假设有一场三万人规模的比赛，赛程、球队、票价都完全一样，唯一的变量是举办城市。把它放到城市A，碳足迹报告可能显示出一个数字；换到城市B，同样的比赛、同样的观众规模，数字可能明显更高。这不是数据错了，而是比赛之外的一整套条件本来就不一样：谁开车来、谁坐地铁来，酒店离场馆有多远，当地一度电背后对应多少排放，这些因素叠加起来，足以让两场"相同"的比赛产生并不相同的碳足迹。

为什么不能只比总量，要比结构

很多关于赛事举办城市的讨论，习惯直接比较两个城市各自的碳足迹总量，哪个数字小就说哪个城市更"绿色"。这种比较方式忽略了一个关键问题：总量背后的构成可能完全不同。城市A的排放主要集中在场馆运营，城市B的排放主要集中在观众交通，即便两个总量接近，能够采取的改善措施也完全不一样。只有把总量拆解成交通、住宿、场馆运营等具体构成部分，才能看清楚每个城市各自的问题出在哪里，也才能判断哪些差距是可以通过运营调整弥补的，哪些差距是由城市基础设施决定、短期内难以改变的结构性因素。

假设场景：城市A与城市B

为了说明这一点，这里构造一个纯粹用于方法说明的模拟场景，数字不对应任何真实赛事。城市A有一条地铁线路直通场馆门口，公共交通接驳便利，假设当地观众里有六成选择地铁或公交前往，两成拼车或打车，剩下两成自驾。城市B缺少轨道交通覆盖，场馆位于城市边缘，停车场规模很大，假设同样规模的观众里有六成自驾，公共交通使用比例不足两成。仅这一项差异，就会让城市B观众交通部分的活动数据（Activity Data）对应的排放显著高于城市A，因为小汽车的人均排放通常远高于轨道交通。

住宿距离拉开第二道差距

第二个变量是住宿。城市A的比赛安排在周末下午，大部分观众可以当天往返，不需要在举办地过夜；城市B的比赛因为跨城观众比例更高，加上开赛时间较晚，相当一部分观众和随队人员需要提前一到两晚入住酒店。酒店住宿本身的能耗，加上多出来的一到两晚交通和活动安排，会让城市B的Scope 3排放再叠加一块，这部分很容易被主办方忽略，因为住宿安排通常由观众自行决定，不在赛事直接组织的范围内，但从碳核算的角度看，只要是因为这场赛事产生的关联活动，就应该纳入统计。

电网结构决定的第三重差距

第三个变量最容易被忽视，却往往是差距最大的一项：电网排放因子（Emission Factor）。同样一度电，在以煤电为主的电网体系里和以水电、风电为主的电网体系里，对应的碳排放系数可以相差好几倍。如果城市A的电网结构里可再生能源占比较高，城市B以火电为主，那么即便两座场馆当天的用电量完全一致，换算出来的Scope 2排放也会明显不同。这意味着一场赛事选择在哪个城市举办，本身就是一个影响碳足迹的结构性决策，而不只是物流和票务层面的考量。而且电网排放因子并不是一成不变的，同一座城市在不同季节、不同时段，电网里各类发电方式的占比也会波动，比如枯水期水电出力下降、火电占比相应上升，这意味着即便是同一个场馆，选择不同的举办时间，对应的电网排放因子也可能有所差异，这个细节在精细化核算中同样值得纳入考虑。

三个变量放进同一张表

把交通结构、住宿分布和电网排放因子放进同一个模拟对比表，结果大致会呈现这样的结构：

  • 交通结构差异：城市B的观众人均交通排放明显高于城市A，主要来自自驾比例的差距
  • 住宿分布差异：城市B因跨城观众比例更高，住宿相关排放显著增加
  • 电网排放因子差异：即便用电量相同，城市B的Scope 2排放系数可能更高
  • 三者叠加后，城市B的总碳足迹可能明显超过城市A，即便观众规模和比赛本身完全一致

这个模拟场景想说明的核心问题是，赛事碳核算不能简单套用"观众人数乘以一个固定系数"这种算法。固定系数假设了所有观众的出行方式、所有城市的电网结构都是一样的，但现实里这两个前提都不成立。赛事碳核算的边界确定之后，具体到每一场比赛，交通结构、住宿分布和当地电网组成，都是决定最终数字绕不开的变量。需要强调的是，这三个变量之间也不是完全独立的，一座轨道交通发达的城市，往往也意味着人口密度更高、场馆离市中心更近，这又会反过来影响观众的平均出行距离，进一步放大或者缩小交通结构带来的差距，这也是为什么单变量的估算方式很容易得出偏差较大的结论。

赛程安排本身也是一个变量

除了城市的基础设施差异，比赛本身的时间安排也会影响碳足迹的结构。一场安排在周末白天的比赛，观众可以选择的交通方式更多，公共交通班次也更密集；如果比赛安排在工作日晚间，末班地铁或公交可能已经收班，观众被迫选择打车或自驾，交通排放结构会因此发生变化。类似地，如果同一支球队在短时间内需要连续客场作战，跨城差旅的频率增加，运动员和随队人员对应的交通活动数据也会随之上升。这些因素虽然不像电网结构那样是固定不变的城市属性，但同样会在跨城市对比时造成差异，评估赛事碳足迹时需要一并纳入考虑，而不是只盯着城市层面的静态指标。

模拟场景的局限性也要说清楚

这里用到的城市A和城市B对比，本质上是一个简化过的教学案例，现实中的城市差异远比两个变量复杂。实际的碳足迹评估还需要考虑当地的天气条件对空调负荷的影响、场馆本身的建筑能效水平、赛事举办季节对住宿需求的影响等更多因素。用两座假设城市做对比，目的是把交通结构、住宿分布和电网组成这几个核心变量单独拎出来，让读者理解它们各自的作用机制，而不是提供一个可以直接套用的计算公式。真正给一场具体赛事做碳足迹评估时，仍然需要结合当地实际的数据采集流程，逐项核实活动数据，而不能只靠几个假设参数就得出结论。

对主办方意味着什么

对赛事主办方来说，这个结论有实际的操作意义。如果一项赛事需要在多个候选城市之间选择举办地，碳足迹只是众多考量因素之一，但了解不同城市的结构性差异，至少可以帮助主办方提前预估碳足迹的量级，也可以在赛事组织阶段有针对性地做一些调整，比如为观众提供公共交通接驳优惠，或者协调更靠近场馆的酒店资源，从而在不改变赛事本身的前提下，适度降低关联排放。米兰体育在处理跨城市赛事对比时，会把这三类结构性变量单独列出来，而不是笼统给出一个总量数字了事，这样报告的使用者才能理解差距具体来自哪里，而不是只看到一个抽象的总数。

跨城市巡回赛事需要单独处理

对于需要在多个城市之间巡回举办的赛事系列，比如同一项赛事的分站赛，跨城市差异带来的影响会被进一步放大。每一站的电网结构、交通条件和住宿分布都不一样，如果用同一套系数去估算每一站的碳足迹，得到的结果很可能严重失真。合理的做法是为每个举办城市分别建立当地的排放因子和交通结构参数，逐站单独核算，再汇总成整个赛事系列的碳足迹。这个工作量比套用统一系数大得多，但也是唯一能反映真实情况的做法。对于希望长期跟踪自身碳足迹变化趋势的赛事主办方而言，这种分城市、分站次的核算方式，还能帮助识别出哪几站的碳足迹结构存在明显改善空间，为后续巡回赛事的城市选择和运营安排提供参考依据。