Generell eller specifik data i LCA, hur säkerställer du rätt datakvalitet?
Att samla in Life Cycle Inventory (LCI)-data för hela värdekedjan, från råmaterial och transporter till produktion, användning och sluthantering – kan kännas omfattande. Samtidigt är det sällan nödvändigt eller rimligt att ha primärdata i varje steg. Frågan är därför inte om du ska välja generisk eller specifik data, utan var den gör störst skillnad för resultatets trovärdighet och användbarhet. Är ni osäkra på vad ni behöver för data så vi rekommenderar att söka stöd hos en erfaren livscykelanalytiker för att säkerställa att ni lägger fokus på relevanta delar i värdekedjan.
Vad är generisk respektive specifik LCI-data?
Specifik (primär) LCI-data beskriver din faktiska process eller produkt. Den samlas in där du, eller din leverantör, har operativ kontroll, exempelvis faktisk elmix, energianvändning per processsteg, materialåtgång och spill.
Generell (sekundär) LCI-data representerar ett genomsnittligt eller typiskt scenario för en region, teknik eller tidsperiod. Den hämtas ofta från databaser som ecoinvent och gör det möjligt att modellera komplexa värdekedjor.
När räcker generell data i en LCA?
Generell data är ofta en klok startpunkt. Den gör det möjligt att modellera hela livscykeln, identifiera preliminära hotspots och skapa en första baslinje utan att göra en omfattande datainsamling.
Generell data är särskilt lämplig när:
- du gör en screening-LCA
- du saknar rådighet över delar av leverantörsledet
- flöden har liten påverkan på resultatet
- målet är överblick snarare än extern publicering
Generell data gör LCA praktiskt genomförbart. Men när analysen ska användas för beslut eller kommunikation ökar kraven på representativitet, alltså specifik data för dina processer.
När behöver du specifik (primär) data i din LCA?
Specifik data bör användas i högre grad för att representera din värdekedja när resultatet ska ligga till grund för:
- EPD
- kundkommunikation
- upphandling
- investeringsbeslut
- uppföljning av klimatmål
Om du har operativ kontroll över en process, exempelvis egen produktion eller energianvändning, förväntas den beskrivas med din faktiska data, särskilt i EPD-sammanhang.
Primärdata är också avgörande när ni har gjort förbättringar och vill att de ska synas i resultatet. Har ni bytt till förnybar el, minskat spill eller effektiviserat produktionen? Då bör modellen spegla det, annars blir LCA:n statisk och förbättringen osynlig.
Vilken datakvalitet kräver ISO 14044 och EPD-systemen?
Både ISO 14044 och olika EPD-program ställer krav på datakvalitet – men på lite olika sätt.
ISO 14044 säger i grunden: använd data som faktiskt passar syftet med din studie och var öppen med vad som är osäkert.
Det betyder att du får använda generisk data. Men du måste kunna förklara varför den är rimlig, hur väl den speglar verkligheten och vilka begränsningar som finns. Det räcker alltså inte att “ta något från databasen”, du ska kunna motivera valet.
EPD-systemen är mer konkreta. Generellt gäller: om det är din egen produktion ska den i största grad beskrivas med din egen data. Har du kontroll över processen förväntas du också mäta den. Det kan variera mellan olika produktkategorier. Specifika regler kring datakvalitet beskrivs PCR, Product category rules, för den specifika produkten som ska analyseras.
I en EPD ställs också höga krav på dokumentation. Datakvaliteten ska beskrivas så tydligt att en extern granskare kan förstå hur representativ den är – geografiskt, tekniskt och tidsmässigt.
När kan generisk data bli missvisande?
Generisk data representerar ofta rätt typ av process men inte nödvändigtvis din verklighet. Den bygger på ett genomsnitt: en viss region, en viss tekniknivå, en viss tidsperiod. I praktiken kan din produktion avvika betydligt från det antagandet.
Skillnader i geografi kan innebära helt annan elmix, andra transportavstånd eller annan tillgång till bränslen. Skillnader i teknik och effektivitet kan göra att din anläggning är mer resurseffektiv än genomsnittet (eller tvärtom). För materialintensiva produkter kan även små variationer i materialåtgång eller spillnivåer ge tydliga utslag i klimatresultatet. När dessa skillnader inte fångas upp i modellen riskerar analysen att beskriva “hur det brukar se ut” snarare än hur det faktiskt ser ut.
Problemet uppstår när resultaten används för att fatta beslut. Om en generisk modell pekar ut fel del av livscykeln som den största klimatbördan kan resurser, investeringar och utvecklingsinsatser hamna fel. Det kan också innebära att verkliga förbättringar – som byte till förnybar el eller effektivare produktion – inte syns i resultatet.
I det läget är datakvalitet inte längre en teknisk detalj i metodavsnittet. Den avgör om LCA:n ger rätt signaler till organisationen. När analysen används som underlag för EPD, upphandling, produktutveckling eller klimatstrategi blir representativitet en strategisk fråga eftersom den påverkar både trovärdighet och riktning i era beslut.
Så arbetar du stegvis med datakvalitet i LCA
Använd generisk data för att komma igång men byt till specifik data där resultaten påverkas mest. Databaser som ecoinvent är bra och 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.
Erfarna livscykelanalytiker har ofta erfarenheter om var det behövs specifik data och inte. Om det finns osäkerhet så brukar vi rekommendera:
- Modellera hela livscykeln med generisk data.
- Identifiera de största klimatbidragen.
- Säkerställa primärdata för dessa delar.
- Uppdatera modellen över tid.
På så sätt blir LCA:n ett förbättringsverktyg snarare än en engångsrapport.
Exempel: När rätt datanivå skapar verklig effekt
I vårt arbete med Bistål fann vi stora förbättringar genom att uppdatera EPDn med specifik data.
I första versionen av EPDn 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!
