碳排放中，例如 供应链、客户使用和废弃物处理等数据收集：收集范围 3 碳排放所 需的数据可能比较困难，因为这些数据通常需要从供应链中的多个 来源收集。确保数据可靠性：范围 3 碳排放数据的可靠性可能受到 供应链中各个环节数据收集的不一致性和不准确性的影响。达成计 算方法的共识：确定如何计算范围 3 碳排放比较复杂，因为需要考 虑多个因素，例如供应链中的不同环节、不同产品和不同地区的影 响。 总消耗能源的比例）。同时根据不同管理维度的需求，也可以考核 数据中心能耗配额、动态显示水、电、气等能耗有效 KPI 值。在考 核指标确认后，综合考核模块可以实现以下功能： 1、对区域各数据中心自动进行能耗排名，用能比较； 2、通过页面直接展示当年能耗、当年计划能耗、当年节约能耗、 当年节约碳排放等信息。 3、定期核对数据中心能效指标，找出能耗异常的区域、数据中 心； 4、根据用能情况将能源消费计划任务分解到各个数据中心。 输出的能流图可根 22 零碳数据中心园区能碳管理系统白皮书 ODCC-2023-02006 据时间、用能种类、用能场景来进行选取和切换，方便数据中心对 不同单元、不同时间段、不同用能类型进行比较分析。 能流图主要内容如下图所示： 图 3 能流图 （二）碳管理 1.碳核算 根据 ISO14064 和 GHG Protocol 碳排放分类划分标准，数据中 心碳排放按照范围 1/2/3

根据中国证监会核发的经营证券业务许可，海通证券股份有限公司的经营范围包括证券投资咨询业务。 1. 投资评级的比较和评级标准： 以报告发布后的 6 个月内的市场表现为 比较标准，报告发布日后 6 个月内的公 司股价（或行业指数）的涨跌幅相对同 期市场基准指数的涨跌幅； 2. 市场基准指数的比较标准： A 股市场以海通综指为基准；香港市场以 恒生指数为基准；美国市场以标普 500 或纳斯达克综合指数为基准。

方面，还需要对工人的生产进行有效管理，最典型的就是排班管理。 然而，制造企业的工作任务通常都不固定，排班作业需随时调整，临时加班、调班等难以避免。通常，制造企业工人流动率较高， 用工方式和班次也比较复杂，只靠传统方式很难实现批量、周期性、紧急排班，排班过程也很难追溯。 应用人力资源数字化系统，排班过程由线下转移至线上，既能适用复杂多变的排班，也能随时调整临时排班需求，确保生产。 如果排班超 所说的这些人才？ 首先，就是因为随着智能制造的推进，行业的人才需求结 构出现变化，但高阶人才在市场上普遍不足；其次，人才 供给结构也不够完善，由于产教融合不够深入，教育环节 输出的人才和企业实际需求的人才有比较大的出入，造成 的结果是，一边是越来越多的毕业生找不到工作，另一边 却是越来越多的企业寻不到合适的员工，人才资源被极大 浪费⸺这是企业“找不到”人才的两个主要外因。 而从内部来看，人才体系标准的不明确、不规范则是主要 因素。如今，很多企业其实还处在智能制造由浅入深的探 索阶段，对自己需要的人才类型还不够明晰，也没能构建 对应的人才标准体系。即便有了明确目标和标准，由于过 去传统制造企业是以一线的操作工人为主，人员配置比较 单一，在招揽跨行业、跨领域的人才时，还没能摸清他们 的求职偏好、求职习惯及沟通评判标准，这就导致“盲目” 寻找，很难触达目标人才。 那么，假设市场上人才供给充足，企业又能找到他们，状 况

“全气”方案 ......................................................................... 48 “全电”和“全气”方案的比较 ............................................... 49 展示案例：德国Esslingen西区和Shamrockpark ........... 50 “全电”方案：余热废热和中央空气源热泵 .......................... 62 “全气”方案：余热废热与氢能热电联产 .............................. 64 方案比较 ............................................................................ 66 未来展望 .......... 20 0 月度相对能源量（百分比） Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec 光伏产量 建筑需求 月度相对建筑需求和潜在光伏发电量的比较 14 在这个步骤中，需要对已明确的基本方案予以细化和深 化，使其得以具体落实和完整实施。通常情况下，这个 阶段需要数年的时间。一般来讲，规划设计和建设实施 要分别在基础设施层面和建筑层面上进行。这一阶段，

排在第二位的欧洲地区为15%。全职员工和 灵活用工数量平均后，东南亚以31.5%的占比成为中国制造业海外人才数量最多的地区，接 着是欧洲27%、北美12%、东亚8%、南亚7.5%。中东和大洋洲占比较低，为1.5%和1%。东 南亚地区劳动力成本相对较低，适合劳动密集型制造业的发展，且地理位置临近中国，交通 和物流相对便利，另外，一些东南亚国家近年来经济增长较快，市场需求不断扩大。而欧洲 拥 研究团队重点关注的新能源、汽车、电子电气和机械设备四个行业在海外岗位需求分布 上具有较高的相似性。如图7所示，其中销售和市场岗位需求占比较高，两者合计约占到岗位 总需求的50%—60%。技术和生产制造岗位分别约占到岗位总需求的10%—15%，其中汽车 行业在生产制造岗位上占比较高，达到18%。中后台职能、国际贸易和供应链物流岗位则占 比均较低。这一岗位需求分布情况与中国企业出海模式特点整体匹配。大多数中国企业在出 够快速顺畅开展日常工作的关键法宝。 中资企业海外生产制造职能，在岗位设置上一般和国内类似，多为总经理或厂长负责制。 从岗位需求方向来看，在新厂建设阶段，需求比较多的主要为工程项目管理、机电、安环、政 务等岗位；而在量产阶段，需求比较多的主要为生产运营、工艺、质量、物料、物流仓储、安 环等。 从人选学历层面来看，相较于其他出海核心岗位，制造业企业的海外生产制造岗学历要求 较为宽松。其中，

够更广泛形成坚实的整体合力，在财务维度、技术回 报，以及广泛的360度价值维度上均能够脱颖而出， 超越同行企业。从业务维度比较，重塑者的收入较之 于其他企业高出近10%，成本改善效率高出13%。 我们也看到，重塑者的价值已远远超出财务维 度，他们更积极地管理和实现非财务维度价值，我 们也发现，业内行业企业的比较，重塑者在可持续 发展方面的表现高出了近32%，在人才体验方面高 出11%。 从制造到智造，重塑者做对了什么？ 余鸿彪：我们知道中国企业在打造韧性方面投入意愿 更加积极，但是埃森哲调研显示，中国企业在供应、 生产、运营等领域的韧性得分只有37分，低于全球的 平均水平56分。 我们分析其中一个原因是很多企业在应对冲击 的时候，往往采取比较短期的策略，主要还是在制造 和供应链网络降本增效和按时履约方面，企业如果能 够具备更成熟的数字化能力，可以有力地帮助企业部 署更灵活的供应网络和自主生产，还可以促进动态化 可持续产品开发，支持团队做出分散化的实时决策， 够了解环境发生的变化，做出及时的响应，做出自 主决策。 《界面》：中国企业在智能制造领域面临哪些挑战？ 余 鸿彪：中国企业在智能 制造 领域面临多种 挑 战，有技术方面的、人才方面的，我个人认为其中 一个比较重要的挑战就是人们对“智能制造”认知 的误区，影响了人们对智能制造有效的投资和发挥 效益。 特刊 26 | 智能制造 人们常说的智能制造是数据驱动的制造，如果 没有准确的解读，有可能产生误导。生产车间的环境

http://www.nrdc.cn/ 中国环境科学研究院成立于 1978 年 12 月，隶属中华人民共和 国生态环境部。中国环境科学研究院共有 16 个主要研究方向和 80 个细分研究方向，形成了比较全面的学科体系，基本涵盖生 态环境各研究领域（除核安全领域以外）。全院围绕国家可持 续发展战略，开展创新性、基础性重大环境保护科学研究，致 力于为国家经济社会发展和环境决策提供战略性、前瞻性和全 单元，具有 边界模糊、数据不易获取、产业链共生、价值链延伸等不同于区域和行业的特点。本研 究针对工业园区核算类型多样、边界模糊、主体复杂、数据甄选困难等重点问题，通过 国内外温室气体核算方法学比较分析，从核算主体、边界、范围、数据、方法等方面， 系统构建了工业园区温室气体核算方法学体系。 本研究遵循实用性与可操作性、一致性与可比性、准确性与完整性、普遍性与特殊 性的原则，按照核算目的识 不同于城市尺度，园区是城市内相对开放的系统，与外界存在着能源、供热、供水、 污染物治理基础设施共享的情况，主要有共享区外基础设施和基础设施被区外共享两种 情况。在核算过程中，准确分割排放主体、准确核算基础设施的直接和间接排放比较困 难，但这一工作对园区碳排放的准确性以及减碳措施的制定意义重大。 3）园区碳排放核算基础数据甄别尚待规范 在国家统计体系中，工业园区并非专门的统计单元，未能像城市一样有较为完备的 统计机构

下图是一个典型的 AI 训练芯片的架构，主要包括： 1) CUDA： CUDA 是一种将 GPU 作为数据并行计算设备的软硬件体系，不需要借助图 形学 API，而是采用了比较容易掌握的类 C 语言进行开发，开发人员能够利用熟悉的 C 语言比较平稳地从 CPU 过渡到 GPU 编程。与以往的 GPU 相比，支持 CUDA 的 GPU 在架构上有了显著的改进：1）采用了统一处理架构，可以更加有效地利用过去 6.16 亿次；据《Fortune》杂志，每次用户与 ChatGPT 互动， 产生的算力云服务成本约 0.01 美元。基于此，推算 ChatGPT 单月运营对应成本约 616 万 美元。与训练阶段相比较而言，同样接近 1 个月的耗时，假设根据 Lambda 测算 3640 PFlop/s-day 的训练算力需耗费 466 万美元，单位算力成本固定，ChatGPT 运营阶段的推 理过程所需算力基础

1  主要方法 • 现金折现：对企业未来的现金流量及其风险进行预期，然后选择合理的折现率，将 未来的现金流量折合成现值。 • 比较法：这是一种对企业估值的一种快速简便方法，在其他有类似“特征”的企业里 寻找比较对象，从而比较得出企业估值。 • 目标收益法：通过估测待未来预期收益，将其通过适当的折现率折算为现值并加和， 以此来确定创意权益市场价值。  考虑因素 • 提供全面的数据分析模型  提供强有力的分析工具 采购平台数据分析支持 XX 集团统一采购平台—现有采购平台差距分析 当前（ XX 集团内部各自主品牌独立的采购平台）与目标（建立集团统一采购平台）还存在比较大的差 距，主要问题存在于平台体系和内部协同两个方面，导致流程无法固化进既有的平台，平台无法统一。 – 75 平 台 体 系 内 部 协 同 XX 统一采购平台实现的难点之一在于： 制不一样，没法达成统一标准。 采购过程不是孤立的，需要和多个部门（研发，生产，销售等）进行数据关 联，但目前还有待完善 职能部门：质量，商务、财务和采购分离 XX 统一采购平台的另一个难点在于： 目前统一协作程度比较低，在采购流 程中，质量、采购、商务等都是分离 的。未来需要更多的部门协同采购， 优化采购流程。 供应商编码等标准不统一 供应商管理平台缺失 采购系统彼此独立 供应商库无法统一 供应商交互数据无法统一

Map，采用Google Earth Engine （GEE）进行标注，具体方法参见附件3。 ▪ Tier2园区和Tier3园区的屋顶数量较多，采用 与Tier1园区相同的人工标注方法会导致巨大 的工作量，比较耗时。因此，我们最终采用了 基于人工智能技术批量提取的公开屋顶数据 集，并通过微软建筑足迹（MBF）获取屋顶数 据，具体方法与操作步骤见附件3。 2.2 采用土地利用类型分类评 估光伏项目开发技术潜力 度。这种方法是最快获得可用信息的方法，仅需要地理信 息系统且支持全球尺度，是评估全球范围内用地信息的唯 一方法。这种方法的缺点是会损失一定的准确度，如果要 进行实际施工，还需要其他方法加以佐证。该方法和同类 方法的比较详见表2。 一般来讲，除了可以从资源和地理的大范围尺度考察 屋顶太阳能的光伏潜力之外，涵盖诸多技术特性因素（如 效率、容量、稳定性和性能）进行评价的技术潜力，可以更 准确地表征太阳能光伏系统技术变化对项目发电量及装机 量。全球估值法在确定风能潜力评估值后，需要根据不同园 区面积比例对该潜力值进行统一化处理，其适用于中观层面 颗粒度要求不高的批量研究对象，弱化了对各个园区的特征 性考察，稍显粗糙。度电成本最小化法适用的地理尺度比较 大，研究范围大于3万平方千米（Jäger et al.，2016），超过大 多数海外园区的面积，故本研究不使用该方法。对于综合参 数集成法，目前Global Wind Atlas 等风能潜力评估平台大