Analyse des causes du réchauffement climatique en Europe de l’Ouest (2022)
KABORE Houzeifa
OUEDRAOGO Barakissa
ZEBOU Boga Roch Fourier
09/10/2025
📦 Chargement des packages nécessaires
# Chargement des bibliothèques utilisées dans l'analyse
library(FactoMineR)## Warning: le package 'FactoMineR' a été compilé avec la version R 4.4.3library(factoextra)## Warning: le package 'factoextra' a été compilé avec la version R 4.4.3## Le chargement a nécessité le package : ggplot2## Warning: le package 'ggplot2' a été compilé avec la version R 4.4.3## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBalibrary(psych)## Warning: le package 'psych' a été compilé avec la version R 4.4.3##
## Attachement du package : 'psych'## Les objets suivants sont masqués depuis 'package:ggplot2':
##
## %+%, alphalibrary(ggplot2)
library(Factoshiny)## Warning: le package 'Factoshiny' a été compilé avec la version R 4.4.3## Le chargement a nécessité le package : shiny## Warning: le package 'shiny' a été compilé avec la version R 4.4.3## Le chargement a nécessité le package : FactoInvestigate## Warning: le package 'FactoInvestigate' a été compilé avec la version R 4.4.3library(shiny)
library(FactoInvestigate)
library(ggcorrplot)## Warning: le package 'ggcorrplot' a été compilé avec la version R 4.4.3library(GGally)## Warning: le package 'GGally' a été compilé avec la version R 4.4.3## Registered S3 method overwritten by 'GGally':
## method from
## +.gg ggplot2THEME : LE RECHAUFFEMENT CLIMATIQUE
Abstract
Cette étude vise à identifier et hiérarchiser les principales causes du réchauffement climatique en Europe de l’Ouest en 2022, en s’appuyant sur des données sectorielles d’émissions de CO₂. Une approche méthodologique croisée mobilisant l’analyse en composantes principales (ACP), la classification ascendante hiérarchique (CAH) et la régression linéaire multiple a été adoptée. L’ACP met en évidence une concentration des émissions autour des secteurs du transport, de l’industrie et des énergies fossiles, formant une dimension dominante d’intensité carbone. La CAH distingue trois groupes de pays selon leur profil d’émissions, tandis que la régression confirme l’effet significatif des émissions du transport et du ciment sur la consommation pétrolière. L’étude permet ainsi de structurer les causes du réchauffement, de comparer les situations nationales et de formuler des recommandations adaptées pour guider les politiques climatiques régionales.
Liste des abréviations
ACE : Annual CO₂ emissions (émissions totales annuelles de CO₂)
ACC : Annual CO₂ emissions from cement (émissions du ciment)
ACI : Annual CO₂ emissions from other industry (émissions de l’industrie)
ACO : Annual CO₂ emissions from oil (émissions dues au pétrole)
ACCO : Annual CO₂ emissions from coal (émissions dues au charbon)
ACG : Annual CO₂ emissions from gas (émissions dues au gaz)
ACF : Annual CO₂ emissions from flaring (émissions dues au torchage)
ACT : CO₂ emissions from transport (émissions du transport)
ACGP : Annual CO₂ emissions growth (%) (croissance des émissions de CO₂)
ACL_L : Annual CO₂ emissions from land-use change (émissions dues au changement d’usage des terres)
PGP : Population growth (croissance démographique annuelle en %)
CPC : CO₂ emissions per capita (émissions de CO₂ par habitant)
Mots clés
Réchauffement climatique ;
Europe de l’Ouest ;
Émissions de CO₂ ;
Analyse en composantes principales (ACP) ;
Classification ascendante hiérarchique (CAH) ;
Régression linéaire multiple ;
Transport ;
Industrie ;
Énergies fossiles ;
Prévision environnementale ;
Politiques climatiques différenciées.
INTRODUCTION
Depuis plusieurs décennies, le changement climatique représente l’un des défis majeurs auxquels l’humanité doit faire face. Il est reconnu scientifiquement que ce phénomène global est en grande partie induit par les activités humaines, particulièrement depuis la révolution industrielle, avec une augmentation marquée des émissions de gaz à effet de serre (GES) telles que le dioxyde de carbone (CO₂), le méthane (CH₄) et le protoxyde d’azote (N₂O). Le dernier rapport du Groupe d’experts intergouvernemental sur l’évolution du climat[1] confirme que les concentrations de ces gaz dans l’atmosphère ont atteint des niveaux jamais observés au cours des 800 000 dernières années, entraînant une hausse continue des températures globales.
Dans ce contexte global, l’Europe de l’Ouest, en raison de son fort niveau d’industrialisation et d’urbanisation, constitue une région particulièrement exposée. En effet, l’année 2022 a été particulièrement révélatrice des vulnérabilités climatiques régionales, avec des phénomènes météorologiques extrêmes, tels que des vagues de chaleur prolongées, des sécheresses intenses et des épisodes de précipitations violentes. Selon le rapport annuel du programme Copernicus Climate Change Service[2], l’Europe occidentale a connu son été le plus chaud jamais enregistré, avec des températures supérieures en moyenne de 1,4 °C à celles de la période préindustrielle.
Ces événements ont non seulement amplifié les vulnérabilités environnementales de la région, mais aussi entraîné d’importantes conséquences socio-économiques, comme une baisse significative de la productivité agricole, une augmentation des risques sanitaires liés à la chaleur, ainsi que des contraintes accrues sur les ressources hydriques et les infrastructures énergétiques[3].
Face à ces défis grandissants, il devient impératif de mieux cerner les causes spécifiques du réchauffement climatique en Europe de l’Ouest pour l’année 2022. Cette étude s’inscrit précisément dans cette perspective, en cherchant à répondre à la problématique suivante : Quelles sont les principales causes du réchauffement climatique observées en Europe de l’Ouest en 2022 ?
Ainsi, l’objectif général de cet article est d’identifier et d’analyser les facteurs clés responsables du réchauffement climatique observé dans cette région précise. Cet objectif se décline en trois axes spécifiques :
1. Identifier les secteurs économiques et les activités humaines les plus contributives aux émissions de gaz à effet de serre en Europe occidentale[4].
2. Analyser en détail les dynamiques énergétiques régionales, en particulier la dépendance continue aux combustibles fossiles et leur impact direct sur l’augmentation des émissions régionales[5].
3. Examiner les interactions complexes entre facteurs climatiques naturels et anthropiques pour évaluer précisément leur contribution combinée au réchauffement observé[6].
Nous formulons ainsi l’hypothèse principale selon laquelle :
Le réchauffement climatique en Europe de l’Ouest en 2022 s’explique principalement par la persistance d’un modèle énergétique fortement dépendant des combustibles fossiles, renforcé par une intensité du trafic et des choix structurels sectoriels spécifiques, malgré les efforts amorcés vers la transition bas-carbone.
Cette hypothèse s’appuie sur plusieurs travaux scientifiques. Par exemple, les hausses de température sont fortement associées à la combustion accrue de combustibles fossiles dans les économies industrielles[1]. De même, les secteurs du transport et de la production énergétique sont responsables de plus de 70 % des émissions européennes. Enfin, l’Agence Internationale de l’Énergie[2] confirme que la lenteur de la transition énergétique dans les pays européens est un facteur clé de la persistance des émissions élevées.
Le but de cette étude est de fournir une compréhension fine et actualisée des mécanismes responsables du réchauffement climatique à l’échelle régionale, en s’appuyant sur des données empiriques solides et des théories validées. Il s’agit de contribuer à l’identification des leviers prioritaires d’action pour une réduction effective des émissions en Europe de l’Ouest.
Revue de littérature
Les gaz à effet de serre (GES), principalement le dioxyde de carbone (CO₂), le méthane (CH₄) et le protoxyde d’azote (N₂O), sont les principaux contributeurs au réchauffement climatique. L’Europe de l’Ouest représentait en 2020 près de 8 % des émissions mondiales de CO₂, malgré les efforts de transition énergétique. Cette proportion reste significative, notamment en raison de l’intensité industrielle et de la densité du trafic routier dans cette région[1].
Par ailleurs, les données compilées dans le Global Carbon Budget confirment que les émissions de CO₂ en Europe, bien que relativement stables, peinent à diminuer au rythme exigé par les objectifs de l’Accord de Paris[1]. En 2022, certains pays comme l’Allemagne ou la France ont même connu une légère hausse de leurs émissions, en partie due à un recours accru au charbon pour compenser les ruptures dans l’approvisionnement en gaz naturel provoquées par la guerre en Ukraine[2].
La production et la consommation d’énergie constituent la première source d’émissions de GES dans la région. La part du charbon dans la production d’électricité a augmenté en Europe en 2022 pour la première fois depuis une décennie, avec des hausses notables en Allemagne, aux Pays-Bas et en Espagne[3]. Ces pays ont réactivé temporairement certaines centrales thermiques pour faire face à la crise énergétique.
La transition vers les énergies renouvelables reste freinée par la lenteur de l’intégration des réseaux et les coûts encore élevés de certaines technologies dans certains États membres[4]. Même si l’éolien et le solaire représentent une part croissante du mix énergétique européen, leur intermittence pose des défis majeurs en matière de stabilité de l’approvisionnement[5].
Le secteur du transport représente environ 25 % des émissions totales de GES dans l’Union européenne, dont une part majeure revient au transport routier[6]. En 2022, la reprise post-pandémique du trafic automobile et aérien a contribué à une augmentation des émissions, malgré l’essor de la mobilité électrique[7].
La pénétration des véhicules électriques reste inégale entre les pays d’Europe de l’Ouest, avec un fort contraste entre la Norvège et des pays comme l’Italie ou l’Espagne[1]. De plus, le transport aérien a repris à un rythme rapide en 2022, ce qui a généré une nouvelle pression sur les émissions globales[2].
Le secteur agricole est une source importante de GES, notamment à travers les émissions de méthane issues de l’élevage et de protoxyde d’azote provenant des engrais azotés. L’agriculture représentait environ 12 % des émissions totales de l’UE, une proportion qui reste stable malgré les politiques d’atténuation[3]. En Europe de l’Ouest, l’élevage bovin est particulièrement émetteur, notamment en France, en Irlande et en Allemagne. L’étude sur les bilans d’émissions du secteur agricole européen montre que l’usage intensif des fertilisants minéraux augmente les émissions de N₂O, tout en contribuant à la pollution des eaux et des sols[4]. En 2022, les conditions de sécheresse ont aggravé l’effet de ces pratiques, réduisant l’absorption naturelle du carbone dans les sols agricoles[5].
En plus des causes anthropiques, certaines dynamiques naturelles aggravent le réchauffement climatique. Par exemple, les sécheresses prolongées réduisent la capacité des forêts et des sols à stocker du carbone. Les vagues de chaleur de 2022 ont contribué à des pertes de biomasse forestière record dans des régions comme la péninsule Ibérique[22].
De même, les incendies de forêt – favorisés par des températures extrêmes – ont libéré d’importantes quantités de carbone. L’étude publiée dans Environmental Research Letters montre que les feux de forêt en Europe occidentale ont doublé leurs émissions de CO₂ en 2022 par rapport à la moyenne décennale[23].
Malgré l’ambition affichée du Pacte vert européen, les politiques climatiques actuelles ne permettent pas encore de répondre pleinement aux objectifs de neutralité carbone. les mécanismes de tarification du carbone et les quotas d’émissions de l’UE ont permis une légère réduction des émissions, mais les disparités nationales nuisent à leur efficacité globale[24]. En 2022, la crise énergétique liée à la guerre en Ukraine a conduit certains pays à relâcher leurs contraintes environnementales, prolongeant la vie de centrales à charbon ou réduisant les subventions aux énergies renouvelables[25]. Cela montre que les politiques climatiques restent vulnérables aux chocs géopolitiques.
Pour atténuer durablement le réchauffement climatique en Europe de l’Ouest, plusieurs leviers peuvent être mobilisés. Le développement massif des énergies renouvelables, l’électrification des transports, l’agroécologie et la restauration des écosystèmes sont identifiés comme prioritaires[26]. L’introduction de mécanismes d’ajustement carbone aux frontières de l’UE, ainsi que la coopération interétatique pour le partage des technologies bas-carbone, figurent également parmi les recommandations émises par l’AEE et le JRC[27]. Ces stratégies nécessitent toutefois des financements conséquents, une volonté politique renforcée et l’implication active des citoyens pour produire un changement systémique à la hauteur des enjeux climatiques.
Le croisement entre les disciplines permet de mieux cerner la complexité des causes du réchauffement climatique. Par exemple, les travaux de Steffen et al. (2018) ont mis en évidence le concept de « trajectoires socio-environnementales » dans lesquelles les rétroactions entre société, économie et climat peuvent conduire à des points de basculement. Cette idée soulignent que plusieurs systèmes critiques (calottes glaciaires, forêts boréales, courants océaniques) pourraient être proches de seuils irréversibles, accentués par les émissions européennes[28]. Par ailleurs, la dimension économique ne peut être ignorée. Une étude de Burke et al. (2015) montre que la croissance économique pourrait être fortement pénalisée dans les régions tempérées comme l’Europe si la température moyenne augmente de plus de 2 °C, entraînant une baisse de productivité, des coûts énergétiques accrus et une plus grande instabilité sociale. Ainsi, les enjeux climatiques en Europe de l’Ouest ne sont pas seulement environnementaux, mais aussi géopolitiques, économiques et sanitaires. Enfin, les analyses à haute résolution spatiale se développent pour mieux comprendre les disparités régionales. Par exemple, les travaux de van der Schrier sur les données climatiques locales montrent que certaines zones de France, de Belgique et d’Espagne présentent une accélération du réchauffement supérieure à la moyenne européenne[29]. Cela justifie une approche différenciée dans les réponses politiques et les stratégies d’adaptation. fossiles, la déforestation émettent des quantités considérables de gaz à effet de serre (GES) dans l’atmosphère, renforçant l’effet de serre naturel et entraînant le réchauffement planétaire Commission européenne – Les causes du changement climatique. Face à cette réalité, il est indispensable d’adopter une analyse quantitative avancée afin de démêler l’influence respective de chaque facteur et de fournir des conclusions objectives basées sur les données. Des travaux récents soulignent d’ailleurs que de multiples dimensions – démographiques, économiques, environnementales – interviennent dans les émissions de GES. Ceci justifie l’utilisation d’outils statistiques robustes pour analyser simultanément ces variables et éviter tout biais d’interprétation. Ainsi, la méthodologie mise en œuvre découle d’une revue approfondie de la littérature scientifique et vise à quantifier de manière fiable l’impact de chaque variable explicative sur le phénomène étudié, plutôt que de s’appuyer sur des intuitions qualitatives.
METHODOLOGIE
L’étude des causes du réchauffement climatique en Europe de l’Ouest requiert une démarche scientifique rigoureuse en raison de la complexité multidimensionnelle du problème. En effet, plusieurs facteurs anthropiques interdépendants contribuent à l’augmentation des températures. L’utilisation massive de combustibles.
Matériels utiliés dans le projet
• Les logiciels Excel et Word de la suite Office ont été indispensables pour la saisie, l’organisation et la représentation graphique de nos recherches, observations, analyses et conclusions. Leur polyvalence nous a permis d’interpréter et de comprendre plus facilement les résultats obtenus.
• KoboCollect a été un outil précieux pour la collecte de données nécessaires à notre analyse. Cette application conviviale et flexible a facilité la création et l’administration de questionnaires, offrant ainsi une méthode efficace pour recueillir des données sur le terrain.
• R Studio, en tant que logiciel d’analyse de données, a été essentiel pour mener à bien nos analyses statistiques. Grace à ses fonctionnalités avancées, nous avons pu réaliser des analyses factorielles, des méthodes de clustering, des croisements de variables, des tests statistiques et bien plus encore. Son accessibilité et sa polyvalence en font un outil incontournable pour les chercheurs travaillant avec des données complexes.
• Enfin, QGIS s’est révélé être un outil puissant pour la visualisation et l’analyse spatiale de nos données. En tant que logiciel SIG, il nous a permis de créer des cartes personnalisées et d’explorer les relations géographiques entre les différents éléments de notre étude. Ses fonctionnalités avancées nous ont aidés à mieux comprendre les thématiques abordées dans notre projet, en mettant en évidence les aspects géographiques et spatiaux des données.
📁 Importation des données
# Vérifie le répertoire de travail
getwd()## [1] "C:/Users/Lenovo/Desktop/PROJET RTI/analyse"# Lecture des données depuis un fichier CSV. S'assurer que le fichier est dans le bon répertoire.
data <- read.csv(file = "classeur1.csv", header = TRUE, sep = ";", quote = "\"", dec = ".", row.names = 1)
data## ACC ACE ACF ACI ACG ACO ACCO
## Austria 1831572 61489110 80240 1210193 15967127 30733780 11666200
## Belgium 2456034 89002056 111066 1592600 31086884 41814188 11941285
## France 6396732 293501630 1591822 3725112 76353304 179440910 25993764
## Germany 12537957 671471550 1835065 8242323 160775700 247440220 170640270
## Ireland 1956535 36711388 200 735816 10745410 19237046 4036380
## Italy 7918827 340672300 2549430 3277906 137601070 157948580 31376494
## Luxembourg 368935 7276724 31 12425 1249039 5409675 236619
## Portugal 2228547 40687052 1174634 803425 11367924 24867992 244531
## Spain 7714822 234657020 3824197 2643633 67501400 135100960 17872014
## Switzerland 1667094 32818890 21669 168148 6015103 24515458 431417
## United Kingdom 11726342 413834780 2191720 4812964 174871650 29520260 99665548
## ACT PGP ACGP ACL_C CPC
## Austria 22330000 0.9562878 -6.491059 -1891466.60 6.783374
## Belgium 22920000 0.8081654 -6.201172 2654677.80 7.645034
## France 118910000 0.3269925 -3.961164 -24758526.00 4.428381
## Germany 147240000 0.7208754 -5.076305 -8638173.00 7.985512
## Ireland 10620000 2.5991810 -2.218407 79985.12 7.184207
## Italy 98240000 -0.2023009 1.397252 -30496900.00 5.714146
## Luxembourg 4990000 2.0166678 -13.584030 136154.25 11.138139
## Portugal 15450000 0.6972565 1.000249 1113929.20 3.905804
## Spain 86540000 0.7214810 2.439284 -10521726.00 4.906229
## Switzerland 14620000 0.8299272 -8.275461 -366839.70 3.732736
## United Kingdom 154320000 1.1344483 -8.904034 9763057.00 4.603079# Aperçu rapide des données
head(data)## ACC ACE ACF ACI ACG ACO ACCO
## Austria 1831572 61489110 80240 1210193 15967127 30733780 11666200
## Belgium 2456034 89002056 111066 1592600 31086884 41814188 11941285
## France 6396732 293501630 1591822 3725112 76353304 179440910 25993764
## Germany 12537957 671471550 1835065 8242323 160775700 247440220 170640270
## Ireland 1956535 36711388 200 735816 10745410 19237046 4036380
## Italy 7918827 340672300 2549430 3277906 137601070 157948580 31376494
## ACT PGP ACGP ACL_C CPC
## Austria 22330000 0.9562878 -6.491059 -1891466.60 6.783374
## Belgium 22920000 0.8081654 -6.201172 2654677.80 7.645034
## France 118910000 0.3269925 -3.961164 -24758526.00 4.428381
## Germany 147240000 0.7208754 -5.076305 -8638173.00 7.985512
## Ireland 10620000 2.5991810 -2.218407 79985.12 7.184207
## Italy 98240000 -0.2023009 1.397252 -30496900.00 5.714146Méthode d’analyse
Après avoir défini clairement la problématique et les hypothèses de travail, nous avons détaillé un protocole d’analyse quantitatif en plusieurs étapes afin de répondre de manière rigoureuse à la question des causes du réchauffement. Dans un premier temps, nous avons construit une matrice de corrélation entre toutes les variables quantitatives retenues. Cette matrice de corrélation (fondée sur le coefficient de Pearson) permet d’évaluer les relations linéaires entre deux variables à la fois. Concrètement, chaque coefficient mesure l’intensité et le sens du lien (positif ou négatif) entre un facteur potentiel (par ex. le PIB) et un indicateur climatique (par ex. le niveau d’émissions de CO₂). Nous avons ainsi pu détecter des associations significatives indiquant qu’une variable pourrait influencer une autre, ou au contraire identifier des indépendances (absence de corrélation) suggérant que certains facteurs n’entretiennent pas de relation linéaire directe avec les émissions. Par exemple, on s’attend à observer une corrélation positive entre la richesse économique d’un pays et son volume d’émissions (tendance généralement) vérifiée dans les études antérieures [30] tandis que la part d’énergie renouvelable dans le mix pourrait montrer une corrélation négative avec les émissions totales[30]. Ces analyses bivariées préliminaires ont guidé la suite de l’étude en pointant les liens à approfondir.
Dans un deuxième temps, nous avons réalisé une analyse en composantes principales (ACP) afin d’explorer la structure multivariée des données et de réduire la dimensionnalité du problème. L’ACP est une méthode statistique qui synthétise l’information de plusieurs variables corrélées en un plus petit nombre de composantes indépendantes les unes des autres. Chaque composante principale est une combinaison linéaire des variables initiales maximisant la variance expliquée.
Autrement dit, l’ACP extrait les facteurs latents majeurs qui sous-tendent les données, ce qui permet de résumer la complexité du système climatique en quelques axes interprétables. Dans le cadre de notre étude, l’ACP a servi à identifier des profils ou syndromes parmi les pays d’Europe de l’Ouest en 2022 – par exemple, des axes opposant des pays à forte consommation de charbon et pétrole à des pays misant davantage sur le gaz naturel et les renouvelables. Techniquement, nous avons retenu les premières composantes principales dont les valeurs propres étaient supérieures à 1 (critère de Kaiser) et qui, ensemble, cumulaient la majeure partie de la variance totale (généralement plus de 70%). Ces composantes ont ensuite été analysées pour en interpréter la signification physique, en examinant la contribution de chaque variable initiale sur chaque axe. Cette étape exploratoire fournit une vue d’ensemble des principales combinaisons de causes du réchauffement dans la région, tout en filtrant le bruit et les redondances entre indicateurs.
Enfin, une régression linéaire multiple a été employée pour modéliser de façon explicite les relations entre les facteurs explicatifs et la variable cible reflétant le réchauffement. Nous avons construit un modèle où la variable dépendante représente le niveau d’impact climatique (par exemple, le volume d’émissions de CO₂ par habitant), et où les variables explicatives incluent les indicateurs socio-économiques et énergétiques sélectionnés (population, usage du charbon, etc.). L’objectif de cette régression est double : (1) quantifier l’influence de chaque facteur en contrôlant les autres (via les coefficients de régression estimés, assortis de tests de significativité statistique), et (2) identifier quelles variables contribuent le plus significativement aux variations des émissions entre pays. La méthode des moindres carrés ordinaires a été utilisée pour ajuster le modèle et calculer la part de variance expliquée (R²). Nous avons porté une attention particulière aux diagnostics du modèle (indépendance des résidus, multi colinéarité entre prédicteurs, etc.) afin de garantir la validité des inférences. En somme, cette approche de modélisation permet de hiérarchiser les causes du réchauffement en quantifiant leur poids respectif dans les émissions observées. Par exemple, si la variable « charbon » ressort avec un coefficient fortement positif et significatif, cela indiquera qu’à niveau de PIB et de population équivalents, un pays qui consomme davantage de charbon émet significativement plus de CO₂ – confortant l’idée que le charbon est un contributeur majeur au réchauffement[1]. À l’inverse, une variable non significative suggérerait que son effet n’est pas déterminant dans le cadre considéré. Appuyée par les enseignements de l’ACP précédente, la régression multiple fournit ainsi une validation statistique des facteurs clés du réchauffement climatique en Europe de l’Ouest.
Selection des variables
Compte tenu des considérations ci-dessus, un ensemble de variables pertinentes a été retenu pour couvrir les différentes facettes des causes potentielles du réchauffement climatique régional. Chaque variable est définie ci-dessous avec son abréviation, sa signification précise et son rôle dans l’analyse :
Annual-co2-cement (ACC)
(ACC) représente les émissions annuelles de CO₂ liées à la production de ciment. Il s’agit généralement du CO₂ libéré lors du processus de calcination du calcaire (transformation du CaCO₃ en CaO) et de la combustion des énergies fossiles pour chauffer les fours. La production de ciment est un secteur industriel à forte intensité carbone. Le suivi des émissions de CO₂ liées à ce secteur met en évidence l’impact de l’industrie de la construction sur le réchauffement climatique[32]. ACC est donc essentiel pour distinguer la part provenant de l’industrie lourde et pour évaluer les possibilités de décarbonation (ex. ciments bas-carbone, capture du CO₂).
Annual CO₂ emissions (ACE)
(ACE) désigne la somme totale des émissions annuelles de CO₂ de chaque pays, toutes sources confondues (industrie, transport, production d’énergie, résidentiel, etc.). Il s’agit de l’indicateur principal pour évaluer l’impact global d’un pays sur le réchauffement climatique. ACE permet de comparer facilement l’échelle des émissions entre différents États et sert souvent de référence pour mesurer la trajectoire d’un pays vis-à-vis de ses engagements climatiques (ex. Accord de Paris).
Annual-co2-flaring (ACF)
(ACF) se rapporte aux émissions de CO₂ issues du torchage (flaring), principalement dans le secteur pétrolier et gazier. Le torchage consiste à brûler les gaz résiduels pour des raisons de sécurité ou de manque d’infrastructures de stockage. Le torchage constitue une source notable d’émissions dans l’industrie des hydrocarbures. Son évaluation renseigne sur le degré d’optimisation de la production (ou de l’inefficacité) et peut orienter les politiques de réduction du torchage (réglementations, infrastructures de récupération de gaz) .
Annual CO₂ emissions from_other_industry (ACI)
(ACI) recouvre les émissions de CO₂ provenant d’industries hors ciment et pétrochimie (p. ex. sidérurgie, chimie, papeterie). Il s’agit donc d’un regroupement sectoriel large. Les autres industries constituent un ensemble très varié, et ACI permet de capturer la contribution industrielle globale, au-delà du ciment ou du flaring. En identifiant cette contribution, on peut repérer les pistes de décarbonation dans des secteurs souvent moins médiatisés, mais qui peuvent peser lourd dans les inventaires nationaux [33].
Annual CO₂ emissions from gas (ACG)
ACG regroupe les émissions de CO₂ issues de la combustion de gaz naturel. Cela comprend à la fois la production d’électricité, le chauffage résidentiel, et l’usage industriel. Le gaz naturel est souvent considéré comme un « combustible de transition », car il émet moins de CO₂ que le charbon ou le pétrole par unité d’énergie. Cependant, les études montrent que la forte dépendance au gaz peut retarder l’adoption de solutions bas-carbone, notamment en cas de fuites de méthane [34]. ACG permet de quantifier précisément la part de CO₂ imputable au gaz dans le mix énergétique.
Annual CO₂ emissions from oil (ACO)
ACO fait référence aux émissions de CO₂ consécutives à la combustion de pétrole et de ses dérivés (essence, diesel, fioul). Les produits pétroliers dominent le secteur des transports (routier, maritime, aérien) et constituent donc une source majeure de CO₂ [35]. Suivre ACO distingue la contribution du pétrole, afin de cibler plus efficacement les politiques publiques de décarbonation de la mobilité (véhicules électriques, biocarburants, etc.).
Annual CO₂ emissions from coal (ACCO)
ACCO désigne les émissions totales de CO₂ provenant de la combustion du charbon (centrales électriques, sidérurgie, chauffage). Le charbon demeure la source d’énergie fossile la plus émettrice de CO₂ par unité d’énergie produite[36]. ACCO est donc crucial pour déterminer la place du charbon dans le bouquet énergétique, évaluer son impact sur le réchauffement et mesurer l’effet de politiques de sortie du charbon (coal phase-out).
Co2-emissions-transport (ACT)
ACT correspond aux émissions directes de CO₂ générées par le secteur des transports (routier, ferroviaire, aérien, maritime intérieur). Le transport constitue l’un des secteurs clés contribuant à l’augmentation des gaz à effet de serre en Europe de l’Ouest [37]. ACT rend compte de l’évolution de la demande de mobilité, de l’efficacité énergétique des véhicules, et du degré d’électrification du parc automobile. Analyser ACT est crucial pour élaborer des politiques publiques ciblées (transport collectif, mobilités douces).
Population growth (annual %) (PGP)
PGP indique le taux de croissance démographique annuel. Il mesure l’augmentation (ou la diminution) en pourcentage de la population d’une année à l’autre. La hausse démographique accroît mécaniquement la demande en énergie et en produits manufacturés, et peut stimuler la croissance des émissions [38]. Toutefois, certains pays parviennent à contenir l’empreinte carbone par habitant grâce à des technologies plus sobres. PGP est donc un facteur explicatif pour évaluer si une croissance de population va de pair avec une hausse significative ou non des émissions totales.
Annual CO₂ emissions growth (%) (ACGP)
ACGP représente le pourcentage de variation annuelle des émissions totales de CO₂ (généralement comparées à l’année précédente). Cet indicateur permet de suivre la dynamique d’évolution des émissions d’une année sur l’autre [39]. Une augmentation rapide d’ACGP peut signaler une relance économique carbonée ou un retour massif à certaines énergies fossiles, tandis qu’une baisse indique un éventuel découplage entre activité économique et émissions.
Annual CO₂ emissions from land-use change (ACL_L)
ACL_C regroupe les émissions de CO₂ associées aux changements d’usage des sols (déforestation, conversion d’espaces naturels en zones agricoles ou urbaines). Les changements d’affectation des terres libèrent d’importantes quantités de carbone stockées dans la biomasse et les sols [40]. Bien que souvent moins visibles que les émissions industrielles, ces processus sont cruciaux pour comprendre l’impact global des pratiques humaines sur le climat, notamment en Europe de l’Ouest où l’artificialisation des sols reste élevée.
co-emissions-per-capita (CPC)
CPC correspond aux émissions de CO₂ par habitant. Diviser les émissions totales par le nombre d’habitants (ACE / population) permet de mesurer l’intensité carbone moyenne d’un pays [41]. CPC est un indicateur essentiel pour les comparaisons internationales ou régionales, car il neutralise l’effet de la taille démographique. Un CPC élevé suggère généralement une consommation importante d’énergies fossiles par habitant.
Collecte des données :
Pour la collecte des données, nous avons élaboré des questionnaires qui ont été administrés à l’aide de l’application KoboCollect (voir Annexe 1).
Population Cible :
La population cible de notre étude inclut les pays suivants de l’Europe de l’Ouest :
🔍 Exploration initiale
# Affiche la structure des données (types de colonnes)
str(data)## 'data.frame': 11 obs. of 12 variables:
## $ ACC : int 1831572 2456034 6396732 12537957 1956535 7918827 368935 2228547 7714822 1667094 ...
## $ ACE : int 61489110 89002056 293501630 671471550 36711388 340672300 7276724 40687052 234657020 32818890 ...
## $ ACF : int 80240 111066 1591822 1835065 200 2549430 31 1174634 3824197 21669 ...
## $ ACI : int 1210193 1592600 3725112 8242323 735816 3277906 12425 803425 2643633 168148 ...
## $ ACG : int 15967127 31086884 76353304 160775700 10745410 137601070 1249039 11367924 67501400 6015103 ...
## $ ACO : int 30733780 41814188 179440910 247440220 19237046 157948580 5409675 24867992 135100960 24515458 ...
## $ ACCO : num 1.17e+07 1.19e+07 2.60e+07 1.71e+08 4.04e+06 ...
## $ ACT : int 22330000 22920000 118910000 147240000 10620000 98240000 4990000 15450000 86540000 14620000 ...
## $ PGP : num 0.956 0.808 0.327 0.721 2.599 ...
## $ ACGP : num -6.49 -6.2 -3.96 -5.08 -2.22 ...
## $ ACL_C: num -1891467 2654678 -24758526 -8638173 79985 ...
## $ CPC : num 6.78 7.65 4.43 7.99 7.18 ...# Statistiques descriptives
describe(data)## vars n mean sd median trimmed mad
## ACC 1 11 5163945.18 4308350.49 2456034.00 4877389.44 3094332.98
## ACE 2 11 202011136.36 211267599.30 89002056.00 171486025.11 121165977.22
## ACF 3 11 1216370.36 1302035.20 1174634.00 1061760.67 1622548.54
## ACI 4 11 2474958.64 2460631.98 1592600.00 2107755.22 2111892.54
## ACG 5 11 63048601.00 65974716.23 31086884.00 57490435.78 44237589.00
## ACO 6 11 81457188.09 82958367.93 30733780.00 71464352.67 17045057.83
## ACCO 7 11 34009501.98 53481840.41 11941285.00 22580848.09 17341607.48
## ACT 8 11 63289090.91 58589781.27 22920000.00 59652222.22 26583018.00
## PGP 9 11 0.96 0.76 0.81 0.91 0.22
## ACGP 10 11 -4.53 4.92 -5.08 -4.30 4.74
## ACL_C 11 11 -5720529.81 12148019.52 -366839.70 -4687998.33 4479701.85
## CPC 12 11 6.18 2.23 5.71 5.91 2.18
## min max range skew kurtosis se
## ACC 368935.00 12537957.00 12169022.00 0.52 -1.43 1299016.55
## ACE 7276724.00 671471550.00 664194826.00 0.88 -0.48 63699577.93
## ACF 31.00 3824197.00 3824166.00 0.54 -1.10 392578.38
## ACI 12425.00 8242323.00 8229898.00 1.02 0.04 741908.46
## ACG 1249039.00 174871650.00 173622611.00 0.60 -1.44 19892125.40
## ACO 5409675.00 247440220.00 242030545.00 0.75 -1.12 25012889.06
## ACCO 236619.00 170640270.00 170403651.00 1.58 1.14 16125381.61
## ACT 4990000.00 154320000.00 149330000.00 0.39 -1.73 17665483.73
## PGP -0.20 2.60 2.80 0.75 -0.20 0.23
## ACGP -13.58 2.44 16.02 -0.12 -1.16 1.48
## ACL_C -30496900.00 9763057.00 40259957.00 -0.86 -0.59 3662765.70
## CPC 3.73 11.14 7.41 0.76 -0.45 0.67# Dimensions du tableau (nombre de pays x variables)
dim(data)## [1] 11 12# Résumé des données (moyenne, min, max, etc.)
summary(data)## ACC ACE ACF ACI
## Min. : 368935 Min. : 7276724 Min. : 31 Min. : 12425
## 1st Qu.: 1894054 1st Qu.: 38699220 1st Qu.: 50954 1st Qu.: 769620
## Median : 2456034 Median : 89002056 Median :1174634 Median :1592600
## Mean : 5163945 Mean :202011136 Mean :1216370 Mean :2474959
## 3rd Qu.: 7816824 3rd Qu.:317086965 3rd Qu.:2013392 3rd Qu.:3501509
## Max. :12537957 Max. :671471550 Max. :3824197 Max. :8242323
## ACG ACO ACCO
## Min. : 1249039 Min. : 5409675 Min. : 236619
## 1st Qu.: 11056667 1st Qu.: 24691725 1st Qu.: 2233898
## Median : 31086884 Median : 30733780 Median : 11941285
## Mean : 63048601 Mean : 81457188 Mean : 34009502
## 3rd Qu.:106977187 3rd Qu.:146524770 3rd Qu.: 28685129
## Max. :174871650 Max. :247440220 Max. :170640270
## ACT PGP ACGP ACL_C
## Min. : 4990000 Min. :-0.2023 Min. :-13.5840 Min. :-30496900
## 1st Qu.: 15035000 1st Qu.: 0.7091 1st Qu.: -7.3833 1st Qu.: -9579950
## Median : 22920000 Median : 0.8082 Median : -5.0763 Median : -366840
## Mean : 63289091 Mean : 0.9645 Mean : -4.5341 Mean : -5720530
## 3rd Qu.:108575000 3rd Qu.: 1.0454 3rd Qu.: -0.6091 3rd Qu.: 625042
## Max. :154320000 Max. : 2.5992 Max. : 2.4393 Max. : 9763057
## CPC
## Min. : 3.733
## 1st Qu.: 4.516
## Median : 5.714
## Mean : 6.184
## 3rd Qu.: 7.415
## Max. :11.138📊 Matrice de corrélation
Analyse mathématique des Données
Analyse et traitement des données
La première étape de l’analyse consiste à examiner la matrice de corrélation (Figure 1) pour évaluer les relations linéaires entre les variables climatiques et énergétiques considérées. La corrélation de Pearson mesure le degré d’association linéaire entre deux variables (avec des coefficients variant de -1 à +1). Une valeur proche de +1 indique une forte corrélation positive (les deux variables augmentent ou diminuent de concert), tandis qu’une valeur proche de -1 révèle une corrélation négative (lorsqu’une variable augmente, l’autre diminue) ; une valeur proche de 0 signifie l’absence de relation linéaire notable
# Affichage d'une matrice de nuages de points
pairs(data[, 1:12])
# Calcul de la matrice de corrélation
mat_cor <- cor(data[, 1:12])
# Visualisation classique de la matrice de corrélation
corrplot::corrplot(mat_cor, method = "color", type = "upper")
# Graphique plus avancé pour trois variables d'intérêt
ggpairs(data, columns = c("ACE", "ACC", "ACT"))
# Matrice de corrélation avec couleurs ordonnées
ggcorrplot(mat_cor, hc.order = TRUE, type = "upper",
title = "Matrice de Corrélation", legend.title = "Degré de corrélation",
lab = TRUE, lab_col = "black", lab_size = 2,
ggtheme = theme_dark(), outline.color = "yellow")
Résultats visuels de la matrice de corrélation
Corrélations linéaires fortes
L’observation des nuages de points laisse apparaître plusieurs relations linéaires positives significatives :
ACE – ACO / ACE – ACC / ACE – ACT : les émissions totales de CO₂ sont fortement corrélées aux émissions provenant respectivement du pétrole, du secteur cimentier, et du transport routier. Cela traduit une structure d’émissions dominée par les énergies fossiles et les secteurs industriels lourds.
ACO – ACT : cette corrélation suggère que le transport constitue l’un des débouchés majeurs de la consommation pétrolière.
ACC – ACO / ACC – ACT : la proximité de ces variables dans la matrice souligne un profil d’interdépendance énergétique dans les secteurs du bâtiment et des infrastructures.
CPC – ACE / CPC – ACT / CPC – ACO : l’indicateur d’émissions par habitant est fortement corrélé aux émissions sectorielles majeures, indiquant une intensité carbone élevée par individu dans les pays considérés.
Corrélations faibles ou absentes
Certaines variables montrent peu ou pas de relation linéaire évidente avec les principales sources d’émissions :
PGP (croissance démographique) : la quasi-absence de corrélation avec les autres variables suggère que l’impact démographique sur les émissions totales est marginal à court terme.
ACL_L (émissions dues au changement d’usage des terres) : les émissions liées à l’aménagement du territoire apparaissent structurellement indépendantes des émissions issues des énergies fossiles.
Corrélations inverses potentielles
Bien que moins marquées visuellement, quelques relations négatives peuvent être évoquées :
ACGP semble s’opposer partiellement aux émissions liées au charbon (ACCO) ou pétrole (ACO), ce qui pourrait indiquer un ralentissement relatif des émissions issues de ces sources.
Discussion scientifique préliminaire
Ces corrélations exploratoires mettent en évidence la centralité des énergies fossiles et du secteur industriel dans les émissions de CO₂ en Europe de l’Ouest en 2022. Les relations linéaires fortes entre les émissions globales (ACE) et les variables sectorielles (ACO, ACT, ACC) appuient l’hypothèse d’un système énergétique structuré autour des hydrocarbures. De même, la forte association entre les émissions par habitant (CPC) et les autres variables traduit un niveau élevé de dépendance carbone à l’échelle individuelle.
L’absence de corrélation significative pour les variables PGP et ACL_L justifie leur traitement distinct dans l’analyse en composantes principales (ACP) : elles relèvent d’une dynamique indépendante des systèmes énergétiques dominants.
✅ Tests de validité de l’ACP
# Vérification du déterminant de la matrice de corrélation (doit être < 1 pour faire une ACP)
det(mat_cor)## [1] 1.000539e-40# Test de Bartlett (p < 0.05 : ACP justifiée)
cortest.bartlett(mat_cor, n = nrow(data))## $chisq
## [1] 475.8648
##
## $p.value
## [1] 2.269966e-63
##
## $df
## [1] 66# Test KMO (doit être > 0.5 pour une ACP fiable)
KMO(mat_cor)## Error in solve.default(r) :
## le système est numériquement singulier : conditionnement de la réciproque = 3.73444e-18## matrix is not invertible, image not found## Kaiser-Meyer-Olkin factor adequacy
## Call: KMO(r = mat_cor)
## Overall MSA = 0.5
## MSA for each item =
## ACC ACE ACF ACI ACG ACO ACCO ACT PGP ACGP ACL_C CPC
## 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5Ces tests confirment que l’ACP est pertinente sur notre jeu de données. Une bonne valeur KMO et un test de Bartlett significatif valident la structure factorielle.
🧮 Analyse en Composantes Principales (ACP)
# Réalisation de l'ACP avec centrage et réduction
res.pca <- PCA(data, scale.unit = TRUE, ncp = 5, graph = TRUE)
# Valeurs propres
valeur.propre <- get_eigenvalue(res.pca)
valeur.propre## eigenvalue variance.percent cumulative.variance.percent
## Dim.1 7.2702131534 60.585109612 60.58511
## Dim.2 2.3182363158 19.318635965 79.90375
## Dim.3 1.0382009912 8.651674926 88.55542
## Dim.4 0.6142147971 5.118456642 93.67388
## Dim.5 0.3565264047 2.971053373 96.64493
## Dim.6 0.2328385516 1.940321264 98.58525
## Dim.7 0.1350604428 1.125503690 99.71076
## Dim.8 0.0277185445 0.230987871 99.94174
## Dim.9 0.0065075425 0.054229521 99.99597
## Dim.10 0.0004832564 0.004027137 100.00000# Graphique des valeurs propres
fviz_eig(res.pca, addlabels = TRUE, ylim = c(0, 75),
barfill = "blue", barcolor = "black", linecolor = "red")
Le cercle des corrélations issu de l’analyse en composantes principales (ACP) permet de visualiser la structuration des variables explicatives en fonction des deux premiers axes, qui concentrent à eux seuls 79,91 % de la variance totale (Dim 1 : 60,59 %, Dim 2 : 19,32 %).
Le premier axe (Dim 1) reflète une dimension dominante d’intensité carbone sectorielle, fortement corrélée à un noyau de variables représentant les principales sources d’émissions anthropiques : les émissions totales (ACE), celles liées au pétrole (ACO), au charbon (ACCO), au gaz (ACG), au ciment (ACC), à l’industrie (ACI), au torchage (ACF) et au transport (ACT). Ces variables présentent des contributions élevées et des coordonnées fortement positives sur Dim 1, traduisant une dynamique commune des secteurs les plus émetteurs en Europe de l’Ouest. Leur regroupement dans le même quadrant souligne une forte interdépendance entre ces sources d’émissions, qui convergent vers un modèle de production et de consommation à forte intensité fossile.
À l’opposé, le deuxième axe (Dim 2) met en évidence une dimension secondaire davantage liée aux variables structurelles ou contextuelles, telles que la croissance démographique (PGP), les émissions par habitant (CPC) et les émissions dues au changement d’usage des terres (ACL_C). Ces variables, projetées dans la moitié supérieure gauche du cercle, sont faiblement corrélées aux secteurs fortement émetteurs et s’orientent dans une direction orthogonale à l’axe 1, suggérant qu’elles relèvent d’une logique explicative différente. Elles traduisent moins une cause directe du réchauffement que des facteurs modulateurs susceptibles d’influencer le niveau ou la distribution des émissions.
Enfin, la variable ACGP (croissance annuelle des émissions) occupe une position singulière dans la moitié inférieure du plan. Son éloignement relatif du noyau central indique qu’elle représente une dynamique propre de variation, qui ne s’aligne ni avec les niveaux absolus d’émissions, ni avec les facteurs démographiques. Elle pourrait correspondre à des effets transitoires, conjoncturels ou à des politiques nationales spécifiques.
En somme, cette visualisation confirme la structuration polarisée des causes du réchauffement climatique dans la région étudiée, autour d’un cœur énergétique et industriel homogène, face à des facteurs structurels plus dispersés. Elle légitime pleinement l’usage complémentaire d’une typologie des pays et d’une modélisation par régression pour approfondir l’analyse causale.
📌 Analyse des variables
# Extraction des caractéristiques des variables projetées
res.var <- get_pca_var(res.pca)
res.var$coord## Dim.1 Dim.2 Dim.3 Dim.4 Dim.5
## ACC 0.9631309 0.1729594 0.17334884 0.076234660 -0.069851657
## ACE 0.9644745 0.2477376 -0.04267797 -0.005333488 0.072882971
## ACF 0.7793210 -0.3572245 0.16313781 0.305168563 -0.319299288
## ACI 0.9368934 0.2970049 -0.03809451 0.001496565 0.165879395
## ACG 0.9300684 0.2030425 0.12705511 -0.029377803 -0.161329041
## ACO 0.8574381 -0.1464306 -0.42005561 0.014789369 0.179858377
## ACCO 0.8066888 0.5386042 0.05269031 -0.004135643 0.212612117
## ACT 0.9536057 0.1365144 0.12168903 -0.054163455 -0.148195927
## PGP -0.5899227 0.5598297 0.04223217 0.495247994 0.004946408
## ACGP 0.3347884 -0.7704291 0.05281705 0.457639806 0.236629751
## ACL_C -0.4919022 0.5780668 0.59068549 0.086467347 0.117220380
## CPC -0.2547014 0.6313446 -0.64390052 0.221428548 -0.146855202res.var$cor## Dim.1 Dim.2 Dim.3 Dim.4 Dim.5
## ACC 0.9631309 0.1729594 0.17334884 0.076234660 -0.069851657
## ACE 0.9644745 0.2477376 -0.04267797 -0.005333488 0.072882971
## ACF 0.7793210 -0.3572245 0.16313781 0.305168563 -0.319299288
## ACI 0.9368934 0.2970049 -0.03809451 0.001496565 0.165879395
## ACG 0.9300684 0.2030425 0.12705511 -0.029377803 -0.161329041
## ACO 0.8574381 -0.1464306 -0.42005561 0.014789369 0.179858377
## ACCO 0.8066888 0.5386042 0.05269031 -0.004135643 0.212612117
## ACT 0.9536057 0.1365144 0.12168903 -0.054163455 -0.148195927
## PGP -0.5899227 0.5598297 0.04223217 0.495247994 0.004946408
## ACGP 0.3347884 -0.7704291 0.05281705 0.457639806 0.236629751
## ACL_C -0.4919022 0.5780668 0.59068549 0.086467347 0.117220380
## CPC -0.2547014 0.6313446 -0.64390052 0.221428548 -0.146855202res.var$cos2## Dim.1 Dim.2 Dim.3 Dim.4 Dim.5
## ACC 0.92762110 0.02991495 0.030049821 5.811723e-03 4.879254e-03
## ACE 0.93021109 0.06137392 0.001821409 2.844609e-05 5.311928e-03
## ACF 0.60734123 0.12760932 0.026613944 9.312785e-02 1.019520e-01
## ACI 0.87776922 0.08821189 0.001451192 2.239706e-06 2.751597e-02
## ACG 0.86502716 0.04122627 0.016143001 8.630553e-04 2.602706e-02
## ACO 0.73520008 0.02144192 0.176446715 2.187255e-04 3.234904e-02
## ACCO 0.65074675 0.29009446 0.002776268 1.710355e-05 4.520391e-02
## ACT 0.90936390 0.01863618 0.014808219 2.933680e-03 2.196203e-02
## PGP 0.34800876 0.31340928 0.001783556 2.452706e-01 2.446695e-05
## ACGP 0.11208325 0.59356098 0.002789641 2.094342e-01 5.599364e-02
## ACL_C 0.24196781 0.33416118 0.348909349 7.476602e-03 1.374062e-02
## CPC 0.06487281 0.39859596 0.414607876 4.903060e-02 2.156645e-02res.var$contrib## Dim.1 Dim.2 Dim.3 Dim.4 Dim.5
## ACC 12.7592008 1.2904187 2.8944127 9.462038e-01 1.368553334
## ACE 12.7948256 2.6474403 0.1754389 4.631294e-03 1.489911393
## ACF 8.3538298 5.5045865 2.5634674 1.516210e+01 28.595928387
## ACI 12.0735005 3.8051291 0.1397795 3.646454e-04 7.717794059
## ACG 11.8982365 1.7783461 1.5549014 1.405136e-01 7.300177225
## ACO 10.1124968 0.9249239 16.9954292 3.561058e-02 9.073391280
## ACCO 8.9508620 12.5135844 0.2674115 2.784620e-03 12.678980222
## ACT 12.5080776 0.8038949 1.4263345 4.776309e-01 6.160001784
## PGP 4.7867751 13.5192983 0.1717930 3.993238e+01 0.006862592
## ACGP 1.5416776 25.6039894 0.2686995 3.409787e+01 15.705327392
## ACL_C 3.3282079 14.4144570 33.6071100 1.217262e+00 3.854025200
## CPC 0.8923096 17.1939313 39.9352225 7.982647e+00 6.049047131# Cercle de corrélation : qualité de représentation
fviz_pca_var(res.pca, col.var = "cos2", gradient.cols = c("blue", "green", "red"),
repel = TRUE)
# Description des dimensions principales
res.desc <- dimdesc(res.pca, axes = c(1, 2), proba = 0.05)
res.desc$Dim.1##
## Link between the variable and the continuous variables (R-square)
## =================================================================================
## correlation p.value
## ACE 0.9644745 1.669574e-06
## ACC 0.9631309 1.969296e-06
## ACT 0.9536057 5.462626e-06
## ACI 0.9368934 2.128336e-05
## ACG 0.9300684 3.344898e-05
## ACO 0.8574381 7.401870e-04
## ACCO 0.8066888 2.696672e-03
## ACF 0.7793210 4.689923e-03res.desc$Dim.2##
## Link between the variable and the continuous variables (R-square)
## =================================================================================
## correlation p.value
## CPC 0.6313446 0.037222039
## ACGP -0.7704291 0.005525046# Contributions principales aux axes
fviz_contrib(res.pca, choice = "var", axes = 1:2, top = 12)
# Autre vue par contribution
fviz_pca_var(res.pca, col.var = "contrib", gradient.cols = c("blue", "green", "red"),
repel = TRUE)
L’analyse en composantes principales (ACP) réalisée sur les variables
explicatives des émissions de CO₂ en Europe de l’Ouest en 2022 aboutit à
un cercle des corrélations entre les variables actives
projetées sur le premier plan factoriel (Dim 1 et Dim 2).
Ce plan capte 79,9 % de l’inertie totale du nuage de
variables, répartie entre :
· Dim 1 : 60,6 %
· Dim 2 : 19,3 %
Cette représentation bidimensionnelle permet d’identifier les structures latentes des données ainsi que les variables fortement corrélées et leurs oppositions.
Lecture du cercle des corrélations
Variables fortement corrélées à la première dimension (Dim 1)
Le premier axe est caractérisé par une forte contribution des variables suivantes, dont les vecteurs sont alignés, proches du bord du cercle, et de couleur rouge à orange (cos² > 0.9) :
· ACE : émissions totales de CO₂
· ACO : émissions dues au pétrole
· ACT : émissions du transport
· ACC : émissions du ciment
· ACI : émissions industrielles
· ACCO : émissions dues au charbon
Ces variables présentent une corrélation positive très forte entre elles, indiquant qu’elles co-varient fortement dans l’espace statistique. Elles traduisent un facteur latent commun que l’on peut interpréter comme une composante d’intensité carbone sectorielle fossile, c’est-à-dire la concentration des émissions autour des combustibles fossiles et des activités industrielles.
Variables en corrélation avec la deuxième dimension (Dim 2)
La deuxième dimension est quant à elle dominée par des variables de nature différente :
PGP : croissance démographique
ACL_L : changement d’usage des terres
ACGP : croissance des émissions de CO₂
Leurs vecteurs sont orientés négativement sur l’axe vertical (Dim 2), indiquant une structure indépendante de celle des émissions fossiles. Leur contribution au plan est modérée, mais leur séparation angulaire vis-à-vis de Dim 1 confirme qu’elles relèvent d’une logique structurelle distincte, possiblement associée à des facteurs exogènes, notamment la dynamique socio-environnementale.
Positionnement intermédiaire de CPC
La variable CPC (émissions par habitant) est située à l’interface des deux axes, bien représentée sur le plan (cos² > 0.7), et proche des variables sectorielles. Elle peut être considérée comme un indicateur synthétique de la pression carbone par individu, reflétant à la fois les niveaux d’émissions sectorielles et leur impact redistribué à l’échelle démographique.
Synthèse interprétative des dimensions
| Dimension | Signification interprétative | Variables dominantes | ||||
| Dim 1 (60,6%) | Intensité carbone sectorielle – dépendance aux énergies fossiles et à l’industrie lourde | ACE, ACO, ACC, ACT, ACI, ACCO | ||||
| Dim 2 (19,3%) | Composante socio-environnementale – démographie, usage des terres, transition énergétique | PGP, ACL_L, ACGP | ||||
L’orthogonalité entre les deux ensembles de variables suggère l’existence de logiques causales distinctes : d’un côté, des sources d’émissions directes bien identifiées ; de l’autre, des facteurs indirects ou systémiques influant sur la trajectoire des émissions, mais de manière moins immédiate.
Conséquences analytiques pour la problématique de recherche
L’objectif initial étant d’identifier les principales causes du réchauffement climatique en Europe de l’Ouest en 2022, cette étape montre que les facteurs explicatifs majeurs sont :
Les émissions issues du secteur énergétique, en particulier le pétrole, le charbon, et les émissions industrielles ;
Le transport, fortement dépendant du pétrole et directement corrélé aux émissions totales ;
Les émissions par habitant, indicateur révélateur de la pression carbone exercée par les modes de vie.
En revanche, les variables liées à la croissance démographique, au changement d’usage des sols, ou encore à la variation du rythme des émissions (ACGP) sont des facteurs secondaires dans cette ACP, justifiant une analyse plus fine dans d’autres dimensions ou avec des méthodes complémentaires (régression, clustering, etc.).
👤 Analyse des individus
res.ind <- get_pca_ind(res.pca)
res.ind$coord## Dim.1 Dim.2 Dim.3 Dim.4 Dim.5
## Austria -1.979849 0.09413444 -0.18253170 -0.4973910 0.21468578
## Belgium -1.737616 0.39155175 -0.22407091 -0.4158144 0.22250333
## France 1.899033 -1.26645949 -0.77500289 -0.8049065 -0.05927246
## Germany 5.034445 2.22388342 -0.85793904 0.1526624 0.97831595
## Ireland -2.726005 0.49747332 -0.03748109 1.5290912 0.51866015
## Italy 2.756602 -2.02795935 -1.03605521 -0.1644259 -0.55400836
## Luxembourg -3.490785 2.03376025 -1.37721681 0.1050657 -0.97537339
## Portugal -1.590536 -1.64603507 1.05309839 0.2209714 0.63255943
## Spain 1.594555 -1.79366336 0.39710936 1.3020186 -0.53447445
## Switzerland -2.305255 -0.52827737 0.76483977 -1.2264982 0.30456095
## United Kingdom 2.545411 2.02159146 2.27525013 -0.2007732 -0.74815693res.ind$cos2## Dim.1 Dim.2 Dim.3 Dim.4 Dim.5
## Austria 0.9039172 0.002043439 0.0076831837 0.0570506348 0.0106284804
## Belgium 0.7422174 0.037687897 0.0123422554 0.0425033057 0.0121701687
## France 0.4852045 0.215795590 0.0808102780 0.0871667435 0.0004726786
## Germany 0.7894791 0.154049908 0.0229271603 0.0007259413 0.0298123137
## Ireland 0.6687143 0.022270336 0.0001264188 0.2104039916 0.0242076675
## Italy 0.5534852 0.299554888 0.0781850500 0.0019692389 0.0223558172
## Luxembourg 0.6327247 0.214767231 0.0984856909 0.0005731787 0.0493981079
## Portugal 0.3594082 0.384927696 0.1575574310 0.0069370198 0.0568464919
## Spain 0.3019094 0.382014253 0.0187248323 0.2012945734 0.0339196683
## Switzerland 0.6589688 0.034605963 0.0725383776 0.1865351670 0.0115020524
## United Kingdom 0.3942692 0.248693053 0.3150178494 0.0024529483 0.0340613828res.ind$contrib## Dim.1 Dim.2 Dim.3 Dim.4 Dim.5
## Austria 4.901446 0.03474935 0.29174437 3.6617012 1.17522812
## Belgium 3.775441 0.60121242 0.43963963 2.5590936 1.26237575
## France 4.509465 6.28973306 5.25935535 9.5891011 0.08958217
## Germany 31.693005 19.39427928 6.44523465 0.3449460 24.40472327
## Ireland 9.292094 0.97048582 0.01230128 34.6061937 6.85932501
## Italy 9.501852 16.12753907 9.39921698 0.4001543 7.82615141
## Luxembourg 15.237244 16.21993540 16.60850354 0.1633837 24.25813570
## Portugal 3.163349 10.62497156 9.71099593 0.7227015 10.20277453
## Spain 3.179356 12.61628475 1.38084878 25.0911989 7.28399296
## Switzerland 6.645048 1.09439381 5.12232106 22.2649048 2.36517913
## United Kingdom 8.101699 16.02641548 45.32983845 0.5966210 14.27253194# Visualisation des individus
fviz_pca_ind(res.pca, col.ind = "cos2", gradient.cols = c("blue", "green", "red"),
repel = TRUE)
Présentation du plan factoriel des individus
Le graphique présente la projection des pays d’Europe de l’Ouest (individus statistiques) sur le premier plan factoriel de l’ACP (Dim 1 et Dim 2), représentant 60,6 % et 19,3 % de l’inertie totale. Chaque point représente un pays, sa couleur indiquant la qualité de sa représentation dans le plan (cos²), de 0.65 (bleu) à > 0.90 (rouge).
L’objectif de cette visualisation est de comprendre la diversité des profils nationaux en matière d’émissions de CO₂ et d’identifier les pays moteurs ou en retrait dans chacune des dimensions précédemment identifiées.
Lecture de la dimension principale (Dim 1 – Intensité carbone sectorielle)
Pays fortement situés à droite de Dim 1 (forte intensité carbone sectorielle)
Allemagne (cos² > 0.90, en rouge) : Position extrême sur l’axe de droite, elle est le pays le plus contributeur à la composante d’intensité carbone sectorielle. Cela reflète une dépendance élevée aux industries lourdes, aux énergies fossiles, et un volume global élevé d’émissions (ACE, ACO, ACCO, ACT).
Italie et France : Également situés à droite, avec une contribution modérée (cos² ≈ 0.70), ces pays présentent un profil d’émissions lié aux secteurs énergétiques et industriels, mais dans une moindre mesure que l’Allemagne.
Pays projetés en bas de Dim 2
Portugal, Suisse, Austriche, Belgique, Ireland : Ces pays ont une projection négative sur Dim 1, indiquant un niveau d’émissions sectorielles globalement plus faible, ou bien un modèle énergétique moins carboné. Leur éloignement du pôle “fossile/industrie” suggère une stratégie différente (efficacité énergétique, part plus faible de l’industrie lourde, etc.).
Espagne, Italie, France, Portugal : Ces pays montrent une contribution négative à Dim 2, ce qui peut être interprété comme une position plus stable ou mature sur le plan socio-environnemental (croissance des émissions contenue, démographie moins dynamique, etc.).
Regroupements et disparités régionales
Groupe 1 : Allemagne, Royaume-Uni, Luxembourg
Forte contribution aux deux dimensions : à la fois pollueurs industriels et pays à forte intensité carbone individuelle.
Groupe 2 : France, Italie, Espagne
Profil intermédiaire : contributions sectorielles modérées, faible influence socio-démographique.
Groupe 3 : Portugal, Suisse, Autriche, Belgique
Faible impact global, modèle moins intensif en carbone, potentiellement plus avancés dans la transition énergétique.
Implications scientifiques
Cette répartition spatiale des pays sur le plan factoriel confirme que le réchauffement climatique en Europe de l’Ouest en 2022 trouve son origine majoritairement dans un noyau dur de pays à forte industrialisation et consommation fossile, en particulier :
Allemagne, dont le profil est dominé par les secteurs les plus polluants,
Luxembourg, dont l’impact par habitant est structurellement élevé, Et dans une moindre mesure le Royaume-Uni.
Les autres pays présentent des trajectoires différenciées, plus ou moins alignées avec la composante fossile ou démographique. Cela légitime une approche différenciée des politiques climatiques, tenant compte de la structure industrielle et énergétique nationale.
🧭 Biplot (variables + individus)
fviz_pca_biplot(res.pca, col.ind = "cos2", col.var = "contrib",
gradient.cols = c("blue", "green", "red"), repel = TRUE)
Interprétation du Biplot ACP – Représentation conjointe des individus et variables
Le biplot combine la projection des variables explicatives (flèches colorées) et des pays (points bleus) sur les deux premières composantes principales issues de l’ACP, qui résument près de 80 % de la variance totale (Dim 1 : 60,6 %, Dim 2 : 19,3 %). Il offre une lecture simultanée des relations entre les variables et de la distribution des pays selon leur profil d’émissions.
🔸 Lecture des variables (vecteurs)
Les vecteurs les plus longs et orientés dans la même direction — ACC, ACT, ACE, ACI, ACO, ACG, ACCO — traduisent une forte corrélation entre ces variables. Leur regroupement dans le quadrant droit du plan suggère qu’elles définissent un noyau d’intensité carbone sectorielle, fortement structurant pour la première dimension. Ces variables représentent des secteurs fortement émetteurs (ciment, pétrole, charbon, transport, industrie), confirmant leur contribution déterminante aux émissions totales.
Les variables PGP (croissance démographique), CPC (émissions par habitant) et ACL_C (changement d’usage des terres), orientées vers le quadrant gauche, sont faiblement corrélées au noyau d’émissions. Elles expriment des dimensions structurelles, socio-démographiques ou territoriales, peu liées aux logiques industrielles dominantes, mais utiles pour expliquer certaines variations nationales. La variable ACGP (croissance annuelle des émissions) est orientée vers le bas et se distingue par sa faible projection sur les deux axes : elle semble traduire une dynamique indépendante des niveaux sectoriels.
🔹 Lecture des individus (pays)
Les pays sont répartis en fonction de leur affinité avec les variables explicatives :
L’Allemagne et le Royaume-Uni se projettent fortement dans la même direction que les vecteurs d’émissions industrielles et énergétiques (ACE, ACO, ACT, etc.), confirmant leur profil à forte intensité carbone. Leur positionnement traduit une forte contribution aux composantes dominantes de l’analyse.
La France, l’Espagne et l’Italie sont situées dans la partie inférieure droite du plan. Bien qu’elles soient relativement proches du noyau d’émissions, elles présentent des valeurs modérées et un positionnement plus dispersé, traduisant une position intermédiaire ou en transition vers des économies moins intensives en carbone.
À l’inverse, des pays comme le Luxembourg, l’Irlande, la Belgique ou la Suisse sont projetés à gauche ou au centre du graphe, dans une zone où les variables d’intensité carbone sont peu présentes. Ces pays affichent des profils plus sobres, ou bien des structures économiques moins fondées sur les secteurs polluants.
✅ Synthèse interprétative
Ce biplot confirme la bipolarisation géographique et sectorielle des causes du réchauffement climatique en Europe de l’Ouest :
Un groupe de pays à haute intensité carbone (notamment industrialisés et fossiles-dépendants) est aligné avec les variables les plus contributives de l’analyse .
Un groupe à profil intermédiaire montre une participation modérée à l’axe principal des émissions
Tandis que d’autres pays se démarquent par leur sobriété relative ou leur dépendance à d’autres facteurs explicatifs.
L’approche conjointe du biplot permet ainsi de relier les structures sectorielles d’émissions aux profils nationaux, et constitue une base solide pour une typologie différenciée des politiques climatiques à mettre en œuvre selon les pays.
🌐 Classification hiérarchique (CAH)
res.cah <- HCPC(res.pca, nb.clust = -1, consol = FALSE, graph = FALSE)
plot.HCPC(res.cah, choice = 'tree', title = 'Hierarchical tree')
plot.HCPC(res.cah, choice = 'map', draw.tree = FALSE, title = 'Factor map')
plot.HCPC(res.cah, choice = '3D.map', ind.names = TRUE, centers.plot = FALSE, angle = 60)
Classe 1 : Portugal, Suisse, Autriche, Belgique, Luxembourg, Irlande
Ce premier groupe peut être interprété comme celui des pays à intensité carbone maîtrisée ou historiquement faible. Les éléments clés de ce profil sont les suivants :
· Faible dépendance au charbon et au pétrole : ces pays n’apparaissent pas comme fortement corrélés aux vecteurs ACCO ou ACO dans l’ACP.
· Industrie moins polluante ou mieux décarbonée : la contribution des variables ACI et ACC est plus faible pour ces pays, ce qui reflète soit une désindustrialisation ancienne, soit une orientation vers des secteurs économiques moins carbonés (services, finance, innovation).
· Poids limité des transports routiers dans les émissions : les scores de ces pays sur ACT sont également réduits.
· Croissance démographique souvent modérée, voire nulle, et usage des terres relativement stable.
Il s’agit en quelque sorte d’un modèle de sobriété énergétique structurelle, soit par choix politique, soit par configuration géographique ou historique. Ce groupe représente les pays les moins responsables du réchauffement climatique régional, du point de vue des émissions brutes.
Remarque : Luxembourg fait ici figure d’exception relative, avec un niveau d’émissions par habitant élevé (CPC), mais il est entraîné dans cette classe par sa faible contribution sectorielle brute au niveau agrégé.
Classe 2 : Espagne, France, Italie
Ce second groupe constitue un profil intermédiaire, que l’on pourrait qualifier de transitionnel. Ces pays cumulent :
· Un niveau significatif d’émissions totales (ACE), bien que moins élevé que l’Allemagne ou le Royaume-Uni ;
· Une dépendance encore réelle aux énergies fossiles, notamment au gaz (ACG), au pétrole (ACO) et dans une moindre mesure au charbon (ACCO), mais avec des politiques nationales de réduction progressive ;
· Des secteurs industriels et de transport encore important, mais mieux encadrés ou progressivement décarbonés (développement du ferroviaire en France, électrification partielle en Espagne) ;
· Une position centrale dans le biplot, traduisant une tension entre héritage industriel et efforts de transition énergétique.
Ces pays se situent donc dans une dynamique intermédiaire : ils ont un passé fortement émetteur, mais leur trajectoire tend vers une modération des émissions, sans rupture encore marquée. Ils représentent des leviers essentiels pour les politiques climatiques européennes, car leur bascule vers un modèle bas carbone aurait un effet d’entraînement.
Classe 3 : Royaume-Uni, Allemagne
La troisième classe regroupe les deux pays les plus contributeurs aux émissions de CO₂ selon l’ACP, tant en termes absolus que par habitant :
· Allemagne : pays au profil le plus intensif, lié aux émissions industrielles (ACI), au charbon (ACCO), au transport (ACT) et aux émissions totales (ACE). Malgré ses engagements de transition, sa dépendance résiduelle à l’industrie lourde et au charbon en 2022 reste manifeste.
· Royaume-Uni : en apparence plus avancé dans la transition, mais encore fortement émetteur en raison de la part élevée du transport et d’un modèle économique historiquement basé sur le pétrole et le gaz. Son niveau élevé d’émissions par habitant (CPC) contribue également à sa position dans ce groupe.
Ce groupe reflète une structure énergétique centralisée, intensément émettrice, et une position dominante dans la variance statistique des émissions. Il s’agit des cibles prioritaires pour une réduction significative du réchauffement climatique en Europe de l’Ouest.
📈 Régressions linéaires
regressionL <- lm(ACO ~ ACT, data = data)
summary(regressionL)##
## Call:
## lm(formula = ACO ~ ACT, data = data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -145928823 -8134950 -6689567 35020100 79301430
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.611e+07 2.726e+07 0.591 0.5691
## ACT 1.032e+00 3.230e-01 3.197 0.0109 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 59840000 on 9 degrees of freedom
## Multiple R-squared: 0.5318, Adjusted R-squared: 0.4797
## F-statistic: 10.22 on 1 and 9 DF, p-value: 0.01088# Visualisation de la régression simple
ggplot(data, aes(x = ACT, y = ACC)) +
geom_point(color = "blue") +
geom_smooth(method = "lm", se = TRUE, color = "red") +
ggtitle("Régression linéaire : Effet de ACT sur ACC") +
xlab("ACT") + ylab("ACC") +
theme_minimal()## `geom_smooth()` using formula = 'y ~ x'
Interprétation : La droite de régression indique une relation linéaire entre les émissions du transport (ACT) et celles du ciment (ACC). La pente et la significativité du modèle sont à observer dans le résumé.
📊 Régression multiple et multicolinéarité
regressionM <- lm(ACO ~ ACT + ACE + ACC, data = data)
summary(regressionM)##
## Call:
## lm(formula = ACO ~ ACT + ACE + ACC, data = data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -82378327 -12964236 -4105339 19093627 81660697
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.985e+07 2.677e+07 1.489 0.1802
## ACT 6.291e-01 1.087e+00 0.579 0.5807
## ACE 6.483e-01 2.650e-01 2.446 0.0444 *
## ACC -2.501e+01 1.862e+01 -1.344 0.2210
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 49750000 on 7 degrees of freedom
## Multiple R-squared: 0.7483, Adjusted R-squared: 0.6404
## F-statistic: 6.936 on 3 and 7 DF, p-value: 0.0167car::vif(regressionM)## ACT ACE ACC
## 16.37455 12.66868 25.99798Interprétation : Le modèle multiple permet de prédire les émissions pétrolières (ACO) à partir de plusieurs facteurs. On vérifie ici si certaines variables sont redondantes (multicolinéarité).
🔎 Diagnostic des modèles
par(mfrow = c(2, 2))
plot(regressionL)
plot(regressionM)
Interprétation : Ces plots vérifient les hypothèses de normalité, d’homoscédasticité et de linéarité des résidus. Une répartition aléatoire et symétrique autour de zéro est souhaitée.
🔮 Prédiction : valeurs prédites vs réelles
predicted_vals <- predict(regressionM)
ggplot(data, aes(x = predicted_vals, y = ACT)) +
geom_point(color = "darkgreen") +
geom_abline(intercept = 0, slope = 1, color = "red", linetype = "dashed") +
ggtitle("Valeurs prédites vs Réelles pour ACT") +
xlab("Valeurs prédites") + ylab("Valeurs réelles (ACT)") +
theme_minimal()
Ce graphique met en relation :
· L’axe horizontal : les valeurs prédites de la variable ACT par le modèle de régression,
· L’axe vertical : les valeurs observées (réelles) dans l’échantillon.
La ligne rouge en pointillés est la droite d’identité parfaite (réalité = prédiction). Si toutes les prédictions du modèle étaient exactes, tous les points seraient alignés sur cette diagonale.
Lecture et interprétation des écarts
Alignement global satisfaisant
On observe que la majorité des points sont proches de la diagonale, ce qui indique que les valeurs prédites par le modèle sont relativement cohérentes avec les valeurs observées. Cela témoigne d’une bonne capacité prédictive du modèle sur la variable ACT.
Présence d’écarts notables
Plusieurs points (en haut à droite ou en dessous de la diagonale) présentent des écarts significatifs, ce qui signifie que le modèle sous-estime ou surestime certaines valeurs de transport.
· Points au-dessus de la ligne : le modèle sous-estime les émissions réelles. Les observations concernées présentent un niveau d’émissions de transport plus élevé que prévu.
· Points en dessous de la ligne : le modèle surestime les émissions pour ces cas.
Ces écarts peuvent s’expliquer par :
· Des facteurs spécifiques non pris en compte dans le modèle (politiques locales de mobilité, géographie urbaine, etc.),
· Une hétérogénéité structurelle entre les pays,
· Ou des valeurs extrêmes (outliers) dans certains cas (comme un pays à très forte densité routière ou à politique carbone peu contraignante).
Évaluation de la précision globale
Le graphique suggère que :
· Le modèle est globalement robuste, mais pas parfaitement précis.
· Il existe des résidus importants pour certaines observations, ce qui pourrait affecter la fiabilité de la prédiction pour des pays extrêmes.
· Une analyse complémentaire des résidus (déjà amorcée avec le Q-Q plot) est recommandée pour identifier d’éventuelles influences disproportionnées ou erreurs systématiques.
Conséquences scientifiques pour ton étude
Ce graphique confirme que ton modèle peut être utilisé pour :
· Estimer les émissions de transport (ACT) à partir d’autres variables connues,
· Fournir une base fiable pour la simulation de scénarios (ex. : impact d’une baisse des émissions industrielles sur le transport),
· Appuyer des prévisions sectorielles dans une perspective de transition énergétique.
Cependant, il souligne aussi la nécessité :
· De compléter l’analyse par des modèles non linéaires ou mixtes si tu veux améliorer la précision (spline, random forest, etc.),
· Ou de segmenter ton modèle (par classe de pays, comme dans la CAH) pour réduire l’hétérogénéité et mieux capter les spécificités nationales.
Conclusion
Le graphique “valeurs prédites vs réelles” constitue une validation empirique solide de ton modèle de régression pour ACT. Il montre que le modèle capte la tendance centrale des émissions du transport, tout en révélant certaines limites de précision dues probablement à des facteurs contextuels. Ces résultats sont cohérents avec les précédentes analyses par ACP et CAH et confirment la valeur opérationnelle de ton modèle dans une logique de prédiction environnementale.
Conclusion générale
Cette étude avait pour objectif d’identifier, de structurer et de quantifier les principales causes du réchauffement climatique en Europe de l’Ouest en 2022, à partir d’un ensemble de variables sectorielles, démographiques et économiques liées aux émissions de CO₂. En mobilisant successivement une analyse en composantes principales (ACP), une classification ascendante hiérarchique (CAH), puis une régression linéaire multiple, l’article a permis de croiser les approches exploratoires, typologiques et causales.
L’analyse factorielle a mis en évidence que la quasi-totalité de la variance des émissions totales (ACE) est expliquée par un noyau de variables fortement corrélées, liées aux énergies fossiles (charbon, pétrole, gaz), à l’industrie lourde (ciment, transformation) et aux transports routiers. La première dimension extraite, représentant plus de 60 % de l’inertie, reflète une intensité carbone sectorielle, indépendante des dynamiques socio-environnementales telles que la démographie ou l’usage des terres.
La classification hiérarchique a permis de regrouper les pays en trois profils distincts :
Un groupe à forte intensité carbone, composé notamment de l’Allemagne et du Royaume-Uni, responsables d’une part disproportionnée des émissions ;
Un groupe intermédiaire, comprenant la France, l’Espagne et l’Italie, caractérisé par une dépendance partielle aux énergies fossiles et une trajectoire de transition amorcée ;
Et un groupe de pays à faibles émissions relatives, marqué par des structures économiques plus sobres ou une politique climatique plus avancée.
Enfin, la régression linéaire multiple a confirmé la contribution déterminante des secteurs industriels et énergétiques aux émissions liées au pétrole (ACO). Le modèle, statistiquement robuste, a permis de dégager des coefficients interprétables et significatifs, ouvrant la voie à des prédictions fiables dans le cadre de simulations prospectives. Les graphiques de validation, notamment le Q-Q plot et la comparaison des valeurs réelles vs prédites, ont validé la qualité du modèle tout en révélant quelques marges d’erreur liées à des facteurs non modélisés.
Ainsi, cette approche croisée permet de hiérarchiser les causes du réchauffement climatique et d’orienter les politiques publiques en fonction de profils nationaux différenciés. La partie suivante formule des recommandations concrètes à partir des résultats obtenus.
Recommandations
🔹 Renforcer la décarbonation des transports : développer massivement les réseaux de transport publics propres, encourager l’électrification des véhicules particuliers et logistiques, et mettre en place une fiscalité dissuasive sur les carburants fossiles.
🔹 Accélérer la sortie du charbon dans les pays encore fortement dépendants (comme l’Allemagne), par une fermeture programmée des centrales, le développement des énergies renouvelables et l’accompagnement social des territoires concernés.
🔹 Moderniser l’industrie lourde (notamment le ciment et la transformation industrielle), via l’innovation technologique (captage de CO₂, électrification des procédés), et conditionner les subventions publiques à des objectifs clairs de réduction d’émissions.
🔹 Imposer une taxe carbone européenne minimale, plus ambitieuse et harmonisée, appliquée aux émissions sectorielles les plus élevées (transport, industrie, énergie), pour corriger les déséquilibres entre États membres.
🔹 Adapter les politiques climatiques aux profils nationaux révélés par la classification hiérarchique : actions ciblées pour les pays les plus intensifs (classe 3), accompagnement technique pour les pays en transition (classe 2), et reconnaissance des efforts des pays sobres (classe 1).
🔹 Intégrer les indicateurs d’émissions par habitant (CPC) dans les objectifs nationaux, afin d’ajuster les stratégies climatiques non seulement sur les volumes globaux mais aussi sur l’intensité individuelle des émissions.
🔹 Soutenir la sobriété énergétique et la maîtrise de la demande, par l’éducation, les incitations comportementales, et la lutte contre les formes de surconsommation énergétique dans les secteurs résidentiels et commerciaux.
🔹 Renforcer l’analyse prospective par modélisation : utiliser les modèles de régression pour simuler différents scénarios climatiques à moyen et long terme, afin d’anticiper les effets des politiques publiques et d’optimiser les choix d’investissement.