張?zhí)m怡，盧秋萍，張園園，戈秋虞，胡喜生，邱榮祖，劉娜翠

(1.福建農(nóng)林大學 交通與土木工程學院， 福州 350002；2.福建農(nóng)林大學 計算機與信息學院， 福州 350002)

我國碳排放年均增長率達2.2%，交通運輸行業(yè)是碳排放主要來源之一,“雙碳”目標的提出對交通運輸行業(yè)的發(fā)展帶來了巨大挑戰(zhàn)[1-3].因此，對交通碳排放進行研究是交通運輸業(yè)的工作重點，也是交通碳減排政策的制定與施行的首要條件[4-8].

目前，交通碳排放的研究主要從碳排放趨勢變化、時空演變規(guī)律、交通減排潛力等方面進行[9-10].這些研究的共同點是均需探明研究區(qū)域交通碳排放的影響因素，而后根據(jù)研究目的進一步深入研究，最終制定相應的減碳策略.不同研究區(qū)域的交通情況不同，其碳排放影響因素的選取不盡相同，需要綜合內(nèi)因及外因綜合分析.其中，內(nèi)因指由于交通運輸業(yè)自身的發(fā)展導致交通碳排放量增加，如客、貨運周轉(zhuǎn)量上升使能源消耗，導致碳排放量增多；外因指除內(nèi)因之外的其他原因，如由于經(jīng)濟的發(fā)展，人均消費水平提高，使交通運輸業(yè)相繼發(fā)展，使交通碳排放量不斷增加；此外，人們對出行工具要求不斷提高，使機動車保有量逐年增加；城市產(chǎn)業(yè)結構的調(diào)整和升級，也會對碳排放產(chǎn)生影響[11-12].

福建省交通運輸?shù)哪芎恼既款I域能耗10.1%，由此產(chǎn)生大量的碳排放.因此，在“十四五”發(fā)展規(guī)劃中，福建省把“雙碳”目標納入生態(tài)省建設布局，提出交通運輸綠色低碳發(fā)展策略[13-15].綜上，能源需求與交通低碳發(fā)展的現(xiàn)狀要求對福建省交通碳排放的影響因素進行研究和分析，研究結果可為福建省交通部門制定減排政策提供建議，同時也為其他區(qū)域交通碳排放分析提供參考.

1 研究方法與數(shù)據(jù)來源

1.1 碳排放量測算模型

交通碳排放量測算通常采用IPCC的碳排放系數(shù)法[16].該方法分為 “自上而下”測算法和“自下而上”測算法[17-18].對于特定的區(qū)域通常采用“自上而下”的碳排放量計算方法，即通過將每一種能源的消耗量乘以能源碳排放系數(shù)進行計算.該方法數(shù)據(jù)獲取較容易，故應用較廣[19-21].而“自下而上”的測算法主要是基于各運輸方式的行車里程進行計算[22-23].考慮到行車里程數(shù)據(jù)難以獲取，基于兩種方法的適用范圍以及相關數(shù)據(jù)的可獲得性，本文采取“自上而下”法如式(1)：

(1)

其中：C為碳排放總量，單位為104t；i為能源種類；Ei為第i種能源消耗量，燃料油單位為104t，天然氣單位為108m3，電力單位為億kWh；Fi為第i種能源的碳排放系數(shù)，見表1.

表1 主要能源的碳排放系數(shù)Table 1 Carbon emission coefficients of major energy sources

注：天然氣系數(shù)單位為kg·m-3，電力系數(shù)單位為kg·(kW·h)-1，其他能源系數(shù)單位為t·t-1.

數(shù)據(jù)來源：《綜合能耗計算通則》與《省級溫室氣體清單編制指南》中低位發(fā)熱量，折煤標準系數(shù)以及碳氧化率計算結果.

1.2 碳排放強度測算模型

碳排放強度用于確定交通發(fā)展水平與社會及經(jīng)濟發(fā)展關系的重要指標，碳排放強度越低，說明在同一GDP水平下，碳排放量越少.碳排放強度測算模型如式(2)：

(2)

其中：CI為碳排放強度，單位為t/萬元；C為碳排放總量，單位為104t；G為國民經(jīng)濟生產(chǎn)總值，單位為億元.

1.3 擴展STIRPAT模型

STIRPAT模型是綜合考慮人口、經(jīng)濟和技術等因素的模型，是一種包含隨機項的多元線性回歸模型[24]，公式如下:

I=aPbAcTde

(3)

其中：I為環(huán)境影響因素；P為人口總數(shù)；A為經(jīng)濟發(fā)展水平；T為技術發(fā)展水平；e為隨機誤差；b、c、d分別為模型參數(shù)對應指數(shù).

本文從內(nèi)因與外因兩個方向進行研究.內(nèi)因選擇客運周轉(zhuǎn)量(Turnover Volume of Passenger Traffic,TP)、貨運周轉(zhuǎn)量(Turnover Volume of Goods,TG).外因包括碳排放強度(Carbon Intensity,CI)、人均GDP(Per Capita GDP,PG)、機動車保有量(Vehicle Ownership,VO)和城市化率(Urbanization Rate,UR).擴展后的STIRPAT模型公式如式(4)：

C=a×TPβ1×TGβ2×PGβ3×VOβ4×CIβ5×URβ6

(4)

其中：C為交通碳排放總量，單位為104t，對應式(3)中的環(huán)境因素I；TP為旅客周轉(zhuǎn)量，單位為億人km，對應式(3)中的人口項P；TG為貨物周轉(zhuǎn)量，單位為108tkm，對應式(3)中的人口項P；PG為人均GDP，單位為萬元，對應式(3)中的經(jīng)濟水平A；VO為機動車保有量，單位為萬輛，對應式(3)中的經(jīng)濟水平A；CI為碳排放強度，單位為t/萬元，對應式(3)中的技術T；UR為城市化率，單位為%，反映區(qū)域環(huán)境特點.

對式(4)兩邊分別取對數(shù)，可得:

lnC=lna+β1lnTP+β2lnTG+β3lnPG+

β4lnVO+β5lnCI+β6lnUR

(5)

其中：β1、β2、……、β6分別為上述變量回歸系數(shù)，表示當影響因素TP、TG、PG、VO、CI、UR發(fā)生1%的變化時，將分別引起碳排放C發(fā)生β1%、β2%、……、β6%的變化.

1.4 支持向量回歸模型

1)對所有樣本數(shù)據(jù)進行歸一化處理.

(6)

2)將樣本數(shù)據(jù)隨機分為訓練集和測試集.選擇核函數(shù)處理訓練集，懲罰參數(shù)c和核函數(shù)g的取值由網(wǎng)格搜索法確定，得到預測模型最優(yōu)參數(shù)為ε*、c*、g*.

3)對訓練集進行數(shù)值訓練，得到最優(yōu)參數(shù)ε*、c*、g*和回歸函數(shù)f(x).將數(shù)據(jù)輸入到回歸函數(shù)中，得到模型的預測值；之后將預測值與實際值進行回歸，根據(jù)回歸方程的相關系數(shù)及均方根誤差來驗證模型的精度.

4)將數(shù)據(jù)進行歸一化，代入回歸函數(shù).進行反歸一化處理后得到預測值.

i=1,2,…,n

(7)

1.5 主成分分析法

由于交通碳排放影響因素較多，為了區(qū)分影響因素的貢獻率，采用主成分分析法對其進行降維，得到貢獻率程度大的指標作為主成分，模型相關描述見本團隊前期研究論文[25].

1.6 數(shù)據(jù)來源

研究所需的客、貨運周轉(zhuǎn)量、機動車保有量、人均GDP數(shù)據(jù)來源于《中國區(qū)域經(jīng)濟統(tǒng)計年鑒》、《中國統(tǒng)計年鑒》；城市化率數(shù)據(jù)來源于《福建省統(tǒng)計年鑒》；CO2排放量以及碳排放強度數(shù)值根據(jù)式(1)與式(2)基于《中國能源統(tǒng)計年鑒》中煤炭、焦炭、汽油、煤油、柴油、燃料油、天然氣以及電力數(shù)據(jù)計算而來的.相關數(shù)據(jù)見表2.

表2 福建省交通碳排放及其影響因素數(shù)據(jù)Table 2 Transportation carbon emission and its influencing factors data of Fujian Province

2 交通碳排放影響因素預測

2.1 最小二乘回歸分析結果

基于最小二乘回歸的結果見表3，F(xiàn)值為111 026.49，對應的顯著性水平為0.000，說明模型具有顯著相關性；R2及調(diào)整R方都為0.999 9，說明模型擬合度較高.模型中的TP和VO指標系數(shù)為負，并且其中CI指標系數(shù)為正，與實際不符；且模型的t檢驗結果不理想，說明普通最小二乘回歸系數(shù)不顯著；參數(shù)TP、TG、PG、VO、UR的VIF值分別為32.834、167.819、468.188、667.144和76.77全部大于10，說明回歸模型存在多重共線性問題.因此，本文采用嶺回歸法解決上述問題.

表3 普通最小二乘回歸結果Table 3 Ordinary Least Squares Regression Results

2.2 嶺回歸分析結果

設定嶺參數(shù)K的范圍為(0,1)，數(shù)據(jù)間隔為0.01.TPK、TGK、PGK、VOK、CIK、URK等分別表示各回歸系數(shù)的嶺參數(shù)K值.從圖1中可以看出，當K=0.2時，嶺參數(shù)變化趨于平穩(wěn)，因此選擇參數(shù)K為0.2.此時模型R2和調(diào)整R2分別為0.95和0.92，接近于1，p值為0.000 000 62，遠小于0.01，說明回歸方程的顯著性較好.結果表明：當福建省TP、TG、PG、VO、CI、UR各自變化1%時，將分別引起交通碳排放量0.627%，0.125%，0.14%，0.103%，0.346%，0.516%的變化.自改革開放以來，福建省在區(qū)域經(jīng)濟發(fā)展上提出了一系列的發(fā)展布局，使得福建省城市化率越來越高，人均GDP增加，機動車保有量增多，社會范圍內(nèi)的客貨運需求不斷增加，促進了福建省經(jīng)濟的高速發(fā)展，但隨之而來的是環(huán)境問題，交通碳排放就是問題之一，因此，治理交通碳排放的前提需要明確福建省交通碳排放影響因素的量及變化趨勢.

圖1 嶺跡圖Figure 1 Ridge trace map

2.3 支持向量機回歸模型結果

從表2隨機選取10 a數(shù)據(jù)組成訓練集，余下9 a的數(shù)據(jù)組成測試集.設置模型的初始值為0.01，采用網(wǎng)格搜索算法及交叉驗證法對懲罰參數(shù)c和核函數(shù)g進行尋優(yōu)，設置c和g的取值范圍均是[2-8,28]，網(wǎng)格寬度為0.2.最終得到模型最佳懲罰參數(shù)及核函數(shù)對(c,g)值為(222.86, 0.0103)，并且模型最優(yōu)參數(shù)對選擇的交叉驗證均方根誤差僅為0.03.參數(shù)選擇三維效果如圖2所示，其中X軸與Y軸組成的平面圖為參數(shù)對(c,g)經(jīng)過離散化之后的參數(shù)選擇效果圖，X軸和Y軸分別為懲罰參數(shù)c和核函數(shù)g的對數(shù)取值，Z軸為歸一化數(shù)據(jù)之后的交叉驗證均方根誤差值.分別對訓練集及測試集數(shù)據(jù)進行擬合，得到回歸結果及對比結果見圖3.訓練集的回歸結果相關系數(shù)為0.98，均方根誤差為0.008，測試集的回歸結果相關系數(shù)為0.97，均方根誤差為0.01，驗證了預測模型的有效性.

圖2 參數(shù)選擇效果圖Figure 2 Effect of Parameter Selection

圖3 支持向量機回歸模型結果Figure 3 Support vector machine regression model results

2.4 交通碳排放影響因素預測

2.4.1 交通碳排放影響因素年均增長率設置

1)TP、TG

2019年福建省客、貨物周轉(zhuǎn)量分別為588.89億人km和8292.13 108t·km，年均增長率分別為3.1%和11.8%.因此，設置TP、TG年均增長率不變.

2)PG

2019年福建省全省生產(chǎn)總值4.23萬，增速為8%.根據(jù)福建省經(jīng)濟發(fā)展政策的要求，未來福建經(jīng)濟社會發(fā)展的主要目標是全省GDP同比增長7%～7.5%.因此，綜合考慮福建省發(fā)展現(xiàn)狀，設置PG年均增長率為7%.

3)VO

2009～2019年機動車保有量年增長率為8.7%～29%，呈現(xiàn)逐年遞減的趨勢，2019年福建省機動車保有量增長率僅8.7%.因此，將VO年均增長率設置為8%.

4)CI

考慮“雙碳”目標及福建生態(tài)省定位，設置福建省交通CI年均降低速率為7.9%.

5)UR

2019年福建省城市化率為66.88%，樣本數(shù)據(jù)的年均增長率為2.36%，因此，設置UR年均增長率不變.

2.4.2 交通碳排放影響因素預測結果

根據(jù)2.4.1所設，得到各個影響因素在2020～2025年的預測值，結果如圖4所示，除了碳排放強度呈現(xiàn)逐年遞減趨勢外，其余影響因素均表現(xiàn)為逐年增加.

圖4 影響因素預測結果Figure 4 Influencing factors predicting results

3 福建省交通碳減排潛力分析

3.1 基于主成分分析的交通碳排放影響因素分析

為了探明各影響因素的貢獻度，將TP、TG、CI、PG、VO、UR等6個指標采用主成分分析法進行分析.將所有指標標準化，根據(jù)特征值大于1和碎石圖結果，提取到1個主成分，累計貢獻率為94.657%(表4、圖5).根據(jù)成分得分系數(shù)矩陣結果TP、TG、CI、PG、VO和UR的主成分值分別為0.936、0.986、-0.949、0.993、0.990和0.982.因此，確認主成分因子為PG，說明其能較好地反映交通碳排放趨勢，可替代原6個指標進行研究.

表4 解釋的總方差Table 4 Total variance of the explanation

圖5 碎石圖Figure 5 Scree plot

3.2 基于PG的交通減碳潛力分析

根據(jù)福建省經(jīng)濟發(fā)展目標，將PG年均增長率分別設置為7%、7.5%、8%.以上節(jié)所得數(shù)據(jù)為基礎數(shù)據(jù)，利用SVR模型預測基于不同PG增長率的交通減碳趨勢，結果如圖6所示.可知，不論在何種經(jīng)濟增長率下，2020～2025年福建省交通碳排放量均呈現(xiàn)遞減的趨勢.但隨著PG增長率的提高，交通碳排放量也越高，說明經(jīng)濟發(fā)展和交通碳排量存在正相關的關系.

圖6 不同PG增長率下福建省交通碳排放預測Figure 6 Prediction of transportation carbon emissions in Fujian Province under different PG growth rates

4 結 語

本研究對福建省交通碳排放影響因素進行分析和預測，利用主成分分析法確定影響因素的主成分，并基于支持向量機模型得到不同人均GDP增長率下福建省碳排放量，從而得到不同人均GDP增長率下福建省碳減排趨勢，研究結果可為政府在制定城市經(jīng)濟發(fā)展與交通減碳政策時提供理論參考.

本研究仍存在不足之處，如在對影響因素進行研究時，未考慮影響因素之間的相互作用機理；且未從動態(tài)化的角度考慮影響因素未來的發(fā)展情況.未來在區(qū)域交通碳排放影響因素及其動態(tài)發(fā)展趨勢方面需要進一步深入、細化.