基于STIRPAT模型的交通运输企业的碳排放量测定

白宝峰 梁进

DOI：10.19392/j.cnki.16717341.201714129

摘要：本文针对交通运输企业的碳排放的测定问题，经过分析发现直接对于碳排放量的测定是很难做到的，因为其影响因素多种多样，十分复杂，我们无法将所有影响因素考虑周全，因此需要寻找一种替代的算法，忽略一些直观的影响因素，而采用随机性的环境影响评估模型，解决了碳排量不可直接测量或者影响因素不可预测的缺点。

关键词：不可预测；岭回归分析；随机性环境预测模型；解释变量系数

基于随机性的环境影响评估模型：经分析，考虑到在交通运输过程中各种条件的不可预测性，不便于准确测定，于是将问题简化为讨论在运输过程中的碳排放测定问题。根据有关资料，在运输过程中影响碳排放的因素也是多种多样的，但有的影响因素的影响效果非常微弱，忽略后并不影响对于碳排放量的精度测定，而有的因素忽略后对于碳排放量精度测定的影响很大，综合考虑，将城镇化率、人均GDP、客运周转量、货运周转量作为碳排放量的主要影响因素。运用可拓展的随机性的环境影响评估模型STIRPAT，可以通过自变量和应变量之间的关系进行评估，从而测出碳排放量。

根据有关数据和模型公式可知方程的回归系数反映的即是解释变量与被解释变量之间的弹性关系，因而寻找方程回归系数即是找出问题解的关键。运用岭回归方程，通过MATLAB进行编程求解，求得各影响因素的相关系数分别为0.1935、0.2180、0.2034、0.2185模型系数常数为1.3513e-16，即表明城镇化率、人均GDP、客运周转量、货运周转量各自每增加1%，碳排放总量分别增加0.1935%、0.2180%、0.2034%、0.2185%。在明确了模型中各解释变量和被解释变量之间的关系后，根据相關统计数据，从而测算出交通运输企业的碳排放量。

此外，文中还对各解释变量的影响程度进行了分析，最后讨论了模型的优缺点以及改进的方向。

1 问题的重述

当前交通运输行业作为碳排放大户，其减排效果对减排目标的影响巨大，但是交通行业仍然没有进入市场化减排交易体系（碳交易市场）。交通运输企业不愿意进入是一方面的原因，更重要的原因是交通运输企业的碳排放量难以测定。比如：交通运输企业的车辆排放量受到车型、道路状况、行驶速度（包括加速、减速、怠速、巡航等速度）、道路和天气情况等因素的影响。

问题：

请建立数学模型对交通运输企业的碳排放量进行测定（只考虑交通运输企业的交通工具运行过程中的碳排放量的测定，其他不予考虑，但需要假设界定）。

2 模型的假设

（1）仅考虑在交通工具运行过程中的碳排放量测定问题。

（2）各类能源消耗可以折算成标准煤的消耗。

（3）假定车辆能源消耗和碳排放只与车辆行驶公里数和载重数有关，而车型、道路情况、行驶速度、道路和天气状况等情况悉数为正常情况，不会影响车辆的碳排放量。

（4）假定各数据来源准确，不存在数据缺失和不真实的情况。

3 符号说明

Q碳排放量/万吨

a模型常数

U城镇化率

A人均GDP/（元/每人）

PT客运周转量/亿人每公里

FT货运周转量/亿吨每公里

4 模型的分析和求解

4.1 STIRPAT模型的分析

碳排放量的多少受到各种因素的影响，其中很多因素不便于测定和描述，采用stirpat模型，使得很多不便于测定和描述的影响因素综合起来，变成能够测定的客观具体的影响因素，通过前期分析和预判，找出了各类因素之间的因果关系，简化影响因素的数目和数据的大小，这样使得模型变得简洁明了，易于求解和分析。通过强调主要解释变量间和被解释变量的关系，对于解释变量的变化量的测定，可以直接反映被解释变量的变化。

4.2 STIRPAT模型的求解

建立模型方程lnQ=a+blnU+clnA+dlnPT+elnFT，公式中a为常数，b.c.d.e分别为各解释变量的系数，表示含义为各解释变量每变化1%，被解释变量变化量为各解释变量系数。已知各解释变量的统计数据，先对数据进行处理和整合。

采用岭回归方法来对多线性数据进行处理，牺牲部分精度来使得数据的稳定性得到充分的保证。在本题中先对数据进行预处理求Y即通过能源消耗量和碳排放系数以及折合标准煤系数之间的关系，先对已知能源消耗岭的情况下的碳排量进行计算，然后通过计算出的数据即Y值代入进行岭回归分析，求得相关解释变量的系数。碳排量和能源消耗以及碳排量系数，折合标准煤系数之间的关系为碳排量=能源消耗量×碳排量系数×折合标准煤系数。

整理数据后可得：

X=36.22；7858；12261.1；4432137.66；8622；13155.1；4771039.09；9398；14125.6；5068640.53；10542；13810.5；5385941.76；12336；16309.1；6944542.99；14185；17466.7；80258.1，

Y=53996.08；61370.47；78899.49；90474.57；118300.98；156739.86，

代入公式θK=XTX+KI-1XTY，经过计算和上述程序中的曲线图可知K=0.8，因此求得θK=0.1935；0.2180；0.2034；0.2185。

具体数据实现通过在Matlab中进行编程来对岭回归方程进行处理，从而得到了相应的模型解释变量的系數在何种条件下趋于稳定，即为该模型下的解释变量系数值。

通过程序分析，作图可直观得出，当K的值在0.8时，各解释变量对应的岭回归系数趋于稳定。

当岭回归参数趋于稳定的时候，模型各解释变量的系数在表中可清楚的看出分别为0.1935、0.2180、0.2034、0.2185模型的常数项为1.3513e-16，将上述各模型系数和常数项代入到stirpat中，

即可得到完整的对于碳排量的计算方程

lnQ=1.3513e-16+0.1935lnU+0.2180lnA+0.2034lnPT+0.2185lnFT将统计数据代入即可得碳排量数值。

5 模型的评价和推广

5.1 模型的优点

1）该模型忽略了在碳排放测定过程中，对于碳排放影响因素的具体直观求解，转而通过相应的环境影响因素，使得模型中解释变量和被解释变量之间关系变的简单清晰，在测定过程中具有很强的可操作性，同时模型在求解和设计过程中综合考虑了社会、经济、环境等因素，选取的四个影响因素很具有代表性和扩展性，使得模型求解结果更加精确。

2）在模型关于解释变量系数的求解过程中，采用岭回归方法，相较于最小二乘回归，牺牲了一部分数据的精确度，但使得数据能够稳定，减少了数据误差范围，变得更加可信。

5.2 模型的缺点

本模型在分析过程中，无法做到对于碳排量直观影响因素如能源消耗量等的分析和测定，也无法对于各影响因素的进行比较，因此该模型得出的结论为最终结论，无法对各影响因素的影响程度进行直观具体描述，在运用碳排量结论作出相应的政策和措施时，无法提供细致全面的分析和建议。同时在选取解释变量的时候，存在着随机性的可能，无法保证每次选取的解释变量都能很好的代替整体数据的特征。

5.3 模型的改进和推广

模型改进：在模型中加入对于解释变量的解构，可以运用LMDI方法来对解释变量加以描述和求解，同时在运用岭回归求取模型系数的时候，对于解释变量的选取应该通过控制变量法，从相关因素中通过控制单一变量计算得出相关指标，判断哪几种变量的影响因素较大，哪几种因素可忽略，从而使得选取的解釋变量更加合理。

参考文献：

[1]渠慎宁，郭朝先.基于STIRPAT模型的中国碳排放峰值预测研究.

[2]嶺回归分析.

作者简介：白宝峰（1994），男，回族，安徽合肥人，本科。