Les implications de la définition du périmètre

De Metabolisme territorial
Aller à : navigation, rechercher

La définition du périmètre d'une étude de métabolisme territorial comprend les éléments suivants {Ref needed} :

  • Le territoire étudié et le niveau de détail spatial envisagé
  • La période d'étude et le pas de temps (annuel, mensuel, ...)
  • Les matières (/ énergies) considérées et la nomenclature utilisée pour classifier l'information
  • La ou les unités de quantification
  • Le cas échéant, les processus spécifiques considérés

La définition du périmètre va avoir des incidences sur l'ensemble de la chaine de traitement de données : le choix des sources de données, la façon de les préparer, les méthodes d'analyses de données qu'il est possible de mobiliser .... En fait, la définition du périmètre n'est pas complètement libre : elle dépend fortement de la disponibilité des données pour mener à bien l'analyse. Nous allons ainsi examiner les contraintes opérationnelles qui pèsent sur ces différents éléments.

Le territoire étudié et le niveau de détail spatial

Dans le chapitre §2.2.3 nous indiquions qu'il était pertinent de mener des études de métabolisme pour territoires avec des tailles très variable (ville, région, pays, ...). Cette possibilité dépend toutefois de la disponibilité des données sources qui le sont plus souvent disponibles aux échelles départementales ou régionales. Les travaux d'{Ref needed} d'Herbelin sur le métabolisme d'un territoire défini autrement que par son découpage administratif montrent qu'il est parfois nécessaire de devoir naviguer et composer entre les différents niveaux administratifs et leur hiérarchisation pour obtenir l'information à l'échelle souhaitée (Zhang et al. 2015). Cette échelle peut être plus petite que celle du territoire défini comme périmètre, notamment pour en illustrer les dynamiques internes. Il convient alors de préciser le niveau de détail envisagé, qui peut être très fin (nous descendons §5.X jusqu'à l'échelle d'un bâtiment) selon la disponibilité des données sources. Des modèles permettent également de réduire l'échelle de certaines données à travers le processus de down-scaling qui s'appuie sur des données complémentaires plus fines (Courtonne 2016). Plutôt que de partir de données globales, les méthodes bottom-up visent au contraire à agréger des informations plus précises disponibles pour les principaux sites contributeur au métabolisme du territoire : grandes industries, bâtiments, équipements, ... (Brunner & Rechberger 2003).

Le choix du territoire peut poser des problèmes lorsqu'il s'agit d'en étudier l'évolution. En effet, le découpage administratif, et donc les données statistiques qui s'y rapportent, peuvet changer, rendant difficile le suivi du métabolisme sur un temps long. Ainsi, l'étude réalisée par Région Alsace & Ademe (2015) n'a plus le même sens après que la région Alsace ait fusionnée avec ses consœurs au sein de la région Grand-Est suite à l'application de la loi NOTRe. D'ailleurs, au moment où nous écrivons ces lignes, nous n'arrivons plus à retrouver le document de communication qui a été réalisé sur la démarche à l'aide un moteur de recherche : la mutualisation des services d'hébergement internet a probablement rompu le lien vers le document. Cette exemple n'est pas unique et même en France, le découpage administratif évolue fréquemment, en particulier les établissements publics de coopération intercommunale (EPCI). En travaillant à un niveau de détail très fin, on peut également être impacté par les changement dans le nom de rues qui vont poser problème dans le traitement des adresses (§5.X).

En plus des problèmes d'évolution, la définition d'un système par ses limites géographiques génère une typologie de problème bien particulier de biais statistique : le problème d'agrégation spatiale (Modifiable Areal Unit Problem - MAUP). Il rend délicat la comparaison entre des territoires sur certains aspects. Nous approfondissons bien plus en détail ce problème dans le §5.

Finalement, le choix du territoire étudié est en fait très lié à la volonté politique des institutions et collectivités engagé dans ce type d'étude. Ce sont plus souvent ces institutions qui, soutenant la démarche, définissent le territoire d'étude par rapport à leur intérêt propre. En plus des institutions motrices, des organismes régionaux voire plus locaux peuvent aussi détenir des données pertinentes. La connaissance de ces acteurs du territoire est donc également un facteur de réussite d'une étude de métabolisme ; les personnes qui ont menée celle de la Région Alsace & Ademe (2015) l'ont d'ailleurs témoigné.

Période d'étude et pas de temps

La plupart des études identifiées quantifient le métabolisme d'un territoire sur une année donnée. Dans l'étude menée par Région Alsace & Ademe (2015), la faible disponibilité des données a même contraint à rassembler des sources d'années différentes. Quelques travaux étudient l'évolution des flux sur plusieurs années comme ceux de Rosado et al. (2014) qui développent une démarche prospective du métabolisme de Lisbonne, ou ceux de Courtonne (2016) qui permettent de consolider les données relatives au transport de marchandises grâce à des statistiques pluriannuelles.

Le pas de temps utilisé est généralement d'un an, donc souvent confondu avec la période d'étude, notamment en raison des nombreuses données statistiques qui utilisent ce référentiel. Toutefois, il est souvent bénéfique de pouvoir utiliser des pas de temps plus réduits pour mettre en évidence des phénomènes saisonniers, si tant est que les données sources le permettent. Ce fut le cas dans notre application §5.

L'utilisation de différents pas de temps nous permet d'identifier un phénomène un peu déroutant que nous pouvons constater sur la figure X. Les données représentées sont les mêmes, et pourtant elle ne le semble pas. Le choix d'un pas de temps mensuel, rapporté soit au mois, soit au jour, met en exergue une incohérence pour le mois de février qui compte moins de jours de que les autres (~10 % de moins que janvier ou mars). Cela amène a une possible mésinterprétation de la réalité, la figure 2.X nous paraît ainsi plus appropriée : une hausse de la consommation les jours du mois de février. Ces variations liées au découpage temporel peuvent engendrer des approximations. Elles semblent toutefois réduites au regard des variations liées au découpage spatial décrites par le MAUP (§5)

En se projetant dans l'imaginaire technophile des villes connectées (ou "smart cities"), nous pourrions même vouloir disposer d'une connaissance en temps réel des flux (Shahrokni et al. 2015). Cela permettrait de suivre les bâtiments et de détecter entre autres très rapidement des dérives de consommation ou d'optimiser les flux de transport de personnes ou de marchandises. En fait, des informations de ce type sont déjà disponibles dans certains secteurs par exemple le trafic aérien ou maritime [1]. Les techniques liees à la gestion technique des bâtiments permettent déjà également de disposer d'une information en temps réel sur les consommations d'un patrimoine.

Matières considérés et nomenclature de classification

Le choix des matières étudiées est fixé par le périmètre. Dans la méthodologie du CGDD (2014), l'objectif est d'avoir une vue d'ensemble sur toutes les matières, mais ça n'est pas toujours le cas selon les études (§2.X). Si plusieurs matières sont étudiées ou si la matière peut être décrite avec plusieurs niveaux de détail, l'information est souvent classifiée à travers des nomenclatures (§ 1). Pour les analyses territoriales, la nomenclature proposée par Eurostat (2001) sert souvent comme référence, nous l'appellerons nomenclature EW-MFA. Elle est d'ailleurs reprise (et traduite) dans le guide du CGDD[2]. Cette nomenclature classe hiérarchiquement les flux selon leur composition matérielle en quatre grandes catégories : la biomasse, les métaux, les minerais non métalliques et les énergies fossiles.

Toutefois, les données mobilisées dans les études de métabolisme sont rarement exprimées dans cette nomenclature. Par exemple, les statistiques de transport de marchandises sont exprimées dans la "Nomenclature uniforme des marchandises pour les statistiques de transport 2007" (NST2007) qui classifie les produits en lien avec l'activité économique productive (produit de l'agriculture, produits chimiques, meubles, ...)[3]. Les statistiques agricoles française, que l'on peut retrouver sur le site Agreste[4] utilisent quand à elle une autre nomenclature : la Classification des produits française (CPF).

Nous pourrions lister d'autres nomenclatures qui peuvent figurer dans les données sources mobilisées : la "Classification statistique des produits associée aux activités" (CPA), la "Nomenclature Combinée" (CN) dont une nouvelle version apparaît chaque année (Eurostat 2013a) ou encore la "Classification des flux en Écologie Industrielle et Territoriale" (CFEIT)[5] proposée par le Réseau des Chambres de Commerces et d’Industries de France.

Dans certains cas, la désignation d'un produit dans des jeux de données ne repose pas sur une nomenclature définie. Si un nombre restreint d'intitulés est utilisé, il est finalement possible de considérer qu'ils constituent une nomenclature spécifique au jeu de données. A contrario, si un grand nombre d'intitulés est utilisé sans convention apparente, la création d'une nomenclature spécifique peut être fastidieuse. On peut alors considérer qu'il s'agit d'intitulé libre qui permettent de désigner aussi finement que nécessaire un produit et donc de l'identifier sans ambiguïté parmi d'autres[6]. Toutefois, si cette désignation peut être fonctionnelle dans une entreprise particulière qui a une manière propre de désigner les produits, elle peut ne pas être exploitable dans un autre contexte. Les intitulés libres ne permettent pas non plus de réaliser facilement et automatiquement des agrégats statistiques, il faut user d'algorithmes plus évolués (Davis 2017).

Ainsi, dans l'exercice d'évaluation du métabolisme d'un territoire, il est nécessaire de convertir les produits classés selon différentes nomenclatures vers une unique nomenclature de référence. Il peut s'agir de la nomenclature EW-MFA, mais aussi d'une autre nomenclature selon les objectifs de l'étude : CFEIT par exemple pour les démarches d'écologie industrielle et territoriale, ou le tableau périodique des éléments pour les analyses de flux de substances, en se concentrant par exemple sur l'azote (N) ou le phosphore (P) dont la modification des cycles biogéochimiques par l'activité humaine pose des problèmes de durabilité. (Silvestre et al. 2012 ; Le Noé et al. 2016 ; {Ref needed}:REF PAUL BLOIS ICUBE).

Il est possible de trouver des tables de conversion entre différentes nomenclatures dans la littérature. Le CGDD et Eurostat en proposant certaines dans leurs guides méthodologiques, par exemple celle permettant de passer de la NST 2007 à la EW-MFA. Si certains intitulés se retrouvent dans plusieurs nomenclatures, souvent la conversion d'une nomenclature doit faire l'objet d'une approximation. Il est même parfois impossible de réaliser correctement la conversion, la classification d'origine utilisée ne correspondant pas aux objectifs de l'étude. Par exemple, l'item 11.44 de la NST2007 "Parties d’appareils d’éclairage" n'est pas suffisamment explicite pour permettre une conversion selon la composition matérielle dans l'esprit de la nomenclature EW-MFA. L'existence d'une catégorie "Autre/Divers/Indiscernable" est ainsi difficilement évitable. Dans certains cas, il est également approprié de convertir un intitulé dans une nomenclature vers plusieurs intitulés d'une autre nomenclature, avec l'application de différents coefficients de passage. Par exemple, dans les études des cycles biogéochimiques, les masses de produits courants (ex : 1 kg de maïs) sont convertis en azote (~ 15 g d'azote ; Le Noé et al. 2016) ou en phosphore (~ 0,5 g).

Le travail de classification et de conversion peut engendrer une perte significative dans la qualité de l'information (Desrosières 2008). Le CGDD (2014, p.73) insiste d'ailleurs sur le fait que sa méthodologie "repose sur l’exploitation de nomenclatures préétablies qui n’ont pas été conçues initialement pour la réalisation de bilans de matières". Notre étude exploratoire menée sur l'analyse du métabolisme à travers le cycle de vie des produit s'est d'ailleurs heurtée à cette limitation sans réussir à la dépasser. Les statistiques sur le transports de marchandises, pourtant essentielles dans les études de métabolisme, sont ainsi intrinsèquement limitées pour appuyer pleinement les démarches d'écologie territoriale qui nécessité une information spécifique. Le changement de nomenclature vers un nouveau référentiel qui tienne compte de ces spécificités permettrait d'élargir les possibilités d'usage des données statistiques. Mais cette nomenclature étant harmonisée au niveau européen, ce changement, s'il a lieu, risque de prendre du temps. Une alternative serait de d'adapter les enquêtes statistiques (au niveau national donc) pour produire les données à la fois dans le référentiel de la NST 2007, et dans celui d'une écologie territoriale. Une troisième voie serait que les régions, qui disposent de compétences importantes pour la transition écologique, créent leur propre système d'information sur l'utilisation des flux de ressources (CGDD 2014) et l'alimentent en partie. Notons toutefois que, dans les trois cas envisagés, l'amélioration des statistiques au regard des besoins d'une écologie territoriale repose sur des choix politiques.

Unités

Le choix de l'unité est essentiel pour s'inscrire dans différents cadre théorique et aborder diverses problématiques qu'elles soient économiques, environnementales ou sociales (§ 2). La plupart des études de métabolisme visent dans un premier temps à quantifier les flux en kilogramme (kg), ou en kilowatt.heure (kWh) pour la partie énergétique, même si ce choix peut être facilement critiqué (Van der Voet et al. 2004).

Les données sources ne sont toutefois pas toujours exprimées dans ces unités. Par exemple, les consommations de gaz et de pétrole sont souvent exprimées en tonnes équivalent pétrole (tep). Afin de standardiser ces données, des coefficients de conversion sont utilisés pour obtenir l'équivalent en kg ou kWh. Ces coefficients peuvent être soit des constantes absolues (le passage de la tonne au kg ou de la tep au kWh), soit dépendre de caractéristiques physiques (tep de gaz vers des kg) ou sociétales (kWh de gaz en euros) de l'élément étudié qui peuvent varier. Le changement d'unité à travers des coefficients de passage implique ainsi souvent une approximation, et donc une perte de qualité de l'information difficilement évitable, si ce n'est en évaluant les incertitudes ou en utilisant des modèles prenant en compte les conditions variables mais qui sont plus complexes à mettre en œuvre. En plus des approximations, l'application de coefficients est une démarche souvent manuelle, peu intéressante, spécifique à chaque type de produit, et qui prend du temps à la fois pour repérer ces coefficients dans littérature, mais aussi pour les appliquer adéquatement sur les données initiales pendant la préparation des données.

En reprenant nos réflexions §2.X, il paraît pertinent de ne pas se limiter à une seule unité pour la quantification des flux et des stocks. Évidemment, pouvoir manipuler différentes unités implique qu'elles soient disponibles dans les données sources ou qu'il soit possible de les évaluer à travers à l'aide de coefficients ou de modèles. Cela implique également une structuration des données plus complexe pour naviguer dans les différentes unités.



Références

• Brunner, P., Rechberger, H., 2003, Practical Handbook of Material Flow Analysis. CRC Press
• CGDD, 2014, Comptabilité des flux de matières dans les régions et les départements - Guide méthodologique, Références du Service de l’observation et des statistiques (SOeS). Commissariat Général au Développement Durable. [En ligne] URL : https://www.statistiques.developpement-durable.gouv.fr/sites/default/files/2018-10/guide-methodologique-references-flux-de-matiere-juin2014.pdf. Consulté le 19 avril 2018.
• Courtonne, J., 2016, Evaluation environnementale de territoires à travers l'analyse de filières : la comptabilité biophysique pour l'aide à la décision délibérative. Thèse de doctorat en Sciences de gestion. Université Grenoble Alpes. [En ligne] URL : https://tel.archives-ouvertes.fr/tel-01421664. Consulté le 19 avril 2018.
• Davis, C., 2017, Using Linked Data to facilitate translations between product and industry classifications. ISIE-ISSST 2017 Conference: Science in Support of Sustainable and Resilient Communities. [En ligne] URL : http://programme.exordo.com/isie2017/delegates/presentation/716/. Consulté le 19 avril 2018.
• Desrosières, A., 2008, L’Argument statistique I : Pour une sociologie historique de la quantification. Presses des MINES
• Eurostat, 2001, Economy-wide material flow accounts and derived indicators: a methodological guide, Eurostat Theme 2, Economy and finance. Office for Official Publ. of the Europ. Communities. [En ligne] URL : http://ec.europa.eu/eurostat/documents/1798247/6191533/3-Economy-wide-material-flow-accounts...-A-methodological-guide-2001-edition.pdf/. Consulté le 19 avril 2018.
• Eurostat, 2013a, Economy-wide Material Flow Accounts (EW-MFA) - Compilation guide. [En ligne] URL : http://ec.europa.eu/eurostat/documents/1798247/6191533/2013-EW-MFA-Guide-10Sep2013.pdf/54087dfb-1fb0-40f2-b1e4-64ed22ae3f4c. Consulté le 19 avril 2018.
• Le Noé, J., Billen, G., Lassaletta, L., Silvestre, M., Garnier, J., 2016, La place du transport de denrées agricoles dans le cycle biogéochimique de l'azote en France : un aspect de la spécialisation des territoires, Cahiers Agricultures, 25, pp. 15004. DOI : 10.1051/cagri/2016002
• Région Alsace, Ademe, 2015, Consommations, besoins et richesses du territoire alsacien. [En ligne] URL : https://alsace.ademe.fr/sites/default/files/files/Domaines-intervention/Economie-circulaire/synthese_etude_de_flux_juillet2015.pdf. Consulté le 19 avril 2018.
• Rosado, L., Niza, S., Ferrão, P., 2014, A Material Flow Accounting Case Study of the Lisbon Metropolitan Area using the Urban Metabolism Analyst Model, Journal of Industrial Ecology, 18, pp. 84-101. DOI : 10.1111/jiec.12083
• Shahrokni, H., Lazarevic, D., Brandt, N., 2015, Smart Urban Metabolism: Towards a Real-Time Understanding of the Energy and Material Flows of a City and Its Citizens, Journal of Urban Technology, 22, pp. 65-86. Routledge. DOI : 10.1080/10630732.2014.954899
• Silvestre, M., Billen, G., Garnier, J., 2012, Évaluation de la provenance des marchandises consommées par un territoire : AmstraM, une application de webmapping basée sur les statistiques de transport et de production, Écologie industrielle et territoriale: COLEIT, pp. 361-370
• Van der Voet, E., van Oers, L., Nikolic, I., 2004, Dematerialization: Not Just a Matter of Weight, Journal of Industrial Ecology, 8, pp. 121-137. MIT Press. DOI : 10.1162/1088198043630432
• Zhang, Y., Yang, Z., Yu, X., 2015, Urban Metabolism: A Review of Current Knowledge and Directions for Future Study, Environmental Science \& Technology, 49, pp. 11247-11263. DOI : 10.1021/acs.est.5b03060


Notes de bas de page

  1. Trafic aérien : https://flight-radar.eu/fr/suivi-des-vols-en-temps-reel/, trafic maritime : http://www.pilotage-maritime.nc/ais.php
  2. Cette nomenclature est mise à disposition sous forme de tableur par le CGDD : http://www.statistiques.developpement-durable.gouv.fr/publications/p/2101/1161/comptabilite-flux-matieres-regions-departements-guide.html ou est disponible en version originale https://ec.europa.eu/eurostat/web/environment/methodology (Economy-wide material flow accounts (EW-MFA) 2018 questionnaire)
  3. Conformément à la réglementation européenne (Règlement (CE) No 1304/2007 de la Commission du 7 novembre 2007), qui établit la NST 2007 comme "nomenclature unique des marchandises transportées dans tous les modes de transport concernés" (mer, voie navigable, rail, route). Il s'agit d'une mise à jour de la précédente version appelée NST-R (Nomenclature pour les statistiques de transport Révisée), que l'on a pu également retrouver dans d'anciennes statistiques.
  4. Agreste, la statistique agricole est le site du Service de la statistique et de la prospective (SSP) du Ministère de l’agriculture et de l’alimentation
  5. http://www.actif.cci.fr/sites/default/files/Documents/CCI_Nomenclature_EIT_public_v1.pdf
  6. Par exemple, un produit pourrait être désigné comme "Acier non-allié" ou "Acier fortement allié", mais pourrait devoir rentrer dans la case "Acier", voire "Métal ferreux" d'une nomenclature préétablie
CiteRefCallRef needed +
KeyRefzhang2015 +, courtonne2016 +, brunner2003 +, regionalsace2015 +, rosado2014 +, shahrokni2015 +, cgdd2014 +, eurostat2001 +, eurostat2013a +, davis2017 +, silvestre2012 +, lenoe2016 +, desrosieres2008a + et vandervoet2004 +
PageLabelLes implications de la définition du périmètre +