Оценка Жизненного Цикла. Этап 4: Интерпретация (Interpretation)

На этом этапе мы подробно рассматриваем результаты исследования и обсуждаем, что могло на них повлиять.

Интерпретация — это этап ОЖЦ, на котором результаты других этапов рассматриваются вместе и анализируются в свете неопределенностей используемых данных и предположений, которые были сделаны и задокументированы на протяжении всего исследования.

Результаты стадии ИАЖЦ или ОВЖЦ должны интерпретироваться согласно цели и охвату исследования.

Кроме того, интерпретация должна включать в себя оценку и проверку чувствительности входящих и исходящих потоков.

Получается, что на этап интерпретации предполагает:

Можно сказать, что на этом этапе мы со всех сторон смотрим на ход и результаты исследования, получаем более объемное понимание экологического воздействия продукта, обсуждаем, удалось ли достичь целей исследования и подводим итог.

Таблица ниже показывает, на что важно обратить внимание на этапе интерпретации и какие инструменты помогают работать с потенциально возникающими проблемами или неопределенностью.

Исследования в реальном мире, “в поле”, предполагают проблемы 3 типа проблем:

Качество данных - это первое, о чем думает исследователь, проводя ОЖЦ.

Первый вопрос, который он себе задает: ”Обладают ли используемые данные репрезентативностью (географической, временной, технологической)?”

Особенно важно это учесть при использовании вторичных данных.

Важный вопрос в случае сравнения разных продукционных систем: “Были ли правила распределения и установка границ системы последовательно применены ко всем сравниваемым продукционным системам? Иными словами: оцениваем ли мы для каждой системы одно и то же одним и тем же способом?”

Например: правильно ли подобран датасет на электроэнергию? Отражает ли он структуру источников и процессы выработки электроэнергии в том регионе, где находится производство? Нельзя брать датасет на солнечную электроэнергию из Австралии, если производство находится в китайском городе, где единственная электростанция работает на угле.

Проводя ИАЖЦ, исследователь осуществляет оценку качества данных.

Оценка качества данных = проверка полноты + проверка согласованности данных.

Проверка полноты нужна для понимания того, собрали ли мы достаточно данных, особенно для существенных процессов, которые в значительной степени влияют на результат. Как мы дальше увидим, в рассматриваемых нами продукционных системах есть потоки, которые ответственны как за наибольший вклад в экологическое воздействие, так и за менее весомый вклад в общее воздействие жизненного цикла по всем категориям. И если в случае с производством стеклянной бутылки очень важен вклад такого потока, как электроэнергия, потребляемая для изготовления бутылки, то для пластиковой бутылки более значимую роль будет играть поток первичных углеводородов, выступающих основным сырьем для ее изготовления.

Проверка согласованности выполняется для выяснения того, соответствуют ли предположения, методы и данные, которые были применены в исследовании, цели и охвату.

Изменчивость (variability) - естественное разнообразие или разброс в данных, которые мы всегда будем наблюдать, если это качество присуще выборке (для живых систем изменчивость параметров встречается практически без исключения).

Имея достаточно ресурсов, которые позволяют взять каждую возможную выборку, мы можем измерить и количественно оценить изменчивость, но мы никогда не сможем ее уменьшить. Занимаясь сбором данных, очень важно уделить внимание возможной изменчивости, собирая данные за протяженные периоды времени, например, за год или даже за несколько лет.

Неопределенность (uncertainty) - все, что мы не знаем, выраженное как вероятность или уверенность в том, что определенное событие произойдет.

Неизвестное включает в себя как случайные, так и систематические ошибки (оценки, измерения или сбора данных), ошибки и эпистемологическую неопределенность (т. е. отсутствие научных знаний и последующие неверные толкования).

Неопределенность можно количественно оценить и уменьшить, узнав больше.

Неопределенность часто воспринимается как нечто дискредитирующее метод или результат исследования, но это не так.

Неопределенность - неотъемлемая часть научного познания по определению, и всегда будет содержаться в любом научном исследовании.

Правильное управление неопределенностью позволяет получать более надежные результаты и выводы в поддержку научно обоснованного принятия решений.

Парадокс оценки неопределенности состоит в том, что мы пытаемся оценить степень, в которой мы можем быть далеки от истины. В действительности знать это невозможно, иначе не пришлось бы сталкиваться с неопределенностью, поскольку мы знали бы истину, зная расстояние до нее.

Источники неопределенности в ОЖЦ:

Таким образом, неопределенность относится ко всему, чего мы не знаем и в чем не можем быть уверены, независимо от того, осознаем мы это или нет.

Пример такой опорной точки - измерение (разница между смоделированной оценкой и соответствующим измеренным значением используется как индикатор неопределенности). Надо помнить, что измеренное значение само по себе содержит некоторую неопределенность.

В предыдущих материалах мы обсуждали, что при создании характеристических моделей исследователи руководствуются принципом экономичности: делать настолько просто, насколько это возможно, и настолько сложно, насколько это необходимо.

Реальность вокруг очень сложна, и прибегая к моделированию, мы пытаемся создать некоторый упрощенный заменитель этой реальности, сохранив все важные аспекты (то есть модель должна обладать чувствительностью к входным параметрам). Поэтому модель вносит неопределенность сама по себе.

Чувствительность (sensitivity) модели - степень, в которой изменение входного параметра или выбора (например, временной горизонт в функциональной единице) приводит к изменению результата.

Помимо чувствительности, очень хотелось бы, чтобы модель помогала нам измерить то, что мы хотим измерить (точность модели) и делала бы это постоянством (прецизионностью). Точность (accuracy) и прецизионность (precision) часто путают, но важно помнить о том, что это разные понятия.

Точность (accuracy) - степень, в которой результат измерения, расчета или спецификации соответствует правильному значению или стандарту. Этот параметр отражает правильность, корректность значения, описывает близость измеренного или смоделированного значения к его “истинному” значению. (“Измеряем ли мы то, что хотели измерить?”)

Прецизионность (precision) - точность измерения, расчета или спецификации. Отражает взаимосвязь между несколькими измерениями или результатами расчетов. Представляет собой качество воспроизводимости (т. е. любое повторение расчета, эксперимента, запуска модели и т. д. дает аналогичный результат, когда он точен, или широкий разброс, когда он неточен), но воспроизводимый результат не обязательно должен быть очень точным или даже “истинным” (“Насколько надежен наш результат?”).

Вследствие этого точность результата модели может быть высокой, а его прецизионность может быть низкой. Это означает, что среднее значение результатов такой модели все равно будет представлять значимую информацию, даже если разброс результатов (т. е. стандартное отклонение) может быть большим. Напротив, очень прецизионное измерение или результат модели (т. е. с небольшим стандартным отклонением) не обязательно значимы, если они имеют низкую точность относительно информации, которую на самом деле необходимо отыскать.

На рисунке ниже проиллюстрированы сочетания этих двух параметров модели.

Мы уже поняли, что от неопределенности никуда не деться, поэтому важно сделать следующее

Подробно о том, как происходит весь процесс анализа неопределенности, мы расскажем в последующих материалах, пока будет достаточно понимания:

Проиллюстрируем второй пункт.

Предположим, мы провели оценку воздействия по некоторой категории для двух альтернатив (вариант A и вариант B).

Точечная оценка (воспроизводимый, единичный результат модели без учета изменений во входных данных) составляет 4 для варианта A и 6 для варианта B, что может указывать на то, что вариант A предпочтительнее, так как в 1.5 раза меньше, чем вариант B, воздействует на окружающую среду по данной категории.

Если мы заглянем “под капот” модели, то увидим, что оценки воздействия можно показать как распределения. На выходе часто мы видим одно значение (то, при котором значение плотности вероятности максимально), но важно помнить о том, что это одно из возможных значений.

Там, где распределения перекрываются, вариант B имеет определенные шансы быть предпочтительнее, чем вариант A, что противоположно выводу, сделанному ранее на основе только точечных оценок.

Чем больше распределения перекрываются, тем выше шансы, что вариант A может быть не предпочтительнее варианта B.

Как мы видим, если не учитывать неопределенность там, где она есть, есть риск принять неверное решение.

После обсуждения всех формальных вопросов, анализа чувствительности и анализа неопределенности можно переходить к самому интересному: рассмотрению результатов и выработке рекомендаций.

Если цель ОЖЦ разработка экологической декларации, то мы вносим получившиеся результаты в макет декларации и направляем его вместе с отчетом ОЖЦ на верификацию. После проверки и подтверждения корректности расчетов и оформления экологической декларации в соответствии с применимыми критериями верификации из ПКП, применимых стандартов и правил программы экологического декларирования мы получаем готовый к регистрации документ.

Если цель ОЖЦ - выбор из альтернатив, то необходимо дать очень точный и корректный ответ и обязательно указать, что ответ дается только для той ситуации и сценария использования, который был описан на этапе определения цели и охвата исследования.

Общий итоговый результат для исследуемых нами продукционных систем мы увидели на предыдущем этапе. Этого достаточно, чтобы дать ответ на основной вопрос нашего исследования:

Такие результаты объясняются разницей в весе бутылок (стеклянная бутылка в 13.75 раз тяжелее пластиковой) а также принципиальной разницей применяемых технологий производства, но сценарии использования при этом не отличаются.

Сейчас есть возможность посмотреть на результаты исследования со всех сторон. Это не обязательно с точки зрения цели исследования, но интересно само по себе и может быть полезно для производителей тары, если они задумаются о сокращении воздействия своей продукции на окружающую среду в перспективе всего ее жизненного цикла.

Результаты можно рассматривать с самых разных углов и задавать самые разные вопросы:

Сделаем это на примере одной категории воздействия, GWP. Для удобства работы с результатами исследования можно пользоваться как ПО для проведения ОЖЦ, так и другими инструменты визуализации данных.

Мы можем сделать то же самое для каждой из категорий воздействия, можем выбрать другой принцип визуализации. Такое объемное и многомерное представление о воздействии продукта или услуги на окружающую среду - это основное достоинство метода ОЖЦ.

Результаты нашего исследования по категории GWP для стеклянной бутылки в границах сradle-to-gate.

Результаты исследования по категории GWP для пластиковой бутылки в границах cradle-to-gate.

Видно, что у стеклянной бутылки основной вклад в выбросы парниковых газов вносит стадия производства, а у пластиковой - добыча сырья. Транспортировка сырья в обоих случаях не вносит значительного вклада. Соответственно, желая эффективно снизить воздействие по категории GWP, производители будут внимательнее смотреть на “горячие точки”, наиболее “воздействующие” процессы или стадии жизненного цикла.

В случае стеклянной бутылки интересно, что большая часть воздействия сырья приходится на соду, хотя масса этого потока почти в 3.5 раза меньше, чем у кварцевого песка, самого “массивного” материального потока.

Если речь идет о переработке продукта, мы пока не можем говорить о том, что пластиковая бутылка однозначно лучше стеклянной для конкретного сценария использования. С одной стороны, стекло одного типа может перерабатываться множество раз, в отличие от пластиковой бутылки, чей переработанный материал теряет свои потребительские свойства через 2-3 цикла переработки. То есть выгоды от переработки стеклянной бутылки будут расти по мере увеличения количества циклов переработки, так как не будет требоваться производство дополнительного первичного сырья. С другой стороны, для того, чтобы это утверждение было верным, необходимо совпадение ряда условий: как минимум, стекло должно быть собрано и отсортировано по типам и цветам.

Получается, что для моделирования сценария переработки нам требуется собрать больше информации о том, как устроена переработка различных типов отходов в регионе, где будет использоваться наш продукт:

Естественно, чем больше контроля со стороны производителя, тем более точную модель мы сможем создать. В данном случае мы включим в наш отчет замечание, что сценарий переработки требует дальнейшего изучения, а рекомендации мы даем в соответствии с поставленными целями исследования.

Мы не говорим о том, какой материал или какая тара лучше в общем случае, так как общего случая нет - любая тара может быть одноразовой, оборотной, многоразовой, эксплуатироваться в разных условиях с разными целями. Мы говорим о том, какой продукт будет предпочтительнее в конкретной рассмотренной ситуации (в сценарии) с точки зрения воздействия на окружающую среду.

По мере накопления исследований появляется возможность проводить мета-анализ и делать обзоры, формировать обобщенные выводы и рекомендации по снижению экологического воздействия. Чем больше похожи технологии производства и процессы фоновой системы, тем проще получить некоторое общее понимание того, как эффективнее всего снижать экологическое воздействие для определенных продуктов или производств.