📚 课程目录第2章排放因子基础

2. 排放因子基础：定义、来源与分类

排放因子（Emission Factor, EF）是连接人类活动数据与温室气体排放量的核心桥梁。在LCA与碳足迹核算中，排放因子决定了“单位活动”所对应的碳排放强度。本章将系统梳理排放因子的定义、权威来源及分类体系，为后续自动化计算奠定数据基础。

2.1 排放因子的定义

排放因子是指单位活动水平所排放的温室气体质量。其通用数学表达式为：

E = A × EF

其中：

E — 温室气体排放量（kg CO₂e）
A — 活动水平数据（kWh、km、kg 原料等）
EF — 排放因子（kg CO₂e / 单位活动）

例如，电网排放因子为 0.5810 kg CO₂e/kWh，意味着每消耗 1 kWh 电力，间接排放 0.5810 kg 二氧化碳当量。

关键概念： 排放因子并非固定常数，而是随能源结构、生产工艺、时间、地域动态变化。使用过时或地域错配的因子是碳核算中最常见的误差来源。

2.2 排放因子的权威来源

全球范围内，排放因子主要来自三大权威体系。下表对比了各来源的特点与适用范围：

来源	发布机构	覆盖范围	更新频率	典型应用场景
IPCC	联合国政府间气候变化专门委员会	全球默认值	约 5-7 年	国家温室气体清单编制、跨国基准对比
EEA	欧洲环境署	欧盟成员国	年度更新	欧盟碳市场、产品环境足迹（PEF）
中国国家清单	生态环境部	中国各省/行业	年度/不定期	中国碳市场、企业碳核查、产品碳足迹

2.2.1 IPCC 排放因子数据库

IPCC 发布的《国家温室气体清单指南》提供了缺省排放因子，适用于缺乏本地数据的情况。其数据库涵盖能源、工业过程、农业、土地利用和废弃物五大部门。IPCC 因子通常以 Tier 1（默认值）、Tier 2（国家特定）、Tier 3（模型/实测）分级，精度逐级提升。

2.2.2 EEA 排放因子

欧洲环境署（EEA）维护的 EMEP/EEA 排放清单指南，聚焦欧洲区域，提供更细化的技术分类因子。EEA 因子在欧盟产品环境足迹（PEF）和碳边境调节机制（CBAM）中广泛使用，其数据颗粒度优于 IPCC 默认值。

2.2.3 中国国家清单排放因子

中国生态环境部每年发布《省级温室气体清单编制指南》，包含中国本土化的排放因子。例如：

电力排放因子： 全国电网平均排放因子 0.5810 t CO₂/MWh（2023 年）
钢铁行业： 吨钢综合排放因子 1.8-2.2 t CO₂/t 粗钢
水泥行业： 吨熟料排放因子 0.85-0.95 t CO₂/t 熟料

实践注意： 中国国家清单因子存在显著的省级差异。例如，云南水电占比高，电力排放因子远低于华北火电为主的区域。在自动化计算中，应优先匹配地域因子，而非直接使用全国均值。

2.3 排放因子的分类体系

在 LCA 与碳足迹核算中，排放因子按排放发生的环节分为三类：直接排放、间接排放和上游排放。下图展示了三类排放因子的层级关系：

2.3.1 直接排放因子（Scope 1）

直接排放因子用于计算排放源直接拥有或控制的排放。典型场景包括：

固定燃烧（锅炉、窑炉、燃气轮机）
移动燃烧（车辆、船舶、飞机）
工艺过程排放（水泥熟料分解、钢铁冶炼）
逸散排放（制冷剂泄漏、甲烷逸散）

2.3.2 间接排放因子（Scope 2）

间接排放因子主要针对外购能源（电力、热力、蒸汽）的排放。电力排放因子是最常用的间接因子，其计算涉及发电组合、输配电损耗和电网边界。中国电网排放因子按区域分为六大电网，华北电网因子最高（约 0.88 t CO₂/MWh），南方电网最低（约 0.45 t CO₂/MWh）。

2.3.3 上游排放因子（Scope 3）

上游排放因子覆盖供应链中所有非直接控制的排放，包括：

原材料开采与加工
运输与配送
废弃物处理
员工通勤与商务差旅

  自动化计算要点： 在 Python 实现中，三类排放因子应分别存储为独立的数据表（DataFrame），通过活动类型编码（如 "direct_combustion"、"purchased_electricity"、"raw_material"）进行索引。上游排放因子通常需要结合 LCA 数据库（如 Ecoinvent）进行二次计算，而非直接使用单一因子。

2.4 排放因子的数据质量指标

选择排放因子时，需评估以下质量维度：

指标	高等级（推荐）	低等级（谨慎使用）
时间代表性	近 3 年内发布	超过 10 年未更新
地理代表性	国家/区域特定因子	全球默认值
技术代表性	匹配具体工艺/设备	行业平均
完整性	覆盖所有温室气体（CO₂、CH₄、N₂O 等）	仅含 CO₂

最佳实践： 在自动化碳足迹系统中，建议为每个排放因子附加元数据标签（年份、地域、来源、GWP 版本），并在计算报告中自动输出数据质量评分。这有助于审计追踪和结果可信度提升。

2.5 排放因子在自动化计算中的数据结构

在 Python 中，排放因子通常以结构化表格存储。以下是一个典型的数据模型：

# 排放因子数据表结构示例
import pandas as pd

emission_factors = pd.DataFrame({
    'factor_id': ['EF001', 'EF002', 'EF003'],
    'activity_type': ['natural_gas_combustion', 'grid_electricity', 'steel_production'],
    'category': ['direct', 'indirect', 'upstream'],
    'value': [56.1, 0.5810, 1.95],
    'unit': ['kg CO₂e/GJ', 'kg CO₂e/kWh', 't CO₂e/t'],
    'source': ['IPCC 2023', 'China MEE 2023', 'China NDRC 2022'],
    'year': [2023, 2023, 2022],
    'region': ['global', 'China_national', 'China_national']
})

print(emission_factors.head())

通过这种结构化存储，自动化计算引擎可以根据活动类型、地域和时间参数，动态匹配最合适的排放因子，实现高效、可追溯的碳足迹核算。