités comme externes dans un modèle donné, mais internes dans un autre. Ils représentent quoi qu'il en soit une source supplémentaire de différences entre les modèles.

La variabilité du climat renvoie parfois à l’« incertitude aléatoire ». C’est la configuration effective du climat – naturelle ou modélisée – qui est sujette à une variabilité interne ainsi qu'à la nature chaotique des courants atmosphériques et océaniques. Chaque modèle génère un type différent de variabilité interne.

La variabilité interne d'un modèle est relativement homogène et peut être comparée avec celle observée dans le monde réel. Elle implique toutefois qu’à chaque exécution du modèle, les prévisions du climat peuvent être différentes. Cela signifie que même si l’on a une connaissance parfaite de la dimension physique et statistique d'un événement, il reste très difficile de prédire exactement quand il se produira.

La variabilité du climat a donc une forte incidence sur les pertes et dommages. Du fait de cette variabilité, une région exposée aux ouragans pourrait par exemple n’en connaître aucun pendant dix ans, ou au contraire en subir trois en une année. Cela aurait des conséquences pour les mesures d’adaptation prises par les pouvoirs publics ou pour les assurances.

Les cadres a et b du Graphique 2.5. et du Graphique 2.6. permettent de comparer la variabilité interne de quatre modèles climatiques de pointe. Lorsque la moyenne est calculée sur une plus grande échelle spatiale (cadre c) ou temporelle (cadre d) ou pour plusieurs modèles (les différents traits de couleurs), la variabilité naturelle « s’annule ». À la place, c’est la tendance générale qui apparaît. Que l'on observe la tendance ou l’influence de la variabilité, toutes deux sont très importantes pour appréhender le climat et la météo se produisant effectivement dans un lieu donné.

Les différents niveaux de fiabilité des projections de différents types de processus : les températures et les précipitations.

Comme nous l’avons vu dans la précédente section, les différents modèles climatiques présentent un haut degré de concordance et une grande robustesse de leurs caractéristiques lorsque des échelles spatiales et temporelles suffisamment grandes sont utilisées pour les projections des températures. Ainsi, tous les scénarios RCP prévoient la poursuite du réchauffement de la planète au XXI^e siècle. Les niveaux de hausse des températures y sont similaires jusqu'en 2025. Dans les scénarios de très forte concentration, le degré de réchauffement s'accroît nettement plus après cette date (IPCC, 2021[1]). De plus, les changements de températures ne sont pas les mêmes dans toutes les régions. Il existe en outre de grandes tendances du réchauffement qui se confirment d'un modèle à l’autre, telles que : un réchauffement plus marqué sur terre que sur les océans ; un réchauffement en surface amplifié dans l’Arctique ; un réchauffement en surface très faible dans l’Atlantique Nord et l’océan Austral [ (Collins et al., 2013[75] ; IPCC, 2021[1]) et Graphique 2.7. ]. Cela signifie que les températures moyennes à la surface du globe et celles du Grand Nord, en général, sont susceptibles de s’accroître nettement plus que la moyenne mondiale. Dans la mesure où la population humaine vit sur Terre et non sur les océans, la hausse des températures moyennes terrestres est particulièrement forte. De surcroît, la moitié ou presque de cette population habite dans des zones côtières ou à proximité des côtes, et dépend donc – directement ou indirectement – des océans. Le réchauffement océanique peut donc lui aussi avoir des conséquences dramatiques, non seulement à cause de la montée des eaux mais aussi, par exemple, en raison de l’intensification des cyclones et de la modification des écosystèmes marins.

Graphique 2.7. Évolution de la température moyenne annuelle (en degrés Celsius) par rapport à 1850-1900 pour différents scénarios de réchauffement

Note : Simulation de l’évolution de la température moyenne annuelle (°C) avec des niveaux de réchauffement de 1.5 °C, 2 °C et 4 °C (évolution sur 20 ans par rapport à la période 1850-1900), à l'aide de plusieurs modèles dans le cadre du CMIP6.

Source : (IPCC, 2021[1])

Les modèles climatiques prédisent que les précipitations vont augmenter au niveau mondial en même temps que la température moyenne à la surface du globe. Ils s'appuient sur les concepts élémentaires de la physique, selon lesquels un air devenu plus chaud contient plus d’humidité. Selon les estimations, les précipitations pourraient s'accroître de 1 à 3 % pour chaque degré de réchauffement (Siler et al., 2018[113]). S'agissant des températures, les modèles affichent des projections globalement concordantes au sujet de leur variation au niveau régional. Pour les précipitations, en revanche, il existe moins de certitudes quant à la façon dont elles évolueront dans les différentes régions du monde. Les seules tendances claires qui se dégagent d'une série de modèles concernent uniquement certaines régions ; pour de vastes territoires et aux basses latitudes, le manque de concordance des modèles est au contraire flagrant, y compris en ce qui concerne la direction que prendra l’évolution des précipitations (Graphique 2.8. ).

La réponse du climat en termes de précipitations fait intervenir des processus physiques plus complexes que la réponse des températures de surface au forçage radiatif. L'un de ces processus est notamment l’augmentation de la concentration de vapeur d’eau dans l’atmosphère sous l’effet du réchauffement du globe, et la formation de nuages. Les différences sensibles qui existent entre les modèles en ce qui concerne la physique des nuages sont en partie responsables de la variation de la sensibilité du climat (Zelinka et al., 2020[77]). D'autres facteurs comme la modification des courants atmosphériques et de la disponibilité de l’eau doivent également être pris en compte (Collins et al., 2013[75]).

L’interaction entre ces multiples facteurs explique que la variation des précipitations ne soit pas uniforme dans toutes les régions. En revanche, il est plus difficile de comprendre pourquoi il existe un niveau de discordance extrêmement élevé entre les modèles, et quelles sont les principales raisons des différences qui existent entre les projections des précipitations dans les différentes régions du monde (Collins et al., 2013[75] ; Shepherd, 2014[114] ; Bony et al., 2015[115] ; Zappa, Bevacqua et Shepherd, 2021[10]). Le Graphique 2.8. montre où auront lieu de grandes variations des précipitations dans les différentes régions du monde sous l’effet du changement climatique. La représentation à l’aide de points permet de distinguer les régions pour lesquelles les modèles donnent une projection concordante de la direction de ces évolutions (ronds pleins) et celles où des changements importants sont prévus mais où il y a des divergences quant à leur direction (ronds creux).

Pour utiliser les informations disponibles, il convient de prendre en compte simultanément plusieurs évolutions possibles. Des modèles différents peuvent prévoir une évolution des précipitations dans des directions opposées. En d'autres termes, selon le modèle utilisé, une même région peut être projetée, dans un contexte de réchauffement climatique, comme devenant plus humide ou au contraire plus sèche (Collins et al., 2013[75]). Ces divergences peuvent être dues à toutes sortes de raisons, comme par exemple les différences entre les modèles ou, dans certains cas, la petite taille de l’échantillon dans chaque modèle (Rowell, 2011[116]).

Le fait de calculer les moyennes des modèles réduit les variations mais masque d'importantes incertitudes. Lorsque les projections indiquent des variations de sens opposés, établir leur moyenne peut donner une fausse image des changements. Cela peut aboutir en particulier à des valeurs proches de zéro, ou encore laisser faussement croire à l’absence de changement (alors que des changements importants sont prévus, mais dans des directions opposées) (Zappa et Shepherd, 2017[117] ; Zappa, Bevacqua et Shepherd, 2021[10]). Par ailleurs, dans un certain nombre de régions, l'évolution des précipitations peut changer de direction au cours d'une même année. Pour citer un exemple, les projections climatiques du Royaume-Uni (Lowe et al., 2018[118]) prédisent « des étés plus chauds et plus secs et des hivers plus doux et plus humides ». La prise en compte des seules moyennes annuelles fait courir le risque de passer à côté de certaines de ces variations saisonnières (Collins et al., 2013[75]) qui revêtent pourtant une importance particulière pour évaluer les pertes et dommages et planifier les mesures d’adaptation.

Graphique 2.8. Projections de la variation des précipitations à l’aide du CMIP6

Note : Variation prévue (en pourcentage) des précipitations moyennes annuelles d’ici à 2081-2100 selon le scénario SSP5-8.5. Les variations sont mesurées en effectuant la moyenne des « signaux » et des « bruits » des résultats de chaque modèle (le signal correspondant à la réponse moyenne au changement climatique, et le bruit à la variabilité interne naturelle), et non la moyenne des résultats allant des signaux aux bruits. Le but est d'éviter que la discordance entre les résultats de chaque modèle ne soit compensée par le calcul de la moyenne des différents modèles. Les variations de précipitations sont représentées par des ronds pleins lorsque le résultat est massif (plus ou moins 90 % des modèles prédisent une évolution dans la même direction). En revanche, les ronds sont creux lorsque la variation sera vraisemblablement franche mais pas catégorique (c’est-à-dire dans une direction ou dans l’autre).

Source : (Zappa, Bevacqua et Shepherd, 2021[10]).

La comparaison entre les projections des températures et des précipitations qui sont réalisées avec des modèles de circulation générale est utile pour les décideurs publics et les parties prenantes. Elle permet de montrer quelles sont les conséquences de l’utilisation de données scientifiques pour prendre des décisions en ce qui concerne les prévisions chiffrées du climat aux niveaux local et régional. Bien que des projections soient disponibles, les incertitudes qui leur sont associées sont nombreuses et de toutes sortes. Des efforts ont été déployés pour essayer de mettre en évidence et de mieux comprendre les incertitudes suivantes associées à l’évolution des températures et des précipitations (Hawkins et Sutton, 2009[119] ; Hawkins et Sutton, 2010[120]) :

• L’incertitude liée aux émissions à venir et donc au forçage radiatif futur, due à l’incertitude des décisions concernant l’avenir, par exemple les choix qui sont faits dans le domaine politique et socioéconomique (cf. la section 2.2.3).

• Le caractère aléatoire de la variabilité interne du système climatique (autrement dit sa variabilité naturelle) ou l’incertitude quant à sa réalisation. Cela peut être le cas même lorsque le forçage radiatif ne change pas. Cette variabilité aurait peu de lien avec les émissions anthropiques futures mais elle s'ajoute à la tendance anthropique de fond (Encadré 2.4). Le fait que les modèles prennent pour point de départ les conditions actuelles risque de rendre les premiers mois ou les premières années de la variabilité interne difficiles à prévoir.

• La discordance entre les modèles : comme le montrent le Graphique 2.5. et le Graphique 2.6. , chaque modèle simule différemment l’évolution du forçage radiatif en fonction du traitement qu’il réserve aux caractéristiques physiques du système climatique.

• La divergence entre les modèles et le monde réel : les modèles climatiques existants partagent les mêmes hypothèses et les mêmes biais. Cela signifie que la situation dans le monde réel risque de n’être représentée fidèlement par aucun des modèles. Il ne faut pas en déduire que les modèles n'ont pas d’utilité, mais uniquement que les informations qui en proviennent doivent être traitées avec précaution et corroborées par d'autres données.

S'agissant des projections des températures et des précipitations, l'importance relative des trois premiers types d'incertitudes précités varie considérablement en fonction de la région, de l’échéance des prévisions et de l’échelle temporelle sur laquelle la moyenne des projections est calculée (Hawkins et Sutton, 2009[119] ; Hawkins et Sutton, 2010[120]).

Il est intéressant de noter que pour les deux variables climatiques que sont les températures et les précipitations, l’importance relative des incertitudes varie différemment au fil du temps. Le Graphique 2.9. montre que la variabilité interne du climat et les incertitudes liées aux modèles sont les principales sources de manque de fiabilité des projections sur un intervalle d'évaluation de plus ou moins deux décennies. L'incertitude du scénario joue un rôle très important dans les projections des températures. Pour les précipitations, en revanche, c’est l'incertitude du modèle qui influe sur les projections. Bien que les deux diagrammes mettent en évidence une variation de la fraction des types d’incertitudes, le constat est que l’ampleur des incertitudes en valeur absolue s'accroît à chaque intervalle de temps. L’objet n’est pas ici de mesurer la divergence entre les modèles et le monde réel.

Graphique 2.9. Différents types d’incertitudes dans les projections des températures et des précipitations moyennes à l’échelle mondiale

Note : Fraction de la variance totale des projections moyennes décennales s'expliquant par la variabilité interne (orange), l'incertitude du modèle (bleu) ou l’incertitude du scénario (vert), à la fois pour les températures moyennes de l'air en surface (a) et pour les précipitations (b).

Source : (Hawkins et Sutton, 2009[119] ; Hawkins et Sutton, 2010[120]).

L'importance relative des diverses sources d’incertitudes est – plus que leur quantification exacte – pertinente pour utiliser au mieux les projections du changement climatique dans la prise de décisions. Bien que surtout influencées par la variabilité interne du système climatique, les projections du climat pour les vingt prochaines années sont à aborder avec prudence. Les impacts seront exacerbés par le forçage résultant des émissions qui se trouvent déjà dans le système. Or la façon dont ils se manifesteront dépend encore dans une large mesure de la dynamique changeante et très complexe du système climatique, qui est difficile – voire impossible – à prédire (Encadré 2.4).

Le caractère inattendu des événements climatiques récents (comme les précipitations extrêmes en République populaire de Chine et en Allemagne, ou la chaleur extrême au Canada) fait ressortir cette imprévisibilité ainsi que l’importance majeure de la variabilité qui s'ajoute à la tendance générale. Les projections des variations à court terme au niveau régional sont donc utiles car elles indiquent quels changements pourraient perturber les communautés et les écosystèmes. Elles ne peuvent cependant fournir la date exacte ou l’ampleur des changements ou des phénomènes extrêmes.

Lors de leur initialisation, les modèles climatiques de pointe ne présentent qu’une faible fiabilité (même s'ils revêtent une grande importance sur le plan statistique). Ils sont surtout intéressants pour les parties prenantes gérant de grandes quantités de données, à l’instar des grandes compagnies d'assurance. En revanche, ils sont sans doute peu utiles pour prendre des décisions isolées en matière d’adaptation. Pour réagir aux impacts dans le cadre des mesures visant à faire face aux pertes et dommages, il serait préférable de mettre l’accent sur la résilience et l’adaptabilité des systèmes humains et naturels aux changements et événements éventuels, plutôt que de chercher à établir des prévisions précises.

Sur des horizons plus lointains (environ quarante ans), la principale source d’incertitude des projections mondiales et régionales des températures réside dans les scénarios d'émissions ou de concentration. Lorsqu’ils étudient les changements susceptibles de se produire, les décideurs publics auraient intérêt à prendre en considération tout l’éventail possible des changements, en s’appuyant sur toutes les données probantes et pas seulement celles émanant des modèles numériques. Cela permettrait, en retour, de comprendre les niveaux de changement – minimum et maximum – auxquels le système peut avoir à s'adapter.

Les scénarios limitants, qui reflètent la tolérance au risque des décideurs, peuvent donner une indication de l'échéance à partir de – et durant – laquelle les décisions et les mesures prises par les pouvoirs publics doivent être opérationnelles (Kotamarthi et al., 2016[121]). Un urbaniste peut considérer que les scénarios d'émissions ne le concernent pas. Inversement, un homme politique participant aux négociations internationales sur le climat peut y voir un choix qui reste à faire.

S’agissant des précipitations, la discordance entre les modèles demeure la principale source d'incertitude des projections aux niveaux régional et mondial, ce qui a des conséquences dans le domaine de l'élaboration des politiques. Il n’en reste pas moins que les modifications futures de la fréquence et de l’intensité des épisodes de sécheresse et des inondations jouent un rôle essentiel dans la résilience d'un grand nombre de communautés et d'écosystèmes. Le fait d’envisager une sécheresse ou au contraire une inondation entraîne l’adoption de mesures différentes. Les projections sont donc difficiles à aborder dans les régions où les différents modèles prévoient des changements totalement différents. Il est important de noter que pour certaines régions comme le Royaume-Uni (Lowe et al., 2018[118]), une sécheresse comme des inondations peuvent être projetées à différentes saisons/périodes de l’année. Dans un tel cas, les mesures prises par les pouvoirs publics doivent répondre aux deux types d’aléas.

Les modèles de circulation générale sont, par conséquent, des outils indispensables pour comprendre le phénomène du changement climatique. Toutefois, bien que les résultats qualitatifs soient souvent très robustes et très fiables, de nombreuses projections régionales sont intrinsèquement incertaines, et ce à différents égards. Il en résulte que l’examen et la compréhension de l’incertitude restante sont foncièrement un résultat de la science climatique moderne, qui est très utile pour l'action publique. Les modélisateurs ont certes une compréhension approfondie du système climatique – complexe –, mais incomplète. Les modèles dépendent d'ailleurs de l’étendue de leurs connaissances. L’incertitude quant aux choix futurs des citoyens et des pouvoirs publics, qui sont en fait les principaux déterminants du risque climatique, revêt une importance nettement plus grande pour les décideurs.

S’agissant de ce dernier type d’incertitude, les modèles de circulation générale peuvent être des outils très efficaces. Ils peuvent améliorer la compréhension collective non seulement des différents futurs possibles, mais aussi de l’influence que les décisions d'aujourd'hui peuvent avoir sur le changement climatique de demain. Un investissement accru et mieux coordonné dans les capacités de modélisation du climat pourrait être un remède direct à ces incertitudes. La pertinence des programmes scientifiques pourrait du même coup en être améliorée (Palmer et Stevens, 2019[122]). La théorie selon laquelle le simple renforcement des calculs se traduira forcément par une plus grande fiabilité des résultats des modélisations ne fait cependant pas l’unanimité (Stainforth et Calel, 2020[123]). D'autres approches telles que l’utilisation de textes (Dessai et al., 2018[124]) et de canevas narratifs (Shepherd et al., 2018[125]) – qui constituent des cadres moins rigides pour gérer l’incertitude – sont également des domaines de recherche ayant une application directe dans la planification des mesures d’adaptation (Bhave et al., 2018[126]), où les méthodes reposant sur les modèles suscitent de hauts niveaux d'incertitude.

2.3. Incertitudes liées à l’exposition et à la vulnérabilité socio-économiques

La composante aléa du risque est liée à l’incertitude entourant la sensibilité du climat aux émissions de GES (voir section 2.2). Néanmoins, les autres composantes du risque – l’exposition et la vulnérabilité9  – sont influencées par les caractéristiques socio-économiques, institutionnelles, politiques et culturelles. Par conséquent, elles sont liées à l’incertitude qui sous-tend ces caractéristiques. Contrairement aux aléas physiques, les processus socio-économiques n’obéissent pas aux lois de la physique car ils sont le résultat de choix humains. C’est pourquoi il est plus facile d’agir sur ces processus, en utilisant les leviers de l’action publique et de l’économie. En contrepartie, cette même caractéristique fait que ces processus sont considérablement plus difficiles à prévoir que les aléas.

Si les incertitudes liées aux climat et celles entourant les processus socio-économiques sont en général traitées séparément, le fait est qu’elles interagissent entre elles de façon complexe et que la résultante de ces interactions détermine les risques de pertes et de dommages. Il est essentiel de mieux comprendre les différents niveaux et types d’incertitude qui sous-tendent les composantes vulnérabilité et exposition du risque climatique. Cela peut aider les autorités publiques à prendre de bonnes décisions quant à la façon de gérer ces risques et aux interventions à privilégier. Cette section se penche sur cinq grands types d’incertitudes liées à la vulnérabilité et à l’exposition socio-économiques. Elle présente également des méthodes permettant de caractériser et, si possible, d’atténuer ces incertitudes, tout en analysant leurs conséquences pour l’action publique.

Différentes sources d’incertitude limitent notre compréhension de la trajectoire que suivra le changement climatique, ce qui ajoute un élément de complexité dans la détermination des mesures d’atténuation et d’adaptation appropriées pour faire face à ce changement (Congressional Budget Office, 2005[127] ; Gillingham et al., 2015[128]). Les pouvoirs publics doivent inévitablement composer avec l’incertitude lorsqu’ils prennent leurs décisions. Il est impératif d’évaluer les politiques à la lumière de cette incertitude. Les incertitudes peuvent être atténuées, mais en aucun cas éliminées ; l’avenir, et en particulier les résultats socio-économiques futurs, seront toujours en partie incertains. L’avenir lointain l’est encore plus. L’examen des incertitudes peut toutefois être riche d’enseignements. Le fait de mieux caractériser les incertitudes – voire, le cas échéant, de les réduire– peut donner des informations sur les résultats à attendre d’une intervention déterminée. Disposer d’informations plus nombreuses ou de meilleure qualité sur les incertitudes offre un moyen de concevoir des politiques moins risquées et plus efficaces10. En outre, la compréhension des incertitudes constitue un outil de communication dans le processus politique. Une fois les incertitudes caractérisées, on dispose d’une base commune pour engager un débat contradictoire sur les mesures à adopter compte tenu de ces incertitudes. Sans cette caractérisation, le débat sur les politiques risque d’être moins transparent et donc moins productif.

Différentes méthodologies peuvent être utilisées pour traiter les différents types d’incertitudes socio-économiques. Le Tableau 2.3 récapitule les types d’incertitude abordés dans cette section, les moyens d’y faire face et leurs conséquences pour les politiques publiques. La caractérisation des différents types d’incertitude fait intervenir différentes méthodes et produit différents types d’information, de nature quantitative ou qualitative. L’Encadré 2.5 donne un aperçu sélectif des estimations des pertes et des dommages dus au changement climatique obtenues avec différentes méthodes, illustrant par là-même l’impact de l’incertitude sur les pertes et les dommages prévus. Il y a lieu d’appréhender et de combiner judicieusement ces différents types d’information et méthodes sans les hiérarchiser. Par exemple, les informatives qualitatives ne doivent pas être considérées comme secondaires par rapport aux informations quantitatives.

Tableau 2.3. Les incertitudes et ce qu’elles impliquent pour la méthodologie et l’élaboration des politiques

Source d’incertitude	Méthodes de traitement de l’incertitude considérée	Conséquences pour l’élaboration des politiques
Données quantitatives	Approches statistiques, économétriques	Actualiser les enquêtes, en y intégrant des questions sur la vulnérabilité et l’exposition. Utiliser des sources de données novatrices en complément des mesures traditionnelles. Lorsque les connaissances sont lacunaires, utiliser des variables de remplacement ou procéder par interpolation ou estimation statistique. Utiliser l’incertitude estimée dans le processus d’élaboration des politiques.
Données qualitatives	Approches territorialisées	Compléter les analyses quantitatives par des analyses qualitatives pour améliorer la conception, le ciblage et la mise en œuvre des politiques.
Projections des dommages économiques	Modèles de calcul informatique, tels que les modèles d’évaluation intégrée (MEI), les modèles fondés sur les agents et les techniques de repondération et de rééchantillonnage	Les MEI sont extrêmement précieux pour comparer les coûts de différentes politiques sur le long terme, mais ils n’analysent pas l’incertitude de façon détaillée. Le fait de compléter les analyses MEI par des modèles qui évaluent explicitement l’incertitude des politiques permettrait d’ouvrir le processus d’élaboration des politiques.
Rôle socio-économique de la nature	Combinaison de méthodes : économétrie, approches territorialisées, modèles de calcul informatique	Les coûts estimés du changement climatique sont sensibles à la valeur non marchande de la nature et au rôle de la nature dans la production. Il convient d’évaluer scrupuleusement l’importance de chacun de ces facteurs pour le bien-être et l’économie lors de la conception des politiques. Un degré d’incertitude élevé justifie l’application du principe de précaution.
Autres	Réflexion théorique, approches territorialisées	Les politiques devraient encourager l’activation de points de bascule socio-économiques, qui sont nécessaires pour amorcer une transformation à long terme propice à une résilience accrue. Le taux d'actualisation social doit refléter les valeurs et les cultures locales. Il est faible lorsque le contexte est incertain et que les dommages sont suffisamment importants.

Note : le tableau est une synthèse des sous-sections 2.3.1, 2.3.2 et 2.3.3.

Encadré 2.5. Illustration des effets des choix méthodologiques au moyen de quelques estimations

Pour illustrer les incertitudes associées au changement climatique, le Tableau 2.4 donne un aperçu très sélectif des estimations des effets du changement climatique, telles qu’elles ressortent des études théoriques. Ces travaux examinent tous des aspects différents du changement climatique, et des aléas, des secteurs, des régions et des résultats également différents ; par conséquent, ils n’utilisent pas les mêmes méthodes et hypothèses. Il est dès lors impossible d’agréger ou moyenner les données chiffrées, même lorsqu’elles visent à estimer le même impact. Par exemple, les études OCDE (2016[129]) et Burke, Hsiang et Miguel (2015[130]) examinent toutes les deux les effets économiques du changement climatique. Cependant, Burke et al. (2015[130]) adoptent une approche descendante fondée sur la modélisation économétrique pour examiner l’association entre changement des températures et PIB et, à partir de là, déterminer en quoi le changement des températures pourrait affecter le PIB. De son côté, l’OCDE utilise un modèle d'équilibre général calculable qui lui permet d’intégrer des types d’aléa multiples et d’examiner de façon détaillée les mécanismes par lesquels les effets se matérialisent (par ex., une diminution de la productivité de la main-d’œuvre). Les deux approches ont leurs défauts, du reste : par exemple, elles négligent les effets des sécheresses possibles, ainsi que les impacts indirects dus à l’effet du changement climatique sur les services écosystémiques. De même, ni l’une ni l’autre n’a estimé l’impact du franchissement des points de bascule climatiques.

Les méthodes examinées par les études théoriques étant différentes, voire très différentes (ne s’intéressant pas aux même aléas et ne prenant pas en compte l’adaptation dans la même mesure par exemple), elles ne peuvent pas être considérées comme équivalentes, ne peuvent pas être additionnées, et se chevauchent partiellement. Précision importante, toutes les estimations sont incertaines et incomplètes et doivent être interprétées seulement comme des estimations indicatives de la limite basse des effets produits. Elles révèlent des variations considérables entre les effets estimés, qui reflètent l’étendue des incertitudes physiques et socio-économiques. Prises dans leur globalité, elles montrent que les effets du changement climatique sont considérables, justifiant l’adoption d’une politique climatique ambitieuse.

Tableau 2.4. Quelques estimations des pertes et dommages prévus

Source	Méthode	Aléa	Catégorie d’effet	Région	Estimation
Jafino et al. (2020[131])	Modèle de rééchantillonnage et de repondération	Hausse des températures et phénomènes extrêmes	Niveaux de pauvreté	Monde	Entre 30 et 130 millions de personnes en situation d’extrême pauvreté supplémentaires à l’horizon 2030
				Afrique subsaharienne	Entre 10 et 50 millions de personnes en situation d’extrême pauvreté supplémentaires à l’horizon 2030
				Asie du Sud	Entre 10 et 60 millions de personnes en situation d’extrême pauvreté à l’horizon 2030
OCDE (2016[129])	Modèle CGE	Hausse des températures, élévation du niveau de la mer, cyclones et températures extrêmes	Effets économiques	Monde	Environ 1.5 % du PIB à l’horizon 2050 (1-3 %)
				Afrique subsaharienne	Environ 3 % du PIB à l’horizon 2050
				Asie du Sud et du Sud-Est	Environ 2.5 % du PIB à l’horizon 2050
Halegatte, Rentschler et Rozenberg (2019[132])	Méthode économétrique et modélisation	Phénomènes météorologiques extrêmes	Dommages causés aux infrastructures	Un ensemble de pays en développement d’Afrique, d’Asie et d’Amérique du Sud	De l’ordre de 1 000 milliards USD entre 2020 et 2030
Burke, Hsiang et Miguel (2015[130])	Méthode économétrique	Hausse des températures	Effets économiques	Monde	23 % du PIB par habitant à l’horizon 2100, 10 % à l’horizon 2050
				Afrique subsaharienne	De l’ordre de 30 % du PIB par habitant à l’horizon 2050, de l’ordre de 90 % à l’horizon 2100
				Asie du Sud-Est	De l’ordre de 30 % du PIB par habitant à l’horizon 2050, de l’ordre de 90 % à l’horizon 2100
Bastien-Olvera et Moore (2020[133])	MEI	Hausse des températures	Dommages non économiques aux écosystèmes	Monde	Dommages non économiques aux écosystèmes équivalents à environ 190 000 milliards USD à l’horizon 2050
Gasparrini et al. (2017[134])	Projections fondées sur les statistiques et le calcul informatique	Températures extrêmes, au travers de la mortalité due à la chaleur	Mortalité	Certaines régions d’Europe, d’Asie, d’Océanie et d’Amérique	Augmentation de la mortalité annuelle due à la chaleur pouvant atteindre 10-15 %
OMS (2014[135])	Modèles climat-santé	Hausse des températures, régimes pluviométriques variables et températures extrêmes, et leurs répercussions sur la malnutrition, le stress thermique et l’incidence de la diarrhée et du paludisme	Coûts des soins de santé	Monde	Coûts annuels en soins de santé compris entre 2 et 4 milliards USD entre 2030 et 2050
			Mortalité due à la malnutrition, au stress thermique, à la diarrhée et au paludisme	Monde	250 000 décès supplémentaires par an entre 2030 et 2050
Hayes et al. (2018[136])	Examen des études publiées	Phénomènes extrêmes	Santé mentale	Monde	Effets marqués sur la santé mentale, qui toucheront les groupes les plus marginalisés de façon disproportionnée
Tschakert et al. (2019[137])	Analyse systématique de cas	Changement climatique	Pertes et dommages non économiques	Monde	Développement partout dans le monde de pertes immatérielles et du sentiment d’insécurité

Note : Les pourcentages renvoient au niveau pour l’année indiquée ; par exemple, une baisse de 90 % en 2050 signifie que, sans changement climatique, la valeur de l’indicateur dans la région considérée serait de 100 en 2050, mais qu’elle est ramenée à 10 sous l’effet du changement climatique.

Source : (Bastien-Olvera et Moore, 2020[133]), (Burke, Hsiang et Miguel, 2015[130]), (Gasparrini et al., 2017[134]), (Hallegatte et al., 2015[138]), (Hallegatte, Rentschler et Rozenberg, 2019[132]), (Hayes et al., 2018[136]), (Jafino et al., 2020[131]), (OCDE, 2016[129]) (Tschakert et al., 2019[137]), (WHO, 2014[135]) et calculs des auteurs.

2.3.1. Incertitudes liées à la disponibilité des données socio-économiques

Les données sont une composante clé du processus d’élaboration des politiques. Par exemple, elles peuvent être utilisées pour mettre en évidence les régularités passées et lier le passé à l’avenir, offrant un point d’observation utile pour le calcul des projections (Haug et al., 2009[139] ; Riahi et al., 2017[8]). Les données pertinentes pour l’exposition et la vulnérabilité peuvent être de nature quantitative (taux de chômage ou croissance du PIB) ou qualitative (données tirées d’entretiens ou d’enquêtes et de textes). De nouvelles sources de données, telles que les données satellitaires ou textuelles, peuvent aussi faire progresser les connaissances sur l’exposition et la vulnérabilité. S’il est impossible d’obtenir des mesures directes, les variables de remplacement, l’interpolation ou l’estimation statistique sont des options envisageables.

Cette sous-section passe en revue ces différents types de données. Elle examine la façon dont le données peuvent aider à mieux comprendre l’exposition et la vulnérabilité. Elle cherche également à savoir comment les lacunes restantes et le manque d’informations peuvent contribuer à l’incertitude.

Données quantitatives

L’une des sources d’incertitude qui pèse sur la compréhension de la vulnérabilité et de l’exposition présentes et futures est liée à la disponibilité des informations quantitatives. Plus spécifiquement, l’étendue et la qualité des données relatives à l’exposition et à la vulnérabilité sont inférieures à la moyenne dans des régions qui, d’après les projections, seront les plus durement touchées par certains types d’aléa (IPCC, 2018[97]). Par exemple, certains des pays les moins avancés ne possèdent pas de données démographiques officielles infranationales, qui pourraient donner une indication de l’exposition des vies et des moyens de subsistance (World Bank, 2021[140]). De même, seuls les pays développés disposent de données détaillées et à jour sur la vulnérabilité – par exemple sur les revenus ou les capacités des hôpitaux (WHO, 2021[141]). Aucune donnée sur la vulnérabilité ou l’exposition ne peut être tout à fait complète. Comme l’a expliqué le chapitre 1, la vulnérabilité et l’exposition sont des notions à facettes multiples et peuvent être directes ou indirectes ; par conséquent, on ne peut jamais être certain d’en avoir saisi tous les aspects, qui de surcroît évoluent rapidement.

Même en se référant à plusieurs sources de données, il est impossible de recenser la totalité des vulnérabilités physiques, mentales et culturelles en raison de leur variété, de leurs mutations constantes, voire de leur nature subjective. Pour autant, les responsables politiques à qui il incombe de gérer les risques climatiques ont besoin de toutes les informations possibles pour prendre des décisions robustes. C’est là un bon moyen d’ancrer les politiques climatiques dans un substrat plus solide, en faisant en sorte qu’elles soient mieux ciblées, plus efficaces et plus efficientes, pour produire des résultats socio-économiques améliorés. Les sources de données traditionnelles telles que les enquêtes et les registres administratifs peuvent livrer des informations utiles sur les niveaux d’exposition et de vulnérabilité (Brouwer et al., 2007[142] ; Hallegatte et Rozenberg, 2017[143]). Un certain nombre de données régulièrement collectées par les autorités publiques peuvent donner des indications sur la vulnérabilité et l’exposition (Deschênes, Greenstone et Guryan, 2009[144]) et sur les politiques visant à les réduire. Par exemple, les registres fiscaux contiennent des informations sur la taille et les revenus des ménages, qui permettent d’estimer l’exposition des vies et des moyens de subsistance dans une zone déterminée. Les enquêtes auprès des ménages recueillent généralement des informations sur la propriété des logements, entre autres aspects, qui donnent une idée du niveau de vulnérabilité (Taupo, Cuffe et Noy, 2018[145]).

Néanmoins, les informations tirées des enquêtes ne sont pas complètes et pourraient être améliorées. Il serait possible par exemple de compléter les enquêtes par des questions directes sur la prise de conscience de l’exposition et de la vulnérabilité des entreprises et des ménages aux facteurs climatiques. Une enquête pourrait comprendre un ensemble de questions spécifiques traitant de la vulnérabilité et de l’exposition. Il faut cependant trouver le juste équilibre entre la spécificité et la complexité des questions posées et l’opportunité de toucher la plus vaste population possible. Ainsi les questions devraient-elles être les plus simples possible, pour éviter que les personnes interrogées ne renoncent à répondre (Blair, Czaja et Blair, 2014[146]). Les enquêtes auprès des ménages sont considérées comme l’une des grandes innovations du dernier siècle en matière de recherche en sciences sociales, et bon nombre de politiques s’en sont inspirées et s’en inspirent encore. Toutefois, leur qualité a décliné récemment. Par exemple, les taux de non-réponse ont augmenté (Meyer, Mok et Sullivan, 2015[147] ; Brown et al., 2014[148]).

Les indices composites offrent un moyen d’utiliser les données traditionnelles d’une façon plus complète (Nardo et al., 2005[149]). Ces indices sont construits à partir d’un ensemble de composantes, généralement fondées sur des données traditionnelles. Ils peuvent donc englober tous les aspects pertinents et permettre de classer les régions ou les pays en fonction de leur niveau de résilience plus ou moins élevé. Par exemple, le Climate Risk Index, mis au point par Germanwatch, utilise les données de réassurance sur les phénomène extrêmes passés. Cet indice est utile pour mesurer l’exposition et la vulnérabilité (en particulier aux phénomènes extrêmes) (Eckstein, Künzel et Schäfer, 2021[150]). Divers indices tels que l’indice  ND-GAIN ou l’indice de vulnérabilité climatique du Centre d’études stratégiques de La Haye incorporent des projections climatiques ou une mesure de l’état potentiel de préparation à différents futurs climatiques possibles (Usanov et Gehem, 2014[151] ; Chen et al., 2015[152]).

Les valeurs des indices reposent généralement sur des hypothèses ad hoc, qui concernent par exemple les éléments à inclure et les coefficients de pondération à leur affecter. Cela ne facilite pas leur interprétation. Par exemple, il n’est pas toujours aisé de savoir ce qu’un écart de 10 % entre deux pays signifie réellement. Pour pouvoir comparer valablement les indices, il faudrait appliquer le même barème de pondération à tous les pays ou régions. Or, dans les faits, les différents types d’exposition et de vulnérabilité n’ont pas nécessairement la même importance pour toutes les régions. Pour donner un exemple, l’élévation du niveau de la mer est importante pour les petits États insulaires en développement, mais moins pour les pays développés enclavés. Par conséquent, si elles sont utiles pour obtenir une vue instantanée globale et établir des classements, les valeurs des indices doivent être interprétées avec circonspection.

Les nouvelles sources de données, telles que les images satellites, peuvent compléter les données traditionnelles. Elles offrent des possibilités intéressantes dans les cas où les données traditionnelles sont manquantes ou insuffisantes, et permettent d’estimer d’autres mesures de l’exposition et de la vulnérabilité socio-économiques. Il est par exemple possible, à partir des données satellitaires, de calculer des estimations de la population et des biens exposés à l’échelon infranational. Ces données renseignent également sur le niveau de vulnérabilité. Par exemple, les tons et nuances des images satellites permettent de déduire l’étendue des cultures touchées et la vulnérabilité physique des biens (Brown, de Beurs et Marshall, 2012[153] ; Ceola, Laio et Montanari, 2014[154]). La Banque mondiale également utilise les images satellites dans les cas où les offices nationaux de statistiques ne peuvent pas lui communiquer de données adéquates sur la population au niveau infranational (World Bank, 2021[140]). En outre, elle sont souvent disponibles gratuitement sur Internet (Turner, 2013[155] ; LaJeunesse Connette et al., 2016[156]). Ces types de données offrent une couverture très étendue de certains risques climatiques. Mais encore une fois, elles ne peuvent pas être complètes, dans la mesure où l’exposition et la vulnérabilité comportent de nombreuses facettes.

En l’absence de données directes sur la vulnérabilité, on peut procéder à des estimations indirectes. L’impact du changement climatique, en tant que risque, a trois composantes : aléa, exposition et vulnérabilité (voir chapitre 1). Si l’aléa est donné, le risque restant correspond à la combinaison exposition et vulnérabilité. En 2017, par exemple, l’ouragan Maria a causé en Dominique des dommages économiques estimés à plus de 200 % du PIB annuel du pays (Government of the Commonwealth of Dominica, 2017[157]). L’exposition et la vulnérabilité du PIB à cet aléa étaient donc élevées.

L’exposition peut aussi être donnée, et l’on sait que l’île entière était exposée à l’ouragan. Si toute la Dominique est exposée à un aléa tel que l’ouragan Maria, par exemple, les coûts économiques dépassent 200 % du PIB (IFRC, 2017[158]). Ce chiffre peut être considéré comme une estimation indirecte de la vulnérabilité pour un aléa et une exposition donnés. On peut également raisonner dans l’ordre inverse : si des informations sont disponibles sur la vulnérabilité, il est possible d’obtenir une estimation indirecte de l’exposition.

Les cadres de régression offrent un moyen de calculer des estimations indirectes de façon systématique. Dans le cas de la Dominique, un tel cadre nécessiterait de réunir des données sur les impacts et l’exposition associés à des phénomènes similaires passés (par ex. les ouragans David, Lenny et Erika). Les abstractions statistiques obtenues à partir de la multitude de données disponibles sur les aléas, les expositions et d’autres variables pertinentes (telles que la situation macroéconomique) permettent d’estimer la vulnérabilité. Par exemple, en utilisant un cadre de régression, on estime que le passage d’un ouragan moyen réduit le taux de croissance économique d’au moins 0.83 point de pourcentage en Amérique centrale et dans les Caraïbes (Strobl, 2012[159]). Autre exemple, le coût annuel des canicules qui ont frappé l’Australie à la fin de 2013 et au début de 2014 a été estimé à 650 USD par personne (Zander et al., 2015[44]) ; ce chiffre correspond à la vulnérabilité estimée des revenus du travail aux canicules. L’aléa est donné (les canicules de la saison 2013/14), et l’exposition de la population est déduite en examinant le revenu par personne.

L’un des avantages de cette approche statistique est le petit nombre de variables requis : une variable d’impact (telle que le PIB ou la mortalité), l’aléa, et l’exposition ou la vulnérabilité. De plus, l’estimation statistique de l’exposition ou de la vulnérabilité est sans doute plus complète qu’une mesure directe, car elle prend en considération tous les éléments qui sont liés à la variable d’impact mais qui ne sont pas liés à l’aléa et à l’exposition ou la vulnérabilité.

Cependant, cette approche a également des inconvénients. Premièrement, la variable d’impact limite l’estimation indirecte. Par exemple, l’impact sur le PIB ne reflète pas les facteurs de vulnérabilité non économiques. L’impact estimé des climats passés sur les résultats socio-économiques est sujet à l’imprécision statistique et les résultats sont sensibles aux hypothèses (Newell, Prest et Sexton, 2021[160]). Ces incertitudes statistiques peuvent être directement évaluées au moyen d’approches statistiques et économétriques. Les connaissances relatives aux incertitudes statistiques sont peu utilisées. Les décideurs et les universitaires ont tendance à se focaliser sur les résultats centraux, alors que les incertitudes statistiques recèlent des informations importantes pour l’élaboration des politiques (Romer, 2020[161]). Enfin, par nature, les estimations indirectes fournissent des informations globales, dont la résolution spatiale et temporelle est sans doute inférieure à celle qui serait obtenue avec une source individuelle de données. Dès lors, il est difficile d’évaluer les vulnérabilités locales et donc d’adapter les politiques aux besoins locaux.

D’autres approches peuvent être envisagées lorsqu’il n’est pas possible de mesurer directement la vulnérabilité ou l’exposition à l’échelle spatiale ou temporelle requise. Les techniques d’interpolation, par exemple, peuvent appuyer la prise de décision. Ces techniques utilisent des données sur l’exposition ou la vulnérabilité dont l’échelle spatiale ou temporelle est plus globale, pour estimer l’exposition et la vulnérabilité à des échelles plus fines. Il peut être important de disposer d’informations à une échelle plus fine pour adapter les politiques aux besoins locaux. Par exemple, Uddin et al. (2019[162]) ont créé une carte des risques à une échelle fine pour la région côtière du Bangladesh, en utilisant l’interpolation. Cette carte pourrait guider l’élaboration des politiques en matière de risques d’inondation. En Europe, on utilise une méthode similaire pour surveiller l’exposition à l’air pollué (EEA, 2008[163]). Ces techniques permettent aux décideurs d’ajuster au mieux les politiques à la situation locale. Néanmoins, l’interpolation requiert davantage de données issues de sources existantes. Cela nécessite de formuler des hypothèses, qui doivent être évaluées avec soin.

Dans d’autres cas, il est préférable d’utiliser une variable de remplacement. Il s’agit de mesurer non pas la variable d’intérêt, mais un phénomène qui évolue parallèlement à la variable d’intérêt (c’est-à-dire qui est corrélé avec elle). Dans le cas du PIB, des images satellites des éclairages nocturnes ont été utilisées pour calculer une approximation des niveaux de PIB infranationaux en Afrique de l’Est (Henderson, Storeygard et Weil, 2012[164]). Le même type d’images a servi à estimer l’exposition mondiale aux inondations (Ceola, Laio et Montanari, 2014[154]) et à examiner l’impact économique à court terme des phénomènes météorologiques extrêmes (Ishizawa, Miranda et Strobl, 2017[165]).

Autre variable de remplacement qui permet d’approximer la vulnérabilité ou l’exposition : la fréquence de certains mots ou de certaines expressions. On trouve ces mots dans les documents officiels, les revues scientifiques, les articles de journaux, les médias sociaux et autres supports de communication écrite. Le chercheur qui compile les données peut essayer de repérer dans les journaux ou les articles publiés sur Internet les expressions qui reflètent la vulnérabilité ou l’exposition, en se posant les questions suivantes : Quelle est la fréquence d’utilisation de ces mots à certaines périodes et dans certains lieux ? Dans quels contextes sont-ils employés ? Quelle est leur connotation émotionnelle ? Dans les régions qui présentent une vulnérabilité climatique plus élevée, ces questions sont sans doute plus fréquemment abordées par les journaux et Internet (Archibald et Butt, 2018[166] ; Bromley-Trujillo et Poe, 2020[167]).

Les défis liés à la disponibilité des données sont plus aigus dans les pays en développement, où le secteur informel représente une plus grande part de l’économie. En général, les administrations centrales et locales ont des ressources et des capacités plus limitées pour conduire des évaluations. D’après les projections, l’Inde, qui est l’un des pays les plus durement touchés par les phénomènes extrêmes, devrait également être parmi ceux qui paieront le plus lourd tribut au changement climatique (Kreft, Eckstein et Melchior, 2016[168]), et est confrontée à des défis spécifiques. L’Encadré 2.6 passe en revue ces défis, qui ont trait aux travailleurs migrants, à l’économie informelle, aux pertes et dommages non économiques et aux pertes et dommages indirects.

Encadré 2.6. La difficulté d’estimer les pertes et les dommages en Inde

Un abondant corpus de données montre que l’Inde est fréquemment sujette à des phénomènes extrêmes ainsi qu’à des processus à évolution lente, dus au changement climatique. Ces phénomènes ont des effets sur les vies et les moyens de subsistance, les infrastructures, la biodiversité et le patrimoine culturel, entre autres (Government of India, 2011[169]). L’Inde se classe ainsi parmi les dix pays les plus touchés par les catastrophes naturelles. Les trois quarts des États et territoires de l’Union sont sujets à des catastrophes telles que cyclones, inondations et sécheresses (Government of India, 2011[169]). Récemment, le gouvernement national et les gouvernements des États ont élaboré divers plans d’atténuation du changement climatique et des catastrophes, tels que le Plan d’action national sur le changement climatique et les Plans d’action des États sur le changement climatique. Des plans de gestion des catastrophes ont également été préparés au niveau des districts. L’établissement d’une cartographie des risques et des aléas fait partie des objectifs fixés par le programme de réduction des risques de catastrophe en dix points du Premier Ministre.

Travailleurs migrants

En Inde, des facteurs climatiques et non climatiques sont responsables de migrations entre zones rurales et zones urbaines (Viswanathan et Kavi Kumar, 2015[170]). Les travailleurs migrants, qui comprennent des travailleurs permanents et saisonniers, vivent dans des régions très sensibles et exposées au changement climatique. Le secteur informel emploie une vaste proportion de migrants. Ces travailleurs informels n’ont pas le droit de voter dans leur ville d’accueil, dans la mesure où c’est leur village d’origine qui figure sur leurs documents d’identité (carte d’électeur, carte d’identité Aadhaar, permis de conduire, livret de banque, etc.). Par conséquent, lorsque survient un phénomène extrême tel que les inondations de Chennai en 2015, ils n’ont droit à aucun dédommagement ou aide [voir (Patankar, 2019[171])]. Aussi les évaluations des pertes et des dommages ne prennent-elles pas en compte les pertes et dommages subis par ces travailleurs. Naturellement, après un phénomène extrême, la plupart des travailleurs migrants reprennent le chemin de leur région d’origine. Ces flux inverses entraînent des pénuries de main-d’œuvre dans les régions urbaines et retardent la reprise pour les entreprises implantées en ville. Par exemple, 83 % environ des propriétaires d’entreprises textiles de Surate ont indiqué que la pénurie de main-d’œuvre constituait un problème majeur pendant la phase de reprise (Bahinipati et al., 2017[172]).

Économie informelle

Il est également difficile d’estimer les pertes et les dommages subis par le secteur informel. En Inde, la plupart des micro-, petites et moyennes entreprises opèrent de façon informelle et absorbent un grand nombre de travailleurs migrants. Du fait de la nature même des activités informelles, on ne dispose pas, pour une zone particulière frappée par un phénomène extrême, d’informations sur les stocks et les mouvements de biens d’équipement, l’emploi ou la chaîne d’approvisionnement de ce secteur avant la survenue d’une catastrophe. De plus, comme les travailleurs sont peu susceptibles d’être assurés, on ne peut pas s’appuyer sur les demandes d’indemnisation pour estimer les pertes et les dommages. Par exemple, d’après Patankar (2019[171]), environ 93 % des entreprises de Mumbai ne sont pas assurées contre les inondations. De leur côté, Bahinipati et al. (2017[172]) ont observé qu’un quart seulement des pertes et des dommages subis par les usines textiles de Surate était couvert par des assurances ou des mécanismes d’indemnisation publique. Les inondations qui ont frappé Chennai en 2015 ont infligé aux petites entreprises des pertes et des dommages économiques de l’ordre de 8.4 milliards INR par semaine (KPMG, 2016[173]). Il ressort d’une autre étude qu’en 2013, environ 14 000 micro-industries et entreprises de l’Uttarakhand ont gravement souffert des inondations, qui ont occasionné des pertes et des dommages estimés à 631 millions USD (Singh, 2018[174]).

Pertes et dommages non économiques

Dans le cas des pertes et des dommages non économiques, les principales difficultés consistent à les conceptualiser, les comptabiliser et, si possible, les monétiser (IPCC, 2012[175] ; Serdeczny, Waters et Chan, 2016[176]). Comme le stock de biens non économiques n’est enregistré nulle part, il est difficile d’attribuer ex post les pertes et dommages non économiques dus à une catastrophe naturelle. D’un point de vue méthodologique, il est malaisé d’estimer des pertes et dommages non économiques en termes monétaires – c’est-à-dire d’établir le prix de biens non économiques. S’agissant de biens qui ne font pas l’objet d’échanges marchands, on peut, le cas échéant, utiliser des méthodes de préférence déclarée (détermination de la valeur contingente et modélisation des choix par exemple) pour estimer les pertes et les dommages correspondants. Banihipati (2020[177]) a choisi la méthode de la valeur contingente pour estimer les pertes et les dommages non économiques déplorés par les familles touchées par la sécheresse en Inde occidentale. Résultat surprenant, l’auteur constate que les pertes et les dommages économiques immédiats sont jugés plus importants par ces familles. Une autre difficulté consiste à attribuer les pertes et les dommages non économiques aux « bonnes » causes climatiques et non climatiques. Certaines de ces pertes, telles que les taux de déscolarisation, les migrations, la perte d’identité ou le stress psychosocial, ont un caractère générique. Bien souvent, les personnes concernées ne les perçoivent pas comme la résultante de phénomènes climatiques. À titre d’exemple, les pénuries d’eau dans les villes sont mises au compte de mauvaises pratiques d’utilisation des terres, de l’augmentation de la population et de la dégradation de l’environnement plutôt que des chocs climatiques (Singh et al., 2021[178]). De même, les populations qui vivent dans les régions d’Inde occidentale en proie à la sécheresse ne rattachent pas les migrations saisonnières et la déscolarisation à l’occurrence des sécheresses, considérant plutôt qu’il s’agit du résultat normal du processus économique (Banihipati, 2020[177]). Dans bien des cas, il est préférable de décrire les pertes et les dommages non économiques à l’aide de méthodes qualitatives (voir la prochaine sous-section).

Pertes et dommages indirects

Il est également malaisé d’estimer les pertes et les dommages associés à un impact indirect ou des effets d’entraînement (par ex., une sécheresse provoque de mauvaises récoltes, qui entraînent à leur tour une hausse des prix des produits alimentaires, avec des conséquences pour les dépenses de consommation et la nutrition). Relativement peu d’études à ce jour ont estimé les pertes et les dommages indirects (Ranger et al., 2010[179]). Par conséquent, ces estimations sont souvent absentes des rapports d’évaluation de l’impact des catastrophes. Or, ces pertes peuvent être considérables. Par exemple, lors des inondations de 2006 à Surate, les pertes et les dommages moyens pour les usines textiles ont atteint environ 1.98 million INR en prix de 2013 – les effets directs se chiffrant à 0.98 million INR et les effets indirects à 1 millon INR (Bahinipati et al., 2017[172])

Données qualitatives

Certains aspects fondamentaux des pertes et des dommages, tels que le sentiment d’appartenance, l’identité ou la sécurité, ne peuvent pas être quantifiés (Barnett et al., 2016[6]). Pour évaluer ces aspects, il est nécessaire de connaître le contexte socio-économique ou culturel local et de mettre en œuvre une approche qualitative, raison pour laquelle les chercheurs effectuent souvent des travaux sur le terrain dans les zones touchées. En général, les données requises sont recueillies au moyen d’entretiens approfondis, d’enquêtes ou de groupes de discussion. Les données issues de ces évaluations se présentent fréquemment sous la forme de récits ou d’histoires. Elles révèlent quels aspects de l’existence les personnes considèrent comme étant les plus importantes. Elles revêtent autant d’importance que les données quantitatives pour l’élaboration des politiques climatiques (Tschakert et al., 2019[137]).

Par leur grande diversité, les méthodes qualitatives parviennent à mettre en lumière toutes les subtilités d’un contexte d’action déterminé, ce que les analyses quantitatives peuvent difficilement accomplir avec certitude. En livrant des données objectives, les analyses quantitatives peuvent inspirer un sentiment de confiance et d’objectivité fallacieux, dans la mesure où les statistiques sur la mortalité et autres indicateurs connexes sont empreints d’une incertitude élevée (voir la première sous-section de la section 2.3.1). Les données qualitatives sont foncièrement différentes, mais répondent à des questions tout aussi importantes concernant les pertes et les dommages. Par conséquent, les deux types de données, quantitatives et qualitatives, sont utiles. Il faut intégrer les deux approches pour éviter d’instaurer une hiérarchie entre elles.

En général, les données qualitatives apportent de la profondeur et des éléments d’explication à ce que l’on peut observer quantitativement, ce qui permet d’atténuer l’incertitude dans l’interprétation. Prenons l’exemple de deux études qui observent une association quantitative positive entre les précipitations et les conflits (Witsenburg et Adano, 2009[180] ; De Juan, 2015[181]). Cependant, les deux études offrent une interprétation différente de l’association positive constatée. L’une, qui s’appuie sur des entretiens menés auprès de la population locale, conclut qu’il est plus facile de conduire un raid par temps pluvieux (Witsenburg et Adano, 2009[180]). La seconde argue que la pluie procure une ressource précieuse (l’eau) en période de sécheresse, exacerbant la concurrence et les conflits (De Juan, 2015[181]). Si les résultats quantitatifs des deux études sont similaires, l’analyse qualitative a des conséquences complètement différentes pour l’élaboration des politiques.

Les récits et autres informations qualitatives peuvent également influencer les décideurs – parfois même davantage que ne le font les données chiffrées. Par exemple, les images sur lesquelles on voit un biologiste marin retirer une paille en plastique de la narine d’une tortue de mer ont joué un rôle dans la multiplication des interdictions des pailles en plastique dans le monde (Houck, 2018[182]). Dans le domaine climatique, la photo d’un ours polaire mourant de faim a suscité davantage d’attention et d’intérêt que les études scientifiques publiées sur le même sujet la même année (Rode et al., 2015[183] ; Whiteman et al., 2015[184]).

Néanmoins, l’appréciation des actions à entreprendre repose intrinsèquement sur une comparaison d’ensembles de valeurs implicites, dans la mesure où le fait de mettre en œuvre une politique déterminée implique de ne pas mettre en œuvre une autre politique aux effets différents. Par conséquent, les décideurs et d’autres parties prenantes peuvent préférer disposer d’un point d’observation pour comparer ces arbitrages entre les politiques possibles. C’est ainsi que, bien souvent, ils se réfèrent à des chiffres ou des indices pour justifier le choix d’une politique de préférence à une autre et motiver leur action.

Il est impossible de quantifier pleinement les effets du changement climatique en termes monétaires. Cela tient à la fois au niveau insuffisant des connaissances et à la nature propre au contexte ou spécifique de certaines valeurs (Tschakert et al., 2017[185]). Certains effets sociaux peuvent être quantifiés, mais selon une autre méthode que celle utilisée pour les dommages économiques. Par exemple, les vies perdues et les échelles psychologiques du bien-être [telles que l’échelle d’intensité du deuil, Grief Intensity Scale, PG-13 (Prigerson et Maciejewski, 2006[186])] présentent des informations qualitatives de façon comparable. En tenant compte de ces aspects qualitatifs, les décideurs obtiendraient un tableau plus complet des effets du changement climatique et pourraient concevoir des politiques plus efficaces.

2.3.2. Incertitude liée aux projections

Modélisation des dommages économiques futurs dus au changement climatique et des incertitudes

Les mécanismes par lesquels les émissions de carbone se traduisent en dommages sont une question majeure pour l’économie climatique depuis des décennies. Le problème est complexe notamment parce qu’il existe différents types d’aléas liés au changement climatique, qui sont d’intensités différentes – des canicules à l’élévation du niveau de la mer, jusqu’au franchissement d’un point de bascule climatique (voir chapitre 3). En outre, les dommages potentiels dus au changement climatique s’étendent sur plusieurs secteur de l’économie. Ils entraînent des effets en cascade dans le temps et dans l’espace, du niveau local au niveau régional puis mondial. Des effets en cascade peuvent aussi se produire de l’échelon planétaire jusqu’à l’échelon local : les prix mondiaux des denrées alimentaires ont un impact local sur la disponibilité (voir la section 3.3).

Même si elles sont inévitablement entourées d’incertitude, les estimations des dommages n’en demeurent pas moins utiles. Elles permettent en effet de comparer directement les coûts associés à l’absence de politique climatique – c’est-à-dire les coûts induits par les dommages – et le coût de la mise en œuvre de politiques propres à réduire les coûts des dommages. Cette catégorie de recherches a façonné un abondant corpus d’études sur les analyses coûts-avantages des scénarios d’atténuation. Des décennies durant, ces analyses ont été utilisées pour défendre (ou apporter des arguments contre) l’adoption de mesures strictes en matière de changement climatique. Différents types d’outils et méthodes de modélisation sont employées pour examiner cette question. Cette sous-section en passe quelques-uns en revue, soulignant leurs atouts et leurs limites.

Les MEI sont les modèles les plus fréquemment utilisés pour estimer les dommages dus au changement climatique11 (Wei, Mi et Huang, 2015[187]). Ils fournissent une représentation des systèmes économique, énergétique, foncier et climatique, qui facilite l’illustration et l’analyse des relations d’interdépendance et des arbitrages qui s’opèrent entre les choix effectués dans le cadre de ces systèmes. Les modèles DICE et PAGE figurent parmi les MEI les plus convaincants pour ce qui est d’estimer les coûts des dommages dus au changement climatique (Nordhaus, 1992[188]) (Stern, 2006[189]) . Ils permettent d’estimer les coûts associés à l’évitement du changement climatique pour différents niveaux de hausse des températures, et ainsi d’analyser les coûts et avantages des scénarios d’atténuation. À partir d’un ensemble d’hypothèses concernant la croissance du PIB, les politiques en matière de croissance démographique et la technologie, entre autres facteurs, les MEI renseignent les chercheurs et les décideurs sur les résultats économiques et environnementaux, ainsi que sur les trajectoires énergétiques et l’utilisation des terres. Cette analyse repose sur des versions simplifiées des décisions des entreprises et des ménages.

Le module climatique d’un MEI décrit les effets du changement climatique, qui sont ensuite convertis en dommages économiques au moyen d’une fonction de dommage. La fonction de dommage lie les émissions de carbone et les dommages économiques. Elle vise à saisir la totalité des effets des émissions de carbone au moyen d’une fonction unique.

La formulation des fonctions de dommage s’est améliorée au fil des années, donnant une description plus précise et, le cas échéant, une estimation plus juste des dommages. Les fonctions de dommage des premiers MEI reposaient fréquemment sur des hypothèses ad hoc qui n’étaient guère étayées par des éléments empiriques. Par exemple, Nordhaus (1992[188]) spécifiait une fonction de dommage au carré, qui multipliait la production économique. Il s’appuyait pour cela sur des travaux empiriques antérieurs. À l’inverse, Kalkuhl et Wenz (2020[190]) ont appliqué les dernières avancées de l’économétrie du climat à des données infranationales détaillées pour produire des estimations actualisées de la paramétrisation de Nordhaus. Ils estiment la valeur des dommages dus à l’émission d’une tonne de CO₂ à environ 70-140 USD, soit plus du double de l’estimation de Nordhaus (1992[188]).

D’autres travaux empiriques concluent que des températures élevées entraînent de graves dommages (Burke, Hsiang et Miguel, 2015[130]) (Hsiang, 2016[191]). Ces estimations empiriques offrent un guide utile pour réduire les incertitudes liées aux dommages climatiques. Comparer les fonctions de dommage utilisées dans différents MEI permet également de déterminer des valeurs minimale et maximale.

Néanmoins, on ne sait pas encore avec certitude quelle est la forme de fonction de dommage la plus appropriée. À partir de Nordhaus (1992[188]), la plupart des MEI utilisent une fonction multiplicative. Dans ces modèles, les dommages sont multipliés par le niveau de consommation, ce qui signifie que la consommation est amoindrie par les dommages mais ne peut pas être ramenée à une valeur nulle. À l’inverse, une fonction additive des dommages a la faculté de neutraliser complètement le bien-être procuré par la consommation (Weitzman, 2009[74]). Les fonctions additives sont mieux adaptées aux contextes dans lesquels il est difficile trouver un substitut aux biens et services environnementaux (voir la deuxième sous-section de la section 2.3.2 pour un exposé plus détaillé sur le rôle socio-économique de la nature).

Les estimations des dommages générées par les MEI sont très hétérogènes et comportent un degré d’incertitude élevé. Une fonction unique ne peut pas à elle seule saisir toute la gamme des impacts économiques du changement climatique. Pour certains analystes, le concept même de fonction de dommage est trompeur (Pindyck, 2017[192]).

Fondamentalement, il est impossible de connaître la fonction de dommage exacte. Ce qu’il adviendra dans le futur de chacune des trois composantes du risque (aléa, exposition, vulnérabilité) est incertain. Et cette incertitude sera d’autant plus grande que l’on cherchera à sonder le futur plus lointain (Neumann et al., 2020[193]).

Autre limite potentielle, les résultats des MEI présentent une résolution temporelle rudimentaire (avec des pas de temps d’une décennie ou plus en général). Les MEI sont en outre incapables de modéliser la trajectoire de transition entre deux pas de temps successifs, renforçant encore le caractère incertain des estimations des dommages (Monasterolo, Roventini et Foxon, 2019[194]). Enfin, la structure des MEI est telle qu’il est difficile de vérifier leur validité à l’aide d’outils économétriques ou statistiques (Nordhaus, 2018[195]).

Les incertitudes relatives aux estimations des dommages et à l’hypothèse retenue quant à la forme fonctionnelle méritent donc un examen attentif. Qui plus est, les décideurs doivent déterminer les types de questions auxquels ces modèles peuvent apporter des réponses utiles. Ils doivent aussi savoir que la production de ces modèles n’est pas toujours apte à guider l’élaboration des politiques.

Utiliser les MEI pour estimer les coûts économiques du changement climatique à court terme – par exemple à l’échelle d’un cycle ou d’un mandat politique – est peu susceptible de produire des résultats pertinents. Les comparaisons des analyses coûts-avantages de différentes trajectoires d’atténuation obtenues avec différents MEI peuvent, s’il est fait abstraction des degrés d’incertitude élevés, apporter des éléments à la politique climatique internationale, et les objectifs mondiaux en matière de température peuvent étayer l’action des pays. Si on les utilise à bon escient, ces modèles peuvent livrer des informations utiles. Les incertitudes qui entourent les résultats ne devraient en aucun cas être un obstacle à l’action. Les dommages exacts ne peuvent pas être déterminés mais il est certain qu’ils ne sont pas nuls, et un corpus croissant de données laisse même penser qu’ils sont substantiels.

Il est probable que les MEI sous-estiment la vulnérabilité et l’exposition. Cela tient à ce que certains éléments tels que les réponses des écosystèmes, les phénomènes extrêmes ou les points de bascule sont difficiles à insérer dans les modèles économiques. Par conséquent, ces aspects ne sont généralement pas traités par les modèles, ce qui entraîne une sous-estimation des risques (Stern, 2013[196]). Il existe cependant des exceptions, tels que les MEI à dommages stochastiques (Cai, Lenton et Lontzek, 2016[197]).

Les modèles économiques accusent n’ont pas encore comblé leur retard sur les modèles climatiques les plus récents. Par exemple, ils présupposent un laps de temps trop long entre les émissions de carbone et le réchauffement (Dietz et al., 2021[198]). Un modèle étant une version simplifiée de la réalité, certains aspects sont laissés de côté ou schématisés. Or, dans un MEI, les hypothèses de simplification conduisent immanquablement à une sous-estimation des risques. Par conséquent, s’agissant des estimations calculées avec les MEI, l’incertitude correspond à la mesure dans laquelle l’effet réel dépasse l’effet modélisé.

D’autres méthodes de modélisation permettent d’approximer l’incertitude entourant le changement climatique et les interactions socio-économiques d’une manière plus souple que ne le font les MEI (Farmer et al., 2015[199] ; Hallegatte et Rozenberg, 2017[143]). C’est le cas par exemple des modèles ascendants, qui partent des sous-composantes pour édifier leur structure. Deux méthodes de ce type sont examinées ici : les modèles fondés sur les agents et les modèles de rééchantillonnage et de repondération.

Les modèles fondés sur les agents supposent l’existence d’agents multiples (entreprises, ménages ou consommateurs individuels par ex.), qui interagissent entre eux et avec leur environnement. Chaque agent est confronté à ses propres problèmes de décision et suit des règles comportementales qui lui sont également propres pour résoudre ces problèmes. Les résultats du modèle sont déterminés par les interactions qui se nouent entre les différents agents. Ces interactions peuvent être complexes. Bien souvent, plusieurs itérations du même modèle donnent des résultats différents, et l’on peut considérer que ces différences caractérisent l’incertitude.

La souplesse des modèles fondés sur les agents permet aux modélisateurs d’examiner les résultats à différents niveaux d’agrégation. Il est possible par exemple d’analyser comment les interactions entre agents simulées à l’échelle microéconomique produisent des résultats à l’échelle macroéconomique. Démêler les différents niveaux est utile pour localiser la source des incertitudes entourant l’exposition et la vulnérabilité et déterminer par quels facteurs elles sont influencées. Par conséquent, les modèles fondés sur les agents offrent aux décideurs une méthode globale pour déterminer les effets des chocs liés aux politiques ou au climat et évaluer leur niveau d’incertitude (Kniveton, Smith et Wood, 2011[200] ; Rai et Henry, 2016[201] ; Hailegiorgis, Crooks et Cioffi-Revilla, 2018[202]).

En outre, ces modèles peuvent fournir des descriptions détaillées de différents types d’incertitude et d’impact et de leurs interactions. C’est pourquoi, comparés aux MEI par exemple, ils sont plus indiqués pour examiner les effets des phénomènes composites, les mécanismes complets et les circuits de transmission. L’examen des circuits de transmission est souvent nécessaire pour pouvoir ajuster au mieux les politiques.

L’une des limites des modèles fondés sur les agents réside dans leurs hypothèses comportementales, qui sont difficiles à vérifier. Les mêmes règles comportementales peuvent conduire à des résultats similaires au niveau macroéconomique, où la vérification est plus aisée. Pour cette raison, une connaissance approfondie de la situation modélisée est souvent nécessaire pour renseigner le modèle.

Dans la plupart des cas, ces modèles sont appliqués à des problèmes locaux bien définis (Kniveton, Smith et Wood, 2011[200] ; Hailegiorgis, Crooks et Cioffi-Revilla, 2018[202]). Ils sont également capables de produire des descriptions simplifiées de problématiques plus vastes et complexes, ce qui est difficile avec d’autres types d’approche. Par exemple, un modèle fondé sur les agents a mis en évidence que les coûts des perturbations des chaînes d’approvisionnement mondiales provoquées par des catastrophes naturelles étaient comparables aux coûts directs des catastrophes (Otto et al., 2017[203]). Ce type d’analyse permet aux décideurs de cerner les goulets d’étranglement et de rendre les chaînes d’approvisionnement plus résilientes.

La seconde méthode de modélisation évalue les effets socio-économiques et l’incertitude qui les entoure à l’aide d’un modèle de rééchantillonnage et de repondération. La première étape de cette approche consiste à estimer les effets du changement climatique sur divers résultats socio-économiques tels que le revenu des ménages, la productivité de la main-d’œuvre et les prix des produits alimentaires, au moyen de données quantitatives. La deuxième étape simule la vulnérabilité et l’exposition futures des ménages sur la base des trajectoires socio-économiques partagées du GIEC (Hallegatte et Rozenberg, 2017[143]) (voir sous-section ci-dessous). Dans un troisième temps, des simulations sont effectuées pour des mondes à changement climatique sévère et à changement climatique modéré, sur la base des scénarios RCP (Representative Concertation Pathways ou Profils représentatifs d’évolution de concentration) du GIEC (voir section 2.2.3).

La différence entre les scénarios de changement climatique sévère et de changement climatique modéré donne une estimation de l’effet du changement climatique sur chaque variable de résultat (par ex. le revenu des ménages, la productivité de la main-d’œuvre ou les prix des produits alimentaires). Pour évaluer le degré d’incertitude, les modélisateurs effectuent plusieurs milliers d’itérations de la deuxième et de la troisième étapes, en modifiant à chaque fois la composition future des ménages et le modèle climatique. Cette étape permet d’évaluer l’incertitude associée à chacun des résultats socio-économiques modélisés. Il apparaît par exemple que l’effet attendu du changement climatique sur la pauvreté imputable aux phénomènes extrêmes devrait être trois fois plus élevé que l’effet attendu imputable à la productivité de la main-d’œuvre.

L’effet productivité est beaucoup marqué que l’effet des phénomènes extrêmes dans certains scénarios (Jafino et al., 2020[131]). On peut donc supposer qu’un phénomène extrême produira davantage d’effets que la productivité. Mais on ne peut pas exclure la possibilité que l’effet de la productivité soit très largement dominant.

Les modèles de rééchantillonnage et de repondération sont donc performants en termes d’évaluation de l’incertitude. Ils appréhendent les incertitudes scientifiques et socio-économiques dans un seul cadre. Ce point a son importance dans la mesure où, pour certaines régions, différents modèles climatiques peuvent prévoir des aléas complètement différents [par ex. des sécheresses ou des inondations en Afrique de l’Ouest (World Bank, 2021[204])].

L’inconvénient, avec ces modèles, est qu’ils ne mettent pas en œuvre un cadre macroéconomique cohérent. Dès lors, il est difficile de déterminer comment les politiques pourraient infléchir les résultats sur le long terme. Autre limite, ils ne peuvent estimer que les effets des circuits individuels, et non les impacts combinés. Or, l’effet total du changement climatique est sans doute supérieur à la somme de ses effets individuels.

Incertitudes liées au rôle socio-économique de la nature

La façon dont les modèles de calcul informatique appréhendent les écosystèmes et l’environnement plus généralement a une incidence profonde sur les effets estimés du changement climatique. Le changement climatique met en danger plusieurs écosystèmes et, par ce biais, altère le bien-être socio-économique (van der Geest et al., 2019[205]). En particulier, si la température moyenne mondiale augmentait de 1.5 °C ou moins au lieu de 2 °C, de lourds dommages aux écosystèmes seraient évités (IPCC, 2018[86]).

Pour autant, les mécanismes par lesquels les changements écosystémiques répondent au changement climatique, et la façon dont ces changements se répercutent ensuite sur le bien-être socio-économique, ne sont pas toujours bien clairs. Deux aspects essentiels contribuent au caractère incertain de l’exposition et de la vulnérabilité : le rôle des prix relatifs à l’égard des services environnementaux ; et la valeur non économique de la nature.

Premièrement, le rôle des prix relatifs est important car il détermine la difficulté future d’accès aux biens environnementaux. Les modèles de calcul doivent formuler des hypothèses concernant le processus de production ; les possibilités de substituer certains biens à d’autres dans la production ; et la consommation. Des recherches montrent que les impacts estimés sont sensibles aux hypothèses retenues quant aux possibilités de remplacer la nature par d’autres facteurs, même si les effets du changement climatique sont temporaires (Hoel et Sterner, 2007[206] ; Sterner et Persson, 2008[207]). Si la substituabilité entre les biens environnementaux et d’autres biens n’est pas parfaite, les services environnementaux, tels que l’accès à une eau propre, deviendront plus chers en comparaison d’autres biens comme les téléphones mobiles.

Les coûts estimés augmentent rapidement avec la difficulté de substitution, mais sont élevés même en présumant des hypothèses modérées. Par exemple, dans un modèle DICE simple, Sterner et Persson (2008[207]) présupposent que la substituabilité entre les biens environnementaux et d’autres biens existe, mais qu’elle est imparfaite12. Ils concluent que, dans l’idéal, il faudrait que la planète atteigne la neutralité carbone avant 2100. Ce résultat contraste avec celui du modèle DICE original, qui prescrivait que les émissions de carbone atteignent leur pic à peu près à la même période. Il est donc probable que la plupart des MEI sous-estiment les dommages économiques, dans la mesure où ils supposent une substituabilité parfaite entre les biens environnementaux et d’autres biens.

Compte tenu de ces résultats, les décideurs devraient se pencher attentivement sur l’utilisation des biens environnementaux dans l’économie et la mesure dans laquelle ces biens sont substituables. Le cas échéant, des investissements pourraient atténuer la vulnérabilité en facilitant la substitution de certains biens environnementaux. Par exemple, l’accès à une eau potable saine risque de revenir problématique pour les ménages pauvres si le prix de l’eau augmente. Dans ces conditions, des investissements dans les infrastructures liées à l’eau pourraient alléger les incertitudes pesant sur les prix relatifs et rendre les populations plus résilientes. Ces investissements pourraient être consacrés, par exemple, à la création de stations d’épuration ou d’usines ou procédés de dessalement. D’autres biens et services environnementaux, tels que le piégeage du carbone par la forêt tropicale amazonienne, sont sans doute plus difficiles à remplacer.

La seconde source d’incertitude importante concerne la valeur non économique des écosystèmes et des biens environnementaux. Comme cela a été indiqué dans la section 2.3.1, les impacts les plus importants seront vraisemblablement de nature non économique. De nombreux auteurs sont défavorables à l’idée d’attacher une valeur monétaire aux écosystèmes par principe (Costanza et al., 2017[208] ; Des Jardins, 2013[209]). Cependant, pour répondre aux besoins des décideurs d’analyser les coûts et avantages des politiques environnementales, les économistes ont mis au point des méthodes pour calculer cette valeur (Perman et al., 2011[210]). Par conséquent, des méthodes quantitatives sont utilisées pour approximer des impacts qui sont fondamentalement qualitatifs.

Divers travaux de recherche ont montré qu’un écosystème, ou même une seule espèce, pouvaient avoir de la valeur pour des personnes qui ne les utilisent pas ou même ne les voient pas (Bateman et al., 2002[211] ; Fankhauser, Dietz et Gradwell, 2014[212]). Par exemple, il ressort d’une étude récente que le consentement à payer moyen pour la préservation des espèces menacées est d’environ 400 USD par ménage (Subroy et al., 2019[213]). Toutefois, ces évaluations sont passablement incertaines et les résultats sensibles à la méthode choisie (Bastien-Olvera et Moore, 2020[133]).

Des travaux récents sont parvenus à la conclusion que les impacts non économiques estimés étaient environ quatre fois plus élevés que les impacts économiques. Aussi, pour les décideurs, les répercussions de ces coûts non économiques sur la population sont très incertaines. Dans la mesure où l’objectif ultime des politiques est en général de procurer une certaine forme de bien-être, les décideurs doivent tenir compte des dommages non économiques dans leurs évaluations.

Évaluer les dommages non économiques au moyen de méthodes établies (par ex. détermination de la valeur contingente et expériences sur les choix) permettrait de réduire l’incertitude. Cette démarche peut aider à adapter les politiques aux besoins des populations. Une région déterminée peut être résiliente à certains types d’aléa sur le plan économique, mais être vulnérable à des impacts non économiques tels que le dépérissement des forêts ou l’extinction des espèces. Par conséquent, il faut investir pour protéger non seulement les écosystèmes qui contribuent directement à la production économique (par ex. l’agriculture, le tourisme et la pêche), mais aussi les écosystèmes sans valeur économique directe. Ce point est en lien avec les impacts qualitatifs examinés dans la section 2.3.1.

Les trajectoires socio-économiques partagées en tant que mesure de l’incertitude

Comme on l’a indiqué dans la section 2.2.3, le GIEC a élaboré un ensemble de scénarios pour les systèmes socio-économiques (dans la lignée des RCP). Le Sixième rapport d’évaluation s’appuiera pour partie sur ces scénarios. Les trajectoires socio-économiques partagées (SSP) décrivent sous la forme de textes cinq futurs possibles pour notre planète (Riahi et al., 2017[8]). Les SSP ne sont pas des prévisions et n’ont pas vocation à décrire l’avenir. Elles présentent des scénarios cohérents, fondés sur des hypothèses quant aux tendances.

De la même manière, comme il ne s’agit pas de prévisions fondées sur la situation actuelle, ces trajectoires ne sont pas accompagnées de probabilités. L’avenir pourrait ne pas ressembler au passé ou au présent. Les SSP examinent différents futurs possibles pour déterminer ce que ces mondes plausibles pourraient signifier pour les systèmes naturels et humains.

Les SSP ont été élaborées par un groupe d’experts, qui, pour ce faire, ont commencé par créer cinq canevas narratifs généraux décrivant les évolutions possibles de la planète (Riahi et al., 2017[8]). Dans un deuxième temps, pour guider l’interprétation et le choix des hypothèses, ces canevas narratifs ont été transposés en tableaux de données d’entrée quantitatives. À partir de ces tableaux, les experts ont converti chacun des textes en projections quantitatives de trois variables socio-économiques : PIB, population et urbanisation. L’évolution de ces trois paramètres est difficile à prévoir, en particulier sur le long terme.

Graphique 2.10. Principaux résultats des trajectoires socio-économiques partagées

Note : Le graphique présente les projections (« marqueurs de référence ») de la population, du PIB, de l’urbanisation et du PIB par habitant.

Source : (Riahi et al., 2017[8]) ; population : (Samir et Lutz, 2017[214]) ; PIB : (Dellink et al., 2017[215]) ; urbanisation : (Jiang et O’Neill, 2017[216]).

Les cinq trajectoires décrivent des mondes sensiblement différents. Pour une même trajectoire, différents modèles peuvent aboutir à différents résultats, ce qui dénote une incertitude considérable. Si les projections exactes des cinq scénarios comportent une marge d’incertitude, les tendances générales sont claires – voir Graphique 2.10. pour les projections principales utilisées par le GIEC dans ses rapports (correspondant aux scénarios « marqueurs de référence ») :

• La SSP1 (en vert) décrit un monde qui prend la voie d’un développement durable. Il s’agit d’un scénario relativement optimiste, dans lequel les systèmes socio-économiques (tels que les infrastructures et les modes de vie) évoluent rapidement vers des modes de fonctionnement qui émettent moins de carbone, grâce aux technologies (voir chapitre 6). Il en résulte une diminution considérable des aléas et de l’exposition. La SSP1 est l’une des SSP qui affichent le PIB par habitant et le niveau d’urbanisation les plus élevés et la croissance démographique la plus faible (van Vuuren et al., 2017[217]).

• La SSP2 (en marron) illustre un monde dans lequel les tendances historiques se poursuivent. Les aléas et l’exposition augmentent graduellement, mais sont compensés dans une certaine mesure par l’accroissement des possibilités d’adaptation, qui réduisent la vulnérabilité lentement. Cette trajectoire produit des résultats socio-économiques moyens en comparaison des autres SSP (Fricko et al., 2017[218]).

• La SSP3 (en gris) table sur une augmentation considérable de l’exposition et de la vulnérabilité. Cette trajectoire est la pire en termes de résultats socio-économiques mondiaux : le PIB atteint son niveau le plus bas, et la population le niveau le plus élevé (Fujimori et al., 2017[219]).

• La SSP4 (en rouge) décrit un monde dans lequel les aléas et l’exposition vont croissant. La vulnérabilité ne diminue que dans les pays développés. Il en résulte une aggravation des inégalités entre et dans les pays, une hausse de la pauvreté et l’apparition de tensions politiques et sociales. Dans ce monde, les problèmes environnementaux ont essentiellement une dimension locale. Par conséquent, le PIB et le PIB par habitant figurent dans la moitié basse des projections des SSP (Calvin et al., 2017[220]).

• La SSP5 (en violet), dite scénario du « développement alimenté par les combustibles fossiles », affiche le PIB et le PIB par habitant les plus élevés, et des projections optimistes pour la croissance démographique et l’urbanisation. Cette trajectoire décrit un développement rapide, qui repose sur la poursuite de l’exploitation des ressources naturelles. Ce développement rapide pourrait s’accompagner d’une diminution de la vulnérabilité en certains endroits. Néanmoins, il repose sur un statu quo à émissions de carbone élevées et entraînera de plus lourdes répercussions en comparaison des trajectoires qui prévoient une transition vers des économies bas carbone (Kriegler et al., 2017[221]).

Il faut aussi garder à l’esprit que chaque scénario SSP est empreint d’une grande incertitude. Rappelons que le Graphique 2.10. ne décrit que les scénarios marqueurs de référence et que différents groupes de modélisation développent les scénarios dans différentes directions. Cela concerne également les différents scénarios d’atténuation utilisés dans les modèles du climat (voir section 2.2).

En conséquence, toutes les trajectoires à l’exception de la SSP3 sont compatibles avec un réchauffement de moins de 1.5 °C (par rapport aux niveaux préindustriels) (IPCC, 2018[86]). Le Graphique 2.11 représente les émissions nettes de carbone (émissions diminuées du carbone extrait) associées aux SSP, calculées à l’aide de différents modèles (Riahi et al., 2017[8]). Les courbes vertes correspondent aux trajectoires dans lesquelles l’objectif de 1.5 °C est atteint ; les courbes bleu clair décrivent les autres trajectoires ; et les courbes bleu foncé indiquent les scénarios marqueurs de référence.

La nature des incertitudes et des risques est différente dans chaque cas. Par exemple, la réalisation de l’objectif de 1.5 °C comporte moins de risques dans la trajectoire SSP1 que dans la SSP5. Dans la SSP1, les émissions déclinent rapidement, freinant le processus de réchauffement, tandis que dans la SSP5, elles se poursuivent au même rythme ou augmentent durant la phase initiale. Dans la SSP5, l’objectif est atteint si l’on parvient à extraire une quantité suffisante de carbone de l’atmosphère (les émissions nettes de carbone sont fortement négatives).

L’avenir lointain étant plus incertain que l’avenir proche, les trajectoires qui tablent sur la mise en œuvre d’une technologie dans l’avenir lointain sont plus incertaines et plus risquées. Pour les décideurs, cela signifie que l’on peut réduire les risques en agissant rapidement plutôt que tardivement. Cela signifie aussi qu’ils doivent privilégier des politiques qui feront évoluer le monde vers l’un des futurs les moins risqués envisagés. Les SSP offrent aux décideurs une base commune pour examiner les aspects socio-économiques et d’autres questions connexes, et devraient ainsi jeter davantage de clarté sur ces débats.

Graphique 2.11. Les émissions de carbone dans les trajectoires socio-économiques partagées

Note : Le graphique représente les émissions nettes de carbone (en Mt) générées chaque année, telles qu’elles ressortent de simulations multiples effectuées pour chaque scénario SSP (Riahi et al., 2017[8]). Les courbes bleu foncé correspondent aux scénarios de référence ; les courbes vertes aux trajectoires compatibles avec un réchauffement de 1.5 °C ; et les courbes bleu clair aux autres trajectoires.

Source : Base de données publique de l’IIASA sur les SSP (Riahi et al., 2017[8]).

2.3.3. Autres incertitudes

L’incertitude découle de la nature complexe des systèmes socio-économiques. Par conséquent, les projections décrivent donc une évolution future possible. Cependant, ces projections ne peuvent pas se réaliser et ne se réaliseront pas, tout simplement à cause des chocs aléatoires imprévus. Les projections ne peuvent pas tenir compte de tous les chocs aléatoires possibles ni ne peuvent leur attribuer une probabilité d’occurrence. Cela vaut pour les chocs liés aux échanges (qui trouvent leur origine dans les systèmes économiques mondiaux) et pour ceux dus à des circonstances exceptionnelles (telles que la pandémie de COVID-19). Pour cette raison, les projections doivent être examinées à la loupe, mais ne pas être considérées comme des prédictions. La résilience aux chocs aléatoires doit être renforcée, par exemple au moyen d’une diversification des chaînes d’approvisionnement.

Un cas extrême de choc incertain se produit lorsque le choc entraîne des impacts sans commune mesure avec l’élément déclencheur (impact non linéaire), ce qui est le cas notamment avec les points de bascule socio-économiques. Les points de bascule socio-économiques sont des valeurs seuils dans les systèmes socio-économiques, qui provoquent des changements abrupts et bouleversent les systèmes entiers, conduisant à la formation de nouveaux équilibres13.

Les points de bascule socio-économiques sont traités séparément des projections pour la raison qu’ils sont très difficiles, sinon impossibles à prévoir, alors qu’ils ont d’énormes répercussions. Une projection peut prévoir parfaitement les tendances générales, mais si un choc aléatoire ayant son origine dans l’économie mondiale active un point de bascule socio-économique, ces tendances dévieront des projections.

On ignore quand et comment les points de bascule seront franchis. Les décideurs peuvent néanmoins encourager leur activation en adoptant des politiques globales. Par exemple, ils peuvent investir dans les technologies liées aux énergies renouvelables mais aussi supprimer les subventions aux combustibles fossiles (Otto et al., 2020[222]). D’après des données d’expérience, une minorité convaincue d’environ 25 % dans un groupe est capable de faire basculer la majorité du groupe vers un autre comportement (Centola et al., 2018[223]).

Chose importante, les points de bascule socio-économiques peuvent être franchis dans un sens ou dans l’autre. D’un côté, des recherches pionnières ont mis en évidence en 1973 l’amincissement de la couche d’ozone dans l’atmosphère. Cette découverte a abouti, seulement 14 ans plus tard, à la signature du Protocole de Montréal malgré les objections soulevées par les industries concernées. D’un autre côté; l’instauration d’une nouvelle taxe sur les carburants en France en 2019 a provoqué une levée de boucliers, suivie d’une volte-face des autorités.

Les points de bascule échappent encore à nos connaissances, mais il est possible d’en décrire les grandes lignes. David Tábara et al. (2018[224]), par exemple, recensent six types de points de bascule liés à différentes composantes du système socio-économique : systèmes énergétiques, gouvernance, sphère socio-culturelle, systèmes technologiques, systèmes de ressources et économie. Le nombre de points de bascule augmente avec le degré de complexité des sociétés. En conséquence, il sera sans doute nécessaire d’activer plusieurs points de bascule pour obtenir une véritable transformation (Otto et al., 2020[222]).

Le taux d’actualisation social constitue un autre facteur d’incertitude pour la conception des politiques. Ce paramètre détermine l’importance de l’avenir par rapport au présent dans les évaluations coûts-avantages. Si les générations futures sont aussi importantes que les générations actuelles, le taux d’actualisation social est de zéro. Si l’année prochaine compte pour moitié moins que l’année actuelle, sa valeur est d’environ 30 %. À mesure que le taux augmente, l'importance attribuée au bien-être des générations futures dans les évaluations diminue. Les spécialistes des politiques du climat attachent une importance particulière aux taux d’actualisation sociaux, car les mesures adoptées aujourd’hui auront une influence sur le bien-être pendant plusieurs décennies, voire plusieurs siècles. Même si cette question a reçu toute l’attention des théoriciens, aucun consensus clair ne se dégage pour l’instant (Kelleher, 2017[225] ; Varian, 2006[226]). Le taux d’actualisation social est donc incertain, et il est probable qu’il diffère d’une société à une autre. La recherche offre néanmoins un cadre pour analyser les taux d’actualisation sociaux de façon cohérente. Il est admis par le plus grand nombre que le taux d’actualisation social a deux composantes : la préférence pour le présent et l’aversion pour l’inégalité intergénérationnelle (Kolstad et al., 2015[227]).

Premièrement, la préférence pour le présent signifie qu’une somme monétaire déterminée vaut plus aujourd’hui qu’elle ne vaudra l’année prochaine. En dernière analyse, cette préférence peut être déterminée à partir des gains auxquels on renonce : une somme d’argent peut être investie aujourd’hui pour générer des gains l’an prochain. Cela signifie que cette somme d’argent aujourd’hui vaut plus que la même somme l’an prochain. Cette assertion ne vaut que pour les biens marchands. Elle ne s’applique pas aux biens non marchands tels que les vies et les moyens de subsistance. Il est difficile de dire si dix vies perdues l’an prochain sont préférables à dix vies perdues aujourd’hui.

Deuxièmement, l’aversion pour l’inégalité intergénérationnelle renvoie au présupposé qui tient que la croissance économique va se poursuivre et que les générations futures seront probablement plus riches. Selon ce raisonnement, ces générations pourront supporter les coûts plus facilement. Mais ce postulat est discutable. Il n’est pas sûr que l’économie continue à croître indéfiniment, et le niveau de sa croissance future est incertain (Dellink et al., 2017[215]).

Cette incertitude augmente à mesure que l’on se projette plus loin dans l’avenir. Il en résulte que le taux d’actualisation social diminuera au fil du temps pour deux raisons. Premièrement, les autorités publiques ont une aversion pour le risque (voir chapitre 1) et préfèrent ne pas formuler d’hypothèses trop hardies concernant la richesse future. De même, les autorités ont une aversion générale pour la création d’inégalités économiques entre les générations ; or, un taux d’actualisation social élevé signifie que les générations futures auront à assumer la majeure partie des coûts (Gollier, 2015[228]). Enfin, il faut tenir compte des préoccupations liées à la viabilité, et plus précisément de la possibilité que les générations futures soient moins bien loties que les générations actuelles (Asheim et Mitra, 2010[229]). Il s’agit là en définitive de considérations politiques. Deuxièmement, le concept mathématique de la valeur attendue montre qu’il faut choisir des taux d’actualisation prudents dans un contexte d’incertitude (Gollier, 2002[230]).14 Ainsi, sans émettre un quelconque jugement de valeur, il faut s’attendre à ce que le taux d’actualisation décline à mesure que l’incertitude croît. Et l’on peut s’attendre à ce que l’incertitude augmente à mesure que l’horizon des projections s’éloigne. Bien entendu, cette leçon peut être transposée aux contextes d’incertitude des pays : les décideurs des pays confrontés à une plus incertitude plus élevée devraient utiliser des taux d’actualisation inférieurs à ceux utilisés dans les pays au contexte moins incertain.

2.4. La communication sur les risques liés au climat et ses conséquences pour les processus politiques

Les sections 2.2 et 2.3 examinent les niveaux de confiance élevés associés aux connaissances sur le changement climatique. Elles mettent également en évidence les différents niveaux et types d’incertitude qui entourent la compréhension de certains aspects du système climatique. Enfin, elles analysent les conséquences de ces facteurs pour la compréhension des risques de pertes et de dommages liés au changement climatique.

La communication sur le changement climatique est de longue date un processus semé d’embûches. Face au climato-scepticisme, à la remise en question de l’intégrité des climatologues et aux débats enflammés que suscitent les réponses à apporter, le GIEC a toujours mis en exergue le degré de confiance associé à ses déclarations. Son fameux Quatrième Rapport d’évaluation (AR4), en 2007, a conclu que le réchauffement du système climatique était sans équivoque (IPCC, 2007[231]). Les évaluations suivantes n’ont fait que renforcer le degré de confiance autour de la réalité du changement climatique et de la responsabilité de l’activité humaine dans ce phénomène.

Les incertitudes concernant les risques liés au changement climatique ont diminué au cours des dernières décennies. Cela transparaît, par exemple, dans l’augmentation des degrés de confiance dont font état les Résumés à l’intention des décideurs des rapports spéciaux du GIEC (Molina et Abadal, 2021[232]). Cependant, l’incertitude demeure un facteur important dans la perception du risque et dans les actions climatiques qui sont ou non entreprises en réponse à ces perceptions. Ainsi, l’acceptation par le public (par ex. des prévisions de l’élévation du niveau de la mer établies par les climatologues) est influencée par le mode et le degré de communication sur l’incertitude. Lorsque les scientifiques reconnaissent toute l’étendue des incertitudes inévitables, le degré de confiance du public à l’égard de ces prévisions décroît (Howe et al., 2019[233]).

La connaissance intime que nous avons aujourd’hui du changement climatique est le fruit de nombreuses années de recherche sur le climat et de progrès dans la compréhension du système climatique terrestre. En conséquence, la communication des connaissances relatives au changement climatique est subordonnée aux pratiques de communication scientifique. Il lui faut donc, bien souvent, faire preuve d’exhaustivité, d’équilibre et de prudence. Cette démarche peut avoir pour conséquence involontaire d’éroder la confiance des non-spécialistes dans les messages délivrés (Ho et Budescu, 2019[234]).

La prévisibilité du système climatique, en particulier à des échelles spatiales et temporelles relativement fines, demeure limitée en raison, entre autres, de dynamiques chaotiques intrinsèquement variables et complexes (Encadré 2.4). Les projections climatiques peuvent être améliorées à la faveur des progrès de la science, mais elles seront toujours sujettes à différents types et niveaux d’incertitude. De surcroît, la communication précise des projections climatiques doit tenir compte de ces incertitudes.

En résumant les recherches de pointe récentes, les rapports du GIEC mettent l’accent sur les résultats les plus récents (et donc les plus incertains) et sur les travaux qu’il faudra conduire à l’avenir pour élucider les dernières inconnues. Les rapports du GIEC ne se répandent pas en milliers de pages pour résumer les certitudes très solides des scientifiques concernant l’effet de serre. Leur objectif est, par définition, de traiter les aspects plus incertains du changement. Si l’incertitude est considérée en elle-même comme une raison de douter, c’est le message dans son intégralité qui pourrait être jugé non digne de confiance.

À cause de ces difficultés liées à la confiance, le problème du changement climatique semble se heurter à un dilemme insoluble : qui dit incertitude dit méfiance, et qui dit méfiance dit défaut d’action. D’autre milieux scientifiques ont été confrontés à des problèmes analogues par le passé (Oreskes et Conway, 2010[235]). Le défi du changement climatique a des fondements scientifiques mais n’est pas en lui-même un problème purement scientifique. Il est en effet influencé par divers autres facteurs tels que la vulnérabilité et l’exposition. Ces facteurs ne relèvent pas de la climatologie au sens strict. Par conséquent, ils exigent des mesures et des réponses qui sortent du champ d’influence des sciences. Le fait est que les incertitudes associées à ces facteurs pourraient être beaucoup plus grandes que celles qui entourent les projections du climat.

Cela remet en question l’idée selon laquelle il est nécessaire d’obtenir des prévisions scientifiques plus précises des impacts du changement climatique pour pouvoir agir. La climatologie renseigne les décideurs sur les trajectoires que pourraient emprunter le changement climatique dans différentes régions du monde. Elle remplit cette fonction même si les modèles individuels ne parviennent pas toujours aux mêmes conclusions concernant la direction que prendront les changements importants dans une région donnée. Quoi qu’il en soit, les solutions au changement climatique transcendent les progrès scientifiques, aussi précieux soient-ils.

D’ailleurs, savoir exactement quand et où un aléa va se produire n’est pas une nécessité absolue dans d’autres domaines de la gestion des risques. Les autorités n’attendent pas de savoir comment une personne ou un groupe de personnes vont être infectés par un agent pathogène pour prendre des mesures contre la pandémie. De même, il n’est pas nécessaire que la probabilité de matérialisation du risque soit élevée : on peut assurer son logement contre les incendies même si la probabilité d’incendie est faible.

Le même raisonnement s’applique au défi climatique. Le changement climatique est une certitude, et l’on dispose de bonnes connaissances sur les aléas qui peuvent se produire dans différentes régions et à différentes échelles temporelles, et la façon dont ils peuvent se produire. En d’autres termes, malgré l’incertitude, les connaissances actuelles sur le changement climatique sont suffisantes pour justifier la mise en œuvre d’un grand nombre de mesures de gestion des risques. Bien entendu, comme dans les autres cas, il serait extrêmement utile de disposer d’informations plus détaillées.

Étant donné que les dommages probables augmentent de façon disproportionnée à mesure que l’on s’éloigne de la moyenne des réponses potentielles, l’accroissement de l’incertitude peut entraîner une augmentation de la gamme des risques climatiques potentiels devant être pris en considération dans les approches de gestion. Du point de vue de la gestion des risques, face à l’incertitude, il est nécessaire de soupeser les possibilités de surestimation et de sous-estimation des risques et leurs conséquences. En d’autres termes, il faut réduire au minimum à la fois les fausses alertes et les avertissements manqués (Shepherd, 2019[11]).

Trouver le bon équilibre entre ces deux extrêmes n’est pas une tâche anodine. Par exemple, il n’existe pas de seuil probabiliste unique qui puisse garantir qu’un risque n’est pas surestimé ou sous-estimé. Divers facteurs, parmi lesquels les jugements de valeur et la tolérance au risque, peuvent influer sur ce seuil.

Les qualificatifs de probabilité employés par le GIEC (Tableau 2.5) décrivent ce qu’un degré de probabilité signifie en termes de degré de certitude d’un résultat. Ces degrés ont des conséquences directes pour l’élaboration des politiques. Ils impliquent différents degrés « d’appel à l’action » (Molina et Abadal, 2021[232]) et peuvent se voir attribuer une importance plus ou moins grande dans les stratégies de gestion des risques.

Cependant, il ne faut pas confondre probabilité et risque. Le changement climatique étant fondamentalement un problème de gestion des risques, les décideurs doivent examiner ces probabilités attentivement et de façon éclairée. De fait, pour Sutton (2019[236]), la climatologie doit « prendre les besoins de l’évaluation des risques beaucoup plus au sérieux ».

Tableau 2.5. Qualificatifs de probabilité utilisés par le GIEC

Qualificatif de probabilité	Probabilité de l’occurrence/du résultat
Quasiment certain	Probabilité de 99-100 %
Extrêmement probable	Probabilité de 95-100 %
Très probable	Probabilité de 90-100 %
Probable	Probabilité de 66-100 %
Plus probable qu’improbable	Probabilité > 50-100 %
À peu près aussi probable qu’improbable	Probabilité de 33-66 %
Improbable	Probabilité de 0-33 %
Très improbable	Probabilité de 0-10 %
Extrêmement improbable	Probabilité de 0-5 %
Exceptionnellement improbable	Probabilité de 0-1 %

Source : Encadré TS.1 dans (Stocker et al., 2013[79]).

Dans le cadre de l’élaboration d’une stratégie de gestion des risques et de l’utilisation des probabilités du GIEC, on peut raisonnablement donner crédit aux projections d’impact qui sont assorties de probabilités élevées. En d’autres termes, les probabilités étayées par des séries de données de qualité élevée à la fois cohérentes, diverses et indépendantes peuvent être pris en considération. En ce cas, des qualificatifs tels que « quasiment certain », « extrêmement improbable » ou « très probable », qui renvoient à des probabilités significatives, pourront être directement exploités dans les évaluations des risques.

Lorsque les projections font état de probabilités plus faibles, l’intégration du phénomène considéré dans l’évaluation des risques dépendra de l’ampleur de ses retombées potentielles. Par exemple, il existe une probabilité de 10 % que la circulation méridienne de retournement en Atlantique (AMOC) s’effondre au XXI^e siècle (IPCC, 2019[237]), et ce phénomène pourrait avoir de lourdes conséquences. Par conséquent, cette probabilité pourrait être suffisamment élevée pour justifier sa prise en compte dans les évaluations des risques. À l’inverse, une probabilité de 50 % que les précipitations diminuent dans une zone déserte et inhabitée pourra être considérée comme négligeable, en raison du potentiel plus faible de pertes et de dommages associé à cet événement.

Par conséquent, les termes utilisés pour décrire les probabilités moyennes ou inférieures doivent être appréhendés avec prudence et ne pas toujours être présentés de façon systématique. Pour une quelconque distribution de probabilité donnée, il est possible d’encadrer un résultat avec un quelconque degré de probabilité. Une probabilité de 1 % que la température dépasse 40 degrés, une probabilité de 10 % que la température dépasse 35 degrés, une probabilité de 50 % que la température dépasse 30 degrés et une probabilité de 99 % que la température atteigne environ 20 degrés peuvent toutes se référer à la même prévision, pour le même endroit et la même date. La présentation des probabilités et le choix des variables à présenter comportent des éléments de subjectivité.

Dans de nombreux autres domaines de la vie et de la prise de décision, l'approche adoptée vis-à-vis d’événements qui ont la même probabilité de se produire que les risques liés au changement climatique est beaucoup plus prudente. Par exemple, si un avion avait une probabilité allant jusqu’à 33 % de ne pas arriver à destination, cela ne serait pas considéré comme un résultat improbable. Les trajectoires climatiques intégrant des budgets carbone qui supposent une chance de seulement 66 % d’atteindre « l’objectif » de Paris trahissent une interprétation approximative du terme « objectif ». Les décideurs devraient donc se poser plus sérieusement la question de savoir quel sens ils donnent à ce terme.

Par ailleurs, même si la probabilité qu’un incendie se déclare dans une habitation privée est inférieure à 1 %, les dommages potentiels d’un tel événement sont élevés. C’est pourquoi la plupart des personnes souscrivent un contrat d’assurance pour protéger leur habitation. Le même raisonnement vaut pour les décisions prises par les autorités publiques et la société et leurs actions en matière de changement climatique. L’incertitude sera toujours présente, et il n’en demeurera pas moins nécessaire de prendre des décisions.

Paradoxalement, ces incertitudes et ces ambigüités sont les aspects mêmes du changement climatique qu’il est essentiel de mieux comprendre. Des connaissances plus approfondies permettraient de formuler des réponses efficaces aux risques climatiques et réduiraient les réactions de scepticisme face à l’accumulation indéniable des preuves scientifiques (Pidgeon, 2012[238] ; Poortvliet et al., 2020[239]). Il est donc nécessaire de mieux reconnaître les forces et les limites des modèles climatiques actuels.

Collectivement, la planète et les sociétés humaines se dirigent vers des conditions qui n’ont encore jamais été observées dans l’histoire de l’humanité. En outre, les approches adoptées en matière d’élaboration de politiques et de processus décisionnels sur l’adaptation doivent être capables de composer avec les incertitudes inévitables. Ces incertitudes découlent des dynamiques du système climatique, qui interagit étroitement avec les systèmes économiques et sociaux, complexes et dynamiques eux aussi. Les incertitudes et les ambiguïtés qui entourent certains aspects des projections du changement climatique devraient renforcer – et non affaiblir – les arguments en faveur de mesures d’atténuation du changement climatique robustes, qui sont à n’en pas douter le moyen le plus sûr et le plus efficace de réduire les risques de pertes et de dommages.

Références

[72] Ackerman, F., E. Stanton et R. Bueno (2010), « Fat tails, exponents, extreme uncertainty: Simulating catastrophe in DICE », Ecological Economics, vol. 69/8, pp. 1657-1665, https://doi.org/10.1016/j.ecolecon.2010.03.013.

[67] Ad Hoc Study Group on Carbon Dioxide and Climate et al. (1979), Carbon Dioxide and Climate, National Academies Press, Washington, DC, https://doi.org/10.17226/12181.

[7] Adger, W. et al. (2012), « Cultural dimensions of climate change impacts and adaptation », Nature Climate Change, vol. 3/2, pp. 112-117, https://doi.org/10.1038/nclimate1666.

[92] Álvarez, I. (dir. pub.) (2016), « Locally downscaled and spatially customizable climate data for historical and future periods for North America », PLOS ONE, vol. 11/6, p. e0156720, https://doi.org/10.1371/journal.pone.0156720.

[107] Andrews, O. et al. (2018), « Implications for workability and survivability in populations exposed to extreme heat under climate change: A modelling study », The Lancet Planetary Health, vol. 2/12, pp. e540-e547, https://doi.org/10.1016/s2542-5196(18)30240-7.

[166] Archibald, C. et N. Butt (2018), « Using Google search data to inform global climate change adaptation policy », Climatic Change, vol. 150/3-4, pp. 447-456, https://doi.org/10.1007/s10584-018-2289-9.

[229] Asheim, G. et T. Mitra (2010), « Sustainability and discounted utilitarianism in models of economic growth », Mathematical Social Sciences, vol. 59/2, pp. 148-169, https://doi.org/10.1016/j.mathsocsci.2009.08.003.

[172] Bahinipati, C. et al. (2017), « Flood-induced loss and damage to textile industry in Surat City, India », Environment and Urbanization ASIA, vol. 8/2, pp. 170-187, https://doi.org/10.1177/0975425317714903.

[177] Banihipati, C. (2020), « Assessing the costs of droughts in rural India: A comparison of economic and non-economic loss and damage », Current Science, vol. 118/11, pp. 1832-1841.

[6] Barnett, J. et al. (2016), « A science of loss », Nature Climate Change, vol. 6/11, pp. 976-978, https://doi.org/10.1038/nclimate3140.

[133] Bastien-Olvera, B. et F. Moore (2020), « Use and non-use value of nature and the social cost of carbon », Nature Sustainability, vol. 4/2, pp. 101-108, https://doi.org/10.1038/s41893-020-00615-0.

[211] Bateman, I. et al. (2002), Economic Valuation with Stated Preference Techniques, Edward Elgar Publishing, Cheltenham, UK, https://ideas.repec.org/b/elg/eebook/2639.html (consulté le 6 janvier 2021).

[61] Benson, C. et E. Clay (1998), « The impact of drought on sub-saharan African economies », World Bank Technical Papers, World Bank, Washington, DC, https://elibrary.worldbank.org/doi/abs/10.1596/0-8213-4180-4.

[126] Bhave, A. et al. (2018), « Water Resource Planning Under Future Climate and Socioeconomic Uncertainty in the Cauvery River Basin in Karnataka, India », Water Resources Research, vol. 54/2, pp. 708-728, https://doi.org/10.1002/2017wr020970.

[146] Blair, J., R. Czaja et E. Blair (2014), Designing Surveys: A Guide to Decisions and Procedures, SAGE Publications, Thousand Oaks, CA.

[115] Bony, S. et al. (2015), « Clouds, circulation and climate sensitivity », Nature Geoscience, vol. 8/4, pp. 261-268, https://doi.org/10.1038/ngeo2398.

[42] Borchers Arriagada, N. et al. (2020), « Unprecedented smoke‐related health burden associated with the 2019-20 bushfires in eastern Australia », Medical Journal of Australia, vol. 213/6, pp. 282-283, https://doi.org/10.5694/mja2.50545.

[13] Braconnot, P. et al. (2012), « Evaluation of climate models using palaeoclimatic data », Nature Climate Change, vol. 2/6, pp. 417-424, https://doi.org/10.1038/nclimate1456.

[167] Bromley-Trujillo, R. et J. Poe (2020), « The importance of salience: Public opinion and state policy action on climate change », Journal of Public Policy, vol. 40/2, pp. 280-304, https://doi.org/10.1017/S0143814X18000375.

[27] Brönnimann, S. et J. Wintzer (2018), « Climate data empathy », Wiley Interdisciplinary Reviews: Climate Change, vol. 10/2, https://doi.org/10.1002/wcc.559.

[142] Brouwer, R. et al. (2007), « Socioeconomic vulnerability and adaptation to environmental risk: A case study of climate change and flooding in Bangladesh », Risk Analysis, vol. 27/2, pp. 313-326, https://doi.org/10.1111/j.1539-6924.2007.00884.x.

[148] Brown, L. et al. (2014), « The past, present, and future of federal surveys: Observations from the Committee on National Statistics », Conference Proceedings from JSM (Joint Statistical Meeting) 2014 - Social Statistics Section), Committee on National Statistics, Washington, DC.

[40] Brown, L. et V. Murray (2013), « Examining the relationship between infectious diseases and flooding in Europe », Disaster Health, vol. 1/2, pp. 117-127, https://doi.org/10.4161/dish.25216.

[153] Brown, M., K. de Beurs et M. Marshall (2012), « Global phenological response to climate change in crop areas using satellite remote sensing of vegetation, humidity and temperature over 26 years », Remote Sensing of Environment, vol. 126, pp. 174-183, https://doi.org/10.1016/j.rse.2012.08.009.

[130] Burke, M., S. Hsiang et E. Miguel (2015), « Global non-linear effect of temperature on economic production », Nature, vol. 527/7577, pp. 235-239, https://doi.org/10.1038/nature15725.

[197] Cai, Y., T. Lenton et T. Lontzek (2016), « Risk of multiple interacting tipping points should encourage rapid CO2 emission reduction », Nature Climate Change, vol. 6/5, pp. 520-525, https://doi.org/10.1038/nclimate2964.

[220] Calvin, K. et al. (2017), « The SSP4: A world of deepening inequality », Global Environmental Change, vol. 42, pp. 284-296, https://doi.org/10.1016/j.gloenvcha.2016.06.010.

[82] CAT (2021), Warming Projections Global Update, Climate Action Tracker.

[223] Centola, D. et al. (2018), « Experimental evidence for tipping points in social convention », Science, vol. 360/6393, pp. 1116-1119, https://doi.org/10.1126/science.aas8827.

[154] Ceola, S., F. Laio et A. Montanari (2014), « Satellite nighttime lights reveal increasing human exposure to floods worldwide », Geophysical Research Letters, vol. 41/20, pp. 7184-7190, https://doi.org/10.1002/2014GL061859.

[152] Chen, C. et al. (2015), « University of Notre Dame Global Adaptation Index », Technical Report, https://gain.nd.edu/assets/254377/nd_gain_technical_document_2015.pdf.

[62] Clay, E. et O. Stokke (2000), Food Aid and Human Security, Frank Cass, Portland, OR.

[75] Collins, M. et al. (2013), « Long-term climate change: Projections, commitments and irreversibility », dans Stocker, T. et al. (dir. pub.), Climate Change 2013 : The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report, Intergovernmental Panel on Climate Change, Geneva.

[127] Congressional Budget Office (2005), « Uncertainty in analyzing climate change: Policy implications », A CBO Paper, Congressional Budget Office, Washington, DC.

[70] CONSTRAIN (2020), A New Generation of Climate Models, COVID-19 and the Paris Agreement, ZERO IN ON Reports, The CONSTRAIN Project.

[208] Costanza, R. et al. (2017), « Twenty years of ecosystem services: How far have we come and how far do we still need to go? », Ecosystem Services, vol. 28, pp. 1-16, https://doi.org/10.1016/J.ECOSER.2017.09.008.

[112] Council, N. (2001), Climate Change Science: An Analysis of Some Key Questions, National Academies Press, Washington, DC, https://doi.org/10.17226/10139.

[224] David Tàbara, J. et al. (2018), Positive Tipping Points in a Rapidly Warming World, Elsevier B.V., https://doi.org/10.1016/j.cosust.2018.01.012.

[181] De Juan, A. (2015), « Long-term environmental change and geographical patterns of violence in Darfur, 2003-2005 », Political Geography, vol. 45, pp. 22-33, https://doi.org/10.1016/J.POLGEO.2014.09.001.

[24] Dee, D. et al. (2011), « The ERA-Interim reanalysis: Configuration and performance of the data assimilation system », Quarterly Journal of the Royal Meteorological Society, vol. 137/656, pp. 553-597, https://doi.org/10.1002/qj.828.

[215] Dellink, R. et al. (2017), « Long-term economic growth projections in the Shared Socioeconomic Pathways », Global Environmental Change, vol. 42, pp. 200-214, https://doi.org/10.1016/j.gloenvcha.2015.06.004.

[209] Des Jardins, J. (2013), Environmental Ethics: An Introduction to Environmental Philosophy (Fifth Edition), Cengage Learning, Belmont, CA, https://digitalcommons.csbsju.edu/academic_books/5 (consulté le 6 janvier 2021).

[144] Deschênes, O., M. Greenstone et J. Guryan (2009), « Climate change and birth weight », American Economic Review, vol. 99/2, pp. 211-217, https://doi.org/10.1257/aer.99.2.211.

[124] Dessai, S. et al. (2018), « Building narratives to characterise uncertainty in regional climate change through expert elicitation », Environmental Research Letters, vol. 13/7, p. 074005, https://doi.org/10.1088/1748-9326/aabcdd.

[198] Dietz, S. et al. (2021), « Are economists getting climate dynamics right and does it matter? », Journal of the Association of Environmental and Resource Economists, vol. 8/5, pp. 895-921, https://doi.org/10.1086/713977.

[93] Donatti, C. et al. (2016), « What information do policy makers need to develop climate adaptation plans for smallholder farmers? The case of Central America and Mexico », Climatic Change, vol. 141/1, pp. 107-121, https://doi.org/10.1007/s10584-016-1787-x.

[110] Dunstone, N. et al. (2020), « Skilful interannual climate prediction from two large initialised model ensembles », Environmental Research Letters, vol. 15/9, p. 094083, https://doi.org/10.1088/1748-9326/ab9f7d.

[52] Ebi, K. et al. (2021), « Burning embers: Synthesis of the health risks of climate change », Environmental Research Letters, vol. 16/4, p. 044042, https://doi.org/10.1088/1748-9326/abeadd.

[150] Eckstein, D., V. Künzel et L. Schäfer (2021), Global Climate Risk Index 2021, Germanwatch, Bonn, https://germanwatch.org/sites/default/files/Global%20Climate%20Risk%20Index%202021_2.pdf.

[65] Edwards, B., M. Gray et B. Hunter (2019), « The social and economic impacts of drought », Australian Journal of Social Issues, vol. 54/1, pp. 22-31, https://doi.org/10.1002/ajs4.52.

[163] EEA (2008), « European scale exceedance mapping for PM10 and ozone based on daily interpolation fields », ETC/ACC Technical Paper, n° 2007/08, European Environmental Agency, Copenhagen.

[38] English National Study of Flooding and Health Study Group (2019), « Impact of repeat flooding on mental health and health-related quality of life: A cross-sectional analysis of the English National Study of Flooding and Health », BMJ Open, vol. 9/11, p. e031562, https://doi.org/10.1136/bmjopen-2019-031562.

[102] Eyring, V. et al. (2016), « Overview of the Coupled Model Intercomparison Project Phase 6 (CMIP6) experimental design and organization », Geoscientific Model Development, vol. 9/5, pp. 1937-1958, https://doi.org/10.5194/gmd-9-1937-2016.

[103] Eyring, V. et al. (2019), « Taking climate model evaluation to the next level », Nature Climate Change, vol. 9/2, pp. 102-110, https://doi.org/10.1038/s41558-018-0355-y.

[212] Fankhauser, S., S. Dietz et P. Gradwell (2014), « Non-economic losses in the context of the UNFCCC work programme on loss and damage », Technical Paper, n° FCCC/TP/2013/2, United Nations Framework Convention on Climate Change, Geneva.

[199] Farmer, J. et al. (2015), « A third wave in the economics of climate change », Environmental and Resource Economics, vol. 62/2, pp. 329-357, https://doi.org/10.1007/s10640-015-9965-2.

[95] Finn, D. (2020), How do we build collaborative science for better urban planning and climate change adaptation?, American Geophysical Union, Washington, DC.

[12] Flato, G. (2013), « Evaluation of climate models », dans Stocker, T. (dir. pub.), Climate Change 2013 : The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change, Cambridge University Press, Cambridge, United Kingdom and New York, NY.

[53] Fouillet, A. et al. (2008), « Has the impact of heat waves on mortality changed in France since the European heat wave of summer 2003? A study of the 2006 heat wave », International Journal of Epidemiology, vol. 37/2, pp. 309-317, https://doi.org/10.1093/ije/dym253.

[218] Fricko, O. et al. (2017), « The marker quantification of the Shared Socioeconomic Pathway 2: A middle-of-the-road scenario for the 21st century », Global Environmental Change, vol. 42, pp. 251-267, https://doi.org/10.1016/j.gloenvcha.2016.06.004.

[219] Fujimori, S. et al. (2017), « SSP3: AIM implementation of Shared Socioeconomic Pathways », Global Environmental Change, vol. 42, pp. 268-283, https://doi.org/10.1016/j.gloenvcha.2016.06.009.

[83] Gambhir, A. (2019), « Planning a Low-Carbon Energy Transition: What Can and Can’t the Models Tell Us? », Joule, vol. 3/8, pp. 1795-1798, https://doi.org/10.1016/j.joule.2019.07.016.

[51] Gasparrini, A. et al. (2015), « Mortality risk attributable to high and low ambient temperature: A multicountry observational study », The Lancet, vol. 386/9991, pp. 369-375, https://doi.org/10.1016/s0140-6736(14)62114-0.

[134] Gasparrini, A. et al. (2017), « Projections of temperature-related excess mortality under climate change scenarios », The Lancet Planetary Health, vol. 1/9, pp. e360-e367, https://doi.org/10.1016/s2542-5196(17)30156-0.

[20] GCOS (2016), The Global Observing System for Climate: Implementation Needs, GCOS, https://library.wmo.int/doc_num.php?explnum_id=3417 (consulté le 27 mai 2021).

[84] Gidden, M. et al. (2019), « Global emissions pathways under different socioeconomic scenarios for use in CMIP6: A dataset of harmonized emissions trajectories through the end of the century », Geoscientific Model Development, vol. 12/4, pp. 1443-1475, https://doi.org/10.5194/gmd-12-1443-2019.

[128] Gillingham, K. et al. (2015), Modeling Uncertainty in Climate Change: A Multi-Model Comparison, National Bureau of Economic Research, Cambridge, MA, https://doi.org/10.3386/w21637.

[94] Giuliani, G. et al. (2017), « Spatially enabling the Global Framework for Climate Services: Reviewing geospatial solutions to efficiently share and integrate climate data & information », Climate Services, vol. 8, pp. 44-58, https://doi.org/10.1016/j.cliser.2017.08.003.

[228] Gollier, C. (2015), « Discounting, inequality and economic convergence », Journal of Environmental Economics and Management, vol. 69, pp. 53-61, https://doi.org/10.1016/j.jeem.2014.10.005.

[230] Gollier, C. (2002), « Discounting an uncertain future », Journal of Public Economics, vol. 85/2, pp. 149-166, https://doi.org/10.1016/S0047-2727(01)00079-2.

[14] Goody, R. et al. (2002), « Why monitor the climate? », Bulletin of the American Meteorological Society, pp. 873-878, https://doi.org/10.1175/1520-0477(2002)083<0873:WWSMTC>2.3.CO;2 (consulté le 27 mai 2021).

[60] Government of British Columbia (2021), « Chief coroner’s updated statement on public safety during heat wave », 2 July, Statement, Public Safety and Solictor General, Government of British Columbia, Victoria, https://news.gov.bc.ca/releases/2021PSSG0062-001295.

[169] Government of India (2011), Disaster Management in India, Ministry of Home Affairs, New Delhi.

[157] Government of the Commonwealth of Dominica (2017), PDNA: Post-Disaster Needs Assessment Hurricane Maria September 18, 2017, Government of the Commonwealth of Dominica.

[4] Granderson, A. (2014), « Making sense of climate change risks and responses at the community level: A cultural-political lens », Climate Risk Management, vol. 3, pp. 55-64, https://doi.org/10.1016/j.crm.2014.05.003.

[45] Guha-Sapir, D., D. Hargitt et P. Hoyois (2004), Thirty Years of Natural Disasters 1974-2003: The Numbers, Centre for Research on the Epidemiology of Disasters, Brussels.

[46] Guha-Sapir, D., P. Hoyois et R. Below (2016), Annual Disaster Statistical Review 2015: The Numbers and Trends, Centre for Research on the Epidemiology of Disasters, Brussels.

[15] Guo, H., L. Zhang et L. Zhu (2015), « Earth observation big data for climate change research », Advances in Climate Change Research, vol. 6/2, pp. 108-117, https://doi.org/10.1016/j.accre.2015.09.007.

[202] Hailegiorgis, A., A. Crooks et C. Cioffi-Revilla (2018), « An agent-based model of rural households’ adaptation to climate change », Journal of Artificial Societies and Social Simulation, vol. 21/4, p. 4, https://doi.org/10.18564/jasss.3812.

[138] Hallegatte, S. et al. (2015), Shock Waves: Managing the Impacts of Climate Change on Poverty, Washington, DC: World Bank, https://doi.org/10.1596/978-1-4648-0673-5.

[5] Hallegatte, S., M. Bangalore et A. Vogt-Schilb (2016), Socioeconomic Resilience: Multi-Hazard Estimates in 117 Countries, World Bank, Washington, DC, https://doi.org/10.1596/1813-9450-7886.

[36] Hallegatte, S. et al. (2013), « Future flood losses in major coastal cities », Nature Climate Change, vol. 3/9, pp. 802-806, https://doi.org/10.1038/nclimate1979.

[132] Hallegatte, S., J. Rentschler et J. Rozenberg (2019), Lifelines: The Resilient Infrastructure Opportunity, Washington, DC: World Bank, https://doi.org/10.1596/978-1-4648-1430-3.

[143] Hallegatte, S. et J. Rozenberg (2017), « Climate change through a poverty lens », Nature Climate Change, vol. 7/4, pp. 250-256, https://doi.org/10.1038/nclimate3253.

[106] Hanna, E. et P. Tait (2015), « Limitations to thermoregulation and acclimatization challenge human adaptation to global warming », International Journal of Environmental Research and Public Health, vol. 12/7, pp. 8034-8074, https://doi.org/10.3390/ijerph120708034.

[34] Harrington, L. et F. Otto (2020), « Reconciling theory with the reality of African heatwaves », Nature Climate Change, vol. 10/9, pp. 796-798, https://doi.org/10.1038/s41558-020-0851-8.

[63] Harrington, L. et F. Otto (2020), « Reconciling theory with the reality of African heatwaves », Nature Climate Change, vol. 10/9, pp. 796-798, https://doi.org/10.1038/s41558-020-0851-8.

[18] Hassani, H., X. Huang et E. Silva (2019), « Big data and climate change », Big Data and Cognitive Computing, vol. 3/1, p. 12, https://doi.org/10.3390/bdcc3010012.

[139] Haug, C. et al. (2009), « Navigating the dilemmas of climate policy in Europe: Evidence from policy evaluation studies », Climatic Change, vol. 101/3-4, pp. 427-445, https://doi.org/10.1007/s10584-009-9682-3.

[3] Hausfather, Z. et al. (2020), « Evaluating the performance of past climate model projections », Geophysical Research Letters, vol. 47/1, https://doi.org/10.1029/2019GL085378.

[96] Hausfather, Z. et al. (2020), « Evaluating the performance of past climate model projections », Geophysical Research Letters, vol. 47/1, https://doi.org/10.1029/2019GL085378.

[85] Hausfather, Z. et G. Peters (2020), « Emissions – the ‘business as usual’ story is misleading », Nature, vol. 577/7792, pp. 618-620, https://doi.org/10.1038/d41586-020-00177-3.

[120] Hawkins, E. et R. Sutton (2010), « The potential to narrow uncertainty in projections of regional precipitation change », Climate Dynamics, vol. 37/1-2, pp. 407-418, https://doi.org/10.1007/s00382-010-0810-6.

[119] Hawkins, E. et R. Sutton (2009), « The potential to narrow uncertainty in regional climate predictions », Bulletin of the American Meteorological Societ, vol. 90/8, pp. 1095-1107.

[136] Hayes, K. et al. (2018), « Climate change and mental health: risks, impacts and priority actions », International Journal of Mental Health Systems, vol. 12/1, https://doi.org/10.1186/s13033-018-0210-6.

[164] Henderson, J., A. Storeygard et D. Weil (2012), « Measuring economic growth from outer space », American Economic Review, vol. 102/2, pp. 994-1028, https://doi.org/10.1257/aer.102.2.994.

[54] Hess, J. et al. (2018), « Building resilience to climate change: Pilot evaluation of the impact of India’s first heat action plan on all-cause mortality », Journal of Environmental and Public Health, vol. 2018, pp. 1-8, https://doi.org/10.1155/2018/7973519.

[81] Higgins, P. et J. Harte (2012), « Carbon cycle uncertainty increases climate change risks and mitigation challenges », Journal of Climate, vol. 25/21, pp. 7660-7668, https://doi.org/10.1175/jcli-d-12-00089.1.

[234] Ho, E. et D. Budescu (2019), « Climate uncertainty communication », Nature Climate Change, vol. 9/11, pp. 802-803, https://doi.org/10.1038/s41558-019-0606-6.

[206] Hoel, M. et T. Sterner (2007), « Discounting and relative prices », Climatic Change, vol. 84/3-4, pp. 265-280, https://doi.org/10.1007/s10584-007-9255-2.

[69] Holden, P. et al. (2018), « Climate–carbon cycle uncertainties and the Paris Agreement », Nature Climate Change, vol. 8/7, pp. 609-613, https://doi.org/10.1038/s41558-018-0197-7.

[182] Houck, B. (2018), « Why the world Is hating on plastic straws right now », 12 July, Eater.

[233] Howe, L. et al. (2019), « Acknowledging uncertainty impacts public acceptance of climate scientists’ predictions », Nature Climate Change, vol. 9/11, pp. 863-867, https://doi.org/10.1038/s41558-019-0587-5.

[191] Hsiang, S. (2016), « Climate Econometrics », Annual Review of Resource Economics, vol. 8/1, pp. 43-75, https://doi.org/10.1146/annurev-resource-100815-095343.

[158] IFRC (2017), « Dominica: Hurricane Maria », Information Bulletin, International Federation of Red Cross and Red Crescent Societies, Geneva.

[237] IPCC (2019), « Summary for Policymakers », dans H.-O. Pörtner et al. (dir. pub.), IPCC Special Report on the Ocean and Cryosphere in a Changing Climate, Intergovernmental Panel on Climate Change, Geneva.

[111] IPCC (2018), « Annex I: Glossary [Matthews, J.B.R. (ed.)] », dans Masson-Delmotte, V. et al. (dir. pub.), Global Warming of 1.5°C. An IPCC Special Report on the impacts of global warming of 1.5°C above pre-industrial levels and related global greenhouse gas emission pathways, in the context of strengthening the global response to the threat of climate change, Intergovernmental Panel on Climate Change, Geneva.

[97] IPCC (2018), « Summary for Policymakers », dans Masson-Delmotte, V. et al. (dir. pub.), Global Warming of 1.5°C. An IPCC Special Report on the impacts of global warming of 1.5°C above pre-industrial levels and related global greenhouse gas emission pathways, in the context of strengthening the global response to the threat of climate c [...], World Meteorological Organization, Geneva, Switzerland.

[2] IPCC (2013), « Summary for Policymakers », dans Stocker, T. et al. (dir. pub.), Climate Change 2013 : The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change, Cambridge University Press, Cambridge, United Kingdom and New York, NY.

[175] IPCC (2012), Managing the Risks of Extreme Events and Disasters to Advance Climate Change Adaptation. A Special Report of Working Groups I and II of the Intergovernmental Panel on Climate Change, Cambridge University Press, Cambridge, United Kingdom, https://www.ipcc.ch/pdf/special-reports/srex/SREX_Full_Report.pdf.

[231] IPCC (2007), « Summary for Policymakers », dans Solomon, S. (dir. pub.), Climate Change 2007 : The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change, Cambridge University Press, Cambridge, United Kingdom and New York, NY.

[87] IPCC (2000), IPCC Special Report Emissions Scenarios – Summary for Policymakers, Intergovernmental Panel on Climate Change, Geneva.

[165] Ishizawa, O., J. Miranda et E. Strobl (2017), The Impact of Hurricane Strikes on Short-Term Local Economic Activity: Evidence from Nightlight Images in the Dominican Republic, World Bank, Washington, DC, https://doi.org/10.1596/1813-9450-8275.

[131] Jafino, B. et al. (2020), « Revised estimates of the impact of climate change on extreme poverty by 2030 », Policy Research Working Paper, n° 9417, World Bank, Washington, DC, https://openknowledge.worldbank.org/handle/10986/34555.

[78] Jebeile, J. et M. Crucifix (2020), « Multi-model ensembles in climate science: Mathematical structures and expert judgements », Studies in History and Philosophy of Science Part A, vol. 83, pp. 44-52, https://doi.org/10.1016/j.shpsa.2020.03.001.

[216] Jiang, L. et B. O’Neill (2017), « Global urbanization projections for the Shared Socioeconomic Pathways », Global Environmental Change, vol. 42, pp. 193-199, https://doi.org/10.1016/j.gloenvcha.2015.03.008.

[104] Kadiyala, M. et al. (2020), « Assessment of climate change and vulnerability in Indian state of Telangana for better agricultural planning », Theoretical and Applied Climatology, vol. 143/1-2, pp. 309-325, https://doi.org/10.1007/s00704-020-03425-8.

[190] Kalkuhl, M. et L. Wenz (2020), « The impact of climate conditions on economic production. Evidence from a global panel of regions », Journal of Environmental Economics and Management, vol. 103, p. 102360, https://doi.org/10.1016/j.jeem.2020.102360.

[23] Kalnay, E. et al. (1996), « The NCEP/NCAR 40-year reanalysis project », Bulletin of the American Meteorological Society, vol. 77/3, https://doi.org/10.1175/1520-0477(1996)077<0437:TNYRP>2.0.CO;2.

[64] Kamber, G., C. McDonald et G. Price (2013), Drying out: Investigating the economic effects of drought in New Zealand, Reserve Bank of New Zealand, Wellington, https://www.nzae.org.nz/wp-content/uploads/2014/05/price.pdf.

[66] Kattenberg, A. et al. (1996), « Climate models - Projections of future climate », dans Climate Change 1995 : The Science of Climate Change, Contribution of Working Group I to the Second Assessment Report of the Intergovernmental Panel on Climate Change, Cambridge University Press, Cambridge, United Kingdom.

[225] Kelleher, J. (2017), « Descriptive versus prescriptive discounting in climate change policy analysis », Georgetown Journal of Law & Public Policy, vol. 15, https://heinonline.org/HOL/Page?handle=hein.journals/geojlap15&id=972&div=&collection= (consulté le 28 avril 2021).

[21] Kennedy, J. et al. (2021), State of the Global Climate 2020, World Meteorological Organization, Geneva.

[200] Kniveton, D., C. Smith et S. Wood (2011), « Agent-based model simulations of future changes in migration flows for Burkina Faso », Global Environmental Change, vol. 21/SUPPL. 1, pp. S34-S40, https://doi.org/10.1016/j.gloenvcha.2011.09.006.

[25] Kobayashi, S. et al. (2015), « The JRA-55 Reanalysis: General Specifications and Basic Characteristics », Journal of the Meteorological Society of Japan. Ser. II, vol. 93/1, pp. 5-48, https://doi.org/10.2151/jmsj.2015-001.

[227] Kolstad, C. et al. (2015), « Social, economic, and ethical concepts and methods », dans Intergovernmental Panel of Climate Change Working Group 3, Cambridge University Press, Cambridge, United Kingdom, https://doi.org/10.1017/cbo9781107415416.009.

[121] Kotamarthi, R. et al. (2016), Use of Climate Information for Decision-Making and Impacts Research: State of Our Understanding, prepared for the Department of Defense, Strategic Environmental Research and Development Program.

[173] KPMG (2016), « Preparing MSMEs for effective disaster management », April, KPMG, Amstelveen, The Netherlands, https://assets.kpmg/content/dam/kpmg/pdf/2016/05/Disaster-Management-Preparedness-SME.pdf.

[168] Kreft, S., D. Eckstein et I. Melchior (2016), Global Climate Risk Index 2017: Who Suffers Most From Extreme Weather Events? Weather-related Loss Events in 2015 and 1996 to 2015, Germanwatch, Bonn.

[221] Kriegler, E. et al. (2017), « Fossil-fueled development (SSP5): An energy and resource intensive scenario for the 21st century », Global Environmental Change, vol. 42, pp. 297-315, https://doi.org/10.1016/j.gloenvcha.2016.05.015.

[9] Kunreuther, H. et al. (2014), « Integrated risk and uncertainty assessment of climate change response policies », dans Edenhofer, O. et al. (dir. pub.), Climate Change 2014 : Mitigation of Climate Change. Contribution of Working Group III to the Fifth Assessment Report of the Intergovernmental Panel on Climate Chang, Cambridge University Press, Cambridge, United Kingdom and New York, NY.

[156] LaJeunesse Connette, K. et al. (2016), « Assessment of mining extent and expansion in Myanmar based on freely-available satellite imagery », Remote Sensing, vol. 8/11, p. 912, https://doi.org/10.3390/rs8110912.

[100] Le Tertre, A. et al. (2006), « Impact of the 2003 heatwave on all-cause mortality in 9 French cities », Epidemiology, vol. 17/1, pp. 75-79, http://www.jstor.org/stable/20486164.

[118] Lowe, J. et al. (2018), UKCP18 Science Overview Report, MET Office.

[41] Marcheggiani, S. et al. (2010), « Risks of water-borne disease outbreaks after extreme events », Toxicological & Environmental Chemistry, vol. 92/3, pp. 593-599, https://doi.org/10.1080/02772240903252140.

[1] Masson-Delmotte, V. et al. (dir. pub.) (2021), Climate Change 2021: The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change, Cambridge University Press, In press.

[86] Masson-Delmotte, V. et al. (dir. pub.) (2018), Global Warming of 1.5°C. An IPCC Special Report on the impacts of global warming of 1.5°C above pre-industrial levels and related global greenhouse gas emission pathways, in the context of strengthening the global response to the threat of climate change, sustainable development, and efforts to eradicate poverty.

[88] McCollum, D. et al. (2020), « Energy modellers should explore extremes more systematically in scenarios », Nature Energy, vol. 5/2, pp. 104-107, https://doi.org/10.1038/s41560-020-0555-3.

[105] MEEDDM, G. (2009), Evaluation du coût des impacts du changement climatique et de l’adaptation en France, http://www.onerc.gouv.fr (consulté le 4 juillet 2021).

[76] Meehl, G. et al. (2020), « Context for interpreting equilibrium climate sensitivity and transient climate response from the CMIP6 Earth system models », Science Advances, vol. 6/26, p. eaba1981, https://doi.org/10.1126/sciadv.aba1981.

[147] Meyer, B., W. Mok et J. Sullivan (2015), « Household Surveys in Crisis », Journal of Economic Perspectives, vol. 29/4, pp. 199-226, https://doi.org/10.1257/jep.29.4.199.

[16] Mitchell, T. et P. Jones (2005), « An improved method of constructing a database of monthly climate observations and associated high-resolution grids », International Journal of Climatology, vol. 25/6, pp. 693-712, https://doi.org/10.1002/joc.1181.

[232] Molina, T. et E. Abadal (2021), « The evolution of communicating the uncertainty of climate change to policymakers: A study of IPCC synthesis reports », Sustainability, vol. 13/5, p. 2466, https://doi.org/10.3390/su13052466.

[194] Monasterolo, I., A. Roventini et T. Foxon (2019), « Uncertainty of climate policies and implications for economics and finance: An evolutionary economics approach », Ecological Economics, vol. 163, pp. 177-182, https://doi.org/10.1016/j.ecolecon.2019.05.012.

[57] Mora, C. et al. (2017), « Global risk of deadly heat », Nature Climate Change, vol. 7/7, pp. 501-506, https://doi.org/10.1038/nclimate3322.

[149] Nardo, M. et al. (2005), Handbook on Constructing Composite Indicators, OECD, Paris, https://www.oecd.org/sdd/42495745.pdf.

[19] National Research Council (2012), « Integrated climate observing system and Earth system analysis », dans A National Strategy for Advancing Climate Modeling, National Academies Press, Washington, DC, https://doi.org/10.17226/13430.

[193] Neumann, J. et al. (2020), « Climate damage functions for estimating the economic impacts of climate change in the United States », Review of Environmental Economics and Policy, vol. 14/1, pp. 25-43, https://doi.org/10.1093/reep/rez021.

[160] Newell, R., B. Prest et S. Sexton (2021), « The GDP-Temperature relationship: Implications for climate change damages », Journal of Environmental Economics and Management, p. 102445, https://doi.org/10.1016/j.jeem.2021.102445.

[91] Nissan, H. et al. (2019), « On the use and misuse of climate change projections in international development », Wiley Interdisciplinary Reviews: Climate Change, vol. 10/3, p. e579, https://doi.org/10.1002/wcc.579.

[195] Nordhaus, W. (2018), « Evolution of modeling of the economics of global warming: Changes in the DICE model, 1992-2017 », Climatic Change, vol. 148/4, pp. 623-640, https://doi.org/10.1007/s10584-018-2218-y.

[188] Nordhaus, W. (1992), « An optimal transition path for controlling greenhouse gases », Science, vol. 258/5086, pp. 1315-1319, https://doi.org/10.1126/SCIENCE.258.5086.1315.

[31] Noy, I. (2015), « Natural disasters in the Pacific Island Countries: new measurements of impacts », Natural Hazards, vol. 84/S1, pp. 7-18, https://doi.org/10.1007/s11069-015-1957-6.

[32] Noy, I. et W. duPont IV (2018), « The long-term consequences of disasters: What do we know, and what we still don’t », International Review of Environmental and Resource Economics, vol. 12/4, pp. 325-354, https://doi.org/10.1561/101.00000104.

[129] OCDE (2016), Les conséquences économiques du changement climatique, Éditions OCDE, Paris, https://dx.doi.org/10.1787/9789264261082-fr.

[235] Oreskes, N. et E. Conway (2010), Merchants of Doubt: How a Handful of Scientists Obscure The Truth on Issues from Tobacco Smoke to Global Warming, Bloomsbury Press, New York.

[203] Otto, C. et al. (2017), « Modeling loss-propagation in the global supply network: The dynamic agent-based model acclimate », Journal of Economic Dynamics and Control, vol. 83, pp. 232-269, https://doi.org/10.1016/J.JEDC.2017.08.001.

[28] Otto, F. (2016), « The art of attribution », Nature Climate Change, vol. 6/4, pp. 342-343, https://doi.org/10.1038/nclimate2971.

[59] Otto, F. et al. (2020), « Challenges to understanding extreme weather changes in lower income countries », Bulletin of the American Meteorological Society, vol. 101/10, pp. E1851-E1860, https://doi.org/10.1175/bams-d-19-0317.1.

[222] Otto, I. et al. (2020), « Social tipping dynamics for stabilizing Earth’s climate by 2050 », Proceedings of the National Academy of Sciences of the United States of America, vol. 117/5, pp. 2354-2365, https://doi.org/10.1073/pnas.1900577117.

[48] Ozturk, T., F. Saygili-Araci et M. Kurnaz (2021), « Projected changes in extreme temperature and precipitation indices over CORDEX-MENA domain », Atmosphere, vol. 12/5, p. 622, https://doi.org/10.3390/atmos12050622.

[122] Palmer, T. et B. Stevens (2019), « The scientific challenge of understanding and estimating climate change », Proceedings of the National Academy of Sciences, vol. 116/49, pp. 24390-24395, https://doi.org/10.1073/pnas.1906691116.

[171] Patankar, A. (2019), « Impacts of natural disasters on households and small businesses in India », SSRN Electronic Journal, https://doi.org/10.2139/ssrn.3590902.

[89] Peng, W. et al. (2021), « Climate policy models need to get real about people — here’s how », Nature, vol. 594/7862, pp. 174-176, https://doi.org/10.1038/d41586-021-01500-2.

[50] Perkins, S. et L. Alexander (2013), « On the Measurement of Heat Waves », Journal of Climate, vol. 26/13, pp. 4500-4517, https://doi.org/10.1175/jcli-d-12-00383.1.

[210] Perman, R. et al. (2011), Natural Resource and Environmental Economics -, Addison Wesley, https://www.amazon.fr/Natural-Resource-Environmental-Economics-Perman/dp/0321417534 (consulté le 6 janvier 2021).

[29] Philip, S. et al. (2020), « A protocol for probabilistic extreme event attribution analyses », Advances in Statistical Climatology, Meteorology and Oceanography, vol. 6/2, pp. 177-203, https://doi.org/10.5194/ascmo-6-177-2020.

[238] Pidgeon, N. (2012), « Climate change risk perception and communication: Addressing a critical moment? », Risk Analysis, vol. 32/6, pp. 951-956, https://doi.org/10.1111/j.1539-6924.2012.01856.x.

[192] Pindyck, R. (2017), « The use and misuse of models for climate policy », Review of Environmental Economics and Policy, vol. 11/1, pp. 100-114, https://doi.org/10.1093/reep/rew012.

[239] Poortvliet, P. et al. (2020), « Communicating Climate Change Risk: A Content Analysis of IPCC’s Summary for Policymakers », Sustainability, vol. 12/12, p. 4861, https://doi.org/10.3390/su12124861.

[186] Prigerson, H. et P. Maciejewski (2006), Prolonged Grief Disorder (PG-13), Weill Cornell Medicine Center for Research on End-of-Life Care, New York.

[17] Rahmstorf, S., G. Foster et N. Cahill (2017), « Global temperature evolution: Recent trends and some pitfalls », Environmental Research Letters, vol. 12/5, p. 054001, https://doi.org/10.1088/1748-9326/aa6825.

[201] Rai, V. et A. Henry (2016), Agent-based Modelling of Consumer Energy Choices, Nature Publishing Group, https://doi.org/10.1038/nclimate2967.

[26] Randles, C. et al. (2017), « The MERRA-2 Aerosol Reanalysis, 1980 onward. Part I: System description and data assimilation evaluation », Journal of Climate, vol. 30/17, pp. 6823-6850, https://doi.org/10.1175/jcli-d-16-0609.1.

[179] Ranger, N. et al. (2010), « An assessment of the potential impact of climate change on flood risk in Mumbai », Climatic Change, vol. 104/1, pp. 139-167, https://doi.org/10.1007/s10584-010-9979-2.

[8] Riahi, K. et al. (2017), « The Shared Socioeconomic Pathways and their energy, land use, and greenhouse gas emissions implications: An overview », Global Environmental Change, vol. 42, pp. 153-168, https://doi.org/10.1016/j.gloenvcha.2016.05.009.

[56] Robine, J. et al. (2008), « Death toll exceeded 70,000 in Europe during the summer of 2003 », Comptes Rendus Biologies, vol. 331/2, pp. 171-178, https://doi.org/10.1016/j.crvi.2007.12.001.

[183] Rode, K. et al. (2015), « Can polar bears use terrestrial foods to offset lost ice-based hunting opportunities? », Frontiers in Ecology and the Environment, vol. 13/3, pp. 138-145, https://doi.org/10.1890/140202.

[90] Rogelj, J. et al. (2021), « Net-zero emissions targets are vague: Three ways to fix », Nature, vol. 591/7850, pp. 365-368, https://doi.org/10.1038/d41586-021-00662-3.

[161] Romer, D. (2020), « In praise of confidence intervals », AEA Papers and Proceedings, vol. 110, pp. 55-60, https://doi.org/10.1257/pandp.20201059.

[116] Rowell, D. (2011), « Sources of uncertainty in future changes in local precipitation », Climate Dynamics, vol. 39/7-8, pp. 1929-1950, https://doi.org/10.1007/s00382-011-1210-2.

[47] Russo, S. et al. (2016), « When will unusual heat waves become normal in a warming Africa? », Environmental Research Letters, vol. 11/5, p. 054016, https://doi.org/10.1088/1748-9326/11/5/054016.

[214] Samir, K. et W. Lutz (2017), « The human core of the Shared Socioeconomic Pathways: Population scenarios by age, sex and level of education for all countries to 2100 », Global Environmental Change, vol. 42, pp. 181-192, https://doi.org/10.1016/j.gloenvcha.2014.06.004.

[176] Serdeczny, O., E. Waters et S. Chan (2016), « Non-economic loss and damage in the context of climate change », Discussion Paper, n° 3, German Development Institute, Bonn.

[240] Sharpe, S. et T. Lenton (2021), « Upward-scaling tipping cascades to meet climate goals: Plausible grounds for hope », Climate Policy, vol. 21/4, pp. 421-433, https://doi.org/10.1080/14693062.2020.1870097.

[11] Shepherd, T. (2019), « Storyline approach to the construction of regional climate change information », Proceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences, vol. 475/2225, p. 20190013, https://doi.org/10.1098/rspa.2019.0013.

[114] Shepherd, T. (2014), « Atmospheric circulation as a source of uncertainty in climate change projections », Nature Geoscience, vol. 7/10, pp. 703-708, https://doi.org/10.1038/ngeo2253.

[125] Shepherd, T. et al. (2018), « Storylines: an alternative approach to representing uncertainty in physical aspects of climate change », Climatic Change, vol. 151/3-4, pp. 555-571, https://doi.org/10.1007/s10584-018-2317-9.

[71] Sherwood, S. et al. (2020), « An Assessment of Earth’s Climate Sensitivity Using Multiple Lines of Evidence », Reviews of Geophysics, vol. 58/4, https://doi.org/10.1029/2019rg000678.

[113] Siler, N. et al. (2018), « Revisiting the surface-energy-flux perspective on the sensitivity of global precipitation to climate change », Climate Dynamics, vol. 52/7-8, pp. 3983-3995, https://doi.org/10.1007/s00382-018-4359-0.

[174] Singh, C. (2018), Assessing India’s Mounting Climate Losses to Financial Institutions, Action on Climate Today, http://www.indiaenvironmentportal.org.in/files/file/climate-losses-revised.pdf.

[178] Singh, C. et al. (2021), « Losses and damages associated with slow-onset events: Urban drought and water insecurity in Asia », Current Opinion in Environmental Sustainability, vol. 50, pp. 72-86, https://doi.org/10.1016/j.cosust.2021.02.006.

[101] Sjoukje Philip, C. et al. (2021), « Rapid attribution analysis of the extraordinary heatwave on the Pacific Coast of the US and Canada June 2021 », World Weather Attribution, https://www.worldweatherattribution.org/wp-content/uploads/NW-US-extreme-heat-2021-scientific-report-WWA.pdf.

[109] Smith, D. et al. (2019), « Robust skill of decadal climate predictions », npj Climate and Atmospheric Science, vol. 2/1, https://doi.org/10.1038/s41612-019-0071-y.

[123] Stainforth, D. et R. Calel (2020), « New priorities for climate science and climate economics in the 2020s », Nature Communications, vol. 11/1, https://doi.org/10.1038/s41467-020-16624-8.

[43] Steffen, W. et al. (2019), Compound Costs: How Climate Change is Damaging Australia’s Economy, Climate Council of Australia, Potts Point.

[80] Steffen, W. et al. (2018), « Trajectories of the Earth System in the Anthropocene », Proceedings of the National Academy of Sciences, vol. 115/33, pp. 8252-8259, https://doi.org/10.1073/pnas.1810141115.

[207] Sterner, T. et U. Persson (2008), « An even Sterner Review: Introducing relative prices into the discounting debate », Review of Environmental Economics and Policy, vol. 2/1, pp. 61-76, https://doi.org/10.1093/reep/rem024.

[196] Stern, N. (2013), « The structure of economic modeling of the potential impacts of climate change: Grafting gross underestimation of risk onto already narrow science models », Journal of Economic Literature, vol. 51/3, pp. 838-859, https://doi.org/10.1257/jel.51.3.838.

[189] Stern, N. (2006), The Economics of Climate Change : The Stern Review, Cambridge University Press, Cambridge, United Kingdom.

[108] Stillman, J. (2019), « Heat waves, the new normal: Summertime temperature extremes will impact animals, ecosystems, and human communities », Physiology, vol. 34/2, pp. 86-100, https://doi.org/10.1152/physiol.00040.2018.

[241] Stocker, T. et al. (2001), « Physical climate processes and feedbacks », dans Houghton, J. et al. (dir. pub.), Climate Change 2001 : The Scientific Basis – Contribution of Working Group I to the Third Assessment Report of the Intergovernmental Panel on Climate Change, Cambridge University Press, Cambridge, United Kingdom and New York, NY.

[79] Stocker, T. et al. (2013), « Technical summary », dans Stocker, T. et al. (dir. pub.), Climate Change 2013 : The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change, Intergovernmental Panel on Climate Change, Geneva.

[98] Stott, P., D. Stone et M. Allen (2004), « Human contribution to the European heatwave of 2003 », Nature, vol. 432/7017, pp. 610-614, https://doi.org/10.1038/nature03089.

[159] Strobl, E. (2012), « The economic growth impact of natural disasters in developing countries: Evidence from hurricane strikes in the Central American and Caribbean regions », Journal of Development Economics, vol. 97/1, pp. 130-141, https://doi.org/10.1016/j.jdeveco.2010.12.002.

[213] Subroy, V. et al. (2019), « The worth of wildlife: A meta-analysis of global non-market values of threatened species », Ecological Economics, vol. 164, p. 106374, https://doi.org/10.1016/j.ecolecon.2019.106374.

[236] Sutton, R. (2019), « Climate science needs to take risk assessment much more seriously », Bulletin of the American Meteorological Society, vol. 100/9, pp. 1637-1642, https://doi.org/10.1175/bams-d-18-0280.1.

[145] Taupo, T., H. Cuffe et I. Noy (2018), « Household vulnerability on the frontline of climate change: the Pacific atoll nation of Tuvalu », Environmental Economics and Policy Studies, vol. 20/4, pp. 705-739, https://doi.org/10.1007/s10018-018-0212-2.

[39] Tong, S. (2017), « Flooding-related displacement and mental health », The Lancet Planetary Health, vol. 1/4, pp. e124-e125, https://doi.org/10.1016/s2542-5196(17)30062-1.

[22] Trewin, B. et al. (2021), « Headline indicators for global climate monitoring », Bulletin of the American Meteorological Society, vol. 102/1, pp. E20-E37, https://doi.org/10.1175/bams-d-19-0196.1.

[185] Tschakert, P. et al. (2017), « Climate change and loss, as if people mattered: Values, places and experiences », WIREs Climate Change, vol. 8/5, https://doi.org/10.1002/wcc.476.

[137] Tschakert, P. et al. (2019), « One thousand ways to experience loss: A systematic analysis of climate-related intangible harm from around the world », Global Environmental Change, vol. 55, pp. 58-72, https://doi.org/10.1016/j.gloenvcha.2018.11.006.

[33] Tschumi, E. et J. Zscheischler (2019), « Countrywide climate features during recorded climate-related disasters », Climatic Change, vol. 158/3-4, pp. 593-609, https://doi.org/10.1007/s10584-019-02556-w.

[155] Turner, W. (2013), « Satellites: Make data freely accessible », Nature, vol. 498/7452, pp. 37-37, https://doi.org/10.1038/498037c.

[162] Uddin, M. et al. (2019), « Mapping of climate vulnerability of the coastal region of Bangladesh using principal component analysis », Applied Geography, vol. 102, pp. 47-57, https://doi.org/10.1016/j.apgeog.2018.12.011.

[68] UNFCCC (2015), Paris Agreement, United Nations Framework Convention on Climate Change, Paris, https://treaties.un.org/pages/ViewDetails.aspx?src=TREATY&mtdsg_no=XXVII-7-d&chapter=27.

[151] Usanov, A. et M. Gehem (2014), Innovation in a Waming World, The Hague Centre for Strategic Studies and TNO, https://hcss.nl/report/innovation-in-a-warming-world-research-tackling-the-grand-challenge-of-climate-change-in-europe/.

[58] Vaidyanathan, A. et al. (2019), « Assessment of extreme heat and hospitalizations to inform early warning systems », Proceedings of the National Academy of Sciences, vol. 116/12, pp. 5420-5427, https://doi.org/10.1073/pnas.1806393116.

[205] van der Geest, K. et al. (2019), « The impacts of climate change on ecosystem services and resulting losses and damages to people and society », dans Mechler, R. et al. (dir. pub.), Loss and Damage from Climate Change. Climate Risk Management, Policy and Governance, Springer, Cham, https://doi.org/10.1007/978-3-319-72026-5_9.

[217] van Vuuren, D. et al. (2017), « Energy, land-use and greenhouse gas emissions trajectories under a green growth paradigm », Global Environmental Change, vol. 42, pp. 237-250, https://doi.org/10.1016/j.gloenvcha.2016.05.008.

[226] Varian, H. (2006), « Economist seeks to recalculate the costs of global climate change », New York Times, 14 December, https://www.nytimes.com/2006/12/14/business/worldbusiness/14iht-climate.3896788.html (consulté le 31 mars 2021).

[99] Vautard, R. et al. (2020), « Human contribution to the record-breaking June and July 2019 heatwaves in Western Europe », Environmental Research Letters, vol. 15/9, p. 094077, https://doi.org/10.1088/1748-9326/aba3d4.

[30] Visser, H., A. Petersen et W. Ligtvoet (2014), « On the relation between weather-related disaster impacts, vulnerability and climate change », Climatic Change, vol. 125/3-4, pp. 461-477, https://doi.org/10.1007/s10584-014-1179-z.

[170] Viswanathan, B. et K. Kavi Kumar (2015), « Weather, agriculture and rural migration: Evidence from state and district level migration in India », Environment and Development Economics, vol. 20/4, pp. 469-492, https://doi.org/10.1017/s1355770x1500008x.

[73] Wagner, G. et M. Weitzman (2018), « Potentially large equilibrium climate sensitivity tail uncertainty », Economics Letters, vol. 168, pp. 144-146, https://doi.org/10.1016/j.econlet.2018.04.036.

[37] Ward, P. et al. (2017), « A global framework for future costs and benefits of river-flood protection in urban areas », Nature Climate Change, vol. 7/9, pp. 642-646, https://doi.org/10.1038/nclimate3350.

[74] Weitzman, M. (2009), « Additive damages, fat-tailed climate dynamics, and uncertain discounting », Economics: The Open-Access, Open-Assessment E-Journal, vol. 3/2009-39, p. 1, https://doi.org/10.5018/economics-ejournal.ja.2009-39.

[187] Wei, Y., Z. Mi et Z. Huang (2015), « Climate policy modeling: An online SCI-E and SSCI based literature review », Omega, vol. 57, pp. 70-84, https://doi.org/10.1016/j.omega.2014.10.011.

[184] Whiteman, J. et al. (2015), « Summer declines in activity and body temperature offer polar bears limited energy savings », Science, vol. 349/6245, pp. 295-298, https://doi.org/10.1126/science.aaa8623.

[55] Whitman, S. et al. (1997), « Mortality in Chicago attributed to the July 1995 heat wave », American Journal of Public Health, vol. 87/9, pp. 1515-1518, https://doi.org/10.2105/ajph.87.9.1515.

[141] WHO (2021), « Hospital beds (per 10 000 population) », Global Health Observatory, (database), https://www.who.int/data/gho/data/indicators/indicator-details/GHO/hospital-beds-(per-10-000-population) (consulté le 10 septembre 2021).

[135] WHO (2014), Quantitative risk assessment of the effects of climate change on selected causes of death, 2030s and 2050s, https://apps.who.int/iris/bitstream/handle/10665/134014/9789241507691_eng.pdf?sequence=1&isAllowed=y.

[180] Witsenburg, K. et W. Adano (2009), « Of rain and raids: Violent livestock raiding in northern Kenya », Civil Wars, vol. 11/4, pp. 514-538, https://doi.org/10.1080/13698240903403915.

[204] World Bank (2021), Climate Change Knowledge Portal, website, https://climateknowledgeportal.worldbank.org/ (consulté le 10 septembre 2021).

[140] World Bank (2021), « Subnational population », DataBank, (database), https://databank.worldbank.org/source/subnational-population (consulté le 10 septembre 2021).

[35] Xu, Z., Y. Han et Z. Yang (2018), « Dynamical downscaling of regional climate: A review of methods and limitations », Science China Earth Sciences, vol. 62/2, pp. 365-375, https://doi.org/10.1007/s11430-018-9261-5.

[44] Zander, K. et al. (2015), « Heat stress causes substantial labour productivity loss in Australia », Nature Climate Change, vol. 5/7, pp. 647-651, https://doi.org/10.1038/nclimate2623.

[10] Zappa, G., E. Bevacqua et T. Shepherd (2021), « Communicating potentially large but non‐robust changes in multi‐model projections of future climate », International Journal of Climatology, vol. 41/6, pp. 3657-3669, https://doi.org/10.1002/joc.7041.

[117] Zappa, G. et T. Shepherd (2017), « Storylines of atmospheric circulation change for European regional climate impact assessment », Journal of Climate, vol. 30/16, pp. 6561-6577, https://doi.org/10.1175/jcli-d-16-0807.1.

[77] Zelinka, M. et al. (2020), « Causes of higher climate sensitivity in CMIP6 models », Geophysical Research Letters, vol. 47/1, https://doi.org/10.1029/2019gl085782.

[49] Zittis, G. et al. (2021), « Business-as-usual will lead to super and ultra-extreme heatwaves in the Middle East and North Africa », npj Climate and Atmospheric Science, vol. 4/1, https://doi.org/10.1038/s41612-021-00178-7.

Notes

← 1.  The Flood Observatory, https://floodobservatory.colorado.edu/.

← 2.  L’équivalent dioxyde de carbone ou équivalent CO₂ (éq. CO₂) est une mesure permettant de comparer les émissions de divers GES à celles de CO₂. Il suffit, pour la calculer, de convertir les quantités de gaz divers en volume équivalent de dioxyde de carbone en se fondant sur leur potentiel de réchauffement global (PRG).

← 3.  Si l'on veut évaluer les pertes et dommages alors que les concentrations de GES dans l’atmosphère continuent de s'accroître et que le climat continue de changer, la TCR est la technique la plus utile pour comprendre l'ampleur du changement climatique mondial – comme les réponses climatiques – en 2050. En revanche, si l'on veut évaluer la « nouvelle normalité » qui résultera à longue échéance d'un certain degré de changement climatique, une fois que le système terrestre se sera stabilisé, l’ECS est plus utile pour comprendre les changements tels que la hausse du niveau de la mer à long terme.

← 4.  L’incertitude des valeurs de l’ECS tient aux nombreux processus et rétroactions qui interviennent dans le système climatique. Ces facteurs ont pour effet d’accroître ou de réduire le degré de réchauffement résultant d'une augmentation directe des émissions, et donc du forçage radiatif. Les rétroactions qui se produisent dans l’atmosphère – et influencent en grande partie l’ECS – concernent la vapeur d’eau et les nuages, ainsi que leurs interactions avec les rayonnements. Le caractère erratique des processus océaniques déterminant le transport des flux air-mer et la réflectivité des surfaces (comme l’albédo des nuages, de la neige ou des sols) est un autre facteur d'incertitude de la fourchette de valeurs de l’ECS (Stocker et al., 2001[241]). Il y a fort à parier que ces phénomènes, une fois combinés, provoqueront une amplification (et non une diminution) du réchauffement par rapport à ce que la simple physique pourrait laisser espérer, en particulier sur de longues périodes de temps (Flato, 2013[12]).

← 5.  Cela n’est pas incompatible avec la fourchette dite « probable » (66-100 % de probabilité) définie dans le cinquième Rapport d'évaluation – à savoir 1.5-4.5 °C –, présentée comme ayant 34 % de risque d’être dépassée.

← 6.  Hausse de la température moyenne à la surface du globe observée sur la période 2006-15 par rapport à la moyenne enregistrée sur la période 1850-1900 (IPCC, 2018[97]). La hausse est probablement comprise entre 0.75 °C et 0.99 °C.

← 7.  Dans un modèle de circulation générale, la Terre est découpée en couches – ce que l'on appelle le maillage – sur lesquelles sont réalisées une modélisation et une projection de toutes sortes de processus complexes formant la dynamique du système terrestre. La résolution spatiale de ce type de modèle – de pointe – est d’environ 100 km.

← 8.  Une anomalie de température est un écart par rapport à une valeur de référence. Une anomalie positive signifie que la température en question dépasse la valeur de référence, et une anomalie négative qu’elle lui est inférieure. « Anomalie » ne désigne pas un événement inattendu ou inexplicable ; il s'agit d’un terme scientifique. La mesure des anomalies de températures est un moyen de réduire les biais causés par les modèles et la variabilité climatique. Cela permet d’obtenir des comparaisons plus utiles des lieux et des modèles, ainsi que des calculs plus précis des tendances en matière de températures.

← 9.  L’exposition décrit les biens et les moyens de subsistance qui sont exposés aux dangers climatiques, par exemple ceux des personnes qui vivent dans des régions côtières de faible altitude. La vulnérabilité décrit la propension des biens et des moyens de subsistance exposés d’être affectés négativement par les dangers, par exemple la durabilité physique des bâtiments dans les régions côtières de faible altitude (voir section 1.4 au chapitre 1).

← 10.  Il existe évidemment des exceptions, comme par exemple le marché de l’assurance, qu’une augmentation de la quantité d’informations disponible peut conduire à l’effondrement : à titre d’illustration, si un prestataire d’assurance sait exactement quels ménages seront touchés par des inondations au cours des prochaines années, il refusera de leur proposer une assurance. De leur côté, les ménages à l’abri des inondations choisiront de ne pas s’assurer, puisqu’ils savent que la raison pour laquelle on leur propose une assurance est qu’ils ne seront pas inondés. Fondamentalement, l’assurance crée un marché pour l’incertitude (voir chapitre 5). Lorsque l’incertitude est suffisamment atténuée, ce marché ne fonctionne plus. Cela étant, même ces marchés ont besoin d’un minimum d’informations, qui permettent d’opérer un transfert des risques par l’intermédiaire du marché. C’est l’une des raisons pour lesquelles les autorités doivent s’efforcer de trouver un équilibre entre la protection de la vie privée des assurés et les informations auxquelles les compagnies d’assurance peuvent accéder.

← 11.  On recense différents types de MEI et différents modèles pour chaque type de MEI, mis au point par diverses institutions et divers organismes de recherche au fil des années. Les MEI à grande échelle décrivent l’évolution possible du système énergétique, de la croissance démographique, du développement économique et d’autres déterminants des émissions, tels que l’agriculture et l’utilisation des terres. Ils sont généralement utilisés pour déterminer le rapport coût-efficacité de la réalisation des objectifs d’atténuation du changement climatique. Cette section s’intéresse à un autre type de MEI, dit MEI à complexité réduite. Cette catégorie repose sur des hypothèses simplifiées concernant les déterminants socio-économiques des émissions et le coût des mesures d’atténuation, tout en tenant compte des coûts associés à l’évitement des effets du changement climatique.

← 12.  Sterner et Persson (2008[207]) fixent l’élasticité de substitution à 0.5 ; autrement, dit, une hausse de 10 % du prix du bien environnemental devrait entraîner une hausse de la demande pour l’autre bien de 5 % – contre 10  % dans un scénario de substituabilité parfaite.

← 13.  Le terme « abrupt » est difficile à définir, en particulier en sciences sociales. Certains travaux ne prennent même pas en considération les aspects temporels des points de bascule socio-économiques (David Tàbara et al., 2018[224]). Pour Sharpe et Lenton (2021[240]), un point de bascule peut être franchi en 20 ans. Pour Otto et al. (2020[222]), le délai est de 30  ans.

← 14.  Par exemple, s’il y a 50 % de chance que le taux d’actualisation de 10 % soit adéquat et 50 % de chance que le taux d’actualisation de 0 % soit adéquat, la valeur attendue dans 100 ans est : ${0.5\times \left(1-0.1\right)}^{100}+{0.5\times \left(1-0\right)}^{100}\approx 0.5$. Le taux d’actualisation en équivalent certain implicite est r : $0.5={(1-r)}^{100}.$ Ainsi, $r= 0.01$ ou 1 %, ce qui est inférieur à 5 % (la moyenne de 10 % et 0 %).