4. 情景分析的定义与类型

敏感性分析回答的是“某个参数动一点，结果会动多少”，它本质上是在一个既定模型结构下做局部扰动。但产品碳足迹的决策场景往往更复杂：企业要判断2030年某款产品能否满足客户设定的碳上限，要评估再生料比例提升与电网脱碳同时发生时减排效果是否叠加，还要为可能的碳关税成本预留空间。这些问题不是单参数扰动能够覆盖的，需要引入情景分析。

情景分析是指：围绕一组内部一致、逻辑自洽的外部条件与内部决策组合，构建若干条完整的“未来路径”，分别计算每条路径下的碳足迹结果，并比较路径之间的差异与驱动因素。它与敏感性分析的关键区别在于：敏感性分析改变的是参数，模型结构和背景假设保持不变；情景分析改变的是假设组合与系统边界条件，允许多个参数联动变化，甚至允许模型结构本身调整（例如是否纳入某类间接排放）。

三类情景：预测性、探索性、规范性

按构建逻辑，情景通常分为三类，它们在碳足迹工作中的用途差异明显。

预测性情景（Predictive）以“大概率会发生的未来”为假设，通常基于现有趋势外推。例如：按近五年电网平均排放因子年均下降约3%的趋势，推算2028年某产品用电环节的排放。它适合做基准预测和合规性预判，但对外部突变（如政策收紧、能源结构剧变）不敏感。

探索性情景（Exploratory）以“如果……会怎样”为出发点，从当前状态向外发散，不预设哪种未来更可能。例如：假设再生铝采购比例从20%提升到50%、同时运输半径缩短30%，产品碳足迹会落在什么区间。它适合识别风险敞口和机会窗口，是战略讨论中最常用的一类。

规范性情景（Normative）则反向设计：先设定目标状态（如“满足客户要求的每千克产品碳排放≤2.5 kgCO₂e”），再倒推需要哪些条件同时成立。它适合目标分解与减排路径规划，能直接回答“要达到目标，各环节至少要做到什么程度”。

敏感性分析与情景分析如何协同

两者不是替代关系，而是前后衔接。敏感性分析的价值在于“筛选”：当模型中有十几个参数时，先做单参数扰动，找出对结果影响最大的三到五个因子（例如电力排放因子、再生料比例、运输距离、工艺良率），这些因子就是情景分析中值得组合的变量。反过来，情景分析跑出多条路径后，如果发现某条路径结果对某个参数特别敏感，又可以回到敏感性分析做局部细化，确认阈值和临界点。

一个常见的误区是把情景分析做成“参数扫描”：把每个参数取高、中、低三档，组合出几十个结果。这不是情景分析，而是组合枚举。真正的情景必须满足内部一致性——例如“再生料比例提升到50%”与“再生料采购半径扩大”往往同时发生，不能只取前者而忽略后者；再如“电网脱碳”与“电价上升”通常相伴，情景中应成对处理。

实操示例：某铝合金部件的情景设定

假设某铝合金支架当前碳足迹为 4.8 kgCO₂e/件，客户要求2028年供货版本不超过 3.5 kgCO₂e/件。敏感性分析显示电力因子、再生铝比例、运输距离为前三大影响因子。据此构建三条情景（以下参数为教学示例假设，非实测数据）：

读法上，S1说明“什么都不额外做”将无法达标；S2说明存在可行路径但依赖多项措施同步落地；S3则给出达标的最低条件组合，便于分解到采购、能源、物流各部门。三条情景并列，决策者看到的不是单一数字，而是“差距多大、路径在哪、条件多严”。

最后需要强调：情景分析的输出不是“预测未来”，而是“让不同未来的后果变得可比较”。在产品碳足迹管理中，它的真正价值在于把敏感性分析识别出的关键因子组织成有逻辑的路径，帮助企业在客户要求、法规趋势和自身能力之间做出有依据的选择。