Wie man bessere LCA-Datenbanken baut

Jakob Tresch

•

---

Wenn du schon einmal einen CO2-Fussabdruck auf einem Produkt gesehen oder in der Zeitung darüber gelesen hast, fragst du dich vielleicht, was eigentlich hinter den LCA-Datenbanken steckt. Wir bauen seit über drei Jahren Datenbanken, und ich möchte den Prozess und unsere Learnings dahinter etwas näherbringen.

Warum überhaupt eine eigene LCA-Datenbank bauen?

Wenn man ein Nachhaltigkeitsteam in einem Unternehmen leitet und sich fragt, warum jemand eine eigene Datenbank bauen sollte, obwohl es bereits so viele bestehende gibt, dann hast du wahrscheinlich richtig entschieden, es gar nicht erst in Betracht zu ziehen. Als wir mit Niatsu starteten, merkten wir jedoch schnell, dass bestehende Datenbanken oft zwei Probleme haben:

• Sie sind nicht spezifisch genug.
• Man kann sie nicht kontrollieren.

Mit «nicht spezifisch genug» meine ich, dass ein Fussabdruck oft nicht repräsentativ für die eigenen Bezugsquellen ist. Versuche einmal, in einer bestehenden Datenbank einen Fussabdruck für biologische oder regenerative Produkte zu finden. Häufig fehlt die geografische Abdeckung, was bedeutet, dass du in den meisten Datenbanken einen Sekundärdatenpunkt allein anhand der Beschreibung zuordnest und nicht anhand weiterer Attribute.

Zweitens musst du darauf vertrauen, dass die Werte des Datensatzherstellers korrekt sind. Wenn du vollen Zugriff auf das Inventar hast, kannst du es vielleicht anpassen, doch selbst dann verhindert die Komplexität oft schnelle, produktive Ergebnisse. Wir haben mit den meisten Datenbanken gearbeitet, die in der Lebensmittelindustrie für Umweltauswirkungen verfügbar sind. Viele bieten zwar eine grosse Abdeckung, doch es fehlt ihnen an regionaler Granularität, und sie sind auf bestimmte Sektoren beschränkt.

Datenbank oder System?

Moderne Datenbanken fühlen sich heute eher wie Systeme an. Eine Datenbank besteht aus Tausenden statischer Datenpunkte, die irgendwo gespeichert sind. Ein System passt sich Bedürfnissen an und lässt sich künftig aktualisieren. Als wir Niatsu aufbauten, wurde uns klar, dass genau das sich ändern muss. Statt eines riesigen Excel-Exports unserer Datenbank sollten sich Emissionsfaktoren einfach mit einer Abbildung der Lieferkette eines Produkts verknüpfen lassen. Das erreichen wir, indem wir unsere Datenbank von Digital Twins trennen. So bleibt die Datenbank flexibler und lässt sich einfacher erweitern, wovon alle Kunden profitieren.

Dieser getrennte Ansatz ermöglicht es auch, neue Technologien wie KI einfach zu integrieren, etwa für die Suche oder die Verarbeitung von Kundeninformationen mit der Datenbank.

Genau das hat unseren Ansatz beim Aufbau unserer eigenen Datenbank verändert. Die Niatsu-Datenbank ist heute zwar eine Datenbank, wird aber im Hintergrund von deutlich mehr Wissen angetrieben, das es uns erlaubt, auf weitere Regionen zu skalieren. Diese Verarbeitung ist für unsere Kunden unsichtbar, aber entscheidend dafür, bessere Daten schneller und in grossem Umfang bereitzustellen und aktuell zu halten.

Schauen wir uns ein konkretes Beispiel an: Was passiert, wenn man einen Fussabdruck für Weizen aus der Ukraine auswählt? Zuerst werten wir Satellitendaten aus, um den Erntezeitpunkt dieses Jahres zu bestimmen, und modellieren zusammen mit statistischen Daten den Weizenertrag in einer bestimmten Region. Dieser Ertrag wird anschliessend mit dem Düngemitteleinsatz kombiniert, der von den lokalen landwirtschaftlichen Praktiken abhängt, sowie mit dem Pestizideinsatz und der Landnutzungsänderung für Weizen in dieser Region der Ukraine. Meine Kollegin Elissa hat hier mehr über unsere Geodaten-Pipeline geschrieben.

Die Suche nach der Wahrheit

Jede Ökobilanz hat irgendwann damit begonnen, Daten zu sammeln und alle Informationen zusammenzutragen, Schritt für Schritt und mit viel Sorgfalt. Moderne Datenbanksysteme müssen darauf vorbereitet sein, dass sich die zugrunde liegenden Quellen verändern. Bei uns bedeutet das zum Beispiel, dass wir jedes Jahr die Ertragswerte von Kulturen aktualisieren, um ihren jeweiligen Fussabdruck zu berechnen.

Zu unseren Wahrheiten gehören landwirtschaftliche Produktionswerte, regionale Veränderungen in den Produktionsmethoden (z. B. in China der Wandel von kleinbäuerlichen Betrieben hin zu grösseren Strukturen) oder aktualisierte Emissionsfaktoren für Strom aufgrund des wachsenden Anteils erneuerbarer Energien.

Die Herausforderung bei diesen Quellen: Sie müssen genau, aktuell und vor allem weltweit verfügbar sein. Das schränkt die Anzahl der Quellen ein, die wir für unsere Datenbank nutzen können. Doch gerade bei diesen Entscheidungen haben wir gemerkt, dass vereinfachte Modelle auch helfen können, Ergebnisse weltweit vergleichbarer zu machen. Das Ziel ist nicht, immer das bestmögliche Modell zu haben, sondern Erkenntnisse zu liefern, mit denen sich Standort A mit Standort B vergleichen lässt.

Nutzer müssen Daten anpassen können

Diese Einschränkung hilft uns auch, Datensätze bereitzustellen, die sich einfach an das spezifische Produktionssystem und die Lieferkette eines Nutzers anpassen lassen. Das ist aus meiner Sicht entscheidend, denn so können wir uns von «Sekundärdaten», die selten etwas mit deiner tatsächlichen Lieferkette zu tun haben, hin zu Emissionsfaktoren bewegen, die Ihr tatsächliches Produkt und dessen Herstellung abbilden. Die Anpassung mit eigenen Daten muss einfach sein und gleichzeitig innerhalb der methodischen Grenzen aller anderen Datenpunkte in Niatsu bleiben.

Unsere Learnings

• Daten von Produktmodellen trennen (ERP, digitale Zwillinge, Ausgabendaten)
• Einplanen, dass sich Sources of Truth verändern
• Vergleichbarkeit vor Präzision
• Anpassbarkeit ermöglichen

Die nächste grosse Datenbank

Nicht nur wir haben diesen Wandel erkannt. Auch führende LCA-Datenbanken wie Ecoinvent bewegen sich dahin, mithilfe neuester Technologien mehr Modelle in grossem Massstab bereitzustellen. Ecoinvent 4.0 wird gegen Ende dieses Jahres erwartet. Ich sehe viele KI-basierte Matching-Ansätze, die den Markt erobern wollen, indem sie eine Vielzahl von Datensätzen kombinieren, um Product Carbon Footprints und Beschaffungsbewertungen zu erstellen. Das ist ein Weg zu skalieren, adressiert aber nicht den eigentlichen Bedarf nach besseren Daten. Mehr Daten bedeutet nicht bessere Daten.

Die nächste Generation von Datenbanken wird nicht nur Fussabdrücke liefern, sondern auch die Infrastruktur, um Emissionsfaktoren so anzupassen, dass sie tatsächliche Lieferketten genauer abbilden. Sie wird höheren Compliance-Anforderungen standhalten müssen, da die Anforderungen an die Berichterstattung zunehmend entlang der Lieferkette weitergegeben werden. Diese Datenbanken müssen die Antworten liefern, die Regulierungen wie EmpCo, CBAM und CSRD zu etablieren versuchen: eine Grundlage dafür, was tatsächlich passiert.

Für uns bedeutet das, dass wir die letzten 18 Monate vor allem in bessere Datensätze und Modelle investiert haben, die das Fundament für die kommenden Jahre bilden.