温室气体碳排放预测模型研究进展与分析

孟繁健 贺思思 郭家宏 郝优优 李丽芬 孟凡旭

摘 要：中国温室气体排放量在全球范围内占较大比例，为碳排放大国，减排压力巨大。为了更好地进行碳排放预测，估算中国碳减排潜力，文章对六种常用的碳排放预测模型从基本优缺点比较、基础数据的可得性、设计参数的难易程度等角度进行了分析，并根据相关文献与应用实例阐述了不同模型的碳排放预测应用差异和可行性。提出在碳排放预测的实际工作中，应当充分考虑本地区的产业经济、能源消耗等特征，筛选出碳排放的主要驱动因素，并根据不同因素对碳排放影响的权重选择适当的模型，以达到最好的拟合和预测效果的建议。

关键词：温室气体 碳排放预测 模型 优化

中图分类号：F205  文献标识码：A

文章编号：1004-4914（2015）11-216-04

引言

政府间气候变化专门委员会（Intergovernmental Panel on Climate Change， IPCC）第4次评估报告认为，以气温升高为主要特征的全球气候变化在很大程度上是由于人为活动导致的温室气体排放，尤其是化石能源使用引起的CO2的排放。2013年度《全球碳预算》报告指出，中国已成为化石燃料燃烧CO2排放量最大的国家，占全球总排量的27%，大于美国和欧盟排放总和，碳排放增长对全球增长量的贡献达到71%？譹？訛。2014年发布的《中美气候变化联合声明》中，中国承诺到2030年前停止增加CO2排放，即等于承诺2030年达到碳排放峰值点？譺？訛。因此，中国作为碳排放大国，在未来10—15年碳减排压力巨大。实行严格的低碳政策、减少化石能源的使用并提高能源使用效率是减少CO2排放的主要途径，而预测中国未来的碳排放量从而合理估算碳减排潜力则是制定减排目标的重要基础。

本文结合目前国内外碳排放预测的相关研究，重点介绍了IPAT、Kaya、STIRPAT、LMDI、LEAP、Logistic六种模型，并通过对这些模型的对比分析，总结出各种模型的特点、侧重领域和优化方向，对不同领域碳排放预测的模型选择提供了帮助。

一、六种预测模型特点与应用特征

20世纪70年代，Ehrlich等首次提出IPAT模型，其目的是为了辨别人口数量、富裕度、技术等人文驱动力中何种驱动力对环境压力的影响更为明显。该方程在大量学者经过反复讨论和验证后确定下来，具有简单实用的特点。20世纪末，在该方程的基础上，Kaya在IPCC研讨会上提出了Kaya恒等式，该恒等式是IPAT方程的一个具体应用，它通过构造链式乘积的形式分解出多个影响因素，将人类活动产生的CO2与人口数量、人均GDP、能耗强度等因子联系起来。1994年，York，Dietz 等基于IPAT模型提出了随机回归影响模型STIRPAT模型，该模型是多变量的非线性模型，分别考虑了人口、财富、技术等因素各自单独变动对环境的影响，被认为是定量分析人文因素对环境压力影响的一种有效方法。上述三种模型在碳排放预测领域最为常见，它们在构建碳排放分解模型上各具特色，但仍存在一定的局限性，如IPAT模型参数分解时没有同时考虑产业结构和能源结构的影响;Kaya模型仅能解释一次能源消耗对碳排放的贡献。

此外，国内外常用的碳排放预测模型还有LMDI模型，LEAP模型和Logistic模型，下文将具体介绍以上六种模型，并对其应用特征进行总结。

1.IPAT模型。1971年，Ehrlich与Holden？譻？訛提出用于评估环境压力的IPAT模型。反映的是人口、经济、能源与环境关系。

表达式：I=PAT

I为环境压力，可替代为CO2排放总量;P为人口;A为人均GDP;T为技术，可替代为能源消耗强度。

该模型认为环境压力受人口、GDP、技术三种驱动力共同作用，且与各驱动力间均成1：1等比例变化关系，即任何一个驱动力发生1%变化都会引起环境压力相应发生1%的变化？譼？訛。在此基础上，Waggoner等？譽？訛对其进行了改进，发展为ImPACT模型，m表示人为因素对I的影响，并且把IPAT等式中的技术T分解成单位GDP消费和单位消费产生的环境影响？譾？訛。这两种形式都属于IPAT模型，被认为是研究能源经济和碳排放峰值的重要方法之一。

2.Kaya模型。

20世纪末，日本学者Kaya Yoichi ？譿？訛提出Kaya模型，他认为一个国家或地区的碳排放量受到人口数量、人均GDP、单位GDP 能源强度以及单位能耗碳排放量四个因素影响。

其最初表达形式如下：

GHG=GHG/TOE×TOE/GDP×GDP/POP×POP=f·e·g·p，

其中，GHG为温室气体的排放总量;TOE为一次能源的消耗总量;GDP为国内生产总值;POP为总人口数量;f （GHG/TOE）为能源碳强度;e（TOE/GDP）为单位GDP的能源强度;g（GDP/POP）为人均GDP？讀？訛。

Kaya模型可定量分析碳排放过程中各种影响因素的相对重要性及其动态变化，揭示了碳排放主要的内在驱动力。这种方法得到了国际社会的一致认可，被广泛应用于各个国家和地区的碳排放量历史波动变化的驱动因素分析？讁？訛。

3.STIRPAT模型。STIRPAT模型是1994年由York，Dietz等基于IPAT模型提出的随机回归影响模型，是多变量的非线性模型，考虑了人口、财富和技术因素各自不同变动对环境的单独影响。

表达式：I=aPbAcTde，

其中，I为环境压力，在具体应用中可直接替代为碳排放总量;P为人口数量;A为富裕度;T为技术;a为模型的系数;b为人口数量指数;c为富裕度指数;d为技术人文驱动力指数;e为模型的随机误差（包括时间误差、区域误差及因素分解误差等）。

在实际应用中通常将STIRPAT模型转变为其对数形式：

I=f+b1np+c1nA+d1nT+g

其中，f，g分别为a，e的对数值。

这一转变过程同时引入了弹性系数的概念，较好地解决了模型的异方差性。此外，该模型还可进行扩展，被认为是定量分析人文因素对环境压力影响的一种有效方法？輥？輮？訛。

4.LMDI模型。20世纪末，Ang等？輥？輯？訛在Divisia分解法基础之上加以改进，消除了Divisia分解法的残差项并解决了“0”值问题，形成LMDI模型，即对数平均迪氏分解法（Log Mean Divisia Index）。该模型是一种因素分解方法，其针对的是一段时间内的能源需求或碳排放。

碳排放中，借助LMDI模型对碳排放进行因素分解，则区域碳排放量可以表示为：

式中，C为区域碳排放量;n为产业部门的个数;Ci为i部门或产业碳排放量;Ei为i部门的能源使用量;GDPi为i部门的国内生产总值;GDP为国内生产总值;P为人口数量;Ii（Ei/GDPi）为能源利用效率，即单位GDP消费能源;Si（GDPi/GDP）为产业结构，即i部门产值占总产值的比例;A（GDP/P）为人均GDP？輥？輰？訛。

根据区域碳排放分解模型，时间为基期“0”到“t”期，利用“乘积分解”和“加和分解”可得：

式中，为碳排放变化量，为能源效率（强度）变化量，为产业结构变化量，为人口规模变化量，经济增长变化量？輥？輱？訛。

LMDI模型将碳排放预测中碳排放的变化量分解为碳排放相关独立自变量变化量的和，以测量各独立自变量对碳排放变化量的贡献程度，是分析碳排放影响因素的方法之一。

5.LEAP模型。

LEAP模型由瑞典斯德哥尔摩环境研究所及美国波士顿劳伦斯·伯克利国家实验室所共同研发，是一个基于情景分析的能源环境经济综合模型？輥？輲？訛。该模型按照“资源”、“转换”、“需求”的顺序充分考虑了决定碳排放量的能源需求及供应平衡情况？輥？輳？訛。

能源需求和CO2排放的计算：

假设有m种能源和n个行业部门，各行业的能源需求由经济活动水平和单位经济活动水平下的能源强度决定，CO2排放由能源需求和碳排放系数决定，公式如下：

式中，为t时刻第i种能源消费总量;为t时刻第j部门综合能耗;为CO2排放量;为第j部门在t时刻的活动水平，多以部门产值或产品产量表示;为t时刻j部门单位活动水平下的能源消费强度;为第j部门对第i种能源的碳排放系数？輥？輴？訛。

该模型根据已划分的行业部门和不同部门的能源消耗量，在对政策、经济、产业或技术的重大演变提出各种关键假设的基础上，构想未来较长时期能源及其环境影响的各种可能方案，设计出不同发展情景下的能源消费模式，从而进行碳排放预测。

6.Logistic模型。

1920年由美国生物学家和人口统计学家Pearl和Reed共同提出？輥？輵？訛。由于现阶段对碳排放的研究，主要是静态计量或是引用《IPCC国家温室气体清单指南》中的全球标准？輥？輶？訛？輥？輷？訛，Logistic模型突破以往对于碳排放的静态评估，可对碳排放进行动态预测？輦？輮？訛。

式中，x为碳排放增量;t表示年份;K为碳排放最大容量;a不定常数;r为增长系数？輦？輯？訛。

根据相关学者的研究，能够较好描述形如“S”增长曲线的Logistic函数，数学计算较为简单且经济含义明显。Logistic模型的精确度受K值影响较大，但只要将K值确定在一个比较合理的范围内，它都可以给出一个较高的拟合度，而且预测的误差不论短期或中长期均处于较低的范围？輦？輰？訛。相比较而言，Logistic模型能够预测的区域碳排放时间更为长远且预测值更加准确。

二、六种模型在碳排放预测中应用可行性分析

从基础数据可得性和模型应用领域两个方面进行讨论，对六种模型进行综合比较，并以此得到应用可行性分析。

表1可知，IPAT模型的自变量为3个，计算过程简单;Kaya模型的自变量为4个，其中将IPAT模型中的“技术”分解为单位GDP 能源强度和单位能耗碳排放量;STIRPAT模型的自变量为3个，其中的能源强度参数需简单计算;LMDI模型的自变量为4个，计算过程繁琐;LEAP模型的自变量为2个，结果受能源种类和参与部门个数影响;Logistic模型的自变量为2个，碳排放最大容量由地区环境条件和能源状况决定，且计算过程繁琐。

表2可知，IPAT模型和STIRPAT模型在碳排放领域的应用最为常见;Kaya模型可以对减排方案的制定提供帮助;LMDI模型对碳排放影响因素的分析更为细化;LEAP模型对碳排放量的预测多为能源领域;Logistic模型适合动态预测。

根据以上分析，六种模型均可用于碳排放的预测，但不同模型所需的基本数据不同且收集难易程度各异，所选衡量指标不同导致适用领域不同。因此，在碳排放预测的实际工作中，应当充分考虑本地区的产业经济、能源消耗等特征，筛选出碳排放的主要驱动因素，并根据不同因素对碳排放影响的权重选择适当的模型，以达到最好的拟合和预测效果。

三、碳排放预测模型优化

从原理、公式、拟合度等角度分析得到了各个模型的优点和不足，并据此对预测模型进行选择优化。

1.模型优缺点对比。

表3可知，IPAT模型公式简洁，但无法消除同比例变动的局限;Kaya模型对碳排放驱动因素解释力强，但作用机制复杂，且只有与能源活动相关才有实际意义;STIRPAT模型消除了IPAT模型中的同比例变动的局限，但各变量间存在多重共线性;LMDI模型可观察各个因变量对碳排放量的具体影响，但分解时主观性大;LEAP模型具有良好的计算和情景分析功能，但不确定性较大;Logistic模型突破了以往的静态评估，但计算K值时易受主观影响。

2.模型优化。

（1）IPAT模型与LMDI模型的优化。IPAT模型存在对碳排放驱动因素分解不足的问题，导致难以确定每个因素对碳排放的影响。而LMDI模型主要应用于影响因素分析，适合作为辅助工具与其他碳排放预测模型进行组合。将IPAT模型与LMDI模型相结合，利用LMDI模型对IPAT模型中的碳排放影响因素进行进一步分解，选取影响较大的因素重新应用到IPAT模型中进行碳排放预测，可以大大减少因驱动因素选取或分解不当造成的误差。如赵奥等？輧？輳？訛利用LMDI与IPAT结合模型对驱动因素进行优化后，增加了碳排放量预测的准确性。

（2）Kaya模型的优化。Kaya模型驱动因素背后的作用机制复杂，可采用灰色关联分析法对其影响因素进行分析，以解释不同因素与碳排放量之间的关联度。如秦军等？輦？輲？訛以江苏省为例，利用灰色关联分析法对各驱动因素与碳排放量之间的关联度进行了分析，得到煤炭消耗量为影响该省碳排放量的最主要因素。

（3）STIRPAT模型的优化。STIRPAT模型中各变量间存在着多重共线性，为解决这一问题，需对其进行回归分析。在不剔除自变量的前提下解决的方法主要有主成分回归法、偏最小二乘法和零回归法？輧？輵？訛。主成分分析法是对原始数据进行分析与筛选，提取对因变量解释力最强的综合变量;偏最小二乘法多用在处理多自变量间严重共线性的问题，该方法将影响碳排放的众多因子简化为少数不相关因素？輧？輶？訛;岭回归是一种偏估计法，能够得到各参数和系数更显著的结果。此外还可采用加权回归法，该方法可以剔除相关性较小的自变量，并将空间效应和地区差异考虑在内，为实际应用中为驱动因素的筛选提供帮助。

（4）LEAP模型的优化。LEAP模型是一种“终端能源消费”模型，参数较少，但对动态碳排放量的预测存在不足。模型自身方面，可通过增加预测范围的划分维度并应用活动水平的预测方法增加预测精度，如将预测范围分为系统层、状态层、指示层等，或者增加活动水平的分级;在预测未来经济活动的水平时，提供了内推法，增长率法，弹性系数法三种方法？輧？輷？訛。

在LEAP模型与其它模型及方法的结合使用方面，可以与GM（1，1）模型和情景分析法同时结合，将所预测的数据最终集合到LEAP模型中，形成LEAP-EV模型？輨？輮？訛，该模型在处理能源环境碳排放预测数据时的精度更高;与Logistic模型结合，构建基于LEAP模型的物流能源模型LEAP-Logistic？輨？輯？訛，通过选择合适的函数，如线性函数、幂函数、增长曲线等，可以对变量进行曲线估计，计算各部门的能源强度和碳排放强度，完成对模型的参数设置，再通过LEAP模型模拟计算不同政策实施下的节能减排效果，达到对碳排放量的动态预测。

（5）Logistic模型扩展。为达到预定的减排目标，政府会实施一系列的减排政策。对Logistic模型拓展后，引入人为控制项，可实现对不同政策实施情形下碳排放量的预测。如邱世明等？輨？輰？訛的研究中用下列的扩展模型来表示不同人工干预情况下的CO2排放量，即：

式中，h为单位时间内CO2的减排量，与当前CO2量成正比;q为比例系数，表示人工干预强度，即CO2的减排强度？輨？輱？訛。该扩展模型通过改变q值而模拟不同政策下的减排力度，能够起到对减排政策的评估作用。

四、结论

IPAT模型在碳排放预测领域应用较早，其公式简洁，易被理解。但其存在对碳排放驱动因素分解不足等问题，在实际应用中，通常与LMDI模型组合使用，以减少因驱动因素选取或分解不当造成的误差;Kaya恒等式对IPAT模型进行了改进，将其中的“技术”因子进行分解，对碳排放驱动因素解释力增强。采用灰色关联分析法进行因素筛选，可以解决其应用范围仅限于能源活动相关领域的不足;STIRPAT模型在碳排放领域的应用较为常见，它消除了IPAT模型中的同比例变动的局限，但存在各变量间存在多重共线性的缺点，应用中常对其进行回归分析以增加预测的准确性;LMDI模型细化了碳排放影响的各个因素，可观察各个因变量对碳排放量的贡献程度，但缺乏具体的分解标准导致主观性较大;LEAP模型多用于能源领域的碳排放预测，具有良好的情景分析功能，可通过增加预测范围的划分维度等方法增加其预测精度;Logistic模型计算过程较为繁琐，且受K值和地区状况影响，主观性较大。引入人为控制项后，可实现对不同政策实施情形下碳排放量的预测。

[基金项目：山西经济社会发展重大研究课题：促进我国能源产业及山西煤炭产业可持续发展研究（编号：ZD201409）;山西省“十三五”规划前期研究重大课题（山西省"十三五"强化污染防治与节能减排政策措施研究）资助（编号：2014024）;山西大学第十三期本科生科研训练计划资助项目（编号：2015013097）;2015年度山西大学大学生创新创业训练计划资助项目（编号：201510108005）。]

[第一作者简介：孟繁健（1993—），男，山西孝义人，山西大学环境与资源学院硕士研究生，研究方向为资源生态与可持续发展。]

（责编：郑钊）