星空入口影视碳排：AI影视制作生命周期碳分析

制片方在比较两个项目的碳排放表现时，经常会用一个看起来很公平的指标——"平均每拍摄一天产生多少碳排放"。这个系数用起来很方便，两个项目只要都填上拍摄天数，就能得到一个可以直接排序的数字。但这种简化系数恰恰是影视碳排核算里最容易得出误导性结论的地方之一。

设想两个项目都拍摄30天。项目A是一部全程在横店某摄影棚内完成的古装剧，布景固定，供电依赖棚内市电，剧组人员每天从驻地到摄影棚的通勤距离不超过10公里。项目B是一部跨5个城市转场的公路片，30天里有19天在不同外景地拍摄，部分场地不具备稳定市电接入条件，需要现场部署柴油发电机供电，剧组和设备需要跨城市运输，主创和部分演员往返多次乘坐飞机。

要判断这两个项目谁的碳排放更高、结构有什么不同，不能只看"拍摄天数"这一个字段，而需要采集一组真正对应活动数据（Activity Data）的字段：Travel km（差旅公里数，并区分飞机、高铁、大巴、自驾）、Vehicle Fuel（剧组车辆燃油）、Generator Fuel（发电机燃油用量）、Studio Electricity（摄影棚市电用量）、Hotel Nights（住宿房晚数）。这些数据通常来自制片统筹的转场记录表、加油站单据、摄影棚物业电表读数和差旅报销系统，而不是某个统一的"日排放系数表"。

Activity-based Accounting的核心逻辑，是把每一类真实发生的活动数据分别乘以对应的Emission Factor后加总，而不是套用一个从历史项目平均出来的"每天X千克CO₂e"系数。这个平均系数之所以容易出问题，是因为它内部隐含了过去那批项目的活动构成比例——如果过去做平均值的项目里棚拍居多，这个系数本质上就是"棚拍为主项目"的画像，一旦被套用到项目B这种以转场和发电机供电为主的外景项目上，就会系统性低估其真实排放规模。

实践中常见三类错误：其一，只统计差旅总公里数、不区分交通方式，忽略了飞机与高铁、大巴之间排放因子可能相差一个数量级；其二，把项目B里因为当地电网接入条件不足而被迫启用的柴油发电机，直接套用棚拍项目"以市电为主"的电力结构假设，导致Scope 1排放被明显低估；其三，把"拍摄天数"当作唯一的规模指标，掩盖了项目B实际转场次数、单次转场运输里程等更能反映真实排放驱动因素的变量。

更稳妥的做法，是为Pre-production、Production、Post-production三个阶段分别建立最小活动数据字段清单，每个字段标注数据来源和数据质量状态（Measured、Estimated、Missing），在项目对比时同时展示各分项在总排放中的占比，而不只是给出一个总数或者日均值。这样即便两个项目拍摄天数相同，棚拍项目里Studio Electricity占大头、外景项目里Generator Fuel和Travel km占大头这种结构差异，也能在数据层面清楚呈现，而不是被一个"日均"数字抹平。

需要说明的是，以上项目A、项目B的具体设定均为方法说明用途的示例，不代表任何真实项目的实际活动数据或碳排放规模。具体项目的核算结果，仍然取决于该项目实际采集到的活动数据完整性和排放因子选择，不能脱离具体数据泛泛地得出"棚拍一定比外景低碳"这类结论。

越来越多剧组在装备清单上把传统柴油发电机换成电池储能设备，这类改造通常会被直接写进项目的"低碳举措"列表。但如果只看"不再燃烧柴油"这一件事，就断定这项升级一定带来了更低的碳排放，可能忽略了一个同样重要、却经常被跳过的问题：电池最终充的这部分电，究竟来自哪个电网。

设想一个外景剧组原本依靠一台柴油发电机为灯光和监视器供电，改造后换成电池组，在收工后接入拍摄基地附近的市政电网充电。这个变化确实消除了现场直接燃烧柴油产生的Scope 1排放，但充电这部分用电，会转化为一笔新的Scope 2排放——它的大小，取决于当地电网当年的能源结构，也就是Grid Carbon Intensity（电网碳强度）。

判断这项升级的实际效果，需要两组数据：一组是替换前发电机的Fuel L用量和对应的柴油排放因子；另一组是替换后电池充电的用电量（kWh），以及当地电网在对应年份、对应区域的Grid Emission Factor（通常以每度电对应的kgCO₂e表示）。第二组数据往往比第一组更难拿到——发电机加油可以从加油单据直接读出用量，但电网碳强度需要查阅当地电力主管部门或能源统计机构发布的年度电网排放因子。

电网碳强度在不同地区之间可能存在明显差异，这主要取决于该地区发电结构中火电、水电、风电、光伏等不同电源的占比。同一项"发电机换电池"的设备升级，如果发生在可再生能源占比较高的地区，实际减排效果通常比较明显；但如果发生在火电占比仍然较高的地区，替换后的Scope 2排放可能只比替换前的Scope 1排放略低一些，与设备清单上呈现的"低碳升级"预期存在落差。

一个常见的误区，是把设备电气化本身当作减排的终点，而不去追问充电这部分电从哪来。另一个容易出错的地方，是使用了过时或者来源不明的电网碳强度数据——电网的能源结构会随着新能源装机容量的增加逐年变化，几年前的电网碳强度数字，可能已经无法反映当前的实际情况，用旧数据得出的"减排幅度"结论也会随之失真。

更严谨的做法，是在对比"发电机方案"和"电池方案"时，分别标注两组数据各自的Source、Year、Region：柴油排放因子标注来源机构与发布年份，电网碳强度标注对应地区电网和对应年份，并在结论中明确写出本次比较基于哪一年、哪个地区的电网数据，而不是笼统地宣称"设备电气化后碳排放降低了多少"。如果条件允许，还应该说明充电时段——白天和夜间、不同季节的电网构成也可能存在差异，会影响结果的精细程度。

需要强调，以上关于发电机与电池方案对比的具体情形均为说明电网碳强度影响的示例设定，不构成对任何具体设备品牌或具体地区实际减排幅度的结论；实际项目应基于其接入电网当年、当地的真实排放因子数据进行核算，而不能直接套用本文的示例逻辑得出具体数值。

一套影视碳排放计算工具，公式部分往往并不复杂——活动数据乘以对应的排放因子，各分项加总，就是总排放量。真正容易出问题、也最难被察觉的环节，反而是排放因子这张"系数表"本身：如果表里某一行数字是三年前录入的，此后再也没有人核对过、更新过，这套计算工具即便公式写得再严谨，算出来的结果也可能已经偏离了当前的实际情况。

设想一个影视公司在某年为内部碳排放计算器录入了一批排放因子，涵盖柴油、汽油、外购电力等常见活动类型，每个因子对应一个具体数值。工具上线后被多个项目组反复使用，两年多的时间里，柴油因子没有变化，电网因子也没有变化——不是因为这些数字恰好一直准确，而是因为没有人被指定负责定期核对它们是否需要更新。

一个负责任的排放因子表，每一行至少应该记录四类元信息：Source（数据来源机构或标准）、Year（该因子对应的发布或适用年份）、Region（适用的地理范围，因为不同地区的电网结构和燃料标准可能不同）、Unit（计量单位，例如每升柴油对应的kgCO₂e，或每度电对应的kgCO₂e）。缺少任何一项，这个数字都很难被判断是否还适用于当前的核算场景。

排放因子会失效，主要有两类原因。一类是外部依据本身发生了更新——比如电网因为新能源装机增加，年度电网碳强度逐年下降，几年前的数字可能已经明显偏高；另一类是核算标准或统计口径发生调整，原发布机构对同一类活动给出了修订后的系数。无论哪种情况，如果计算工具里的排放因子表没有同步更新机制，使用者用的其实是一张"看起来还在运行、实际上已经过时"的系数表，而这种问题不会在计算过程中报错，只会安静地让每一次计算结果都带着一个隐藏的偏差。

常见的问题包括：排放因子表里的数字没有标注来源和年份，导致后来的使用者根本无法判断它是否需要更新；多个项目组各自维护一份因子表，版本不一致却互相不知道；以及把不同地区的电网因子混用，比如把A地区的电网数据套用到B地区的项目上，因为两地电网结构差异，得出的结果可能有明显偏差。

更稳妥的做法，是把排放因子表当作一份需要持续治理的数据资产，而不是一次性录入就可以长期不管的静态表格：明确一个负责人或团队定期核对每一行因子是否有更新版本发布；每次更新都保留修改记录，写清楚修改前后的数值、来源和生效日期；在计算结果旁边展示所使用的排放因子版本，让使用者能够追溯这个结果用的是哪一版系数。

本文用来说明治理逻辑的柴油和电网因子示例，均标注为"演示因子A"，仅用于展示排放因子需要具备哪些元信息，不对应任何具体机构发布的真实数值，也不能用于实际项目的碳排放核算；实际使用时，必须引用有明确来源、年份、地区和单位的官方或权威排放因子数据。