Gestion de l'incertitude causée par l'incohérence d'échelle spatiale à l'interface de l'inventaire et de l'analyse des impacts en ACV

L'analyse du cycle de vie (ACV) se divise en deux phases de calcul. L'inventaire du cycle de vie (ICV) prédit la quantité de chaque polluant émis par les processus élémentaires (PÉ) (usines, transport, extraction de matières premières). Il est possible de trouver les coordonnées géographiques d'une minorité de PÉs. Les autres PÉs sont modélisés par une base de données générique d'ICV, dont la résolution spatiale est généralement nationale : le pays du PÉ est connu, mais pas sa position au sein du pays. La seconde phase de calcul, l'évaluation des impacts de cycle de vie (ÉICV), modélise le sort, l'exposition et l'effet des polluants sur la santé humaine et la biodiversité, par l'intermédiaire de facteurs de caractérisation (FCs). Pour certaines catégories d'impacts dites « régionales », comme l'acidification, l'eutrophisation, les effets respiratoires, etc., les FCs varient fortement sur de courtes distances. Cette variabilité spatiale peut atteindre plusieurs ordres de grandeur sur le territoire d'un même pays. Dans l'absence d'informations spatiales plus précises sur l'inventaire, on doit caractériser les flux d'inventaire à l'aide de FCs agrégés. Cette situation cause une augmentation d'incertitude qui n'avait pas été quantifiée jusqu'à présent. Cette thèse propose un ensemble d'outils nécessaires à la gestion de cette incertitude. L'algorithme d'agrégation permet la quantification de l'incertitude créée par cette opération et l'identification des pays où l'utilisation des FCs agrégés devrait être évitée. Les résultats préliminaires indiquent que pour la catégorie d'impact de l'utilisation de l'eau sur la santé humaine, la variabilité spatiale et l'incertitude couvrent la même gamme de valeur pour la majorité des pays. Le manque d'information spatiale ne sera donc pas une source majeure d'augmentation de l'incertitude, sauf pour certains cas, identifiés par un indicateur d'augmentation d'incertitude élevé. La méthodologie d'agrégation et de calcul de l'indicateur d'augmentation d'incertitude pourront être appliqués à d'autres catégories d'impact à mesure que l'incertitude sur les FCs natifs sera publiée. La thèse introduit aussi la puissance statistique, outil tiré des tests d'hypothèse pour juger de la signifiance de différences entre deux variables aléatoires, et montre comment il pourrait être utilisé dans la pratique des analystes et le développement du modèle. La puissance statistique permet d'alimenter la discussion et l'interprétation de l'incertitude dans le cadre d'une étude. Cette quantité représente la probabilité que la conclusion soit la bonne, malgré la présence vi d'incertitudes. Pour les développeurs de modèles, la puissance statistique permet de juger de la signifiance de la différence entre les différents FCs créés pour une même substance. Les résultats préliminaires indiquent que pour la catégorie d'impact de l'utilisation de l'eau sur la santé humaine, même pour les pays comportant plus d'une dizaine de FCs, il ne seraient pas justifié de créer plus de deux ou trois archétypes de FCs. La différence entre un plus grand nombre d'archétypes ne serait pas statistiquement significative. La thèse argumente en faveur de la création de FCs par industrie. Les proxys d'émission par industrie permettent de localiser les émissions en fonction de la répartition géographique d'une industrie, qui pourrait être très différente de la répartition géographique de la population (l'hypothèse par défaut appliquée jusqu'à présent). Ces proxys d'émission produisent des FCs agrégés plus pertinents. De plus, chaque industrie se retrouve concentrée dans un petit nombre de cellules, ce qui réduit la variabilité spatiale, comparativement à une agrégation qui ne tient pas compte de la source de l'émission. Finalement, un algorithme de calcul de scores d'impacts, focalisé sur les besoins des analystes, permet la spatialisation ponctuelle de PÉs. L'algorithme permet d'accéder au détail de la chaine d'approvisionnement, information essentielle si un analyste veut remplacer un FC agrégé par un FC natif. L'accès à ce détail permet aussi d'identifier les points chauds d'incertitude et les meilleures opportunités de réduction de sa réduction.

Abstract

Life cycle assessment (LCA) is divided in two calculation phase. The first, life cycle inventory (LCI), predicts the quantity of pollutants emitted by each unit process (UP) (facility, transport, mines). Only a minority of those UP can be geolocalized. The others are modeled through a generic LCI database, whose spatial resolution is typically the national scale: the country of a UP is known, but not its position within the country. The second phase of the calculation, life cycle impact assessment (LCIA), links the emissions to impacts on human health and biodiversity through characterization factors (CF) taking into account the fate, exposure and effect of pollutants. For the regional impact categories like acidification, eutrophication, respiratory effects, etc., the CFs can vary over several orders of magnitude within the same country. In absence of sufficient spatial information, elementary flows have to be characterized by aggregated CFs. This causes an increase in the uncertainty that had not been quantified until now. This thesis proposes a suite of tools necessary for the management of this uncertainty. The aggregation algorithm allows the quantification of the uncertainty and helps identify the countries where the use of aggregated CFs should be avoided. Preliminary results indicate that for the human health impact of water consumption, spatial variability and uncertainty cover roughly the same range of value for a majority of countries. The lack of spatial information will not be a major source of uncertainty, except for certain cases, identified by the uncertainty increase indicator. The aggregation methodology and the calculation of the indicator will be applied to other impact categories as the uncertainty on native CFs is published. The thesis introduces the statistical power, a tool borrowed from hypothesis tests, to evaluate the significance of the difference between two random variables, and shows how it should be used in the development of the model and by the practitioners of LCA. Statistical power can be used in the discussion and interpretation phase of an LCA. This quantity represents the probability that the conclusion is the right one, despite the presence of uncertainty. This number can be communicated to the decision-maker and checked again his risk aversion. For the model developer, the statistical power allows to judge the significance of the difference between different native CFs for the same substance. Preliminary results for the human health impact of water consumption indicate that even for countries with more than a dozen CFs, it is not justified viii to create more than two or tree archetypes of CFs. The difference between a larger number of archetypes would not be statistically significant. The thesis argues in favor of the creation of industry-specific CFs to reduce even more the spatial variability. The industry-specific emission proxies allow may predict a very different spatial repartition of emissions, compared with population proxies (the default assumption) or industrygeneric emission proxies. Those proxies produce more relevant CFs. Also, each industry is concentrated in a smaller number of cells, which reduces spatial variability, compared to an industry generic aggregation. Finally, an algorithm of impact score calculation, with a focus on the needs of the practitioners, allows for the punctual spatialization of UP. The algorithm reveals all the relevant details of the structure of the supply chain. This information is essential for analysts who want to identify uncertainty hot spots and maximize the reduction of uncertainty.