产品碳足迹评价中不确定度与敏感度相结合的数据质量分析

陈 莎,李燚佩,曹 磊,刘尊文,陈迎新 (.北京工业大学区域大气复合污染防治北京市重点实验室,北京 004；.环境保护部环境认证中心,北京 0009；.中国印刷技术协会,北京 00085)

为减缓气候变化,将全球温室气体浓度控制在安全范围之内,有关温室气体减排、碳足迹评价等问题已经引起国际社会的广泛关注.碳足迹评价中涉及的数据量大且不易获取[1],需对数据有选择性地分析,这将直接影响到评价结果的不确定性[2].同时,碳足迹评价过程中不可避免地会出现监测误差、关键数据缺乏、数据代表性不足、核算模型和分配方法的选取等不确定因素[3-4].收集到的数据是否可靠,对数据的种类、来源、获取途径及客观量化处理方法如何选择,已成为制约碳足迹评价方法应用的最大因素[5-6].因此,判断和量化输入数据对结果所产生的不确定性是碳足迹评价结果分析的重要组成部分,它可为研究者选择更为可靠的数据来源[7-8],并有效地优化数据收集方案,从而促进产品碳足迹评价方法的应用和发展.

目前,有关碳足迹评价中数据不确定度对评价结果所产生影响的研究较少,且侧重不一,缺少相对简单、易行的数据质量分析方法.本文建立了结合敏感度与 DQI-Monte Carlo的数据不确定度定量分析方法.首先通过敏感度分析识别出产品碳足迹评价中的主要数据,再结合DQI-Monte Carlo不确定度分析方法对主要数据进行数据质量判定,甄选出碳足迹评价中的关键数据,并据此有针对性地提出数据质量改进意见,从而有效地优化数据收集,减少评价结果的不确定度.建立的方法应用于我国某塑料软包装印刷企业的印刷前阶段碳足迹评价,验证了方法的可行性.

1 数据质量分析模型

产品碳足迹评价收集的数据主要包括:企业年度统计/报表、现场监测或实验模拟等初级活动水平数据;现有碳排放数据库、正式出版的文献/论文、各类统计年鉴、行业协会提供的分析资料等次级数据[9].

本文建立的基于敏感度和不确定度方法的数据质量分析模型,流程如图1所示.

图1 产品碳足迹评价中数据质量分析模型流程Fig.1 Data quality analysis model of the carbon footprint assessment for products

1.1 敏感度分析

敏感度分析是通过测定一个或多个不确定因素的变化,了解各因素变化对实现预期目标的影响程度[11].本文采用单因素敏感体法,在仅有一个参数变动 1%的情况下,采用敏感度参数来定量描述输入变量的重要性程度,计算公式如(1)所示[12].

式中,Ei是输入变量 Fi的敏感度系数;ΔFi表示输入变量 Fi的变化率%,为 1%;ΔAi表示输入变量Fi发生 ΔFi变化率时,评价结果 A的相应变化率(%).

|E|越大,表明评价结果A对输入变量F越敏感,即这一数据在相应的单元过程中对结果的影响最大.

1.2 DQI-Monte Carlo不确定度分析法

不确定度分析(UA)是指因数据的估计误差或无法预期的变动对评价结果所产生影响进行分析.

本文建立了数据质量指标(DQI)法与蒙特卡模拟(Monte Carlo Simulation)相结合的数据不确定度分析方法.

1.2.1 数据质量指标法 数据质量指标法是采用谱系矩阵,从统计代表性、时间代表性、数据来源、地理代表性、技术代表性等属性对数据进行评分分级以辨别数据质量问题的方法.虽然对各指标的赋值并非数据质量的具体量化值,不同研究中的指标赋值大小各异[13-16],也不能直接转化为数据的概率分布函数,但并不影响对碳足迹评价各单元过程内数据质量的分析结果.DQI方法的优点在于无论选取指标值的异同,都能方便地发现特定研究项目下存在的典型数据质量问题.但该方法有一定的主观性,常常需要结合其他方法进行不确定度分析.

本文基于国内外的研究成果,建立了我国碳足迹评价的数据质量指标表,如表1所示.

1.2.2 蒙特卡洛模拟法 蒙特卡洛模拟法是一种不确定性随机模拟分析法,是将某一原始输入数据经 n次重复抽样,所构成的概率分布代表数据质量的不确定度[17].常用的蒙特卡洛模拟分析软件也较多,包括Simpro,gabi,ECO-KCL等.在应用蒙特卡罗模拟方法前,需对原始数据取值范围的统计分布状态进行设置,常见的有4种:正态分布、对数正态分布、均匀分布和三角分布[18].通常假设为正态分布类型.

表1 数据质量指标及不确定度Table 1 Data quality indicators and uncertainties

目前,Monte Carlo模拟法也广泛应用于碳足迹评价的数据分析中,例如土豆碳足迹、牛奶制品的全球变暖潜力,电力生产中生命周期清单等[19-22].蒙特卡洛模拟法的最大优点是可将输入数据的不确定性表达得比较清楚,不足是未能考虑碳足迹评价中数据质量的具体特征.

1.3 数据质量分析模型

基于 DQI-Monte Carlo的数据质量分析方法,可简单易行地分析产品碳足迹评价中的数据质量问题.其中,产品碳足迹评价中输入数据的不确定度将随核算方法等不断累积至最终的评价结果上.本文的不确定度分析分为输入数据和评价结果2部分.

1.3.1 敏感度分析 对数据敏感度的分析,主要是对敏感度系数的求解,步骤如下:

在产品碳足迹评价的系统边界内,将研究对象逐项列出,包括某碳排放源的碳排放结果、收集到的活动水平数据、物耗/能耗的碳排放系数、交通运输距离、交通运输碳排放系数等;

将研究对象增加 1%,结合由此产生的总碳排放结果增加率,得到此研究对象的敏感度系数;

在同一研究层面上,将各变量敏感度系数的大小进行比对,值越大,表明最终的评价结果对该研究对象越敏感,是产品碳足迹评价中的主要数据.

1.3.2 输入数据的不确定度分析 输入数据包括活动水平数据和碳排放系数2种,来源可为初级数据和次级数据.基于研究对象的系统边界,对所有输入输出碳排放项的数据进行整理,步骤如下:

(1)结合DQI表,辨识出收集过程中的数据特点(包括技术覆盖面、时间跨度、地域范围、数据来源等),得到这一数据的1×5DQI矩阵.

(2)根据DQI矩阵,计算出数据质量指标基于最高赋值 5的相对标准偏差,经由蒙特卡洛模型模拟,得到活动水平数据和碳排放系数的不确定度分别为Ua和Uf.

以表 3中的电力活动水平数据为例,根据DQI表得到这一 2kWh耗电量的 DQI矩阵为(4,5,5,5,5),经蒙特卡洛模拟后,可知该数据的Ua=4.99%.

1.3.3 评价结果的不确定度 政府间气候变化专门委员会(Intergovernmental Panel on Climate Change,IPCC)指出,在确定了活动水平数据、碳排放系数的不确定度后,可将其合并,以提供总清单的不确定度估算[23].本文采用误差传递的方法确定评价输入数据的不确定度在结果中的传播.不确定度越高,在产品碳足迹评价中对优化评价结果越重要,为重点数据.

(1) 单一碳排放结果的不确定度

产品碳足迹评价中,根据误差传递对某一碳排放源碳排放结果进行不确定度计算的公式如(2)所示.

式中,Ui是碳排放源 i的碳排放结果的不确定度;EMi1、EMi2分别为碳排放源 i的直接碳排放量和因交通运输所产生的碳排放量;Uti为碳排放源i的运输距离的不确定度;Uai、Ufi、Ufti分别为碳排放源i的活动水平数据(即物耗/能耗的单位功能单位下的消耗量)、活动水平碳排放系数和运输方式碳排放系数的不确定度.

(2) 评价结果的不确定度

产品碳足迹评价的结果,是由各碳排放源的碳排放量相叠加得到,根据误差传递的原理得到其不确定度的计算公式如(3)所示:

式中,U是最终碳排放结果的不确定度;EMi是碳排放源 i的总碳排放量,为直接碳排放量与交通运输产生的碳排放量之和.

2 应用示例

根据我国印刷行业特点以及典型塑料软包装企业的实际调研,确定印刷服务的评价边界如图 2所示.并将建立的上述数据质量分析方法应用于印刷前阶段的碳足迹评价之中.

图2 塑料软包装印刷服务碳足迹评价系统边界Fig.2 System boundary of the carbon footprint assessment for plastic flexible packaging printing service

评价边界是以客户下达订货需求为始,至将印刷产品转交至客户为终的过程,即从原材料生产、印刷、运至订货商指定处,并包含运输及生产过程中所产生废弃物的处置,而不涵盖印刷品的使用和回收处理阶段及承印物的消耗.

其中,印刷前阶段,包括所有原材料的输入、废弃物的产生等在内,功能单位为1支版辊.基于功能单位的初级数据,包括产量、原料消耗量、能源使用量等,由企业报表等处获取;基于功能单位的次级数据,包括运输距离、碳排放系数等,由数据库、文献、统计年鉴等处获得.

2.1 敏感度分析

2.1.1 评价结果的敏感度分析 按照 1.1的计算公式对某塑料软包装印刷企业的印刷前阶段各碳排放源的敏感度进行分析,结果如表2所示.

由表 2的分析结果可知,印刷前阶段的主要碳足迹来源为制版加工过程中的版材、电力和洗版水,应重点分析.

2.1.2 各影响因素的敏感度分析 通常,影响碳排放源碳排放结果的因素有 4种,包括活动水平数据、碳排放系数、交通运输距离和交通运输碳排放系数.因此,对各影响因素进行逐项的敏感度分析,有利于准确辨识出能提高碳足迹评价结果可靠性的最佳优化点,且可大大节约时间.

表2 某塑料软包装印刷公司碳排放结果的敏感度Table 2 Sensitivities of the carbon emissions of the company

基于2.1.1的判定结果,按1.1的计算公式对影响这一阶段的主要碳足迹来源的影响因素进行敏感度分析,结果如表3所示.

表3 印刷前阶段各评价因素的敏感度系数Table 3 Sensitivity coefficients of the evaluation factors in the pro-printing stage

从表 3可以看出,对碳足迹评价结果较敏感的依次为版材的活动水平数据、版材的碳排放系数、电力的活动水平数据和碳排放系数,它们是印刷前阶段碳足迹评价中的主要数据.

2.2 不确定度分析

基于对印刷前阶段主要数据的辨识结果,本研究对主要数据分别进行了 DQI矩阵确定、Monte-Carlo模拟,并按照公式(2)核算得出其不确定度,如表4所示.

表4 印刷前阶段主要数据的碳排放量及其不确定度Table 4 Carbon emissions and uncertainties of the key data in the pro-printing stage

由表 4可知,不确定度最大的是版材的碳排放系数,这也是影响该塑料软包装印刷企业印刷前阶段碳足迹评价结果不确定度的关键数据,应着重优化.

2.3 数据收集优化方案

结合2.3.2分析步骤和公式(2)、(3)对印刷前阶段碳排放数据及其不确定度进行核算、叠加,得出这一阶段碳足迹结果及最终不确定度分别为 210.89kgCO2-eq和 18.01%.其中,这一阶段研究中的关键数据是版材碳排放系数,由Ecoinvent数据库中获得,为4.14kg/kg,其DQI矩阵和Ua依次是(3,4,4,1,4)和23.31%.

根据上述分析可知,采用更好的数据来替代版材碳排放系数,将有效地降低评价结果的不确定度.随着我国碳足迹评价基础数据库的不断完善和发展,相关碳排放系数数据也将具有更趋良好的时间代表性、统计代表性、地理代表性、数据来源和技术代表性.假设此项版材碳排放系数为最优状态,即DQI矩阵为(5,5,5,5,5),则其Ua为0.此时,该塑料软包装印刷企业印刷前阶段的碳足迹结果不确定度将从 18.01%减小为 12.52%,由此可见,有效地降低了碳足迹评价结果的不确定度.

3 结论

3.1 为简化产品碳足迹评价中的数据质量分析过程,对各碳排放源及其影响因素先经敏感度分析识别出主要数据,再结合对主要数据进行的不确定度分析情况,从而甄选出影响碳足迹评价结果可靠性的关键数据.

3.2 采用DQI-Monte Carlo方法对产品碳足迹评价中的不确定度进行分析.对数据质量进行半定量分析的DQI的1×5矩阵,经Monte Carlo模拟得出其不确定度.

3.3 针对关键数据制定的数据优化方案,将有效降低评价结果的不确定度.本文以某塑料软包装在印刷前服务阶段碳足迹为例,对版材碳排放系数这一关键数据进行优化,单一地减小其不确定度,可使评价结果的不确定度由 18.01%降至12.52%.

[1]白 璐,孙启宏,乔 琦.生命周期评价在国内的研究进展评述[J].安徽农业科学, 2010,38(5):2553-2555.

[2]Hung Ming-Lung, Ma Hwong-wen.Quantifying system uncertainty of life cycle assessment based on Monte Carlo simulation [J].The International Journal of Life Cycle Assessment, 2009,14(1):19-27.

[3]Arjan de Koning, Diederik Schowanek, Joost Dewaele, et al.Uncertainties in a carbon footprint model for detergents;quantifying the confidence in a comparative result [J].International Journal of Life Cycle Assessment, 2010,15(1):79-89.

[4]Christopher Frey H, Sachin Bammi.Quantification of variability and uncertainty in lawn and garden equipment NOx and total hydrocarbon emission factors [J].Journal of the Air and Waste Management Association, 2002,52(4):435-448.

[5]夏 添,邓 超,吴 军.生命周期评价清单分析的算法研究 [J].计算机工程与设计, 2005,26(7):1681-1683.

[6]莫 华,张天柱.生命周期清单分析的数据质量评价 [J].环境科学研究, 2003,16(5):55-58.

[7]Berners-Lee M, Howard D C, Moss J, et al.Greenhouse gas foottprinting for small business–The use of input-output data [J].Science of the Total Environment, 2011,409(5):883-891.

[8]Lo Shih-Chi, Ma Hwong-wen, Lo Shang-Lien.Quantifying and reducing uncertainty in life cycle assessment using the Bayesian Mote Carlo method [J].Sicence of The Total Environment, 2005,340(1-3):23-33.

[9]任丽娟,陈 莎,张菁菁,等.生命周期评价中清单的不确定性分析 [J].安全与环境学报, 2010,(1):118-121.

[10]向 东,段广洪,汪劲松.产品全生命周期分析中的数据处理方法 [J].计算机集成制造系统–CIMS, 2002,8(2):150-154.

[11]Fulvio Ardente, Giorgio Beccali, Maurizio Cellura, et al.Life cycle assessment of a solar thermal collector: sensitivity analysis,energy and environmental balances [J].Renewable Energy, 2005,30:109-130.

[12]刘夏璐,王洪涛,陈 建,等.中国生命周期参考数据库的建立方法与基础模型 [J].环境科学学报, 2010,30(10):2136-2144.

[13]Weidema B P, Wesnaes M S.Data quality management for life cycle inventories–an example of using data quality indicators [J].Journal of Cleaner Producation, 1996,4(3):167-174.

[14]Frishkentcht R, Jungbluth N, Althaus J, et al.Ovreview and methodology (ecoinvent report No.1) [R].Dubendorf: Swiss Centre Cycle Inventories, 2007.

[15]黄 娜,王洪涛,范辞冬,等.基于不确定度和敏感度分析的 LCA数据质量评估与控制方法 [J].环境科学学报, 2012,32(6):1529-1536.

[16]刘 涛,黄志甲.生命周期清单不确定性分析的主要数据选择[J].安徽工业大学学报, 2006,23(1):91-95.

[17]钟流举,郑君瑜,雷国强,等.大气污染物排放源清单不确定性定量分析方法及案例研究 [J].环境科学研究, 2007,20(4):15-20.

[18]PRe Consultants, Mark Goedkoop, An De Schryver, et al.Introduction to LCA with Simpro 7 [Z].The Netherlands: PRé Consultants, 2008.

[19]Roos E, Sundberg C, Hansson P.Uncertainties in the carbon footprint of food products: a case study on table potatoes [J].The International Journal of Life Cycle Assessment, 2010,15(5):478-488.

[20]Basset-Mens C, Kelliher F M, Ledgard S, et al.Uncertainty of global warming potential for milk production on a new zealand farm and implication for decision making [J].The International Journal of Life Cycle Assessment, 2009,14(7):630-638.

[21]郑 元,张天柱.不确定数据条件下的生命周期评价及其应用[J].重庆环境科学, 2003,25(6):18-20.

[22]Maurice B, Frischknecht R, Coelho-Schwirtz V, et al.Uncertainty analysis in life cycle inventory.Application to the production of electricity with French coal power plants [J].Journal of Cleaner Production, 2000,8(2):95-108.

[23]IPCC2006.2006年 IPCC国家温室气体清单指南 [R].日本全球环境战略研究所, 2006.