Auteur/autrice : Olivier PHILIPPOT

Ces tests sont lancés sur notre banc de test Cloud sur des devices réels pour 30 sites différents : 

Vous retrouverez les noms des étapes suivantes dans tous les résultats : 

• CHRGT_initial : Chargement initial de la page 
• PAUSE_initial : Idle sur la page pendant 30s 
• CHRGT_AfternRGPDAgreement : Chargement de la page suite à l’acceptation des cookies 
• PAUSE_final : Idle sur la page après validation pendant 30s 

Fonctionnement des cookies

Le RGPD demande aux fournisseurs de services de demander le consentement à l’utilisateur quant aux données personnelles qui vont être utilisées. Cela implique donc de mettre en place un mécanisme de notification. Il s’agit généralement d’un bandeau.

L’utilisateur peut accepter ou refuser les cookies non-nécessaires. Il peut aussi, si le fournisseur le permet, refuser ou accepter finement par rapport à une liste. Il peut aussi ne pas donner suite aux notifications. Dans ce cas, si le placement du bandeau le permet, il peut continuer à utiliser le service. 

Si certains services ne sont pas acceptés, cela impliquera que certaines fonctionnalités ne soient pas disponibles pour l’utilisateur par exemple un plugin de chat). Dans la plupart des cas, comme par exemple pour les publicités, le service sera fonctionnel, mais aucune information personnelle ne pourra être utilisée par le service (par exemple pour proposer des publicités ciblées). Certains services « oublient” la réglementation alors qu’ils devraient la gérer (par exemple les Google fonts). 

Certains sites bloqueront le service totalement, on appelle cela un cookie wall. Ce type de notification est répandu dans les sites d’information que nous avons évalués. 

Pour plus d’information sur le RGDP, nous vous invitons à suivre le MOOC CNIL.

Résultats macro

La médiane des données chargées des sites est à 1,3MB (bleu foncé). Ensuite, pour la plupart des sites, l’inactivité n’implique que très peu de données (en orange) ; c’est ce que l’on attend car aucun service ne doit être lancé. On observe cependant certaines “anomalies” (les points au-dessus des moustaches). Il s’agit généralement de vidéos qui sont lancées automatiquement. Ceci est potentiellement une anomalie d’un point de vue RGPD et d’un point de vue sobriété (La lecture automatique des contenus n’est pas recommandée). Cependant, on peut aussi imaginer que le service vidéo qui se lance n’utilise pas de données personnelles et le fera ou non à la suite de la validation. 

Le chargement suite à la validation des cookies implique le chargement supplémentaire de 1Mo de données. C’est un comportement normal, car la validation des cookies devrait enclencher le chargement de certains services. On voit cependant, vu le ratio (1,3Mo avant), on peut supposer que des services sont chargés (et pas nécessairement tous appelés) avant la validation. C’est un gaspillage, car si l’utilisateur ne valide pas les cookies, le chargement d’une librairie n’est pas nécessaire. 

On peut noter que certains services de gestion de cookies traitent cela nativement (par exemple https://tarteaucitron.io/fr/).

Avec la validation des cookies, on voit une consommation de données qui augmente, ceci étant normalement dû au chargement des services autorisés. 

Sur francebleu.fr, on voit par exemple juste après le chargement initial et avant la validation, le chargement du widget meteofrance  (plus de 400ko). La validation des cookies n’amène aucun chargement (donc tout a été chargé avant validation). On peut alors se poser la question sur l’usage de données personnelles dans ce cas (voir par exemple l’analyse de Pixel de Tracking) 

À l’opposé, cnews.fr a une consommation de données à 0 ko suite au chargement initial et une consommation importante suite au consentement des cookies.

À noter sur ce dernier cas, si l’on ne consent pas aux cookies, il y a un peu moins de cookies cependant il semble qu’il y ait toujours beaucoup de requêtes (23 versus 27). Cela s’explique que certains services sont totalement bloqués mais que de nombreux services sont lancés (avec normalement aucune donnée personnelle utilisée).

Energie

Concernant l’énergie, nous allons observer deux métriques : l’énergie totale consommée sur l’étape et la vitesse de décharge de l’étape. 

La consommation d’énergie est légèrement plus importante au chargement suite à la validation des cookies. Ceci est  principalement lié au chargement des librairies autorisées avec les cookies et d’autre part à des repaints et reflows de la page suite à ces chargements. Ceci dit, le contenu utile (photo, texte) est généralement chargé initialement, le coût du consentement amène, en termes d’énergie, à un équivalent de deuxième chargement. 

La consommation lors des étapes d’inactivité est plus importante suite à la validation. Le déclenchement de certaines librairies d’analytiques et des vidéos induisent effectivement une surconsommation.

Vitesse de décharge

À noter, la consommation écran inactif suite au chargement initial pourrait être limitée. Par exemple sur Cnews.fr, une animation de type chargement de contenu en arrière-plan fait tripler la consommation de base du téléphone.

Mémoire

La validation du consentement fait augmenter la consommation mémoire. Ceci s’explique pour les librairies qui sont chargées. 

Voici l’exemple du chargement suite à consentement pour leparisien.fr, on observe bien les augmentations de l’utilisation de la mémoire à chaque chargement de librairie : 

Refus du consentement, moins d’impact ? 

Nous avons aussi automatisé le parcours de refus des cookies. Cependant, de nombreux sites n’ont pas pu être mesurés pour différentes raisons : 

• Pas de bouton accessible facilement pour refuser, cela étant bien sûr en désaccord avec la RGPD (Cela aurait été potentiellement possible d’automatiser mais aurait demandé un peu plus de temps, et cela est dans tous les cas représentatifs d’un problème d’UX : les utilisateurs vont difficilement refuser les cookies. 
• Le refus sans un abonnement n’est pas possible 

Exemple d’UX avec un refus possible (même s’il aurait été plus accessible avec un bouton plus visible, il est dans la pop-up initial) :

On peut féliciter les sites qui restent dans la liste, le bouton de refus était accessible facilement !

Dans la plupart des cas, l’énergie consommée est plus faible suite à un refus qu’un consentement. Ceci semble logique par rapport à des chargements moins importants de librairies. 

Dans certains cas comme Cnews, on a vu que le refus n’annulait pas certains services comme les vidéos (ce qui est potentiellement normal si le service n’utilise pas de données personnelles).

Sur la mémoire, on voit vraiment l’impact du consentement.

Concernant les données, le refus du consentement amène encore beaucoup de données, parfois autant que l’acceptation (gris versus bleu ciel). La consommation en inactivité est légèrement plus faible.

Pas de réponse à la notification, moins d’impact ?

Il est clair que si aucune réponse n’est donnée à la notification, l’impact est beaucoup plus faible (c’est uniquement l’impact du chargement initial). On peut moduler cela sur mobile et sur les sites évalués, car il s’agit de pop-up de notification qui ne permet pas une navigation sans réponse.

Analyse de l’impact

Nous allons maintenant utiliser le modèle d’impact Greenspector pour estimer l’impact environnemental des différents états de la validation RGPD. Pour cela, nous prenons l’hypothèse d’une localisation des utilisateurs et des serveurs en France, toutes les phases du matériel étant prises en compte. 

Nous estimons l’impact à chaque fois du chargement de la page et de 30s d’inactivité.

Le chargement initial est beaucoup plus faible que l’étape de validation RGPD (et des 30 secondes d’inactivité). Ceci s’explique par les éléments relevés plus haut (chargement des scripts, repaint, librairies qui fonctionnent…). La borne maximale est à 0,3g eq Co2 en chargement initial alors qu’elle est à 0,55 g pour la validation RGPD.

Quand on prend le panel de sites que l’on a mesuré avec le refus des cookies.

L’impact est relativement plus faible, ce qui normal mais la borne maximale est égale à celle avec validation RGDP. Statistiquement, dans tous les cas, l’impact augmente suite à une validation ou refus RGPD. Cela s’explique par le fait que le refus implique même parfois de scroller pour atteindre les boutons à cliquer afin de valider son choix.

Prise en compte des cookies dans les outils d’évaluation de l’impact 

L’un des biais de la mesure de pages d’un site via la plupart des outils est que l’on simule la navigation par un utilisateur qui n’interagit pas avec la page. Entre autres, aucun choix n’est effectué pour le consentement au recueil des données personnelles. Dans ce cas on évalue qu’un tiers des cas possibles (validation et refus ne sont pas évalués). 

Deux solutions sont possibles :  

• On simule les cookies dans les headers via les outils de mesure 
• On automatise le parcours utilisateurs. 

La deuxième solution est préférable car on sera proche de ce qui se passe chez l’utilisateur. En effet, l’UI de la validation des cookies implique de scroller pour atteindre des boutons et de nombreux boutons sont disponibles, la validation implique le chargement de scripts (et pas la simulation des cookies).  

Exemple d’usage du header pour simuler les cookies sur lighthouse : 

lighthouse <url> --extra-headers "{\"Cookie\":\"cookie1=abc; cookie2=def; \_id=foo\"}"

Comment utiliser Greenspector pour évaluer la validation des cookies sur son service numérique ?

Nous utilisons principalement l’approche d’automatisation pour gérer les cookies. Pour cela nous utilisons le langage GDSL de l’outil qui permet d’automatiser simplement un parcours. 

Il est important en effet de bien gérer les cookies. Si vous testez votre site avec les outils développeurs ou avec des outils de monitoring synthétique, vous risquez d’être toujours dans le même cas (soit cookies jamais validés soit le contraire) 

Nous lançons une première fois l’url et nous attendons la fin du chargement. Le chargement est encadré par measureStart et measureStop, ce qui permet de mesurer différentes métriques sur le chargement : performance, énergie, donnée… 

browserGoToUrl,${URL} 

measureStart,CHRGT_initial 

pressEnter 

waitUntilPageLoaded,40000 

MeasureStop

Nous mesurons ensuite le site inactif, normalement la pop-up de cookies est apparu avec le chargement. 

measureStart,PAUSE_initial 

pause,30000 

MeasureStop 

Nous nous attendons ici à une consommation de donnée faible, car aucun service ne doit être encore autorisé. 

Nous traitons ici un service de gestion de cookies que l’on retrouve dans une grosse partie des sites d’information (Didomi)

if,exists,id,didomi-popup 

measureStart,CHRGT_AfterRGDPAgreement 

swipeDownward 

swipeDownward 

swipeDownward 

clickById,didomi-notice-agree-button 

waitUntilPageLoaded,40000 

measureStop 

Fi

Le if permet d’exécuter la séquence uniquement si la pop-up est présente. Nous scrollons 3 fois pour arriver en bas de page avec swipeDownward et nous cliquons sur le bouton de validation qui est standardisé avec un identifiant didomi-notice-agree-button. 

Nous réalisons ensuite une mesure du site inactif :

measureStart,PAUSE_final 

pause,30000 

MeasureStop 

D’autres lignes de test sont présentes pour gérer d’autres framework de cookies, nous ne rentrerons ici pas dans les détails. Contactez-nous si vous voulez intégrer ce type de test ! 

Bonnes pratiques 

Le processus de notification des cookies a un impact non négligeable. Compte-tenu du fait que cette fonctionnalité se retrouve sur quasiment tous les sites, il est important d’appliquer des bonnes pratiques pour réduire son impact.

Ne pas utiliser de plugin du tout et regarder la préférence de l’utilisateur 

Très peu utilisé mais très pratique, l’utilisateur peut configurer l’option Global Privacy Control dans le navigateur. Ceci impliquera de gérer le header associé.

Ne pas utiliser de plugin du tout en rendant les cookies optionnels inactif  

En effet, les cookies pour certains services ne nécessiteront pas de notification. Ceci nécessitera peut-être une configuration des plugins (voir exemple pour les analytics ici). Cette approche est louable car elle ira dans une démarche de Privacy By Design.

Laisser l’utilisateur naviguer sans validation des cookies 

Ceci permettra d’éviter des traitements inutiles.

Ne pas cacher les services qui utilisent des données personnelles 

Cela va mieux en le disant, il faut éviter les dark patterns qui permettent de récupérer les données personnelles.

Chargement du script de notification au plus tôt 

Afin de réduire l’impact de la notification lors du chargement initial, il faut charger le plugin de gestion des cookies au plus tôt: 

• Charger le script de façon asynchrone avec Async 
• Etablir une connexion au plus tôt avec le site d’origin du cookies avec dns-prefetch ou preconnect 
• Pré-charger le plugin avec preload

Réduire l’impact du plugin de notification 

• Benchmarker les plugins pour identifier les librairies qui ont un impact le plus faible (taille et cpu) 

• Proposer une interface de gestion des différents services simple et efficiente 
• Proposer un bouton visible de refus (au même niveau que l’acceptation) 

Eviter les layout shift du au plugin de notification 

• Utiliser des sticky footer ou des modals pour éviter des layout shift 
• Eviter les animations dans le plugin de notification  

• Limiter la stylisation de la notice (par exemple utiliser les polices systèmes) 

Eviter les animations lors de la notification 

Mettre un placeholder de chargement du contenu en arrière-plan pour indiquer à l’utilisateur l’attente amènera une surconsommation inutile. La pop-up de notification est déjà une information d’attente.

Ne charger les librairies optionnelles qu’à la validation 

Si certaines librairies ne peuvent pas être chargée si pas de consentement, alors il faut prévoir le chargement uniquement au consentement.

Limiter l’impact des librairies chargées à la validation

• Réduire leur taille (ou benchmarker les pour avoir une plus légère) 
• Eviter les impacts sur le shift layout (limiter et regrouper par exemple les modifications du dom) 

Pour les librairies nécessaires mais qui ont une prise en compte du consentement, charger au plus tôt la librairie

Il est nécessaire d’appliquer les mêmes stratégies que pour le chargement de la notification mais de charger la librairie sans gestion de données personnelles. Elles seront prises en compte dynamiquement uniquement si consentement.

Tester votre solution avec différents comportements de consentement 

Les mesures le montrent, l’impact de votre solution va varier énormément en fonction de l’utilisateur : avec consentement, avec refus du consentement ou sans actions de l’utilisateur. Il est important de maîtriser dans ce cas les chargements des différentes librairies et de connaitre le comportement réel. Des améliorations sont sûrement possibles ! 

D’après l’étude ADEME/Arcep de 2022, le réseau en France est responsable de 2 à 14% de l’impact environnemntal des activités numériques. Les réseaux fixes génèrent plus d’impacts que les réseaux mobiles (entre 75% et 90%). Cependant compte tenu de l’usage plus important des réseaux fixes, l’impact unitaire, ramené par exemple à un utilisateur ou à un volume de données échangées est plus faible pour le réseau fixe.

De ce constat, en découlent certaines préconisations encourageant l’usage des réseaux fixes plutôt que les réseaux mobiles. Ceci est en phase avec les préconisations sur les 10 bons gestes pour le télétravail de l’ADEME :

Cet impact du réseau se retrouve également dans la loi AGEC. Les opérateurs de communication doivent en effet afficher le coût EqCO₂ lié à la consommation par l’utilisateur.

Evaluation du réseau dans le cas de services numériques

Quand il s’agit d’évaluer les impacts environnementaux d’un service numérique, la prise en compte du réseau est nécessaire. L’approche communément utilisée est l’usage de l’intensité en gEqCO₂/Go (équivalent CO₂ par gigaoctet échangées). Cela part de l’hypothèse d’une linéarité entre l’impact CO₂ et les données échangées.

Pour certaines parties comme la box de l’utilisateur, nous avons utilisé une méthode d’allocation temporelle et non basée sur l’intensité.

Lors de l’évaluation du service numérique, il est aussi nécessaire d’avoir un détail entre les différentes connexions (Wifi, 4G…) 

À travers le rapport de la loi AGEC, nous avons deux métriques intéressantes : 

• 50 gEqCO₂ / Go pour les réseaux mobiles 

• 18 gEqCO₂ / Go pour le réseaux fixes 

Les hypothèses associées ne sont cependant pas assez explicitées. En effet, l’impact du réseau va dépendre de nombreux éléments et hypothèses :

• Scope pris en compte (Scope 3 en prenant en compte les opérations de l’opérateur réseau) 
• Fabrication du matériel ou non 
• Prise en compte de la box de l’utilisateur 
• … 

Si on regarde d’autres sources utilisables directement, Il n’y a pas plus d’information. Par exemple, la base ADEME contient les données Negaoctet et en particulier deux métriques sur le mobile et le fixe :

Même si sourcé, aucune information ne permet d’analyser les données. D’autant plus qu’il est nécessaire quand on veut analyser l’impact du numérique précisément. C’est le cas de la méthodologie Greenspector.

Analyse des données du marché

Afin d’apporter plus de précisions à nos évaluations, nous avons réalisé un travail de R&D pour avoir des facteurs d’émission plus fiables. 

Nous avons modélisé le réseau en plusieurs tiers : 

• Le cœur de réseau (backbone) qui assure l’interconnexion du réseau 
• Le réseau d’accès, plus proche de l’utilisateur avec des architectures spécifiques à chaque type de connexion (3G,Fibre…) 
• Le CPE (Customer Premise Equipement), principalement la box chez l’utilisateur 

Nous avons écarté le terminal utilisateur de la modélisation. Nous verrons en fin d’article comment le traiter spécifiquement. 

Pour les types d’accès, nous avons regroupé : 

• Filaire Fibre 
• Filaire Cuivre (xDSL) 
• GSM “Ancienne génération” (2G et 3G) 
• GSP “Nouvelle génération” (4G et 5G) 
• Wifi Public (hotspot) 
• Lan d’entreprise en Wifi 
• Lan d’entreprise en Ethernet 

Il serait intéressant de descendre plus dans le regroupement (par exemple séparer 4G et 5G) cependant ce regroupement est adapté à la granularité des données disponibles.

Nous avons analysé 35 sources publiques (Rapport RSE opérateurs, papier scientifique, données constructeurs). Chaque donnée identifiée dans les documents a été classée par rapport aux 7 types d’accès, au tiers du réseau, au scope pris en compte (Fabrication/Usage en particulier). 169 données ont été identifiées. Nous en avons retenu 145 (certaines données ne semblaient pas pertinentes). 

La qualité de chaque donnée a été qualifiée selon notre méthodologie. 39 paramètres ont été ainsi qualifié (Cœur de réseau Usage, Cœur de réseau fabrication…) avec un format compatible avec notre méthodologie (Trapèze de détermination utilisable en logique floue). Par exemple pour l’impact d’usage du réseau d’accès fibre, nous avons les valeurs suivantes : 0,1293 / 0,3181 / 0,7891 / 1,9415. Ce qui veut dire que l’impact du réseau d’accès fibre, selon la bibliographie est probablement entre 0,3 et 0,78 Wh/GB. 

Au final, on peut représenter le modèle de la manière suivante :

Ce modèle peut être utilisé dynamiquement en précisant certains paramètres : durée de vie des CPE, mix énergétique… Notre API traite cela automatiquement.

Quel est l’impact probable de chaque réseau ?

En prenant l’unité fonctionnelle “Charger un site de 2 Mo en 1 seconde”, nous obtenons un impact Carbone du réseau suivant :

La fibre est largement moins impactante que les autres types d’accès. Le classement 4G/5G devant l’ADSL semble contre-intuitif, surtout par rapport aux messages que l’on entend régulièrement : « Privilégiez la connexion Filaire à la 4G » comme cité plus haut. Ces affirmations sont fausses pour différentes raisons : 

• L’impact des antennes de base et du réseau d’accès des anciennes technologies GSM est effectivement plus consommatrice. Les chiffres des anciennes études sont basés sur ces constats. Il est important d’adapter les préconisations en fonction des technologies et de l’âge des études. 
• Certaines études parlent de l’impact du réseau sur le terminal. Par exemple la documentation Eco-index annonce “(…)une connexion 4G nécessite jusqu’à 23 fois plus d’énergie pour transporter la même quantité de données qu’une connexion ADSL. (..)” Or la source utilisée est une étude sur l’impact de la connexion LTE sur des smartphones au niveau cellules. Nous reviendrons plus loin sur la réalité sur le smartphone.

On peut observer des marges d’incertitudes pour les réseaux XDSL et GSM ancienne génération :

Ceci provient d’une part des données d’études plus anciennes (et donc pondérées par notre algorithme) et d’autre part par une diversité de technologies plus importantes. 

La part de fabrication est variable en fonction des technologies : 

On peut noter une amélioration de l’efficience énergétique des réseaux nouvelles générations, c’est en effet un argument largement cité pour promouvoir les nouvelles architectures. 

Analyse critique des données d’impact du réseau

• Malgré le modèle qui prend en compte un tri et une qualification des données, le scope de toutes les données n’est pas identifié. On peut trouver des chiffres avec l’impact de fabrication “brute” et potentiellement d’autres avec le scope 3 de l’opérateur (L’impact des bureaux, entre autres de l’opérateur). Ceci est pris en compte dans le modèle via les marges d’incertitude. 
• Le modèle d’intensité du réseau en EqCO₂/GB est utilisé. Il n’est pas totalement représentatif de la réalité. Afin d’améliorer la représentativité, il faudrait plus de source pour avoir une allocation temporelle (Débit des réseaux, consommation par utilisateur…). Nous avons commencé à passer certaines métriques comme les données Box avec ce mode d’allocation.  
• Il existe des éléments communs entre les réseaux, et parfois spécifique. Par exemple il y a des éléments backbones spécifiques pour la 5G. Il serait nécessaire de prendre cela en compte. 
• Même si nous avons un niveau de granularité permettant de prendre en compte le mix énergétique dynamiquement, certaines données intègrent certaines des mix de pays différents. Ce qui pour certaines données, surestime potentiellement la valeur. 

Nous avons comparé nos métriques avec d’autres données du marché (pour 1GB).

Les valeurs Greenspector sont supérieures aux valeurs NegaOctet et Ademe (Les valeurs ARCEP/ADEME sont cependant supérieures au seuil bas Greenspector). Les données Telefonica sont supérieures (pour le fixe) au seuil haut de Greenspector (et identiques pour le mobile). 

Cette différence s’explique probablement par le fait que nous avons intégré de nombreuses valeurs de fabrication du réseau. Une deuxième explication est peut-être une sous-estimation des valeurs pour la France qui positionne ses chiffres dans un seuil bas. Sans entrer dans un débat, ces chiffres sur l’impact du réseau sont souvent surveillés, la tendance est peut-être à la sous-estimation des chiffres plus qu’à la surestimation ! 

Spécificité

Est-ce que les connexions autres qu’une box d’un particulier sont plus sobres ? 

Oui, ceci s’explique par le fait que ce type d’architecture est plus mutualisée. D’une part le matériel a une capacité de bande passante plus importante, donc une allocation par donnée échangée plus faible et d’autre part un impact de fabrication relative faible (pour la capacité). 

A noter on retrouve un impact un peu plus élevé du wifi que de l’éthernet. On retrouve cela sur les box (par exemple +3 Wh/h en plus sur une box orange).

Impact du réseau sur le terminal

Nous mesurons les applications mobiles et sites web tous les jours pour nos clients, nous traitons donc de l’impact du réseau sur le terminal et surtout sur le logiciel. Ce que l’on peut dire “à dire d’expert” mais basé sur des mesures, c’est que l’impact des réseaux GSM n’est pas 23 fois plus important, ni 10 fois plus.  

Voici quelques données de mesures sur une application de streaming (uniquement le lancement et la connexion à l’application, pas le streaming en lui-même) :

On le voit pour la connexion (2ème graphique), il y a quelques données (~700 KB) et la consommation est quasiment la même, voire légèrement supérieure pour la connexion Wifi.  

Pour le chargement de l’application (1er graphique), le Wifi est légèrement moins consommateur. On observe cependant une consommation importante de données (4MB vs 600kB). Ceci s’explique par un comportement différent de l’application en Wifi (chargement de données en plus si connexion Wifi). On voit ici un impact important sur le temps de chargement (passage de 4s à 7s pour la 3G). 

Le réseau va au final avoir un impact, cependant il n’existe pas de règle figée : 

• Si l’application adapte son comportement au type de connexion et à la vitesse, alors on aura potentiellement plus de données chargées sur les connexions avec plus de débit. Et aussi potentiellement plus de CPU pour traiter ces données 
• Pour des connexions type 3G/2G, le temps de chargement sera potentiellement plus long (parfois x2 voir x3) 
• En fonction du regroupement ou non des requêtes, l’impact des réseaux GSM va être plus ou moins important 

Il est nécessaire de mesurer l’application au final pour comprendre son comportement par rapport au réseau. Mettre en place des règles d’estimation dans les modèles est donc complexe et va amener des données incertaines et probablement fausses.

Conclusion

L’évaluation de l’impact environnemental du réseau est complexe. Il est nécessaire d’avoir plus de données des opérateurs et des constructeurs. Ces données doivent être plus fines et plus transparentes. Cependant les données existantes sont utilisables, encore faut-il bien les qualifier et les utiliser. Compte-tenu de ces constats, l’usage de données moyennées n’est pas une approche idéale. C’est pour cela que nous avons adopté une approche avec calcul des incertitudes. Dès qu’on peut, il faut mesurer pour avoir des données contextualisées et plus précises. C’est l’approche que nous appliquons. Ceci apporte des précisions importantes lors des ICV (l’inventaire du Cycle de Vie dans la démarche d’évaluation de ce dernier), des évaluations d’impacts du numérique, ou plus unitairement de l’évaluation de logiciel.  

Méthodologie d’évaluation d’empreinte environnementale

Notre approche

La modélisation choisie s’appuie sur les principes d’Analyse du Cycle de Vie (ACV), et principalement par la définition donnée par l’ISO 14040. ​​

Elle se compose d’une partie Inventaire du cycle de vie (ICV) complète et d’une Analyse du cycle de vie (ACV) simplifiée. L’ICV est prépondérant dans notre modèle. Il va permettre de s’assurer d’avoir des données fiables et représentatives. De plus, l’ICV ainsi obtenu peut le cas échéant être intégré dans des ACV plus poussées.

Nous évaluons l’impact environnemental des services numériques sur un ensemble limité de critères :

Les Emissions de Gaz à Effet de Serre (GES)

exprimée en g eqCO2,

telles que couramment utilisées, indiquent l’intensité de l’impact sur le changement climatique

La ressource en Eau

exprimée en Litres,

telle que définie par le water footprint network, est un indicateur reflet de la consommation en eau (eau bleue) mais aussi la quantité de polluants utilisés (eau grise). Il ne tient pas compte de la rareté locale des ressources mais il est un indicateur parlant.

L’occupation des sols

exprimée en m2,

ou land use en anglais, telle que définie originellement par Heijungs et al. (1992), est un indicateur reflet de l’impact sur la biodiversité. Il n’est pas le plus exhaustif (indépendant du temps normalement, mais c’est le plus utilisé actuellement).

Cette méthodologie a été revue par le cabinet EVEA – spécialiste en écoconception et analyses de cycle de vie.
Note sur l’eau : L’eau grise et l’eau bleu sont prises en compte sur toutes les étapes du cycle de vie. L’eau verte est ajoutée sur le cycle de fabrication des terminaux et des serveurs. Retrouvez la définition de l’empreinte Eau.

Gestion de la qualité des résultats

La qualité des résultats d’une ACV peut être modélisée de la façon suivante¹ :​​

Qualité des données d’entrée  x  Qualité de la méthodologie  =  Qualité des résultats

Pour améliorer la qualité des données d’entrée, nous mesurons le comportement de votre solution sur des terminaux réels. Cela permet de limiter les modèles qui sont potentiellement sources d’incertitude.​

Pour gérer la qualité des résultats, nous appliquons une approche qui permet d’identifier les sources d’incertitudes et de calculer l’incertitude du modèle. Notre méthode de gestion des incertitudes utilise la logique floue et ses ensembles².

Au final, contrairement à d’autres outils et méthodologies, nous pouvons fournir des marges d’erreurs par rapport aux résultats que nous vous donnons. Cela permet d’assurer une communication de l’impact environnemental plus sereine vers les parties prenantes (utilisateurs, équipes internes, partenaires…)

¹Qualité des resultats : SETAC (Society of Environmental Toxicology and Chemistry 1992)

_²Bien que mentionnée souvent dans la littérature traitant d’incertitudes en ACV, cette approche est peu utilisée. En effet les modèles stochastiques comme les simulations de Monte Carlo sont souvent préférés (Huijbregts MAJ, 1998). Dans notre cas, l’utilisation de la logique floue semble plus pertinente, car elle nous permet de gérer les inexactitudes épistémiques, notamment dues à des estimations d’expert. ​ ​

Étapes de calcul

Phases prises en compte pour le matériel utilisé

« Phases prises en compte dans le cycle de vie des matériels ​qui sont mobilisés en phase d’usage du service numérique »​

Note sur le modèle d’impact de la partie terminal

Les méthodologies classiques d’analyse d’impact prennent comme hypothèse un impact uniforme du logiciel (consommation moyenne quel que soit le logiciel ou l’état du logiciel). Notre approche innovante permet d’affiner cet impact. De plus, nous améliorons la modélisation de l’impact du logiciel sur la phase de fabrication du matériel en prenant en compte l’usure de la batterie.

La batterie des smartphones et PC portables est un consommable, nous modélisons l’impact du logiciel sur celui-ci.​

Données d’entrée de l’Inventaire du Cycle de Vie

Exemple de travail sur les hypothèses :

La méthodologie de propagation des incertitudes nous oblige à identifier précisément la qualité de ces hypothèses. Voici quelques exemples, en particulier l’impact de fabrication du matériel.

L’analyse bibliographique nous permet d’identifier les impacts de différents smartphones et d’associer l’indice de confiance DQI. Ces chiffres sont principalement issus des constructeurs.

L’impact moyen calculé à partir de ces indices de confiance est de 52 kg eq Co2 avec un écart type de 16 kg.

Exemple de restitution

• Dans cet exemple : impact médian de 0,14g eqCO2 principalement sur la partie « Réseau ».​
  
  
• Cet impact correspond à la visualisation d’une page web pendant 20s
  
  
• L’incertitude est calculée par le modèle Greenspector en appliquant le principe de propagation des incertitudes à partir du périmètre et de hypothèses décrits précédemment.

Éléments nécéssaires

Afin de déterminer l’impact de votre solution, nous avons besoin des informations suivantes :​​

• Ratio de visualisation Smartphone/Tablette/PC ​
• Ratio de visualisation France/Monde​
• Localisation des serveurs France/Monde​
• Serveurs simples ou complexes (ou nombre de serveurs de la solution)

Sur devis, nous pouvons réaliser une ACV simplifiée se basant sur ce modèle mais adaptant d’autres éléments à contre cas particulier. Par exemple:​

• Mesure de la consommation d’énergie de la partie serveur (via un partenaire)​
• Précision des hypothèses serveur (PUE, type de serveur)​
• Mesure de la partie PC (via mesure laboratoire)​
• Précision des facteurs d’émissions électriques d’un pays en particulier…

Comparatifs des modèles d’estimation

Les calculs Greenspector sont intégrés dans un webservice actuellement utilisé par nos clients. Retrouvez très prochainement nos calculs d’empreinte environnementale de vos applications mobiles et sites web dans une interface SaaS.

Incertitudes – méthode de calcul

Les méthodes de calcul dans la sobriété numérique sont souvent peu justes et parfois, en même temps, peu fidèles.  Ceci vous amène potentiellement à utiliser des outils qui évaluent mal l’impact de vos solutions. Le risque est de faire travailler vos équipes sur des axes qui n’ont pas d’impact réel sur l’environnement.​

Certaines approches, plus utilisés dans les ACV (et pas dans les outils du marché), améliorent la fidélité mais posent un risque de donner un résultat peu juste (R. Heijungs 2019). ​

Notre approche repose sur une méthode de calcul innovante, l’arithmétique floue, proposée pour la première fois par Weckenmann et al. (2001).​

Cette approche est très performante pour modéliser des données vagues (épistémiques) non-probabilistes, ce qui est souvent le cas de données traitant de sobriété numérique. Nous ciblons de cette manière des résultats justes et fidèles.

Les solutions concurrentes font des choix qui les rendent généralement peu fidèles et peu fiables:​

– Fidélité : Faible maîtrise de l’environnement, pas de méthodologie de gestion des écarts de mesures​

– Justesse : Modèle basé sur des métriques non représentatives comme la consommation de données ou la taille du DOM, pas de mesure d’énergie…