Các tác giả

Christopher Frey (HOA KỲ), Jim Penman (Vương quốc Anh)

Lisa Hanle (Mỹ), Suvi Monni (Phần Lan) và Stephen Yêu tinh (HOA KỲ)

3 ĐỘ KHÔNG ĐẢM BẢO

3.1 GIỚI THIỆU

Chương này cung cấp hướng dẫn trong việc ước tính và báo cáo các độ không đảm bảo liên quan đến cả ước tính hàng năm về lượng phát thải và loại bỏ, cũng như xu hướng phát thải và loại bỏ theo thời gian. Nó được viết từ quan điểm của người kiểm kê và cung cấp, với các ví dụ, hai cách tiếp cận để kết hợp độ không đảm bảo của danh mục thành ước tính độ không đảm bảo cho tổng lượng phát thải ròng quốc gia và xu hướng.

3.1.1 Tổng quan về phân tích độ không đảm bảo

Các ước tính không chắc chắn là một yếu tố cần thiết để kiểm kê đầy đủ lượng phát thải và loại bỏ khí nhà kính. Chúng phải được suy ra cho cả cấp quốc gia và ước tính xu hướng, cũng như cho các bộ phận cấu thành như hệ số phát thải, dữ liệu hoạt động và các thông số ước tính khác cho từng loại. Do đó, hướng dẫn này phát triển một cách tiếp cận có cấu trúc để ước tính độ không đảm bảo của kiểm kê. Nó bao gồm các phương pháp cho:

 Xác định độ không đảm bảo đo trong các biến riêng lẻ được sử dụng trong kiểm kê (ví dụ, ước tính lượng phát thải từ các danh mục cụ thể, hệ số phát thải, dữ liệu hoạt động);

 Tổng hợp các yếu tố không chắc chắn của thành phần vào tổng kiểm kê;

 Xác định Độ không đảm bảo trong xu hướng; và

 Xác định các nguồn không chắc chắn đáng kể trong kiểm kê để giúp ưu tiên thu thập dữ liệu và nỗ lực cải thiện kiểm kê.

Mặc dù các phương pháp nêu dưới đây nhằm ước tính độ không đảm bảo đối với kiểm kê quốc gia, nhưng điều quan trọng là phải nhận ra rằng có thể tồn tại một số độ không đảm bảo mà không được giải quyết bằng các phương tiện thống kê, bao gồm cả những điểm không chắc chắn xuất phát từ việc bỏ sót hoặc đếm hai lần, hoặc các lỗi khái niệm khác, hoặc do không đầy đủ hiểu biết về các quá trình có thể dẫn đến sự không chính xác trong các ước tính được phát triển từ các mô hình.

Phân tích độ không đảm bảotrước hết nên được coi là một phương tiện giúp ưu tiên các nỗ lực quốc gia nhằm giảm độ không đảm bảocủa kiểm kê trong tương lai và hướng dẫn các quyết định lựa chọn phương pháp luận. Vì lý do này, các phương pháp được sử dụng để quy giá trị độ không đảm bảo đo phải thực tế, có thể bảo vệ được về mặt khoa học, đủ mạnh để có thể áp dụng cho một loạt các loại phát thải theo nguồn và loại bỏ theo bể, phương pháp và hoàn cảnh quốc gia, và được trình bày theo cách dễ hiểu đối với người sử dụng kiểm kê . Một phần tài liệu tham khảo được cung cấp để có thêm thông tin lý thuyết và chi tiết hơn về các chủ đề được thảo luận trong chương này.

Phân tích độ không đảm bảo định lượng được thực hiện bằng cách ước tính khoảng tin cậy 95 phần trăm của ước tính lượng phát thải và loại bỏ cho các danh mục riêng lẻ và cho tổng lượng kiểm kê. Định nghĩa của khoảng tin cậy 95 phần trăm được đưa ra trong Phần 3.1.3, Các khái niệm và thuật ngữ chính.

3.1.2 Cấu trúc tổng thể của phân tích độ không đảm bảo

Phần này cung cấp một cái nhìn tổng quan ngắn gọn về cấu trúc tổng thể của phân tích độ không đảm bảo, như được minh họa trong Hình 3.1. Ước tính phát thải/loại bỏ dựa trên: (1) hình thành khái niệm; (2) mô hình; và (3) dữ liệu đầu vào và các giả định (ví dụ, hệ số phát thải và dữ liệu hoạt động). Mỗi thứ trong số ba điều này có thể là một nguồn không chắc chắn. Việc phân tích bắt đầu bằng việc hình thành khái niệm. Đây là một phầnhợp các giả định liên quan đến cấu trúc của kiểm kê hoặc của một ngành. Các giả định này thường bao gồm phạm vi khu vực địa lý, thời gian tính trung bình theo thời gian, danh mục, quá trình phát thải hoặc loại bỏ, và các loại khí được bao gồm. Các giả định và lựa chọn phương pháp luận xác định nhu cầu về dữ liệu và thông tin. Có thể có một số tương tác giữa dữ liệu và các giả định và lựa chọn phương pháp luận, được chỉ ra bằng mũi tên hai chiều trong hình. Ví dụ, khả năng phân tách các danh mục, có thể cần thiết cho các phương pháp luận cấp cao hơn, có thể phụ thuộc vào sự sẵn có của dữ liệu. Dữ liệu, dù theo kinh nghiệm hay dựa trên đánh giá của chuyên gia, đều phải trải qua các thủ tục thu thập dữ liệu và QC thích hợp, như được nêu chi tiết trong Chương 2, Phương pháp tiếp cận để thu thập dữ liệu và Chương 6, Đảm bảo chất lượng/Kiểm soát chất lượng và kiểm định, tương ứng.

Các mô hình có thể đơn giản như phép nhân số học của hoạt động và hệ số phát thải cho từng loại và tổng sau đó cho tất cả các loại, nhưng chúng cũng có thể bao gồm các mô hình quy trình phức tạp cụ thể cho các loại cụ thể. Dữ liệu và thông tin thu được từ việc thu thập dữ liệu trở thành đầu vào cho một cơ sở kiến ​​thức về dữ liệu và phán đoán về Độ không đảm bảo, như thể hiện trong hình và như được thảo luận chi tiết trong Phần 3.2.1, Nguồn dữ liệu và thông tin. Nguyên nhân cụ thể của độ không đảm bảo đo trong việc hình thành khái niệm, mô hình và dữ liệu được thảo luận trong Phần 3.2.1 và các kỹ thuật để định lượng độ không đảm bảo trong dữ liệu đầu vào được nêu trong Phần 3.2.2. Các dữ liệu cần thiết này bao gồm các ước tính phần trăm độ không đảm bảo và gạch dưới các hàm mật độ xác suất (PDF - được thảo luận trong Phần 3.1.4) để làm đầu vào cho phân tích độ không đảm bảo đo kiểm kê phát thải. Các phương pháp kết hợp độ không đảm bảo đầu vào để đưa ra ước tính độ không đảm bảo cho các danh mục đơn lẻ và kết quả kiểm kê tổng thể được trình bày chi tiết trong Phần 3.2.3. Hai Cách tiếp cận được đưa ra để kết hợp các yếu tố không chắc chắn. Phương pháp 1 là một quy trình tính toán dựa trên bảng tính tương đối đơn giản dựa trên một số giả định để đơn giản hóa các tính toán. Phương pháp tiếp cận 2 dựa trên mô phỏng Monte Carlo và có thể được áp dụng chung hơn. Một trong hai cách tiếp cận cung cấp ước tính về những bất ổn tổng thể liên quan đến tổng kiểm kê khí nhà kính.

Hình 3.1 Cấu trúc tổng thể của một phân tích độ không đảm bảo đo chung

Lưu ý: Hộp bóng mờ là trọng tâm của Chương này

3.1.3 Các khái niệm và thuật ngữ chính

Các định nghĩa liên quan đến việc tiến hành phân tích độ không đảm bảo bao gồm độ không đảm bảo, độ chính xác, độ chụm và độ thay đổi. Những thuật ngữ này đôi khi được sử dụng một cách lỏng lẻo và có thể bị hiểu nhầm. Trên thực tế, chúng có các định nghĩa thống kê rõ ràng nên được sử dụng để rõ ràng về những gì đang được định lượng và báo cáo. Một số định nghĩa được đưa ra ở đây, theo thứ tự bảng chữ cái:

Sự chính xác: Thỏa thuận giữa giá trị thực và giá trị trung bình của các quan sát hoặc ước tính được đo lặp lại của một biến. Một phép đo hoặc dự đoán chính xác thiếu độ chệch hoặc tương đương, sai số hệ thống.

Sự sai lệch: Thiếu chính xác. Sai lệch (lỗi hệ thống), có thể xảy ra do không nắm bắt được tất cả các quy trình liên quan có liên quan hoặc do dữ liệu có sẵn không đại diện cho tất cả các tình huống trong thế giới thực hoặc do lỗi thiết bị.

Khoảng tin cậy: Giá trị thực của đại lượng mà khoảng thời gian được ước tính là một hằng số cố định nhưng chưa biết, chẳng hạn như tổng lượng phát thải hàng năm trong một năm nhất định cho một quốc gia nhất định. Khoảng tin cậy là một phạm vi bao gồm giá trị thực của đại lượng cố định chưa biết này với độ tin cậy (xác suất) được chỉ định. Thông thường, khoảng tin cậy 95 phần trăm được sử dụng trong kiểm kê khí nhà kính. Từ quan điểm thống kê truyền thống, khoảng tin cậy 95 phần trăm có 95 phần trăm xác suất bao gồm giá trị thực nhưng chưa biết của đại lượng. Một cách giải thích khác là khoảng tin cậy là một phạm vi có thể được công bố một cách an toàn là phù hợp với dữ liệu hoặc thông tin quan sát được. Khoảng tin cậy 95 phần trăm được bao bởi phần trăm thứ 2,5 và 97,5 của PDF.

Độ chính xác: Thỏa thuận giữa các phép đo lặp lại của cùng một biến. Độ chính xác tốt hơn có nghĩa là ít lỗi ngẫu nhiên hơn. Độ chính xác không phụ thuộc vào độ chính xác.

Hàm mật độ xác suất (PDF): PDF mô tả phạm vi và khả năng tương đối của các giá trị có thể có. PDF có thể được sử dụng để mô tả Độ không đảm bảo trong ước lượng của một đại lượng là một hằng số cố định mà giá trị của nó không được biết chính xác hoặc nó có thể được sử dụng để mô tả sự biến đổi vốn có. Mục đích của việc phân tích độ không đảm bảo cho kiểm kê phát thải là để định lượng Độ không đảm bảo về giá trị cố định chưa biết của tổng lượng phát thải cũng như lượng phát thải và hoạt động liên quan đến các danh mục cụ thể. Do đó, trong suốt chương này, người ta cho rằng tệp PDF được sử dụng để ước tính độ không đảm bảochứ không phải tính thay đổi, trừ khi có quy định khác.

Sai số ngẫu nhiên: Sự thay đổi ngẫu nhiên trên hoặc dưới một giá trị trung bình. Sai số ngẫu nhiên tỷ lệ nghịch với độ chính xác. Thông thường, sai số ngẫu nhiên được định lượng đối với giá trị trung bình, nhưng giá trị trung bình có thể chệch hoặc không chệch. Như vậy, sai số ngẫu nhiên là một khái niệm khác biệt so với sai số hệ thống.

Lỗi có hệ thống: Một thuật ngữ khác để chỉ sự thiên vị, đề cập đến sự thiếu chính xác.

Độ không đảm bảo: Thiếu kiến ​​thức về giá trị thực của một biến có thể được mô tả dưới dạng hàm mật độ xác suất (PDF) đặc trưng cho phạm vi và khả năng xảy ra của các giá trị có thể có. Độ không đảm bảophụ thuộc vào trạng thái kiến ​​thức của nhà phân tích, điều này phụ thuộc vào chất lượng và số lượng của dữ liệu áp dụng cũng như kiến ​​thức về các quy trình cơ bản và phương pháp suy luận.

Tính thay đổi: Tính không đồng nhất của một biến số theo thời gian, không gian hoặc các thành viên của quần thể (Morgan và Henrion, 1990; Cullen và Frey, 1999). Sự thay đổi có thể phát sinh, ví dụ, do sự khác biệt trong thiết kế từ bộ phát này sang bộ phát khác (sự thay đổi giữa các nhà máy hoặc trong không gian) và trong các điều kiện vận hành từ thời điểm này sang thời điểm khác tại một bộ phát nhất định (sự thay đổi trong nhà máy). Sự thay đổi là một thuộc tính cố hữu của hệ thống hoặc của bản chất, chứ không phải của nhà phân tích

Hình 3.2 Minh họa độ chính xác và độ chính xác

(a) không chính xác nhưng chính xác; (b) không chính xác và không chính xác; (c) chính xác nhưng không chính xác; và (d) chính xác và chính xác

Kiểm kê phải chính xác theo nghĩa chúng không được đánh giá quá cao hoặc thấp hơn mức có thể được đánh giá, và chính xác theo nghĩa là độ không đảm bảođược giảm thiểu càng nhiều càng tốt. Hình 3.2 cung cấp một so sánh khái niệm về độ chính xác và độ chính xác. Kiểm kê chính xác là khoảng không có sai lệch nhưng có thể chính xác hoặc không chính xác. Một kiểm kê chính xác có thể có độ không đảm bảothấp nhưng nếu kiểm kê không chính xác, thì kiểm kê ước tính quá mức hoặc thấp hơn một cách có hệ thống về lượng phát thải hoặc loại bỏ thực sự. Sự không chính xác hoặc sai lệch có thể xảy ra do không nắm bắt được tất cả các quá trình phát thải hoặc loại bỏ có liên quan hoặc do dữ liệu có sẵn không đại diện cho các tình huống trong thế giới thực. Không có mức độ chính xác được xác định trước, một phần là do sự thay đổi vốn có của một số loại.

3.1.4 Cơ sở để phân tích độ không đảm bảo

Chương này sử dụng hai khái niệm thống kê chính - hàm mật độ xác suất (PDF) và khoảng tin cậy được xác định trong phần trước. Mặc dù chương này phầntrung vào các khía cạnh của độ không đảm bảo đo có thể điều chỉnh được để định lượng, nhưng cũng có những độ không đảm bảo đo không thể kiểm chứng được. Phân tích độ không đảm bảo định lượng có xu hướng chủ yếu giải quyết các sai số ngẫu nhiên dựa trên sự biến đổi vốn có của hệ thống và cỡ mẫu hữu hạn của dữ liệu có sẵn, các thành phần ngẫu nhiên của sai số đo hoặc các suy luận liên quan đến thành phần ngẫu nhiên của độ không đảm bảo thu được từ đánh giá của chuyên gia. Ngược lại, các lỗi hệ thống có thể phát sinh do sự không hoàn hảo trong việc hình thành khái niệm, mô hình, kỹ thuật đo lường hoặc các hệ thống khác để ghi lại hoặc đưa ra suy luận từ dữ liệu, có thể khó định lượng hơn nhiều. Như đã đề cập trong Phần 3.5, Báo cáo và Tài liệu, việc mô tả các nguồn tiềm ẩn của độ không đảm bảo chưa được định lượng là tốt, đặc biệt đối với việc hình thành khái niệm, mô hình và dữ liệu và cố gắng lượng hóa chúng trong tương lai.

Thực hành tốt yêu cầu ngăn chặn sự sai lệch trong việc hình thành khái niệm, mô hình và đầu vào cho mô hình nếu có thể, chẳng hạn như bằng cách sử dụng các quy trình QA/QC thích hợp. Trong trường hợp không thể ngăn chặn được các sai lệch, thì thông lệ tốt là xác định và sửa chúng khi xây dựng ước tính trung bình của kiểm kê. Đặc biệt, ước tính điểm được sử dụng để báo cáo kiểm kê phải không có sai lệch càng nhiều càng tốt nếu nó thực tế và có thể. Một lần Các sai lệch được điều chỉnh đến mức có thể, sau đó phân tích độ không đảm bảo có thể phầntrung vào việc lượng hóa các sai số ngẫu nhiên đối với ước lượng trung bình.

Thực hành tốt yêu cầu sử dụng khoảng tin cậy 95 phần trăm để định lượng các sai số ngẫu nhiên. Điều này cũng có thể được biểu thị bằng tỷ lệ phần trăm của ước tính trung tâm. Trong trường hợp PDF đối xứng, khoảng tin cậy có thể được biểu thị một cách thuận tiện bằng cộng hoặc trừ một nửa chiều rộng khoảng tin cậy chia cho giá trị ước tính của biến (ví dụ: ± 10%). Trong trường hợp tệp PDF không đối xứng, giới hạn trên và dưới của khoảng tin cậy cần được chỉ định riêng (ví dụ: -30%, + 50%).

Nếu phạm vi độ không đảm bảo đo đối với một biến không âm đủ nhỏ so với giá trị trung bình, thì độ không đảm bảo đo thường có thể được mô tả như một phạm vi đối xứng đối với giá trị trung bình, như thể hiện trong Hình 3.3 (a). Ví dụ, nếu phát xạ trung bình là 1,0 đơn vị, phần trăm độ không đảm bảo đo thứ 2,5 là 0,7 đơn vị và phân vị độ không đảm bảo thứ 97,5 là 1,3 đơn vị, thì phạm vi độ không đảm bảo đo có thể được mô tả là 1,0 đơn vị ± 30%. Tuy nhiên, khi phạm vi tương đối của độ không đảm bảo đo lớn và nếu độ không đảm bảo đo liên quan đến một biến số phải không âm (chẳng hạn như hệ số phát xạ), thì dải độ không đảm bảo đo sẽ trở nên không đối xứng so với giá trị trung bình, như thể hiện trong Hình 3.3 (b). Ví dụ: nếu phát xạ trung bình là 1,0 đơn vị, phần trăm độ không đảm bảo đo thứ 2,5 là 0,5 đơn vị và phân vị độ không đảm bảo thứ 97,5 là 2,0 đơn vị, thì phạm vi độ không đảm bảo đo có thể được mô tả là 1,0 đơn vị -50% đến + 100%. Trong các tình huống như sau, thường thuận tiện hơn khi tóm tắt các độ không đảm bảo theo cách nhân, thay vì cộng. Trong ví dụ cụ thể này, giá trị cuối cùng của phạm vi xác suất 95 phần trăm là một nửa giá trị trung bình và giá trị kết thúc trên là cấp số nhân của 2 lớn hơn giá trị trung bình. Phạm vi như vậy thường được tóm tắt là "hệ số 2" Độ không đảm bảo đo của “hệ số n” đề cập đến một phạm vi giới hạn ở đầu thấp bởi (trung bình / n) và ở cuối cao hơn (trung bình × n). Do đó, hệ số không đảm bảo đo 10 sẽ có phạm vi từ 0,1 × trung bình đến 10 × trung bình. Yếu tố 10 không chắc chắn cũng thường được gọi là "bậc của độ lớn". Quyền hạn cao hơn của 10 được gọi là "bậc của cường độ;" ví dụ, hệ số 103 sẽ được gọi là ba bậc của độ lớn

Hình 3.3 Các ví dụ về độ không đảm bảo đối xứng và không đối xứng trong hệ số phát xạ

(a) Ví dụ về độ không đảm bảo đối xứng ± 30% so với giá trị trung bình

(b) Ví dụ về độ không đối xứng từ -50% đến + 100% so với giá trị trung bình hoặc hệ số hai

3.1.5 Nguyên nhân của độ không đảm bảo

Ước tính kiểm kê về lượng phát thải và loại bỏ khác với giá trị cơ bản thực vì nhiều lý do. Một số nguyên nhân gây ra độ không đảm bảo (ví dụ, lỗi lấy mẫu hoặc các hạn chế về độ chính xác của dụng cụ) có thể tạo ra các ước tính được xác định rõ ràng, dễ dàng đặc trưng về phạm vi độ không đảm bảo đo tiềm ẩn. Các nguyên nhân khác của Độ không đảm bảo (ví dụ, thành kiến) có thể khó xác định và định lượng hơn nhiều (Rypdal và Winiwarter, 2001). Thông lệ tốt là nên tính đến tất cả các nguyên nhân gây ra độ không đảm bảo trong phân tích độ không đảm bảo và ghi lại rõ ràng nếu một số nguyên nhân gây ra độ không đảm bảo đó không được bao gồm.

Nhà phát triển kiểm kê nên xem xét tám nguyên nhân chính của Độ không đảm bảo¹:

 Thiếu tính đầy đủ: Đây là trường hợp phép đo hoặc dữ liệu khác không có sẵn do quy trình chưa được công nhận hoặc phương pháp đo chưa tồn tại. Thông thường, nguyên nhân này có thể dẫn đến việc hình thành khái niệm không đầy đủ, dẫn đến sai lệch, nhưng cũng có thể góp phần gây ra sai số ngẫu nhiên tùy thuộc vào tình huống.

 Mô hình: Các mô hình có thể đơn giản như một hệ số nhân không đổi (ví dụ: hệ số phát xạ) và tăng độ phức tạp, chẳng hạn như đối với các mô hình quy trình phức tạp. Việc sử dụng các mô hình để ước tính lượng phát thải và loại bỏ khí nhà kính có thể gây ra Độ không đảm bảo, bao gồm cả sai số thiên vị và sai số ngẫu nhiên, vì nhiều lý do:

(i) Mô hình là sự đơn giản hóa các hệ thống thực và do đó không chính xác. Ví dụ, lập trình máy tính có thể liên quan đến sai số hoặc tính gần đúng; độ phân giải của mô hình có thể không mang tính đại diện, và phạm vi không gian và thời gian có thể không mang tính đại diện đầy đủ;

(ii) Nội suy là ứng dụng của một mô hình trong một phạm vi đầu vào mà mô hình được coi là hợp lệ. Tuy nhiên, trong một số trường hợp, một 'ngoại suy ẩn' có thể xảy ra khi mô hình được đánh giá dựa trên sự kết hợp các giá trị của các đầu vào mà việc Thẩm định chưa được thực hiện (Cullen và Frey, 1999).

(iii) Phép ngoại suy (ứng dụng của mô hình ngoài miền mà các dự đoán của mô hình được biết là hợp lệ) có thể dẫn đến Độ không đảm bảo;

(iv) Các công thức thay thế của mô hình có thể dẫn đến các ước tính khác nhau; và

(v) Đầu vào của mô hình bao gồm dữ liệu hoạt động và các tham số thường được ước lượng gần đúng dựa trên thông tin hạn chế tạo ra thêm độ không đảm bảo ngoài việc xây dựng mô hình.

 Thiếu dữ liệu: Trong một số trường hợp, có thể chưa có sẵn dữ liệu cần thiết để mô tả một sự phát xạ hoặc loại bỏ cụ thể. Trong những tình huống này, cách tiếp cận phổ biến là sử dụng dữ liệu proxy (hoặc thay thế) cho các danh mục tương tự hoặc tương tự hoặc sử dụng phép nội suy hoặc ngoại suy làm cơ sở để ước tính.

 Thiếu tính đại diện của dữ liệu: Nguồn không chắc chắn này có liên quan đến việc thiếu đầy đủ sự tương ứng giữa các điều kiện liên quan đến dữ liệu có sẵn và các điều kiện liên quan đến phát thải/loại bỏ hoặc hoạt động trong thế giới thực. Ví dụ, dữ liệu phát thải có thể có sẵn cho các tình huống trong đó nhà máy đang hoạt động ở mức đầy tải nhưng không có sẵn cho các tình huống liên quan đến khởi động hoặc thay đổi phụ tải. Trong trường hợp này, dữ liệu chỉ phù hợp một phần với ước tính phát thải mong muốn. Thiếu tính đại diện thường dẫn đến sự thiên vị.

 Sai số lấy mẫu ngẫu nhiên theo thống kê: Nguồn không chắc chắn này được kết hợp với dữ liệu là một mẫu ngẫu nhiên có kích thước hữu hạn và thường phụ thuộc vào phương sai ² của tổng thể mà từ đó mẫu được trích xuất và kích thước của chính mẫu (số điểm dữ liệu). Nó thường có thể được giảm bớt bằng cách tăng số lượng mẫu độc lập được lấy. Ở đây, cách thực hành tốt là phân biệt đúng đắn giữa độ biến thiên và độ không đảm bảo, như đã định nghĩa trước đây. Đối với mục đích phân tích độ không đảm bảocủa kiểm kê, người ta thường quan tâm đến độ không đảm bảotrong giá trị trung bình hàng năm ở cấp quốc gia, hơn là toàn bộ phạm vi biến động có thể xảy ra trong khoảng thời gian ngắn hơn hoặc quy mô địa lý nhỏ. Cỡ mẫu lớn hơn sẽ không làm giảm độ biến thiên vốn có, nhưng sẽ dẫn đến khoảng tin cậy hẹp hơn làm cơ sở để ước tính thành phần ngẫu nhiên của độ không đảm bảo.

 Sai số đo lường: Sai số đo lường, có thể là ngẫu nhiên hoặc hệ thống, là kết quả của các sai số trong quá trình đo lường, ghi và truyền thông tin; độ phân giải công cụ hữu hạn; giá trị không chính xác của tiêu chuẩn đo lường và vật liệu tham chiếu; giá trị không chính xác của các hằng số và các tham số khác thu được từ các nguồn bên ngoài và được sử dụng trong thuật toán giảm dữ liệu (ví dụ: các giá trị mặc định từ Hướng dẫn IPCC); các phép gần đúng và các giả định được kết hợp trong phương pháp đo và quy trình ước lượng; và / hoặc các biến thể trong các quan sát lặp lại về sự phát xạ hoặc loại bỏ hoặc biến số liên quan trong các điều kiện dường như giống hệt nhau.

 Báo cáo sai hoặc phân loại sai: Độ không đảm bảo ở đây có thể là do định nghĩa không đầy đủ, không rõ ràng hoặc bị lỗi về sự phát xạ hoặc loại bỏ. Nguyên nhân của Độ không đảm bảo này thường dẫn đến sự sai lệch.

 Thiếu dữ liệu: Độ không đảm bảo có thể xảy ra khi các phép đo đã được thử nhưng không có giá trị. Một ví dụ là các phép đo dưới giới hạn phát hiện. Nguyên nhân của Độ không đảm bảo này có thể dẫn đến cả sai số thiên vị và sai số ngẫu nhiên. Khi các giá trị đo được dưới giới hạn phát hiện, giới hạn trên của độ không đảm bảo đo có thể được ước tính. Có các kỹ thuật thống kê nghiêm ngặt để xử lý dữ liệu không được phát hiện cũng như các loại dữ liệu bị thiếu khác, chẳng hạn như dữ liệu bị thiếu ngẫu nhiên (Cohen và Whitten, 1998; Gelfand, 1996; Zhao và Frey, 2004b). Các kỹ thuật này có thể liên quan đến ước tính hoặc áp đặt trong các phần của phân phối mà dữ liệu không có sẵn.

Đặc biệt về vấn đề ngoại suy, Độ không đảm bảo xảy ra khi ngoại suy từ dữ liệu nguồn và dữ liệu chìm gần đây nhằm mục đích ước tính kiểm kê cho một năm quan tâm mà dữ liệu chưa có sẵn (xem thêm Chương 5, Tính nhất quán của chuỗi thời gian). Thông thường, các ước tính ngoại suy được báo cáo dưới dạng ước tính "tạm thời" và sau đó được cập nhật sau đó khi có dữ liệu liên quan. Tuy nhiên, cho đến khi cập nhật xảy ra, kiểm kê tạm thời có thể được sử dụng. Độ không đảm bảo đo bổ sung liên quan đến phép ngoại suy là một loại độ không đảm bảo của mô hình. Sai số liên quan đến phép ngoại suy có thể là hệ thống, ngẫu nhiên hoặc cả hai. Nếu có một lịch sử ngoại suy và sửa chữa sau đó, thì có thể phát triển dữ liệu liên quan đến sự phân bố của các sai số đã được quan sát trong quá khứ. Nếu có độ chệch trong các ước tính tạm thời, thì giá trị trung bình của phân phối này sẽ không bằng 0 và độ chệch có thể được định lượng. Phân phối này sẽ đại diện cho sai số trong khả năng dự đoán các thông lượng nguồn và chìm thực tế dựa trên các phương pháp ngoại suy được sử dụng trong quá khứ. Nếu các phương pháp ngoại suy thay đổi, thì đánh giá của chuyên gia có thể được sử dụng để định lượng độ không đảm bảo.

Khi một tệp PDF cho giá trị trung bình có thể được xác định, các nguyên nhân khác nhau của Độ không đảm bảo có thể được định lượng bằng các phương tiện thống kê. Như đã lưu ý trong Phần 3.2, độ không đảm bảo đo có thể được định lượng bằng cách phân tích thống kê dữ liệu thực nghiệm, bằng cách mã hóa (định lượng) đánh giá của chuyên gia dưới dạng PDF hoặc bằng cách kết hợp cả hai. Tuy nhiên, có thể có những độ không đảm bảo về cấu trúc không dễ dàng đưa vào phân tích độ không đảm bảo định lượng dưới dạng PDF. Ví dụ về độ không đảm bảo của cấu trúc bao gồm khả năng xác định sai hoặc xác định sai đặc điểm của hệ thống cần phân tích, cũng như các vấn đề có thể xảy ra liên quan đến các mô hình được sử dụng, ví dụ, sự không phù hợp của mô hình hoặc lỗi mô hình. Các loại tình huống sau này thường nằm ngoài phạm vi thống kê (ISO 1993) 3, mặc dù các phương pháp xác suất để xử lý độ không đảm bảo của mô hình đã được đề xuất (ví dụ, Evans và cộng sự, 1994). Ví dụ, đánh giá của chuyên gia có thể được sử dụng để gán trọng số cho các mô hình thay thế.

Bảng 3.1 gợi ý cách xử lý các nguyên nhân không chắc chắn khác nhau trong một phân tích. Một số nguyên nhân gây ra Độ không đảm bảo (ví dụ, báo cáo sai/phân loại sai) có thể được giảm bớt hoặc loại bỏ bằng cách thực hiện các thủ tục QA / QC và các cải tiến trong thu thập dữ liệu và/hoặc phương pháp luận khi được xác định.

₁ Có thể thảo luận thêm trong Morgan và Henrion (1990) và Cullen và Frey (1999).

₂ Phương sai của tổng thể các giá trị là giá trị trung bình bình phương của hiệu số giữa các giá trị riêng lẻ trong tổng thể và giá trị trung bình. Phương sai của một mẫu được lấy từ một phầnhợp là tổng bình phương của sự khác biệt giữa các giá trị trong mẫu và giá trị trung bình của mẫu, chia cho số giá trị trong mẫu nhỏ hơn 1.

₃ Có một số cơ hội để giải quyết những nguồn không chắc chắn này. Ví dụ, Độ không đảm bảo liên quan đến lỗi mô hình ít nhất một phần có thể được giải quyết bằng cách so sánh đầu ra được mô hình hóa với các giá trị đo được. Tùy thuộc vào cách kết quả đầu ra được mô hình hóa so sánh với các phép đo, người ta có thể xác định các sai lệch liên quan đến mô hình có thể khác nhau tùy thuộc vào loại hệ thống được mô hình hóa.

BẢNG 3.1 CÁC CHIẾN LƯỢC TIÊU BIỂU ĐỂ GIẢI QUYẾT CÁC NGUYÊN NHÂN KHÁC NHAU CỦA BẤT CẬP
Nguyên nhân của Độ không đảm bảo	Chiến lược	Các bình luận khác 1
Đánh giá khái niệm và xây dựng mô hình	Thực nghiệm và Thống kê	Phán đoán chuyên môn
Thiếu hoàn chỉnh	√			Các thành phần chính của hệ thống có bị bỏ qua không? Nếu vậy, tác động có thể định lượng được hoặc không định lượng được đối với sai số hệ thống là gì? QA / QC thích hợp sẽ giúp tránh điều này.
Mẫu (Sự sai lệch và lỗi ngẫu nhiên)	√	√	√	Việc xây dựng mô hình có đầy đủ và chính xác không? Độ không đảm bảo trong các dự đoán của mô hình dựa trên sự Thẩm định của mô hình là gì? Ước tính độ chính xác và độ chính xác của mô hình dựa trên đánh giá của chuyên gia là gì nếu dữ liệu Thẩm định thống kê không có sẵn?
Thiếu dữ liệu			√	Nếu thiếu dữ liệu, liệu đánh giá của chuyên gia có thể được sử dụng để đưa ra các suy luận dựa trên dữ liệu tương tự (thay thế, ủy nhiệm) hoặc các cân nhắc lý thuyết không? Có thể liên quan đến sự thiếu hoàn chỉnh và Độ không đảm bảo của mô hình.
Thiếu đại diện của dữ liệu	√	√	√
Lỗi lấy mẫu ngẫu nhiên thống kê		√		Ví dụ: lý thuyết thống kê để ước tính khoảng tin cậy dựa trên sự thay đổi của dữ liệu và kích thước mẫu.
Lỗi đo lường: thành phần ngẫu nhiên		√	√
Sai số đo lường: thành phần hệ thống (Sự sai lệch)	√		√	QA/QC và kiểm định có thể cung cấp thông tin chi tiết.
Báo cáo sai hoặc phân loại sai		√	√	QA/QC thích hợp sẽ giúp tránh điều này.
Dữ liệu bị mất		√	√	Các phương pháp tiếp cận dựa trên thống kê hoặc phán đoán để ước tính độ không đảm bảo do các phép đo không được phát hiện hoặc các loại dữ liệu bị thiếu khác.
1 Thực hành tốt là áp dụng các thủ tục cho QA / QC và kiểm định trước hoặc kết hợp với việc xây dựng các ước tính độ không đảm bảo theo hướng dẫn trong Chương 6. QA / QC và các thủ tục kiểm định cung cấp cơ sở hữu ích để ngăn ngừa sai lầm và xác định (và tốt hơn là sửa chữa) thành kiến. Hơn nữa, QA / QC phải ngăn ngừa hoặc giúp phát hiện và sửa chữa các lỗi phân loại sai và phân loại sai, đồng thời cần có sự lặp lại giữa phân tích độ không đảm bảo và QA / QC nếu việc áp dụng các phương pháp độ không đảm bảo phát hiện ra các vấn đề QA / QC tiềm ẩn.

3.1.6 Giảm độ không đảm bảo

Độ không đảm bảo cần được giảm thiểu càng nhiều càng tốt trong quá trình biên soạn bản kiểm kê và điều đặc biệt quan trọng là phải đảm bảo rằng mô hình và dữ liệu thu thập được là sự trình bày công bằng của thế giới thực. Khi phầntrung nỗ lực để giảm độ không chắc chắn, cần ưu tiên cho những đầu vào của kiểm kê có tác động nhiều nhất đến độ không đảm bảo chung của kiểm kê, trái ngược với những yếu tố đầu vào có tầm quan trọng nhỏ hoặc không đáng kể đối với việc đánh giá như được mô tả trong Chương 4, Lựa chọn phương pháp luận và xác định các danh mục chính. Các công cụ để sắp xếp thứ tự ưu tiên khi cần giảm độ không đảm bảo bao gồm phân tích danh mục chính (xem Chương 4) và đánh giá sự đóng góp của các yếu tố không chắc chắn trong các danh mục cụ thể vào tổng độ không đảm bảo trong kiểm kê (xem Phần 3.2.3). Tùy thuộc vào nguyên nhân của Độ không đảm bảo hiện tại, độ không đảm bảo có thể được giảm bớt theo bảy cách rộng rãi:

 Cải thiện việc hình thành khái niệm: Cải thiện tính bao trùm của các giả định cấu trúc đã chọn có thể làm giảm Độ không đảm bảo. Một ví dụ là xử lý tốt hơn các tác động theo mùa dẫn đến ước tính hàng năm chính xác hơn về lượng phát thải hoặc loại bỏ cho Khu vực AFOLU.

 Cải tiến mô hình: Cải thiện cấu trúc mô hình và tham số hóa có thể giúp hiểu rõ hơn và xác định đặc điểm của các sai số ngẫu nhiên và hệ thống, cũng như giảm thiểu các nguyên nhân gây ra Độ không đảm bảo này.

Cải thiện tính đại diện: Điều này có thể liên quan đến việc phân tầng hoặc các chiến lược lấy mẫu khác, như được nêu trong Phần 3.2.1.2. Điều này đặc biệt quan trọng đối với các danh mục thuộc lĩnh vực nông nghiệp, lâm nghiệp và sử dụng đất của kiểm kê, nhưng cũng áp dụng ở những nơi khác, ví dụ, bất cứ nơi nào các công nghệ khác nhau đang hoạt động trong một danh mục. Ví dụ, hệ thống giám sát khí thải liên tục (CEMS) có thể được sử dụng để giảm độ không đảm bảo đối với một số nguồn và khí miễn là đảm bảo tính đại diện. CEMS tạo ra dữ liệu đại diện tại các cơ sở nơi nó được sử dụng, nhưng để đại diện cho toàn bộ danh mục nguồn, dữ liệu CEMS phải có sẵn cho một mẫu ngẫu nhiên hoặc toàn bộ các cơ sở riêng lẻ bao gồm danh mục. Khi sử dụng CEMS, cả nồng độ và lưu lượng sẽ khác nhau, yêu cầu lấy mẫu đồng thời của cả hai thuộc tính.

 Sử dụng các phương pháp đo chính xác hơn: Có thể giảm sai số đo bằng cách sử dụng các phương pháp đo chính xác hơn, tránh đơn giản hóa các giả định và đảm bảo rằng các công nghệ đo được sử dụng và hiệu chuẩn một cách thích hợp. Xem Chương 2, Phương pháp Tiếp cận Thu thập Dữ liệu.

 Thu thập nhiều dữ liệu đo hơn: Độ không đảm bảo liên quan đến sai số lấy mẫu ngẫu nhiên có thể được giảm bớt bằng cách tăng kích thước mẫu. Cả sai lệch và sai số ngẫu nhiên đều có thể được giảm thiểu bằng cách điền vào các khoảng trống dữ liệu. Điều này áp dụng cho cả các phép đo và khảo sát.

 Loại bỏ rủi ro sai lệch đã biết: Điều này đạt được bằng cách đảm bảo thiết bị đo đạc được định vị và hiệu chuẩn đúng cách (xem Phần 2.2 trong Chương 2), các mô hình hoặc các quy trình ước tính khác phù hợp và mang tính đại diện như được chỉ ra bởi cây quyết định và các lời khuyên khác về lựa chọn phương pháp luận trong lĩnh vực khối lượng, và bằng cách áp dụng các đánh giá của chuyên gia một cách có hệ thống.

 Cải thiện tình trạng kiến ​​thức: Nói chung, nâng cao hiểu biết về các loại và các quá trình dẫn đến phát thải và loại bỏ có thể giúp phát hiện và sửa chữa các vấn đề chưa hoàn thiện. Thực hành tốt là liên tục cải thiện ước tính lượng phát thải và loại bỏ dựa trên kiến ​​thức mới (xem Chương 5, Tính nhất quán của chuỗi thời gian).

3.1.7 Ý nghĩa của việc lựa chọn phương pháp luận

 Việc lựa chọn bậc phương pháp luận để ước lượng lượng phát thải và loại bỏ có thể ảnh hưởng đến việc phân tích độ không đảm bảo theo hai cách khác nhau. Thứ nhất, chuyển sang các phương pháp kiểm kê cấp cao hơn thường phải giảm độ không chắc chắn, miễn là các phương pháp cấp cao hơn được thực hiện tốt, vì chúng sẽ giảm độ chệch và thể hiện tốt hơn mức độ phức tạp của hệ thống. Thứ hai, chuyển sang các phương pháp bậc cao hơn có thể làm tăng các ước tính về độ không đảm bảotrong một số trường hợp. Thông thường, sự gia tăng độ không đảm bảo đo được ước tính này không thực sự thể hiện sự giảm sút về kiến ​​thức; thay vào đó, nó thường tiết lộ một sự thừa nhận thực tế hơn về những hạn chế của kiến ​​thức hiện có. Điều này có thể xảy ra khi chưa tính toán đầy đủ lượng phát thải khí nhà kính trong phương pháp cấp thấp hơn hoặc khi áp dụng các phương pháp cấp cao hơn cho thấy sự phức tạp và không chắc chắn bổ sung mà phương pháp cấp thấp hơn không rõ ràng. Điều này thực sự có nghĩa là trước đây độ không đảm bảo đo đã được đánh giá thấp hơn và việc chuyển sang phương pháp bậc cao hơn trong thực tế sẽ tạo ra một ước tính chính xác hơn về độ không đảm bảo. Trong một số trường hợp, sự gia tăng độ không đảm bảocó thể xảy ra đối với một phương pháp phát triển kiểm kê so với một phương pháp khác vì mỗi phương pháp có các yêu cầu dữ liệu khác nhau. Ví dụ, đôi khi các ước tính tổng hợp về phát thải chính xác hơn vì chúng được dựa trên hoặc có thể được so sánh với các giá trị đo được dễ dàng, trong khi các ước tính phân tách có thể yêu cầu các giả định bổ sung mà dữ liệu hoặc khả năng kiểm định các ước tính không sẵn có. Mức độ phân tổ thích hợp có thể khác nhau trong và giữa các danh mục.

3.2 XÁC ĐỊNH ĐƠN VỊ

Sau khi xác định nguyên nhân của Độ không đảm bảo liên quan đến ước tính kiểm kê, người kiểm kê cần thu thập thông tin thích hợp để phát triển các ước tính quốc gia và danh mục cụ thể về độ không đảm bảo ở khoảng tin cậy 95 phần trăm. Lý tưởng nhất là các ước lượng phát xạ và loại bỏ và các dải không đảm bảo đo sẽ được lấy từ dữ liệu đo cụ thể cho từng loại. Vì có thể không thực tế khi đo mọi nguồn phát xạ hoặc loại chìm theo cách này, nên có thể cần phải có các phương pháp khác để định lượng độ không đảm bảo. Cách tiếp cận thực dụng để tạo ra các ước tính độ không đảm bảo định lượng là sử dụng các ước tính tốt nhất hiện có, thường là sự kết hợp của dữ liệu đo lường, thông tin được công bố, đầu ra của mô hình và đánh giá của chuyên gia. Hướng dẫn ngành trong các Phần2 đến Phần5 của Hướng dẫn này cung cấp các ước tính về độ không đảm bảo mặc định để sử dụng với các phương pháp được mô tả trong chương này.

Mặc dù độ không đảm bảo đo được xác định từ dữ liệu đo lường thường được coi là nghiêm ngặt hơn so với ước tính độ không đảm bảo dựa trên mô hình và tương tự, các ước tính dựa trên mô hình thường được coi là chặt chẽ hơn so với đánh giá dựa trên đánh giá của chuyên gia, hệ thống phân cấp thực tế phụ thuộc vào danh mục và/hoặc hoàn cảnh cụ thể của quốc gia. Đặc biệt, thông lệ tốt là đảm bảo rằng các độ không đảm bảo là đại diện cho việc áp dụng trong kiểm kê và hoàn cảnh quốc gia và bao gồm tất cả các nguyên nhân gây ra độ không đảm bảođược liệt kê trong Bảng 3.1.

Phần này được tổ chức thành ba tiểu mục chính có liên quan với nhau. Phần 3.2.1 phầntrung vào các nguồn dữ liệu và thông tin có thể được sử dụng để xác định và nếu có thể, định lượng độ không đảm bảo. Phần 3.2.2 phầntrung vào các phương pháp để cố gắng ngăn chặn hoặc sửa chữa các sai lệch và để định lượng thành phần ngẫu nhiên của độ không đảm bảo trong các đầu vào của mô hình. Phần 3.2.3 trình bày hai Phương pháp tiếp cận để kết hợp độ không đảm bảo trong các yếu tố đầu vào nhằm đưa ra ước tính độ không đảm bảo cho các loại phát thải và loại bỏ đơn lẻ và tổng kiểm kê phát thải.

3.2.1 Nguồn dữ liệu và thông tin

Phần này xác định các nguồn dữ liệu và thông tin để thu được các ước tính định lượng về độ không đảm bảo. Có ba nguồn dữ liệu và thông tin lớn: thông tin có trong các mô hình; dữ liệu thực nghiệm liên quan đến các phép đo lượng phát thải và dữ liệu hoạt động từ các cuộc điều tra và tổng điều tra; và các ước tính định lượng về độ không đảm bảo dựa trên đánh giá của chuyên gia.

3.2.1.1 LIÊN KẾT VỚI CÁC MÔ HÌNH BẤT KỲ

Một mô hình là một đại diện của một hệ thống trong thế giới thực. Mô hình hóa thường liên quan đến các lựa chọn liên quan đến những gì cần bao gồm và những gì cần loại trừ, cũng như các lựa chọn liên quan đến mức độ chi tiết (hoặc tổng hợp) cho những hiện tượng được đưa vào mô hình. Do đó, mô hình thường không bắt chước chính xác hệ thống trong thế giới thực. Cấu trúc của mô hình thường được coi là các Công thứcđược sử dụng và các đầu vào và đầu ra của mô hình (Kirchner, 1990). Nói một cách tổng quát hơn, một mô hình có thể được coi là một giả thuyết liên quan đến cách hệ thống trong thế giới thực hoạt động. Do đó, có hai cân nhắc chính trong độ không đảm bảo của mô hình: (1) đã xác định được hệ thống thế giới thực phù hợp, chính xác nhất và có các khái niệm được xây dựng theo cách phù hợp để làm cơ sở cho việc phát triển mô hình; và (2) là mô hình đại diện chính xác cho hệ thống đã chọn. Độ không đảm bảo về khái niệm mô tả sự thiếu xác định thích hợp của hệ thống mà mô hình cần được phát triển và (các) khái niệm quan tâm. Độ không đảm bảo của mô hình mô tả sự thiếu phát triển mô hình thích hợp liên quan đến (các) hệ thống dự kiến ​​và hình thành khái niệm.

Độ không đảm bảo về khái niệm: Việc không xác định đúng các giả định về cấu trúc kiểm kê phù hợp và có liên quan được gọi là Độ không đảm bảo trong việc hình thành khái niệm (Cullen và Frey, 1999) và thường dẫn đến sai lệch trong ước tính. Nguyên nhân của Độ không đảm bảo về khái niệm thường bao gồm lỗi mô tả, sai sót trong đánh giá chuyên môn và mô tả không đầy đủ của các giả định (EPA, 1997).

Độ không đảm bảo của mô hình: Độ không đảm bảo phát sinh từ sự không hoàn hảo trong cách mô hình hóa các khái niệm đã chọn. Đôi khi những điểm không hoàn hảo này xảy ra do giới hạn của dữ liệu có sẵn. Một mô hình có thể có các nguồn lỗi khác về cấu trúc, chẳng hạn như không tính đến độ nhạy của khí thải với điều kiện xung quanh hoặc các yếu tố khác một cách thích hợp. Mô hình hóa có thể là cơ sở để ước tính lượng phát thải hoặc loại bỏ cho các danh mục cụ thể cũng như để quản lý dữ liệu trong toàn bộ kiểm kê. Trong một số trường hợp, độ không đảm bảo của mô hình có thể là đáng kể. Nó thường có đặc điểm kém và có thể không có đặc điểm gì.

3.2.1.2 DỮ LIỆU HOẠT ĐỘNG CHO NGUỒN VÀ LIÊN KẾT VÀ HOẠT ĐỘNG

Phần này mô tả các nguồn dữ liệu thực nghiệm, và ý nghĩa của chúng đối với độ không đảm bảo, và có liên quan đến dữ liệu phát thải đo được, dữ liệu thu được từ tài liệu và dữ liệu hoạt động.

CÁC DỰ TOÁN KHÔNG DUY TRÌ CÓ ĐƯỢC TỪ CÁC DỮ LIỆU BỊ XÓA / KHẮC PHỤC ĐÃ ĐƯỢC ĐO

Phần này giả định rằng các thông lệ tốt được sử dụng để thu thập dữ liệu, như được nêu trong Chương 2 và Chương 6, Đảm bảo chất lượng/Kiểm tra chất lượng và Kiểm định. Khi ước tính độ không đảm bảo đo từ dữ liệu phát thải đo được, các cân nhắc bao gồm: (a) tính đại diện của dữ liệu và khả năng sai lệch; (b) độ chính xác và độ chính xác của các phép đo; (c) kích thước mẫu và sự thay đổi giữa các cá thể trong phép đo, và ý nghĩa của chúng đối với độ không đảm bảo đo trong lượng phát thải/loại bỏ trung bình hàng năm; (d) sự thay đổi hàng năm về lượng phát thải/loại bỏ và liệu các ước tính có dựa trên trung bình của một vài năm hay trên cơ sở của một năm cụ thể hay không.

Lấy mẫu đại diện (hoặc thiết kế lấy mẫu) ngụ ý rằng các phép đo được thực hiện cho các đặc tính điển hình của hệ thống, điều kiện hoạt động, khoảng thời gian và/hoặc khu vực địa lý quan tâm. Độ chính xác và độ chính xác của các phép đo riêng lẻ sẽ phụ thuộc vào thiết bị và giao thức được sử dụng để thực hiện phép đo. Cỡ mẫu thường sẽ là sự cân bằng giữa mong muốn có thêm dữ liệu và chi phí thực hiện các phép đo. Trong một số trường hợp, chẳng hạn như để theo dõi liên tục, cỡ mẫu có thể đủ lớn để phục vụ hiệu quả cho một cuộc điều tra dân số, thay vì lấy một phần dữ liệu. Nói chung, sự thay đổi trong dữ liệu từ một khoảng thời gian ngắn hạn (ví dụ: giờ, ngày, tuần) đến khoảng thời gian khác sẽ phụ thuộc vào các đặc điểm của danh mục. Nếu mục tiêu là phát triển một ước tính về lượng phát thải hoặc loại bỏ trung bình hàng năm, thì có thể cần phải đánh giá xem liệu các phép đo được thực hiện trong một thời gian ngắn có đại diện cho tốc độ trong một khoảng thời gian dài hơn hay không và liệu chương trình đo có thể được mở rộng hay không. đến khoảng thời gian bổ sung. Ví dụ, các phép đo thông lượng (dữ liệu về hệ số phát xạ) phải đại diện cho cả năm. Trong AFOLU Sector, điều này là rất quan trọng, vì lượng khí thải phụ thuộc nhiều vào điều kiện khí hậu thường không giống nhau đối với thời kỳ sinh trưởng và thời kỳ mùa đông

Hình 3.4 Ví dụ về độ không đảm bảo đo trong phép đo phát xạ và tốc độ phát xạ trung bình

(a) Phân phối được trang bị cho sự thay đổi giữa các đơn vị trong lượng khí thải;

(b) Sự phân bố phù hợp không chắc chắn vì cỡ mẫu nhỏ (n = 20);

(c) Độ không đảm bảo về tốc độ phát xạ trung bình.

(a) Biến đổi giữa các đơn vị

(b) Độ không đảm bảo trong phân phối độ biến thiên

(c) Độ không đảm bảo về tốc độ phát xạ trung bình.

Đối với ví dụ thứ hai, giả sử rằng một người muốn ước tính Độ không đảm bảo trong lượng khí thải hàng năm của quốc gia đối với một loại cụ thể, chẳng hạn như khí thải từ ô tô chở khách chạy bằng nhiên liệu xăng. Tỷ lệ phát thải khác nhau giữa các phương tiện cá nhân, được minh họa bằng sự thay đổi giữa các đơn vị được thể hiện trong Hình 3.4 (a). Bởi vì sự phân bố cho sự thay đổi giữa các phương tiện được ước tính từ một mẫu dữ liệu nhỏ, hữu hạn có thể có lỗi lấy mẫu ngẫu nhiên, nên có Độ không đảm bảo về phân bố dân số thực nhưng chưa biết cho sự thay đổi giữa các phương tiện có thể là gì, như được đề xuất trong Hình 3,4 (b). Cũng có sự thay đổi trong nội bộ đơn vị về lượng khí thải theo thời gian đối với bất kỳ loại xe cụ thể nào. Tuy nhiên, đối với mục đích của ước tính hàng năm quốc gia, trọng tâm là sự đóng góp tổng hợp của tất cả các phương tiện đó vào tổng lượng khí thải trong một khung thời gian dài của năm. Trong trường hợp này, chúng tôi không quan tâm đến phạm vi thay đổi giữa các phương tiện, mà quan tâm đến phạm vi không chắc chắn đối với tỷ lệ phát thải trung bình giữa tất cả các phương tiện đó (ví dụ, Hình 3.4 (c)). Thông thường, phạm vi độ không đảm bảo đo về cơ bản ít hơn so với phạm vi thay đổi giữa các phương tiện (hoặc nói chung là giữa các đơn vị) (ví dụ, Frey và Zheng, 2002). Do đó, khi mục tiêu của một phân tích yêu cầu việc đánh giá dựa trên Độ không đảm bảo về giá trị trung bình, thay vì sự biến thiên giữa các đơn vị riêng lẻ, thì điều quan trọng là phải phầntrung đúng mức phân tích vào điều trước đây. Nếu không làm như vậy có thể dẫn đến ước tính sai lệch quá mức về phạm vi độ không đảm bảo đo.

Trong trường hợp giám sát liên tục phát thải điểm, hoặc sơ đồ lấy mẫu định kỳ nắm bắt các dạng hoạt động điển hình, có thể có dữ liệu thực nghiệm đầy đủ và đại diện để làm cơ sở ước tính độ không đảm bảo đo trong lượng phát thải trung bình hàng năm. Ví dụ, nếu có vài năm dữ liệu như vậy, thì lượng phát thải trung bình hàng năm trong vài năm có thể được định lượng và sự phân bố lượng phát thải hàng năm từ năm này sang năm khác có thể được sử dụng để đánh giá khoảng tin cậy 95 phần trăm trong mức trung bình hàng năm . Với điều kiện là mức trung bình hàng năm dựa trên dữ liệu từ nhiều danh mục riêng lẻ, không chắc rằng sẽ có mối tương quan về sai số giữa các năm. Điều này có ý nghĩa đối với việc ước lượng độ không đảm bảotrong các xu hướng, như đã thảo luận trong Phần 3.3, Độ không đảm bảovà Tự tương quan theo thời gian. Tuy nhiên, đối với các loại lan tỏa, chẳng hạn như cây nông nghiệp, có thể có tự tương quan cao nếu chúng được xác định bởi khí hậu và điều này có thể ảnh hưởng đến tính đại diện của dữ liệu cho một mục đích đánh giá cụ thể.

Khi không có các phép đo phát xạ liên tục, có thể có các phép đo phát xạ định kỳ để từ đó ước tính độ không đảm bảo. Nếu các phép đo này có thể được liên kết với dữ liệu hoạt động đại diện, tất nhiên là rất quan trọng, thì có thể xác định hệ số phát thải theo địa điểm cụ thể, cùng với một tệp PDF liên quan để biểu thị lượng phát thải hàng năm. Đây có thể là một nhiệm vụ phức tạp. Để đạt được tính đại diện, có thể cần phải phân vùng (hoặc phân tầng) dữ liệu để phản ánh các điều kiện hoạt động điển hình. Ví dụ:

 Khởi động và ngừng hoạt động có thể cung cấp các tỷ lệ phát thải khác nhau liên quan đến dữ liệu hoạt động. Trong trường hợp này, dữ liệu phải được phân vùng, với các hệ số phát xạ riêng biệt và các hàm mật độ xác suất được suy ra cho các điều kiện trạng thái ổn định, khởi động và tắt.

 Hệ số phát thải có thể phụ thuộc vào tải trọng. Trong trường hợp này, ước tính tổng lượng phát thải và phân tích độ không đảm bảo có thể cần được phân tầng để tính đến tải, ví dụ, được biểu thị bằng phần trăm công suất đầy đủ. Điều này có thể được thực hiện bằng cách phân tích hồi quy và biểu đồ phân tán của tỷ lệ phát thải dựa trên các biến kiểm soát có khả năng xảy ra (ví dụ, phát thải so với tải trọng) với tải trọng trở thành một phần của dữ liệu hoạt động cần thiết.

 Các phép đo được thực hiện cho mục đích khác có thể không mang tính đại diện. Ví dụ, các phép đo mêtan được thực hiện vì lý do an toàn tại các mỏ than và bãi chôn lấp có thể không nhất thiết phản ánh tổng lượng phát thải vì chúng có thể chỉ được thực hiện khi lượng phát thải mêtan được nghi ngờ là cao, như một kiểm tra tuân thủ. Trong những trường hợp như vậy, tỷ lệ giữa dữ liệu đo được và tổng lượng phát thải phải được ước tính để phân tích độ không đảm bảo.

 Các phép đo ngắn hạn có hệ thống có thể không lấy mẫu đầy đủ các sự kiện theo từng đợt (chẳng hạn như lượng mưa) gây ra các dòng chảy lớn trong thời gian ngắn, tuy nhiên có thể chiếm một phần lớn lượng phát thải hàng năm. Nếu chiến lược lấy mẫu bỏ sót một tỷ lệ đáng kể của các sự kiện này, thì ước tính phát thải trung bình hàng năm về cơ bản có thể bị sai lệch. Khí thải oxit nitơ từ đất nông nghiệp có thể thuộc loại này.

Nếu kích thước mẫu dữ liệu đủ lớn, có thể sử dụng các thử nghiệm thống kê tiêu chuẩn về mức độ phù hợp, kết hợp với đánh giá của chuyên gia, để giúp quyết định sử dụng PDF nào để mô tả sự thay đổi trong dữ liệu (được phân vùng nếu cần) và cách tham số nó. Tuy nhiên, trong nhiều trường hợp, số lượng phép đo để đưa ra suy luận về độ không đảm bảo đo sẽ nhỏ. Về mặt lý thuyết, miễn là có ba điểm dữ liệu trở lên và chúng là mẫu đại diện ngẫu nhiên của biến quan tâm, thì có thể áp dụng kỹ thuật thống kê để ước tính giá trị của các tham số của nhiều phân phối hai tham số (ví dụ: bình thường , lognormal) có thể được sử dụng để mô tả sự biến thiên trong phầndữ liệu (Cullen và Frey, 1999, trang 116-117). Mặc dù người ta thường cho rằng một điểm phải có khoảng 8 hoặc 9 điểm dữ liệu và tốt nhất là nhiều hơn nữa, làm cơ sở để điều chỉnh phân phối với dữ liệu, thì giả thiết cơ bản và quan trọng hơn phải được thực hiện để phù hợp với phân phối tới dữ liệu là dữ liệu là một mẫu đại diện, ngẫu nhiên. Nếu giả định này là hợp lệ, thì kích thước mẫu ảnh hưởng đến độ rộng của khoảng tin cậy đối với bất kỳ thống kê nào được ước tính từ mẫu. Như một vấn đề ưu tiên, nhiều nhà phân tích có thể thích có cỡ mẫu tối thiểu, nhưng ưu tiên này không liên quan đến vấn đề chính là tính đại diện. Dữ liệu không trở nên đại diện hơn chỉ vì sự gia tăng kích thước mẫu.

Với các cỡ mẫu nhỏ, sẽ có độ không đảm bảo đo lớn liên quan đến các ước lượng tham số cần được phản ánh trong việc định lượng độ không đảm bảo để sử dụng trong kiểm kê. Hơn nữa, thường không thể dựa vào các phương pháp thống kê để phân biệt mức độ phù hợp của các phân phối tham số thay thế khi kích thước mẫu rất nhỏ (Cullen và Frey, 1999, trang 158-159). Do đó cần phải có sự phán đoán để lựa chọn một phân phối tham số thích hợp để phù hợp với một phầndữ liệu rất nhỏ. Trong các tình huống mà hệ số biến thiên (Sự sai lệch chuẩn chia cho giá trị trung bình) nhỏ hơn xấp xỉ 0,3 và được biết đến với độ tin cậy hợp lý, phân phối chuẩn có thể là một giả định hợp lý (Robinson, 1989). Khi hệ số biến thiên lớn và biến số không âm, thì phân phối lệch dương chẳng hạn như có thể thích hợp. Hướng dẫn lựa chọn phân phối được trình bày trong Phần 3.2.2.2 và 3.2.2.4 dưới đây.

Trong trường hợp với các phầndữ liệu lớn, độ không đảm bảo đo trong giá trị trung bình thường có thể được ước tính bằng bội số cộng hoặc trừ 1,96 (hoặc xấp xỉ 2) của sai số chuẩn, trong đó sai số chuẩn là Sự sai lệch chuẩn của mẫu chia cho căn bậc hai của kích thước mẫu. . Tính toán này dựa trên giả định về phân phối chuẩn. Tuy nhiên, trong trường hợp có một số lượng nhỏ mẫu / phép đo thường là trường hợp xác định hệ số phát xạ, bội số của 1,96 được thay thế bằng "hệ số phủ", được gọi là k, nhận được từ phân bố t của học sinh. . Đối với cỡ mẫu nhỏ, k lớn hơn 1,96 trong khoảng thời gian 95 phần trăm, nhưng tiệm cận đến 1,96 khi cỡ mẫu tăng lên xấp xỉ 30 hoặc hơn. Tuy nhiên, trong trường hợp độ không đảm bảo đo trong giá trị trung bình không phải là phân phối đối xứng, thì các phương pháp số như mô phỏng bootstrap có thể được sử dụng thay thế để thu được khoảng tin cậy cho giá trị trung bình.

Trong trường hợp ước tính hàng năm dựa trên giá trị trung bình trong nhiều năm, thì độ không đảm bảo đo trong giá trị trung bình đại diện cho độ không đảm bảo trong một năm trung bình chứ không phải độ dao động giữa các năm. Nếu mục tiêu là ước tính độ không đảm bảo của dòng chảy nguồn hoặc dòng chìm trong một năm cụ thể, thì thông lệ tốt là ước tính tốt nhất tổng số hàng năm và định lượng độ không đảm bảo kết hợp với các mô hình và dữ liệu được sử dụng phù hợp với khoảng thời gian một năm. Thay vào đó, nếu sử dụng ước tính trung bình hàng năm, thì độ không đảm bảo đo trong ước tính khi áp dụng cho một năm cụ thể sẽ được mô tả bằng độ biến thiên giữa các năm (bao gồm cả sai số đo lường) so với giá trị trung bình, trong khi khi áp dụng cho một năm trung bình thì sẽ là khoảng tin cậy của giá trị trung bình

CÁC DỰ TOÁN KHÔNG CHỨA CHO CÁC YẾU TỐ KHẨN CẤP VÀ CÁC THAM SỐ KHÁC CÓ ĐƯỢC TỪ TÀI LIỆU THAM KHẢO ĐÃ XUẤT BẢN

Khi không có dữ liệu cụ thể về địa điểm, nếu có thể thì việc kiểm kê phải dựa trên hệ số phát thải thu được từ các nghiên cứu đã công bố cụ thể cho các điều kiện ở quốc gia đó. Khi không có đủ thông tin về quốc gia cụ thể, thông tin có thể được lấy từ các nghiên cứu đã xuất bản khác nếu các nghiên cứu đó phản ánh các điều kiện của quốc gia đó, hoặc các hệ số phát thải hoặc các thông số ước tính khác có thể được rút ra từ các Phầntừ 2 đến 5 của Hướng dẫn này. Các yếu tố được cung cấp trong các phầncủa ngành được lấy từ các hoàn cảnh được đánh giá là điển hình. Có độ không đảm bảo đo liên quan đến các phép đo ban đầu, cũng như việc sử dụng các yếu tố trong các trường hợp khác với các yếu tố liên quan đến các phép đo ban đầu.

Khi các hệ số phát thải đã công bố hoặc các thông số ước lượng khác được sử dụng, độ không đảm bảo đo liên quan phải được ước tính từ:

 Nghiên cứu ban đầu bao gồm dữ liệu theo quốc gia cụ thể: Đối với các hệ số phát thải dựa trên phép đo, dữ liệu từ chương trình đo ban đầu hoặc các thí nghiệm có thể cho phép đánh giá độ không đảm bảo và có thể là PDF. Các chương trình đo lường và thí nghiệm được thiết kế tốt sẽ cung cấp dữ liệu mẫu bao gồm phạm vi của các loại thực vật và việc duy trì, kích thước và tuổi của chúng, để các yếu tố và độ không đảm bảo của chúng có thể được sử dụng trực tiếp. Trong các trường hợp khác, đánh giá của chuyên gia, có tính đến nguyên nhân của Độ không đảm bảo được xác định trong Bảng 3.1, sẽ cần thiết để ngoại suy từ các phép đo cho toàn bộ quần thể thực vật trong loại cụ thể đó (chi tiết về cách thu thập đánh giá của chuyên gia được trình bày trong Phần 3.2 .1.3).

 Giá trị mặc định từ Hướng dẫn: Đối với hầu hết các hệ số phát thải và các thông số ước tính khác, hướng dẫn ngành cung cấp các ước tính về độ không đảm bảo mặc định nên được sử dụng trong trường hợp không có thông tin khác. Trừ khi có bằng chứng rõ ràng cho điều ngược lại, các tệp PDF được coi là bình thường. Tuy nhiên, người kiểm kê nên đánh giá tính đại diện của khoản vỡ nợ đối với hoàn cảnh quốc gia của riêng mình. Nếu giá trị mặc định được đánh giá là không mang tính đại diện và danh mục này quan trọng đối với kiểm kê, thì nên xây dựng các giả định cải tiến dựa trên đánh giá của chuyên gia, giả định rằng không có đủ nghiên cứu ban đầu để tính toán các hệ số phát thải của quốc gia cụ thể hoặc các thông số ước tính khác.

Các phương pháp mặc định thể hiện sự thỏa hiệp giữa mức độ chi tiết cần thiết để tạo ra các ước tính chính xác nhất cho mỗi quốc gia và dữ liệu đầu vào có thể sẵn có hoặc có sẵn ở hầu hết các quốc gia. Các phương pháp mặc định thường là sự đơn giản hóa và có thể đưa ra những điểm không chắc chắn lớn trong một ước tính quốc gia. Trong nhiều phương pháp mặc định, các cấp độ chi tiết tùy chọn khác nhau được cung cấp để phản ánh liệu người dùng có dữ liệu chi tiết cho tình hình quốc gia của họ hay phải dựa hoàn toàn vào các giá trị mặc định chung. Có thể có sự khác biệt đáng kể về mức độ các giá trị mặc định chung thể hiện các điều kiện của dân số thực tế của các hoạt động ở một quốc gia cụ thể. Ví dụ, độ không đảm bảoliên quan đến các hệ số phát thải carbon mặc định đối với dân số toàn cầu của các nguồn đốt nhiên liệu hóa thạch có thể được đặc trưng là khá thấp (5-10%) trong phương pháp luận của IPCC; nhưng các chuyên gia quốc gia cho một quốc gia cụ thể có thể biết rằng các đặc tính của các loại nhiên liệu đó ở quốc gia của họ khác với giá trị trung bình toàn cầu. Ở một quốc gia như vậy, việc sử dụng các giá trị mặc định sẽ gây ra độ không đảm bảolớn hơn, và do đó, thực tiễn tốt là sử dụng các ước tính dành riêng cho quốc gia nếu có thể. Vì vậy, khả năng áp dụng của các giá trị độ không đảm bảo đo mặc định phải luôn được xem xét.

Một ví dụ khác là việc sử dụng các giá trị mặc định để ước tính lượng phát thải và loại bỏ theo quốc gia cụ thể của Khu vực AFOLU. Độ không đảm bảocó thể cao trừ khi biết được tính phù hợp của các thông số mặc định có sẵn đối với hoàn cảnh của một quốc gia. Việc áp dụng dữ liệu mặc định ở một quốc gia hoặc khu vực có các đặc điểm rất khác với các đặc điểm của dữ liệu danh mục có thể dẫn đến sai số hệ thống (thiên vị) lớn trong các ước tính về phát thải hoặc loại bỏ.

LIÊN HỆ VỚI DỮ LIỆU HOẠT ĐỘNG

Dữ liệu hoạt động thường liên kết chặt chẽ với hoạt động kinh tế hơn là các yếu tố phát thải. Tuy nhiên, không giống như dữ liệu hệ số phát thải, thường không có sẵn mẫu thống kê về các ước tính dữ liệu hoạt động thay thế để phù hợp với các phân bố và ước tính độ không đảm bảo. Thường có các ưu đãi về giá và các yêu cầu tài chính được thiết lập tốt để hạch toán chính xác hoạt động kinh tế. Do đó, dữ liệu hoạt động có xu hướng có độ không đảm bảothấp hơn và mối tương quan giữa các năm thấp hơn so với dữ liệu hệ số phát thải. Dữ liệu hoạt động thường được thu thập và công bố thường xuyên bởi các cơ quan thống kê quốc gia, các cơ quan này có thể đã đánh giá độ không đảm bảoliên quan đến dữ liệu của họ như một phần của quy trình thu thập dữ liệu của họ. Các ước tính không chắc chắn đã phát triển trước đây này có thể được sử dụng để xây dựng các tệp PDF. Thông tin này không nhất thiết đã được công bố, do đó, đề nghị liên hệ trực tiếp với các cơ quan thống kê. Vì dữ liệu hoạt động kinh tế thường không được thu thập cho mục đích ước tính lượng phát thải và loại bỏ khí nhà kính, nên thực tiễn tốt là đánh giá khả năng áp dụng của các ước tính độ không đảm bảo trước khi sử dụng chúng.

Có một số cách tiếp cận có thể hữu ích trong việc đánh giá tính không chắc chắn của dữ liệu hoạt động trong các trường hợp cụ thể:

Dữ liệu hoạt động dựa trên các mẫu hoàn chỉnh (điều tra dân số): Dữ liệu điều tra dân số là dữ liệu hoạt động dựa trên nguyên tắc để đếm mọi trường hợp của một hoạt động cụ thể. Điều tra dân số thường bao gồm cả lỗi hệ thống và lỗi ngẫu nhiên. Sai số có hệ thống phát sinh thông qua việc đếm thiếu hệ thống hoặc đếm hai lần. Lỗi ngẫu nhiên thường là tổng của một loạt các lỗi phổ biến. Các lỗi ngẫu nhiên thường có thể được dự kiến ​​sẽ được phân phối bình thường và không tương quan với nhau. Bởi vì dữ liệu hoạt động thường được thu thập bởi cùng một người, sử dụng các quy trình giống nhau, cho mỗi lần quan sát, các sai số hệ thống có thể có giá trị xấp xỉ nhau mỗi năm. Có một số cách tiếp cận để xác định độ không đảm bảo tiềm ẩn của dữ liệu hoạt động đối với các mẫu hoàn chỉnh. Những cách tiếp cận này thường là một phần tích hợp của kế hoạch QA/QC:

 Để kiểm tra quy mô của các lỗi ngẫu nhiên, hãy tìm các biến động theo thời gian và các biến động chênh lệch trong chuỗi phải có tương quan cao với dữ liệu quan tâm.

 Để kiểm tra lỗi sai lệch, hãy kiểm tra chéo dữ liệu quan tâm với các thông tin liên quan khác. Ví dụ, người ta có thể tra cứu chuỗi cung ứng nhiên liệu, so sánh sản lượng than, nhập khẩu/xuất khẩu than và mức tiêu thụ được báo cáo. Hoặc, người ta có thể nghiên cứu các hoạt động mà dữ liệu được thu thập một cách độc lập nhưng phải có mối tương quan cao với dữ liệu quan tâm, ví dụ đầu vào nhiên liệu được báo cáo so với sản lượng điện. Người ta cũng có thể xem xét dữ liệu hoạt động với các tần suất khác nhau (ví dụ: hàng tháng, hàng năm), nếu chúng được thu thập bằng các cách tiếp cận khác nhau.

 Giải thích sự khác biệt thống kê, ví dụ, trong dữ liệu năng lượng quốc gia là một ví dụ về kiểm tra chéo. Việc so sánh giữa lượng phát thải carbon dioxide liên quan đến năng lượng thu được từ phương pháp tiếp cận tham chiếu IPCC là một cuộc kiểm tra chéo chính thức với ước tính lượng khí thải từ các nguồn khác.

Dữ liệu hoạt động dựa trên điều tra dân số thường ‘chính xác nhưng không chính xác’ trong phân loại thể hiện trong Hình 3.2, sai số ngẫu nhiên là nhỏ, nhưng có thể có sai số chệch hướng lớn hơn. Kiểm tra chéo có thể đề xuất giới hạn trên và giới hạn dưới cho các lỗi thiên vị có thể xảy ra và đôi khi sẽ cho phép ước tính sai số thiên vị thực tế. Lỗi thiên vị tiềm ẩn ẩn trong các giới hạn này thường có thể được đặc trưng là phân phối đồng đều bị cắt ngắn: kiểm tra chéo cho thấy rằng giá trị thực không thể quan sát được phải nằm trong một phạm vi cụ thể, nhưng có thể không có lý do gì để nghĩ rằng bất kỳ điểm nào trong phạm vi đó nhiều hơn hoặc ít có khả năng. Tuy nhiên, do sai số thiên vị trong dữ liệu hoạt động có khả năng tương quan cao, sự khác biệt giữa giá trị được báo cáo và giá trị thực chưa biết có khả năng giống nhau hàng năm và đặc điểm này cần được tính đến khi ước tính độ không đảm bảo của xu hướng.

Dữ liệu hoạt động dựa trên các mẫu ngẫu nhiên: Một số loại dữ liệu hoạt động được lấy từ các cuộc điều tra mẫu, chẳng hạn như điều tra người tiêu dùng, điều tra sử dụng đất hoặc điều tra độ che phủ rừng. Trong những trường hợp này, dữ liệu sẽ có lỗi lấy mẫu, lỗi này sẽ được phân phối bình thường và không tương quan theo thời gian. Cơ quan tiến hành lấy mẫu thông thường sẽ có thể tư vấn về lỗi lấy mẫu. Nếu thông tin này không có sẵn, có thể xác định hoặc suy ra kích thước mẫu và quần thể và tính toán sai số lấy mẫu trực tiếp.

3.2.1.3 KIỂM ĐỊNH THỬ NGHIỆM NHƯ NGUỒN THÔNG TIN

Trong nhiều tình huống, dữ liệu thực nghiệm có liên quan trực tiếp không có sẵn cho các nguồn, bể chứa hoặc đầu vào hoạt động cho một kiểm kê. Trong những tình huống như vậy, một giải pháp thực tế để đối phó với việc không có đủ dữ liệu là có được các đánh giá đầy đủ thông tin từ các chuyên gia trong lĩnh vực liên quan đến các ước tính tốt nhất và Độ không đảm bảo của các yếu tố đầu vào cho kiểm kê. Chương 2, Phương pháp Tiếp cận Thu thập Dữ liệu, thảo luận về cơ sở của các giao thức mời chuyên gia chính thức. Đặc biệt, Mục 2.2 và Phụ lục 2A.1 đưa ra cách xử lý chung về đánh giá và viện dẫn của chuyên gia. Phụ lục 2A.1 cung cấp các chi tiết liên quan đến quy trình trưng cầu chuyên gia. Trong chương này, các phương pháp mã hóa độ không đảm bảo dựa trên đánh giá của chuyên gia được khuyến nghị trong Phần 3.2.2.3.

3.2.2 Các kỹ thuật định lượng độ không đảm bảo đo

Phần này thảo luận về các kỹ thuật chính để định lượng độ không đảm bảo, được xây dựng dựa trên các nguồn dữ liệu và thông tin được mô tả trong phần trước. Phần này phầntrung vào Độ không đảm bảo trong các mô hình, phân tích thống kê dữ liệu thực nghiệm, xác định và lựa chọn các tệp PDF, và các phương pháp để mã hóa đánh giá của chuyên gia liên quan đến Độ không đảm bảo.

3.2.2.1 BẤT NGỜ TRONG CÁC MÔ HÌNH

Việc xác định khái niệm và độ không đảm bảo của mô hình có thể khó giải quyết hơn so với độ không đảm bảo trong các yếu tố đầu vào của một mô hình. Mối quan tâm đáng kể nhất đối với Độ không đảm bảo về khái niệm và mô hình là chúng có khả năng tạo ra độ chệch đáng kể trong ước lượng phát thải và loại bỏ. Do đó, các phương pháp tiếp cận để đối phó với những nguyên nhân gây ra Độ không đảm bảo này nên nhằm mục đích đánh giá và sửa chữa những sai lệch đã biết hoặc nghi ngờ.

Rõ ràng là quy định kỹ thuật thích hợp của một khái niệm được quy định trong Hướng dẫn năm 2006, việc giải thích phụ thuộc vào đầu vào từ các chuyên gia và các bên liên quan, những người đã quen thuộc với các hệ thống ước tính lượng phát thải hoặc loại bỏ. Việc liệt kê tất cả các thành phần chính mà không tạo ra sự dư thừa hoặc chồng chéo, trong phạm vi của Hướng dẫn này cần phải hoàn thành một bản khái niệm, và nó phải được áp dụng cho phạm vi địa lý, khoảng thời gian và phầnhợp các khí nhà kính đã thỏa thuận.

Độ không đảm bảo của mô hình thường được xử lý theo một số cách. Một cách tiếp cận là chỉ cần thừa nhận những hạn chế của các mô hình được sử dụng và thảo luận một cách định tính về các tác động của độ không đảm bảo trong các ước tính thu được bằng cách sử dụng mô hình. Tuy nhiên, những cảnh báo định tính không hữu ích trong việc cung cấp cái nhìn định lượng về mức độ không đảm bảocó thể xảy ra, và bản thân nó không được coi là thông lệ tốt. Có ít nhất ba cách tiếp cận chính để ước tính độ không đảm bảo: (1) so sánh kết quả của mô hình với dữ liệu độc lập cho mục đích kiểm định; (2) so sánh các dự đoán của các mô hình thay thế; và (3) đánh giá của chuyên gia về độ không đảm bảo của mô hình. Các cách tiếp cận này có thể được sử dụng kết hợp.

So sánh các dự đoán của mô hình với dữ liệu độc lập có thể được sử dụng để đánh giá độ chính xác và độ chính xác của mô hình, và là một khía cạnh quan trọng của việc kiểm định, như được thảo luận trong Chương 6. Những so sánh như vậy có thể tiết lộ liệu mô hình dự đoán quá mức hoặc thấp hơn một cách hệ thống các đại lượng lãi. Tuy nhiên, có thể khó có được dữ liệu để kiểm định trực tiếp một mô hình. Tuy nhiên, đôi khi những kiểu so sánh này là tốt nhất hoặc duy nhất có sẵn và có thể giúp xác định những mâu thuẫn không giải thích được, đến lượt nó, có thể ngụ ý độ chệch mô hình có thể được sửa chữa bằng cách lựa chọn tham số.

Trong các trường hợp khác, có thể có các mô hình thay thế có thể được sử dụng để đưa ra các dự đoán cho cùng số lượng quan tâm. Trong phạm vi các mô hình thay thế dựa trên các dữ liệu khác nhau hoặc các giả định lý thuyết, việc so sánh các dự đoán của mô hình có thể cung cấp thông tin chi tiết hữu ích về mức độ bất đồng. Thực tế là hai hoặc nhiều mô hình không đồng ý với nhau không phải là bằng chứng kết luận rằng một trong hai mô hình là sai, vì cả hai hoặc tất cả các mô hình đều có thể sai.

Dựa trên kết quả của việc so sánh mô hình được sử dụng để phát triển kiểm kê với dữ liệu độc lập và / hoặc các mô hình thay thế, có thể mong muốn sửa đổi các giả định hoặc thông số của mô hình để giảm độ chệch. Sau đó, độ không đảm bảo còn lại có thể được đánh giá định lượng bằng đánh giá của chuyên gia về cách thức độ không đảm bảo trong dữ liệu được sử dụng để điều khiển mô hình và các thông số mô hình kết hợp với nhau, hoặc chính thức hơn bằng phân tích Monte Carlo.

3.2.2.2 PHÂN TÍCH THỐNG KÊ DỮ LIỆU THỰC NGHIỆM

Phân tích thống kê dữ liệu thực nghiệm là một cách tiếp cận có thể được sử dụng để xác định độ không đảm bảo đo trong kiểm kê, hệ số phát thải và các thông số ước tính khác, và nó có thể được tóm tắt thành các bước chính sau (ví dụ, Frey và Zheng, 2002):

Bước 1: Tổng hợp và đánh giá cơ sở dữ liệu về các yếu tố phát thải, dữ liệu hoạt động và các ước tính khác

thông số. Dữ liệu như vậy thường đại diện cho sự thay đổi.

Bước 2: Trực quan hóa dữ liệu bằng cách phát triển các hàm phân phối thực nghiệm (trong đó dữ liệu được vẽ theo chiều dọc theo thứ tự xếp hạng của chúng và được vẽ theo chiều ngang theo giá trị số của chúng - xem Cullen và Frey, 1999, để biết thêm chi tiết) cho hoạt động riêng lẻ và các yếu tố phát thải .

Bước 3: So khớp, đánh giá và lựa chọn các mô hình PDF thay thế để thể hiện sự thay đổi trong dữ liệu hoạt động và dữ liệu hệ số phát thải.

Bước 4: Đặc trưng của độ không đảm bảo đo trong giá trị trung bình của các phân phối đối với độ biến thiên. Nếu sai số chuẩn của giá trị trung bình đủ nhỏ (như đã thảo luận trong Phần 3.2.1.2), thì có thể đưa ra giả định về độ sai số chuẩn bất kể kích thước mẫu hoặc Sự sai lệch của dữ liệu. Nếu sai số chuẩn của giá trị trung bình lớn, thì có thể đưa ra giả thiết về giá trị tiên lượng hoặc có thể sử dụng các phương pháp khác (ví dụ: mô phỏng bootstrap) để ước tính độ không đảm bảo đo trong giá trị trung bình. Các công cụ phần mềm có sẵn công khai có thể được sử dụng để hỗ trợ công cụ sau này.

Bước 5: Khi độ không đảm bảo đo đã được xác định một cách thích hợp, chúng có thể được sử dụng làm đầu vào cho phân tích xác suất nhằm mục đích ước tính độ không đảm bảo đo trong tổng lượng phát thải.

Bước 6: Nên phân tích độ nhạy để xác định độ không đảm bảo đầu vào nào của kiểm kê đóng góp đáng kể nhất vào độ không đảm bảo tổng thể và ưu tiên nỗ lực xây dựng các ước tính tốt về các độ không đảm bảo chính này (xem Chương 4, Lựa chọn phương pháp luận và Xác định các danh mục chính) .

Bước 3 thường bao gồm; xác định các tệp PDF tham số ứng cử viên để phù hợp với dữ liệu, ước tính các tham số của các phân phối đó và đánh giá mức độ phù hợp (ví dụ: Cullen và Frey, 1999). Các phương pháp nghiêm ngặt có thể được áp dụng cho các phầndữ liệu có chứa các giá trị dưới giới hạn phát hiện của một phương pháp đo, được gọi là không phát hiện (ví dụ: Zhao và Frey, 2004a). Các bản phân phối có thể được sử dụng kết hợp ngay cả khi dữ liệu chứa hai hoặc nhiều nhóm con không thể tách biệt được (ví dụ, Zheng và Frey, 2004).

3.2.2.3 CÁC PHƯƠNG PHÁP THÚC ĐẨY KIẾN THỨC CHUYÊN GIA

Khi thiếu dữ liệu thực nghiệm hoặc không được coi là đại diện đầy đủ cho tất cả các nguyên nhân gây ra độ không đảm bảo (Bảng 3.1), có thể cần đánh giá của chuyên gia để ước tính độ không đảm bảo. Phần này phầntrung vào các phương pháp mã hóa (định lượng) đánh giá của chuyên gia về Độ không đảm bảo ở dạng PDF. Mã hóa là quá trình chuyển đổi nhận định của chuyên gia về Độ không đảm bảo thành một tệp PDF định lượng. Chương 2 cung cấp hướng dẫn về định nghĩa chuyên gia, các cân nhắc trong việc lựa chọn (các) chuyên gia, các nguồn có thể có sự thiên vị trong đánh giá của chuyên gia và cách tránh chúng, và một quy trình khuyến nghị để trưng cầu chuyên gia. Trong bối cảnh không chắc chắn, mục tiêu chính của việc thu hút chuyên gia là mô tả trạng thái kiến thức về các giá trị có thể có của một biến cụ thể. Do đó, nó không cần thiết và cũng không mong muốn cố gắng tạo ra sự đồng thuận giữa các chuyên gia; thay vào đó, sẽ hữu ích hơn nếu tính đến toàn bộ phạm vi giá trị khi nhận được đánh giá từ hai hoặc nhiều chuyên gia cho cùng một biến.

Mục tiêu của quá trình đưa ra (thu thập) đánh giá của chuyên gia là phát triển một tệp PDF có tính đến các thông tin liên quan như:

 Danh mục có giống với những danh mục khác không? Làm thế nào để so sánh độ không chắc chắn?

 Quá trình phát thải hoặc loại bỏ được hiểu như thế nào? Đã xác định được tất cả các nguồn hoặc điểm chìm có thể xảy ra chưa?

 Có giới hạn vật lý nào về mức độ thay đổi của hệ số phát xạ hoặc thông số ước lượng khác không? Cân nhắc cân bằng khối lượng hoặc dữ liệu quy trình khác có thể đặt ra giới hạn trên đối với tỷ lệ phát thải hoặc loại bỏ.

 Các ước tính về phát thải và loại bỏ có phù hợp với dữ liệu độc lập có thể được sử dụng để giúp kiểm định kiểm kê không?

Mối quan tâm chính đối với việc lôi kéo chuyên gia là khắc phục các thành kiến ​​kinh nghiệm điển hình về tính sẵn có, tính đại diện, sự cố định và điều chỉnh (như được mô tả trong Chương 2, Phụ lục 2A.1, Nghị định thư khuyến khích chuyên gia) để tránh vấn đề tiềm ẩn là có được sự 'tự tin quá mức' ước tính về độ không đảm bảo. "Quá tự tin" là một tình huống trong đó phạm vi ước tính của độ không đảm bảoquá hẹp. Nên tránh quá tự tin để không đánh giá thấp Độ không đảm bảo thực sự. Một thực tiễn tốt là sử dụng một giao thức kích thích chính thức, chẳng hạn như giao thức Stanford / SRI được trình bày chi tiết trong Chương 2, Phụ lục 2A.1. Đặc biệt, các giao thức này bao gồm một số bước trước bước mã hóa thực tế nhằm mục đích giúp chuyên gia làm quen với mục đích và phương pháp khơi gợi và khuyến khích chuyên gia suy nghĩ về tất cả dữ liệu, mô hình, lý thuyết và các phương pháp suy luận khác có liên quan. Với nền tảng này, chuyên gia có lợi thế hơn để đưa ra ước tính không thiên vị về độ không đảm bảo.

Phương pháp được sử dụng để mã hóa phải phụ thuộc vào sự quen thuộc của chuyên gia với các tệp PDF. Một số phương pháp thường được sử dụng là:

 Giá trị cố định: Ước tính xác suất cao hơn (hoặc thấp hơn) so với một giá trị tùy ý và lặp lại, thường là ba hoặc năm lần. Ví dụ, xác suất để hệ số phát xạ nhỏ hơn 100 là bao nhiêu?

 Xác suất cố định: Ước tính giá trị liên quan đến một xác suất được chỉ định cao hơn (hoặc thấp hơn). Ví dụ, hệ số phát xạ là gì sao cho chỉ có 2,5% xác suất (hoặc 1 trong 40 cơ hội) để hệ số phát xạ có thể thấp hơn (hoặc cao hơn) so với giá trị đó.

 Phương pháp khoảng thời gian: Phương pháp này phầntrung vào trung vị và phần tư. Ví dụ, chuyên gia sẽ được yêu cầu chọn một giá trị của hệ số phát xạ sao cho có khả năng như nhau rằng hệ số phát thải thực sẽ cao hơn hoặc thấp hơn giá trị đó. Điều này mang lại giá trị trung bình. Sau đó, chuyên gia sẽ chia phạm vi thấp hơn thành hai thùng sao cho anh ta hoặc cô ta cảm thấy nó có khả năng như nhau (xác suất 25 phần trăm) rằng hệ số phát thải có thể nằm trong một trong hai thùng và điều này sẽ được lặp lại cho đầu kia của phân phối. Cuối cùng, các phương pháp xác suất cố định hoặc giá trị cố định có thể được sử dụng để lấy các phán đoán cho các giá trị cực trị.

 Vẽ đồ thị: Chuyên gia vẽ các phân bố của riêng mình. Điều này nên được sử dụng một cách thận trọng vì một số chuyên gia quá tự tin về kiến ​​thức của họ về tệp PDF.

Ví dụ về sự lôi kéo của chuyên gia dẫn đến việc mã hóa (định lượng) một tệp PDF được đưa ra trong Hộp 3.1

Đôi khi đánh giá của chuyên gia duy nhất có sẵn sẽ bao gồm một phạm vi, có thể được trích dẫn cùng với một giá trị có khả năng xảy ra nhất. Trong những trường hợp này, các quy tắc sau được coi là thực hành tốt:

 Trong trường hợp các chuyên gia chỉ cung cấp giá trị trên và giá trị thấp hơn, giả sử rằng hàm mật độ xác suất là đồng nhất và phạm vi tương ứng với khoảng tin cậy 95 phần trăm.

 Trong trường hợp các chuyên gia cũng cung cấp một giá trị có khả năng xảy ra nhất (thường có khả năng giống với ước tính điểm được sử dụng trong việc phát triển kiểm kê), hãy giả sử hàm mật độ xác suất tam giác sử dụng các giá trị có khả năng xảy ra nhất làm chế độ và giả định rằng giá trị trên và dưới mỗi giá trị loại trừ 2,5 phần trăm dân số. Sự phân bố không cần đối xứng. Các lựa chọn phân phối hợp lý khác, chẳng hạn như phân phối chuẩn hoặc bình thường, có thể được đưa ra với các lý do thích hợp.

Một số nguồn thông tin khác về kích thích chuyên gia bao gồm Spetzler và von Holstein (1975), Morgan và Henrion (1990), Merkhofer (1987), Hora và Iman (1989), và NCRP (1996).

Tính chất chủ quan của đánh giá chuyên gia làm tăng nhu cầu về đảm bảo chất lượng và các thủ tục kiểm soát chất lượng để cải thiện khả năng so sánh của các ước tính về độ không đảm bảo giữa các quốc gia. Do đó, các đánh giá của chuyên gia nên được lập thành văn bản như một phần của quy trình lưu trữ quốc gia và các nhà biên soạn kiểm kê được khuyến khích áp dụng các quy trình QA / QC cho các đánh giá của chuyên gia, đặc biệt đối với các danh mục chính (xem Chương 6).

Các yêu cầu về tài liệu đối với đánh giá của chuyên gia được thảo luận trong Phụ lục 2A.1 của Chương 2.

HỘP 3.1 VÍ DỤ SƠ LƯỢC VỀ KIỂM ĐỊNH CHI TIẾT CỦA CHUYÊN GIA Giả sử rằng người kiểm kê đã xác định được một chuyên gia về phát thải CH4 từ các nhà máy điện và mong muốn có được đánh giá của họ về Độ không đảm bảo trong lượng phát thải trung bình hàng năm đối với hạng mục này. Là một phần của bước tạo động lực, chuyên gia trưng cầu đã giải thích cho chuyên gia về mục đích chung của việc phân tích và quy trình kích thích chuyên gia sẽ được sử dụng. Trong bước cấu trúc, chuyên gia giải thích làm việc với chuyên gia để thiết lập giao thức kích thích cụ thể. Ví dụ: mặc dù tất cả những gì mà người kiểm kê có thể muốn là ước tính độ không đảm bảo đo trung bình hàng năm, chuyên gia có thể nói với chuyên gia tư vấn rằng họ muốn đưa ra các đánh giá riêng biệt cho quá trình khởi động, bán tải và vận hành đầy tải của nhà máy, và ba đánh giá này nên được cân nhắc để đưa ra độ không đảm bảo đo tổng hợp cho giá trị trung bình hàng năm. Sau khi cấu trúc vấn đề, người giải thích sau đó xem xét thông tin chuyên gia liên quan đến đánh giá, chẳng hạn như các phép đo có thể đã được thực hiện trên các loại nhà máy điện tương tự hoặc các nguồn đốt khác. Trong bước kích thích, người trưng cầu có thể yêu cầu chuyên gia cung cấp giá trị cao hơn sao cho chỉ có một trong 40 cơ hội (xác suất 2,5%) nhận được giá trị cao hơn. Sau khi nhận được giá trị, người thẩm định yêu cầu chuyên gia giải thích cơ sở logic cho ước tính này, chẳng hạn như kịch bản hoạt động của nhà máy có thể dẫn đến tỷ lệ phát thải cao như vậy. Sau đó, quá trình này có thể được lặp lại đối với phần cuối thấp hơn của phạm vi và có thể đối với trung vị, phân vị thứ 25 và phân vị thứ 75. Có thể sử dụng hỗn hợp các câu hỏi về giá trị cố định và xác suất cố định. Người thẩm định nên vẽ những điều này trên biểu đồ để có thể xác định và sửa chữa mọi mâu thuẫn trong thời gian có mặt với chuyên gia. Trong bước kiểm định, chuyên gia trưng cầu phải đảm bảo rằng chuyên gia cảm thấy thoải mái khi nhận định của họ đã được trình bày rõ ràng. Chuyên gia tư vấn cũng có thể xem chuyên gia sẽ phản ứng như thế nào với khả năng xảy ra các giá trị nằm ngoài khoảng thời gian mà các phán đoán được đưa ra, để đảm bảo rằng chuyên gia không quá tự tin.

3.2.2.4 HƯỚNG DẪN THỰC HÀNH TỐT ĐỂ LỰA CHỌN CÁC CHỨC NĂNG MẠNG

Trước khi chọn một tệp PDF, bạn nên xem xét các sai lệch trong dữ liệu trong phạm vi có thể. Như đã đề cập trước đây, quy trình thu thập dữ liệu và QA/QC có thể hỗ trợ ngăn ngừa hoặc sửa chữa các sai lệch. Ví dụ, nếu số liệu thống kê quốc gia về khai thác gỗ tồn tại, nhưng cũng có ý kiến ​​cho rằng những số liệu thống kê này có độ chệch 5%, thì ước tính trung bình có thể được điều chỉnh 5% trước khi ước tính thành phần ngẫu nhiên của độ không đảm bảo. Một thực tiễn tốt là nên thực hiện điều chỉnh sai lệch trong việc phát triển kiểm kê phát thải ước tính điểm. Một xem xét khác là lượng sai lệch có thể thay đổi theo thời gian khi các thủ tục đo lường hoặc thu thập dữ liệu thay đổi hoặc khi phạm vi địa lý và thời gian của việc thu thập dữ liệu thay đổi. Do đó, các hiệu chỉnh sai lệch có thể khác nhau trong các năm khác nhau.

Tuy nhiên, trong phạm vi mà các sai lệch được cho là tồn tại trong dữ liệu ngay cả sau khi các quy trình QA / QC đã được áp dụng, thì các kỹ thuật dựa trên kinh nghiệm hoặc đánh giá có thể được áp dụng để giải thích sai lệch. Các sai lệch rõ ràng có thể phát sinh trong phân tích xác suất vì ít nhất hai lý do: (1) phân phối phù hợp có thể có giá trị trung bình khác với giá trị có khả năng xảy ra nhất được sử dụng trong ước tính điểm của kiểm kê (ví dụ: phân phối tam giác lệch dựa trên đánh giá của chuyên gia ); và (2) giá trị trung bình của một dự đoán từ một mô hình phi tuyến có đầu vào không chắc chắn có thể khác với ước lượng điểm thu được từ cùng một mô hình nếu chỉ sử dụng ước lượng điểm về giá trị trung bình của các đầu vào. Do đó, có một số loại sai lệch có thể chỉ được tiết lộ sau khi đã thực hiện phân tích độ không đảm bảo.

CÁC LOẠI CHỨC NĂNG MẬT ĐỘ KHẢ NĂNG

Có nhiều tệp PDF được nêu trong tài liệu thống kê thường đại diện cho các tình huống thực tế cụ thể. Việc lựa chọn một loại PDF cụ thể, ít nhất một phần phụ thuộc vào miền của hàm (ví dụ: nó có thể có cả giá trị dương hoặc âm hoặc chỉ có giá trị không âm), phạm vi của hàm (ví dụ: là phạm vi thu hẹp hoặc nó bao gồm các thứ tự độ lớn), hình dạng (ví dụ: đối xứng) và các quá trình tạo ra dữ liệu (ví dụ: cộng, nhân). Những cân nhắc này được trình bày chi tiết dưới đây trong một cuộc thảo luận ngắn gọn về nhiều phân phối thường được sử dụng có tầm quan trọng thực tế. Ví dụ về các chức năng như vậy và các tình huống mà chúng đại diện là₄:

 Phân phối chuẩn là thích hợp nhất khi phạm vi độ không đảm bảo đo nhỏ và đối xứng so với giá trị trung bình. Phân phối chuẩn phát sinh trong các tình huống mà nhiều yếu tố đầu vào riêng lẻ góp phần vào độ không đảm bảo đo tổng thể và trong đó không có độ không đảm bảo nào trong số các yếu tố không chắc chắn riêng lẻ chi phối độ không đảm bảo đo tổng thể. Tương tự, nếu kiểm kê là tổng các độ không đảm bảo của nhiều danh mục riêng lẻ, tuy nhiên, không có danh mục nào trong số đó chiếm ưu thế so với tổng độ không đảm bảo, thì độ không đảm bảo tổng thể có thể là bình thường. Một giả định chuẩn mực thường thích hợp cho nhiều loại mà phạm vi tương đối của độ không đảm bảo đo nhỏ, ví dụ, các hệ số phát thải nhiên liệu hóa thạch và dữ liệu hoạt động.

 Phân phối chuẩn loga có thể thích hợp khi độ không đảm bảo đo lớn đối với một biến không âm và được biết là sai lệch dương. Hệ số phát thải đối với oxit nitơ từ phân bón bón vào đất cung cấp một ví dụ kiểm kê điển hình. Nếu nhiều biến không chắc chắn được nhân lên, thì tích tiệm cận tiếp cận với tiên lượng. Bởi vì nồng độ là kết quả của các quá trình trộn, lần lượt được nhân lên, dữ liệu nồng độ có xu hướng được phân phối tương tự như một lognormal. Tuy nhiên, dữ liệu trong thế giới thực có thể không phức tạp như phân phối chuẩn. Các phân bố Weibull và Gamma có các thuộc tính gần giống với lognormal nhưng ít nặng hơn và do đó, đôi khi phù hợp với dữ liệu hơn

 Phân phối đồng đều mô tả khả năng bằng nhau của việc nhận được bất kỳ giá trị nào trong một phạm vi. Đôi khi, phân bố đồng đều hữu ích để biểu diễn các đại lượng có giới hạn vật lý (ví dụ, một phần phải thay đổi từ 0 đến 1) hoặc để biểu thị đánh giá của chuyên gia khi một chuyên gia có thể chỉ định giới hạn trên và giới hạn dưới. Phân phối đồng đều là một trường hợp đặc biệt của phân phối Beta.

 Phân bố tam giác là thích hợp khi các giới hạn trên và dưới và một giá trị ưu tiên được cung cấp bởi các chuyên gia nhưng không có thông tin nào khác về PDF. Phân bố tam giác có thể không đối xứng.

 Phân phối phân số là một loại phân phối thực nghiệm trong đó các phán đoán được đưa ra về khả năng tương đối của các phạm vi giá trị khác nhau đối với một biến, chẳng hạn như được minh họa trong Hình 3.5. Loại phân bố này đôi khi hữu ích trong việc thể hiện đánh giá của chuyên gia về độ không đảm bảo.

Hình 3.5 Các ví dụ về một số mô hình hàm mật độ xác suất thường được sử dụng (ví dụ, dựa trên Frey và Rubin, 1991)

NHỮNG VẤN ĐỀ CẦN LƯU Ý KHI PHÁT TRIỂN CHỨC NĂNG MẠNG KHẢ NĂNG TIỀM NĂNG

Phần sau mô tả cách người kiểm kê có thể đáp ứng các nguyên tắc về tính so sánh, nhất quán và minh bạch trong kiểm kê lượng khí thải khi chọn một tệp PDF:

 Khi có sẵn dữ liệu thực nghiệm, việc cân nhắc đầu tiên là liệu phân phối chuẩn có phù hợp để biểu thị độ không đảm bảo hay không. Nếu biến phải không âm, thì Sự sai lệch chuẩn của phân phối chuẩn không được vượt quá 30 phần trăm giá trị trung bình để tránh xác suất dự đoán sai các giá trị âm cao không thể chấp nhận được. Nói chung nên tránh cắt bớt phần đuôi dưới của phân phối chuẩn, vì nó làm thay đổi giá trị trung bình và các số liệu thống kê khác của phân phối. Thông thường, một giải pháp thay thế tốt hơn cho việc cắt ngắn là tìm một phân phối thích hợp hơn phù hợp hơn với dữ liệu. Ví dụ, đối với dữ liệu sai lệch dương tính phải không âm tính, phân phối lognormal, Weibull hoặc Gamma thường có thể cung cấp sự phù hợp có thể chấp nhận được; tuy nhiên, phân phối dữ liệu theo kinh nghiệm cũng có thể được sử dụng;

 Khi sử dụng đánh giá của chuyên gia, hàm phân phối được thông qua thường có thể là chuẩn hoặc bình thường, được bổ sung bằng các phân bố đồng nhất, tam giác hoặc phân số nếu thích hợp;

 Các phân phối khác có thể được sử dụng khi có lý do thuyết phục, từ các quan sát thực nghiệm hoặc từ đánh giá của chuyên gia được hỗ trợ bởi lập luận lý thuyết.

Vấn đề xác định chức năng nào phù hợp nhất với một phầndữ liệu có thể khó khăn. Một cách tiếp cận là sử dụng bình phương Sự sai lệch và kurtosis để tìm kiếm các dạng hàm có thể phù hợp với dữ liệu (Cullen và Frey, 1999). Kurtosis và Sự sai lệch chỉ nên được áp dụng nếu có đủ dữ liệu để ước tính các giá trị này. Sau đó, hàm được điều chỉnh cho phù hợp với dữ liệu bằng cách phù hợp với bình phương nhỏ nhất hoặc các phương tiện khác. Các bài kiểm tra có sẵn để đánh giá mức độ phù hợp, bao gồm kiểm tra chi bình phương và các bài kiểm tra khác (Cullen và Frey, 1999). Trong nhiều trường hợp, một số hàm sẽ phù hợp với dữ liệu một cách thỏa đáng trong một giới hạn xác suất nhất định. Các hàm khác nhau này có thể có các phân bố hoàn toàn khác nhau ở các điểm cực trị, nơi có ít hoặc không có dữ liệu để ràng buộc chúng, và việc lựa chọn một hàm này thay cho một hàm khác có thể thay đổi một cách có hệ thống kết quả của một phân tích độ không đảm bảo. Cullen và Frey (1999) nhắc lại lời khuyên của các tác giả trước đây trong những trường hợp này rằng nó phải là kiến ​​thức về các quá trình vật lý cơ bản chi phối sự lựa chọn của một hàm xác suất. Những gì các thử nghiệm cung cấp, dựa trên kiến ​​thức vật lý này, là hướng dẫn về việc liệu chức năng này có phù hợp với dữ liệu một cách thỏa đáng hay không.

Để sử dụng dữ liệu thực nghiệm làm cơ sở cho việc phát triển tệp PDF, bước quan trọng đầu tiên là xác định xem dữ liệu có phải là mẫu đại diện, ngẫu nhiên hay không, trong trường hợp là mẫu từ một phầnhợp. Một số câu hỏi chính cần hỏi về dữ liệu bao gồm:

 Dữ liệu có đại diện cho các điều kiện liên quan đến các yếu tố phát thải hoặc hoạt động cụ thể cho hoàn cảnh quốc gia không? Ví dụ, trong AFOLU, dữ liệu có đại diện cho thực tiễn quản lý và các hoàn cảnh quốc gia khác không?

 Dữ liệu có phải là mẫu ngẫu nhiên không?

 Thời gian trung bình liên quan đến phầndữ liệu là bao nhiêu và nó có giống với thời gian đánh giá (sẽ dành cho lượng phát thải hàng năm trong một năm nhất định) không? Ví dụ, dữ liệu phát thải có thể được đo trong một khoảng thời gian ngắn chứ không phải trong cả năm. Do đó, đánh giá của chuyên gia có thể được yêu cầu để ngoại suy dữ liệu ngắn hạn cho cơ sở dài hạn.

Nếu dữ liệu là một mẫu ngẫu nhiên, đại diện, thì phân phối có thể được thiết lập trực tiếp bằng cách sử dụng các kỹ thuật thống kê cổ điển, ngay cả khi kích thước mẫu nhỏ. Lý tưởng nhất là dữ liệu có sẵn sẽ đại diện cho mức trung bình hàng năm nhưng có thể cần thiết để chuyển đổi dữ liệu bằng cách sử dụng thời gian trung bình thích hợp. Đối với các phân phối chuẩn, khoảng tin cậy 95 phần trăm sẽ cộng hoặc trừ hai lần Sự sai lệch chuẩn ước tính của tổng thể. Trong các trường hợp khác, dữ liệu có thể đại diện cho một cuộc điều tra dân số đầy đủ về tổng của tất cả các hoạt động (ví dụ: tổng mức sử dụng năng lượng cho một loại nhiên liệu cụ thể). Trong trường hợp này, thông tin liên quan đến sai số trong phép đo hoặc dụng cụ khảo sát sẽ là cơ sở để đánh giá độ không đảm bảo. Phạm vi độ không đảm bảo của dữ liệu hoạt động có thể bị giới hạn bằng cách sử dụng các phương pháp độc lập hoặc kiểm tra tính nhất quán. Ví dụ, dữ liệu tiêu thụ nhiên liệu có thể được so sánh với ước tính sản lượng, bao gồm ước tính sản lượng thông qua các phương pháp khác nhau.

Có sự phân biệt giữa tính không chắc chắn về giá trị trung bình và tính thay đổi trong dữ liệu đối với các tình huống trong đó dữ liệu thể hiện sự thay đổi trong nội bộ quốc gia trong một danh mục. Vì mục tiêu là ước tính lượng phát thải trung bình hàng năm ở cấp độ của một quốc gia riêng lẻ, nên dữ liệu đại diện cho sự thay đổi trong nội bộ quốc gia phải được tính trung bình trên toàn bộ khu vực địa lý của quốc gia và độ không đảm bảo trong mức trung bình này phải được đánh giá và sử dụng làm cơ sở cho kiểm kê. Ngược lại, nếu dữ liệu quốc tế có sẵn ở cấp độ tổng hợp, mà không có chi tiết hỗ trợ về cách dữ liệu đó có thể được phân tách theo quốc gia, thì sẽ có sự không phù hợp về quy mô và khó sửa hơn. Thông thường, trong trường hợp này, độ không đảm bảosẽ có xu hướng tăng lên khi phạm vi địa lý giảm xuống, tức là nếu số lượng danh mục được bao gồm giảm và nếu dữ liệu phát thải cụ thể của địa điểm không có sẵn. Do đó, phạm vi độ không đảm bảo được phát triển cho dữ liệu quốc tế tổng hợp có thể phải được mở rộng để có thể áp dụng cho từng quốc gia. Trong trường hợp không có bất kỳ cơ sở thực nghiệm nào để ước tính phạm vi tương đối của độ không đảm bảo ở cấp quốc gia so với cấp độ quốc tế tổng hợp, có thể sử dụng đánh giá của chuyên gia.

Đối với một mẫu dân số cơ bản, nhu cầu là đánh giá xem dữ liệu có phải là ngẫu nhiên và đại diện cho tổng thể hay không. Nếu vậy, các phương pháp thống kê cổ điển có thể được sử dụng để xác định phân phối. Nếu không, thì cần phải có sự kết hợp giữa phân tích dữ liệu và đưa ra đánh giá của chuyên gia về các phân phối. Trong trường hợp trước đây, Cullen và Frey (1999) đề xuất khám phá phầndữ liệu bằng cách sử dụng thống kê tóm tắt và đồ họa để đánh giá các đặc điểm cơ bản (ví dụ, xu hướng trung tâm, phạm vi biến đổi, Sự sai lệch). Những hiểu biết sâu sắc có được bằng cách kiểm tra dữ liệu, kết hợp với kiến ​​thức về các quá trình tạo ra dữ liệu, nên được xem xét khi lựa chọn biểu diễn toán học hoặc số của phân phối để làm đầu vào cho các Phương pháp 1 hoặc 2 (Xem Phần 3.2.3.)

Nếu phân phối tham số được chọn làm ứng cử viên để phù hợp với phầndữ liệu, thì các kỹ thuật như 'ước tính khả năng xảy ra tối đa5' hoặc 'phương pháp so khớp khoảnh khắc₆ có thể được sử dụng để ước tính các tham số của phân phối. Mức độ phù hợp của phân phối có thể được đánh giá theo nhiều cách, bao gồm việc so sánh hàm phân phối tích lũy phù hợp (CDF) với phầndữ liệu ban đầu, các đồ thị xác suất và các thử nghiệm về mức độ phù hợp (ví dụ, Cullen và Frey, 1999). Điều quan trọng là việc lựa chọn phân bố tham số để đại diện cho phầndữ liệu không chỉ dựa trên các thử nghiệm về độ phù hợp mà dựa trên những điểm tương đồng trong các quy trình tạo ra dữ liệu so với cơ sở lý thuyết cho một phân phối (ví dụ: Hahn và Shapiro , Năm 1967).

Nếu dữ liệu được tính trung bình trong vòng dưới một năm, thì có thể cần ngoại suy độ không đảm bảo đo trong năm. Hãy xem xét một ví dụ trong đó phầndữ liệu thể hiện sự thay đổi trong các phép đo lượng khí thải trung bình hàng ngày cho một danh mục cụ thể. Một cách tiếp cận, được Frey và Rhodes (1996) mô tả chi tiết, là để phù hợp phân phối tham số với phầndữ liệu cho sự biến thiên hàng ngày, sử dụng kỹ thuật số được gọi là mô phỏng bootstrap để ước tính độ không đảm bảo trong các tham số của phân phối và sử dụng Monte Carlo mô phỏng để mô phỏng trung bình hàng năm ngẫu nhiên của hệ số phát thải. Sử dụng mô phỏng bootstrap, độ không đảm bảo đo trong phân bố lấy mẫu đối với các tham số của phân bố phù hợp có thể được mô phỏng (ví dụ, Efron và Tibshirani, 1993; Frey và Rhodes, 1996; Frey và Bammi, 2002).

SỰ PHỤ THUỘC VÀ KHẮC PHỤC CÁC ĐẦU VÀO CỦA MỸ

Phần này cung cấp một cái nhìn tổng quan ngắn gọn về các vấn đề liên quan đến sự phụ thuộc và mối tương quan giữa các yếu tố đầu vào. Có thể tìm thấy thêm chi tiết về chủ đề này trong Morgan và Henrion (1990), Cullen và Frey (1999), và Smith et al. (1992).

Khi thiết lập phân tích xác suất, nên xác định mô hình sao cho các đầu vào càng độc lập về mặt thống kê càng tốt. Ví dụ: thay vì cố gắng ước tính dữ liệu hoạt động cho nhiều danh mục con mà dữ liệu được lấy ít nhất một phần bởi sự khác biệt, có thể tốt hơn là gán độ không đảm bảo cho các thước đo tổng hợp đã biết rõ hơn về hoạt động. Ví dụ, sử dụng nhiên liệu dân dụng có thể được ước tính bằng sự khác biệt giữa tổng mức tiêu thụ và mức sử dụng trong các lĩnh vực giao thông, công nghiệp và thương mại. Trong trường hợp này, ước tính về độ không đảm bảo trong việc sử dụng nhiên liệu dân dụng có tương quan nghịch với độ không đảm bảo trong việc sử dụng nhiên liệu trong các danh mục phụ khác, và thậm chí có thể rất lớn so với độ không đảm bảo trong tổng mức tiêu thụ. Do đó, thay vì cố gắng ước tính độ không đảm bảo đo riêng biệt cho từng danh mục con, có thể thực tế hơn khi ước tính độ không đảm bảo cho các danh mục tổng hợp, nơi có thể có sẵn các ước tính tốt và kiểm tra chéo.

Sự phụ thuộc, nếu chúng tồn tại, có thể không phải lúc nào cũng quan trọng đối với việc đánh giá độ không chắc chắn. Sự phụ thuộc giữa các yếu tố đầu vào sẽ chỉ quan trọng nếu tồn tại sự phụ thuộc giữa hai yếu tố đầu vào mà tính không chắc chắn trong kiểm kê là nhạy cảm và nếu các yếu tố phụ thuộc đủ mạnh. Ngược lại, sự phụ thuộc yếu giữa các yếu tố đầu vào hoặc sự phụ thuộc mạnh mẽ giữa các yếu tố đầu vào mà tính không chắc chắn trong kiểm kê là không nhạy cảm, sẽ gây ra hậu quả tương đối nhỏ cho việc phân tích. Tất nhiên, một số mối quan hệ phụ thuộc lẫn nhau là quan trọng và việc không tính đến những mối quan hệ đó có thể dẫn đến kết quả sai lệch. Tương quan dương giữa các yếu tố đầu vào có xu hướng làm tăng phạm vi không chắc chắn ở đầu ra, trong khi tương quan âm có xu hướng làm giảm phạm vi không chắc chắn trong đầu ra. Tuy nhiên, các mối tương quan tích cực về Độ không đảm bảo khi so sánh hai năm như một phần của phân tích xu hướng sẽ làm giảm Độ không đảm bảo trong xu hướng.

Các kỹ thuật có thể được xem xét để kết hợp các yếu tố phụ thuộc vào phân tích bao gồm:

 phân tầng hoặc tổng hợp các loại để giảm thiểu ảnh hưởng của các yếu tố phụ thuộc;

 mô hình hóa sự phụ thuộc một cách rõ ràng;

 mô phỏng mối tương quan bằng cách sử dụng các phương pháp ghép nối hạn chế (được bao gồm trong nhiều gói phần mềm);

 sử dụng các kỹ thuật lấy mẫu lại trong trường hợp có sẵn bộ dữ liệu đa biến;

 xem xét các trường hợp giới hạn hoặc độ nhạy (ví dụ: một trường hợp giả định tính độc lập và trường hợp khác giả định hoàn toàn tương quan thuận); và

 kỹ thuật chuỗi thời gian có thể được sử dụng để phân tích hoặc mô phỏng tự tương quan thời gian.

Như một ví dụ đơn giản, Zhao và Frey (2004a) đã đánh giá ý nghĩa của việc có hay không ước tính độ không đảm bảo của hệ số phát thải đối với các loại khác nhau thu được từ cùng một nguồn dữ liệu nên được coi là phụ thuộc hoặc độc lập giữa các loại và nhận thấy rằng điều đó không quan trọng đối với Độ không đảm bảo của kiểm kê tổng thể. Tất nhiên, kết quả này dành riêng cho các trường hợp nghiên cứu cụ thể và nên được thử nghiệm trong các ứng dụng khác. Như một ví dụ phức tạp hơn, được đưa ra trong Hộp 3.2, Ogle et al. (2003) đã tính đến sự phụ thuộc vào các yếu tố quản lý làm đất, được ước tính từ một bộ dữ liệu chung trong một mô hình kiểu hồi quy duy nhất, bằng cách xác định hiệp phương sai₇ giữa các yếu tố làm giảm làm đất và quản lý không xới đất, sau đó sử dụng thông tin đó để tạo Các giá trị hệ số làm đất với mối tương quan thích hợp trong quá trình mô phỏng Monte Carlo₈. Người ta nên xem xét khả năng tương quan giữa các biến đầu vào và phầntrung vào những biến có khả năng có mức độ phụ thuộc lớn nhất (ví dụ: áp dụng các yếu tố quản lý cho cùng một thông lệ trong các năm kiểm kê khác nhau hoặc các mối tương quan giữa các hoạt động quản lý từ một năm đến năm tiếp theo).

HỘP 3.2 VÍ DỤ VỀ VIỆC ĐÁNH GIÁ KHÔNG CHỨA KHOẢNG CÁCH CỦA MONTE CARLO XỬ LÝ CÁC LỖI Ogle và cộng sự. (2003) thực hiện một phân tích Monte Carlo để đánh giá Độ không đảm bảo trong kiểm kê Cấp 2 đề cập đến những thay đổi trong đất C do sử dụng đất và quản lý đất nông nghiệp ở Hoa Kỳ. Các yếu tố quản lý được ước tính từ khoảng 75 nghiên cứu đã công bố bằng cách sử dụng các mô hình hiệu ứng hỗn hợp tuyến tính. Các tệp PDF đã được tạo ra cho hiệu quả quản lý ở độ sâu 30 cm sau 20 năm sau khi thực hiện. Lượng dự trữ tham chiếu được ước tính bằng cách sử dụng Cơ sở dữ liệu đặc điểm khảo sát đất quốc gia, chứa dữ liệu pedon do Bộ Nông nghiệp Hoa Kỳ (USDA) thu thập. Các tệp PDF dựa trên giá trị trung bình và phương sai từ khoảng 3700 pedon, có tính đến sự tự tương quan trong không gian của các vị trí pedon do các mẫu phân phối theo cụm. Dữ liệu về hoạt động quản lý và sử dụng đất được ghi lại trong Kiểm kê Tài nguyên Quốc gia của USDA, theo dõi việc quản lý đất nông nghiệp tại hơn 400.000 địa điểm ở Hoa Kỳ, cùng với dữ liệu bổ sung về các phương pháp làm đất do Trung tâm Thông tin và Công nghệ Bảo tồn (CTIC) cung cấp . Phân tích Monte Carlo được thực hiện bằng cách sử dụng một gói phần mềm thương mại có sẵn và mã do các nhà phân tích Hoa Kỳ phát triển. Phân tích của họ tính đến sự phụ thuộc giữa các tham số ước tính có nguồn gốc từ các bộ dữ liệu chung. Ví dụ, các yếu tố về đất dự phòng và sự thay đổi sử dụng đất giữa các điều kiện canh tác và không canh tác được rút ra từ một phân tích hồi quy duy nhất sử dụng một biến chỉ báo cho các phần bù trừ và do đó phụ thuộc lẫn nhau. Phân tích của họ cũng tính đến sự phụ thuộc vào dữ liệu hoạt động quản lý và sử dụng đất. Khi mô phỏng các giá trị đầu vào, các yếu tố được coi là hoàn toàn phụ thuộc vào năm cơ sở và năm hiện tại trong kiểm kê vì ảnh hưởng tương đối của việc quản lý đối với đất C được giả định là như nhau bất kể năm thực hiện thực hành. Do đó, các yếu tố được mô phỏng với các giá trị hạt giống ngẫu nhiên giống hệt nhau. Ngược lại, trữ lượng carbon tham chiếu cho các loại đất khác nhau ở mỗi vùng khí hậu được mô phỏng độc lập, với các hạt ngẫu nhiên khác nhau, vì trữ lượng cho mỗi vùng được xây dựng từ các bộ dữ liệu độc lập riêng biệt. Các nhà phân tích Hoa Kỳ đã chọn sử dụng 50.000 lần lặp lại cho phân tích Monte Carlo của họ. Điều này đạt yêu cầu vì chúng chỉ báo cáo một chữ số sau số thập phân, và kết quả mô phỏng được coi là tương đối ổn định ở mức ý nghĩa đó. Ogle và cộng sự. (2003) ước tính rằng đất khoáng đạt trung bình 10,8 Tg C năm 1982 và 1997, với khoảng tin cậy 95% nằm trong khoảng từ 6,5 đến 15,3 Tg C yr-1. Ngược lại, đất hữu cơ được quản lý mất trung bình 9,4 Tg C năm, dao động từ 6,4 đến 13,3 Tg C yr-1. Hơn nữa, Ogle et al. (2003) phát hiện ra rằng sự thay đổi trong các yếu tố quản lý đóng góp 90% độ không đảm bảotổng thể cho các ước tính cuối cùng về sự thay đổi carbon của đất.

₅ Phương pháp khả năng xảy ra tối đa chọn làm ước tính giá trị của các tham số tối đa hóa khả năng xảy ra của mẫu quan sát (ví dụ, Holland và Fitz-Simons, 1982).

₆ Phương pháp mômen tìm các giá trị ước lượng của các tham số chưa biết bằng cách cân bằng các mômen mẫu và tổng thể tương ứng. Phương pháp này dễ sử dụng và cung cấp các công cụ ước tính nhất quán. Trong nhiều trường hợp, phương pháp ước lượng khoảnh khắc bị sai lệch (Wackerly, Mendenhall III và Scheaffer, 1996; trang 395-397).

₇ Hiệp phương sai giữa hai biến (x và y) đo lường sự phụ thuộc lẫn nhau giữa chúng. Hiệp phương sai của một mẫu gồm n cặp giá trị là tổng các tích của Sự sai lệch của các giá trị x riêng lẻ so với giá trị x trung bình nhân với Sự sai lệch của giá trị y riêng lẻ tương ứng so với giá trị trung bình của các giá trị y, chia cho (n -1).

₈ Nhiều thảo luận và ví dụ về các loại phương pháp này được đưa ra trong Cullen và Frey (1999), Morgan và Henrion (1990), và USEPA (1996). Các tài liệu này cũng chứa danh sách tài liệu tham khảo với các trích dẫn đến các tài liệu liên quan.

3.2.3 Phương pháp kết hợp độ không đảm bảo đo

Sau khi xác định được độ không đảm bảotrong dữ liệu hoạt động, hệ số phát thải hoặc lượng khí thải cho một danh mục, chúng có thể được kết hợp để đưa ra ước tính độ không đảm bảo cho toàn bộ kiểm kê trong bất kỳ năm nào và độ không đảm bảotrong xu hướng kiểm kê tổng thể theo thời gian. Kết quả từ lý thuyết lấy mẫu, như được mô tả trong Phần 2.5.1, Kiểm kê cấp 3 dựa trên phép đo, thuộc Chương 2 trong Phần4 cho Khu vực AFOLU, có thể được sử dụng trong các trường hợp lấy mẫu được áp dụng để đo trực tiếp, ví dụ, thay đổi trữ lượng carbon . Trong những tình huống này, lý thuyết lấy mẫu cung cấp ước tính về độ không đảm bảo đo phát thải / loại bỏ đối với một loại nhất định, mà không cần phải mô tả riêng biệt một hoạt động và hệ số phát thải.

Hai cách tiếp cận để ước lượng độ không đảm bảo kết hợp được trình bày trong các phần sau:

1 sử dụng các Công thứclan truyền lỗi đơn giản, trong khi Phương pháp 2 sử dụng Monte Carlo hoặc các kỹ thuật tương tự. Một trong hai Phương pháp tiếp cận có thể được sử dụng cho các nguồn phát thải hoặc Bể chứa, tùy thuộc vào các giả định và giới hạn của mỗi Phương pháp tiếp cận và sự sẵn có của các nguồn lực. Giải thích bổ sung từng bước về các phương pháp tính toán thống kê của các Phương pháp tiếp cận được đưa ra trong Phần 3.7.1 và 3.7.2.

Các thành kiến ​​cần được giải quyết trước khi áp dụng Phương pháp 1 hoặc 2, như được nêu trong Phần 3.2.2.1. Ví dụ, như đã thảo luận trong Phần 3.2.2.1, cần tiến hành đánh giá sự thiên lệch và những bất đồng tiềm ẩn giữa các phương pháp tiếp cận mô hình hóa và cần thực hiện bất kỳ hành động nào được xác định để cải thiện ước tính kiểm kê. Các cách tiếp cận 1 và 2 phầntrung vào việc định lượng thành phần ngẫu nhiên của độ không đảm bảo của kết quả kiểm kê trong đó các nguồn sai lệch đã biết đã được loại bỏ. Các ước tính về kiểm kê vẫn có thể bao gồm độ chệch không xác định và trong phân tích, tất cả các lỗi được giả định là hoạt động ngẫu nhiên (Winiwarter và Rypdal, 2001).

3.2.3.1 CÁCH TIẾP CẬN 1: KHUYẾN CÁO LỖI

Phương pháp 1 dựa trên sự lan truyền lỗi và được sử dụng để ước tính độ không đảm bảotrong các danh mục riêng lẻ, trong tổng thể kiểm kê và theo xu hướng giữa năm quan tâm và năm cơ sở. Các giả định, yêu cầu và thủ tục chính được mô tả ở đây.

Cách tiếp cận 1 nên được thực hiện bằng cách sử dụng Bảng 3.2, Cách tính độ không đảm bảocủa Tiếp cận 1, có thể được thiết lập trên phần mềm bảng tính thương mại. Bảng được hoàn thành ở cấp độ danh mục bằng cách sử dụng các dải độ không đảm bảo cho dữ liệu hoạt động và hệ số phát thải phù hợp với hướng dẫn thực hành tốt của ngành₉. Các khí khác nhau nên được nhập riêng như CO2 tương đương.

CÁC ĐÁNH GIÁ CHÍNH CỦA CÁCH TIẾP CẬN 1

Trong Phương pháp tiếp cận 1, độ không đảm bảo đo trong phát thải hoặc loại bỏ có thể được truyền từ độ không đảm bảo đo trong dữ liệu hoạt động, hệ số phát thải và các thông số ước lượng khác thông qua Công thứctruyền sai số (Mandel, 1984, Bevington và Robinson, 1992). Nếu các mối tương quan tồn tại, thì mối tương quan có thể được đưa vào một cách rõ ràng hoặc dữ liệu có thể được tổng hợp đến một mức độ thích hợp để các mối tương quan trở nên ít quan trọng hơn. Phương pháp 1 về mặt lý thuyết cũng yêu cầu Sự sai lệch chuẩn chia cho giá trị trung bình phải nhỏ hơn 0,3. Tuy nhiên, trên thực tế, phương pháp này sẽ cho kết quả mang tính thông tin ngay cả khi tiêu chí này không được đáp ứng nghiêm ngặt và vẫn còn một số mối tương quan. Phương pháp 1 giả định rằng phạm vi tương đối của độ không đảm bảo đo trong các hệ số phát thải và hoạt động là như nhau trong năm gốc và trong năm. Giả định này thường đúng hoặc gần đúng. Nếu bất kỳ giả định chính nào của Phương pháp 1 không được áp dụng, thì có thể phát triển một phiên bản thay thế của Phương pháp 1 (ví dụ: xem Phần 3.4) hoặc Phương pháp 2 có thể được sử dụng để thay thế.

Khi Sự sai lệch chuẩn chia cho giá trị trung bình lớn hơn 0,3 thì độ tin cậy của Phương pháp 1 có thể được cải thiện. Phần Đối phó với những bất thường lớn và bất đối xứng trong kết quả của phương pháp tiếp cận 1' trong phần này mô tả cách thực hiện điều này.

CÁC YÊU CẦU CHÍNH CỦA CÁCH TIẾP CẬN 1

Để định lượng độ không đảm bảo bằng Cách sử dụng Phương pháp 1, cần có các ước tính về giá trị trung bình và Sự sai lệch chuẩn cho mỗi đầu vào, cũng như Công thứcmà qua đó tất cả các đầu vào được kết hợp để ước tính đầu ra. Các Công thứcđơn giản nhất bao gồm các đầu vào độc lập về mặt thống kê (không tương quan).

₉ Trong trường hợp các ước lượng được lấy từ các mô hình, hãy nhập độ không đảm bảo kết hợp với dữ liệu hoạt động được sử dụng để điều khiển mô hình và nhập độ không đảm bảo kết hợp với các tham số của mô hình thay vì độ không đảm bảo đo của hệ số phát xạ. Có thể cần sử dụng đánh giá của chuyên gia, hoặc tính toán lan truyền lỗi liên quan đến cấu trúc mô hình. Nếu không thực tế khi tách ước lượng độ không đảm bảo đo thu được từ mô hình cho một loại thành các thành phần hoạt động và hệ số phát xạ riêng biệt, thì nhập tổng độ không đảm bảo đo cho loại trong cột hệ số phát xạ và gán độ không đảm bảo đo bằng 0 cho cột hệ số hoạt độ.

Khi độ không đảm bảotrong các danh mục đã được xác định, chúng có thể được kết hợp để đưa ra ước tính độ không đảm bảocho toàn bộ kiểm kê trong bất kỳ năm nào và độ không đảm bảotrong xu hướng kiểm kê tổng thể theo thời gian. Như đã thảo luận thêm bên dưới, các ước lượng độ không đảm bảo này có thể được kết hợp bằng cách sử dụng hai quy tắc thuận tiện để kết hợp độ không đảm bảo đo không tương quan với phép cộng và phép nhân.

QUY TRÌNH TIẾP CẬN 1

Phân tích Phương pháp 1 ước tính độ không đảm bảo bằng cách sử dụng Công thứclan truyền lỗi theo hai bước. Đầu tiên, Công thứcxấp xỉ 3.1 được sử dụng để kết hợp hệ số phát thải, dữ liệu hoạt động và các phạm vi thông số ước tính khác theo danh mục và khí nhà kính. Thứ hai, Công thức3.2 xấp xỉ được sử dụng để tính đến độ không đảm bảo tổng thể trong lượng phát thải quốc gia và xu hướng phát thải quốc gia giữa năm gốc và năm hiện tại.

Độ không đảm bảo của một ước tính hàng năm

Công thứctruyền sai số 10 mang lại hai quy tắc thuận tiện để kết hợp các độ không đảm bảo đo không tương quan với phép cộng và phép nhân:

 Trường hợp các đại lượng không chắc chắn được kết hợp bằng phép nhân, Sự sai lệch chuẩn của tổng sẽ là căn bậc hai của tổng bình phương Sự sai lệch chuẩn của các đại lượng được thêm vào, với Sự sai lệch chuẩn tất cả được biểu thị dưới dạng hệ số biến thiên, là tỷ số của Sự sai lệch chuẩn so với giá trị trung bình thích hợp. Quy tắc này là gần đúng cho tất cả các biến ngẫu nhiên. Trong các trường hợp điển hình, quy tắc này là chính xác hợp lý miễn là hệ số biến thiên nhỏ hơn xấp xỉ 0,3. Quy tắc này không áp dụng cho việc phân chia.

Sau đó, một Công thứcđơn giản (Công thức 3.1) có thể được suy ra cho độ không đảm bảo của sản phẩm, được biểu thị bằng phần trăm:

Trong đó:

U_total = phần trăm độ không đảm bảo đo trong tích của các đại lượng (một nửa khoảng tin cậy 95 phần trăm chia cho tổng và được biểu thị bằng phần trăm);

U_i =phần trăm độ không đảm bảo đo liên quan đến từng đại lượng.

 Trong trường hợp các đại lượng không chắc chắn được kết hợp bằng phép cộng hoặc phép trừ, Sự sai lệch chuẩn của tổng sẽ là căn bậc hai của tổng bình phương Sự sai lệch chuẩn của các đại lượng được cộng với Sự sai lệch chuẩn, tất cả được biểu thị bằng giá trị tuyệt đối ( quy tắc này là chính xác cho các biến không tương quan).

Sử dụng cách diễn giải này, một Công thứcđơn giản (Công thức 3.2) có thể được suy ra cho độ không đảm bảo của tổng, được biểu thị bằng số hạng phần trăm:

Trong đó:

U_total = phần trăm độ không đảm bảo đo trong tổng các đại lượng (một nửa khoảng tin cậy 95 phần trăm chia cho tổng (nghĩa là trung bình) và được biểu thị bằng phần trăm). Do đó, thuật ngữ 'độ không đảm bảo' này dựa trên khoảng tin cậy 95%;

x_i và U_i =  lần lượt là các đại lượng không chắc chắn và phần trăm độ không đảm bảo đo liên quan đến chúng.

Kiểm kê khí nhà kính về cơ bản là tổng các sản phẩm của các yếu tố phát thải, dữ liệu hoạt động và các thông số ước tính khác. Do đó, các Công thức 3.1 và 3.2 có thể được sử dụng lặp đi lặp lại để ước tính độ không đảm bảo của tổng kiểm kê. Trên thực tế, những điểm không chắc chắn được tìm thấy trong danh mục kiểm kê thay đổi từ vài phần trăm tùy theo mức độ đơn đặt hàng và có thể tương quan với nhau. Điều này không phù hợp với giả định của Công thức3.1 và 3.2 rằng các biến không có mối tương quan và với giả định của Công thức3.2 rằng hệ số biến thiên nhỏ hơn khoảng 30 phần trăm, nhưng trong những trường hợp này, vẫn có thể sử dụng Công thức3.1 và 3.2. để có được một kết quả gần đúng.

Độ không đảm bảo trong xu hướng

Độ không đảm bảo của xu hướng được ước tính bằng cách sử dụng hai độ nhạy:

 Độ nhạy loại A: sự thay đổi chênh lệch về lượng phát thải tổng thể giữa năm gốc và năm hiện tại, được biểu thị bằng phần trăm, do sự gia tăng 1 phần trăm lượng phát thải hoặc loại bỏ của một loại và khí cụ thể trong cả năm gốc và năm năm nay.

 Độ nhạy loại B: sự thay đổi chênh lệch về lượng phát thải tổng thể giữa năm gốc và năm hiện tại, được biểu thị bằng phần trăm, do sự gia tăng 1 phần trăm lượng phát thải hoặc loại bỏ của một loại nhất định và khí chỉ trong năm hiện tại.

Độ nhạy Loại A và Loại B chỉ là các biến trung gian giúp đơn giản hóa quy trình tính toán. Kết quả của phân tích không bị ràng buộc bởi sự thay đổi chỉ một phần trăm, mà thay vào đó phụ thuộc vào phạm vi độ không đảm bảo cho từng loại.

Về mặt khái niệm, độ nhạy Loại A phát sinh từ các độ không đảm bảo ảnh hưởng đến phát thải hoặc loại bỏ trong năm gốc và năm hiện tại như nhau, và độ nhạy Loại B phát sinh từ các yếu tố không chắc chắn chỉ ảnh hưởng đến phát thải hoặc loại bỏ trong năm hiện tại. Độ không đảm bảo có tương quan đầy đủ giữa các năm sẽ liên quan đến độ nhạy Loại A và Độ không đảm bảo không tương quan giữa các năm sẽ liên quan đến độ nhạy Loại B. Độ không đảm bảo của hệ số phát thải (và các thông số ước tính khác) sẽ có xu hướng nhạy cảm Loại A và độ không đảm bảo của dữ liệu hoạt động sẽ có xu hướng có Loại B. Tuy nhiên, mối liên quan này sẽ không phải lúc nào cũng giữ và có thể áp dụng độ nhạy Loại A cho dữ liệu hoạt động, và Mức độ nhạy cảm loại B đối với các yếu tố phát thải để phản ánh hoàn cảnh cụ thể của từng quốc gia. Độ nhạy Loại A và Loại B là những đơn giản hóa được giới thiệu để phân tích tương quan gần đúng.

Khi độ không đảm bảo được đưa vào kiểm kê quốc gia theo độ nhạy Loại A và Loại B đã được tính toán, chúng có thể được tính tổng bằng cách sử dụng Công thứctruyền sai số (Công thức 3.1) để đưa ra độ không đảm bảo đo tổng thể trong xu hướng.

Bảng tính cho Cách tiếp cận 1 Tính toán Độ không đảm bảo

Các cột của Bảng 3.2, Cách tính Độ không đảm bảo Tiếp cận 1, được dán nhãn từ A đến M và chứa các thông tin sau, trong đó dẫn xuất của các Công thứcchính được đưa ra trong Phần 3.7.1 trong Phần 3.7, Thông tin Cơ sở Kỹ thuật.

 A và B thể hiện danh mục IPCC và khí nhà kính.

 C và D lần lượt là ước tính kiểm kê trong năm gốc và năm hiện tại11 đối với chủng loại và khí quy định trong Cột A và B, được biểu thị bằng CO2 tương đương.

 E và F chứa độ không đảm bảo đo tương ứng đối với dữ liệu hoạt động và hệ số phát thải, được lấy từ hỗn hợp dữ liệu thực nghiệm và đánh giá của chuyên gia như đã mô tả trước đây trong chương này, được nhập bằng một nửa khoảng tin cậy 95 phần trăm chia cho giá trị trung bình và được biểu thị bằng phần trăm. . Lý do giảm một nửa khoảng tin cậy 95 phần trăm là giá trị được nhập trong Cột E và F tương ứng với giá trị cộng hoặc trừ quen thuộc khi độ không đảm bảo được trích dẫn một cách lỏng lẻo là 'cộng hoặc trừ x phần trăm', vì vậy các đánh giá của chuyên gia thuộc loại này có thể trực tiếp được nhập trong bảng tính. Nếu độ không đảm bảo đo được biết là không đối xứng cao, hãy nhập phần trăm chênh lệch lớn hơn giữa giá trị trung bình và giới hạn tin cậy.

 G là độ không đảm bảo đo kết hợp theo loại được suy ra từ dữ liệu trong Cột E và F bằng cách sử dụng Công thứclan truyền lỗi (Công thức 3.2). Do đó, mục nhập trong Cột G là căn bậc hai của tổng bình phương của các mục nhập trong Cột E và F.

 H thể hiện độ không đảm bảotrong Cột G theo tỷ lệ phần trăm của tổng lượng phát thải quốc gia trong năm hiện tại. Mục nhập trong mỗi hàng của Cột H là bình phương của mục nhập trong Cột G nhân với bình phương của mục nhập trong Cột D, chia cho bình phương tổng ở chân Cột D. Giá trị ở chân Cột H là ước tính phần trăm độ không đảm bảo trong tổng lượng phát thải ròng của quốc gia trong năm hiện tại, được tính toán từ các mục ở trên bằng cách sử dụng Công thức 3.1. Tổng số này có được bằng cách cộng các mục trong Cột H và lấy căn bậc hai.

 Tôi cho thấy sự khác biệt về phần trăm lượng khí thải giữa năm gốc và năm hiện tại thay đổi như thế nào để đáp ứng với mức tăng một phần trăm của lượng phát thải / loại bỏ trong danh mục cho cả năm cơ sở và năm hiện tại. Điều này cho thấy độ nhạy của xu hướng phát thải đối với độ không đảm bảo đo có hệ thống trong ước tính (tức là xu hướng có tương quan giữa năm gốc và năm hiện tại). Đây là độ nhạy Loại A như đã định nghĩa ở trên.

 J cho biết chênh lệch phần trăm phát thải giữa năm gốc và năm hiện tại thay đổi như thế nào trong phản ứng với sự gia tăng một phần trăm trong lượng phát thải / loại bỏ danh mục chỉ trong năm hiện tại. Điều này cho thấy độ nhạy của xu hướng phát thải đối với sai số ngẫu nhiên trong ước tính (tức là một, không có tương quan, giữa năm gốc và năm hiện tại). Đây là độ nhạy Loại B như đã mô tả ở trên.

 K sử dụng thông tin trong Cột I và F để thể hiện độ không đảm bảo được đưa vào xu hướng phát thải bởi độ không đảm bảo của hệ số phát thải, với giả định rằng độ không đảm bảo đo trong hệ số phát thải có tương quan giữa các năm. Nếu người dùng quyết định rằng độ không đảm bảo của hệ số phát thải không tương quan giữa các năm thì mục nhập trong Cột J sẽ được sử dụng thay cho mục nhập trong Cột I và kết quả nhân với √2.

 L sử dụng thông tin trong Cột J và E để chỉ ra độ không đảm bảođược đưa vào xu hướng phát thải bởi độ không đảm bảo của dữ liệu hoạt động, với giả định rằng độ không đảm bảotrong dữ liệu hoạt động không tương quan giữa các năm. Nếu người dùng quyết định rằng Độ không đảm bảo của dữ liệu hoạt động có tương quan giữa các năm thì mục nhập trong Cột I sẽ được sử dụng thay cho mục nhập trong Cột J và hệ số √2 sau đó không áp dụng.

 M là ước tính về độ không đảm bảođược đưa vào xu hướng phát thải quốc gia theo hạng mục được đề cập. Theo Phương pháp 1, điều này được lấy từ dữ liệu trong Cột K và L bằng cách sử dụng Công thức 3.2. Do đó, mục nhập trong Cột M là tổng bình phương của các mục nhập trong Cột K và L. Tổng ở chân cột này là ước tính của tổng độ không đảm bảo trong xu hướng, được tính toán từ các mục ở trên bằng cách sử dụng Công thứclan truyền lỗi . Tổng số này có được bằng cách cộng các mục trong Cột M và lấy căn bậc hai. Độ không đảm bảo trong xu hướng là một phạm vi điểm phần trăm liên quan đến xu hướng kiểm kê. Ví dụ: nếu mức phát thải của năm hiện tại lớn hơn 10% so với mức phát thải của năm cơ sở và nếu độ không đảm bảo theo xu hướng ở chân Cột M được báo cáo là 5%, thì độ không đảm bảo theo xu hướng là 10% ± 5% (hoặc từ 5% tăng lên 15%) đối với lượng phát thải của năm hiện tại so với lượng phát thải của năm cơ sở.

 Phần chú thích giải thích ở cuối bảng và cung cấp các tài liệu tham khảo về dữ liệu độ không đảm bảo (bao gồm cả dữ liệu đo được) hoặc các nhận xét có liên quan khác.

Một ví dụ về bảng tính với tất cả dữ liệu số đã hoàn thành được cung cấp trong Phần 3.6, Ví dụ tính toán độ không đảm bảo đo của Phương pháp 1. Chi tiết về cách tiếp cận này được đưa ra trong Phần 3.7.1 và suy ra của Độ không đảm bảo trong xu hướng có trong Phần 3.7.2.

¹⁰ Như đã thảo luận nhiều hơn trong Phụ lục 1 của Hướng dẫn Thực hành Tốt và Quản lý Độ không đảm bảo(GPG2000, IPCC, 2000) và trong Phụ lục I của Hướng dẫn IPCC 1996 sửa đổi (Hướng dẫn Báo cáo) (Hướng dẫn IPCC 1996, IPCC, 1997).

¹¹ Năm hiện tại là năm gần đây nhất mà dữ liệu kiểm kê có sẵn.

BẢNG 3.2 TIẾP CẬN 1 TÍNH TOÁN ĐỘ KHÔNG ĐẢM BẢO ĐO

A

B

C

D

E

E

G

H

I

J

K

L

M

Danh mục IPCC

Khí ga

Phát thải hoặc loại bỏ năm cơ sở

Phát thải hoặc loại bỏ năm t

Dữ liệu hoạt động không đảm bảo

Hệ số phát thải / độ không đảm bảo của tham số ước tính

Độ không đảm bảo kết hợp

Đóng góp vào phương sai theo danh mục trong năm t

Độ nhạy loại A

Độ nhạy loại B

Độ không đảm bảo về xu hướng phát thải quốc gia do hệ số phát thải / Độ không đảm bảo của tham số ước tính đưa ra

Độ không đảm bảo về xu hướng phát thải quốc gia do Độ không đảm bảo của dữ liệu hoạt động đưa ra

Độ không đảm bảo dẫn đến xu hướng tổng lượng phát thải quốc gia

Dữ liệu đầu vào

Dữ liệu đầu vào

Dữ liệu đầu vào Ghi chú A

Dữ liệu đầu vào Ghi chú A

Ghi chú B

Gg CO2 tương đương

Gg CO2 tương đương

%

%

%

%

%

%

%

%

%

Ví dụ: 1.A.1 Nhiên liệu cho các ngành năng lượng 1

CO2

Ví dụ: 1.A.1 Nhiên liệu cho các ngành năng lượng 2

CO2

…

Tổng

Tỷ lệ phần trăm độ không đame bảo trong tổng kiểm kê:

Xu hướng không đảm bảo:

Chú thích A: Nếu chỉ biết độ không đảm bảo đo tổng cho một loại (không phải cho hệ số phát thải và dữ liệu hoạt động riêng biệt), thì:

 Nếu độ không đảm bảo đo có tương quan giữa các năm, hãy nhập độ không đảm bảo vào Cột F và nhập 0 vào Cột E;

 Nếu độ không đảm bảokhông tương quan giữa các năm, hãy nhập độ không đảm bảo vào Cột E và nhập 0 vào Cột F

Chú thích B:

Giá trị tuyệt đối của:

                     Trong đó:

C_x, D_x = mục nhập từ hàng x của bảng từ cột tương ứng, đại diện cho một danh mục cụ thể

= Tổng trên tất cả các danh mục (hàng) của kiểm kê của cột tương ứng

Chú thích C: Trong trường hợp không có mối tương quan giữa các hệ số phát xạ được giả định, nên sử dụng độ nhạy B và nhân kết quả với √2

Chú thích  D: Trong trường hợp giả định mối tương quan giữa dữ liệu hoạt động, nên sử dụng độ nhạy A và không bắt buộc √2:

KINH DOANH VỚI CÁC CÔNG TY CỔ PHẦN LỚN VÀ LẮP RÁP

Phần 3.7.3 cung cấp chi tiết về cách các kết quả từ Phương pháp 1 có thể được giải thích nếu phạm vi tương đối của độ không đảm bảo đo lớn đối với một đại lượng phải không âm. Phương pháp truyền sai số làm cơ sở cho Phương pháp 1 hoạt động tốt nếu độ không đảm bảo đo tương đối nhỏ, nghĩa là Sự sai lệch chuẩn chia cho giá trị trung bình nhỏ hơn 0,3. Nếu độ không đảm bảolớn hơn, Phương pháp 1 có thể tiếp tục được sử dụng, cung cấp các kết quả cung cấp thông tin. Tuy nhiên, nếu không có bất kỳ hiệu chỉnh nào, cách tiếp cận này sẽ có xu hướng đánh giá thấp độ không đảm bảo của các số hạng nhân (hoặc thương). Hơn nữa, nếu độ không đảm bảo đo tương đối lớn đối với các đại lượng không âm, thì dải độ không đảm bảo đo thường là không đối xứng và Phương pháp 1 không định lượng độ không đối xứng đó. Một lựa chọn thứ hai là sử dụng Phương pháp tiếp cận 2, tuy nhiên điều này có thể không phải lúc nào cũng khả thi. Tùy chọn thứ ba là sử dụng Cách tiếp cận 1 với các hiệu chỉnh. Ví dụ, như được thảo luận chi tiết hơn trong Phần 3.7.3, độ không đảm bảo đo từ -65% đến + 126% so với giá trị trung bình có thể được ước tính đơn giản là cộng hoặc trừ 100 phần trăm. Ví dụ này có thể được giải quyết đúng cách với một số hiệu chỉnh đối với kết quả của Phương pháp 1. Lợi thế của việc sử dụng hiệu chỉnh được áp dụng cho Phương pháp 1 (nếu có), thay vì Phương pháp 2, là có thể sử dụng các phương pháp tính toán dựa trên bảng tính tương đối đơn giản và nó không cần thiết phải sử dụng phần mềm mô phỏng Monte Carlo chuyên dụng.

3.2.3.2 CÁCH TIẾP CẬN 2: MÔ PHỎNG MONTE CARLO

Phân tích Monte Carlo phù hợp để đánh giá từng loại chi tiết về độ không đảm bảo, đặc biệt khi độ không đảm bảo đo lớn, phân bố không chuẩn, các thuật toán là các hàm phức tạp và / hoặc có mối tương quan giữa một số phầnhợp hoạt động, hệ số phát thải, hoặc cả hai.

Trong mô phỏng Monte Carlo, các mẫu giả ngẫu nhiên của đầu vào mô hình được tạo theo các tệp PDF được chỉ định cho mỗi đầu vào. Các mẫu được gọi là 'giả ngẫu nhiên' vì chúng được tạo ra bởi một thuật toán, được gọi là trình tạo số giả ngẫu nhiên (PRNG), có thể cung cấp một chuỗi số có thể lặp lại (theo các hạt ngẫu nhiên được chỉ định làm đầu vào cho PRNG) nhưng bất kỳ chuỗi nào cũng có thuộc tính ngẫu nhiên. Thông tin chi tiết có sẵn ở những nơi khác (ví dụ, Barry, 1996). Nếu mô hình có hai hoặc nhiều đầu vào, thì các mẫu ngẫu nhiên được tạo từ các tệp PDF cho mỗi đầu vào và một giá trị ngẫu nhiên cho mỗi đầu vào được nhập vào mô hình để đi đến ước tính đầu ra của mô hình. Quá trình này được lặp lại trong một số lần lặp lại mong muốn để đạt được nhiều ước tính về kết quả đầu ra của mô hình. Nhiều ước lượng là giá trị mẫu của PDF của đầu ra mô hình. Bằng cách phân tích các mẫu PDF cho kết quả đầu ra của mô hình, có thể suy ra giá trị trung bình, Sự sai lệch chuẩn, khoảng tin cậy 95% và các thuộc tính khác của PDF đầu ra. Bởi vì Monte mô phỏng Carlo là một phương pháp số, độ chính xác của kết quả thường được cải thiện khi số lần lặp được tăng lên. Các chi tiết khác về phương pháp mô phỏng Monte Carlo, cũng như về các kỹ thuật tương tự như lấy mẫu Siêu khối Latinh (LHS), được đưa ra bởi Hahn và Shapiro (1967); Ang và Tang (1984); và Morgan và Henrion (1990).

CÁC ĐÁNH GIÁ CHÍNH CỦA CÁCH TIẾP CẬN 2

Trong Phương pháp 2, các giả định đơn giản hóa cần thiết cho Phương pháp 1 có thể được nới lỏng. Do đó, các kỹ thuật thống kê số, đặc biệt là kỹ thuật Monte Carlo, vì chúng có thể được áp dụng chung, thích hợp hơn Phương pháp 1 để ước tính độ không đảm bảo trong phát thải / loại bỏ (từ độ không đảm bảo đo trong các phép đo hoạt động và hệ số phát thải / thông số ước tính) khi:

 độ không đảm bảolà lớn;

 phân phối của chúng không phải là Gaussian;

 thuật toán là các chức năng phức tạp;

 các mối tương quan xảy ra giữa một số bộ dữ liệu hoạt động, hệ số phát thải, hoặc cả hai;

 độ không đảm bảolà khác nhau đối với các năm khác nhau của kiểm kê.

CÁC YÊU CẦU CHÍNH CỦA CÁCH TIẾP CẬN 2

Mô phỏng Monte Carlo yêu cầu nhà phân tích chỉ định các tệp PDF (xem Fishman, 1996) thể hiện một cách hợp lý từng đầu vào mô hình mà độ không đảm bảo đo được định lượng. Các tệp PDF có thể được lấy bằng nhiều phương pháp, như được mô tả trong Phần 3.2.2.4, bao gồm cả phân tích thống kê dữ liệu hoặc gợi ý chuyên gia. Cân nhắc chính là phát triển các phân bố cho các biến đầu vào cho mô hình tính toán phát thải / loại bỏ để chúng dựa trên các giả định cơ bản nhất quán liên quan đến thời gian, vị trí trung bình và các yếu tố điều hòa khác liên quan đến đánh giá cụ thể (ví dụ: điều kiện khí hậu ảnh hưởng đến nông nghiệp phát thải khí nhà kính).

Phân tích Monte Carlo có thể xử lý các hàm mật độ xác suất của bất kỳ hình dạng và chiều rộng có thể có về mặt vật lý, cũng như xử lý các mức độ tương quan khác nhau (cả về thời gian và giữa các danh mục nguồn / chìm). Phân tích Monte Carlo có thể xử lý các mô hình đơn giản (ví dụ: kiểm kê phát thải là tổng của các nguồn và điểm chìm, mỗi mô hình được ước tính bằng cách sử dụng hệ số nhân) cũng như các mô hình phức tạp hơn (ví dụ: phân rã bậc một cho CH4 từ các bãi chôn lấp).

QUY TRÌNH TIẾP CẬN 2

Nguyên tắc của phân tích Monte Carlo là chọn các giá trị ngẫu nhiên của hệ số phát thải, dữ liệu hoạt động và các tham số ước tính khác từ bên trong các hàm mật độ xác suất riêng lẻ của chúng và để tính toán các giá trị phát xạ tương ứng. Quy trình này được lặp lại nhiều lần, sử dụng máy tính và kết quả của mỗi lần tính toán sẽ xây dựng hàm mật độ xác suất phát xạ tổng thể. Phân tích Monte Carlo có thể được thực hiện ở cấp danh mục, đối với tổng hợp các danh mục hoặc đối với toàn bộ kiểm kê. Các gói phần mềm thống kê luôn có sẵn - một số gói bao gồm các thuật toán Monte Carlo rất thân thiện với người dùng₁₂.

Giống như tất cả các phương pháp, phân tích Monte Carlo chỉ mang lại kết quả khả quan nếu nó được thực hiện đúng cách. Điều này đòi hỏi người phân tích phải có hiểu biết khoa học và kỹ thuật về kiểm kê. Tất nhiên, kết quả sẽ chỉ có giá trị trong phạm vi dữ liệu đầu vào, bao gồm bất kỳ đánh giá chuyên môn nào, là đúng đắn.

Phương pháp Monte Carlo bao gồm bốn bước được xác định rõ ràng trong Hình 3.7. Chỉ phần đầu tiên trong số này yêu cầu nỗ lực từ người dùng, phần còn lại do gói phần mềm xử lý. Tính toán kiểm kê phát thải, các tệp PDF và các giá trị tương quan phải được thiết lập trong gói Monte Carlo. Phần mềm thực hiện các bước tiếp theo. Trong một số trường hợp, người kiểm kê có thể quyết định thiết lập chương trình của riêng mình để chạy mô phỏng Monte Carlo; điều này có thể được thực hiện bằng phần mềm thống kê. Phần "Chọn kỹ thuật mô phỏng và kích thước mẫu" bên dưới chứa một cuộc thảo luận ngắn về các gói phần mềm khác nhau.

¹² Winiwarter và Rypdal (2001), Eggleston và cộng sự. (1998) và Monni và cộng sự. (2004) cung cấp các ví dụ về phân tích Monte Carlo được áp dụng cho kiểm kê khí nhà kính quốc gia để ước tính các yếu tố không chắc chắn cả về lượng phát thải tổng thể và xu hướng phát thải. Một ví dụ khác về việc sử dụng phân tích Monte Carlo được đưa ra trong McCann et al. (1994). Các mô tả chi tiết hơn và các ứng dụng của phương pháp này được trình bày trong Bevington và Robinson (1992), Manly (1997), Morgan và Henrion (1990), và Cullen và Frey (1999). Một ví dụ ngắn gọn về việc áp dụng phân tích Monte Carlo được cung cấp trong Hộp 3.2 dựa trên Ogle et al. (2003).

Hình 3.6 Minh họa phương pháp Monte Carlo

Bước 1: Chỉ định các điểm không chắc chắn của danh mục. Điều này bao gồm các thông số ước tính và dữ liệu hoạt động, các phương tiện và tệp PDF liên quan của chúng, và bất kỳ mối tương quan nào. Có thể đánh giá độ không đảm bảo theo hướng dẫn trong Phần 3.2.1 và 3.2.2. Để biết hướng dẫn về đánh giá các mối tương quan, hãy xem 'Sự phụ thuộc và mối tương quan giữa các yếu tố đầu vào' trong phần này và Hộp 3.2.

Bước 2: Chọn biến ngẫu nhiên. Chọn giá trị đầu vào. Giá trị đầu vào là ước tính được áp dụng trong tính toán kiểm kê. Đây là bước bắt đầu của các lần lặp lại. Đối với mỗi mục dữ liệu đầu vào, một số được chọn ngẫu nhiên từ PDF của biến đó.

Bước 3: Ước tính lượng phát thải và loại bỏ. Các biến được chọn trong Bước 2 được sử dụng để ước tính lượng phát thải và loại bỏ hàng năm dựa trên các giá trị đầu vào. Các mối tương quan 100 phần trăm rất dễ kết hợp và các gói Monte Carlo tốt cho phép bao gồm các mối tương quan khác. Vì các tính toán phát thải nên giống như quy trình được sử dụng để ước tính lượng tồn kho quốc gia, quy trình Monte Carlo có thể được tích hợp đầy đủ vào ước tính phát thải hàng năm.

Bước 4: Lặp lại và theo dõi kết quả. Lặp lại và theo dõi kết quả. Tổng số được tính toán từ Bước 3 được lưu trữ và quá trình sau đó lặp lại từ Bước 2. Kết quả từ các lần lặp lại được sử dụng để tính giá trị trung bình và PDF.

TIẾP CẬN 2 CHỨNG MINH TRONG XU HƯỚNG

Phương pháp Tiếp cận 2 Monte Carlo có thể được sử dụng để ước tính độ không đảm bảo trong xu hướng cũng như giá trị phát thải tuyệt đối trong một năm nhất định. Thủ tục này là một phần mở rộng đơn giản của quy trình được mô tả trong phần trước.

Xu hướng được định nghĩa ở đây là phần trăm chênh lệch giữa năm gốc và năm lãi (năm t). Do đó, phân tích Monte Carlo cần được thiết lập để ước tính đồng thời cả hai năm. Các bước sau đây hiển thị quy trình.

Bước 1: Chỉ định các điểm không chắc chắn của danh mục nguồn/chìm. Xác định các hàm mật độ xác suất cho các hệ số phát thải, dữ liệu hoạt động và các tham số ước lượng khác. Đây là quá trình tương tự như được mô tả ở trên ngoại trừ nó cần được thực hiện cho cả năm gốc và năm hiện tại, và các mối quan hệ giữa các dữ liệu cần được xem xét. Đối với nhiều hạng mục, hệ số phát thải giống nhau sẽ được sử dụng cho mỗi năm (nghĩa là hệ số phát thải cho cả hai năm có tương quan 100%). Trong những trường hợp này, một phân bố được mô tả và giá trị được chọn từ nó được sử dụng cho mỗi năm trong bước 3. Những thay đổi trong công nghệ hoặc thực tiễn sẽ làm thay đổi hệ số phát thải theo thời gian. Trong trường hợp này, nên sử dụng hai hệ số phát xạ có mối tương quan thấp hơn hoặc bằng không. Nếu các hệ số phát thải có chứa một yếu tố ngẫu nhiên hoặc thay đổi không thể đoán trước được từ năm này sang năm khác, thì các hệ số phát thải riêng biệt cũng nên được sử dụng (ví dụ: với hàm lượng cacbon trong nhiên liệu hóa thạch có thể thay đổi theo thị trường cung cấp nhiên liệu và cũng chứa độ không đảm bảo của riêng nó) . Nói chung, độ không đảm bảo trong dữ liệu hoạt động được giả định là không tương quan giữa các năm và do đó, hai phân phối phải được nhập vào, ngay cả khi các tham số của chúng giống nhau, để hai lựa chọn ngẫu nhiên khác nhau từ các phân bố này sẽ được tạo ra trong bước 3. Gói máy tính được sử dụng cũng có thể cho phép thiết lập các mối tương quan khác và các khả năng này có thể được sử dụng nếu có đủ thông tin. Tuy nhiên, điều này có thể sẽ chỉ cần thiết trong một số trường hợp.

Bước 2: Chọn biến ngẫu nhiên. Chương trình máy tính sẽ tiến hành như đã mô tả trước đó, có tính đến bất kỳ mối tương quan nào giữa các hàm mật độ xác suất (PDF). Hình 3.7 dưới đây cho thấy sơ đồ tính toán để phân tích xu hướng.

Bước 3: Ước tính lượng phát thải. Như trong phần mô tả trước, các biến được chọn trong Bước 2 sẽ được sử dụng để ước tính tổng lượng phát thải.

Bước 4: Kết quả. Tổng lượng phát thải được tính toán trong Bước 3 được lưu trữ trong một tệp dữ liệu. Sau đó, quy trình lặp lại từ Bước 2 cho đến khi có sự hội tụ đầy đủ của các kết quả. Các cân nhắc cho điều này cũng giống như mô tả ở trên. Một loạt các kết quả được ước tính đồng thời bao gồm tổng lượng phát thải/loại bỏ theo ngành và lĩnh vực trong năm gốc, tổng lượng phát thải/loại bỏ theo ngành trong năm t, và sự khác biệt về tỷ lệ phần trăm (xu hướng) giữa các kết quả này đối với tổng số và bất kỳ lĩnh vực quan tâm nào.

Hình 3.7 Sơ đồ tính toán cho phân tích Monte Carlo về lượng phát thải tuyệt đối và xu hướng của một loại đơn lẻ, được ước tính bằng hệ số phát thải nhân với tốc độ hoạt động

LỰA CHỌN KỸ THUẬT MÔ PHỎNG VÀ KÍCH THƯỚC MẪU

Một số công cụ phần mềm có sẵn trên thị trường có thể được sử dụng để thực hiện mô phỏng Monte Carlo. Những công cụ này có thể hoạt động độc lập hoặc được sử dụng làm phần bổ trợ cho các chương trình bảng tính thường được sử dụng. Nhiều công cụ phần mềm cung cấp tùy chọn các phương pháp lấy mẫu khác nhau, bao gồm mô phỏng Monte Carlo ngẫu nhiên và các biến thể của Lấy mẫu siêu khối Latinh (LHS), có thể tạo ra phân phối đầu ra mô hình trông ‘mượt mà hơn’ cho kích thước mẫu chỉ vài trăm mẫu. Nhược điểm của việc sử dụng LHS là người ta phải quyết định trước số lần lặp lại để sử dụng. Điều này là do không thể kết hợp hai hoặc nhiều mô phỏng LHS vì chúng sẽ sử dụng các tầng chồng lên nhau, dẫn đến khó khăn trong việc giải thích kết quả. Trong một số trường hợp, LHS có thể mang lại giá trị thấp hơn cho các khoảnh khắc cao hơn của tệp PDF, vì phương pháp phân tầng cũng có thể loại trừ việc phân nhóm các giá trị rất cao hoặc thấp có thể xảy ra trong các phầndữ liệu ngẫu nhiên. Đề xuất tổng thể là sử dụng mô phỏng Monte Carlo ngẫu nhiên làm phương pháp mặc định, vì nó sẽ mang lại sự linh hoạt để tiếp tục mô phỏng ngẫu nhiên đến các kích thước mẫu mô phỏng lớn hơn và lớn hơn nếu cần thiết cho đến khi phân phối đầu ra của mô hình hội tụ₁₄.

¹⁴ Cullen và Frey (1999) cung cấp thêm thông tin về việc so sánh mô phỏng LHS và Monte Carlo (trang 207-213).

Số lần lặp có thể được xác định bằng cách đặt số lần chạy mô hình, tiên nghiệm, chẳng hạn như 10.000 và cho phép mô phỏng tiếp tục cho đến khi đạt đến số đã đặt hoặc bằng cách cho phép giá trị trung bình đạt đến điểm tương đối ổn định trước khi kết thúc mô phỏng. Ví dụ, khi ước lượng cho khoảng tin cậy 95 phần trăm được xác định trong khoảng ± 1%, thì kết quả ổn định đầy đủ đã được tìm thấy. Điều này có thể được kiểm tra bằng cách vẽ biểu đồ tần số của các ước tính của phát xạ. Cốt truyện này phải khá trơn tru (xem Hình 3.8).

Một giải pháp thay thế khác là đánh giá độ chính xác của số lần lặp lại hiện tại dựa trên sai số chuẩn của các phân vị phần trăm đã được sử dụng để xây dựng khoảng tin cậy 95 phần trăm. Nếu phạm vi của khoảng tin cậy cho mỗi phân vị (2,5 và 97,5) nhỏ hơn độ chính xác được báo cáo, thì số lần lặp lại phải đủ (ví dụ: phát xạ là các giá trị được báo cáo đến một chữ số sau số thập phân và khoảng tin cậy của phân vị là nhỏ hơn 0,1, chẳng hạn như 0,005). Do đó, ước tính phần trăm Monte Carlo không có khả năng thay đổi trong các chữ số được báo cáo đối với các mô phỏng khác có cùng số lần lặp.

Hình 3.8 Biểu đồ tần suất ví dụ về kết quả của mô phỏng Monte Carlo

3.2.3.3 SỰ KẾT HỢP HỖN HỢP CỦA CÁCH TIẾP CẬN 1 VÀ 2

Đối với một số kiểm kê, có thể sử dụng Cách tiếp cận 1 cho hầu hết nhưng không phải tất cả các danh mục nguồn và bồn rửa. Ví dụ, nhiều nguồn và bể chìm có thể được định lượng bằng cách sử dụng các hệ số phát thải và dữ liệu hoạt động, nhưng đối với một số nguồn cần sử dụng mô hình hoặc quy trình tính toán phức tạp hơn. Hơn nữa, sự phụ thuộc có thể quan trọng đối với một số danh mục nhưng không quan trọng đối với một số danh mục khác, hoặc phạm vi độ không đảm bảo đo có thể lớn đối với một số danh mục chứ không phải các danh mục khác. Đối với những trường hợp này, phương pháp dựa trên Monte Carlo linh hoạt hơn và thường sẽ tạo ra kết quả tốt hơn.

Nếu một người kiểm kê đã hoàn thành Phương pháp 2 cho chỉ một nhóm nhỏ các danh mục, thì kết quả có thể được kết hợp với Phương pháp 1 để đưa ra ước tính về độ không đảm bảo trong tổng lượng phát thải quốc gia và xu hướng. Điều này có thể đạt được bằng cách nhập thông tin ở cấp độ phân tách, nếu các mối tương quan không ngăn cản việc làm như vậy, vào Phương pháp tiếp cận 1. Nếu có mối tương quan đáng kể giữa một phầnhợp con các danh mục, thì phầnhợp con có thể được xử lý riêng lẻ trong Phương pháp 2 nhưng là phầnhợp của các danh mục trong Phương pháp tiếp cận 1. Trong trường hợp thứ hai, tổng lượng phát thải của phầnhợp con trong năm gốc và năm t được nhập vào Cột C và D của bảng Phương pháp 1. Kết quả phân tích Phương pháp 2 về độ không đảm bảo đo trong tổng lượng phát thải trong năm t sẽ được nhập vào Cột G và kết quả phân tích Phương pháp 2 về sự đóng góp vào xu hướng tổng lượng phát thải quốc gia sẽ được nhập vào Cột M. Độ không đảm bảo đóng góp của các danh mục bị ảnh hưởng có thể được kết hợp với các đóng góp của các danh mục khác bằng cách sử dụng các quy tắc truyền lỗi của Phương pháp 1.

Trong một số trường hợp, hầu hết các loại độ không đảm bảo trong kiểm kê có thể được ước tính bằng Cách sử dụng Phương pháp 2, với một số tương đối ít được ước tính bằng Cách sử dụng Phương pháp 1. Có thể kết hợp các ước tính của Phương pháp 1 về độ không đảm bảo cho một số danh mục thành một phương pháp luận của Phương pháp tiếp cận 2 để kết hợp các yếu tố không chắc chắn cho tổng kiểm kê. Điều này được thực hiện bằng cách sử dụng nửa phạm vi độ không đảm bảo đo thu được từ Phương pháp 1 để chỉ định một mô hình PDF thích hợp để biểu thị độ không đảm bảo cho từng loại như một phần của mô phỏng Monte Carlo. Thông thường, phân phối chuẩn sẽ là một lựa chọn hợp lý nếu phạm vi độ không đảm bảo đo đủ nhỏ và phân phối chuẩn thường thích hợp nếu phạm vi độ không đảm bảo đo lớn. Xem thêm phần 'Đối phó với những bất thường lớn và bất đối xứng trong kết quả của phương pháp tiếp cận 1' trong Phần 3.2.3.1 để thảo luận thêm về các giả định phân phối chuẩn và bình thường

3.2.3.4 SO SÁNH GIỮA CÁC CÁCH TIẾP CẬN

Hai Cách tiếp cận để phân tích độ không đảm bảo đã được trình bày:

 Cách tiếp cận 1: Ước tính độ không đảm bảo theo loại sử dụng Công thức 3.1 và 3.2, và kết hợp đơn giản giữa độ không đảm bảo theo loại để ước tính độ không đảm bảo tổng thể trong một năm và độ không đảm bảo trong xu hướng.

 Cách tiếp cận 2: Ước tính độ không đảm bảo theo danh mục bằng cách sử dụng phân tích Monte Carlo, tiếp theo là sử dụng kỹ thuật Monte Carlo để ước tính độ không đảm bảo tổng thể trong một năm và độ không đảm bảo trong xu hướng.

Phân tích Monte Carlo cũng có thể được sử dụng theo cách hạn chế trong Phương pháp 1 để kết hợp dữ liệu hoạt động và độ không đảm bảo của hệ số phát thải có các tệp PDF rất rộng hoặc không bình thường hoặc cả hai. Cách tiếp cận này cũng có thể giúp giải quyết các danh mục trong Phương pháp 1 được ước tính bằng các mô hình quá trình, thay vì bằng cách tính cổ điển "hệ số phát thải theo thời gian dữ liệu hoạt động". Sự lựa chọn giữa các Phương pháp tiếp cận được thảo luận trong Phần 3.2.3.5 dưới đây.

Việc sử dụng một trong hai Phương pháp tiếp cận sẽ cung cấp cái nhìn sâu sắc về cách thức các loại riêng lẻ và khí nhà kính góp phần vào sự không chắc chắn về tổng lượng phát thải trong bất kỳ năm nào và xu hướng phát thải theo thời gian.

Việc áp dụng Phương pháp tiếp cận 2 cho kiểm kê của Vương quốc Anh (Baggott và cộng sự, 2005) cho rằng khoảng tin cậy 95 phần trăm là không đối xứng và nằm trong khoảng từ 6 phần trăm xuống dưới 17 phần trăm so với giá trị ước tính trung bình vào năm 2003. Kết quả của Vương quốc Anh đưa vào tính đến phạm vi tương đối lớn của độ không đảm bảo đối với dòng N2O từ đất cũng như sự đóng góp lớn vào tổng lượng phát thải từ quá trình đốt cháy nhiên liệu hóa thạch. Việc áp dụng Phương pháp 1 cho cùng một kiểm kê cho thấy độ không đảm bảolà khoảng 17%. Theo xu hướng, từ năm 1990 đến năm 2003, tổng lượng phát thải ròng tương đương CO2 của Vương quốc Anh ước tính đã giảm 13%. Việc áp dụng Phương pháp 2 cho thấy khoảng tin cậy 95 phần trăm gần như đối xứng và nằm trong khoảng -11% đến -16%. Kết quả Phương pháp 1 tương ứng đưa ra phạm vi khoảng 2% (tức là -11% đến -15%). Vì vậy, cả hai phương pháp đều cho độ lớn tương tự về độ không đảm bảocủa xu hướng.

Trong trường hợp của Phần Lan, như được thể hiện trong Phần 3.6, năm 2003 độ không đảm bảo(bao gồm cả nguồn và lượng khí thải gây hiệu ứng nhà kính) là -14 đến + 15% theo Phương pháp 2 và 16% với Phương pháp 1. Đối với Phần Lan, trữ lượng các-bon những thay đổi trong Lĩnh vực AFOLU là nguyên nhân chính gây ra sự không chắc chắn, trong khi nhiên liệu hóa thạch đóng góp phần lớn nhất vào tổng lượng phát thải. Vì các giá trị xấp xỉ vốn có trong Phương pháp 1 có nghĩa là nó không thể đối phó với sự bất đối xứng, nên sự so sánh này rất đáng khích lệ. Về mặt vật lý, lý do cho sự không đối xứng được xác định theo Phương pháp 2 là phạm vi độ không đảm bảo của một số loại rất không chắc chắn bị hạn chế bởi hiểu biết rằng lượng phát thải không được nhỏ hơn 0. Phương pháp Tiếp cận 2 có thể tận dụng kiến ​​thức bổ sung này, nhưng Phương pháp Tiếp cận 1 không thể. Trong trường hợp xu hướng từ 1990 đến 2003, sự không chắc chắn ở Phần Lan là -18 đến + 23%

(điểm phần trăm) với Phương pháp 2 và +19% (điểm phần trăm) với Phương pháp 1.

Một đánh giá riêng biệt của Cách tiếp cận 1 và Cách tiếp cận 2 cho các nghiên cứu điển hình dựa trên dữ liệu kiểm kê tổng hợp cho thấy sự thống nhất tuyệt vời khi sử dụng cùng một bộ giả định đầu vào và khi độ không đảm bảotương đối nhỏ (Frey, 2005). Ví dụ: trong một nghiên cứu điển hình mà Phương pháp 1 đưa ra ước tính là 6% trong kiểm kê năm hiện tại và 10% trong xu hướng (tính theo điểm phần trăm so với tỷ lệ phần trăm thay đổi trung bình), kết quả từ Phương pháp 2 cho các giả định đầu vào giống nhau được tạo ra về cơ bản cùng một kết quả. Khi phạm vi độ không đảm bảo đo được tăng gấp đôi đối với các hệ số phát thải và dữ liệu hoạt động, độ không đảm bảo đo trong các ước tính cơ sở tiếp tục phù hợp với Phương pháp 1 và Phương pháp 2, ở mức xấp xỉ 13% tổng lượng phát thải trung bình. Sự không chắc chắn trong xu hướng là khoảng 20% (điểm phần trăm) trong cả hai trường hợp. Tuy nhiên, sự không chắc chắn trong xu hướng hơi bất đối xứng trong kết quả của Phương pháp 2, ở mức -19% đến + 22%. Do đó, khi phạm vi độ không đảm bảo đo tăng lên, thì Phương pháp 2 dự kiến ​​sẽ mô tả phạm vi và Sự sai lệch của độ không đảm bảo một cách thích hợp hơn Phương pháp 1.

Mặc dù các Phương pháp 1 và 2 phầntrung vào việc truyền thành phần ngẫu nhiên của độ không đảm bảo thông qua một mô hình, nhưng thực tế tốt là kết hợp các phương pháp để xử lý độ không đảm bảo của mô hình với một trong các Phương pháp. Ví dụ về cách đối phó với sự không chắc chắn của mô hình trong bối cảnh của Cấp 3 được đưa ra trong Hộp 3.3.

Hơn nữa, mặc dù Phương pháp 1 dựa trên các giả định đơn giản hóa chính, nhưng có thể tăng tính linh hoạt của phương pháp này bằng cách tăng độ phức tạp của các Công thứclan truyền lỗi. Ví dụ, các Công thứclan truyền lỗi có chứa các số hạng bổ sung có thể truyền độ không đảm bảo đo chính xác hơn cho các mô hình nhân và thương số và khi độ không đảm bảo đo bị lệch

HỘP 3.3 KINH DOANH BẰNG MÔ HÌNH KHÔNG DUY TRÌ TRONG PHÂN TÍCH DỊCH VỤ Phương pháp tiếp cận mô hình Bậc 3 được thiết kế để linh hoạt để có thể tiến hành kiểm kê quốc gia bằng cách sử dụng một mô hình được tinh chỉnh cao hơn đại diện cho hoàn cảnh quốc gia so với Bậc 1 hoặc 2. Đặc biệt, đó là thực hành tốt để giải quyết những bất ổn do đầu vào và cấu trúc của mô hình. Sự không chắc chắn đầu vào liên quan đến dữ liệu hoạt động và có thể là thông tin phụ trợ khác cần thiết để mô tả bối cảnh môi trường, chẳng hạn như đặc điểm khí hậu và đất trong bản kiểm kê cho Ngành AFOLU. Sự không chắc chắn trong cấu trúc mô hình được quy cho các thuật toán và tham số không hoàn hảo. Các phương pháp tiếp cận dựa trên kinh nghiệm thường được sử dụng để đánh giá độ không đảm bảo của cấu trúc (Monte et al. 1996). Cách tiếp cận này liên quan đến việc so sánh các ước tính phát thải được mô hình hóa với các phép đo từ các thí nghiệm hoặc mạng lưới giám sát quốc gia, được thiết kế để Thẩm định các kiểm kê dựa trên mô hình, giải quyết cả độ chệch và phương sai trong các giá trị được mô hình hóa (Falloon và Smith 2003). Mối quan hệ có nguồn gốc thống kê có thể được sử dụng để định lượng độ không đảm bảotrong lỗi cấu trúc mô hình đối với kiểm kê Cấp 3, giải quyết sự không chính xác dựa trên phương sai ước tính hoặc một thước đo tương tự như Sai số trung bình gốc, đồng thời xử lý các sai lệch dựa trên ý nghĩa thống kê sự khác biệt giữa các giá trị được mô hình hóa và đo lường (Falloon và Smith 2003). Trên thực tế, lượng phát thải được mô hình hóa sẽ được điều chỉnh theo độ chệch để thể hiện chính xác hơn lượng khí thải cho các mục đích báo cáo. Hơn nữa, mối quan hệ có nguồn gốc từ thống kê sẽ mang lại một thước đo phương sai cho mỗi điều kiện sẽ được kết hợp với các giá trị được mô hình hóa, tương tự như độ không đảm bảo do các hệ số phát xạ trong cách tiếp cận Bậc 1 và 2. Để hoàn thành đánh giá, độ không đảm bảo trong đầu vào của mô hình, chẳng hạn như dữ liệu hoạt động, sẽ được kết hợp với độ không đảm bảo của cấu trúc mô hình bằng cách sử dụng các Công thứclan truyền lỗi hoặc cách tiếp cận Monte Carlo.

3.2.3.5 HƯỚNG DẪN LỰA CHỌN PHƯƠNG PHÁP TIẾP CẬN

Khi các điều kiện về khả năng áp dụng được đáp ứng (độ không đảm bảo tương đối thấp, không có mối tương quan giữa các nguồn ngoại trừ những nguồn được đề cập rõ ràng bởi Phương pháp 1), Phương pháp 1 và Phương pháp 2 sẽ cho kết quả giống hệt nhau. Tuy nhiên, và có lẽ nghịch lý là những điều kiện này rất có thể được thỏa mãn khi các phương pháp Cấp 2 và Cấp 3 được sử dụng rộng rãi và áp dụng đúng cách trong kiểm kê, bởi vì các phương pháp này sẽ cho kết quả chính xác nhất và có lẽ cũng chính xác nhất. Do đó, không có mối liên hệ lý thuyết trực tiếp nào giữa lựa chọn Phương pháp tiếp cận và lựa chọn Bậc. Trên thực tế, khi các phương pháp Cấp 1 được áp dụng, Phương pháp 1 thường sẽ được sử dụng trong khi khả năng áp dụng Phương pháp 2 có nhiều khả năng hơn khi các phương pháp Cấp 2 và 3 đang được sử dụng, hơn nữa để xác định độ không đảm bảo của ước lượng phát thải/loại bỏ của các hệ thống phức tạp như như trong AFOLU Sector.

Khi Phương pháp tiếp cận 2 được chọn, là một phần của hoạt động QA/QC, các cơ quan kiểm kê cũng được khuyến khích áp dụng Phương pháp 1 vì những hiểu biết sâu sắc mà nó cung cấp và vì nó sẽ không yêu cầu một lượng lớn công việc bổ sung. Khi Phương pháp tiếp cận 2 được sử dụng, các ước tính của nó về độ không đảm bảo đo tổng thể được ưu tiên khi báo cáo độ không đảm bảo (xem Phần 3.2.3.3).

3.3 TỰ ĐỘNG LẬP TỨC DUY TRÌ VÀ TẠM THỜI

Khi các hệ số phát thải, các nguồn dữ liệu hoạt động hoặc các phương pháp ước tính khác nhau trong một chuỗi thời gian thì các nguồn độ không đảm bảo đo liên quan cũng có thể thay đổi. Phương pháp 2 có thể tính đến điều này một cách rõ ràng khi thiết lập các tệp PDF thành phần. Trong Phương pháp 1, độ không đảm bảo đo theo tỷ lệ phần trăm hiện tại nên được nhập vào bảng và trong trường hợp thay đổi trong suốt chuỗi thời gian có nghĩa là giả định về mối tương quan tốt của độ không đảm bảo đo trong các hệ số phát thải giữa các năm không còn giá trị, thì độ nhạy Loại A nên được sử dụng thay thế. thuộc Loại B. Nếu dữ liệu hàng năm là tự tương quan, thì thường sẽ có ít sự khác biệt hơn khi so sánh hai năm so với nếu chúng không tự tương quan, giả sử rằng tự tương quan là dương.

Vấn đề 'chuỗi thời gian' có thể đề cập đến sự so sánh giữa các năm phát thải trong Năm t so với năm gốc, như đã được nêu trong Bảng 3.2 và bảng báo cáo tổng hợp được đưa ra trong Bảng 3.3, hoặc nó có thể đề cập đến một phạm vi rộng hơn phầnhợp các phương pháp thống kê có tính đến tự tương quan theo thời gian. Đối với cách giải thích thứ hai, các kỹ thuật chuỗi thời gian thống kê có thể được sử dụng để tính đến chính xác hơn các tự tương quan thời gian nhằm giảm ước lượng về độ không đảm bảo. Ví dụ, nếu lượng phát thải thay đổi trên cơ sở ngắn hạn, chẳng hạn như đối với khí thải của nhà máy điện, thì lượng phát thải tại một khoảng thời gian nhất định thường phụ thuộc vào lượng khí thải trong khoảng thời gian trước đó cũng như lượng khí thải tại các điểm trước đó trong một xe đạp. Ví dụ, một nhà máy điện có thể cần một khoảng thời gian nhất định để đạt được sự thay đổi đáng kể về phụ tải. Do đó, lượng khí thải trong một giờ hiện tại bị hạn chế phần nào tùy thuộc vào lượng khí thải trong giờ trước đó. Hơn nữa, một nhà máy điện có thể phản ứng với những biến động hàng ngày của phụ tải, tương tự như vậy từ ngày này sang ngày khác. Do đó, lượng khí thải tại một giờ nhất định trong ngày có thể tương quan với lượng khí thải tại một giờ nhất định của ngày trước đó. Tương tự như vậy, có thể có các chu kỳ mùa dài hạn hơn, chẳng hạn như từ năm này sang năm khác, có thể tạo ra mối tương quan về thời gian. Các phương pháp chuỗi thời gian thống kê có thể phù hợp với mẫu dữ liệu thực nghiệm thích hợp để giải thích các mối tương quan thời gian này. Phần không giải thích được của phản hồi mô hình được gọi là thuật ngữ ngẫu nhiên hoặc nhiễu trắng. Thuật ngữ tiếng ồn trắng là một dấu hiệu của sự không chắc chắn trong khả năng dự đoán sản lượng phát thải. Một ví dụ chi tiết về việc áp dụng các mô hình chuỗi thời gian để ước tính lượng khí thải được đưa ra bởi Abdel- Aziz và Frey (2003).

3.4 SỬ DỤNG CÁC KỸ THUẬT DUYỆT KHÁC

Hướng dẫn được cung cấp ở đây không nhằm loại trừ việc sử dụng các phương pháp cải tiến khác. Ví dụ, khi áp dụng Phương pháp 1, người kiểm kê có thể muốn rút ra một cách tiếp cận tương tự từ các Công thứclan truyền sai số tổng quát để giải thích các mối tương quan phức tạp hơn hoặc cho sự khác biệt về phạm vi độ không đảm bảo trong năm t so với năm gốc. Những cải tiến như vậy phù hợp với thực tiễn tốt miễn là chúng được ghi lại và chứng minh một cách thích hợp. Hơn nữa, tài liệu này không đề cập đến tất cả các tình huống mà nhà phân tích có thể gặp phải. Do đó, người kiểm kê được khuyến khích tham khảo các tài liệu tham khảo được trích dẫn ở cuối chương để có thêm gợi ý về cách thực hiện phân tích độ không đảm bảo.

3.5 BÁO CÁO VÀ TÀI LIỆU

Có thể tốn rất nhiều nỗ lực trong việc thu thập thông tin và dữ liệu để đánh giá độ không đảm bảo đo đã định lượng và thực hiện một mô hình để kết hợp độ không đảm bảo trên các thông số, danh mục và toàn bộ kiểm kê. Tuy nhiên, tất cả những nỗ lực đó có thể mang lại ít lợi ích cho kiểm kê của một quốc gia nếu các bước cũng không được thực hiện để báo cáo và ghi lại các phát hiện của đánh giá độ không đảm bảo để chúng có thể dẫn đến những cải thiện thực sự về chất lượng dữ liệu được thu thập và toàn bộ hoạt động kiểm kê . Việc tích hợp các nỗ lực đánh giá sự không chắc chắn của một quốc gia với việc triển khai các cuộc điều tra chất lượng dữ liệu trong hệ thống QA / QC của quốc gia đó có thể giúp giải quyết vấn đề này.

Với số lượng lớn các yếu tố đầu vào và các giả định cần thiết để lập hồ sơ phân tích độ không đảm bảo, việc báo cáo tất cả thông tin là không khả thi. Thông tin được báo cáo phải đủ để cung cấp các giả định chính, lựa chọn phương pháp và kết quả chi tiết. Nhìn chung, tài liệu phải đủ để hỗ trợ các ước tính và cho phép trùng lặp các ước tính về độ không đảm bảo. Cụ thể, tài liệu nên đề cập đến các vấn đề sau (vì chúng liên quan đến một biến cụ thể):

 Các nguyên nhân gây ra sự không chắc chắn được giải quyết (xem Bảng 3.1).

 Các phương pháp giải quyết độ không đảm bảo đo đã được sử dụng (xem Bảng 3.1).

 Nguồn của bất kỳ dữ liệu hoặc mô hình nào được sử dụng làm cơ sở để ước tính độ không đảm bảo.

 Để ước tính độ chệch, hãy giải thích độ lớn của sai số được thể hiện trên cơ sở tương đối hoặc tuyệt đối khi thích hợp (chỉ rõ giá trị nào và đưa ra đơn vị thích hợp).

 Nếu độ không đảm bảo được ước tính dựa trên dữ liệu, hãy giải thích cách phân biệt độ không đảm bảo với độ biến thiên và cách thức phạm vi địa lý thích hợp, thời gian trung bình (ví dụ, hàng năm) và các cân nhắc về tính đại diện khác được giải quyết như thế nào trong việc lựa chọn và phân tích dữ liệu. Cung cấp bản tóm tắt ngắn gọn về dữ liệu, bao gồm giá trị trung bình, Sự sai lệch chuẩn mẫu và cỡ mẫu. Cung cấp chi tiết bổ sung nếu thích hợp nếu dữ liệu được phân tầng hoặc chứa các thành phần khác của độ không đảm bảo (ví dụ, độ chính xác và độ chính xác của các phương pháp đo được sử dụng để thu được dữ liệu).

 Để ước tính sai số ngẫu nhiên ở dạng phạm vi hoặc phân bố, hãy cung cấp đầy đủ thông tin để chỉ định duy nhất phạm vi (ví dụ: cộng hoặc trừ phần trăm biến thiên so với giá trị trung bình hoặc các tham số của PDF).

 Đối với các ước tính về độ không đảm bảo dựa trên đánh giá của chuyên gia, các thông tin sau cần được lập thành văn bản và lưu trữ:

(i) số tham chiếu để đánh giá;

(ii) ngày tháng;

(iii) tên của (các) chuyên gia có liên quan;

(iv) nền tảng của các chuyên gia (tài liệu tham khảo, vai trò, v.v.);

(v) biến được đánh giá;

(vi) cơ sở logic để đánh giá, bao gồm bất kỳ dữ liệu nào được xem xét. Điều này nên bao gồm cơ sở lý luận cho xu hướng phân phối cao cấp, cấp thấp và trung tâm;

(vii) tệp PDF kết quả, hoặc phạm vi và giá trị có thể xảy ra nhất và tệp PDF sau đó được suy ra;

(viii) xác định bất kỳ người đánh giá bên ngoài nào;

(ix) kết quả của bất kỳ đánh giá bên ngoài nào;

(x) phê duyệt bởi người kiểm kê, chỉ định ngày và người.

 Giải thích về bất kỳ mối tương quan hoặc phụ thuộc nào được tính giữa hai hoặc nhiều đầu vào hoặc liên quan đến tự tương quan.

 Giải thích về bất kỳ cân nhắc đặc biệt nào có thể dành riêng cho một quốc gia hoặc tình huống cụ thể, chẳng hạn như việc sử dụng các kỹ thuật thống kê khác nhau để xử lý các điểm không phát hiện, phân bố hỗn hợp, ngoại suy, v.v.

 Giải thích sự khác biệt về kết quả giữa Phương pháp 1 và Phương pháp 2.

Ngoài tài liệu về ước tính độ không đảm bảo đối với đầu vào của kiểm kê, cần cung cấp tài liệu về cách tiếp cận chung được sử dụng và liệu nó chủ yếu dựa trên Cách tiếp cận 1 hay Cách tiếp cận 2. Bất kỳ sửa đổi nào đối với các Cách tiếp cận này đều phải được giải thích và chứng minh một cách thích hợp.

Việc báo cáo độ không đảm bảo đo cũng yêu cầu thảo luận về các hạn chế và cảnh báo đối với bất kỳ ước tính độ không đảm bảo định lượng nào được tạo ra mà bị nghi ngờ là thể hiện không đầy đủ tất cả các nguyên nhân gây ra độ không đảm bảo. Trong quá trình thu thập thông tin về đầu vào để đánh giá độ không đảm bảo(ví dụ: đánh giá theo kinh nghiệm hoặc chuyên môn làm cơ sở cho các tệp PDF, đặc điểm hình thành khái niệm và sự không chắc chắn của mô hình), các nguyên nhân có thể xảy ra của các độ không đảm bảo khác nhau đã được xác định — bao gồm cả các thành kiến ​​tiềm ẩn — phải được lập thành tài liệu. Các nguyên nhân có thể xảy ra này phải được lập thành văn bản cho dù chúng đã được định lượng hay chưa và bao gồm bất kỳ khuyến nghị cụ thể nào có sẵn về cách giảm thiểu chúng.

Tương tự, khi báo cáo và giải thích kết quả từ đánh giá độ không đảm bảo định lượng, điều quan trọng là phải ghi nhớ những hạn chế của phương pháp được sử dụng để kết hợp độ không đảm bảo. Ví dụ, mặc dù Phương pháp tiếp cận 1 có thể giải quyết một số nguyên nhân của mối tương quan, nhưng mọi thành kiến ​​có thể có liên quan đến các nguyên nhân tương quan khác có thể tồn tại (ví dụ: giữa các loại) được xác định trong quá trình đánh giá độ không đảm bảo phải được lập thành văn bản.

Bảng 3.3 là một bảng tổng quát để báo cáo sự không chắc chắn của kiểm kê, bất kể Phương pháp tiếp cận được tuân theo là gì. Nếu ước tính điểm và ước tính trung bình của phát thải / loại bỏ không cùng một giá trị, thì thông lệ tốt là các phạm vi độ không đảm bảo hiển thị trong các Cột E, F, G và J được ước lượng so với ước tính điểm được sử dụng khi báo cáo kiểm kê quốc gia . Nếu ước tính điểm và ước tính trung bình khác nhau, thì nên xem xét lý do tại sao chúng khác nhau và có thể xem lại ước tính điểm để xác định và giải thích cho sự sai lệch.

BẢNG 3.3 BẢNG BÁO CÁO TỔNG HỢP VỀ SỰ BẤT CHẤP
A	B	C	D	E	E	G	H	I	J	K
Danh mục IPCC	Khí ga	Lượng phát thải / loại bỏ năm cơ sở Gg CO2 tương đương	Năm t phát thải / loại bỏ Gg CO2 tương đương	Dữ liệu hoạt động độ không đảm bảo ( - ) % ( + ) %	Hệ số phát thải / sự không đảm bảo của tham số ước tính (kết hợp nếu có nhiều hơn một tham số ước tính ( - ) % ( + ) %	Độ không đảm bảo kết hợp ( - ) % ( + ) %	Xây dựng vào phương sai trong năm t (phần nhỏ)	Xu hướng kiểm kê trong phát thải quốc gia trong năm t tăng so với năm cơ sở (% của năm cơ sở)	Độ không đảm bảo dẫn đến xu hướng tổng lượng phát thải quốc gia so với năm gốc ( - ) % ( + ) %	Phương pháp tiếp cận và nhận xét
Ví dụ: 1.A.1 Nhiên liệu cho các ngành năng lượng 1
Ví dụ: 1.A.1 Nhiên liệu cho các ngành năng lượng 2
…
Tổng							1.00

Cột C: Lượng phát thải năm cơ sở tính bằng Gg CO2 tương đương theo loại và khí.

Cột D: Phát thải năm t tính bằng Gg CO2 tương đương theo loại và khí. Năm t là năm lãi hoặc năm hiện tại.

Cột E và F: Các điểm không chắc chắn trong hoạt động và ước tính hệ số phát thải (Cột E và F) nên được báo cáo nếu có thể, nhưng cần hiểu rằng một số phương pháp tính toán cho một số danh mục có thể không phù hợp với loại báo cáo này. Do đó, nếu thông tin này không có sẵn, mục nhập bảng có thể được để trống.

Cột G: Ước tính độ không đảm bảo đo cho từng loại phải được báo cáo, liên quan đến ước tính trung bình, ngay cả khi độ không đảm bảo đo không thể được phân tách thêm theo hoạt động và hệ số phát thải trong một trường hợp cụ thể. Đối với chân bàn, báo cáo sự không chắc chắn trong tổng kiểm kê. Điều này phải đạt được thông qua các phép tính Tiếp cận 1 hoặc 2, và không thể được xác định đơn giản bằng cách tính tổng các đại lượng trong các cột.

Cột H: Báo cáo "đóng góp vào sự không chắc chắn". Người ta ước tính chia phương sai của từng danh mục cho tổng phương sai của kiểm kê  Nếu Phương pháp tiếp cận 1 đã được sử dụng, nó được tính chia cho mỗi mục nhập trong Cột H của Bảng 3.2 cho giá trị, trong cùng một cột, trong dòng ‘Tổng’ của Bảng 3.2. Phương pháp luận chung sẽ được áp dụng khi sử dụng Phương pháp tiếp cận 2 và khi độ không đảm bảo đo không đối xứng được nêu trong Phần 3.2.3.

Cột I: Báo cáo xu hướng kiểm kê, ước tính như sau:

Báo cáo riêng cho từng danh mục theo hàng và báo cáo tổng kiểm kê ở chân cột.

Cột J: Đây là độ không đảm bảotrong xu hướng theo danh mục. Đối với "tổng" ở cuối bảng, nên đưa ra mức độ không đảm bảotổng thể trong xu hướng của toàn bộ khoảng không quảng cáo. Sự không chắc chắn trong xu hướng dựa trên điểm phần trăm đối với xu hướng kiểm kê. Ví dụ: nếu xu hướng khoảng không quảng cáo là -5% và nếu phạm vi xác suất 95% của xu hướng là -8% đến -3%, thì độ không đảm bảotrong xu hướng được báo cáo là -3% đến + 2%.

Cột K: Cho biết liệu Phương pháp 1 hay Phương pháp 2 đã được sử dụng và bao gồm bất kỳ nhận xét nào khác có thể giúp làm rõ phương pháp luận hoặc các nguồn thông tin.

Nhận xét chung về các cột E, F, G và J: Đối với mỗi cột này, hai cột con được cung cấp để tạo điều kiện thuận lợi cho việc báo cáo các phạm vi độ không đảm bảo không đối xứng. Ví dụ: nếu phạm vi không chắc chắn là -50% đến + 100%, thì '50' phải được báo cáo cột con có đầu là '(-)%' và '100' phải được báo cáo trong cột có đầu là '(+)% '.

3.6 VÍ DỤ

Phần này trình bày hai ví dụ về ước tính không chắc chắn đối với kiểm kê, cả hai đều dựa trên kiểm kê phát thải khí nhà kính năm 2003 của Phần Lan. Các ví dụ này dành riêng cho từng quốc gia và chỉ được hiển thị ở đây với mục đích minh họa các thủ tục và thông tin chi tiết chung. Các ước tính và kết quả về độ không đảm bảo cụ thể sẽ khác nhau giữa các quốc gia.

Ví dụ về Bảng 3.4 dựa trên Phương pháp 1 và được thể hiện ở định dạng chung của trang tính Phương pháp 1 (Bảng 3.2). Kết quả chỉ ra rằng lượng phát thải ròng trong năm t, là năm 2003, trong ví dụ này, là 67.730 Gg CO2 tương đương với độ không đảm bảo đo ± 15,9%, tương ứng với khoảng xác suất 95% là 56.970 đến 78.490 Gg CO2 tương đương. Dựa trên tổng lượng tồn kho của năm gốc và năm t được báo cáo trong bảng, xu hướng trung bình là mức tăng phát thải 42 phần trăm từ năm 1990 đến năm 2003. Độ không đảm bảotrong xu hướng là ± 19% (điểm phần trăm), tương ứng với 95 phần trăm phạm vi xác suất cho xu hướng từ 24% đến 61% đối với lượng phát thải của năm cơ sở.

Ví dụ về Bảng 3.5 dựa trên Cách tiếp cận 2 và được thể hiện dưới dạng của Bảng báo cáo chung về độ không đảm bảođược thể hiện trong Bảng 3.3. Kết quả chỉ ra rằng lượng phát thải ròng trong năm t là 67.730 Gg CO2 tương đương với phạm vi không chắc chắn từ -14 đến +15 phần trăm, tương ứng với phạm vi xác suất 95 phần trăm là 58.490 đến 78.130 Gg CO2 tương đương. Dựa trên tổng lượng tồn kho của năm cơ sở và năm t được báo cáo trong bảng, xu hướng trung bình là mức tăng phát thải 42% từ năm 1990 đến năm 2003. Độ không đảm bảotrong xu hướng là -18 đến + 23% (điểm phần trăm) tương ứng với a Phạm vi xác suất 95 phần trăm cho xu hướng từ 25% đến 65% đối với lượng phát thải của năm cơ sở.

Các ví dụ này minh họa rằng các kết quả từ Phương pháp 1 và 2 có thể rất giống nhau khi độ không đảm bảo đo tổng thể là tương đối nhỏ. Tuy nhiên, Cách tiếp cận 2 là một cách tiếp cận linh hoạt hơn cho phép định lượng sự bất đối xứng trong các phạm vi xác suất, chẳng hạn như đối với kiểm kê năm t.

BẢNG 3.4 VÍ DỤ VỀ CÁCH TIẾP CẬN 1 PHÂN TÍCH KHÔNG DUY TRÌ ĐỐI VỚI NỘI ĐỊA (DỰA TRÊN THỐNG KÊ FINLAND, 2005) Mức độ tổng hợp và các ước tính về độ không đảm bảo là dành riêng cho từng quốc gia cụ thể đối với Phần Lan và không đại diện cho các mức độ không đảm bảo hoặc mức độ tổng hợp được khuyến nghị cho các quốc gia khác.
A	B	C	D	E	E	G	H	I	J	K	L	M
Danh mục IPCC	Khí ga	Phát thải hoặc loại bỏ năm cơ sở	Phát thải hoặc loại bỏ năm t	Dữ liệu hoạt động không đảm bảo %	Hệ số phát thải / độ không đảm bảo của tham số ước tính %	Độ không đảm bảo kết hợp %	Đóng góp vào phương sai theo danh mục trong năm t	Độ nhạy loại A %	Độ nhạy loại B %	Độ không đảm bảo về xu hướng phát thải quốc gia do hệ số phát thải / Độ không đảm bảo của tham số ước tính đưa ra %	Độ không đảm bảo về xu hướng phát thải quốc gia do Độ không đảm bảo của dữ liệu hoạt động đưa ra %	Độ không đảm bảo dẫn đến xu hướng tổng lượng phát thải quốc gia %
1. A Hoạt động đốt cháy nhiên liệu
Chất lỏng	CO2	27 232	27 640	2%	2%	3%	0.0001	0.2320	0.5806	0.46%	1.64%	0.03%
Chất rắn	CO2	15 722	22 753	2%	3%	3%	0.0001	0.0080	0.4780	0.02%	1.08%	0.01%
Khí ga	CO2	5 073	9 350	1%	1%	1%	0.0000	0.0447	0.1964	0.04%	0.28%	0.00%
Than	CO2	5 656	10 676	4%	5%	7%	0.0001	0.0552	0.2243	0.28%	1.36%	0.02%
……

BẢNG 3.5 VÍ DỤ VỀ BÁO CÁO TIẾP CẬN 2 PHÂN TÍCH BẤT CHẤP THUẬN SỬ DỤNG BẢNG BÁO CÁO TỔNG QUÁT VỀ SỰ BẤT CHẤP Phát thải, loại bỏ và độ không đảm bảo là từ Kiểm kê Quốc gia Phần Lan cho năm 2003 (Thống kê Phần Lan, 2005). Mức độ tổng hợp và các ước tính về độ không đảm bảo là dành riêng cho từng quốc gia cụ thể đối với Phần Lan và không đại diện cho các mức độ không đảm bảo hoặc mức độ tổng hợp được khuyến nghị cho các quốc gia khác.
A	B	C	D	E	E	G	H	I	J	K
Danh mục IPCC	Khí ga	Lượng phát thải / loại bỏ năm cơ sở Gg CO2 tương đương	Năm t phát thải / loại bỏ Gg CO2 tương đương	Dữ liệu hoạt động độ không đảm bảo ( - ) % ( + ) %	Hệ số phát thải / sự không đảm bảo của tham số ước tính (kết hợp nếu có nhiều hơn một tham số ước tính ( - ) % ( + ) %	Độ không đảm bảo kết hợp ( - ) % ( + ) %	Xây dựng vào phương sai trong năm t (phần nhỏ)	Xu hướng kiểm kê trong phát thải quốc gia trong năm t tăng so với năm cơ sở (% của năm cơ sở)	Độ không đảm bảo dẫn đến xu hướng tổng lượng phát thải quốc gia so với năm gốc ( - ) % ( + ) %	Phương pháp tiếp cận và Nhận xét Phương pháp tiếp cận 2
1. A Hoạt động đốt cháy nhiên liệu
Chất lỏng	CO2	27 232	27 640	2-2	2-2	3-3	0.0061	1	-3-3
Chất rắn	CO2	15 722	22 753	2-2	3-3	3-3	0.0061	45	-3-3
Khí ga	CO2	5 073	9 350	1-1	1-1	1-1	0.0002	84	-3-3
Than	CO2	5 656	10 676	4-4	5-5	6-7	0.0050	89	-11-11
…

3.7 THÔNG TIN CƠ SỞ KỸ THUẬT

3.7.1 Tiếp cận 1 biến và phương trình

Phần này trình bày cơ sở cho các phương pháp tính toán thống kê được sử dụng trong Phương pháp 1 như là thông tin bổ sung cho Phần 3.2.3.1, Phương pháp 1: Sự lan truyền của lỗi và Bảng 3.2, Phương pháp tính toán độ không đảm bảocủa Phương pháp 1. Các biến và Công thứcchính được sử dụng để tính toán được định nghĩa trong phần này.

Giải thích các biến

Cx, = Giá trị của mục nhập trong Cột C và hàng x, lượng phát thải hoặc loại bỏ của từng loại hàng tồn kho năm cơ sở

∑Ci = Tổng lượng phát thải và loại bỏ trên tất cả các danh mục (hàng) của kiểm kê năm cơ sở

Dx, = Giá trị của mục nhập trong Cột D và hàng x, lượng phát thải hoặc loại bỏ của từng loại trong năm kiểm kê t

∑Di = Tổng lượng phát thải và loại bỏ trên tất cả các danh mục (hàng) của năm kiểm kê t

Cột A-F

Dữ liệu đầu vào về lượng phát thải và loại bỏ, dữ liệu hoạt động và độ không đảm bảo của hệ số phát thải của từng loại

Cột G

Độ không đảm bảo kết hợp sử dụng Công thức lan truyền lỗi. Xem Công thức 3.1 trong Phần 3.2.3.1.

Cột H

Đóng góp vào sự không chắc chắn. Xem thêm Công thức3.2 trong Phần 3.2.3.1.

Tổng độ không đảm bảo đo phát xạ thu được bằng cách sử dụng Công thứctruyền sai số:

Cột I

Các mục trong Cột I cho biết sự khác biệt về lượng khí thải giữa năm gốc và năm t thay đổi như thế nào để đáp ứng với mức tăng 1% lượng phát thải của loại khí thải x trong năm gốc và năm t. Điều này cho thấy độ nhạy của xu hướng phát thải đối với độ không đảm bảo đo có hệ thống trong ước tính phát thải - tức là xu hướng có tương quan giữa năm gốc và năm t. Độ nhạy này được mô tả là độ nhạy Loại A.

Ix = xu hướng phần trăm nếu danh mục x tăng 1 phần trăm trong cả hai năm - xu hướng phần trăm không tăng

Cột J

Các mục trong Cột J cho thấy sự khác biệt về lượng phát thải giữa năm gốc và năm t thay đổi như thế nào để đáp ứng với mức tăng 1 phần trăm của lượng phát thải của loại x chỉ trong năm t. Điều này cho thấy độ nhạy của xu hướng phát thải đối với sai số không chắc chắn ngẫu nhiên trong ước tính phát thải - tức là, một xu hướng không tương quan giữa năm gốc và năm Y. Độ nhạy này được mô tả là độ nhạy Loại B.

Jx = xu hướng phần trăm nếu danh mục x tăng 1 phần trăm trong năm t - xu hướng phần trăm không tăng

Cột K

Theo giả định rằng hệ số phát thải giống nhau được sử dụng trong cả hai năm và các hệ số phát thải thực tế có tương quan hoàn toàn, thì sai số phần trăm do hệ số phát thải đưa ra là bằng nhau trong cả hai năm. Do đó, công thức cho độ không đảm bảo đo được đưa ra về xu hướng của hệ số phát xạ là:

Trong trường hợp không có mối tương quan giữa các hệ số phát xạ được giả định, nên sử dụng độ nhạy B và kết quả cần được tăng thêm √2 vì lý do được đưa ra dưới đây trong phép tính chính cho Cột L:

Cột L

Xu hướng là sự khác biệt giữa lượng phát thải trong năm gốc và trong năm t. Do đó phải tính đến độ không đảm bảocủa dữ liệu hoạt động của năm gốc và năm t. Hai độ không đảm bảo đo được kết hợp bằng cách sử dụng Công thứctruyền sai số và giả định rằng độ không đảm bảo đo giống nhau ở năm cơ sở và năm t là:

Vì dữ liệu hoạt động trong cả hai năm được giả định là độc lập, nên Cột L bằng:

Trong trường hợp giả định có mối tương quan giữa dữ liệu hoạt động, thì nên sử dụng độ nhạy A và không áp dụng hệ số √2.

Cột M

Sự không chắc chắn được đưa vào xu hướng bởi sự không chắc chắn trong dữ liệu hoạt động và hệ số phát thải.

Các mục nhập M_i trong Cột M được kết hợp để thu được tổng độ không đảm bảo của xu hướng bằng cách sử dụng Công thứctruyền sai số như sau:

3.7.2 Cách tiếp cận 1 - chi tiết về các Công thứccho sự không chắc chắn của xu hướng

Các bước sau đây trình bày cách tính toán độ không đảm bảo của xu hướng bằng cách sử dụng độ nhạy Loại A và B (xem thêm Phần 3.2.3.1).

1) Phương pháp đánh giá độ không đảm bảo đo trong năm Y giả định rằng các loại và khí không có mối liên hệ với nhau, hoặc được tổng hợp lại cho đến khi các loại tổng hợp có thể được coi là không tương quan.

2) Sự không chắc chắn về xu hướng tổng lượng phát thải từ quốc gia (số lượng ở chân Cột M) được ước tính như sau:

trong đó U_T là độ không đảm bảo trong xu hướng tổng lượng phát thải từ quốc gia và U_i là độ không đảm bảo được đưa vào U_T theo loại i và khí.

3) Chúng tôi có

trong đó U_E, i là độ không đảm bảo đo được đưa vào U_i bởi độ không đảm bảo kết hợp với hệ số phát xạ của loại i và khí, và U_A, i là độ không đảm bảo được đưa vào U_i bởi độ không đảm bảo kết hợp với dữ liệu hoạt động của loại i và khí.

4) Từ Cột E và F, chúng tôi biết độ không đảm bảo liên quan đến dữ liệu hoạt động và hệ số phát thải đối với loại i và khí theo tỷ lệ phần trăm, nhưng chúng tôi chưa biết những độ không đảm bảo này ảnh hưởng như thế nào đến xu hướng trong tổng lượng phát thải, đó là chúng ta cần cho U_E, i và U_A, i. Đối với điều này, chúng tôi viết

Trong đó A_i là độ nhạy loại A liên quan đến loại i và khí và ue, i là độ không đảm bảo đo phần trăm liên quan đến hệ số phát xạ trong Cột F và Bi là độ nhạy loại B liên quan đến loại i và khí, và ua, i độ không đảm bảo đo phần trăm liên quan đến dữ liệu hoạt động trong Cột E. Về cơ bản, độ nhạy loại A và loại B là độ co giãn liên quan tương ứng với phần trăm chênh lệch tự tương quan giữa năm gốc và năm Y, và một phần không liên quan, với tỷ lệ phần trăm thay đổi trong tổng lượng khí thải. Phương pháp cho phép đảo ngược giả định này, hoặc để cả dữ liệu hệ số phát thải và dữ liệu hoạt động có thể tự tương quan giữa các năm, hoặc không tự tương quan.

5) Độ nhạy Loại A và Loại B có thể tính toán được từ các công thức cho xu hướng về tổng của các loại và khí trong năm gốc và trong năm Y. Hệ số bổ sung của √2 được đưa vào bởi vì một yếu tố không chắc chắn có liên quan có thể ảnh hưởng đến cơ sở năm hoặc năm Y. Công thức hiện tại giả định đối với độ nhạy loại B rằng lượng phát thải trong năm Y không quá khác biệt so với phát thải trong năm gốc; nếu đây không phải là trường hợp, chúng tôi sẽ phải giới thiệu việc xem xét riêng biệt năm gốc và năm Y đối với các độ không đảm bảo đo không tương quan, thay vì sử dụng hệ số √2.

PHÂN LOẠI ĐỘ NHẠY CẢM LOẠI A

Xu hướng có thể được viết là (giả sử rằng 1990 là năm gốc):

Nếu loại i và khí được tăng lên 1 phần trăm trong suốt (phù hợp với giả định rằng độ nhạy Loại A nắm bắt được ảnh hưởng của các yếu tố không chắc chắn có tương quan giữa các năm) thì xu hướng sẽ trở thành:

Điều này giống với biểu thức được đưa ra cho độ nhạy Loại A trong Chú thích B trên trang 6.18 của GPG2000.

ĐỘ NHẠY CẢM LOẠI  B

Độ nhạy loại B, chúng tôi giả định rằng loại i và khí chỉ tăng 1% trong năm y. Trong trường hợp này, xu hướng trở thành:

Tất cả các số hạng trên tử số đều bị loại bỏ giữa các dấu ngoặc trừ 0,01 e_i, y trở thành ei, y khi nhân với 100. Vì vậy, biểu thức Bi đơn giản hóa thành là biểu thức ở đầu Cột J trên trang 6.16 của GPG2000.

3.7.3 Đối phó với độ không đảm bảo lớn và không đối xứng trong kết quả của Phương pháp 1

Phần này cung cấp hướng dẫn về cách hiệu chỉnh các sai lệch trong các ước lượng lớn về độ không đảm bảo từ Phương pháp 1 và cách chuyển phạm vi độ không đảm bảo đo thành phạm vi xác suất 95% không đối xứng dựa trên phân phối chuẩn.

Hiệu chỉnh ước tính độ không đảm bảo đo đối với độ không đảm bảo đo lớn: Phương pháp truyền sai số gần đúng của Phương pháp 1 tạo ra ước tính của nửa dải độ không đảm bảo (U), được biểu thị bằng phần trăm so với giá trị trung bình của kết quả kiểm kê. Khi độ không đảm bảo đo trong tổng độ không đảm bảo của hàng tồn kho càng lớn, thì phương pháp truyền sai số sẽ đánh giá thấp độ không đảm bảo đo một cách có hệ thống trừ khi mô hình hoàn toàn là phép cộng. Tuy nhiên, hầu hết hàng tồn kho được ước tính dựa trên tổng các điều khoản, mỗi điều khoản là một sản phẩm (ví dụ: các hệ số phát thải và dữ liệu hoạt động). Phương pháp truyền lỗi không chính xác đối với các thuật ngữ nhân như vậy. Kết quả từ các nghiên cứu thực nghiệm cho thấy rằng trong một số trường hợp, độ không đảm bảo được ước tính bằng cách sử dụng Phương pháp 1 có thể bị đánh giá thấp hơn; nhà phân tích có thể sử dụng hệ số hiệu chỉnh, ví dụ như được đề xuất trong Frey (2003). Frey (2003) đã đánh giá hiệu suất của phương pháp phân tích để kết hợp độ không đảm bảo so với mô phỏng Monte Carlo với cỡ mẫu lớn cho nhiều trường hợp liên quan đến các dải độ không đảm bảo khác nhau cho các mô hình cộng, nhân và thương. Sự lan truyền lỗi và ước lượng mô phỏng Monte Carlo về nửa dải không đảm bảo của đầu ra mô hình được thống nhất tốt đối với các giá trị nhỏ hơn 100 phần trăm. Khi độ không đảm bảotrong tổng khoảng không quảng cáo tăng lên các mức cao hơn, có một hệ thống ước tính thấp về độ không đảm bảo trong tổng khoảng không quảng cáo bằng phương pháp truyền sai số. Mối quan hệ giữa các ước tính lan truyền lỗi và mô phỏng được tìm thấy là hoạt động tốt. Do đó, hệ số hiệu chỉnh được phát triển từ phép so sánh có thể áp dụng nếu U cho tổng độ không đảm bảo của hàng tồn kho lớn (ví dụ: lớn hơn 100%) và được đưa ra bởi:

Trong đó

U = ½-phạm vi cho độ không đảm bảo được ước tính từ sự lan truyền lỗi, tính bằng đơn vị phần trăm

Fc = Hệ số hiệu chỉnh để ước lượng phân tích phương sai, tỷ lệ không thứ nguyên của độ không đảm bảo đo đã hiệu chỉnh và chưa hiệu chỉnh

Hệ số hiệu chỉnh dựa trên kinh nghiệm tạo ra các giá trị từ 1,06 đến 1,69 khi U thay đổi từ 100% đến 230%. Hệ số hiệu chỉnh được sử dụng để phát triển một ước tính mới, đã hiệu chỉnh, của nửa phạm vi độ không đảm bảo đo của tổng hàng tồn kho, U điều chỉnh, đến lượt nó, được sử dụng để phát triển khoảng tin cậy.

Trong đó:

Đã sửa sai = Đã hiệu chỉnh phạm vi ½ cho độ không đảm bảo được ước tính từ sự lan truyền lỗi, tính bằng đơn vị%

Các sai số trong ước lượng phân tích của phương sai nói chung là nhỏ đối với các nửa phạm vi độ không đảm bảo (U) nhỏ hơn xấp xỉ 100 phần trăm. Nếu hệ số hiệu chỉnh được áp dụng cho U> 100% đối với các giá trị của U lên đến 230%, thì sai số điển hình trong ước tính của U dự kiến ​​sẽ nằm trong khoảng cộng hoặc trừ 10 phần trăm trong hầu hết các trường hợp. Hệ số hiệu chỉnh sẽ không nhất thiết phải đáng tin cậy đối với độ không đảm bảo đo lớn hơn vì nó đã được hiệu chỉnh trong phạm vi từ 10% đến 230%.

Tính toán khoảng tin cậy không đối xứng cho độ không đảm bảo lớn: Để tính khoảng tin cậy cho đầu ra của mô hình chỉ dựa trên giá trị trung bình và nửa dải cho độ không đảm bảo, phải giả định một phân phối. Đối với các mô hình hoàn toàn là phép cộng và trong đó một nửa phạm vi độ không đảm bảo đo nhỏ hơn xấp xỉ 50 phần trăm, phân phối chuẩn thường là một giả định chính xác cho dạng đầu ra của mô hình. Trong trường hợp này, phạm vi độ không đảm bảo đo đối xứng liên quan đến giá trị trung bình có thể được giả định. Đối với các mô hình đa nhân, hoặc khi độ không đảm bảo đo lớn đối với một biến không phải âm, thì phân phối chuẩn thường là một giả định chính xác cho dạng đầu ra của mô hình. Trong những trường hợp như vậy, phạm vi độ không đảm bảo đo không đối xứng với giá trị trung bình, mặc dù phương sai của tổng khoảng không quảng cáo có thể được ước tính chính xác từ Phương pháp tiếp cận 1. Ở đây, chúng tôi cung cấp một phương pháp thực tế để tính toán phạm vi độ không đảm bảo đo không đối xứng gần đúng dựa trên kết quả của sự lan truyền lỗi, dựa trên một phương pháp được phát triển bởi Frey (2003). Đặc điểm chính của khoảng tin cậy 95 phần trăm là chúng xấp xỉ đối xứng đối với các dải độ không đảm bảo đo nhỏ và chúng bị lệch dương đối với các dải độ không đảm bảo lớn. Kết quả sau là cần thiết cho một biến không âm.

Các tham số của phân bố chuẩn tắc có thể được xác định theo một số cách, chẳng hạn như về giá trị trung bình hình học và độ lệch chuẩn hình học. Giá trị trung bình hình học có thể được ước tính dựa trên giá trị trung bình cộng và độ lệch chuẩn số học:

Trong đó:

Độ lệch chuẩn hình học được đưa ra bởi:

Trong đó:

Khoảng tin cậy có thể được ước tính dựa trên giá trị trung bình hình học, độ lệch chuẩn hình học và phân phối xác suất tích lũy nghịch đảo của phân phối chuẩn chuẩn (với phép biến đổi logarit):

Trong đó:

U_low = Dải ô ½ thấp hơn cho độ không đảm bảo được ước tính từ sự lan truyền lỗi, tính bằng đơn vị%.

U_high = Dải trên ½ cho độ không đảm bảo được ước tính từ sự lan truyền lỗi, tính bằng đơn vị%.

Để minh họa việc sử dụng các Công thứcnày, hãy xem xét một ví dụ. Giả sử giá trị trung bình là 1,0 và khoảng ½ độ không đảm bảo đo được ước tính từ sự lan truyền lỗi là 100 phần trăm. Trong trường hợp này, giá trị trung bình hình học là 0,89 và độ lệch chuẩn hình học là 1,60. Phạm vi xác suất 95 phần trăm dưới dạng phần trăm so với giá trị trung bình được cho bởi khoảng từ Ulow đến Uhigh của Công thức3.7. Trong ví dụ, kết quả là -65% đến + 126%. Ngược lại, nếu phân phối chuẩn được sử dụng làm cơ sở để ước lượng độ không đảm bảo, thì phạm vi sẽ được ước tính là xấp xỉ ± 100% và sẽ có xác suất xấp xỉ hai phần trăm nhận được các giá trị âm. Hình 3.9 minh họa độ nhạy của giới hạn dưới và giới hạn trên của phạm vi xác suất 95 phần trăm, tương ứng là phân vị thứ 2,5 và 97,5, được tính toán giả sử phân phối chuẩn dựa trên một nửa phạm vi độ không đảm bảo ước tính từ phương pháp truyền lỗi. Phạm vi độ không đảm bảo đo xấp xỉ đối xứng so với giá trị trung bình lên đến nửa dải độ không đảm bảo đo xấp xỉ 10 đến 20 phần trăm. Khi nửa dải độ không đảm bảo đo, U, trở nên lớn, dải độ không đảm bảo đo 95 phần trăm thể hiện trong Hình 3.9 trở nên lớn và không đối xứng. Ví dụ: nếu U là 73 phần trăm, thì phạm vi xác suất ước tính là khoảng - 50% đến + 100% hoặc hệ số hai.

Hình 3.9 Các ước lượng của phạm vi không đối xứng của độ không đảm bảo đo liên quan đến giá trị trung bình số học giả sử phân phối chuẩn dựa trên nửa dải độ không đảm bảo đo được tính toán từ cách tiếp cận sai số lan truyền

3.7.4 Phương pháp luận để tính toán sự đóng góp của độ không đảm bảo

Phương pháp tính toán đóng góp vào độ không đảm bảo dựa trên việc phân bổ phương sai của hàng tồn kho với phương sai của từng loại.

Nếu độ không đảm bảo đo là đối xứng, thì phương sai được ước tính, trên cơ sở loại, như sau:

Trong đó:

Ux = nửa khoảng không chắc chắn cho loại x, tính bằng đơn vị phần trăm;

Dx = tổng lượng phát thải hoặc loại bỏ cho loại x, tương ứng với các mục trong Cột D của Bảng 3.5.

σ_x² = phương sai của lượng phát thải hoặc loại bỏ đối với loại x.

Ngay cả khi độ không đảm bảo đo là không đối xứng, phương sai có thể được ước tính dựa trên độ lệch chuẩn số học hoặc hệ số biến thiên. Phương sai đơn giản là bình phương của độ lệch số học. Phương sai cho danh mục có thể được ước tính từ hệ số biến thiên, νx, như sau:

Khi đã biết phương sai cho một danh mục, thì các phương sai phải được tính tổng trên tất cả các danh mục. Kết quả là tổng phương sai gần đúng trong khoảng không quảng cáo. Tuy nhiên, kết quả này có khả năng không đồng ý chính xác với kết quả mô phỏng Monte Carlo cho khoảng không quảng cáo vì ít nhất một và có thể nhiều lý do hơn: (1) do biến động mẫu trong mô phỏng Monte Carlo, ước tính phương sai Monte Carlo có thể khác nhau phần nào từ giá trị đích thực; (2) tính toán phân tích dựa trên các giả định về tính chuẩn hoặc tính tiên lượng của các phân bố đối với độ không đảm bảo kết hợp đối với các loại riêng lẻ, trong khi mô phỏng Monte Carlo có thể đáp ứng nhiều giả định về phân phối; và (3) mô phỏng Monte Carlo có thể tính đến các điểm phi tuyến tính và phụ thuộc không được tính đến trong tính toán phân tích do đóng góp vào phương sai. Nếu các tính toán kiểm kê phát thải là tuyến tính hoặc gần đúng tuyến tính, không có bất kỳ mối tương quan đáng kể nào, thì các kết quả sẽ tương đối tốt. Hơn nữa, các phương pháp ước tính "đóng góp vào phương sai" cho các phương pháp Monte Carlo là gần đúng. Đối với những phương pháp có khả năng giải thích tất cả các đóng góp vào phương sai (ví dụ: phương pháp Sobol, Kiểm tra độ nhạy biên độ Fourier), các phép đo độ nhạy phức tạp hơn (ví dụ, Mokhtari và cộng sự, 2006). Do đó, phương pháp được mô tả ở đây là một thỏa hiệp thực tế.

Người giới thiệu

Abdel-Aziz, A., và Frey, H.C. (2003). ‘Phát triển Kiểm kê Phát thải NOx Tiện ích Xác suất Hàng giờ Sử dụng Kỹ thuật Chuỗi Thời gian: Phần I-Phương pháp Tiếp cận Đơn biến’, Môi trường Khí quyển, 37: 5379-5389 (2003).

Ang, A. H-S., Và Tang, W.H., (1984). Các khái niệm về xác suất trong lập kế hoạch và thiết kế kỹ thuật, Phần2: Quyết định, Rủi ro và Độ tin cậy. John Wiley và các con trai, New York.

Ang, A. H-S., Và Tang, W.H., (1975). Các khái niệm về xác suất trong quy hoạch và thiết kế kỹ thuật, Phần1. John Wiley và Sons, New York.

Baggott, SL, Brown, L., Milne, R., Murrells, TP., Passant, N., Thistlethwaite, G., Watterson, JD (2005) “Kiểm kê Khí nhà kính của Vương quốc Anh, 1990 đến 2003: Báo cáo hàng năm để nộp theo Công ước khung về biến đổi khí hậu ”, tháng 4 năm 2005. pub AEA Technology, UK ref AEAT / ENV / R / 1971, ISBN 0-9547136-5-6.

Barry, T.M. (1996), Khuyến nghị về thử nghiệm và sử dụng bộ tạo số giả ngẫu nhiên được sử dụng trong phân tích Monte Carlo để đánh giá rủi ro, Đánh giá rủi ro, 16 (1): 93-105.

Bevington, P.R. và Robinson, D.K. (1992). Giảm Dữ liệu và Phân tích Lỗi cho Khoa học Vật lý. McGraw-Hill: New York.

Cohen A.C. và Whitten B. (1998). Ước tính tham số trong các mô hình độ tin cậy và tuổi thọ, M. Dekker: New York.

Cullen, A.C. và Frey, H.C. (1999), Kỹ thuật xác suất trong đánh giá phơi nhiễm: Sổ tay đối phó với sự thay đổi và không chắc chắn trong các mô hình và đầu vào, Plenum: New York.

D’Agostino, R.B. và Stephens, M.A. (biên tập) (1986). Kỹ thuật Phù hợp Tốt bụng, Marcel Dekker, New York. Efron, B. và Tibshirani, R.J. (1993). Giới thiệu về Bootstrap, Chapman và Hall, New York. Eggleston, S., và cộng sự. (1998). Xử lý các bất thường đối với phát thải khí nhà kính quốc gia, Báo cáo AEAT 2688-1 cho Bộ phận khí quyển toàn cầu của DETR, Công nghệ AEA, Culham, Vương quốc Anh.

Evans, J.S., Graham J.D., Grey, G.M., và Sielken Jr, R.L. (1994). “Phương pháp tiếp cận phân tán để xác định đặc điểm nguy cơ ung thư liều thấp,” Phân tích rủi ro, 14 (1): 25-34 (tháng 2 năm 1994).

Falloon, P. và Smith, P. (2003). Tính toán cho những thay đổi về carbon trong đất theo Nghị định thư Kyoto: cần cải thiện bộ dữ liệu dài hạn để giảm sự không chắc chắn trong các dự báo mô hình. Sử dụng và Quản lý đất, 19, 265-269.

Frey, H.C. và Rubin, E.S. (1991). Phát triển và áp dụng phương pháp đánh giá xác suất cho các công nghệ quy trình tiên tiến, Báo cáo cuối cùng, DOE / MC / 24248-3015, NTIS DE91002095, do Đại học Carnegie-Mellon biên soạn cho Bộ Năng lượng Hoa Kỳ, Morgantown, Tây Virginia, tháng 4 năm 1991, 364p.

Frey, H.C. và Rhodes, D.S. (1996). “Đặc điểm hóa, mô phỏng và phân tích sự thay đổi và độ không chắc chắn: Minh họa các phương pháp sử dụng ví dụ về phát thải chất độc trong không khí,” Đánh giá rủi ro sinh thái và con người: một Tạp chí Quốc tế, 2 (4): 762-797 (tháng 12 năm 1996).

Frey, H.C. và Bammi, S. (2002). Định lượng sự thay đổi và độ không đảm bảotrong thiết bị trồng cỏ và sân vườn NOx và các yếu tố tổng phát thải hydrocacbon, J. Quản lý không khí & chất thải. PGS., 52 (4), 435-448.

Frey, H.C., Zheng, J., Zhao, Y., Li, S., và Zhu, Y. (2002). Tài liệu kỹ thuật của Phần mềm AuvTool để phân tích sự thay đổi và sự không chắc chắn, do Đại học bang North Carolina biên soạn cho Văn phòng Nghiên cứu và Phát triển, Cơ quan Bảo vệ Môi trường Hoa Kỳ, Công viên Tam giác Nghiên cứu, NC. Tháng 2 năm 2002.

Frey, H.C. và Zheng, J. (2002). "Phân tích xác suất các yếu tố phát thải của phương tiện giao thông đường cao tốc dựa trên chu kỳ lái xe," Khoa học và Công nghệ Môi trường, 36 (23): 5184-5191 (tháng 12 năm 2002).

Frey, H.C. (2003), “Đánh giá quy trình phân tích gần đúng để tính toán độ không đảm bảotrong phiên bản khí nhà kính của hệ thống phát thải thiết bị và phương tiện cơ giới đa quy mô,” được biên soạn cho Văn phòng Giao thông và Chất lượng không khí, Cơ quan Bảo vệ Môi trường Hoa Kỳ, Ann Arbor, MI , Ngày 30 tháng 5 năm 2003.

Frey, H.C. (2005), “So sánh Phương pháp 1 và Phương pháp 2,” tháng 1 năm 2005, phân tích chưa được xuất bản được thực hiện cho Chương này.

Hahn, G.J., và Shapiro, S.S. (1967) Mô hình thống kê trong kỹ thuật, Wiley Classics Library, John Wiley and Sons, New York.

Holland, D.M và Fitz-Simons, T. (1982) “Phù hợp các phân bố thống kê với dữ liệu chất lượng không khí bằng phương pháp khả năng tối đa,” Môi trường khí quyển, 16 (5): 1071-1076.

Hora, S.C. và Iman, R.L. (1989). Ý kiến ​​chuyên gia trong phân tích rủi ro: Phương pháp luận NUREG-1150, Khoa học và Kỹ thuật Hạt nhân, 102: 323-331.

IPCC (1997). Houghton, J.T., Meira Filho, L.G., Lim, B., Tréanton, K., Mamaty, I., Bonduki, Y., Griggs, D.J. và Callander, B.A. (Eds). Sửa đổi Hướng dẫn IPCC 1996 về Kiểm kê Nhà kính Quốc gia. Ủy ban liên chính phủ về biến đổi khí hậu (IPCC), IPCC / OECD / IEA, Paris, Pháp.

IPCC (2000). Penman, J., Kruger, D., Galbally, I., Hiraishi, T., Nyenzi, B., Emmanuel, S., Buendia, L., Hoppaus, R., Martinsen, T., Meijer, J., Miwa, K. và Tanabe, K. (Eds). Hướng dẫn Thực hành Tốt và Quản lý Độ không đảm bảotrong Kiểm kê Khí nhà kính Quốc gia. Ủy ban liên chính phủ về biến đổi khí hậu (IPCC), IPCC / OECD / IEA / IGES, Hayama, Nhật Bản.

ISO (1993). “Hướng dẫn về biểu hiện của độ không đảm bảotrong phép đo (GUM)” do ISO, IEC, BIPM, IFCC, OIML, IUPAC, IUPAP biên soạn và được ISO, Thụy Sĩ xuất bản năm 1993.

Kirchner, T.B. (1990). Thiết lập độ tin cậy của mô hình liên quan đến nhiều hơn là xác nhận, Kỷ yếu, Về tính hợp lệ của các mô hình chuyển giao môi trường, Nghiên cứu xác thực mô hình sinh quyển, Stockholm, Thụy Điển, ngày 8 đến 10 tháng 10.

Nam tính, B.F.J. (1997). Phương pháp ngẫu nhiên hóa, Bootstrap và Monte Carlo trong Sinh học, Phiên bản thứ hai, Chapman và Hall.

McCann, T.J. và Cộng sự, và Nosal, M. (1994). Báo cáo cho Môi trường Canada về Sự bất thường trong ước tính phát thải khí nhà kính, Calgary, Canada.

Merkhofer, M.W. (1987). Định lượng sự không chắc chắn trong phán đoán: Phương pháp luận, kinh nghiệm và hiểu biết sâu sắc, Giao dịch IEEE trên Hệ thống, Con người và Điều khiển học. 17 (5): 741-752.

Mokhtari, A., Frey H.C. và Zheng J. (2006). “Đánh giá và đề xuất các phương pháp phân tích độ nhạy để áp dụng cho các mô hình Mô phỏng liều lượng và Phơi nhiễm Stochastic của con người (SHEDS),” Tạp chí Đánh giá Phơi nhiễm và Dịch tễ học Môi trường, Chấp nhận ngày 2 tháng 12 năm 2005, Trên báo chí.

Monni, S., Syri, S. và Savolainen I. (2004). 'Những điều không chắc chắn trong kiểm kê phát thải khí nhà kính của Phần Lan'. Khoa học và Chính sách Môi trường 7, trang 87-98.

Monte, L, Hakanson, L., Bergstrom, U., Brittain, J. và Heling, R. (1996). Phân tích độ không đảm bảo và xác nhận mô hình môi trường: phân tích độ không đảm bảo đo dựa trên kinh nghiệm. Mô hình sinh thái, 91, 139-152.

Morgan, M.G. và Henrion, M. (1990). Tính không chắc chắn: Hướng dẫn đối phó với sự không chắc chắn trong phân tích chính sách và rủi ro định lượng, Nhà xuất bản Đại học Cambridge, New York.

NARSTO (2005). Cải thiện kiểm kê phát thải để quản lý chất lượng không khí hiệu quả trên khắp Bắc Mỹ, NARSTO, tháng 6 năm 2005.

NCRP (Hội đồng Quốc gia về Đo lường và Bảo vệ Bức xạ). (1996). Hướng dẫn Phân tích Độ không đảm bảotrong Đánh giá Liều lượng và Rủi ro Liên quan đến Ô nhiễm Môi trường, Bình luận NCRP số 14, Bethesda, MD.

Ogle, S.M., Breidt, F.J., Eve, M.D. và Paustian, K. (2003). Sự không chắc chắn trong việc ước tính các tác động sử dụng và quản lý đất đối với việc lưu trữ các-bon hữu cơ trong đất cho các vùng đất nông nghiệp của Hoa Kỳ từ năm 1982 đến năm 1997. Sinh học Thay đổi Toàn cầu 9: 1521-1542.

Smith, A.E, Ryan, P.B. và Evans J.S. (1992). Ảnh hưởng của việc bỏ qua các mối tương quan khi tuyên truyền sự không chắc chắn và ước tính sự phân bố rủi ro trong dân số, Phân tích rủi ro, 12: 467-474.

Spetzler, C.S. và von Holstein, S. (1975). Mã hóa xác suất trong phân tích quyết định, Khoa học quản lý, 22 (3).

Thống kê Phần Lan. (2005). Phát thải khí nhà kính ở Phần Lan 1990-2003. Báo cáo Kiểm kê Quốc gia cho UNFCCC, ngày 27 tháng 5 năm 2005.

USEPA (1996). Báo cáo tóm tắt cho Hội thảo về Phân tích Monte Carlo, EPA / 630 / R-96/010, Diễn đàn Đánh giá Rủi ro, Cơ quan Bảo vệ Môi trường Hoa Kỳ, Washington, DC.

USEPA (1997). Các Nguyên tắc Hướng dẫn cho Phân tích Monte Carlo, EPA / 630 / R-97/001, Diễn đàn Đánh giá Rủi ro. Cơ quan Bảo vệ Môi trường, Washington, DC.

USEPA (1999). Báo cáo của Hội thảo về Lựa chọn Phân phối Đầu vào cho Đánh giá Xác suất, EPA / 630 / R-98/004, Cơ quan Bảo vệ Môi trường Hoa Kỳ, Washington, DC, tháng 1 năm 1999. http://www.epa.gov/ncea/input.htm

Wackerly, D.D., Mendenhall III, W. và Scheaffer, R.L. (1996). Thống kê Toán học với Ứng dụng, Nhà xuất bản Duxbury: Hoa Kỳ.

Winiwarter, W. và Rypdal K. (2001). “Đánh giá sự không chắc chắn liên quan đến kiểm kê phát thải khí nhà kính quốc gia: một nghiên cứu điển hình cho Áo,” Môi trường Khí quyển, 35 (22): 5425-5440.

Zhao, Y. và Frey, H.C. (2004a). Tạp chí của Hiệp hội Quản lý Chất thải & Không khí, 54 (11): 1405-1421.

Zhao, Y. và Frey, H.C. (2004b). “Định lượng sự thay đổi và độ không đảm bảocho các phầndữ liệu đã được kiểm duyệt và ứng dụng cho các yếu tố phát thải khí độc”, Phân tích rủi ro, 24 (3): 1019-1034 (2004).

Zheng, J. và Frey H.C. (2004). “Định lượng sự thay đổi và độ không đảm bảokhi sử dụng phân phối hỗn hợp: Đánh giá cỡ mẫu, khối lượng trộn và sự phân tách giữa các thành phần,” Phân tích rủi ro, 24 (3): 553-571 (tháng 6 năm 2004).