Régionalisation en analyse du cycle de vie : Analyse conséquentielle des filières alternatives pour le transport en france

Prendre une décision dans une perspective de développement durable nécessite d'évaluer ses bienfaits économiques, sociaux et environnementaux, et donc de sa durabilité. L'Analyse du Cycle de Vie (ACV) environnementale est un des outils d'évaluation de la durabilité, dans la mesure où il permet d'évaluer les impacts environnementaux potentiels des produits, services ou décisions. Ses principales forces sont : (i) la quantification des impacts environnementaux tout au long de la chaine de valeur (vision cycle de vie : depuis l'extraction des matières premières, leur transformation, leur utilisation et leur fin de vie), et (ii) la traduction des émissions et prélèvements vers et depuis l'environnement (inventaire) en impacts sur les changements climatiques, sur la santé humaine et sur la qualité des écosystèmes grâce à l'utilisation de facteurs de caractérisation (FC). Elle offre la possibilité d'identifier des pistes de réduction des impacts environnementaux avec une vision systémique. En particulier, l'ACV conséquentielle, complémentaire à l'approche attributionnelle classiquement utilisée, permet de quantifier les conséquences environnementales potentielles d'une décision, telle que la mise en place d'une politique publique ou le développement de nouvelles technologies. Son utilisation s'avère pertinente pour les études d'impact effectuées avant l'adoption d'une politique publique. Toutefois, comme pour tout outil d'évaluation, l'ACV comporte des limites. Une de ses principales limites porte sur l'incertitude de ses résultats, qui peut être importante et n'est encore que trop rarement évaluée. En tant qu'outil d'aide à la prise de décision, une attention particulière doit être portée à la réduction des incertitudes en ACV, afin de réduire l'incertitude totale de la prise de décision. La régionalisation, qui consiste à améliorer la représentativité géographique des résultats d'ACV, est un des moyens de réduire l'incertitude liée à la variabilité spatiale en ACV. À cet effet, diverses approches à différents niveaux en ACV existent et peuvent être intégrées par le praticien ACV, telles que la régionalisation de l'inventaire et la spatialisation de l'inventaire. Cependant, les approches existantes demeurent aujourd'hui mal identifiées et leurs conditions d'utilisation pertinentes restent à clarifier. De plus, l'intégration de la régionalisation peut induire une charge supplémentaire de travail pour le praticien ACV, notamment au niveau de la collecte des données et de la modélisation. Afin d'optimiser l'effort du praticien dans la réduction des incertitudes spatiales, il est donc nécessaire de mettre en place une méthodologie de priorisation dans la collecte des données pour la régionalisation. Cette priorisation viserait à identifier les données les plus contributrices à l'incertitude, c'est-à-dire les plus sensibles, et donc où le potentiel de réduction est le plus élevé. Or, les rares méthodologies existantes pour prioriser l'effort de collecte des données en ACV s'avèrent peu adaptées à la structure de l'ACV et la validité de leur priorisation reste discutable. Par ailleurs, il n'existe pas de méthodologie pour prioriser l'effort de régionalisation en ACV. Afin de traiter ces différentes limites, l'objectif général de ce projet est de développer un cadre méthodologique permettant de prioriser l'effort de réduction de l'incertitude en ACV à travers l'opérationnalisation de la régionalisation, dans le but d'améliorer la prise de décision. Il se décline en quatre objectifs spécifiques : 1) formuler un cadre structurant et opérationnel pour l'utilisation des approches existantes pour la régionalisation en ACV, 2) développer une méthodologie de priorisation de collecte des données en ACV pour la réduction des incertitudes spatiales afin de prioriser l'effort de régionalisation en ACV, 3) appliquer les cadres méthodologiques développés à des cas d'études en ACV attributionnelle, 4) appliquer la méthodologie développée à un cas d'étude en ACV conséquentielle pour évaluer les conséquences environnementales d'une politique publique pour le transport en France. Les réponses à ces objectifs spécifiques ont donné lieu aux contributions suivantes. La première contribution est une revue critique des approches existantes avec des recommandations pour intégrer la dimension spatiale en ACV. Les recommandations ont ensuite été appliquées pour accompagner une organisation du secteur agroalimentaire dans la spatialisation à court terme de sa propre base de données ACV. Ensuite, une méthodologie de priorisation de l'effort de régionalisation a été proposée afin d'identifier les principaux contributeurs à l'incertitude spatiale, en prenant en compte l'incertitude de l'inventaire et des FC. Pour ce faire, des analyses de sensibilité globale ont été menées en utilisant les indices de Sobol qui prennent en compte les interactions entre variables dans le modèle ACV. Cette méthodologie itérative destinée aux praticiens ACV et aux développeurs de base de données ACV permet de prioriser par étapes :1) les scénarios de l'étude ACV pour lesquels l'incertitude spatiale doit être réduite, 2) les catégories d'impacts les plus sensibles, et donc prioritaires dans la collecte de donnée d'inventaire, 3) l'ordre de priorité entre la régionalisation de l'inventaire et la spatialisation de l'inventaire, 4) les variables d'entrée du modèle ACV qui doivent être régionalisées ou spatialisées en priorité. Cette méthodologie a ensuite été utilisée dans la réalisation d'une méta-analyse des besoins en matière de régionalisation de deux secteurs économiques. Ainsi, le praticien ACV n'aurait pas besoin de réévaluer lui-même les besoins à chaque nouvelle étude mais pourrait réutiliser les recommandations précalculées pour le secteur associé. Les résultats des méta-analyses sectorielles suggèrent l'importance : (i) de la contribution de la variabilité spatiale des FC à l'incertitude des résultats justifiant l'utilisation de FC régionalisés, (ii) de l'utilisation des analyses de sensibilité globale plutôt que les analyses de contribution aux impacts pour prioriser la collecte des données en ACV. Finalement, la méthodologie de priorisation de l'effort de régionalisation en ACV a été appliquée à un cas d'étude en ACV conséquentielle issue de modèle économique d'équilibre partiel. Ce cas d'étude évalue les conséquences environnementales à l'horizon 2050 des scenarios alternatifs dans le secteur des transports résultants de la mise en place de la loi de transition énergétique en France. Cette application a mis en lumière une contribution importante de l'incertitude issue du modèle économique d'équilibre partiel à l'incertitude des résultats en ACV conséquentielle. Les principales limites de ce projet sont liées à l'opérationnalisation de la méthodologie de priorisation de l'effort de régionalisation en ACV : la prise en compte limitée de la corrélation spatiale entre les variables en ACV, le temps de calcul important pour mener des analyses de sensibilité globale sur un grand nombre de variables d'entrée, la non-implémentation des analyses de sensibilité globale et des méthodes d'impact régionalisées dans la plupart des logiciels ACV, le manque de disponibilité des données et des outils pour régionaliser ou spatialiser l'inventaire. Ces limites pourront cependant être traitées dans l'avenir grâce aux efforts conjoints des différentes parties prenantes en ACV. Notons toutefois que la démocratisation de la prise en compte de l'incertitude et de la régionalisation en ACV passe avant tout par une implémentation des méthodes associées dans les logiciels ACV. Plus largement, ce projet de recherche a contribué à éclairer un peu plus la communauté ACV sur plusieurs plans en : (i) améliorant la prise en compte de la régionalisation en ACV, (ii) explorant l'opérationnalisation des méthodes d'impacts régionalisées, notamment de la méthodologie d'impacts régionalisée IMPACT World+, (iii) explorant les liens entre incertitude et régionalisation en ACV pour aider à prioriser l'effort de régionalisation, (iv) améliorant la prise en compte et la réduction de l'incertitude en ACV, notamment en ACV-C issue de modèle économique. L'incertitude n'est plus perçue ici comme un défaut, mais comme un levier à actionner pour cibler la réduction d'incertitude grâce à l'utilisation d'analyses de sensibilité.

Abstract

Make a decision in a sustainable development perspective requires to assess its economic, social and environmental benefits, and thus its sustainability. The environmental life cycle assessment (LCA) is one of the tools to assess sustainability as it aims to estimate the potential environmental impacts of goods, services, and decisions. Its main strengths are: (i) to quantify environmental impacts all along the value chain (life cycle perspective: from extraction of raw materials, their transformation, use and end of life), and (ii) to convert the emissions and withdrawals from the environment (inventory) into impacts on climate change, human health and ecosystem quality thanks to characterization factors (CFs). LCA makes it possible to identify avenues for the reduction of environmental impacts with a systemic perspective. Complementary to the attributional approach traditionally used in LCA, consequential LCA allows quantifying the environmental consequences of a decision, like the implementation of a public policy or the development of new technologies. Its use could be very relevant to enhance impact assessments performed before implementing a public policy. However, as with every assessment tool, one of the main limitations of LCA is the uncertainty of its results which may be high and is still too rarely assessed. As a tool for decision-making support, special attention should be paid to uncertainty reduction in LCA, in order to reduce the overall uncertainty in decision-making. Regionalization is one way to reduce uncertainty due to spatial variability in LCA. It refers to the enhancement of the geographical representativeness of LCA results. It can be integrated into LCA using many approaches at the different stages of LCA, especially thanks to inventory regionalization or inventory spatialization for LCA practitioners. However, existing approaches are now misidentified, and their relevant use conditions should be clarified. In addition, integrating regionalization may induce additional workload for the LCA practitioner, especially for data collection and modeling. Therefore, a methodology to prioritize data collection efforts for regionalization in LCA should be proposed to reduce the spatial uncertainty of the LCA results. This prioritization should aim to optimize the practitioner's efforts by focusing on data that mostly contributes to uncertainty, i.e. the most sensitive, thus that has the highest potential for uncertainty reduction. The few existing methodologies to prioritize data collection efforts in LCA are ill-adapted to the LCA structure and the validity of their prioritization may be challenged. Besides, no methodology to prioritize regionalization efforts in LCA exists. To address those limitations, the main purpose of this research project is to develop a methodological framework to prioritize the efforts for uncertainty reduction in LCA through the operationalization of regionalization, and ultimately enhance the decision-making. Four objectives are thus devised: (1) develop a framework to structure and operationalize the use of existing approaches for regionalization in LCA, (2) develop a methodology to prioritize data collection in LCA for the reduction of spatial uncertainty to prioritize regionalization efforts in LCA, (3) apply the developed frameworks to prioritize the regionalization efforts to case studies in attributional LCA, (4) apply the methodology to prioritize the regionalization efforts to a case study in consequential LCA to assess the environmental consequences of a public policy in the transportation sector in France. The responses to those objectives have generated the following contributions. The first contribution is a critical review of existing approaches and recommendations to integrate the spatial dimension in LCA. Then it was applied to guide an organization for the agri-food sector to spatialize its internal LCA database on the short-term. Secondly, a methodology to prioritize the regionalization efforts in LCA was proposed to identify the main contributors to the spatial uncertainty, accounting for uncertainty from inventory and CFs. To do so, global sensitivity analyses are performed using Sobol indices that account for interactions between variables in the LCA model. This iterative methodology is designed for LCA practitioners and LCA database developers and allows to prioritize step by step: (1) the scenarios in the LCA study where the uncertainty should be reduced, (2) the most sensitive impact categories on which prioritizing the inventory data collection, (3) between inventory regionalization or spatialization, (4) the most sensitive input variables to be regionalized or spatialized in priority. Next, this methodology was used to perform meta-analyses on the regionalization needs of two economic sectors. Therefore, the LCA practitioner would no longer need to evaluate by himself the needs for a new study but would reuse precomputed recommendations for the associated sector. The results for the meta-analyses suggest the importance of (i) the contribution of the spatial variability of CFs to the results uncertainty which justifies using regionalized CFs, (ii) using global sensitivity analysis instead of impact contribution analysis to prioritize data collection in LCA. Finally, the methodology to prioritize the regionalization efforts was applied to a case study in consequential LCA from partial equilibrium economic modeling. This case study aims to assess the environmental consequences by 2050 of alternative transportation scenarios from the implementation of the energy transition law in France. This application highlights the important contribution of the uncertainty from the partial equilibrium economic modeling to the results uncertainty in consequential LCA. The main limitations of this project are associated with the operationalization of the methodology to prioritize the regionalization efforts in LCA: limited consideration of spatial correlations between LCA variables, important computational time when performing global sensitivity analysis with a high number of input variables, the non-implementation of global sensitivity analysis and regionalized impact methods in most of LCA software, the lack of available data and tools to regionalize and spatialize the inventory. Those limitations could be addressed in the future thanks to mutual efforts for the different stakeholders in the LCA community. Note, however, that democratizing the consideration of uncertainty and regionalization in LCA requires primarily an implementation of the associated methods in LCA software. In a broader way, this research project contributes to inform a bit more the LCA community by: (i) enhancing the consideration of regionalization in LCA, (ii) exploring the operationalization of regionalized impact methods, especially for the regionalized impact methodology IMPACT World+, (iii) exploring the links between uncertainty and regionalization to help prioritizing regionalization efforts, (iv) enhancing the consideration and the reduction of uncertainty in LCA, especially in consequential LCA from partial equilibrium economic modeling. Uncertainty is no longer seen here as a failure but is used as a tool to target the uncertainty reduction by using sensitivity analysis.