大连市交通碳排放及预警模型的研究

高 波

(辽宁警察学院治安管理系, 辽宁大连 116036)

0 前言

交通碳排放成为形成PM2.5颗粒的最重要“元凶”之一，目前大连市空气质量对气象条件异常敏感，寻求控制交通碳排放的影响因素至关重要。在计算城市交通碳排放量的方法研究上，国内外现有文献主要运用IPCC法测算交通业碳排放总量。IPCC指南提供了基于能源消费的“自上而下”法和基于车辆运行里程的“自下而上”法的两种计算碳排放量的方法。前者具有结果准确、简单易于操作的特点，但无法区分不同交通方式的能耗量，即无法研究不同交通方式的碳排放情况。后者存在不同地区数据收集困难的问题：由于非营运性的私家车辆运行里程和能源消费量无法精确统计，且空车和满载以及冷热车等情况的存在，导致其百公里能耗的统计也难以精确，因此在现实情况下，要精确地通过交通运输方式统计非营运性车辆的运行里程和能源消费量也是非常困难的。

计算大连市交通碳排放量时，只计算能源的终端消费量，而不计算加工转换过程及运输和分配、储存过程中的损失量，然后通过能源分配占比来计算交通碳排放量。根据查阅大连交通统计年鉴，交通碳排放的能源消耗为原油，汽油、煤油、柴油、石油液化气、电力；城市交通运输消费所产生的碳排放包括了化石能源消耗的直接排放及轨道交通等所用的电力产生的间接排放。通过上述分析，本文对于大连市交通部门整体的碳排放的测算是从能源消耗角度，采取“自上而下”进行计算[2-3]，先从宏观上进行碳排放量整体核算及分析，计算出碳排放总量后，再利用PLS建模来进行因素分解，通过对各种交通运输方式进行相关度计算来分析各种交通方式的碳排放量。

1 偏最小二乘回归模型算法

偏最小二乘回归模型算法不仅能对所需的合适的变量数进行预测并去除噪音干扰，还特别适用于观测数据少于预测变量数时进行高质量建模[4]。

X标准化处理：E0=(E01,…,E0p)n×p

Y标准化处理：F0=(F01,…,F0q)n×q

提取E0的第一个成分t1：

t1=E0w1

提取F0的第一个成分u1：

u1=F0c1

要求t1与u1的协方差达到最大：

求取w1和c1，得到成分：

t1=E0w1

u1=F0c1

式中：w1和c1分别为矩阵E′0F0F′0E0和F′0E0E′0F0的最大特征值对应的特征向量。

分别求E0和F0对t1、u1的3个回归方程

E0=t1p′1+E1

F0=u1q′1+F′1

F0=t1r′1+F1

E1，F′1，F1分别是3个回归方程的残差矩阵。

用残差矩阵E1和F1替代E0和F0，求第二个主轴w2和c2以及第二个成分t2，u2，得到2个回归方程：

E1=t2p′2+E2

F1=t2r′2+F2

这时增加成分th，至少使一个因变量yk的预测模型得到显著的改善，则可以考虑增加成分th是显著有益的。

式中：PRESSh为Y的预测误差平方和，SSh-1为Y的误差平方和。

确定提取主成分的个数为h，从而得到回归方程。

F0=t1r′1+…+tkr′k+Fk,k=1,2,…,h

转换为y对x1，x2，…，xh的回归方程：

Y=β0+β1x1+β2x2+…+βhxh

2 大连市交通碳排放总量测算

2.1 数据来源与处理

根据大连市交通结构与采集数据实际情况及前期研究成果，计算大连市交通碳排放运用IPCC法，先计算出碳排放总量，再利用PLS建模来进行因素分解，最后，从各交通运输方式上进行各因素碳排放相关度计算，从而实现各交通运输方式对大连市交通碳排放强度贡献的精确分析。

2.1.1 交通运输化石能源消费计算。大连市交通碳排放总量的测算模型[5]如下：

其中，C为交通运输CO2排放总量；i为化石能源种类，分别为汽油、柴油、煤油、液化石油气等；Ei为交通运输业某个时期第i种能源的消耗量(万吨)；fi为第i种能源的净热值(TJ/万吨)；Ci为第i种能源的CO2排放系数(kgCO2/TJ)。据大连能源消耗统计年鉴，2011～2016年大连市交通运输部门化石能源消耗总量如表1所示。

表1 2011～2016年大连市交通运输部门化石能源消耗碳排放计算表

2.1.2 大连市交通运输所用电力消费碳排放测算

与国际上大多城市一样采用“生产”与“消费”的混合方式进行计算，对于一次能源采用“生产原则”,对于城市电力、热力等二次能源的消耗采用“消费者原则”进行计算。当运用混合方式计算时，能源终端消费量中的电力和热力碳排放量不再计入总量。根据前期研究，在计算交通工具使用电力导致的碳排放时采用“消费者原则”进行计算[6]。

城市消耗的电力来源分为两大类：本市自供电和外来电，首先计算其所造成的碳排放量得出所用总电量导致的碳排放量，再根据各个行业(如交通行业)所消耗电力所占比重进行分解计算，得到交通行业所消费电力而产生的碳排放总量，如表2所示。

2.2 计算结果及分析

根据大连实际情况，城市的电力来源分为自供电和外来电，对于本地生产的电力，其碳排放量为当地能源平衡表中用于发电和热力供应的能源所造成

表2 2011～2016年大连市交通运输所用电力消费碳排放计算表

的排放，将火力发电所消耗能源品种实物量进行计算得到。对于城市外来电所造成碳排放量的计算，以城市净外来电为基础进行计算，计算公式如下(根据国家发改委公布的我国各电网基准排放因子[7]，大连市外来电计算采用东北区域电网排放因子)：

外来电碳排放量=外来电净值×

所在电网碳排放因子

将本地自供电与外来电所造成的碳排放进行汇总就得到了本地所有用电造成的碳排放。根据各个行业所消耗电力的占各部门电力消费总量的份额进行配比，将全部电力造成的碳排放分配到各个行业，即为各部门所应承担的电力消费的排放量，供热造成碳排放量的计算方法与电力相同。

大连市化石能源消耗的交通碳排放量与所用电力产生的间接交通总碳排放量如表3所示。

表3 2011～2016年大连市交通运输总碳排放量

3 基于PLS的交通碳排放量影响因素建模分析[8]

为正确反映交通运输方式与实际碳排放相关关系，区分各种交通方式所产生的碳排放强度，利用PLS对相关交通运输方式数据进行建模分析。

3.1 大连市交通碳排放量PLS模型构建

选取大连市2011～2016年大连市交通碳排放总量作为因变量Y，自变量及采集原始数据见表4，进行PLS建模。

利用SIMCA-P软件进行PLS建模分析，经计算交叉有效性[9]指标，最终选择h=3时，拟合比例接近于1(模型对Y的解释能力为96.9%)，达到了较高精度，模型建立良好。

根据SIMCA-P软件进行PLS建模得到原始变量的回归方程为：

Y= -1 754.74+0.314 007x1+4.632 42x2+
0.580 738x3-0.004 431 29x4+0.003 098 89x5-
0.001 794 68x6+0.010 787 8x7+0.000 039 696x8+
44.722 5x9-0.002 074 84x10+0.003 178 86x11-
0.001 011 51x12

表4 大连市交通碳排放量影响因素统计数据表

3.2 模型的拟合度与误差分析

3.2.1 VIP指标

根据PLS辅助分析技术，自变量对因变量的解释能力用变量投影指标VIP来衡量，通过绘VIP直方图能迅速便捷地观察和比较各xi在解释Y时的重要作用，如图1所示。通过图1可以看出：以表征城市居民出行距离的变量x9对大连市交通碳排放量的影响作用是最强的，私家车数量与出行距离急剧增多导致其成为交通碳排放的最主要因素，而大连交通碳排放与x12相关关系最弱，也间接证实了近年来因私家车出行增长及新兴行业滴滴等争夺客运源导致出租车运行量急剧减少，下一步工作重点应在合理抑制私家车出行和加大公共交通系统上采取相应措施。

3.2.2 模型分析

为观测各相关影响因素对大连市交通碳排放的正负向作用，绘制回归系数图，如图2所示。

图1 VIP值排序图

图2 回归系数图

由图2看出: ①市客运量x6、城市公共交通客运量x10、出租车客运量x12对大连交通碳排放起负向作用，说明增大此部分数值能对大连交通碳排放增长起抑制作用，这与目前大连市大力发展公共交通系统、发展绿色交通相吻合，只有把居民的出行吸引到运输效率高、单人排放量低的公交系统来，才能抑制私家车出行导致碳排放急剧增长；②机动车保有量、人口数、GDP、游客人数、货运量、私人机动车拥有量、人均道路面积均与交通碳排放成正相关，对这些因素需要合理的进行调节或者限制；③从交通方式上分析，大连市交通碳排放量贡献度最大的是私家车，公共交通次之，但公共交通的运输效率高、运量大，人均碳排放量最低；④为了大连市可持续发展，近年来陆续引进大量公共汽电车，从目前看公共电汽车碳排放效率低的优势并未得到充分体现；⑤大连自2015年的地铁开始运行使得城市轨道交通趋向城市中心化、规模化、网络化大发展，对吸引居民出行到公共交通上效果明显，经计算以使用电力为主的轨道交通碳排放量占总排放量的比例很小，年平均值约为15.244 1%，所以对大连市来说，大力发展使用以电力为主的轨道交通势在必行；⑥大连市道路总里程的增加对单位道路面积碳排放并没有起到抑制作用，下一步重点应在加强以智能交通为主的管理方式上下功夫。

3.2.3 误差分析

将采集的实际值与构建模型计算的预测值进行精度分析：PLS模型预测的相对误差均值为1.64%；而此次建模条件为样本量只有6个，自变量有12个，此情况下能建立精度较高的模型。

4 交通碳排放预警机制

4.1 交通碳排放预警决策机制确定

碳排放预警决策机制是对碳排放强度的状态进行监测，是在碳强度超标前采取预防措施，提前报警并启动相应的预防控制措施，降低碳排放量和避免碳排放强度超标，或在碳排放强度超标时及时发现并采取相应的应急措施，使之回复安全状态。

结合大连市空气质量对大连市交通碳排放安全警情进行综合评价，采用基于压力—状态—响应(PSR)交通碳排放安全预警体系， 通过历年采集的数据，运用偏最小二乘法建立预测模型，预测大连市年度空气质量优良天数，对交通碳排放安全警情演变趋势进行预测，系统将预测值与评估准则进行比较，判断交通碳排放是否超标，根据结果决定是否需要报警[10]。

4.2 交通碳排放安全警限设定

AQI是空气质量指数(Air Quality Index)的简称，是定量描述空气质量状况的无量纲指数。其数值越大、级别和类别越高，说明空气污染状况越严重，对人体的健康危害也就越大。依据《环境空气质量指数(AQI)技术规定(试行)》(HJ633—2012)，大连空气质量指数级别分为4级，如表5所示。

表5 大连市空气质量警度分级及警示标志设定

4.3 大连市交通碳排放与空气质量模型构建

4.3.1 交通碳排放与空气质量关系分析

根据相关资料查阅，大连市2011～2016年空气质量统计结果如表6所示：

表6 大连市历年空气质量统计表

通过表6数据看出大连市自2013年后空气污染程度严重。

经分析数据，各种交通方式的增长率直接对下一年度空气质量带来影响，因此分析交通相关因素的增长率与空气质量指数的相关性，能实现对交通碳排放的预测及预警功能，经计算，相关主要因素及增长率如表7所示。

4.3.2 构建大连市空气质量与交通碳排放影响因素回归模型

设定大连市2012～2016年大连市空气质量优良天数为因变量Y、各种交通方式的增长率xi为自变量，进行PLS建模分析。

经SIMCA-P软件进行PLS建模分析，计算交叉有效性[7]指标，最终选择h=3时模型对Y的解释能力达到95.8%，模型拟合度高。最终所建立针对原始变量的回归方程为：

Y= 74.909 7+1 305.63x1-67.886 2x2+
139.459x3+78.999 8x4+160.068x5

表7 大连市交通相关数据及年增长率

4.3.3 模型的拟合优度及误差分析

(1)由VIP指标(如图3)看出按碳排放影响显著程度排序为：x1>x2>x5>x3>x4，其中私人机动车增长率对大连市空气质量优良天数的影响程度最大；人均道路面积增长率x4与之相关关系最弱，说明单纯增大道路面积、通过畅通工程等减少碳排放只是最次要因素，它的影响远远不及私家车的急剧增长带来的影响，更证实了下一步工作重点不应该在单纯增加道路里程上。

图3 VIP值排序图

(2)误差分析

将实际值与所构建模型计算的预测值进行精度分析：PLS模型预测相对误差均值为0.39%。

4.3.4 预测及预警

(1)预测2017年优良天数。利用历史数据，计算私人机动车拥有量、客运量、货运量、人均道路面积、轨道交通运量的增长率平均值分别为：14.59%、-3.87%、3.72%、2.81%、14.48%，经预测模型计算2017年优良天数为298.599 945 5天；据查阅《2017年大连市空气质量报告》得知2017年大连市空气质量优良天数为300天；相对误差为0.467%，预测精度较高。

(2)大连市交通碳排放安全(空气质量)预警预测与总体分析。根据表5得知2017年大连市交通碳排放导致全年空气质量仍为“轻度污染”状态，报警级别为“轻警”，属于“临界状态”。

5 结论

(1)通过PLS建模对大连市交通碳排放及空气优良天数进行预测分析，精度高、误差小(相对误差均值分别为1.64%、0.39%)，并在样本数(6个)远少于自变量个数(12个)时仍能建立精度较高模型，预测效果良好，误差为0.467%。

(2)城市居民出行距离、私家车数量对大连市交通碳排放量的影响作用是最强的，相对应的是空气质量下降最明显，而公共交通客运量对大连交通碳排放起抑制作用，为了大连市可持续绿色发展，大力发展使用以电力为主的轨道交通势在必行；通过延长道路以减少交通碳排放效果不显著，它的影响远远不及私家车急剧增长带来的影响，下一步工作重点不应该在单纯增加道路里程上。