超越数字：理解 DQI 五大维度如何指导你的数据选择

当你为产品供应链中的某个物料选择排放因子时，一个三位数的 DQI 分数看起来像是一个审判。42 分算好吗？68 分是优秀吗？这个数字本身几乎无法告诉你为什么一个数据集的分数比另一个更高——对审计员来说更是如此，他们也不知道你为什么选择了它。

分数与其背后故事的这种脱节，正是 Cortex 要解决的问题。与其将推理隐藏在不透明的评级背后，Cortex 将每个候选数据的质量分解为五个不同的维度，每个维度都有明确的定义，植根于 LCA 方法论。你看到的不仅仅是一个数字，而是使某个排放因子比另一个更适合你的研究的实际因素。

这五个维度从何而来？

构成数据质量指数 (DQI) 的五个维度来自 Pedigree Matrix（系谱矩阵）框架，这是一个在 LCA 文献中长期确立的方法论。Cortex 并未发明这些度量；它们来自数十年的 LCA 实践和 ISO 14067、EN 15804 等标准。Cortex 做的是让它们透明化。与其让你去猜测一个数据集的质量评估为什么落在那个位置，Cortex 向你展示每个检索到的候选数据的每个维度的评分依据。

Cortex 搜索遍布 14 个数据库，并按相关性排列返回最优候选。对于每一个候选，你都能看到它在五个维度上的表现。这就是「相信我们，分数是 54」和「这是 Cortex 如何评分的，这是替代方案，这是你需要了解的内容来做出判断」之间的区别。

五个维度的解读

时间维度 (Temporal)：数据有多新近？

排放因子会变化。电网在演变；制造工艺在改进或转变。时间维度评分回答了一个简单的问题：这个数据集有多旧，这个年龄如何影响它对你参考年份的适用性？

想象你在研究一个 2024 年生产的产品。该物料的 2022 年排放因子比 2015 年的更新近。但新近性本身不是全部故事。如果基础技术或电网结构没有改变太多，一个三年前的因子可能完全可以辩护。如果电网已经大幅脱碳，同样的因子可能不适合。时间维度评分标注了这个权衡，这样你可以根据你的研究敏感性和审计员的预期来权衡它。

地理维度 (Geographic)：原产地是否与你的生产地匹配？

地理维度质量问的是：排放因子是否是针对你实际生产物料的地方测量或建模的？

一个全球平均排放因子应用到在挪威生产的产品——一个电力碳排放极低的国家——几乎肯定会高估你产品的环境影响。同样，为西欧建立的数据集可能无法反映东南亚制造的现实。Cortex 呈现这种不匹配。你可以看到每个候选是全球的、区域的、国家特定的还是设施级别的。你不被迫仅仅因为它在其他维度排名很高就使用地理匹配度差的候选；你能看到这个权衡并做出知情的选择。

技术维度 (Technology)：生产方法是否被表达了？

并非所有钢铁的制造方式都相同。并非所有化学品的合成反应器都相同。技术维度质量测量的是数据集是否反映了实际被建模的生产工艺。

一个「钢铁生产」的笼统平均数据，它混淆了电弧炉和高炉工艺，会得分低于针对电弧炉工艺的数据集——如果那是你实际建模的。Cortex 向你展示这种粒度。你可以看到一个候选是行业通用的、工艺特定的还是甚至设施特定的。这个维度通常是从业者找到最大质量改进的地方：从笼统的行业平均值切换到技术匹配的数据集可以显著改变分数。

完整性维度 (Completeness)：数据集是否涵盖一切？

完整性问的是：数据集是否涵盖所有相关流和生命周期阶段，没有重大缺口？

一个物料的摇篮到门 (cradle-to-gate) 数据集可能捕获了提取、加工和运输到工厂大门，但遗漏了某些副产品分配或回收抵免计算。一个标记为摇篮到坟墓 (cradle-to-grave) 的数据集由于数据可得性或截断决策，可能在上游覆盖范围上留有缺口。Cortex 标注了这些边界。你可以看到每个候选是完整的摇篮到坟墓清单、部分摇篮到门集合还是介于两者之间的其他情况。这种透明度帮助你理解你是否需要用额外信息补充数据集，或者它的范围对你的研究是否足够。

可靠性维度 (Reliability)：基础数据有多好？

可靠性关乎数字本身的来源。它们是从实际设备和流程测量的吗？它们是从第一原理建模的吗？它们是用有根据的猜测估计的吗？

来自初级来源的实测数据——直接监测排放或资源使用——得分高于建模或估计值。这并不意味着模型无用；它意味着它们携带更多不确定性。Cortex 呈现这种区别。你可以看到一个数据集是基于测量数据、科学模型的计算还是统计估计构建的。对于审计员或关键决策，可靠性维度通常成为你的筛选器：你可能会说，「对于这个关键流，我只使用具有测量初级数据的数据集。」

Cortex 如何呈现评分依据

现在实践变得具体。当 Cortex 为某个物料返回候选——比如说，聚碳酸酯树脂的 CO₂ 当量排放——你看到的不是五个分数浮在空中。你同时看到每个候选在所有五个维度上的概况。一个可能在时间维度和技术维度得分高，但地理匹配度较低。另一个可能较旧但地理上完美。第三个可能非常新近且地理上匹配，但范围不完整。

你是做决定的人。更重要的是，你的决定被记录下来。Cortex 保留推理链 (reasoning chain)——你选择了哪个候选、你权衡了哪些维度以及为什么——这样当审计员问，「你为什么为这个物料使用了这个数据集？」时，你有一个有据可查的答案。这个推理轨迹正是 ISO 14067 和 EN 15804 要求的。它也是使你的研究可以辩护的原因。

Cortex 明确处理了另一个场景：差异。当同一物料的全球升温潜势 (GWP) 值在数据库间相差超过 2× 时，Cortex 不会平均它们或静默选择一个。它暂停并将决定交给你。你看到候选、它们的维度分解以及深入挖掘的选项。这不是限制；这是一个特性。这是数据质量思维变成数据质量实践的时刻。

为什么这对你的实践很重要

Pedigree Matrix 的五个维度不是抽象的评分规则。它们是 LCA 审计员和标准机构关心的具体问题。通过呈现它们，Cortex 把对话从「我的 DQI 分数是多少？」转变为「我为什么做出了这个选择，我能为它辩护吗？」

当你理解时间维度 (Temporal)、地理维度 (Geographic)、技术维度 (Technology)、完整性维度 (Completeness) 和可靠性维度 (Reliability) 实际衡量什么时，你停止把 DQI 当作黑箱数字。你成为了一个数据的知情读者。你可以与供应商协商以获得更好的数据集。你可以为你的选择向审计员做出辩护。你可以向自己和他人解释——为什么一个排放因子是你的产品在你的参考年份在你的研究背景中的正确选择。

那就是分数和故事的区别。Cortex 帮助你讲述这个故事。