守夜人的號角 — AI 如何自動偵測碳數據異常？

查驗委員最常問的那句話

不管你準備了多漂亮的碳盤查報告，查驗委員最常問的一句話永遠是：

「這個數字怎麼來的？」

然後追問：「去年是多少？為什麼今年差這麼多？」

如果你自己都沒有事先檢查過這些數字的合理性，查驗現場就會變成「考試當場才翻書」的窘境。

問題不在於數據有沒有異常 — 每家企業的碳數據多少都有異常。問題在於：你有沒有在查驗委員之前先發現它？

5 種碳數據異常類型

類型 1：跨期突變

定義：某個月份或季度的活動數據與前後期相比，變動幅度超過合理範圍。

範例：

工廠 A 每月用電量紀錄：
  1月: 45,000 度
  2月: 42,000 度
  3月: 43,500 度
  4月: 78,000 度  ← 異常！較前月增加 79%
  5月: 44,200 度

可能原因：

• 帳單輸入錯誤（多打了一個數字）
• 帳單跨月計費（兩個月份合併到一張帳單）
• 真實的產能變動（但需要解釋）

為什麼危險：如果不檢查，這個錯誤會直接導致全年碳排放被高估約 7-8%。查驗委員一看就知道有問題。

類型 2：排放強度異常

定義：以碳排放量除以營業額（或產能）計算的排放強度，顯著偏離同業基準值。

範例：

同業平均排放強度：0.5 噸 CO₂e / 百萬元營收
你的排放強度：    1.8 噸 CO₂e / 百萬元營收  ← 偏離 260%

可能原因：

• 營收數據有誤
• 排放源遺漏（別人有算的你沒算）
• 排放源重複計算
• 你的製程確實碳密集度較高（但需要說明）

類型 3：排放係數版本衝突

定義：使用的排放係數版本與盤查年度不匹配，或同一份報告中使用了不同版本的排放係數。

範例：

盤查年度：2025 年
電力排放係數：0.509 kg CO₂e/kWh  ← 這是 2022 年公告的 110 年度數據
正確應使用：0.474 kg CO₂e/kWh（2025 年 4 月公告的 113 年度數據）

為什麼危險：用錯排放係數版本，整份報告的 Category 2 排放量都會偏差。這是查驗中最常見的「系統性錯誤」，因為錯一個係數就影響所有用電相關的計算。

類型 4：數據缺漏

定義：某個月份、某個廠區或某個排放源完全沒有數據紀錄。

範例：

工廠 B 天然氣用量：
  1月: 1,200 立方公尺
  2月: 1,150 立方公尺
  3月: （無紀錄）  ← 缺漏！
  4月: 1,180 立方公尺

可能原因：

• 帳單遺失
• 資料收集時遺漏
• 廠區當月停工（但需紀錄原因）

為什麼危險：缺漏的數據通常會被直接跳過，導致全年排放量被低估。依 ISO 14064-1 要求，如果數據無法取得，需要說明估算方法。

類型 5：計算邏輯錯誤

定義：計算過程中的單位換算、係數適用、公式套用出現錯誤。

常見案例：

• 把 千度（MWh） 和 度（kWh） 搞混 → 結果差 1,000 倍
• 天然氣用 公斤 和 立方公尺 混用 → 需要密度換算
• 柴油用 公升 報告卻用 公斤 的排放係數 → 需要密度換算
• 不同冷媒型號用了相同的 GWP 值

AI 偵測原理（白話版）

AI 品質檢核不是魔法，它背後是三種成熟的統計和分析方法：

方法 1：統計離群值偵測

原理：計算每一類數據的統計分布（平均值、標準差），標記超出合理範圍的數據點。

白話解釋：假設你的工廠每月用電量在 40,000-50,000 度之間，AI 會自動建立這個「正常範圍」。當某個月突然出現 78,000 度，系統會標記為「離群值」。

判定規則範例：
  月用電量 > 平均值 + 2 倍標準差 → ⚠️ 警告
  月用電量 > 平均值 + 3 倍標準差 → 🚨 嚴重異常

方法 2：時間序列分析

原理：分析數據隨時間變化的趨勢和季節性，偵測偏離預期趨勢的數據。

白話解釋：用電量通常夏天高、冬天低（空調用電）。AI 會學習這個季節模式。如果冬天某個月的用電量突然跟夏天一樣高，即使絕對值沒有超出統計範圍，AI 也會標記為「季節性異常」。

方法 3：行業基準比對

原理：將企業的排放強度與同產業、同規模的基準值比對。

白話解釋：螺絲工廠的噸鋼碳排放應該在某個範圍內。如果你的數字遠高於或遠低於同業，AI 會提醒你檢查 — 不是說你一定錯，而是說「這個數字值得被解釋」。

確碳 L4 品質檢核實際運作方式

確碳五層證據包中的 L4 品質檢核，是在數據封印（L3）之後、報告輸出（L5）之前的關鍵環節：

檢核流程

1. 自動掃描：AI 對所有已封印的數據執行三種偵測方法
2. 異常標記：將發現的異常分為三級
   • 🟡 提醒：可能的異常，建議人工確認
   • 🟠 警告：高機率異常，需要解釋或修正
   • 🔴 嚴重：計算邏輯錯誤或數據缺漏，必須修正
3. 人工判定：專業人員審閱每一個異常標記，判定是否為真正的異常
4. 處理紀錄：每個異常的處理方式都被記錄 — 修正了什麼？為什麼？誰決定的？
5. 重新封印：修正後的數據重新生成 SHA-256 簽章，舊簽章保留在歷史紀錄中

關鍵設計理念：AI 負責「吹號角」，人負責「做判斷」。 不是所有異常都是錯誤，有些是真實的業務變動。但每個異常都需要被看見、被解釋、被記錄。

人工 vs AI 品質檢核比較

最佳實務：AI 做第一道全面篩檢，人做第二道專業判讀。 就像健康檢查 — 機器先做全身掃描，醫生再看報告做診斷。

案例：AI 抓出一家工廠漏報冷媒

一家電子零件製造工廠委託碳盤查，初步數據看起來都沒問題。但確碳 L4 品質檢核的 AI 系統標記了一個 🟠 警告：

「Category 1 排放占總排放量比例（3.2%）顯著低於同業平均。」（註：同業平均佔比因子行業而異）

人工覆核後發現原因：工廠完全沒有申報冷媒逸散排放。

進一步調查：

• 工廠有 12 台商用空調，使用 R-410A 冷媒
• 過去 3 年的維修紀錄顯示每年添加約 15-20 公斤冷媒
• R-410A 的 GWP 值為 2,088
• 漏報的排放量：約 31-42 噸 CO₂e

如果沒有 AI 的行業比對偵測，這筆冷媒排放就會被永遠遺漏。 查驗委員可能也不一定會發現，因為報告格式完整、計算正確 — 只是少了一個排放源。

但確碳的 AI 守夜人看到了異常：你的 Category 1 占比太低了。就像守夜人看到城牆外的火光 — 不知道是敵是友，但必須吹響號角讓人來判斷。

這就是 AI 品質檢核的價值：它不是要替你做判斷，而是確保沒有任何異常被忽略。

---

📚 繼續閱讀

• 先知的眼睛 — AI 能自動碳盤查嗎？：AI 在碳盤查中的完整定位分析
• 巴別塔的翻譯官 — AI 如何讓不同格式的碳數據說同一種語言：確碳 L5 報告輸出的多格式轉換
• 審判官的天秤 — 你的碳盤查報告經得起第三方查驗嗎？：查驗證 5 個關鍵檢查點

---

🎯 想體驗 AI 品質檢核的威力？ 加入確碳 LINE 官方帳號，傳你的碳排放數據，讓 AI 守夜人幫你做第一輪異常掃描 — 免費。

👉 加入確碳 LINE 官方帳號（確碳數據業務總代理：鴻邑 HongYi 360 - 鴻邑移動商務有限公司）