Hos Openframe har vi mulighed for at analysere bæredygtighedsdata på tværs af mange forskellige byggeprojekter — hvilket tillader os at identificere mønstre, man ikke nødvendigvis kan se i det enkelte projekt. Ved at se på dataene på et metaniveau kan vi både dele viden og udvikle funktioner i vores platform, der gør certificering mere struktureret og effektiv.

En af de måder, vi gør det på, er ved at se på, hvordan der sættes bæredygtighedsmål i projekter inden for DGNB-rammen. Certificering tager typisk flere år, så målsætningen er det tidligste sted, vi kan få indsigt i, hvordan bæredygtighedsambitionerne tager form – allerede før der er givet point.

Det vi har analyseret
For dette proof of concept har vi undersøgt 30 DGNB 2023 projekter, med fokus på, hvordan deres pointfordeling. Projekterne dækker forskellige typologier: boliger, kontorer, erhverv, hoteller og daginstitutioner – med bolig som den klart største kategori (22 projekter).

Vi ville undersøge

• Hvor ensartet målsætningen er på tværs af typologier
• Om nogle typer projekter er mere ensrettede end andre
• Hvordan variation og afvigelser påvirker målene

Hvad vi fandt ud af

• På tværs af alle projekttyper var der 8 indikatorer, hvor målene var sat helt ens
• I boligprojekter for sig – den største typologi gruppe– fandt vi 39 mål, var sat identisk– altså en markant større ensretning
• Samtidig så vi færre afvigelser, når vi fokuserede på én bygningstype, hvilket tyder på, at projekter naturligt samles om de samme bæredygtighedsprioriteter

Det tyder på, at strukturerede rammeværk som DGNB ikke bare hjælper med at sætte retning – de gør målsætningen mere forudsigelig og ensartet. Hos Openframe vil disse indsigter danne grundlaget for udviklingen af datadrevne skabeloner, der understøtter en mere effektiv tilgang til bæredygtighed fra dag et.

Hvordan vi fandt frem til det

For at kvantificere ensartethed og variation i de observerede mål-værdier introducerede vi to målepunkter:

Data Consistency Index (DCI)
Måler hvor tæt målene ligger på hinanden – ved at sammenligne interkvartilområde(IQR) med det fulde spænd.

En DCI på 1 betyder, at de midterste 50 % af værdierne er ens, men det betyder ikke nødvendigvis, at alle værdier er det—der kan stadig være enkelte afvigelser. Hvis spændet er nul (altså at alle værdier er helt ens), sættes DCI automatisk til 1.

Normalized Variability Index (NVI)
Viser den samlede variation ved at sammenholde standardafvigelsen med den højeste værdi.

En lav NVI betyder færre afvigere og større ensartethed. Hvis den højeste værdi er nul, sættes NVI automatisk til 1. Hvor DCI måler, hvor ens midterfeltet af data er, viser NVI variationen i hele datasættet. Ved at bruge begge mål sammen får man et klarere billede—både af hvor godt projekterne stemmer overens, og hvor der er afvigelser. 

Nøgleindsigter:

• På tværs af alle projekttyper så vi perfekt overensstemmelse i 8 ud af 257 mulige mål (DCI = 1, NVI = 0)
• I boligprojekter for sig var det hele 39 ud af 257 – altså markant større ensretning
• Konklusionen? Når projekter deler typologi, er deres bæredygtighedsmål langt mere ensartede.

Ved at bruge disse målinger fandt vi, at boligprojekter er markant mere ensrettede i deres bæredygtighedsmål sammenlignet med blandede typologier. Det understøtter, at typologi har stor betydning for, hvordan certificeringsstrategier formes.

Hvad er næste skridt?
Ovenstående er kun det første skridt i en række af analyser. I de næste vil vi se nærmere på:

• Hvordan målsætning hænger sammen med den endelige certificeringsscore
• Hvilke DGNB-kvaliteter (miljø, økonomi, social osv.) er mest – eller mindst – ensartede
• Hvordan afvigelser opfører sig i forskellige projekttyper

Ved at fortsat at analysere mønstrene, vil vi udvikle endnu bedre værktøjer, der gør det nemmere at arbejde struktureret og målrettet med bæredygtighedsmål.

Følg os og få flere indsigter – og del gerne dine egne erfaringer med os undervejs.