Tarification Dynamique : Nouveau Visage de la Concurrence dans la Charge des VE en Chine
Dans l’écosystème du véhicule électrique (VE), l’infrastructure de recharge n’est plus une simple utilité — elle devient un champ de bataille. Alors que la Chine accélère sa course dans le domaine des VE, la véritable compétition ne se limite pas aux constructeurs automobiles ; elle se joue discrètement aux bornes de recharge, où les stratégies de tarification redessinent en temps réel la carte du marché. Un nouveau cadre de recherche développé par Liu Yang et ses collègues de l’Institut de recherche économique de State Grid Hunan montre comment la tarification dynamique ne affecte pas seulement les revenus — elle remodèle activement la zone de service de chaque station, transformant une géographie statique en un paysage compétitif fluide.
Ces résultats remettent en question une hypothèse longtemps admise dans le secteur : la zone de desserte d’une station de recharge serait fixée uniquement par son emplacement et sa capacité. En réalité, comme cette étude le démontre, un simple ajustement tarifaire peut déplacer des centaines de clients potentiels — et les frontières invisibles entre opérateurs rivaux — en quelques minutes. Dans des quartiers urbains denses comme celui de Furong, à Changsha, où trois stations majeures se disputent la dominance, une baisse de 10 % des tarifs heures creuses à un emplacement peut instantanément attirer une part de marché au détriment de concurrents pourtant plus grands et mieux équipés. Les implications sont profondes — pas seulement pour les opérateurs de stations, mais aussi pour les planificateurs de réseau, les décideurs politiques et l’évolutivité future de l’intégration des énergies propres.
Pour comprendre l’importance de ces enjeux, il faut considérer l’ampleur de l’expansion du réseau de recharge en Chine. Rien qu’en 2022, le pays a ajouté près de 2,6 millions de nouveaux points de recharge — soit plus que l’ensemble du réseau public des États-Unis, de l’Allemagne et du Japon réunis. Les bornes publiques ont augmenté de plus de 91 %, tandis que les unités privées (domestiques et professionnelles) ont connu une croissance impressionnante de 225 %. Cette croissance explosive a créé un paradoxe : bien que l’infrastructure soit abondante, son utilisation reste inégale. Certaines stations affichent complet aux heures de pointe, tandis que d’autres restent inactives, créant des tensions sur le réseau dans un quartier et une sous-utilisation des capacités à seulement quelques kilomètres de là.
Jusqu’à présent, la plupart des tentatives pour résoudre ce déséquilibre se sont concentrées sur le matériel — construire plus de bornes, moderniser la capacité électrique ou imposer des unités de recharge rapide à courant continu. Mais l’équipe de Liu avance que le véritable goulot d’étranglement relève de l’économie comportementale, et non de l’ingénierie. « Vous pouvez installer une centaine de chargeurs de 150 kW », explique un co-auteur, « mais si tous les conducteurs se présentent entre 18 h et 20 h, vous venez de créer un point de congestion — pas une solution. » Leur modèle traite la demande de recharge comme un fluide, réactif aux signaux tarifaires comme l’eau qui s’écoule le long d’une pente — se redirigeant autour des obstacles et se concentrant là où la résistance est la plus faible.
Au cœur de leur approche se trouve une adaptation novatrice du principe de “l’occupation la plus forte” d’Isard, initialement développé dans la théorie de la localisation pour expliquer comment les villes et les industries dominent les économies régionales. Appliqué à la recharge des VE, il postule une règle simple : chaque kilomètre carré d’espace urbain est revendiqué par la station offrant le plus fort « champ d’attraction » — une combinaison de caractéristiques physiques (nombre de chargeurs rapides, capacité de connexion au réseau), de qualité de service et, crucialement, de prix en temps réel. Contrairement aux modèles antérieurs qui supposaient des zones de service circulaires et fixes — comme des rides à la surface de l’eau — ce champ est asymétrique, dynamique et très sensible à la concurrence.
Imaginez trois stations de recharge — Station A, B et C — regroupées dans un quartier d’affaires. La Station A dispose de plus de chargeurs rapides et d’un emplacement privilégié, ce qui lui confère naturellement un « puits de gravité » plus important. Mais lorsque la Station C baisse son tarif en soirée juste en dessous du tarif provincial heures creuses, son champ s’intensifie temporairement. Soudain, des conducteurs situés à cinq pâtés de maisons — auparavant dans l’orbite de A — recalculent leur choix. Le GPS les reroute. Une partie du flux de A se dirige vers C. La frontière se déplace — non sur une carte, mais dans les comportements réels.
Ce n’est pas théorique. L’étude de cas du district de Furong a suivi les déplacements réels sur 16 288 micro-zones. Lorsque la tarification dynamique a été activée, la Station 1 (la plus performante sur le plan matériel) a vu sa part de marché aux heures de pointe diminuer — non pas parce qu’elle avait perdu en capacité, mais parce que des stations rivales ont proposé des tarifs inférieurs précisément lorsque la tension sur le réseau était la plus forte. Inversement, durant les creux de mi-journée, la Station 1 a légèrement augmenté ses prix tout en conservant sa clientèle, grâce à sa vitesse et sa fiabilité supérieures. Le résultat ? Des profils de charge plus équilibrés, moins de kilowatts renouvelables écrêtés (en particulier lors des surplus de production éolienne et solaire) et — point crucial — des marges nettes plus élevées pour tous.
Ce dernier point est essentiel. La sagesse conventionnelle veut que les baisses de prix érodent les profits. Mais le modèle montre que l’inverse peut être vrai lorsqu’elles sont exécutées stratégiquement. En baissant les prix uniquement lorsque la production renouvelable dépasse les prévisions — par exemple, lors d’un après-midi ensoleillé et venteux — les opérateurs peuvent monétiser des électrons qui autrement seraient gaspillés. L’étude a révélé que les stations participant à un système coordonné de tarification dynamique augmentaient leur rentabilité quotidienne moyenne jusqu’à 4,05 % — non pas en facturant plus cher, mais en facturant plus intelligemment. Et elles y parvenaient tout en aidant le réseau à absorber 1,3 mégawatt supplémentaire d’énergie renouvelable variable durant les périodes de forte erreur de prévision.
Cette double victoire — économique et opérationnelle — est ce qui rend l’approche si convaincante pour les utilities et les régulateurs. Les opérateurs de réseau chinois font face à un défi sans précédent : intégrer plus de 1 000 gigawatts d’énergie éolienne et solaire d’ici 2030, une grande partie intermittente. Les VE, avec leur immense capacité de batterie flexible, sont perçus comme une pierre angulaire de la stabilisation du réseau — si leur recharge peut être orchestrée. Les tarifs statiques basés sur les heures de pointe (par exemple, bon marché la nuit, cher à 18 h) sont trop grossiers. Ils créent de nouveaux pics — des ruées de minuit — alors que tout le monde attend la fenêtre tarifaire basse. La tarification dynamique au niveau de la station permet, elle, un micro-ajustement de la charge : inciter des sous-groupes d’utilisateurs dans différents quartiers à charger maintenant ou plus tard, en fonction de l’offre et de la demande hyperlocales.
L’une des observations les plus révélatrices de l’étude concerne l’influence de la densité du marché. Dans les zones peu denses — comme une ville de province avec seulement deux stations — les changements de tarif provoquent peu de déplacement. Les conducteurs ont peu d’alternatives ; la zone de service reste stable. Mais dans les grappes denses comme Furong, où les stations sont souvent à moins d’un kilomètre les unes des autres, de petites différences de prix déclenchent de importantes redistributions. Ici, la concurrence est féroce, les marges plus minces — mais aussi plus réactives à une tarification intelligente. « Il ne s’agit pas d’une course au moins-disant », souligne Liu. « C’est une course à la précision. »
Cette précision dépend de boucles de données rapides. Le système proposé met à jour les prix toutes les 15 minutes — 96 intervalles par jour — en utilisant des prévisions journalières de la demande des VE et de la production renouvelable, puis ajuste en temps réel en fonction des écarts réels. Par exemple, lorsque la production éolienne réelle dépasse de 8 % la prévision matinale, l’algorithme incite les stations voisines à baisser leurs prix entre 10 h et midi, invitant ainsi plus de VE à se recharger et à consommer le surplus. Lorsque des nuages arrivent de manière inattendue, les prix remontent légèrement, décourageant doucement les recharges non urgentes.
Point crucial, le modèle ne laisse pas les opérateurs à la merci de l’algorithme. Des contraintes assurent l’équité et la viabilité : aucune station ne peut fixer un prix inférieur à son coût opérationnel (achat d’électricité + maintenance), et aucun conducteur ne fait face à des hausses soudaines et punitives. Des fourchettes limites — ±10 % autour du tarif de référence provincial — sont appliquées. De plus, le système tient compte de la « force » de la station. Un petit hub avec deux chargeurs n’est pas censé absorber le même déplacement de charge qu’une méga-station avec 20 chargeurs rapides. Le rôle de chaque acteur est calibré selon sa capacité.
Cette nuance corrige une faille majeure des propositions antérieures — comme le modèle du point de rupture, qui trace des frontières linéaires entre les stations comme si elles étaient équitablement matched. Ou le modèle de Wilson amélioré, qui suppose des zones de service circulaires qui se chevauchent souvent ou laissent des lacunes. L’approche par champ de Liu, en revanche, reconnaît l’asymétrie. Elle admet que la Station A peut dominer 70 % d’une zone — non pas seulement à cause de sa proximité, mais parce qu’elle offre une recharge plus rapide, des temps d’attente plus courts ou de meilleurs services. Le prix devient le bouton de réglage que les opérateurs peuvent actionner pour amplifier ou atténuer temporairement cette dominance.
Les observateurs du secteur y voient un point d’inflexion potentiel. « Nous avons passé une décennie à optimiser le matériel », déclare un stratège senior d’un réseau leader de recharge de VE. « Maintenant, nous entrons dans l’ère du logiciel — où la valeur réelle n’est pas dans le chargeur, mais dans l’intelligence qui le pilote. » Plusieurs programmes pilotes testent déjà des concepts similaires dans le Guangdong et le Zhejiang, bien qu’aucun n’intègre encore la dynamique des zones de service de manière aussi explicite.
Mais des défis subsistent. D’abord, l’accès aux données est inégal. Le modèle suppose une visibilité en temps réel sur les prix des concurrents et l’état du réseau — une condition pas encore remplie dans de nombreuses régions où les opérateurs gardent jalousement leurs données tarifaires. Des API standardisées et des incitations réglementaires à la transparence pourraient être nécessaires. Ensuite, la confiance des consommateurs est fragile. Après des années de frais de service opaques et de charges « de convenance » cachées, les conducteurs se méfient des prix constamment changeants. Des explications claires dans les applications — « Prix bas maintenant : aidez à utiliser l’excédent d’énergie solaire ! » — seront essentielles.
Se pose également la question de l’équité. La tarification dynamique pourrait-elle désavantager involontairement les conducteurs à faible revenu qui ne peuvent pas se permettre d’attendre les remises heures creuses ou qui possèdent des VE plus anciens à la recharge lente ? Les chercheurs reconnaissent ce risque et suggèrent des mesures complémentaires : des créneaux réservés à bas coût pour les véhicules de flotte (taxis, camionnettes de livraison) durant les heures de forte demande, ou des programmes de fidélisation qui lissent la volatilité tarifaire pour les utilisateurs réguliers.
Pourtant, l’élan est indéniable. Alors que la Chine passe de la construction d’infrastructures de recharge à leur optimisation, la tarification émergera comme la variable de contrôle critique. Les jours des tarifs fixes, uniformes à l’échelle provinciale, sont comptés. À leur place, une nouvelle génération de « moteurs de tarification intelligente » — formés sur la concurrence locale, les prévisions renouvelables et le comportement des utilisateurs — calibrera automatiquement les prix pour équilibrer profit, stabilité du réseau et satisfaction client.
Ce qui est remarquable, c’est comment cela transforme le rôle de l’opérateur. Il n’est plus seulement un propriétaire de place de parking avec une prise ; il devient un orchestrateur énergétique, un participant actif dans la transition vers les énergies propres. Une station de recharge à Changsha ne vend pas seulement des kilowattheures ; elle aide à éviter qu’une centrale à charbon ne doive monter en puissance lors d’une baisse de production solaire, ou permet à un parc éolien de fonctionner à pleine capacité au lieu de devoir bridger ses pales. Sa rentabilité et son impact environnemental deviennent les deux faces d’une même médaille.
À l’avenir, le cadre pourrait s’étendre bien au-delà des VE. Les mêmes principes — tarification dynamique, concurrence par champ, équilibrage de charge en temps réel — s’appliquent aux stations d’échange de batteries, aux services V2G (vehicle-to-grid), voire aux stations de ravitaillement en hydrogène à mesure que le mix des transports zéro émission se diversifie. L’idée centrale demeure : à l’ère des ressources distribuées et variables, la flexibilité est la nouvelle capacité.
Pour l’instant, le message aux opérateurs de stations est clair : votre atout le plus important n’est pas votre transformateur ou votre nombre de chargeurs — c’est votre agilité tarifaire. Dans le jeu à hauts risques de la recharge des VE, la carte n’est plus fixe. Elle est redessinée toutes les 15 minutes — et les gagnants seront ceux qui apprendront à naviguer sur ce terrain mouvant.
Auteur : Yang Liu
Affiliation : Institut de recherche économique de State Grid Hunan
Revue : Electric Power Construction
DOI : 10.12204/j.issn.1000-7229.2023.10.008