Generell LCI-data vs kundspecifik data

När “bra nog” blir fel – och hur du får LCA:n att leda till förbättring

Att skapa sin första LCA kan för många kännas som ett stort åtagande. Vi på Miljögiraff har genom åren hjälpt hundratals kunder skapa sina första LCA rapporter och har på så sätt samlat mycket erfarenhet om hur man på bästa sätt skapar en rapport som håller måttet. Men att börja med LCA kan kännas som ett stort steg för många, att samla in en massa data om allt från transport och produktion till återvinning och underhåll. Detta är en utmaning för många och det kan kännas enkelt och tillgängligt att bara använda sig av existerande LCI dataset för att ta fram de mest korrekta siffrorna för sin LCA. I denna artikel djupdyker vi i vad som är skillnaden mellan olika typer av data och varför man bör prioritera att ha delar av sin värdekedja representerad av primärdata.

“Varför ska vi lägga tid på att samla in egen data när ecoinvent, eller andra databaser, redan har allt?”

Det är en fullt rimlig tanke – och ibland stämmer den. Men i praktiken ser vi ofta att valet av generisk data styr resultaten, besluten och till och med konkurrenskraften av din produkt. Det kan göra LCA:n mindre träffsäker, leda till fel “hotspots”, eller göra att förbättringar missar målet.

Den här artikeln hjälper dig förstå:

Vad som menas med generisk (sekundär) vs användarspecifik (primär) data
Varför generiska datasets ofta ger “sämre precision” i produktens verklighet
När generisk data med fördel kan användas
Hur du bygger en smart, iterativ dataprocess
Några verkliga exempel på hur bättre data gav stora utsläppsminskningar

Vad är generisk respektive specifik LCI-data?

I LCA pratar man ofta om foreground (det du kan påverka och mäta) och background (bakgrundssystemet, typ råvaror/energi/transportkedjor). Databaser som ecoinvent är i grunden byggda för att hjälpa dig med mycket av bakgrunden – och ibland också ge representativa genomsnitt när primärdata saknas bland din foreground data. Man vill helt enkelt att foregrounddatan ska vara så användarspecifik som möjligt.

Användarspecifik / primär LCI-data

Data som beskriver din faktiska process eller produkt, insamlad där du (eller din leverantör) har operativ kontroll: t.ex. verklig elmix, energiförbrukning per processsteg, spill, recept, interna transporter, avfall.

Generell / sekundär LCI-data

Data som representerar ett genomsnitt eller ett typiskt scenario (region/teknik/period) och används när specifik data saknas: t.ex. databaser (ecoinvent).

För många LCAer hade det varit omöjligt att ta fram all data som användarspecifik LCI-data på samtliga punkter och det är därför extra viktigt med fingertoppskänslan när det kommer till vilka punkter som är värda att ta fram specifik data på. Poängen: Båda behövs. Frågan är var de används – och hur mycket de påverkar din slutsats.

Varför blir LCA mindre exakt med generell LCI-data?

Vad gör egentligen att LCAer skapade med mycket generell data ofta har sämre verklig representation av en produkt? Generisk data är ofta “rätt sorts process” – men fel verklighet. De generella värdena i LCI databaser är framtagna för att representera ett medelvärde men är aldrig tillräckligt exakta för att representera just ditt produktflöde. För de delar i din process som bara står för enstaka procent kommer detta inte påverka resultatet något nämnvärt, men för de större delarna kan konsekvenserna vara stora!

“Om du designar för genomsnittet, har du i praktiken inte designat för någon.” -Todd Rose

När andelen generell LCI-data är för hög brukar vi oftast se följande skillnader:

Geografi: samma process, olika elmix och logistik

Ett generiskt dataset kan anta europeisk elmix medan din produktion kör 100% förnybart (eller tvärtom). Dåliga insikter eller låg kunskap om ens värdekedja kan på så sätt bidra till att fel data används för de specifika geografiska faktorerna.

Teknik: genomsnitt representerar inte din anläggning

Genomsnittsdata kan spegla äldre teknik, annan energieffektivitet, annan bränslemix eller annan produktionsskala. Det finns många faktorer som skiljer sig mellan olika produktionssiter, kanske till och med inom samma bolag. Det är därför viktigt att se till att de delar av din värdekedja med störst påverkan representeras på ett bra sätt.

Recept/spill/utbyte: små procent blir stora utslag

Att lära känna sin produktion och materialflöden är välidigt viktigt. Exempelvis kan en skillnad på 2–3% i spill kan ändra klimatpåverkan väldigt mycket för materialtunga produkter. Genom att bara använda generell LCI-data undersöker man inte alltid sin produktion och materialflöde i detalj och kan därför missa små, men viktigta, detaljer.

Fel hotspots bidrar till fel åtgärder

Om missvisande data används i din analys kommer den kanske att pekar ut fel del av livscykeln som störst, vilket gör att man riskerar att lägga tid och investeringar där effekten blir liten.

Specifik data gör det möjligt att mäta och bevisa förbättringar över tid

När man använder primärdata från egen produktion kan LCA:n fungera som ett uppföljningsverktyg: man kan se effekten av åtgärder som energieffektivisering, minskat spill, materialbyten eller övergång till förnybar el. Med generisk data “låser” man däremot ofta modellen till ett branschsnitt som inte förändras när förbättring kopplade till verksamheten görs, vilket gör det svårt att påvisa resultat, motivera investeringar och bygga trovärdighet i verksamhetsförbättringar kopplat till miljö och klimat.

Vad säger standarderna om användarspecifik data?

Vad är den egentliga praktiska innebörden av specifik eller generell LCI-data och vad säger standarden?

EPD-program (International EPD System, GPI) är mer normativt: för processer där EPD-ägaren har kontroll förväntas primärdata i högre grad, och datakvalitet (tidsmässig/geografisk/teknisk) ska tydligt beskrivas.
ISO 14044 ställer krav på att data ska vara representativ, av god kvalitet och transparent redovisad. Den är inte “anti-generisk”, men förväntar att du använder data som matchar studiens mål och att begränsningar redovisas.

Det viktiga för dig som företag är:

Datavalet påverkar både trovärdighet och förbättringsförmåga. Och i EPD-sammanhang blir det extra viktigt att kunna motivera varför data är representativ.

När ska vi använda generell LCI-data?

Det är lätt att tänka att man ska sträva efter att bara har användarspecifik data för sina produkter, men det är i princip aldrig fallet. Generell LCI data har sin plats även i de mer detaljerade LCA projekten. Exempelvis är generell data ofta en bra start – och ibland även helt rätt slutnivå – särskilt när:

du gör en screening-LCA för att förstå ungefärliga hotspots
du saknar rådighet (t.ex. långt upp i leverantörsledet) och behöver en rimlig approximation
flödet är litet och inte betydande för resultaten
du behöver en baslinje för att komma igång snabbt, och planerar att förbättra datakvaliteten stegvis

Snabb jämförelse: generisk vs specifik data

Fråga	Generisk data (sekundär)	Specifik data (primär)
Startsträcka	Låg	Högre
Precision	Ofta medel–låg för din verklighet	Högre för din produkt/process
Hotspot-risk	Högre risk att peka fel	Lägre risk
Förbättringsnytta	Kan bli “vad databasen säger”	Blir “vad ni kan förändra”
EPD-robusthet	Kräver tydlig redovisning	Stärker trovärdighet och jämförbarhet

En enkel tumregel vi använder

Använd generisk data för att komma igång – men byt till specifik data där resultaten påverkas mest.

Det är samma logik vi ofta använder i Scope 3-arbete: börja med en bred bild och förbättra stegvis där det spelar roll.

LCA + bra data = kraft att agera

Databaser som ecoinvent är fantastiska – de är ofta helt avgörande för att kunna göra LCA i praktiken. Men om ambitionen är att gå från kartläggning till förändring, behöver du också fånga verkligheten i din egen värdekedja.

Guide: Så gör du datainsamling smart

En vanlig missuppfattning är att “egen data” betyder att man måste mäta allt. I praktiken räcker det långt att du samlar rätt data på rätt ställen.

Steg 1: Hitta 3–5 datapunkter som står för största osäkerheten eller påverkan

Nästan alltid är det en kombination av:

energi i tillverkning (kWh, bränsle, energislag)
materialrecept och spill/utbyte
nyckelleverantörers processdata eller EPD
transporter (distans, fyllnadsgrad, transportslag)
användningsfas/underhåll (för vissa produkter)

I Alfa Laval-piloten lyfter vi vikten av att jobba proaktivt med leverantörsinformation och börja med de mest signifikanta materialen/komponenterna för att effektivisera datainsamlingen.

Steg 2: Sätt en “databudget”

Bestäm i förväg:

vad ni samlar in nu
vad som kan vänta till iteration 2
vad som inte är värt kostnaded i relation till påverkan

Steg 3: Bygg leverantörsdialogen runt enkelhet

Gör det lätt att svara. Exempel på enkla frågor som ofta ger stor effekt:

Vilken elmix används i er produktion? (marknadsbaserad/ursprungsgarantier)
Energiförbrukning per kg produkt eller per batch?
Processutbyte/spill för den levererade komponenten/materialet?
Transportupplägg

Steg 4: Dokumentera “varför” – inte bara “vad”

Skriv ner:

källa (mätning, faktura, uppskattning)
tidsperiod
vad som är representativt (och vad som inte är det)

Det gör senare uppdateringar mycket billigare.

Case – Exempel från Miljögiraffs arbete

1. Från kartläggning till förändring med Bistål

I vårt arbete med Bistål fann vi stora förbättringar genom att uppdatera EPDn med specifik data.

I första versionen fanns utmaningar att samla in specifik data från alla steg i leverantörskedjan, så delar representerades av generiska dataset. Resultatet pekade ut energiförbrukningen i process-stegen som en tydlig hotspot.

Med de insikterna valde Bistål att:

inleda mer leverantörsdialog för att få specifika tillverkningsdata
byta till förnybar el i produktionen

Effekten blev mycket stor: 62–67% minskning i cradle-to-gate och 50–58% i cradle-to-grave för deras produkter, och en uppdaterad EPD kunde tas fram. Den uppdaterade EPDn förbättrade Biståls konkurrenskraft

Lärdomen: EPD:n blev inte en pdf – den blev en iterativ förbättringsprocess, där bättre data öppnade för bättre beslut och i förlängningen ledde till ökad konkurrenskraft på marknaden!

2. Varför generell data är en bra början med Essem

Det här syns tydligt i hur vi ofta jobbar med organisationer som vill komma igång: börja brett, identifiera vad som spelar roll, och fördjupa där det gör störst skillnad. I vårt uppdrag med Essem lyfter vi just nyttan med att börja mer generellt för att skapa överblick – men att generella data ofta blir konservativa och att specifik data ger bättre grund för strategier.

3. Primärdata och generelldata i symbios med Enrad

Vi jobbade med ett liknande arbetssätt tillsammans med Enrad, tillverkare av kylaggregat och värmepumpar, gjort ett stort LCA arbete där vi utförde en LCA på ett av deras aggregat. Det är en mycket komplex produkt med mer än 400 komponenter. Där modellerades först alla med generisk data för att uppskatta miljöpåverkan där sedan de delar som ansågs mest betydelsefulla för ett klimatperspektiv modellerades i detalj med användarspecifik data.