2026.03.18

AEWIN 已完成 2025 年碳足跡驗證

分享:

介紹

隨著可持續性成為全球優先事項,組織被期望能更好地理解和管理其溫室氣體(GHG)排放。碳足跡驗證有助於量化排放、識別主要來源並支持長期減排規劃。作為其ESG承諾的一部分,AEWIN每年進行碳足跡驗證,以確保透明報告和負責任的環境管理。

 

碳足跡驗證

碳足跡驗證涉及識別、測量和報告由組織活動產生的溫室氣體(GHGs)排放。這一過程不僅有助於識別排放來源,還為制定有效的減排策略奠定基礎。對於AEWIN來說,這與公司的ESG路線圖相一致,強化了其對可持續性和負責任治理的承諾。

 

GHS 驗證方法

AEWIN 2025 年的碳足跡驗證遵循 ISO 14064-1:2018 標準。它確保了公司運營邊界內所有溫室氣體 (GHG) 排放的全面文件記錄和準確報告,涵蓋其位於台灣新北市的總部、工廠和倉庫。

排放被分類為:

-        類別 1 (直接排放):這些直接排放來自固定和移動燃燒源,例如公司車輛和現場燃料使用。AEWIN 也考慮了來自設備的排放,如滅火器、冷卻單元和一氧化碳。2氣缸(用於汽水機),提供其直接溫室氣體影響的完整圖景。

-        類別 2 (間接排放):從台灣電力公司購買的電力來源是間接排放的主要來源。

-        類別 3(間接排放):它涵蓋了員工通勤和商務旅行。

-        類別 4(間接排放):由組織使用產品或服務所產生,涉及上游排放,包括購買的電力和水資源。

碳足跡計算

AEWIN 使用了基於 ISO 14064-1:2018 和 2021 年 IPCC 第六次評估報告 (AR6) 的以下標準公式:

GHG 排放 = 活動數據 × 排放因子 × 全球變暖潛力 (GWP)

-        活動數據代表某項活動的數量,例如燃燒的燃料量或生產的產品數量。

-        排放因子是每單位活動排放的溫室氣體量,例如每升汽油產生的二氧化碳量。

-        全球暖化潛勢 (GWP) 是衡量溫室氣體相對於二氧化碳的暖化影響的一種指標。對於 GWP 的數值,AEWIN 依據最新的 IPCC AR6 標準進行應用。

透過這項計算,總溫室氣體排放量可以以二氧化碳當量來確定。

 

AEWIN 2025 年碳足跡聲明

AEWIN的碳足跡驗證結果揭示了該公司對環境影響的關鍵見解。針對2025年1月1日至2025年12月31日的期間:

排放類別

百分比 (%)

tCO2e

類別 1

直接排放

2.89

39.4086

類別 2

間接排放

購買電力

47.53

649.0327

類別 3

通勤與旅行

38.42

524.6818

類別 4

上游能源/水

11.17

152.4874

總排放量

100

1365.6105

-        直接溫室氣體排放(類別 1):AEWIN 的直接溫室氣體排放量為 39.4086 公噸二氧化碳2,佔公司總排放量的2.89%。

-        間接溫室氣體排放(類別 2+3+4+5):間接排放總計 1326.2019 公噸二氧化碳2,佔整體排放的97.11%。

這個全面的分析幫助AEWIN了解不同活動的相對影響,並識別未來改進的潛在領域。

 

結論

AEWIN 每年進行碳足跡驗證,以履行其對 ESG 透明度和環境責任的承諾。通過建立全面且經認證的溫室氣體 (GHG) 清單,該公司能夠更清楚地了解其排放來源及改進機會。通過持續監控和負責任的運營管理,AEWIN 旨在為環境和社會提供可持續的價值。

相關訊息

面向Neocloud時代的機櫃級AI基礎架構設計
2026.09.24

面向Neocloud時代的機櫃級AI基礎架構設計

生成式AI與Agentic AI應用持續發展,加上日益加劇的AI訓練與推論工作負載,對運算吞吐量、記憶體、網路與儲存能力提出前所未有的要求。因此,AI基礎架構已無法再以獨立伺服器為核心進行設計。隨著專業化 Neocloud服務供應商興起,產業進一步朝向機櫃級架構發展,將運算、網路與散熱管理整合於同一架構中,以實現高效率且具高度適應性的AI運算能力。

打造可擴展的AI與雲原生應用基礎架構
2026.09.09

打造可擴展的AI與雲原生應用基礎架構

隨著AI應用與雲原生應用持續重塑企業IT環境,基礎架構必須能夠支援日益多元且動態的工作負載。從虛擬化、分散式服務到資料密集型應用,現代資料中心需要在運算、記憶體、儲存與I/O效能之間取得平衡。隨著工作負載需求持續演進,基礎架構也必須具備更高的擴充能力與效率。

高密度 AI 基礎架構:以先進散熱技術提升運算效能與擴展能力
2026.09.02

高密度 AI 基礎架構:以先進散熱技術提升運算效能與擴展能力

As AI workloads demand greater processing power, data centers must achieve higher compute density and superior thermal efficiency while minimizing space and energy footprints. Integrating high-power CPUs and GPUs into compact server platforms makes advanced thermal management a critical factor in sustaining performance and optimizing infrastructure efficiency.

洽詢車

你的洽詢車總計 0 件產品

產品比較

你的比較總計 0 件產品

訂閱電子報

數字驗證

請由小到大,依序點擊數字

我們使用 cookies 以確保我們的網站正常運作,個性化內容和廣告,提供社交媒體功能並分析流量。我們還會與社交媒體、廣告和分析合作夥伴分享您使用我們網站的信息。

管理Cookies

隱私權偏好設定中心

我們使用 cookies 以確保我們的網站正常運作,個性化內容和廣告,提供社交媒體功能並分析流量。我們還會與社交媒體、廣告和分析合作夥伴分享您使用我們網站的信息。

管理同意設定

必要的Cookie

一律啟用

這些 cookies 是網站運作所必需的,您無法在系統上關閉它們。

這些 Cookie 通常僅在您執行某個動作(即服務請求)時設置,例如設置隱私偏好、登錄或填寫表單。

您可以設置瀏覽器以阻止或提示您這些Cookie,但這可能會導致某些網站功能無法正常運作。