陳 亮，王金泓，何 濤，周志華，李巧茹*，楊文偉

(1.河北工業(yè)大學(xué)土木與交通學(xué)院，天津300401；2.天津市綠色交通工程材料技術(shù)中心，天津300401；3.廣州市交通規(guī)劃研究院，廣州510000)

0 引言

隨著工業(yè)化發(fā)展速度加快和新興經(jīng)濟(jì)體規(guī)模的擴(kuò)大，我國(guó)已成為世界上最大的能源生產(chǎn)和消費(fèi)國(guó)，同時(shí)也是世界上CO2排放量最大的國(guó)家.研究表明，交通運(yùn)輸業(yè)是對(duì)全國(guó)碳排放強(qiáng)度下降和碳排放增長(zhǎng)貢獻(xiàn)最大的行業(yè)之一，且現(xiàn)階段能源消耗量和碳排放量均呈逐年上升趨勢(shì)[1].因此，交通運(yùn)輸業(yè)應(yīng)承擔(dān)起降低碳排放的重要責(zé)任.

目前，國(guó)內(nèi)外專家學(xué)者關(guān)于交通碳排放的研究主要包括兩大類：其一，為交通碳排放影響因素分析，多數(shù)學(xué)者站在整個(gè)國(guó)家或某具體省市的角度，宏觀分析交通碳排放驅(qū)動(dòng)力作用[2-3]；或研究不同交通領(lǐng)域和不同運(yùn)輸結(jié)構(gòu)諸多碳排放影響因素[4]，同時(shí)對(duì)某一具體指標(biāo)(如碳排放效率、能源利用率等)變化影響機(jī)理的研究也日益增加[5-6].但是我國(guó)區(qū)域經(jīng)濟(jì)發(fā)展不均衡，不同省市區(qū)域之間的交通碳排放水平存在明顯差異，因此單純從國(guó)家或某具體區(qū)域角度分析交通碳排放影響因素問題會(huì)存在一定局限性.其二，為交通碳排放預(yù)測(cè)及節(jié)能減排策略研究，大部分學(xué)者通過構(gòu)建Kaya恒等式、IPAT或STIRPAT模型及其擴(kuò)展模型、GM(1，1)模型等來直接預(yù)測(cè)碳排放總量[7-9]；或是結(jié)合線性回歸法和情景預(yù)測(cè)法預(yù)測(cè)不同情景下的碳排放情況并提出針對(duì)性建議[10].但是，傳統(tǒng)預(yù)測(cè)方法存在偏最小二乘回歸和嶺回歸穩(wěn)定性低、可解釋性較弱、關(guān)鍵參數(shù)難確定等不足.此外，區(qū)域交通碳排放系統(tǒng)為復(fù)雜非線性系統(tǒng)，傳統(tǒng)預(yù)測(cè)方法因缺乏數(shù)據(jù)樣本學(xué)習(xí)過程而導(dǎo)致非線性關(guān)系模糊，計(jì)算過程復(fù)雜，預(yù)測(cè)結(jié)果精度降低.

綜上所述，本研究綜合考慮我國(guó)區(qū)域發(fā)展特征和交通碳排放研究現(xiàn)狀，借鑒STIRPAT模型中各影響因素的選取方法并對(duì)其進(jìn)行擴(kuò)展，選擇具有區(qū)域特征的碳排放影響因素分析我國(guó)區(qū)域交通碳排放變化規(guī)律；同時(shí)，為避免傳統(tǒng)預(yù)測(cè)方法的諸多弊端，構(gòu)建支持向量回歸機(jī)(Support Vector Regression,SVR)模型對(duì)我國(guó)區(qū)域交通碳排放進(jìn)行預(yù)測(cè).該模型可有效解決預(yù)測(cè)模型中小樣本、非線性等問題，且在高維模式識(shí)別中表現(xiàn)出一定優(yōu)勢(shì)，因此在行業(yè)碳排放預(yù)測(cè)方面具有良好的實(shí)用性[11]，可為交通碳排放預(yù)測(cè)提供新的科學(xué)方法.

1 影響因素選取和模型建立

1.1 碳排放影響因素選取

STIRPAT模型是由York等提出的關(guān)于人口、富裕和技術(shù)對(duì)環(huán)境的隨機(jī)影響模型，為提高模型的分析解釋能力，模型各因素均可進(jìn)行擴(kuò)展改進(jìn)[3].交通碳排放主要影響因素包括交通自身影響、經(jīng)濟(jì)發(fā)展和科學(xué)技術(shù)3個(gè)方面[3]，因此選取旅客周轉(zhuǎn)量、貨物周轉(zhuǎn)量、人均GDP、機(jī)動(dòng)車保有量、碳排放強(qiáng)度、能源結(jié)構(gòu)和城市化率能源效率7項(xiàng)影響因素作為交通碳排放預(yù)測(cè)自變量.其中，貨物周轉(zhuǎn)量和旅客周轉(zhuǎn)量反映交通自身影響，人均GDP和機(jī)動(dòng)車保有量反映社會(huì)富裕程度影響，碳排放強(qiáng)度和能源結(jié)構(gòu)反映交通運(yùn)輸業(yè)科技發(fā)展水平影響，城市化率作為擴(kuò)展項(xiàng)用來反映區(qū)域特征.

碳排放強(qiáng)度是單位GDP所產(chǎn)生的碳排放量，用來反映經(jīng)濟(jì)增長(zhǎng)與碳排放之間的關(guān)系.計(jì)算方法為

式中：I為碳排放強(qiáng)度；Ct為歷年交通運(yùn)輸行業(yè)碳排放總量；Gt為歷年經(jīng)濟(jì)生產(chǎn)總值.

關(guān)于能源結(jié)構(gòu)，本文借鑒產(chǎn)業(yè)結(jié)構(gòu)指數(shù)構(gòu)造法，將其定義為不同能源(本文重點(diǎn)研究電力和天然氣兩類清潔能源比例)消耗轉(zhuǎn)換標(biāo)準(zhǔn)煤用量與行業(yè)消耗能源標(biāo)準(zhǔn)煤總量的比值，計(jì)算方法為

式中：R為不同能源消耗所占比例；Ei為第i種能源消耗量；ci為第i種能源轉(zhuǎn)換標(biāo)準(zhǔn)煤系數(shù)[12].

1.2 預(yù)測(cè)模型建立

1.2.1 支持向量回歸機(jī)

支持向量回歸機(jī)是一種基于SVM思想，利用統(tǒng)計(jì)學(xué)習(xí)理論進(jìn)行回歸計(jì)算的機(jī)器學(xué)習(xí)法[13].該方法適用于有限樣本研究，可在理論上得到全局最優(yōu)解，且計(jì)算過程復(fù)雜程度與樣本維數(shù)無關(guān)，在函數(shù)逼近、回歸預(yù)測(cè)等方面可達(dá)到最優(yōu)效果.本研究選擇ε-SVR模型進(jìn)行區(qū)域交通碳排放預(yù)測(cè)，具體步驟如下：

給定線性訓(xùn)練集為

式中：xi為輸入向量；y為輸出值.

設(shè)Rn上的一個(gè)線性函數(shù)表達(dá)式為

式中：ω為權(quán)值向量；b為偏移常量.

依據(jù)數(shù)理統(tǒng)計(jì)學(xué)理論，函數(shù)估計(jì)問題可轉(zhuǎn)化為式(5)和式(6)的最優(yōu)化問題.

式中：ε為不敏感損失系數(shù).

由于個(gè)別數(shù)據(jù)在ε精度下不能完成估計(jì)，故引入松弛變量ξi和，將優(yōu)化過程式(5)轉(zhuǎn)化為式(7).

式中：C為懲罰系數(shù).

為便于求解，通常引入拉格朗日乘子α和α*，將模型轉(zhuǎn)換為其對(duì)偶問題.

對(duì)應(yīng)的線性回歸函數(shù)表達(dá)式為

引入核函數(shù)K(xi,yi)，將線性問題轉(zhuǎn)化為Hilbert空間中的非線性回歸問題，構(gòu)建ε-SVR模型為

1.2.2 基于ε-SVR的交通碳排放預(yù)測(cè)模型

獲取n年某區(qū)域交通碳排放及各項(xiàng)交通碳排放影響因素?cái)?shù)據(jù)組成樣本集，i=1,2,…,n，構(gòu)建區(qū)域交通碳排放SVR模型.具體步驟如下：

(1)對(duì)自變量和因變量進(jìn)行歸一化處理，保證所有數(shù)據(jù)在[0,1]之間.

(2)在樣本集中選取m個(gè)樣本組成訓(xùn)練樣本集，剩下n-m個(gè)樣本組成測(cè)試樣本集.選擇K(xi,x)=exp(-γ‖‖xi-x2)為徑向基核函數(shù)處理訓(xùn)練樣本集，構(gòu)建ε-SVR模型.設(shè)定ε的初始值，應(yīng)用格搜索和交叉驗(yàn)證法確定參數(shù)C和γ的取值，最終得到最優(yōu)參數(shù)ε?、C?和γ?.

(3)對(duì)訓(xùn)練樣本集數(shù)據(jù)進(jìn)行仿真，得到模型最優(yōu)解和回歸函數(shù)f(x)，將訓(xùn)練樣本集和測(cè)試樣本集的全部數(shù)據(jù)分別代入函數(shù)輸出擬合值，并對(duì)擬合結(jié)果與真實(shí)值進(jìn)行線性回歸，依據(jù)相關(guān)系數(shù)結(jié)果判斷模型的學(xué)習(xí)推廣能力.若模型學(xué)習(xí)推廣能力差，需返回步驟(2)直到獲得最優(yōu)解.

2 數(shù)據(jù)來源與實(shí)例分析

2.1 數(shù)據(jù)來源

以北京市為例進(jìn)行實(shí)例分析，所研究的交通運(yùn)輸業(yè)為交通運(yùn)輸、倉(cāng)儲(chǔ)及郵政業(yè)3個(gè)行業(yè)的綜合.所有數(shù)據(jù)均來源于《中國(guó)能源統(tǒng)計(jì)年鑒》《北京市統(tǒng)計(jì)年鑒》，樣本區(qū)間為1990—2016年；所涉及的人均GDP、碳排放強(qiáng)度指標(biāo)均為參照1990年可比價(jià)重新計(jì)算的結(jié)果.

表1 交通碳排放及其影響因素?cái)?shù)據(jù)Table 1 Data of carbon emissions and influence factors of transportation

2.2 MATLAB運(yùn)行結(jié)果及回歸分析

依照ε-SVR預(yù)測(cè)模型構(gòu)建步驟，對(duì)27年樣本數(shù)據(jù)進(jìn)行歸一化處理.隨機(jī)選取13年樣本數(shù)據(jù)組成訓(xùn)練樣本集，剩余14年數(shù)據(jù)樣本組成測(cè)試樣本集.運(yùn)用MATLAB 7.0處理相關(guān)數(shù)據(jù)，設(shè)置ε的初始值為0.01，C和γ的取值范圍均是[2-8，28]，網(wǎng)格寬度為0.8，采用5折交叉驗(yàn)證法處理訓(xùn)練樣本集數(shù)據(jù).系統(tǒng)對(duì)C的取值范圍進(jìn)行離散化處理，取不同的離散值使得支持向量回歸機(jī)的訓(xùn)練誤差最小，圖1為參數(shù)選擇效果3D圖.最終得到C?為48.502 9，ε?為0.006 801，交叉驗(yàn)證均方誤差(MSE)為0.008 040.

對(duì)訓(xùn)練樣本集和測(cè)試樣本集數(shù)據(jù)進(jìn)行擬合分析，得到反歸一化后的預(yù)測(cè)值與實(shí)際值線性回歸結(jié)果如圖2和圖3所示.其中，訓(xùn)練結(jié)果線性回歸方程為Q=0.963 0M+58.308 9，相關(guān)系數(shù)為0.984 2，均方誤差為0.002 369；測(cè)試結(jié)果線性回歸方程為Q=0.951 8M+66.107 4，相關(guān)系數(shù)為0.995 0，均方誤差為0.001 164.對(duì)應(yīng)預(yù)測(cè)值與實(shí)際值數(shù)據(jù)對(duì)比結(jié)果如圖4和圖5所示，可見模型具有良好的學(xué)習(xí)推廣能力，可用作區(qū)域交通碳排放預(yù)測(cè)研究.

圖1 參數(shù)選擇效果圖(3D)Fig.1 The effect drawing of the paramater selection(3D)

圖2 訓(xùn)練樣本集回歸結(jié)果Fig.2 Linear regression of the training set

圖3 測(cè)試樣本集回歸結(jié)果Fig.3 Linear regression of the testing set

圖4 訓(xùn)練預(yù)測(cè)值與實(shí)際值對(duì)比結(jié)果Fig.4 Forecast and actual values comparison of training set

2.3 未來交通碳排放預(yù)測(cè)

2.3.1 影響因素預(yù)測(cè)分析

根據(jù)北京市統(tǒng)計(jì)局相關(guān)數(shù)據(jù)、北京“十三五”發(fā)展規(guī)劃綱要、北京“十三五”交通發(fā)展規(guī)劃、北京“十三五”能源發(fā)展規(guī)劃、北京市政府統(tǒng)計(jì)公報(bào)及政府年度工作報(bào)告等相關(guān)數(shù)據(jù)，對(duì)北京市2017—2020年交通碳排放7項(xiàng)影響因素值進(jìn)行整理和預(yù)測(cè)分析.

圖5 測(cè)試預(yù)測(cè)值與實(shí)際值對(duì)比Fig.5 Forecast and actual values comparison of testing set

(1)客、貨物周轉(zhuǎn)量.

2016年北京市客、貨物周轉(zhuǎn)量分別為1 889.31億人公里和671.33億噸公里，樣本數(shù)據(jù)年均增長(zhǎng)率分別為11.2%和3.6%.預(yù)測(cè)2017—2020年北京市客、貨運(yùn)周轉(zhuǎn)量分別為2 100.92、2 336.22、2 597.88、2 888.84 億 人公里和 695.50、720.53、746.47、773.35億噸公里.

(2)人均GDP.

北京“十三五”發(fā)展規(guī)劃綱要明確提出，到2020年北京市人口總數(shù)預(yù)測(cè)控制在2 300萬人之內(nèi)，年均增長(zhǎng)率為1.16%；GDP年均增速保持在6.5%，不低于6%.因此，綜合考慮北京市政治重要性、經(jīng)濟(jì)發(fā)展水平現(xiàn)狀及中心產(chǎn)業(yè)轉(zhuǎn)移政策等因素，設(shè)置預(yù)測(cè)年限GDP增長(zhǎng)率分別為6.0%、6.5%、7.0%，對(duì)應(yīng)年份人均GDP如表2所示.

表2 不同GDP增速下的人均GDP預(yù)測(cè)值Table 2 Forecast per capital GDP under different GDP growth rate

(3)機(jī)動(dòng)車保有量.

北京交通“十三五”規(guī)劃中明確提出，預(yù)期到2020年北京市機(jī)動(dòng)車保有量控制在630萬輛以內(nèi)，最大年均增長(zhǎng)率為2.5%.樣本數(shù)據(jù)增長(zhǎng)率最小值為0.5%，因此本文將機(jī)動(dòng)車保有量增長(zhǎng)率設(shè)置為0.5%、1.5%、2.5%，對(duì)應(yīng)年份機(jī)動(dòng)車保有量如表3所示.

表3 不同增速下的機(jī)動(dòng)車保有量預(yù)測(cè)值Table 3 Forecast vehicle population under different growth rate

(4)碳排放強(qiáng)度.

碳排放強(qiáng)度是衡量交通運(yùn)輸業(yè)科技發(fā)展水平的指標(biāo)之一，由歷史數(shù)據(jù)可知其年均降低比例為6.0%，預(yù)測(cè)2017—2020年交通碳排放強(qiáng)度分別為0.112 6、0.105 9、0.099 5和0.093 5 t/萬元.

(5)能源比例.

北京市交通“十三五”規(guī)劃明確指出，到2020年北京市交通運(yùn)輸業(yè)能耗增長(zhǎng)率將控制在6.2%之內(nèi)，而清潔能源消費(fèi)比例將繼續(xù)提升.由樣本數(shù)據(jù)可知，2016年北京市交通運(yùn)輸業(yè)標(biāo)準(zhǔn)煤消耗量為1 312.69萬t，清潔能源轉(zhuǎn)換為標(biāo)準(zhǔn)煤的消耗量為219.56萬t且年均增長(zhǎng)率為10.82%.預(yù)測(cè)2017—2020年清潔能源比例分別為17.45%、18.25%、19.09%和19.97%.

(6)城市化率.

2016年北京城市化率為86.50%，年均增長(zhǎng)率為0.63%，預(yù)測(cè)2017—2020年北京城市化率分別為87.04%、87.59%、88.15%和88.70%.

2.3.2 交通碳排放預(yù)測(cè)分析

由不同情境下的預(yù)測(cè)結(jié)果(表4)可知，同一GDP增速下，機(jī)動(dòng)車保有量增長(zhǎng)率越低，交通碳排放總量越少，說明努力控制機(jī)動(dòng)車保有量的增加，可有效緩解交通碳排放壓力；相同機(jī)動(dòng)車保有量增長(zhǎng)率條件下，交通碳排放量隨著GDP增長(zhǎng)速度加快逐漸增大，即一味追求經(jīng)濟(jì)發(fā)展會(huì)帶來更多交通運(yùn)輸業(yè)的減排壓力；隨時(shí)間推移，交通碳排放總量增長(zhǎng)趨勢(shì)漸緩，年均增長(zhǎng)率由9.20%下降到6.12%，說明在相關(guān)部門的綜合治理下，低碳節(jié)能是社會(huì)發(fā)展的必然趨勢(shì).

表4 不同條件下的碳排放預(yù)測(cè)值Table 4 Forecast value of carbon emissions under different situations

3 結(jié)論

基于IPCC清單指南的相關(guān)數(shù)據(jù)，確定區(qū)域交通碳排放相關(guān)指標(biāo)的測(cè)算方法和預(yù)測(cè)模型，并以北京市為例進(jìn)行實(shí)證分析，得出以下結(jié)論：

(1)建立支持向量回歸機(jī)模型對(duì)區(qū)域交通碳排放進(jìn)行預(yù)測(cè)研究，以北京市為例，交叉驗(yàn)證均方誤差僅為0.008 040，訓(xùn)練和測(cè)試擬合相關(guān)系數(shù)分別為0.984 2和0.995 0，均方誤差分別為0.002 369和0.001 163，可見模型具有很好的學(xué)習(xí)和推廣能力.

(2)通過預(yù)測(cè)結(jié)果可知，區(qū)域交通碳排放總量整體呈上升趨勢(shì)，社會(huì)仍然面臨較大溫室氣體減排壓力；但隨時(shí)間推移，交通碳排放總量增長(zhǎng)趨勢(shì)逐漸變緩，這表明政府節(jié)能減排目標(biāo)已初見成效.以北京市為例，到2020年碳排放總量平均增長(zhǎng)到3 733.969 0萬t，年均增長(zhǎng)率則由9.20%下降到6.12%.

參考文獻(xiàn):

[1]LIN B,XIE C.Reduction potential of CO2,emissions in China?s transport industry[J].Renewable&Sustainable Energy Reviews,2014(33):689-700.

[2]DARIDO G,TORRES-MONTOYA M,MEHNDIRATTA S.Urban transport and CO2,emissions:some evidence from Chinese cities[J].Wiley Interdisciplinary Reviews Energy&Environment,2014,3(2):122-155.

[3]陳亮,何濤,李巧茹,等.區(qū)域交通碳排放相關(guān)指標(biāo)測(cè)算及影響因素分析[J].北京工業(yè)大學(xué)學(xué)報(bào),2017,43(4):631-637.[CHEN L,HE T,LI Q R,et al.Index calculation and effect factor study of regional transport carbon emission[J].Journal of Beijing University of Technology,2017,43(4):631-637.]

[4]WANG T,LI H,ZHANG J,et al.Influencing factors of carbon emission in China's road freight transport[J].Procedia-Social and Behavioral Sciences,2012(43):54-64.

[5]盧建鋒,傅惠,王小霞.區(qū)域交通運(yùn)輸業(yè)碳排放效率影響因素研究[J].交通運(yùn)輸系統(tǒng)工程與信息,2016,16(2):25-30.[LU J F,FU H,WANG X X.Research on the impact of regional transportation emissions efficiency factors[J].Journal of Transportation Systems Engineering and Information Technology,2016,16(2):25-30.]

[6]宋震,叢林.中國(guó)交通運(yùn)輸業(yè)能源效率及其影響因素研究[J].交通運(yùn)輸系統(tǒng)工程與信息,2016,16(1):19-25.[SONG Z,CONG L.Energyefficiencyand influencing factors of Chinese transportation industry[J].Journal of Transportation Systems Engineering and Information Technology,2016,16(1):19-25.]

[7]劉鴻遠(yuǎn).城市交通碳排放預(yù)測(cè)與發(fā)展模式選擇[D].天津:天津理工大學(xué),2014.[LIU H Y.The forecast of carbon emission of urban transportation and choice of development mode take Tianjin as an example[D].Tianjin:Tianjin University of Technology,2014.]

[8]KAYA Y.Impacts of carbon dioxide emission control on GDP growth:interpretation of proposed scenarios[R].Paris:Presentation to the Energy and Industry Subgroup,Response Strategies Working Group,IPCC,1989:1-25.

[9]YORK R,ROSA E A,DIETZ T.STIRPAT,IPAT and ImPACT:analytic tools for unpacking the driving forces ofenvironmentalimpacts[J].EcologicalEconomics,2003,46(3):351-365.

[10]劉建翠.中國(guó)交通運(yùn)輸部門節(jié)能潛力和碳排放預(yù)測(cè)[J].資源科學(xué),2011,33(4):640-646.[LIU J C.Energy saving potential and carbon emissions prediction for the transportation sector in China[J].Resources Science,2011,33(4):640-646.]

[11]宋杰鯤.基于支持向量回歸機(jī)的中國(guó)碳排放預(yù)測(cè)模型[J].中國(guó)石油大學(xué)學(xué)報(bào)（自然科學(xué)版）,2012,36(1):182-187.[SONG J K.China’s carbon emissions prediction model based on support vector regression[J].Journal of China University of Petroleum(Edition of Natural Science),2012,36(1):182-187.]

[12]WOOLF D,AMONETTE J E,STREETPERROTT F A,et al.Sustainable biochar to mitigate global climate change[J].Nature Communications,2010,1(5):56.

[13]CORTES C,VAPNIK V.Support-vector networks[J].Machine Learning,1995,20(3):273-297.