基于灰色关联与预测模型分析陕西省交通运输碳排放

栾紫清



基于灰色关联与预测模型分析陕西省交通运输碳排放

栾紫清

（长安大学 汽车学院，陕西 西安 710064）

文章基于2005~2016年陕西省交通运输能量消耗基础数据，运用灰色关联分析法研究了城市化率、人口数量、GDP、交通运输仓储邮政业投资额、单位GDP能耗、私家车数量六大因素与陕西省交通运输碳排放关联度。同时基于灰色系统预测模型GM(1,1)，对陕西省交通运输碳电力碳排放进行量化预测。分析结果表明，陕西省交通运输碳排放与相关因素相关度依次是城市化率>人口数量>GDP>交通运输仓储和邮政业投资额>单位GDP能耗>私家车数量。预测发现，电力碳排放2022年将突破200万吨，面临巨大的减排压力。因此对陕西省交通运输碳减排提出针对性的策略。

交通运输；灰色关联分析；GM(1,1)模型；碳排放预测

引言

交通运输业是对全国碳排放增长和碳排放强度最大行业之一，能源消耗和碳排放呈现逐年上升的趋势，减排潜力巨大[1]。西安是西北地区最大的城市，也是全国11个国家中心城市之一，在陕西省开展交通运输碳排放的相关研究具有指导性意义。本文基于2005~2016年陕西省年鉴历年统计数据，通过灰色关联分析法研究了城市化率、人口数量、GDP、交通运输仓储邮政业投资额、单位GDP能耗、私家车数量六大因素[2]与陕西省交通运输排放关联度，详细分析了各相关因素对陕西省交通运输碳排放的影响。同时基于灰色系统预测模型GM(1,1)，对陕西省交通运输碳电力碳排放进行量化预测。

1 碳排放影响因素选取和数据处理

本文在以往研究成果的基础上，结合陕西省实际情况，借鉴文献[3]选取了城市化率、人口数量、GDP、交通运输仓储邮政业投资额、单位GDP能耗、私家车数量作为陕西省交通运输碳排放量的影响因素。能源消耗基础数据来源自《陕西统计年鉴（2005~2017）》，本文将根据联合国政府间气候变化专门委员会（IPCC）2006年版排放指南中的公式[4]计算可测算得到图1所示2005~2016年陕西省交通运输碳排放量。

表1 能源的二氧化碳排放系数（单位：万吨碳/万吨标准煤）

2 碳排放量灰色关联分析

2.1 建立灰色关联分析模型

陕西省交通运输碳排放量受到本地区本领域诸多因素综合影响，这些因素的具体的影响过程并不完全清楚，可将其视为一灰色系统[5]。

将陕西省历年交通运输碳排放量作为参考序列，六大因素作为比较序列，建立 7*12阶矩阵，利用初值化法对参考序列和比较序列无量纲化处理后根据文献[6]计算关联系数后利用式(2)分别计算关联度：

2.2 灰色关联分析模型求解

通过上述计算得到六大因素与交通运输总碳排放的关联度，如图2所示，同理，可计算陕西省交通运输各类型能源碳排放与各因素相关度，如表2所示。

图2 陕西省交通运输总碳排放与相关因素相关度

表2 陕西省交通运输各类型能源碳排放与其相关因素相关度

综合图2和表2可知，陕西省交通运输碳排放与相关因素相关度依次是城市化率>人口数量>GDP>交通运输仓储和邮政业投资额>单位GDP能耗>私家车数量。

3 基于GM(1,1)碳排放预测

综上分析，虽然总碳排放量呈现下降趋势，但是电力碳排放量快速增长，所占总碳排放量比重逐渐扩大，面临减排压力加大，在未来几年将成为减排重点，故选取陕西省交通运输业电力碳排放作为预测目标。

3.1 灰色系统预测模型GM(1,1)建模

根据前述碳排放量建立数据序列，根据式(3)建模可行性分析，求得级比。

建立GM(1,1)灰微分方程模型：

其中，为发展系数，为灰色作用量。

3.2 灰色系统预测模型GM(1,1)求解

将原始数列预测值用MATLAB最小二乘法求解参数，解得=-0.0701，=59.7073，可得预测方程：

平均误差分析得预测精度为97.4926%，可进行较精确预测，根据发展系数取值可知，GM(1,1)模型可用于中长期较精确预测.对未来五年交通运输电力碳排放进行预测，结果见表3：

表3 未来五年交通运输电力碳排放预测结果

4 结论

陕西省交通运输碳排放量于2013年达到峰值，随后略有下降，但节能减排总体形势依然严峻，综合以上关联分析的结果，总结得出以下结论：

（1）政府推行的节能减排法律、法规有效减了碳排放量；

（2）陕西省交通运输碳排放与相关因素相关度依次是城市化率>人口数量>GDP>交通运输仓储和邮政业投资额>单位GDP能耗>私家车数量；

（3）电力碳排放在2022年将可能突破200万吨，在陕西省交通运输领域碳排放的占比越来越大，应考虑提高水电和核电的比例，逐渐取代本地的火电；

（4）不断优化交通运输业能源结构并提高节能减排技术将有效削减碳排放总量。

[1] Lin B, Xie C.Reduction potential of CO2,emissions in China׳s trans -port industry[J]. Renewable & Sustainable Energy Reviews,2014, 33:689-700.

[2] 卢晓玲,高标.吉林省交通运输碳排放灰色关联与预测分析[J]. 综合运输, 2017(12):1-6.

[3] 徐国泉,刘则渊,姜照华.中国碳排放的因素分解模型及实证分析:1995-2004[J].中国人口·资源与环境, 2006,16(6):158-161.

[4] 赵建有.道路交通运输系统工程[M].人民交通出版社, 2004.

[5] 孙继佳,蒋健,严广乐,等.基于灰色系统理论的中医五脏系统分析[J].上海理工大学学报,2009, 31(6):573-576.

[6] 张传平,周倩倩.我国碳排放影响因素研究[J].河南科学,2012,30 (10):1549-1553.

Grey correlation and forecasting analysis of transportation emission in Shaanxi province

Luan Ziqing

( School of Automobile, Chang'an University, Shaanxi Xi’an 710064 )

Based on the basal data of transportation energy consumption from 2005 to 2016 in Shaanxi province, thecorrelation of the between the six factors of urbanization rate, population, GDP, transportation warehousing and postal service investment, energy consumption per unit GDP, the number of private cars and transportation emissions of the Shaanxi province. Simultaneously, based on the GM(1,1) forecasting model to predict the quantitative of the transportation emission in Shaanxi province. The result is given show that the correlation of ranking is urbanization rate, GDP, energy consumption per unit GDP, transportation warehousing and postal service investment, the number of private cars for the prediction of the transportation emission in Shaanxi province. Electric carbon emission showed that it will break through 2 million tons in 2022 under huge pressure to reduce emissions. Meanwhile specific strategies were proposed in order to reduce the transportation emission in Shaanxi province.

Transportation; Grey correlation analysis; GM(1,1) model; forecasting of carbon emission

B

1671-7988(2019)03-121-03

U473.9

B

1671-7988(2019)03-121-03

U473.9

栾紫清，就读于长安大学汽车学院。

10.16638/j.cnki.1671-7988.2019.03.038