入力データ

このセクションでは、Customer Carbon Footprint Tool のアップストリームで発生するデータと変換のソースについて概説し、クラスターごとに AWS スコープ 1、スコープ 2、スコープ 3 の炭素排出量を定義します。完全な方法論を理解するには、CCFT 方法論ドキュメントを参照してください。

スコープ 1

Amazon は、スコープ 1 アクティビティデータを毎年生成して検証します。このデータは、CCFT で使用できるようになったときに使用されます。ただし、Amazon の年次レポートと CCFT の月次ケイデンスとのギャップを埋めるために、 は保証されていないプライマリスコープ 1 アクティビティデータ AWS を使用して、当月の毎月の排出量を決定します。CCFT で報告されたスコープ 1 の排出量を保証データに合わせるため、再キャスト時の見積もりを修正します。

スコープ 2

スコープ 1 と同様に、CCFT 手法は Amazon のフットプリント手法に厳密に従います。Amazon のアプローチに従って、CCFT での公開時にデータの精度を優先し、データのプライマリソース (実際のエネルギー消費など) が合理的に利用できない場合にのみ、他のソース (推定エネルギー消費量など) にフォールバックします。

AWS は、エネルギー消費 (MWh) を推定してクラスターレベルと月レベルのロケーションベース (LBM) 排出量を推定し、LBM 排出量係数を乗算します。エネルギーデータは、ユーティリティ電力請求書と過去の見積りの約 95%、<5% の見積りデータで構成されます。

注記

ロケーションベースの方法 (LBM) は、スコープ 2 の炭素排出量会計で使用される GHG プロトコル方式であり、エネルギー消費が発生するグリッドの平均排出量強度を反映しています。

LBM の後、 は、エネルギー属性証明書 (EACs)、電力購入契約 (PPA) などの市場ベースの契約手段 AWS を検討して、カーボンフリーエネルギープロジェクトを反映し、市場ベースの (MBM) 排出量を計算します。これは、GHG プロトコルスコープ 2 ガイダンスで概説されている品質基準と一致しています。

注記

市場ベースの方法 (MBM) は、エネルギー属性証明書 (EACs。例えば、企業の再生可能エネルギーの購入などです。

LBM と MBM の違いの詳細については、「GHG Protocol Scope 2 Guidance」を参照してください。

スコープ 3

燃料およびエネルギー関連のアクティビティ: 購入した燃料からのアップストリーム排出量の場合、 AWS は燃料アクティビティデータを収集し、燃料の抽出、生産、輸送に放出係数を適用します。ロケーションベースの排出量 (LBM) を使用して購入した電力と送電および分散 (T&D) 損失のアップストリーム排出量については、 は推定エネルギー消費量 (MWh) を関連する放出係数で AWS 乗算します。市場ベースの排出量 (MBM) の場合、 はエネルギー属性証明書 (EAC) AWS も考慮します。 EACs

IT ハードウェア: 包括的なcradle-to-gateアプローチ AWS を使用して、原材料の抽出から製造、 AWS データセンターへの輸送までの排出量を追跡します。この方法論は、精度を低下させる 4 つの計算経路を採用しています。エンジニアリング属性、外挿、代表的なカテゴリ平均 LCA、経済的入出力 LCA を備えたプロセスベースのライフサイクル評価 (LCA) です。 は、全体的な排出量に大きく寄与するコンポーネントの最も詳細で正確な方法を AWS 優先します。

建物と機器: AWS は、建設、使用、end-of-lifeフェーズからの排出量を考慮して、建物のライフサイクル評価 (wbLCA) 基準全体を確立しました。この分析では、データセンターのシェル、部屋、空気処理ユニットやジェネレーターなどの長距離機器について説明します。この手法では、プロセスベースのライフサイクル評価モデルと経済的入出力分析の両方を使用して、包括的なカバレッジを確保します。

その後、スコープ 3 の排出量は、アセットの耐用年数 (IT ハードウェアの場合は 6 年、建物の場合は 50 年) にわたって償却され、顧客に割り当てることができる毎月の排出量が計算されます。この償却により、早期廃止や長期使用などのシナリオを考慮して、各アセットの具体化炭素の合計を運用期間中に公平に配分できます。

データ品質を確保するために、Composite Quality Score (CQS) システムを使用し、計算プロセス全体で複数の検証チェックを実行します。この体系的なアプローチにより、計算と仮定に関する透明性を維持しながら、詳細で検証可能なカーボンフットプリントデータを顧客に提供できます。