Nolmiorvimrenuen

Biais cognitifs et risque carbone : pourquoi votre cerveau sous-estime systématiquement les risques climatiques sur longue période

Psychologie analytique 2 décembre 2026 by Équipe éditoriale Nolmiorvimrenuen
Analyste confrontant biais décision climatique
Les taux d'actualisation élevés reproduisent mécaniquement dans vos modèles le biais cognitif du présent que vous cherchez précisément à corriger.

Le biais du présent est le mécanisme cognitif le plus fondamental et le plus documenté dans la littérature sur la prise de décision intertemporelle. Il décrit notre tendance naturelle à surpondérer les coûts et bénéfices immédiats par rapport aux coûts et bénéfices futurs, même lorsque nous savons intellectuellement que ces derniers sont quantitativement plus importants. Dans le contexte de l'analyse du risque carbone, ce biais se manifeste de façon très concrète : un analyste confronté à un actif dont les flux présents sont solides mais dont le risque d'échouage carbone est élevé à horizon quinze ans aura une tendance naturelle à minorer ce risque futur, non pas parce qu'il l'ignore, mais parce que son cerveau le valorise moins intensément que les certitudes présentes. Ce phénomène est amplifié dans les modèles financiers par l'usage mécanique de taux d'actualisation élevés, qui ont pour effet mathématique de reproduire exactement ce biais cognitif dans la structure formelle du modèle. La conséquence analytique est directe : les risques de transition carbone qui se matérialisent sur des horizons de vingt à trente ans sont systématiquement sous-valorisés dans les modèles qui appliquent des taux d'actualisation calibrés sur des données historiques de court terme. Reconnaître ce biais comme une source structurelle d'erreur analytique, et non comme une simple défaillance individuelle, est le premier pas vers des modèles multiperiodiques qui traitent les risques climatiques futurs avec le poids analytique qu'ils méritent réellement.

Construire des scénarios structurellement différents, pas seulement paramétriquement variés, est le seul remède efficace à l'ancrage scénaristique.

L'ancrage est un biais cognitif bien établi qui décrit notre tendance à accorder un poids disproportionné à la première information reçue sur un sujet, et à ajuster insuffisamment nos estimations lorsque des informations contraires apparaissent ensuite. Dans le domaine de l'analyse du risque carbone, ce biais se manifeste de façon particulièrement insidieuse à travers ce que l'on peut appeler l'ancrage scénaristique : la tendance à construire tous ses scénarios de transition autour d'un scénario central initial, généralement emprunté à une organisation internationale reconnue, et à traiter les scénarios alternatifs comme de simples variations modérées de ce scénario de référence. Le problème analytique est double. D'une part, le scénario central auquel vous vous ancrez a lui-même été construit avec ses propres hypothèses et ses propres angles morts, que vous importez dans votre analyse sans les examiner. D'autre part, les scénarios les plus analytiquement intéressants, ceux qui révèlent les vraies fragilités d'un modèle, sont souvent des scénarios structurellement différents du scénario central, pas de simples variantes paramétriques. Un analyste rigoureux doit donc s'imposer une discipline active de décentrage scénaristique : régulièrement construire des scénarios qui partent d'hypothèses fondamentalement différentes plutôt que de toujours ajuster à partir du même point d'ancrage. Cette discipline est inconfortable parce qu'elle génère des résultats qui peuvent sembler extrêmes, mais c'est précisément dans cet inconfort analytique que résident les informations les plus précieuses sur les vulnérabilités réelles de votre modèle face aux chocs de transition carbone.

Calibrer un modèle de transition carbone sur des données historiques d'avant la transition revient à naviguer en regardant dans le rétroviseur.

Le biais de normalité récente, parfois appelé biais de statu quo dynamique, décrit notre tendance à extrapoler le futur à partir du passé récent, en supposant implicitement que les conditions actuelles représentent l'état normal des choses et que les changements futurs seront des variations modérées autour de cette norme. Ce biais est particulièrement destructeur dans l'analyse du risque carbone multiperiodique pour une raison structurelle : nous sommes précisément dans une période de transition, c'est-à-dire une période où les conditions normales du passé sont en train de changer fondamentalement. Un analyste qui calibre ses modèles sur les données des dix à vingt dernières années capture une période historique pendant laquelle les politiques climatiques contraignantes étaient largement absentes, les prix du carbone bas ou inexistants, et les risques de transition peu matérialisés. Utiliser ces données pour extrapoler les vingt prochaines années revient à supposer que cette période de transition douce se poursuivra indéfiniment, alors que les engagements réglementaires actuels, notamment dans le contexte suisse et européen, impliquent précisément une rupture par rapport à cette normalité historique. Le remède analytique à ce biais est de traiter les données historiques non pas comme une projection du futur, mais comme un contexte de référence qui aide à comprendre les mécanismes, tout en construisant explicitement des scénarios qui incorporent des changements de régime réglementaire substantiels, même si ces changements n'ont pas de précédent historique direct dans vos données.

La robustesse apparente d'un modèle très détaillé peut masquer une sélection biaisée d'informations qui favorise systématiquement un résultat préféré.

Le biais de confirmation est probablement le plus connu de tous les biais cognitifs, et paradoxalement l'un des moins bien compensé dans la pratique analytique réelle. Il décrit notre tendance à rechercher, interpréter et mémoriser préférentiellement les informations qui confirment nos croyances existantes, et à minimiser ou ignorer les informations qui les contredisent. Dans l'analyse du risque carbone, ce biais se manifeste à plusieurs niveaux. Au niveau de la collecte de données, un analyste qui croit que le risque carbone est gérable sur son horizon d'analyse aura tendance à pondérer davantage les études qui soutiennent cette conclusion et à traiter les études contradictoires comme des cas particuliers ou des méthodologies discutables. Au niveau de la construction de scénarios, il aura tendance à développer plus longuement et plus rigoureusement les scénarios qui confirment son intuition initiale, et à traiter les scénarios contraires comme des exercices formels plutôt que comme des hypothèses sérieuses. La conséquence analytique est que les modèles construits sous l'influence de ce biais semblent robustes parce qu'ils sont très détaillés, mais cette apparente robustesse masque une fragilité structurelle : elle est construite sur une sélection biaisée d'informations qui favorise systématiquement un résultat particulier. Un garde-fou pratique contre ce biais est de systématiquement demander, pour chaque conclusion analytique importante, quelles informations ou quels scénarios, si vous les aviez pondérés différemment, auraient conduit à des conclusions opposées, et de documenter explicitement pourquoi vous avez choisi de ne pas les retenir.

Ce site utilise des cookies analytiques et de préférences pour améliorer votre expérience de navigation. Conformément à la loi fédérale suisse sur la protection des données, votre consentement est requis pour les cookies non essentiels. Vous pouvez accepter ou refuser ces cookies à tout moment.