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.