收益：
- 能够区分净零和碳中和，并使用 SBTi/1.5°C 比率评估减排目标的现实性
- 能够利用 MACC（边际缓解成本）逻辑确定缓解措施的优先顺序，并优先考虑负成本
- 能够使用代码而不是手动进行多年排放预测，并仅针对不可避免的剩余部分计划抵消
一旦你取出库存，真正的工作就开始了：减少排放。但减少排放不能通过善意声明来实现；它需要目标、路线图和优先事项。在本单元中，您将学习净零排放的概念、基于科学的目标、按成本对缓解方案进行排名 (MACC)，以及人工智能如何加速这一战略工作。
首先是概念。净零是指一个机构尽可能减少其排放的温室气体，并通过可靠的方法平衡不可避免的剩余部分，将净影响降至零。碳中和通常是一个较弱的概念；它通常依赖于购买抵消而不是减少，因此洗绿的风险很高。基于科学的目标 (SBT) 是一个框架，用于验证公司的减排目标是否符合将全球变暖限制在 1.5°C 所需的科学依据； SBTi（基于科学的目标倡议）是批准这些目标的组织。
提示：“净零”与“碳中和”不同。净零排放首先需要深度缓解，然后对剩余部分进行高质量去除。简单地采取抵消并称之为“中性”是审计师和监管机构越来越拒绝的一种方法。
对缓解选项进行排序：MACC
一个组织可能有数十种缓解方案：LED 照明、屋顶太阳能电池板、热泵、电动车队、供应商转换。从哪一个开始呢？ MACC（边际减排成本曲线）给出了答案。 MACC 在“每吨避免二氧化碳排放成本”（欧元/吨）和“避免总量”（吨）轴上对每个选项进行排名。
有些措施具有负成本，即减少排放并节省资金（例如能源效率，因为更少的能源意味着更少的账单）。这些都是先做完的。高成本措施（例如一些捕获技术）被留到最后。反贪会指导预算以最低成本实现最大程度的削减。
预防措施
减排量（吨二氧化碳当量/年）
成本（欧元/吨）
优先级
能源效率（LED、绝缘）
400
−60（利润）
非常高
屋顶太阳能发电
900
−15（利润）
高
绿色电力合同
1,500 人
8
高
改用电动车队
300
45
中等
供应商低碳材料
1,100
70
中等
经验证的碳去除（抵消）
剩余
90+
结束
情景分析：模拟未来
缓解措施是一个多年的旅程，而不是一年。情景分析是对不同假设（增长、能源价格、技术速度）下排放量的变化进行建模。通常，将基准情景（一切照常——如果不采取任何措施）与缓解情景（如果实施措施）进行比较。差异在于减少的实际影响。
这里是人工智能；它可以方便地构建场景假设、在 Python 中构建简单的投影模型、编辑 MACC 表以及起草路线图文本。但假设的现实性、成本数据的准确性和战略决策都是您的。
循序渐进：缓解路线图
1. 确定基准年和目标。一个明确的、可衡量的、过时的目标，例如“到 2030 年，范围 1+2 范围内的绝对值比 2019 年减少 50%”。
2. 列出并量化选项。估计每项措施的缓解数量和成本。
3. 按 MACC 排序。提出消极、低成本措施。
4. 传播多年。哪一年采取什么措施？绘制一条适合预算的曲线。
5. 计划剩余的开支。针对不可避免的排放，选择高质量、经过验证的去除解决方案。
6. 监控和修正。每年将实际情况与目标进行比较并纠正任何偏差。
三个迷你箱子
案例 1——缺失负成本。一家企业告诉人工智能“首先进行最大的削减”，人工智能建议实施一个昂贵的追赶项目。当团队应用MACC时，他们发现400吨的能效措施每吨节省了60欧元，即免费减少。他们按成本排名；第一年，他们在没有预算的情况下减少了 400 吨。
案例 2——假想目标。一家公司向 AI 提出了一个雄心勃勃的口号：“到 2025 年，我们将完全实现净零排放。”分析师表示，目前85%的排放属于范围3，不可能在一年内消除。目标已拉至现实轨道（2030年临时目标+2040年净零）；它已符合 SBTi 标准。这个不切实际的目标后来可能会变成洗绿的指控。
案例 3 — 投影代码。一位分析师让人工智能手动计算他的 10 年排放预测； AI 错误地应用了复合减少率，并将 2030 年的价值低估了 12%。当分析师用Python代码进行同样的计算（逐年循环）时，正确的曲线就出来了。必须对多年复合账户进行编纂。
弱提示/强提示
弱提示：
为我的公司制定净零计划。
为何薄弱：没有基准年、目标、范围、当前排放量和成本。输出将是通用的、不适用的文本。
强力提示：
您的角色：气候战略顾问。使用以下数据起草缓解路线图。 2019 年基准年，当前范围 1+2 排放量为 6,000 吨二氧化碳当量，目标是到 2030 年绝对减少 50%。根据 MACC 逻辑（负/低成本优先）对以下措施列表进行排序，并将其分摊到多年。不要凑数字；我给了您成本/减少估算，您对它们进行排序并标记空白[必须验证]。注意事项：【列表】
四个可复制模板
1）MACC排序：
按边际缓解成本（欧元/吨）对以下缓解措施进行排名。优先考虑负面成本（节省）措施。对于每项措施，保留减排量（二氧化碳当量吨数）和成本栏，并添加累计减排量。不要编造数字；使用我给你的数据。注意事项：【表】
2）场景投影（附代码）：
您的角色：碳建模师。使用 Python 代码生成预测，从 [START] 吨排放量开始，假设每年减少 [RATE] 直到 [YEAR]。分别计算基本情景（不减少）和减少情景，并逐年与表进行比较。使用代码进行计算，而不是手动进行。
3) 目标真实性检查：
批判性地评估以下气候目标。问：（1）基于绝对值还是基于密度？ (2) 是否包括范围3？ (3)时间线在物理上是否可能？ (4) SBTi 是否兼容 1.5°C 速率？如果不现实，请提出原因和调整后的目标。目标：[此处]
4) 路线图文本草案：
将以下有序措施列表转换为路线图文本以呈现给利益相关者。对于每项措施：内容、时间、预期减少、责任单位。使用夸大/未经证实的陈述；只要相信我给你的数字就可以了。注意事项：【列表】
常见错误
- 不根据成本对措施进行排名。应始终采取负成本措施。
- 只是采取偏移量并说“净零”。先深度还原；我的费用只是剩下的部分。
- 给出不切实际的日期。范围 3 加权机构不可能在一年内达到净零。
- 手动完成复合计算。将多年预测写入代码。
- 将成本/减少数据适应人工智能。这些数字来自工程和市场数据。
注意：碳去除（抵消）市场的质量差异很大。基于未经证实或“非永久性”（例如可能燃烧的森林）的信用的净零索赔可能会在审计和公众舆论中崩溃。移除是缓解措施的补充，而不是替代。
总之
减排；它需要一个明确的目标、MACC 的成本优先顺序、多年方案和现实的路线图。人工智能;擅长排序、投影代码、目标批判和文本起草。但成本/减少数据的准确性、目标的现实性和去除的质量属于专家的范围。先测量，再减少，最后平衡。
应用任务
列出六项缓解措施，并为每项措施分配估计的减排量（吨）和成本（欧元/吨）（至少两项具有负成本）。让 AI 使用模板 1 执行 MACC 排序。然后使用模板 2，打印从当前排放开始到 2030 年的投影代码。最后，使用第三个模板检查您自己的目标的现实性。
清单
- [ ] 我定义了一个清晰的、可衡量的、过时的目标。
- [ ] 我列出了反贪会的措施和成本。
- [ ] 我提出了负成本措施。
- [ ] 我不是手动进行投影，而是通过运行代码进行投影。
- [ ] 我只计划了对不可避免的剩余部分的补偿。
- [ ] 我检查了目标 SBTi/1.5°C 的兼容性和真实性。