Aborder la transition énergétique à l’aide de données

Quatre équipes d’experts en données ont récemment participé au premier datathon de l’ITIE. Il s’agissait d’utiliser les données sur le secteur extractif pour relever les défis auxquels les pays dépendants de leurs ressources naturelles pourraient être confrontés à mesure que la transition énergétique mondiale s’accélère. Le prototype d’outil lauréat de cette compétition, PREDICT, combine divers ensembles de données afin d’estimer les futurs revenus extractifs en fonction de différents scénarios basés sur les prix des matières premières.

Dans ce blog, Marco Zaplan, créateur de PREDICT et « ninja des données » autoproclamé, répond à des questions sur son prototype, ses espoirs pour l’avenir et la façon dont les données peuvent donner aux parties prenantes des moyens d’agir.

Qu’est-ce que PREDICT et comment envisagez-vous son utilisation ?

PREDICT est l’acronyme de Projecting Revenues from the Extractives for the Development and Investment in Communities Tool (outil de projection des revenus tirés des industries extractives pour le développement et l’investissement dans les communautés). Cet outil vise à faciliter la compréhension par les personnes du flux et de la volatilité des revenus tirés des ressources en visualisant ces revenus, leurs affectations et les changements causés par des facteurs économiques tels que les prix des matières premières, la production et les taux d’imposition.

PREDICT pourrait être utilisé par les agences nationales et locales de planification économique pour planifier des scénarios budgétaires. Il pourrait également être utilisé par les pays mettant en œuvre l’ITIE comme outil de renforcement des capacités et de communication, et par les organisations de la société civile qui plaident en faveur de réformes de la politique fiscale dans le secteur extractif.

Quel avenir espérez-vous pour PREDICT ?

J’espère que davantage de pays riches en ressources naturelles et de parties prenantes utiliseront PREDICT de manière pertinente pour leur contexte. PREDICT peut faire bien plus que simplement estimer les revenus tirés des ressources naturelles. Grâce à des données plus granulaires, PREDICT peut visualiser et analyser un large éventail d’informations, y compris des données pertinentes pour les rapports environnementaux, sociaux et de gouvernance (ESG). Il pourrait s’agir de comparer les paiements escomptés et les paiements réels effectués par les entreprises, de visualiser la façon dont les revenus sont partagés avec les gouvernements locaux, de surveiller les dépenses sociales et même de faire un suivi des impacts environnementaux causés par les opérations extractives, tels que la consommation d’eau et les émissions de gaz à effet de serre.

J’espère que davantage de pays riches en ressources naturelles et de parties prenantes utiliseront PREDICT de manière pertinente pour leur contexte.

Qu’est-ce qui vous attire dans le travail sur des projets de données spécifiques aux industries extractives ?

Je trouve les données extractives passionnantes car elles évoluent en permanence. J’ai commencé à travailler avec des données extractives en 2015, et à l’époque notre analyse portait principalement sur les données sur les revenus. Aujourd’hui, nous disposons de beaucoup plus de données de travail, y compris des données sur la propriété effective, des données sociales et environnementales, des données sur les entreprises pétrolières nationales, des données sur les contrats, des données sur les passations de marché, etc. Nous ne nous ennuyons jamais, et je pense qu’il reste encore beaucoup à faire pour faciliter l’accès aux données, leur analyse et leur application.

Quels sont les défis de la modélisation fiscale ?

L’un des défis est que la modélisation fiscale n’est jamais précise à 100 %, car il existe de nombreuses variables difficiles à prévoir. De plus, les outils existants sont souvent trop compliqués à utiliser, et les feuilles de calcul ne sont pas visuellement attrayantes ni ne représentent un support stimulant pour communiquer des résultats. La modélisation financière peut être très puissante, mais il reste encore du chemin à parcourir pour rendre ce type d’analyse accessible à un public non technique.

Quel est l’avantage de la modélisation et de la visualisation des données extractives ?

La modélisation fiscale contribue à éclairer les débats politiques, à sensibiliser le public et à renforcer la confiance entre les parties prenantes. En modélisant les données extractives, nous sommes en mesure de mieux équiper les parties prenantes lors des discussions sur la planification et les politiques. Nous pouvons utiliser la visualisation des données pour montrer les tendances, mettre en évidence les points de données essentiels et analyser les informations de manière plus efficace et efficiente.

Comment donner aux parties prenantes les moyens d’utiliser les données pour orienter les décisions sur la gestion des ressources naturelles ?

Nous devons faire en sorte que les données extractives soient plus accessibles et compréhensibles pour les parties prenantes. Cela signifie concevoir des outils conviviaux, simples et présentables. Les possibilités sont nombreuses de démontrer la manière d’utiliser les données pour éclairer la prise de décision, ce qui peut aider les parties prenantes à comprendre le potentiel des données extractives. Nous devons également investir dans le renforcement des capacités des utilisateurs de données et concevoir des outils tels que PREDICT pour faciliter encore plus l’utilisation des données.

Le financement du datathon a été fourni par l’USAID.