《Frontiers in Climate》：Modeling formula one’s path to net zero by 2030 - a systems approach for evaluating decarbonization strategies
编辑推荐：
摘要专业翻译
2019年，一级方程式（Formula 1, F1）承诺在2030年前实现其全价值链的净零碳排放；然而，该目标在学术界既获得了支持也引发了质疑。本研究基于F1官方可持续发展报告数据，构建了一个探索性系统情景模型，通过两种互补的分析模式评估七项脱碳
摘要专业翻译
2019年，一级方程式（Formula 1, F1）承诺在2030年前实现其全价值链的净零碳排放；然而，该目标在学术界既获得了支持也引发了质疑。本研究基于F1官方可持续发展报告数据，构建了一个探索性系统情景模型，通过两种互补的分析模式评估七项脱碳干预措施：一是静态计算器（static calculator），支持直接的情景比较；二是时间动态模拟器（time-dynamic simulator），利用缺口闭合存量动态（gap-closing stock dynamics）和排放压力反馈回路（emissions-pressure feedback loop），预测2024年至2030年的技术采纳轨迹。静态敏感性分析表明，在中等力度行动下可实现50%的绝对减排阈值。然而，实现净零排放需要同时最大化所有杠杆，并抵消残余排放余额，其规模取决于可持续航空燃料（Sustainable Aviation Fuel, SAF）在全生命周期内的质量与供应等因素。最后，本研究提供了一个交互式仪表盘，允许用户实时测试不同的干预组合。
论文解读文章
一、研究背景与问题提出
2019年，一级方程式（Formula 1, F1）正式承诺在2030年前实现覆盖范围1（Scope 1）、范围2（Scope 2）和范围3（Scope 3）的全价值链净零碳排放。六年过去，F1已将其重述后的2018年基线排放量从228,793 tCO?e降至2024年的168,720 tCO?e，实现了约26%的减排。然而，学术界对这一承诺的可行性存在显著分歧：部分学者将F1的脱碳努力定性为"漂绿"（greenwashing），认为其宣传意义大于实质性转型；另一些研究虽承认F1正积极向绿色体育转型，但认为其水平尚不充分，并指出赛历设计未充分考虑国家间距离等因素。
现有文献的主要局限在于大多为描述性研究，提供定性评估和趋势预测，却缺乏检验具体干预措施组合可行性的机制。利益相关方——包括车迷、赞助商和监管机构——无法在特定技术、赛历设计和碳抵消质量假设下评估F1承诺的可实现性。此外，F1的排放核算本身存在不确定性：范围3排放本质上难以精确测量，F1在2025年报告中因获得改进的供应商数据而将2018年基线从256,551 tCO?e下调10.82%至228,793 tCO?e，这一重述反映了测量方法对估算结果的显著敏感性。同时，2026赛季凯迪拉克（Cadillac）作为第十一支车队加入，其在美国三处设施和英国银石（Silverstone）一处设施的运营足迹引入了2018年基线中不存在的制造、物流和差旅排放，进一步增加了实现目标的复杂性。
在此背景下，本研究旨在开发一个以F1官方数据校准的探索性系统模型，通过提供七个可调政策杠杆和两种分析模式，帮助评估在现实假设下实现净零排放所需的干预组合，从而超越"F1是否在漂绿"的争论，转向"哪些行动组合能够切实达成目标"的可行性分析。
二、研究内容与核心发现
研究人员构建了一个系统动力学（system dynamics）模型，以F1官方可持续发展报告数据为基线，评估七项脱碳干预措施在不同组合下的减排效果。研究提供静态计算器和时间动态模拟器两种分析模式，并开展局部敏感性分析和全局蒙特卡洛模拟（Monte Carlo simulation）。核心发现包括：50%绝对减排阈值在中等力度且运营上合理的假设下即可实现；但净零目标的达成需要同时将所有政策杠杆推向运营上限，并依赖碳抵消覆盖约3,900 tCO?e的残余排放；可持续航空燃料（SAF）是影响最大的单一杠杆，但其全生命周期减排效果（50%–85%区间）是结果不确定性的最大来源；排放压力反馈机制表明F1在2030年截止前的最后几年面临结构性减速风险。
三、主要技术方法
本研究采用系统动力学建模方法，区别于生命周期评估（Life Cycle Assessment, LCA）和计量回归方法，因其适用于涉及反馈回路、延迟和不确定性下政策测试的问题。模型基线数据来源于F1 2025年可持续发展更新报告，包括重述后的2018年基线228,793 tCO?e及其分类数据；模态排放强度依据GLEC框架和英国政府温室气体换算系数；日历区域化潜力基于Struijk（2024）关于最大62%距离缩减的研究。模型包含静态计算器（七个杠杆直接配置）和时间动态模拟器（六个存量通过缺口闭合动力学演化，采用前向欧拉积分，dt=0.25年），并引入排放压力反馈回路P(t)=0.30+0.70×(Gross(t)/BT)^σ。不确定性分析采用局部单因素（OAT）分析和全局蒙特卡洛模拟（n=10,000），并辅以Sobol指数和SHAP值验证参数排序。
四、研究结果
4.1 模型校准
模型以F1官方发布数据为基准进行校准。2018年基线预设重现了重述后的总量228,793 tCO?e，分类为：物流67,994 tCO?e、商务差旅79,425 tCO?e、赛事运营22,813 tCO?e（其中1,602 tCO?e归因于动力单元燃烧）、设施58,562 tCO?e。2023年和2024年预设分别重现官方报告的182,801 tCO?e和168,720 tCO?e。模型对F1 2026年碳更新报告中2025年排放的样本外预测误差在4%以内（143,099对148,805 tCO?e），主导类别排序一致；设施和赛事运营类别的偏差源于两类共用一个可再生能源采纳率杠杆。
4.2 静态敏感性分析
以2024年168,720 tCO?e为基线，逐一将各杠杆调至最大值。SAF采纳影响最大，100%采纳可减少58.32%的2024年排放，因其同时作用于物流和商务差旅这两大类别（合计占2024年排放的71.95%）。日历区域化100%（隐含62%距离缩减）位居第二，可消除69,796 tCO?e（41.36%）。远程办公、可再生能源、日历缩减和铁路/海运模态转换依次递减，最大部署时分别减少30.70%、25.52%、20.33%和18.81%。即使所有杠杆同时最大化，仍残留3,877 tCO?e，证实任何净零结果都必须依赖碳抵消。
4.3 百分之五十减排阈值
F1声明在诉诸碳抵消前优先实现相对2018年基线至少50%的绝对减排（即114,396 tCO?e以下）。一个均衡且现实的配置——SAF采纳45%、铁路/海运份额5%、远程办公率35%、可再生能源90%、22站赛历、日历区域化35%——可产生71,560 tCO?e的毛排放，实现68.72%的减排。一个更保守的配置（SAF 40%、铁路/海运0%、远程办公20%、可再生能源70%、22站、区域化25%）仍可实现54.17%的减排。50%阈值无需极端假设即可达成，但超越该阈值的进一步减排要求所有杠杆接近最大值，且仍依赖质量不确定的碳抵消。
4.4 时间动态轨迹
动态模拟呈现四种采纳速度情景下2024至2030年的排放轨迹。2018年基线情景（最低采纳速度、21站、无抵消）净排放仅从169,368 tCO?e微降至151,990 tCO?e。2023年情景达到93,269 tCO?e，在2030年前实现50%减排标记。2024年情景将净排放降至57,708 tCO?e，但2028年后斜率因反馈回路削弱采纳压力而逐渐放缓。净零情景需激进采纳率：SAF 50%/年、远程办公20%/年、可再生能源30%/年、抵消爬坡17%/年、20站赛历和100%区域化。所有曲线均呈现缺口闭合动态——早期陡降后随存量接近上限而趋平。
4.5 不确定性分析
局部OAT分析显示，SAF全生命周期减排（50%–85%）产生最宽的结果范围（约69,000至近85,000 tCO?e），因其支配两个最大排放类别；最大区域化距离缩减（40%–75%）位居第二；VIP差旅份额和铁路/海运排放因子影响较小。全局蒙特卡洛模拟（n=10,000）中，碳抵消率方差贡献最高（r2=0.273），其次为SAF采纳（0.170）、可再生能源（0.130）、抵消有效性（0.121）和区域化（0.118），五者合计解释近81%的结果方差。结果分布集中于20,000至80,000 tCO?e之间，5%–95%分位范围约为15,000至95,000 tCO?e。50%减排目标（114,396 tCO?e）几乎全部样本均可达到；净零情景则位于分布最左端，少数样本需同时将所有杠杆推至最大方可实现。引入潜在雄心因子使杠杆相关后，达到50%目标的组合比例从约99%降至约88%。
五、讨论与结论
讨论部分指出，50%绝对减排目标在原则上并非象征性的——可行性问题转向所需采纳率能否在政治和运营层面持续维持。SAF的主导地位（满额采纳时约占毛减排的59%）凸显了F1净零路径对单一技术的结构性依赖，其生命周期减排因子仍存争议。阈值分析确认，仅当SAF生命周期减排超过57%时其才是最有效杠杆，这为F1及其物流合作伙伴提供了直接政策含义：应优先采用经核实生命周期评估的废弃物基SAF原料，而非可能仅达到区间下限的作物基替代方案。排放压力反馈机制揭示了先前描述性分析中缺失的行为机制：随着毛排放下降，进一步行动的紧迫性减弱，所有轨迹在2027–2028年后出现可见趋平，表明F1面临在2030年截止前最后几年停滞的结构性风险。蒙特卡洛模拟表明结果不确定性主要源于政策杠杆位置而非结构性排放因子，五个最高方差参数均在F1的影响或谈判范围内，因此残余缺口在本质上是一个治理问题而非数据问题。
研究结论翻译如下：本研究基于官方可持续发展报告数据，对F1的排放轨迹进行了系统分析，为利益相关方提供了一个在现实假设下评估特定干预组合可行性的工具。研究发现，F1的50%绝对减排目标无需极端假设即可实现，但2030年净零目标的达成需要同时将所有主要政策杠杆推向运营上限，并维持足以覆盖约3,900 tCO?e残余排放的抵消率。主导杠杆为SAF采纳和日历区域化；然而，SAF的质量和生命周期表现是结果不确定性的最大来源。本研究识别出的排放压力反馈机制表明，F1在目标窗口的最后几年面临结构性减速风险，早期快速采纳至关重要。综合来看，F1的2030年承诺在物理上可行但制度上要求严苛，核心风险并非缺乏可用干预措施，而是未能将实施压力持续维持至目标完成。
