首页/进阶方法/篇章

LCA中的不确定性分析

34 分钟阅读
概念流程

说明LCA不确定性的主要来源、常见类型、传播方式，以及如何通过数据质量和敏感性分析改进结果。

每一个LCA结果都带有不确定性。数据可能不完整，模型可能过度简化现实，未来情景的展开方式可能与假设不同。理解和传达这种不确定性对于负责任的LCA实践至关重要。

为什么不确定性很重要

考虑两个产品的比较：

  • 产品A：GWP = 45 kg CO₂ eq
  • 产品B：GWP = 50 kg CO₂ eq

产品A真的更好吗？这取决于两个数值的不确定性。如果不确定性范围重叠显著，表面上的10%差异可能并不具有实际意义。

报告没有不确定性信息的单点LCA结果，可能会误导决策者相信差异显著，而实际上这些差异可能只是在分析噪声范围之内。

不确定性的类型

参数不确定性

输入数据值的不确定性——LCA中最常见的类型：

  • 材料数量可能是估算值而非实测值
  • 能耗在不同生产批次之间存在波动
  • 排放因子来自文献，具有固有变异性
  • 数据库数值代表跨设施/区域的平均值

示例：你估算每件产品的用电量为2.5 kWh。实际值可能在2.0-3.0 kWh范围内波动，具体取决于效率差异。

模型不确定性

系统表示方式的不确定性：

  • 简化的工艺流程可能忽略了次要投入
  • 线性缩放可能无法反映实际工艺行为
  • 系统边界排除了某些过程
  • 多产品之间的分配选择

示例：你的模型假设排放随产量线性缩放，但实际情况可能涉及规模经济效应。

情景不确定性

关于未来条件或替代情景的不确定性：

  • 产品寿命假设
  • 生命末期路径
  • 背景系统演变（如电网）
  • 用户行为差异

示例：你假设产品寿命为10年，但实际使用年限可能在5-15年之间。

特征化因子不确定性

LCIA转换因子的不确定性：

  • 环境归宿模型的科学不确定性
  • 影响路径的空间变异性
  • 时间假设（如100年GWP时间范围的选择）

量化参数不确定性

概率分布

将不确定参数表示为概率分布而非单点数值：

分布适用场景参数
正态分布围绕均值的对称变化均值、标准差
对数正态分布正偏态的正值几何均值、几何标准差
三角分布已知最小值、最大值和最可能值最小值、众数、最大值
均匀分布仅知边界范围最小值、最大值

对数正态分布在LCA中最常用，因为：

  • 许多量严格为正
  • 变化通常与量级成比例
  • 测量中的乘法误差较为常见

谱系矩阵

谱系矩阵从多个维度系统评估数据质量：

指标1（最佳）2345（最差）
可靠性经过验证的数据未经验证的数据有依据的估算无依据的估算未知
完整性所有场地>50%场地<50%场地单个场地理论值
时间相关性<3年<6年<10年<15年>15年
地理相关性同一区域同一地区相似地区不同地区未知
技术相关性相同技术相似技术相关技术较旧技术未知

每个评分对应一个不确定性因子。组合后的因子决定了参数的整体不确定性。

谱系评估示例：

维度评分理由
可靠性2数据来自供应商，未经独立验证
完整性2数据来自5条生产线中的3条
时间相关性1本年收集
地理相关性1同一生产设施
技术相关性1相同的工艺配置

相关性考量

参数之间可能存在相关性：

  • 如果用电量增加，冷却水用量也可能增加
  • 材料效率同时影响输入质量和废物输出
  • 区域数据共享共同的基础设施

忽略相关性可能低估或高估总不确定性。

开展数据质量评估（DQA）

数据质量评估（DQA）是对LCA中所用数据质量进行的系统评估。虽然蒙特卡洛模拟（下文介绍）提供了统计不确定性传播方法，但DQA通常是大多数研究的实用选择，因为：

  • 大多数LCA标准和产品类别规则（PCR）要求或推荐使用
  • 不需要专门的软件或统计专业知识
  • 可以使用你可能已经具备的谱系矩阵方法完成
  • 结果更容易向非技术利益相关方解释
  • 有助于确定数据改进工作的重点方向

许多从业者将DQA作为主要的不确定性处理方法，仅在高风险的比较研究或特定要求下才使用蒙特卡洛方法。良好的DQA记录能够满足ISO 14044对数据质量评估的要求。

DQA分步流程

第一步：确定关键数据点

将DQA聚焦在最重要的数据上。使用贡献分析来确定：

  • 对任何影响类别贡献>5%的过程
  • 前景数据（你的原始数据）与背景数据（数据库值）
  • 你必须做出假设或使用替代数据的数据点

不需要评估每个参数——根据其对结果的影响程度确定优先级。

第二步：使用谱系矩阵对每个数据点评分

对每个关键数据点，在所有五个谱系维度上评分（1-5）：

指标1（最佳）2345（最差）
可靠性经验证的测量值经验证的估算值未经验证的数据有依据的估算无依据的估算
完整性所有相关场地/时段>50%的场地<50%的场地仅单个场地理论值/化学计量值
时间相关性<3年3-6年6-10年10-15年>15年或未知
地理相关性同一区域包含该场地的更大区域相似区域略微相似区域未知或差异很大
技术相关性相同工艺包含在内的工艺相似工艺相关工艺未知或差异很大

第三步：记录评分理由

对每个评分，简要记录你给出该数值的理由。这对于以下方面至关重要：

  • 可重复性和透明度
  • 第三方评审
  • 识别改进机会

DQA文档示例：

参数值来源可靠性完整性时间地理技术备注
电力（装配）2.5 kWh/件电表数据，2024年12111经核实的电表，5条线中的3条
钢材（外壳）0.8 kg/件BOM + 采购记录21121BOM经核实，供应商在区域内
运输（入厂）450 km估算平均值33222供应商混合，估算值
PCB制造ecoinvent 3.9数据库22232亚洲通用数据

第四步：计算数据质量指标

将评分汇总为概括性指标。常用方法：

简单平均（最常用）：

DQR = (可靠性 + 完整性 + 时间 + 地理 + 技术) / 5

加权平均（当某些维度更为重要时）：

DQR = (w₁×可靠性 + w₂×完整性 + w₃×时间 + w₄×地理 + w₅×技术) / Σw

PEF研究使用特定的权重：可靠性（3）、完整性（2）、时间相关性（2）、地理相关性（2）、技术相关性（2）。

第五步：解释和报告结果

创建一个按生命周期阶段或过程划分的数据质量汇总表：

生命周期阶段平均DQR原始数据占比主要差距
原材料2.820%上游供应商数据
制造1.685%原始数据良好
分销3.240%距离估算值
使用阶段2.460%能源假设
生命末期3.510%通用EoL情景

结果解读指南：

  • DQR 1.0–2.0：高质量数据，对结果信心充足
  • DQR 2.0–3.0：可接受的质量，适度信心
  • DQR 3.0–4.0：质量较低，应谨慎解读结果
  • DQR >4.0：质量差，仅作为筛选级参考

利用DQA指导改进

DQA不仅仅是文档——它是改进研究的路线图：

  1. 数据收集优先级：聚焦于贡献大但DQR评分低的过程
  2. 论证范围决策：低贡献过程中的低质量数据可能佐证排除的合理性
  3. 支持敏感性分析：测试不确定性评分高的参数
  4. 设定改进目标：对贡献>10%的过程，力争达到DQR <3.0

比较产品时，确保各替代方案之间的数据质量具有可比性。如果产品A使用DQR 1.5的数据而产品B使用DQR 3.5的数据，这种比较本身就不公平，应当标记出来。

DQA与蒙特卡洛：何时使用哪种方法

考量因素DQA蒙特卡洛
所需专业知识基础统计知识
软件需求电子表格具备MC功能的LCA软件
时间投入中等较高
输出类型质量评分、定性结果概率分布、置信区间
最佳适用场景大多数研究、EPD、筛选比较性声明、高风险决策
满足ISO 14044是是

使用DQA的场景：

  • 进行产品碳足迹或EPD研究
  • 时间/预算有限
  • 受众偏好定性评估
  • 你的工具不支持蒙特卡洛

增加蒙特卡洛的场景：

  • 做出公开的比较性声明
  • 替代方案之间的差异较小，需要统计验证
  • 客户或标准明确要求
  • 决策需要置信区间

数据质量标准与项目执行（GB/T 24067 视角）

以下内容来自原 advanced/uncertainty.md，补充 GB/T 24067 与 PAS 2050 在数据质量评估与项目执行中的具体规则。

数据质量的九个维度（GB/T 24067）

GB/T 24067 §6.3.6 规定了评价数据质量的九个维度，这是项目执行中最实用的质量标准框架：

维度含义评估示例
时间覆盖范围数据的年份和最小时间长度”电力数据为 2023 年全年均值”
地理覆盖范围数据所代表的地理位置”中国华东区域电网因子”
技术覆盖范围具体的技术或技术组合”电弧炉工艺，废钢比例 85%“
精度每个数据值的可变性度量”电力计量精度 ±2%“
完整性测量或估算的流占全部流的比例”覆盖了 95% 的原材料质量”
代表性数据反映实际关注群体的程度”供应商数据覆盖该材料采购量的 80%“
一致性方法在分析各组成部分中是否统一”全过程均使用 IPCC AR5 GWP100”
再现性独立专业人员能否重现研究结果”数据收集表和方法文档完整保留”
数据来源数据的原始来源”供应商填报 / 现场实测 / 数据库引用”

数据优先级规则

GB/T 24067 §6.3.6 明确了数据使用的优先级：

  1. 现场初级数据优先：对于贡献不低于 80% 的主要单元过程，应使用现场数据（直接测量、化学计量或类似方法确定的活动数据和排放因子）。
  2. 第三方评审的初级数据：当现场数据不可行时，可使用经第三方评审的非现场初级数据。
  3. 次级数据：仅在初级数据不可行时，或对于重要性较低的过程，才使用次级数据。

纳入研究的单元过程：对于贡献不低于 80% 的主要单元过程，应使用现场数据。

取舍准则

GB/T 24067 §6.3.5.3 规定了取舍的量化规则：

  • 可舍弃对产品碳足迹影响小于 1% 的环节。
  • 但所有被舍弃环节的总影响不应超过产品碳足迹总量的 5%。

正式项目需要对过程贡献进行排序后再决定哪些可以排除，不能随意操作。如果某材料用量很小但排放强度极高（如贵金属、特种化学品），即使质量小于 1% 也应保留。

不确定性的两个来源（PAS 2050 指南）

  1. 参数不确定性：活动数据和排放因子的数值不精确。例如：

    • 电力消耗计量 ±2%
    • 某材料的排放因子在 2.0–3.5 kg CO₂e/kg 之间

  2. 模型不确定性：系统边界、分配规则、功能单位定义等模型选择引入的变差。例如：

    • 经济分配 vs 物理分配下的不同结果
    • 不同电网因子选择下的电力排放差异
    • 使用阶段的不同假设情景

数据质量评分矩阵（PAS 2050 示例）

PAS 2050 使用指南的 Annex F 提供了一个实用评分工具，可对每个数据点的时间和地理代表性、技术代表性和数据来源进行评分（1–5 分），用于在研究中横向对比各数据点的可靠性。

以橙汁巴氏杀菌环节为例：

数据指标评分说明
时间代表性4使用当前年份生产数据
地理代表性5位于橙子产区，数据代表该国
技术代表性4标准巴氏杀菌工艺
数据来源3次级数据库（ecoinvent），非现场实测

整体数据质量通过各维度的最低分或加权平均判定。得分低的数据点应在敏感性分析中重点测试。

项目执行中的关键判断

  • 数据质量评估应在数据收集前启动 — 在数据收集计划阶段定义质量标准，在收集过程中记录实际质量。
  • 优先保证热点的数据质量 — 贡献 80% 的过程用初级数据，贡献 5% 的过程用次级数据可以接受。
  • 不确定性不能作为不报告的借口 — 正式报告应说明”我们知道了什么、还不知道什么、不知道的部分对结论的影响有多大”。
  • 敏感性分析覆盖范围：至少包括电力因子、分配规则和一个关键材料的数据来源。

常见错误

  • 全部使用数据库默认值而不说明数据来源和适用性。
  • 不评估数据质量，只在报告末尾写一句”本研究数据质量良好”。
  • 敏感性分析只测试一个参数，忽略了参数之间的交互影响（如同时改变电网因子和材料数据库）。
  • 用”数据不可得”为理由排除重要过程，而不尝试获取或估算。

不确定性传播：蒙特卡洛模拟

蒙特卡洛模拟将参数不确定性通过LCA模型传播，以估算结果的不确定性。

蒙特卡洛的工作原理

  1. 为不确定参数定义分布
  2. 从每个分布中随机抽样
  3. 用抽样值计算LCA结果
  4. 重复多次（1,000-10,000次迭代）
  5. 分析结果的分布

蒙特卡洛过程

对于迭代 1 到 N：
    从 Lognormal(2.5, 1.2) 抽样用电量
    从 Triangular(400, 500, 800) 抽样运输距离
    从 Lognormal(0.42, 1.3) 抽样排放因子
    ...
    用抽样值计算GWP
    存储结果
    
分析存储结果的分布
报告：均值、中位数、第5百分位数、第95百分位数

解读蒙特卡洛结果

结果通常包括：

统计量含义
均值所有模拟结果的平均值
中位数第50百分位数（中间值）
标准差结果的离散程度
变异系数标准差/均值（相对离散度）
置信区间包含指定概率的范围（如95%）

对于偏态分布，中位数通常比均值更具代表性。

比较概率

在产品比较中，蒙特卡洛揭示了一个选项优于另一个选项的概率：

在10,000次模拟中，有7,500次产品A的GWP低于产品B。
→ 产品A更好的概率为75%

这比比较点估计值提供了更多信息。

比较产品时，在每次迭代中计算差值，然后分析差值的分布。这样可以正确考虑相关不确定性。

敏感性分析

蒙特卡洛量化总不确定性，而敏感性分析则识别哪些参数最为重要。

局部敏感性分析

每次变动一个参数，同时保持其他参数不变：

  1. 使用默认值进行基准计算
  2. 变动一个参数（如±10%、±20%）
  3. 记录结果的变化
  4. 对每个参数重复

敏感度比率 = （结果变化百分比）/（参数变化百分比）

敏感度比率高的参数需要仔细收集数据。

方差贡献

从蒙特卡洛结果中分解总方差：

总方差 = Var(电力) + Var(运输) + Var(材料) + ...

对方差贡献最大的参数应优先进行数据改进。

龙卷风图

跨参数可视化敏感性：

                                    基准线
参数A     |------------|======|============|
参数B         |---------|======|--------|
参数C           |-------|======|-----|
参数D              |----|======|---|
                    -30%      0%    +30%

最宽的条形代表最敏感的参数。

情景分析

对于情景不确定性，定义并分析离散的替代方案：

情景描述概率
基准情景预期条件50%
乐观情景最佳情况假设25%
悲观情景最差情况假设25%

计算每个情景的结果并报告范围。

常见的情景维度

  • 能源结构：当前电网 vs. 未来可再生能源 vs. 化石能源密集型
  • 生命末期：填埋 vs. 回收 vs. 焚烧
  • 运输：平均距离 vs. 本地 vs. 国际运输
  • 寿命：预期寿命 vs. 短期 vs. 延长使用

不确定性传达

良好实践

应当：

  • 报告置信区间，而不仅仅是点估计值
  • 展示敏感性分析结果
  • 承认数据质量的局限性
  • 在比较中使用概率表述
  • 将不确定性范围可视化

不应：

  • 报告过多的小数位数（暗示虚假的精度）
  • 在不确定性高时做出强结论
  • 隐瞒不利的不确定性发现
  • 忽略模型和情景不确定性

可视化选项

误差条：在柱状图上显示置信区间

箱线图：展示分布特征

概率密度函数：展示完整的分布形状

热力图：展示跨类别超越性能的概率

叙述性表达

不要说：“产品A的GWP为45.2 kg CO₂ eq”

应该写：“产品A的估算GWP为45 kg CO₂ eq（95%置信区间：38-54 kg CO₂ eq）”

或者：“基于10,000次迭代的蒙特卡洛分析，产品A的气候影响低于产品B的概率约为75%。“

软件实现

openLCA

  1. 为流添加不确定性：右键点击数量 → 定义不确定性
  2. 运行蒙特卡洛：计算 → 蒙特卡洛模拟
  3. 设置迭代次数并查看分布结果

SimaPro

  1. 在工艺记录中定义不确定性
  2. 使用内置的蒙特卡洛分析
  3. 访问方差贡献分析

Brightway

Python脚本支持高级不确定性分析：

from brightway2 import *
# 使用stats_arrays定义分布
# 使用MonteCarloLCA类运行蒙特卡洛
# 使用numpy/scipy分析结果

关键要点

  1. 所有LCA结果都带有不确定性——承认并量化它
  2. 参数不确定性最为常见；使用谱系矩阵进行评估
  3. 蒙特卡洛模拟将不确定性通过模型传播
  4. 敏感性分析识别哪些参数最为重要
  5. 使用置信区间报告结果，避免虚假精度
  6. 对于比较，概率表述比点估计值更有意义

练习

你正在比较两种包装方案。运行蒙特卡洛分析（500次迭代），变动以下参数：

  • 材料数量（±15%）
  • 运输距离（±30%）
  • 生命末期情景（50%回收 vs. 30%回收）

问题：

  1. 每种方案GWP的95%置信区间是多少？
  2. 方案A优于方案B的概率是多少？
  3. 哪个参数对方差贡献最大？

下一步

下一篇将提供蒙特卡洛模拟的详细教程，包括设置分布、运行模拟和解读结果的实用指导。

延伸阅读

  • Heijungs, R., & Huijbregts, M.A.J. (2004). A Review of Approaches to Treat Uncertainty in LCA. iEMSs 2004 International Congress.
  • Weidema, B.P., et al. (2013). Overview and Methodology: Data Quality Guideline for the ecoinvent Database Version 3. ecoinvent Report.
  • Groen, E.A., et al. (2014). Methods for Uncertainty Propagation in Life Cycle Assessment. Environmental Modelling & Software.

LCSA 数据收集与质量评估

本章节内容系统阐述 LCSA 三大技术（LCA、LCC、S-LCA）的数据收集方法、数据质量评估体系及 DQR 公式，并以有机棉帽衫案例演示实际操作流程。

LCSA 数据的特殊性

LCSA 整合了环境 LCA、社会 S-LCA 和生命周期成本核算 LCC 三种技术，每种技术使用的数据类型和指标各不相同：

技术数据流类型指标示例
LCA基本流（elementary flows）：排放到空气、水、土壤，以及自然资源消耗气候变化、非生物资源耗竭、富营养化
LCC成本与收入：与产品和废物流相关的直接成本，以及保险、营销等间接成本净现值（NPV）、生命周期成本
S-LCA社会流（social flows）：可以是定性、定量或半定量数据童工风险、公平工资、工会密度、腐败

关键差异：S-LCA 使用定性和半定量数据，这对传统 LCA 计算方式构成挑战。定量结果在 S-LCA 中通常不如识别供应链中的社会热点重要——目标是找到缓解方式或标记需要高度关注的供应商。

初级数据与次级数据

在 LCSA 中，数据可分为两大类：

初级数据（Primary Data）

定义（欧盟委员会，2021）：在特定设施或设施组直接测量或收集的数据，代表该设施的活动。初级数据是现场、公司或供应链特定的，通常优先用于前景系统。

常见形式：

  • 直接测量数据（排放、电力消耗、固废和废水）
  • 观察、访谈、调查、审计
  • 供应商提供的发票（评估原材料数量和价格）
  • 供应商已有的 LCA 或 EPD 报告

注意：现场特定数据也可能以次级数据的形式出现，例如从第三方审计或 EPD 中获得的数据。

次级数据（Secondary Data）

定义：由他人/机构最初收集和处理的，或为其他目的收集的数据（Benoît-Norris et al., 2020）。

主要来源：

来源类型示例适用场景
通用 LCA 数据库ecoinvent、ELCD、Agribalyse、Idemat背景过程建模
S-LCA 数据库PSILCA、SHDB社会热点筛选和背景过程
投入产出数据库EORA、EXIOBASE基于经济数据建模交换
国际组织统计ILOSTAT、World Bank、OECD、UNS-LCA 指标和 LCC 数据
零售商网站Amazon、Alibaba、Indiamart评估投入品市场价格
已发表的 LCA 研究科学文献中的完整 LCI 或结果补充或交叉验证数据

数据质量指标（Data Quality Indicators）

在流（flow）层面，通常评估五个指标：

指标含义
可靠性（Reliability）数据生成方法和验证/校验方式；反映数据来源的可靠程度
时间相关性（Temporal Correlation）数据年龄；数据代表的时间范围与研究对象时间的匹配度
地理相关性（Geographical Correlation）数据地理位置与目标位置的匹配度；分辨率级别（全球、洲、国家、区域）
技术相关性（Technological Correlation）特定技术或技术组合的代表性；评估工艺设计、运行条件、材料质量和规模
完整性（Completeness）也称”代表性”——数据生成的过程在多大程度上代表目标市场（时间周期、地点、市场覆盖）

更新版数据质量谱系矩阵（过程层面）

EPA（2016）的 Updated Data Quality Pedigree Matrix 还定义了过程层面的两个指标：

指标1（最佳）2345（默认）
过程评审至少两类第三方评审员记录评审至少两类评审员记录评审，其中一方为第三方一名第三方评审员记录评审内部评审员记录评审无记录评审
过程完整性>80% 的已确定流已评估并赋值60–79% 已评估40–59% 已评估<40% 已评估过程完整性未评分

Environmental Footprint DQR 公式

欧盟 Environmental Footprint（2021）使用 DQR 公式评估数据集的整体质量：

DQR = (技术代表性 + 地理代表性 + 时间代表性 + 精度) / 4

基于 DQR 值的数据质量等级：

整体 DQR数据质量等级
DQR ≤ 1.5优秀（Excellent）
1.5 < DQR ≤ 2.0非常好（Very Good）
2.0 < DQR ≤ 3.0良好（Good）
3.0 < DQR ≤ 4.0一般（Fair）
DQR > 4.0差（Poor）

对比：前文的通用 DQR 公式为 (可靠性 + 完整性 + 时间 + 地理 + 技术) / 5，而 EF 使用四维公式（技术 + 地理 + 时间 + 精度）。不同标准和数据库使用不同的 DQS，选择时应与研究的目标与范围对齐。

实践案例：有机棉帽衫

案例研究以一件有机棉 2XL 帽衫（750g，使用1年）为功能单位，展示 LCSA 数据收集与质量评估的完整流程：

数据来源示例：

数据类型来源关键数据质量考量
环境数据ecoinvent 3.8 cut-off时间相关性基于过程参考年份更新；地理覆盖是印度（而非具体地区），降低了地理评分
社会数据PSILCA 3.0使用德国批发贸易部门作为代理；社会指标的风险评分指引数据收集重点
国际组织数据World Bank、ILOSTAT、OECD可靠性最佳（1级），但技术代表性因覆盖较大部门而降级
文献数据Steinberger (2009) 纺织品 LCI可靠性好（同行评审），但时间较旧且非德国特定
市场价格零售商网站（Indiamart、德国品牌）价格可视为直接测量（高可靠性），但不一定代表市场

敏感性分析发现：

  • 环境 LCA：洗衣机电力消耗是最重要贡献过程之一，低质量数据推动寻找更可靠输入
  • 社会 LCA：制造阶段价格估算对多个指标（公平工资、强迫劳动频率、性别差距）产生显著影响，是结论稳健性的重要限制

LCSA 数据质量体系对比（附录）

不同数据质量体系使用略有不同的谱系矩阵。以下对比三个常用体系：

ecoinvent 数据质量体系

评分12345
可靠性基于测量的验证数据部分基于假设的验证数据或基于测量的未验证数据部分基于合格估算的未验证数据合格估算（如行业专家）非合格估算
完整性来自所有相关站点的代表性数据来自 >50% 站点的代表性数据来自部分站点（<50%）或 >50% 但时期较短来自单个站点或部分站点但时期较短代表性未知
时间相关性与数据集时间差 <3 年<6 年<10 年<15 年>15 年或未知
地理相关性研究区域数据包含研究区域的更大区域平均值相似生产条件区域数据略微相似生产条件区域数据未知或明显不同区域
技术相关性研究的企业、过程和材料研究的过程和材料但不同企业研究的过程和材料但不同技术相关过程或材料实验室规模或不同技术

成本数据质量谱系矩阵（Ciroth, 2008）

评分12345
来源可靠性基于测量的验证数据部分基于假设的验证数据或基于测量的未验证数据部分基于假设的未验证数据合格估算（如行业专家）非合格估算或来源未知
完整性足够样本站点、足够时期较少站点但足够时期足够站点但较短时期较少站点且较短时期或不完整数据代表性未知
时间差异<0.5 年<2 年<4 年<8 年>8 年或未知
地理差异研究区域数据，相同货币更大区域平均值，相同货币略微相似成本条件区域，相同货币或相似货币略微相似成本条件区域，不同货币相关过程或材料但不同技术
技术差异研究的企业、过程和材料研究的过程和材料但不同企业（相似会计制度）研究的过程和材料但不同技术和/或不同会计制度相关过程或材料但相同技术相关过程或材料但不同技术

S-LCA 数据质量体系（PSILCA）

评分12345
可靠性统计研究或多来源验证的初级数据单来源验证的初级数据或公认次级来源数据部分基于假设的未验证数据或非公认来源数据合格估算（如专家）非合格估算或来源未知
完整性国家特定部门/国家的完整数据国家特定部门/国家的代表性选择非代表性选择，低偏差非代表性选择，未知偏差单数据点/完整性未知
时间相关性与数据集时间差 <1 年<2 年<3 年<5 年>5 年或未知
地理相关性同一地理区域（国家）条件相似国家或略有差异国家的平均值条件不同国家的平均值，研究区域包含且份额大条件不同国家的平均值，研究区域包含份额小或未包含未知或明显不同区域
技术相关性相同技术（部门）相似部门（如同一部门层级内）或相似技术部门平均略有不同的部门或不同部门平均，研究部门包含且份额大不同部门平均，研究部门包含份额小或未包含未知技术/部门或明显不同部门

数据质量与决策支持

将数据质量分析与敏感性分析结合，可帮助确定数据改进的重点：

  • 单产品评估：可设定质量阈值——结果在达到一定质量水平前不予采信，从业者需迭代寻找更好数据
  • 产品比较：比较可同时基于 LCSA 各项技术和数据质量，帮助理解不同技术和不同产品在满足要求方面的表现（目前尚未建立标准实践）

核心原则：如果一个参数（或建模选择）对结果有显著影响且数据质量评分低，从业者很难得出结论。

参考文献

  • Benoît-Norris, C., et al. (2020). Guidelines for Social Life Cycle Assessment of Products and Organizations. UNEP.
  • Ciroth, A. (2008). Cost data quality considerations for eco-efficiency measures. Ecological Economics, 68(6), 1583–1590.
  • Ciroth, A., et al. (2016). Empirically based uncertainty factors for the pedigree matrix in ecoinvent. Int J LCA, 21, 1338–1348.
  • EPA. (2016). Guidance on Data Quality Assessment for Life Cycle Inventory Data.
  • European Commission. (2021). Recommendation on the Use of Environmental Footprint Methods.
  • Loubert, M., and Di Noi, C. (2022a). LCA Case Study: Organic Cotton Sweater. openLCA.
  • Loubert, M., and Di Noi, C. (2022b). Social LCA Case Study: Organic Cotton Sweater. openLCA.
  • UNEP/SETAC Life Cycle Initiative. (2011). Towards a Life Cycle Sustainability Assessment.

LCSA 三大支柱数据全景

系统对比了 LCA、LCC、S-LCA 三支柱在数据收集、数据库可用性和数据格式方面的现状与差异。以下提取核心对比框架。

三支柱主要差异总览

主题LCAcLCCeLCCsLCCS-LCA
生命周期阶段若干/全部单个/若干（不与LCA对齐）全部（始终与LCA对齐）全部若干/全部
利益相关方视角—单个/双重多方多方多方
数据聚合跨阶段/利益相关方加总按选定的LCC视角加总，否则双计同上同上不同影响作用于不同利益相关方
外部性（成本）—否是是—
数据收集层级产品产品 + 活动/无形商品成本 + 资本投资同上同上公司
行业平均数据代表性较高较高较高较高较低
评估的影响负面负面和潜在正面负面和潜在正面负面和潜在正面负面和正面
线性缩放假设可行通常不可（规模经济）通常不可通常不可通常不可，还有绝对阈值和二值标准
时间核算通常不通过贴现处理通过贴现处理通过贴现处理—

LCA 数据库全景

以下为主要 LCA 数据库一览（截至2021年更新且包含50+数据集），数据来自 GLAD 网络及各软件提供商。

数据库来源覆盖范围主题特色支持软件
ecoinvent瑞士 ecoinvent全球通用（最广泛使用）GaBi, openLCA, SimaPro, umberto
GaBi德国 sphera全球通用GaBi, umberto
EF（Environmental Footprint）欧盟 JRC欧洲（及全球）通用，PEF 兼容openLCA, SimaPro
Agribalyse法国多方贡献法国农业/食品openLCA, SimaPro
Agri-footprint荷兰 Blonk全球农业/食品（年更）openLCA, SimaPro
USLCI美国 NREL美国通用GaBi, openLCA, SimaPro
IDEA日本 AIST日本通用openLCA, SimaPro
cm.chemicals德国 Carbon Minds全球化工（年更）openLCA, umberto
Ökobaudat德国政府德国建筑材料openLCA
Exiobase欧盟 EXIOBASE全球投入产出（全部门）openLCA
worldsteel世界钢铁协会全球钢铁openLCA, SimaPro
PlasticsEurope欧洲塑料协会欧洲塑料SimaPro

数据格式与互操作性

  • ecoSpold2：ecoinvent 开发，大多数 LCA 软件支持
  • ILCD / eILCD：欧盟 JRC 开发，用于 EF 数据库和国家数据库
  • GLAD（Global LCA Data Access）：UNEP Life Cycle Initiative 项目，旨在实现跨数据库数据发现和格式转换

S-LCA 数据库的特殊性

  • PSILCA 和 SHDB 是目前主要的 S-LCA 背景数据库
  • 基于多区域投入产出（MRIO）模型 + 活动变量（通常为”工作小时”）
  • 局限性：行业平均数据对于高度情境依赖的社会影响代表性有限；同一国家所有部门常使用相同风险等级
  • 补充工具：ecovadis、Sedex、RepRisk 等提供公司特定社会风险数据

参考文献

  • UNEP (2020). Guidelines for Social Life Cycle Assessment of Products and Organizations.
  • GLAD (2021). The Global LCA Data Access Network. https://www.globallcadataaccess.org
  • ORIENTING (2021). Critical Evaluation of Economic/Social Approaches. EU H2020 project.
返回内容列表 下一篇：蒙特卡洛模拟实践