Tentative d’évaluation des impacts environnementaux de l’usage des services SAAS & IAAS - Volet 1

Tentative d’évaluation des impacts environnementaux de l’usage des services SAAS & IAAS - Volet 1

Auteur : Eric Fourboul, avec la contribution de Laurent Eskenazi

Sommaire:

• Préambule

• Introduction

• Approche méthodologique

  • Les grands principes

  • Démarche

  • La consommation électrique comme proxy

  • A la recherche de la consommation des datacenters !

    • Etude du standard SASB (Sustainability Accounting Standards Board)

    • Limites de l’approche

• Cas d’usage du streaming

  • Consommation des datacenters

  • Données d’usage

  • Impacts des datacenters

  • Impact des terminaux

  • Impacts du réseau

  • Résultats et validation

  • Comparaison avec les évaluations de la base Empreinte de l’ADEME

• Cas d’usage des réseaux sociaux

  • Consommation des datacenters

  • Données d’usage

  • Impacts des datacenters

  • Résultats et validation

• Cas d’usage du moteur de recherche

  • Consommation des datacenters

  • Données d’usage

  • Impacts des datacenters

  • Validation et comparaison

• Cas d’usage de l’hébergeur mail en ligne

  • Consommation des datacenters

  • Données d’usage

  • Impacts des datacenters

  • Validation et comparaison

  • Consommation des datacenters

  • Données d’usage

  • Impacts des datacenters

  • Validation et comparaison

  • Potentiel d’amélioration de l’évaluation

• Conclusion

• Bibliographie

Préambule {#préambule}

L’évaluation environnementale du numérique est un sujet nouveau et immature. Face à sa complexité, il nous paraît important dans toute étude:

• De documenter les hypothèses choisies et les limites constatées.

• De fournir toutes les données utilisées dans l’évaluation (hypothèses choisies, limites constatées, calculateur, facteurs d’impact) pour favoriser la critique et la construction des connaissances.

• De communiquer les résultats avec humilité

C’est dans cet état d’esprit que nous publions cet article. Tout retour critique et constructif sera fortement apprécié.

Pour nous contacter : contact@hubblo.org.

Introduction {#introduction}

A travers nos missions d’évaluations environnementales au sein d’Hubblo, ou à travers notre travail associatif au sein de Boavizta, nous avons souvent été confrontés à des difficultés liées à l’évaluation environnementale de services externalisés (à l’entreprise ou au territoire) pour lesquels la matérialité de l’infrastructure du numérique est difficile à estimer.

C’est dans ce contexte, que nous avons produit un article sur l’estimation de l’impact environnemental des datacenters importés pour un usage français du numérique [^1].

Cette nouvelle étude sur l’évaluation environnementale des services SAAS & IAAS - qui représentent aussi un angle mort dans les méthodologies d’évaluations environnementales du numérique dans les organisations - s’inscrit dans la continuité de cette réflexion. Une mission pour la direction Communication de Rennes Métropole a été le déclencheur pour avancer sur le sujet.

L’objet de cet article est donc de tenter de combler cet angle mort en proposant une première approche pour estimer l’impact environnemental des services SAAS.

On se basera notamment sur les facteurs d’impact des datacenters de colocation en France et à l’étranger, que nous avons mis en avant dans notre précédent article.

A la direction Communication de Rennes Métropole, les principaux services SAAS utilisés étaient les suivants:

• Streaming : Vidéo, podcast via une plateforme en ligne (ex : Youtube)

• Réseaux sociaux (ex : Facebook)

• Stockage / archivage de données (ex : Dropbox)

C’est sur ce premier périmètre que nous avons travaillé.

En complément, 4 objectifs ont guidé notre travail:

• fournir des outils d’évaluation pratiques, paramétrables permettant d’adapter les hypothèses à la plupart des contextes

• documenter la méthodologie pour favoriser son extension à d’autres services numériques

• utiliser des données ouvertes et partager des résultats pour favoriser les critiques et l’évolution des modèles

• montrer qu’il est possible d’effectuer des évaluations multicritères de services numériques, notamment en se basant sur la base Empreinte de l’ADEME.

Sérendipité

Chez Hubblo, nous sommes des adeptes de la sérendipité, souvent sans le savoir ! 

La sérendipité est le fait de découvrir par hasard des enseignements que l’on ne cherchait pas. Jusqu’ici, chez Hubblo, on appelait cela des “sorties de route” ;) La sérendipité correspond mieux à la réalité.

Pour la provoquer, il faut effectivement accepter de se perdre en chemin, et d’explorer des pistes à priori éloignées de l’objectif initial.

Mais ensuite, il faut cadrer ces “découvertes inattendues”, en tirer des enseignements, les documenter et les partager. 

Cette série d’articles est un parfait exemple de cette démarche particulière. Notre objectif initial était d’évaluer l’impact environnemental de certains services SAAS dans le contexte de campagnes de communication et il a abouti:

• au concept de REE (Revenu Energy Efficiency) qui représente la consommation électrique nécessaire pour obtenir 1 $ de revenu

• à la cohérence de celui ci en fonction de la nature des services numériques considérés, comme l’illustre le graphique ci dessous (échelle logarithmique).

Nous allons donc décrire dans les articles qui viennent comment nous avons “dévié” de notre objectif initial pour aboutir au REE et aux ratios monétaires.

Approche méthodologique {#approche-méthodologique}

Les grands principes {#les-grands-principes}

Le schéma ci-dessus, créé par DDemain / Julie Orgelet illustre bien l’ensemble du cycle de vie du service numérique, et notamment le besoin d’avoir une vue matricielle de l’évaluation: “étapes du cycle de vie du service” X “les 3 tiers + RH”.

L’objectif idéal serait de prendre en compte l’ensemble des étapes, et notamment les phases de fabrication et de maintenance des logiciels / services SAAS.

Pour la partie Fabrication cela impliquerait de prendre en compte l’activité R&D associée au logiciel / service SaaS, et de bien déterminer son périmètre. Il serait également intéressant de réfléchir à sa phase Distribution. Quid des impacts de l’activité “Sales & Marketing”, particulièrement présents dans le numérique ? Par exemple, est ce que la somme des impacts des produits & services de Salesforce (ou tout autre acteur) est égale à l’impact global de “l’usine” Salesforce ?

Néanmoins, dans un premier temps nous allons nous focaliser sur la phase d’usage des logiciels / service SaaS - comme nous le faisons classiquement pour les services “on premise”. Cette phase inclut les 3 “tiers” : terminaux, réseau et datacenter.

Démarche {#démarche}

Notre démarche méthodologique suit une modélisation classique d’un service numérique basée sur les 3 “tiers”: terminaux, réseaux, datacenters.

Pour le Tier 1/terminaux:

• On utilise le jeu de données multicritères pour le numérique de la base Empreinte de l’Ademe . On trouve les principaux terminaux :

  • Ordinateur portable (Pro et perso)

  • Tablette

  • Smartphone

  • Ordinateur fixe (sans écran)

  • Ecran d’ordinateur

  • Téléviseur

• Les terminaux sont modélisés sur la base des hypothèses documentées: consommation électrique annuelle, durée de vie, durée d’usage

• La méthode d’amortissement utilisée est par durée d’usage. On pourra considérer dans une étude future les amortissements par durée de possession ou bien une approche marginale. \

Pour le Tier 2/réseaux:

On utilise les facteurs d’impact par Go de la base Empreinte de l’Ademe. A l’avenir, il sera également possible d’utiliser le modèle proposé dans le récent RCP FAI.

Pour le Tiers 3/datacenters:

Si la méthode d’évaluation de l’usage des terminaux , voir du réseau, est comparable à celle utilisée pour des services hébergés, l’évaluation des datacenters utilisés par un service SAAS est plus délicate.

Les infrastructures sous-jacentes ne sont pas ou peu documentées par les grands acteurs du marché. Le seul élément (parfois) communiqué est la consommation électrique. C’est sur cette base que nous avons orienté notre travail.

La consommation électrique comme proxy {#la-consommation-électrique-comme-proxy}

L’étude sur les Datacenters importés nous a permis d’interpréter certaines données du rapport ADEME/ARCEP “Evaluation de l’impact environnemental du numérique en France et analyse prospective” pour aboutir à des facteurs d’impact en fonction des typologies de datacenter suivantes:

Ces chiffres, et la répartition entre les phases de fabrication et d’usage, nous ont permis d’adapter les facteurs d’impacts pour des datacenters de colocation à l’étranger [1].

Ci dessous les impacts par type de datacenter et par kWh consommé:

et une répartition par phase de cycle de vie pour les datacenters de type colocation en fonction de leur localisation (ici France et Europe):

A la recherche de la consommation des datacenters ! {#a-la-recherche-de-la-consommation-des-datacenters}

Fort de ces facteurs d’impacts par kWh pour les phases de fabrication et d’utilisation des datacenters, l’enjeu devient donc d’évaluer la consommation électrique des datacenters des fournisseurs de services SAAS.

Or, ces données sont potentiellement présentes dans les rapports extra financiers publiés par les entreprises: Rapports de type ESG/Environment, Social and Governance ou CSR/Corporate Social Responsibility.

Etude du standard SASB (Sustainability Accounting Standards Board) {#etude-du-standard-sasb-sustainability-accounting-standards-board}

Le SASB est une organisation à but non lucratif, fondée en 2011 par Jean Rogers pour développer des normes comptables de développement durable. L’initiative est une réponse à la demande des investisseurs, gestionnaires d’actifs et assureurs de plus en plus sensibles à l’impact des critères environnementaux, sociaux et de gouvernance (ESG) sur la performance financière des entreprises.

Les principes essentiels du SASB sont [^3]:

• Applicabilité mondiale

• Matérialité financière

• Approche de l’établissement de normes :

  • Spécificités industrielles

  • Basé sur des preuves

  • Information des marchés

C’est l’adaptation du standard aux “spécificités industrielles” qui est intéressante puisqu’on y trouve une déclinaison pour les “software et IT services” [^4] :

Dans ce document spécifique existe une section qui concerne la consommation électrique des datacenters:

Limites de l’approche {#limites-de-l’approche}

• Une première limite de cette approche tient au fait que ces rapports extra financiers ne sont pas obligatoires hors Europe (et même si ils le sont en Europe, de nombreuses entreprises ne jouent pas le jeu).

• Une deuxième limite est que les entreprises ne remplissent pas systématiquement les champs de la structure proposée. Elles ajoutent souvent une simple référence à un rapport “RSE” qu’il faut alors décrypter attentivement.

• Une troisième limite, plus cachée, est que les données de consommation des datacenters présentes dans les rapports extra financiers publiés par les entreprises excluent (la plupart du temps) les consommations indirectes liées à l’outsourcing de l’hébergement.

Il nous faut donc trouver des exemples de services SAAS dont l’infrastructure n’est pas (ou peu) externalisée OU qui publie (c’est rare) leur consommation indirecte (IAAS, colocation, …)

Cas d’usage du streaming {#cas-d’usage-du-streaming}

Pour traiter le cas d’usage du Streaming, il nous faut la consommation de l’infrastructure (datacenters) nécessaire à une activité SAAS de streaming (hors production des films/séries) et des données d’usage (nombre d’heures, résolution moyenne utilisée, …).

Consommation des datacenters {#consommation-des-datacenters}

Pour la partie consommation nous avons étudié les données extra financières de Netflix.

En 2019, Netflix déclare les consommations suivantes [^5] :

• Direct Electricity (MWh) : 94000

• InDirect Electricity (MWh) : 357000

La consommation “indirecte” inclut les infrastructures externalisées chez AWS et GCP mais aussi les serveurs “Open Connect” installés chez les FAI.

A partir de 2020 seule la “Direct Electricity” est déclarée en étant répartie sur les catégories “Hardware Infrastructure” and “Remaining” (studio de production, workplace etc …). En 2020, la consommation électrique liée à l’infrastructure interne est de 30% du total [^6].

En synthèse, les dernières données complètes sont celles de 2019 :

• 357000 MWh de consommation électrique des datacenters externes

• 30% de 94000 MWh correspondant à la consommation de l’infrastructure interne

soit une consommation totale de l’infrastructure datacenter de 385200 MWh

Données d’usage {#données-d’usage}

Pour les données d’usage, le rapport de 2019 [5] indique 167 millions d’abonnés et l’étude de Carbon Brief [^7] sur le streaming indique des données d’usage complémentaires pour la même année 2019:

• taille moyenne d’une heure de streaming: 1,9 GB

• nombre d’heures / jour / abonné: 2

Ces données nous permettent d’obtenir un ratio de consommation électrique de datacenter par GB “streamé”, soit 3,16Wh/GB

Il est aussi utile d’obtenir un volume de consommation de données par heure de streaming en fonction du type et de la qualité des streaming :

Impacts des datacenters {#impacts-des-datacenters}

L’utilisation des facteurs d’impact par kWh pour les datacenters de type colocation nous permet d’obtenir les impacts suivants pour 1 GB de données streamées:

La déclinaison par typologie de streaming aboutit aux impacts multi-critères des datacenters suivants (avec une hypothèse de mix électrique européen ):

Impact des terminaux {#impact-des-terminaux}

Il est possible d’utiliser deux sources de données ouvertes pour des facteurs d’impacts multicritères sur les terminaux: \

• la Base Empreinte de l’ADEME: Cette base présente des impacts par an sur l’ensemble du cycle de vie. Cependant, pour les éléments issus de l’étude NegaOctet, la phase d’usage n’est pas inclue dans les facteurs d’impacts et il faut les “reconstituer” via la consommation électrique qui est fournie. Cela implique d’avoir les impacts multicritères de la consommation électrique pour les pays que l’on considère. De plus, les impacts fournis sont annualisés. Pour l’utiliser de manière paramétrique il faut intégrer la durée de vie documentée, ce qui donne les impacts suivants sur l’ensemble du cycle de vie (hors usage):
  \

• les impacts documentés dans le rapport ADEME/ARCEP [^2]
  Ceux-ci incluent uniquement la phase de fabrication (par unité). Pour inclure la phase d’usage, il faut considérer les consommations électriques moyennes également documentées dans le rapport. \

Pour des raisons pratiques nous avons utilisé les impacts de fabrication documentés dans le rapport ADEME/ARCEP. \

A noter qu’il existe de légères différences entre ces deux sources même si elles proviennent du même projet, à savoir NegaOctet, mais certainement à des temporalités différentes.

L’allocation des impacts des terminaux se fait sur la durée d’usage du service par rapport à la durée d’usage totale.

Impacts du réseau {#impacts-du-réseau}

La base Empreinte de l’ADEME contient des facteurs d’impact multicritères pour les réseaux fixe et mobile. L’allocation est réalisée en fonction du volume de données transféré.

A noter, qu’une mise à jour sera nécessaire pour prendre en compte les derniers facteurs d’impact issus du rapport 2024 sur les impacts des FAI.

Résultats et validation {#résultats-et-validation}

L’ensemble de ces éléments nous a permis de créer un calculateur paramétrique pour évaluer un service numérique de streaming:

Comparaison avec les évaluations de la base Empreinte de l’ADEME {#comparaison-base-empreinte}

La base Empreinte contient un certain nombre de scénarios de streaming provenant du projet NegaOctet, qui apparaissent comme une bonne base de comparaison. Nous avons injecté les mêmes hypothèses dans notre calculateur pour obtenir les résultats suivants :

Les résultats semblent cohérents. Sur l’indicateur GWP, on constate une faible variation, de 1 à 28 %, sur les 6 scénarios de la base Empreinte.

Cas d’usage des réseaux sociaux {#cas-d’usage-des-réseaux-sociaux}

Pour traiter le cas d’usage des réseaux sociaux, il nous faut la consommation de l’infrastructure (datacenters) nécessaire à une activité SAAS de type “réseau social” et des données d’usage (nombre d’utilisateurs, nombre d’heures, volume de données, …).

Consommation des datacenters {#consommation-des-datacenters}

Pour la partie consommation nous avons étudié les données extra financières de Meta et notamment le “Meta 2023 Sustainability Report” [^16] qui reprend l’ensemble des consommations des datacenters depuis 2017. On retrouve une synthèse de ces données dans le rapport “Measuring the Emissions & Energy Footprint of the ICT Sector” de World bank et ITU [^15].

Données d’usage {#données-d’usage}

Meta ne fournit pas ou peu de données précises sur la nature et le volume des usages effectuées sur l’ensemble de ses médias/réseaux sociaux. On trouve uniquement dans les rapports financiers l’indicateur des “Monthly Active Users” car il est utile pour valider l’efficacité et la valorisation financière des médias sociaux de Meta.

D’autres sources référencées ci dessous nous ont permis de compléter ces données. En voici la synthèse pour l’année 2021, la dernière pour laquelle nous avions une complétude des données:

Impacts des datacenters {#impacts-des-datacenters}

L’utilisation des facteurs d’impact par kWh pour les datacenters de type colocation nous permet d’obtenir les impacts environnementaux multi-critères suivants pour une heure d’usage des réseaux sociaux :

Résultats et validation {#résultats-et-validation}

L’ensemble de ces éléments nous a permis de créer un calculateur paramétrique pour évaluer l’usage d’un service numérique de type réseau social:

Note: pour les parties terminaux et réseau nous avons repris les facteurs d’impacts multi-critères décrits dans le cas d’usage streaming.

Cas d’usage du site web / du téléchargement de fichiers {#cas-d’usage-du-site-web-du-téléchargement-de-fichiers}

Quels sont la consommation électrique et l’impact environnemental (ici focalisé sur le datacenter) de la consultation d’une page d’un site web de contenus (statiques ou quasi-statiques) à forte audience, ou de téléchargements de fichiers sur de tels sites ? Ce sont également des cas d’usages courants auxquels nous avons été confrontés dans nos missions, dans des contextes où nous n’avions accès à aucunes données primaires.

Wikimedia, l’organisation derrière Wkipedia, Wiktionnary et de nombreux autres wikis à fortes audiences, est transparente sur de nombreux métriques et données, permettant d’évaluer la consommation électrique et les impacts environnementaux de datacenters servant essentiellement à servir des pages web ou des médias / fichiers statiques.

Consommation des datacenters {#consommation-des-datacenters}

Dans son rapport “Environmental Sustainability Report 2022”, Wikmedia annonce une consommation électrique de 3697 MWh pour ses datacenters tous gérés en propre chez des acteurs de la colocation (Equinix, CyrusOne, Iron Mountain, Digital Realty, Interxion).

Données d’usage {#données-d’usage}

Wikimedia propose un outil permettant d’accéder à des informations statistiques détaillées pour l’ensemble des wikis gérés par l’organisation : Wikimedia Statistics. A travers cet outil, nous pouvons consulter le nombre de pages vues au cours de l’année 2022 (tous wikis confondus) : 273 milliards.

Malheureusement, nous n’avons pas réussi à identifier de données Wikimedia sur les caractéristiques moyennes de ces pages (notamment poids). Pour caractériser les pages, nous nous sommes tournés vers un outil tiers, HTTPArchive, opéré par Internet Archive une organisation qui archive de façon durable les sites web et les contenus année après années. HTTPArchive fournit notamment le poids moyen des page du top1000 des sites web de 2022, dont fait partie Wikipedia, soit 2034,1 Ko pour les pages Desktop web et 1510,2 Ko pour les pages Mobile web. Wikimedia statistics permet par ailleurs de constater que 52% des accès aux wikis sont générés à travers un mobile.

Ces éléments nous permettent d’estimer le trafic global générés par les 273 milliards de pages consultées, soit 480 millions de Go.

Une règle de 3 nous permet d’évaluer la consommation électrique pour une page vue moyenne (desktop / mobile), ou pour le téléchargement de 1Mo de fichiers :

Impacts des datacenters {#impacts-des-datacenters}

L’utilisation des facteurs d’impact par kWh pour les datacenters de type colocation nous permet d’obtenir les impacts environnementaux multi-critères suivants pour 1 page web vue :

Et pour 1Mo de fichiers téléchargés :

A noter : L’impact du réseau et des terminaux pour le site web / le téléchargement de fichiers n’ont pas été développés dans le cadre de cet article.

Validation et comparaison {#validation-et-comparaison}

Si l’on compare la consommation électrique au Go des datacenters Wikimedia (7,69 Wh/Go) et Netflix (3,16 Wh/Go), on constate que les 2 chiffres sont du même ordre de grandeur, avec une consommation plus importante côté Wikimedia. Ceci peut s’expliquer par les usages qui sont proches, mais ne sont pas pour autant identiques. Servir une page web nécessite de faire appel à de multiples ressources, alors que streamer une vidéo nécessite (a priori) de faire appel à un nombre beaucoup plus limité de ressources (fichiers vidéo + audio + metadonnées), mais sur une durée longue. Par ailleurs, Wikimedia est une organisation à but non lucratif avec des moyens limités (budget 2023 : $180M), alors que Netflix, avec des moyens plus importants (budget 2023 : $33 000M) a les moyens d’optimiser plus fortement son infrastructure.

Potentiel d’amélioration de l’évaluation {#potentiel-d-amelioration}

Wikitech, la branche IT de Wikimedia, a publié de multiples données intéressantes, dont une part significative de l’inventaire IT de ses datacenters. Il serait intéressant de produire des calculs bottom up et de vérifier la cohérence des résultats.

• Détail des machines utilisées pour les CDN : https://wikitech.wikimedia.org/wiki/CDN/Hardware

• Architecure réseau : https://wikitech.wikimedia.org/wiki/Network_design

• Données de consommations électriques par datacenter : https://meta.wikimedia.org/wiki/Wikimedia_servers

• Reporting des data centers providers : https://meta.wikimedia.org/wiki/Sustainability#Wikimedia_Foundation_sustainability_timeline_reports_and_more

Conclusion {#conclusion}

L’usage des services SaaS (Software as a service) se développe fortement. Pourtant, leurs impacts environnementaux sont peu ou mal documentés par les éditeurs. Cet article propose une méthodologie novatrice et simple (pour peu que des données de qualité soient disponibles) pour permettre à un tiers de réaliser une évaluation d’impact environnemental d’un service SaaS \

Elle se base pour les terminaux et le réseau sur les données de la base Empreinte de l’Ademe, ou celles de l’étude Ademe / Arcep “Evaluation de l’impact environnemental du numérique en France et analyse prospective”. Pour les datacenters, elle se base sur des calculs permettant d’identifier les impacts fabrications et usages associés à la consommation d’1 kwh de datacenter de colocation issus de l’étude Ademe / Arcep, et sur des facteurs d’impact des datacenters de colocation en France et à l’étranger issus de l’article d’Hubblo sur l’impact des datacenters importés. Elle tire également partie de données d’usages. \

**En ce qui concerne les datacenters des services SAAS, **l’analyse fine des rapports ESG (Environment, Social and Governance) ou CSR (Corporate Social Responsibility) des éditeurs permettent d’identifier les consommations électriques. Pour les éditeurs qui hébergent eux-mêmes leurs infrastructures (on premise), l’exploitation du facteur d’impact “1 kwh de datacenter de colocation” permet d’évaluer les impacts environnementaux des datacenters.

En ce qui concerne les données d’usage des services SAAS, l’analyse fine des rapports financiers ou des communications marketing permet d’identifier des volumes / données d’usages. Ces éléments, ainsi que l’exploitation de paramètres comme le choix d’un format / codec spécifique (documentés dans la littérature scientifique) permettent d’identifier les impacts terminaux, réseau et datacenter pour un acte utilisateur unique (Unité Fonctionnelle)

Cette méthode nous a permis d’évaluer l’impact environnemental de plusieurs UF associées à plusieurs services SaaS (tier datacenter uniquement pour les 3 derniers cas) :

• Regarder 1 heure de vidéo en streaming / écouter 1 de musique en streaming

• Consommer 1 heure de réseaux sociaux

• Consulter 1 page web / télécharger 1 Mo de données

Cette étude sera complétée prochainement avec d’autres cas d’usage

Les prochaines étapes, à mener avec la communauté

• Challenger la méthodologie / les données sur les cas / UF décrits

• Identifier les autres services SaaS couramment utilisés par les entreprises / particulier, collecter les données nécessaires à leurs évaluations d’impacts environnementaux, produire les évaluations

• Centraliser / structurer les résultats des évaluations pour en permettre un usage le plus large possible

Les limites rencontrées

• Externalisation de l’infrastructure : De plus en plus de fournisseurs de services SAAS n’hébergent pas eux-mêmes leurs infrastructures mais les externalisent chez des acteurs spécialisés (IAAS par exemple). Les données de consommation des datacenters publiées dans les rapports extra-financiers sont alors soit incomplètes, soit absentes.

• Pas de données d’usage disponibles pour les services IAAS et SAAS B2B : Pour des applications SAAS B2B (CRM, BI etc …) ou même pour des services IAAS il est très difficile, voire impossible, d’obtenir des données d’usage globales pour effectuer des allocations pertinentes, contrairement aux cas B2C vus précédemment (par GB pour le streaming ou le stockage en ligne ou par Post pour les réseaux sociaux). Pour les services SAAS ou IAAS B2B la donnée d’usage disponible pour les entreprises est plutôt le prix du service.

Pour répondre à ces limites, un nouvel article publié par Hubblo proposera bientôt une approche permettant d’évaluer les impacts environnementaux des services SaaS / IaaS grâce à des facteurs monétaires spécialisés, issus notamment du concept de REE mentionné en introduction.

Si vous pensez pouvoir nous aider à prolonger ou affiner cette étude d’une quelconque façon, n’hésitez pas à nous contacter : contact@hubblo.org

Bibliographie {#bibliographie}

[^1]: Impacts importés des datacenters : l’angle mort des analyses territoriales des impacts du numérique

[^2]: Evaluation environnementale des équipements et infrastructures numériques en France 2ème volet de l’étude , Janvier 2022 \

[^3]: Sustainability Accounting Standards Board

[^4]: Sustainability Accounting Standards - Software & IT Services

[^5]: Netflix Environmental Social Governance, 2019 Sustainability Accounting Standards Board (SASB) Report

[^6]: Netflix Environmental Social Governance Report 2022

[^7]: Factcheck: What is the carbon footprint of streaming video on Netflix?

[^9]: 2020 Amazon Annual Report

[^10]: 2021 Amazon Annual Report

[^11]: 2022 Amazon Annual Report

[^12]: Amazon’s 2020 Sustainability Report

[^13]: Amazon’s 2021 Sustainability Report

[^14]: Amazon’s 2022 Sustainability Report

[^15]: Measuring the Emissions & Energy Footprint of the ICT Sector

[^16]: Meta 2023 Sustainability Report