2. 产品碳足迹核算基础回顾
热点识别不是另起一套方法，而是建立在产品碳足迹（PCF）核算结果之上的二次分析。如果核算阶段的概念不清、边界不一致、数据质量参差，热点图就会把“数据噪声”误判为“减排重点”。因此本节把生命周期评价、系统边界、功能单位、活动数据与排放因子这五个概念重新梳理一遍，并且始终围绕一个问题：它们在热点识别中各自扮演什么角色、会在哪里埋下误判风险。
一、生命周期评价：热点的“坐标系”
生命周期评价（LCA）是产品碳足迹核算的方法学母体，其标准流程为：目标与范围定义→清单分析（LCI）→影响评价（LCIA）→结果解释。碳足迹本质上是LCA中只取“气候变化”这一个影响类别、并以二氧化碳当量（CO₂e）为统一单位的简化应用。
对热点识别而言，LCA最重要的贡献是阶段划分。以典型工业产品为例，清单通常按“原材料获取—生产制造—分销运输—使用—废弃处置”五个阶段归集排放。热点识别第一步往往就是做阶段级排序：把各阶段排放量除以总排放量，得到阶段占比，占比最高的阶段即为一级热点。例如某假设产品总碳足迹为 100 kg CO₂e，其中原材料 62 kg、生产 21 kg、运输 8 kg、使用 6 kg、废弃 3 kg，则原材料阶段占比 62%，是首要热点，后续减排资源应优先投向该阶段。这一步之所以可靠，前提正是LCA的阶段划分在所有对比对象之间保持一致。
二、系统边界：决定“看得见什么”
系统边界规定哪些单元过程纳入核算。常见做法有“摇篮到大门”（cradle-to-gate，覆盖原材料获取至工厂出厂）与“摇篮到坟墓”（cradle-to-grave，延伸至使用和废弃）。边界选择直接改变热点分布：若采用摇篮到大门，使用阶段排放被排除在外，对于耗能型产品（如家电、灯具），真正的最大热点可能被完全隐藏。
边界设定还需明确取舍准则，例如按质量或能量贡献设定cut-off阈值（常见如忽略单个输入质量占比小于1%的物料），并说明分配方法（如共产品按质量、经济价值或能量分配）。热点识别中一个高频错误是：把不同边界下的占比直接横向比较。A产品“原材料占70%”与B产品“原材料占45%”若边界不同，结论不可比。因此热点分析报告必须显式标注边界，并在对比时统一边界或做边界差异说明。
三、功能单位：让热点“可比”
功能单位是产品系统提供功能的量化描述，所有清单数据都要折算到功能单位上。例如“提供 1000 小时、光通量 800 lm 的照明服务”而非“一只灯泡”。排放因子乘以活动数据得到排放量后，再除以功能单位数量，才得到可比较的碳足迹强度（如 kg CO₂e/功能单位）。
功能单位对热点识别的意义在于归一化。若两个方案功能单位不同，直接比较总排放毫无意义；只有折算到同一功能单位，热点占比和减排潜力才具备可比性。实操中应把功能单位、参考流（如1件产品、1 kg 产品、1 kWh 服务）和持续时间写清楚，并在所有图表中沿用同一口径。
四、活动数据与排放因子：热点的“像素”
排放量计算的基本式为：排放量 = 活动数据 × 排放因子。活动数据描述“用了多少”，如耗电量（kWh）、物料质量（kg）、运输周转量（t·km）；排放因子描述“每单位对应多少 CO₂e”，如电网排放因子（kg CO₂e/kWh）、材料因子（kg CO₂e/kg）、运输因子（kg CO₂e/(t·km)）。
热点识别的精细度取决于这两类数据的颗粒度。若活动数据只到“总用电量”一级，就只能识别出“电力是热点”；若进一步拆分为设备级或工序级用电，才能定位到具体工序。同理，排放因子应优先采用有地域、年份、技术代表性的来源（如区域电网因子、供应商实测因子），并记录来源与版本。数据质量差（如用全球平均值替代本地因子）会系统性放大或缩小某类热点的占比，因此建议在热点表中同时标注数据质量等级。
五、五个概念如何串成热点识别链条
把上述概念串起来，热点识别的操作链条可以概括为：先用系统边界圈定纳入的单元过程，再用功能单位确定折算基准，然后逐项收集活动数据并匹配排放因子，算出各单元过程排放量，按阶段、物料或工序归集后计算贡献率并排序，最后结合数据质量判断哪些热点“值得优先减排”。
下面给出一份可直接套用的热点识别工作底稿示例（数据为教学假设，非实测）：
| 单元过程 | 活动数据 | 排放因子 | 排放量 (kg CO₂e) | 占比 | 数据质量 | 热点等级 |
|---|---|---|---|---|---|---|
| 铝材采购 | 12 kg | 11.5 kg CO₂e/kg | 138 | 46.0% | 中（行业均值） | 一级 |
| 注塑用电 | 85 kWh | 0.58 kg CO₂e/kWh | 49.3 | 16.4% | 高（本地电网） | 二级 |
| 塑料粒子 | 6 kg | 3.2 kg CO₂e/kg | 19.2 | 6.4% | 中 | 三级 |
| 公路运输 | 2.5 t·km | 0.11 kg CO₂e/(t·km) | 0.28 | 0.1% | 低（估算） | 非热点 |
| 包装材料 | 1.2 kg | 2.0 kg CO₂e/kg | 2.4 | 0.8% | 中 | 非热点 |
从底稿可以看出两点判断逻辑。第一，占比排序不等于减排优先级排序：铝材占比最高，但若其排放因子已接近行业最优、替代材料受限，实际可减排空间可能小于注塑用电；后者若改用绿电，排放因子可从 0.58 降至接近 0，减排幅度显著。因此热点识别应同时评估“占比”与“可干预性”。第二，数据质量影响结论可信度：铝材因子若来自行业均值而非供应商实测，其 46% 的占比存在偏差风险，建议在减排决策前补充供应商特定因子复核。
最后需要强调一致性原则：同一分析中，系统边界、功能单位、分配方法和排放因子版本应保持统一；若因数据可得性必须切换，应在结果中明确标注并做敏感性说明。只有核算基础扎实，热点识别才能从“看起来最红的那一块”走向“真正值得投入的那一块”。