碳排放核算基础：范围1、2、3排放的定义、核算边界设定、排放因子选择与数据质量
各位同学，咱们今天聊点实在的。做碳管理，第一步就是搞清楚“碳”到底从哪来、怎么算。很多人一上来就扎进公式里，结果边界没划清楚，数据一塌糊涂。我见过不少项目，最后被审计打回来重做，就是因为最基础的核算边界没定明白。
所以，这一节咱们把地基打牢。我会把范围1、2、3的定义、边界怎么划、排放因子怎么选、数据质量怎么控，掰开揉碎了讲清楚。
一、范围1、2、3：到底在说什么？
咱们先把这个最基础的概念捋清楚。温室气体核算体系（GHG Protocol）把排放分成了三个“范围”。说白了，就是按“谁控制、谁负责”的逻辑来切分的。
1. 范围1：直接排放
这是企业直接“拥有或控制”的排放源。比如你工厂锅炉烧煤、公司自有车辆烧油、化工厂反应釜排出的废气。这些排放是从你家烟囱、排气管直接出去的，跑不掉。
典型例子：
- 固定燃烧：锅炉、发电机、熔炉
- 移动燃烧：公司自有卡车、叉车、公务车
- 工艺排放：水泥窑分解石灰石、炼钢高炉
- 逸散排放：制冷剂泄漏、甲烷逃逸
2. 范围2：间接排放（来自外购能源）
范围2特指企业外购的电力、蒸汽、热力、冷量所产生的排放。电不是你发的，但电是你用的，所以这部分排放要算在你头上。为什么？因为你有选择权——你可以选绿电，也可以自己节能。
这里有个关键点：范围2只算“外购”的。如果你自己厂里有光伏板自发自用，那不算范围2，算范围1（如果你把光伏当作自有资产）。
3. 范围3：其他间接排放
范围3是个“大箩筐”，除了范围2之外的所有间接排放都往里装。包括上游（供应商）和下游（客户使用、产品废弃）。
我个人的看法是：范围3是最难算的，但也是最有挖掘潜力的。为什么？因为很多企业的供应链排放比自身运营排放大得多。
范围3常见的15个类别（GHG Protocol）：
- 外购商品和服务
- 资本货物
- 燃料和能源相关活动（不在范围1、2中）
- 上游运输和配送
- 运营中产生的废物
- 商务旅行
- 员工通勤
- 上游租赁资产
- 下游运输和配送
- 加工销售产品
- 使用销售产品
- 产品报废处理
- 下游租赁资产
- 特许经营权
- 投资
二、核算边界设定：你的“责任田”到底划到哪？
边界设定是核算的第一步，也是最容易出问题的地方。你想想看，如果边界没划清楚，后面算得再精确也是白搭。
GHG Protocol 提供了两种方法：
| 方法 | 核心逻辑 | 适用场景 |
|---|---|---|
| 股权比例法 | 按持股比例分摊排放 | 合资企业、股权投资 |
| 控制权法 | 谁有运营控制权或财务控制权，谁100%算 | 母公司合并报表、运营管理 |
我个人习惯用控制权法。为什么？因为在实际操作中，运营控制权更容易界定。比如你持股30%但负责日常运营，那这家工厂的排放就该算进你的范围1和2里。
三、排放因子选择：数据准确性的“命门”
排放因子，就是把活动数据（比如用了多少吨煤、多少度电）转换成二氧化碳当量的“转换系数”。选错了因子，结果就是失之毫厘、谬以千里。
排放因子的来源优先级（从高到低）：
- 实测因子： 自己取样检测，最准确但成本高
- 国家/区域因子： 比如中国生态环境部发布的《企业温室气体排放核算方法与报告指南》中的缺省值
- 行业因子： 行业协会发布的平均值
- 国际因子： IPCC、GHG Protocol 提供的全球缺省值
举个例子，电力排放因子。中国电网排放因子每年都在变，而且不同区域（华北、华东、南方）差异很大。如果你用全国平均因子去算一家广东企业的用电排放，误差可能达到10%-15%。
四、数据质量管理：别让“垃圾数据”毁了你的报告
数据质量是碳排放核算的“最后一公里”，也是最容易被忽视的。你想想看，如果活动数据是估的、排放因子是抄的，那算出来的结果能信吗？
数据质量评估的五个维度：
- 完整性： 所有排放源是否都覆盖了？有没有遗漏？
- 准确性： 数据来源是否可靠？计量器具是否校准？
- 一致性： 不同年份的核算方法、边界、因子是否一致？
- 透明度： 数据来源、计算过程是否可追溯？
- 可验证性： 第三方审计能否复现你的计算？
这里我分享一个真实案例。有一家制造业企业，他们的天然气消耗数据来自两个系统：财务部的采购发票和工厂的流量计读数。结果两个数据差了12%。为什么？因为流量计坏了半年没修，财务部按历史平均值估的。最后我们要求他们修复流量计，并追溯校准记录，才把数据质量提上来。
1. 建立数据收集SOP，明确每个数据源的责任人
2. 每月做一次数据交叉验证（比如用电量 vs 电费单）
3. 对关键排放源（占比超过10%的）优先使用实测因子
4. 保留所有原始数据至少5年，以备审计
五、代码示例：排放因子查询与数据质量检查
下面我写一个简单的Python示例，演示如何根据区域和年份查询电力排放因子，并做基本的数据质量检查。这个脚本我在实际项目中用过，稍作修改就能用。
# 电力排放因子查询与数据质量检查示例
# 作者：资深碳管理工程师
import pandas as pd
import numpy as np
# 模拟排放因子数据库
emission_factors = {
'region': ['华北', '华东', '南方', '全国平均'],
'2022_factor': [0.8843, 0.7921, 0.7512, 0.8100],
'2023_factor': [0.8621, 0.7715, 0.7328, 0.7905],
'data_quality': ['高', '高', '中', '中'] # 数据质量等级
}
df_factors = pd.DataFrame(emission_factors)
def get_emission_factor(region, year):
"""根据区域和年份查询排放因子"""
factor = df_factors[df_factors['region'] == region][f'{year}_factor'].values
if len(factor) == 0:
print(f"警告：未找到{region}区域{year}年的排放因子，使用全国平均")
return df_factors[df_factors['region'] == '全国平均'][f'{year}_factor'].values[0]
return factor[0]
def check_data_quality(activity_data, factor_quality):
"""数据质量检查：如果因子质量低，给出警告"""
if factor_quality == '低':
print("⚠️ 数据质量警告：当前排放因子质量等级为'低'，建议使用实测或更权威来源")
elif factor_quality == '中':
print("⚠️ 提示：排放因子质量等级为'中'，建议交叉验证")
else:
print("✅ 排放因子质量等级为'高'，数据可靠")
# 使用示例
region = '华东'
year = '2023'
factor = get_emission_factor(region, year)
quality = df_factors[df_factors['region'] == region]['data_quality'].values[0]
print(f"{region}区域{year}年电力排放因子：{factor} tCO2/MWh")
check_data_quality(10000, quality) # 假设活动数据为10000 MWh
这个代码虽然简单，但体现了数据质量管理的核心思路：先查因子、再验质量、最后出结果。我在实际项目中，还会加上数据完整性检查（比如缺失值比例超过5%就报警）和一致性检查（比如今年和去年的因子变化超过10%要说明原因）。
好了，这一节的内容就到这里。碳排放核算不是一蹴而就的事，边界、因子、数据质量这三个环节，任何一个出问题，结果都不靠谱。希望你们在实际工作中，能把这些原则用起来。