Analyse du cycle de vie

Évaluation de la qualité des données

par Isabelle BLANC
Docteur de l’École Nationale Supérieure des Mines de Paris,
BIO Intelligence Service
et Eric LABOUZE
Normalien, Professeur agrégé de biochimie-génie biologique, HEC
BIO Intelligence Service

1. Nécessité de l’évaluation de la qualité des données

pour un inventaire .................................................................................... G 5 750 - 2
1.1 Important volume et grande disparité de données
au sein d’un inventaire................................................................................. — 2
1.2 Non-transparence en terme de définition du système
et de ses hypothèses.................................................................................... — 2
1.3 L’enjeu : une compréhension fiable et pertinente des données............... — 3
2. Travaux internationaux de normalisation .......................................... — 3
3. Définition d’un cadre méthodologique de qualification
des données................................................................................................ — 3
3.1 Terminologie relative aux ACV.................................................................... — 4
3.2 Définition des indicateurs pertinents.......................................................... — 4
3.3 Définition des objectifs de qualité............................................................... — 4
3.4 Gestion de la qualité des données.............................................................. — 4
4. Indicateur d’incertitude .......................................................................... — 5
4.1 Définition de l’incertitude sur les données d’inventaire ........................... — 5
4.2 Évaluation de l’incertitude des données d’inventaire avec la technique
de Monte-Carlo ............................................................................................. — 6
4.3 Interprétation des résultats.......................................................................... — 6
4.4 Description de l’exemple ............................................................................. — 7
4.5 Constitution de l’inventaire ......................................................................... — 7
4.6 Calcul de l’incertitude associée à une émission issue du calcul
de l’inventaire .............................................................................................. — 7
5. Conclusion .................................................................................................. — 9
Références bibliographiques .......................................................................... — 9

L ’Analyse du Cycle de Vie (ACV) d’un système de produits est une approche
visant à fournir une description physique de ce système sous l’angle de ses
effets sur l’environnement.
Mais que peut-on attendre aujourd’hui de la mise en œuvre d’une approche
ACV ? Essentiellement des retombées tangibles dans des domaines comme
l’évaluation et l’amélioration de la qualité écologique des produits et services.
Cela suppose d’une part que les bases théoriques des ACV soient légitimes et
d’autre part que les résultats produits soient crédibles.
La méthodologie de l’analyse du cycle de vie est décomposée en quatre
étapes : la définition des objectifs, l’inventaire du cycle de vie, l’évaluation des
impacts sur l’environnement et la recherche d’améliorations. Ces étapes ont été
détaillées dans les articles G 5 500 et suivants [9] [10] [11] [12].

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Génie industriel G 5 750 − 1
ANALYSE DU CYCLE DE VIE ______________________________________________________________________________________________________________

La mise en œuvre d’une analyse du cycle de vie concerne essentiellement

l’inventaire des données décrivant les entrants et les sortants aux frontières d’un
système spécifié. Le but de cet inventaire est de fournir une représentation phy-
sique d’un système de produits, dans la perspective de répondre aux objectifs,
préalablement définis de l’étude, aussi fidèlement que possible. La crédibilité
des résultats d’une analyse du cycle de vie repose donc en grande partie sur la
maîtrise de la qualité des données de l’inventaire. Or, actuellement les praticiens
des ACV ne disposent d’aucun référentiel méthodologique pour qualifier la fia-
bilité et la fidélité des données d’un inventaire. La qualification des données
d’un inventaire est une action encore peu systématique au niveau de la pratique
actuelle de la réalisation des ACV, en raison de sa grande difficulté. En effet,
noter la qualité d’une donnée d’un inventaire, ou quantifier les incertitudes
qu’elle présente, est parfois aussi difficile que d’estimer sa valeur elle-même car
les informations nécessaires à cette quantification sont le plus souvent incom-
plètes, manquantes, voire inexistantes. De plus les données collectées au niveau
d’un inventaire sont caractérisées par un volume important (de l’ordre de plu-
sieurs centaines) et par leur grande hétérogénéité.
Cet article fait état, d’une part, des réflexions les plus significatives à l’heure
actuelle en terme de qualification des données d’inventaire. Ces réflexions
devraient permettre, à l’avenir, d’obtenir à terme un cadre méthodologique de
référence nécessaire à l’harmonisation de la qualification des données d’un
inventaire ACV. Par ailleurs, parmi les nombreux indicateurs de qualité identi-
fiés, un indicateur de qualité pertinent, relatif à l’évaluation de l’incertitude des
données, fait l’objet d’une description détaillée à l’aide d’un exemple concret.

1. Nécessité de l’évaluation 1.1 Important volume et grande disparité

de données au sein d’un inventaire
de la qualité des données
pour un inventaire La construction d’un inventaire nécessite le recueil d’un volume
important de données. Ces données peuvent être collectées sur site
mais peuvent également provenir de bases de données. L’ensemble
de ces données se présente sous diverses formes et constitue le
Le cadre de l’analyse du cycle de vie défini selon la norme
plus souvent un ensemble très hétérogène. Les caractéristiques de
NF/EN/ISO 14040 est constitué de quatre phases : la définition des
ces données diffèrent également du point de vue de leur représenta-
objectifs et du champ de l’étude (FDIS 14041), l’analyse de l’inven-
tivité temporelle, géographique ou technique.
taire (FDIS 14041), l’évaluation de l’impact (CD 14042) et l’interpréta-
tion (CD 14043). En raison de la grande disparité et du grand nombre de données
manipulées pour constituer un inventaire, la qualification de
Nota : les principaux stades d’élaboration d’une norme internationale sont : CD, projet celles-ci est une étape essentielle et constitue un élément important
de comité ; DIS, projet de norme internationale ; FDIS, projet final de norme internationale.
d’appréciation d’un inventaire d’analyse du cycle de vie.
L’inventaire est la phase d’ACV impliquant la compilation et la
quantification des entrants et des sortants pour un système de pro-
duits au cours de son cycle de vie.
1.2 Non-transparence en terme
L’évaluation des impacts du cycle de vie peut comprendre plu- de définition du système
sieurs éléments tels que la classification, la caractérisation et la pon-
dération des impacts.
et de ses hypothèses
L’interprétation est la phase de l’ACV au cours de laquelle les La constitution d’un inventaire dans le cadre d’une analyse du
résultats de l’analyse de l’inventaire ou de l’évaluation des impacts, cycle de vie repose sur la représentation d’un système à l’aide
ou les deux, sont combinés en cohérence avec l’objectif et le champ d’hypothèses et de modèles. Cette formalisation du système
définis pour l’étude afin de dégager des conclusions et des recom- comprend, dans la plupart des cas, la définition de l’unité fonction-
mandations. nelle, la définition des limites du système, la définition de l’arbre des
procédés, les règles d’allocation.
L’évaluation de la qualité des données, faisant l’objet de cet arti-
Nota : l’unité fonctionnelle est définie par la performance quantifiée d’un système de
cle, concerne les données relatives à la phase d’inventaire d’une produits destinée à être utilisée comme unité de référence dans une analyse du cycle de
analyse du cycle de vie. vie.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
G 5 750 − 2 © Techniques de l’Ingénieur, traité Génie industriel
______________________________________________________________________________________________________________ ANALYSE DU CYCLE DE VIE

Les résultats d’un inventaire sont extrêmement dépendants de la — la précision : mesure de la variabilité des valeurs des données
nature de ces hypothèses. Bien que déterminantes au niveau des pour chaque catégorie de données exprimées (par exemple
résultats, celles-ci ne sont pas toujours transparentes (complètes et différence) ;
compréhensibles) et accessibles au niveau des rapports. De plus, — le caractère complet : pourcentage des emplacements
elles sont rarement justifiées. Cette absence d’information néces- communiquant des données primaires par rapport au nombre
saire à la maîtrise complète de la définition du système nuit à sa potentiel existant pour chaque catégorie de données dans un pro-
reproductibilité et par conséquent à la qualification de l’inventaire cessus élémentaire ;
correspondant. — la représentativité : évaluation qualitative de la mesure dans
Non seulement la caractérisation des données d’un inventaire laquelle l’ensemble des données reflète la population réelle présen-
s’avère indispensable afin de disposer d’un inventaire qualifié, mais tant un intérêt (c’est-à-dire géographie, durée et technologie) ;
la connaissance de la méthode de réalisation de celui-ci s’avère éga- — la cohérence : évaluation qualitative du degré d’uniformité de
lement essentielle. la méthodologie de l’étude appliquée aux diverses composantes de
l’étude ;
— la reproductibilité : évaluation qualitative de la mesure dans
laquelle les informations sur la méthodologie et les valeurs des don-
1.3 L’enjeu : une compréhension fiable nées permettent à un réalisateur indépendant de reproduire les
résultats consignés dans l’étude.
et pertinente des données
Lorsqu’une étude est utilisée à l’appui d’une affirmation compara-
tive divulguée au public, les exigences concernant la qualité des
Le but d’un inventaire ACV est d’identifier et de quantifier la tota- données mentionnées ci-dessus doivent être incluses».
lité des entrants et sortants significatifs associés à chacun des pro- Il faut souligner le caractère non opérationnel d’une telle liste
cessus élémentaires dans les frontières du système spécifié. d’exigences dans le contexte de la réalisation pratique d’une évalua-
Apprécier la qualité des données est nécessaire d’une part pour tion de la qualité des données d’un inventaire ACV : les indicateurs
garantir une compréhension fiable et pertinente des résultats de permettant d’évaluer ces critères ne sont pas précisés. Il faut aussi
l’inventaire ACV et d’autre part pour interpréter correctement les remarquer l’emploi d’une terminologie imprécise : aucun des critè-
résultats obtenus dans un contexte précis. res n’est proprement défini et certains d’entre eux sont source de
confusion. La finalisation des travaux ISO en terme d’évaluation de
la qualité des données n’a pas été encore atteinte et c’est pourquoi
la formulation de l’exigence reste prudente et limitée au seul cas
2. Travaux internationaux d’affirmation comparative divulguée au public.

de normalisation
La future norme internationale ISO/DIS 14041 « Analyse du cycle
3. Définition d’un cadre
de vie : définition de l’objectif et du champ de l’étude et analyse de méthodologique de
l’inventaire » (document provisoire de juin 1997) comprend un cha-
pitre intitulé « Exigences relatives à la qualité des données » et elle qualification des données
comporte l’extrait suivant :
« Il est recommandé d’établir des exigences relatives à la qualité
À l’heure actuelle, l’avancement des travaux internationaux de
des données qui définissent les paramètres suivants :
normalisation s’est arrêté, à la formalisation des exigences requises
— les facteurs temporels : l’âge désiré des données (par exemple pour qualifier des données d’inventaire. Or des réflexions méthodo-
datant des cinq dernières années) et la durée minimale (par exemple logiques, allant au-delà de cette simple formalisation d’exigences,
annuelle ) pour collecter les données ; sont actuellement en cours et l’analyse de ces publications se révèle
— la géographie : zone géographique dans laquelle il convient de pertinente.
collecter les données pour les processus élémentaires afin de res-
pecter l’objectif de l’étude (par exemple locale, régionale, nationale,
continentale, globale) ; Compte tenu de la grande richesse des approches actuelle-
— la technologie : mélange de technologies (par exemple ment en cours de développement et en l’absence de toute har-
moyenne pondérée du mélange réel des procédés, meilleure tech- monisation, l’objet de la suite de cet article est de présenter sous
nologie disponible ou unité d’exploitation la plus défavorable). un angle plus structuré par le biais d’un cadre méthodologique,
les principes de la qualification des données d’un inventaire. Des
Il faut également tenir compte d’autres descripteurs qui définis- exemples sont donnés afin d’illustrer ce cadre méthodologique
sent la nature des données (données collectées dans des sites spé- sans toutefois prétendre à l’exhaustivité.
cifiques par rapport aux données de sources publiées, par exemple)
et la méthode de collecte des données (s’il convient de mesurer, cal-
culer ou évaluer les données). Les principales étapes de ce cadre méthodologique, qui ont été
Les données de sites spécifiques sont en règle générale utilisées retenues, sont les suivantes :
pour les processus élémentaires qui constituent la plus grande par- — la première étape consiste à identifier les indicateurs de
tie des flux de masse et d’énergie dans les systèmes étudiés, déter- qualité pertinents, support de l’évaluation de la qualité des don-
minés dans l’analyse de sensibilité (...). nées (§ 3.2) ;
— la seconde étape consiste à identifier les objectifs de qua-
Il convient également d’utiliser des données de sites spécifiques lité propres à chaque étude ACV (§ 3.3) ;
pour les processus élémentaires qui sont considérés comme ayant — la dernière étape concerne la gestion de la qualité des don-
des rejets liés à l’environnement. nées de l’inventaire (§ 3.4). Il s’agit en fait de confronter les résul-
Dans toutes les études, les exigences supplémentaires suivantes tats de l’évaluation de la qualité des données aux objectifs
relatives à la qualité des données doivent être considérées à un prédéfinis et de tirer les conclusions adéquates quant aux actions à
niveau de détail qui dépend de la définition de l’objectif et du champ entreprendre afin d’améliorer significativement la qualité de l’inven-
de l’étude : taire. Cette prise de conscience du niveau de confiance atteint par

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Génie industriel G 5 750 − 3
ANALYSE DU CYCLE DE VIE ______________________________________________________________________________________________________________

l’inventaire et par son niveau de fidélité par rapport aux objectifs va lité sont proposés : comme par exemple la représentativité géogra-
tout naturellement conduire une réflexion en terme de gestion et phique, la représentativité technique et la représentativité
d’amélioration de la qualité des données. temporelle. Une matrice de qualification est élaborée pour cha-
Avant d’aborder les étapes de ce cadre méthodologique, il est cun de ces indicateurs et celle-ci est structurée autour de critères
nécessaire de clarifier une terminologie sur laquelle reposent les qualificatifs permettant d’établir une échelle de notation (généra-
concepts de la qualification des données actuellement développés. lement selon 5 niveaux). À chaque indicateur de qualité est ainsi
attribué un score, compte tenu des critères énoncés dans la matrice
de qualification [1] [2] [3] et [8]. Il s’agit donc d’une approche
semi-quantitative basée sur plusieurs indicateurs de qualité.
3.1 Terminologie relative aux ACV
Exemple : à titre de référence, la matrice suivante (tableau 1) pré-
sente pour 6 indicateurs, les critères qualificatifs permettant d’établir
Une analyse du cycle de vie consiste, en partie, en la compilation leur notation.
et l’évaluation des entrants et sortants (phase Inventaire de l’ACV),
Pour illustrer cette approche semi-quantitative, une seconde matrice
ainsi que des impacts potentiels sur l’environnement (phase Évalua-
de qualification des données correspondant à l’indicateur de représen-
tion des impacts de l’ACV) d’un système de produits au cours de son
tativité, selon [8], est proposée dans le tableau 2.
cycle de vie.
Évaluer la qualité d’un inventaire consiste à évaluer la qualité de 2. Un seul indicateur de qualité est retenu par la seconde
l’ensemble des données le composant. Il s’agit d’une tâche relative- approche : il s’agit du niveau d’incertitude des données, cette
ment lourde et fastidieuse en raison du grand nombre de données incertitude étant évaluée non plus selon une approche semi-quanti-
impliquées dans la constitution d’un inventaire. Une structuration tative mais selon une approche probabiliste. L’exploitation de modè-
des données d’un inventaire est indispensable et celle-ci repose sur les probabilistes permet en effet d’évaluer la propagation de
l’identification d’une hiérarchie entre les données d’un inventaire. l’incertitude associée aux données [4]. Cette approche part du prin-
cipe que l’incertitude est le seul indicateur nécessaire permettant de
Trois niveaux de description ont été distingués pour un inventaire
rendre compte de la qualité d’un inventaire. La seconde approche
d’un système de produits :
fait l’objet du paragraphe 4 de l’article avec le traitement spécifique
niveau 1 : le système de produits lui-même défini comme d’un indicateur : l’incertitude avec la technique de Monte-Carlo.
l’ensemble de processus élémentaires liés du point de vue matériel
et énergétique et remplissant une ou plusieurs fonctions ; Chaque approche présente des avantages et des inconvénients :
en se contentant d’exprimer la qualité d’un inventaire sous la
niveau 2 : le processus élémentaire défini comme l’opération forme d’un vecteur à n dimensions pour chaque donnée de l’inven-
ou groupe d’opérations caractérisées par un ensemble d’entrants et taire (n correspondant au nombre d’indicateurs de qualité), la
de sortants. Les processus élémentaires sont liés les uns les autres première méthode ne permet pas de synthétiser les résultats sous
par des flux de produits intermédiaires ou des déchets à traiter et un format condensé.
sont également liés à d’autres systèmes de produits par des flux de
produits et à l’environnement par des flux élémentaires ; La seconde approche est restreinte au traitement de l’incertitude
et, ne prenant pas en compte les autres indicateurs de qualité, se
niveau 3 : le flux entrant ou sortant associé à un processus élé-
limite à ce seul indicateur de la qualité des données.
mentaire.
Néanmoins, des tentatives d’application de cette approche proba-
Le niveau relatif au système (niveau 1) repose sur l’assemblage
biliste, non pas au seul indicateur d’incertitude mais à un plus grand
de processus élémentaires (niveau 2) qui sont eux-mêmes consti-
nombre d’indicateurs de qualité sont actuellement en cours de
tués par l’ensemble des flux s’y rapportant (niveau 3).
réflexion et de formalisation [5] et [6]. Elles ne font pas encore l’objet
Cette hiérarchisation des données selon ces trois niveaux a été d’applications pratiques très étendues aussi en raison de l’absence
adoptée par [8]. Elle se révèle être une aide précieuse pour clarifier d’expériences pratiques probantes, celles-ci ne seront pas présen-
la nature de la qualification des données. En effet, la qualification tées dans le cadre de cet article. Leur formalisation reste relative-
d’un flux ne relève pas du même niveau de caractérisation que la ment complexe, ce qui peut par ailleurs présenter un inconvénient
qualification du système dans son ensemble. majeur en alourdissant exagérément l’effort nécessaire pour quali-
fier un inventaire.

3.2 Définition des indicateurs pertinents

3.3 Définition des objectifs de qualité
La définition des indicateurs de qualité est la base même du pro-
cessus de qualification. Cette étape de définition recouvre : La définition des objectifs de qualité fait partie intégrante de la
— le choix de ces indicateurs : les caractéristiques qualitatives phase de définition des objectifs d’une analyse de cycle de vie
permettant d’évaluer la qualité des données doivent être définies, comme spécifié dans la norme ISO (FDIS 14041, cf. § 2). Cette défini-
permettant ainsi d’identifier la nature des indicateurs de qualité per- tion des objectifs de qualité revient à indiquer quel est le seuil accep-
tinents. Ces indicateurs de qualité devront nécessairement rendre table pour chaque indicateur de qualité.
compte de deux aspects identifiés comme fondamentaux : le niveau
de confiance à accorder aux données et la fidélité des circonstances
dans lesquelles les données d’inventaire ont été obtenues ;
— la détermination des échelles d’évaluation et des modalités de 3.4 Gestion de la qualité des données
calcul correspondants.
L’analyse des récents travaux relatifs à l’évaluation de la qualité Évaluer la qualité des données doit pouvoir rendre compte de la
des données [7] met en évidence deux approches distinctes. Ces confrontation des résultats de l’évaluation avec les objectifs qualité
deux approches diffèrent aussi bien du point de vue de la nature des définis au cours de la première étape d’une analyse du cycle de vie.
indicateurs traités que des techniques de calcul permettant de les Cette confrontation constitue la troisième étape de ce cadre métho-
évaluer. dologique.
1. La première approche est basée sur une évaluation La gestion de la qualité des données consistera à tirer parti de la
semi-quantitative d’indicateurs de qualité [1] [2] et [3] au confrontation des résultats et à formuler des actions concrètes
niveau de chaque flux de l’inventaire. Plusieurs indicateurs de qua- visant à améliorer significativement la qualité d’un inventaire.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
G 5 750 − 4 © Techniques de l’Ingénieur, traité Génie industriel
______________________________________________________________________________________________________________ ANALYSE DU CYCLE DE VIE

Tableau 1 – Matrice de qualification selon Weidema [2]

S
c Indépendance
Représentativité de Corrélation Corrélation
o Méthode d’acquisition du fournisseur Âge des données
l’échantillon géographique technologique
r de données
e

1 Données mesurées Information vérifiée Données issues de Récentes : 5 ans Données issues de la Données issues de
par une autorité mesures continues maximum zone étudiée l’entreprise étudiée
publique ou une autre durant une période
source indépendante adéquate et sur un
échantillon de sociétés
suffisant pour niveler
les fluctuations
normales
2 Données calculées à Information vérifiée Échantillon de données Moins de 10 ans Données moyennées Données issues
partir de mesures par une entreprise ou données de sur une zone plus de process/matériaux
ayant un intérêt avec mesures continues large que celle de identiques mais
l’étude durant une période l’étude mais incluant d’entreprises
adéquate mais sur un celle-ci différentes
petit nombre de
sociétés
3 Données calculées ; Source indépendante Données issues de Moins de 15 ans Données issues Données issues
partiellement basées mais basée sur une périodes courtes mais d’une zone ayant de process/matériaux
sur des suppositions information à partir de mesures des conditions de identiques mais
industrielle non continues et sur un production similaires de technologies
vérifiée échantillon de sociétés à celles de l’étude différentes
suffisant
4 Données estimées par Information Données issues de Moins de 20 ans Données issues d’une Données issues de
des experts issus de industrielle non périodes courtes mais zone ayant des process/matériaux
l’industriel vérifiée sur un échantillon de conditions de ressemblants et de
sociétés suffisant production technologies
légèrement similaires différentes
5 Données estimées par Information non Représentativité Âge inconnu ou Données issues d’une Données issues de
des personnes non vérifiée issue d’une inconnue ou donnée plus de 20 ans zone inconnue ou process/matériaux
qualifiées entreprise ayant un unique ou échantillon d’une zone ayant des ressemblants et de
intérêt avec l’étude de données issues conditions de technologies
d’une seule entreprise production très différentes
sur une courte période différentes

Tableau 2 – Matrice de qualification selon Wrisberg [8] 4. Indicateur d’incertitude

Champ Champ Champ
Score d’application d’application d’application Cette seconde partie de l’article est articulée autour d’un exemple
géographique temporel technologique pratique traitant d’un indicateur de qualité parmi ceux cités précé-
demment. Il s’agit de l’indicateur de qualité relatif à l’incertitude
1 Inconnu/non Inconnu/non Inconnu/non des données. Le mode d’évaluation de cet indicateur de qualité des
représentatif représentatif représentatif
données est tout d’abord explicité, puis celui-ci est appliqué sur un
2 25-50 % 25-50 % 25-50 % exemple concret.

3 50-75 % 50-75 % 50-75 %

4 75-95 % 75-95 % 75-95 %
4.1 Définition de l’incertitude
5 > 95 % des flux > 95 % des flux > 95 % des flux sur les données d’inventaire
sont sont sont
représentatifs représentatifs représentatifs
dans le contexte dans le contexte dans le contexte
des objectifs des objectifs des objectifs Le but recherché est de rendre compréhensible le niveau de
de qualité de qualité de qualité confiance que l’on peut accorder à la valeur numérique d’une don-
des données des données des données née d’inventaire exprimant l’ampleur d’un flux au niveau d’un sys-
Il faut noter que le sens de la notation est inversé par rapport à la matrice de tème complet. Cette confiance dépend de la plage d’incertitude de
Weidema, pour laquelle la note 1 représentait la meilleure note, alors qu’ici chacun des flux au niveau du système. Mais que signifie évaluer
c’est le contraire. l’incertitude d’un inventaire ?

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Génie industriel G 5 750 − 5
ANALYSE DU CYCLE DE VIE ______________________________________________________________________________________________________________

L’incertitude d’un inventaire revient, en fait, à estimer l’incertitude tion des variables, on peut donner à l’intervalle d’incertitude l’une
pour chacune des variables de sortie de celui-ci. Ces variables de des significations suivantes :
sortie sont obtenues lors de la compilation d’un inventaire. Il s’agit — l’étendue des valeurs possibles (valeur minimale et valeur
donc d’estimer l’incertitude associée à chaque variable de sortie à maximale) (hypothèse de loi de probabilité uniforme) ;
partir des incertitudes des variables entrant d’un inventaire. — l’intervalle dans lequel se situent 67 % des valeurs ;
— l’intervalle dans lequel se situent 95 % des valeurs ;
— l’intervalle dans lequel se situent 99 % des valeurs.
Pour les trois derniers cas, on se situe dans le contexte d’une loi
4.2 Évaluation de l’incertitude de probabilité normale. En l’absence de la maîtrise d’informations
des données d’inventaire relatives aux incertitudes et aux lois de distribution pour les varia-
avec la technique de Monte-Carlo bles entrant, des règles peuvent être proposées afin de transformer
des indications quantitatives en paramètres permettant de caractéri-
ser les variables aléatoires [4].
Lorsque plusieurs variables sont combinées ensemble, au sein 3. Tirage aléatoire au sein de chaque intervalle défini pour chaque
d’un système, pour produire un résultat (variable de sortie pour un variable d’entrée : pour chacune des variables sélectionnées, on tire
inventaire, par exemple), il est souvent impossible, sauf cas simples, un nombre au hasard, selon la loi de probabilité qui a été associée à
de calculer de façon analytique, l’incertitude du résultat final à partir la variable, dans l’intervalle préalablement défini au cours de
de l’incertitude de chacune des données d’entrée et cela pour plu- l’étape 2.
sieurs raisons.
4. Calcul de la variable de sortie de l’inventaire : à partir des
En effet la propagation des incertitudes de l’ensemble des varia- valeurs tirées à l’étape 3.
bles n’est possible, de façon analytique, uniquement si on considère
que les lois de probabilités affectées à l’incertitude sur les variables 5. Stockage du résultat et réitérations de la procédure de calcul
sont de type normales ou log-normales et homogènes entre elles. (étapes 3 et 4) : on réitère plusieurs milliers de fois.
Or cela n’est pas le cas des inventaires où nous sommes dans la 6. Courbe de distribution des fréquences de la variable de sortie :
majorité des cas : on détermine alors la moyenne et l’écart type correspondant à
— soit, en face d’incertitudes, relatives aux variables, dont les lois l’ensemble des résultats et tout autre indicateur statistique permet-
de probabilité sont inconnues ; tant de déterminer la loi de probabilité obtenue.
— soit en face d’incertitudes dont les lois de probabilité sont Nota : écart type : racine carrée positive de la variance.
hétérogènes. Variance : moyenne arithmétique des carrés des différences entre les observations et
leur moyenne arithmétique. La variance est le moment centré d’ordre 2 (norme
L’approche analytique n’étant pas envisageable dans le contexte NFX 066003) : applications de la statistique. Vocabulaire de la statistique ).
des analyses du cycle de vie, le recours à une approche probabiliste 7. Calcul de l’intervalle d’incertitude de la variable de sortie.
est particulièrement indiquée dans ce contexte pour estimer le
niveau d’incertitudes des données d’un inventaire. Cette technique
est actuellement développée par plusieurs auteurs [4] et [7] et est
également exploitée au sein de plusieurs logiciels d’analyse du
cycle de vie actuellement diffusés. On peut citer les logiciels 4.3 Interprétation des résultats
KCL-ECO, TEAM et le logiciel développé par B.P. Weidema à l’Uni-
versité Technique du Danemark.
À partir de la courbe de distribution des fréquences obtenue pour
Nota : KCL-ECO est un logiciel développé par « The Finnish Pulp and Paper Research la variable de sortie ayant fait l’objet des simulations avec la techni-
Institute », Finlande. que de Monte-Carlo, la moyenne, la médiane et l’écart type ont pu
TEAM est un logiciel développé par la société « Ecobilan », France. être déterminés. Pour traduire ces paramètres en plage d’incerti-
B.P. Weidema a développé un outil basé sur Monte-Carlo et a également entrepris une tude, il est nécessaire d’identifier la forme de la loi de probabilité
comparaison des trois outils actuellement disponibles sur le marché. obtenue. En effet, selon la loi de probabilité, le calcul de l’intervalle
d’incertitude est le suivant :
L’exploitation d’une approche probabiliste va permettre d’estimer
l’incertitude associée aux données d’un inventaire à partir de la pro- — l’intervalle peut être égal à l’étendue des valeurs obtenues,
pagation des incertitudes liées aux données entrant. Le principe est c’est-à-dire à la différence entre la valeur minimale et la valeur maxi-
le suivant : il s’agit d’identifier chaque variable d’entrée à une varia- male obtenues (cas général) ;
ble aléatoire répondant à un type de loi de probabilité (loi de type — si la loi de probabilité, obtenue pour la variable de sortie, a les
uniforme, normale ou log-normale par exemple). Des simulations caractéristiques d’une loi normale, l’intervalle peut être défini à par-
reposant sur la technique de Monte-Carlo [13] sont alors effectuées tir de l’écart type et de la moyenne et correspond à :
à partir de ces lois de distribution afin de reconstituer la loi de distri- • 67 % des valeurs en prenant l’intervalle défini par « moyenne
bution des résultats de l’inventaire. ± écart type »,
Cette approche probabiliste, qui repose sur la technique de • 95 % des valeurs en prenant l’intervalle défini par « moyenne
Monte-Carlo, est maintenant décrite selon les sept étapes suivantes. ± 2 écart type »,
• 99 % des valeurs en prenant l’intervalle défini par « moyenne
1. Formulation explicite des relations reliant la variable de sortie, ± 3 écart type » ;
dont on désire estimer l’incertitude, aux données/variables — si la loi de probabilité, obtenue pour la variable de sortie, a les
d’entrée : il faut noter que la nature des équations est libre et n’est caractéristiques d’une loi log-normale, l’intervalle peut être défini à
en aucun cas restreint à des relations linéaires. partir de la moyenne géométrique et de l’écart type géométrique
2. Définition de l’incertitude et de la loi de probabilité associée à (écart typeg) et correspond à :
chacune des données ou variables d’entrée : pour commencer, on • 67 % des valeurs en prenant l’intervalle [moyenne géométri-
associe un facteur de variation à chacune de ces variables. Ce fac- que/écart typeg , moyenne géométrique × écart typeg] ;
teur peut s’exprimer sous la forme d’une valeur absolue ou sous la • 95 % des valeurs en prenant l’intervalle [moyenne géométri-
forme d’un pourcentage par rapport à la valeur moyenne de la varia- que/(écart typeg)2, moyenne géométrique × (écart typeg)2’] ;
ble. Ce facteur de variation permet ainsi de définir un intervalle • 99 % des valeurs en prenant l’intervalle [moyenne géométri-
d’incertitude. Selon l’hypothèse retenue quant à la loi de distribu- que/(écart typeg)3, moyenne géométrique × (écart typeg)3’].

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
G 5 750 − 6 © Techniques de l’Ingénieur, traité Génie industriel
______________________________________________________________________________________________________________ ANALYSE DU CYCLE DE VIE

Nota : la moyenne géométrique correspondant à une loi de probabilité X, de type

log-normale est égale à l’exponentielle de la moyenne arithmétique correspondant à la loi
de probabilité ln(X). Elle peut également être approximée par la médiane de la loi de pro-
babilité X (d’après « Encyclopedia of statistical sciences », 1983, Wiley & Sons, Inc.,
p. 398-399).
PROCESSUS 1
L’écart type géométrique correspondant à une loi de probabilité X, de type log-nor- CO2 (1)
male est égal à l’exponentielle de l’écart type correspondant à la loi de probabilité ln(X) énergie
(d’après « Encyclopedia of statistical sciences », 1983, Wiley & Sons, Inc., p. 398-399).
C
Dans la réalité, les distributions obtenues ne correspondent pas PROCESSUS 3
CO2 (3) CO2
strictement à des lois normales ou log-normales. Il faudrait alors matériau
définir des critères de conformité afin d’assimiler ces distributions à
des lois de probabilité particulières de façon à exploiter les modes E CO2 (2)
PROCESSUS 2
de calculs adéquats pour calculer les intervalles d’incertitude. climatisation D
Des règles relatives au choix des formes de distributions sont par
exemple ébauchées dans [6]. SYSTÈME

Figure 1 – Représentation du système étudié : un climatiseur

4.4 Description de l’exemple
L’exemple présenté concerne le cycle de vie d’un climatiseur. Il
s’agit d’un exemple fictif mais néanmoins plausible. Les étapes du 4.6 Calcul de l’incertitude associée
cycle de vie de ce climatiseur ont été volontairement restreintes et à une émission issue du calcul
ne concernent que les phases de fabrication et de fonctionnement
du climatiseur. Le système complet est ainsi constitué de trois de l’inventaire
processus : le processus 1 qui représente le modèle énergétique
fournissant l’énergie nécessaire au fonctionnement du climatiseur, Connaissant l’incertitude associée aux variables permettant de
le processus 2 qui représente le fonctionnement du climatiseur calculer la variable CO2 , l’objectif est d’estimer l’incertitude asso-
lui-même sur sa durée de vie (fixée à 5 ans) et le processus 3 qui ciée à la variable CO2 . L’exploitation des simulations de
concerne la fabrication du matériau nécessaire à la construction du Monte-Carlo va permettre également d’estimer la sensibilité de la
climatiseur, comme représenté sur la figure 1. variable CO2 aux variables entrant x, u, y, z, v.
Les relations établies entre les variables D (nombre de climati- La procédure est celle décrite au paragraphe expliquant la techni-
seurs), C (quantité d’énergie électrique en kWh) et E (masse de que de Monte-Carlo.
matériau en kg) permettent de définir le système complet :
Afin d’estimer l’incertitude sur la variable CO2 , on identifie l’incer-
C = uD titude sur les variables x, u, y, z et v. D, la variable est définie comme
avec u quantité d’énergie nécessaire pour le fonctionne- une constante dans cet exemple et on considère l‘incertitude asso-
ment d’un climatiseur pendant 5 ans ciée comme nulle.
(= 154 200 kWh/climatiseur) ;
On prend comme hypothèse que l’incertitude associée aux varia-
E = vD bles x, u, y, z et v répondent à des lois de distribution uniforme.
avec v masse de matériaux nécessaire pour élaborer un Afin d’estimer la sensibilité de la variable CO2 aux variables
climatiseur (= 1 600 kg/climatiseur). entrant, cinq scénarios ont été sélectionnés correspondant à des
combinaisons différentes de facteurs de variations appliqués aux
variables x, u, y, z et v.
4.5 Constitution de l’inventaire Le tableau 3 donne les résultats (sur la dernière colonne) corres-
pondant à ces cinq scénarios. Pour chacun des scénarios, le facteur
Nota : les résultats de l’inventaire correspondant à ce système ont volontairement été de variation (FV) associé à la variable CO2 a été calculé. Son mode
restreints à l’émission de CO 2 afin de réduire l’exemple à sa forme la plus simple. de calcul est détaillé ci-après (figure 2).
L’émission de CO2 , la variable de sortie, est en fait constituée Analyse des résultats (figure 2) :
d’une somme d’émissions correspondantes aux émissions de cha-
cun des trois processus. — les courbes de distribution obtenues pour les scénarios 1, 2, 3
et 5 sur (figure 2) peuvent s’apparenter à des distributions norma-
Les équations suivantes permettent de tracer la logique du calcul
les. On peut donc appliquer les recommandations proposées
de l’émission de CO2 , pour l’inventaire du système complet :
concernant le calcul des plages d’incertitude pour les lois normales.
L’émission de CO2 selon chaque processus est définie à partir des Le facteur de variation est égal, dans ce cas précis, à deux fois l’écart
variables d’entrée x, u, y, z et v par les relations : type. Il est exprimé en pourcentage de la valeur moyenne de la dis-
tribution obtenue. Le facteur de variation ainsi calculé pour le CO2
CO 2( 1 ) = xC or C = uD donc CO 2( 1 ) = xuD (1) (dernière colonne) correspond à 95 % des valeurs comprises dans
l’intervalle ;
CO 2( 2 ) = yD (2)
— la courbe de distribution obtenue pour le scénario 4 s’appa-
CO 2( 3 ) = zE or E = vD donc CO 2( 3 ) = zvD (3) rente à une loi de type log-normale et le mode de calcul du facteur
de variation diffère du précédent, comme spécifié au
Par conséquent, la valeur du CO2 total s’exprime par l’équation paragraphe 4.3 ;
suivante : — les résultats du dernier scénario (5) sont intéressants à analy-
CO2 = CO 2( 1 ) + CO 2( 2 ) + CO 2( 3 ) (4) ser. On peut constater que la sensibilité du CO2 est différente selon
les variables. Ainsi la sensibilité du CO2 à la variable z est faible
L’émission de CO2 est proportionnelle à la variable D : comme on peut le constater avec le facteur de variation associé au
CO2 qui reste faible (11,4 %, scénario 5) alors que celui donné pour
CO2 = xuD + yD + zvD (5) z était important (100 %).

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Génie industriel G 5 750 − 7
G 5 750 − 8
ANALYSE DU CYCLE DE VIE

Six variables (x, u, y, z, v, D) ont été utilisées pour calculer un résultat (CO2), selon la formule suivante : CO2 = (xuD )+(yD )+(zvD )
Aux variables x, u, y, z, v est associé un intervalle d'incertitude. La méthode Monte - Carlo consiste à tirer au hasard une valeur pour chacune de ces variables, dans l'intervalle d'incertitude
qui a été défini, et de calculer ensuite le résultat final. Cette opération est recommencé 4000 fois.
On décrit ensuite les caractéristiques de cette ensemble de résultats, comme sur cette feuille, à l'aide d'indicateurs tels que la moyenne, l'écart-type, etc.

x u y z y
0,80 154200,00 102000,00 7,59 1600,00

FACTEUR DE VARIATION DES VARIABLES AUTOUR DE LA MOYENNE (en % de la moyenne)

Scénario 1 Scénario 2 Scénario 3 Scénario 4 Scénario 5
(=10 % sauf D = 0 %) (=20 % sauf D = 0 %) (=50% sauf D = 0%) (=100% sauf D = 0%) (=10 % sauf z=100 % et D=0 %)
Résultat des calculs

Figure 2 – Propagation des incertitudes avec la technique Monte-Carlo

Moyenne (M ) 236778,49 236731,43 236628,96 235173,42 236769,14
Médiane 236616,91 235820,29 230476,26 215607,01 236616,07
Écart type 11516,58 23506,79 58765,86 123617,86 13523,38
Minimum 205323,79 174557,39 95823,11 6637,07 194872,08
Maximum 269141,67 310072,86 443601,37 672525,97 280177,42
Coefficient d'asymétrie 0,06 0,12 0,41 0,66 0,03
Fiche de synthèse
Moyenne (M ) 236778,49 236731,43 236628,96 235173,42 236769,14
Facteur de variation de M en % (FV) 9,7 % 19,9 % 49,7 % 105,1 % 11,4 %

© Techniques de l’Ingénieur, traité Génie industriel

Fréquences de distribution des résultats
Si la loi de probabilité est de
200 200 200 200 200
type normale, 95 % des valeurs
150
sont situées dans l'intervalle
100 100 100 100 100
(M -- FV ; M + FV) 50
0 0 0 0 0
M M M M M

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
______________________________________________________________________________________________________________
______________________________________________________________________________________________________________ ANALYSE DU CYCLE DE VIE

Tableau 3 – Incertitude associée à la variable CO2 compte tenu des incertitudes

associées aux variables x, u, y, z et v pour cinq scénarios
CO2
Variable x u y z v D
(kg)

Valeur 0,8 154 200 102 000 7,59 1 600 1 233 553
Scénario 1 10 % 10 % 10 % 10 % 10 % 0% FV = 9,7 %
Scénario 2 20 % 20 % 20 % 20 % 20 % 0% FV = 19,9 %
Scénario 3 50 % 50 % 50 % 50 % 50 % 0% FV = 49,7 %
Scénario 4 100 % 100 % 100 % 100 % 100 % 0% FV = 105,1 %
Scénario 5 10 % 10 % 10 % 100 % 10 % 0% FV = 11,4 %

5. Conclusion motion of LCA development) » au niveau européen. Ce format est

disponible sur internet ([Link]
Or, compte tenu des dernières avancées en terme de réflexions
méthodologiques, le niveau est atteint pour uniformiser une pra-
Évaluer la qualité des données d’un inventaire est un enjeu impor- tique dans les plus brefs délais afin de capitaliser tout effort visant à
tant pour les analyses du cycle de vie en terme de crédibilité, et les qualifier des données et plus particulièrement dans le cadre des
travaux actuels de recherche dans le domaine des ACV s’articulent bases de données.
autour de cet axe stratégique. En effet, l’évaluation de la qualité des
données d’un inventaire conduit à renforcer la crédibilité de celui-ci C’est ainsi que, dans le cadre de RECORD (REseau COopératif de
grâce à l’évaluation du niveau de confiance des données. L’évalua- Recherche sur les Déchets), la mise au point d’un guide méthodolo-
tion de la qualité des données d’un inventaire conduit également à gique synthétique relatif à l’évaluation de la qualité des données
améliorer l’utilité de l’information contenue en rendant compte de la d’inventaire a été initié au cours de l’année 1997 avec le concours de
fidélité des circonstances dans lesquelles celles-ci ont été obtenues BIO Intelligence Service et de l’INSA-POLDEN. Cette étude a permis
par rapport à des objectifs fixés au préalable. d’initier une méthodologie d’évaluation de la qualité des données
avec le souci d’y intégrer la gestion de la qualité des données. Cette
Ce premier aperçu des réflexions, actuellement en cours, permet méthodologie était en phase de validation pratique sur l’année 1998
de constater qu’aucun travail d’harmonisation n’est actuellement et une communication des fondements de la méthodologie est pla-
initialisé ou en cours au niveau international, en ce qui concerne nifiée début 1999.
l’évaluation de la qualité des données. Seuls des travaux d’harmoni-
Nota : RÉseau COopératif de REcherche sur les Déchets qui comprend l’ADEME, CTG
sation en terme de format d’échanges de données d’inventaire sont (Groupe ItalCimenti), Ciments d’Obourg, Ciments Lafarge, SARP Industrie, EDF, ELF, Gaz de
actuellement en cours, avec le format « SPOLD (Society for the Pro- France, PSA, Renault, Rhône-Poulenc, SITA, Socotec, Solvay SA, TREDI.

Références bibliographiques

[1] FUNTOWICZ (S.O.) et RAVETZ (J.R.). – Uncer- ries. An example of Using Data Quality Indica- 1997, présenté aux 7es rencontres annuelles
tainty and Quality in Science for Policy. 1990, tors (Gestion de la qualité des données de la SETAC-Europe, Amsterdam, Pays-Bas.
Kluwer Academic Publishers, Pays-Bas. d’inventaire d’analyse du cycle de vie – Un
[2] WEIDEMA (B.P.). – Qualitative and Quantita- exemple d’utilisation d’indicateurs de qua-
tive Parameters in Product Impact assess- lité). 1995, présenté au 2e congrès internatio- Dans les Techniques de l’Ingénieur
ment, (Paramètres qualitatifs et quantitatifs nal de la SETAC, Vancouver, Canada.
dans l’évaluation de l’impact des produits). [6] KENNEDY (D.J.), MONTGOMERY (D.C.), ROL- [9] KUSKO (Bruce H.) et FRANKLIN (W.E.). – Ana-
1994, présenté aux 4es rencontres annuelles LIER (D.A.) et KEATS (J.B.). – Assessing Input lyse du cycle de vie. Réalisation de l’inven-
de la SETAC-Europe, Bruxelles, Belgique. Data Uncertainty in Life Cycle Assessment taire. G 5 500. Traité Génie industriel,
[3] LABOUZE (E.) et ROEDERER (O.). – A sugges- Inventory Models (...). International Journal of rubrique Environnement, janv. 1998.
ted rating system to assess the data quality in Life Cycle Assessment 2, no 4, 1997, [10] SCHNEIDER (F.), CHEVALIER (J.) et NAVARRO
your LCA study (Système de notation destiné p. 229-239, Ecomed publishers Rudolf-Diesel, (A.). – Analyse du cycle de vie. Problèmes
à évaluer la qualité des données dans le cadre Allemagne. d’affectation. G 5 550. Traité Génie industriel,
des études ACV). Mai 1996, présenté aux rubrique Environnement, avr. 1998.
6es rencontres annuelles de la SETAC, Sicile, [7] COULON (R.), CAMOBRECO (V.), TEULON (H.)
Italie. et BESNAINOU (J.). – Data Quality and Uncer- [11] ROUSSEAUX (P.). – Analyse du cycle de vie.
tainty in LCI (Qualité des données et incerti- Évaluation des impacts. G 5 605. Traité Génie
[4] KENNEDY (D.J.), MONTGOMERY (D.C.) et
tude des inventaires d’analyses du cycle de industriel, rubrique Environnement, janv.
QUAY (B.H.). – Stochastic Environmental Life
vie). International Journal of Life Cycle 1998.
Cycle Assessment Modeling – A Probabilistic
Approach to Incorporating Variable Input Data Assessment 2, no 3, 1997, p. 178-182, Ecomed [12] KHALIFA (K.). – Problématique de l’évaluation
Quality. International Journal of Life Cycle publishers Rudolf-Diesel, Allemagne. des impacts. G 5 610. Traité Génie industriel,
Assessment 1, no 4, 1996, p. 199-207, Ecomed [8] WRISBERG (N.). – A semi-quantitative rubrique Environnement, oct. 98.
publishers Rudolf-Diesel, Allemagne. approach for assessing data quality in LCA [13] CHAPOUILLE (P.). – Fiabilité. Maintenabilité.
[5] WEIDEMA (B.P.) et WESNOES (M.S.). – Data (Approche semi-quantitative pour l’évalua- T 4 300. Traité Génie industriel, rubrique
quality Management for Life Cycle Invento- tion de la qualité des données des ACV). Avr. Conception des produits industriels, juin 80.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Génie industriel G 5 750 − 9