7 tegn på at jeres CO2-data ikke kan bruges i rapporter

Mange virksomheder tror, at CO2-data kan bruges i en rapport, så snart tallene ligger i et regneark. Det er sjældent nok, når data skal holde til et klimaregnskab, en ESG-rapport eller krav efter ESRS og GHG Protocol.

Opsummering

• CO2-data kan bruges i rapporter, når de er komplette, pålidelige, dokumenterede og konsistente på tværs af periode, scope og metode.
• GHG Protocol kræver, at virksomheder beskriver datakvaliteten for rapporterede scope 3-emissioner, og højprioriterede scope 3-aktiviteter bør så vidt muligt bygge på primære data.
• ESRS 1 kræver korrektion af væsentlige fejl i tidligere perioder, hvis pålidelig information burde have været indhentet og brugt, men ikke blev det.
• De tydeligste faresignaler er manglende kilder, uklare afgrænsninger, dobbelttælling, ustabile emissionsfaktorer og estimater, som ingen kan genskabe.
• Hvis jeres CO2-data ikke kan spores fra kilde til CO2e-beregning, risikerer I ekstra dokumentationskrav, forsinket rapportering eller omarbejdning af sammenlignelige beløb.

Hvis I leverer til større virksomheder eller offentlige aktører, bliver kravet om brugbare CO2-data hurtigt praktisk og kontraktligt, ikke kun strategisk. Her er de vigtigste spørgsmål, I bør stille, hvis I vil vide, om jeres data faktisk kan bruges i en CO2-data rapport.

Hvad betyder det, at CO2-data er rapportklare?

Rapportklare CO2-data er sporbare data, som kan omsættes til CO2e efter GHG Protocol og forklares i en ESG-rapport efter ESRS. Hvis kilden, beregningen eller afgrænsningen er uklar, er dataene ikke klar til offentlig rapportering.

Det handler ikke kun om at have tal. Det handler om at kunne forklare, hvilke aktiviteter tallene dækker, hvilken periode de gælder for, hvilke enheder der er med, og hvilke emissionsfaktorer der er brugt. For scope 1 og 2 vil det typisk være brændstof, kølemidler og el. For scope 3 bliver kravet til metode og datakvalitet ofte endnu vigtigere, fordi usikkerheden er højere.

En klassisk misforståelse er, at “tilgængelige data” og “brugbare data” er det samme. Det er de ikke. Hvis ingen kan følge vejen fra faktura, målerdata eller leverandøroplysning til den endelige CO2e-værdi, er datasættet svagt, selv når tallet ser præcist ud.

Hvorfor afviser ESRS og GHG Protocol svage CO2-data?

ESRS 1 og GHG Protocol accepterer ikke løs dokumentation, når data bruges til officiel rapportering. De kræver, at virksomheder kan forklare datakvalitet, metodevalg og fejlretning på en måde, der kan efterprøves.

GHG Protocol er tydelig på scope 3: Virksomheder skal beskrive datakvaliteten for de rapporterede emissioner, og for højprioriterede aktiviteter anbefales primære data fra leverandører og andre værdikædepartnere. Det betyder ikke, at alt skal være perfekt fra dag ét. Det betyder, at svage estimater skal identificeres, begrundes og forbedres målrettet.

ESRS 1 går et skridt videre på fejlretning. Hvis en bæredygtighedserklæring i en tidligere periode indeholder væsentlige fejl, skal sammenlignelige beløb som udgangspunkt omarbejdes, medmindre det er upraktisk. Hvis pålidelig information kunne være indhentet og brugt korrekt, men ikke blev det, kan I stå med en reel prior period error.

“ProLution oplyser, at de har hjulpet over 50 virksomheder med ESG-rapporter, og at ESG Express inkluderer scope 1 og 2 med scope 3 som tilvalg.”

Den praktiske pointe er enkel: Dårlige CO2-data er ikke kun et fagligt problem. De kan blive et rapporteringsproblem, et revisionsproblem og i nogle tilfælde et kommercielt problem, hvis kunder beder om dokumentation, I ikke kan levere.

Hvilke 7 tegn afslører, at jeres CO2-data ikke kan bruges i rapporter?

Syv tegn går igen i næsten alle svage klimaregnskaber. Hvis I genkender mere end to eller tre, bør datasættet normalt gennemgås, før det bruges i en CO2-data rapport.

Faresignalerne viser sig sjældent som én stor fejl. De viser sig som små brud i logikken mellem aktivitet, kilde, metode og resultat.

1. Ingen tydelig datakilde: Tallene findes i et ark, men der er ingen reference til faktura, systemudtræk, måler eller leverandørdata.
2. Uklare afgrænsninger: Det er ikke klart, hvilke selskaber, lokationer eller måneder der er med. Så bliver sammenligning mellem perioder usikker.
3. Scope 3 er kun spend-baseret: Hele indkøbssiden er beregnet med generelle faktorer, selv i kategorier hvor primære data burde være realistiske at skaffe.
4. Dobbelttælling mellem scopes eller enheder: Den samme aktivitet optræder to steder, ofte ved transport, leasede aktiver eller interne omkostningsfordelinger.
5. Emissionsfaktorer skifter uden log: Årets tal ser bedre eller værre ud, men ingen ved, om det skyldes reel ændring eller nyt faktorvalg.
6. Estimater kan ikke genskabes: En medarbejder “lavede en antagelse”, men antagelsen er ikke gemt med enhed, kilde og dato.
7. Manglende versionsstyring: Flere filer cirkulerer samtidigt, og ingen ved, hvilken version der ligger bag den rapporterede CO2e-værdi.

Hvis jeres data rammes af disse tegn, er løsningen sjældent at arbejde hurtigere. Den rigtige løsning er næsten altid at skærpe afgrænsning, dokumentation og metode først.

Hvordan tester I datakomplethed trin for trin?

Datakomplethed testes bedst med en enkel kontrolrutine på tværs af scope 1, 2 og 3. Excel og ERP-data er fine værktøjer, men kun når I starter med afgrænsning frem for beregning.

Trin 1 er at fastlåse rapporteringsperioden og organisationsgrænsen. Hvilke selskaber, lokationer og aktiviteter er med i året? Hvis det ændrer sig undervejs, bliver resten ustabilt.

Trin 2 er at opstille en aktivitetsliste, ikke kun en kontoplan. Brændstof, el, varme, kølemidler, firmabiler, affald, transport, rejser og indkøb skal fremgå som faktiske emissionsdrivere. Her går mange galt ved at starte med emissionsfaktorer, før de ved, om de har dækket hele aktiviteten.

Trin 3 er at måle dækningsgrad. Hvor stor andel af udgifter, volumen eller leverandørkategorier er faktisk mappet til en relevant udledningskategori? Hvis 30 procent af indkøbet ligger i “ukendt”, er datasættet ikke komplet nok til stærke konklusioner, selv om totalen ser pæn ud.

Hvordan dokumenterer I CO2-data, så en revisor eller kunde kan følge dem?

God dokumentation bygger på en audit trail, hvor SAP, e-conomic eller leverandørark kan kobles direkte til beregningen. Det er den hurtigste vej til rapportklare CO2-data.

Trin 1 er at gemme kildedata i en låst struktur med entydige filnavne, perioder og ansvarlige personer. Trin 2 er at oprette et kort metodeark for hvert datasæt med enhed, kilde, antagelser, emissionsfaktor og dato. Trin 3 er at logge godkendelser og ændringer, så I kan forklare, hvad der er rettet, og hvorfor.

“ProLution tilbyder ESG-rapport til fast pris på 14.999 kr. med levering på 14 dage.”

Det smarte er ikke at skrive lange notater. Det smarte er at gøre hvert tal genskabeligt. En almindelig fejl er at gemme metodevalg i mails eller i hovedet på én medarbejder. Når personen er væk, forsvinder jeres pålidelige information med.

Hvad er forskellen på primære data og estimater i scope 3?

Primære data fra leverandører og sekundære estimater er ikke lige stærke, selv om begge kan bruges efter GHG Protocol. Forskellen ligger i relevans, sporbarhed og beslutningsværdi.

Primære data er konkrete aktivitets- eller emissionsdata fra leverandøren selv. Det kan være kilo materiale, kWh, ton-km eller leverandørens egne produktdata. De er ofte mere retvisende for jeres faktiske værdikæde, især i højprioriterede scope 3-kategorier.

Estimater bygger typisk på spend-data, gennemsnitsfaktorer eller branchemodeller. De er nyttige, når I skal hurtigt i gang eller dække mindre væsentlige kategorier. Men de er svagere, når I skal sætte reduktionsmål, svare på kundeforespørgsler eller dokumentere forbedringer hos specifikke leverandører.

En udbredt misforståelse er, at et leverandørark automatisk er primær data af høj kvalitet. Hvis periode, systemgrænse, enhed eller metode ikke fremgår, er værdien begrænset, også når kilden ser officiel ud.

Hvornår bliver en datamangel til en væsentlig fejl i ESRS?

En datamangel bliver en væsentlig fejl, når den påvirker de oplysninger, brugerne med rimelighed baserer beslutninger på. ESRS 1 og begrebet prior period errors gør dette meget konkret.

Ikke alle mangler er væsentlige. Hvis en mindre kategori er estimeret groft, men uden betydning for de samlede konklusioner, er det ofte et forbedringspunkt, ikke en fejl med krav om omarbejdning. Men hvis et stort scope 3-område mangler, eller scope 2 er beregnet med en åbenlys forkert faktor, kan det ændre både totaler og budskab.

Det afgørende spørgsmål er: Havde virksomheden adgang til pålidelig information, som med rimelighed kunne være indhentet og brugt? Hvis svaret er ja, stiger risikoen markant for, at problemet ikke bare er “usikkerhed”, men en fejl, der kan kræve korrektion af sammenlignelige beløb.

Ledelsesmæssigt er det ofte her, værdien af klare interne kontroller viser sig. Hvis I kan dokumentere, hvorfor et skøn blev brugt, og hvordan det skal forbedres næste år, står I langt stærkere end virksomheder, der først opdager hullet efter offentlig rapportering.

Hvordan vælger I emissionsfaktorer uden at ødelægge sammenligneligheden?

Det rigtige faktorvalg er konsistent, dokumenteret og fagligt egnet til aktiviteten. DEFRA, IEA og EPD Danmark er nyttige benchmarks, men de må ikke blandes tilfældigt.

Start med at vælge faktorer, der passer til geografi, år, enhed og kategori. Elforbrug i Danmark bør ikke beregnes med en generisk global faktor, hvis en bedre national eller kontraktrelevant kilde findes. Samtidig skal I være varsomme med at skifte database hvert år uden en klar regel, fordi sammenligneligheden så svækkes.

“ProLution henter miljødata til LCA fra anerkendte databaser som EPD Danmark.”

Mange tror, at den nyeste emissionsfaktor altid er den bedste løsning. Det er kun rigtigt, hvis I også håndterer effekten på tidsserierne. Hvis I ændrer faktorgrundlag, bør I logge årsagen og vurdere, om tidligere år skal genberegnes for at bevare et fair sammenligningsgrundlag.

Hvordan gør I et klimaregnskab klar til næste rapporteringscyklus?

Et klimaregnskab bliver robust, når dataindsamlingen flyttes fra årsprojekt til fast proces. Det er her, virksomheder som regel sparer mest tid og reducerer flest fejl.

Trin 1 er at udpege dataejere pr. kategori. El hører ét sted, firmabiler et andet, leverandørdata et tredje. Uden ejerskab bliver opfølgning tilfældig. Trin 2 er at indføre faste månedlige eller kvartalsvise cut-off datoer, så I ikke samler alt ind i sidste øjeblik. Trin 3 er at fryse metode og filstruktur tidligt i året.

Et godt næste skridt er at standardisere leverandørforespørgsler. Hvis jeres vigtigste leverandører får samme skabelon for aktivitetsdata, enheder og periode, stiger kvaliteten markant. Pro tip: Bed ikke kun om “CO2-tal”. Bed om den aktivitet og metode, der ligger bag.

Når næste rapporteringscyklus starter, bør I allerede vide, hvilke kategorier der kræver primære data, hvilke der kan estimeres midlertidigt, og hvilke tærskler der udløser ekstra kvalitetstjek. Det gør både klimaregnskab og ESG-rapport mere stabile.

Hvornår bør I få ekstern hjælp til CO2-data og ESG-rapportering?

Ekstern hjælp er typisk den rigtige løsning, når scope 3 fylder meget, kundekravene stiger, eller interne ressourcer ikke kan dokumentere datakvalitet. Her er fart mindre vigtigt end korrekt struktur.

Hvis I er en SMV med korte deadlines, kan en specialiseret rådgiver være mere effektiv end at bygge processen alene. Hvis I samtidig har krav om CSRD-modning, EcoVadis eller leverandørdialoger, bliver koblingen mellem CO2-data, governance og dokumentation hurtigt kompleks. Rådgivere som ProLution kan være relevante til praksisnære ESG- og klimaregnskaber for danske virksomheder, mens større revisionshuse eller LCA-specialister kan være bedre, hvis opgaven kræver assurance eller produktniveau-analyser.

Et godt valg afhænger af opgaven. Har I mest brug for et hurtigt, dokumenterbart klimaregnskab med scope 1 og 2 og en plan for scope 3, er en fokuseret ESG-rådgiver ofte nok. Har I derimod mange datakilder, internationale enheder eller stor eksponering mod ESRS-krav, bør I vælge en løsning med stærk metodekontrol og klar ansvarsfordeling.