Empreinte carbone des produits : données primaires et données secondaires expliquées

Quelle différence y a-t-il entre données carbone primaires et secondaires ?

Les données primaires sont mesurées et propres à un fournisseur, à un procédé ou à un produit, par exemple l'électricité qu'une teinturerie donnée a consommée pour un lot. Les données secondaires sont une moyenne tirée d'une base de données, comme ecoinvent ou le Higg Materials Sustainability Index. La plupart des empreintes de produits d'habillement combinent les deux, et la part de chacune doit être indiquée.

Ce guide explique comment choisir entre elles, ce que chacune coûte et comment présenter honnêtement le résultat.

Pourquoi la plupart des empreintes de l'habillement reposent-elles sur des données secondaires ?

Les vêtements passent par plusieurs niveaux : fibre, fil, tissu, teinture et finition, confection, fournitures. Une marque n'entretient généralement une relation directe qu'avec le site d'assemblage final. Les recommandations de la Fashion Industry Charter indiquent que, idéalement, les entreprises disposeraient de données propres aux fournisseurs pour tous les niveaux, mais qu'y parvenir prendra des années et supposera de profonds changements dans la visibilité de la chaîne d'approvisionnement. Elles ajoutent que la plupart des entreprises s'appuient sur des moyennes sectorielles pour une partie de leurs inventaires, en particulier pour les niveaux 2 à 4.

La mesure elle-même est un obstacle. Une analyse décrit les données primaires comme l'idéal, mais souvent indisponibles, car les usines manquent fréquemment du sous-comptage nécessaire pour relever la consommation d'énergie d'une étape de production précise.

Lire aussi

Comment Reformation suit l'empreinte de chaque produit avec RefScale

Les données primaires sont-elles toujours plus précises ?

Non. Les recommandations de la Fashion Industry Charter, citant le GHG Protocol, avertissent que les données des fournisseurs peuvent en réalité être moins précises que les moyennes sectorielles, selon la granularité et les méthodes d'allocation. Une facture d'énergie de toute l'usine divisée par la production constitue une donnée primaire, mais c'est une allocation grossière à un produit unique.

Les données primaires présentent en revanche un net avantage pour suivre l'évolution. Elles peuvent montrer des réductions réelles, alors que les données secondaires ne varient pas d'une année à l'autre d'une façon qui reflète les actions propres d'une marque, et que les mises à jour annuelles des jeux de données moyens peuvent faire bouger les résultats pour des raisons sans rapport avec la marque.

Quel peut être l'écart entre les jeux de données ?

Considérable. Une analyse d'un éditeur de logiciels de comptabilité carbone indique que, pour 1 kg de laine mérinos brute, les bases de données qu'elle cite vont de 28 à 142 kg d'éq. CO2. Elle ajoute que certains facteurs exigent des données, comme l'épaisseur du fil, que les marques suivent rarement. Il s'agit d'une illustration isolée venant d'un fournisseur, mais elle montre pourquoi le choix de la base de données et l'incertitude déclarée comptent autant que le chiffre affiché.

La même source propose de prioriser la collecte de données là où elle réduit le plus l'incertitude, par exemple une matière représentant 55 % de l'incertitude totale dans son exemple chiffré. Cette logique est générale : collectez d'abord des données primaires pour les matières et les procédés qui dominent à la fois les émissions et l'incertitude.

Comment une marque doit-elle combiner les deux ?

1. Commencez par des données secondaires pour passer le portefeuille au crible et identifier les matières et les procédés qui comptent le plus.
2. Classez les points chauds par émissions et par incertitude, et pas seulement par émissions.
3. Demandez des données primaires aux fournisseurs qui se trouvent derrière les plus gros points chauds, avec une méthode et un périmètre définis.
4. Conservez une trace de la source et de la qualité des données pour chaque intrant, afin de pouvoir expliquer les empreintes mixtes.
5. Mettez l'empreinte à jour lorsque de meilleures données arrivent et signalez le changement de méthode séparément du changement de performance.

Le Higg Product Module, lancé par la Sustainable Apparel Coalition et Higg Co, illustre cette structure. Sa première édition couvrait les impacts de l'extraction des ressources à l'assemblage du produit fini, en s'appuyant sur des données matières de fabricants de niveau 2 et sur les données Higg MSI pour calculer les impacts des matières.

Une question pratique est de savoir qui doit collecter les données primaires et à quel coût. Demander à chaque fournisseur des données de procédé détaillées pour chaque modèle n'est pas réaliste, et de nombreux fournisseurs reçoivent des demandes similaires de plusieurs clients. Une demande ciblée, limitée aux quelques procédés qui dominent l'empreinte d'un produit et fondée sur une méthode convenue à l'avance, a plus de chances de produire des réponses exploitables. Des formats partagés et des questionnaires communs allègent la charge des fournisseurs et améliorent la comparabilité.

La qualité des données doit aussi être gérée. Un chiffre primaire doit s'accompagner de la période de mesure, du périmètre, de la méthode d'allocation de l'énergie aux produits et, si possible, de preuves comme des relevés de compteurs ou des factures d'énergie. Sans cela, un chiffre primaire ne se distingue pas d'une estimation. Il est judicieux de noter chaque intrant selon sa qualité, par exemple mesuré, calculé ou par défaut, et d'améliorer en priorité les intrants les plus faibles parmi les plus gros contributeurs.

Le rôle de l'IA dans ce domaine est surtout administratif. Les modèles peuvent extraire des valeurs de formulaires fournisseurs et de documents d'énergie, associer des matières à des entrées de base de données et signaler des valeurs aberrantes. Ils ne rendent pas un facteur secondaire plus précis et ne peuvent pas remplacer la mesure. Si un outil attribue automatiquement un facteur de base de données, la correspondance doit être visible et vérifiable, car une mauvaise association avec une matière au nom proche peut modifier sensiblement le résultat.

Lire aussi

Comment l'IA peut-elle aider à estimer les émissions de scope 3 dans les chaînes d'approvisionnement de la mode ?

Quelles sont les limites pour les allégations et la réglementation ?

Les empreintes de produits sont des estimations assorties de marges d'erreur, et toute allégation destinée aux consommateurs doit le refléter. Les recommandations de la Fashion Industry Charter déconseillent les estimations fondées sur les dépenses pour le suivi d'une année sur l'autre, tout en notant qu'elles peuvent aider au premier tri. Pour la suite, le règlement sur l'écoconception des produits durables, en vigueur depuis le 18 juillet 2024, établit des passeports numériques des produits qui peuvent contenir les matières, les origines et les impacts environnementaux sur le cycle de vie. Une actualisation de conformité attend l'acte spécifique aux textiles en 2027 et conseille de définir les exigences de données au niveau du produit et d'associer tôt les fournisseurs. Des enregistrements qui distinguent données primaires et secondaires seront plus faciles à adapter au format finalement exigé.