In einem LCA spielt die Qualität der verwendeten Daten eine zentrale Rolle. Nur wenn die Daten verlässlich, konsistent und für den Untersuchungszweck geeignet sind, können die Ergebnisse als aussagekräftig und belastbar gelten. Da LCAs häufig Daten aus unterschiedlichen Quellen kombinieren, ist eine systematische Bewertung der Datenqualität entscheidend für die Genauigkeit der Studie. Zur Bewertung der Datenqualität werden sogenannte Datenqualitätsindikatoren (Data Quality Indicators - DQIs) verwendet. Jeder DQI beschreibt ein bestimmtes Qualitätsmerkmal der Daten – beispielsweise ihre Aktualität, Repräsentativität oder Zuverlässigkeit. Ein häufig eingesetztes Verfahren ist der Pedigree-Matrix-Ansatz. Dabei wird jeder Qualitätsindikator auf einer Skala von 1 (sehr gut) bis 5 (sehr schlecht) bewertet – basierend auf vordefinierten Kriterien. Nachdem alle einzelnen DQIs bewertet wurden, werden ihre Werte summiert, um eine Gesamtbewertung der Datenqualität zu erhalten. Diese Kennzahl dient als Indikator für die allgemeine Qualität des verwendeten Datensatzes und ermöglicht eine schnelle Einschätzung.

Pedigree_Matrix_DE

Datenbewertung_DE

Je niedriger der DQI-Wert, desto höher ist die Qualität der Daten. Die Bewertung der Datenqualität hilft, Stärken und Schwächen im Datensatz zu erkennen. Beispielsweise kann festgestellt werden:

  • Sind die Daten aktuell genug?
  • Entsprechen die Daten der betrachteten Region oder Technologie?
  • Beruhen die Daten auf Messungen oder auf Annahmen?

Durch die Analyse der DQIs lassen sich Unsicherheiten erkennen, Datenlücken schließen und die Aussagekraft des Life Cycle Assessment insgesamt verbessern. Wenn bestimmte Daten niedrige DQI-Werte aufweisen, können gezielte Maßnahmen zur Verbesserung ergriffen werden:

  • Austausch von veralteten oder unzureichenden Daten durch repräsentativere oder aktuellere Quellen.
  • Erhebung von Primärdaten, wenn Sekundärdaten (z.B. aus Datenbanken) nicht ausreichend sind.
  • Präzisierung von Annahmen, um die technische, zeitliche oder geografische Repräsentativität zu erhöhen.

Durch diese Schritte kann die Qualität der Datengrundlage kontinuierlich verbessert werden was zu zuverlässigeren und nachvollziehbareren Ergebnissen führt.