Duyarlılık analizi: hangi varsayım sonucu gerçekten taşıyor?
Bir LCA sonucu, en zayıf varsayımı kadar sağlamdır. Tek parametre taraması, sıcak nokta analizi ve belirsizlikten farkı.
Yazan clca Editöryal EkibiSon güncelleme
Bir yaşam döngüsü değerlendirmesi, onlarca varsayım üzerine kuruludur: taşıma mesafeleri, elektrik karması, ömür süreleri, geri dönüşüm oranları, allocation seçimleri. Bu varsayımların hepsi eşit derecede önemli değildir. Duyarlılık analizi, hangilerinin sonucu gerçekten taşıdığını gösterir.
Duyarlılık ve belirsizlik aynı şey değil
Belirsizlik analizi, girdilerdeki bilinen dağılımların çıktıda ne kadar yayılma yarattığını sorar; Monte Carlo simülasyonu bunun tipik aracıdır. Duyarlılık analizi ise farklı bir soru sorar: bu parametreyi değiştirirsem sonuç ne kadar değişir? İlki belirsizliği ölçer, ikincisi kaldıraçları bulur.
İkisi birbirini tamamlar ama duyarlılık analizi genellikle daha kullanışlıdır, çünkü doğrudan bir eylem önerir: sonucu en çok taşıyan parametrenin verisini iyileştirin.
Tek parametre taraması
En basit ve en yaygın yöntem, her parametreyi tek tek belirli bir oranda — tipik olarak yüzde on veya yirmi — değiştirip sonuçtaki değişimi ölçmektir. Çıktı, parametreleri etki büyüklüğüne göre sıralayan bir listedir. Bu liste, veri toplama önceliklerinizi doğrudan belirler.
- Elektrik emisyon faktörü — enerji yoğun süreçlerde neredeyse her zaman ilk sırada
- Ana hammadde miktarı ve kaynağı
- Taşıma mesafesi — düşük yoğunluklu veya ağır ürünlerde belirleyici
- Ürün ömrü ve değişim sıklığı — ömür boyu hesaplarda kritik
- Geri dönüşüm oranı — Modül D ve kesme yaklaşımında büyük etki
- Allocation yöntemi — çok çıktılı sistemlerde tek başına sonucu tersine çevirebilir
Karşılaştırmalı çalışmalarda zorunluluk
İki ürünün karşılaştırıldığı bir çalışmada duyarlılık analizi bir tercih değildir. Sonuçtaki fark yüzde on iken, kritik bir parametrenin makul aralığında yüzde otuz oynama varsa, karşılaştırma anlamsızdır. ISO 14044, kamuya açıklanan karşılaştırmalı iddialar için bu tür kontrolleri şart koşar.
Pratik kural şudur: farkın, en duyarlı parametrenin makul aralığındaki oynamadan büyük olduğunu gösteremiyorsanız, iki ürünün eşdeğer olduğunu söylemek daha dürüsttür.
Etiketler
- duyarlılık analizi
- belirsizlik analizi
- veri kalitesi
- sıcak nokta analizi
- LCA metodolojisi
- senaryo analizi
İlgili yazılar
Veri ve Metot kategorisindeki tüm yazılar- Platform
Monte Carlo ile LCA belirsizlik analizi: pedigree matrisinden P10/P90'a
Tek sayılık bir GWP sonucu, arkasındaki belirsizliği gizler. Pedigree matrisinden lognormal dağılıma, oradan P10/P90 bandına giden hesap zinciri.
11 dk okuma - Veri ve Metot
LCI veri tabanları: ecoinvent, EF ve sektörel setler nasıl seçilir?
Arka plan veri tabanı seçimi bir teknik detay değil, sonucu değiştiren bir metodolojik karardır. Kapsam, sistem modeli ve karıştırma yasağı.
11 dk okuma - Veri ve Metot
Birincil ve ikincil veri: hangi kalem için hangisini toplamalı?
Her şeyi birincil veriyle modellemek ne mümkün ne gerekli. Ön plan-arka plan ayrımı ve veri toplama bütçesini doğru dağıtma.
10 dk okuma - Veri ve Metot
Senaryo analizi: yaşam sonu varsayımları sonucu nasıl belirliyor?
Elli yıl sonraki geri dönüşüm altyapısını kimse bilmiyor. Bu belirsizlikle nasıl çalışılır ve senaryolar nasıl dürüstçe raporlanır?
10 dk okuma