QUALITÀ DEI DAT

Tutti i dati inseriti in una modellazione LCA presentano incertezze.

Si distinguono principalmente tre tipologie di incertezze: l’incertezza dei dati considerati, l’incertezza legata alla rappresentatività del modello e quella legata alla sua completezza. Per quanto riguarda i dati, l’incertezza ha normalmente origine differente: infatti, per i dati primari deriva principalmente dall’incertezza della misura, mentre per altri dati, presi da letteratura o derivanti da approssimazioni, è evidente il problema di comprendere quanto essi siano attendibili e rappresentativi della realtà studiata.

L’incertezza relativa alla rappresentatività di un modello deriva dal fatto che molto spesso non esiste un’unica maniera in cui la realtà sia modellizzabile, ad esempio non c’è un’unica maniera per scegliere una tecnica di allocazione, spesso inoltre si usano dati di realtà territoriali più ampie, ad esempio si utilizzano dati relativi alla situazione Europea per descrivere la realtà dei singoli paesi; inoltre notevoli problemi emergono quando si vogliono andare a considerare prodotti con un lungo tempo di vita, in questi casi emerge infatti il dilemma dei risvolti futuri, in quanto è ad esempio difficile prevedere con esattezza come una certa tipologia di rifiuto sarà trattata.

Quanto alla completezza del modello, può accadere che non tutte le sue fasi siano note, per cui esiste il rischio di tralasciare fasi significative del ciclo di vita.

È inevitabile che queste incertezze possano influire sui risultati di uno studio, e la loro significatività diventa importante da comprendere soprattutto quando si confrontano dati. L’incertezza legata alla qualità dei dati è quella relativamente più semplice da gestire, può essere espressa come deviazione standard ed esistono metodi statistici quali il metodo Monte Carlo, utilizzato in questo studio, che permettono di gestirla e stabilire un range di incertezza per i risultati di un calcolo, in questo caso relativo alla valutazione degli impatti.

7.7.1 TECNICA DI STIMA DELLE INCERTEZZE

Il Database Ecoinvent, nella sua versione “Unit process”, che contiene i processi base da cui si è partiti per l’esecuzione dello studio, comprende, oltre ai dati veri e propri, anche una stima della loro incertezza. Il valore vero e proprio può essere interpretato come il “miglior valore”, è determinato effettuando numerose misure e solitamente rappresenta il valore medio di esse. La distribuzione dei valori misurati viene espressa ordinariamente come una distribuzione lognormale, caratterizzata appunto da un valore medio ed una deviazione standard.

Esistono anche altre distribuzioni utilizzabili, ed il software Simapro effettivamente, oltre a quella sopra citata, supporta anche le distribuzioni “Uniforme”, “Triangolare” e “Normale”. Una proprietà tipica della distribuzione lognormale, solitamente impiegata e scelta anche per questo studio, è che il quadrato della deviazione standard geometrica copre il 95% di intervallo di fiducia.

Il problema che sorge più immediato, però, è come fare a stimare questa deviazione standard quando, come spesso accade, i dati a disposizione sono dati singoli, e non medie che derivano da un certo numero di misurazioni.

In tali situazioni, Ecoinvent utilizza una matrice chiamata “Pedigree matrix”, per stimare la deviazione standard a partire da alcuni parametri di incertezza a cui vengono attribuiti dei punteggi, tali punteggi vengono poi inseriti in una formula per stimare il quadrato della deviazione standard geometrica (SD2), che è il dato di interesse.

Il tutto viene effettuato secondo una metodologia sviluppata da P.B. Weidema nel 1996 e che sarà brevemente descritta sotto.

La matrice sopra citata prende in considerazione 6 specifiche caratteristiche dei dati considerati: affidabilità, completezza, correlazione temporale, correlazione geografica, correlazione tecnologica e numero di misurazioni effettuate, per ognuna di esse si considera un indicatore a cui è attribuito un valore che costituisce un fattore di calcolo nella formula di Weidema.

L’affidabilità è legata proprio alla qualità dei dati originali e correlata ai requisiti che ci si è imposti per l’esecuzione dall’analisi di inventario. L’indicatore di riferimento valuta fonti e procedure di verifica utilizzate per ottenere i dati ed è indipendente dallo scopo dello studio, così che il suo punteggio è il medesimo se lo stesso dato viene utilizzato per un altro studio.

La completezza è collegata alla rappresentatività dei dati ed alla loro disponibilità e l’indicatore ad essa relativo è attribuito sulla base di proprietà statistiche, mentre

l’indicatore di correlazione temporale rappresenta la differenza fra l’anno oggetto dello studio e l’anno per cui sono stati ottenuti i dati. L’influenza di questo fattore è collegato fortemente all’oggetto dello studio: in alcuni casi, 10 anni di differenza comportano parametri, ad esempio per quel che riguarda l’emissione di sostanze nocive o l’efficienza di recupero energetico, totalmente differenti.

La correlazione geografica è importante in quanto, ad esempio, un sistema di produzione di uno stesso oggetto può essere differente se realizzato in parti del mondo diverse. L’indicatore di correlazione temporale tiene conto che alcuni dati possono non essere rappresentativi di specifici materiali o processi esaminati. Spesso è infatti necessario utilizzare dati di processi correlati, che talvolta risultano addirittura preferibili a dati di località geografiche troppo differenti o troppo lontani su scala temporale.

Un ulteriore fattore denominato Ub fa riferimento alla tipologia di input od output considerato in base all’affidabilità con cui è possibile determinare i dati relativamente a ciò che è considerato.

Ad esempio il fattore Ub è elevato per le emissioni di metalli pesanti in atmosfera e basso per le emissioni di SOx ed NOx, in quanto i primi sono di più difficile determinazione

[Pré 2008] ; [Ecoinvent, 2007].

7.7.2 STIMA DELLE INCERTEZZE

La Tabella con l’indicazione dei valori attribuibili ai differenti indicatori sulla base delle proprietà sopra descritte (Tabella 1), quella contenente i parametri per l’attribuzione del fattore Ub (Tabella 2) e l’equazione per il calcolo, a partire dalla deviazione standard, del quadrato della deviazione standard che è richiesto come dato di input (Equazione 1), sono riportate in Allegato I.

In Allegato II sono invece riportati i valori di incertezza per i differenti anni calcolati con la tecnica sopra descritta relativamente ai dati raccolti per lo svolgimento dello studio specifico oggetto della tesi.

Sono stati riportati in Tabelle differenti i valori attribuiti a ciascun indicatore per anni differenti.

I parametri relativi agli anni 1994, 1995 e 1996 sono riportati in Tabella 1. È evidente che l’incertezza è variabile in base al parametro considerato; emerge chiaramente il fatto che essa è minima per i dati relativi ai reagenti e combustibili ausiliari utilizzati (SD2 attorno all’1,5), che sono dati noti, mentre è molto più elevata per i parametri di

emissione in atmosfera, specialmente relativi ai metalli pesanti (SD2 attorno al 5), che invece sono noti con maggiore incertezza.

Incertezza intermedie, con un valore di SD2 attorno a 2, si registrano invece per trasporto e smaltimento di scorie e ceneri.

Questo andamento si riscontra anche per quel che riguarda tutti gli anni successivi (Tabelle 2-5), sebbene siano evidenti alcune differenze causate da approssimazioni e fonti differenti. Ad esempio valori di incertezza leggermente superiori sono riscontrabili per l’utilizzo di aria ed acqua in quanto questi dati derivano da assunzioni effettuate sulla base degli anni precedenti. Per quel che riguarda l’energia prodotta, si tratta di un dato noto con chiarezza, perciò caratterizzato da un basso valore di incertezza.

Valori di incertezza più elevati, sia per quanto riguarda le risorse utilizzate, che l’energia prodotta e lo smaltimento dei residui solidi sono evidenti per l’anno 2010 (Tabella 4) e sono conseguenza delle approssimazioni effettuate per modellare tale anno escludendo il periodo di transitorio.

Per quel che riguarda i dati relativi al mix energetico italiano per i diversi anni (Tabelle 6-7) il valore di incertezza è piuttosto basso, generalmente il valore di SD2 è infatti inferiore a 2, tranne per l’energia geotermica, per cui è di poco superiore.

Relativamente alle emissioni di metalli pesanti da parte delle scorie, in seguito a fenomeni di lisciviazione, le incertezze sono invece molto elevate come è evidente nella Tabella 8 (SD2 superiore a 6), l’incertezza naturalmente aumenta per quei dati che non sono noti direttamente, ma derivano da interpolazione (SD2 uguale a 6,45).

Quanto invece ai parametri relativi agli scarichi idrici, i dati sono caratterizzati da incertezze variabili, quelle maggiori si riscontrano per quanto riguarda i metalli (SD2 uguale a 5,36) ed i composti organici (SD2 attorno a 3,3 per la maggior parte di essi).

CAPITOLO 8

CREAZIONE DEL MODELLO PER L’ANALISI

Come è stato già accennato nei capitoli precedenti, la modellazione del processo di termovalorizzazione è stata basata su alcuni processi appartenenti alla banca dati Ecoinvent del software SimaPro; partendo da essi e modificandone opportunamente i dati e le interconnessioni, è stato possibile creare il modello delle attività dell’impianto studiato.

Per questo motivo è utile conoscere le caratteristiche dei processi di partenza e comprendere come essi siano legati a molti altri processi contenuti all’interno delle banche dati.

I processi principali che sono stati utilizzati nella maniera descritta sopra sono principalmente tre: il primo, denominato “disposal, municipal solid waste, 22.9% water, to municipal incineration/kg/CH” delinea l’operazione di incenerimento vera e propria, il secondo, denominato “electricity, production mix IT/kWh/IT” descrive invece il mix di produzione dell’energia elettrica italiano, il terzo, “disposal, cement, hydrated, 0% water, to residual material landfill/kg/CH” contiene infine le informazioni necessarie a descrivere la modellazione della dismissione di scorie e ceneri in discarica.

Esistono almeno altri due processi importanti da considerare, relativi alla produzione di energia elettrica e che permettono di passare dal mix di fonti energetiche all’energia prodotta vera e propria: “electricity, high voltage, production IT, at grid/kWh/IT” e “electricity, medium voltage, production IT, at grid/kWh/IT”.

Verrà sotto fornita una descrizione più accurata per ciascuno di essi.