Comparaison des données conjointes de COLCHIC et SCOLA 2007-2015 . 117

Le principal objectif de cette section consiste à comparer les niveaux d’exposition

moyens entre COLCHIC et SCOLA.

Lors de l’analyse du modèle simple, sans prise en compte des interactions, la variable

« Source » a montré une forte association avec les expositions à travers une large gamme

d’agents chimiques (12/15). Il en ressort des niveaux enregistrés dans SCOLA globalement

plus faibles que dans COLCHIC (31 %) sur la période 2007-2015 (Annexe VI.4) et confirme la

tendance déjà observée dans le chapitre III.

Les tendances observées pour le modèle avec interaction reflètent bien celles que l’on a

vues dans les analyses séparées pour les variables « Année », « Durée du prélèvement »

« Equipement de protection individuelle » et « Région ». Concernant les variables

« Ventilation générale » et « Tranche d’effectif », malgré une forte association observée

entre ces deux variables et l’exposition dans SCOLA seule, les résultats du modèle avec

interaction diffèrent de ceux des analyses séparées. Cette différence pourrait s’expliquer

par le fait que, d’une part, l’analyse comparative est restreinte aux agents chimiques

communs et, d’autre part, nous n’avons pas pu modéliser d’interactions avec l’activité, ce

qui pourrait avoir causé une confusion.

Page 118 sur 161

Les 4 scénarios définis sur 2007 et 2015 pour des durées de prélèvement de 30 et

240 minutes ont permis d’observer, sur les premières années de la comparaison, des

différences systématiques entre les niveaux enregistrés dans COLCHIC et SCOLA (2007,

0,44 et 0,45 respectivement 30 et 240 minutes). Puis, nous avons pu observer que cette

tendance s’atténue au fil des années jusqu’à arriver à des niveaux similaires observés

entre COLCHIC et SCOLA pour les prélèvements de courte durée à partir de l’année 2013

et pour ceux de longue durée à partir de l’année 2014 (2015, 1,25 et 0,85 respectivement

30 et 240 minutes) (Annexe VI.5). Si cette tendance se confirme, la différence entre

COLCHIC et SCOLA devrait se stabiliser. En plus de ces similitudes dans les niveaux

mesurés, ces observations laissent présager la possibilité d’utiliser de manière combinée

les données issues de COLCHIC et SCOLA pour les agents chimiques communs dans la

mesure où cette tendance perdure. Elles pourront ainsi servir de source d’information sur

l’exposition dès lors que les mesures portant sur les premières années de leur période

commune auront été exclues.

VII.2. UTILISATION DES DONNÉES DE COLCHIC ET SCOLA

POUR ÉVALUER LES NIVEAUX DE LA POPULATION GÉNÉRALE

Les travaux de modélisation décrits précédemment ont entre autres permis d’identifier, à

travers les différents jeux de données, les variables associées systématiquement ou

partiellement aux niveaux d’exposition. Nous avons ainsi pu relever que 3 prédicteurs

« Année », « Durée de prélèvement » et « Equipement de protection individuelle » avaient

une tendance claire et globale à travers une large majorité d’agents chimiques pour

COLCHIC et SCOLA. D’autres prédicteurs sont spécifiques à une base de données, soit

parce qu’ils ne sont pas codés dans l’autre base et que leur association n’a pas pu être

évaluée, par exemple le « Type de procédé » et la « Fréquence d’exposition » pour

COLCHIC, soit parce que la différence de stratégie globale d’échantillonnage entre

COLCHIC et SCOLA engendre une différence d’association entre le prédicteur et

l’exposition dans chacune des bases de données (« Ventilation générale » et « Tranche

d’effectif » dans SCOLA). Pour les autres variables non citées précédemment, aucune

association globale à travers les agents chimiques n’a été observée.

Page 119 sur 161

Pour qu’une BDEP soit représentative, la distribution des mesures enregistrées doit

refléter celle définie dans la population générale. Prenons comme exemple le secteur de

l’industrie manufacturière en France. En 2014, environ 70 % des entreprises de cette

branche d’activité sont des micro-entreprises (1 à 9 salariés). Les 30 % restant, que nous

qualifierons de grandes entreprises dans cet exemple, ont un effectif supérieur à 10

salariés (Source, www.insee.fr). Nous avons identifié lors de nos analyses que la « Tranche

d’effectif » est fortement associée aux niveaux enregistrés dans SCOLA. S’il était

démontré que les concentrations sont systématiquement plus fortes dans les

micro-entreprises de ce secteur, il pourrait être nécessaire d’ajuster les prédictions issues des

données de SCOLA. Deux orientations sont possibles : si la répartition des mesures par

tranches d’effectif dans SCOLA pour ce secteur d’activité est identique à celle de la

population générale du secteur de l’industrie manufacturière, alors il ne sera pas

nécessaire d’ajuster les prédictions. Par contre, étant donné que la répartition dans

SCOLA est différente, environ 10 % de micro-entreprises et 90 % de grandes entreprises,

un ajustement des prédictions faites à partir du contenu de SCOLA s’avère nécessaire. En

effet, si cette différence de distribution n’est pas prise en compte, une sous-estimation

des expositions réelles serait causée pour ce secteur. Connaissant la distribution réelle

des tranches d’effectif, il est alors possible de pondérer les estimés d’exposition issus de

SCOLA en fonction de la distribution donnée par l’INSEE.

Pour d’autres variables, il est plus difficile de connaître leur distribution à l’intérieur de la

population générale. Prenons comme exemple le prédicteur « Equipement de protection

individuelle ». Ce dernier est très fortement associé aux niveaux mesurés que ce soit dans

COLCHIC ou SCOLA. Nous avons observé que les concentrations sont bien plus

importantes lorsque le salarié est équipé d’une protection adaptée que lorsqu’il n’en

porte pas, ce qui suggérait d’ailleurs un biais de sélection (chaque situation conduisant à

une exposition particulière). Là encore, il paraîtrait nécessaire d’ajuster les prédictions

faites à partir du jeu de données. Mais dans ce cas, il est difficile de savoir dans quelle

proportion chacune de ces situations reflète celle de la population générale. Pour

effectuer une correction des estimés, il conviendra alors de s’appuyer sur l’expérience

et/ou l’expertise soit, pour porter un jugement permettant de définir la situation la plus

représentative de la population générale soit, pour définir arbitrairement un poids à

Page 120 sur 161

chacune de ces catégories. Par exemple, pour le secteur du « Commerce de détail de

carburants en magasin spécialisé », nous pourrions définir que la proportion de salariés

portant une protection adaptée est faible, lui affecter un poids de 15 % et un poids de 85 %

pour l’absence de protection pour la pondération de nos estimés.

Plus concrètement, nous souhaitons dans ces conditions estimer le niveau de chrome VI

dans la population générale du secteur de l’industrie manufacturière. Si nous moyennons

directement les concentrations enregistrées dans SCOLA pour ce secteur d’activité,

l’exposition moyenne serait de 15 µg.m^-3. Hors, connaissant la distribution des entreprises

dans la population générale de ce secteur (70 % micro-entreprises et 30 % grandes

entreprises), nous pouvons pondérer les concentrations de SCOLA (moyenne de 5 µg.m^-3

dans les micro-entreprises et moyenne de 16 µg.m^-3 dans les grandes entreprises) en

tenant compte de la répartition de la population générale. Son exposition moyenne

s’estime alors à 8 µg.m^-3. Dans ce contexte, le niveau moyen de SCOLA surestimerait celui

de la population générale de ce secteur. Cela s’explique par une proportion importante

de grandes entreprises dans SCOLA (90 %) avec des niveaux près de 3 fois supérieurs à

ceux des micro-entreprises alors que dans la population générale seulement 30 % de

grandes entreprises sont recensées.