Partie I: Cours sur économie du climat
Résumé: Ce module introduit les fondements de la modélisation macroéconomique appliquée aux enjeux climatiques. Il s’articule en trois séances de quatre heures chacune, combinant environ une heure de cours magistral et une heure de mise en pratique par le code (sous Python ou Dynare). L’objectif est de familiariser les étudiants avec les modèles intégrés climat-économie (IAM) et leur articulation avec la théorie de la croissance et les modèles d’équilibre général.
Organisation:
La structure du modèle de croissance optimale de Ramsey-Cass-Koopmans et son extension à la question environnementale. Les étudiants apprennent à coder et résoudre ce modèle, à interpréter les conditions du premier ordre, et à relier les trajectoires de capital, consommation et émissions.
Le modèle DICE et sa variante moderne : la dynamique du cycle du carbone, la relation entre température et dommages économiques, et les politiques d’atténuation (taxe carbone, subventions vertes).
Extensions contemporaines: la détermination du cout social du carbone, et les controverses associées.
Acquisition de compétence:
1/ Comprendre les fondements théoriques de l’économie du climat
2/ Maîtriser les outils numériques permettant de résoudre et analyser ces modèles
Partie II: Risk metrics: extremes, inference, dependence
Résumé: This module provides the statistical tools for extreme value analysis, with a special emphasis on the estimation of extreme risk and dependence measures. Students will learn to apply extrapolation methods from extreme value theory to estimate the risk associated with unobserved events. The implementation of these methods and the interpretation of results are illustrated in Python on two environmental datasets, highlighting the precautions to be taken when using them. This course is divided into three four-hour sessions, each comprising a theoretical part and a computer illustration part.
Organisation:
Motivations for extreme-value analysis
Introduction to extreme-value theory (probabilistic tools)
Application to the estimation of risk metrics (statistical aspects)
Measure of dependence with copulas
Acquisition de compétence:
Be able to apply extreme value theory to assess the tail heaviness of a distribution from a data set and estimate extreme risk measures using the adapted extrapolation tools.
Be able to assess and model the (tail) dependence between two random phenomena.
Partie III:
Résumé: The module will explore the role of generative models which aim at mimicking the law of an object, possibly in high dimension, in order to produce data with similar statistical properties. Nowadays, simulating meteorological variables is a major issue to assess the climate risk but it also represents a challenging task in the context of climate change with several interacting variables and few extreme historical data. Two families of generative models will be presented: Gaussian mixture model and generative neural-network model. The lectures will provide both theoretical foundations and practical applications.
Organisation:
Introduction to statistical learning
Random sampling
Generative Neural-Network models
Acquisition de compétence:
Be more familiar with the generative modeling objectives, challenges and family of models.
Know how to implement, to train and to test different generative models.
Modalités d’examen:
Un long QCM qui va balayer tous les acquis. Pour la partie I du cours: pas besoin de connaître par cœur les équations, mais il faut être capable de les interpréter. Pour la partie III, il faut répondre à des questions en codant en python. Ordinateur perso nécessaire en classe. Documents papiers et numériques autorisés.