Les émissions évitées de la numérisation

Pourquoi parle t-on de ça aujourd’hui ?

Nous le savons toutes et tous, aujourd’hui l’investissement dans les politiques de transition écologique est largement insuffisant. À l’échelle mondiale, il faudrait investir entre 103 et 243 trillions de dollars US entre 2021 et 2050 pour atteindre les scénarios net-zero, soit un investissement annuel de 3,4 à 8,1 trillions de dollars, ou 3 à 6,6% du PIB mondial¹. Aujourd’hui, l’investissement mondial annuel représenterait 2 trillions de dollars. À l’échelle de l’Union Européenne et de la France, il faudrait au moins investir 2 points de PIB en plus par an pour réussir nos objectifs selon le rapport de Pisany-Ferry et Mahfouz². Or, pour l’instant le manque d’investissement (investment gap) est toujours criant malgré certaines percées, et devient alarmant pour de nombreuses parties prenantes. Mon interprétation, pour ce qu’elle vaut, est que cette situation a amené à étudier des nouveaux mécanismes pour attirer des investissements supplémentaires dans les solutions bas-carbone ou compatibles avec les scénarios net-zero. Un de ces mécanismes est celui des émissions évitées : il s’agit d’intégrer une comptabilité parallèle qui valorise la contribution à la décarbonation de la société, et de son économie, et envoie un signal aux investisseurs qui souhaitent apporter leurs capitaux dans des solutions bas-carbone. Le concept d’émissions évitées est applicable à tous les secteurs, y compris au secteur numérique. Ce dernier s’est essayé à maintes reprises, au moins depuis 2008, de prouver sa contribution à la décarbonation des autres secteurs avec des méthodologies plus ou moins bancales. Maintenant, le manque d’investissement généralisé pousse à clarifier les méthodologies de calcul d’émissions évitées afin de sortir de l’espèce de far-west qui caractérisait l’usage de ce concept durant la dernière décennie.

D’où part-on dans le secteur numérique ?

Comme mentionné plus haut, les entreprises du secteur numérique n’en sont pas à leur coup d’essai sur le sujet des émissions évitées. Dès 2008, GeSI, un consortium d’entreprises numériques réunies sur les sujets de transition, présente un rapport estimant que les solutions numériques peuvent éviter 7,8 GtCO2e dans les autres secteurs en 2020³. Dans leur rapport de 2012, ils estiment les émissions évitées potentielles à 9,1 GtCO2e en 2020⁴. Dans leur rapport de 2015, ils ré-évaluent ce chiffre à 12 GtCO2e en 2030⁵. En 2019, GSMA, l’organisation mondiale des opérateurs télécom, lance un exercice similaire sur le sous-secteur des télécommunications mobiles (réseaux mobiles et M2M) et estime que ce dernier a évité 2,1 GtCO2e dans les autres secteurs en 2018⁶. Si ces chiffres ont généralement été repris en choeur par les institutions publiques et privés, de nombreux critiques ont émergé de la communauté scientifique spécialisée⁷, notamment par votre serviteur⁸. Pour l’anecdote, un collègue chercheur qui travaille depuis plus de 10 ans sur le sujet m’expliquait lors d’un séminaire qu’il utilisait les rapports GeSI comme une blague avec ses élèves. Moi-même je décortique les rapports GeSI et GSMA avec mes étudiants pour leur apprendre l’analyse critique des rapports “d’experts” et la nécessité de la prise de recul. En synthèse, le problème de ces rapports venant de l’industrie est l’extrapolation globale à partir d’études de cas, la représentativité des études de cas sélectionnées, et l’absence d’intégration des impacts du cycle de vie et des impacts structurels. Tout cela pris ensemble produit un amalgame de biais méthodologiques qui minimisent les effets négatifs et maximisent les effets positifs.

Des chercheurs et des intervenants du monde industriel ont donc commencé à produire des nouvelles approches méthodologiques pour contourner les biais mentionnés plus haut. Cet effort de recherche a donné naissance en décembre 2022 à un premier standard dans le secteur : ITU-T L.1480⁹ (Enabling the Net Zero transition: Assessing how the use of information and communication technology solutions impact greenhouse gas emissions of other sectors). Toujours en 2022, la Commission Européenne a aussi décidé de financer un chantier méthodologique sur le sujet en collaboration avec l’European Green Digital Coalition, un groupe de travail de PDG de grandes entreprises numériques, et d’autres partenaires comme GeSI, GSMA, Digital Europe, Carbon Trust, Deloitte, etc. En tant que membre du comité consultatif je suis ces travaux depuis septembre 2022 mais je ne peux pas les commenter. Plus récemment, Carbone 4 a lancé en septembre 2023, dans la continuité de sa NZI (Net-Zero Initiative), un chantier méthodologique pour adapter le cadre NZI au secteur numérique. Faisant là aussi parti du comité consultatif je ne permettrais aucun commentaire. Toutes ces initiatives se construisent et se nourrissent en parallèle des avancées méthodologiques sur les émissions évitées, tous secteurs confondus. En 2018, Carbone 4 lançait donc la Net-Zero Initiative ; en septembre 2020, Mission Innovation proposait un cadre méthodologique sur les émissions évitées ; en mars 2023, le World Business Council on Sustainable Development (WBCSD), Carbone 4 et Mission Innovation publiaient un guide méthodologique commun.

Pendant ce temps, est-ce que la communauté scientifique étudiant les effets environnementaux de la numérisation a pu faire de nouvelles avancées ? Au-delà de la contribution majeure par certains chercheurs à la norme ITU-T L.1480 , la participation scientifique est restée relativement marginale. En premier lieu, de nombreux articles scientifiques mettent en avant les effets environnementaux positifs sans vraiment s’appuyer sur un cadre commun, perpétuant ainsi des biais méthodologiques forts sans faire progresser les connaissances. En second lieu, les émissions évitées est un sujet lié au monde des entreprises et des consultants, terrains moins arpentés par les chercheurs. Malgré cela, de nouvelles approches commencent à se multiplier. Par exemple, des collègues allemands favorisent une approche macroéconomique pour déterminer les effets environnementaux nets de la numérisation dans les entreprises et les foyers¹⁰, ou mes collègues de Grenoble étudient la compatibilité entre les politiques publiques de transition d’un territoire et les solutions numériques envisagés (le covoiturage pour réduire les émissions des transports à Grenoble)¹¹. Bref, je pense que nous sommes encore au début d’une contribution plus massive de la communauté scientifique sur le sujet des émissions évitées et, par extension, des effets environnementaux nets de la numérisation.

Éclairages et limites méthodologiques

En m’appuyant sur la littérature mentionnée ci-dessus et sur une littérature scientifique plus étendue, j’aimerais revenir sur certains présupposés inhérents au concept d’émissions évitées. J’essayerai en m’appuyant sur un cas d’usage de vous montrer les défis et les risques associés à ce sujet.

Que faire de l’industrie fossile ?

En premier lieu, clarifions un point essentiel : si le concept d’émissions évitées arrive sur le devant de la scène c’est principalement à cause du manque d’investissement dans les solutions bas-carbone, donc il est primordial que ces méthodologies ne puissent pas être appliquées dans le secteur des énergies fossiles et autres affiliés. Le WBCSD l’explique clairement dans son guide pour choisir les solutions ayant accès au calcul d’émissions évitées : la solution (ou la solution finale de la solution intermédiaire) a un potentiel d’atténuation selon les sciences du climat les plus récentes et des sources reconnues, et n’est pas directement appliquée aux activités impliquant la prospection, l’extraction, l’exploitation minière et/ou la production, la distribution et la vente de combustibles fossiles, c’est-à-dire le pétrole, le gaz naturel et le charbon¹². Aujourd’hui, encore trop peu de documents méthodologiques stipulent clairement ce positionnement.

Scénarios fictionnels et conséquences

Ensuite, il est nécessaire de bien comprendre que les émissions évitées se calculent par rapport à un scénario de référence fictionnel, ce qui peut être curieux, voire étrange. Il ne s’agit pas d’une comptabilité carbone classique qui fait l’inventaire GES et détermine son allocation à la fin de chaque année. L’estimation des émissions évitées sert à déterminer l’effet d’une décision. On appelle généralement ça l’approche conséquentielle : on étudie les conséquences à court et à long terme d’une politique ou d’une décision à différentes échelles sur les émissions GES. L’échelle individuelle n’est pas l’objet de ce type de concepts (sinon on passerait notre temps à éviter des émissions) et s’applique plutôt à une échelle relativement grande et à des acteurs suffisamment influents (entreprises, institutions, gouvernements). Lorsqu’on se place à la bonne échelle alors il s’agit de comparer les conséquences d’une décision sur les indicateurs environnementaux voulus par rapport à un scénario de référence fictionnel où cette action n’aurait pas été entreprise. C’est donc généralement un outil d’aide à la décision. La comparaison face à un ou des scénarios fictionnels pour prendre la décision avec le moins d’impact est déjà au cœur de l’analyse environnementale : on peut se souvenir de l’analyse environnementale des différents scénarios concernant les aéroports nantais (nouvelle construction à Notre-Dame-des-Landes VS extension de l’existant)¹³ où il s’agit de faire les bilans carbone futures (approche attributionnelle) de deux scénarios pour aider à la décision (à visée conséquentielle). La portée fictionnelle de la démarche d’évaluation n’est pas limitante, mais est plutôt un élément prépondérant de la méthode qu’il faut manier avec soin.

Cette approche peut aussi être utilisée en analyse de cycle de vie, nommée, sans surprise, analyse de cycle de vie conséquentielle (ACV-C) (par rapport à l’approche standard qui est attributionnelle, ACV-A). L’UNEP-SETAC définit l’ACV-C ainsi : l’approche conséquentielle tente de fournir des informations sur les charges environnementales (‘environmental burdens’) qui résultent, directement ou indirectement, d’une décision (généralement représentée par des changements dans la demande d’un produit), et avec le périmètre d’analyse suivant : en théorie, les systèmes analysés dans ces ACV ne sont constitués que de processus qui sont effectivement affectés par la décision, c’est-à-dire qui modifient leur production en raison d’un signal qu’ils reçoivent d’une chaîne de cause à effet dont l’origine est une décision particulière¹⁴. Le but de cet article n’est pas de revenir sur les différentes approches en ACV donc arrêtons nous là, les plus curieux et curieuses peuvent poursuivre la lecture avec l’article de référence de Schaubroeck et al.¹⁵ En tout cas, l’approche des émissions évitées peut mélanger à la fois des éléments attributionnels et conséquentiels présents depuis longtemps dans la littérature donc il est important de garder cette distinction en tête.

L’enjeu des scénarios de référence dans un monde en transition

Il est facile d’imaginer que les émissions évitées d’une solution numérique proviennent du changement de trajectoire d’un service qui augmenterait son empreinte si rien n’est fait, comme dans le graphique de gauche ci-dessous. Cette idée se matérialise comme un scénario de référence dont les émissions augmentent dans le temps. Toutefois, dans une société qui doit suivre des trajectoires bas-carbone, ce type de scénario de référence est de moins en moins courant. En effet, les transports, le bâti, l’agriculture, l’industrie doivent se décarboner d’une façon ou d’une autre, qu’il y ait numérisation ou non. Une questions se pose alors quand on définit son scénario de référence, est-ce que j’utilise les objectifs de transition du pays, territoire, région dans lequel je fais mon analyse, ou est-ce que je poursuis une tendance historique d’émissions. Généralement, si l’objectif est de savoir si la numérisation aide à la transition alors il faut mieux prendre en compte les trajectoires des décarbonation à 2030 et à 2050 comme référence et à la bonne échelle (sectorielle, etc.). Par exemple, si j’évalue les effets environnementaux du télétravail dans une région donnée, je dois alors regarder quels sont les plans d’électrification des véhicules, de reports modaux, d’investissements dans les mobilités douces pour donner la tendance de mon scénario de référence à échéance 2030 (comme le graphique de droite). En corollaire, cela veut dire que les effets positifs du télétravail aujourd’hui vont forcément diminuer au fur et à mesure que l’on décarbone les transports en France (espérons-le). Les effets environnementaux positifs de services numériques dans les secteurs aujourd’hui carbonés devraient normalement être décroissants plus on avance dans le temps.

La difficulté de maintenir des effets

Par effet de bord avec mon point précédent, l’autre hypothèse forte dans les évaluations d’effets environnementaux nets est l’idée qu’ils se maintiennent de façon égale dans le temps. Par exemple, un gain d’efficacité ou un effet de substitution serait en capacité de rester le même sur 5 ou 10 ans. Bien évidemment, cela est improbable. Un nouvel service numérique peut avoir un effet positif très rapidement mais plus l’entreprise qui propose ce service modifie son modèle économique et financier et plus les effets se modifient. Airbnb proposait à l’origine des nuitées bien moins chères qu’à l’hôtel, aujourd’hui la différence de prix entre une nuit dans un Airbnb et un hôtel tend à devenir de plus en plus fine, notamment dans les grandes villes (et nous ne savons toujours pas si Airbnb a eu des effets environnementaux positifs). Il faut donc une certaine prudence avec le maintien des effets dans le temps, surtout avec les start-up. Les effets négatifs peuvent être affectés aussi. Par exemple, il y a généralement un effet rebond direct à cause des économies permises par une meilleure gestion du chauffage (thermostat connecté, IoT, remontée de données, etc.) : on augmente la température de confort du logement. Toutefois, lors d’une crise énergétique où le prix de l’énergie augmente rapidement, cet effet rebond a de grandes chances de disparaître car le facteur prix reste le plus important dans les décisions de chauffage d’un logement. Sans faire une liste exhaustive, les politiques publiques jouent aussi un des rôles les plus importants dans l’évolution des effets. Une nouvelle donne peut apparaître en fonction de la régulation et des évolutions législatives. L’exemple le plus évident sont les politiques de transition écologique mais on peut aussi penser à une régulation moins macroscopique comme l’interdiction de certains dispositifs (trottinettes, Uber, AirBnb, etc.) pour d’autres raisons. Modéliser des effets dans le temps est donc une tâche ardue qui implique une analyse des comportements de différents agents économiques (individus, entreprises, institutions, etc.) mêlée à des facteurs exogènes.

L’effet marginal de la numérisation

Un dernier point mérite notre attention, quand on parle d’émissions évitées il est rare qu’un service ou une solution numérique produise le même effet quelques que soient les conditions. À l’inverse, un ensemble de conditions doit être réuni au préalable pour que la solution numérique étudiée produise des effets positifs significatifs (la logique est la même pour les effets négatifs). Sans ces conditions, les services numériques tendent généralement à avoir des effets marginaux sur les segments d’activités ou les secteurs qu’ils cherchent à décarboner. Par exemple, un système de chauffage connecté et automatisé n’aura que peu d’effets dans une maison non isolée, une application de location de vélos en libre-service aura un effet marginal sans infrastructures vélo suffisantes. Une solution numérique est rarement autoportante lors qu’on parle de décarbonation, un ensemble de politiques publiques et d’investissements sont nécessaires au préalable. Ce point est une mise en garde sur la priorisation de l’investissement dans la transition bas-carbone : les services numériques ont plus de chances de produire des effets significatifs une fois que d’autres facteurs clés (rénovation thermique, électrification, etc.) ont été enclenchés.

Exemple : les émissions évitées du commerce en ligne

Explorons un peu plus les enjeux de l’estimation d’émissions évitées avec un cas pratique. Nous prendrons ici le commerce en ligne sans cibler une entreprise en particulier. Le commerce en ligne comme vecteur d’émissions évitées est mis en avant depuis les années 90 dans les notes d’analyse de la Commission Européenne ou les premiers articles scientifiques sur le sujet. Je trouve donc particulièrement intéressant de réactualiser ce “vieux” cas d’usage avec nos connaissances actuelles.

D’après l’ITU-T L.1480, la première étape est de définir le but et le type d’analyse possible : s’agit-il de l’implémentation d’une solution numérique ou d’un bouquet de solutions numériques, de l’usage généralisé d’une ou de plusieurs solutions numériques ou de l’impact d’une entreprise numérique. Dans notre cas, nous étudierons l’usage généralisé d’une ou plusieurs solutions numériques regroupées sous le chapeau de commerce en ligne. Ensuite, en suivant la convention de l’ITU-T L.1480, on détermine le type d’analyse en fonction des données disponibles et de la complexité du cas d’usage : une analyse tier 1 est la plus avancée et inclut une estimation des effets indirects de plus grand ordre¹⁶ ; un analyse tier 2 identifie les effets indirects de plus grand ordre sans les estimer ; une analyse de tier 3 ressemble à une ACV de type screening et devrait identifier les effets indirects de plus grand ordre sans que cela soit obligatoire. Dans le cadre de cet exercice nous allons identifier les effets de plus grand ordre, donc en théorie, nous sommes sur une analyse tier 2 même si nous n’irons pas au bout de l’exercice.

La troisième étape est de définir le périmètre de l’analyse. Comme d’habitude avec n’importe quelle analyse de cycle de vie on détermine une unité fonctionnelle et donc un scénario d’usage. Ensuite, il est nécessaire de déterminer la couverture géographique et la projection temporelle. Le facteur peut être aborder de différentes façons : une évaluation rétrospective sur une solution déjà déployée (évaluation ex-post), une évaluation prospective (évaluation ex-ante), ou une évaluation à mi-chemin (si ma solution est déjà déployée alors j’évalue ses effets aujourd’hui et à l’horizon temporel choisi). Disons ici que nous restons en France, à Paris, dans un scénario de référence en 2020 où ma solution est déjà déployée et avec une projection à 2030.

Identifier les effets

Enfin arrive la partie la plus stimulante mais aussi la plus rude. Il s’agit de déterminer tous les effets directs de la solution (empreinte environnementale) et les effets indirects, présents ou potentiels liés à l’usage de la solution choisie, qu’ils soient de second ordre ou de plus grand ordre. Il est parfois complexe de savoir où chercher alors l’ITU-T L.1480 fournit les six points de départ suivants pour chercher des effets indirects :

• consommation de biens ;
• consommation d’énergie / d’électricité ;
• mouvement de personnes ;
• mouvement et stockage de biens ;
• efficacité de travail améliorée ;
• déchets.

Et pour les effets de plus grand ordre, la liste proposée est plus sommaire et est, à mon avis, parlante que pour les initiés aux effets rebonds et à la macroéconomie :

• moyens financiers ;
• temps ;
• espace ;
• information.

Ces deux listes restent insuffisantes pour mener une évaluation complète mais constituent de bons garde-fous pour commencer à identifier des effets indirects.

Cette identification prend généralement la forme d’un arbre de conséquence. En théorie, un arbre de conséquence peut être infini car à partir d’un service nous pouvons remonter presque tous les secteurs et les économies nationales affiliées. C’est pour cela que malgré une volonté d’exhaustivité des règles de coupure doivent malgré tout être imposées. À titre d’exemple, nous pouvons reprendre l’arbre déjà fait dans un article précédent :

Effets de second ordre

Cet arbre est sûrement le strict minimum lorsqu’on veut évaluer les effets indirects du commerce en ligne dans une zone donnée, à condition que l’on ait les données nécessaires. Concentrons-nous dans un premier temps sur l’effet de second ordre principal du commerce en ligne : la réduction des déplacements. C’est un vaste sujet que nous effleurerons ici en nous appuyant sur quelques publications récentes. La réduction des déplacements nécessite d’être qualifiée par quelques facteurs importants : fréquence des déplacements, distance parcourue, le chainage des déplacements, le mode de transport et l’utilisation du temps (transport et activité d’achat). L’intégration de ces facteurs permettent en partie de déterminer si le commerce en ligne permet une substitution totale d’un déplacement, ou une modification, ou un déplacement complémentaire, ou n’a pas d’effet. Nous nous appuyons ici sur la revue systématique récente de Huyen T. K. Le, Andre L. Carrel & Harsh Shah¹⁷. Je n’extrais ici que les articles publiés à partir de 2015 dans leur revue de littérature (C: complementarity, S: substitution, M: modification, N: neutrality, N/A: no effect identified) :

Reprise partielle de la revue systématique de Huyen T. K. Le, Andre L. Carrel & Harsh Shah, 2021 – Notes: Effect abbreviations: C: complementarity, S: substitution, M: modification, N: neutrality, N/A: no effect identified.

Study	Study location	Data	Survey year	Travel outcome	Effect	Statistical methods
Hiselius et al. (2015)	Sweden	Online survey; cross sectional data (note 1); Oct 2011; n=3,086; Oct 2012; n=1,390	2012	Trip frequency, travel distance	N (only for trip frequency)	Tamhane’s T2 test
Suel et al. (2015)	London, UK	UK Living Costs and Food (LCF) Survey 14-day diary 2011; n=452	2011	Trip frequency, mode choice	S	Binary logistic regression (stagewise)
Zudhy and Wirza (2015)	Indonesia	Online survey; n=281	2013	Trip frequency	S	SEM
Zhen et al. (2016)	Nanjing, China	In-person survey; n=963	2015	Trip frequency	C	Joint ordered probit modelbivariate correlation analysis
Ding and Lu (2017)	Shangdi area of Beijing, China	7-day GPS-based activity travel survey; n=537	2012	Trip frequency, trip chaining	C, M	SEM
Edrisi and Ganjipour (2017)	Tehran, Iran	In-person survey; n=435	N/A	Trip frequency	C	SEM
Lee et al. (2017)	Davis, CA, USA	Shopping survey (repeated cross-sectional); n=2043	2009, 2010	Trip frequency	C	Pairwise copula-based ordered response model
Motte-baumvol et al. (2017)	Dijon, Besançon and Paris, France	Telephone quantitative survey - Oct 2013; n=838Qualitative survey - May - Sept 2012; n=37	2012–2013	Trip frequency	S	Multinomial logistic regression
Suel and Polak (2017)	London, UK	Consumer panel data augmented with additional data from Worldpanel. Repeated measure. n1 = 121 household, n2 = 272 shopping occasions	N/A	Trip frequency, mode choice	S	Multinomial logit and nested logit model
Suel et al. (2017)	London, UK	Consumer panel data, obtained from Kantar Worldpanel - September 2013 andAugust 2014; n=168 households (same dataset as Suel & Polak, 2017, but different sample).	2014	Trip frequency, time use	S	Hazard-based approach
Zhai et al. (2017)	Santa Clara and Davis, California, USA	Online survey 2006; n=952	2017	Trip frequency	S, N	Factor analysis, binary logit model
Hoogendoorn-Lanser et al. (2019)	Netherlands	Netherlands Mobility Panel 2013 - 2017. Longitudinal with 3-day travel diary; n=833 – 1,231	2017	Travel distance	N, C, S	Factor analysis, cluster analysis, linear regression
Lachapelle and Jean-Germain (2019)	Canada	Canadian General Social Survey (GSS) Cycle 24 (n=15,390)	2010	Trip frequency, time use	C, M	Tobit model, Negative binomial regression
Shi et al. (2019)	Chengdu, China	In-person survey; n=710	2016	Trip frequency	S	Negative binomial, linear and binomial logistic regression
Zhai et al. (2019)	Nanjing, China	In-person survey; n=963 (same as in Zhen et al., 2016)	2015	Trip frequency	N/A	Principal component analysis, binary logit model
Dias et al. (2020b)	Seattle, WA, USA	2017 Puget Sound Regional Household Travel Survey, online and app survey; n=705	2017	Trip frequency	C, S	Multivariate ordered probit model
Xi, Zhen, Cao, and Xu (2020)	Nanjing, China	In-person survey in 24 subdistricts in Nanjing in 2015; n=881	2015	Trip frequency	C	SEM
Xi, Cao, and Zhen (2020)	Nanjing, China	In-person quasi-longitudinal survey, random/cluster sample; n=1,230	2018	Trip frequency	S	Order logit model
Etminani-Ghasrodashti and Hamidi (2020)	Shiraz, Iran	In-person survey, random/cluster sample; n=526	2018	Trip frequency	C, S	SEM
Shi, Cheng et al. (2020)	Beijing, China	In-person survey; n=714	2015	Travel distance, mode choice	M	Multinomial & binomial logistic regression
Shi, De Vos, Yang, Li, and Witlox (2020)	Beijing, China	In-person survey; n=714 (same as in Shi, Cheng et al., 2020)	2015	Travel distance	M	Linear regression
Bjerkan et al. (2020)	Capital region, Norway	Telephone survey; n = 484	2019	Trip frequency, mode choice	S, M	Descriptive statistics, correlation

Cette revue de littérature montre la complexité des facteurs en jeu et la diversité de méthodes mobilisées par la communauté scientifique pour la qualifier dans des contextes très variés. La revue présentée ici pointe vers un effet de substitution sur la fréquence des déplacements.

Travel outcome and shopping stage	Number of studies	Effect	Dominant effect
Trip frequency (for online purchasing and online searching)	36	For online purchasing: Substitution (10), complementarity (9), modification (2),neutrality (1), mix (8)For online searching: Complementarity (5),mix (1)	For online purchasing: Substitution – For online searching: Complementarity
Travel distance (only online purchasing)	6	Substitution (2), modification (2), complementarity (1),mix (1)	Substitution and modification
Trip chaining (only online purchasing)	3	Modification (2), neutrality (1)	Weak modification
Mode choice (only online purchasing)	5	Modification (5)	Modification (decreased car trips)
Time use (only online purchasing)	7	Modification (6), neutrality (1)	Modification (reduce travel and/or shopping duration)

Toutefois, les auteurs montrent aussi que ces résultats sont liés à des choix méthodologiques forts : as past studies relied extensively on cross-sectional data, their findings are correlational rather than causal. It is difficult to separate several effects when they occur simultaneously, especially with current survey practices and non-SEM methods. Additionally, if a cross-sectional study finds online shoppers travelling to stores more often than in-store shoppers – often interpreted as a complementarity effect – it may be because online shoppers are enthusiastic shoppers who enjoy both channels of shopping, rather than a case of online shopping inducing more shopping travel. Xi, Cao et al. demonstrated this complication: they found a substitution effect when using a quasi-longitudinal dataset and a complementarity effect when using only one wave of the same dataset. The quasi-longitudinal approach, where respondents were asked about changes in their travel before and after adopting online shopping, proved to be more reliable¹⁸. Ceci n’est qu’une des limites de ces études et j’invite les plus curieux et curieuses à lire cet article plus en détail. La conclusion des auteurs reste très mitigée : since the evidence to date does not overwhelmingly suggest that online shopping replaces traditional shopping travel, it is unlikely that online shopping will be an effective tool for travel demand management¹⁹.

Cette revue suggère donc que les méthodes actuelles d’identification d’effet de substitution du commerce en ligne ne sont pas assez robustes pour inclure d’office un effet de substitution dans notre arbre. Des données plus étendues dans le temps et prenant en compte d’autres variables sont souhaitées pour ce genre de travaux. De plus, une étude plus précise sur la zone géographique, Paris, est nécessaire, malheureusement, il n’existe pas à ma connaissance d’étude quasi-longitudinale sur le commerce en ligne à Paris.

Abordons maintenant la question des livraisons à domicile. Notre arbre associe augmentation des livraisons et des retours pour inférer une augmentation des émissions de GES. Cette hypothèse nécessite aussi une analyse un peu plus attentive. Ici la logique est que les déplacements des clients sont remplacés par des livraisons à domicile sans qu’il y ait d’équivalence (un déplacement d’un client n’est pas égale à un déplacement d’un camion de livraison). Un des avantages du commerce en ligne couplé à la logistique moderne est que l’on peut largement optimiser la livraison des colis dans une zone donnée. Dans leur simulation de scénarios entre achat en magasin, click-and-collect et livraison à domicile de produits courants de consommation, Shahmohammadi et al. mettent en évidence deux facteurs prépondérants : le nombre de produits achetés par scénario, la distance parcourue sur le “dernier kilomètre”²⁰. D’autres facteurs rentrent aussi en jeu sur le scénario de livraison : le mode de transport, l’échec des livraisons, la distance entre l’entrepôt et la zone de livraison, le nombre de livraisons par tournée.

Pour bien comprendre ce que disent ces graphiques prenons l’exemple du nombre de produits par achat. L’équipe fait une simulation de 100 000 achats en intégrant 3 variables par mode de transport pour le paramètre shopping basket size : car[1, 30, 70], walk[1, 5, 15], bus[1, 10, 20], bike[1, 5, 15] ; pour le scénario click-and-collect, number of items per delivery : [5, 45, 100] ; pour la livraison à domicile, number of items per delivery : [1, 2, 5]. Le but de la simulation est d’observer laquelle de ces variables a le plus fort impact sur les résultats obtenus (comme une analyse de sensibilité dans une ACV). Ici, le nombre de produits par achat a plus d’impact sur l’empreinte carbone par produit dans un scénario d’achat en magasin et de click-and-collect qu’en livraison à domicile, même si ce facteur reste important dans ce dernier cas avec les trajets à vide (stem mileage). Les émissions du dernier kilomètre peuvent néamoins significativement baisser dans tous les scénarios en remplaçant des véhicules thermiques par des équivalents électriques ou par des vélos. Pour conclure, l’effet de second ordre sur l’augmentation des livraisons à domicile demande à mieux qualifier le système de livraisons et les modalités d’achat (nombre de produits par achats, etc.) pour savoir si les émissions de GES augmentent réellement et par rapport à quoi. Cela demande aussi de mieux qualifier les déplacements pour l’achat en magasin et le click-and-collect, cet effet est donc profondément dépendant de l’autre effet de second ordre cité plus haut.

Revenons maintenant sur la question des retours. La vente à distance ne date pas d’hier et l’évitement de déplacements lié à la livraison à domicile ou en point de retrait existait déjà bien avant la numérisation du commerce, pensons aux catalogues de la Redoute par exemple. Toutefois, le commerce en ligne permet une mutualisation très importante des achats et une coordination logistique phénoménale qui permet des économies d’échelle qui modifie en profondeur le secteur. Prenons les statistiques économiques des États-Unis par exemple : en 2005, le volume de ventes du commerce était de 3 689 milliards de dollars dont 91 milliards liés au commerce en ligne ; en 2021, le volume de ventes avait atteint 6 522 milliards dont 958 pour le commerce en ligne²¹ (à noter une augmentation spectaculaire à partir de la crise sanitaire en 2020). Ces gains amènent aussi des nouvelles pratiques logistiques et économiques, comme par exemple l’augmentation du nombre de retours. La question des retours entre le commerce traditionnel et le commerce en ligne est toujours très discutée²². À défaut de creuser la question, les chiffres les plus récents du commerce de détail aux États-Unis montrent une dynamique plutôt inquiétante d’un point de vue environnemental. Un rapport de causalité devient plus visible lorsqu’on l’associe aux politiques de retour sous 15 jours, aux modèles économiques d’envoi de modèles de chaussure pour ne choisir qu’une paire, etc. Le commerce en ligne et des chaines logistisques à faible coût créent un effet d’opportunité où les retours deviennent un coût économique marginal.

Comme nous avons pu le voir dans cette première partie, les effets de second ordre possèdent une grand part d’incertitude malgré les liens de causalité que l’on pourrait leur donner de prime abord. Nous ne pouvons donc pas nous abriter derrière des automatismes de pensée et devons examiner les solutions toujours dans leur contexte et avec les facteurs qui leur sont propres.

Effets de plus grand ordre

La réduction des espaces de vente est considéré comme un effet de plus grand ordre. Si le lien causal semble pertinent à petite échelle, ce mécanisme est plus complexe à une échelle macroscopique. Continuons à prendre les États-Unis comme exemple : en 2003, les espaces de vente commerciale représentaient à peu près 6 503 212 800 m2 ; en 2018, ces mêmes espaces étaient estimés aux alentours de 9 000 000 000 m2, soit une augmentation de 27% en 15 ans (malheureusement nous n’avons les données actualisées depuis)²³. On peut analyser les tendances de volume de ventes et des surfaces ensemble pour observer que la surface de ventes n’augmente pas aussi vite que les volumes (avec ou sans commerce en ligne) donc rien n’indique que le commerce en ligne puisse réduire spécifiquement les surfaces de ventes. De même, cet effet en suggère un autre en négatif : si le volume de ventes augmente mais que les surfaces de vente se réduisent (hypothétiquement) où se déportent les espaces de stockages ? L’augmentation des entrepôts et des espaces logistiques est donc a regarder de près : en 2003, aux États-Unis, les espaces logistiques et de stockage représentaient 936 276 837 m2 ; en 2018, la surface de ces espaces s’élevait 1 624 223 848 m2, soit une hausse de 42%²⁴. La causalité reste fine entre commerce en ligne et évolution des espaces de vente / espace de stockage et logistique à la vue de ces chiffres. Toutefois, l’analyse des pratiques de management d’acteurs majeures comme Wallmart ou Amazon laisse à penser que le commerce en ligne a un effet important sur la construction de nouveaux entrepôts. Si nous poussions plus loin cette logique nous commencerions aussi à regarder les évolutions de ces entrepôts (robotisation, IoT, etc.) mais arrêtons nous ici dans notre démonstration. Il est intéressant de constater que les tendances observées aux États-Unis sont à peu près similaire à celle en France²⁵.

D’ailleurs, le cas français donne à voir un autre effet foncier lié au commerce en ligne, les “dark stores”. L’APUR (Agence d’urbanisme de Paris) a étudié le phénomène dans une étude de 2022²⁶. Cette dernière observe une augmentation des drive piétons pour les courses alimentaires, accolés ou non à un magasin (57 drives piétons et 150 accolés à un magasin à Paris en 2022, avec une surface moyenne de moins de 100m2) et des “dark stores”, entrepôts pour les acteurs du “quick commerce” aux livraisons très rapides, dénombré à 80 à Paris en 2022 et dont la moitié ont remplacé des lieux de vente.

L’autre effet de plus grand ordre qui va avoir une grande importance sur l’estimation renvoie à une question complexe : est-ce qu’on achète plus en ligne par rapport à un passage en magasin ? C’est une question avec beaucoup trop de facteurs pour être abordée ici donc je préfère la laisser de côté d’autant plus qu’elle n’apportera plus grand chose à la démonstration. Heleen Buldeo Rai propose un bon résumé des facteurs caractérisant l’évaluation environnementale nette d’un service de commerce en ligne²⁷, reprenant une grande partie des points mentionnés plus haut. Ce tableau conclut notre analyse superficielle des effets environnementaux nets du commerce en ligne, et par extension de ses émissions évitées.

Tableau des facteurs de Buldeo Rai 2021 – Notes: (+) indique un effet positif sur les émissions, (-) indique un effet négatif sur les émissions.

Individual purchases		Consumer behaviour		Consumption geography
Transport distance	Long (-)	Omnichannel purchases	More trips per purchase (-)	Store location	Remote (-)
	Short (+)		Less trips per purchase (+)		Close (+)
Vehicle utilisation	Motorised (-)	Fragmented purchases	More trips per purchase (-)	Warehouse location	Remote (-)
	Non-motorised (+)		Less trips per purchase (+)		Close (+)
	Private (-)		Increased demand (-)	Mobility lifestyles	Car-dependence (-)
	Shared (+)		Maintained demand (+)		Car-independence (+)
Vehicle type	High emissions factor (-)		Decreased demand (+)		Unsustainable (-)
	Low emissions factor (+)	Activity demand	Motorised (-)		Sustainable (+)
Purchase reception	Delivery success (+)		Non-motorised (+)
	Delivery failure (-)		Non-transport (+)
	No return (-)
	Return (+)
Purchase basket	Less items (-)
	More items (+)
Packaging	Excessive packaging (-)
	Optimal packaging (+)

L’image ci-dessous s’essaye à donner une vue d’ensemble un peu plus graphique mais très simplifiée (une vue système nécessiterait de faire des boucles de rétroaction pour chaque facteur jusqu’à obtenir un modèle dynamique) :

Les effets et après ?

Une fois que l’on a identifié les effets liés à ma solution numérique reste alors l’épineuse question de savoir lesquels peuvent être quantifiés et qui s’attribue la responsabilité d’effets, notamment ceux de plus grand ordre qui ont généralement une échelle macroscopique (est-ce que mon service provoque une transformation sociale et économique, si oui à partir de quel seuil ?). La suite est assez linéaire, je modélise un scénario de référence dans ma solution et d’autres scénarios contrefactuels qui répondent aux mêmes usages sans ma solution. Je regarde comment chacun de mes scénarios s’applique à mon arbre de conséquence et je détermine lesquels peuvent être quantifiés et par quel type de données. Les données primaires sont toujours celles à obtenir en priorité, ce qui sera très rare dans ce genre d’exercice. Pour les effets a priori très importants mais sans données de qualité, nous utiliserons des proxy incluant une grande part d’incertitude. À partir de là, la quantification commence : les effets directs avec une ACV attributionnelle standard et tout un panel de méthodes pour les effets indirects (ACV attributionnelle ou/et conséquentielle, modélisation par proxy, analyse macroéconomique, etc.). Puis vient les étapes finales classiques : interprétation, écriture de rapport et recommandations.

Bien comprendre la méthode

L’exemple du commerce en ligne met en exergue la question du point de vue : est-ce que je fais cet exercice d’un point de vue d’une entreprise de commerce en ligne, d’un État, d’une région ? Si je devais le faire en tant qu’entreprise de commerce en ligne je ne regarderais pas exactement les mêmes choses et j’aurais malgré moi une posture différente : je veux prouver que ma solution permet d’éviter des émissions (et ainsi obtenir des financements). En tant qu’institution, je prends plutôt une posture de potentiel investisseur et de vérificateur : je contextualise la solution dans mon territoire et essaye de comprendre si les conditions sont réunies pour obtenir des effets nets positifs ; j’identifie tous les effets possibles et essaye de saisir leurs liens de causalité et leurs relations. Malheureusement, aujourd’hui il n’y a pas de vérificateurs donc toutes les estimations peuvent être produites sans retour de flamme. Même si de nouveaux standards et méthodes apparaissent reste la question de juger du sérieux de l’analyse, si la validation des comptes d’une entreprise passe par un commissaire aux comptes, un auditeur externe serait aussi grandement nécessaire avec ce type d’exercice. Aujourd’hui, les financements possibles pour les solutions bas-carbone représentent une carotte, mais le bâton tarde à se matérialiser. En tant qu’entreprise, on se risque pas grand chose à produire des estimations bancales voire fausses.

Nous n’avons ici que touché du doigt l’ITU-T L.1480 et le guide méthodologique du WBCSD et de nombreux points mériteraient plus d’attention. Ce qu’il faut retenir de ce bref aperçu est qu’une solution numérique en soi ne peut pas garantir des effets environnementaux nets positifs. En fait, faire une telle évaluation revient plutôt à analyser un contexte et un grand ensemble de facteurs dans lequel se retrouve pris un service numérique et tenter de comprendre les tendances possibles. Face à cette complexité qu’il est nécessaire de décrire, il reste donc à déterminer les liens de causalité entre la solution numérique et l’ensemble des facteurs identifiés. Or, il est toujours très dur de prouver une causalité dans un système multi-factoriels sans des données longitudinales de qualité, ce que les entreprises ne sont généralement pas en capacité à fournir. À défaut d’avoir une approche complétement pure, il faut se reconcentrer sur notre objectif : cette méthode vise à savoir s’il faut déployer ou/et utiliser tels services numériques pour accompagner la décarbonation de la société, même de façon marginale. La question centrale est donc : qu’est-ce que j’ai besoin de savoir pour informer ma décision et agir en conséquence par rapport à mon objectif de décarbonation. Nous n’avons pas besoin de tout savoir et de tout calculer, nous avons juste besoin de savoir les conséquences de nos décisions, par contre, agir en conséquence dépasse de loin le pouvoir des chiffres.