張矢宇,楊 杰,田志武

(1.武漢理工大學(xué) 交通與物流工程學(xué)院,湖北 武漢 430063;2.武漢環(huán)境投資開發(fā)集團(tuán)有限公司,湖北 武漢 430013)

隨著近年全球氣候變化等原因造成的各類環(huán)境問題日益頻發(fā),生態(tài)環(huán)境保護(hù)的重要性愈發(fā)凸顯。交通運(yùn)輸是社會(huì)經(jīng)濟(jì)的引領(lǐng)者和先行官,同時(shí)也是高能耗的重要生產(chǎn)部門,是我國(guó)實(shí)現(xiàn)“碳達(dá)峰、碳中和”目標(biāo)的關(guān)鍵性行業(yè)。我國(guó)經(jīng)濟(jì)正處于總體穩(wěn)定、態(tài)勢(shì)良好的發(fā)展時(shí)期,在這一環(huán)境下,交通運(yùn)輸需求也將保持持續(xù)增長(zhǎng)的趨勢(shì),由此產(chǎn)生的環(huán)境污染問題也會(huì)日益突出。因此,研究交通運(yùn)輸碳排放受經(jīng)濟(jì)發(fā)展、人口活動(dòng)、能源消耗等因素的影響作用,分析影響碳排放的主要促進(jìn)和抑制因素,對(duì)于我國(guó)發(fā)展綠色交通、保護(hù)生態(tài)環(huán)境等都具有重要意義。

目前,大部分有關(guān)碳排放影響因素的研究多采用碳排放的變化分解方法進(jìn)行實(shí)證研究,其中主要為指數(shù)分解法中的對(duì)數(shù)平均權(quán)重法(logarithmic mean divisia index,LMDI)和基于STIRPAT的擴(kuò)展回歸模型等[1-3]。此外,學(xué)者對(duì)交通運(yùn)輸碳排放潛力和節(jié)能減排措施開展了相關(guān)研究。如張國(guó)興等[4]通過設(shè)置不同情景下交通運(yùn)輸碳排放影響因素的量化指標(biāo),對(duì)未來交通運(yùn)輸碳排放進(jìn)行預(yù)測(cè);王靖添等[5]基于運(yùn)輸結(jié)構(gòu)、技術(shù)水平、高效低碳等不同情況進(jìn)行研究,結(jié)果顯示在低碳情景的碳減排潛力最大,運(yùn)輸方式中公路和航空運(yùn)輸碳排放顯著下降;MA等[6]基于LEAP模型設(shè)置了3種對(duì)比情景下預(yù)測(cè)未來交通運(yùn)輸碳排放量,實(shí)證分析發(fā)現(xiàn)京津冀地區(qū)總排放控制情景碳排放量有更大幅度減少。

綜上,碳排放的相關(guān)研究已經(jīng)受到越來越多的學(xué)者關(guān)注,但針對(duì)于交通運(yùn)輸?shù)奶寂欧畔嚓P(guān)因素的研究還不夠深入,也沒有進(jìn)一步結(jié)合發(fā)展環(huán)境進(jìn)行分析。因此,筆者在參考有關(guān)研究的基礎(chǔ)上,基于當(dāng)前我國(guó)發(fā)展形勢(shì),結(jié)合情景分析的方法對(duì)交通運(yùn)輸?shù)亩趸寂欧胚M(jìn)行因素分解及預(yù)測(cè),為未來我國(guó)交通運(yùn)輸領(lǐng)域制定節(jié)能減排發(fā)展策略、實(shí)現(xiàn)“雙碳”戰(zhàn)略目標(biāo)提供理論依據(jù)和對(duì)策參考。

1 研究方法

1.1 我國(guó)交通運(yùn)輸業(yè)碳排放量測(cè)算

交通運(yùn)輸領(lǐng)域碳排放量的測(cè)算方式一般分為“自上而下”和“自下而上”兩種。后者的計(jì)算需要基于運(yùn)輸載具數(shù)目、行駛里程、運(yùn)輸單位公里能耗等有關(guān)數(shù)據(jù),測(cè)算準(zhǔn)確性較高但基礎(chǔ)數(shù)據(jù)的可得性較差,目前多數(shù)研究?jī)H用于城市道路交通碳排放測(cè)算?？紤]到不同運(yùn)輸方式的差異性,且國(guó)內(nèi)相關(guān)統(tǒng)計(jì)數(shù)據(jù)不夠完善,因此采用終端能耗的“自上而下”方法進(jìn)行測(cè)算,具體計(jì)算公式為:

(1)

式中:C為交通運(yùn)輸業(yè)碳排放總量;Ek為第k類能源的消耗量;Fk為第k類能源的碳排放系數(shù)。

依據(jù)《綜合能耗計(jì)算通則》(GB/T2589—2008)、《省級(jí)溫室氣體清單編制指南》(發(fā)改辦氣候[2011]1041號(hào))和《中國(guó)能源統(tǒng)計(jì)年鑒》的相關(guān)數(shù)據(jù),將交通運(yùn)輸業(yè)消耗的能源分為原煤、汽油、煤油、柴油、原油、焦炭、燃料油、天然氣和電力9類,整理計(jì)算得到各類能源的碳排放系數(shù),如表1所示,并設(shè)定在研究的時(shí)間范圍內(nèi)碳排放系數(shù)不變。

表1 主要消耗能源碳排放系數(shù)

1.2 碳排放影響因素的分解

(1)KAYA恒等式。KAYA恒等式基于人口、經(jīng)濟(jì)和能源三大因素,將碳排放分解為4項(xiàng)具有實(shí)際意義的參數(shù)方程的乘數(shù)形式[7],其表達(dá)式為:

(2)

式中:C為碳排放總量;E為能源消耗量;G為生產(chǎn)總值;P為總?cè)丝谝?guī)模。

(2)LMDI分解模型。依據(jù)KAYA恒等式,從交通運(yùn)輸?shù)奶卣鞒霭l(fā)進(jìn)一步研究其影響因素的作用,保持等量關(guān)系不變,將(2)式擴(kuò)展為:

(3)

式中:i為不同運(yùn)輸方式;T為交通運(yùn)輸換算周轉(zhuǎn)量;H為交通運(yùn)輸業(yè)產(chǎn)值;Pu為城鎮(zhèn)人口數(shù);C/E為能源碳排放系數(shù);E/T為單位運(yùn)輸能耗水平,即單位換算周轉(zhuǎn)量所消耗的能源,一定程度上體現(xiàn)運(yùn)輸?shù)哪茉葱?Ti/T為交通運(yùn)輸結(jié)構(gòu),即各運(yùn)輸方式的換算周轉(zhuǎn)量占比,體現(xiàn)交通運(yùn)輸業(yè)運(yùn)力結(jié)構(gòu);T/H為交通運(yùn)輸單位產(chǎn)值周轉(zhuǎn)量,即交通運(yùn)輸單位產(chǎn)值的換算周轉(zhuǎn)量,體現(xiàn)交通運(yùn)輸經(jīng)濟(jì)效益;H/G為單位GDP交通運(yùn)輸產(chǎn)值,即交通運(yùn)輸業(yè)產(chǎn)值與國(guó)民生產(chǎn)總值之比,體現(xiàn)交通運(yùn)輸所占的經(jīng)濟(jì)體量;G/Pu為城鎮(zhèn)居民人均GDP,即以城鎮(zhèn)人口分?jǐn)偟娜司鵊DP值;Pu/P為城鄉(xiāng)人口結(jié)構(gòu),即城鎮(zhèn)人口占比,體現(xiàn)城市化趨勢(shì)。

參考ANG等[8]的研究,采用LMDI分解法進(jìn)行無殘差分解:

(4)

(5)

(6)

(7)

(8)

(9)

(10)

(11)

(12)

1.3 預(yù)測(cè)方法

BP(back propagation)神經(jīng)網(wǎng)絡(luò),作為一種多層前向反饋神經(jīng)網(wǎng)絡(luò),因其不需要預(yù)設(shè)數(shù)學(xué)規(guī)律等優(yōu)點(diǎn),如今已在醫(yī)學(xué)、電子信息、土木工程等諸多行業(yè)領(lǐng)域中得到了廣泛應(yīng)用。BP神經(jīng)網(wǎng)絡(luò)的作用原理是通過模仿神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),由多個(gè)神經(jīng)元連接構(gòu)成一個(gè)自適應(yīng)非線性動(dòng)態(tài)系統(tǒng),進(jìn)而學(xué)習(xí)和存儲(chǔ)大量映射關(guān)系[9-10]?？紤]到交通運(yùn)輸碳排放受多個(gè)因素的共同影響,且變量之間普遍存在相關(guān)關(guān)系,采用傳統(tǒng)的線性預(yù)測(cè)方法,可能產(chǎn)生無法通過顯著性檢驗(yàn)、對(duì)變量合并取舍時(shí)丟失數(shù)據(jù)信息等問題,而利用人工神經(jīng)網(wǎng)絡(luò)的非線性映射能力及網(wǎng)絡(luò)結(jié)構(gòu)的柔性特點(diǎn)則能夠較好地克服這些限制,基于此通過構(gòu)建BP神經(jīng)網(wǎng)絡(luò)并結(jié)合情景分析對(duì)交通碳排放量進(jìn)行預(yù)測(cè),BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

2 實(shí)證分析

2.1 數(shù)據(jù)來源與處理

研究時(shí)間范圍為1995—2019年,交通運(yùn)輸方式主要分為公路、鐵路、水路和航空運(yùn)輸?；A(chǔ)數(shù)據(jù)通過《中國(guó)統(tǒng)計(jì)年鑒》《中國(guó)能源統(tǒng)計(jì)年鑒》《中國(guó)交通運(yùn)輸統(tǒng)計(jì)年鑒》《公路水路交通運(yùn)輸業(yè)發(fā)展統(tǒng)計(jì)公報(bào)》等統(tǒng)計(jì)報(bào)表中獲取。為真實(shí)體現(xiàn)物品價(jià)值受生產(chǎn)活動(dòng)的實(shí)際變化影響,取國(guó)內(nèi)生產(chǎn)總值與交通運(yùn)輸業(yè)產(chǎn)值均為對(duì)應(yīng)年份在統(tǒng)計(jì)基期的不變價(jià),以排除價(jià)格變化對(duì)計(jì)算結(jié)果造成的影響。國(guó)內(nèi)價(jià)格統(tǒng)計(jì)基期調(diào)整時(shí)間為5年一次,各期時(shí)間總體上與我國(guó)五年發(fā)展計(jì)劃相近,因此將研究對(duì)象時(shí)間劃分為間隔5年的5個(gè)時(shí)間段,即為1995—1999、2000—2004、2005—2009、2010—2014、2015—2019,取區(qū)段始末節(jié)點(diǎn)時(shí)間計(jì)算,著重體現(xiàn)不同時(shí)段的影響變化。

運(yùn)輸周轉(zhuǎn)量數(shù)據(jù)包括客運(yùn)周轉(zhuǎn)量與貨運(yùn)周轉(zhuǎn)量,根據(jù)客貨換算系數(shù)進(jìn)行周轉(zhuǎn)量折算,取折算加總后的貨運(yùn)周轉(zhuǎn)量為計(jì)算的基礎(chǔ)數(shù)據(jù)。依據(jù)目前我國(guó)統(tǒng)計(jì)制度規(guī)定的客貨換算系數(shù),將鐵路、公路、水運(yùn)、航空4種運(yùn)輸方式的折算系數(shù)分別取為1、0.1、0.33、0.072。

2.2 碳排放影響因素分析與結(jié)果

交通運(yùn)輸碳排放影響因素分解結(jié)果如表2所示,可知在7種影響因素中對(duì)交通運(yùn)輸碳排放起促進(jìn)作用的是交通運(yùn)輸結(jié)構(gòu)、城鎮(zhèn)居民人均GDP、城鄉(xiāng)人口結(jié)構(gòu)和總?cè)丝谝?guī)模,其中城鎮(zhèn)居民人均GDP對(duì)碳排放的促進(jìn)作用最為明顯;而單位運(yùn)輸能耗水平、交通運(yùn)輸單位產(chǎn)值周轉(zhuǎn)量、單位GDP交通運(yùn)輸產(chǎn)值對(duì)交通運(yùn)輸碳排放起抑制作用,其中單位運(yùn)輸能耗水平的抑制作用最為顯著。

表2 交通運(yùn)輸碳排放影響因素分解結(jié)果

單位運(yùn)輸能耗水平(K1)在1995—2019年間促成減少碳排放達(dá)46 229萬t,且近年有擴(kuò)大影響的趨勢(shì),這一結(jié)果較為符合近年交通運(yùn)輸?shù)墓?jié)能減排政策和行業(yè)綠色發(fā)展趨勢(shì)。在當(dāng)前受國(guó)家持續(xù)推進(jìn)交通運(yùn)輸清潔能源和節(jié)能減排新技術(shù)使用的政策導(dǎo)向下,如推行新能源汽車的快速發(fā)展,對(duì)行業(yè)的低碳發(fā)展起到了較為重要的作用。交通運(yùn)輸單位產(chǎn)值周轉(zhuǎn)量(K3)和單位GDP交通運(yùn)輸產(chǎn)值(K4)在研究區(qū)間內(nèi)也分別促使碳排放減少13 730萬t和2 570萬t。雖然總體上兩者均對(duì)碳排放起抑制作用,但前者在2000年后逐漸由促進(jìn)作用轉(zhuǎn)為抑制作用,而后者則大致表現(xiàn)出相反的趨勢(shì)。

交通運(yùn)輸結(jié)構(gòu)(K2)對(duì)交通運(yùn)輸碳排放主要呈現(xiàn)促進(jìn)作用,尤其在2005—2009年間最為明顯,促進(jìn)碳排放達(dá)19 642萬t,這與我國(guó)交通運(yùn)輸結(jié)構(gòu)的發(fā)展變化具有重要的關(guān)聯(lián)。在我國(guó)不同的發(fā)展時(shí)期,貨物承擔(dān)的主要運(yùn)輸方式也有所不同。從最開始鐵路、水路運(yùn)輸為主,逐漸演變?yōu)楣愤\(yùn)輸承擔(dān)貨物運(yùn)輸?shù)闹黧w。公路運(yùn)輸作為實(shí)現(xiàn)“門到門”運(yùn)輸?shù)闹匾\(yùn)輸方式,一方面為社會(huì)經(jīng)濟(jì)貢獻(xiàn)了不可或缺的作用,但另一方面其對(duì)環(huán)境的污染也相對(duì)嚴(yán)重。因此,近年來陸續(xù)出臺(tái)多項(xiàng)政策,旨在大力引導(dǎo)和支持大宗貨物“公轉(zhuǎn)鐵、公轉(zhuǎn)水”,以進(jìn)一步調(diào)整優(yōu)化貨運(yùn)市場(chǎng)運(yùn)輸結(jié)構(gòu),推進(jìn)交通運(yùn)輸?shù)木G色發(fā)展。城鎮(zhèn)居民人均GDP(K5)、城鄉(xiāng)人口結(jié)構(gòu)(K6)和總?cè)丝谝?guī)模(K7)也均表現(xiàn)為對(duì)交通運(yùn)輸碳排放的促進(jìn)作用。從實(shí)際來看,我國(guó)總?cè)丝诤统擎?zhèn)人口占比逐年上升,人民收入水平和生活質(zhì)量也逐漸提高,出行需求不斷增加,促使交通基礎(chǔ)設(shè)施建設(shè)和運(yùn)輸需求提高,這對(duì)碳排放起到了較大的促進(jìn)作用。

2.3 碳排放量預(yù)測(cè)分析與結(jié)果

(1)BP神經(jīng)網(wǎng)絡(luò)構(gòu)建。根據(jù)前文對(duì)交通運(yùn)輸碳排放影響因素的分析,各影響因素指標(biāo)(K1～K7)均存在不同程度的影響作用。選取上述主要影響因素指標(biāo)作為BP神經(jīng)網(wǎng)絡(luò)的輸入層,交通運(yùn)輸碳排放量作為輸出層。隱藏層神經(jīng)元個(gè)數(shù)通過經(jīng)驗(yàn)公式(式(13))計(jì)算得到,m和n分別表示輸入層和輸出層神經(jīng)元個(gè)數(shù),a為取值范圍1～10的常數(shù),取隱藏層數(shù)最終結(jié)果L為8。

(13)

利用Matlab軟件的神經(jīng)網(wǎng)絡(luò)工具箱構(gòu)建BP神經(jīng)網(wǎng)絡(luò)。以Trainlm函數(shù)為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù),設(shè)置輸出層和隱藏層的傳遞函數(shù)分別為purelin和對(duì)數(shù)S型函數(shù)logsig。設(shè)置BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)精度為0.000 1,學(xué)習(xí)速率為0.05,訓(xùn)練次數(shù)3 000次。訓(xùn)練過程的誤差圖如圖2所示,可知訓(xùn)練已達(dá)到0.000 1的目標(biāo)精度,最終均方誤差MSE為0.000 095 8,精度較高。

圖2 訓(xùn)練過程的誤差圖

(2)輸入層參數(shù)設(shè)置及預(yù)測(cè)。利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)交通運(yùn)輸碳排放量,需要將未來幾年的數(shù)據(jù)作為輸入的訓(xùn)練數(shù)據(jù)。情景分析方法起源于20世紀(jì)70年代,由當(dāng)前到未來的發(fā)展形勢(shì)給出設(shè)定的預(yù)測(cè)結(jié)果,主要適用于人的主觀能動(dòng)性影響和未來形勢(shì)發(fā)生改變等情況,尤其在能源需求、氣候環(huán)境等領(lǐng)域有著較為廣泛的應(yīng)用[11]。參考相關(guān)文獻(xiàn)及政策規(guī)劃,并結(jié)合歷史數(shù)據(jù)的發(fā)展趨勢(shì),采用情景分析法設(shè)置基礎(chǔ)數(shù)據(jù)的增長(zhǎng)速率,再將計(jì)算的新數(shù)據(jù)作為輸入層導(dǎo)入構(gòu)建的交通運(yùn)輸碳排放BP神經(jīng)網(wǎng)絡(luò)。

目前,單位運(yùn)輸能耗水平的優(yōu)化已逐漸達(dá)到飽和,呈現(xiàn)低速率下降趨勢(shì),參考《中國(guó)節(jié)能減排發(fā)展報(bào)告》《中國(guó)能源發(fā)展報(bào)告》和統(tǒng)計(jì)年鑒數(shù)據(jù),設(shè)單位運(yùn)輸能耗水平在2025年之前年均下降速率為1.00%,2025年之后為0.90%。交通運(yùn)輸結(jié)構(gòu)方面,根據(jù)近年《交通運(yùn)輸業(yè)發(fā)展統(tǒng)計(jì)公報(bào)》和相關(guān)政策解讀報(bào)告,我國(guó)運(yùn)輸結(jié)構(gòu)調(diào)整取得積極進(jìn)展,貨物運(yùn)輸結(jié)構(gòu)不斷優(yōu)化;從長(zhǎng)期發(fā)展趨勢(shì)來看,公路運(yùn)輸周轉(zhuǎn)量呈現(xiàn)一定的波動(dòng)性,估算其在2025年之前年均下降速率為1.00%,2025年之后為1.20%。交通運(yùn)輸業(yè)產(chǎn)值方面,結(jié)合國(guó)內(nèi)經(jīng)濟(jì)統(tǒng)計(jì)基期調(diào)整時(shí)間,預(yù)估其2025年之前年均增長(zhǎng)速率為6.50%,2025年之后年均增長(zhǎng)速率為7.00%。GDP方面,參考世界銀行等經(jīng)濟(jì)發(fā)展報(bào)告,結(jié)合當(dāng)前我國(guó)社會(huì)經(jīng)濟(jì)發(fā)展環(huán)境,預(yù)計(jì)我國(guó)GDP在2025年之前年均增長(zhǎng)速率為6.00%,2025年之后年均增長(zhǎng)速率為5.00%[12]。人口方面,根據(jù)2020人口普查結(jié)果,我國(guó)總?cè)丝跀?shù)為14.1億,年均增長(zhǎng)率為0.53%,城鎮(zhèn)人口占比達(dá)63.9%。參考張現(xiàn)苓等[13]對(duì)我國(guó)人口現(xiàn)狀的分析,并結(jié)合當(dāng)前政策的引導(dǎo)作用,預(yù)計(jì)我國(guó)總?cè)丝谂c城鎮(zhèn)人口2025年之前年均增長(zhǎng)速率分別為0.50%和1.50%,2025年之后年均增長(zhǎng)速率分別為0.48%和1.20%。綜上,基礎(chǔ)指標(biāo)增長(zhǎng)率設(shè)置如表3所示。

表3 基礎(chǔ)指標(biāo)參數(shù)增長(zhǎng)率設(shè)置 %

最終輸出的交通運(yùn)輸碳排放量預(yù)測(cè)值如圖3所示,可以看出實(shí)際數(shù)據(jù)與輸出數(shù)據(jù)擬合情況較好,綜合上述因素的作用下,未來近一段時(shí)間內(nèi)我國(guó)交通運(yùn)輸碳排放量仍呈現(xiàn)上升的發(fā)展趨勢(shì),預(yù)計(jì)到2025年碳排放為79 505萬t,到2030年將達(dá)81 063萬t,總體較2020年之前上升速率有小幅下降。因此,我國(guó)交通運(yùn)輸碳減排在未來一段時(shí)間內(nèi)仍將面臨一定壓力,對(duì)我國(guó)“雙碳”目標(biāo)的達(dá)成具有一定阻礙,需要加快制定和落實(shí)相應(yīng)政策。

圖3 交通碳排放量實(shí)際與各預(yù)測(cè)結(jié)果對(duì)比果

(3)對(duì)比預(yù)測(cè)分析。為進(jìn)一步驗(yàn)證BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果,與交通運(yùn)輸碳排放量時(shí)間序列的擬合數(shù)據(jù)進(jìn)行比較分析,由時(shí)間序列的布朗線性指數(shù)平滑法預(yù)測(cè)的結(jié)果對(duì)比見圖3。從圖3可以看出,實(shí)際碳排放量大致呈現(xiàn)線性增長(zhǎng)的趨勢(shì),與擬合直線吻合程度較高,但直線趨勢(shì)顯然不符合現(xiàn)階段預(yù)期的發(fā)展目標(biāo)。從指數(shù)平滑法預(yù)測(cè)的結(jié)果來看,其與實(shí)際數(shù)據(jù)的擬合效果較好,擬合優(yōu)度R2達(dá)0.989,但由其預(yù)測(cè)至2030年的碳排放呈現(xiàn)逐年下降的趨勢(shì),同樣與我國(guó)短期內(nèi)的發(fā)展形勢(shì),不符。因此,僅考慮時(shí)間序列的歷年碳排放量對(duì)未來交通碳排放進(jìn)行預(yù)測(cè),與實(shí)際的發(fā)展情況有較大的差異,而BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)則綜合考慮了實(shí)際影響因素的作用,預(yù)測(cè)結(jié)果更優(yōu)。

3 結(jié)論

(1)基于LMDI分解法,對(duì)我國(guó)交通運(yùn)輸碳排放從經(jīng)濟(jì)、人口、能源三大層面進(jìn)行深度剖析,研究各因素的影響程度及抑促效應(yīng),為我國(guó)交通運(yùn)輸節(jié)能減排政策的制定提供理論依據(jù)。結(jié)果顯示:研究區(qū)間內(nèi)碳排放的主要促進(jìn)因素為交通運(yùn)輸結(jié)構(gòu)、城鎮(zhèn)居民人均GDP、城鄉(xiāng)人口結(jié)構(gòu)和總?cè)丝谝?guī)模,主要抑制因素為單位運(yùn)輸能耗水平、交通運(yùn)輸單位產(chǎn)值周轉(zhuǎn)量、單位GDP交通運(yùn)輸產(chǎn)值。其中,城鎮(zhèn)居民人均GDP對(duì)碳排放的促進(jìn)作用最為明顯,單位運(yùn)輸能耗水平對(duì)碳排放的抑制作用最為顯著。

(2)在不同的社會(huì)發(fā)展階段,各因素對(duì)碳排放的影響不但表現(xiàn)在數(shù)量上有一定差異,而且在作用性質(zhì)上都可能發(fā)生轉(zhuǎn)變。如交通運(yùn)輸單位產(chǎn)值周轉(zhuǎn)量在2005—2009年表現(xiàn)為對(duì)碳排放的促進(jìn)作用,而在2015—2019年則表現(xiàn)為抑制作用,這在時(shí)間上與我國(guó)大力推行交通運(yùn)輸向綠色低碳發(fā)展的軌跡一致。由此可見,通過政策管控、市場(chǎng)引導(dǎo)等方式,能夠有效抑制碳排放,政策的調(diào)控作用效果較為明顯。

(3)通過構(gòu)建BP神經(jīng)網(wǎng)絡(luò),設(shè)置主要影響因素作為輸入層指標(biāo),預(yù)測(cè)我國(guó)交通運(yùn)輸碳排放在一段時(shí)間內(nèi)仍呈現(xiàn)上升的發(fā)展趨勢(shì),將在2030年達(dá)到81 063萬t。進(jìn)一步與布朗線性時(shí)間序列的碳排放預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析,雖然兩者與實(shí)際數(shù)據(jù)的擬合效果都較好,但時(shí)間序列預(yù)測(cè)顯示未來交通碳排放量逐年下降,而BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)為碳排放在近十年間緩慢增長(zhǎng),增速減緩。結(jié)合實(shí)際來看,BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果更為可靠,同時(shí)也從側(cè)面反映出當(dāng)前碳減排仍然面臨一定的壓力。建議有關(guān)部門加強(qiáng)相關(guān)政策的制定和落實(shí),從運(yùn)輸結(jié)構(gòu)和能源消耗兩大方面出發(fā),如持續(xù)推動(dòng)多式聯(lián)運(yùn)發(fā)展、加強(qiáng)新能源技術(shù)研發(fā)等進(jìn)一步提高運(yùn)輸效率和服務(wù)水平,降低單位運(yùn)輸能耗,推動(dòng)“雙碳”目標(biāo)的順利達(dá)成。