《Sustainability》:Improving Scope 3.1 Carbon Accounting: A Framework for Selecting Weight-Based Material Emission Factors
编辑推荐:
购买的商品和服务产生的范围3.1(Scope 3.1)排放通常占企业温室气体(GHG)足迹的很大比例,但其量化具有高度不确定性和有限的透明度。在实践中,组织经常依赖基于重量的二级排放因子(Emission Factor, EF),这些因子可能因潜在假设(如生产
购买的商品和服务产生的范围3.1(Scope 3.1)排放通常占企业温室气体(GHG)足迹的很大比例,但其量化具有高度不确定性和有限的透明度。在实践中,组织经常依赖基于重量的二级排放因子(Emission Factor, EF),这些因子可能因潜在假设(如生产技术或地理来源)而显著变化。现有标准和数据质量方法对代表性、可靠性和数据交换提供了重要指导,但对选择适当排放因子的操作支持有限。本研究通过检查选定材料组的排放因子变异性,识别关键影响因素,并开发一个定性的决策支持框架,用于评估、选择和记录范围3.1核算中的二级排放因子(EF),以应对这一实际挑战。结果表明,同一材料的排放因子可能相差一个数量级以上,如果选择不一致,会导致碳足迹结果的显著偏差。所提出的框架虽不能替代供应商特定的主要数据(Primary Data, PD)或正式的数据质量评估,但减少了与选择相关的不确定性,并支持更可靠的碳核算,特别是在数据受限的供应链环境中。通过为早期范围3.1提供透明的筛选逻辑,该研究使更明智的可持续性和采购决策成为可能。
气候变化已被科学界广泛确认,主要归因于工业革命以来的人类活动。政府间气候变化专门委员会(IPCC)第六次评估报告指出,全球变暖可能在本世纪超过1.5°C,因此需要到2050年左右实现CO
2净零排放。在企业温室气体(GHG)核算中,范围3.1(Scope 3.1)排放(即购买的商品和服务)平均占制造业上游和内部排放的70%以上,但其量化面临高不确定性和有限透明度。现有标准如GHG Protocol范围3标准提供了数据质量指标(如技术、时间和地理代表性),但对具体选择基于重量的二级排放因子(Emission Factor, EF)缺乏操作指导。实践中,组织常依赖二级数据(Secondary Data, SD),但同一材料的排放因子可能相差一个数量级以上,导致碳足迹结果显著偏差。因此,研究人员开展本研究以开发一个定性决策支持框架,帮助实践者更透明地评估、选择和记录排放因子,从而提高早期范围3.1核算的可靠性。该论文发表在《Sustainability》。
研究人员为开展研究主要采用了以下关键方法:1)文献综述,检索ScienceDirect、MDPI等数据库,结合GHG Protocol、ISO等标准,明确研究缺口;2)数据收集,从公开数据库(如ProBas)和过程型生命周期清单(Life Cycle Inventory, LCI)数据库ecoinvent(版本3.11,系统模型:cutoff)收集五个材料组(钢、铝、铜、聚丙烯、聚酰胺)共23种材料变体的排放因子,并查阅25篇以上文献验证生产路线;3)数据分析,通过最小-最大比(MIN–MAX factor)量化变异性,并系统筛查ecoinvent数据集描述以识别关键参数;4)框架开发,基于五个影响因素构建定性评估尺度,设计五步选择程序;5)示例应用与敏感性分析,以钢部件为例比较三个候选排放因子。
**4.1 材料CO
2e排放因子的变异性**:通过分析公开数据库中钢产品的排放因子,研究人员发现同一材料组内最大值与最小值相差约125倍(0.05至6.29 kgCO
2e/kg),甚至同类产品(如电解镀锌板)也有7%偏差,而绿钢(绿色氢气生产)偏差达580%。铝的变异性更大,因子达38.65。这表明将材料过度聚合到宽泛类别(如“钢”)在方法上不可接受,会导致系统性偏差。
**4.2 影响CO
2e排放因子变异性的因素**:通过分析ecoinvent数据集描述,研究人员识别出五个关键影响因素:a) 生产技术的能源强度(如原铝生产能源强度是钢的10倍);b) 生产能源结构(如电弧炉钢使用绿电可降低排放);c) 回收材料比例(二次铝排放因子远低于原铝);d) 加工/精加工程度(如镀锌钢的锌涂层增加排放);e) 国家宏观经济和监管框架条件(如欧盟生产的初级钢排放低于非欧盟地区)。这些因素可归为三个元簇:生产技术、原产国、质量/应用。
**4.3 评估和选择范围3.1 CO
2e排放因子的方法**:基于五个影响因素,研究人员开发了定性决策支持框架。框架包括五步:第一步收集实际材料的参数集(如产地、加工程度、回收含量);第二步数据库查询得到候选排放因子(EF1、EF2等);第三步从数据集描述中提取每个候选因子的参数集;第四步按五个定性尺度将候选因子参数与实际材料参数进行比较;第五步选择参数最为匹配的排放因子。框架不量化赋权,而是通过透明比较减少选择不确定性。
**4.4 示例应用与情景比较**:以钢部件为例,供应商提供了产地、回收含量等信息,但无特异性初级数据。研究人员根据框架选择EF1=0.45 kgCO
2e/kg(电弧炉钢、欧盟、高回收含量),而替代选择(EF2=1.7 kgCO
2e/kg,EF3=2.4 kgCO
2e/kg)分别导致排放增加278%和433%。这表明排放因子选择对结果影响显著,框架可提高选择的一致性和透明性。
讨论部分指出,五个影响因素与现有文献一致(如Bawden等关于钢生产国别影响),并细化了范围3标准中的技术代表性和地理代表性指标,将技术代表性拆分为三个构成因素(能源强度、回收含量、部分能源结构),新增加工程度指标。框架适用于早期报告阶段,此时缺乏供应商初级数据。局限性包括:材料覆盖仅限选定的金属和聚合物,未涵盖水泥、玻璃等;框架定性且未加权;五因素间可能存在交互(如国家监管框架与能源结构重叠);未与初级数据验证;依赖手动提取参数。未来研究应扩展材料类别、开发材料特定权重、进行可靠性评估,并探索自然语言处理(NLP)自动化参数提取。
研究结论部分翻译:在制造业中实现有意义的脱碳需要可靠量化上游价值链中的温室气体排放。只有报告公司能够准确确定其范围3.1排放的幅度和来源,才能建立可信基准、设定科学减排目标、对标供应商并评估缓解措施的效果。基于重量的材料排放因子为这种量化提供了实用切入点,但其合理应用需要仔细关注基础数据质量和数据集特定假设。本研究通过三个相互关联的分析输出弥补了方法学缺口:排放因子变异性的实证记录、其决定因素的系统特征化以及一个结构化的选择框架。无论使用付费数据库(如ecoinvent)还是开放获取数据库,搜索钢、聚丙烯、聚酰胺、铜和铝等材料的排放因子会得到大量材料特异性EF。然而,归属于上位材料组(如“钢”)的排放因子存在显著变异。为了实现准确的温室气体平衡,材料不应过度聚合到通用材料组,因为这将导致一个EF应用于范围广泛且技术不同的下属变体。即使在同一材料变体内,也可能出现显著变异范围,表明需要更详细信息来提高整体评估准确性。这些变异可归因于五个影响因素。基于这些结果,范围3标准中有限的数据质量指标可以得到深化和细化。为了改进排放因子的分类,本研究开发了一个定性方法学框架,并通过应用示例进行了展示。该框架可用于评估、选择和合理性检查基于重量的二级CO
2e排放因子,跨五个维度,每个维度代表一个影响因素。通过系统识别影响排放因子大小的因素,报告公司可以更容易地在更广泛的方法学和实践背景中对排放因子进行分类。这种增加的透明性支持选择更适合特定实际使用案例的排放因子,从而有助于更现实的整体碳核算。对于本研究中分析的材料,能源需求和能源相关排放是大多数排放因子差异背后的主导跨领域驱动因素。当某些指标改善时(如初级能源需求低、能源供应低碳、回收含量高、精加工能源强度低、先进技术或严格法规),材料往往更环境友好。在金属材料组中,增加回收含量可提供显著减排潜力,但其相对重要性是材料特异性的。总体而言,五个影响因素可归为三个更广泛的元簇:生产技术、原产国和质量/应用。