Les données de référence de l'impact environnemental des produits agricoles et alimentaires - Présentation du 03 juin 2020 pour les experts de ...

Les données de référence de l’impact
 environnemental des produits agricoles et
 alimentaires

Présentation du 03 juin 2020 pour les experts de l’évaluation
 environnementale – méthodologies ACV

• Jérôme MOUSSET, ADEME
• Vincent COLOMB, ADEME
• Audrey RIMBAUD, ADEME
• Chantal GASCUEL, INRAE
• Laure NIETSCHELM, INRAE
• Anne-Claire ASSELIN, Sayari
• Hélène TEULON, Gingko21
• Aurore WERMEILLE, Sayari

Gingko 21 Sayari

 Hélène Julie Anne-Cl Anass
 Teulon Asselin Moutia
 Houssier

 Gentiane Valentin Aurore
 Gastaldi Rousseau Wermeille

B Blonk consultants
 Roline Nicolo Mike van
 Broekema Braconi Paasen

• Réunion de présentation et d’échanges
 sur les nouvelles données de la BDD
 ACV Agribalyse.
• Réunion d’ordre technique à
 destination des experts des ACV
 pour les secteurs agro/agri
 (chercheurs, bureaux d’études),
 maîtrisant les logiciels ACV
• D’autres évènements seront organisés
 pour des cibles non expertes

• Vous avez la possibilité de poser des
 questions par le module Q. et R.
 L’ensemble des participants peuvent voir les
 questions des autres et réagir – voter.

• Si vous rencontrez des problèmes
 techniques  informer les
 organisateurs par le module
 « converser »

• Le webinaire est enregistré

Introduction par Jérôme MOUSSET, ADEME et
Chantal GASCUEL, INRAE

Présentation d’AGRIBALYSE
1. AGRIBALYSE : une histoire ancienne
2. AGRIBALYSE 3.0 : quelles nouveautés ?
3. AGRIBALYSE 3.0 : méthodologie
Premier temps d’échange

AGRIBALYSE 3.0 : calendrier & suites
Deuxième temps d’échange
Vous pouvez poser vos questions à tout moment mais
nous y répondrons pendant les 2 temps dédiés.

7

2009 : Besoin de disposer d’un outil pour évaluer
les systèmes de production agricoles sur le plan
environnemental

2013 : première BDD Améliorations et
publiée (version 1.0) enrichissements des
 données agricoles
2014 : version 1.1
 En parallèle, projet
2016 : version 1.2 ACYVIA sur la
 transformation
 agroalimentaire
2018 : version 1.3

2020 : Agribalyse 3.0
Nouvelles données (sur l’aliment brut et transformé)
+ Renouvellement de l’identité graphique
 8
+ Nouvelle gouvernance

La construction progressive de la base de données a mis à
contribution une centaine d’experts et de scientifiques des secteurs
agricoles, agroalimentaires et de l’environnement.

 Pilotes Principaux contributeurs : instituts
 techniques, organismes de recherche,
 bureaux d’études…

 BE en
 charge des
 calculs de la 9
 V3.0

• Développement des bases de données internationales et
 nationales :

WFLDB 3.5, Mai 2020

• Développement des référentiels : LEAP (FAO => élevage), PEF (Union
 Européenne : 8 « filières » alimentaires.

Recherche de cohérence méthodologique avec les normes
internationales, modulo périmètre et calendrier.
Participation des partenaires Agribalyse aux initiatives structurantes à
l’échelle international (ex: PEF). 10

11

• Périmètre historique d’Agribalyse

• Des produits moyens vers l’exploration des différents
 modes de production

• Enrichissement progressif des données : fruits et légumes,
 produits de la mer, produits tropicaux (DOM) etc.

• Mise à jour AGBv1.4 (modèles d’émissions), pilotage
 INRAE

• Outil : plateforme Means-InOut (INRAE-CIRAD)

• Encore des manquants « significatifs » : champignons,
 certaines légumineuses, crustacés, miel etc.
 12

13

 Limites et besoins d’évolutions méthodologiques

Parmi les principaux enjeux pour le secteur alimentaire, besoins d’évolution des
indicateurs ACV et des données AGRIBALYSE en particulier sur :
• La biodiversité
• Le stockage et déstockage du carbone dans les sols
• L’impact des produits phytosanitaires sur la santé des hommes et des
 écosystèmes
• La consommation d’eau au niveau agricole

Certains projets AGRIBALYSE ont proposé des améliorations méthodologiques
sur certains aspects (ex : projet SOCLE pour le carbone du sol, projet ACV
Eau). Pour la biodiversité, des travaux ont porté sur l’inclusion d’indicateurs
complémentaires aux indicateurs ACV standards (projet ACV Bio).
Ces travaux ne sont pas encore intégrés dans la base de données
AGRIBALYSE, et il convient de se reporter aux rapports des projets pour en
savoir plus 14

 Objectifs :
• Créer des données de systèmes en AB : 111 systèmes
• Comparer ces systèmes
• Evaluer les successions et les cultures associées
• Evaluer l’impact sur la biodiversité
• Soutenir l’écoconception

 Produit Nombre Partenaire
 Grandes cultures 46 ARVALIS
 Cultures associées 16 Terres Inovia
 Vignes 5 ESA-Angers / IFV / INRA
 Prairies / luzernes 22 IDELE / ARVALIS
 Bovins lait 4 IDELE
 Bovins viande 5 IDELE
 Ovins viande 3 IDELE
 Porcs 4 ITAB / IFIP
 Poulet/œuf 4 ITAB / ITAVI
 15

 Objectifs projet ACV-Bio
• Créer des données de matières fertilisantes d’origine
 résiduaire : 28 processus créés
• Identifier modèles / facteurs d’émission les plus adaptés
• Implémenter ces modèles dans la plateforme MEANS
• Eco-concevoir la fertilisation des systèmes agricoles

ALERTE sur les processus, des données obsolètes de sont
glissées => liste des processus concernés sur le site web.

 16

Impacts de l’étape Matières premières Agribalyse 1.0 –
production agricole agricoles brutes 1.1 – 1.2 – 1.3 – 1.4

 Recettes & Mix de
 consommation

 Impacts de l’étape
 Aliments à l’usine Projet ACYVIA
 transformation
 alimentaire de transformation

 Aliments à la
 Impacts de l’emballage et
 la logistique plateforme logistique
 / entrepôt

 Impacts du stockage, du Aliments au
 transport, de la distribution magasin

 Aliments chez le Agri-
 Impacts de l’étape
 utilisation (cuisson, …) consommateur prêt à balyse
 17
 être consommé 3.0

 Périmètre : Couvrir le même périmètre que
 CIQUAL 2017
 Une architecture robuste et transparente
 permettant des évolutions
 Mobiliser les processus existants uniquement
 Limiter le nombre de sources de données pour
 veiller à la cohérence méthodologique
  Agribalyse 1.3/1.4 et Acyvia
  WFDB
  Ecoinvent

Version «poupée russe» Version « pizza »

Sont présents dans AGRIBALYSE 3.0 les mêmes produits que
dans la base de données nutritionnelles CIQUAL

 • 2807 références dans CIQUAL(2017)
 • 2497 références dans AGRIBALYSE 3.0
  310 produits dits « drop-off » pour lesquels les
 données ne paraissaient pas suffisamment robustes 21

Sont présents dans AGRIBALYSE 3.0 les mêmes produits que
dans la base de données nutritionnelles CIQUAL

 Nombre d’aliments pour
Catégories d’aliments lesquels AGRIBALYSE
 fournit des données
Fruits, Légumes, Légumineuses et Oléagineux 423
Lait et produits laitiers 221
Produits céréaliers 375
Viandes, Œufs, Poissons 637
Entrées et plats composés 284
Boissons 219
Glaces et sorbets 25
Produits sucrés 55
Matières grasses 56
Aliments infantiles 33
Aides culinaires et ingrédients divers 169
TOTAL 2497 22

BDD simplifiée – BDD simplifiée –
Partie alimentaire Partie agricole

 La base de données fournit des  Concernant les impacts de la
 indicateurs d’impacts production agricole, la base de
 environnementaux des produits données fournit des indicateurs
 alimentaires « types », représentatifs pour :
 des produits « moyens » consommés  des produits « moyens »
 en France produits en France, ET
  De nombreuses
 Au stade de l’aliment fini, la BDD ne déclinaisons
 fournit pas de déclinaisons en fonction représentatives de la
 du mode de production ou du type diversité des modes de
 d’emballage (pas de déclinaison Pizza production françaises (y
 4 fromages Bio par exemple – compris sur le bio)
 uniquement une pizza 4 fromage
 23
 standard).

• Focus sur les « hotspots » : agriculture, mix
 consommations, produits « emblématiques »
 (tomates fraiches/industrielles)
• Focus sur les données « moins
 accessibles » (ex: amont agricole) vs
 données connues par les IAA (composition
 emballage, distance entrepôts etc.)
• Périmètre complet mais simplification des
 « paramètres secondaires » (logistiques,
 certaines opérations de transformation etc.)
 24

• Revue critique complète :
 Données et Méthodologie
 résultats et DQR

• Analyse complémentaire partielle par les
 instituts techniques

• Revue globale et analyse « version
 finale » Koch Consulting
 25

• Base de données innovante de par son périmètre
 et utile pour contribuer à la durabilité des systemes
 alimentaires.
• Principaux résultats coherents avec les travaux
 existants . Base de donnée suffisament robuste
 pour etre publiée.
• Adaptée à l’identification des enjeux clés plus
 qu’à une comparaison fine entre produits “proches
 ou similaires”. Tenir compte des DQR.
• Des pistes d’ameliorations identifiées et à
 considérer pour les futurs versions.

 26

Forces Limites

Méthodologie ACV reconnue et Certains impacts environnementaux
normée au niveau international. encore mal pris en compte par les
 ACV (ex: biodiversité)
Prise en compte de toutes les étapes, Utilisation de proxy et certains DQR
les origines et les types de produits faible.

BDD avec une méthodologie Produits moyens uniquement, pas de
homogène et transparente déclinaisons au niveau de l’aliment
 (Bio etc.)
Complétude de la BDD et couplage Non adapté pour une analyse directe
avec les données nutritionnelles entres « produits proches » (ex: blé vs
 orge)
Très adapté pour identifier les Indicateurs ACV scientifiques, non
« enjeux principaux » (hot spot) utilisables directement par des « non
 experts »
Expertise et réseau d’experts
disponible. BDD évolutive. 27

28

AT FARM AT PLANT AT CONSUMER
 Raw materials Processes (Food Industry) Recipes « CIQUAL » products

142 agricultural 516 Food Industry Processes 2497 « CIQUAL » products
processes – vegetable Ex. Grinding flour, Canning vegetables, Slaughtering
and animal production animals 1139 products with exact
 values

346 consumption mixes 1102 products calling « good
 7 dummy processes (no impact taken into account)
 proxies »
 Ex. Peeling vegetables, Smoking fish
 Ex. Same proxy for 10 cooked ham
 types :
 - Cooked ham, choice
 - Cooked ham, superior quality
 - Cooked ham, superior quality, rind
 less
 1160 Recipes - Etc.
 • 600 single recipes 256 products calling « poor
 • 476 proxies (ex. pork rillettes = country- proxies »
 style pâté or terrine)
 Ex. chicken used as a proxy for rabbit

 310 CIQUAL drop-offs
 29

Proportion dans la BDD complète,
pondéré avec la masse des produits. En
% desNombre
 2 487 produits.
 d'ICV Ciqual selon bdd du "produit agricole"

 Ecoinvent

 WFLDB

 AGB

 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

 % de la quantité totale de "produits agricoles" par ICV Ciqual

 pur >50%

Example of Pizza : from
 cradle to grave
Agribalyse , ecoinvent

 Tomatoes production
 Acyvia, ecoinvent,
 for processing, IT U W FLDB Pizza, cheese and
 tomato, at
 Tomatoes production processing
 for processing ,ES U Tomatoes for processing Tomato paste, at (AGB 3.0) | FR U
 consumption mix processing
 (AGB 3.0) | FR U
 Tomatoes production (AGB 3.0) | FR U
 for processing, FR U
 Industrial
 cooking
 Mozarella Cheese, at
 Milk produced FR U Milk consumption mix, processing
 (AGB 3.0) | FR U (AGB 3.0) | FR U
 ….
 Winter Wheat Flour, at processing
 Winter Wheat Bread dough at
 consumption mix (AGB 3.0) | FR U
 production, FR U processing
 (AGB 3.0) | FR U
 (AGB 3.0) | FR U
 Tap water, FR U
 Olives production SP Olives consumption mix
 (AGB 3.0) | FR U

 Raw material Raw material Processing Recipes
 production consumption mix

 31

Architecture in SimaPro
 Agribalyse nomenclature in
 Final Product SimaPro
 At consumer

 Retail
 At supermarket

 CIQUAL code
 Distribution
 Version At distribution
«Russian dolls» The CIQUAL code refers to the
 Packaging same product in the ANSES
 At packaging
 nutritional database.
 Agriculture &
 transformation
 At plant

 33

Example of Pizza : recipe

 Functional Unit

 Industrial process: cooking Composition

 34

Methodology: recipes

• Three sources for recipes:
 • From a retailer (49)
 • From ANSES (514)
 • Existing LCA datasets for some industrial
 products (ex: cacao powder) (36)

• ANSES recipes are home-made, assumed to be
 similar as industrial ones (fabrication at plant).

• 95% mass cut-off for recipes

 35

Example of Pizza : consumption
 mixes
• Countries origin based on an average of 5 years data
• Detailed origin by country for a minimum of 70% of the total
 Origin of tomato
 consumed in France

 Raw material

 Transport according
 to the origin of raw
 material

 36

Methodology: consumption mixes

 37

Methodology: consumption mixes
• Consumption mixes only apply to raw materials.
• “Average” mixes, there is no organic mix or mix for “sustainable
 practices”.
• Countries of origin were determined using data from FAOSTATS (5
 years average)
• For a few items among the most important ones in French
 consumption  in-depth analysis of origin of related raw
 materials (in liaison with technical institutes)
 • For 4 products we distinguished “for processing” vs. “for
 direct consumption” :
 tomatoes, strawberries, beef and chicken
 • For 2 products we distinguished “in-season” and “off-
 season” :
 tomatoes and strawberries

 38

Example of pizza: Origin of
 data Cooking, industrial, 1kg
 of cooked product (AGB
 3.0)/ FR U

 Cheese production; from raw Soft cheese, from cow's
 milk, soft cheese ; French Mozzarella cheese,
 milk, consumption mix from cow's milk, at plant
 production mix, at plant; 1 kg (AGB 3.0) /FR U
 of soft cheese (PGi) (AGB 3.0) /FR U
 Pizza, cheese and
 Olive oil, at oil mill Olive oil, at plant (AGB tomato or
 (WFLDB 3.1)/GLO U 3.0) /FR U Margherita pizza,
 Tomato, average FR 18%
 IT 46% at plant (AGB 3.0)
 basket, /FR U
 conventional, soil Processed tomatoes, Tomato, for processing,
based, non-heated consumption mix (AGB peeled, at plant (AGB
 3.0) /FR U 3.0) /FR U
 greenhouse, at Legend
greenhouse/FR U
 ES 36% AGB 3.0
 Tap water {RER}| Water, municipal (AGB
 market group for | Cut- 3.0) /FR U
 off, U ACYVIA

 Global milling process; soft Wheat flour, at industrial WFLDB
 wheat, steel-roller-milled, mill (AGB 3.0) /FR U
 industrial production; French AGB 1.4
 production mix, at plant; 1 kg
 bulk flour at the exit gate
 (PDi) 39
 ecoinvent

Example of pizza: Process
 Economic
Co-Products allocations
 Origin ACYVIA

Inputs
 Parameters
 Raw materials

 40

Methodology: processing
• Assumption : all processing happens in France (ingredients and
 transformed products as well as for recipes). Only exception : algae
• For a few processes, known to have little environmental impact, we
 had to use dummies (empty process). For example :
 • Unshelling
 • Peeling
 • Pitting
• For the production of some products, a default process is used.
Example of cheese : only one process exists for soft cheese and not one
process per cheese. Some default processing :
 • hard cheese production, at processing (AGB 3.0) /FR U
 • soft cheese production, at processing (AGB 3.0) /FR U
 • Milling, at industrial mill (AGB 3.0) /FR U

 41

Example of Pizza: raw to cook
 ratio
• The weight of most food items differs when raw or cooked.
 This was accounted for in Agribalyse 3.0 using a raw to cook ratio
 (R2C ratio).
 − % 
 Ratio R2C = =
 − % 

With
 2 % value for water content of cooked food item.
 2 % value for water content of raw food item.

• The ratio is then used by adjusting the amount of ingredient entering
 the recipe (data from ANSES: % based on weight as consumed). And
 emission of water to air when the product is cooked at plant.

 Composition adjusted with R2C ratio

 43

Methodology: ratios – raw to cook

• The stage at which raw to cook is accounted depends on the
 *class* of products
• Raw to cook ratio applies at processing or at consumer
 (preparation) stage.
 • For recipes and products entering into recipes : at processing stage
 • For vegetables & fruits cooked at consumer : at consumer stage
 • For meat : at consumer stage
• Assumption R2C = 1 for dairy, beverages and drinks, fats, seeds,
 nuts, herbs, dried fruits and vegetables, flours, salt, spices, sugar,
 toppings and condiments.

 44

Example of tomatoes in pizza:
 Inedible losses

 • Accounted at plant in this
 case.
 • In this case tomato’s inedible
 losses = 3%
 Raw material (with
 inedible losses)
 • The stage at which
 inedible losses is
 accounted is important 
 can significantly change
 Inedible losses
 mass transferred to
 downstream phases

 45

Methodology: ratios – inedible losses
• The stage at which inedible losses is accounted depends
 on product’s *class*
• FoodGES is the main source of data to determine inedible
 losses of products

 Life cycle stage for
 Type of
 inedible loss according Example
 product
 to food item *classes*
 At farm for dried products Apple, dried
 Apple, raw (class. 1)
 At consumer for cat. 1 and
 Apple, cooked (class,
 Vegetables, 2
 2)
 fruits, nuts
 Apple juice (class. 3)
 At plant for cat. 3,4,5 Rice cooked (class. 4)
 Apple cake (class. 5)
 46

Packaging

 Packaging type
 and weight

• For packaging mass ratio (i.e. the ratio between the packaging mass
 and the ingredient mass), FoodGES data are used.

 47

Methodology: packaging
• Only the production and forming of primary packaging is
 considered
• Rough assumptions per category (13 packaging categories)
 – most used one
• Raw fruits/vegetables assumed to have no packaging
• Alcoholic beverages assumed to have glass packaging
• In case of composed packaging, only the heavier packaging
 is accounted for (inner bag for cereals is not accounted for,
 the only packaging material considered for cereals is the
 “cardboard” box)

 48Vie : Production et
 Source : Analyse de Cycle de
 transformation du lait. Hayo Van Der Werf (INRA) - novembre

Distribution and Retail
• Energy consumption at distribution and retail
 • Modelled based on PEF default data (European Commission, 2016)
 defined for cooling, freezing, lighting and heating during those stages.
 • These parameters depend on the defined storage time as well as the
 product density (3 archetypes depending on product category:
 ambient, fridge and freezer)

• Food losses
 • Accounted for at retail
 • Food losses % are defined per food category, according to data in
 Annex 3 of OEFSR (Quantis et al., 2015)

• Transport
 • Distance to distribution : 450 km (ADEME & AFNOR, 2012)
 • Distance to supermarket : 150 km
 • Distance to consumer : Not considered in the study 0km

 49

Transport

 Transport
 (see next
 slide)

 Raw Processing, Distribution, Supermarket, Consume
material Recipe
 FR FR FR r, FR

 50

Methodology: upstream transport
• Raw material transport to processing plant /distribution center

(1) Transportation in the origin country from growing areas to central collection
 hubs
 • From European Union : Eurostat (European Commission, 2014)
 • From USA : GREET model (Elgowainy et al, 201)
 • Others : Literature, expert judgment based on past experience.
(2) Importation to France (transportation from growing country to processing
country)
 • Assumption : processing country is always France
 • Transport mix data from EuroStat (European Commission, 2014)
 • Transport distance is estimated using google maps.
 51

Methodology: downstream
•
 transport
 Transport – from processing to recipe
 • Assumption : no transport
• Packaging transport
 • based on PEF Guidance Document

 Packaging
 transportation
• End of life transport for packaging (see in later slides)
 52

Preparation @consumer

 Electricity consumption for
 cooling and food preparation
 (oven cooking)

 53

Methodology: preparation
 @consumer
• Various preparation types: no
 preparation, pan-frying, boiling, oven
 cooking, pressure cooking, microwaving,
 water cooking.
• All items chilled / frozen are considered
 stored at consumer in fridge / freezer
 respectively.
• For recipes, we assume only reheating at
 use phase as recipes are ‘cooked’ at plant.

 54

End of life
• Packaging End-of-Life

 Packaging EoL transportation

 Packaging EoL

 55

Methodology: end of life
Food losses End-of-Life

• Losses for distribution and retail:
 • accounted for at retail (conservative option), according to
 data in Annex 3 of OEFSR => « at supermarket » dataset
 • Archetype per PEF product group
 • Be vigilant on value of loss rate @retail - can be significantly
 different and can impact results

• Losses at consumer (inedible losses only) => « at consumer »
 dataset
 • Avoidable losses are not considered

 56

Example of pizza : DQR = 2,79
 Documentation section.

• Data quality ratio (DQR) based on PEF methodology
• Goal : assess the quality of products along the value
 chain
• Score between 1 (good quality) and 5 (low quality)
• Based on 4 indicators :
 • Precision (P)
 • Time representativeness (TiR)
 • Geographical representativeness (GR) 58
 • Technological representativeness (TeR)

Methodology: DQR Calculation
 15 criteria + 3 penalty ratings

 59

DQR Methodology : Data quality
 estimation
Precision (P ) Time representativeness Technological representativeness (TeR) Geographical representativeness
 (TiR) (G)
Coverage % of the market mix is >85% & Data no older than 3 years Production datasets corresponding to exact product and practices to Data are based on FR trade
origin is industry data → 1 →1 those included in the scope of the dataset → 1 statistics, no proxies are used →
 1
Coverage % of the market mix is >85% & Data between 3 and 5 Production datasets corresponding to similar product and practices to
origin is statistics or Coverage % of the years old → 2 those included in the scope of the dataset, with small change in Data are partially based on FR
market mix is >70% & origin is industry yield → 2 trade statistics, proxies used are
data → 2 Data between 5 and 7 from the same region (EU)→ 2
 years old → 3 Production datasets corresponding to similar product to that included in
Coverage % of the market mix is >70% & the scope of the dataset, different practices → 3 Data are partially based on FR
origin is statistics or Coverage % of the Data between 7 and 10 trade statistics, proxies used are
market mix is between 50% and 70% & years old → 4 Production datasets are proxy - change in yield max 30% → 4 not from the same region (non-EU)
origin is industry data → 3 →3
 Data older than 10 years Production dataset are proxies - change in yield >30% or unknown → 5
 Coverage % of the market mix is →5 Data are not based on FR trade
between 50% and 70% & origin is statistics, proxies used are from the
statistics → 4 same region (EU) → 4

Coverage % of the market mix

mixed salads meat
soup fish
dishes eggs
sandwiches Milk, cheese & dairy
Vegetables & potatoes beverages 1
 beverages 2
legumes
 Confectionary & ice cream
fruits butters
nuts & seeds oils
Pasta & rice baby food
other cereal products miscellaneous

 61

Principle Example

1. In each of the 21 For SANDWICHES category : “Sandwich
 categories : one made with French bread, chicken, raw
 representative vegetables (lettuce & tomato) and
 product mayonnaise’ (CIQUAL: 25476).”

2. we compute its LC Breakdown of LC impact for “Sandwich
Impact and break it down made with French bread,
for the 15 criteria  chicken……..and mayonnaise’ (CIQUAL:
Weighting Factors WFc 25476)”  WFsandwiches of the 15 criteria
 are for ALL SANDWICHES
For each product in the Specific DQR data for each criterion of
given category : specific chicken burger applied with WFsandwiches
DQR data for the 15 e.g. Chicken burger , fast foods
criteria restaurant” (CIQUAL: 25502).
  DQR : 2.6 63

Dataset distribution
according to their DQR
 Répartition des notes de qualité des données par catégories de
 produits
100%
 90%
 80%
 70%
 60%
 50%
 40%
 30%
 20%
 10%
 0%

 0

Exemple of Pizza : Limitations
 and possible manual updates
 Limitations Solution Difficulty Impacts
 Go to the “Pizza, at ++
 - to +++
 Recipe does not plant“ dataset and Make sure to check
 Depending on the changes you
necessary correspond to update quantities and masses of ingredients
 make
 YOUR recipe add/remove before they are
 ingredients. cooked
Mozarella dataset does Create a whole new +++
 ++
 not correspond to dataset Mozarella Specific knowledge
 Data from practices and
mozarella production but production and replace are needed about
 processing (water content,
 to general soft cheese the input mozarella in mozarella production
 inedible loss….) are important.
 production the dataset pizza to solve this limits.
 +
 ++
 Complete the dummy Peeling process is probably not
 Peeling process for To fill the dummy
 process to have a real very impactant (low energy
 tomato is a «dummy» process, specific data
 peeling process consumption in comparison with
 have to be found
 other process such as drying)
 +
 Transport supermarket- Add an input transport +
 A simple input has to
 consumer is 0 km in the dataset at Depending on the new
 be added in the 65
(Assumptions of the DB) consumer assumptions.
 dataset.

66

Volet consommation:
 Volet Production :
 évolution des
 écoconception pratiques

 Appels d’offres Information grand public
 GreenGo Données robustes, régulièrement
 mises à jour

 Réseaux d’experts dans Formats Formats
 les territoires et les agrégés complets Restauration collective
 filières
 Accompagnement à l’utilisation des
 données
 Outils sectoriels : Means,
 Formations
 Cap2ER, GEEP etc. Référents
 Documentation Journées Expérimentations
 filières
 techniques

Une BDD évolutive, une histoire à poursuivre…
Améliorer ;Enrichir; Mettre à jour; Préciser; Former; Partager; Collaborer;…
 67
 67

68

www.agribalyse.fr; Français/English

Rapports méthodologiques :
 • Alimentation générique 3.0
 • Agriculture générique 3.0
 • Rapports thématiques (F&L, eau, bio etc.)

Documentation complémentaire:
 • Guide d’utilisateur (20 p.)
 • Plaquette de présentation (4p)
 • Film d’animation (2.30 min)
 • Site web : information générale, FAQ, Evolution et
 erreurs identifiées etc.
 69

Une publication séquencée : version « experts » le 03 juin puis
 « ouverture complète » au 2eme semestre.

 CALENDRIER DE PUBLICATION D’AGRIBALYSE
 Septem
 Octobre
 Juin 2020 Juillet 2020 bre
 2020
 2020
Publication des Analyse des premiers retours utilisateurs Publication
données au (utilisateurs « experts ») complète sur
format « expert » site Internet
Simapro/ ADEME Colloque
OpenLCA Mise à disposition au format Excel Agribalyse
 des données pour les structures
 engagés dans l’expérimentation

 CALENDRIER AFFICHAGE ENVIRONNEMENTAL – en cours d’arbitrages ministériels
 Mai-Juin 2020 : Septembre :
 Réunion de concertation et Démarrage des projets d’expé
 présentation du protocole ? 70
 70

• Documentation complète et simplifiée
• Formations et webinaires
• Dispositif de suivi : Forum, formulaire de
 contact, mailbox. Capacité à corriger les
 erreurs identifiées et intégrer des
 propositions de données externes (sous
 condition, travail en cours).
• Version 3.1 envisagée fin 2021

 71

• Assurer la maintenance (correction, diffusion etc.)
• Ouvrir le développement des données en externe
• Rester garant de la qualité de la BDD (homogénité,
 modélisation, mises à jour etc.)
• Cadrer le périmètre : disponibilité des données
 « clés », maintient d’un volume « opérationnel » de la
 BDD
• Assurer la cohérence avec autres démarches
 (Ecoinvent, PEF, WFLDB etc.)
• Accompagner les utilisateurs et contributeurs
=> cadrage en construction

 72

• On peut identifier 2 grands types de retours
 utilisateurs :
 • Les propositions d’amélioration des données
 concernant des produits ou processus déjà
 inclus dans Agribalyse
 • Les propositions de nouveaux
 produits/processus, afin d’enrichir la BDD.

• Des contributions analysés au regard des
 priorités du programme AGRIBALYSE :
 • Dans certain cas, un soutien technique et/ou
 financier pourra être apporté par l’ADEME.
 Traitement des demandes au cas par cas par le
 comité stratégique Agribalyse. 73

CAS #1 : CAS #2 : CAS #3 : Améliorations des
 Corrections et amélioration des Production et intégration de nouvelles méthodologies relatives aux
 données existantes données calcul des indicateurs

 CAS #1a : CAS #1a :
 Amélioration des processus / hypothèses Nouvelles déclinaisons de produits existants
 agricoles (Labels – HVE – etc.) Travaux spécifiques à mener via des
 CAS #1b : projets de R&D en cohérence avec
 CAS #1b : les travaux internationaux
 Nouveaux produits alimentaires manquants (ex.
 Amélioration des mixes de consommation Exemple : stockage/déstockage
 champignons) – nouveaux ingrédients
 carbone dans les sols
 CAS #1c :
 CAS #1c :
 Nouveau processus agro-industriel (ex. friture,
Amélioration des processus de transformation
 surgélation)

 CAS #1d : CAS #1d :
 Amélioration des recettes Nouvelle recette

 CAS #1e : CAS #1d :
 Amélioration des hypothèses relatives au Nouvelle provenance (produits importés non
 transport/logistique/emballage disponibles – exemple tomates espagnoles)

 CAS #1f :
 Autres / Cas divers

 74

• Les propositions doivent rester « conformes »
 au périmètre de la base de données :

 • une base de données fournissant des produits sur
 des produits alimentaires génériques « moyens » ;
  En conséquence, la BDD n’a pas vocation à intégrer des
 références « commerciales » (produits de marque X
 versus Y)

 • des déclinaisons permettant mettre en avant les
 bénéfices environnementaux de systèmes de
 production ou de produits avec des caractéristiques
 spécifiques.
  La base de données continuera de développer et
 d’intégrer des données relatives à des déclinaisons de
 produits permettant de mettre en évidence les différences
 d’impacts liés à différents modes de pratiques agricoles
 (Bio, Conv, Label Rouge etc.), de transformation (ex : type
 d’énergie utilisée), de logistique (ex : import) ou
 d’emballage (type de matériaux, unidose etc.). 75

Offrir un outil structurant pour la communauté
 ACV agi/agro/food

 Mettre la connaissance au service de la
 transition écologique, être au cœur des
 débats

 A l’écoute de nos utilisateurs

Des utilisateurs, mais surtout des experts,
 contributeurs, relais… ambassadeurs ?!
 76

77