RAPPORT DE STAGE - laregion.fr · RAPPORT DE STAGE Tester la robustesse du modèle des...

RAPPORT DE STAGE

Tester la robustesse du modèle des consommations énergétiques au niveau communal et

Amélioration du modèle

Chen Jinqiu

Observatoire Régional de l’Energie de Midi-Pyrénées

Période de stage : 01/04/2011~31/07/2011

Jinqiu Chen Master 2 Statistique et Econométrie

2

REMERCIEMENTS

Je remercie Monsieur Gérard Poujade, présidente de l’ARPE, et Madame Martine Gayrard-Mathorel, directrice de l’ARPE, de m’avoir acceptée en tant que stagiaire au sein de leur agence.

Je tiens tout particulièrement à remercier Madame Bénédicte RIEY, mon responsable de stage, pour m’avoir intégrée rapidement au sein de l’ARPE et m’avoir accordée toute sa confiance; pour le temps qu’elle m’a consacrée tout au long de cette période, sachant répondre à toutes mes interrogations.

D’une façon plus générale, je remercie toute l’équipe de l’ARPE pour sa bonne humeur permanente et pour leur chaleureux accueil.

Enfin, je souhaite que toutes les personnes ayant participé de près ou de loin à ce projet soient remerciées.

mailto:[email protected]

mailto:[email protected]


3

Table des matières

I. PRESENTATION DE L’ENTREPRISE ................................................................................................... 6

1.1 Agence Régionale du Développement Durable de Midi-Pyrénées ................................................. 6

1.2 Observatoire Régional de l’Energie de Midi-Pyrénées (OREMIP) ................................................... 7

1.2.1 Historique de L’OREMIP ............................................................................................ 7

1.2.2 Missions et Objectifs de L’OREMIP ........................................................................... 7

1.2.3 Organisation de L’OREMIP ........................................................................................ 8

II. Introduction du projet .................................................................................................................... 9

2.1 Contexte ......................................................................................................................................... 9

2.2 Audit des données ......................................................................................................................... 9

2.2.1 Descriptif des des variables (données de structure)................................................. 9

2.2.2 Statistique descriptives-données ERDF et GRDF .................................................... 11

III. Modélisation Initiale ..................................................................................................................... 17

3.1 Méthodologie ............................................................................................................................... 17

3.2 Les Formules des consommations estimées du modèle initial ................................................... 22

IV. Tester la robustesse du modèle initial ......................................................................................... 23

4.1 Electricité .................................................................................................................................... 24

4.2 Gaz naturel ................................................................................................................................. 27

V. Amélioration du modèle global .................................................................................................... 30

5.1 Théorie : Qu’est ce que la régression linéaire multiple ? ........................................................... 30

5.1.1 Définition du problème – la régression linéaire multiple est-elle valable ? ....... 31

5.1.2 Les sources usuelles du problème : pourquoi l’hétéroscédasticité ? ................. 31

5.1.3 Les conséquences ............................................................................................... 32

5.1.4 Méthode de correction ....................................................................................... 32

5.2 Application : le cas de l’Electricité .............................................................................................. 34

5.2.1 Construction de nouvelles variables ................................................................... 34

5.2.2 Modélisation ....................................................................................................... 36


4

5.3 Application : le cas du Gaz Naturel ............................................................................................. 43

VI. Approche sectorielle (répartition) ................................................................................................ 48

6.1 Méthodologie...........................................................................................................................48

6.2 Vérification de la qualité de prédiction....................................................................................49

VII. Conclusion ..................................................................................................................................... 51

VIII. Bibliographie ................................................................................................................................. 52

IX. Annexe ........................................................................................................................................... 53


5

INTRODUCTION

Etudiante en master 2 Statistique et Econométrie dans l’Université Toulouse 1 Capitole, mon stage de fin d’études s’est déroulé à l’Observatoire Régional de l’Energie de Midi-Pyrénées situé à Toulouse. Mon stage a duré quatre mois du 1 avril au 31 juillet en 2011.

L’Observatoire Régional de l’Energie en Midi-Pyrénées (OREMIP) a pour mission d’accompagner les politiques énergétiques régionales. C’est un outil d’observation de la situation énergétique régionale, un lieu de concertation entre les acteurs régionaux de l’énergie et de communication doté d’une forte proposition. L’OREMIP est animé par l’Agence Régionale du Développement Durable de Midi-Pyrénées (ARPE).

Mon stage à l’OREMIP a consisté essentiellement à tester la robustesse du modèle des consommations énergétiques au niveau communal à améliorer ce modèle. Avant de commencer mon travail, il a fallu que je comprenne bien le modèle inital. Suivie par ma tutrice de stage, Madame Bénédicte Riey, conseillère technique au sein de l’ARPE et animatrice de l’OREMIP, j’ai pu comprendre dans d’excellentes conditions les données utilisées par le modèle.

Plus largement, ce stage a été l’opportunité pour moi d’appréhender le domaine de l’énergie. La mission proposée m’a donnée la possibilité de mettre en pratique mes connaissances en statistique et d’aborder un domaine nouveau.

Au-delà d’enrichir mes connaissances sur l’énergie, ce stage m’a permis d’une part de comprendre le fonctionnement d’une agence régionale pour le Développement Durable, d’autre part d’obtenir une expérience professionnelle précieuse en France.

Je vous expose dans ce rapport en premier lieu une présentation de l’entreprise. Ensuite, je vous explique les différents aspects de mon travail durant ces quelques mois et enfin, en conclusion, je résume les apports de ce stage.


6

I. PRESENTATION DE L’ENTREPRISE

1.1 Agence Régionale du Développement Durable de Midi-Pyrénées

Opérateur de la Région Midi-Pyrénées, l'Agence Régionale du Développement Durable de Midi Pyrénées est un outil de sensibilisation, d'animation, de concertation, d'observation, de proposition et de partenariat, en matière d'environnement, de changement climatique et de développement durable.

L’ARPE Midi Pyrénées est une agence créée en 1991 à l’initiative du Conseil Régional et des associations régionales de l’environnement dans le but de contribuer à la préservation de l’environnement et à la mise en œuvre d’un développement durable en Midi-Pyrénées à travers trois axes d’action prioritaires :

La lutte contre l’effet de serre et le dérèglement climatique La préservation des ressources et la gestion durable de l’eau La gestion des espaces naturels et la biodiversité

L’ARPE s’attache à donner à l’ensemble de ses actions une dimension pleinement régionale. Cette volonté se concrétise en particulier par l’animation de réseaux :

Réseau (national) des Agences Régionales de l'environnement (RARE) Réseau des Parcs naturels régionaux, Réseau des villes et territoires durables de Midi-Pyrénées, Réseau de collectivités pour des achats écoresponsables, Réseau d'éducation à l'environnement (CREEMP) Réseau d'écomobilité

L'ARPE assure l'animation technique de l'Observatoire Régional de l'Energie Midi-

Pyrénées (OREMIP).

Doté d’une équipe opérationnelle de 35 personnes, l’ARPE Midi-Pyrénées participe à l’élaboration de plus de 600 projets chaque année dans des domaines d’intervention particulièrement variés. Les 35 personnes sont organisées en quatre pôles de travail :

Animation des collectivités locales Animation des entreprises Animation des espaces naturels et ruraux, Education/Sensibilisation

http://www.rare.fr/

http://www.territoires-durables.fr/

http://www.territoires-durables.fr/pagesEditos.asp?id=25B440F0&IDPAGE=142

http://www.creemp.org/

http://www.observatoire-energie.fr/content/

http://www.observatoire-energie.fr/content/


7

1.2 Observatoire Régional de l’Energie de Midi-Pyrénées (OREMIP)

1.2.1 Historique de L’OREMIP

La création d'observatoires régionaux de l'énergie s'inscrit dans le cadre des Schémas de Services Collectifs de l'Energie mis en place par la Loi d'Orientation pour l'Aménagement et le Développement Durable du Territoire du 25 juin 1999.

L’Observatoire est inscrit dans le cadre du contrat de plan signé entre la Région et l’Etat en septembre 2000.

Une étude de faisabilité initiée notamment par l’ARPE et suivie par un Comité de pilotage, propose un mode de fonctionnement partenarial et une animation réalisée par l’ARPE pour l’Observatoire de l’Energie de Midi-Pyrénées en 2002.

Le 23 octobre 2003, l'Observatoire Régional de l'Energie de Midi-Pyrénées (OREMIP) est officiellement mis en place par le Conseil Régional et son agence l'ARPE, l'Etat et l'ADEME. D’autres partenaires viennent enrichir les instances de décisions : acteurs régionaux de l’énergie, notamment des fournisseurs et des transporteurs de gaz et d’électricité, ainsi que tous les syndicats départementaux d’électrification et le tissu associatif intéressé par la question.

1.2.2 Missions et Objectifs de L’OREMIP

L’OREMIP a pour mission d'accompagner les politiques énergétiques régionales. C'est un outil d'observation de la situation énergétique régionale, un lieu de concertation entre les acteurs régionaux de l'énergie et de communication doté d'une force de proposition.

Les grandes missions sont confiées à l’observatoire sont de : connaître, analyser, proposer, communiquer et favoriser la concertation : L’observatoire régional se fixe les objectifs fondamentaux suivants:

- La connaissance de la situation énergétique de Midi-Pyrénées grâce à : - L’élaboration de bilans énergétiques ; - La réalisation d’inventaires des émissions de GES liées à la consommation d’énergie ; - Le développement d’indicateurs de suivi et d’efficacité énergétique ; - La collecte de données relatives à certains domaines jugés comme prioritaires tels que les énergies renouvelables.

- L’analyse de la situation énergétique de la région grâce à : - La réalisation d’études sectorielles spécifiques ; - La réalisation d’études géographiques spécifiques ; - L’analyse prospective.

- Des propositions de nouveaux programmes d’actions ;


8

- La communication au travers notamment d’une plaquette annuelle et ‘un site internet www.oremip.fr;

- Favoriser la concertation entre les acteurs énergétiques régionaux. En effet tous les travaux de l’OREMIP sont suivis par des groupes de travail thématiques.

1.2.3 Organisation de L’OREMIP

Les travaux de l’observatoire sont décidés et suivis par un comité de pilotage comportant 32 membres, repartis entre les institutionnels, les producteurs / transporteurs / distributeurs d’énergie et les associatifs.

Les institutionnels: Le Conseil régional de Midi-Pyrénées ; Le Secrétariat Général aux Affaires Régionales (SGAR) ; L’Agence de l’Environnement et de la Maîtrise de l’Energie (ADEME) ; L’Agence Régionale Pour l’Environnement (ARPE) ; Le Conseil Economique et Social Régional de Midi-Pyrénées (CESR) ; La Direction Régionale de l’Environnement, de l’Aménagement du Logement

(DREAL) ; La Direction régionale de l’Agriculture et de la Forêt (DRAAF) ; Institut National des Statistiques et des Etudes Economiques(INSEE) Caisse des dépôts et consignations

Les producteurs / transporteurs / distributeurs: Electricité de France (EDF) ; Electricité Réseau Distribution France (ERDF) Gaz Réseau Distribution France (GRDF) Gaz de France (GDF Suez) ; Total Infrastructure Gaz de France(TIGF) Groupement des Régies d’Electricité et de Gaz du Sud-ouest (GREG) ; Total Réseau de Transport d’Electricité (RTE) ; Syndicat Départemental des Collectivités Electrifiées de l’Ariège (SDCEA) Syndicat Intercommunal d’Electricité de l’Aveyron (SIEDA) ; Syndicat Départemental d’Electricité de la Haute-Garonne (SDEHG) ; Syndicat Départemental d’Electrification du Gers(SDEG) Fédération Départemental d’Electricité du Lot (FDEL) ; Syndicat Départemental d’Electricité des Hautes-Pyrénées (SDE Hautes-Pyrénées) ; Syndicat Départemental d’Electrification du Tarn (SDET) ; Syndicat Départemental d’Electricité du Tarn-et-Garonne (SDETG) ;

Les associatifs: Comité de Liaison des Energies Renouvelables (CLER) ; Midi-Pyrénées Bois ;

http://www.oremip.fr/


9

Syndicat des Energies Renouvelables (SER) ; Union Fédérale des Consommateurs Que Choisir (UFC Que Choisir) ; Fédération Nature Environnement Midi-Pyrénées (FNE Midi-Pyrénées) ; Association Technique Energie Environnement(ATEE) ; Société Eco Emballages.

II. Introduction du projet

2.1 Contexte

L’OREMIP a déjà réalisé un modèle d’estimation des consommations énergétiques au niveau communal pour les secteurs du résidentiel, du tertiaire et de l’industrie pour l’ensemble des énergies (gaz naturel, électricité, fioul domestique, bois …).

La modélisation est réalisée sur les 3019 communes de la région Midi-Pyrénées.

Les données utilisées pour cette modélisation sont issues du recensement général de la population de l’INSEE (détail du parc logements 2006, emplois dans le tertiaire et emplois industriels....) d’une part et sont des coefficients unitaires disponibles au niveau national d’autre part. Ainsi la modélisation repose sur le croisement des données INSEE (déterminant de la demande énergétique) avec les coefficients de consommation unitaire (consommation type).

Le but de ce projet est de tester ce modèle avec les données réelles de consommation de gaz naturel et d’électricité et d’améliorer ce modèle. Les données réelles sont fournies par ERDF et GRDF.

Les logiciels utilisés sont SAS 9.2, Excel2007.

2.2 Audit des données

2.2.1 Descriptif des des variables (données de structure)

Il s’agit des données de structure, déterminants de la consommation énergétique. Ces

données sont disponibles au niveau communal et sont caractéristiques de la consommation

énergétique. Croisées avec des consommations unitaires (consommation énergétique par

logement en fonction du type de logement, consommation énergétique par salarié selon la

branche d’activité), elles permettent de construire les consommations énergétiques du

résidentiel, du tertiaire et de l’industrie pour chaque commune.


10

Secteur résidentiel : Table parc de logements 2006 : (INSEE 2006) descriptif du parc de logements par catégorie pour les 3019 communes de la région Midi-Pyrénées. Elle est composée de 96 variables quantitatives et une variable qualitative (code INSEE de la commune) .

Cette table distingue les logements en fonction du type d’habitation (maison ou logement collectif) , du type de chauffage (chauffage central ou appareil indépendant) , de l’année de construction (avant 1975 ; 1975-1981 ; 1982-1989 ; après 1990), du combustible de chauffage principal (fioul, électricité, gaz naturel, bois …). Seule les résidences principales sont considérées (pas les résidences secondaires).

Exemple (présentation de 5 variables prises parmi les 96 variables du modèle relatif au secteur résidentiel):

MCCav75CU : nombre de maisons avec chauffage central construites avant 1975 avec chauffage urbain.

MCCav75Elec : nombre de maisons avec chauffage central construites avant 1975 avec chauffage électrique.

MCIav75CU : nombre de maisons avec chauffage central individuel construites avant 1975 avec chauffage urbain.

ApCCav75CU : nombre d’appartements avec chauffage central collectif construits avant 1975 avec chauffage urbain.

ApCIav75CU : nombre d’appartements avec chauffage central individuel construits avant 1975 avec chauffage urbain.

Secteur tertiaire : Table emploi tertiaire : données socio-économiques (INSEE 2006) des 3019 communes, table composée de 7 variables quantitatives (nombre d’employés par secteur dans le tertiaire pour chaque commune) et deux variables qualitatives (code INSEE et chauffage GN-commune raccordée ou non au réseau de gaz naturel).

Les secteurs distingués sont : - Bureaux et administrations - Santé - Enseignement - Sport, loisir, culture - Etablissements du transport - Hôtels, cafés, restaurants - Commerces

Secteur industriel : Table emploi industriel : données socio-économiques (INSEE 2006) des 3019 communes, table composée de 9 variables quantitatives (nombre d‘employés par secteur industriel pour chaque commune) et deux variables qualitatives (code INSEE et chauffage GN-commune raccordée ou non au réseau de gaz naturel).


11

Les secteurs distingués sont : -chimie -Métallurgie -Agro alimentaire -Papier carton -Textile, cuir, habillement -Construction aéronautique -Construction électrique électronique -Industries diverses

Ainsi par le croisement des données présentées avec des consommations unitaires, nous sommes en mesure de construire les consommations énergétiques au niveau communal. Dans le cadre de la première partie de mon stage, ces estimations vont être comparées aux données réelles fournies par ERDF et par GRDF.

Table ERDF : données fournies par ERDF de consommation réelle d’électricité au niveau communal.

Table GRDF : données fournies par GRDF de consommation réelle du gaz naturel au niveau communal.

Les consommations réelles d’électricité et de gaz naturel fournies respectivement par ERDF et GRDF ne recensent pas les consommations directement livrées par TIGF et RTE (industriels) ni par les régies locales.

2.2.2 Statistique descriptives-données ERDF et GRDF

Les variables de consommation énergétique réelle

Sur l’ensemble des communes de Midi-Pyrénées, la consommation moyenne par

commune en électricité est de 5445 Mwh et celle en gaz naturel est de 25840 Mwh.

Précisons tout de même qu’il y a une forte variabilité entre les consommations des

différentes communes (Midi-Pyrénées compte 70 communes de plus de 5000 habitants).


12

Quasiment toutes les communes sont alimentées par le réseau de distribution ERDF.

Pour 51 communes seulement (sur 3019) nous ne disposons pas de la donnée de

consommation d’électricité pour deux raisons :

- Présence d’une régie de distribution locale

- ICS (information commercialement sensible)

Les communes connectées au réseau de distribution de gaz naturel représentent 1/6ème

des communes de Midi-Pyrénées (2598 valeur nulle ou ICS).

Il me reste au total 2968 communes pour analyser la consommation d’électricité et 421

communes pour analyser la consommation de gaz naturel.

En remplacant les consommations réelles d’électricité et de gaz naturel manquantes

par des 0, je calcule le coefficient de corrélation pour savoir le degré de dépendance linéaire

entre eux . Le résultat signifie que les deux variables sont fortement corrélées (99.3%). C’est

à dire dans une commune plus la consommation d’électricité est grande, plus la

consommation de gaz naturel est grande.

Je vous rappelle la formule du coefficient de corrélation entre deux séries de même

longueur et :

_ _

1

_ _2 2

1 1

( )*( )

( ) ( )

N

i i

ip

N N

i i

i i

x x y y

r

x x y y

Le coefficient de corrélation est compris entre -1 et 1. Plus le coefficient est proche des

valeurs extrêmes -1 et 1, plus la corrélation entre les variables est forte. Une corrélation

égale à 0 signifie que les variables sont linéairement indépendantes.


13

Les consommations réelles de l’électricité et du gaz naturel ont-elles une distribution

normale ?

Consommation réelle de l’électricité


14

Consommation réelle du gaz naturel


15

Ces différents tests nous conduisent à un rejet de l’hypothèse de normalité de la

distribution des variables cosoreel_ERDF et consoreel_GRDF. Aussi on remarque une allure

de dissymétrie dans la distribution des 2 variables.

Un petit rappel sur la boîte à moustache et identification des grandes communes

La boîte à moustache est utilisée pour illustrer la distribtution des données. Elle affiche

5 valeurs caractéristiques : maximum, minimum, médian et deux quartiles. Le trait au milieu

de la boîte à moustache donne le médian des données: c’est à dire que la moitié des

données est supérieure à ce point et que l’autre moitié des données est inférieure à ce

point. Deux cotés de la boîte donnent les quartiles des données : un quart des données est

supérieur au coté supérieure de la boîte et un quart des données est inférieur au coté

inférieure de la boîte. Il peut-être vu que la moité des données sont dans cette boîte. La


16

hauteur de la boîte présente la dispersion de la plupart des données. Plus la boîte est haute,

plus ces données sont dispersées.

D’après le graphique de la boîte à moustache de l’électricité réelle et du gaz naturel au

dessus, on a constaté que la plupart des consommations électriques dans les communes de

la région Midi-Pyrénées ne se varient pas beaucoup parceque la boître est assez peite

(presque un trait). Les points à l’extérieur des boîtes à moustache nous indiquent de fortes

consommations d’électricité et de gaz naturel.

Identification des grandes communes

J’identifie ces communes dont la consommation énergétique > 100 000 Mwh.

->Electricité

->Gaz naturel


17

Toulouse(en jaune) est la commune qui a la plus grande consommation d’électricité

(hors données RTE) et de gaz naturel (hors données TIGF). Et les communes qui ont les

consommations les plus grandes sont identiques pour l’électricité et le gaz naturel ( sauf les

deux communes en vert).

III. Modélisation Initiale

3.1 Méthodologie

Secteur résidentiel

Il s’agit de croiser les données relatives au parc régional de résidences principales issues

du recensement général de la population (RGP INSEE 2006 – Fichier Détail Logements) avec

des consommations énergétiques unitaires (par type de logement) fournies par le CEREN1.

Des hypothèses sont appliquées aux consommations énergétiques du chauffage

d’appoint, de l’eau chaude sanitaire et de la cuisson de façon à leur associer des énergies

(les énergies de chauffage principal sont données par le RGP). Aussi la répartition par

énergie et par usage est disponible pour le secteur résidentiel à l’échelle communale.

Schéma 1: modélisation des consommations énergétiques dans la résidentiel

1 CEREN :centre d’études et de recherches économiques sur l’énergie


18

Source : OREMIP

DJU: Les degrés jour unifiés permettent de réaliser des estimations de consommations d'énergie thermique en proportion de la rigueur de l'hiver. Cette correction climatique permet de régionaliser les consommation unitaires nationales.

Le parc de résidences principales de chaque commune est spécifié selon 96 catégories.

Ainsi à chaque ensemble homogène de résidences principales est associé une consommation

unitaire type de chauffage principal, chauffage d’appoint, d’eau chaude sanitaire, de cuisson,

d’usage spécifique de l’électricité.

http://fr.wikipedia.org/wiki/Thermique


19

Schéma 2: structure du parc de résidences principales disponibles à la commune

Les données du recensement permettent de connaître l’énergie de chauffage principal des

résidences. Les énergies des autres usages sont estimées à partir des hypothèses suivantes :

Tableau 1 : hypothèses relatives aux énergies de chauffage d’appoint

Tableau 2 : hypothèses relatives aux énergies de cuisson

Maisons

individuelles

Appartements

Chauffage

central

collectif

Chauffage

central

individuel ou

autre

Chauffage

central

individuel ou

autre

Chauffage

central

collectif

Avant 1975

De 1975 à 1981

De 1982 à 1989

Après 1990

Avant 1975

De 1975 à 1981

De 1982 à 1989

Après 1990

Avant 1975

De 1975 à 1981

De 1982 à 1989

Après 1990

Avant 1975

De 1975 à 1981

De 1982 à 1989

Après 1990

Chauffage Urbain

Gaz naturel

Fioul domestique

Electricité

GPL

Bois, autre

Electricité 50%-GPL 50%GPL

Electricité 50%-GPL 50%Bois

Electricité 50%-gaz naturel 50%Gaz naturel

Electricité 50%-GPL 50%Fioul

Electricité 50%-GPL 50%Electricité

Electricité 50%-GPL 50%CU

Energie de cuisson (GPL,gaz nat, élec)Energie de chauffage principale

Electricité 50%-GPL 50%GPL

Electricité 50%-GPL 50%Bois

Electricité 50%-gaz naturel 50%Gaz naturel

Electricité 50%-GPL 50%Fioul

Electricité 50%-GPL 50%Electricité

Electricité 50%-GPL 50%CU

Energie de cuisson (GPL,gaz nat, élec)Energie de chauffage principale


20

Tableau 3 : hypothèses relatives aux énergies de production d’eau chaude sanitaire

Secteur tertiaire

Il s’agit de croiser des emplois (voir des surfaces – on suppose que les surfaces par emploi

sont stables au sein d’un même secteur d’activité) issus du RGP (INSEE 2006) avec des

consommations unitaires (consommation thermique et électrique par emploi). Les branches

d’activité du tertiaire retenues dans l’étude sont au nombre de 7 :

-bureaux et administrations

-santé

-enseignement

-sport loisir culture

-établissements du transport

-hôtels-cafés-restaurants

-commerces

ElectricitéGPL

ElectricitéBois

Gaz naturelGaz naturel

FioulFioul

ElectricitéElectricité

ElectricitéCU

Energie de production d’eau chaude sanitaireEnergie de chauffage principale

ElectricitéGPL

ElectricitéBois

Gaz naturelGaz naturel

FioulFioul

ElectricitéElectricité

ElectricitéCU

Energie de production d’eau chaude sanitaireEnergie de chauffage principale


21

Secteur industriel

Il s’agit de croiser des emplois (voir des surfaces – on suppose que les surfaces par emploi

sont stables au sein d’un même secteur d’activité) issus du RGP (INSEE 2006) avec des

consommations unitaires (consommation thermique et électrique par emploi). Les branches

d’activité du secteur industriel retenues dans l’étude sont au nombre de 9 :

-chimie, caoutchouc, plastique

-métallurgie et transformation des métaux

-industries agro alimentaires

-industries du papier carton

-industrie textile, cuir, habillement

-construction naval et aéronautique

-construction électrique et électronique

-industries diverses


22

3.2 Les Formules des consommations estimées du modèle initial

Les Formules du modèle initial permettant le calcul des consommations de gaz naturel

et d’électricité sont détaillées en annexe. ci dessous, vous trouverez un exemple :

Consommation estimée de gaz naturel pour la cuisson des résidences

(d’après les hypothèses relatives aux énergies de cuisson du tableau 2, une moitié des appartements et une moitié des maisons de chauffage central avec gaz naturel utilisent le gaz naturel pour la cuisson)

= parc de logements *coefficient unitaire gaz naturel résidentiel_cuisson

=(PLMCCav75GN * CUMCCav75GN_cuisson + PLMCC75a81GN * CUMCC75a81GN_cuisson

+ PLMCC82a89GN * CUMCC82a89GN_cuisson + PLMCCap90GN * CUMCCap90GN_cuisson

+PLMCIav75GN * CUMCIav75GN_cuisson + PLMCI75a81GN * CUMCI75a81GN_cuisson

+ PLMCI82a89GN*CUMCI82a89GN_cuisson + PLMCIap90GN*CUMCIap90GN_cuisson)

*50%*110

+PLApCCav75GN * CUApCCav75GN_cuisson + PLApCC75a81GN * CUApCC75a81GN_cuisson

+PLApCC82a89GN * CUApCC82a89GN_cuisson + PLApCCap90GN * CUApCCap90GN_cuisson

+PLApCIav75GN* CUApCIav75GN_cuisson + PLApCI75a81GN * CUApCI75a81GN_cuisson

+PLApCI82a89GN*CUApCI82a89GN_cuisson+ PLApCIap90GN*CUApCIap90GN_cuisson)


23

* 50%*65

Ainsi sont modélisées les consommations énergétiques (toutes énergies) des secteurs résidentiel / tertiaire et industrie. Par la suite, nous ne nous intéresserons qu’aux données de consommation de gaz naturel et d’électricité. Il s’agira dans un premier de tester la robustesse du modèle par rapport aux données réelles fournies par ERDF et GRDF et dans un second temps d’améliorer le modèle pour ces deux énergies.

IV. Tester la robustesse du modèle initial Il y a 3019 communes au total dans la région Midi-Pyrénées. La région Midi-Pyrénées

est une région du sud-ouest de la France de tradition occitane qui regroupe huit

départements : l’Ariège, l’Aveyron, la Haute-Garonne, le Gers, le Lot, les Hautes-Pyrénées, le

Tarn et le Tarn-et-Garonne. C’est la deuxième plus grande région de France (derrière la

Guyane) avec huit départements et plus de 45 000 km². Sa plus grande ville est Toulouse qui

est également sa préfecture. La carte au-dessous nous montre les huits départements de

Midi-Pyrénées.

Les consommations énergétiques ont été estimées au niveau communal pour la région

Midi-Pyrénées. ERDF et GRDF nous ont fourni les consommations de distribution d’électricité

et de gaz naturel pour la plupart des communes de Midi-Pyrénées. Une comparaison entre

données réelles et données estimées nous permettra de tester la robustesse du modèle.

http://fr.wikipedia.org/wiki/R%C3%A9gion_fran%C3%A7aise

http://fr.wikipedia.org/wiki/D%C3%A9partement_fran%C3%A7ais

http://fr.wikipedia.org/wiki/Ari%C3%A8ge_(d%C3%A9partement)

http://fr.wikipedia.org/wiki/Aveyron_(d%C3%A9partement)

http://fr.wikipedia.org/wiki/Haute-Garonne

http://fr.wikipedia.org/wiki/Gers_(d%C3%A9partement)

http://fr.wikipedia.org/wiki/Lot_(d%C3%A9partement)

http://fr.wikipedia.org/wiki/Hautes-Pyr%C3%A9n%C3%A9es

http://fr.wikipedia.org/wiki/Tarn_(d%C3%A9partement)

http://fr.wikipedia.org/wiki/Tarn-et-Garonne

http://fr.wikipedia.org/wiki/France

http://fr.wikipedia.org/wiki/Guyane

http://fr.wikipedia.org/wiki/Ville

http://fr.wikipedia.org/wiki/Toulouse

http://fr.wikipedia.org/wiki/Pr%C3%A9fecture


24

4.1 Electricité

Pour pouvoir comparer consommations réelles d’électricité fournies par ERDF2 et

consommations estimées d’électricité à partir de notre modèle, nous supprimons les

communes suivantes :

- Les communes fournies par des régies-distributeurs locaux (liste des communes en annexe).

- Les communes où se trouvent de grandes industries alimentées par RTE (liste des communes en annexe).

- Les communes où les consommations réelles fournies par ErDF sont ICS ou nulles

L’analyse portera sur 2906 communes. Dans un premier, je visualise les données afin d’appréhender la relation entre conso

estimées et conso réelles (c’est à dire les points sont sur la droite y x ). L’ordonnée

« consoestim » représente la consommation estimée de l’électricité. L’abscisse

« consoreel_ERDF » représente la consommation réelle recensée par ERDF. On constate que

les points sont alignés y x .

La plupart des consommations est inférieure à 100000 Mwh, d’où l’agrandissement ci-

dessous.

2ERDF: filiale à 100 % d’EDF, est le gestionnaire du réseau public de distribution d’électricité sur 95 % du territoire français

continental.


25

Corrélation entre la consommation réelle et la consommation estimée de l’électricité :

Un autre moyen de vérifier cette pertinence est le coefficient de corrélation en

consommation réelle et estimée.

Le coefficient de corrélation est de 0.978 (proche de 1). Cela signifie que la

consommation estimée d’électricité est fortement liée à la consommation réelle

d’électricité. Ces deux séries de données varient dans un même sens.

En probabilités et en statistique, étudier la corrélation entre deux ou plusieurs variables aléatoires ou statistiques numériques, c’est étudier l’intensité de la liaison qui peut exister entre ces variables. Une mesure de cette corrélation est obtenue par le calcul du coefficient de corrélation linéaire. Ce coefficient est égal au rapport de leur covariance et du produit non nul de leurs écarts types. Le coefficient de corrélation est compris entre -1 et 1. Ainsi, un coefficient proche de 1 signifie une bonne relation entre les deux séries numériques.

Rappel du calcul du coefficient de corrélation entre deux séries et

http://fr.wikipedia.org/wiki/Probabilit%C3%A9s

http://fr.wikipedia.org/wiki/Statistique

http://fr.wikipedia.org/wiki/Variable_al%C3%A9atoire_r%C3%A9elle

http://fr.wikipedia.org/wiki/Variable_al%C3%A9atoire_r%C3%A9elle

http://fr.wikipedia.org/wiki/Covariance

http://fr.wikipedia.org/wiki/%C3%89cart_type


26

= covariance / écartype des deux variables

Bien que l’estimation issue du modèle initial est considérée comme étant

statistiquement « bonne », je souhaite améliorer le modèle afin de coller au mieux avec les

données réelles. Ainsi dans un premier temps, je vais tenter d’identifier et de caractériser les

communes pour lesquelles l’estimation est « moins bonne ».

Analyse de la différence entre consommation réelle et consommation estimée de

l’électricité :

Le graphique ci-dessous nous montre la différence entre les données de consommation

estimée de l’électricité et les données de consommation réelle fournies par ERDF

(diff=consoestim-consoreel_ERDF) selon les codes INSEE (pour chaque commune). La plupart

des points sont situés entre -20 000 Mwh et 20 000 Mwh. La plus grande différence t atteint

8 000 Mwh.

Communes aberrantes :

6 communes sont considérées aberrantes. Parmi ces 6 communes il existe seulement

deux communes (en jaune) Castelnau-d’Estrétefon et Biars-sur-Cère qui consomment moins

de 100000 Mwh d’électricité. Les quatre autres communes sont de grosses communes.


27

4.2 Gaz naturel

Pour comparer les données de consommation réelle de gaz naturel fournies par GrDF3

et les données de consommation de gaz naturel estimées à partir de notre modèle, je

supprime les communes suivantes :

- Les trois communes ‘Carmaux’ (81064), ‘Lavaur’ (81140), ‘Lannemezan’ (65258) fournies par des régies (distributeurs locaux)

- Les communes où se trouvent de grandes industries alimentées par TIGF 4 . (30 communes-liste des communes en annexe).

- Les communes où les consommations réelles fournies par GRDF sont ICS ou nulles L’analyse portera sur 398 communes.

Dans un premier, je visualise les données afin d’appréhender la relation entre conso

estimées et conso réelles (c’est à dire les points sont sur la droite y x ).

L’axe horizontal représente les consommations estimées du gaz naturel pour ces 398

communes. L’axe verticale représente les consommations réelles du gaz naturel fournies par

GRDF. On constate que la plupart des points sont alignés y x . Plus la consommation est

petite, plus elle est proche de la consommation réelle.

3 GrDF: Créé le 31 décembre 2007, GrDF, filiale à 100 % de GDF SUEZ, regroupe l'ensemble des activités de distribution de

gaz naturel en France. La filiale est rattachée à la branche Infrastructures de GDF SUEZ. Acteur stratégique du marché de l'énergie, GrDF est au service des fournisseurs, des partenaires de la filière gaz naturel et des collectivités locales.

4 TIGF : une nouvelle raison sociale, synonyme de nouvelles ambitions dans notre métier de logisticien,

essentiel au bon fonctionnement d’un marché gazier plus ouvert.


28

La plupart des consommations est inférieure à 100000 Mwh, d’où l’agrandissement ci-

dessous.

Corrélation entre la variable consommation réelle et la variable consommation estimée du

gaz naturel :

Comme pour l’électricité, je calcule le coefficient de corrélation :


29

Le coefficient de corrélation est de 0.916 (proche de 1). Cela signifie que la

consommation estimée de gaz naturel et la consommation réelle de gaz naturel sont deux

variables fortement corrélées (le modèle est bon). Ces deux séries de données varient dans

un même sens.

Analyse de la différence entre consommation réelle et consommation estimée du gaz

naturel:

Le graphique ci-dessous nous montre la différence entre la consommation estimée du

gaz naturel et la consommation fournie par GRDF (diff=consoestim-consoreel_GRDF) pour

ces 398 communes selon les codes INSEE. La plupart des points sont situés entre -30000

Mwh et 3000 Mwh. La plus grande différence atteint 14000 Mwh.

Commune aberrantes :

13 communes sont considérées aberrantes qui ont une différence supérieure à 30000

Mwh ou inférieure à -30000 Mwh. Parmi ces 13 communes il existe 8 communes (en jaune)

qui consomment moins de 100000 Mwh de gaz naturel. Les 5 autres communes (en gris)

sont de grosses communes (c’est à dire les communes qui consomment plus de 100

000Mwh).


30

Les trois communes Onet-le-Château, Rodez et Castres sont aberrantes pour la

consommation d’électricité et celle de gaz naturel.

V. Amélioration du modèle global

Je vais faire une régression linéaire multiple à partir des données ERDF et GRDF comme

un nouveau modèle.

5.1 Théorie : Qu’est ce que la régression linéaire multiple ?

La régression linéaire multiple est une analyse statistique qui décrit les variations d'une variable endogène associée aux variations de plusieurs variables exogènes (c’est une généralisation de la régression linéaire simple).

Etant donné un échantillon nous cherchons à expliquer, avec le plus de précision possible, les valeurs prises par Yi, dite variable endogène (dans le cas concret, les données ERDF et GRDF), à partir d'une série de variables explicatives

(dans notre cas concret, les données issues du RGP INSEE 2006). Le modèle théorique, formulé en termes de variables aléatoires, prend la forme

où est l'erreur du modèle qui exprime, ou résume, l'information manquante dans

l'explication linéaire des valeurs de Yi (données ERDF et GRDF) à partir des (données INSEE – emplois et logements.). sont les paramètres à estimer (dans notre étude, il s’agit des coefficients de consommation unitaires).


31

5.1.1 Définition du problème – la régression linéaire multiple est-elle valable ?

En pratique il convient de vérifier le respect de l’hypothèse d’homoscédasticité pour

s’assurer que le modèle est correct.

Comme en régression simple, les hypothèses permettent de déterminer les propriétés des estimateurs (biais, convergence) et donc de la qualité du modèle. Lorsque les hypothèses initiales sont respectées, l'estimateur des MCO 5 (Moindres Carrés Ordinaires) possède d'excellentes propriétés et le modèle est particulièrement bon.

L'homoscédasticité est une propriété fondamentale de la regression et fait partie de ses hypothèses de base. La notion d'homoscédasticité s'oppose à celle d'hétéroscédasticité,

Ainsi l’hétéroscédasticité est l’indicateur d’une mauvaise qualité du modèle.

L’hypothèse d’homosédasticité impose que la variance des termes d’erreur soit constante pour chaque observation. i.e. pour toutes valeurs des variables explicatives nous avons Var(εi) = σ2 ∀i.

Tandis que dans le cas d'hétéroscédasticité, nous avons Var(εi) = σi

2, où σi

2 peut être

différent de σj

2, pour i ≠ j,

5.1.2 Les sources usuelles du problème : pourquoi l’hétéroscédasticité ?

Variables explicatives inobservées de variance différentes pour certains groupes (définis par des variables observées)

Modèle à « coefficients aléatoires » si le modèle sous-jacent est :

( )i i i iY X alors

( )

i

i i i i iY X X

Et, avec des termes d’erreurs indépendants

Observations représentant des moyennes sur des sous-groupes d’individus

Répétition d’une même valeur de la variable à expliquer pour des valeurs différentes d’une variable explicative (ex : regroupement en tranches pour le revenu, etc.).

5MCO : moindres carrés ordinaire est une méthode qui consiste à rechercher les valeurs des paramètres dans une régression linéaire

http://fr.wikipedia.org/wiki/Estimateur_(statistique)

http://fr.wikipedia.org/wiki/H%C3%A9t%C3%A9rosc%C3%A9dasticit%C3%A9


32

5.1.3 Les conséquences

Les MCO restent sans biais et convergents, même en présence d’hétéroscédasticité

La matrice de variance covariance des coefficients estimés est biaisée en présence d’hétéroscédasticité

On ne peut plus appliquer les tests d’hypothèses post-estimation (t statistics, F statistics ou LM statistics)

5.1.4 Méthode de correction

Le cas idéal

Dans le modèle homoscédastique Y X , aucune correction n’est nécessaire.

2 2

1 0 0

0 1 0

0 0 1

I

L’estimateur BLUE est :

1' 'a X X X Y

Une hétéroscédasticité de forme connue : la méthode des MCP

Dans un modèle hétéroscédastique Y X où 2 2| |V X E X h X

,

- La variance n’est pas constante : elle est fonction des X.

2 2 2( | ) |i i i i i iV X E X h X h

- h(x) est une fonction des variables explicatives, foncton qui détermine l’hétéroscédasticité.

h(x)>0, pour toutes les valeurs possibles des X (afin de garantir une variance positive).

On obtient un terme d’erreur homoscédastique en multipliant chaque observation i par

1/ 2

1/ ih.

0 1 1

* * * * *

0 0 1 1

/ / / ... / /

...

i i i i i k ik i i i

i i i k ik i

y h a h a x h a x h h

y a x a x a x

Si h(X) est connu, on peut minimiser la somme du carré des résidus dits ‘Pondérés’ par les MCO.


33

* 2 * * * * 2

0 0 1 1

1 1

min ( ) min ( ... )N N

i i i i k ik

i i

y a x a x a x

Il s’agit de la méthode des MCP/WLS(Moindres Carrés Pondérés/Weighted Least Squares), qui est un cas particulier des ‘Moindres Carrés Généralisés’(MCG).

Lorsque la méthode des MCG est utilisée pour corriger une hétéroscédasticité de forme connue, on parle des MCP.

Contrairement à , * est homoscédastique.

2* * * *2

2 2 2 2

|

/ ( ) / ( ) /

i i i i i

i i i i i i

V X E E E

E h E h h h

Conclusion : * 2| | /i i i i iV X V X h

Notez que, si h(x) est connue, les estimateurs des MCP sont sans biais et BLUE.

Une hétéroscédasticité de forme inconnue : la méthode des MCGF

En pratique, la forme (source/cause) exacte d’hétéroscédasticité est (très souvent) inconnue.

- Quelle est la forme exacte de ( )h X ? Autrement dit, quelle est la relation exacte entre ih

et les iX ?

Pour pouvoir utiliser les MCP directement sur la régression originelle, on supposait ( )h X connue. C’est rarement le cas.

La méthode des MCGF/FGLS (Moindres Carrés Généralisés Faisables/Feasible Generalized Least Squares) permet d’estimer l’hétéroscédasticité.

- Une approche courante est de considérer que ( )h X prend la forme ‘théorique’ suivante ;

0 1 1 2 2( ) exp( ... )k kh X x x x où ( ) 0i ih X h

Dans un modèle hétéroscédastique Y X , on a :

2

0 1 1 2 2

2 2

0 1 1 2 2

2 2

0 1 1 2 2

2

0 1 1 2 2

( | ) exp( ... )

exp( ... )

log log ... log( )

log ...

k k

k k

k k

k k

V X x x x

x x x

x x x

x x x

Pour estimer les coefficients i (et ne pas les supposer connus), on remplace 2 par sa

contrepatie observable 2e .


34

2

0 1 1 2 2

0 1 1 2 2

log ...

...

exp( )

k k

k k

e x x x

g x x x

h g

avec 2logg e

En résumé, la méthode de MCGF consiste à :

1. Estimation des MCO sur le modèle original sans tenir compte de l’hétéroscédasticité.

2. Sauvegarde des résidus empiriques u

et computation de

2

ln( )u

3. Régression de

2

ln( )u

sur toutes les variables explicatives

4. Sauvegarde des valeurs prédites

2

( )g u

5. Estimation par Moindres Carrés Pondérés avec comme pondération : 1/ exp( )g

Le fait de devoir estimer h(X) rend les estimateurs des MCGF biaisés : ils ne sont donc pas BLUE.

- ils sont malgré tout consistants est asymptotiquement plus efficients que les estimateurs des MCO.

En présence d’hétéroscédasticité, pour des échantillons de grande taille, la méthode des MCGF reste une alternative attractive à cellle des MCO.

5.2 Application : le cas de l’Electricité

5.2.1 Construction de nouvelles variables

Ayant 96 catégories de logements pour le résidentiel, 7 branches d’activité dans le

tertiaire et 9 branches d’activité dans l’industrie, il y aura 112 variables explicatives

(régresseurs). Il convient donc de réduire le nombre de variables explicatives.

En vue d’optimiser le modèle, je tente de réduire le nombre de variables explicatives

pour le résidentiel.


35

Comment définit-on un logement ? D’abord on définit s’il est une maison ou un

appartement. Deuxièment s’il a un chauffage central collectif ou individul. Troisièment s’il

est construit avant 1975, de 1975 à 1981, de 1982 à 1989 ou après 1990. Enfin on définit s’il

est chauffé à partir d’un chauffage urbain, du gaz naturel, du fioul, de l’électricité, du GPL ou

du bois.

A partir de ces caractéristiques, je définis de nouvelles variables décrites ci-dessous :

Mibis : le pourcentage des maisons individuelles par rapport au nombre total de logements

Apbis : le pourcentage des appartements par rapport au nombre total de logements

CCCbis : le pourcentage des logements avec chauffage central collectif par rapport au

nombre total de logements

CCIbis : le pourcentage des logements avec chauffage central individuel par rapport au


AV75bis : le pourcentage des logements construits avant 1975 par rapport au nombre total

de logements

De75a81bis : le pourcentage des logements construits de 1975 à 1981 par rapport au


De82a89bis : le pourcentage des logements construits de 1982 à 1989 par rapport au


Ap90bis : le pourcentage des logements construits après 1990 par rapport au nombre total

de logements

CUbis : le pourcentage des logements chauffés en base de chauffage urbain par rapport au


Elecbis : le pourcentage des logements chauffés en base de l’électricité par rapport au


GPLbis : le pourcentage des logements chauffés en base de GPL par rapport au nombre total

de logements

Gazbis : le pourcentage des logements chauffés en base du gaz naturel par rapport au


Fioulbis : le pourcentage des logements chauffés en base du fioul par rapport au nombre

total de logements

Boisbis : le pourcentage des logements chauffés en base du bois par rapport au nombre total

de logements


36

Pour éviter tout problème de multi colinéarité, j’ai éliminé une variable par

caractéristique.

Les variables éliminées sont les suivantes : Apbis, CCIbis, Ap90bis, Boisbis .

Ainsi au lieu de travailler à partir des 96 catégories de logements du modèle initial,

seules 10 variables explicatives du résidentiel seront intégrées à la modélisation. Au total, 26

variables explicatives sont intégrées.

5.2.2 Modélisation

Pour le choix du modèle j’ai utilisé la méthode backward (ou descendante) qui consiste à

partir de la régression de la consommation réelle en électricité sur toutes les variables

explicatives des secteurs résidentiel (les nouvelles variables définies précédemment),

tertiaire et industriel et d’éliminer de manière itérative (pas par pas) la variable la moins

significative jusqu’à n’avoir que des variables significatives au seuil conventionnel de 5%.

Ainsi j’a obtenu à la 4ième étape du processus les résultats suivants pour la consommation

en électricité :


37

Parmi les 26 variables de départ, la méthode permet de garder les 22 variables les plus

significatives à 5%. Par la suite nous ne nous intéressons qu’à ces 22 variables. Ces

coefficients sont significativement différents de 0 à 5%.

Pourquoi certains coefficients sont-ils négatifs ?

-2284.32 est le coefficient de la variable Av75bis (pourcentage des logements construits

avant 1975). Cela signifie que si AV75bis augmente de 1%, la consommation d’électricité de

la commune va diminuer de 22.8432 Mwh. En d’autres termes, plus la part des logements

anciens est forte et moins grande est la consommation électrique de la commune. En effet,

les logements anciens sont davantage chauffés à partir des autres énergies (gaz naturel dans

les grandes villes, bois ou fioul dans les campagnes). L’électricité apparait comme étant

l’énergie de chauffage des logements récents.

De même pour la variable CCCbis (pourcentage des logements avec un chauffage central

collectif). En effet, par définition, le chauffage central collectif ne concerne pas l’électricité.

Concernant la variable « bureaux », l’interprétation sur coefficient est complexe. Aussi je

décide d’éliminer cette variable :


38

R2 ajusté (coefficient de détermination) est de 0.962. Il signifie que 96.2% des

consommations réelles en électricité peuvent être expliquées par les variables explicatives

de la régression.

Les résidus sont-ils homoscédastiques ? (Qualité du modèle)

Pour répondre à cette question, je fais une régression de consommation électrique sur

ces 21 variables en faisant un test d’homoscédasticité avec deux méthodes :test de White et

test de Breusch Paggan dans la procédure Model. Cest tests ont pour hypothèses

H0 : les résidus sont homoscédastiques

Contre

H1 : les résidus sont hétéroscédastiques OU le modèle est mal spécifié.

Le résultat de ce test est :

Toute les p-values sont inférieures au seuil conventionnel de 5% qui conduit au rejet de

l’hypothèse nulle. Donc les résidus sont hétéroscédastiques ou le modèle est mal spécifié.

Ce graphique montre que les résidus sont fortement liés à la variable à expliquer.


39

Avec le problème d’hétéroscédasticité, les estimateurs issus de la méthode Moindres

Carrés Ordinaires (MCO) sont bons et sans biais. Mais les écart-types obtenus pour les

estimations des paramètres du modèle sont biaisés et les tests d’inférence statistique (p.e.,

les t-test, F-test et LM-test) ne sont pas fiables.

Pour remédier à ce problème d’hétéroscédasticité, procédons à la méthode des MCGF

(Moindres Carrés Généralisés Faisables).

Ce qui conduit au résultat suivant :

On observe un changement des paramètres estimés et un changement des valeurs des

écarts types. Certains ont perdu leur significativité au seuil de 5%. En effet un changement

de variance entraîne un changement de statistique de test, donc de p-value. Le R2 ajusté

diminue un peu pour atteindre 0.9293.

Nous allons itérer cette régression en retirant à chaque étape la variable la moins

significative (Backward manuel). Finalement on obtient :


40

Le coefficient de la variable Av75bis est encore négatif. R2 (coefficient de

détermination) est de 0.9293.

Les résidus sont homoscédastiques:


41

Le modèle global retenu est donc (R2 ajusté = 0.9293 ; résidus homoscédastiques) :

0 1 1 2 2 18 18...consoelecY X X X

Consommation estimée d’électricité =

148.12 - 341.14*av75bis + 2636.27*gazbis + 808.96*fioulbis + 3190.25*elecbis

+35.25*hotel_resto + 7.75*sante + 20.5*education + 43.46*sport_loisir_cult

+25.23*commerce + 29.22*transport + 30.52*Chimi_caoutchouc_plastique

+28.07*Metallurgie_et_transformation_de+37.7*Industrie_des_produits_mineraux

+41.1*Industries_agro_alimentaires+37.9*Industrie_du_papier_carton

+26.11*Industrie_textile_cuir_habill+13.49*Construction_electrique_et_electr

+14.69*Industries_diverses

Comme il existe les estimateurs négatifs dans la régression. 8 communes ont une

estimation négative de la consommation électrique (0.3%). Sur le graphique ci-dessous, je

vais faire une comparaison entre la consommation réelle et la consommation estimée par la

régression en éliminant ces 8 communes.


42

Analyse de la différence entre consommation réelle et consommation estimée de

l’électricité :

On peux constater une amélioration de la nouvelle modélisation parceque l’écart entre

la consommation réelle et la consommation estimée est entre -100 000Mwh et 50 000Mwh.

Au initial l’écart est entre -70 000Mwh et 80 000Mwh.


43

5.3 Application : le cas du Gaz Naturel

Supposons que seuls les logements chauffés en base au gaz naturel utilisent du gaz

naturel pour les autres usages notamment l’eau chaude sanitaire et la cuisson. Donc on

s’intéresse seulement 16 catégories de logements dans le résidentiel, 7 catégories pour le

tertiaire et 8 pour l’industrie (soit 31 variables explicatives). J’ai fait la régression sur toutes

les variables en utilisant la méthode backward. J’ai obtenu à la 14ème étape du processus les

résultats suivants pour la consommation en gaz naturel :

Parmi les 31 variables de départ, la méthode permet de garder les 18 variables les plus

significatives à 5%. Par la suite nous ne nous intéresserons qu’à ces 18 variables. Ces

coefficients sont significativement différents de 0 à 5%.

Mais il existe 5 variables avec un coefficient estimé négatif (ApCC75a81GN,

ApCI82a89GN, Transport, Chimie caoutchouc plastique, Industries du papier carton). Ces

coefficients sont difficilement interprétables. Nous décidons de les éliminer de la régression.


44

R2 ajusté est assez proche de 1. Il signifie que 97.07% des consommations réelles en gaz

naturel peuvent être expliquées par les variables explicatives dans la régression.

Les résidus sont-ils homoscédastiques ?

Pour répondre à cette question, je fais une régression de consommation du gaz naturel

sur ces 18 variables en faisant un test d’homoscédasticité avec deux méthodes :test de

White et test de Breusch Paggan dans la procédure Model. Ces tests ont pour hypothèses

H0 : les résidus sont homoscédastiques

Contre

H1 : les résidus sont hétéroscédastiques OU le modèle est mal spécifié.

Le résultat de ce test est :

Toutes les p-values sont inférieures au seuil conventionnel de 5% ce qui conduit au rejet

de l’hypothèse nulle. Donc les résidus sont hétéroscédastiques ou le modèle est mal spécifié.


45

Ce graphique montre que les résidus sont fortement liés à la variable à expliquer.

Avec le problème d’hétéroscédasticité, les estimateurs issus de la méthode Moindres

Carrés Ordinaires (MCO) sont bons et sans biais. Mais les variance sont fausses et tous les

tests seront faux.

Pour remédier à ce problème d’hétéroscédasticité, procédons à la méthode des MCGF

(Moindres Carrés Généralisés Faisables).

Ce qui conduit au résultat suivant :


46

On observe un changement des paramètres estimés et un changement des valeurs des

écarts types. Certains ont perdu leur significativité au seuil de 5%. En effet un changement

de variance entraîne un changement de statistique de test, donc de p-value. Le R2 diminue

un peu (0.9485).

Nous allons itérer cette régression en retirant à chaque étape la variable la moins

significative (Backward manuel). Finalement nous obtenons :

Les résidus deviennent homoscédastiques :

Ainsi le modèle global retenu pour la modélisation des consommations de gaz naturel est le

suivant :

R2 ajusté = 0.9485 ; résidus homoscédastiques


47

0 1 1 2 2 10 10...consogazY X X X

Consommation estimée de gaz naturel =

323.3 + 23.71*MCIav75GN + 30.62*ApCCav75GN + 13.7*ApCIav75GN +25.83*MCIap90GN

+37.1*ApCIap90GN +56.98*hotel_resto +10.46*sante +27.7*Industries_agro_alimentaires

+60.1*Industrie_textile_cuir_habill +10.39*Industrie_dverses

Analyse de la différence entre consommations réelles et consommations estimées du gaz

naturel:


48

On constate une amélioration de la nouvelle modélisation parceque le plus grand écart

entre la consommation réelle et la consommation estimée est entre -60000Mwh et 100000

Mwh. Au initial l’écart est entre -100000Mwh et 200000Mwh.

VI. Approche sectorielle (répartition)

Désormais il s’agit d’estimer les consommations énergétiques par secteur (résidentiel /

tertiaire / industrie). Pour l’électricité nous ne disposons que de 27 communes pour

lesquelles des secteurs sont différenciés (estimation ERDF). Comment puis-je estimer les

consommations sectorielles pour toutes les communes de Midi-Pyrénées ?

6.1 Méthodologie

Y=conso totale=Y1 + Y2 +Y3

Y1 : conso résidentielle

Y2 : conso tertiaire

Y3 : conso industrielle

Estimation des parts de ces 3 secteurs :


49

1 27

1 11 1 27

1 27

2 22 1 27

1 27

3 33 1 27

....%

....

....%

....

....%

....

total total

total total

total total

Y Yresidence

Y Y

Y Ytertiaire

Y Y

Y Yindustrie

Y Y

Pour chaque commune i, la consommation estimée est la suivante :

1 1

2 2

3 3

i i

total

i i

total

i i

total

Y Y

Y Y

Y Y

6.2 Verification de la qualité de prédiction

Pour vérifier la qualité de prédiction, je vais faire une comparaison entre les

consommations estimées par l’ancien modèle (ligne bleue), par la méthode des parts (ligne

verte) et avec les données fournies par ERDF (ligne rouge) pour ces 27 communes.

D’après ces trois graphiques, notons que la ligne rouge (données ERDF) et la ligne verte

(part estimée) se superposent pour ces trois secteurs. Mais la ligne bleue (ancien modèle)

dévie un peu la ligne rouge. La méthode des parts estimées 1 2 3, ,

semblent être une

bonne méthode de sectorisation des consommations énergétiques. Cependant l’exercice

ne porte que sur 27 communes.

Secteur résidentiel


50

Secteur tertaire

Secteur industriel


51

VII. Conclusion Durant mon stage j’ai réalisé différentes tâches : tests de corrélation, amélioration du

modèle global et proposition d’une méthode d’estimation des consommations sectorielles

Mes principaux résultats sont :

- La méthode proposée par l’OREMIP (et appliquée par de nombreux observatoires régionaux de l’énergie) pour estimer les consommations énergétiques au niveau communal est bonne (voir pages 25 et 28 – coefficients de corrélation pour les consommations de gaz naturel et d’électricité)

- J’ai construit deux nouveaux modèles globaux permettant l’estimation des consommations au niveau communal d’électricité (page 41) et de gaz naturel (page 47). Ces modèles sont bons (R2ajustés proches de 1 – résidus homoscédastiques). Ils pourront être utilisés pour estimer les données des communes alimentées par les régies locales, par RTE, par TIGF ou pour lesquelles les données sont ICS et donc non disponibles.

J’ai proposé une méthode permettant la sectorisation (résidentiel / tertiaire / industrie) des consommations d’énergie au niveau communal. Cependant l’idéal serait de disposer de données réelles fournies par ERDF et GRDF (consommation par secteur). Il est apparu complexe de définir un nouveau modèle. En effet peu de données sont disponibles annuellement au niveau communal sur l’ensemble de la région Midi-Pyrénées (en dehors des logements et des emplois).

Mon stage m’a permis de mettre en application mes connaissances relatives au logiciel SAS et en statistiques. D’autre part j’ai acquis de nombreuses connaissances dans le domaine de l’environnement et plus particulièrement de l’énergie.


52

VIII. Bibliographie

Livres:

Damodar N.Gujarati. Basic Econometrics. America. fourth edition. 1996.

Ruan Jin. De l’Introduction au Maîtrise du SAS. Posts & Telecom Press. Pékin, 2009.

SITES INTERNET CONSULTES:

http://perso.fundp.ac.be/~mpetijea/ModEco/ch07.pdf

http://www.gate.cnrs.fr/perso/fourni...edasticite.pdf

http://perso.fundp.ac.be/~mpetijea/ModEco/ch07.pdf

http://www.gate.cnrs.fr/perso/fournier/Notes_de_cours/Econometrie/3_Heteroscedasticite.pdf


53

IX. Annexe

Liste des communes

Liste des communes où se trouvent de grandes industries alimentées par RTE et TIGF


54

Liste des communes alimentées par Régie (électricité)

Formules du modèle initial pour calculer les consommations de gaz

naturel

Consommation estimée de gaz naturel

= consommation estimée résidentielle + consommation estimée tertiaire + consommation

estimée industrielle

= structure du parc de logement * coefficient unitaire gaz naturel résidentiel + structure

emploi tertiaire * coefficient unitaire gaz naturel tertaire + structure emploi industrie *

coefficient unitaire du gaz naturel industriel

Pour chaque commune, les formules pour calculer les consommations de gaz naturel dans la

résidence, le tertiaire et l’industrie sont les suivantes :

Consommation estimée de gaz naturel dans le tertiaire : = structure emploi tertiaire *coefficient unitaire gaz naturel tertaire

=nbr6 bureaux et administrations * CU7 bureaux et adminstration

+ nbr santé * CU santé

+nbr enseignement * CU enseignement

6 nbr

6 bureaux et administrations : Nombre d’emplois qui travaillent dans le secteur bureaux et administrations

7 CU

7 bureaux et adminstration : Consommation unitaire (kwh/emploi) du gaz naturel dans le secteur bureaux

et administrations


55

+nbr sport loisir culture * CU sport loisir culture

+nbr établissements du transport * CU établissements du transport

+nbr hotêls-cafés-restaurants * CU hotêls-cafés-restaurants

+nbr commerces * CU commerces

Consommation estimée de gaz naturel dans l’industrie: = structure emploi industriel *coefficient unitaire gaz naturel industriel

=nbr chimie, caoutchouc, plastique* CU chimie, caoutchouc, plastique

+ nbr métallurgie et transformation des métaux * CU métallurgie et transformation des métaux

+nbr industrie des produits minéraux * CU industrie des produits minéraux

+nbr industries agro alimentaires * CU industries agro alimentaires

+nbr industrie du papier carton * CU industrie du papier carton

+nbr industrie textile, cuir, habillement * CU industrie textile, cuir, habillement

+nbr construction naval et aéronautique * CU construction naval et aéronautique

+nbr construction électrique et électronique * CU construction électrique et électronique

+nbr industrie diverses * CU industrie diverses

Consommation estimée de gaz naturel dqns le résidentiel : = consommation estimée de gaz naturel pour le chauffage principal des résidences

+Consommation estimée de gaz naturel pour la production d’eau chaude sanitaire des résidences

+Consommation estimée de gaz naturel pour la cuisson des résidences

Consommation estimée de gaz naturel pour le chauffage principal des résidences

= parc de logements *coefficient unitaire gaz naturel résidentiel_chauffage principal

=(PLMCCav75GN8 * CUMCCav75GN_CP 9 + PLMCC75a81GN * CUMCC75a81GN_CP

+ PLMCC82a89GN * CUMCC82a89GN_CP + PLMCCap90GN * CUMCCap90GN_CP

+PLMCIav75GN10 * CUMCIav75GN_CP 11 + PLMCI75a81GN * CUMCI75a81GN_CP

8 PLMCCav75GN : Nombre de maisons de chauffage central collectif construites avant 1975 avec gaz naturel

9 CUMCCav75GN_CP : Consommation unitaire (kwh/m

2) du gaz naturel du chauffage principale pour les

maisons de chauffage central collectif construites avant 1975 avec gaz naturel 10

PLMCIav75GN : Nombre de maisons de chauffage central individuel construites avant 1975 avec gaz naturel


56

+ PLMCI82a89GN * CUMCI82a89GN_CP + PLMCIap90GN * CUMCIap90GN_CP) *11012

+PLApCCav75GN 13* CUApCCav75GN_CP 14 + PLApCC75a81GN * CUApCC75a81GN_CP

+PLApCC82a89GN * CUApCC82a89GN_CP + PLApCCap90GN * CUApCCap90GN_CP

+PLApCIav75GN15 * CUApCIav75GN_CP 16 + PLApCI75a81GN * CUApCI75a81GN_CP

+PLApCI82a89GN* CUApCI82a89GN_CP + PLApCIap90GN * CUApCIap90GN_CP) * 6517

Consommation estimée de gaz naturel pour la production d’eau chaude sanitaire des résidences

(d’après les hypothèses relatives aux énergies de production d’eau chaude sanitaire du tableau 3, 100% des appartements et 100% des maisons de chauffage central avec gaz naturel utilisent le gaz naturel pour produire l’eau chaude sanitaire)

= parc de logements *coefficient unitaire gaz naturel résidentiel_eau chaude sanitaire

= (PLMCCav75GN * CUMCCav75GN_ECS18 + PLMCC75a81GN * CUMCC75a81GN_ECS

+ PLMCC82a89GN * CUMCC82a89GN_ECS + PLMCCap90GN * CUMCCap90GN_ECS

+PLMCIav75GN * CUMCIav75GN_ECS 19 + PLMCI75a81GN * CUMCI75a81GN_ECS

+ PLMCI82a89GN * CUMCI82a89GN_ECS + PLMCIap90GN * CUMCIap90GN_ECS ) *110

+PLApCCav75GN * CUApCCav75GN_ECS 20 + PLApCC75a81GN * CUApCC75a81GN_ECS

11

CUMCIav75GN_CP : Consommation unitaire (kwh/m2) du gaz naturel du chauffage principal pour les maisons

de chauffage central individuel construites avant 1975 avec gaz naturel 12

110 : la surface (en m2) d’une maison par hypothèse

13 PLApCCav75GN : Nombre des appartements de chauffage central collectif construits avant 1975 avec gaz

naturel 14

CUApCCav75GN_CP : Consommation unitaire (kwh/m2) du gaz natruel du chauffage principal pour les

appartements de chauffage central collectif construits avant 1975 avec gaz naturel

15 PLApCIav75GN : Nombre des appartements de chauffage central individuel construits avant 1975 avec gaz

naturel 16

CUApCIav75GN_CP: Consommation unitaire (kwh/m2) du gaz naturel du chauffage principal pour les

appartements de chauffage central individuel construits avant 1975 avec gaz naturel

17 65 : la surface (en m2) d’un appartement par hypothèse

18 CUMCCav75GN_ECS : Consommation unitaire (kwh/m

2) du gaz naturel de production d’eau chaude sanitaire

pour les maisons de chauffage central collectif construites avant 1975 avec gaz naturel 19

CUMCIav75GN_ECS : Consommation unitaire (kwh/m

2) du gaz naturel de production d’eau chaude sanitaire

pour les maisons de chauffage central individuel construites avant 1975 avec gaz naturel 20

CUApCCav75GN_ECS : Consommation unitaire (kwh/m2) du gaz naturel de production d’eau chaude


57

+PLApCC82a89GN * CUApCC82a89GN_ECS + PLApCCap90GN * CUApCCap90GN_ECS

+PLApCIav75GN* CUApCIav75GN_ECS 21 + PLApCI75a81GN * CUApCI75a81GN_ECS

+PLApCI82a89GN* CUApCI82a89GN_ECS + PLApCIap90GN * CUApCIap90GN_ECS) * 65

Consommation estimée de gaz naturel pour la cuisson des résidences

(d’après les hypothèses relatives aux énergies de cuisson du tableau 2, une moitié des appartements et une moitié des maisons de chauffage central avec gaz naturel utilisent le gaz naturel pour la cuisson)

= parc de logements *coefficient unitaire gaz naturel résidentiel_cuisson

=(PLMCCav75GN * CUMCCav75GN_cuisson + PLMCC75a81GN * CUMCC75a81GN_cuisson

+ PLMCC82a89GN * CUMCC82a89GN_cuisson + PLMCCap90GN * CUMCCap90GN_cuisson

+PLMCIav75GN * CUMCIav75GN_cuisson + PLMCI75a81GN * CUMCI75a81GN_cuisson

+ PLMCI82a89GN*CUMCI82a89GN_cuisson + PLMCIap90GN*CUMCIap90GN_cuisson) *50%*110 +PLApCCav75GN * CUApCCav75GN_cuisson + PLApCC75a81GN * CUApCC75a81GN_cuisson

+PLApCC82a89GN * CUApCC82a89GN_cuisson + PLApCCap90GN * CUApCCap90GN_cuisson

+PLApCIav75GN* CUApCIav75GN_cuisson + PLApCI75a81GN * CUApCI75a81GN_cuisson

+PLApCI82a89GN*CUApCI82a89GN_cuisson+ PLApCIap90GN*CUApCIap90GN_cuisson)* 50%*65

Formules du modèle initial pour calculer les consommations d’électricité

Consommation estimée d’électricité

= consommation estimée résidentielle + consommation estimée tertiaire + consommation estimée industrielle

= structure du parc de logement * coefficient unitaire électricité résidentiel + structure emploi tertiaire * coefficient unitaire électricité tertiaire + sturcture emploi industrie * coefficient unitaire électricité industriel

sanitaire pour les appartements de chauffage central collectif construits avant 1975 avec gaz naturel

21 CUApCIav75GN_ECS : Consommation unitaire (kwh/m2) du gaz naturel de production d’eau chaude

sanitaire pour les appartements de chauffage central individuel construits avant 1975 avec gaz naturel


58

Pour chaque commune, les formules pour calculer les consommations estimées d’électricité dans le résidentiel, le tertiaire et l’industrie sont les suivantes :

Consommation estimée d’électricité - tertiaire : = structure emploi tertiaire *coefficient unitaire electricité tertaire

=nbr bureaux et administrations * CU bureaux et adminstration

+ nbr santé * CU santé

+nbr enseignement * CU enseignement

+nbr sport loisir culture * CU sport loisir culture

+nbr établissements du transport * CU établissements du transport

+nbr hotêls-cafés-restaurants * CU hotêls-cafés-restaurants

+nbr commerces * CU commerces

Consommation estimée d’électricité – secteur industriel : = structure emploi industriel *coefficient unitaire électricité industriel

=nbr chimie, caoutchouc, plastique* CU chimie, caoutchouc, plastique

+ nbr métallurgie et transformation des métaux * CU métallurgie et transformation des métaux

+nbr industrie des produits minéraux * CU industrie des produits minéraux

+nbr industries agro alimentaires * CU industries agro alimentaires

+nbr industrie du papier carton * CU industrie du papier carton

+nbr industrie textile, cuir, habillement * CU industrie textile, cuir, habillement

+nbr construction naval et aéronautique * CU construction naval et aéronautique

+nbr construction électrique et électronique * CU construction électrique et électronique

+nbr industrie diverses * CU industrie diverses

Consommation estimée d’électricité - résidentiel : = consommation estimée d’électricité pour le chauffage principal des résidences

+consommation estimée d’électricité pour le chauffage d’appoint des résidence

+consommation estimée d’électricité pour la production d’eau chaude sanitaire des résidences +consommation estimée d’électricité pour la cuisson des résidences

+consommation estimée d’électricité spécifique


59

Consommation estimée d’électricité pour le chauffage principal des résidences

= parc de logements *coefficient unitaire électricité résidentiel_chauffage principal

=(PLMCCav75elec* CUMCCav75elec_CP + PLMCC75a81elec * CUMCC75a81elec_CP

+ PLMCC82a89 elec * CUMCC82a89 elec_CP + PLMCCap90 elec * CUMCCap90 elec_CP

+PLMCIav75 elec * CUMCIav75 elec_CP + PLMCI75a81 elec * CUMCI75a81 elec_CP

+ PLMCI82a89 elec * CUMCI82a89 elec_CP + PLMCIap90 elec * CUMCIap90 elec_CP) *110

+PLApCCav75 elec * CUApCCav75 elec_CP + PLApCC75a81 elec * CUApCC75a81 elec_CP

+PLApCC82a89 elec * CUApCC82a89 elec_CP + PLApCCap90 elec * CUApCCap90 elec_CP

+PLApCIav75 elec * CUApCIav75 elec_CP + PLApCI75a81 elec * CUApCI75a81 elec_CP

+PLApCI82a89 elec * CUApCI82a89 elec_CP + PLApCIap90 elec * CUApCIap90 elec_CP) * 65

Consommation estimée d’électricité pour la production d’eau chaude sanitaire des résidences

(d’après les hypothèses relatives aux énergies de production d’eau chaude sanitaire du tableau 3, 100% des appartements et 100% des maisons de chauffage central avec chauffage urbain, avec électricité, avec bois et avec GPL utilisent l’électricité pour produire l’eau chaude sanitaire)

= parc de logements *coefficient unitaire électricité résidentiel_eau chaude sanitaire

= (PLMCCav75elec * CUMCCav75elec_ECS + PLMCC75a81elec * CUMCC75a81elec_ECS

+ PLMCC82a89elec * CUMCC82a89elec_ECS + PLMCCap90elec * CUMCCap90elec_ECS

+PLMCIav75elec * CUMCIav75 elec _ECS + PLMCI75a81 elec * CUMCI75a81 elec _ECS

+ PLMCI82a89 elec * CUMCI82a89 elec _ECS + PLMCIap90 elec * CUMCIap90 elec _ECS

+PLMCCav75chauffurbain * CUMCCav75chauffurbain_ECS

+PLMCC75a81chauffurbain * CUMCC75a81 chauffurbain _ECS

+ PLMCC82a89 chauffurbain * CUMCC82a89 chauffurbain _ECS

+ PLMCCap90 chauffurbain * CUMCCap90 chauffurbain _ECS

+PLMCIav75 chauffurbain * CUMCIav75 chauffurbain _ECS

+ PLMCI75a81 chauffurbain * CUMCI75a81 chauffurbain _ECS


60

+ PLMCI82a89 chauffurbain * CUMCI82a89 chauffurbain _ECS

+ PLMCIap90 chauffurbain * CUMCIap90 chauffurbain _ECS

+ PLMCCav75bois * CUMCCav75 bois _ECS + PLMCC75a81 bois * CUMCC75a81 bois _ECS

+ PLMCC82a89 bois * CUMCC82a89 bois _ECS + PLMCCap90 bois * CUMCCap90 bois _ECS

+PLMCIav75 bois * CUMCIav75 bois _ECS + PLMCI75a81 bois * CUMCI75a81 bois _ECS

+ PLMCI82a89 bois * CUMCI82a89 bois _ECS + PLMCIap90 bois * CUMCIap90 bois _ECS

+ PLMCCav75GPL * CUMCCav75 GPL _ECS + PLMCC75a81 GPL * CUMCC75a81 GPL _ECS

+ PLMCC82a89 GPL * CUMCC82a89 GPL _ECS + PLMCCap90 GPL * CUMCCap90 GPL _ECS

+PLMCIav75 GPL * CUMCIav75 GPL _ECS + PLMCI75a81 GPL * CUMCI75a81 GPL _ECS

+ PLMCI82a89 GPL * CUMCI82a89 GPL _ECS + PLMCIap90 GPL * CUMCIap90 GPL _ECS

) *110

+ (PLApCCav75 elec * CUApCCav75 elec _ECS + PLApCC75a81 elec * CUApCC75a81 elec _ECS

+PLApCC82a89 elec * CUApCC82a89 elec _ECS + PLApCCap90 elec * CUApCCap90 elec _ECS

+PLApCIav75 elec * CUApCIav75 elec _ECS + PLApCI75a81 elec * CUApCI75a81 elec _ECS

+PLApCI82a89 elec * CUApCI82a89 elec _ECS + PLApCIap90 elec * CUApCIap90 elec _ECS

+PLApCCav75chauffurbain * CUApCCav75chauffurbain_ECS

+PLApCC75a81chauffurbain * CUApCC75a81 chauffurbain _ECS

+ PLApCC82a89 chauffurbain * CUApCC82a89 chauffurbain _ECS

+ PLApCCap90 chauffurbain * CUApCCap90 chauffurbain _ECS

+PLApCIav75 chauffurbain * CUApCIav75 chauffurbain _ECS

+ PLApCI75a81 chauffurbain * CUApCI75a81 chauffurbain _ECS

+ PLApCI82a89 chauffurbain * CUApCI82a89 chauffurbain _ECS

+ PLApCIap90 chauffurbain * CUApCIap90 chauffurbain _ECS


61

+ PLApCCav75bois * CUApCCav75 bois _ECS + PLApCC75a81 bois * CUApCC75a81 bois _ECS

+ PLApCC82a89 bois * CUApCC82a89 bois _ECS + PLApCCap90 bois * CUApCCap90 bois _ECS

+PLApCIav75 bois * CUApCIav75 bois _ECS + PLApCI75a81 bois * CUApCI75a81 bois _ECS

+ PLApCI82a89 bois * CUApCI82a89 bois _ECS + PLApCIap90 bois * CUApCIap90 bois _ECS

+ PLApCCav75GPL * CUApCCav75 GPL _ECS + PLApCC75a81 GPL * CUApCC75a81 GPL _ECS

+ PLApCC82a89 GPL * CUApCC82a89 GPL _ECS + PLApCCap90 GPL * CUApCCap90 GPL _ECS

+PLApCIav75 GPL * CUApCIav75 GPL _ECS + PLApCI75a81 GPL * CUApCI75a81 GPL _ECS

+ PLApCI82a89 GPL * CUApCI82a89 GPL _ECS + PLApCIap90 GPL * CUApCIap90 GPL _ECS)*65

Consommation estimée d’électricité pour le chauffage d’appoint des résidences

(d’après les hypothèses relatives aux énergies de chauffage d’appoint du tableau 1, 25% des maisons de chauffage central avec chauffage urbain, avec fioul, avec gaz naturel et avec GPL et 100% des maisons avec bois utilisent l’électricité pour le chauffage d’appoint. En plus 100% des appartements de chauffage central avec chauffage urbain, avec fioul, avec gaz naturel, avec bois et avec GPL utilisent l’électricité pour le chauffage d’appoint)

La formule est longue et respecte les mêmes règles que précédemment.

Consommation estimée d’électricité pour la cuisson des résidences

(d’après les hypothèses relatives aux énergies de cuisson du tableau 2, 50% des maisons et 50% des appartements de chauffage central avec chauffage urbain, avec fioul, avec gaz naturel, avec électricité, avec bois et avec GPL utilisent l’électricité pour la cuisson.

La formule est longue et respecte les mêmes règles que précédemment.

Consommation estimée d’électricité spécifique

(on utilise l’électricité spécifique pour les maisons et les appartements de chauffage central avec chauffage urbain, avec fioul, avec gaz naturel, avec électricité, avec bois et avec GPL)

= parc de logements *coefficient unitaire électricité spécifique résidentiel

=(PLMCCav75elec * CUMCCav75elec_elecspec + PLMCC75a81elec * CUMCC75a81elec_ elecspec


62

+ PLMCC82a89elec * CUMCC82a89elec_ elecspec + PLMCCap90elec * CUMCCap90elec_ elecspec

+PLMCIav75elec * CUMCIav75 elec _ elecspec + PLMCI75a81 elec * CUMCI75a81 elec _ elecspec

+ PLMCI82a89 elec * CUMCI82a89 elec _elecspec + PLMCIap90 elec * CUMCIap90 elec _ elecspec

+PLMCCav75chauffurbain * CUMCCav75chauffurbain_ elecspec

+PLMCC75a81chauffurbain * CUMCC75a81 chauffurbain _ elecspec

+ PLMCC82a89 chauffurbain * CUMCC82a89 chauffurbain _ elecspec

+ PLMCCap90 chauffurbain * CUMCCap90 chauffurbain _ elecspec

+PLMCIav75 chauffurbain * CUMCIav75 chauffurbain _ elecspec

+ PLMCI75a81 chauffurbain * CUMCI75a81 chauffurbain _ elecspec

+ PLMCI82a89 chauffurbain * CUMCI82a89 chauffurbain _ elecspec

+ PLMCIap90 chauffurbain * CUMCIap90 chauffurbain _ elecspec

+PLMCCav75bois*CUMCCav75 bois_elecspec + PLMCC75a81 bois * CUMCC75a81 bois _ elecspec

+PLMCC82a89bois*CUMCC82a89 bois_elecspec + PLMCCap90bois * CUMCCap90 bois _ elecspec

+PLMCIav75 bois * CUMCIav75 bois _ elecspec + PLMCI75a81 bois * CUMCI75a81 bois _ elecspec

+ PLMCI82a89 bois* CUMCI82a89bois_ elecspec + PLMCIap90 bois * CUMCIap90 bois _ elecspec

+PLMCCav75GPL*CUMCCav75 GPL _ elecspec + PLMCC75a81 GPL * CUMCC75a81 GPL _ elecspec

+ PLMCC82a89GPL*CUMCC82a89 GPL _ elecspec + PLMCCap90 GPL*CUMCCap90 GPL _ elecspec

+PLMCIav75GPL * CUMCIav75 GPL _ elecspec + PLMCI75a81 GPL * CUMCI75a81 GPL _ elecspec

+ PLMCI82a89 GPL * CUMCI82a89 GPL _ elecspec + PLMCIap90 GPL * CUMCIap90 GPL _ elecspec


63

+PLMCCav75fioul*CUMCCav75fioul _elecspec + PLMCC75a81fioul * CUMCC75a81fioul_ elecspec

+ PLMCC82a89fioul*CUMCC82a89fioul_elecspec + PLMCCap90 fioul*CUMCCap90 fioul_ elecspec

+PLMCIav75 fioul * CUMCIav75 fioul _ elecspec + PLMCI75a81 fioul* CUMCI75a81fioul_ elecspec

+ PLMCI82a89fioul * CUMCI82a89fioul _ elecspec + PLMCIap90fioul * CUMCIap90fioul _ elecspec

+PLMCCav75gaz*CUMCCav75 gaz _elecspec + PLMCC75a81 gaz * CUMCC75a81 gaz _ elecspec

+ PLMCC82a89 gaz *CUMCC82a89 gaz _elecspec + PLMCCap90 gaz *CUMCCap90 gaz _ elecspec

+PLMCIav75 gaz * CUMCIav75 gaz _ elecspec + PLMCI75a81 gaz * CUMCI75a81 gaz _ elecspec

+ PLMCI82a89 gaz * CUMCI82a89 gaz _ elecspec + PLMCIap90 gaz * CUMCIap90gaz _ elecspec

) *110

+ (PLApCCav75elec*CUApCCav75elec_elecspec + PLApCC75a81elec*CUApCC75a81elec_ elecspec

+PLApCC82a89 elec*CUApCC82a89elec_elecspec + PLApCCap90elec*CUApCCap90elec_ elecspec

+PLApCIav75 elec * CUApCIav75 elec _ elecspec + PLApCI75a81 elec*CUApCI75a81elec_ elecspec

+PLApCI82a89 elec * CUApCI82a89 elec _ elecspec + PLApCIap90elec*CUApCIap90elec_ elecspec

+PLApCCav75chauffurbain * CUApCCav75chauffurbain_ elecspec

+PLApCC75a81chauffurbain * CUApCC75a81 chauffurbain _ elecspec

+ PLApCC82a89 chauffurbain * CUApCC82a89 chauffurbain _ elecspec

+ PLApCCap90 chauffurbain * CUApCCap90 chauffurbain _ elecspec

+PLApCIav75 chauffurbain * CUApCIav75 chauffurbain _ elecspec


64

+ PLApCI75a81 chauffurbain * CUApCI75a81 chauffurbain _ elecspec

+ PLApCI82a89 chauffurbain * CUApCI82a89 chauffurbain _ elecspec

+ PLApCIap90 chauffurbain * CUApCIap90 chauffurbain _ elecspec

+ PLApCCav75bois*CUApCCav75 bois_elecspec + PLApCC75a81bois*CUApCC75a81bois_ elecspec

+ PLApCC82a89bois*CUApCC82a89bois_elecspec + PLApCCap90bois*CUApCCap90bois_ elecspec

+PLApCIav75bois * CUApCIav75bois_elecspec + PLApCI75a81 bois * CUApCI75a81 bois _ elecspec

+ PLApCI82a89bois * CUApCI82a89bois_elecspec + PLApCIap90bois * CUApCIap90bois _ elecspec

+PLApCCav75fioul*CUMCCav75fioul_elecspec + PLApCC75a81fioul* CUMCC75a81fioul_ elecspec

+PLApCC82a89fioul*CUMCC82a89fioul_elecspec + PLApCCap90fioul*CUMCCap90fioul_ elecspec

+PLApCIav75fioul * CUApCIav75 fioul_elecspec + PLApCI75a81fioul* CUApCI75a81fioul_ elecspec

+PLApCI82a89fioul * CUApCI82a89fioul_elecspec + PLApCIap90fioul *CUApCIap90fioul_ elecspec

+PLApCCav75gaz*CUApCCav75 gaz _elecspec + PLApCC75a81 gaz * CUApCC75a81 gaz _ elecspec

+PLApCC82a89gaz *CUApCC82a89 gaz _elecspec + PLApCCap90 gaz *CUApCCap90 gaz _ elecspec

+PLApCIav75 gaz * CUApCIav75 gaz _ elecspec + PLApCI75a81 gaz * CUApCI75a81 gaz _ elecspec

+ PLApCI82a89 gaz * CUApCI82a89 gaz _ elecspec + PLApCIap90 gaz * CUApCIap90gaz _ elecspec

+ PLApCCav75GPL* CUApCCav75GPL_elecspec + PLApCC75a81GPL * CUApCC75a81GPL_ elecspec


65

+ PLApCC82a89GPL *CUApCC82a89GPL_elecspec + PLApCCap90GPL *CUApCCap90GPL_ elecspec

+PLApCIav75GPL *CUApCIav75 GPL _ elecspec + PLApCI75a81 GPL * CUApCI75a81 GPL _ elecspec

+PLApCI82a89GPL*CUApCI82a89GPL_elecspec + PLApCIap90GPL*CUApCIap90GPL_ elecspec)*65

Code SAS

/*importation les données de la consommation estimée du résidence à niveau

communal*/

/*importation les données de la consommation estimée du tertiaire à niveau

communal*/

/*importation les données de la consommation estimée de industrie à niveau

communal*/

/*importation des données réel de la consommation du GAZ*/

/*importation des données réel de la consommation de l'électricité*/

/*combinaison des consommations residence tertiaire et industrie*/

data oremip.consoestim;

merge oremip.residence oremip.tertiaire oremip.industrie;

by Code_INSEE;

run;


set oremip.consoestim;

Conso_thermique_Elec__Mwh=Conso_thermique_Elec/1000;

Conso_thermique_GN__Mwh=Conso_thermique_GN/1000;

Conso_Elec_Specifique__Mwh=Conso_Elec_Specifique/1000;

Electricite_spe__Mwh=Electricite_spe;

UT_elec__Mwh=UT_elec;

UT_gaz__Mwh=UT_gaz;

run;



keep Code_INSEE COMMUNE Conso_thermique_Elec__Mwh Conso_thermique_GN__Mwh

Conso_Elec_Specifique__Mwh Electricite_spe__Mwh UT_elec__Mwh UT_gaz__Mwh

GAZ__Mwh_ ELECTRICITE__Mwh_;

run;

/**************************************************************************

***********************************************/

/*******************table de la consommation estimé du

gaz***************************************************************/

/**************************************************************************

***********************************************/

data oremip.consogazestim;



66

consogaz_total=Conso_thermique_GN__Mwh + UT_gaz__Mwh+ GAZ__Mwh_;

keep Code_INSEE COMMUNE Conso_thermique_GN__Mwh UT_gaz__Mwh GAZ__Mwh_

consogaz_total;

run;

/*creation une table gaztest comprenant consommation réelle et consommation

estimée*/

proc sort data=oremip.consogazestim;

by Code_INSEE;

run;

proc sort data=oremip.consogazreel;

by Code_INSEE;

run;

data oremip.testgaz (keep=Code_INSEE COMMUNE Conso_thermique_GN__Mwh

UT_gaz__Mwh GAZ__Mwh_ consogaz_total Total_vol);

merge oremip.consogazestim oremip.consogazreel;

by Code_INSEE;

run;

/*trouver 4 communes mesuré par Regie, pas par GRDF*/

data oremip.testgaz;

set oremip.testgaz;

rename GAZ__Mwh_=industrie;

rename Conso_thermique_GN__Mwh=residence;

rename UT_gaz__Mwh=tertiaire;

rename consogaz_total=consoestime;

rename total_vol=consoreelGRDF;

run;

proc sql;

select Code_INSEE, COMMUNE, consoreelGRDF

from oremip.testgaz

where COMMUNE="Lannemezan";

run;/* 65258 Lannemezan*/

proc sql;

select Code_INSEE, COMMUNE ,consoreelGRDF

from oremip.testgaz

where COMMUNE="Carmaux";

run;/* 81060 Carmaux*/

proc sql;

select Code_INSEE, COMMUNE,consoreelGRDF

from oremip.testgaz

where COMMUNE="Lavaur";

run;/* 81140 Lavaur*/

proc sql;

select Code_INSEE, COMMUNE

from oremip.testgaz

where COMMUNE="Carmausin";

run;

/*supprimation les 4 commune regies et 33 communes avec grandes industries:

gazgarde*/

data oremip.gazgarde;

set oremip.testgaz;

if (Code_INSEE in

('65258','81060','81140','9225','9261','9282','9331','12174','31069','31084

','31149','31303','31324','31403','31451','31483','31555',

'32155','65230','65258','65304','65440','81004','81105','81114','81297','31

291','32027','65417','81120','12233','81238','46294'))

then delete;

run;

/*supprimer les communes ou il n'y a pas de donnees consoreelGRDF*/


set oremip.gazgarde;

if consoreelGRDF=" " then delete;


67

if consoreelGRDF=0 then delete;

run;

/*graphique de la relation entre consommation estimée et consommation

réelle*/

title "comparaison entre la consommation reelle et estimee du gaz naturel";

proc gplot data=oremip.gazgarde;

plot consoreelGRDF*consoestime;

run;



diff=consoestime-consoreelGRDF;

run;

proc means data =oremip.gazgarde;

var diff;

run;

data essai;

set oremip.gazgarde1;

if diff= -99062.68;

run;

proc print data=essai;

run;

/*graphique de la difference selon les departements*/

title "ecart entre la consommation reelle et estimee selon les code INSEE";

proc gplot data oremip.gazgarde;

plot diff*Code_INSEE;

run;

/*correlation entre consoestim et consoreelGRDF */

proc corr data=oremip.gazgarde;

var consoestime consoreelGRDF;

run;

/*test de non-différence: test wilcoxon*/

proc means data=oremip.gazgarde;

var consoestime consoreelGRDF;

run;

data test1(keep=Code_INSEE conso groupe );


rename consoestime=conso;

groupe=1;

run;

data test2(keep=Code_INSEE conso groupe);


rename consoreelGRDF=conso;

groupe=2;

run;

data test;

set test1 test2;

run;

proc npar1way data=test wilcoxon;

var conso;

class groupe;

output out=test;

run;

/*identifier les points aberrants pour le gaz*/

data pa;


if diff>-30000 and diff<30000

then ref=1;else ref=0;

run;

proc freq data=pa;

tables ref;

run;


68

proc print data=pa;

where ref=0;

run;

/*identifier les communes qui ont une fausse enquête de chauffage gaz

naturel: pas encore fini*/

data enquetegaz(keep=Code_INSEE COMMUNE consoestime consoreelGRDF indesti);


if consoestime=0 then indesti=0; else indesti=1;

run;

data enquetegaz;

set enquetegaz;

if consoreelGRDF='.' then indreel=0; else indreel=1;

run;

data enquetegaz1;

set enquetegaz;

if indreel=indesti;

run;

/**************************************************************************

*********************************************************************/

/*table de la consommation estimé de l'electricite

*/

/**************************************************************************

*********************************************************************/

data oremip.consoelecestim;


consoelec_total= Conso_thermique_Elec__Mwh + Conso_Elec_Specifique__Mwh+

Electricite_spe__Mwh + UT_elec__Mwh + ELECTRICITE__Mwh_;

keep Code_INSEE COMMUNE Conso_thermique_Elec__Mwh

Conso_Elec_Specifique__Mwh

Electricite_spe__Mwh UT_elec__Mwh

ELECTRICITE__Mwh_ consoelec_total;

run;

/*creation une table electest comprenant consommation réelle et

consommation estimée*/

proc sort data=oremip.consoelecestim;

by Code_INSEE;

run;

proc sort data=oremip.consoelecreel;

by Code_INSEE;

run;

data oremip.testelec (keep=Code_INSEE COMMUNE ELECTRICITE__Mwh_

Conso_thermique_Elec__Mwh Conso_Elec_Specifique__Mwh

Electricite_spe__Mwh

UT_elec__Mwh consoelec_total Consommation_Totale_en_mWh consoreel_ERDF);

merge oremip.consoelecestim oremip.consoelecreel;

by Code_INSEE;

run;

data oremip.testelec(keep=Code_INSEE COMMUNE residence tertiaire industrie

consoestim Consommation_Totale_en_mWh consoreel_ERDF);

set oremip.testelec;

residence=Conso_thermique_Elec__Mwh+Conso_Elec_Specifique__Mwh;

tertiaire=Electricite_spe__Mwh+UT_elec__Mwh;

industrie=ELECTRICITE__Mwh_;

rename consoelec_total=consoestim;


69

run;

/*supprimation gros industrie censees directement par RTE et les communes

regies */

data oremip.elecgarde;

set oremip.testelec;

if (Code_INSEE in

('09006','09110','09188','09225','09228','12305','31044','31069','31084','3

1316','31334','31433','31483','31555','65054','65092','65362','65417','8112

0','81257','82033',

'9016', '9076' , '9104' , '9139' , '9147' , '9170', '9185' ,'9188' ,

'9189 ' , '9240 ', '9275 ' ,'9282 ', '9306','9324', '9334', '31135 ' ,

'31325 ', '31345 ', '31376 ', '65128 ', '65169 ', '65174 ', '65229', '65259

', '65296', '81009', '81012', '81061' , '81069' , '81073', '81090',

'81111','81115',

'81123', '81136','81141', '81142', '81169', '81171', '81173', '81181',

'81187 ' ,'81200' , '81231', '81237 ', '81246 ','81250', '81255','81267',

'81276', '81281' ,'81292 ','81293','81303',

'81305','81323 ')) then delete;

run;

/*supprimer les communes aberrant (commune 32002 car la consoerdf est

negatif) et les communes ou il y pas de donnees*/


set oremip.elecgarde;

if Consommation_Totale_en_mWh="ICS " then delete;

if consoreel_ERDF=-27.2200000 then delete;/* 32002 Ansan */

if consoreel_ERDF=0 then delete;

run;

/*graphique de la relation entre consommation estimée et consommation

réelle*/

axis1 order=(0 to 500000 by 100000);

title "comparaison entre la consommation reelle et estimee de

l'electricite";

proc gplot data=oremip.elecgarde;

plot consoestim*consoreel_ERDF;

run;



diff=consoestim-consoreel_ERDF;

run;

/*graphique de la difference selon les departements*/

title "ecart entre la consommation reelle et estimee selon les code INSEE";

proc gplot data=oremip.elecgarde;

plot diff*Code_INSEE;

run;

/*correlation entre consoestim et consoreel_ERDF */

proc corr data=oremip.elecgarde;

var consoestim consoreel_ERDF;

run;

proc means data=oremip.elecgarde;

var consoreel_ERDF;

run;

/*test de non-différence: test de wilcoxon*/

proc means data=oremip.elecgarde;

var consoestim consoreel_ERDF;

run;

data test1(keep=Code_INSEE conso groupe );


rename consoestim=conso;

groupe=1;

run;


70

data test2(keep=Code_INSEE conso groupe);


rename consoreel_ERDF=conso;

groupe=2;

run;

data test;

set test1 test2;

run;

proc npar1way data=test wilcoxon;

var conso;

class groupe;

output out=test;

run;

/*identifier les point aberrants pour électricité*/

data pa;


if diff>20000 and diff<40000

then output pa;

run;/*Rodez 12202*/

data pa;


if diff>65000 and diff<80000

then output pa;

run;

/*31149 comomiers 81065 Castes*/

data pa;


if diff>-70000 and diff<-60000

then output pa;

run;

/*12176 Onet-le-Ch?teau*/

data pa;


if diff>-30000 and diff<-20000

then output pa;

run;

/*31118 Castelnau-d'Estrétefon 46029 Biars-sur-Cère*/

data pa;



then ref=1;else ref=0;

run;

proc freq data=pa;

tables ref;

run;

proc print data=pa;

where ref=0;

run;

/*calculer le nombre de communes pour chaque tranche de diff*/

data pa;



then output pa;

run;

data pa;

set pa;

if diff>-15000 and diff<15000 then ref=1;

else ref=0;

run;

proc freq data=pa;


71

tables ref;

run;

/*2894 pts dans (-15000 15000) sauf 9 points*/

/*********************************************/

/*correlation entre conso réel ERDF et GRDF***/

/********************************************/

proc sort data=oremip.consoelecreel;

by Code_INSEE;

run;

proc sort data=oremip.consogazreel;

by Code_INSEE;

run;

data oremip.corr;

merge oremip.consoelecreel oremip.consogazreel;

by Code_INSEE;

run;

data oremip.corr;

set oremip.corr;

rename Total_vol=consoreel_GRDF;

run;

data oremip.corr(keep=Code_INSEE consoreel_GRDF consoreel_ERDF);

set oremip.corr;

if consoreel_GRDF="" then consoreel_GRDF=0;

if consoreel_ERDF=ICS then consoreel_GRDF=0;

if Code_INSEE=32002 then delete;

run;

proc corr data=oremip.corr;

var consoreel_GRDF consoreel_ERDF;

run;

/*compter le nb des communes ou il y a consoreelgaz et consoreelelec*/

data oremip.consoelecreel1(keep=Code_INSEE Nom_Commune consoreel_ERDF);

set oremip.consoelecreel;


if consoreel_ERDF=ICS then delete;

if Code_INSEE=32002 then delete;

run;/*2968 communes*/

proc means data=oremip.consoelecreel1;

var consoreel_ERDF;

run;

data oremip.consogazreel1(keep=Code_INSEE Nom_de_la_commune consoreel_GRDF);

set oremip.consogazreel;

rename Total_vol=consoreel_GRDF;

if Total_vol=0 then delete;

if Total_vol="" then delete;


proc means data=oremip.consogazreel1;

var consoreel_GRDF;

run;

/*boxplot*/

data oremip.consoelecreelpetit consoelecreelgrand;

set oremip.consoelecreel1;

select;

when (consoreel_ERDF>100000) output consoelecreelgrand;

otherwise output oremip.consoelecreelpetit;

end;

run;

proc means data=oremip.consoelecreelpetit;

var consoreel_ERDF;


72

run;

data oremip.consogazreelpetit consogazreelgrand;

set oremip.consogazreel1;

select;

when (consoreel_GRDF>100000) output consogazreelgrand;

otherwise output oremip.consogazreelpetit;

end;

run;

proc reg data=reg.regressiontotalproportion_elec;

model consoreel_ERDF=MIbis AV75bis De75a81bis De82a89bis CUbis GAZbis

FIOULbis ELECbis GPLbis

hotel_resto sante education sport_loisir_cult bureautransport commerce

Chimie__caoutchouc__plastique Metallurgie_et_transformation_de

Industrie_des_produits_mineraux Industries_agro_alimentaires

Industrie_du_papier_carton Industrie_textile__cuir__habill

Construction_naval_et_aeronautiq Contruction_electrique_et_electr

Industries_diverses/selection=backward slstay=0.05 ;

run;

/*importation du fichier parclogement*/

/*créer nouvelles variables proportions*/

data reg.parclogement2(keep= COMMUNE VT MI CCC AV75 De75a81 De82a89 CU GAZ

FIOUL ELEC GPL );/*creer les nouvelle variables */

set reg.parclogement;

VT

=MCCav75CU+MCC75a81CU+MCC82a89CU+MCCap90CU

+MCCav75GN+MCC75a81GN+MCC82a89GN+MCCap90GN

+MCCav75Fioul+MCC75a81Fioul+MCC82a89Fioul+MCCap90Fioul

+MCCav75Elec+MCC75a81Elec+MCC82a89Elec+MCCap90Elec

+MCCav75GPL+MCC75a81GPL+MCC82a89GPL+MCCap90GPL

+MCCav75autre+MCC75a81autre+MCC82a89autre+MCCap90autre

+MCIav75CU+MCI75a81CU+MCI82a89CU+MCIap90CU

+MCIav75GN+MCI75a81GN+MCI82a89GN+MCIap90GN

+MCIav75Fioul+MCI75a81Fioul+MCI82a89Fioul+MCIap90Fioul

+MCIav75Elec+MCI75a81Elec+MCI82a89Elec+MCIap90Elec

+MCIav75GPL+MCI75a81GPL+MCI82a89GPL+MCIap90GPL

+MCIav75autre+MCI75a81autre+MCI82a89autre+MCIap90autre

+ApCCav75CU+ApCC75a81CU+ApCC82a89CU+ApCCap90CU

+ApCCav75GN+ApCC75a81GN+ApCC82a89GN+ApCCap90GN

+ApCCav75Fioul+ApCC75a81Fioul+ApCC82a89Fioul+ApCCap90Fioul

+ApCCav75Elec+ApCC75a81Elec+ApCC82a89Elec+ApCCap90Elec

+ApCCav75GPL+ApCC75a81GPL+ApCC82a89GPL+ApCCap90GPL

+ApCCav75autre+ApCC75a81autre+ApCC82a89autre+ApCCap90autre

+ApCIav75CU+ApCI75a81CU+ApCI82a89CU+ApCIap90CU

+ApCIav75GN+ApCI75a81GN+ApCI82a89GN+ApCIap90GN

+ApCIav75Fioul+ApCI75a81Fioul+ApCI82a89Fioul+ApCIap90Fioul

+ApCIav75Elec+ApCI75a81Elec+ApCI82a89Elec+ApCIap90Elec

+ApCIav75GPL+ApCI75a81GPL+ApCI82a89GPL+ApCIap90GPL

+ApCIav75autre+ApCI75a81autre+ApCI82a89autre+ApCIap90autre;

MI=MCCav75CU+MCC75a81CU+MCC82a89CU+MCCap90CU






73







+MCIav75autre+MCI75a81autre+MCI82a89autre+MCIap90autre;

CCC=MCCav75CU+MCC75a81CU+MCC82a89CU+MCCap90CU











+ApCCav75autre+ApCC75a81autre+ApCC82a89autre+ApCCap90autre;

AV75=MCCav75CU + MCCav75GN+ MCCav75Fioul+ MCCav75Elec +MCCav75GPL+

MCCav75autre+

MCIav75CU+ MCIav75GN+ MCIav75Fioul+ MCIav75Elec+ MCIav75GPL+ MCIav75autre+

ApCCav75CU+ ApCCav75GN +ApCCav75Fioul +ApCCav75Elec+ ApCCav75GPL

+ApCCav75autre+

ApCIav75CU+ ApCIav75GN+ ApCIav75Fioul+ ApCIav75Elec +ApCIav75GPL+

ApCIav75autre;

De75a81=MCC75a81CU + MCC75a81GN+ MCC75a81Fioul+ MCC75a81Elec +MCC75a81GPL+

MCC75a81autre+

MCI75a81CU+ MCI75a81GN+ MCI75a81Fioul+ MCI75a81Elec+ MCI75a81GPL+

MCI75a81autre+

ApCC75a81CU+ ApCC75a81GN +ApCC75a81Fioul +ApCC75a81Elec+ ApCC75a81GPL

+ApCC75a81autre+

ApCI75a81CU+ ApCI75a81GN+ ApCI75a81Fioul+ ApCI75a81Elec +ApCI75a81GPL+

ApCI75a81autre;

De82a89=MCC82a89CU + MCC82a89GN+ MCC82a89Fioul+ MCC82a89Elec +MCC82a89GPL+

MCC82a89autre+

MCI82a89CU+ MCI82a89GN+ MCI82a89Fioul+ MCI82a89Elec+ MCI82a89GPL+

MCI82a89autre+

ApCC82a89CU+ ApCC82a89GN +ApCC82a89Fioul +ApCC82a89Elec+ ApCC82a89GPL

+ApCC82a89autre+

ApCI82a89CU+ ApCI82a89GN+ ApCI82a89Fioul+ ApCI82a89Elec +ApCI82a89GPL+

ApCI82a89autre;

CU=MCCav75CU+MCC75a81CU+MCC82a89CU+MCCap90CU



+ApCIav75CU+ApCI75a81CU+ApCI82a89CU+ApCIap90CU;

GAZ=MCCav75GN+MCC75a81GN+MCC82a89GN+MCCap90GN



+ApCIav75GN+ApCI75a81GN+ApCI82a89GN+ApCIap90GN;

FIOUL=MCCav75Fioul+MCC75a81Fioul+MCC82a89Fioul+MCCap90Fioul



74


+ApCIav75Fioul+ApCI75a81Fioul+ApCI82a89Fioul+ApCIap90Fioul;

ELEC=MCCav75Elec+MCC75a81Elec+MCC82a89Elec+MCCap90Elec



+ApCIav75Elec+ApCI75a81Elec+ApCI82a89Elec+ApCIap90Elec;

GPL=MCCav75GPL+MCC75a81GPL+MCC82a89GPL+MCCap90GPL



+ApCIav75GPL+ApCI75a81GPL+ApCI82a89GPL+ApCIap90GPL;

run;

data reg.parclogement2bis(keep= COMMUNE VT MI CCC AV75 De75a81 De82a89 CU

GAZ FIOUL ELEC GPL MIbis CCCbis AV75bis De75a81bis De82a89bis CUbis GAZbis

FIOULbis ELECbis GPLbis);

set reg.parclogement2;

MIbis=MI/VT;

CCCbis=CCC/VT;

AV75bis=AV75/VT;

De75a81bis=De75a81/VT;

De82a89bis=De82a89/VT;

CUbis=CU/VT;

GAZbis=GAZ/VT;

FIOULbis=FIOUL/VT;

ELECbis=ELEC/VT;

GPLbis=GPL/VT;

run;

data reg.parclogement2bis;

set reg.parclogement2bis;

rename COMMUNE=Code_INSEE;

run;

/********************crer les variable apres 1975*************/

data reg.parclogement1;

set reg.parclogement;

MCCap75CU=MCC75a81CU+MCC82a89CU+MCCap90CU;

MCCap75GN=MCC75a81GN+MCC82a89GN+MCCap90GN;

MCCap75Fioul=MCC75a81Fioul+MCC82a89Fioul+MCCap90Fioul;

MCCap75Elec=MCC75a81Elec+MCC82a89Elec+MCCap90Elec;

MCCap75GPL=MCC75a81GPL+MCC82a89GPL+MCCap90GPL;

MCCap75autre=MCC75a81autre+MCC82a89autre+MCCap90autre;

MCIap75CU=MCI75a81CU+MCI82a89CU+MCIap90CU;

MCIap75GN=MCI75a81GN+MCI82a89GN+MCIap90GN;

MCIap75Fioul=MCI75a81Fioul+MCI82a89Fioul+MCIap90Fioul;

MCIap75Elec=MCI75a81Elec+MCI82a89Elec+MCIap90Elec;

MCIap75GPL=MCI75a81GPL+MCI82a89GPL+MCIap90GPL;

MCIap75autre=MCI75a81autre+MCI82a89autre+MCIap90autre;

ApCCap75CU=ApCC75a81CU+ApCC82a89CU+ApCCap90CU;

ApCCap75GN=ApCC75a81GN+ApCC82a89GN+ApCCap90GN;

ApCCap75Fioul=ApCC75a81Fioul+ApCC82a89Fioul+ApCCap90Fioul;

ApCCap75Elec=ApCC75a81Elec+ApCC82a89Elec+ApCCap90Elec;

ApCCap75GPL=ApCC75a81GPL+ApCC82a89GPL+ApCCap90GPL;

ApCCap75autre=ApCC75a81autre+ApCC82a89autre+ApCCap90autre;

ApCIap75CU=ApCI75a81CU+ApCI82a89CU+ApCIap90CU;


75

ApCIap75GN=ApCI75a81GN+ApCI82a89GN+ApCIap90GN;

ApCIap75Fioul=ApCI75a81Fioul+ApCI82a89Fioul+ApCIap90Fioul;

ApCIap75Elec=ApCI75a81Elec+ApCI82a89Elec+ApCIap90Elec;

ApCIap75GPL=ApCI75a81GPL+ApCI82a89GPL+ApCIap90GPL;

ApCIap75autre=ApCI75a81autre+ApCI82a89autre+ApCIap90autre;

MCav75CU=MCCav75CU+MCIav75CU;

MCap75CU=MCCap75CU+MCIap75CU;

MCav75GN=MCCav75GN+MCIav75GN; MC75a81GN=MCC75a81GN+MCI75a81GN;

MC82a89GN=MCC82a89GN+MCI82a89GN; MCap90GN=MCCap90GN+MCIap90GN;

MCap75GN=MCCap75GN+MCIap75GN;

MCav75Fioul=MCCav75Fioul+MCIav75Fioul;

MCap75Fioul=MCCap75Fioul+MCIap75Fioul;

MCav75Elec=MCCav75Elec+MCIav75Elec;

MCap75Elec=MCCap75Elec+MCIap75Elec;

MCav75GPL=MCCav75GPL+MCIav75GPL;

MCap75GPL=MCCap75GPL+MCIap75GPL;

MCav75autre=MCCav75autre+MCIav75autre;

MCap75autre=MCCap75autre+MCIap75autre;

ApCav75CU=ApCCav75CU+ApCIav75CU;

ApCap75CU=ApCCap75CU+ApCIap75CU;

ApCav75GN=ApCCav75GN+ApCIav75GN; ApC75a81GN=ApCC75a81GN+ApCI75a81GN;

ApC82a89GN=ApCC82a89GN+ApCI82a89GN; ApCap90GN=ApCCap90GN+ApCIap90GN;

ApCap75GN=ApCCap75GN+ApCIap75GN;

ApCav75Fioul=ApCCav75Fioul+ApCIav75Fioul;

ApCap75Fioul=ApCCap75Fioul+ApCIap75Fioul;

ApCav75Elec=ApCCav75Elec+ApCIav75Elec;

ApCap75Elec=ApCCap75Elec+ApCIap75Elec;

ApCav75GPL=ApCCav75GPL+ApCIav75GPL;

ApCap75GPL=ApCCap75GPL+ApCIap75GPL;

ApCav75autre=ApCCav75autre+ApCIav75autre;

ApCap75autre=ApCCap75autre+ApCIap75autre;

keep COMMUNE

MCC75a81GN MCI75a81GN ApCC75a81GN ApCI75a81GN


MCCap90GN MCIap90GN ApCCap90GN ApCIap90GN

MCav75CU

MCap75CU

MCav75GN MC75a81GN MC82a89GN MCap90GN

MCap75GN

MCav75Fioul

MCap75Fioul

MCav75Elec

MCap75Elec

MCav75GPL

MCap75GPL

MCav75autre

MCap75autre

ApCav75CU

ApCap75CU

ApCav75GN ApC75a81GN ApC82a89GN ApCap90GN

ApCap75GN

ApCav75Fioul

ApCap75Fioul

ApCav75Elec

ApCap75Elec

ApCav75GPL


76

ApCap75GPL

ApCav75autre

ApCap75autre

MCCav75CU MCCav75GN MCCav75Fioul MCCav75Elec MCCav75GPL MCCav75autre

MCIav75CU MCIav75GN MCIav75Fioul MCIav75Elec MCIav75GPL MCIav75autre

ApCCav75CU ApCCav75GN ApCCav75Fioul ApCCav75Elec ApCCav75GPL ApCCav75autre

ApCIav75CU ApCIav75GN ApCIav75Fioul ApCIav75Elec ApCIav75GPL ApCIav75autre

MCCap75CU MCCap75GN MCCap75Fioul MCCap75Elec MCCap75GPL MCCap75autre

MCIap75CU MCIap75GN MCIap75Fioul MCIap75Elec MCIap75GPL MCIap75autre

ApCCap75CU ApCCap75GN ApCCap75Fioul ApCCap75Elec ApCCap75GPL ApCCap75autre

ApCIap75CU ApCIap75GN ApCIap75Fioul ApCIap75Elec ApCIap75GPL ApCIap75autre;

run;

data reg.parclogement1;

set reg.parclogement1;

rename COMMUNE=Code_INSEE;

run;

/***********************************************/

/**********************ELEC*********************/

/***********************************************/

/*************deuxieme méthode (methode proportions)******/

data reg.regressiontotalproportion_elec;

merge regetape.elec reg.parclogement2bis;

by Code_INSEE;

run;


set reg.regressiontotalproportion_elec;

if Code_INSEE in

('09006','09110','09188','09225','09228','12305','31044','31069','31084','3

1316','31334','31433','31483','31555','65054','65092','65362','65417','8112

0','81257','82033',

'9016', '9076' , '9104' , '9139' , '9147' , '9170', '9185' ,'9188' ,

'9189 ' , '9240 ', '9275 ' ,'9282 ', '9306','9324', '9334', '31135 ' ,

'31325 ', '31345 ', '31376 ', '65128 ', '65169 ', '65174 ', '65229', '65259

', '65296', '81009', '81012', '81061' , '81069' , '81073', '81090',

'81111','81115',

'81123', '81136','81141', '81142', '81169', '81171', '81173', '81181',

'81187 ' ,'81200' , '81231', '81237 ', '81246 ','81250', '81255','81267',

'81276', '81281' ,'81292 ','81293','81303',

'81305','81323 ') then delete;


if consoreel_ERDF<0 then delete;

if Consommation_Totale_en_mWh="ICS " then delete;

run;/*2906 observations*/

/***********************************************/

/**********************GAZ*********************/

/***********************************************/

/*398 communes*/

/******************/

/*première méthode*/

/******************/


77

/*seulement les logements en base du gaz consomment du gaz*/

data reg.regressiontotal_gaz;

merge regetape.gaz reg.parclogement1;

by Code_INSEE;

run;


set reg.regressiontotal_gaz;

if Code_INSEE in

('65258','81060','81140','9225','9261','9282','9331','12174','31069','31084

','31149','31303','31324','31403','31451','31483','31555',

'32155','65230','65258','65304','65440','81004','81105','81114','81297','31

291','32027','65417','81120','12233','81238','46294') then delete;

if consoreelGRDF=" " then delete;

if consoreelGRDF=0 then delete;


proc means data=reg.regressiontotal_gaz;

var consoreelGRDF;

run;

/*relation test*/

proc gplot data=reg.regressiontotal_gaz;

plot consoreelGRDF*Industries_diverses;

run;

quit;

/*backward*/

proc reg data=reg.regressiontotal_gaz;

model consoreelGRDF=MCCav75GN MCIav75GN ApCCav75GN ApCIav75GN




hotel_resto sante education sport_loisir_cult bureaux commerce transport





Industries_diverses/selection=backward slstay=0.05;

run;

/*supprimer ApCC75a81GN, ApCI82a89GN, Transport, Chimie caoutchouc

plastique, Industries du papier carton qui ont coeff negatif*/


model consoreelGRDF=MCIav75GN ApCCav75GN ApCIav75GN ApCI75a81GN

ApCC82a89GN MCIap90GN ApCIap90GN hotel_resto sante

Metallurgie_et_transformation_de

Industries_agro_alimentaires Industrie_textile__cuir__habill

Industries_diverses;

output out=a r=resid p=predi;

run;

quit;

/*correction hétéro elec*/

/****************************************regression originelle sans

beaureau************************************************************/

/*initial*/


model consoreel_ERDF=

MIbis CCCbis AV75bis De75a81bis De82a89bis CUbis GAZbis FIOULbis ELECbis

GPLbis




78




Industries_diverses/selection=backward slstay=0.05 ;

run;

/*supprimer bureaux*/



CCCbis AV75bis CUbis GAZbis FIOULbis ELECbis

hotel_resto sante education sport_loisir_cult commerce transport






output out=b2 r=resid p=predi;

run;

quit;

proc gplot data=b2;

plot resid*predi;

run;

quit;

/*test d'homo*/

proc model data=reg.regressiontotalproportion_elec;

parms b0-b21;

consoreel_ERDF = b0+ b1*CCCbis + b2*AV75bis +b3*CUbis + b4*GAZbis +

b5*FIOULbis + b6* ELECbis

+b7*hotel_resto + b8*sante +b9*education +b10*sport_loisir_cult

+b11*commerce +b12*transport

+b13*Chimie__caoutchouc__plastique +b14*Metallurgie_et_transformation_de

+b15*Industrie_des_produits_mineraux +b16*Industries_agro_alimentaires

+b17*Industrie_du_papier_carton +b18*Industrie_textile__cuir__habill

+b19*Construction_naval_et_aeronautiq +b20*Contruction_electrique_et_electr

+b21*Industries_diverses;

fit consoreel_ERDF/white breusch=(1 CCCbis AV75bis CUbis GAZbis FIOULbis

ELECbis






Industries_diverses);

run;

quit;/*hetero*/

data b2;

set b2;

resid2=resid*resid;

g=log(resid2);

run;

proc reg data=b2;

model g=








output out=b2previ r=resid p=predi;

run;

quit;


79

data b2previ(keep=Code_INSEE predi2 h);

set b2previ;

h=exp(predi2);

run;


merge reg.regressiontotalproportion_elec b2previ;

by Code_INSEE;

poids=1/h;

run;










weight poids;

run;

quit;

/*perdre la significativité CUbis et CCCbis

Construction_naval_et_aeronautiq*/

/*CUbis*/



CCCbis AV75bis GAZbis FIOULbis ELECbis







weight poids;

run;

quit;

/*CCCbis*/



AV75bis GAZbis FIOULbis ELECbis







weight poids;

run;

quit;

/*Construction_naval_et_aeronautiq*/



AV75bis GAZbis FIOULbis ELECbis





Contruction_electrique_et_electr Industries_diverses;

weight poids;

output out=b4 r=resid p=predi;

run;


80

quit;

/*test d'homo*/

proc model data=reg.regressiontotalproportion_elec;

parms b0-b18;

consoreel_ERDF = b0 + b1*AV75bis + b2*GAZbis + b3*FIOULbis + b4* ELECbis

+b5*hotel_resto + b6*sante +b7*education +b8*sport_loisir_cult

+b9*commerce +b10*transport

+b11*Chimie__caoutchouc__plastique +b12*Metallurgie_et_transformation_de

+b13*Industrie_des_produits_mineraux +b14*Industries_agro_alimentaires

+b15*Industrie_du_papier_carton +b16*Industrie_textile__cuir__habill

+b17*Contruction_electrique_et_electr +b18*Industries_diverses;

fit consoreel_ERDF/white breusch=(1 AV75bis GAZbis FIOULbis ELECbis





Contruction_electrique_et_electr Industries_diverses);

weight poids;

run;

quit;

/*compter les points negatifs*/

data b4bis;

set b4;

if predi<0;

run;/*8*/

axis1 order=(0 to 500000 by 100000);

title "comparaison entre la consommation reelle et estimee de

l'electricite";

proc gplot data=b4;

plot consoreel_ERDF*predi/haxis=axis1;

run;

quit;

axis1 order=(0 to 100000 by 10000);

title "detail de la consommation inferieur a 100000 Mwh";

proc gplot data=b4;

plot consoreel_ERDF*predi/haxis=axis1 vaxis=axis1;

run;

quit;

proc gplot data=b4;

plot resid*predi;

run;

quit;

data b4;

set b4;

if predi<0 then delete;

run;

title "ecart entre la consommation reelle et estimee selon les 8

departements";

proc gplot data=b4;

plot resid*Code_INSEE;

run;

quit;

data b41;

set b4;

if resid<-50000;

run;

/**************************************************/

/*GAZ*********************************************/


81

/**************************************************/

/*correction hétéro gaz*/

/****************************************regression originelle supprimer

les variables negatif au

debut************************************************************/


model consoreelGRDF=MCCav75GN MCIav75GN ApCCav75GN ApCIav75GN









Industries_diverses/selection=backward slstay=0.05;

run;

/*supprimer ApCC75a81GN, ApCI82a89GN, Transport, Chimie caoutchouc

plastique, Industries du papier carton qui ont coeff negatif*/




Metallurgie_et_transformation_de Industries_agro_alimentaires

Industrie_textile__cuir__habill Industries_diverses;

output out=a2 r=resid p=predi;

run;

quit;

/*test d'homo*/

proc model data=reg.regressiontotal_gaz;

parms b0-b13;

consoreelGRDF=b0+b1*MCIav75GN +b2*ApCCav75GN +b3* ApCIav75GN +b4*

ApCI75a81GN +b5* ApCC82a89GN +b6* MCIap90GN +b7* ApCIap90GN

+b8*hotel_resto +b9*sante

+b10*Metallurgie_et_transformation_de +b11*Industries_agro_alimentaires

+b12*Industrie_textile__cuir__habill+b13*Industries_diverses;

fit consoreelGRDF/OLS white breusch=( MCIav75GN ApCCav75GN ApCIav75GN

ApCI75a81GN ApCC82a89GN MCIap90GN ApCIap90GN

hotel_resto sante Metallurgie_et_transformation_de


Industries_diverses);

run;

quit;/*hetero*/

proc gplot data=a2;

plot resid*predi;

run;

quit;

data a2;

set a2;

resid2=resid*resid;

g=log(resid2);

run;

proc reg data=a2;

model g=MCIav75GN ApCCav75GN ApCIav75GN ApCI75a81GN ApCC82a89GN

MCIap90GN ApCIap90GN hotel_resto sante

Metallurgie_et_transformation_de Industries_agro_alimentaires

Industrie_textile__cuir__habill Industries_diverses;

output out=a2previ r=resid p=predi;

run;

quit;

data a2previ(keep=Code_INSEE predi2 h);

set a2previ;


82

h=exp(predi2);

run;


merge reg.regressiontotal_gaz a2previ;

by Code_INSEE;

poids=1/h;

run;







weight poids;

run;

quit;

/* ApCI75a81GN (nega) ApCC82a89GN(nega) Metallurgie(non sign)*/

/*ApCC82a89GN*/



MCIap90GN ApCIap90GN hotel_resto sante




weight poids;

run;

quit;

/*ApCI75a81GN*/


model consoreelGRDF=MCIav75GN ApCCav75GN ApCIav75GN MCIap90GN

ApCIap90GN hotel_resto sante Metallurgie_et_transformation_de



weight poids;

run;

quit;

/*Metallurgie_et_transformation_de*/


model consoreelGRDF=MCIav75GN ApCCav75GN ApCIav75GN MCIap90GN

ApCIap90GN hotel_resto sante



weight poids;

output out=a2_nouv r=resid p=predi;

run;

quit;

/*test d'homo*/

proc model data=reg.regressiontotal_gaz;

parms b0-b10;

consoreelGRDF=b0+b1*MCIav75GN +b2* ApCCav75GN +b3*ApCIav75GN +b4*MCIap90GN

+b5*ApCIap90GN +b6* hotel_resto +b7*sante

+b8*Industries_agro_alimentaires +b9*Industrie_textile__cuir__habill

+b10*Industries_diverses;

fit consoreelGRDF/OLS white breusch=( MCIav75GN ApCCav75GN ApCIav75GN

MCIap90GN

ApCIap90GN hotel_resto sante Industries_agro_alimentaires

Industrie_textile__cuir__habill Industries_diverses);

weight poids;

run;

quit;

axis1 order=(0 to 500000 by 100000);


83

title "comparaison entre la consommation reelle et estimee du gaz naturel";

proc gplot data=a2_nouv;

plot consoreelGRDF*predi/haxis=axis1;

run;

quit;

axis1 order=(0 to 100000 by 10000);

title "detail de la consommation inferieur a 100000 Mwh";


plot consoreelGRDF*predi/haxis=axis1 vaxis=axis1;

run;

quit;


plot resid*predi;

run;

quit;

title "ecart entre la consommation reelle et estimee selon les 8

departements";


plot resid*Code_INSEE;

run;

quit;

RAPPORT DE STAGE - laregion.fr · RAPPORT DE STAGE Tester la robustesse du modèle des...

Documents

Transcript of RAPPORT DE STAGE - laregion.fr · RAPPORT DE STAGE Tester la robustesse du modèle des...