3. 敏感性分析的定义与作用

在产品碳足迹（PCF）核算中，我们最终会得到一个数值，例如“某型号电机每台碳足迹为 128.6 kgCO₂e”。但这个数字并不是凭空出现的，它由大量输入参数共同决定：原材料用量、材料碳排放因子、电力消耗量、电网排放因子、运输距离、运输方式、废弃物处理比例等。敏感性分析要回答的核心问题是：当这些输入参数发生变化时，最终碳足迹结果会变化多少？哪些参数是真正“牵一发而动全身”的关键？

用一句话定义：敏感性分析是研究模型输出对输入参数变化响应程度的系统方法。它不改变模型结构本身，而是通过有控制地扰动输入，观察输出的变化幅度与方向，从而识别关键参数、验证结论稳健性，并为数据收集优先级和减排决策提供依据。

一、敏感性分析在产品碳足迹中的目的

敏感性分析并非“算完碳足迹后的附加动作”，它在核算全流程中承担多重作用。第一是识别关键参数：一个典型产品可能有几十上百个输入参数，但真正主导结果不确定性的往往只有少数几个。通过敏感性分析可以把数据质量管理资源集中到这些参数上。第二是评估结论稳健性：如果关键参数在合理范围内波动时，产品碳足迹的排序或达标结论发生翻转，说明结论不稳健，需要谨慎表述。第三是支撑减排决策：敏感性高的参数通常也是减排杠杆最大的环节，例如电力消耗对结果高度敏感，则提升能效或改用绿电的减排收益就最显著。第四是满足方法与审核要求：ISO 14067 与 PAS 2050 等标准均要求对关键假设和数据质量进行说明，敏感性分析是证明核算结果可信的重要证据。

二、局部敏感性与全局敏感性

按扰动方式与参数考察范围，敏感性分析通常分为局部敏感性分析（LSA）和全局敏感性分析（GSA）两类，二者在计算成本与信息量上有明显差异。

局部敏感性分析是在某一基准点附近，逐个改变单个参数而保持其他参数不变，观察输出的变化。最常用的度量是敏感度系数，即输出相对变化与输入相对变化之比。例如某产品基准碳足迹为 128.6 kgCO₂e，将电力消耗量提高 10%，结果变为 134.2 kgCO₂e，则输出变化约 4.35%，该参数的敏感度系数约为 0.435。局部方法计算简单、解释直观，适合快速筛查，但它只反映基准点附近的局部行为，无法捕捉参数间的交互作用，也不适合强非线性模型。

全局敏感性分析则让所有参数在各自的取值范围内同时变化，通过抽样（如拉丁超立方抽样）或方差分解方法（如 Sobol 指数）评估每个参数对输出总方差的贡献。一阶 Sobol 指数表示单个参数独立贡献的方差比例，总效应指数还包含该参数与其他参数的交互贡献。全局方法能给出参数重要性排序和交互信息，但需要大量模型运行，计算成本高，通常用于关键阶段的深入分析。

三、与不确定性分析的区别与联系

敏感性分析与不确定性分析经常被混用，但二者关注点不同。敏感性分析回答“哪个输入对输出影响大”，本质是一种归因与排序工具，输入扰动可以是人为设定的固定幅度（如 ±10%），不要求输入具有概率分布。不确定性分析回答“输出本身有多大的可能范围”，它需要为输入赋予概率分布（如正态分布、对数正态分布、均匀分布），通过蒙特卡洛模拟得到输出的概率分布，进而给出置信区间，例如“95% 置信区间为 118～141 kgCO₂e”。

二者的联系在于：敏感性分析往往是不确定性分析的前置步骤。先用局部敏感性快速筛出关键参数，再只对这些关键参数赋予概率分布做蒙特卡洛模拟，可以显著降低计算量；而全局敏感性分析中的 Sobol 指数本身就建立在方差分解之上，与不确定性分析的方差概念一脉相承。可以说，敏感性分析告诉你“往哪里看”，不确定性分析告诉你“结果有多不确定”。

四、实操中的组织方式

在一个实际产品碳足迹项目中，建议按“先局部、后全局、再不确定性”的递进方式组织分析。第一步，建立参数清单并标注每个参数的基准值与合理波动范围，例如电力消耗 ±10%、材料因子 ±15%、运输距离 ±20%。第二步，对全部参数做单因素局部敏感性，计算敏感度系数并排序，剔除敏感度系数低于 0.05 的参数。第三步，对排名前 5～8 位的参数做全局敏感性分析，观察是否存在显著交互作用。第四步，仅对关键参数赋予概率分布，运行蒙特卡洛模拟得到碳足迹的置信区间。

需要强调的是，敏感性分析的结果高度依赖所设定的波动范围。范围设定应有依据，例如来自实测数据的标准差、行业文献的取值区间或供应商数据的精度声明，而不能随意拍定。同时，局部敏感性分析中“其他参数保持不变”的假设在参数强相关时可能失真，例如材料用量与电力消耗往往同向变化，此时应优先采用全局方法或引入相关性设定。只有把方法选择、范围设定与结果解读三者结合，敏感性分析才能真正成为产品碳足迹核算中可信、可用的分析工具。