飼料を購入した記録と、メタンが減ったという結論は同じことを示していない。だからといって、購入記録に価値がないわけではない。『炭素削減を実証する技術とソリューション』第7章で私が強調した炭素削減の証拠水準は、この違いを説明するための道具である。今日は炭素データの検証における、データと主張の関係を一緒に見ていこう。
本書でまず区別してみたいことです
記録が不足しているからといって、実際に変化がなかったと断定する必要はない。ただし、手元のデータでどのような対外的主張ができるかは、別の問いである。観測、因果効果、別の農場への一般化を分けて書き出してみてほしい。同じデータでも、目的によって十分な場合と不十分な場合がある。参加を確認するための証拠と、定量的な削減量を裏付ける証拠は異なるからだ。目的を先に定めれば、どの記録やレビューに費用をかけるべきかも判断しやすくなる。
MRVは、測定（Measurement）・報告（Reporting）・検証（Verification）をつなぐ枠組みである。観測と活動記録から算定した結果に計算方法と適用条件を添え、定められた基準に照らしてその主張を確認する。内部管理のための点検と、外部提出で求められる検証では、目的も要件も異なる。まず誰がどのような判断に結果を使うのかを定めてこそ、必要な証拠と検証手順を設計できる。
基本原則は、証拠が裏付ける範囲内で主張することである。活動記録は参加の有無を、適切な観測は特定条件下での変化を説明する。技術の因果効果を示すには交絡に対処する研究設計が必要であり、別の農場への一般化には適用範囲をカバーする追加の根拠が必要である。独立レビューはその根拠を検証するが、不足している対照群や代表性を後から補ってくれるわけではない。
測定はデータを作り、報告は算定と解釈を記録し、検証は定められた基準に照らして主張を確認する。機能と責任は区別するが、すべてのMRVで三つの業務を異なる機関が担わなければならないわけではない。同じ組織が測定と報告を担うこともできる。検証の公平性・能力と利益相反の管理は、適用される基準や制度が求める水準で確保する必要がある。
契約前には、対象となる主張・期間・境界、適用基準、保証水準と重要性、元データへのアクセス、利益相反の管理、成果物の利用範囲を合意する。必要に応じて、機関の認定・登録範囲も確認する。検証意見はその範囲内で読み、会社全体、製品性能、将来の削減量まで包括的に認証したものへと拡大解釈してはならない。
すでに発生した排出・削減に関する主張の検証と、将来の成果を裏付ける前提・方法の妥当性評価は区別する。事業計画の妥当性評価を受けたからといって、計画上の削減量が実現したり、クレジットが発行されたりしたわけではない。事業実施後のデータと、該当制度の後続手続きが必要である。
現場ではこのように見てみましょう
農家が領収書と給与日誌を提出したとしよう。購入と使用を確認する根拠にはなり得る。観測データが加われば、特定の条件下で生じた変化も見えるかもしれない。ただし、飼料によって排出がどれだけ減ったかを述べるには、比較設計と算定根拠がさらに必要である。
良いデータは、目的に合った品質と追跡可能性の両方を備えている。同じ計算を再現できても、入力データに共通の偏りがあれば結果は誤り得る。検証可能性は正確性の代わりではない。正確性と適用範囲を第三者が評価できるようにする条件である。
削減量には、測定の遡及可能性と計算の追跡可能性の両方が必要である。測定値は、文書化された校正の連鎖と不確かさを通じて基準に結びつける。活動データや排出係数・モデルは、出典、バージョン、適用条件を通じて最終結果まで追跡できるようにする。すべての削減量が直接測定だけから得られるわけではない。レビュー担当者は計算を再現できるかに加え、使用したデータと方法が主張に適しているかも確認する必要がある。
重要な洞察は、証拠には段階があり、それぞれの段階で主張できることが決まっているという点である。低い段階の証拠に価値がないわけではない。活動記録は参加を証明し、それで十分な目的も多い。問題は、低い段階の証拠で高い段階の主張をすることにある。
削減主張を含む文書（研究成果、企業開示、政策資料、提案書）を受け取ったら、その主張がどの段階の証拠に基づくかを確認し、主張の文言がその段階を越えていないか照らし合わせる。
投資を検討する際にあわせて問いかけてみましょう
データを検討する際は、収集量ではなく、どのような文を裏付けるのかを尋ねてほしい。参加を証明するデータを、検証済みの削減量として紹介していないかを確認するのである。本書が提案する証拠の区分は、法的な等級ではなく、こうした混同を減らすための実務上の道具である。
非分散型赤外線（NDIR）は、メタンによる赤外線吸収を利用する方式である。触媒燃焼式のような酸素依存性や触媒被毒はないが、光学部の汚れや温度・圧力・水分の影響を受けないわけではない。原理だけで農場の長期観測に適すると判断せず、想定濃度や内外の濃度差に対して検出限界・再現性・ドリフトが十分かを製品ごとに確認する必要がある。
AIの評価データは、利用目的に応じて分ける。将来の運転を予測するなら時間順の分割を、別の農場に展開するなら農場単位の分割を検討する。モデル選択に使うデータと、最終的な性能確認に使うデータも分ける。単純なベースラインモデルと比較し、平均誤差だけでなく、農場・季節ごとの偏りや失敗条件も確認しなければ、実際の利用範囲は説明できない。
本を閉じる前に残しておきたい問いです
手元のデータで何を言えるのか、正確に書き出してみてほしい。不足する根拠が見えれば、次に行う記録や試験の目的も明確になる。炭素データの価値は、主張できる範囲を理解して使うとき、より具体的に見えてくる。
著者紹介
イ・ボンジュンは、西江大学校の技術経営大学院（MOT）を修了。Infitron Co., Ltd.で7年、Honeywellで20年、ガス計測分野に27年間従事し、サービスエンジニア、技術営業、チャネル管理の業務を担当した。現在はAI Safety Korea Co., Ltd.の創業者として、センサー・AI・データ分析を活用した畜産メタンモニタリングと測定・報告・検証（MRV）の仕組みを研究している。