LCA'da Veri Kalitesi ve Belirsizlik Analizi Rehberi

Veri Kalitesi Neden Kritik?

LCA sonuçlarının güvenilirliği, kullanılan verilerin kalitesine doğrudan bağlıdır. Yanlış veya düşük kaliteli veri, hatalı çevresel değerlendirmelere ve yanlış karar almaya yol açar.

ISO 14044, veri kalitesi değerlendirmesini zorunlu kılar. Veri kalitesi, LCA sonuçlarının:

• Güvenilirliğini belirler
• Karşılaştırılabilirliğini etkiler
• Karar alma için uygunluğunu ortaya koyar

---

ISO 14044 Veri Kalitesi Gereksinimleri

ISO 14044, veri kalitesinin aşağıdaki boyutlarda değerlendirilmesini gerektirir:

Zamansal Kapsam

• Verinin temsil ettiği zaman dilimi
• Verinin güncelliği
• Referans yıl ile üretim yılı arasındaki fark

Coğrafi Kapsam

• Verinin temsil ettiği coğrafya
• Ülke, bölge veya havza bazında uygunluk
• Enerji karışımı ve teknoloji farklılıkları

Teknolojik Kapsam

• Verinin temsil ettiği teknoloji seviyesi
• BAT (Best Available Technology) karşılaştırması
• Sektörel ortalama vs spesifik tesis verisi

Kesinlik (Precision)

• Verinin ölçüm hassasiyeti
• Ölçüm yönteminin güvenilirliği
• Tekrarlanabilirlik

Tamlık (Completeness)

• Tüm ilgili akışların dahil edilip edilmediği
• Veri boşluklarının tanımlanması
• Eksik verilerin ele alınma yöntemi

Temsiliyet (Representativeness)

• Verinin gerçek durumu ne kadar doğru yansıttığı
• Örneklem büyüklüğü ve seçimi
• Ortalama vs marjinal veri

Tutarlılık (Consistency)

• Çalışma genelinde aynı metodolojinin uygulanması
• Veri kaynaklarının tutarlılığı
• Hesaplama yöntemlerinin birliği

---

Pedigree Matrisi

Pedigree matrisi, LCA'da veri kalitesini sistematik olarak puanlamak için kullanılan yaygın bir araçtır. Ecoinvent veritabanı tarafından popülerleştirilmiştir.

Beş Kalite Göstergesi

Gösterge	1 (En İyi)	5 (En Kötü)
Güvenilirlik	Doğrulanmış ölçüm	Niteliksiz tahmin
Tamlık	Temsilci veri	Bilinmeyen temsiliyet
Zamansal uyum	<3 yıl fark	>15 yıl fark
Coğrafi uyum	Aynı bölge	Bilinmeyen bölge
Teknolojik uyum	Aynı teknoloji	İlişkisiz teknoloji

Her gösterge 1-5 arasında puanlanır. Toplam puan, verinin genel kalitesini gösterir.

Uygulama Örneği

Bir Türk çelik tesisi için LCA yapılıyorsa:

Veri	Güvenilirlik	Tamlık	Zamansal	Coğrafi	Teknolojik
Elektrik tüketimi (fatura)	1	1	1	1	1
Doğalgaz (fatura)	1	1	1	1	1
Demir cevheri (Ecoinvent, Avustralya)	2	2	2	4	3
Nakliye (tahmin)	4	3	2	3	3

Bu tablo, birincil verilerin kalitesinin ikincil verilere göre önemli ölçüde yüksek olduğunu gösterir.

---

Belirsizlik Analizi Yöntemleri

Monte Carlo Simülasyonu

En yaygın kullanılan belirsizlik analizi yöntemidir:

1. Her veri parametresine olasılık dağılımı atanır (normal, log-normal, üçgen vb.)
2. Parametreler rassal olarak örneklenir (genellikle 1.000-10.000 iterasyon)
3. Her iterasyonda LCA hesabı tekrarlanır
4. Sonuçların dağılımı ve güven aralığı hesaplanır

Çıktılar:

• Ortalama değer ve standart sapma
• %95 güven aralığı
• Sonuçların histogramı

Hassasiyet Analizi

Hangi parametrelerin sonuçları en çok etkilediğini belirler:

• Bir parametreyi değiştirme (perturbation): Her parametreyi ±%10-20 değiştirip sonuç değişimini ölçme
• Senaryo analizi: Farklı varsayımlar altında sonuçları karşılaştırma
• Contribution analizi: Her prosesin toplam etkiye katkısını belirleme

Taylor Serisi Açılımı

Matematiksel yaklaşımla hata yayılımı hesaplanır. Monte Carlo'ya göre daha hızlı ancak daha az esnek.

---

Birincil vs İkincil Veri

Birincil Veri (Primary Data)

• Doğrudan tesis ölçümleri, faturalar, üretim kayıtları
• En yüksek kalite, en güvenilir sonuç
• ISO 14044 tarafından tercih edilen veri türü
• CBAM actual data hesaplamasında zorunlu

İkincil Veri (Secondary Data)

• LCA veritabanları (Ecoinvent, GaBi, ELCD)
• Literatür değerleri, sektörel ortalamalar
• Birincil veri yoksa kullanılır
• Kaynak ve dönem belirtilmeli

Üçüncül Veri (Tertiary Data)

• Uzman tahmini, proxy veri
• En düşük kalite
• Sadece son çare olarak kullanılmalı
• Belirsizlik analizi ile mutlaka test edilmeli

---

CBAM ve Veri Kalitesi

CBAM kapsamında veri kalitesi doğrudan maliyet etkisine sahiptir:

• Actual data (birincil veri) kullanıldığında gerçek emisyon değeri raporlanır
• Veri kalitesi yetersizse default value uygulanır (genellikle daha yüksek)
• Doğrulayıcılar veri kalitesini değerlendirir

Default value ve actual data karşılaştırması: Default Value vs Actual Data: CBAM'da Hangi Yöntemi Kullanmalı?

---

Veri Kalitesini Artırma Stratejileri

1. Alt sayaç sistemleri kurun: Proses bazlı enerji tüketimi ölçümü
2. Tedarikçi spesifik veri toplayın: Genel veritabanı yerine tedarikçi beyanı kullanın
3. Veritabanı versiyonunu güncel tutun: Ecoinvent 3.x yerine en güncel sürüm
4. Coğrafi olarak uygun veri seçin: Türkiye verisi varsa Avrupa ortalaması yerine kullanın
5. Dokümante edin: Her veri noktasının kaynağını ve kalite değerlendirmesini kaydedin

---

Sık Yapılan Hatalar

1. Belirsizlik analizini atlamak: ISO 14044 karşılaştırmalı çalışmalarda zorunlu kılar
2. Tüm veritabanı verisini eşit kalitede kabul etmek: Pedigree değerlendirmesi yapılmalı
3. Coğrafi uyumsuzluk: Avrupa veritabanı değerini Asya prosesi için kullanmak
4. Zamansal uyumsuzluk: 10+ yıllık eski emisyon faktörleri kullanmak
5. Hassas parametreleri tespit etmemek: Contribution analizi yapılmadan optimizasyon planlanması

---

Sonuç

Veri kalitesi, LCA sonuçlarının güvenilirliğinin temel belirleyicisidir. ISO 14044, sistematik veri kalitesi değerlendirmesi ve belirsizlik analizi gerektirir.

Firmalar için pratik yaklaşım: Birincil veriyi maksimize edin, pedigree matrisi ile kaliteyi değerlendirin ve hassasiyet analizi ile kritik parametreleri tespit edin.

---

İlgili Yazılar

• ISO 14040 ve ISO 14044 Arasındaki Fark
• LCA'da Tahsis Yöntemleri
• Default Value vs Actual Data
• Yaşam Döngüsü Değerlendirmesi (LCA) Nedir?

---

Yüksek Veri Kalitesiyle Güvenilir LCA için CarbonEmit

• Birincil Veri Odaklı Ürün Karbon Ayak İzi Platformu — Tesis ölçümü, fatura ve üretim kayıtlarından derlenen birincil verileri pedigree matrisiyle puanlayın; ikincil veritabanı değerleri ile birleştirerek ISO 14044 veri kalitesi gereksinimlerini karşılayan ürün karbon ayak izi üretin.
• Actual Data ile CBAM: Veri Kalitesini Maliyete Çevirin — Veri kalitesi düşük olduğunda devreye giren yüksek default value'dan kurtulun; birincil enerji, yakıt ve üretim verilerini doğrudan CBAM beyan platformuna aktarın ve doğrulayıcı sorularına hazır belge seti oluşturun.
• ISO 14064-1 Uyumlu Belirsizlik Analizi ve GHG Envanteri — 2018 revizyonunun zorunlu kıldığı belirsizlik analizini ve veri kalitesi değerlendirmesini sistematik biçimde yürütün; her emisyon kaynağını kaynak belgesiyle ilişkilendiren izlenebilir envanter altyapısı kurun.