绿色与成本对比：电商物流碳减排的优化方案模拟

摘要

如何在不显著增加成本的前提下，将物流碳排放降低10%？本文通过真实数据集，模拟了三种优化方案的影响，并给出了优先级建议。

一、如何思考业务问题？

做这个分析，不是为了环保口号，而是帮企业算一笔账。碳排放正在变成实打实的成本。现在，就是用数据搞清楚：这成本现在多大？有没有办法让它变小？那些办法会不会耽误送货、多花钱？这篇文章，就是来算清楚这笔“环境账”的。

二、数据与方法

1、数据来源

本次分析使用Kaggle上的公开数据集 Green Logistics: Carbon Footprint for E-Commerce。它模拟了一家电商物流公司的实际运输记录，每条记录包含一次配送的车辆类型、运输距离（公里）、包裹重量（公斤）以及计算得出的碳排放量（千克 CO2e）。这让我们能在受控环境下，安全地测试不同优化策略的效果。

2、工具选择

本次分析全部使用Microsoft Excel及其内置的Power Query与数据透视表完成。这样能确保任何一位在实际业务中，任何相关业务人员都能打开Excel文件，理解计算逻辑并自行调整参数。

3、关键假设（重点）

由于原始数据集未提供运输成本，为进行“成本-碳排”的权衡分析，我找了相关行业公开实测数据：

成本数据解释：

重型卡车 (Heavy Truck) - 2.20元/公里：国内实测数据显示，国六柴油重卡每公里燃料成本约2.2-2.5元；按柴油7.5元/升、百公里油耗30-35升计算，燃料成本约2.25-2.63元/公里，取中值偏下2.20元作为综合估算。

柴油面包车 (Diesel Van Euro 4/6) - 1.50/1.60元/公里：小型柴油商用车百公里油耗约10-12升，按柴油7.5元/升计，燃料成本约0.75-0.90元/公里。考虑到车辆折旧、保险、维保等非燃料成本，设定为1.50-1.60元。

电动面包车 (Electric Van EV) - 1.10元/公里：按百公里电耗30-40度、工业电价0.8元/度计算，能源成本约0.24-0.32元/公里。加上电池租赁、折旧分摊等综合成本，估算为1.10元/公里。

摩托车 (Motorcycle Courier) - 2.50元/公里：国内摩托车实测综合成本约2.0-3.0元/公里，取2.50元作为中间值。

无人机 (Drone Delivery) - 3.00元/公里：综合国内外多个测试项目数据，取3.00元作为当前技术条件下的合理估算。

货运自行车 (Cargo Bicycle) - 0.15元/公里：2024年布鲁塞尔实测数据，货运自行车每单配送成本约0.10欧元（约0.78元），小型柴油面包车约1.10欧元（约8.56元），电动面包车约1.05欧元（约8.17元）。考虑到这是每单而非每公里成本，且国内人力成本差异，折合估算为0.15元/公里。

排放因子数据解释：

碳排放因子为方便清晰展示“碳排放强度”而设定的估算值。它们并非来自单一文件，其设定逻辑和参考来源如下：

重型柴油卡车 (Heavy Truck) 定为1.0：作为碳排放强度的基准（基点），设定为 1.0。

电动面包车 (Electric Van) 定为0.3：考虑到我国电力结构（火电为主），选择相对保守的 70% 减排，即相对排放因子为 0.3。

摩托车 (Motorcycle) 定为0.4：快递摩托车排量小、载重轻，单位排放低于重型卡车，估算为 0.4。

柴油货车 (Diesel Van) 定为0.7-0.8：考虑到轻型货车排量小，以及 Euro 6 比 Euro 4 有更严格的排放控制技术，Euro 6 定为 0.7，Euro 4 定为 0.8。

货运自行车 (Cargo Bicycle) 定为0：人力/电力驱动，运营阶段几乎没有直接碳排放，因此设定为 0。

无人机 (Drone) 定为0.05：无人机靠电力飞行，碳排放来自上游发电，且载重小、飞行距离短，设定其碳排放非常低为 0.05。

注意：为了得到一个好的成本参考值，查了好多数据，同时也消耗好多时间。这步骤很重要，很重要、很重要（重要事情说三遍）。不能随意估算，如果随意估算容易造成数据分析错误，而且在实际业务分析中，你要分析行业数据，总不能随便编一个吧。这步骤主要看怎么获取外部数据了。

三、数据清洗与碳排放基线计算

1、导入数据(Power Query)

1.1 从 Kaggle 下载 Green Logistics 数据集

数据集链接地址

1.2 Excel → “数据” → “获取数据” → “从文件” → “从文本/CSV”，选择 CSV 文件

1.3 在 Power Query 编辑器中：

确保 Distance_km、Package_Weight_kg、Carbon_Emission_kgCO2e 为小数类型。

检查各列空值，若有则整行删除，记录删除行数，最后点击“关闭并上载至…” → 选择“表”，加载到新工作表，命名为“原始数据”。

2、添加辅助列（成本与排放强度）

在“原始数据”表右侧添加三列计算列：

第1列：运输成本（基准线）----- Baseline_Cost

将“关键假设”中的对应车型和成本复制到excel中，使用以下公式：
[@[Distance_KM]]*VLOOKUP([@[Vehicle_Type]],车辆陈本表!C : C:C:D,2,FALSE)

第2列：碳排放因子 ---- Emission_Factor
使用vlookup函数将对应类型车辆的碳排放因子数据匹配到原始数据表中。
公式：VLOOKUP([@[Vehicle_Type]],车辆陈本表!C : C:C:E,3,0)

列3：每公里碳排放强度 ---- Emission_per_km
公式：[@[Carbon_Emission_kgCO2e]]/[@[Distance_KM]]

3、基线计算汇总
插入数据透视表，基于“原始数据”：
行：Vehicle_Type
值：
1.1 运输次数：计数 Vehicle_Type（右键改名“运输次数”）

1.2 总碳排放：求和 Carbon_Emission_kgCO2e（改名“总碳排放(kg)”）

1.3 碳排放占比：再次拖入 Carbon_Emission_kgCO2e，值显示方式→“总计的百分比”（改名“碳排放占比”）

1.4 运力占比：再拖入一次 Vehicle_Type 计数，值显示方式→“总计的百分比”（改名“运力占比”）

1.5 总成本：求和 Baseline_Cost（改名“总成本(元)”）
最后调整数据透视表样式

结论：比较“运力占比”与“碳排放占比”。柴油系车型（Heavy Truck和Diesel Van系列）的碳排放占比远高于运力占比，是主要排放源。

四、优化方案

根据物流运输的核心数据指标，从三个业务场景（换车、长途中转、装载）进行分析优化业务问题。

（一）、优化方案A ---- 将至少10%柴油车替换为电动车

可替换车型：Heavy Truck, Diesel Van (Euro 4), Diesel Van (Euro 6)。

第一步：随机筛选标记10%柴油车
1、筛选 Vehicle_Type 为三种柴油车型之一的行。
2、在这些行的旁边新列 Random 输入 =RAND()，然后复制粘贴为数值。
3、按 Random 升序排列，选取前10%的行，在新增的 替换标记 列中填“是”，其余填“否”（有5153行，10%选择515行）。
4、取消排序，恢复原始行顺序。

第二步：增加新车辆类型列 ---- New_Vehicle_Type
公式：=IF(AND([@替换标记]=“是”, OR([@[Vehicle_Type]]=“Heavy Truck”, [@[Vehicle_Type]]=“Diesel Van (Euro 4)”,[@[Vehicle_Type]]=“Diesel Van (Euro 6)”)),“Electric Van (EV)”,[@[Vehicle_Type]])

注：假设电动重卡也暂时用 Electric Van (EV) 的成本和因子代表。

第三步：模拟碳排放列 ---- Sim_Emission_A
公式：=IFERROR(([@[Carbon_Emission_kgCO2e]]*VLOOKUP([@[New_Vehicle_Type]],车辆陈本表!C : C:C:E,3,0))/VLOOKUP([@[Vehicle_Type]],车辆陈本表!C : C:C:E,3,0),“”)

字段命名以英文字母命名

第四步：模拟成本列 ---- Sim_Cost_A
公式：=[@[Distance_KM]]*VLOOKUP([@[New_Vehicle_Type]],车辆陈本表!C : C:C:E,2,0)

第五步：方案A汇总

数据显示，碳排放下降约8%，成本下降约4%，（小预测：如果全部选择重卡柴油车，下降会更明显）说明优化柴油车转为电动车，长远看能促进企业降低运输成本。

（二）、优化方案B ---- 车辆长途中转

第一步：计算出长途距离的极限阈值

这里取值为545

数据解读：545公里这个数值，是运输距离的95%分位数。它代表了一个关键的运输距离阈值：95%的订单运输距离都在545公里以内，仅有5%的订单超过了这个距离。因此，将运输距离超过545公里的订单定义为“超长途订单”。

第二步：新增模拟碳排放和成本 ---- Sim_Emission_B &Sim_Cost_B

方案B模拟了对运输距离处于前5%的订单进行中转优化。假设通过分仓接力，这些订单的单次碳排放可减少30%，但中转操作会使该订单的运输成本增加约10%。

第三步：方案B数据汇总

数据显示，碳排放下降约15%，成本增加约4%。

（三）、优化方案C ---- 提高车辆装载率

方案C的目标是把重量小于5kg的小件包裹，从“每件单独派送”改为“3件合在一起派送”。

第一步：筛选小件包裹

以小于5KG为基准线，筛选出是数据如下：

第二步：计算优化前后数据效果

方案C的目标是把重量小于5kg的小件包裹，从“每件单独派送”改为“3件合在一起派送”。

优化前：

优化后：
1、合并配送后，小件包裹的总碳排放下降到原来的60%，也就是减排40%（基于现有数据估值）。
2、合并配送后，小件包裹的总运输成本下降到原来的30%（1次配送，优化路线串起来，总里程可能只有原来的1/3甚至更少），也就是省了70%的成本（比如说，原来用3次摩托车送3个小件，合并后换成1次电动面包车来送，本身就省了一大笔开支）。

第三步：计算新总排放和总成本

这里的非小件就是剔除了小于5KG的剩余的部分。

结论分析：方案C的模拟结果显示，重量小于5kg的小件订单，其对于优化碳排放效果不高，但是对应优化成本有显著效果。

五、方案对比评价

长期策略：逐步将临近报废期的柴油车辆替换为电动车辆。
短期策略：迅速优化重量小于5kg的小件包裹的配送方式。

总结

这篇文章我前前后后写了大概三天。写之前得先搞懂物流配送到底是怎么回事，还得到处找各种行业数据来参考。文章主要就是想聊聊怎么用数据来解决实际业务问题，这个数据集挺合适的，就是分析起来确实挺花时间。

在这篇之前我还写过一篇关于Olist的文章，那篇主要是讲怎么从数据里发现问题。两篇文章放一块儿，正好就是一个完整的数据分析思路：先发现问题，再解决问题。

文章仅供参考，具体数据根据实际情况来。