基于LMDI的交通运输碳排放因素分解及预测研究

张矢宇,杨 杰,田志武

(1.武汉理工大学 交通与物流工程学院,湖北 武汉 430063;2.武汉环境投资开发集团有限公司,湖北 武汉 430013)

随着近年全球气候变化等原因造成的各类环境问题日益频发,生态环境保护的重要性愈发凸显。交通运输是社会经济的引领者和先行官,同时也是高能耗的重要生产部门,是我国实现“碳达峰、碳中和”目标的关键性行业。我国经济正处于总体稳定、态势良好的发展时期,在这一环境下,交通运输需求也将保持持续增长的趋势,由此产生的环境污染问题也会日益突出。因此,研究交通运输碳排放受经济发展、人口活动、能源消耗等因素的影响作用,分析影响碳排放的主要促进和抑制因素,对于我国发展绿色交通、保护生态环境等都具有重要意义。

目前,大部分有关碳排放影响因素的研究多采用碳排放的变化分解方法进行实证研究,其中主要为指数分解法中的对数平均权重法(logarithmic mean divisia index,LMDI)和基于STIRPAT的扩展回归模型等[1-3]。此外,学者对交通运输碳排放潜力和节能减排措施开展了相关研究。如张国兴等[4]通过设置不同情景下交通运输碳排放影响因素的量化指标,对未来交通运输碳排放进行预测;王靖添等[5]基于运输结构、技术水平、高效低碳等不同情况进行研究,结果显示在低碳情景的碳减排潜力最大,运输方式中公路和航空运输碳排放显著下降;MA等[6]基于LEAP模型设置了3种对比情景下预测未来交通运输碳排放量,实证分析发现京津冀地区总排放控制情景碳排放量有更大幅度减少。

综上,碳排放的相关研究已经受到越来越多的学者关注,但针对于交通运输的碳排放相关因素的研究还不够深入,也没有进一步结合发展环境进行分析。因此,笔者在参考有关研究的基础上,基于当前我国发展形势,结合情景分析的方法对交通运输的二氧化碳排放进行因素分解及预测,为未来我国交通运输领域制定节能减排发展策略、实现“双碳”战略目标提供理论依据和对策参考。

1 研究方法

1.1 我国交通运输业碳排放量测算

交通运输领域碳排放量的测算方式一般分为“自上而下”和“自下而上”两种。后者的计算需要基于运输载具数目、行驶里程、运输单位公里能耗等有关数据,测算准确性较高但基础数据的可得性较差,目前多数研究仅用于城市道路交通碳排放测算。考虑到不同运输方式的差异性,且国内相关统计数据不够完善,因此采用终端能耗的“自上而下”方法进行测算,具体计算公式为:

(1)

式中:C为交通运输业碳排放总量;Ek为第k类能源的消耗量;Fk为第k类能源的碳排放系数。

依据《综合能耗计算通则》(GB/T2589—2008)、《省级温室气体清单编制指南》(发改办气候[2011]1041号)和《中国能源统计年鉴》的相关数据,将交通运输业消耗的能源分为原煤、汽油、煤油、柴油、原油、焦炭、燃料油、天然气和电力9类,整理计算得到各类能源的碳排放系数,如表1所示,并设定在研究的时间范围内碳排放系数不变。

表1 主要消耗能源碳排放系数

1.2 碳排放影响因素的分解

(1)KAYA恒等式。KAYA恒等式基于人口、经济和能源三大因素,将碳排放分解为4项具有实际意义的参数方程的乘数形式[7],其表达式为:

(2)

式中:C为碳排放总量;E为能源消耗量;G为生产总值;P为总人口规模。

(2)LMDI分解模型。依据KAYA恒等式,从交通运输的特征出发进一步研究其影响因素的作用,保持等量关系不变,将(2)式扩展为:

(3)

式中:i为不同运输方式;T为交通运输换算周转量;H为交通运输业产值;Pu为城镇人口数;C/E为能源碳排放系数;E/T为单位运输能耗水平,即单位换算周转量所消耗的能源,一定程度上体现运输的能源效率;Ti/T为交通运输结构,即各运输方式的换算周转量占比,体现交通运输业运力结构;T/H为交通运输单位产值周转量,即交通运输单位产值的换算周转量,体现交通运输经济效益;H/G为单位GDP交通运输产值,即交通运输业产值与国民生产总值之比,体现交通运输所占的经济体量;G/Pu为城镇居民人均GDP,即以城镇人口分摊的人均GDP值;Pu/P为城乡人口结构,即城镇人口占比,体现城市化趋势。

参考ANG等[8]的研究,采用LMDI分解法进行无残差分解:

(4)

(5)

(6)

(7)

(8)

(9)

(10)

(11)

(12)

1.3 预测方法

BP(back propagation)神经网络,作为一种多层前向反馈神经网络,因其不需要预设数学规律等优点,如今已在医学、电子信息、土木工程等诸多行业领域中得到了广泛应用。BP神经网络的作用原理是通过模仿神经网络结构,由多个神经元连接构成一个自适应非线性动态系统,进而学习和存储大量映射关系[9-10]。考虑到交通运输碳排放受多个因素的共同影响,且变量之间普遍存在相关关系,采用传统的线性预测方法,可能产生无法通过显著性检验、对变量合并取舍时丢失数据信息等问题,而利用人工神经网络的非线性映射能力及网络结构的柔性特点则能够较好地克服这些限制,基于此通过构建BP神经网络并结合情景分析对交通碳排放量进行预测,BP神经网络结构图如图1所示。

图1 BP神经网络结构图

2 实证分析

2.1 数据来源与处理

研究时间范围为1995—2019年,交通运输方式主要分为公路、铁路、水路和航空运输。基础数据通过《中国统计年鉴》《中国能源统计年鉴》《中国交通运输统计年鉴》《公路水路交通运输业发展统计公报》等统计报表中获取。为真实体现物品价值受生产活动的实际变化影响,取国内生产总值与交通运输业产值均为对应年份在统计基期的不变价,以排除价格变化对计算结果造成的影响。国内价格统计基期调整时间为5年一次,各期时间总体上与我国五年发展计划相近,因此将研究对象时间划分为间隔5年的5个时间段,即为1995—1999、2000—2004、2005—2009、2010—2014、2015—2019,取区段始末节点时间计算,着重体现不同时段的影响变化。

运输周转量数据包括客运周转量与货运周转量,根据客货换算系数进行周转量折算,取折算加总后的货运周转量为计算的基础数据。依据目前我国统计制度规定的客货换算系数,将铁路、公路、水运、航空4种运输方式的折算系数分别取为1、0.1、0.33、0.072。

2.2 碳排放影响因素分析与结果

交通运输碳排放影响因素分解结果如表2所示,可知在7种影响因素中对交通运输碳排放起促进作用的是交通运输结构、城镇居民人均GDP、城乡人口结构和总人口规模,其中城镇居民人均GDP对碳排放的促进作用最为明显;而单位运输能耗水平、交通运输单位产值周转量、单位GDP交通运输产值对交通运输碳排放起抑制作用,其中单位运输能耗水平的抑制作用最为显著。

表2 交通运输碳排放影响因素分解结果

单位运输能耗水平(K1)在1995—2019年间促成减少碳排放达46 229万t,且近年有扩大影响的趋势,这一结果较为符合近年交通运输的节能减排政策和行业绿色发展趋势。在当前受国家持续推进交通运输清洁能源和节能减排新技术使用的政策导向下,如推行新能源汽车的快速发展,对行业的低碳发展起到了较为重要的作用。交通运输单位产值周转量(K3)和单位GDP交通运输产值(K4)在研究区间内也分别促使碳排放减少13 730万t和2 570万t。虽然总体上两者均对碳排放起抑制作用,但前者在2000年后逐渐由促进作用转为抑制作用,而后者则大致表现出相反的趋势。

交通运输结构(K2)对交通运输碳排放主要呈现促进作用,尤其在2005—2009年间最为明显,促进碳排放达19 642万t,这与我国交通运输结构的发展变化具有重要的关联。在我国不同的发展时期,货物承担的主要运输方式也有所不同。从最开始铁路、水路运输为主,逐渐演变为公路运输承担货物运输的主体。公路运输作为实现“门到门”运输的重要运输方式,一方面为社会经济贡献了不可或缺的作用,但另一方面其对环境的污染也相对严重。因此,近年来陆续出台多项政策,旨在大力引导和支持大宗货物“公转铁、公转水”,以进一步调整优化货运市场运输结构,推进交通运输的绿色发展。城镇居民人均GDP(K5)、城乡人口结构(K6)和总人口规模(K7)也均表现为对交通运输碳排放的促进作用。从实际来看,我国总人口和城镇人口占比逐年上升,人民收入水平和生活质量也逐渐提高,出行需求不断增加,促使交通基础设施建设和运输需求提高,这对碳排放起到了较大的促进作用。

2.3 碳排放量预测分析与结果

(1)BP神经网络构建。根据前文对交通运输碳排放影响因素的分析,各影响因素指标(K1～K7)均存在不同程度的影响作用。选取上述主要影响因素指标作为BP神经网络的输入层,交通运输碳排放量作为输出层。隐藏层神经元个数通过经验公式(式(13))计算得到,m和n分别表示输入层和输出层神经元个数,a为取值范围1～10的常数,取隐藏层数最终结果L为8。

(13)

利用Matlab软件的神经网络工具箱构建BP神经网络。以Trainlm函数为BP神经网络的训练函数,设置输出层和隐藏层的传递函数分别为purelin和对数S型函数logsig。设置BP神经网络的目标精度为0.000 1,学习速率为0.05,训练次数3 000次。训练过程的误差图如图2所示,可知训练已达到0.000 1的目标精度,最终均方误差MSE为0.000 095 8,精度较高。

图2 训练过程的误差图

(2)输入层参数设置及预测。利用BP神经网络预测交通运输碳排放量,需要将未来几年的数据作为输入的训练数据。情景分析方法起源于20世纪70年代,由当前到未来的发展形势给出设定的预测结果,主要适用于人的主观能动性影响和未来形势发生改变等情况,尤其在能源需求、气候环境等领域有着较为广泛的应用[11]。参考相关文献及政策规划,并结合历史数据的发展趋势,采用情景分析法设置基础数据的增长速率,再将计算的新数据作为输入层导入构建的交通运输碳排放BP神经网络。

目前,单位运输能耗水平的优化已逐渐达到饱和,呈现低速率下降趋势,参考《中国节能减排发展报告》《中国能源发展报告》和统计年鉴数据,设单位运输能耗水平在2025年之前年均下降速率为1.00%,2025年之后为0.90%。交通运输结构方面,根据近年《交通运输业发展统计公报》和相关政策解读报告,我国运输结构调整取得积极进展,货物运输结构不断优化;从长期发展趋势来看,公路运输周转量呈现一定的波动性,估算其在2025年之前年均下降速率为1.00%,2025年之后为1.20%。交通运输业产值方面,结合国内经济统计基期调整时间,预估其2025年之前年均增长速率为6.50%,2025年之后年均增长速率为7.00%。GDP方面,参考世界银行等经济发展报告,结合当前我国社会经济发展环境,预计我国GDP在2025年之前年均增长速率为6.00%,2025年之后年均增长速率为5.00%[12]。人口方面,根据2020人口普查结果,我国总人口数为14.1亿,年均增长率为0.53%,城镇人口占比达63.9%。参考张现苓等[13]对我国人口现状的分析,并结合当前政策的引导作用,预计我国总人口与城镇人口2025年之前年均增长速率分别为0.50%和1.50%,2025年之后年均增长速率分别为0.48%和1.20%。综上,基础指标增长率设置如表3所示。

表3 基础指标参数增长率设置 %

最终输出的交通运输碳排放量预测值如图3所示,可以看出实际数据与输出数据拟合情况较好,综合上述因素的作用下,未来近一段时间内我国交通运输碳排放量仍呈现上升的发展趋势,预计到2025年碳排放为79 505万t,到2030年将达81 063万t,总体较2020年之前上升速率有小幅下降。因此,我国交通运输碳减排在未来一段时间内仍将面临一定压力,对我国“双碳”目标的达成具有一定阻碍,需要加快制定和落实相应政策。

图3 交通碳排放量实际与各预测结果对比果

(3)对比预测分析。为进一步验证BP神经网络的预测效果,与交通运输碳排放量时间序列的拟合数据进行比较分析,由时间序列的布朗线性指数平滑法预测的结果对比见图3。从图3可以看出,实际碳排放量大致呈现线性增长的趋势,与拟合直线吻合程度较高,但直线趋势显然不符合现阶段预期的发展目标。从指数平滑法预测的结果来看,其与实际数据的拟合效果较好,拟合优度R2达0.989,但由其预测至2030年的碳排放呈现逐年下降的趋势,同样与我国短期内的发展形势,不符。因此,仅考虑时间序列的历年碳排放量对未来交通碳排放进行预测,与实际的发展情况有较大的差异,而BP神经网络预测则综合考虑了实际影响因素的作用,预测结果更优。

3 结论

(1)基于LMDI分解法,对我国交通运输碳排放从经济、人口、能源三大层面进行深度剖析,研究各因素的影响程度及抑促效应,为我国交通运输节能减排政策的制定提供理论依据。结果显示:研究区间内碳排放的主要促进因素为交通运输结构、城镇居民人均GDP、城乡人口结构和总人口规模,主要抑制因素为单位运输能耗水平、交通运输单位产值周转量、单位GDP交通运输产值。其中,城镇居民人均GDP对碳排放的促进作用最为明显,单位运输能耗水平对碳排放的抑制作用最为显著。

(2)在不同的社会发展阶段,各因素对碳排放的影响不但表现在数量上有一定差异,而且在作用性质上都可能发生转变。如交通运输单位产值周转量在2005—2009年表现为对碳排放的促进作用,而在2015—2019年则表现为抑制作用,这在时间上与我国大力推行交通运输向绿色低碳发展的轨迹一致。由此可见,通过政策管控、市场引导等方式,能够有效抑制碳排放,政策的调控作用效果较为明显。

(3)通过构建BP神经网络,设置主要影响因素作为输入层指标,预测我国交通运输碳排放在一段时间内仍呈现上升的发展趋势,将在2030年达到81 063万t。进一步与布朗线性时间序列的碳排放预测结果进行对比分析,虽然两者与实际数据的拟合效果都较好,但时间序列预测显示未来交通碳排放量逐年下降,而BP神经网络预测为碳排放在近十年间缓慢增长,增速减缓。结合实际来看,BP神经网络预测结果更为可靠,同时也从侧面反映出当前碳减排仍然面临一定的压力。建议有关部门加强相关政策的制定和落实,从运输结构和能源消耗两大方面出发,如持续推动多式联运发展、加强新能源技术研发等进一步提高运输效率和服务水平,降低单位运输能耗,推动“双碳”目标的顺利达成。