不确定性分析是 SBTi 目标科学性的重要保障，能有效规避因数据偏差、模型假设偏差导致的目标失真。通过系统识别不确定因素并运用适配方法量化评估，可让目标设定既符合气候科学要求，又贴合企业实际运营场景，降低后续落地风险。

一、不确定性的核心识别维度

数据层面的不确定性最为常见，尤其体现在范围 3 排放核算中。价值链环节的边界界定模糊会直接引发偏差，比如产品全生命周期时长波动、供应链层级划分差异，都可能导致排放基数测算不准。数据可得性差异同样关键，范围 1、2 排放数据多来自企业内部计量，而范围 3 的上游原材料生产、下游废弃物处理等数据依赖外部供给，缺失或滞后会显著增加不确定性。

模型与参数层面的不确定性不可忽视。业务增长预测过于激进或保守，会直接抬高或压低排放基线，导致减排量估算偏差。排放因子的选取也存在波动空间，地域差异、时间更新间隔、技术路线变化等因素，可能使同一类排放源的因子数值产生显著差异。此外，减排技术的实际效果与模型预设值的偏差，也会影响长期目标的可行性。

二、关键不确定性分析方法

蒙特卡洛模拟是量化整体不确定性的有效工具，核心在于通过多次随机抽样模拟复杂系统的输出分布。在目标设定中，需先明确关键不确定参数的概率分布，如将业务增长率设为正态分布、范围 3 排放因子设为三角分布。通过数千次模拟运算，可生成目标达成率的概率区间，例如 “2030 年减排 40% 的目标有 85% 概率实现”,为目标校准提供数据支撑。这种方法尤其适用于多参数交互影响的场景，能直观呈现不确定性的累积效应。

索伯尔敏感性分析则专注于识别关键影响因素，基于方差分解原理量化单个参数及参数交互作用对目标结果的贡献度。在实操中，需先构建目标测算模型，输入排放基数、因子、技术减排率等参数，通过算法分解总方差得到各参数的敏感度指数。对于范围 3 排放占比高的企业，这种方法可快速定位 “原材料采购”“物流运输” 等关键环节的高敏感参数，为资源聚焦提供依据，同时规避对低敏感因素的过度管控。

三、分析结果的落地应用逻辑

目标校准需结合概率结果动态调整，当蒙特卡洛模拟显示核心目标达成概率低于 70% 时，可通过两种路径优化：一是下调非核心业务增长预期以降低排放基线，二是提高短期技术减排率以增强路径可行性。对于敏感性分析识别出的高影响参数，需建立专项管控机制，如针对 “电网排放因子” 波动，可提前锁定中长期绿电采购份额以稳定范围 2 排放核算。

数据质量提升需靶向发力，根据分析结果优先级补充数据。对敏感度高且数据缺失的参数，如范围 3 的供应商排放数据，可采用 “行业基准 + 供应商问卷” 的组合方式补全；对低敏感参数则可沿用通用数据，平衡精准度与核算成本。同时需建立动态校验机制，当关键参数波动超过预设阈值（如排放因子变动超 10%），需重新启动不确定性分析并更新目标。