欒紫清

?

基于灰色關(guān)聯(lián)與預(yù)測模型分析陜西省交通運(yùn)輸碳排放

欒紫清

（長安大學(xué) 汽車學(xué)院，陜西 西安 710064）

文章基于2005~2016年陜西省交通運(yùn)輸能量消耗基礎(chǔ)數(shù)據(jù)，運(yùn)用灰色關(guān)聯(lián)分析法研究了城市化率、人口數(shù)量、GDP、交通運(yùn)輸倉儲郵政業(yè)投資額、單位GDP能耗、私家車數(shù)量六大因素與陜西省交通運(yùn)輸碳排放關(guān)聯(lián)度。同時基于灰色系統(tǒng)預(yù)測模型GM(1,1)，對陜西省交通運(yùn)輸碳電力碳排放進(jìn)行量化預(yù)測。分析結(jié)果表明，陜西省交通運(yùn)輸碳排放與相關(guān)因素相關(guān)度依次是城市化率>人口數(shù)量>GDP>交通運(yùn)輸倉儲和郵政業(yè)投資額>單位GDP能耗>私家車數(shù)量。預(yù)測發(fā)現(xiàn)，電力碳排放2022年將突破200萬噸，面臨巨大的減排壓力。因此對陜西省交通運(yùn)輸碳減排提出針對性的策略。

交通運(yùn)輸；灰色關(guān)聯(lián)分析；GM(1,1)模型；碳排放預(yù)測

引言

交通運(yùn)輸業(yè)是對全國碳排放增長和碳排放強(qiáng)度最大行業(yè)之一，能源消耗和碳排放呈現(xiàn)逐年上升的趨勢，減排潛力巨大[1]。西安是西北地區(qū)最大的城市，也是全國11個國家中心城市之一，在陜西省開展交通運(yùn)輸碳排放的相關(guān)研究具有指導(dǎo)性意義。本文基于2005~2016年陜西省年鑒歷年統(tǒng)計數(shù)據(jù)，通過灰色關(guān)聯(lián)分析法研究了城市化率、人口數(shù)量、GDP、交通運(yùn)輸倉儲郵政業(yè)投資額、單位GDP能耗、私家車數(shù)量六大因素[2]與陜西省交通運(yùn)輸排放關(guān)聯(lián)度，詳細(xì)分析了各相關(guān)因素對陜西省交通運(yùn)輸碳排放的影響。同時基于灰色系統(tǒng)預(yù)測模型GM(1,1)，對陜西省交通運(yùn)輸碳電力碳排放進(jìn)行量化預(yù)測。

1 碳排放影響因素選取和數(shù)據(jù)處理

本文在以往研究成果的基礎(chǔ)上，結(jié)合陜西省實際情況，借鑒文獻(xiàn)[3]選取了城市化率、人口數(shù)量、GDP、交通運(yùn)輸倉儲郵政業(yè)投資額、單位GDP能耗、私家車數(shù)量作為陜西省交通運(yùn)輸碳排放量的影響因素。能源消耗基礎(chǔ)數(shù)據(jù)來源自《陜西統(tǒng)計年鑒（2005~2017）》，本文將根據(jù)聯(lián)合國政府間氣候變化專門委員會（IPCC）2006年版排放指南中的公式[4]計算可測算得到圖1所示2005~2016年陜西省交通運(yùn)輸碳排放量。

表1 能源的二氧化碳排放系數(shù)（單位：萬噸碳/萬噸標(biāo)準(zhǔn)煤）

2 碳排放量灰色關(guān)聯(lián)分析

2.1 建立灰色關(guān)聯(lián)分析模型

陜西省交通運(yùn)輸碳排放量受到本地區(qū)本領(lǐng)域諸多因素綜合影響，這些因素的具體的影響過程并不完全清楚，可將其視為一灰色系統(tǒng)[5]。

將陜西省歷年交通運(yùn)輸碳排放量作為參考序列，六大因素作為比較序列，建立 7*12階矩陣，利用初值化法對參考序列和比較序列無量綱化處理后根據(jù)文獻(xiàn)[6]計算關(guān)聯(lián)系數(shù)后利用式(2)分別計算關(guān)聯(lián)度：

2.2 灰色關(guān)聯(lián)分析模型求解

通過上述計算得到六大因素與交通運(yùn)輸總碳排放的關(guān)聯(lián)度，如圖2所示，同理，可計算陜西省交通運(yùn)輸各類型能源碳排放與各因素相關(guān)度，如表2所示。

圖2 陜西省交通運(yùn)輸總碳排放與相關(guān)因素相關(guān)度

表2 陜西省交通運(yùn)輸各類型能源碳排放與其相關(guān)因素相關(guān)度

綜合圖2和表2可知，陜西省交通運(yùn)輸碳排放與相關(guān)因素相關(guān)度依次是城市化率>人口數(shù)量>GDP>交通運(yùn)輸倉儲和郵政業(yè)投資額>單位GDP能耗>私家車數(shù)量。

3 基于GM(1,1)碳排放預(yù)測

綜上分析，雖然總碳排放量呈現(xiàn)下降趨勢，但是電力碳排放量快速增長，所占總碳排放量比重逐漸擴(kuò)大，面臨減排壓力加大，在未來幾年將成為減排重點(diǎn)，故選取陜西省交通運(yùn)輸業(yè)電力碳排放作為預(yù)測目標(biāo)。

3.1 灰色系統(tǒng)預(yù)測模型GM(1,1)建模

根據(jù)前述碳排放量建立數(shù)據(jù)序列，根據(jù)式(3)建?？尚行苑治?，求得級比。

建立GM(1,1)灰微分方程模型：

其中，為發(fā)展系數(shù)，為灰色作用量。

3.2 灰色系統(tǒng)預(yù)測模型GM(1,1)求解

將原始數(shù)列預(yù)測值用MATLAB最小二乘法求解參數(shù)，解得=-0.0701，=59.7073，可得預(yù)測方程：

平均誤差分析得預(yù)測精度為97.4926%，可進(jìn)行較精確預(yù)測，根據(jù)發(fā)展系數(shù)取值可知，GM(1,1)模型可用于中長期較精確預(yù)測.對未來五年交通運(yùn)輸電力碳排放進(jìn)行預(yù)測，結(jié)果見表3：

表3 未來五年交通運(yùn)輸電力碳排放預(yù)測結(jié)果

4 結(jié)論

陜西省交通運(yùn)輸碳排放量于2013年達(dá)到峰值，隨后略有下降，但節(jié)能減排總體形勢依然嚴(yán)峻，綜合以上關(guān)聯(lián)分析的結(jié)果，總結(jié)得出以下結(jié)論：

（1）政府推行的節(jié)能減排法律、法規(guī)有效減了碳排放量；

（2）陜西省交通運(yùn)輸碳排放與相關(guān)因素相關(guān)度依次是城市化率>人口數(shù)量>GDP>交通運(yùn)輸倉儲和郵政業(yè)投資額>單位GDP能耗>私家車數(shù)量；

（3）電力碳排放在2022年將可能突破200萬噸，在陜西省交通運(yùn)輸領(lǐng)域碳排放的占比越來越大，應(yīng)考慮提高水電和核電的比例，逐漸取代本地的火電；

（4）不斷優(yōu)化交通運(yùn)輸業(yè)能源結(jié)構(gòu)并提高節(jié)能減排技術(shù)將有效削減碳排放總量。

[1] Lin B, Xie C.Reduction potential of CO2,emissions in China?s trans -port industry[J]. Renewable & Sustainable Energy Reviews,2014, 33:689-700.

[2] 盧曉玲,高標(biāo).吉林省交通運(yùn)輸碳排放灰色關(guān)聯(lián)與預(yù)測分析[J]. 綜合運(yùn)輸, 2017(12):1-6.

[3] 徐國泉,劉則淵,姜照華.中國碳排放的因素分解模型及實證分析:1995-2004[J].中國人口·資源與環(huán)境, 2006,16(6):158-161.

[4] 趙建有.道路交通運(yùn)輸系統(tǒng)工程[M].人民交通出版社, 2004.

[5] 孫繼佳,蔣健,嚴(yán)廣樂,等.基于灰色系統(tǒng)理論的中醫(yī)五臟系統(tǒng)分析[J].上海理工大學(xué)學(xué)報,2009, 31(6):573-576.

[6] 張傳平,周倩倩.我國碳排放影響因素研究[J].河南科學(xué),2012,30 (10):1549-1553.

Grey correlation and forecasting analysis of transportation emission in Shaanxi province

Luan Ziqing

( School of Automobile, Chang'an University, Shaanxi Xi’an 710064 )

Based on the basal data of transportation energy consumption from 2005 to 2016 in Shaanxi province, thecorrelation of the between the six factors of urbanization rate, population, GDP, transportation warehousing and postal service investment, energy consumption per unit GDP, the number of private cars and transportation emissions of the Shaanxi province. Simultaneously, based on the GM(1,1) forecasting model to predict the quantitative of the transportation emission in Shaanxi province. The result is given show that the correlation of ranking is urbanization rate, GDP, energy consumption per unit GDP, transportation warehousing and postal service investment, the number of private cars for the prediction of the transportation emission in Shaanxi province. Electric carbon emission showed that it will break through 2 million tons in 2022 under huge pressure to reduce emissions. Meanwhile specific strategies were proposed in order to reduce the transportation emission in Shaanxi province.

Transportation; Grey correlation analysis; GM(1,1) model; forecasting of carbon emission

B

1671-7988(2019)03-121-03

U473.9

B

1671-7988(2019)03-121-03

U473.9

欒紫清，就讀于長安大學(xué)汽車學(xué)院。

10.16638/j.cnki.1671-7988.2019.03.038