Incertitude dans les Modèles Économiques-Climatiques : une approche d'apprentissage automatique

Uncertainty in Economic-Climate Models: a machine learning approach

• Auteur / Autrice : Yushan Liu
• Direction : Emmanuel Gobet, Gauthier Vermandel
• Type : Projet de thèse
• Discipline(s) : Mathématiques appliquées
• Date : Inscription en doctorat le 01/11/2023
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de mathématiques Hadamard (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Centre de mathématiques (Palaiseau, Essonne ; ....-2004)
• Partenaire(s) de recherche : Equipe de recherche : SIMPAS : Signal IMage Probabilités numériques Apprentissage Statistique

Mots clés

Mots clés libres

Incertitude

Modèles Économiques-Climatiques

Apprentissage automatique

Uncertainty

Eco-climate modeling

Machine learning

Résumé

La dégradation de l'environnement, le changement climatique et la perte de biodiversité représentent l'un des plus grands défis mondiaux pour l'humanité dans les décennies à venir. Les modèles éco-climatiques, tels que le modèle DICE (Dynamic Integrated Climate Economic), utilisent le contrôle optimal dans un environnement déterministe pour calculer le Social Cost of Carbon (SCC). Le SCC est une mesure qui évalue les coûts immédiats de la décarbonisation des industries par rapport aux pertes futures évitées inhérentes au réchauffement climatique global. Cependant, en raison des contraintes informatiques liées au contrôle stochastique, le SCC ne prend pas en compte l'incertitude émanant à la fois des systèmes naturels et du processus incertain de création des technologies futures. Cette thèse vise une percée méthodologique, à l'intersection entre l'économie et les mathématiques appliquées, pour prendre en compte les variables stochastiques dans les modèles éco-climatiques.

"Environmental degradation, climate change and biodiversity loss represent one of the greatest global challenges for humanity in the coming decades. Eco-climate modelling, such as DICE (Dynamic Integrated Climate Economic) model, uses optimal control in a deteministic environment to calculate the Social Cost of Carbon (SCC). The SCC is a metric that evaluates the immediate costs of decarbonizing industries against the future avoided losses inherent to global warming. However, due to computational constraints inherent to stochastic control, the SSC does not take into account the uncertainty emanating from both natural systems and the uncertain process of future technologies creation. This thesis aims at a methodological breakthrough, at the intersection between economics and applied mathematics, to take into account stochastic variables in eco-climate models."