CHAPITRE 1 REVUE DE LITTÉRATURE
1.5 Limites de l’ACV
La réalisation d’une ACV nécessite un grand nombre de données qu’il est souvent difficile voir impossible d’obtenir en totalité pour une personne travaillant seule. Pour cette raison, des bases de données d’inventaire du cycle de vie sont fréquemment utilisées pour modéliser l’ensemble ou une partie des cycles de vie. Cependant, ces bases de données sont généralement conçues pour modéliser des cycles de vie correspondant à une région du monde en particulier. L’utilisation d’une base de données pour modéliser les activités d’une autre région s’accompagne donc vraisemblablement d’une certaine marge d’erreur dans l’inventaire des cycles de vie. De même, le calcul des impacts environnementaux à partir des flux d’inventaire repose sur des modèles empreints d’une certaine incertitude. Ainsi, une importante limite de l’ACV est l’incertitude sur ses résultats. Celle-ci provient de plusieurs sources, celles fréquemment sitées étant : la qualité des données utilisées, les hypothèses faites pour modéliser le cycle de vie, les modèles utilisés pour agréger les données d’inventaire et calculer les impacts potentiels sur l’environnement des diverses substances émises ou consommées au cours du cycle de vie (Huijbregts, 1998a; Steen, 1997).
Pour caractériser l’incertitude des données d’inventaire, Weidema et al. (1996) élaborent une série d’indicateurs regroupés dans une matrice pédigrée et caractérisant la qualité des données de chaque processus du cycle de vie d’un produit. Sans permettre de gérer directement l’incertitude des résultats d’une ACV, la matrice pédigrée permet d’évaluer rapidement l’incertitude de chaque processus et d’identifier les processus pour lesquels l’obtention de données de meilleure qualité permettrait de réduire sensiblement l’incertitude sur les résultats de l’ACV. Par la suite, plusieurs méthodes ont été mises au point pour gérer l’incertitude en ACV.
1.5.1.1 Analyses de sensibilité
Ce type d’analyse consiste à faire varier la valeur des paramètres incertains de l’ACV et à en recalculer les résultats à chaque variation (Cellura et al., 2011; Steen, 1997). On distingue deux approches selon qu’il est décidé de faire varier les paramètres indépendamment les uns des autres ou de les faire varier en groupe. La première approche permet d’identifier les paramètres contribuant le plus à l’incertitude des résultats de l’ACV alors que la seconde approche permet de saisir les effets de synergie pouvant résulter des différents paramètres. Les analyses de sensibilité permettent ainsi de caractériser la variabilité des résultats d’une ACV en fonction de l’incertitude des paramètres.
1.5.1.2 Simulations de Monte-Carlo
Les simulations de Monte-Carlo s’apparentent aux analyses de sensibilité mais utilisent une méthode plus complexe. Le principe des simulations de Monte-Carlo est de recalculer les résultats de l’ACV en faisant varier chaque paramètre d’inventaire suivant une distribution de probabilité définie au préalable (Huijbregts, 1998a). Ce calcul est reproduit un grand nombre de fois (habituellement quelques milliers) de manière à ce que l’ensemble des valeurs de la distribution de chaque paramètre soit envisagé au cours des simulations. Au terme des simulations, l’incertitude sur chaque résultat de l’ACV est caractérisée par une distribution de probabilité. Cette approche est la plus utilisée en ACV (Andrae et al., 2004; Contadini et Moore, 2003; Contadini et al., 2002; Dones et al., 2005; Frey et Patil, 2002; Mullins et al., 2011; Scipioni et al., 2009; Seabra et al., 2011; Sonnemann et al., 2003; Spatari et al., 2010; Venkatesh
et al., 2011). Plusieurs variantes de la méthode utilisée dans les simulations de Monte-Carlo ont
été développées afin d’améliorer le choix des valeurs prises par chaque paramètre au cours de chaque itération du calcul : à titre d’exemple on peut évoquer les simulations latin-hypercube (Huijbregts, 1998b) et bayesiennes de Monte-Carlo (Lo et al., 2005). Une limite importante aux simulations de Monte-Carlo et à ses variantes est de ne considérer que l’incertitude des paramètres d’inventaire et donc de ne pas prendre en compte l’incertitude sur les méthodes de calculs des impacts environnementaux.
1.5.1.3 Régressions à variables multiples
Une régression à variables multiples est une série de simulations de Monte-Carlo effectuées sur quelques paramètres incertains choisis par l’utilisateur en vue d’exprimer les résultats de l’ACV par une fonction à plusieurs variables où chaque variable est l’un des paramètres incertain retenu (Wang et al., 2010). Cette approche présente l’avantage de nécessiter moins de données et d’être plus rapide à accomplir que les simulations de Monte-Carlo. De plus, une régression à variables multiples permet de lier directement l’incertitude de chaque paramètre à l’incertitude totale sur les résultats.
1.5.1.4 Analyse des valeurs limites
Une analyse des valeurs limites est une forme particulière d’analyse de sensibilité où l’on fait prendre aux paramètres incertains d’une ACV des valeurs extrêmes afin d’évaluer comment ces valeurs affectent les résultats de l’ACV (Johnson et al., 2011). L’intérêt de cette méthode réside dans la simplicité et la rapidité de sa mise en application. Cependant, cette méthode peut conduire à une estimation erronée de l’incertitude lorsqu’elle est appliquée à un modèle non-linéaire dont les résultats extrêmes ne sont pas corrélés à des valeurs extrêmes de ses paramètres internes. 1.5.1.5 Les approches combinées
Enfin, certains auteurs utilisent une combinaison des approches mentionnées précédemment (Maurice et al., 2000; May et Brennan, 2003). Ceci leur permet de bénéficier des avantages de chaque méthode et de leurs faiblesses.
1.5.2 Complexité de l’ACV
Un reproche souvent fait à l’ACV est la difficulté pour un néophyte à réaliser ce type d’étude et à en interpréter les résultats du fait de la complexité de la méthode. On observe à ce sujet une certaine dualité entre les centres de recherches travaillant à l’amélioration de la méthode quitte à la rendre plus complexe et le milieu de l’entreprise qui souhaite garder une méthode d’ACV aussi simple que possible. Cette dualité est, entre autres, visible au niveau du développement de l’ACV-C où des auteurs comme Schmidt et Weidema privilégient une approche relativement simple alors que des auteurs comme Kloverpris ou Plevin sont favorables à l’intégration d’outils complexes afin d’améliorer la qualité des résultats des ACV-C. La communication des résultats
est également souvent problématique et il est difficile de produire des résultats complètement transparents. D’une part, les unités utilisées pour chiffrer les impacts environnementaux n’ont que peu de signification pour le profane (par exemple, pdf.m-2.an-1 pour les impacts sur les écosystèmes), d’autre part, les résultats d’une ACV sont souvent nuancés : une comparaison entre deux produits peut montrer que l’un est meilleur que l’autre pour certaines catégories d’impacts mais moins bon que l’autre pour le reste des catégories. De même, l’incertitude peut influencer les conclusions d’une comparaison : par exemple au terme de simulations de Monte-Carlo, un produit A peut être estimé avoir moins d’impacts sur l’environnement dans 70% des cas qu’un autre produit B, alors qu’en l’absence d’analyse de l’incertitude, le produit A est toujours considéré causer moins d’impacts environnementaux que le produit B.