CHAPITRE 3 OBJECTIFS DU PROJET ET MÉTHODOLOGIE GÉNÉRALE
3.3 Méthodologie générale
3.3.3 Développement de facteurs empiriques pouvant être mis à jour
Afin de déterminer de nouveaux facteurs d’incertitude empiriques pour les données utilisées en ICV, une collecte de données est nécessaire. Ces données doivent obéir à un certain nombre de critères afin de pouvoir être utilisées dans ce contexte précis :
L’ensemble des typologies de données utilisées en ICV doit être représenté : les données collectées doivent représenter et les flux élémentaires et les flux économiques;
Les données doivent être exprimées par unité fonctionnelle ou par unité d’activité;
Les sources de données utilisées doivent couvrir un large spectre de secteurs industriels, d’années d’obtentions et d’aires géographiques, ainsi que de manières dont les données ont été acquises afin d’avoir suffisamment de données pour chaque couple « Indicateur pedigree, score pedigree ».
Pour obtenir ce type de données, des rapports d’ACV, des articles scientifiques traitant d’ACV et d’ICV, des bases de données spécifiques et des bases de données de facteurs d’émissions5
sont utilisés.
2. Calcul des facteurs d’incertitude par secteur industriel et par score pedigree
Une fois les données compilées dans une base de données spécifique à ce projet et préparées afin de pouvoir les analyser sur une base commune, celles-ci sont classées par couple « indicateur pedigree, score pedigree » en suivant les définitions de la matrice (cf. Tableau 2-7) et par secteur industriel. Cette classification en secteurs industriels se base sur la classification industrielle
5 Les facteurs d’émissions permettent de déterminer la valeur d’une émission à l’environnement en connaissant le
« taux » de l’activité étudiée (p.ex. la masse d’un produit fabriqué). Les facteurs d’émissions sont souvent utilisés pour déterminer les quantités de pollutions rejetées par une activité ou une entreprise.
nord-américaine (NAICS - https://www.census.gov/eos/www/naics/). Un classement sur le seul couple « indicateur, score » permet, quant à lui, de développer des facteurs d’incertitude génériques.
Pour chacun des sous-groupes ainsi formés, le facteur d’incertitude est calculé en se basant sur les travaux préalablement réalisés par Ciroth et collègues (2013).
La construction des sous-groupes pour la détermination des facteurs d’incertitude de base est un peu différente. En effet, l’incertitude de base peut être considérée comme l’incertitude résultante lorsque tous les scores pedigree sont égaux à 1 (i.e. quand la donnée utilisée est parfaite pour le contexte de l’étude). Dans ce cas, les sous-groupes sont donc créés à partir de données provenant d’une même technologie, d’une même année, d’un même pays et pour lesquelles le score pour le critère « justesse » vaut 1.
Le cas particulier de l’indicateur « complétude » : Si l’on se rapporte aux définitions pour ce critère présentes au Tableau 2-7, il peut être vu comme le critère mesurant la représentativité des données par rapport aux sites considérés ou en d’autres termes à la représentativité d’un échantillon par rapport à la population que cet échantillon se doit de représenter. Afin de déterminer les facteurs d’incertitude propres à ce critère, un lien avec les statistiques propres aux techniques d’échantillonnage est réalisé et utilisé pour déterminer la variabilité due à cet échantillonnage.
3. Définition des éléments permettant l’application du théorème de Bayes
Les facteurs pedigree tels qu’appliqués dans les versions 2 et 3 de la base de données ecoinvent proviennent de jugement d’experts. Ce jugement est une connaissance en soi qu’il est possible de combiner à une nouvelle information empirique obtenue. Cette combinaison peut se faire en appliquant le théorème de Bayes tel que présenté à la section 2.3.2.2. Dans ce projet, la connaissance sur les facteurs d’incertitude émanant des jugements d’experts est conservée car l’information concernant les facteurs d’incertitude obtenue empiriquement reste partielle. En effet, l’ensemble des sources de données collectées manuellement au point 1 ne permet pas de représenter l’ensemble des échanges au sein de la technosphère (i.e. les échanges entre les processus unitaires) ni les échanges entre la technosphère et l’écosphère (i.e. les échanges entre les processus unitaires et l’environnement).
i. Détermination des distributions de probabilités à priori
Avant de déterminer la distribution à priori des facteurs d’incertitude, il s’agit de recenser ces derniers et de les exprimer selon une mesure commune de l’incertitude. Des facteurs d’incertitude issus de jugements d’experts sont présents dans l’article de Weidema et Wesnaes (1996) et dans l’article présentant la base de données ecoinvent v2.2 (Frischknecht et al., 2005). À ceux-ci s’ajoutent les facteurs obtenus par Ciroth et collègues préalablement à ce projet et publié dans un article (2013) et dans un rapport remis à l’ecoinvent centre (2012). Ces données permettent de définir les fonctions à priori pour chacun des facteurs d’incertitude. Puisque, suivant les facteurs d’incertitude, 1 à 26 données sont disponibles pour définir ces distributions, des hypothèses cohérentes pour l’ensemble des facteurs sont posées pour développer les distributions à priori.
ii. Détermination des fonctions de vraisemblance
La fonction de vraisemblance est une fonction f qui lie les données aux paramètres d’intérêt. Le paramètre d’intérêt est ici le facteur d’incertitude (UF) et les données sont les facteurs d’incertitude empiriques obtenus au point 2, ils peuvent donc être décrits par f(UF) où UF est la moyenne de la fonction de vraisemblance. Cette fonction f est donc déterminée à partir des facteurs empiriques obtenus au point 2.
4. Application du théorème de Bayes, compilation des facteurs obtenus et possibilité de
mise à jour de ces facteurs
Suivant la nature des fonctions de vraisemblance et des distributions à priori, le théorème de Bayes peut soit être appliqué de manière théorique soit par le biais de simulations numériques (Ben Letham, 2012; Qian, et al., 2003). Pour l’application du théorème dans ce cas, fonctions de vraisemblance et distributions à priori sont définies pour être conjuguées, le théorème peut donc s’appliquer de manière théorique.
L’application du théorème de Bayes permet d’obtenir une fonction à posteriori des facteurs d’incertitude dont la moyenne peut être considérée comme les facteurs mis à jour et combinant jugements d’experts et information empirique. Cette distribution à posteriori peut être utilisée comme distribution à priori si de nouveaux facteurs d’incertitudes empiriques sont disponibles et
le théorème de Bayes peut être appliqué une deuxième fois pour obtenir une nouvelle mise à jour des facteurs d’incertitude, et ainsi de suite.