Einführung in Datenqualität

Datenqualität beschreibt, wie gut Daten spezifische Anforderungen oder Zwecke gemäß dem Ziel und Umfang der Studie erfüllen.

Im Rahmen der Scope-Definition ist es essenziell, das Datenframework für die Studie festzulegen und zu identifizieren. Sobald der Scope definiert ist, besteht der nächste Schritt darin, die Anforderungen an die Datenqualität zu bewerten und geeignete Datenquellen auszuwählen, um Konsistenz, Zuverlässigkeit und Übereinstimmung mit den Studienzielen sicherzustellen. Dabei sollte die Repräsentativität der Daten in Bezug auf zeitliche, geografische und technologische Aspekte berücksichtigt werden. Es gibt verschiedene Arten von Daten, darunter:

  • Prozessspezifische Daten (sehr detaillierte, meist primäre Daten aus direkten Messungen)
  • Durchschnittsdaten (aggregierte Datensätze aus Branchen oder Datenbanken)
  • Generische Daten (sekundäre Daten, häufig aus Literatur oder Datenbanken)

Diese Datensätze können aus primären Quellen (direkte Messungen, Lieferantendaten) oder sekundären Quellen (veröffentlichte Datenbanken, Berichte, Literatur) stammen. Die Wahl des geeigneten Datentyps vor der Life Cycle Inventory (LCI)-Phase ist entscheidend für die Genauigkeit und Relevanz der Daten.

Um Transparenz und Zuverlässigkeit sicherzustellen, sollte bei der anstehenden Datensammlung die Datenqualität anhand folgender Skala bewertet werden:

Ziel_0.2

Weitere Kriterien für die Bewertung der Datenqualität können beispielsweise der geografische und zeitliche Geltungsbereich sein – d.h. die Region und der Zeitraum, für die die Daten gültig sind.

Die Anforderungen an die Datenqualität sowie die Prinzipien der Datendokumentation sollten klar definiert sein, bevor die Datenerhebung beginnt. Die Interpretation der LCA-Ergebnisse sollte eine umfassende Bewertung der Datenqualitätsbewertung beinhalten, um Unsicherheiten und mögliche Einschränkungen offenzulegen.

Darüber hinaus legt das Datenframework fest, wie Interaktionen mit anderen Produktsystemen behandelt werden, insbesondere bei der Lösung von Multifunktionalitätsproblemen. Multifunktionalität tritt auf, wenn Prozesse mehr als eine Funktion oder ein Produkt liefern, sodass spezifische Methoden wie Allokation oder Systemerweiterung (gemäß ISO 14044) angewendet werden müssen. Produktsysteme können auf drei Arten multifunktional sein:

  • Mehrere Outputs (z. B. gemeinsame Produktion mehrerer wertvoller Produkte)
  • Mehrere Inputs (z. B. Behandlung mehrerer Abfallströme)
  • Kombinierte Input-Output-Systeme (z. B. Abfallbehandlungsprozesse, die gleichzeitig wertvolle Produkte erzeugen)

================================================================================================

Case Study

Die für die LCA-Methode erforderlichen Daten sollten je nach ihrer Verfügbarkeit kategorisiert und geordnet werden.

  • Datenqualität Level 1: Primärdaten zu Menge und Art der Rohstoffe und Verpackungen, die aus Stücklisten sowie aus der Abfrage von Lieferanten stammen
  • Datenqualität Level 2: Für die Produktion von Leitungswasser wird ein bestehender Datensatz aus Ecoinvent herangezogen.
  • Datenqualität Level 3: Für die Entsorgungsphase werden Branchenstudien für die Entsorgung sowie die Recyclingraten von Elektrogeräten im Haushalt herangezogen.

Andere Schwerpunktbereiche:

  • Zeit - Daten, die weniger als 5 Jahre vom Jahr der Untersuchung entfernt sind
  • Geografie - Daten innerhalb Europe
  • Technologie - Daten aus Unternehmen und Prozessen

Allokation und Multifunktionalität der Prozesse müssen definiert werden.

In der Studie getroffene Annahmen:

  1. Der elektrische Wasserkocher wird für Haushaltszwecke verwendet.
  2. Aufgrund mangelnder Daten wurde der Stromverbrauch für die Montage der Wasserkocher nicht berücksichtigt.
  3. Für Netzkabel, elektrische und thermische Stecker und Steckdosen wurden die Ecoinvent-Daten für die Herstellung von Computerkabeln und -steckern übernommen.
  4. Für Metallabfälle wurde eine Recyclingquote von 95 % angesetzt.
  5. Es wird davon ausgegangen, dass alle Polyethylenbeutel und Silikone deponiert werden.
  6. Für Kartonverpackungen wurden die Daten zur Verpackungsentsorgung in der EU für das Jahr 2013 angenommen

(Diese Annahmen werden im Laufe der Datensammlung getroffen. Diese gilt es ausreichend zu dokumentieren, um die Datenqualität beurteilen zu können.)

================================================================================================

Praxistipp:

ggf. Überarbeitung der Qualitätsskala für die Industrie bzw. das Produkt, Berücksichtigung von spezifischen Anforderungen bei vergleichenden Studien bzw. wenn die Veröffentlichung grundlegender Ergebnisse geplant ist

Checkliste

  • Sind die Anforderungen an die Datenqualität klar definiert und dokumentiert?
  • Besteht ein Verständnis über die unterschiedlichen Datentypen?
  • Ist die Skala für die Datenqualität repräsentativ für das betrachtete Produkt?