基于场景的个人碳账户和绿色信用模型构建研究——以校园大学生为例

孙玮 SUN Wei；侯金柯 HOU Jin-ke；张帆 ZHANG Fan；程亚如 CHENG Ya-ru

（河北经贸大学金融学院，石家庄 050000）

0 引言

在全球气候变化背景下，实现低碳经济转型是经济社会发展的必然选择[1]。国务院印发的《2030 年前碳达峰行动方案》将“绿色低碳全民行动”列为“碳达峰十大行动”之一。该行动方案要求，鼓励全民践行绿色低碳行动，增强全民节约意识、环保意识、生态意识，倡导简约适度、绿色低碳、文明健康的生活方式，把绿色理念转化为全体人民的自觉行动，积极推行绿色低碳生活，实现低碳环保。

本文按照这一要求，探索低碳行为向个人信用转化的方式，首先，构建个人碳账户，在个人层面，围绕衣食住行游的每一次碳减排行为，设计指标进行量化和记录，为个人碳减排行为提供统一标准，凭借碳账户可以作为绿色信用建模的基础。其次，本文尝试将碳账户和个人信用对接起来，通过重新设计信用评级模型，对低碳行为进行建模，将低碳行为纳入个人绿色信用体系。本文利用分类准确率较高但解释力不强的证据权重（WOE）与信息价值（IV）方法，对特征变量进行筛选后，通过具有解释能力的Logistic回归模型建立信用评分卡，从而兼顾模型的预测准确率和解释能力。该模型为碳信用和个人信用的有效链接提供了方法，对行为人个人绿色信用水平进行预测具有合理性和实际可操作性。最后，选取校园场景进行模型的实证研究，在校园出行、宿舍节电、光盘行动、图书馆打卡、操场运动等众多校园场景下，应用个人碳账户将行为人在各个分散化平台上的低碳行为，包括每一次的节电、节约粮食等低碳行为，按照科学的方法量化，实现对学生低碳行为的记录，通过数据准备、变量设置、变量筛选等方法，并根据场景需求及业务数据特点，选择合适的特征变量，带入个人绿色信用模型，得出相应的验证结果。

1 文献综述

2022 年10 月，党的二十大报告提及“完善碳排放统计核算制度，健全碳排放权市场交易制度”。由此，作为碳市场的一个分支，企业碳账户和个人碳账户在碳减排上发挥了重要作用。

个人碳账户最早由英国环境部长David Miliband 提出，是个人碳资产管理的交易账户，用于衡量人们日常活动的碳排放量[2]。现阶段，个人碳账户可看作是碳市场的一个分支，用户将碳排放量储存在碳账户，经过系统计算转换为相应碳积分，凭借碳积分可兑换福利。邱峰，邵成多（2023）指出个人碳账户或可定义为，实时记录个人在不同生活场景下的低碳行为数据，根据评价体系进行量化，转换为碳积分（资产），继而将碳账户余额与授信优惠、礼品和服务兑换、碳市场交易等权益相挂钩，对个人形成正向激励，从而让个人低碳行为更有价值[3]。

个人碳账户与低碳行为相联系，个人碳账户的盈余主要来自低碳行为的量化，低碳行为就是指生活作息时所耗用的能量要尽力减少，从而减低碳排，特别是CO2的排放量，从而减少对大气的污染，减缓生态恶化。个人低碳行为依据权威的方法学进行测算，当前应用最为广泛的是CCER 测算法，测算的具体范围包括日常生活与消费用能、交通出行、循环利用等行为。从节约纸张、用电、用水等，折算个人低碳行为节省的碳排放量。

吴嘉莹等（2019）提出个人碳账户的建立和发展能有效降低碳排放[4]。孙传旺，魏晓楠（2022）梳理了不同类型社会主体碳账户构建的方法以及碳账户应用的主要模式[5]。另有学者研究了利用个人碳账户数据反映出的低碳行为特征，得出碳行为与个人信用的内在关系，为未来碳账户转换信用分提供依据。

本文对校园低碳行为场景化细分后，可以从学校情况、学习情况、生活情况、运动情况和善度行为等方面进行界定，在这些细分场景中，可以反应学生的低碳行为，即通过采用更节能、更绿色的生活方式主动减少碳排放。

2 构建融入证据权重的信用评分卡模型

2.1 分箱与WOE 编码 基于机器学习的方法，对样本特征进行挖掘，首先需要进行分箱处理，将数据进行离散化处理，接着再进行WOE 编码处理，最后再筛选出与模型相适应的解释变量。

分箱是将连续变量转化为离散值的过程，即把连续的数据值按照不同类别分成几组，再根据不同的类别重新划分特征，进行离散化。特征离散化之后，组内差异小，组间差异大，模型会更加稳定，降低了模型过拟合的风险。分箱之后需要对变量进行编码。

WOE（weight of evidence）称为证据权重，是一种针对原始变量的编码形式。要对某个变量进行WOE 编码，首先需要对这个变量进行准确且有效的分组。公式（1）表示“当前分组中负样本占所有负样本的比例”和“当前分组中正样本占所有正样本的比例”的差异。

从WOE 的公式中可以看出，该分组中负样本率越小，则这种差异越小，WOE 越小；负样本率越大，则这种差异越大，WOE 就越大，该分箱的负样本比例越高。也就是说，通过WOE 变换，特征值不仅仅代表一个分类，还代表了这个分类的重要性，即对最终信用评估结果的贡献度。

2.2 计算信息值IV IV（information value）称为信息价值，是衡量特征区分度的一种指标，常用来评估指标对风险的预测能力，可用来快速筛选变量/特征，取值范围是[0，+∞）

信息值IV 衡量的是某一变量的信息量，其决定了自变量对目标变量的影响程度。其中，n 为变量分组的个数。

信息值IV 的大小也衡量的是特征变量与目标变量相关性的强弱。一般认为，IV≤0.03，相关性较弱；IV≥0.03，相关性很强。

2.3 基于逻辑回归的个人信用评分卡模型 在信用评分卡建模中，可用的方法有很多种，其中Logistic 回归是运用比较广泛的一种。同时，由于是否违约是一个二元离散变量，不能利用简单的线性回归模型，而应该采用Logistic对被WOE 编码后的定量变量和定性变量进行回归。

在探索个人碳账户的信用评价样本中，学生的“好”“坏”样本数量欠缺，参考小样本学习算法。在对定量变量和定性变量的分变量进行WOE 编码后，筛选出满足要求的解释变量。对各变量的分变量进行回归，可得到各分变量对应的分值，进而可计算出样本学生的绿色信用评分。

3 基于校园场景的学生低碳行为的实证研究

3.1 场景选择 个人低碳行为的绿色信用模型的构建需要选择合适的研究对象和模型训练场景。在校园场景中，围绕学生的衣食住行学等方面，学生具有低碳的良好行为，在一定的地理范围内活动，形成涵盖学习、生活、运动等各个方面的低碳行为数据，且均有校园系统进行记录。因此，本文以校园为场景探索个人碳账户在绿色信用评估中的应用具有典型性和代表性。

本研究碳账户信息采集工作通过问卷调查集及访谈形式获取，未通过智能设备采集，所以无法覆盖所有低碳行为，且个人碳足迹与减碳行为大多出于调研者自愿，信息的广度、准确性会受到影响，但模型构建的理念及评估方法不受影响。

3.2 校园碳账户构建 构建学生减碳行为的特征指标，筛选低碳行为信息，将信息转换为信用，信用转化为贷款。在选择场景的基础上，评估指标设计参考相关文献及一些权威机构的模型，并咨询信用评价方面的专家，初步确定了12 个低碳行为指标纳入个人碳账户。指标主要包括5 个维度：学生信用情况类变量2 个、学习情况类变量3 个、生活情况类变量2 个，运动情况类变量3 个和善度行为类变量2 个。各项指标数据来源为通过调查问卷获得，在学生填写调查问卷中，可通过查询相应系统得到。同时，模型部署后，低碳行为数据能够经过行为人授权，通过接口的方式从校园场景范围内的相关系统查询到。

具体细项如表1 所示，针对学生的低碳行为，选取宿舍、食堂、图书馆、操场等场景，分析相应的按时就寝次数、食堂规范就餐次数、图书馆学习时长、操场运动时长数据，其中，针对规范就餐、就寝的次数，或是学习、运动时长，不是关注具体数值，而是范围，规范学生的低碳的衣食住行行为属于什么水平，对构建低碳行为评分模型有什么解释作用。所以对数值型数据，进行离散化处理，比如每周规范就餐次数的范围在0 到30 次之间，我们把0 到20 按照5为一个档位，分为4 档，用0、1、2、3 这样的数值来表示。

表1 学生个人碳账户变量名称

将这些行为记录在个人碳账户，纳入绿色信用模型评分，对于鼓励低碳行为，实现双碳目标具有重要的现实意义。

芝麻信用评分通过查询支付宝获得，通过对海量信息数据的综合处理和评估，分析大量的线上交易及行为数据，进而得出行为人的信用评分，因此，选取芝麻信用能够对学生信用进行评估。教师评价是对学生在校行为的综合测评，能够对学生的表现进行评价，根据学工系统，教师评定为优设为3，良设为2，中为1。学习成绩：根据学校教务系统，将学习成绩最近一个学期的平均分在90-100 分的设为4，在80-90 分设为3，70-80 分设为2，70 分以下设为1。图书馆学习时长：以一个自然月为周期，计算时长，折算成平均每天的图书馆打卡时长，在合理学习时长内，时间长则更具有绿色能量。图书馆借书次数：以一个自然月为周期，以系统记录的借书次数，计算平均值，借书次数越多则更具有绿色能量。食堂规范就餐指就按照一日三餐的规则在校园食堂打卡，能吃完餐盘事物，剩餐少，没有浪费，如果经常不能按时就餐，或食物剩余，则视为不规范的低碳行为。通过查询学校卡务系统，将每月在食堂规范就餐25 次以上的设为1，15-24 次的设为2，5-14 次设为3，4 次以下设为4。宿舍节电（规范就寝），指根据学校门禁系统，每晚在21：00-22：00 之间回寝，按时就寝，如果熄灯后还看电子设备，意味着多消耗电能，则为不规范就寝。规范就寝的次数每月25 次及以上设为1，15-24 次的设为2，5-14 次设为3，4 次以下设为4。 操场运动时长：以一个自然月为周期，以系统记录的时间，计算时长，折算成平均每天的运动时长，在合理运动时长内，运动时间长比运动时间短更具有绿色能量。运动次数：以一个自然月为周期，以系统记录次数计算，在合理运动次数内，运动次数多比运动次数少更具有绿色能量。公益活动和竞赛：公益活动代表为社会做出贡献、传递正能量，竞赛代表学以致用的能力，每学期参加公益活动和竞赛的次数越多越能代表绿色行为。在校园出行上，共享单车/电车出行可以看作是低碳行为，单车相比电车更具有节能性，将单车在共享出行的使用率作为衡量指标，以自然周为周期，计算使用次数，一周中电车使用次数与单车使用次数的比例，比值越小说明使用单车越多，越具代表低碳行为。

3.3 个人绿色信用等级制定 采用上述方法，通过对反应低碳行为的各个指标进行选择、计算、分类和汇总，得出各指标的Logistic 评分，形成系统完整准确的绿色信用评分卡。根据绿色信用风险评分卡，可直接得出行为人的绿色信用评分，具有实际业务的可解释性和操作应用价值。

如表2 所示。评分卡将每个指标的实际值划分为两档或三档，评分时，在基础分上逐一加上每个评级指标对应的分档得分（负分为减去），得到最终的绿色信用评分。结果分数越高，代表该行为人绿色信用资质越好，出现信用违约的概率越低。

表2 各变量所对应的分变量得分

4 结论与展望

4.1 在场景中践行低碳行为，提高全民的“碳素质”低碳行为要在具体的场景下界定，从人们日常生活消费入手，统一碳足迹计算口径，规范可核准的碳减量标准，在不同场景中，包括出行、购物、居家等生活消耗中，建立个人碳信息数据库。数据库应该可以自动、动态获取行为人在各个场景中相关方面的碳信息，形成个人碳账户。培养大众环保意识，为行为人主动参与碳减排提供有效途径，提高全民的“碳素质”。

4.2 构建完整的个人绿色信用评分体系，并规范发展第三方评级机构 进一步将个人绿色信用信息，与个人信用评分对接，将减碳信息纳入个人征信系统，建立完整的个人信用评分体系，实现个人绿色信用信息数据共享，最终形成完善透明的个人绿色信用体系。此外，第三方评级机构尤其是个人信用评级机构的发展和规范，是构建完整的个人绿色信用评级体系的重要一环，也是鼓励低碳行为发展的坚实基础。