第六章：影響評估：循環經濟、碳足跡

# 第六章：影響評估：循環經濟、碳足跡 永續數據科學的核心在於將數字轉化為可衡量的環境與社會影響。此章節聚焦兩項關鍵評估工具：**碳足跡（Carbon Footprint）** 與 **生命周期評估（Life‑Cycle Assessment, LCA）**，以及如何透過 **循環經濟指標**（Circular Economy Indicators）將企業或產品的資源循環效率量化。 ## 6.1 碳足跡計算：從原始資料到政策洞見 ### 6.1.1 何謂碳足跡？ - **碳足跡**：衡量某個活動、產品或組織在一段時間內直接與間接排放的溫室氣體（GHG）總量，通常以 **tCO₂e**（二氧化碳等效）表達。 - **三個主要排放源**（GHG Protocol）: 1. **Scope 1**：直接排放（如燃料燃燒） 2. **Scope 2**：間接排放（如購電） 3. **Scope 3**：其他間接排放（供應鏈、產品使用、廢棄物） ### 6.1.2 核心公式 | 來源 | 公式 | 說明 | |------|------|------| | Scope 1 | \( E_{1} = \sum_{i} \frac{Q_{i}\times EF_{i}}{1,000} \) | Qᵢ：燃料消耗量（kWh 或 m³），EFᵢ：排放因子（kg CO₂/kWh） | | Scope 2 | \( E_{2} = \frac{E_{e}\times EF_{e}}{1,000} \) | Eₑ：電力消耗（kWh），EFₑ：電力排放因子 | | Scope 3 | 依據具體活動類別使用對應因子或第三方資料庫（e.g., EcoInvent, Ecoinvent） | > **註**：所有排放量最後除以 1,000 以轉為 **tCO₂e**。 ### 6.1.3 Python 實作範例 ```python import pandas as pd # 1. 讀取能源消耗資料 (kWh) energy = pd.read_csv('energy_consumption.csv') # columns: ['date', 'kwh'] # 2. 讀取排放因子 (kg CO₂/kWh) co2_factor = 0.45 # 以電力排放因子為例 # 3. 計算 Scope 2 排放 energy['co2_kg'] = energy['kwh'] * co2_factor energy['co2_t'] = energy['co2_kg'] / 1000 print(energy.head()) ``` ### 6.1.4 案例：電商平台的 Scope 3 排放 - **數據來源**：供應商報告、物流公司 CO₂ 排放資料庫、顧客回收/處理費用。 - **工具**：Python + **openLCA** 接口或 **Ecoinvent** 資料庫。 - **產出**：按產品類別、物流距離、包裝材料分類的排放清單。 ## 6.2 生命周期評估（LCA） ### 6.2.1 LCA 步驟 | 步驟 | 內容 | 典型工具 | |------|------|------| | 1. 目標與範圍定義 | 確定評估範圍、目標、功能單位、界面 | ISO 14044、OpenLCA | | 2. 清單分析（Life‑Cycle Inventory, LCI） | 收集原材料、能源、排放等數據 | Ecoinvent、GaBi、SimaPro | | 3. 影響評估（Life‑Cycle Impact Assessment, LCIA） | 對 LCI 數據進行轉換，得到環境指標 | CML, ReCiPe, Eco-indicator 99 | | 4. 影響解釋與改進建議 | 解釋結果、提出優化方案 | SimaPro, OpenLCA | ### 6.2.2 Python 進行簡易 LCA ```python # 需要安裝 pip install lca from lca import lca # 1. 定義系統邊界 boundary = { 'materials': {'steel': 2.0, 'plastic': 0.5}, # kg 'energy': {'electricity': 500} # kWh } # 2. 計算排放 lca_model = lca.LCA(boundary) lca_model.calculate() print('CO₂e:', lca_model.total_emissions('CO2e')) ``` > **提示**：若資料量較大，建議使用專業 LCA 軟體（如 **SimaPro** 或 **OpenLCA**）並透過 API 將結果匯入 Python 環境進行後續分析。 ### 6.2.3 政策聯結 - **碳稅計算**：以 LCA 產出的 Scope 1‑3 排放為基礎，結合區域碳稅率。 - **CDP（Carbon Disclosure Project）報告**：企業可將 LCA 結果上傳至 CDP，進行全球排放基準比較。 ## 6.3 循環經濟指標：量化資源循環效率 ### 6.3.1 常用循環指標 | 指標 | 定義 | 公式 | |------|------|------| | **Material Circularity Indicator (MCI)** | 衡量產品材料的可回收利用率 | \( MCI = \frac{Recoverable\ Material}{Total\ Material}\times 100\% \) | | **Product Circularity Indicator (PCI)** | 針對產品級別的循環評估 | PCI = (Material Recovery + Material Reuse + Product Re‑use) / (Product mass) | | **Eco‑Loop** | 將產品設計視為循環閉環 | 透過生命周期成本與排放比較 | ### 6.3.2 以「再利用率」為例的計算流程 ```python import pandas as pd # 資料：原料投入與回收量 (kg) raw = pd.read_csv('raw_materials.csv') # columns: ['material', 'total_kg'] recov = pd.read_csv('recovered_materials.csv') # columns: ['material', 'recov_kg'] # 合併 mci_df = raw.merge(recov, on='material', how='left').fillna(0) mci_df['mci'] = (mci_df['recov_kg'] / mci_df['total_kg']) * 100 print(mci_df) ``` ### 6.3.3 案例：紡織品公司的循環評估 1. **資料來源**：製造工廠原料報告、廢棄物處理公司、再利用渠道。 2. **計算指標**： - **MCI**：0.75 → 75 % 可回收材料 - **Plastic Use Efficiency**：0.20 kg plastic / kg finished product 3. **改進建議**：使用可回收聚酯、改進物流回收流程、提升再利用率。 ## 6.4 數據治理與標準 - **資料品質檢核**：完整性、準確性、一致性、可追溯性。 - **ISO 14040/14044**：LCA 方法標準；**GHG Protocol**：碳足跡標準。 - **資料庫標準**：**Ecoinvent 3.6**、**EcoInvent 3.6**、**GRI**（Global Reporting Initiative） - **元資料管理**：使用 **JSON‑LD** 或 **CSV‑TBL** 等結構化格式，確保資料可追蹤與重現。 ## 6.5 實務案例：A公司從原料到產品使用的全流程 LCA | 階段 | 主要輸入 | 主要輸出 | 主要排放 | |------|----------|----------|----------| | 原料開採 | 鋁礦、電力 | 2 t CO₂e | 2 t | | 製造 | 鋁、電力 | 1.5 t CO₂e | 1.5 t | | 物流 | 物流車、燃料 | 0.3 t CO₂e | 0.3 t | | 使用 | 電力消耗 | 0.1 t CO₂e | 0.1 t | | 廢棄 | 回收 | 0.2 t CO₂e | 0.2 t | | **總計** | | | **4.1 tCO₂e** | > **關鍵**：將上述數據匯入 **OpenLCA**，進行 LCIA，並用 **Plotly Dash** 生成互動報表，供內部決策與外部 ESG 報告使用。 ## 6.6 技術工具與工作流程 | 工具 | 功能 | 典型用途 | |------|------|------| | **openLCA / SimaPro** | LCA 計算、影響評估 | 專業階層化 LCA | | **GHG‑Protocol‑Python** | Scope 1‑3 直接計算 | 簡易報告 | | **EcoInvent / Ecoinvent** | 影響因子資料庫 | Scope 3、LCI 供資料 | | **Plotly Dash** | 可視化碳足跡與 LCA 產出 | 互動儀表板 | | **Flask + Docker** | API 部署 | 企業內部服務 | ### 6.6.1 工作流圖 ``` [能源消耗資料] ──► [Python → Scope 1/2/3 計算] ──► [排放清單] ──► [LCA / openLCA] ──► [環境指標 JSON] ──► [dcc.Store → 前端] ──► [Plotly Dash → 互動報表] ``` ## 6.7 小結 - **碳足跡**：以 **Scope 1‑3** 為核心，提供快速、透明的排放量化。 - **生命周期評估**：透過 **LCI** + **LCIA** 方式，系統性評估從原料到廢棄的全階段影響。 - **循環經濟指標**：MCI、PCI 等指標將資源循環效率量化，直接連結到企業的循環經濟策略。 - **資料治理**：採用 ISO/ISO‑14040/44 標準、結構化 JSON、可重複使用的 API，確保數據可追溯、可核對。 - **實務價值**：企業可以此作為碳稅計算基礎、CDP 報告資料、或內部可持續發展 KPI 的科學依據。 > **未來閱讀**：接下來的第七章將深入 **資料模型建構** 的技術細節，並探討如何將碳足跡與 LCA 結果融入機器學習預測模型，以實現「減碳 + 循環」的雙重最適化。