IV. Interpretace životního cyklu - výstupem LCA je řada hodnot, které je nutno vyhodnotit - to obnáší roztřídění a srozumitelnou interpretaci v krocích: 1) identifikace významných zjištění 2) hodnocení LCA studií 3) formulace závěrů a doporučení - během inventarizační fáze a fáze hodnocení env. dopadů byly učiněny předpoklady a odhady, které je nutné vyhodnotit - i když je interpretace poslední fází, často ovlivňuje i předchozí fáze LCA studie, kdy na základě významných zjištěních můžeme činit změny v předchozích krocích 1) Identifikace významných zjištění - utřídit výsledky tak, abychom mohli jasně říci, např.: - „nejvýraznější ED má kávovar během fáze používání“ - „největší podíl na emisích ionizujících látek má výroba“ - „nejvíce ropy se spotřebuje při výrobě konvice“ atd. - takovéto informace nazýváme významnými zjištěními - tato zjištění jsou základem pro kontrolu kompletnosti, citlivosti a konzistence studie LCA - významná zjištění lze zjistit po uspořádání dat do strukturalizačních tabulek, kde jsou data uspořádána dle velikosti ED - jak se liší inventarizační tabulky? Strukturalizační tabulky - různé možnosti zobrazení souhrnu dat, např. dle velikosti ED na úrovni midpointů, př. LCA kávovaru Strukturalizační tabulky - různé možnosti zobrazení souhrnu dat, např. dle velikosti ED na úrovni endpointů, př. LCA kávovaru Zjištění závažnosti ED - nutno nejprve data normalizovat, abychom je mohli srovnat mezi jednotlivými kategoriemi ED Zjištění závažnosti ED - nutno nejprve data normalizovat, abychom je mohli srovnat mezi jednotlivými kategoriemi ED Zjištění závažnosti ED - nejvýraznější ED tedy v celém ŽC přípravy kávy (používání kávovaru) je spotřeba fosilních paliv na výrobu elektřiny - v jaké fázi ŽC? Zjištění závažnosti ED - nejvýraznější ED tedy v celém ŽC přípravy kávy (používání kávovaru) je spotřeba fosilních paliv na výrobu elektřiny - v jaké fázi ŽC? 2) Hodnocení LCA studií - cílem hodnocení je otestovat robustnost LCA studie a ověřit platnost významných zjištění - zvyšuje důvěryhodnost studie - nutné z důvodu ověření, zda přijaté předpoklady a nejistoty či variabilita dat nejsou příliš významné Kontrola úplnosti - ověření dostupnosti a úplnosti všech informací - pokud není něco v pořádku, je nutné to doplnit případně okomentovat, proč to není nutné - kontrola úplnosti se provádí pomocí seznamů úplnosti, př.: Kontrola konzistence (soudržnosti) - ověření souladu předpokladů – nutné obzvlášť při srovnávání dvou produktů - některé konzistence mohou být přijatelné, některé však ne Příklad seznamu soudržnosti: Kontrola konzistence (soudržnosti) Oblasti konzistence a možné nekonzistence Analýza nejistot - testuje vliv nepřesnosti (rozptylu) dat na výsledky studie Zdroje nejistot v LCA studiích - nepřesnosti v měřeních a odhadech - v procesu, který byl vybrán jako reprezentativní (používámeli např. průměrné hodnoty pro dopravu kamiony, místo konkrétních hodnot, které se však těžko získávají) - nejistoty v chování spotřebitelů – užívání a likvidace prod. - nejistoty v budoucích odpadových scénářích - nejistoty v hodnocení env. dopadů, atd. Řešení - určit rozsah nejistot a provést analýzu Monte Carlo Monte Carlo analýza - nejprve určíme typ rozložení dat a SD každého vstupního parametru - náhodně vybereme skupinu hodnot dle daného rozložení - přepočítáme LCA studii pro každý parametr - spočítané výsl. vyneseme do grafu četnosti a porovnáme - příklad - zjištění, která kat. ED má největší rozptyl hodnot - srovnání ED výroby elektřiny v Číně a Evropě - provedeme analýzu nejistot, Monte Carlo Vstupní data mají zadanou průměrnou hodnotu + typ rozložení + SD MC analýza nejistot ED výroby elektřiny v Číně Srovnání ED výroby elektřiny v Číně (červená) a Evropě (zelená) Srovnání ED výroby elektřiny v Číně (červená) a Evropě (zelená) Jsou tyto rozdíly opravdu významné? - záleží na nejistotách vstupních dat Výsledek MC analýzy ED výroby elektřiny v Číně a Evropě Četnosti, kolikrát je výsledek ED (zde kat. fosilní paliva) A-B větší než 0 (červeně) a menší než 0 (zeleně) Výsledek MC analýzy pro všechny kat. dop. Počet ED Číny > EvropyPočet ED Číny < Evropy Monte Carlo analýza - shrnutí - pokud je A>B ve více než 95 %, pak lze téměř s jistotou tvrdit, že je ED produktu A významně větší než prod. B - např. jen 70 % jistota, že je A>B je již dosti malá - díky MC analýze teprve poznáme, zda jsou rozdíly mezi ED produktů opravdu skutečné a významné - MC analýza zjednodušuje LCA – díky ní lze říci, zda jsou naše nejistoty veliké, a je nutné data upřesnit, nebo to je OK - data použitá ze skríningové studie mohou tedy stačit k tomu, abychom dostali významné výsledky Analýza citlivosti - testování, jak významně bude ovlivněn výsledk (ED): - změnou vstupních dat - odchylkami v předpokladech - použití jiných metodik LCIA - zvolením jiných alokačních pravidel - testování, zda malá změna vstupních dat nevyvolá velkou změnu ve významných zjištěních (ED) - pokud se ukáže, že je LCA citlivá na malou změnu určitého vstupního faktoru, pak je nutná opatrnost při interpretaci výsledku - pro porovnání dvou výsledků před/po změně vstupních dat je vhodné použít metodu Monte Carlo 3. Formulace závěrů studie LCA - uvedení všech významných zjištění a - uvedení všech souhrnů analýz použitých při hodnocení stud. př.: POROVNÁNÍ ED NÁPOJOVÝCH OBALŮ V ČR METODOU LCA 3. Formulace doporučení studie LCA - doporučení formulovaná příjemcům studie vychází z definice cílů a jsou založena na zjištěných závěrech př.: POROVNÁNÍ ED NÁPOJOVÝCH OBALŮ V ČR METODOU LCA