चारा खरीदे जाने का रिकॉर्ड और मीथेन कम होने का निष्कर्ष एक ही बात नहीं बताते। इसका मतलब यह नहीं कि खरीद का रिकॉर्ड बेकार है। 『कार्बन उत्सर्जन में कमी प्रमाणित करने की तकनीक और समाधान』 के सातवें अध्याय में मैंने उत्सर्जन-कटौती के साक्ष्य के स्तरों पर जोर इसी अंतर को समझाने के लिए दिया है। आज हम कार्बन डेटा के सत्यापन में डेटा और दावों के संबंध को साथ देखकर समझेंगे।
किताब में पहले इन बातों को अलग-अलग समझें
डेटा कम हो तो यह निष्कर्ष निकालना जरूरी नहीं कि वास्तव में कोई बदलाव नहीं हुआ। लेकिन अभी उपलब्ध डेटा से बाहर के लोगों के सामने क्या दावा किया जा सकता है, यह एक अलग सवाल है। अवलोकन, कारणात्मक प्रभाव और दूसरे खेतों पर लागू होने की संभावना—इन तीनों को अलग-अलग लिखें। एक ही डेटा किसी उद्देश्य के लिए पर्याप्त और दूसरे उद्देश्य के लिए कम हो सकता है। भागीदारी की पुष्टि के लिए चाहिए साक्ष्य और उत्सर्जन-कटौती की परिमाणित मात्रा के लिए चाहिए साक्ष्य, दोनों अलग हैं। उद्देश्य पहले तय करने पर यह निर्णय लेना आसान होगा कि किन रिकॉर्ड और समीक्षा पर खर्च करना है।
MRV मापन (Measurement), रिपोर्टिंग (Reporting) और सत्यापन (Verification) को जोड़ने वाली व्यवस्था है। अवलोकन और गतिविधि रिकॉर्ड के आधार पर गणना किए गए नतीजे के साथ गणना की विधि और लागू शर्तें दी जाती हैं, फिर तय मानदंडों के आधार पर उस दावे की जाँच होती है। आंतरिक प्रबंधन के लिए की जाने वाली समीक्षा और बाहर जमा करने के लिए आवश्यक सत्यापन के उद्देश्य और शर्तें अलग हैं। पहले तय करें कि कौन उस नतीजे का उपयोग किस निर्णय के लिए करेगा; तभी आवश्यक साक्ष्य और सत्यापन प्रक्रिया तैयार की जा सकती है।
बुनियादी सिद्धांत यह है कि दावा उतना ही करें जितना साक्ष्य समर्थन करता है। गतिविधि रिकॉर्ड से भागीदारी का पता चलता है; उपयुक्त अवलोकन किसी खास परिस्थिति में हुए बदलाव को समझा सकते हैं। तकनीक के कारणात्मक प्रभाव के लिए भ्रमकारी कारकों का ध्यान रखने वाला अनुसंधान डिजाइन चाहिए, और दूसरे खेतों पर लागू होने की संभावना के लिए उस दायरे को समेटने वाले अतिरिक्त साक्ष्य चाहिए। स्वतंत्र समीक्षा उन साक्ष्यों को परखती है, लेकिन अपर्याप्त नियंत्रण समूह या प्रतिनिधिकता अपने आप पैदा नहीं करती।
मापन डेटा तैयार करता है, रिपोर्टिंग गणना और उसकी व्याख्या दर्ज करती है, तथा सत्यापन तय मानदंडों के आधार पर दावे की पुष्टि करता है। इनके काम और जिम्मेदारियाँ अलग हैं, लेकिन हर MRV में इन तीनों कार्यों को अलग-अलग संस्थाओं से कराना जरूरी नहीं। एक ही संगठन मापन और रिपोर्टिंग कर सकता है; सत्यापन की निष्पक्षता, क्षमता और हितों के टकराव पर नियंत्रण लागू मानकों और व्यवस्था की आवश्यकताओं के स्तर पर सुनिश्चित होना चाहिए।
अनुबंध से पहले लक्षित दावा, अवधि, सीमा और लागू मानदंड; आश्वासन का स्तर और महत्वपूर्णता; मूल डेटा तक पहुँच; हितों के टकराव का प्रबंधन; और नतीजों के उपयोग का दायरा तय करें। जरूरत हो तो संस्था की मान्यता और पंजीकरण का दायरा भी जाँचें। सत्यापन की राय को उसी दायरे में समझना चाहिए; उसे पूरी कंपनी, उत्पाद के प्रदर्शन या भविष्य की उत्सर्जन-कटौती की व्यापक प्रमाणित पुष्टि न मानें।
पहले ही हो चुके उत्सर्जन या कटौती के दावे का सत्यापन और भविष्य के प्रदर्शन को आधार देने वाली मान्यताओं या विधियों का वैधता आकलन अलग हैं। व्यवसाय योजना का वैधता आकलन हो जाने से यह साबित नहीं होता कि नियोजित उत्सर्जन-कटौती होगी या क्रेडिट जारी होगा। परियोजना के बाद का डेटा और संबंधित व्यवस्था की आगे की प्रक्रिया भी जरूरी है।
खेत पर इन बातों को इस तरह देखें
मान लें कि किसी खेत ने रसीदें और चारा देने की डायरी जमा की। ये खरीद और वास्तविक उपयोग की जाँच के लिए आधार हो सकते हैं। यदि इनके साथ अवलोकन डेटा भी हो तो खास परिस्थितियों में दिखे बदलाव देखे जा सकते हैं। लेकिन यह कहने के लिए कि चारे की वजह से उत्सर्जन कितना कम हुआ, तुलना का अनुसंधान डिजाइन और गणना के आधार से जुड़े और साक्ष्य चाहिए।
अच्छे डेटा में उद्देश्य के अनुरूप गुणवत्ता और पता लगाने की क्षमता, दोनों होती हैं। एक ही गणना को दोहराया जा सके, फिर भी यदि इनपुट में साझा पक्षपात हो तो नतीजा गलत हो सकता है। सत्यापन की संभावना सटीकता का विकल्प नहीं; इससे दूसरे लोग सटीकता और लागू दायरे का आकलन कर सकते हैं।
उत्सर्जन-कटौती की मात्रा के लिए मापन की पता लगाने की क्षमता और गणना की अनुरेखणीयता, दोनों चाहिए। मापन के मानों को दस्तावेज़ीकृत अंशांकन शृंखला और अनिश्चितता के जरिए मानकों से जोड़ा जाता है; गतिविधि डेटा, उत्सर्जन गुणांक और मॉडल को उनके स्रोत, संस्करण और लागू शर्तों के जरिए अंतिम नतीजे तक ट्रेस किया जाता है। हर उत्सर्जन-कटौती मात्रा केवल प्रत्यक्ष मापन से नहीं आती। समीक्षक को गणना दोहराने की क्षमता के साथ यह भी देखना चाहिए कि इस्तेमाल किया गया डेटा और तरीका दावे के लिए उपयुक्त है या नहीं।
मुख्य बात यह है: साक्ष्य के स्तर होते हैं, और हर स्तर पर अलग तरह का दावा किया जा सकता है। निचले स्तर का साक्ष्य बेकार नहीं है। गतिविधि रिकॉर्ड भागीदारी साबित करता है और कई उद्देश्यों के लिए इतना पर्याप्त है। समस्या तब होती है जब निचले स्तर के साक्ष्य से ऊँचे स्तर का दावा किया जाता है।
उत्सर्जन-कटौती के दावे वाले दस्तावेज़—जैसे शोध परिणाम, कंपनी का खुलासा, नीति सामग्री या प्रस्ताव—मिलने पर जाँचें कि दावा किस स्तर के साक्ष्य पर आधारित है और उसके शब्द उस स्तर से आगे तो नहीं जाते।
निवेश की समीक्षा में ये सवाल भी पूछें
डेटा की समीक्षा करते समय पूछें कि उसकी मात्रा के बजाय वह किस कथन को समर्थन देता है। जाँचें कि भागीदारी साबित करने वाले डेटा को कहीं सत्यापित उत्सर्जन-कटौती की मात्रा के रूप में तो पेश नहीं किया गया। किताब में सुझाए गए साक्ष्यों के स्तर कानूनी दर्जे नहीं हैं; वे ऐसी उलझन कम करने के व्यावहारिक साधन हैं।
गैर-विक्षेपी अवरक्त (NDIR) विधि मीथेन द्वारा अवरक्त प्रकाश के अवशोषण का उपयोग करती है। इसमें उत्प्रेरक दहन विधि जैसी ऑक्सीजन पर निर्भरता या उत्प्रेरक विषाक्तता की समस्या नहीं होती, लेकिन यह प्रकाशीय गंदगी और तापमान, दबाव तथा नमी के प्रभाव से मुक्त नहीं है। केवल इसके सिद्धांत के आधार पर इसे खेतों में लंबे समय के अवलोकन के लिए उपयुक्त न मानें; उत्पाद-दर-उत्पाद जाँचें कि अपेक्षित सांद्रता और अंदर-बाहर के सांद्रता अंतर को देखते हुए उसकी पहचान सीमा, पुनरावृत्ति और ड्रिफ्ट पर्याप्त हैं या नहीं।
AI मूल्यांकन के डेटा को उसके उपयोग के उद्देश्य के अनुसार बाँटें। भविष्य के संचालन का पूर्वानुमान करना हो तो समय क्रम का ध्यान रखें; दूसरे खेतों में इस्तेमाल करना हो तो खेत के स्तर पर अलगाव पर विचार करें। मॉडल चुनने के लिए इस्तेमाल डेटा और अंतिम प्रदर्शन जाँचने वाले डेटा को भी अलग रखें। साधारण आधारभूत मॉडल से तुलना करें और औसत त्रुटि के अलावा खेत तथा मौसम के अनुसार पक्षपात और विफलता की परिस्थितियाँ भी जाँचें, ताकि वास्तविक उपयोग का दायरा समझाया जा सके।
किताब बंद करने से पहले ये सवाल सोचें
अभी आपके पास जो डेटा है, उससे क्या कहा जा सकता है—इसे ठीक-ठीक लिखें। यदि साक्ष्य कम हैं तो आगे के रिकॉर्ड और परीक्षण का उद्देश्य भी साफ हो जाएगा। कार्बन डेटा का मूल्य तब स्पष्ट होता है जब यह पता हो कि उससे किस सीमा तक दावा किया जा सकता है।
लेखक परिचय
बोंगजुन ली ने सोगांग विश्वविद्यालय के प्रौद्योगिकी प्रबंधन स्नातकोत्तर विद्यालय (MOT) में अपनी पढ़ाई पूरी की। उन्होंने Infitron Co., Ltd. में 7 वर्ष और Honeywell में 20 वर्ष सहित गैस मापन के क्षेत्र में 27 वर्षों तक सेवा इंजीनियरिंग, तकनीकी बिक्री और चैनल प्रबंधन के काम किए। वर्तमान में AI Safety Korea Co., Ltd. के संस्थापक के रूप में वे सेंसर, AI और डेटा विश्लेषण का उपयोग करते हुए पशुधन मीथेन निगरानी तथा मापन, रिपोर्टिंग और सत्यापन (MRV) व्यवस्था पर शोध कर रहे हैं।