Datenqualität und Datensensitivität: Bedeutung, Unsicherheit und Bewertung | Green ICT Tutorial
Anknüpfend an das vorangegangene Tutorial zum Thema »Interpretation von Ökobilanzergebnissen« erläutert Sarah-Jane Bauer vom Fraunhofer IZM in diesem Teil der Schulungsvideoreihe, welche Rolle die Datenqualität spielt. Es wird beleuchtet, warum die Datenqualität so wichtig ist, welche typischen Unsicherheiten es gibt, wie sie entstehen und mit welchen Methoden man die Robustheit von Ergebnissen bewerten kann.
Bedeutung der Daten
Die Herkunft und die Qualität der Daten bestimmen maßgeblich die Genauigkeit und Zuverlässigkeit einer Ökobilanz. Daher ist es wichtig zu prüfen, auf welche Datenbasis sich die Analyse bezieht. Während (Standard-) Datenbanken wie Ecoinvent und Sphera auf Durchschnittswerten basieren, bieten spezifische Primärdaten aus der Produktion eines Unternehmens eine genauere Grundlage.
Im Idealfall hat man für die Berechnung einer Ökobilanz einen vollständigen und aktuellen Datensatz. In der Praxis kann die Qualität der Daten jedoch aus unterschiedlichen Gründen Defizite aufweisen, die zu ungenauen bzw. fehlerhaften Ergebnissen führen. Ein Problem sind veraltete Daten: Während sich Technologien und Produktionsmethoden im Laufe der Zeit ändern, beruhen viele Ökobilanzdaten auf älteren Studien. Weitere Einschränkungen entstehen, wenn für die konkreten Prozesse keine Daten verfügbar sind und daher auf ähnliche Datensätze zurückgegriffen werden muss. Auch Datenlücken können die Ergebnisqualität beeinträchtigen. Um solche Lücken zu schließen, müssen Annahmen getroffen werden, die zu möglichen Verzerrungen führen können. Ein weiterer Qualitätsverlust folgt aus der Arbeit mit intransparenten Daten oder unklaren Annahmen. Trotz vorhandener Daten ist in einem solchen Fall unklar, welche Annahmen getroffen oder welche Prozesse tatsächlich abgedeckt wurden. Wenn sich bspw. Produktionsmethoden oder Stromnetze verändern, kann eine Ökobilanz auf Basis veralteter Daten die Realität nicht mehr korrekt abbilden.
Sensitivitätsanalyse
Eine Sensitivitätsanalyse kann dazu beitragen, Unsicherheiten in der Datenbasis zu erkennen und deren Einfluss auf die Ergebnisse zu bewerten. Durch das Variieren bestimmter Annahmen testet man dabei, wie stark sich das Endergebnis verändert. Zunächst sollte jedoch geprüft werden, ob tatsächlich ein Unsicherheitsfaktor vorliegt oder der Fehler in den verwendeten Daten zurückzuführen ist. Am Anfang steht also die Analyse möglicher Fehlerquellen: Führen bereits kleine Änderungen in den Daten zu unerwartet großen Unterschieden im Ergebnis, kann dies auf einen Rechenfehler, eine falsche Annahme oder eine ungeeignete Datenquelle hinweisen. Erweisen sich die Daten als korrekt und plausibel, kann die Sensitivitätsanalyse fortgeführt werden.
Hierbei werden die Eingabewerte systematisch variiert und die daraus resultierenden Veränderung der Ergebnisse untersucht. Dabei können beispielsweise folgende Fragen betrachtet werden: Was passiert, wenn sich der Energiemix in der Herstellung oder Nutzung ändert? Ändern sich die Hotspots oder bleibt die Umweltbilanz stabil? Verändern sich die Ergebnisse durch solche Variierungen deutlich, weist dies auf eine hohe Unsicherheit hin. In diesem Fall muss die Datenbasis kritisch hinterfragt werden.
Typische Unsicherheiten in Ökobilanzdaten können wie folgt kategorisiert werden:
- Standarddaten vs. Reale Messwerte – Ökobilanzmodelle nutzen Durchschnittswerte, welche nicht die tatsächlichen Produktionsprozesse darstellen.
- Unsicherheit in der Nutzungsphase bzw. -dauer – Ökobilanz eines Smartphones ändert sich stark je nachdem, ob es zwei oder fünf Jahre genutzt wird.
- Unsicherheit bei der Materialbeschaffung – Ökobilanz hängt von Abbauort und -prozess ab
Entscheidungsträger:innen und Unternehmen müssen einschätzen können, wie robust ihre Ökobilanzergebnisse sind. Hohe Unsicherheiten in der Datenbasis muss kommuniziert werden, um im Anschluss weitere Daten zu erheben oder Annahmen zu überarbeiten und die Ergebnisse zu verbessern. Die Verlässlichkeit der Ökobilanzergebnisse ist dabei wichtig: Liegt eine hohe Sensitivität vor, sind die Ergebnisse weniger belastbar und nur eingeschränkt für langfristige Entscheidungen geeignet. Daher sollte stets geprüft werden, wie stabil die die zugrunde liegenden Daten und Annahmen sind.
Für eine detailliertere Ausführung empfiehlt sich ein Blick ins Video.
Zu den anderen Schulungsvideos der Reihe
FMD.institute mit Bezug zu diesem Text
FMD.projekte mit Bezug zu diesem Text
