Publication du Cahier d'études 209 - Beat the Heat, the Role of Heat Waves and Droughts in Regional EU Economies

Auteurs: Léonore Lebouteiller, Sarah Spiteri, Nicole Vorderobermeier, Mar Delgado-Téllez and Andrej Ceglar 

Les événements climatiques extrêmes, en particulier les vagues de chaleur et les sécheresses, deviennent plus fréquents, plus longs et plus étendus géographiquement en Europe. Ces évolutions soulèvent d’importantes questions pour les décideurs quant à l’impact de ces événements sur l’activité économique régionale à court terme, par secteur et par région. Cet article contribue à ce débat en développant des modèles de prévision augmentés de données climatiques pour estimer la croissance de la valeur ajoutée brute (VAB) par habitant au niveau NUTS‑3, couvrant 1 117 régions de l’Union européenne sur la période 2002‑2022, pour les secteurs agricoles, industriels et manufacturiers.

L’analyse combine des variables économiques annuelles avec des indicateurs climatiques à haute fréquence issus du Copernicus European Drought Observatory. Ces indicateurs capturent différentes dimensions du stress climatique : vagues de chaleur, sécheresses météorologiques (déficits de précipitations), sécheresses hydrologiques (débits fluviaux faibles) et sécheresses agricoles (humidité du sol et stress de la végétation). Nous élaborons également des mesures d’événements composés, périodes où vagues de chaleur et sécheresses coïncident, ainsi que des indicateurs capturant les conditions climatiques dans les régions adjacentes, reflétant la propagation spatiale des chocs climatiques.

Nous combinons trois approches : agrégation annuelle, analyse en composantes principales et échantillonnage mixte de données. La performance prédictive des modèles de machine learning (Random Forest et XGBoost) est évaluée à l’aide d’une fenêtre glissante hors‑échantillon pour la période 2018‑2022, puis comparée à celle d’un modèle linéaire. Ensuite, les modèles enrichis de données climatiques sont confrontés à des modèles ne reposant que sur des données économiques et des variables de contrôle au niveau régional.

Les résultats indiquent que le recours aux modèles de machine learning améliore substantiellement la précision du modèle de prévision des modèles enrichis de données climatiques par rapport aux spécifications linéaires, notamment dans les secteurs les plus sensibles au climat. Les gains les plus prononcés apparaissent dans le domaine agricole, où les indicateurs de vagues de chaleur et de sécheresse affichent un pouvoir prédictif significatif. Le secteur industriel présente des améliorations prédictives modérées, alors que le secteur manufacturier apparaît largement insensible à l’ajout de variables climatiques. En outre, l’information climatique renforce la performance prédictive uniquement des modèles non linéaires. Les spécifications linéaires enrichies de données climatiques ne surpassent pas le modèle comportant uniquement des variables économiques, ce qui suggère que les effets économiques des extrêmes climatiques opèrent via des canaux non linéaires que les modèles linéaires ne peuvent pas capturer.

L’article utilise le modèle XGBoost pour simuler les effets économiques d’un scénario extrême de vague de chaleur et de sécheresse composées, analogue aux conditions observées en 2022. Les résultats indiquent d’importantes pertes de croissance réelle du PIB par habitant dans le secteur agricole, en moyenne de ‑4,54 points de pourcentage (pp) par rapport à une référence sans anomalie, les impacts les plus prononcés étant concentrés en Europe de l’Est. À l’inverse, les secteurs industriels enregistrent des réductions plus modestes mais néanmoins significatives de la croissance réelle de la VAB par habitant (‑0,75 pp en moyenne), tandis que le secteur manufacturier demeure globalement insensible (‑0,11 pp en moyenne).

Ces effets hétérogènes reflètent probablement des différences d’exposition, de capacité d’adaptation, d’infrastructures d’irrigation et du degré de dépendance aux environnements de production en intérieur. En particulier, la plus grande vulnérabilité de l’agriculture est cohérente avec une capacité d’adaptation limitée et la prédominance de systèmes pluviaux dans les régions affectées, tandis que la résilience relative de la fabrication peut découler du rôle d’amortissement offert par les conditions de production en intérieur face à la chaleur et à la sécheresse extrêmes. Ces résultats présentent des agrégats qui masquent les hétérogénéités annuelles entre 2002 et 2022.

De manière générale, les conclusions soulignent l’importance d’intégrer l’information climatique dans les outils de suivi économique à court terme. Le modèle de prévision enrichi de données climatiques, grâce aux méthodes de machine learning, contribue à identifier les secteurs et les régions les plus exposés aux extrêmes climatiques composés, soutenir la prise de décision politique et guider la conception de stratégies d’adaptation ciblées et efficaces.

Le contenu de cette étude ne doit pas être perçu comme étant représentatif des opinions de la Banque centrale du Luxembourg ou de l’Eurosystème. Les opinions exprimées reflètent celles des auteurs et non pas nécessairement la position de la Banque centrale, de ses dirigeants ou de l’Eurosystème.

Ce cahier d’études est disponible sur le site internet de la BCL : www.bcl.lu et sur le site internet de la Banque centrale européenne : www.ecb.europa.eu

• Accueil
• Imprimer la page