蒙特卡洛模拟实践

蒙特卡洛模拟将不确定的LCA输入转化为概率化输出，从而在不确定性下做出稳健的决策。本课提供在LCA工作中实施蒙特卡洛分析的实践指导。

蒙特卡洛提供了严谨的统计不确定性分析，但需要额外的工作量和专业知识。对于许多研究，使用谱系矩阵的**数据质量评估（DQA）**是一种满足ISO 14044要求的实用替代方案。请参阅不确定性分析模块，了解何时仅使用DQA即可满足需求，以及何时蒙特卡洛能带来额外价值。

蒙特卡洛基础

核心理念

蒙特卡洛模拟的工作原理：

1. 将不确定的输入视为概率分布
2. 从这些分布中随机抽样
3. 用每组抽样值运行LCA计算
4. 收集结果以形成输出分布

经过多次迭代后，输出分布代表了在给定输入不确定性下可能结果的取值范围。

何时使用蒙特卡洛

蒙特卡洛在以下情况下有价值：

• 比较性能相似的产品
• 基于LCA结果做出高风险决策
• 向持怀疑态度的受众传达结果
• 验证结论的稳健性
• 了解哪些参数驱动不确定性

在以下情况下可能不需要：

• 精度不关键的筛选研究
• 某个选项明显占优的情况
• 内部快速评估
• 教学目的

设置分布

选择分布类型

根据你对每个参数的了解匹配分布类型：

对数正态分布（LCA中最常用）

适用场景：

• 数值必须为正
• 已知均值和离散度的估计值
• 变化与量级成比例

参数：

• 几何均值（μg）：中位数值
• 几何标准差（σg）：乘法离散度

如果你认为真实值以95%置信度介于L和H之间：

σg ≈ √(H/L) / 1.645
μg ≈ √(L × H)

正态分布

适用场景：

• 数值可正可负
• 围绕均值的对称变化
• 已知均值和标准差

三角分布

适用场景：

• 可以估算最小值、最大值和最可能值
• 估算基于专家判断
• 数据有限

均匀分布

适用场景：

• 仅知边界范围
• 范围内的所有值等可能

实用分布选择指南

情况	推荐分布
实测数据且已知标准差	正态分布（若对称）或对数正态分布
带有谱系的数据库值	对数正态分布（使用谱系因子）
带有范围区间的专家估算	三角分布
仅知边界范围	均匀分布
比值或乘法不确定性	对数正态分布

谱系到分布的工作流程

ecoinvent和其他数据库使用谱系矩阵生成对数正态分布：

1. 评估谱系评分（1-5）每个指标

2. 从谱系表中查找不确定性因子

3. 计算组合不确定性：

   σg² = σbase² + σR² + σC² + σT² + σG² + σTech²

4. 应用于参数作为对数正态分布（均值， σg）

谱系不确定性因子说明值（σ²值）：

以下是为教学目的简化的说明性数值。实际的ecoinvent谱系矩阵使用不同的基础不确定性因子和更复杂的计算方法。在进行实际分析时，请始终查阅官方的ecoinvent方法文档（Weidema et al., 2013）或你数据库的具体实现。

评分	可靠性	完整性	时间相关性	地理相关性	技术相关性
1	0.000	0.000	0.000	0.000	0.000
2	0.0006	0.0001	0.0002	0.0001	0.0006
3	0.002	0.0006	0.002	0.0004	0.008
4	0.008	0.002	0.008	0.04	0.04
5	0.04	0.008	0.04	0.12	0.12

实施蒙特卡洛

实施步骤

第一步：识别不确定参数

并非每个参数都需要不确定性分布。重点关注：

• 对结果有显著贡献的参数
• 已知数据质量问题的参数
• 存在替代方案的参数

第二步：分配分布

记录你的选择：

参数	分布	参数	理由
用电量	对数正态分布	μg=2.5 kWh, σg=1.25	谱系评估
运输距离	三角分布	300， 500， 800 km	专家估算
钢材投入	对数正态分布	μg=15 kg, σg=1.1	实测值，±10%不确定性

第三步：处理相关性

识别相关参数：

• 电力和冷却水（均随产量变化）
• 材料投入和废物产出（质量平衡）
• 区域参数（共享数据源）

处理方案：

• 将相关参数一起抽样
• 使用copula处理复杂相关结构
• 如未处理则记录并说明

第四步：运行模拟

所需迭代次数取决于：

• 百分位数估计所需的精度
• 模型的复杂度
• 可用计算时间

一般指导：

• 1，000次迭代：粗略估算、筛选
• 10，000次迭代：标准分析
• 100，000次以上迭代：高精度、罕见事件

第五步：分析结果

计算并报告：

• 均值、中位数、标准差
• 置信区间（如第5-第95百分位数）
• 超过阈值的概率
• 对于比较：A < B的概率

软件专用指导

openLCA

1. 为流添加不确定性：

   • 打开一个过程
   • 点击输入/输出的数量
   • 选择”定义不确定性”
   • 选择分布和参数

2. 运行蒙特卡洛：

   • 打开产品系统
   • 点击计算 → 蒙特卡洛模拟
   • 选择LCIA方法
   • 设置迭代次数
   • 运行并等待

3. 分析结果：

   • 查看结果的直方图
   • 导出数据进行外部分析
   • 跨影响类别比较分布

SimaPro

1. 定义不确定性：

   • 在工艺记录中，为每个交换输入不确定性
   • 使用默认的基于谱系的不确定性或自定义分布

2. 运行分析：

   • 计算 → 蒙特卡洛
   • 设置迭代次数和置信水平
   • 查看统计结果和图表

3. 高级功能：

   • 方差贡献分析
   • 替代方案的比较蒙特卡洛

Python/Brightway

import brightway2 as bw
import numpy as np
from scipy import stats

# 设置
bw.projects.set_current("your_project")
db = bw.Database("your_database")
method = ('ReCiPe Midpoint', 'climate change', 'GWP100')

# 定义活动
activity = db.get("your_activity_code")

# 蒙特卡洛LCA
mc = bw.MonteCarloLCA({activity: 1}, method)
results = [next(mc) for _ in range(1000)]

# 分析
mean = np.mean(results)
median = np.median(results)
ci_95 = np.percentile(results, [2.5, 97.5])

print(f"Mean: {mean:.2f}")
print(f"Median: {median:.2f}")
print(f"95% CI: [{ci_95[0]:.2f}, {ci_95[1]:.2f}]")

分析蒙特卡洛结果

统计概要

报告以下统计量：

统计量	计算方式	解读
均值	总和/样本数	平均期望值
中位数	第50百分位数	集中趋势（对异常值稳健）
标准差	√(Σ(x-均值)²/N)	结果的离散程度
变异系数	标准差/均值 × 100%	相对离散度
95%置信区间	第2.5到第97.5百分位数	捕获95%结果的范围

方差贡献

识别哪些输入驱动了输出的不确定性：

1. 计算每个输入与输出之间的相关性
2. 将相关性平方得到方差贡献
3. 按贡献大小对参数排序

对方差贡献最大的参数是以下工作的优先项：

• 更好的数据收集
• 敏感性测试
• 不确定性降低工作

比较替代方案

对于产品比较，计算：

每次迭代中的成对差值：

diff[i] = GWP_A[i] - GWP_B[i]

超越性能的概率：

P(A更好) = count(diff < 0) / N

显著差异： 如果差值的95%置信区间不包括零，则差异具有统计显著性。

可视化

直方图：显示分布形状

• 包含均值/中位数线
• 标记置信区间
• 在比较中使用一致的组距

箱线图：比较多个选项

• 显示中位数、四分位数、异常值
• 便于跨替代方案比较

累积分布函数（CDF）：显示超越概率

• 读取达到目标的概率
• 比较整个分布

散点图：显示输入-输出关系

• 识别有影响力的参数
• 揭示非线性关系

处理常见问题

收敛性

结果应随着迭代次数增加而趋于稳定。通过以下方式检查收敛性：

1. 绘制运行均值 vs. 迭代次数的图表
2. 如果均值仍在显著变化，则增加迭代次数
3. 百分位数估计需要比均值更多的迭代次数

极端值

结果中的异常值可能表明：

• 输入分布过宽
• 通过供应链的乘法效应
• 模型对某些参数组合敏感

调查极端值以确保其有意义而非错误。

负值

如果物理量出现负值（不可能）：

• 检查分布选择（仅正值使用对数正态分布）
• 在零处截断分布
• 重新参数化模型

运行时间长

对于复杂模型：

• 从较少的迭代次数开始测试（100-500）
• 如果可用，使用并行处理
• 考虑简化模型进行筛选
• 将不确定性集中在最有影响力的参数上

高级主题

拉丁超立方抽样

比简单随机抽样更高效：

• 将每个分布分层为等概率区间
• 确保用更少的样本覆盖整个分布
• 通常快10倍实现收敛

大多数LCA软件将其作为一个选项提供。

全局敏感性分析

超越局部敏感性，全局方法探索整个参数空间：

Sobol’指数：将方差分解为一阶效应和交互效应

Morris方法：对多个参数进行高效筛选

这些方法揭示了局部敏感性无法发现的非线性效应和参数交互效应。

贝叶斯方法

用于整合先验知识和用新数据更新：

• 先验分布反映现有知识
• 似然函数纳入新观测数据
• 后验分布结合两者

高级主题，需要专业工具（如PyMC、Stan）。

关键要点

1. 基于可用信息选择分布——对数正态分布通常合适
2. 将不确定性分析聚焦在有影响力的参数上
3. 运行足够的迭代次数以获得稳定结果（10,000次为典型值）
4. 对于比较，计算超越性能的概率
5. 报告置信区间，而不仅仅是点估计值
6. 方差贡献分析确定数据改进的优先项

练习

对于一个简化的产品系统，包含三个不确定输入：

• 材料A：Lognormal(10 kg, σg=1.3)
• 能源：Triangular(5, 8, 15 kWh)
• 运输：Uniform(100, 500 km)

排放因子（假设已知）：

• 材料A：2.5 kg CO₂/kg
• 能源：0.5 kg CO₂/kWh
• 运输：0.1 kg CO₂/km

1. 计算确定性GWP（使用均值/众数值）
2. 设置并运行1,000次蒙特卡洛迭代
3. 报告均值、中位数和95%置信区间
4. 哪个参数对方差贡献最大？

下一步

下一篇探讨结果性LCA和归因性LCA之间的区别——这两种建模方法从根本上不同，回答关于环境影响的不同问题。

---

延伸阅读

• Heijungs, R. (2020). On the Number of Monte Carlo Runs in Comparative Probabilistic LCA. International Journal of Life Cycle Assessment.
• Saltelli, A., et al. (2008). Global Sensitivity Analysis: The Primer. Wiley.
• Groen, E.A., & Heijungs, R. (2017). Ignoring Correlation in Uncertainty and Sensitivity Analysis in Life Cycle Assessment. International Journal of Life Cycle Assessment.