A graph-matrix hybrid approach for deep temporalisation in time-explicit LCA

新しい電気自動車の総「カーボンフットプリント」を計算しようとしている場面を想像してみてください。かつての標準的な方法（静的LCAと呼ばれます）では、それは2025年の世界を切り取った、たった一枚の「凍結された写真」を撮るようなものです。あなたは、その車を作るための鋼鉄を作るすべての工場、電力を生成するすべての発電所、そしてその車が走るすべての道路が、永遠に全く同じままであり続けると仮定します。その写真をパシャリと撮り、計算を行い、それで終了です。

しかし、現実の世界は凍結された写真ではなく、早送りされる映画なのです。

ここで、Trailsが登場します。これはポール・シェラー研究所の研究者たちによって開発された、新しいオープンソースのツールです。Trailsを、単に車を見るだけでなく、時間の経過とともに車の「家系図」を追いかける**「時間を旅する探偵」**だと考えてください。

「凍結された写真」の問題点

論文では、長寿命の製品（例えば16年持つ自動車、数十年にわたって航行する船舶、あるいは1世紀立ち続けるダムなど）に対して、「凍結された写真」のアプローチは誤解を招くものであると主張しています。もしあなたが2025年に車を製造し、それを2041年まで運転する場合、2030年に使用する電力網は、2025年のものよりもはるかにクリーンになっているかもしれません。静的な計算では、このことが見落とされてしまいます。また、車の鋼鉄が1990年に建設された工場で作られたことや、バッテリーが2045年にリサイクルされるといった事実も見落としてしまいます。

「ディープ・テンポラライゼーション（深い時間軸の適用）」のアドベンチャー

研究者たちは、彼らの新しい手法を**「ディープ・テンポラライゼーション（deep temporalisation）」**と呼んでいます。ここで比喩を用いてみましょう。

サプライチェーンを、巨大で多世代にわたる親族の集まりだと想像してください。

• 「前景（メインキャラクター）」： あなたが研究している対象物（車）です。
• 「背景（サプライチェーン）」： 残りの家族――製鉄業者、採掘業者、発電所、道路建設業者たちです。

古いツール（あるいは新しいツールであっても）は、メインキャラクターに対してのみ「あなたはいつ活動しましたか？」と問い、その特定の年の家族のフォトアルバムを見るだけでした。彼らは、偉大な曾祖父たち（製鉄業者）がいつその仕事を行ったのかまでは問いませんでした。

Trailsはゲームのルールを変えます。それはメインキャラクターに「あなたはいつ活動しましたか？」と問い、それからサプライチェーンのあらゆる先祖へと、時間を旅する使者を送り出すのです。

• もし車が2020年に作られた鋼鉄を使用しているなら、使者は2020年へと向かいます。
• もし車が2035年に発電された電気を使用しているなら、使者は2035年へと向かいます。
• もしその鋼鉄が2010年に石炭を使用して作られたが、発電所が2025年にアップグレードされたとしたら、使者はその切り替えを追跡します。

これが、著者たちが**「ディープ・テンポラライゼーション」**と呼んでいるものです。イベントのタイミングを、単に最初の数ステップで止めるのではなく、サプライチェーンの奥底まで伝播させるのです。

何が見つかったのか（プロットの急展開）

チームは、この「時間を旅する探偵」を4つの異なるシステムでテストしました：電気自動車、ポリオールを作る化学工場、燃料タイプを切り替える船舶、そして空気中から二酸化炭素を吸収する装置（DACCS）です。

彼らは3つのシナリオを比較しました：

1. 静的（Static）： すべてが2025年のデータである「凍結された写真」。
2. 前景のみ（Foreground-Only）： メインキャラクターは時間とともに動くが、家族（背景）は2025年で凍結されている。
3. ディープ・テンポラライゼーション（Trails）： 全員が現実世界の進化に合わせて、時間とともに動く。

結果：
これらのシミュレーションにおいて、「ディープ・テンポラライゼーション」のアプローチは、他の手法と比較して最終的なスコアを大きく変化させました。

• ディーゼルからメタノールへと切り替わる船舶の場合、ディープな手法は静的な手法よりも23.8%低く、前景のみの手法よりも18.3%低い影響スコアを示しました。なぜでしょうか？それは、新しい燃料のためのインフラが過去に建設されており、古い燃料のインフラが衰退していたからです。静的な写真は、この変化を完全に見落としていました。
• ポリオールという化学物質については、ディープな手法は22%高いスコアを示しました。これは、ディープな手法が化学工場の建設を1980年代まで遡って追跡したのに対し、他の手法は製品が生産開始された瞬間に工場が建設されたと仮定したためです。
• 電気自動車については、差はより小さく（約**-3.6%**）、ある種のシステムにおいては「凍結された写真」でも十分に近似できることを示唆しています。

論文は、この「ディープな時間旅行」が必要かどうかは、対象とするシステムによるものであると示唆しています。短命な製品を研究しているのであれば、単純な写真で十分かもしれません。しかし、長寿命のインフラや急速に変化する経済を研究している場合、タイムラインを無視することは誤った結論を導くことになります。

明確に否定していること

著者たちは、彼らのツールが何ではないかについても明確に述べています。

• 不確実性のための水晶玉ではない： このツールは決定論的であり、入力されたデータに基づいて一つの特定の答えを出します。将来がどの程度「不確実」かを推測するために、何千回ものシミュレーションを実行するようなものではありません。
• 時間単位の詳細用ではない： このツールは年単位のタイムラインで動作します。ある工場が火曜日の午前中に金曜日の夜よりも多くの汚染物質を排出したか、あるいは季節ごとの風のパターンが特定の時間にどのように影響したかといったことは分かりません。それは、用途としては粗すぎます。
• 他のすべてのツールの代替品ではない： これは bw_timex や DyPLCA といった既存のツールを補完するものです。それらを置き換えるのではなく、接続された年ごとのデータベースを扱う際に、それらのツールが見逃すかもしれない、特定の「深い」時間追跡のレイヤーを追加するものです。

彼らの確信度はどの程度か？

著者たちは、自分たちの手法と実行したシミュレーションに自信を持っています。彼らはツールを構築し、既知の数学的問題に対してテストを行い（そして合格しました）、4つの具体的なケーススタディを実施しました。

• 彼らは、ディープ・テンポラライゼーションが結果を（時には大幅に、時にはわずかに）変えることを実証しました。
• 彼らは、長寿命のシステムや急速に変化するサプライチェーンにおいては、このアプローチが必要であることを示唆しています。
• 彼らは、これが時間に関するあらゆる環境問題に対する、最終的で完璧な解決策であると主張しているわけではありません。もし「いつ」何かが起こるかについてのデータが乏しい場合、ツールが「誤った精密さ」を与えてしまう可能性があることを認めています。

まとめ

Trailsを、私たちの製品の過去、現在、未来を見るための新しいレンズだと考えてください。それは単に「何を造ったか？」と問うのではありません。「いつ造ったのか？ それを使うとき、世界はどう変わっていたのか？」と問うのです。

時間を超えて点と点を結びつけることで、製品の環境コストが単一の数字ではなく、数十年にわたって展開される一つの「物語」であることを明らかにします。そして時には、その物語の結末は、「凍結された写真」が予測したものとは全く異なるものになるのです。