Prioritizing regionalization to enhance interpretation in consequential life cycle assessment: Application to alternative transportation scenarios using partial equilibrium economic modeling - IFPEN - IFP Energies nouvelles Access content directly
Journal Articles International Journal of Life Cycle Assessment Year : 2020

Prioritizing regionalization to enhance interpretation in consequential life cycle assessment: Application to alternative transportation scenarios using partial equilibrium economic modeling

Priorité à la régionalisation pour améliorer l'interprétation dans l'analyse du cycle de vie conséquentielle : Application à des scénarios de transport alternatifs à l'aide d'un modèle économique d'équilibre partie

Laure Patouillard
  • Function : Author
  • PersonId : 1088598
Cécile Bulle
  • Function : Author
Manuele Margni
  • Function : Author

Abstract

Purpose Consequential life cycle assessment (C-LCA) aims to assess the environmental consequences of a decision. It differs from traditional LCA because its inventory includes all the processes affected by the decision which are identified by accounting for causal links (physical, economic, etc.). However, C-LCA results could be quite uncertain which makes the interpretation phase harder. Therefore, strategies to assess and reduce uncertainty in C-LCA are needed. Part of uncertainty in C-LCA is due to spatial variability that can be reduced using regionalization. However, regionalization can be complex and time-consuming if straightforwardly applied to an entire LCA model. Methods The main purpose of this article is to prioritize regionalization efforts to enhance interpretation in C-LCA by assessing the spatial uncertainty of a case study building on a partial equilibrium economic model. Three specific objectives are derived: (1) perform a C-LCA case study of alternative transportation scenarios to investigate the benefits of implementing a public policy for energy transition in France by 2050 with an uncertainty analysis to explore the strength of our conclusions, (2) perform global sensitivity analyses to identify and quantify the main sources of spatial uncertainty between foreground inventory model from partial equilibrium economic modeling, background inventory model and characterization factors, (3) propose a strategy to reduce the spatial uncertainty for our C-LCA case study by prioritizing regionalization. Results and discussion Results show that the implementation of alternative transport scenarios in compliance with public policy for the energy transition in France is beneficial for some impact categories (ICs) (global warming, marine acidification, marine eutrophication, terrestrial acidification, thermally polluted water, photochemical oxidant formation, and particulate matter formation), with a confidence level of 95%. For other ICs, uncertainty reduction is required to determine conclusions with a similar level of confidence. Input variables with spatial variability from the partial equilibrium economic model are significant contributors to the C-LCA spatial uncertainty and should be prioritized for spatial uncertainty reduction. In addition, characterization factors are significant contributors to the spatial uncertainty results for all regionalized ICs (except land occupation IC). Conclusions Ways to reduce the spatial uncertainty from economic modeling should be explored. Uncertainty reduction to enhance the interpretation phase and the decision-making should be prioritized depending on the goal and scope of the LCA study. In addition, using regionalized CFs in C-LCA seems to be relevant, and C-LCA calculation tools should be adapted accordingly.
Objectif L'analyse du cycle de vie conséquentielle (ACV-C) vise à évaluer les conséquences environnementales d'une décision. Elle diffère de l'ACV traditionnelle car son inventaire comprend tous les processus affectés par la décision qui sont identifiés en tenant compte des liens de causalité (physiques, économiques, etc.). Cependant, les résultats de l'ACV-C peuvent être assez incertains, ce qui rend la phase d'interprétation plus difficile. Par conséquent, des stratégies pour évaluer et réduire l'incertitude dans l'ACV-C sont nécessaires. Une partie de l'incertitude de l'ACC est due à la variabilité spatiale qui peut être réduite en utilisant la régionalisation. Cependant, la régionalisation peut être complexe et prendre beaucoup de temps si elle est appliquée directement à un modèle d'ACV complet. Méthodes L'objectif principal de cet article est de prioriser les efforts de régionalisation pour améliorer l'interprétation dans l'ACV-C en évaluant l'incertitude spatiale d'une étude de cas basée sur un modèle économique d'équilibre partiel. Trois objectifs spécifiques sont dérivés : (1) réaliser une étude de cas C-LCA de scénarios de transport alternatifs pour étudier les bénéfices de la mise en œuvre d'une politique publique de transition énergétique en France d'ici 2050 avec une analyse d'incertitude pour explorer la force de nos conclusions, (2) réaliser des analyses de sensibilité globales pour identifier et quantifier les principales sources d'incertitude spatiale entre le modèle d'inventaire de premier plan issu de la modélisation économique d'équilibre partiel, le modèle d'inventaire de fond et les facteurs de caractérisation, (3) proposer une stratégie pour réduire l'incertitude spatiale pour notre étude de cas C-LCA en priorisant la régionalisation. Résultats et discussion Les résultats montrent que la mise en œuvre de scénarios de transport alternatifs en conformité avec la politique publique de transition énergétique en France est bénéfique pour certaines catégories d'impact (CI) (réchauffement climatique, acidification marine, eutrophisation marine, acidification terrestre, eau thermiquement polluée, formation d'oxydants photochimiques et formation de particules), avec un niveau de confiance de 95%. Pour les autres CI, une réduction de l'incertitude est nécessaire pour déterminer les conclusions avec un niveau de confiance similaire. Les variables d'entrée avec une variabilité spatiale provenant du modèle économique d'équilibre partiel contribuent de façon significative à l'incertitude spatiale de l'ACV-C et devraient être priorisées pour la réduction de l'incertitude spatiale. En outre, les facteurs de caractérisation contribuent de manière significative aux résultats de l'incertitude spatiale pour tous les CI régionalisés (sauf le CI d'occupation des sols). Conclusions Il convient d'explorer les moyens de réduire l'incertitude spatiale de la modélisation économique. La réduction de l'incertitude afin d'améliorer la phase d'interprétation et la prise de décision doit être priorisée en fonction de l'objectif et de la portée de l'étude ACV. En outre, l'utilisation de FC régionalisées dans l'ACV-C semble être pertinente, et les outils de calcul de l'ACV-C devraient être adaptés en conséquence.
Fichier principal
Vignette du fichier
Prioritizing_LCA_PP.pdf (1.72 Mo) Télécharger le fichier
Prioritizing_LCA_SI.pdf (409.9 Ko) Télécharger le fichier
Prioritizing_LCA_SI.xlsx (105.17 Ko) Télécharger le fichier
Origin : Files produced by the author(s)

Dates and versions

hal-03111911 , version 1 (15-01-2021)

Identifiers

Cite

Laure Patouillard, Daphné Lorne, Pierre Collet, Cécile Bulle, Manuele Margni. Prioritizing regionalization to enhance interpretation in consequential life cycle assessment: Application to alternative transportation scenarios using partial equilibrium economic modeling. International Journal of Life Cycle Assessment, 2020, 25 (12), pp.2325-2341. ⟨10.1007/s11367-020-01785-x⟩. ⟨hal-03111911⟩
165 View
100 Download

Altmetric

Share

Gmail Facebook X LinkedIn More