Modélisation causale de la demande en énergie et en ressources

Pourquoi notre consommation d'électricité et d'eau compte

Des lumières de nos logements à l'eau de nos robinets en passant par les voitures que nous utilisons, la vie moderne repose sur l'énergie et les ressources. Pourtant, la demande collective a tellement augmenté qu'elle remodèle la planète et met à l'épreuve les limites de ce que la Terre peut fournir. Cet article explore une nouvelle façon de comprendre cette demande : au lieu de se contenter d'identifier des corrélations dans les données, il cherche ce qui cause réellement les variations de consommation d'énergie et d'eau par les personnes et les bâtiments. En retraçant les relations de cause à effet, les auteurs cherchent à aider les villes à concevoir des politiques plus intelligentes qui réduisent véritablement le gaspillage plutôt que de suivre des tendances trompeuses.

Aller au‑delà des simples corrélations

La plupart des outils existants pour étudier la consommation d'électricité, l'usage de l'eau ou les choix de déplacement reposent sur la corrélation : ils repèrent des variables qui évoluent ensemble, comme des logements plus grands et des factures d'électricité plus élevées. Mais la corrélation seule ne peut répondre à une question cruciale : si l'on modifie un facteur, cela changera‑t‑il vraiment le résultat ? La « science de la causalité » émergente tente de répondre directement à cette question. Elle représente les systèmes comme des réseaux de flèches qui tracent comment un facteur conduit à un autre, permettant aux chercheurs de poser des questions précises de type « et si » — par exemple ce qui arrive à l'usage de la voiture si le revenu des ménages ou la distance des trajets change. Ce passage de l'association à la causalité est particulièrement important lorsque l'objectif est de concevoir des politiques efficaces plutôt que de se contenter de prévisions précises.

Trois usages quotidiens des ressources

Pour montrer comment fonctionnent en pratique les méthodes causales, les auteurs analysent trois formes familières de la demande urbaine : le choix entre voiture, transport en commun et marche à pied ; la consommation d'électricité des grands immeubles ; et la consommation d'eau de ces mêmes bâtiments. À partir de jeux de données publics standard pour Chicago (comportements de déplacement) et New York (services publics des bâtiments), ils appliquent un algorithme informatique pour découvrir des liens de cause à effet probables entre facteurs sociaux, économiques et physiques. Une seconde méthode estime ensuite l'intensité moyenne avec laquelle chaque cause modifie le résultat au sein de la population. Ensemble, ces outils révèlent non seulement quelles variables sont reliées, mais lesquelles semblent réellement driver les comportements.

Ce que révèlent les cartes causales

Pour les choix de déplacement, la carte causale obtenue est complexe. Elle met en évidence le nombre de véhicules dans un foyer et la distance d'un trajet comme des causes directes du choix de conduire, de prendre les transports ou de marcher. Elle suggère aussi des chaînes d'influence passant par l'âge, le niveau d'études, l'emploi, le revenu et la race, reflétant des structures sociales plus profondes. En revanche, les diagrammes causaux pour la consommation d'électricité et d'eau dans les grands bâtiments sont étonnamment simples : le type de bâtiment (résidentiel versus non résidentiel) et l'âge du bâtiment apparaissent comme les principaux moteurs de la consommation électrique, tandis que le type de bâtiment seul ressort pour la consommation d'eau. Les auteurs soutiennent que cette simplicité reflète probablement des limites des données disponibles : de nombreuses influences réelles, comme l'exploitation du bâtiment ou les caractéristiques du quartier, n'ont pas été entièrement captées ; pourtant, même cette image épurée met en lumière les leviers qui comptent le plus dans le contexte étudié.

Promesses, pièges et choix de politique

L'article discute ouvertement des forces et des faiblesses de ces outils causaux. Du côté des avantages, les modèles causaux peuvent filtrer les corrélations trompeuses, révéler des chaînes d'influence cachées entre variables et montrer ce qui pourrait se produire si une ville intervenait — par exemple en modifiant les normes de construction ou en améliorant le service de transport. En revanche, ces méthodes dépendent de leurs hypothèses sous‑jacentes, de la richesse et de la qualité des données, ainsi que de l'avis d'experts qui savent quelles liaisons sont plausibles et lesquelles ne le sont pas. Certaines relations — comme celles impliquant la race ou le genre — peuvent tenir lieu de proxies pour des inégalités sociales plus larges et doivent être interprétées avec prudence. De plus, les résultats sont liés aux villes et aux jeux de données étudiés et peuvent ne pas être applicables partout.

Ce que cela signifie pour un avenir durable

En termes accessibles, la conclusion principale est la suivante : si l'on veut réduire l'appétit de la société pour l'énergie et l'eau, il faut comprendre non seulement ce qui va ensemble, mais ce qui cause réellement quoi. La modélisation causale est encore un champ jeune, et les techniques spécifiques utilisées ici ont des limites claires, mais l'étude montre qu'elles peuvent déjà éclairer quels facteurs pilotent réellement la demande et lesquels sont des leurres. En cartographiant ces trajectoires de cause à effet, les urbanistes et les décideurs peuvent se concentrer sur des interventions plus susceptibles de fonctionner — comme cibler certains types de bâtiments ou des conditions de déplacement particulières — tout en évitant des mesures coûteuses basées sur des schémas trompeurs. En bref, cette approche offre une feuille de route plus fiable pour ramener notre consommation quotidienne d'électricité et d'eau dans les limites de la planète.

Citation: Chauhan, R.S., Acosta, J. & Derrible, S. Causal modeling of energy and resource demand. npj Urban Sustain 6, 67 (2026). https://doi.org/10.1038/s42949-026-00370-9

Mots-clés: modélisation causale, demande énergétique urbaine, consommation d'eau et d'électricité, comportement de déplacement, politique de durabilité