En LCA er en multikriterieanalyse der typisk ser på en lang række af forskellige miljøforhold. Resultatet skal først og fremmest afspejle LCA’ens scope, altså hvad er det virksomheden skal bruge resultatet til? Inden for vurderingens scope, afhænger resultatet både af, hvilke miljøforhold man vælger at kigge på, de anvendte metoder og standarder, mængden af tilgængelige data, hvor præcis data er, hvilke funktionelle enheder der anvendes, den af virksomheden definerede systemafgrænsning m.fl.
Systemafgrænsning
Systemafgrænsningen er et af de definerende parametre i en LCA. Her fortager virksomheden både organisatoriske afgrænsninger afhængig af hvilken ejer- og ansvarsstruktur virksomheden indgår i og hvad den har kontrol over samt og operationelle afgrænsninger afhængig af hvilke aktiviteter og dele af livscyklussen der medtages. Dvs. at på trods af at der er tale om en livscyklusvurdering indeholder den sjældent alle led i produktets livscyklus. Det er også her virksomheden træffer beslutning om hvilke miljøforhold der skal medtages da en LCA sjældent vil indeholde alle miljøforhold. I systemafgrænsningen tager der stilling til hvilke direkte, indirekte, herunder afledte effekter, der er omfattet, og der tages også stilling ti de tidsmæssige afgrænsninger i forhold til over hvor lang tid data indsamles og/eller hvor lang tid tilbage der indhentes data.
Data
Data kan enten basere sig på direkte målinger og beregninger, inden for en nærmere defineret tidsramme og sted, tilgængelig generiske data, men kan også indeholde begrundede estimater der hvor mere præcis data ikke kan fremskaffes. Typen, kvaliteten og omfanget af den indsamlede data vil altid bygge på en række forudgående beslutninger og antagelser, samt metoden hvorunder data er indsamlet.
Der hvor der anvendes generisk data er det vigtigt at kigge ind i den bagvedliggende metode for frembringelse og indsamling af data, da denne vil være afgørende for at forstå hvad de data der anvendes, fortæller nogen om, og lige så vigtigt hvad de ikke fortæller noget om.
Metoder, standarder og funktionelle enheder
Som vurderingsredskab er LCA’en opbygget af en lang række analyser, der igen er foretaget på baggrund af en lang række anvendte metoder og standarder. Den funktionelle enhed der anvendes, er også bestemmende for valg af metoder og standarder, samt hvilke resultater der opnås og hvad de fortæller noget om.
Eksempel: Vil din virksomhed have mængden af udledte klimagasser med, som en del af LCA’en, så vil data formentlig være en blanding af direkte data (forbrugsdata) og generisk data (opvarmningspotentiale, miljødeklarationer m.v.), klimaberegningerne vil være udført på baggrund af en anerkendt standard (f.eks. GHG-protokollen), og data vil med stor sandsynlighed have den funktionelle enhed CO2e.
Resultatet
Resultatet af en LCA afspejler alene det scope som den er lavet til, de valg og fravalg der foretaget i forhold til afgrænsninger, valg af metoder og den anvendte data. Og det betyder samtidig at der vil være en masse som den pågældende LCA ikke fortæller noget om, og det skal virksomheden være bevidst om.
At LCA’er et langt stykke hen ad vejen er ’skræddersyet’ til en bestemt virksomhed eller produkt/materiale og med et bestemt formål, gør også at resultaterne er meget vanskelige sammenligne 1:1, da det i så fald forudsætter at den samme ’opskrift’ er blevet fulgt. Til internt brug i virksomheden er det i højere grad en mulighed at have de samme forudsætninger og anvende den samme tilgang, der gør det muligt at sammenligne f.eks. produkter eller resultaterne efter at man har arbejdet med miljøforbedringer.
Det er vigtigt at kende sine data, kvaliteten af dem, herunder usikkerheden, og vide hvad det er de fortæller noget om og hvad de ikke fortæller noget om. Det er særligt vigtigt når virksomheden ønsker at kommunikere på baggrund af resultaterne, ellers er der stor risiko for at ende i en green washing fælde, hvis man postulerer noget som data ikke underbygger.
Der anvendes i høj grad generisk data, hentet fra store databaser. De anvendes fordi, at indsamling af direkte data kan være utrolig omfattende, kompleks, tidskrævende og heraf meget omkostningstung for virksomhederne. Når man anvender generisk data, skal man være opmærksom på, at det ikke fortæller noget specifikt om netop dit produkt, men bygger på datasæt der giver en mere generel vurdering. F.eks. er det ikke uden betydning hvor din bomuld er blevet dyrket og hvilke produktionsprocesser og- forhold fremstillingen af netop din T-shirt har været igennem. Kom energien fra kulkraft eller vindkraft? Hvilken type farvestoffer blev anvendt til at farve den gul? og under hvilke forhold blev det pågældende farvestof fremstillet? osv. Med direkte data og beregninger kommer du naturligvis meget tættere på at kunne fortælle noget om lige netop dit produkt. Men selv direkte data vil være forbundet med en eller anden grad af usikkerhed, som beskrevet ovenfor.
