Empreinte carbone du télétravail : Quantification des émissions des gaz à effet de serre (GES) du numérique et de l'effet rebond associé
Bibliographic record
Abstract
Le télétravail est devenu une pratique largement adoptée dans la province de Québec, particulièrement depuis son essor rapide à la suite de la pandémie. Toutefois, si la suppression des déplacements domicile-travail représente un gain environnemental notable, la revue de la littérature suggère plusieurs effets susceptibles de réduire cet avantage. Parmi eux, l’augmentation du nombre d’équipements informatiques et la multiplication des visioconférences sont des habitudes marquantes. À notre connaissance, ces impacts n’ont pas encore été quantifiés dans d’autres études. Notre objectif est donc de quantifier l’effet rebond du télétravail sur les habitudes liées au numérique. L’approche privilégiée ici repose sur l’analyse de cycle de vie-carbone (ACV-carbone), incluant toutes les activités numériques des utilisateurs, même le stockage des données, permettant d’aboutir à une estimation plus précise. Afin d’atteindre cet objectif, une double approche a été mise en place. D’un côté, un questionnaire en ligne a été distribué à la communauté de l’INRS, permettant de recueillir des données quantitatives précises sur les habitudes liées au télétravail. De l’autre, des entretiens semi-directifs ont été menés pour approfondir la compréhension des comportements ou des préférences individuels en matière d’usage du numérique. Parallèlement, une entrevue avec le directeur du Service des ressources informationnelles (SRI) a permis d’explorer la gestion du numérique à l’échelle institutionnelle. Cette combinaison de méthodes offre une vision complète, alliant chiffres et nuances qualitatives, pour mieux cerner les enjeux environnementaux du télétravail. Les données collectées ont ensuite été converties en émissions de GES à l’aide d’équations et de facteurs de conversion. Des analyses ont ensuite exploré comment les activités numériques sont influencées par divers paramètres, notamment les catégories d’emploi, les centres de l’INRS, et même les différents scénarios de télétravail. Chaque perspective a apporté un éclairage détaillé, révélant des tendances précieuses pour mieux comprendre les dynamiques à l’œuvre et identifier des pistes d’amélioration. En effet, cette méthodologie de ce projet ne se limite pas à une simple étude : elle s’impose comme un véritable projet pilote, conçu pour être reproduit et adapté par d’autres organisations et entreprises partenaires du Partenariat Climat Montréal (PCM), un partenaire central de cette étude. Les résultats montrent que les émissions de GES liées au numérique s’élèvent à 33 946 kg éq. CO2 pour la population échantillonnée (n = 319, soit 106,48 kg éq. CO₂ par personne) et à 142 717 kg éq. CO2 pour la population totale (N = 1 558, 91,60 kg éq. CO₂ par personne). Ces émissions proviennent principalement de l’acquisition de nouveaux équipements, représentant 96,4% du total, tandis que l’usage des appareils existants ne contribue qu’à 3,6%. Ce déséquilibre s’explique par la fabrication de ces équipements dans des pays à forte intensité carbone, où les processus industriels sont fortement émetteurs, alors que l’électricité québécoise, majoritairement décarbonée, rend les émissions liées à l’utilisation négligeable, même en cas d’augmentation du temps d’utilisation pour certains participant.e.s. Enfin, nos analyses révèlent que des facteurs psychologiques, comme l’adolescence technologique (désir de nouveauté et perception de besoins technologiques accrus), jouent un rôle déterminant dans la motivation à acquérir de nouveaux équipements. Cependant, éviter les achats superflus ou prolonger la durée de vie des équipements informatiques pourrait réduire jusqu’à 96% des émissions de GES liées au numérique.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".