透過假設狀況分析預測對排放的業務做法變更
注意
此功能已納入 Microsoft Sustainability Manager Premium 中。
假設狀況分析是一個 AI 模型，可讓您預測幾個業務做法變更對組織碳排放足跡的影響。 可協助您建立更明智的碳減排策略並加速實現整體永續發展目標。 例如，您可以預測切換到可再生能源 (例如風能或太陽能) 的影響，或透過供應商特定係數切換供應商的影響。
本文告訴您如何建立假設狀況分析預測。 此外，還會提供考量事項、詳細資料和資訊，協助您充分利用預測。
本集 Let's Talk Sustainability 影片演示了如何使用假設分析：
重要考量
建立預測案例時，請注意這些考量事項。
您可以使用案例數目欄位，在單一案例中分層使用一到三個策略。
變數欄位是多重選取欄位，可讓您選擇要預測變化的資料或數量。 例如，您可以選擇修改運輸的成本、距離和貨物數量做為 4. 上游運輸和配送案例的一部分。
每個案例都需要下列欄位：
- 名稱
- 組織單位
- 數據類型
- 計算模型
- AR 版本
- 策略數量
- 變數
Facility（設施） 不是必填欄位，但您可以使用它來進一步縮小預測數據的範圍。
建立假設狀況分析預測
若要開始使用假設狀況分析，請執行下列步驟：
在瀏覽窗格上，選取假設狀況分析。
在假設狀況分析頁面上，選取新增案例。
在新增假設狀況案例窗格中，輸入下列詳細資料：
- 名稱
- 組織單位
- 數據類型
- 計算模型
- AR 版本
接下來，透過策略數目欄位選取要分層使用的策略數目。
接下來，選取要預測變化的變數，做為一個或多個策略的一部分。 首先需要輸入這些變數的歷史值，這些變數表示您的組織正在使用的目前策略。 例如，如果要預測變更移動燃燒源車隊的影響，則需要先在目前策略下 輸入目前車輛和燃料類型。
完成表單後，選取儲存後關閉。
選取建立的案例，然後選取執行案例。 案例作業完成後，您會收到應用程式內通知，提醒您結果，並提供超連結，將您引導至這些結果。 此頁面顯示案例詳細資料以及視覺化呈現歷史資料和相關聯策略預測的圖表。
注意
案例的預測範圍的長度取決於引入的歷史資料量。 根據一般經驗法則，預測範圍始終都是歷史資料的一半左右。 例如，如果您有兩年的歷史資料 (間隔為一個月)，則可以看到同樣間隔的一年預測範圍。
支援的情境
每個案例都有不同等級的可自訂性，允許您使用變數，根據組織的資料和需求自行調整趨勢預測。 下表列出每種資料類型的所有可用變數。
| 案例類別 | 可用的變數 |
|---|---|
| 工業流程 | - 成本 - 貨物數量 - 工業製程類型 - 支出類型 - 數量 |
| 移動燃燒源 | - 成本 - 距離 - 燃料數量 - 燃料類型 - 貨物數量 - 工業製程類型 - 數量 - 支出類型 - 車輛類型 |
| 固定燃燒源 | - 成本 - 能源轉換率 - 燃料數量 - 燃料類型 - 貨物數量 - 工業製程類型 - 數量 - 支出類型 |
| 外購冷氣 | - 合約文書類型 - 成本 - 貨物數量 - 是可再生 - 數量 - 支出類型 |
| 外購電力 | - 合約文書類型 - 成本 - 貨物數量 - 是可再生 - 數量 - 支出類型 |
| 外購暖氣 | - 合約文書類型 - 成本 - 貨物數量 - 是可再生 - 數量 - 支出類型 |
| 外購蒸汽 | - 合約文書類型 - 成本 - 貨物數量 - 是可再生 - 數量 - 支出類型 |
| 1. 採購的商品和服務 | - 成本 - 貨物數量 - 工業製程類型 - 數量 - 支出類型 |
| 2. 資本財 | - 成本 - 工業製程類型 - 數量 - 支出類型 |
| 4. 上游運輸和配送 | - 成本 - 距離 - 燃料數量 - 燃料類型 - 貨物數量 - 工業製程類型 - 數量 - 支出類型 - 運輸模式 - 運輸和配送類型 - 車輛類型 |
| 5. 營運中產生的廢棄物 | - 成本 - 處置方法 - 距離 - 燃料數量 - 工業製程類型 - 材料 - 數量 - 支出類型 - 運輸模式 - 廢棄物數量 |
| 6. 商務旅行 | - 商務旅行類型 - 成本 - 距離 - 燃料數量 - 工業製程類型 - 數量 - 車輛類型 |
| 7. 員工通勤 | - 成本 - 距離 - 員工通勤類型 - 燃料數量 - 燃料類型 - 工業製程類型 - 數量 - 車輛類型 |
| 9. 下游運輸和配送 | - 成本 - 距離 - 燃料數量 - 燃料類型 - 貨物數量 - 工業製程類型 - 數量 - 支出類型 - 運輸模式 - 運輸和配送類型 - 車輛類型 |
| 12. 已售產品的報廢處理 | - 成本 - 處置方法 - 距離 - 燃料數量 - 工業製程類型 - 材料 - 數量 - 支出類型 - 運輸模式 |
注意
若要計算固定燃燒源案例的能源轉換率，請將現有燃料的能量含量除以待預測燃料的能量含量。 或者，您也可以使用熱值。 例如，如果現有燃料的能量含量為 33 MJ/kg，而新燃料的能量含量為 38 MJ/kg，則能源轉換率約為 0.87。
注意
預測從不可再生能源切換到可再生能源的影響時，請確定選擇的計算模型同時支援不可再生和可再生能源計算。 最簡單的方法是使用是否可再生欄位的條件式。
預測層面
現有策略：現有策略預測是預測排放量的檢視，如果您不改變該類別的當前排放量生成方式。 例如，如果您要預測特定設施從煤炭切換為生質燃料的影響，則現有策略預測表示繼續使用煤炭的預計排放量。
新策略：如果您要切換到預測場景所代表的新業務策略，則新策略預測是預測排放量的視圖。 例如，如果您要預測特定設施從煤炭切換為生質燃料的影響，則新策略預測表示改用生質燃料的預計排放量。 視案例設定方式而定，您可以探索一到三個新策略。
預測區間：預測區間表示在給定歷史數據的情況下，未來觀測以一定概率下降的區間的估計值 (我們使用 95%的置信度)。 預測區間基本上表示的是與預測相關聯的不確定性。
模型失敗和告知性訊息
本節介紹使用預測時可能發生的錯誤或問題。
我們已進行一些調整，以便產生此預測
切換到後備預測方法：如果歷史數據點的數量和/或擬合 (S) ARIMA 或 ETS 模型所需的數據品質不足，我們會使用後備預測方法。 在兩種特定情況下，有必要改用後援方法：
- 在間距相對均勻的歷史資料時間序列中，缺漏的資料點過多
- 間距不規則的歷史資料
數據一致性檢查和頻率調整：在預測之前，您的數據將按月匯總，以生成每月基準和假設預測。 不過，如果彙總時資料沒有呈現相對均勻的每月節奏，則會嘗試進一步彙總到 2 個月、3 個月、4 個月或 6 個月。 如果序列在這些調整下無法達到相對均勻性，則使用更簡單的後援模型進行預測。
無法產生趨勢預測
歷史數據過於稀少：為確保預測成功，我們要求您的歷史數據至少每 6 個月發送一次資料點。 如果資料比該間隔更疏鬆，則預測會失敗。
沒有歷史數據點或歷史數據點太少：假設分析預測模型至少需要 6 個數據點 (在頻率調整后，如前面的數據一致性檢查和頻率調整 中所述) 才能成功生成預測。
支援的時間序列預測模型
Sustainability Manager 支援產生活動資料預測的 (季節性) 自迴歸整合式移動平均 ((S)ARIMA) 和誤差趨勢季節性 (ETS) 單變數時間序列預測模型。 模型選擇架構根據歷史活動資料選擇最佳預測模型。 產生的活動層級預測經由計算模型，將這些預測轉換為排放層級預測。
ARIMA 和 ETS 是使用最廣泛的時間序列預測方法。 ETS 模型依賴於資料中趨勢和季節性描述，而 ARIMA 模型則描述資料中的自相關性。 要深入了解這些模型，請參閱預測：原理與實踐教科書的第 7 章 (指數平滑) 和第 8 章 (ARIMA 模型)。
在某些情況下 (例如當歷史資料太少或非常不規則時)，選擇的是簡單的後援模型，而不是 ARIMA 或 ETS。
