Effet Pratfall comme principe de méthodologie
Celui qui nomme honnêtement ses limites gagne plus de confiance que celui qui fait des promesses parfaites. C'est le principe Pratfall, formulé par le psychologue social Elliot Aronson dans les années 1960.
Dans notre méthodologie, Pratfall est une décision de conception délibérée. Plutôt que de présenter notre calculateur comme un outil parfait, nous documentons explicitement ce qu'il ne peut pas faire. Six limites concrètes, chacune avec sa propre explication. Nous pensons que cette transparence a plus de valeur pour les journalistes, les défenseurs des consommateurs et les utilisateurs critiques que n'importe quel message marketing.
Concrètement, cela signifie : là où nous ne savons pas, nous disons que nous ne savons pas. Là où notre modèle simplifie, nous documentons la simplification. Là où une affirmation comporte une fourchette, nous l'indiquons explicitement à ±20 %. Cette méthodologie n'est pas seulement plus honnête, elle est aussi plus solide scientifiquement. Les études sur la perception des outils de données (Stanford, MIT, IDEO) montrent de manière constante que les outils avec des limites transparentes génèrent plus d'adoption et de confiance que les outils aux promesses parfaites.
Dans les six sections suivantes, nous expliquons chaque limite individuellement : ce qu'elle signifie, pourquoi elle existe, et quelles conséquences elle a pour l'interprétation de nos calculs. Quiconque a lu les six peut situer nos chiffres dans un contexte sérieux et tirer ses propres conclusions.
Là où le modèle calcule malgré tout, c'est décrit dans l'effet pass-through.
Limite 1 : pas de prévision pour les ménages individuels
Nous calculons les coûts supplémentaires pour un ménage typique de votre taille et de votre pays. Ce que nous ne savons pas : votre voiture précise, votre modèle de chauffage, votre fournisseur d'électricité, votre type de contrat, votre trajet domicile-travail un jour donné. Tous ces facteurs influencent le pass-through réel pour votre ménage.
Exemple concret : un ménage de quatre personnes à Hambourg avec une pompe à chaleur moderne, une installation solaire et une voiture électrique connaît un pass-through bien inférieur à un ménage de même taille dans le Münsterland avec chauffage au fioul, vieille voiture diesel et tarif électrique standard. Notre modèle renvoie des valeurs similaires pour les deux, car il ne connaît que la taille du ménage et le pays.
La fourchette ±20 % reflète précisément cette dispersion : 30 % des ménages de votre configuration connaissent nettement plus, 30 % nettement moins, 40 % se situent au milieu. Ce n'est pas une faiblesse de notre modèle mais une représentation honnête de ce qu'un modèle statistique peut produire. Quiconque souhaite une prévision individuelle devrait alimenter ses propres données de consommation dans un outil d'audit énergétique détaillé qui calcule par appareil.
Limite 2 : pas de prévision de taux de change
Le Brent est négocié en USD, votre facture énergétique arrive en EUR ou en CHF. Une hausse du prix du Brent a donc un double impact : par la hausse du USD elle-même et par un éventuel mouvement de taux de change. Nous utilisons le taux de change spot au moment du calcul, mais ne modélisons pas de prévision de taux de change.
En phases de marché stables, c'est sans danger, car les mouvements du USD sont faibles à court terme. En phases de crise, le taux de change peut toutefois fluctuer fortement. Exemple : si le Brent augmente de 10 USD et que le USD s'apprécie en même temps de 5 % par rapport à l'EUR, le pass-through effectif pour les ménages en euros est environ un tiers plus élevé que ce que montre notre modèle.
Quiconque souhaite modéliser un scénario de crise avec composante de taux de change peut saisir manuellement un prix Brent plus élevé dans l'assistant pour compenser le mouvement de change. Exemple : avec une appréciation attendue du USD de 5 % contre EUR, multipliez la valeur du choc Brent par 1,05. C'est une approximation pragmatique, pas un modèle de taux de change.
Limite 3 : pas de prime de spéculation
En scénarios de crise, les traders ajoutent une prime de risque au prix Brent spot. Cette prime reflète le risque géopolitique, l'incertitude sur les livraisons futures et les attentes spéculatives. Elle peut se situer entre 5 et 25 USD par baril et n'est pas incluse dans nos coefficients de pass-through.
Exemple : lors d'une escalade dans la région d'Ormuz, le prix Brent spot affiche peut-être 95 USD, mais le consensus de marché pour les 3 prochains mois se situe à 110 USD à cause de la prime de risque. Notre modèle calcule avec le spot actuel, pas avec le prix forward. Quiconque veut voir l'effet forward devrait saisir manuellement une valeur Brent correspondante plus élevée dans l'assistant pour modéliser l'effet prime attendu.
La prime de risque est méthodologiquement difficile à prévoir car elle dépend de l'escalade politique, du sentiment du marché et du comportement des traders. L'IEA et l'EIA documentent les mouvements historiques de prime de risque, mais aucune source sérieuse ne les prévoit à court terme. Nous ne les intégrons donc volontairement pas dans notre modèle.
Limite 4 : consommation constante dans le temps
Notre modèle maintient la consommation de l'utilisateur constante sur l'horizon de 12 mois. Dans la réalité, les ménages réagissent aux chocs de prix : à prix élevés du carburant, certains conduisent moins, d'autres passent aux transports en commun, certains achètent une voiture électrique. À coûts de chauffage élevés, on isole davantage ou on installe une pompe à chaleur.
Ces changements de comportement peuvent réduire significativement le pass-through réel, parfois de 15 à 30 %. Notre modèle ne les modélise pas, car ils sont très individuels et difficiles à estimer dans les statistiques agrégées. Les études de l'ACEEE montrent que les changements de comportement lors de chocs de prix de l'énergie mettent environ 6 à 12 mois à devenir mesurables.
Quiconque souhaite évaluer ses propres possibilités d'adaptation devrait consulter les conseils d'économie dans notre section Tips. Chaque conseil affiche l'effet d'économie théorique et réaliste (capture à 30 %). Quiconque met en œuvre plusieurs conseils de manière constante peut ramener le pass-through réellement vécu nettement en dessous de notre estimation modèle.
Limite 5 : pas de subventions régionales
En scénarios de crise, les gouvernements interviennent souvent avec des subventions et des baisses d'impôts. Exemples : Klimabonus AT (versement annuel aux ménages), allocation chauffage DE (versement unique aux ménages à faibles revenus), MaPrimeRénov FR (subvention pour la modernisation du chauffage), Bono Social ES (tarif social d'électricité). Ces mesures peuvent significativement réduire le pass-through réel.
Notre modèle ne les modélise pas, car elles sont politiquement imprévisibles et changent à court terme. Ce qui était disponible en 2024 a peut-être été supprimé en 2026, comme le Klimabonus AT supprimé en 2024. Nous ne voulons pas donner l'impression que ces mesures offrent une compensation fiable, car elles sont politiquement fragiles.
Quiconque veut savoir quelles subventions sont actuellement disponibles dans son pays devrait consulter notre page de détail du pays correspondant. Nous y documentons par pays les subventions énergétiques actuellement actives avec liens vers les sources. C'est mis à jour semestriellement.
Limite 6 : pas de prévision politique
Baisses de l'OPEP, durcissement des sanctions, escalades à Ormuz, changements politiques dans les pays producteurs : tous ces événements influencent le prix du Brent, souvent de manière drastique. Notre modèle ne prévoit pas d'événements politiques, il montre seulement ce qui se passerait dans un scénario Brent concret que vous choisissez vous-même.
Le choix du scénario Brent est donc une hypothèse politique, pas une prévision. Lorsque vous fixez le prix du Brent à 120 USD dans l'assistant, c'est votre hypothèse, pas notre prévision. Notre modèle calcule les conséquences de cette hypothèse. C'est méthodologiquement plus propre qu'une prévision, car nous ne sommes pas un conseiller en investissement et parce que les prévisions politiques sérieuses ont rarement fonctionné dans l'histoire du marché de l'énergie.
Quiconque souhaite des suggestions de scénarios peut consulter nos pages de détail par pays. Nous y documentons par pays les scénarios de crise les plus probables avec valeurs de comparaison historiques. Le choix du scénario que vous voulez modéliser vous appartient.
Intervalle de confiance ±20 % expliqué
Lorsque notre modèle affiche 30 euros, que signifient concrètement les ±20 % ?
La fourchette ±20 % reflète la dispersion empirique de nos sources de données. Elle n'est pas dérivée d'un intervalle de confiance théorique mais d'études de pass-through réelles sur des ménages concrets. Concrètement, cela signifie : lorsque notre modèle affiche 30 euros de coûts supplémentaires par mois pour une configuration, environ 30 % des ménages connaissent plus de 36 euros, environ 30 % moins de 24 euros, et environ 40 % se situent entre les deux.
Cette distribution n'est pas symétrique autour de la valeur du modèle. En fait, il y a une légère asymétrie : les ménages disposant d'une infrastructure énergétique inefficace (vieux chauffage au fioul, consommation élevée de carburant) tendent plus souvent vers des valeurs supérieures à la moyenne. Les ménages avec une infrastructure moderne tendent vers des valeurs inférieures. Par souci de simplicité, nous affichons une fourchette symétrique, mais nous documentons ici que la distribution réelle a une tendance asymétrique à droite.
La fourchette est définie dans le code comme constante RANGE_BAND (wizard.dev.js ligne 2149). Elle est fixée à 0,20 (20 %), basée sur la dispersion agrégée dans les études IEA, ACEEE et USDA sur les distributions de pass-through dans des ménages réels. Avec des ensembles de données plus grands, la fourchette tendrait à être un peu plus étroite, avec des plus petits un peu plus large.
L'origine des données utilisées dans le calcul est documentée dans nos 9 sources de données.
Questions fréquentes sur nos limites
Ce que l'on nous demande le plus souvent à propos de nos limites.
Pourquoi ne mettez-vous pas en place une fonction de prévision ?
Une véritable prévision exige de modéliser la géopolitique, les taux de change, les décisions de l'OPEP et les comportements spéculatifs. Ces facteurs ne peuvent être prédits sérieusement sur le plan méthodologique. Nous avons délibérément renoncé à une fonction de prévision parce que nous ne voulons pas être un conseiller en investissement et parce qu'une mauvaise prévision cause plus de tort qu'autre chose. Nous montrons à la place ce qui se passerait dans un scénario Brent concret que vous choisissez vous-même.
Que signifie concrètement la fourchette ±20 % ?
Lorsque notre modèle affiche 30 euros de coûts supplémentaires par mois pour un ménage de quatre personnes en Allemagne, la fourchette ±20 % signifie : environ 30 % des ménages dépassent 36 euros, environ 30 % sont en dessous de 24 euros, environ 40 % se situent entre 24 et 36 euros. Cette distribution est calibrée empiriquement à partir de données de l'AIE et de l'ACEEE, elle n'est pas dérivée d'un intervalle de confiance théorique. Elle reflète la dispersion réelle dans les données.
Quelles limites s'appliquent particulièrement aux scénarios de crise ?
Dans les scénarios de crise (escalade d'Ormuz, baisse de l'OPEP, durcissement des sanctions), plusieurs de nos limites s'appliquent particulièrement fort : nous ne modélisons pas de prime de spéculation (peut ajouter 5 à 25 USD par baril), pas de mesures politiques d'urgence (baisses d'impôts, subventions), et pas de changements de comportement (les utilisateurs passent au vélo électrique ou réduisent le chauffage). Dans un scénario de crise grave, le pass-through réel pour les ménages peut être inférieur de 30 à 50 % à ce que notre modèle indique, car des interventions gouvernementales sont activées.
Comment gérez-vous les sources incertaines ?
Lorsqu'une source présente des faiblesses méthodologiques (par exemple, petit échantillon, méthodologie peu claire, absence de relecture par les pairs), nous ne l'utilisons pas. Nous cherchons à la place des études issues des neuf institutions établies (IEA, EIA, ACEEE, ADAC, TCS, BFE, USDA, FAO, Eurostat) qui sont méthodologiquement propres. En cas de conflit entre nos sources (par exemple, lorsque l'IEA et l'EIA affichent des valeurs différentes), nous documentons la divergence dans un commentaire de code et choisissons la valeur appuyée par l'échantillon le plus large ou la méthodologie la mieux documentée.
Effet pass-through : méthodologie complète avec coefficients →
9 sources de notre modèle →
Prêt à calculer ?
Vous connaissez maintenant la méthodologie derrière cette sous-page. Essayez le calculateur avec vos propres chiffres, ou retournez à la vue d'ensemble complète de la méthodologie.
Calculer mon chiffre maintenant