亚博食品碳足迹与产品生命周期碳排放管理

某企业的采购系统里，大豆蛋白的供应商字段从"供应商A"改成了"供应商B"，经办人顺手点了保存，碳足迹报表里那一行数字却原封不动地留在原地——这是碳核算流程里最容易被忽视、也最容易被审计方当场问住的漏洞。换供应商从来不只是换一个名字，种植方式、能源结构、运输距离、加工损耗都可能跟着变，旧的排放因子没有任何理由继续沿用到新供应商头上。

换了供应商，到底哪些参数会动

先看种植和加工环节。同一种原料，不同供应商的种植方式可能完全不同：有的用大棚集约化种植，有的是露天轮作；有的加工厂用天然气锅炉，有的已经换成电锅炉，电又来自不同结构的电网。这些差异直接决定了单位产品的排放因子高低。再看加工损耗——同样一吨原料，供应商A的产出率是85%，供应商B可能只有78%，损耗越高，意味着要投入更多原料才能得到同样重量的成品，分摊到每公斤成品上的排放自然更高，这一点常常被忽略，因为很多人只盯着"原料本身的排放因子"，却没把损耗率的变化算进去。运输距离更是直接变量：供应商换了，产地变了，到工厂或仓库的公里数、运输方式（公路整车、铁路、海运）都可能跟着变，而运输排放和距离基本呈线性关系，距离翻倍，这一段的排放贡献大概率也跟着翻倍。

一手数据、二手数据、排放因子版本，三件事不能混着用

供应商更换之后，企业面临的第一个选择是：新供应商有没有提供 Primary Data（一手数据），也就是这家供应商自己实测或核算出来、专属于自己工厂和产地的 Supplier-specific Data（供应商专属数据）。如果供应商暂时没有，只能退而求其次，用 Secondary Data（二手数据），也就是行业数据库里的 Industry Average（行业平均值），比如参考类似 Agribalyse 这样覆盖大量食品品类种植加工数据的公开数据库。这两类数据不能混着报告却不做标注，因为一手数据反映的是这家供应商真实的生产条件，二手数据反映的是一个品类的平均水平，两者的 Data Quality（数据质量）不在一个层级上，Geographic Representativeness（地理代表性）和精确度也差得很远——供应商在东北种植和在华南种植，土壤、灌溉方式、能源结构都不一样，用一个笼统的全国平均值去代表具体某家供应商，误差可能很大。

Emission Factor（排放因子）本身还有版本问题。同一种电力排放因子，2025年的版本和2026年更新后的版本数值不同；同一种运输方式的排放因子，不同年份发布的版本也会因为车队能效提升、燃料结构变化而调整。企业在核算时必须明确记录用的是哪个 Data Vintage（数据年份）、哪个版本的因子，供应商换了以后，如果新旧两次核算用的是不同年份的因子拼在一起比较，得出的"变化"里，有多少是供应商真实变化、有多少只是因子版本切换造成的口径差异，根本分不清楚。这也是WBCSD在2026年发布的PACT方法论第三版格外强调供应商级一手数据交换的原因——行业内已经有不少软件平台声明支持这套数据交换协议，核心思路就是尽量减少"用行业平均值替代真实供应商数据"这种做法带来的不确定性，但一手数据的采集和交换仍然需要企业自己去核实、去对接，不是接入某个协议就自动获得了准确数据。

一个具体的例子：变绿的供应商未必带来更低的碳足迹

假设某原料的老供应商A使用化石能源供电，其加工环节排放因子是1.7 kg CO₂e/kg；企业换成供应商B之后，供应商B已经改用可再生能源供电，加工环节排放因子降到1.3 kg CO₂e/kg，单看这一个数字，很容易得出"换了绿色供应商，碳足迹肯定更低"的结论。但供应商B的产地离工厂更远，运输距离从原来的200公里变成了600公里，如果运输方式还是普通公路运输，这一段的排放贡献可能从原来较小的比例，上升到占总排放相当可观的一块。两个方向的变化一正一负，最终产品的碳足迹到底是升是降，必须把加工环节和运输环节的排放重新逐项核算加总，不能只看加工环节那一个数字就下结论。如果供应商B的加工损耗率还比供应商A高，比如从82%降到76%，分摊到每公斤成品上的排放又会被进一步推高。三个变量叠加在一起，净影响可能是碳足迹不降反升，也可能小幅下降，具体结果取决于每一段的实际数值，而不是取决于"这家供应商听起来更环保"这种直觉判断。

供应商变更应该触发的动作，而不是被默认忽略

企业在管理供应商台账时，比较稳妥的做法是把"供应商变更"设成一个明确的触发点：一旦某个原料的主供应商发生切换，系统应该提示重新核实这几项——供应商是否提供了新的一手数据、种植和加工方式与旧供应商相比有哪些已知差异、运输距离和运输方式是否变化、加工损耗率是否有实测数据支持。这几项核实清楚以前，旧的碳足迹数值不应该继续沿用，更不应该在对外披露的报告里，用去年基于供应商A测算出的数字，去描述今年实际使用供应商B原料的产品。碳足迹核算的可信度，很大程度上就体现在这种细节上：不是算出了一个数字，而是这个数字背后每一项输入都能说清楚来源、版本和适用范围。

同一批大豆，进厂时是一吨原料，出厂时变成了豆粕、豆油、豆皮三种产品，加工环节消耗的电、蒸汽、天然气产生的碳排放，到底该算在豆粕头上，还是算在豆油头上？这个问题在实际核算里经常被简化成"平均分一下"，但只要分摊方法一换，同一批次算出来的每种产品的碳足迹可能相差好几倍，这不是误差，而是方法论选择本身导致的系统性差异。

为什么会有分摊问题

一条生产线如果只产出一种产品，加工环节的排放全部计入这一种产品，没有争议。但食品和农产品加工大多是联产工艺：一吨大豆经压榨、精炼之后，同时得到主产品豆粕（假设760公斤）、副产品豆油（190公斤）、副产品豆皮（50公斤，三者合计约等于原料重量，损耗忽略不计）。这条生产线消耗的能源、产生的加工环节排放是一个总量，比如某批次核算出加工环节总排放为150公斤CO₂e，这150公斤怎么切给三个产品，才是 Allocation（分摊）真正要解决的问题。切法不同，结果差异很大，而且没有一种切法是"绝对正确"、其他都是"错误"的，每种方法背后对应的都是不同的核算逻辑。

质量分摊法：按重量切

最直观的做法是 Mass Allocation（质量分摊法），按产出重量的比例分摊排放。豆粕占产出总重量的76%，分到114公斤CO₂e；豆油占19%，分到28.5公斤CO₂e；豆皮占5%，分到7.5公斤CO₂e。换算成单位产品的碳足迹，三种产品几乎是同一个强度水平，每公斤都在0.15公斤CO₂e左右。这种方法的问题在于，它假设加工过程对每公斤产出的"贡献"是一样的，但现实中，豆油的精炼工序比豆粕的处理复杂得多，消耗的能源比例往往远高于它的重量占比，按质量分摊会明显低估豆油环节真实消耗的资源。

经济价值分摊法：按卖价切

另一种常见做法是 Economic Allocation（经济价值分摊法），按各产品的市场价值切分排放。假设豆粕市场价每吨2000元，豆油每吨9000元，豆皮每吨800元，三者的产值分别约为1520元、1710元、40元，合计3270元。按产值比例分摊150公斤CO₂e，豆粕分到约69.7公斤，豆油分到约78.5公斤，豆皮只分到不到1公斤。换算成单位强度，豆粕降到每公斤约0.092公斤CO₂e，比质量分摊法算出的数字低了将近四成；豆油反而升到每公斤约0.41公斤CO₂e，比质量分摊法的结果高出近两倍。同一批原料，同一个总排放量，仅仅换了一种分摊逻辑，两种产品的碳足迹数字就朝相反方向大幅偏移，谁看了都会怀疑数据是不是算错了，其实只是分摊方法不同。

系统扩展法：干脆不分摊

还有一类思路是 System Expansion（系统扩展法），核心逻辑是先看副产品有没有在市场上替代其他产品的作用，如果有，就把"避免生产替代品所省下的排放"作为一项抵免，从总排放里先扣掉，剩下的部分再分给主产品，从而尽量避开分摊这个环节本身。比如豆皮可以作为饲料原料，替代某种原本需要单独生产的饲料成分，如果单独生产等量的替代饲料预计会产生5公斤CO₂e的排放，系统扩展法会先从总排放150公斤里扣除这5公斤的"替代抵免"（Avoided Burden），剩下145公斤再用其他规则分给豆粕和豆油。这种方法在副产品能明确对应某个被替代产品、且替代关系有据可查时比较适用，但如果副产品的用途不明确，或者替代关系本身存在争议，系统扩展法反而会引入新的不确定性。

企业必须做的是"固定方法、公开披露"

GHG Protocol 一类的核算框架通常建议的优先顺序是：能拆分子过程的尽量拆分、能用系统扩展避免分摊的优先避免、实在避不开分摊时再考虑按物理关系（比如质量、能量含量）或经济价值分摊。但现实中，很多企业既没有精细到可以拆分子过程的数据，副产品的替代关系也说不清楚，最终还是要在质量分摊和经济价值分摊之间做选择。这个选择一旦做出，就必须在同一家企业、同一类产品的历年核算里保持一致，不能这个季度豆油卖得好、想让豆油碳足迹好看一点就换成质量分摊，下个季度豆粕销量占比高了又换回经济价值分摊——那样算出来的趋势变化完全不代表真实排放变化，只是分摊方法在来回切换。企业对外披露碳足迹数据时，应该同时说明用的是哪一种分摊方法，这样审计方和下游客户才能判断这个数字是否可比、是否需要按同一口径换算之后再比较，而不是拿到一个孤立的数字就直接采信。

分摊方法不一致，还会带来跨企业比较的麻烦

分摊方法固定下来，解决的只是企业内部数据可比的问题，跨企业比较时问题会更复杂。假设下游客户同时向两家豆油供应商采购，供应商甲用质量分摊法算出的豆油碳足迹是每公斤0.15公斤CO₂e，供应商乙用经济价值分摊法算出的是每公斤0.41公斤CO₂e，如果下游客户不清楚两家用的是不同方法，直接拿两个数字排序，会误以为供应商乙明显更"高碳"，实际上很可能只是分摊逻辑不同，两家真实能耗水平未必差那么多。这也是为什么WBCSD在2026年更新的PACT方法论这类供应商级数据交换协议，会强调传递碳足迹数字时要连同分摊方法、数据年份一并披露——脱离方法论背景的孤立数字不具备直接比较的意义，接收方至少要知道对方用的是哪一种口径，才能判断是否需要换算后再纳入自己的核算体系。对企业内部而言，更现实的做法是把分摊方法写进核算方法学文档，作为和排放因子版本同等重要的固定参数，每次核算前先确认用的还是同一套规则。

两批冷冻食品都跑了500公里冷链运输，一批装满整车，一批只装了半车，如果核算系统只认"500公里"这一个数字，算出来的单位产品碳足迹会是一样的——但现实中，半载那批货物分摊到每公斤产品上的实际排放，可能是满载那批的一倍还多。冷链碳排放不是简单的公里数乘以一个系数就能算准的，装载率、制冷设备类型、开关门次数、季节温度、仓储时长，每一个都可能让实际能耗和纯距离估算差出好几倍。

运输阶段和仓储阶段，是两种完全不同的排放来源

很多核算模型习惯把"冷链排放"当成一个整体系数去套用，但实际上运输阶段和仓储阶段的能耗机制完全不同，混在一起算很容易出问题。运输阶段的排放来自两部分：车辆牵引本身消耗的燃油，以及制冷机组维持厢内温度所消耗的燃油或电力，这两部分要分开看，因为牵引能耗和运输重量、路况关系更大，而制冷能耗更多取决于车厢容积、外部温度和开关门频率，跟货物装了多少关系反而没那么直接。仓储阶段的排放则来自仓库制冷设备的持续运行，和运输是完全不同的能耗结构——运输阶段是"一次性"的过程排放，仓储阶段是按时间累积的过程排放，同一批货物如果在冷库多停留几天，仓储阶段的排放贡献可以远远超过运输阶段。把两段混在一起，用一个笼统的"冷链排放系数"去套，既看不清问题出在哪一段，也没法针对性地做优化。

运输阶段：装载率、开关门次数、季节温度都是变量

先说装载率。假设一辆10吨位冷藏车满载运输500公里，车辆牵引和制冷机组合计消耗的燃油对应排放约80公斤CO₂e，分摊到每吨产品上是8公斤CO₂e。如果同样跑500公里但只装了5吨货，车辆自重带来的牵引能耗降幅有限，制冷机组要维持厢内整体温度所需要的能耗基本不会因为货物少了一半而减半——车厢里的空气容积没有变，冷量流失的速度和外部温差有关，跟装了多少货关系不大，甚至因为货物本身的蓄冷能力减少，机组可能需要更频繁启动才能把温度稳定在设定范围内。假设半载这一趟总排放只降到70公斤CO₂e，分摊到5吨货物上，单位强度就变成了14公斤CO₂e/吨，接近满载情况的1.75倍。如果核算系统按"吨公里"这种固定系数去估算，不会区分这一趟是满载还是半载，算出来的数字要么明显低估半载批次的真实排放，要么高估满载批次。

制冷设备类型也会拉开差距：机械压缩制冷机组和依赖蓄冷板、干冰的被动保温方式，能耗特征完全不同，前者能耗随外部温度和开关门次数波动，后者的冷量是提前储备好的，运输途中几乎不额外耗能，但保冷时长有限。开关门次数同样关键——如果一趟运输要在多个网点分批卸货，每次开门都会让厢内冷空气流失，压缩机需要重新制冷才能拉回设定温度，卸货点越多，这部分额外能耗越明显，尤其在夏季，外部高温会让每次开门后的温度回升速度更快、制冷负荷更大。同样500公里，冬季运输和夏季运输的制冷负荷可能相差数倍，冬季甚至可能只需要防止冻伤而非主动制冷，能耗特征和夏季完全是两回事。

仓储阶段：时长和温度设定同样不能忽略

一批货物在冷库只停留2天和停留20天，运输阶段的排放完全相同，仓储阶段贡献的排放却可能相差近十倍，如果核算时只统计了运输部分而没有把仓储时长记录下来，整个产品碳足迹会明显失真。仓库本身的温度设定也是重要变量：冷藏区维持在0到4摄氏度，和冷冻区维持在零下18摄氏度，制冷机组的负荷完全不在一个量级；库房的保温结构好坏、机组的运行年限和能效、以及像分拨中心这类拣货频繁、库门频繁开关的仓库，单位时间的能耗强度也会明显高于存取频率低的储备仓库。如果只用"仓储天数乘以一个行业平均能耗系数"去估算，不同仓库之间真实的能效差异会被完全抹平，看不出问题出在哪个环节。

用实测数据替代纯距离估算

比较可靠的做法，是尽量采集 Primary Data（一手数据）替代按公里数套系数的简化估算：运输车辆加装燃油流量计或读取车载电子设备记录的实际耗油量，同时记录该趟的装载率、行驶时长、途中开关门次数；仓库端则直接读取该批货物存储期间对应库区的实际电表数据，按占用的仓储容积和时长比例分摊到具体批次。这类实测数据的 Data Quality 明显优于"距离乘以行业平均排放因子"的模型，尤其是在装载率不稳定、季节温差大、多次中转卸货的场景下，纯距离估算和实际能耗之间的误差可能达到几倍之多。当然，实测数据的采集和归集需要设备投入和数据对接工作，不是每一段供应链都能立刻做到，但至少在核算方法上，企业应该清楚知道自己用的是哪一种口径——是基于实测的一手数据，还是基于公里数和行业平均值的估算，两者的可信度和适用边界完全不同，不能混为一谈去对外披露。