第 1 级 · 首次盘查,数据残缺
公司正在准备首份温室气体盘查;今年将成为基准年。燃料和电力使用中只有约 30 % 有计量——其余是根据不完整的记录估算的,而且肯定遗漏了一些场地和发票。外购商品以基于支出的平均值计算。基准年在第 12 个月后发布,首次有限鉴证在第 15 个月审视。在 1.2 M€ 预算内,避免重新计算,并降低不确定性。
- 基准年无须重新计算
- 第 24 个月盘查不确定性 ≤ ±15 %
- 支出在预算之内
你负责一家普通制造企业的碳核算。每个月,模型用已发表的排放因子,把燃料、电力和采购换算成吨二氧化碳当量,按 GHG Protocol 划分为范围 1、2 和 3,跟踪数据有多完整、多不确定,并把滚动十二个月与从基准年起每年 4.2 % 的减排路径比较。你要决定计量、供应商参与、可再生电力证书、碳信用,以及四个有实际工期和预算限制的减排项目。仅为教育模拟——并非会计、鉴证、法律或投资建议。
为每个场地安装分项电表、记录燃料并录入发票:活动数据中有计量的比例在几个月内升至 95 %。每月 10 k€。
参与的供应商会提供产品层面的排放数据(取代基于支出的平均值),并在设定目标后降低自身的排放强度。每月费用 4 k€ + 50 k€ × 比例。
能源属性证书会把基于市场的范围 2 中被覆盖的部分归零。基于位置的范围 2 不变。每 MWh 约 4 €。
碳信用只会降低“净”数字。总排放量和目标进度不变。每吨约 15 €。
照明、压缩空气泄漏、变速驱动:电力 −10 %。250 k€,2 个月后就绪。
平均每月约 100 MWh,夏季更多。范围 2 的两种方法下排放都会减少。1,000 k€,6 个月后就绪。
接手一半以燃气供应的工艺热(锅炉效率 0.9 → 热泵 COP 3):范围 1 减少,用电增加。2,000 k€,9 个月后就绪。
替换 80 % 的柴油厢式货车;电动货车所需能量约为三分之一。800 k€,8 个月后就绪。
| 本月总排放量 | 0 t CO₂e |
|---|---|
| 范围 1(燃料) | 0 t CO₂e |
| 范围 2,基于市场 | 0 t CO₂e |
| 范围 2,基于位置 | 0 t CO₂e |
| 范围 3,外购商品 | 0 t CO₂e |
| 范围 3 占比 | 0 % |
| 扣除碳信用后的净值(不用于目标) | 0 t CO₂e |
| 滚动 12 个月总排放量 | 0.0 kt CO₂e |
| 同一 12 个月的路径允许量 | 0.0 kt CO₂e |
| 累计排放与路径对比(碳预算) | 0 % |
| 每单位基准年产出的月排放量 | 0 t CO₂e |
| 本月报告排放与实际排放对比 | 0.0 % |
| 已计量的活动数据 | 90 % |
| 有供应商特定数据的支出 | 0 % |
| 已花费金额 | 0 k€ |
| 产量与基准年对比 | 100 % |
公司正在准备首份温室气体盘查;今年将成为基准年。燃料和电力使用中只有约 30 % 有计量——其余是根据不完整的记录估算的,而且肯定遗漏了一些场地和发票。外购商品以基于支出的平均值计算。基准年在第 12 个月后发布,首次有限鉴证在第 15 个月审视。在 1.2 M€ 预算内,避免重新计算,并降低不确定性。
基准年刚刚发布:约 22 kt CO₂e,其中一半来自燃气工艺热。所有电力已由可再生证书覆盖。新订单使产量在未来两年每年增长 12 %,而目标是绝对值:两年后,滚动十二个月必须比基准年低 8.4 %,累计排放也必须保持在路径的碳预算之内。你有 3 M€。一位董事提议改为购买碳信用。
一家所卖之物大部分都靠外购的装配商:其已公布基准年(≈ 37 kt CO₂e)约 79 % 为外购商品,按基于支出的平均因子计算;其余主要是工艺气体、一支柴油厢式货车车队和电力。采购量随销售每年增长 6 %。目标覆盖所有范围:两年内,滚动十二个月必须落在每年 4.2 % 的路径上,累计排放须在其预算之内,不确定性低于 ±20 %。预算 4 M€。
模拟器使用的每一个关系式及其来源。标注为假设的常数是示意性校准值。
S1 = gas [TJ] × 56.1 t/TJ + diesel [TJ] × 74.1 t/TJ[5][1]S2_location = MWh × EF_grid; S2_market = MWh × (1 − certificate share) × EF_residual[2][9]假设:电网与剩余混合因子、投入产出因子、不确定性范围、首次盘查的缺漏、供应商反应、成本、价格和项目规模,都是一家普通公司的示意数值;会计规则、IPCC 燃料因子、不确定性传递以及 4.2 % 的路径速率则是已发表的内容。S3 = Σ engaged spend × supplier intensity + Σ other spend × EEIO factor (0.40 kg/€)[3][4]假设:电网与剩余混合因子、投入产出因子、不确定性范围、首次盘查的缺漏、供应商反应、成本、价格和项目规模,都是一家普通公司的示意数值;会计规则、IPCC 燃料因子、不确定性传递以及 4.2 % 的路径速率则是已发表的内容。reported activity = true × (1 − (1 − q_metered) × gap), gap ~ N(μ, 0.04) per source[1]假设:电网与剩余混合因子、投入产出因子、不确定性范围、首次盘查的缺漏、供应商反应、成本、价格和项目规模,都是一家普通公司的示意数值;会计规则、IPCC 燃料因子、不确定性传递以及 4.2 % 的路径速率则是已发表的内容。U_source = √(U_AD² + U_EF²) (Eq. 3.1); U_total = √Σ(Uᵢ·Eᵢ)² / ΣEᵢ (Eq. 3.2)[6]recalculate base year if |B_today’s method / B_published − 1| ≥ 5 % (annual close, assurance finding)[1][7]allowed(t) = B × (1 − 0.042 · years since base); gap = rolling 12-month gross / allowed − 1 (B and the window both read with today’s method)[8][7]gross = S1 + S2_market + S3 (targets); net = gross − credits retired (shown apart, never counted)[7][9]MAC = (capex × CRF(8 %, 15 y) − annual energy savings) / annual t abated; CRF = r(1+r)ⁿ/((1+r)ⁿ − 1)[10][11]假设:电网与剩余混合因子、投入产出因子、不确定性范围、首次盘查的缺漏、供应商反应、成本、价格和项目规模,都是一家普通公司的示意数值;会计规则、IPCC 燃料因子、不确定性传递以及 4.2 % 的路径速率则是已发表的内容。efficiency −10 % electricity · heat pump −50 % gas → + gas × 0.9 × 277.8 / COP 3 MWh · rooftop PV −100 MWh/mo (±40 % seasonal) · fleet −80 % diesel → + diesel × 277.8 / 3 MWh[1]假设:电网与剩余混合因子、投入产出因子、不确定性范围、首次盘查的缺漏、供应商反应、成本、价格和项目规模,都是一家普通公司的示意数值;会计规则、IPCC 燃料因子、不确定性传递以及 4.2 % 的路径速率则是已发表的内容。grid 0.35 t/MWh, residual mix 0.42 t/MWh · EEIO 0.40 kg/€ · U: metered 2 %, estimated 20 %, grid 10 %, spend-based 50 %, supplier data 15 % · metering → 95 % metered, τ = 3 mo, 10 k€/mo · supplier programme 4 + 50 × share k€/mo, data τ = 6 mo, targets in place after a further τ = 6 mo, then engaged suppliers cut ≈ N(10 %, 1 %)/yr · certificates 4 €/MWh · credits 15 €/t · capex: efficiency 250 k€ (2 mo), PV 1 000 k€ (6 mo), heat pump 2 000 k€ (9 mo), fleet 800 k€ (8 mo) · prices: electricity 150 €/MWh, gas 40 €/MWh, diesel 1.5 €/L · first-inventory gap of estimated data N(μ, 4 %) per source · assurance re-performs the base year with complete activity data · ±3 % monthly activity noise · gas ±20 % seasonal假设:电网与剩余混合因子、投入产出因子、不确定性范围、首次盘查的缺漏、供应商反应、成本、价格和项目规模,都是一家普通公司的示意数值;会计规则、IPCC 燃料因子、不确定性传递以及 4.2 % 的路径速率则是已发表的内容。随机性:带种子的 mulberry32 生成器;所用分布包括均匀分布、指数分布(逆 CDF)、正态分布(Box–Muller)和泊松分布(Knuth)。种子会显示出来,并且可以分享。
教育模型,不可用于实际运营决策。真实站点会根据自己的设备和数据校准每一个常数。