4. 归一化与加权
在完成特征化之后，我们得到的是一组量纲各异、数量级悬殊的指标：气候变化可能是几百千克二氧化碳当量，淡水消耗可能是几立方米，人体毒性可能是若干CTUh。这些数字本身无法直接相加，也很难横向比较。归一化和加权正是为了解决“如何让不同环境影响类别变得可比、可聚合”这一问题而引入的两个步骤。本节将围绕归一化的原理与参考值选取、加权方法、OpenLCA中的具体设置与结果解读，以及贯穿始终的主观性与透明度问题展开。
归一化的原理：把绝对影响放到参照尺度上
归一化的核心思想是：将某一影响类别的特征化结果除以一个参考值，得到一个无量纲的相对指标。其基本公式为：
归一化结果 = 特征化结果 / 参考值参考值通常表示某个系统在特定时间、特定空间范围内的总影响，例如“某地区一年内全部经济活动造成的气候变化总排放”“全球人均一年的淡水消耗量”或“某国年度总人体毒性排放”。除以参考值后，结果的含义从“排放了多少”转变为“占参照系统总影响的多少比例”，从而让不同类别之间具备可比性。
参考值的选取直接决定了归一化结果的含义，常见类型包括：
- 全球人均参考值：以全球总影响除以全球人口，结果表示“相当于多少个人一年的平均影响”，直观易懂，适合面向公众或管理层的沟通。
- 区域总量参考值：以某国家或地区的年度总影响为基准，结果表示“占该区域总影响的份额”，适合区域政策分析。
- 产品系统参考值：以某个基准产品或行业的平均影响为参照，适合产品间对比。
需要强调的是，参考值具有明确的时间和空间边界。同一影响类别，用2010年全球人均参考值和2020年区域总量参考值，得到的归一化结果可能相差一个数量级以上。因此，参考值不是“客观常数”，而是带有价值判断和情境假设的选择。
参考值选取的实践要点
在OpenLCA中，归一化参考值通常以“归一化因子集”的形式存在，与具体的影响评价方法绑定。例如，ReCiPe方法提供全球人均参考值，EF方法则提供基于欧盟27国消费总量的参考值。选取时需关注三点：
- 与特征化方法匹配：参考值集必须覆盖特征化方法所包含的全部影响类别，否则会出现部分类别无法归一化的情况。
- 时间与空间一致性：若研究对象是2023年的产品系统，却使用2010年的参考值，需在报告中说明这一时间错配及其可能影响。
- 参考值版本：同一方法的不同版本（如ReCiPe 2008与ReCiPe 2016）参考值可能不同，切换版本后归一化结果不可直接比较。
加权：把价值判断显性化
加权是在归一化结果之上乘以一组权重因子，再求和得到单一综合分值。权重反映的是“不同环境影响类别相对重要程度”的价值判断。常见加权方法包括：
- Panel方法：由专家小组通过问卷或德尔菲法给出各类别的相对权重，强调专家共识，但结果依赖参与者的构成。
- EF权重：欧盟产品环境足迹方法中采用的权重集，基于政策目标和专家咨询，具有较好的区域政策背景，但主要面向欧盟情境。
- 距离目标法：以当前影响水平与政策目标值之间的距离作为权重依据，目标越远权重越高，逻辑清晰但依赖目标设定的合理性。
加权后的综合分值只应作为辅助判断，不能替代对各类别归一化结果的分别审视。一个综合分值相同的产品，可能在气候变化和毒性上呈现完全相反的分布。
OpenLCA中的设置与结果解读
在OpenLCA中启用归一化和加权，通常在产品系统或过程的结果计算设置中，于影响评价方法节点下勾选“归一化与加权”选项，并选择对应的归一化因子集和加权因子集。计算完成后，结果面板会新增“归一化结果”和“加权结果”两个视图。解读时建议按以下顺序进行：
- 先看特征化结果，确认各影响类别的绝对量级是否合理；
- 再看归一化结果，识别哪些类别相对于参照系统占比最高，这往往是后续改进的重点；
- 最后看加权综合分值，仅将其作为不同方案排序的参考，并同时回看权重假设是否与研究目的相符。
主观性与透明度讨论
归一化参考值的选择、加权因子的确定，本质上都包含价值判断。承认这一点并不削弱LCA的科学性，反而要求我们以更高的透明度来呈现方法选择。实践中应做到：在方法与数据章节明确列出所用归一化因子集和加权因子集的名称、版本、年份与空间范围；对关键结论进行敏感性分析，例如替换一套权重集后观察排序是否翻转；在结果解读中区分“基于当前权重假设的结论”与“不依赖权重的类别层面结论”。唯有如此，归一化与加权才能真正成为支持决策的工具，而不是掩盖不确定性的黑箱。