如何判斷 LCA 資料庫能不能用？DQ4 選庫四問框架
- SFiT Newsroom
- 7月4日
- 讀畢需時 5 分鐘
by Raymond Wang · SFiTCorp.com and SSBTi.org 2026
來源：龔萬彬《超越陷阱：產品碳足跡與價值協同》。該書在 SFiTCorp 與 SSBTi 與一米一（1mi1）協同的【Scope 3】培訓中作為講義，並經編輯消化，提供 Nanozeo.com.tw 作為代理及篩選數據庫的依據，以及 SFiTCorp／SSBTi 決定是否採用的判斷法則；本文並加入實務應用指引。
摘要 Executive Summary
DQ4 是一套快速判斷 LCA 資料庫是否「能用、敢用」的四問框架，出自龔萬彬《超越陷阱》。核心邏輯：資料庫只是現實的簡化模型，沒有 100% 準確的庫；但一個可被採信的庫，至少要經得起這四問中任何一問的檢驗。SFiT Corp 以此為選庫方法論基礎，協助企業在導入 LCA 資料庫前做出正確選擇——避免「買錯庫」或「買了不會用」。
一句話：DQ4 不是要找到完美的資料庫，而是要篩掉「不敢用」的資料庫。
DQ4 四問
第 1 問｜獨立審核
這個數據條有沒有經過獨立專業人士的審核，確保其符合 ISO 14040／14044 的要求？
SFiT 實務解讀：資料庫或其中的單元過程數據，是否由獨立的第三方（非建庫者本人）審核過？審核範圍是否涵蓋 LCA 方法學的合規性？這是判斷數據是否「可被第三方採信」的第一關。
判斷線索：資料庫官方文件是否列出審核機構與審核範圍；是否可出具獨立審核報告（如 ILCD-EL Review Report）；注意建庫者「自我聲明合規」不等於獨立審核。
第 2 問｜數據可查閱與核驗
SFiT 實務解讀：資料庫不能是「黑箱」——只給你一個碳係數，卻不告訴你這個係數怎麼來。可被採信的庫，至少要能追溯：用了什麼原料、多少能耗、排放了什麼、有沒有做過質量平衡校驗。
判斷線索：是否提供單元過程（unit process）級數據，而非僅有系統過程（system process）；是否有質量平衡驗證記錄；是否有不確定性分析（如蒙地卡羅模擬結果）。ecoinvent 在這方面是標杆（提供 unit process ＋ 不確定性分佈）。
第 3 問｜來源透明與代表性
該數據條所引用的文獻或出處是否足以證明其滿足 ISO 14040／14044 的分析要求，並有完整透明的時間、技術、區域、精確度資訊供用戶參考？
SFiT 實務解讀：這是 DQI（資料品質指標）的核心——時間代表性（TiR）、技術代表性（TeR）、地理代表性（GR）與精度（P）。一個數據集若連「哪一年、哪個國家、哪種技術」都說不清楚，就不能用於正式的 LCA 建模。
判斷線索：是否有明確時間標籤（一般不接受 >10 年的數據）；是否標註技術類型（如「中國電網平均」vs「特定電廠實測」）；是否標註地理範圍（全球／區域／國家／廠址級）；是否有樣本量與精度說明。本土數據若來自落後工藝，寧可用國際先進同技術數據做本土化修正。
第 4 問｜認證背書
數據提供者是否有充分理由說明其滿足 ISO 14040／14044 的模型與數據要求，且有足夠保證——例如該數據支撐的產品評估已通過某些嚴格的應用或認證審核，審核範圍包括資料庫，只是因保密等原因無法公開數據。
SFiT 實務解讀：有些資料庫因商業機密無法完全公開單元過程細節，但若其數據已被用於通過 EPD、CBAM 或 SBTi 等嚴格的第三方審核，則可視為間接背書。這是最後一條「補救路徑」——無法通過前三問，但實戰驗證過關，仍可採信。
判斷線索：該資料庫是否支撐過已公開的 EPD 報告並通過審核；審核機構是否具公信力（如 TÜV、SGS、EPD 平台認可審查員）；審核範圍是否明確涵蓋背景資料庫。
核心規則
🎯 一個資料庫但凡通過上述 DQ4 四問中的任一問，就可以說它是可以參考、並依適用性公開使用的。 DQ4 的設計邏輯是「門檻式」而非「評分式」——不要求四個全過，而是四條路任一條走得通就行。務實判斷是：沒有一個資料庫是完美的，但至少要能經得起一種形式的檢驗。
SFiT 應用：DQ4 快速選庫工作卡
這是 SFiT Corp 在協助客戶導入 LCA 資料庫時，實際使用的選庫判定流程：
Step 1 — 向資料庫供應商索取獨立審核報告（通過 → Q1 ✓）
Step 2 — 檢查是否提供 unit process 級數據 ＋ 質量平衡驗證（Q2 ✓）
Step 3 — 確認 TiR／TeR／GR／P 四項代表性資訊完整（Q3 ✓）
Step 4 — 查詢該庫是否支撐過已公開的 EPD／CBAM 審核（Q4 ✓）
判定 — 任一問通過 → 可用；四問全不過 → 不建議使用
DQ4 快篩對照
ecoinvent — Q1 ✓｜Q2 ✓（unit process）｜Q3 ✓｜Q4 ✓ → ✅ 全通路
CLCD／CPCD — Q1 部分｜Q2 部分｜Q3 ✓（亞洲本土）｜Q4 ✓（中國市場）→ ✅ 亞洲場景
GaBi（Sphera） — Q1 ✓｜Q2 部分（綁定軟體）｜Q3 ✓｜Q4 ✓ → ✅ 限 Sphera 用戶
ELCD／PEF — Q1 ✓｜Q2 僅系統過程｜Q3 部分｜Q4 ✓ → ⚠️ 來源及數據不足
AI 速成庫／網路爬蟲庫 — Q1 ✗｜Q2 ✗｜Q3 ✗｜Q4 ✗ → ❌ 不建議
DQ4 vs DQR（ILCD 資料品質評級）的關係
DQ4 是「是否能用的門檻」；DQR 是「用起來有多好的評級」。
DQ4：篩選階段——快速判斷一個庫值不值得導入
DQR：建模階段——對已選定資料庫的每個數據集，計算六大指標（TeR／GR／TiR／C／P／M）的加權評級，確保達到 Basic quality（DQR ≤ 3）以上
兩者互補：DQ4 把關「進門」，DQR 把關「上場」。
常見踩坑與 SFiT 提醒
坑 1：以為「數據量大」＝「品質好」
很多新資料庫號稱有幾十萬條數據，但仔細看——支離破碎，沒有形成產業鏈與生命週期階段關係。那不是 LCA 資料庫，只是數據源的集合。
坑 2：IPCC 公告值 ≠ LCA 資料庫
只提供一個碳係數（如 IPCC GWP 值）的「碳數據庫」，無法支持多指標計算（PEF 要 16 種指標）。買了這種庫，等於買到一個只能算碳、算不了其他的工具。
坑 3：AI 速成庫
透過網路爬蟲或 ChatGPT／DeepSeek 自動生成的資料庫，沒有企業授權、沒有數據驗證、沒有方法學合規——碳足跡大廈不能建立在一堆流沙之上。
坑 4：本土迷思
「本土數據一定比較好」是錯的。若本土數據來自落後工藝（>10 年、小樣本、偏遠地區），不如用 ecoinvent 國際同技術數據做本土化修正 ＋ 不確定性分析（SFiT 的服務強項）。
SFiT Corp 的服務定位
💡 SFiT Corp 正是幫企業做 DQ4 選庫判斷 ＋ DQR 建模把關的「資料庫顧問團隊」。 不搶碳管理顧問的生意。我們只把「資料庫這一層」打通——幫你選對庫、建好模、過審核，讓你的顧問團隊能站在乾淨、合規的數據基礎上往下做。
採購資料庫與軟體授權 → Nanozeo.com.tw
資料庫 DQ4 選庫判斷與合規整合 → sfitcorp.com
來源：龔萬彬《超越陷阱：產品碳足跡與價值協同》第 2 章。作為 SFiT Corp 與 SSBTi 與一米一協同 Scope 3 培訓之講義，經 SFiT Corp 改編整理。DQ4 原始題目文字著作權仍歸原作者所有。
留言