Siemens lanserade på måndagen en uppsättning verktyg för att hjälpa företag att spåra deras produkts koldioxidavtryck (PCF), inklusive utsläppsdata från alla deras leverantörer. Sådana scope 3-utsläpp, även kända som värdekedjeutsläpp, representerar ofta majoriteten av en organisations totala utsläpp av växthusgaser, enligt US Environmental Protection Agency.
Siemens nya lösning består av mjukvara som heter SiGreen och ett distribuerat reskontrasystem, kallat Esttainium-nätverket, som låter branschöverskridande partners utbyta tillförlitlig emissionsdata på ett säkert sätt. Genom att ta faktiska, exakta utsläppsdata – snarare än branschgenomsnitt som andra verktyg använder – syftar Siemens-systemet till att göra det lättare för organisationer att bedöma deras verkliga koldioxidavtryck.
De nya verktygen bör tjäna det växande antalet företag som prioriterar hållbarhetsåtgärder av en rad olika anledningar. Företag utsätts för press att minska sitt koldioxidavtryck från anställda, investerare, kunder och tillsynsmyndigheter.
“Trycket på organisationer att uppfylla miljö-, sociala och styrningskriterier (ESG) är mer utbrett än de flesta finansledare kanske inser – 85 % av investerarna ansåg ESG-faktorer i sina investeringar 2020”, enligt Gartner.
Men insamling av utsläppsdata från partner i leveranskedjan kräver ofta att de avslöjar strategiskt viktig information. Det är därför frivilligorganisationer som WRI, GHG Protocol och GIZ har rekommenderat distribuerade reskontrabaserade system. Data delas direkt inom ramen för relationerna mellan kund och leverantör, utan att behöva lämna över den till en tredje part eller dela information om deras egna leveranskedjor.
Estainium-nätverket stöder skapandet och utbytet av verifierbara uppgifter. från tredje part för att säkerställa att informationen som delas är tillförlitlig. För att verifiera de värden som rapporterats av en leverantör kan kunderna utsätta dem för ett så kallat Verifiable Proof mot motsvarande Credential via IDUnion blockchain.
Under tiden använder SiGreen verkliga data snarare än industriella medelvärden.