Python/SQL 在氣候金融的應用：零基礎到實戰完整指南

為什麼氣候風險分析師需要 Python？

3 個真實場景

💡 核心價值：Python 不是為了炫技，而是省時間。你可以把省下的時間用來思考策略，而不是做重複工作。

Part 1：Python 基礎速成（1 小時學會）

你只需要學這 5 個概念

# 把數字 100 放進名為 carbon_emission 的盒子
carbon_emission = 100

# 把文字放進盒子
company_name = "台積電"

# 把清單放進盒子
portfolio = ["台積電", "中華電信", "台塑"]

# 定義一個計算碳排的函數
def calculate_carbon(energy_use, carbon_factor):
    carbon = energy_use * carbon_factor
    return carbon

# 使用函數
result = calculate_carbon(1000, 0.5)
print(result)  # 輸出：500

# 對清單中每家公司做同樣的事
companies = ["台積電", "中華電信", "台塑"]

for company in companies:
    print(f"正在分析 {company} 的碳排放...")

carbon_emission = 1500

if carbon_emission > 1000:
    print("高碳排企業")
else:
    print("低碳排企業")

import pandas as pd

# 讀取 Excel
df = pd.read_excel("企業碳排.xlsx")

# 篩選碳排 > 1000 的企業
high_carbon = df[df['碳排放'] > 1000]

# 輸出到新的 Excel
high_carbon.to_excel("高碳排企業.xlsx")

就這樣！你已經學會 80% 氣候金融會用到的 Python 知識。

Part 2：實戰案例 1 - 用 Python 計算 Scope 3 碳排放

情境：你有 100 家授信企業，需要計算它們的融資碳排

PCAF 公式：
融資碳排 = 企業碳排放 × (授信額度 / 企業總資產)

Step 1：準備數據（Excel）

Step 2：Python 程式碼（可直接複製）

import pandas as pd

# 讀取 Excel
df = pd.read_excel("授信組合.xlsx")

# 計算融資碳排（PCAF 公式）
df['融資碳排'] = df['企業碳排放'] * (df['我的授信額度'] / df['總資產'])

# 計算總融資碳排
total_financed_emissions = df['融資碳排'].sum()

print(f"投融資組合總碳排：{total_financed_emissions:,.0f} 噸")

# 找出碳排最高的前 10 家企業
top10_carbon = df.nlargest(10, '融資碳排')[['公司名稱', '融資碳排']]
print(top10_carbon)

# 輸出結果到新 Excel
df.to_excel("融資碳排計算結果.xlsx", index=False)

💡 這段程式碼可以在 10 秒內完成 100 家企業的融資碳排計算。如果用 Excel 手動算，至少要 2 小時。

Part 3：實戰案例 2 - 用 SQL 查詢 CDP 數據庫

情境：你想找出「台灣科技業中，有設定減碳目標的公司」

SQL 查詢語法

SELECT 
    company_name AS 公司名稱,
    sector AS 產業,
    carbon_reduction_target AS 減碳目標,
    target_year AS 目標年份
FROM 
    cdp_responses
WHERE 
    country = '台灣'
    AND sector = '科技業'
    AND carbon_reduction_target IS NOT NULL
ORDER BY 
    target_year ASC;

在 Python 中執行 SQL

import sqlite3
import pandas as pd

# 連接資料庫
conn = sqlite3.connect('climate_data.db')

# 執行 SQL 查詢
query = """
SELECT company_name, carbon_reduction_target, target_year
FROM cdp_responses
WHERE country = '台灣' AND sector = '科技業'
"""

df = pd.read_sql(query, conn)
print(df)

# 關閉連線
conn.close()

Part 4：學習資源推薦

Python 學習路徑（零基礎 → 能用於工作）

SQL 學習資源

• SQLZoo（免費）：互動式學習，邊做邊學
• Mode Analytics SQL Tutorial（免費）：專注於數據分析場景
• LeetCode SQL 題庫（免費）：練習 SQL 解題能力

常見問題（FAQ）

Q1：我完全沒學過程式，真的學得會嗎？

A：可以。Python 被設計成「最接近人類語言的程式語言」。而且你不需要成為工程師，你只需要會5 個基本概念（見 Part 1），就能解決 80% 的工作問題。

Q2：要花多久時間才能用於工作？

A：2 個月。每天 1 小時，8 週後你就能寫出「計算融資碳排」這類實用程式。

Q3：需要買什麼軟體或設備？

A：完全免費。

• ✅ 下載 Anaconda（免費）：包含 Python + Jupyter Notebook
• ✅ 普通筆電即可（不需要高規格）

Q4：學 Python 後薪資會提升嗎？

A：根據 2026 年數據：

• 不會 Python 的氣候風險分析師：NT$ 120-150 萬
• 會 Python 的氣候風險分析師：NT$ 160-200 萬
• 薪資提升 20-30%

結論：技術是槓桿，不是門檻

很多人被「程式設計」這四個字嚇到，但其實Python 只是工具，就像 Excel 一樣。

關鍵差別是：

• Excel：適合 100 筆以內的數據
• Python：適合 1,000 筆以上的數據

當你需要分析整個授信組合（500+ 家企業）的碳排時，Python 不是選項，是必需。

記住：每個 Python 高手，都是從複製貼上別人的程式碼開始的。不要怕，動手做就對了。