Tentative d’évaluation des impacts environnementaux de l’usage des services SAAS & IAAS - Volet 2
Dans le prolongement de notre approche méthodologique pour évaluer les services numériques SAAS nous proposons une approche pour estimer des ratios monétaires “spécialisés” pour les services SAAS et IAAS.
Par Eric Fourboul
Tentative d’évaluation des impacts environnementaux de l’usage des services SAAS & IAAS - Volet 2
Auteur : Eric Fourboul, avec la contribution de Laurent Eskenazi
Sommaire:
- Préambule
- Introduction
- Approche méthodologique
- Les services SAAS avec infrastructure internalisée
- Les Cloud Providers
- Les services de colocation
- Les services SAAS avec infrastructure externalisée
- Etude de cohérence
- Conclusion
- Notes
Préambule {#préambule}
L'évaluation environnementale du numérique est un sujet nouveau et immature. Face à sa complexité, il nous paraît important:
- 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}
Cet article est le prolongement de notre approche méthodologique pour évaluer les services numériques SAAS. Même si notre méthode top-down (à partir des données de consommation des datacenters) permet d’évaluer les impacts des infrastructures de certains services SAAS, elle présente quelques limites:
- De plus en plus de fournisseurs de services SAAS n’hébergent pas eux-mêmes leurs infrastructures mais les externalisent chez des acteurs spécialisés (IAAS).
- L’approche top-down pour des services B2C permet d’effectuer des allocations pertinentes en utilisant des données d’usage relativement disponibles ou estimables. Cela permet d'obtenir des impacts d’infrastructure par GB (pour le streaming ou le stockage en ligne) ou par Post (pour les réseaux sociaux). Pour des applications SAAS B2B (CRM, BI etc …) ou même pour des services IAAS il est très difficile d’obtenir ces données d’usage globales. Dans ces derniers cas, la donnée disponible pour les entreprises est plutôt le prix du service.
L’objet de cet article est donc de proposer une première approche pour estimer des ratios monétaires “spécialisés” pour les services SAAS et IAAS.
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.
Approche méthodologique {#approche-méthodologique}
Nous allons suivre l’approche méthodologique décrite dans le volet 1 de l’article :
- suivre une modélisation classique d’un service numérique basée sur les 3 “tiers”: terminaux, réseaux, datacenters
- trouver les consommations électriques des datacenters dans les rapports extra financiers publiés par les entreprises
- estimer l’impact des datacenters à partir de leur consommation électrique
Cependant, dans ce 2ème volet, par soucis de simplification, nous allons nous focaliser sur la partie infrastructure (datacenter).
Dans le volet 1 nous avons croisé des consommations électriques (des datacenters hébergés) et des données d’usage.
Cela nous a permis d’obtenir des ratios de type kWh/GB (cas d’usage du streaming) ou kWh/post (cas d’usage des réseaux sociaux).
Dans cette nouvelle approche, complémentaire, nous allons croiser des consommations électriques des datacenters et des revenus (chiffres d’affaires). Si l’entreprise fournit plusieurs produits ou services numériques, il faudra obtenir les chiffres d’affaires associés spécifiquement à ces services. De même, si l'infrastructure est commune à plusieurs services numériques fournis par l’entreprise, il faudra allouer la partie dédiée au service évalué.
Pour généraliser l’approche, considérons le “Revenue Energy Efficiency” (REE) comme la consommation d’énergie électrique de l'infrastructure du service numérique nécessaire pour obtenir 1 $ de revenu.
REE (kWh/$) = consommation électrique annuelle de l’infrastructure (kWh) / revenu annuel du service
Comme abordé dans le volet 1 de cette étude, nous avons pu produire des facteurs d’impacts multicritères par kWh de datacenter de colocation (fabrication et usage). La connaissance du REE nous permettra donc d’obtenir des facteurs d’impacts multicritères par dollars (les ratios monétaires recherchés !).
Enfin, pour traiter les cas (nombreux) où l'infrastructure est externalisée il faudra appliquer une approche récursive, c’est à dire intégrer les ratios monétaires des fournisseurs IAAS pour obtenir l’impact des datacenters des services SAAS :
Pour obtenir le REE d’un service SAAS lorsque l’infrastructure est externalisée il faut d’abord évaluer la consommation électrique du IAAS en multipliant le coût du service IAAS par son propre REE, avant d’appliquer la même règle de calcul :
consommation électrique annuelle de l’infrastructure IAAS (kWh) =
coût annuel du IAAS ($) * REE_IAAS (kWh/$)
REE du service SAAS avec infrastructure externalisée (kWh/$) =
consommation électrique annuelle de l’infrastructure IAAS (kWh) / revenu annuel du service SAAS =
cout annuel du IAAS ($) * REE_IAAS (kWh/$) / revenu annuel du service SAAS
Les services SAAS avec infrastructure internalisée {#les-services-saas-avec-infrastructure-internalisée}
La tendance forte à l’externalisation de l’infrastructure (le “Move To Cloud”) accentue la difficulté de trouver des cas d’usage de services SAAS gérant en propre leurs datacenters.
Nous avons cependant identifié deux acteurs dans ce cas, même s' ils utilisent - à minima - certains services Cloud en sus de leur propre infrastructure.
Criteo {#criteo}
Criteo communique régulièrement dans ses rapports RSE les consommations électriques de ses datacenters. Le rapport “CRITEO CSR REPORT 2022” contient une synthèse des 7 dernières années 1:
En reprenant ces consommations et les revenus de Critéo on obtient le ratio REE (Revenue Energy Efficiency) pour ces 7 dernières années:
| 2016 | 2017 | 2018 | 2019 | 2020 | 2021 | 2022 | |
| Consommation électrique des datacenters (MWh) | 21345 | 30363 | 40808 | 62234 | 68512 | 66175 | 59909 |
| Revenue (Md$) | 1.80 | 2.30 | 2.3 | 2.26 | 2.07 | 2.25 | 2.02 |
| REE (kWh/$) | 0.012 | 0.013 | 0.018 | 0.028 | 0.033 | 0.029 | 0.030 |
Salesforce {#salesforce}
Salesforce communique annuellement ses indicateurs environnementaux dans un rapport intitulé Stakeholder Impact Report 2. On y retrouve la consommation électrique et la proportion prise par les datacenters (environ 94%).
En reprenant ces donnée et les revenus de Saleforce on obtient le ratio REE (Revenue Energy Efficiency) pour ces 3 dernières années:
| 2021 | 2022 | 2023 | |
| Consommation électrique des datacenters (MWh) | 686320 | 724740 | 753480 |
| Revenue (Md$) | 21.252 | 26.492 | 31.352 |
| REE (kWh/$) | 0.032 | 0.027 | 0.024 |
Les Cloud Providers {#les-cloud-providers}
L’évaluation top down des impacts d’une infrastructure IAAS devient clef compte tenu de la tendance forte du “move to cloud”. Par transitivité, cette nécessité est également vitale pour étudier l’impact des fournisseurs de services SAAS qui choisissent souvent d’exporter leur infrastructure chez les principaux fournisseurs: AWS, Azure ou GCP.
En effet, dans ce cas, l’information de consommation des datacenters suivant le standard SASB est inutilisable car incomplète puisqu’elle ne concerne que les datacenters “internes” (c’est ce que l’on peut constater par exemple dans les rapports extra financiers de Netflix à partir de 2020).
AWS {#aws}
Les rapports financiers d’Amazon contiennent quelques éléments sur le nombre de m2 de datacenter qu’ils soient la propriété d’Amazon ou bien loués à des acteurs de la colocation 3.
Si on applique le ratio kWh/m2 pour les datacenters de type colocation4, cela nous donne une estimation de la consommation totale attribuable à AWS, que l’on peut comparer aux déclarations de consommation électrique publiées par Amazon dans leurs rapports extra financiers 5.
| 2020 | 2021 | 2022 | |
| f2 Owned | 7465000 | 11960000 | 15446000 |
| f2 Leased | 10599000 | 14142000 | 18034000 |
| Total | 18064000 | 26102000 | 33480000 |
| m2 total | 1678200 | 2424954 | 3110392 |
| Elec. consumption estimation from surface (TWh) | 23 | 33 | 42 |
| Elec. consumption from Amazon ESG Reports | 24 | 31 | ? |
Commentaire:
A ce stade de l’étude il est possible de conclure sur deux points: \
- le ratio kWh/m2 pour un datacenter de type colocation semble pertinent et adapté au cas AWS puisqu’on arrive à des chiffres très proches pour les années 2020 et 2021. \
- les données de consommation des datacenters semblent de plus en plus difficiles à obtenir. Elles étaient explicites dans les rapports 2020 et 2021 (en respectant le standard SASB) et absentes en 2022 (ou difficilement accessibles via des références à d’autres documents). Cela rend précieux la possibilité de retrouver les consommations via les surfaces de datacenter qui sont des données présentes dans les rapports financiers.
Dans l’ensemble de ces rapports financiers, Amazon identifie AWS comme un segment marché (en plus des zones géographiques US et International) mais sous entend que ce segment porte l’ensemble de l’infrastructure (y compris celle utilisée par le service de e-commerce par exemple).
Il est donc indispensable de trouver un facteur d'allocation pour ne prendre en compte que la consommation dédiée à l’activité IAAS (et PAAS ?) d’Amazon.
On retrouve cette même démarche dans un rapport récent coproduit par l’ITU et la World Bank 6. Ils se basent sur les revenus liés au “cloud computing”.
En reprenant les consommations et les revenus dédiés à l’activité d’AWS on obtient le ratio REE (Revenue Energy Efficiency): consommation électrique par $ de revenu.
| 2020 | 2021 | 2022 | |
| Elec.consumption for AWS (TWh) | 12 | 15,4 | 17,7 |
| AWS revenue (Md $) | 45,37 | 62,20 | 80,09 |
| REE (kWh/$) | 0,26 | 0,25 | 0,22 |
A noter que le rapport ITU/World Bank 7 utilise la même logique pour Google et Microsoft.
Ce ratio nous permet d’obtenir des facteurs d’impacts en fonction du budget associé aux instances cloud d’AWS (sur la base de l’année 2022):
| Impact AWS / $ | ADPe (kg SB eq.) | ADPf (MJ) | AP (mol H+ eq.) | CTUe (CTUe) | GWP (kg CO2 eq.) | IR (kg U235 eq.) | PM (Disease occurrence) | POCP (kg NMVOC eq.) | MIPS (kg) |
| Europe | 8,01E-07 | 2,71E+00 | 7,50E-04 | 1,71E+00 | 1,33E-01 | 1,36E-01 | 5,09E-09 | 2,85E-04 | 3,51E-01 |
| France | 8,01E-07 | 3,24E+00 | 3,19E-04 | 8,41E-01 | 5,74E-02 | 3,83E-01 | 4,41E-09 | 1,32E-04 | 1,98E-01 |
Google Cloud Platform {#google-cloud-platform}
Dans le cas de Google (Alphabet), le rapport ITU/World Bank fournit une évaluation de la consommation électrique spécifique à l’activité “Cloud Computing” de Google:
| 2020 | 2021 | 2022 | |
| Elec.consumption for GC (TWh) | 3,3 | 4,7 | 6 |
| GC revenue (Md $) | 13,1 | 19,1 | 26,2 |
| REE (kWh/$) | 0,25 | 0,25 | 0,23 |
Ce ratio nous permet d’obtenir des facteurs d’impacts en fonction du budget associé aux instances cloud de GCP (sur la base de l’année 2022):
| Impact Google Cloud / $ | ADPe (kg SB eq.) | ADPf (MJ) | AP (mol H+ eq.) | CTUe (CTUe) | GWP (kg CO2 eq.) | IR (kg U235 eq.) | PM (Disease occurrence) | POCP (kg NMVOC eq.) | MIPS (kg) |
| Europe | 8,37E-07 | 2,84E+00 | 7,84E-04 | 1,79E+00 | 1,39E-01 | 1,42E-01 | 5,32E-09 | 2,98E-04 | 3,67E-01 |
| France | 8,37E-07 | 3,39E+00 | 3,34E-04 | 8,80E-01 | 6,00E-02 | 4,00E-01 | 4,61E-09 | 1,38E-04 | 2,07E-01 |
Azure {#azure}
Dans le cas de Microsoft, le même rapport ITU/World Bank fournit une évaluation de la consommation électrique spécifique à l’activité Azure de Microsoft:
| 2020 | 2021 | 2022 | |
| Elec.consumption for Azure (TWh) | 10,8 | 13,6 | 18,2 |
| Azure revenue (Md $) | 47,8 | 60 | 74,7 |
| REE (kWh/$) | 0,23 | 0,23 | 0,24 |
Ce ratio nous permet d’obtenir des facteurs d’impacts en fonction du budget associé aux instances cloud d’Azure (sur la base de l’année 2022):
| Impact Azure / $ | ADPe (kg SB eq.) | ADPf (MJ) | AP (mol H+ eq.) | CTUe (CTUe) | GWP (kg CO2 eq.) | IR (kg U235 eq.) | PM (Disease occurrence) | POCP (kg NMVOC eq.) | MIPS (kg) |
| Europe | 8,73E-07 | 2,96E+00 | 8,18E-04 | 1,87E+00 | 1,45E-01 | 1,48E-01 | 5,55E-09 | 3,11E-04 | 3,83E-01 |
| France | 8,74E-07 | 3,54E+00 | 3,48E-04 | 9,18E-01 | 6,26E-02 | 4,17E-01 | 4,81E-09 | 1,44E-04 | 2,16E-01 |
Synthèse des clouds providers {#synthèse-des-clouds-providers}
Il est intéressant de constater la très grande convergence des REE des trois principaux fournisseurs IAAS:
| Cloud Provider | Moyenne du REE (kWh/$) entre 2020 et 2022 |
| AWS | 0,244 |
| Azure | 0,232 |
| Google Cloud | 0,242 |
Les services de colocation {#les-services-de-colocation}
Les autres options alternatives aux fournisseurs de IAAS sont les services de colocation.
Le service de colocation permet de louer de l'espace pour vos serveurs et autres matériels informatiques dans les installations du centre de données d'un fournisseur tiers. En règle générale, les services de colocation incluent le bâtiment dans lequel tout est hébergé, ainsi que les composants de réseau, de sécurité, d'alimentation et de refroidissement. La fourniture de serveurs, de services de monitoring, de backups peuvent parfois être des options.
On distingue souvent:
des colocations de type wholesale : C’est un service d'hébergement dans lequel un fournisseur loue des parties importantes de son infrastructure à un seul client colocataire. Dans certains cas extrêmes, les clients wholesale occupent l'ensemble de l'installation. Les clients des services de colocation wholesale signent généralement des contrats à long terme (3 à 5 ans en moyenne) qui comprennent deux coûts:
- Un loyer mensuel fixe pour l'espace d'hébergement.
- Une facture mensuelle variable pour l'énergie consommée.
des colocations de type retail : La colocation de type retail est un service d'hébergement dans lequel un client loue de plus petites parties d'un centre de données (un rack, un espace à l'intérieur d'un rack ou une zone en cage). Les fournisseurs de service retail proposent des services groupés à un tarif mensuel forfaitaire basé sur les facteurs suivants :
- Taille du déploiement.
- Paramètres liés à l'alimentation(densité des racks, circuits d'alimentation, puissance utilisable).
- Exigences en matière de refroidissement.
- Exigences en matière de connectivité.
- Services managés supplémentaires.
Certains acteurs de la colocation sont spécialisés wholesale ou retail et d’autres se positionnent sur les 2 segments de marché.
Dans le cadre de cette étude nous avons étudié des entreprises considérés comme majoritairement sur le marché du wholesale:
- GDS
- CyrusOne
- Digital Realty
et d’autres considérés comme majoritairement sur le marché du retail:
- CoreSite
- Equinix
- VNET
Pour l’ensemble de ces entreprises nous avons étudié leurs rapports financiers et extra financiers pour obtenir le tableau suivant:
| REE (kWh/$) | 2020 | 2021 | 2022 |
| CoreSite | 1,17 | ||
| Equinix | 1,07 | 1,07 | 1,07 |
| Digital Realty | 2,13 | 2,10 | 2,20 |
| GDS | 3,37 | 3,47 | 3,39 |
| CyrusOne | 2,71 | 2,65 |
Si on effectue une moyenne par “type” de service de colocation pour les années de 2020 à 2002 on obtient:
| REE (kWh/$) | |
| Wholesale | 2,74 |
| Retail | 1,06 |
Ces ratios REE nous permettent d’obtenir des facteurs d’impacts en fonction du budget associé aux services de colocation (sur la base des années 2020 à 2022):
| Wholesale Impacts / $ | ADPe (kg SB eq.) | ADPf (MJ) | AP (mol H+ eq.) | CTUe (CTUe) | GWP (kg CO2 eq.) | IR (kg U235 eq.) | PM (Disease occurrence) | POCP (kg NMVOC eq.) | MIPS (kg) |
| Europe | 9,97E-06 | 3,38E+01 | 9,33E-03 | 2,13E+01 | 1,65E+00 | 1,69E+00 | 6,34E-08 | 3,55E-03 | 4,38E+00 |
| France | 9,98E-06 | 4,04E+01 | 3,98E-03 | 1,05E+01 | 7,15E-01 | 4,77E+00 | 5,49E-08 | 1,65E-03 | 2,46E+00 |
| Retail Impacts / $ | ADPe (kg SB eq.) | ADPf (MJ) | AP (mol H+ eq.) | CTUe (CTUe) | GWP (kg CO2 eq.) | IR (kg U235 eq.) | PM (Disease occurrence) | POCP (kg NMVOC eq.) | MIPS (kg) |
| Europe | 3,86E-06 | 1,31E+01 | 3,61E-03 | 8,25E+00 | 6,40E-01 | 6,54E-01 | 2,45E-08 | 1,37E-03 | 1,69E+00 |
| France | 3,86E-06 | 1,56E+01 | 1,54E-03 | 4,05E+00 | 2,77E-01 | 1,84E+00 | 2,12E-08 | 6,37E-04 | 9,53E-01 |
Les services SAAS avec infrastructure externalisée {#les-services-saas-avec-infrastructure-externalisée}
Etude de cohérence {#etude-de-cohérence}
Autres acteurs du numérique {#autres-acteurs-du-numérique}
Nous avons continué l’exercice de calcul du REE avec d’autres acteurs du numérique, dont certains opérateurs télécom opérant eux même leurs infrastructures (Orange, Vodafone, Deutsche Telekom).
Le résultat montre une certaine cohérence entre acteurs du même type comme le montre la représentation graphique ci dessous (échelle logarithmique): \
Conclusion {#conclusion}
L’usage des services SaaS (Software As A Service) et IAAS (Infrastructure As A Service) se développe fortement. Pourtant, leurs impacts environnementaux sont peu ou mal documentés par les éditeurs. Cet article - en complément du Volet 1 dédié aux services SAAS opérant leur propre infrastructure - 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’une infrastructure IAAS ou d’un service SaaS dont l’infrastructure est externalisée. \
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 financières des entreprises pour obtenir des ratios monétaires. \
Le volet 1 de notre étude nous avait permis d’évaluer l’impact environnemental de plusieurs services SaaS (streaming, réseau social, moteur de recherche, navigation web, etc …) tout en rencontrant deux limites principales:
- L’externalisation de l’infrastructure: les données de consommation des datacenters publiées dans les rapports extra-financiers sont alors soit incomplètes, soit absentes.
- L’absence de données d’usage disponibles pour les services IAAS et SAAS B2B.
Ce deuxième volet adresse ces limites en proposant d’utiliser les données financières pour obtenir des ratios de consommation électrique des infrastructures (principalement datacenters) par dollar de revenu.
En proposant le concept de Revenue Energy Efficiency (REE) notre méthode permet d’évaluer l’impact des fournisseurs IAAS et aussi de l'utiliser de manière récursive pour l’appliquer aux services SAAS qui utilisent du IAAS.
Enfin, nous avons comparé les ratios REE par catégorie de service pour constater une forte cohérence et donc la pertinence de l’usage de ratios monétaires spécialisés.
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
Notes {#notes}
https://filecache.investorroom.com/mr5ir_criteo/1921/CRITEO_CSR%20REPORT_2022_FINAL.pdf ↩︎
https://www.salesforce.com/content/dam/web/en_us/www/documents/white-papers/salesforce-fy24-stakeholder-impact-report.pdf ↩︎
https://s2.q4cdn.com/299287126/files/doc_financials/2021/ar/Amazon-2020-Annual-Report.pdf, https://s2.q4cdn.com/299287126/files/doc_financials/2022/ar/Amazon-2021-Annual-Report.pdf, https://s2.q4cdn.com/299287126/files/doc_financials/2023/ar/Amazon-2022-Annual-Report.pdf ↩︎
https://sustainability.aboutamazon.com/amazon-sustainability-2020-report.pdf, https://sustainability.aboutamazon.com/2021-sustainability-report.pdf, https://sustainability.aboutamazon.com/2022-sustainability-report.pdf ↩︎
https://documents1.worldbank.org/curated/en/099121223165540890/pdf/P17859702a98880540a4b70d57876048abb.pdf ↩︎
https://documents1.worldbank.org/curated/en/099121223165540890/pdf/P17859702a98880540a4b70d57876048abb.pdf ↩︎