1. 课程导入与目标设定

产品碳足迹（Product Carbon Footprint，PCF）是衡量一件产品在其全生命周期内直接与间接温室气体排放总量的指标，通常以二氧化碳当量（CO₂e）表示。当企业把碳足迹数值写进环境产品声明、客户问卷、供应链减排协议或内部决策报告时，一个绕不开的问题随之而来：这个数字到底有多可信？如果两款产品的核算结果相差 8%，而各自的核算不确定度就有 ±15%，那么"谁更低碳"的结论在统计上并不成立。数据质量与不确定度评价，正是回答"数字可信到什么程度"的方法体系，它决定了碳足迹结果能否被用于对外声明、供应商比选、减排优先级排序和碳目标设定。

为什么数据质量与不确定度评价不可省略

碳足迹核算本质上是一次"用有限数据逼近真实排放"的估算过程。活动数据可能来自供应商实测、行业数据库或工程估算，排放因子可能来自地域化数据库、文献或模型推算，分配规则、系统边界和截断准则的选择也会引入偏差。这些来源不同的误差在核算链条上逐级传递，最终汇聚为结果的不确定度。若不评价，就会出现三类典型风险：一是决策误用，把差异落在不确定度区间内的产品强行排序；二是声明风险，对外披露的减排幅度无法通过第三方核查的保守性要求；三是改进失焦，把资源投入到对总不确定度贡献很小的环节，而忽略了真正主导结果波动的参数。

从标准视角看，ISO 14067 要求对碳足迹结果开展不确定度分析并在报告中说明，GHG Protocol 产品标准同样要求披露数据质量并识别关键参数。因此，数据质量与不确定度评价不是核算完成后的"附加题"，而是与清单分析同步进行、贯穿始终的质量控制环节。

本课程的整体结构

本课程共 30 章，按"概念—方法—实操—应用"的逻辑递进组织，可划分为五个模块。第一模块建立概念基础，包括数据质量与不确定度的定义、二者关系、评价在核算流程中的位置以及相关标准要求。第二模块聚焦数据质量评价方法，涵盖数据质量指标（时间、地域、技术、来源、完整性等）的评分体系、 pedigree 矩阵、数据质量等级判定与改进路径。第三模块进入不确定度量化，从误差传递原理出发，讲解解析法（一阶泰勒展开）、蒙特卡洛模拟、情景与敏感性分析，以及参数分布的选择与设定。第四模块是实操与工具，围绕活动数据、排放因子、分配与截断等具体环节，演示不确定度计算、结果表达与报告编制。第五模块面向应用，讨论关键参数识别、供应商数据质量提升、对外声明中的保守性处理以及核查应对。

学习目标与预期成果

完成本课程后，学习者应达到三个层次的目标。在认知层，能够准确区分数据质量与不确定度这两个常被混用的概念：数据质量描述的是数据本身的属性优劣（是否来自实测、是否代表目标地域与技术、时间是否匹配），而不确定度描述的是结果数值的离散程度或可信区间；二者相关但不等价，高质量数据未必带来低不确定度，低质量数据也可能因权重很小而对总结果影响有限。

在方法层，能够针对具体核算对象选择合适的不确定度量化方法。例如，当清单参数较少且各参数相互独立时，可用一阶误差传递公式快速估算合成相对标准不确定度；当参数众多、存在非线性关系或需要输出概率分布时，应采用蒙特卡洛模拟；当需要判断哪个参数主导结果波动时，应开展敏感性分析并计算各参数的贡献占比。

在应用层，能够把评价结果转化为可执行的判断。例如，在供应商比选中，若两家供应商的碳足迹差异小于合成不确定度，应判定为"无显著差异"，转而比较数据质量等级或要求提供实测数据；在对外声明中，应按保守性原则采用结果分布的高分位值而非均值；在改进计划中，应优先针对贡献占比最高的关键参数投入数据采集资源。

一个贯穿课程的示例场景

为使抽象方法有具体落点，课程将贯穿一个示例场景：某制造企业核算一款塑料部件的碳足迹，主要环节包括原料生产、注塑成型和运输。假设原料阶段活动数据来自供应商提供的月度用量（实测），排放因子采用地域化数据库值；注塑阶段电力消耗来自电表实测，但因子为区域电网平均值；运输距离由物流单据获得，但运输方式为估算。此时原料因子、电网因子和运输方式构成三个主要不确定度来源。课程后续章节将以此类场景演示如何为每个参数设定分布（如活动数据取正态分布、因子取对数正态分布）、如何运行模拟得到结果区间，以及如何根据贡献占比确定优先改进对象。需要说明的是，上述参数设定与数值均为教学示例，实际项目应依据实测记录与数据库版本重新确定。

数据质量与不确定度评价的价值，最终体现在让碳足迹数字"可解释、可比较、可决策"。接下来的章节将从最基本的概念界定开始，逐步搭建起从数据评分到区间量化、再到应用判断的完整能力链条。