怎么正确理解碳足迹的不确定性

最近双碳概念火，看到市面上冒出很多产品碳足迹分析和计算工具，这个是好事，推动公众和社会对双碳分析和计算评估的重视，但是也看到了很多错误的概念和问题，其中比较严重的是关于结果不确定性的分析。

例如对于以下的描述，读者看看有没有什么问题（注：以下案例均来自公开信息，名称和数量略微调整）

1. 假设运输距离为800公里，但是因为运输距离存在600km到1000km的可能，所有结果可能存在正负200km的误差，因此运输过程碳足迹结果的不确定度为正负25%；

2. XX产品的碳足迹结果为70kg CO2 eq，不确定度为30kg，上下95%置信区间为（40kg，100kg）

3. YY产品的各种材料和能源等清单数据的不确定性区间分别为ABCD，因此按照这些区间中间值计算可以获得平均值，然后按照上下限区间计算可以获得最终产品的不确定度，如案例2；

诸如此类。

那么这些工具和分析有没有犯错呢？为什么会犯错？我们应该怎么计算和分析产品碳足迹的不确定度呢？

其实回答这些问题并不难，可是不能心急，搞分析要严谨，不能只是为了宣传等商业利益假大空放卫星，不尊重基本的统计和科学——回答上面的问题，我们先了解以下一些基本的概念：

第一：结果的不确定性要按照敏感性和不确定性两个维度区分，不要混为一谈——我们一般分析模型的结果或者结论的准确性与否，需要搞清楚是因为模型本身假设条件或者参数选择非唯一性所造成的结论不清晰（敏感性），还是因为在模型假设条件以及参数基本确定的情况下，输入数据因为计量或者采集精度的不确定性所导致的不确定性；前者我们可以需要统一假设，使假设和条件尽量与现实情况接近，或者增加代表性加以解决（例如EPD中国的产品和行业PCR建设），但是需要承认，模型代表不了现实，只能模拟现实中的一种或者几种可能，所以我们一般会进行敏感性分析，来佐证模型的结论对现实情况的支撑程度；在错误案例1里面，运输距离因为统计渠道或者资源限制的原因，可能采集不到具体距离信息，因此采取了800km的经验值假设，在这种情况下，可以采取敏感性分析，分析600和1000km条件下结果的偏差程度，如果偏差很低（例如小于1%），我们就认为这个模型的假设的敏感性很低，不会对模型的代表性产生冲击，因此没有必要再增加距离数据的精确度（即降低不确定度）；反之，如果偏差很大（例如25%），我们就要检验该模型的可靠度，这种情况下就要矫正运输距离这个假设条件，使模型的数据输入不存在模棱两可，是火车还是货车，是600km左右还是1000km左右——这个不是不确定度这个维度的问题，而是模型本身需要面对的敏感性方面问题，在解释这种因为模型选择所造成的结果的偏差，我们应该称之为模型有关选择假设的敏感度，或者敏感性分析；具体在距离这件事上而言，我们就说距离假设的敏感性如何如何，而不是距离的不确定度；

第二：相对于敏感性分析，不确定度一般指的是在假设和前提都一致的情况下，因为数据源本身的误差所造成的结果可能出现的非唯一，以及这种结果的偏离程度；当我们在讨论碳足迹结果的不确定度的时候，我们一般说的是在统一确定的标准和模型的条件下（如果标准方法都不确定，那后面谈不确定性就不知道按照什么标准和模型的要求，得到相对于什么的不确定性了），数据输入和输出之间的不确定性关系；在碳足迹评估上，简单地说就是，在碳足迹评估的标准（包括产品对象、范围边界、数据质量要求、相关假设前提和评估模型等）已经确定，不存在其他A VS B选择性问题的情况下，衡量模式所采集和使用的活动和背景数据信息本身的不确定性所造成的结果不确定度，而这种碳足迹结果的不确定度，我们按照统计学的常识可以知道，往往是满足对数正态分布的（有最大概率中值，以及上下95%或者99%置信区间值），极少有按照平均分布（例如投骰子出现1-6点的平均可能）而呈现的平均值加上百分之几的误差这种结果；在案例1里面，距离如果是高敏感度的参数，那么就需要对距离进行测量或者计算，可能获得类似如下的结果：距离～N（650km，标准差=10km）的正态分布；

第三：正态分布的数据和结果是有置信区间这么一说，但是现实生活的数据的分布并不是简单的正态分布，碳足迹涉及的环节众多，其结果呈现的以对数正态分布为主，简单的对称不确定度的说法对于碳足迹结果并不成立，对于案例2，XX产品的碳足迹结果～LogN（70kg，方差=3），意味着XX产品的碳足迹的95%分布区间为（23kg，210kg），最大概率为70kg，这个也符合现实生活的分布，大家以人类的体重为例，体会一下即可明白。按照对数正态分布的曲线（如下图），中值左右数据收敛的速度很明显是左边很快，右边很慢，是明显的不对称分布，因此错误案例2中把平均分布的不确定度30kg，简单加减或乘除得到上下置信区间的做法，是明显错误的，既混淆了正态分布和平均分布，又没有搞清楚对数正态分布的非对成性；

第四：第三个案例中用线性计算各LCI数据最大最小值获得分布区间的做法，未考虑各LCI数据的实际分布情况以及结果的非连续性，简而言之不可以直接计算，具体解决办法，建议参考蒙特卡洛或其他统计方法，获得正确的计算和分析结果。具体操作比较复杂，欢迎大家参加一米一的线上线下培训课程，结合SimaPro以及一米一平台，我们可以仔细说一下（请关注一米一公众号：ecovane获得最新培训通知）。

特别指出的是，为了减少企业开展产品碳足迹的误差，增加结果的确定性，EPD中国在各方的努力和支持下，不断地在完善产品碳足迹的评估规则、方法、体系，尽量增强评估的稳健度，避免因为选择的不确定导致的模型的敏感性偏差，同时，通过数据质量和规则的建设，降低数据的不确定度，使EPD声明的环境指标（包括碳足迹）达到最大程度的确定性，我们相信我们的努力，可以帮助企业和各界获得可靠的碳足迹信息，为支持科学决策，作出应有之贡献。

时间仓促，不当之处，请大家批评指正，我的邮箱：bill.k@1mi1.cn 

2022年11月26日，星期六