基于SVR的江蘇省交通運輸業碳排放達峰預測

王慧茹，封學軍，沈金星，張 艷，王海鵬

（1.河海大學 港航物流與綠色發展研究所，江蘇 南京 210098;2.河海大學 土木與交通學院, 江蘇 南京 210098）

0 引言

當前氣候變化是一個全球性的環境問題，它在引起環境變化的同時，也影響著社會各個領域，甚至危及人類生存與發展[1]。聯合國政府間氣候變化專門委員會（IPCC）第五次氣候變化評估報告稱，如果不立即采取有效的減緩政策和行動，至2100年，全球平均表面溫度相對工業化前將升高3.7 ～ 4.8 ℃，海平面將上升0.6 ～ 0.8 m，造成不可逆轉的全球性生態災難和巨大經濟損失。 作為世界上最大的碳排放國，我國“2030年前實現碳達峰，2060年前實現碳中和” 的發展目標引起了世界各國的廣泛關注。 交通運輸業作為IPCC 確定的第三大碳排放源，在我國占排放總量的10%左右[2]，行業減排對實現碳達峰具有重要意義。 而江蘇省工業化程度高、交通便利，應當積極響應國家戰略，科學預測交通運輸業的碳達峰情況，并制定減排措施和可行的達峰路徑。

目前，碳排放研究主要聚焦于碳排放的影響因素分析和量值預測2 個方面。 影響因素分析的主要研究方法包括：改進的Laspeyres 指數法、算術平均迪氏指數分解法（AMDI）、對數平均迪氏指數分解法（LMDI） 和廣義迪氏指數分解法 （GDIM） 等。SHIPPER L 等[3]采用改進Laspeyres 指數法對1973年～1992年10 個工業化國家的貨運活動和能源使用的碳排放進行分解，認為經濟發展水平是影響碳排放最主要的因素；GREENING L A 等[4]利用AMDI法分析1971年～1993年10 個經濟合作組織國家的貨運碳排放量，認為貨運結構的轉變導致了碳排放增加。 但是ANG B W 等[5]對指數分解法運用的100 多種情形歸類分析后提出，改進Laspeyres 指數法的計算過程在超過3 個因素后將變得復雜，且只適用于加法分解；而AMDI 法具有剩余問題，當數據中存在0 時則無法使用。隨著LMDI 法解決了AMDI法和改良Laspeyres 指數法計算的問題，使它們的使用頻率降低，更多學者開始采用LMDI 法分析影響因素。國外學者對LMDI 法的應用側重于國家層面。如TIMILSINA G R 等[6]利用LMDI 法分析了1980年～2005年亞洲國家運輸部門的碳排放情況發現，影響中國碳排放增長的主要因素包括人均GDP、人口增長和運輸能源強度； 國內學者在側重國家層面同時，部分學者將研究范圍縮小。 如喻潔等[7]將交通運輸分為公路、 鐵路、 水路和民航4 種方式，基于LMDI 法分析了2005年～2011年碳排放的影響因素，發現人均GDP 為碳排放的主要驅動因素，能源強度和運輸強度的降低則起到主要減排效果； 朱桃杏等[8]利用LMDI 法分解2014年～ 2018年各省的物流碳排放發現，由于不同省的經濟發展程度和交通基礎設施不同，故碳排放存在著明顯差異。 隨著LMDI 法的廣泛應用發現，分解的變量不可以包含多個相對和絕對的因子，且難以反映它們的間接聯系。 對此，VANINSKY A[9]提出了一種新的指數分解方法—GDIM，它不僅可包含多個相對和絕對變量，且可準確客觀分析變量之間的關系及其對碳排放的貢獻。 王勇等[10]應用GDIM 法對東北三省的5 種交通運輸方式的碳排放進行分解發現，投資規模是鐵路、公路、航空和管道碳排放的主要影響因素，而運輸規模則是水路碳排放的主要影響因素。此外，也有學者認為，產業結構[11]和城鎮化率[12]也是影響交通碳排放的重要因素。 說明不同地區影響交通碳排放的因素不盡相同，且交通運輸的不同部門也有各自的影響因素。

預測碳排放量的模型分為混合構建模式和直接構建模式2 種。 混合構建模式是基于碳排放與宏觀經濟、能源消費、部門技術等因素之間的關聯關系構建投入產出和“可計算一般均衡”（CGE）等模型預測碳排放。 如：王海建[13]基于1987年中國18 個部門（包含交通部門） 的投入產出表預測2020年的能源消費和碳排放量；王燦等[14]基于2000年中國10 個部門（包含交通部門）的數據，應用CGE 模型預測設定情景下2010年各部門的減排貢獻?；旌蠘嫿Ｊ叫枰罅考夹g數據，應用困難較大。而直接構建模式是基于碳排放與影響因素的相互關系，構建LEAP模型、Kaya 恒等式和STIRPAT 模型等預測碳排放。如：劉俊伶等[15]通過構建LEAP 模型，在設置3 種不同低碳情景下，預測我國交通部門將于2030年左右碳達峰；王海林等[16]利用Kaya 恒等式展開并動態化，預測于2035年左右我國交通部門碳排放達峰；董健康等[17]通過選取3 個因素構建STIRPAT 模型來預測民航的碳排放量。總體看，傳統的預測方法在面對區域交通碳排放復雜的非線性系統且系統中各個因素互不獨立的特征時，存在穩定性低、可解釋性較弱和關鍵參數選取困難等不足，導致預測精度不高。 對此，基于統計學習理論的機器學習方法-支持向量回歸機（SVR）正廣泛應用于碳排放預測。如：陳亮等[18]利用SVR 結合情景分析法預測北京市交通運輸業的碳排放；宋杰鯤[19]通過SVR 和情景分析預測未來5年我國的碳排放。

SVR 在實現回歸估計時采用ε-SVR 和v-SVR 2 種方法。 其中ε-SVR 法適合有限樣本，理論上可獲得全局最優點，有良好的推廣能力，且計算復雜度與樣本維數無關，故選用ε-SVR 法結合情景分析進行預測。

1 材料與方法

1.1 影響因素選取

“十三五”期間，江蘇省交通運輸業能耗強度明顯降低，污染物排放得到了有效控制，但要實現碳達峰，仍存在能源消費結構有待優化和科技創新支撐不足等問題。 結合ZHANG Chuan-guo 等[20]通過STIRPAT 模型對碳排放影響因素的研究成果，并考慮數據的可獲得性，選取人均GDP、客運周轉量、貨運周轉量、 能源結構和碳排放強度5 項影響因素作為江蘇省交通運輸業碳排放預測的自變量。其中，人均GDP 反映了區域經濟強度的影響；客、貨運周轉量反映了交通行業自身的影響； 能源結構和碳排放強度反映了交通運輸業科技發展水平的影響。 碳排放強度是指單位GDP 增長帶來的碳排放量，計算方式如下：

式中：I 為碳排放強度，t/萬元；C 為交通運輸業CO2排放量，t；G 為交通運輸業經濟總值，萬元；t 為時間。

能源結構為不同能源消耗轉換標準煤用量與交通運輸業消耗能源總量的比值，計算公式如下：

式中：Q 為能源結構，%；E 為能源消耗量，t；C 為能源轉換標準煤的轉換系數；i 為能源類型，包括原煤、汽油、煤油、柴油、燃料油、電力和天然氣。

1.2 建立基于ε-SVR 的碳排放預測模型

線性訓練集T=｛ （x1,y1），（x2,y2），…（xi,yi），…（xn,yn） ｝,xi∈Rn,yi∈R,i=1,2,…n。 其中：xi為輸入向量；yi為輸出值。

設Rn上的一個線性函數表達式為：

式中：ω 為權值向量；b 為偏移常量。

根據數理統計學理論，函數估計可轉化成以下公式：

式中：ε 為不敏感損失函數閾值。

為解決個別數據在ε 精度下不能完成估計的問題，引入松弛變量，把優化過程轉化為對偶問題求解。 對偶問題和回歸函數均只涉及樣本輸入間的內積運算（xi,yi），因此引入核函數K（xi,yi），將線性回歸問題轉化成Hilbert 空間中的非線性回歸問題，構建模型為:

根據2000年～2019年江蘇省交通運輸業碳排放及各項影響因素組成的樣本集。 構建模型如下：

（1）對自變量和因變量進行歸一化處理，保證所有的數據均在[0,1]之間。

（2） 在樣本集中隨機選取10 個樣本組成訓練集，剩余樣本組成測試集。 選擇徑向基核函數K（xi,x）=處理訓練集并構建模型。 設定較小的ε 初始值，將lbC 和lbγ 的取值范圍分成若干網格； 將所有樣本均分為v 組即應用v 折交叉驗證；固定網格上的一個參數對（C，γ），尋求均方誤差（MSE）最小的參數對。如誤差較小，則得到最優參數；否則逐步增大ε 值，直至誤差值滿意為止。

（3）對訓練集的數據進行仿真，得到模型最優解和回歸函數，將訓練集和測試集的全部數據代入函數并輸出擬合值，并對擬合結果與真實數據進行線性回歸，依據相關系數判斷模型的學習推廣能力，若模型學習推廣能力差，則返回上一步。

（4）將預測年限交通運輸業碳排放影響因素值xi0按照式（8）進行歸一化處理，代入回歸函數后輸出結果并對其依照式（9）進行反歸一化處理，可求得預測年限的交通運輸業碳排放數據。

2 結果與分析

2.1 數據來源

采用“自上而下”的方法計算CO2排放量，即基于交通運輸工具燃料消耗的統計數據計算，計算公式如下：

式中：ECO2為CO2排放量，萬t；Ej為燃料消耗量，萬t；Fj為燃料碳排放因子。

Ej數據來源于 《中國能源統計年鑒》； 人均GDP、客運周轉量、貨運周轉量和碳排放強度數據來源于《江蘇統計年鑒》。盡管電力在使用端是清潔的，但我國的發電結構證明電力并不是完全清潔的，故采用生態環境部發布的電網排放因子計算碳排放量。 不同燃料的碳排放因子[21]見表1。 碳排放量及影響因素數據見表2。

表1 不同燃料的碳排放因子 t·t-1

表2 碳排放量及影響因素數據

2.2 結果分析

依照模型構建的步驟，隨機選取訓練集和測試集。ε 的初始值為0.01，C 和γ 的取值范圍為[2-10，210]，網格寬度為0.5，采用10 折交叉驗證法，最終得出C*值為1 024.0，ε*值為0.011，MSE 值為0.000 4。 分別對訓練和測試的樣本進行擬合，得到預測值與原始值的線性回歸結果分別見圖1 和圖2。

圖1 訓練結果線性回歸

圖2 測試結果線性回歸

由圖1 和圖2 可知，訓練樣本的相關系數為0.991 0，均方誤差為0.001 1；測試樣本的相關系數為0.999 8，均方誤差為0.000 046。 由此說明，模型具有良好的學習和推廣能力，可作為碳排放的預測模型。

3 江蘇省交通運輸業碳達峰預測

3.1 影響因素標定

根據《關于完整準確全面貫徹新發展理念做好碳達峰碳中和工作的意見》（以下簡稱《意見》）、《江蘇省國民經濟和社會發展第十四個五年規劃和二〇三五年遠景目標綱要》（以下簡稱《綱要》）等相關資料，獲取江蘇省交通運輸業碳排放5 項影響因素數值。

共設置基準、低碳和強化低碳3 個情景。各情景下影響因素的變化率見表3。

表3 不同情景下5 個影響因素的變化率 %

（1）人均GDP

《綱要》提出：“十四五”時期地區生產總值年均增長5.5%左右，到2025年人均地區生產總值超過15 萬元” 的目標，《經濟藍皮書：2021年中國經濟形勢分析與預測》 中 “預計中國2020年GDP 上升2.2%左右，2021年GDP 上升7.8%左右”。 結合國家統計局數據，中國雖已進入老齡化社會，但隨著三胎政策施行，人口繼續增長，故預測人均GDP 將以較慢速度增長。

（2）客、貨運周轉量

“十三五”時期江蘇省客、貨運周轉量年均增長率分別為2.6%和11.0%；新冠疫情對交通運輸業的影響較大，未來人們更多的是短距離出行，且在新常態的經濟發展模式下，由于科技發展進步，貨物的運距趨于合理化，重復和迂回運輸減少，故在“十四五”后客、貨運周轉量將出現小幅度下降趨勢。

（3）能源結構

2000年～ 2019年能源結構年均增長率為7.6%。 《交通強國建設綱要》中提出“優化交通能源結構，推進新能源、清潔能源應用，推動城市公共和城市物流配送車輛全部實現電動化、 新能源化和清潔化”。 《意見》提出“到2030年，非化石能源消費比重達到25%左右” 。 由此可見，加快能源轉型、提高清潔能源使用比例已成為必然趨勢。

（4）碳排放強度

《意見》提出“到2030年單位國內生產總值二氧化碳排放比2005年下降65%以上”。 江蘇省交通運輸“十四五”發展目標提出“到2025年，江蘇省實現智慧綠色安全交通走在全國前列” 。 經濟增長與碳排放脫鉤成為必然趨勢，故3 種情景下碳排放強度將以不同速度降低。

3.2 結果與討論

將3 種情景下的影響因素預測值代入ε-SVR模型，基準和低碳情景下的預測樣本相關系數大于0.9，強化低碳情景下相關系數大于0.8。 將碳排放預測數值進行處理后。 所作趨勢線見圖3。

由圖3 可知，從上到下分別是基準、低碳和強化低碳情景的碳排放趨勢線，相關系數分別為0.998 2，0.997 5 和0.997 7。其中，基準情景下，江蘇省交通運輸業碳排放將于2044年達峰，排放峰值為35 989萬t；低碳情景下, 碳排放將于2038年達峰，峰值為22 684 萬t；強化低碳情景下,碳排放將于2036年達峰，峰值為16 357 萬t。

圖3 3 種情景下碳排放預測結果變化趨勢

上述結論與以下研究基本一致。 ZHU Changzheng 等[22]利用SVR 結合情景分析預測，高碳情景下中國交通運輸業碳排放達峰時間為2046年，基準情景下為2040年，低碳情景下為2036年。CHEN Xi等[23]采用庫茲涅茨曲線預測，我國交通運輸業碳排放將在2043年達峰；可見江蘇省距“強富美高”新江蘇的總體定位和“兩個率先”的目標任重道遠。

4 結論

根據2000年～2019年江蘇省交通業碳排放數據，選擇人均GDP、客、貨運周轉量、能源結構和碳排放強度5 個影響因素，構建ε-SVR 模型，結合情景分析預測碳達峰，得出以下結論：

（1）模型的訓練和測試數據集擬合的相關系數均在0.99 以上，均方誤差不超過0.002，表明所選模型具有良好的適用性。

（2）3 種情景下江蘇省交通運輸業將分別將于2044年、2038年和2036年實現碳達峰。

（3）通過適度降低經濟發展速度；提高清潔能源利用率；加快優化運輸業結構，降低能源消耗[24]；促進運輸工具更新換代等手段均可加速實現碳達峰。此外，國家也可通過降低企業減排的成本和風險，加強對減排技術的保護和支持，將社會路徑與科技路徑結合起來，控制交通運輸業碳排放量，以實現2030年前碳達峰的目標。