李玲玲, 郭曉陽, 韓瑞玲, 李宗哲

河北師范大學家政學院, 河北 石家莊 050024

0 引言

航空碳排放主要源自于航空燃油在燃燒時與空氣混合燃燒后排出的溫室氣體, 不僅影響空氣質量且可造成溫室效應[1]。 航空業(yè)已經成為全球十大溫室氣體排放行業(yè)之一[2], 也是中國碳市場8 個重點排放行業(yè)之一, 航空碳排放問題越來越受全球社會關注[3]。 2007 年, 國際民航組織(International Civil Aviation Organization, ICAO) 第36 屆大會將國際航空全球減排與減排政策制定作為工作重點; 2008年, 歐盟將航空業(yè)納入世界上最大的碳排放交易市場——歐洲碳排放交易體系[4], 中國33 家航空公司被納入該體系[5]; 2010 年, ICAO 積極關注在技術、運營等方面探索國際航空減排措施; 2016 年, ICAO形成了第一個全球性行業(yè)減排市場機制——國際航空全國碳抵消和減排機制方案(Carbon Offsetting and Reduction Scheme for International Aviation, CORSIA),計劃2021 年生效后, 各航空公司以2019—2020 年的平均排放量為基線, 對每年國際航空運輸?shù)脑鲩L量承擔碳抵消和減排任務。 為響應全球碳減排要求,中國積極推進“3060” 碳達峰碳中和計劃, 探索了中國總體碳達峰路徑[6]和重點行業(yè)低成本碳達峰路徑[7], 其中針對航空領域的碳減排方略主要集中于開發(fā)可持續(xù)航空燃料和新能源[8]、 改善燃料效率參數(shù)以及飛行器機型等[8]; 學術界主要針對航空碳排放的排放量[9-11]、 影響因素[12-14]和效率差異[15]等方面進行了基于國家或區(qū)域的宏觀尺度[16]和基于航線的微觀尺度[17]的研究, 對有效分析中國航空碳排放的歷史特征提供了研究基礎。

2019 年, 航空碳排放占中國交通領域碳排放總量的6.09%, 鑒于陸域交通工具的高度清潔化, 預計2060 年此占比將提升至60%[18]。 因此, 精準預測航空碳排放走勢對有效監(jiān)測其排放過程特征并提出切實可行的減排措施有積極意義。 目前, 已有的航空碳排放預測研究主要集中于全球和國家層面的以年為時間間隔單位的中長期預測, 以及關注城市層面的以月為時間間隔單位的短期預測。 所采用的預測方法多基于航空碳排放與其影響因素進行的回歸擬合, 并選擇情景分析進行航空碳排放模擬研究。 如, 首先, 全球層面預測, 主要選擇全球國內生產總值(Gross Domestic Product, GDP)[19]、 全球人均GDP[20]、 世界油價、國際航空排放強度[21]、 全球旅客數(shù)量[22]等影響因素, 預測發(fā)現(xiàn)中、 長期航空碳排放量均都有不同程度增長。 其中, 通過收入噸公里 ( Revenue Ton Kilometre, RTK) 與國際航空排放強度的乘積[21]對航空碳排放量進行的預測[23]在全球層面和國家層面均獲得了較為有效的結果; 但使用自回歸移動平均(Autoregressive Moving Average Model, ARMA) 回歸模型[19]以燃油銷售量進行預測, 因銷售量與實際使用量有差異, 所以預測結果會產生較大偏差; 使用平均統(tǒng)計數(shù)據通過漢堡旅游模型 (Hamburg Tourism Model, HTM) 預測航空碳排放量[22]的做法因無法考慮時事和地緣政治等不穩(wěn)定抑制因素, 使得航空碳排放計算結果亦呈快速增長趨勢。 其次, 國家層面預測, 主要通過可拓展的隨機性環(huán)境影響評估模型( Stochastic Impacts by Regression on Population Affluence and Technology, STIRPAT)[24]、 Kaya 模型和對數(shù)平均迪氏指數(shù)法 (Logarithmic Mean Divisia Index, LMDI)[25]分解分析出影響航空碳排放的主要影響因素及其貢獻程度, 并據此構建航空碳排放預測模型, 進行短期或中長期預測。 Chao 等[26]采用生命周期評估和蒙特卡羅模擬方法, 預測到2050年美國航空運輸量將較2005 年增加2.75 倍的情況下, 使用多原料可持續(xù)航空燃料仍可使美國航空碳排放量減少37.5% ～50%。 再次, 城市層面預測,Yang[27]等使用差分自回歸移動平均模型( Autoregressive Integrated Moving Average Model,ARIMA) 以月為時間間隔單位預測了中國上海2017年7 月至2021 年6 月的航空碳排放量, 結果也充分反映了民航旅行需求季節(jié)性趨勢。 但由于市域層面數(shù)據的獲取難度大, 所以此類研究較少。

2020 年全球航空市場受到重創(chuàng), 若繼續(xù)執(zhí)行現(xiàn)行CORSIA 基線計算方式將大幅提高各航空公司碳抵消份額與成本[28]。 國際航空運輸協(xié)會 (The International Air Transport Association, IATA) 提出需要根據市場動態(tài)實際及時調整CORSIA 碳排放基線;中國作為世界第二大民航運輸市場, 也需要對航空碳排放的走勢進行適時判定, 并制定相應發(fā)展計劃與指標。 基此, 根據《IPCC 國家溫室氣體排放指南》 (下文簡稱《指南》 ), 首先計算了1985—2020年中國航空碳排放量; 接著根據航空運輸總量、 航空運輸強度等航空碳排放主要影響因子[29], 構建了中國航空碳排放STIRPAT 預測模型, 并采用偏最小二乘回歸方法進行多元擬合, 在考慮新冠病毒感染疫情對中國航空業(yè)影響的基礎上, 根據中國承諾的碳達峰碳中和目標[30]以及《中國民航行業(yè)節(jié)能減排規(guī)劃》 對預測模型相關自變量進行基準情景和減排情景設定, 并分別對2021—2040 年中國航空碳排放量進行峰值預測。 目前, 中國正處于民航大國向民航強國邁進的關鍵時期, 科學合理地預測航空碳排放量以把控航空碳減排走勢, 將為有效構建民航業(yè)綠色發(fā)展體系、 切實履行減排任務提供理論參考。

1 方法與數(shù)據

1.1 航空碳排放測算模型

根據政府間氣候變化專門委員會《指南》[31], 采用“自上而下” 的核算方法, 通過能源消耗和能源排放因子計算并累加碳排放總量, 計算公式如下:

式中,It為第t年的航空碳排放總量, t;Et為第t年航空煤油的消耗總量, t;IE為航空煤油的碳排放因子, 根據《指南》 取值為3.15 kg。

1.2 可拓展隨機性環(huán)境影響評估模型

STIRPAT 模型為環(huán)境壓力模型IPAT (Impacts on Population Affluence and Technology) 的拓展模型[32],是各變量指數(shù)關系的疊加, 具體為:

式中,a為模型的比例常數(shù)項,b、c和d分別表示人口規(guī)模、 富裕程度和技術水平的指數(shù)項,e表示模型誤差, 當a=b=c=d=e=1 時為IPAT 恒等式。 為構建STIRPAT 模型預測航空碳排放, 需引入的“航空運輸強度、 航空運輸能源強度” 指標為有量綱的變量, 因此將IPAT 恒等式中的T部分進行無殘差分解為S和F的乘積, 得到下列等式:

式中,I表示航空碳排放量, t;P表示航空運輸總量, t;TKM表示航空運輸總周轉量, t;E表示航空能源消耗總量, t;TP=TKM/P表示航空運輸強度,t·km-1;ET=E/TKM即表示航空運輸能源強度,t·km-1;IE=I/E表示航空煤油碳排放系數(shù),kg·kg-1。 在實際應用中通常使用其線性化回歸方程,因此對(3) 式兩邊取自然對數(shù)得到:

式中,I、P、TP、ET、IE指標含義與上文相同;a是常數(shù)項,b、c、d、e為指數(shù),f為誤差。 測算時,以lnI作為因變量, 以lnP、 lnTP、 lnET、 lnIE作為模型的自變量, 對模型進行多元擬合。

1.3 偏最小二乘回歸分析法

為減小自變量之間多重共線性的影響, 提高模型的準確性和穩(wěn)定性, 首先對航空碳排放總量、 航空運輸總量、 航空運輸強度、 航空運輸能源強度4 個變量進行相關系數(shù)及顯著性檢驗, 發(fā)現(xiàn)各變量之間存在嚴重的多重共線關系(表1)。 鑒于偏最小二乘回歸方法能夠在自變量存在嚴重的多重相關性的條件下依然建模, 最終得到的模型中會包含原有的所有自變量, 因此, 采用偏最小二乘回歸方法進行預測模型的擬合。

表1 自變量間多重相關系數(shù)Table 1 Correlation coefficients between independent variables

令樣本的原始數(shù)據為yi, 在偏最小二乘回歸過程中提取m個成分, 分別是t1、t2……tm接著利用所有的樣本點進行回歸建模, 得到的第i個樣本點的擬合測算值為令為刪去樣本點i后建模的值,取m個成分回歸建模后, 再使用偏最小二乘回歸模型計算yi的擬合值, 具體如下:

1.4 數(shù)據選擇與處理

文章選擇中國31 個省級行政區(qū)(限于數(shù)據的可得性, 不包括香港、 澳門特別行政區(qū)和臺灣省) 為基本研究范圍。 其中, 計算1985—2020 年中國航空碳排放量需要的航空煤油的消耗量數(shù)據來源于1999—2020 年《從統(tǒng)計看民航》; 使用STIRPAT 模型構建的中國航空碳排放預測模型所涉及的指標有: 1985—2020 年航空運輸總量、 航空運輸強度、 航空運輸能源強度、 航空煤油排放系數(shù), 具體支撐數(shù)據為中國國內旅客運輸量、 貨郵運輸量、 運輸總周轉量、 航空煤油消耗量和航空煤油排放系數(shù), 其中前4 個指標數(shù)據來源于1999—2020 年《從統(tǒng)計看民航》 《民航行業(yè)發(fā)展統(tǒng)計公報》, 航空煤油排放系數(shù)來源于《IPCC 國家溫室氣體排放指南》。 此外, 在航空碳排放預測模型構建中, 由于航空煤油排放系數(shù)為常數(shù), 因此將其合并在模型的常數(shù)項里, 不再作為單獨的影響因素予以考慮。

2 結果與分析

2.1 航空碳排放歷史特征分析

1985—2020 年, 航空碳排放總量隨著航空運輸規(guī)模的增長而呈現(xiàn)總體增長趨勢, 但是航空碳排放增長效率波動下降。 具體來看, 中國航空碳排放總量由2.08×106t 上升到9.46×107t (圖1), 航空運輸總量由6.69×105t 上升到4.13×107t, 均呈總體上升趨勢,說明受到民航市場需求及民航飛行器數(shù)量的持續(xù)增長, 民航運輸規(guī)模伴隨著能源消耗量持續(xù)增長, 也表明了目前的增長趨勢處于高能耗階段, 使得航空碳排放仍然處于高增長階段。 其中, 2000 年后航空運輸總量、 航空碳排放總量均呈現(xiàn)快速增長趨勢, 年均增長速率分別為10.05%、 12.77%; 但2020 年受到新冠病毒感染疫情影響均表現(xiàn)明顯降幅, 較2019 年分別下降-28.66%、 -18.52%, 說明民航業(yè)在公共安全事件影響的下呈現(xiàn)一定的脆弱性。 1985—2020 年, 航空碳排放增長率則呈現(xiàn)波動下降趨勢, 由18.47%降至-18.52%。 其中在2000 年前后經歷了較為劇烈的波動, 主要由于航空煤油消耗量的巨大差異引起, 1987年、 1993 年、 2004 年出現(xiàn)了小幅增長趨勢, 其他年份則呈總體下降趨勢; 尤其是2020 年航空運輸業(yè)受到嚴重影響, 航空碳排放自1985 起保持了近35 年的正向增長趨勢被打破, 首次出現(xiàn)負增長, 2020 年航空碳排放較2019 年下降18.52%, 碳排放總量降至2017年水平, 受國際疫情反復和國內疫情防控常態(tài)化影響, 航空運輸業(yè)完全恢復時間表不明朗。

圖1 1985—2020 年航空碳排放歷史特征圖Fig.1 Historical characteristics of aviation carbon emissions from 1985 to 2020

2.2 模型構建

利用SIMCA-P 14.1 軟件得到提取3 個成分的解釋性檢驗與交叉有效性檢驗結果(表2), 其對自變量樣本x和因變量樣本y的解釋能力分別為96.8%和97.7%、 1.9%和1.8%、 1.4%和0.1%, 對因變量Q2預測能力分別是97.7%、 74.9%、 21.2%, 均遠大于0.0 975, 說明3 個成分對y的預測均會產生較大的影響, 其中t1對y的預測能力和模型預測貢獻最好, 貢獻值達到97.7%, 并且可以提取到原矩陣98 %以上的信息, 滿足模型預測的要求, 3 個主成分對y的累積解釋能力和累計交叉有效性分別達到97.7%、 99.5%和99.7%, 說明提取3 個成分可以達到非常滿意的精度, 因此選取3 個主成分使用SIMCA-P 14.1 軟件回歸計算得到標準化和非標準化兩種形式的回歸系數(shù)(表3), 進而得到原始變量的回歸方程為:

表2 主成分檢驗結果Table 2 Results of all component extraction tests

表3 模型回歸系數(shù)Table 3 Model regression coefficients

將其對數(shù)形式的公式(6) 還原為STIRPAT 表達式為:

經驗證, 模型擬合精度為99.65%, 航空碳排放量的樣本值和預測值的平均相對誤差為0.38% (表4),模型的擬合效果較理想。

表4 模型預測結果誤差對比Table 4 Error analysis of prediction results for the case of extracting 3 principal components

2.3 情景構建與預測

2.3.1 自變量情景模式構建

依次構建了無序情景、 發(fā)展情景和減排情景3 種情景模式。 無序情景是指不進行任何人為或外部因素干預, 即僅按時間序列本身的規(guī)律對未來值進行預測, 以期探索航空碳排放的基本發(fā)展態(tài)勢。 無序情景預測借助ARIMA 模型, 其是隨機性時間序列分析中的分析方法的綜合, 可以對平穩(wěn)序列進行精度較高的短期預測。 經驗證, 自變量P、TP、ET在一階差分序列后通過平穩(wěn)性檢驗, 因此分別對自變量P、TP、ET構建ARIMA (0, 1, 0) 模型,R2分別達到0.961、 0.959、 0.976, 擬合程度較好, 證明構建的ARIMA (0, 1, 0) 模型是合理的, 最終自變量P、TP、ET的擬合預測結果見圖2。

圖2 自變量P、 TP、 ET 擬合預測圖(注:*為預測值)Fig.2 Prediction results of the fitted independent variables P, TP and ET

發(fā)展情景是指依據中國民航局“十四五” 總體工作思路等設定的期望運輸總量和運輸周轉量等數(shù)據對自變量P、TP、ET進行預測, 以期探索在大力發(fā)展民航業(yè)政策下航空碳排放的未來發(fā)展走勢, 具體按不同強度可劃分為3 種模式展開預測: 發(fā)展情景1 設定為低強度情景模式, 自變量P、TP分別按每年3%、10%的速度增長, 自變量ET維持往年現(xiàn)狀不變; 發(fā)展情景2 設定為中強度情景模式, 自變量P、TP分別按每年5%、 10%的速度增長, 自變量ET按每年0.5%的下降; 發(fā)展情景3 設定為高強度情景模式,自變量P、TP分別按每年9%、 10%的速度增長, 自變量ET按每年1%的下降, 各情景模式的具體設置強度和指數(shù)見表5。

表5 自變量情景模式設定Table 5 Scenario model settings for independent variables

減排情景是指依據中國民航局“十四五” 總體工作思路和《民航行業(yè)節(jié)能減排規(guī)劃》 等相關文件規(guī)定[33]預定的能耗年均下降值進行預測, 以期探索研究期內可能達成的航空碳減排成效。 具體設定減排情景1 為發(fā)展低強度情景模式, 自變量P、TP、ET分別按每年1%、 0.1%、 1%的速度下降; 設定減排情景2 為發(fā)展中強度情景模式, 自變量P、TP、ET分別按每年2%、 0.2%、 2%的速度下降; 設定減排情景3 為發(fā)展高強度情景模式, 自變量P、TP、ET分別按每年5%、 0.5%、 5%的速度下降(表5)。

2.3.2 航空碳排放情景預測結果

無序情景下, 中國航空碳排放總量預測結果呈現(xiàn)持續(xù)上升狀態(tài)(圖3), 無法在2030 年前實現(xiàn)碳達峰目標, 到2040 年中國將產生1.5×108t 航空碳排放,較2020 年增長59.28%, 年均增長2.53%, 2040 年后還將持續(xù)增長, 達峰時間點未知。

圖3 2021—2040 年中國航空碳排放預測結果Fig.3 Predicted results of aviation carbon emissions in China from 2021 to 2040

發(fā)展情境下, 中國航空碳排放總量持續(xù)上升, 無法在2030 年前實現(xiàn)碳達峰目標, 預測期內未達到峰值。 在發(fā)展情景1 下, 到2040 年將產生2.79×108t 航空碳排放, 較2020 年增長了194.71%, 年均增長5.67%。 在發(fā)展情景2 下, 到2040 年將產生2.51×108t 航空碳排放, 較2020 年增長了165.24%, 年均增長5.25%。 在發(fā)展情景3 下, 到2040 年將產生2.23×108t 航空碳排放, 較2020 年增長了135.77%,年均增長4.82%。

減排情景下, 中國航空碳排放預計在2031 年、2026 年、 2023 年分別出現(xiàn)峰值。 在減排情景1 下預計于2031 年產生1.47×108t 航空碳排放, 并達到峰值, 到2040 年將產生1.17×108t 航空碳排放, 較2020 年增長了23.27%, 年均增長1.16%。 在減排情景2 下預計于2026 年產生1.08×108t 航空碳排放, 并達到峰值, 到2040 年將產生5.2×107t 航空碳排放,較2020 年下降44.93%, 年均下降2.85%。 在減排情景3 下預計于2023 年產生1.33×108t 航空碳排放, 并達到峰值, 到2040 年將產生1.3×107t 航空碳排放,較2020 年下降85.9%, 年均下降8.69%。

綜上所述, 無序情景中的不干預方法和發(fā)展情景中的追求經濟效益原則都無法使航空碳排放在研究期內實現(xiàn)下降趨勢, 因此必須經過人為對航空運輸總量、 航空運輸強度、 航空運輸能源強度等因素進行控制, 才能實現(xiàn)航空碳排放目標。 即P、TP、ET3 個指標需分別至少控制在每年-1%、 -0.1%、 -1%的增長速度, 才能如期實現(xiàn)航空碳達峰。

對比已有研究, Liu 等[16]在考慮減排效果最大化的情況下, 認為中國的航空運輸收入、 航空運輸強度、 航空運輸能源強度、 航空排放系數(shù)4 個影響因素需每年保持1.77%、 1.21%、 -2.50%、 -4.10%的增長才能在2030 年前達到峰值, 其中航空運輸收入和航空運輸強度是航空碳排放增長的主要貢獻因素, 但是此達峰預測結果是要求在航空運輸增長率降低和新能源技術非常成熟的條件下才可以實現(xiàn)的, 而實際上中國航空運輸規(guī)模在短期內不會出現(xiàn)負增長。 相較而言, 本研究是在綜合考慮各項客觀條件的基礎上, 為保證航空碳排放達峰時間而對民航業(yè)發(fā)展進行的相對保守預測。

3 結論與討論

在計算1985—2020 年中國航空碳排放量基礎上,分別對2021—2040 年中國航空碳排放量進行了無序情景、 發(fā)展情景、 減排情景下的峰值預測。 具體研究結果如下:

1) 1985—2020 年, 航空碳排放總量隨著航空運輸規(guī)模的增長而呈現(xiàn)總體增長趨勢, 但是航空碳排放增長效率波動下降。

2) 2021—2040 年預測結果如下: 首先, 無序情景下, 中國航空碳排放總量預測結果呈現(xiàn)持續(xù)上升狀態(tài), 達峰時間點未知, 預計2040 年航空碳排放較2020 年將繼續(xù)增長59.28%。 其次, 發(fā)展情境下, 中國航空碳排放總量持續(xù)上升, 無法在2030 年前實現(xiàn)碳達峰目標, 預測期內亦未達到峰值, 且在3 種發(fā)展情景模式下, 航空碳排放年均增長率在5%左右。 再次, 減排情景下, 中國航空碳排放在預測期內出現(xiàn)峰值。 在減排情景1 下預計于2031 年并達到峰值, 2040年航空碳排放較2020 年年均增長1.16%; 在減排情景2 下預計于2026 年并達到峰值, 到2040 年航空碳排放較2020 年年均增長5.25%; 在減排情景3 下預計于2023 年達到峰值, 到2040 年較2020 年年均增長4.82%。

3) 預測結果顯示航空運輸總量、 航空運輸強度、航空運輸能源強度需分別控制在每年1%、 0.1%、1%的下降速度以上, 才能如期實現(xiàn)航空碳達峰。

在“3060” 雙碳目標的指導下, 社會各界紛紛對傳統(tǒng)高耗能、 高排放行業(yè)進行了大量減排探索研究和嘗試。 由于航空碳排放具有高空性與流動性特征, 一方面加劇了排放測量、 捕集與利用的難度, 另一方面也增加了航空企業(yè)減排的壓力, 增加了經營成本。2021 年12 月10 日, 中國航空工業(yè)發(fā)展研究中心發(fā)布的《民用飛機中國市場預測年報(2021—2040) 》 報告指出, 中國民航運輸業(yè)將恢復穩(wěn)定增長, 未來20年共需要補充民用客機7 646 架。 按照此增長趨勢,中國航空運輸市場規(guī)模還將繼續(xù)保持擴張趨勢, 屆時航空運輸總量指標也將維持增長態(tài)勢, 會影響民航業(yè)碳達峰碳中和的進度, 因此更加需要協(xié)同民航運輸業(yè)發(fā)展與節(jié)能減排之間的關系。

積極加速能源有效替代、 機型的更新?lián)Q代等雖然作為有效進行航空碳減排的手段, 但是鑒于技術成熟度、 應用成本和使用效果的考慮, 有效提高航空運輸強度和航空運輸能源強度, 對于民航運輸業(yè)來說更加可靠。 因此, 在航空運輸強度方面, 可以針對不同區(qū)域采取不同措施以降低航空碳排放量: 對于機場終端區(qū), 通過提高機場管理效率節(jié)約無效等待時間, 從而減少飛機在地面等待或滑行階段產生的不必要航空碳排放; 對于空中飛行區(qū), 優(yōu)化航路網絡結構, 提高空域資源利用效率, 使各航線飛機能以最短距離完成飛行任務, 從而減少空中飛行器所排放的二氧化碳量。在航空運輸能源強度方面, 繼續(xù)依靠技術進步提升發(fā)動機燃油效率以及使用清潔能源兩種方法降低航空碳排放量, 以實現(xiàn)航空碳減排。

雖然建立了精度較高的航空碳排放預測模型, 可有效根據航空運輸總量、 航空運輸強度、 航空能源強度等指標推算預計產生的航空碳排放量, 但對于航空運輸總量、 航空運輸強度和航空能源強度的預測僅使用ARIMA 模型進行推算, 不能較好地預測突發(fā)等事件在未來一段時間內對中國民航業(yè)的影響, 因此具有一定局限性, 后續(xù)將建立考慮公共衛(wèi)生、 自然災害等突發(fā)事件因子對航空碳排放量影響的航空碳排放預測模型, 以期能夠更動態(tài)地實現(xiàn)航空碳排放峰值預測。