A health-and-environment comparison of drinks usually collapses into a single ranking, and yet that ranking rests on two hidden decisions: what goes into the denominator, and how heavily each of the four environmental components is weighted. This page is a byproduct of the drink–health–footprint research thread — an interactive chart on which the same 100-beverage dataset rearranges itself as you move the weights and switch the denominator.
Az italok egészségi és környezeti összehasonlítása rendszerint egyetlen rangsorba fut ki, holott a rangsor valójában két rejtett döntéstől függ: attól, hogy mit teszünk a nevezőbe, és attól, hogy a környezeti terhelés négy összetevőjét milyen súllyal vesszük figyelembe. Ez az oldal az ital–egészség–lábnyom kutatási szál mellékterméke — egy interaktív grafikon, amelyen ugyanaz a 100 italból álló adathalmaz átrendeződik, ahogy a súlyokat állítod és a nevezőt váltod.
Ranking beverages looks like a property of the drinks, and it is largely a property of the measurement frame. Measured per litre, wine sits at the top of the carbon-footprint list; per serving — because you don't guzzle it — it slides to the bottom: the same fact reverses when the denominator changes. The environmental side compounds this, because water, CO₂, soil humus and biodiversity arrive in different units and can only be combined once you choose how much each one counts. Whatever default you pick is therefore an editorial claim, not a neutral measurement.
A rangsor úgy fest, mintha az italok tulajdonsága volna, valójában azonban jórészt a mérési keret tulajdonsága. Ha literenként számoljuk, a bor, a CO₂ lábnyom lista élén található, fogyasztási adagonként viszont — mert nem szokás vedelni — a lista aljára kerül: ugyanaz a tény megfordul, amint a nevező változik. A környezeti oldal ezt tetézi, ugyanis a víz, a CO₂, a talajhumusz és a biodiverzitás eltérő mértékegységben érkezik, és csak akkor vonható össze, ha eldöntöd, melyik mennyit számít. Amelyik alapértelmezést választod, az ezért szerkesztői állítás, nem semleges mérés.
The two measured axes rest on established datasets — carbon on Poore & Nemecek's 2018 global life-cycle synthesis, water on the Water Footprint Network figures of Mekonnen & Hoekstra. The two remaining axes, soil humus and biodiversity, are modelled, because clean per-beverage numbers for them do not exist. The map below wears that difference openly through the transparency of each point.
A két mért tengely bevett adatbázisokra épül — a karbon Poore és Nemecek 2018-as globális életciklus-szintézisére, a víz Mekonnen és Hoekstra Water Footprint Network-értékeire. A maradék két tengely, a talajhumusz és a biodiverzitás, modellezett érték, ugyanis tiszta, italonkénti számok ezekre nem léteznek. Az alábbi térkép ezt a különbséget nyíltan viseli, mégpedig az egyes pontok áttetszőségén keresztül.
The vertical axis is health, the horizontal axis is the environmental footprint, and both are weighted blends you control. On the left, the four footprint sliders mix water, CO₂, humus and biodiversity; behind the advanced panel, four more sliders split health into bodily, metabolic, mental and nutrition, so the vertical axis becomes a choice too rather than a fixed verdict. The top-left corner is the sweet spot: healthy and light. Move the sliders, try the presets, and flip the denominator between serving and litre to watch the ranking rearrange.
A függőleges tengely az egészség, a vízszintes a környezeti lábnyom, és mindkettő általad súlyozott keverék. Balra a négy lábnyom-csúszka keveri a vizet, a CO₂-t, a humuszt és a biodiverzitást; a haladó panel mögött további négy csúszka bontja az egészséget testi, metabolikus, mentális és tápérték részre, így a függőleges tengely is választássá válik, nem rögzített ítéletté. A bal felső sarok az édes pont: egészséges és könnyű. Told a csúszkákat, próbáld a preseteket, és váltsd a nevezőt adag és liter között, hogy lásd, ahogy a rangsor átrendeződik.
How much should each factor count? The horizontal axis is their weighted mix.Mennyit nyomjon a latba mind a négy? A vízszintes tengely ezek súlyozott keveréke.
Per serving or per litre? This switch reverses the ranking — that is the lesson.Egy adagra vagy egy literre? Ez a kapcsoló megfordítja a rangsort — ez maga a lecke.
The health axis is not one number either. Split it into four parts and weight them yourself. Nutrition subtracts, because it is a benefit rather than a harm.Az egészségtengely sem egyetlen szám. Bontsd négy részre, és súlyozd magad. A tápérték kivon, mert az jótétemény, nem kár.
Lean on the mental axis and the whole map fades — that axis carries the weakest individual-level evidence.Ahogy a mentális tengelyre támaszkodsz, az egész térkép elhalványul — annak a tengelynek a legvékonyabb az egyéni szintű bizonyítéka.
On the Interference stage the map stops being a private tool and becomes a shared instrument. A researcher — a life-cycle analyst or a nutrition scientist — sits beside an artist, and the projected chart responds live while the room decides, together, which weighting feels honest. When someone pushes "water only" and the dairy and wine points slide to the far right, the move is visible to everyone at once, and the argument that follows is the point of the evening rather than a footnote to it. Péter Csermely, as intellectual curator of the series, frames the underlying question that the sliders only make tangible: whether a single number can ever be fair to a thing that serves so many different purposes.
Az Interferencia színpadán a térkép megszűnik magánszerszám lenni, és közös hangszerré válik. Egy kutató — életciklus-elemző vagy táplálkozástudós — ül a művész mellé, a kivetített ábra élőben válaszol, a terem pedig együtt dönti el, melyik súlyozás érződik őszintének. Amikor valaki a „csak víz"-re húzza a csúszkát, és a tej meg a bor pontja a jobb szélre csúszik, a mozdulatot mindenki egyszerre látja, az utána kibomló vita pedig az est lényege, nem a lábjegyzete. Csermely Péter, a sorozat szellemi kurátora azt az alapkérdést keretezi, amelyet a csúszkák csak kézzelfoghatóvá tesznek: lehet-e egyetlen szám valaha is igazságos egy olyan dologgal, amely ennyiféle célt szolgál.
Carbon and water values are drawn from peer-reviewed literature; the humus (soil organic matter) and biodiversity axes are modelled 0–100 scores derived from roughly ten production-system archetypes — cane and beet sugar, cereal, grape, orchard, paddy rice, pasture and confinement dairy, legume, tree-nut, and shade-versus-sun coffee. Health is expressed as burden per standard serving and stays fixed under the denominator switch. Point opacity encodes relative data confidence, with the least certain points shown at maximum transparency. These are illustrative estimates assembled for public understanding, not an audited life-cycle assessment.
A karbon- és vízértékek lektorált szakirodalomból származnak; a humusz (talaj szervesanyag) és a biodiverzitás tengely modellezett, 0–100 közötti pontszám, amelyet nagyjából tíz termelési archetípusból vezettünk le — nád- és répacukor, gabona, szőlő, gyümölcsös, rizsföld, legelős és istállós tej, hüvelyes, fadió, valamint árnyék- kontra napkávé. Az egészség egy standard adagra vett terhelésként szerepel, és a nevezőváltásra nem mozdul. A pont áttetszősége a viszonylagos adatbiztonságot kódolja, a legbizonytalanabb pontok a maximális áttetszőségnél jelennek meg. Ezek illusztratív becslések a köz megértéséért, nem auditált életciklus-elemzés.
Common backbone. Both scores follow one logic: impact per litre = land occupation × per-area impact factor, then rescaled 0–100 across the whole dataset. Land occupation (O, m²·yr per litre) comes from the product-level land-use data in Poore & Nemecek (2018). The final values are ordinal 0–100 scores calibrated to the literature below, not a live per-supply-chain LCA computation, which is why the more heavily modelled points are shown fainter.
Humus (soil organic matter), H. H = rescale( O × f_LU × f_MG × f_I ). The land-use factor f_LU is the relative soil-organic-carbon (SOC) stock of that system versus native vegetation, calibrated from Guo & Gifford (2002) — forest→cropland loses roughly 42% of SOC, forest→pasture gains about 8% — and the IPCC Tier-1 SOC stock-change factors. The management factor f_MG (tillage, residue removal, fallow) and input factor f_I (cover crops, rotation, manure) follow the same IPCC scheme and meta-analyses such as Poeplau & Don (2015) and Conant et al. (2017). The global magnitude is framed by Sanderman et al. (2017): human land use has run up a soil-carbon debt on the order of 116–133 Pg C.
| Archetype | H band |
|---|---|
| Cane / beet sugar (annual, erosive) | 65–70 |
| Grape · rice | ~50 |
| Cereal · tree-nut · dairy | 35–45 |
| Orchard · shade coffee | ~35 |
| Legume (soy, pea) | ~25 |
Biodiversity, B. B = rescale( O × CF_bio × V_region ). CF_bio is the land-use characterization factor as Potentially Disappeared Fraction of species (PDF) per m², from the countryside species-area relationship (cSAR) of Chaudhary et al. (2015), which spans 804 ecoregions, five taxa and six land-use types, refined by management intensity in Chaudhary & Brooks (2018) and consolidated in LC-IMPACT — the method the UNEP Life Cycle Initiative currently recommends for land-use ecosystem-quality damage; Newbold et al. (2015, PREDICTS) corroborates the direction. V_region is an ecoregional vulnerability multiplier built from endemic richness and IUCN threat level, which is why the same crop scores worse in a biodiverse, water-scarce region (e.g. Californian almonds) than in a species-poorer temperate one.
| Archetype | B band |
|---|---|
| Cocoa (tropical, deforestation) | 65–68 |
| Tree-nut in arid biodiverse region | 55–60 |
| Cane sugar · dairy · sun coffee | 45–55 |
| Grape · cereal · soy | 35–45 |
| Oat · pea (temperate rotation) | 28–30 |
Normalisation and uncertainty. Both H and B are min–max rescaled to 0–100 so they sit alongside the water and CO₂ axes. Each point's uncertainty reflects how well the feedstock and sourcing region are characterised and how heterogeneous the archetype is; that uncertainty drives the opacity, and the mental health weight feeds into it as well.
Közös váz. Mindkét pontszám egy logikát követ: hatás/liter = földfoglalás × területi hatásfaktor, majd 0–100-ra skálázva az egész adathalmazon. A földfoglalás (O, m²·év/liter) a Poore és Nemecek (2018) termékszintű földhasználati adataiból jön. A végső értékek ordinális, 0–100-ra kalibrált pontszámok az alábbi irodalom alapján, nem élő, ellátásilánc-szintű LCA-számítás — ezért is halványabbak a modellezettebb pontok.
Humusz (talaj szervesanyag), H. H = skálázás( O × f_LU × f_MG × f_I ). Az f_LU földhasználati faktor az adott rendszer talaj-szerveskarbon (SOC) készlete a natív vegetációhoz képest, kalibrálva Guo és Gifford (2002) alapján — erdő→szántó mintegy 42% SOC-veszteség, erdő→legelő nagyjából 8% nyereség — és az IPCC Tier-1 SOC-készletváltozási faktoraival. Az f_MG művelési (talajművelés, maradványelvitel, ugar) és az f_I input-faktor (köztes növény, forgó, trágya) ugyanezt az IPCC-sémát és olyan meta-analíziseket követi, mint Poeplau és Don (2015) vagy Conant és mtsai (2017). A globális nagyságrendet Sanderman és mtsai (2017) keretezi: az emberi földhasználat nagyjából 116–133 Pg szén nagyságú talajszén-adósságot halmozott fel.
| Archetípus | H-sáv |
|---|---|
| Nád-/répacukor (éves, eróziós) | 65–70 |
| Szőlő · rizs | ~50 |
| Gabona · fadió · tej | 35–45 |
| Gyümölcsös · árnyékkávé | ~35 |
| Hüvelyes (szója, borsó) | ~25 |
Biodiverzitás, B. B = skálázás( O × CF_bio × V_régió ). A CF_bio a földhasználati karakterizációs faktor, a potenciálisan eltűnő fajhányad (PDF) m²-enként, Chaudhary és mtsai (2015) countryside faj–terület összefüggéséből (cSAR), amely 804 ökorégiót, öt taxont és hat földhasználati típust fog át, a művelési intenzitásra bontva Chaudhary és Brooks (2018) által, és az LC-IMPACT-ban konszolidálva — ezt a módszert ajánlja jelenleg az UNEP Life Cycle Initiative a földhasználati ökoszisztéma-minőségi kárra; az irányt Newbold és mtsai (2015, PREDICTS) is megerősíti. A V_régió az ökorégiós sebezhetőségi szorzó, amely az endemikus gazdagságból és az IUCN veszélyeztetettségi szintből épül — ezért kap ugyanaz a kultúra rosszabb pontot biodiverz, vízszűkös régióban (pl. kaliforniai mandula), mint fajszegényebb mérsékelt övben.
| Archetípus | B-sáv |
|---|---|
| Kakaó (trópusi, erdőirtás) | 65–68 |
| Fadió arid, biodiverz régióban | 55–60 |
| Nádcukor · tej · napkávé | 45–55 |
| Szőlő · gabona · szója | 35–45 |
| Zab · borsó (mérsékelt övi forgó) | 28–30 |
Skálázás és bizonytalanság. A H és a B min–max skálázással kerül 0–100-ra, hogy a víz- és CO₂-tengely mellé illeszkedjen. A pontonkénti bizonytalanság azt tükrözi, mennyire ismert az alapanyag és a származási régió, és mennyire heterogén az archetípus; ez a bizonytalanság hajtja az áttetszőséget, és a mentális egészség-súly is ebbe folyik.