“双碳”目标下的碳达峰预测方法综述

吕干云,张 钰,孟珊珊,周 玉,刘海涛,章心因

(1. 南京工程学院电力工程学院, 江苏 南京 211167;2. 国网江苏省电力有限公司, 江苏 南京 210024)

目前,全球气候变暖,人类生存环境的质量也日益下降,应对气候变化、实现绿色低碳发展成为全球的共同议题[1].我国承诺在2030年以前将二氧化碳排放量由增转降,坚定地向”双碳”目标迈出一大步[2].在碳排放影响因素的分解分析和碳达峰预测方面已经有较多的研究成果.选择可靠的碳达峰预测方法、制定合理的碳减排对策可以显著加快碳达峰的进程.

本文将首先讨论二氧化碳驱动因素的分析方法,基于二氧化碳驱动因素,重点讨论当前主要碳达峰预测方法,并对今后的研究工作进行展望.

1 碳排放驱动因素分解

二氧化碳排放影响因素众多,有关二氧化碳排放峰值的研究方法主要在因素分解分析基础上进行情景预测.因此,首先要分析二氧化碳的驱动因素,常用的方法有指数分解分析法,其中,对数平均迪氏分解法(LMDI)和广义迪氏指数分解法(GDIM)都是由Kaya恒等式演变而来,可拓展的随机性环境影响评估模型(STIRPAT)是由IPAT模型改进而来.

Kaya恒等式将二氧化碳分解成人口、能源消费等驱动因素,应用较为灵活,但存在各驱动要素互相关联的局限性.文献[3]采用传统Kaya恒等式对二氧化碳排放因式进行因素分解:

(1)

式中:C为二氧化碳排放量;E为能源消耗量;GDP为国内生产总值;P为人口规模;S为能源消费结构;I为单位GDP能耗值;A为经济产出.

LMDI分解法在原始Kaya恒等式基础上进行改进,分解结果具有消除难以解释的残差项、完全分解等优点[4-5],然而该方法与Kaya恒等式具有相同的局限性,即分解过程中各因素互相关联.文献[5]采用累加形式计量长三角区域人口和经济变化、能源消费结构及强度变化对能源消费碳排放的影响,公式为:

(2)

式中:T、ΔCtot为碳排放量变化综合效应;ΔCstr为能源消费结构效应;ΔCint为碳排放强度效应;ΔCact为经济产出效应;ΔCpop为人口规模效应.

GDIM分解法由Kaya恒等式发展而来[6],克服了传统Kaya恒等式分解过程中各驱动因素之间相关联的缺陷.文献[7]对制造业二氧化碳排放演变驱动因素进行分析,采用GDIM分解法将驱动因素的变化量分解,全面地将各因素的实际贡献进行量化:

ΔCE=ΔCEDR+ΔCECDR+ΔCECP+ΔCEDRP+

ΔCEP+ΔCEE+ΔCEECI+ΔCEEDR

(3)

式中:ΔCEDR为经济发展水平;ΔCECDR为区域产值低碳度;ΔCECP为区域人均碳排放;ΔCEDRP为区域经济发展水平;ΔCEP为人口规模;ΔCEE为能耗规模;ΔCEECI为区域能源结构低碳程度;ΔCEEDR为域能源利用效率变化对二氧化碳排放变化的影响.

文献[8]最早提出IPAT模型,用富裕程度、技术水平、人口要素的乘积表示对碳排放的影响.但IPAT模型存在各因素等比例影响问题,实际情况中较少采用.IPAT模型为:

I=PAT

(4)

式中:I为区域碳排放量;P为人口规模;A为经济发展水平;T为技术因素.

STIRPAT模型为改进的IPAT模型,是常用的定量分析二氧化碳驱动因素的方法之一[9].STIRPAT对IPAT模型中各因素赋予不同的指数,能够考虑相关因素不同的变动对环境的影响[10-11].文献[12]将STIRPAT模型应用于电力工业碳排放分析,从技术因素入手,提高化石能源的使用效率,有助于推动电力行业的达峰进程.STIRPAT模型为:

I=aPbAcTde

(5)

式中:I为碳排放量;P为人口规模;A为经济发展水平;T为技术因素;b、c、d为指数;e为随机误差项.

2 碳达峰预测方法

通过因素分解分析获得二氧化碳驱动因素后,进行碳达峰预测.根据能源系统是否作为独立部门,碳达峰预测模型划分为宏观经济系统模型和能源系统模型.宏观经济系统模型主要是根据经济变化对能源系统进行研究,而能源系统模型主要侧重于对能源系统内部的微观角度进行描述.

2.1 能源系统模型

化石能源消费是二氧化碳排放最直接相关的因素,不同的影响因素变化通过能源的消费变化来体现,并最终反映在二氧化碳的变化量上.能源系统模型目前主要包括能源经济模型(MARKAL-MACRO)、能源系统优化模型(China TIMES)和长期能源可替代规划系统模型(LEAP).

MARKAL-MACRO是碳达峰预测方法中常用的非线性模型之一,用来预测规划期内的碳排放量[13-14],计算公式为:

(6)

式中:M为CO2排放量;δ为标准燃料产生的热能;ei为能源i单位发热量排放的CO2;hi为能源i氧化率;E为能耗总量;θi为能源i在能源结构中的比重.

文献[15]以1995年为基期,首次构建了我国MARKAL-MACRO模型,对我国21世纪中叶之前的二氧化碳排放量进行模拟预测,结果表明能源消费与二氧化碳排放密不可分,具体表现在能源需求越低越有助于推动碳达峰实现路径.文献[16]以MARKAL-MACRO模型为基础构建两种情景,预测2050年以前中国的碳排放,分别在2029、2036年实现碳达峰,峰值为9.527×109～1.075 3×1010t.MARKAL-MACRO模型的优势在于能展现能源系统内在特点,但无法反映能源需求的外在价格弹性.

China TIMES模型是能源经济模型的延伸,在MARKAL-MACRO模型的基础上进行改进,属于动态均衡模型,在碳达峰预测时可以设定不同的时间间隔,应用更灵活.China TIMES模型的核心思想是在满足需求约束的前提下,整个能源系统的消费尽可能地低.文献[17]构建China TIMES模型,耦合了能源需求预测模块和二氧化碳排放预测模块,设定了3种碳达峰情景,研究结果表明,在低碳发电的前提下,在2030年中国的二氧化碳峰值将达到1.00×1010t.文献[18]采用China TIMES模型预测中国碳达峰时间为2030年,碳排放峰值将出现在1.00×1010～1.08×1010t,电力部门将在碳达峰年份实现70%～80%的减排贡献.

能源系统中的二氧化碳排放除了由终端消费产生之外,还包括能源转换过程中产生的二氧化碳.

LEAP模型建立了一套完整的能源和环境分析系统,主要用于预测能源在整个生命周期内产生的二氧化碳排放量[19],计算公式为:

(7)

式中:CEC为终端能耗产生的碳排放量;i为活动部门;j为终端能耗设备;n为能源类型;AL为活动水平;EI为能耗强度;EF为碳排放系数.

在我国人均用电量高增长的背景下,文献[19]基于LEAP模型预测我国电力行业二氧化碳排放增长率在2030年之前将由快转慢,电力行业将在2030年达到峰值.LEAP模型对原始数据的要求不高,考虑了能源价格等能源供给因素,弥补了MARKAL-MACRO模型和China TIMES模型的缺陷.但由于侧重点不同,研究过程中主观性影响较大,导致结论并不一定适用于实际情况.

能源系统模型优势在于对能源技术和能源部门描述足够详细,局限性在于难以反映与其他经济部门的反馈关系.

2.2 宏观经济系统模型

宏观经济系统模型包括经济部门和能源部门,即将能源系统纳入其中.宏观经济变化会导致能源需求的改变,进而会改变二氧化碳的排放量,影响碳达峰的实现进程.宏观经济系统模型主要包括环境库兹涅茨曲线模型(EKC)、投入产出模型以及柯布道格拉斯函数模型.

EKC模型是典型的宏观经济系统模型,揭示人均GDP水平与碳排放量之间的关系[20],通过EKC模型判断是否存在碳达峰拐点,基于拐点再判断碳排放峰值.传统EKC多局限于人均GDP与碳排放量两个变量,忽视了其他影响碳排放量因素.文献[21]对陕西省EKC预测曲线进行再检验,验证碳排放峰值和拐点会因制度因素、产业结构和城镇化水平等控制变量的加入而改变.EKC模型构建过程简单、应用较为灵活,但是在进行碳排放预测时受变量选取影响较大.EKC模型为:

lnCt=α0+β1lnGDPt+β2(lnGDPt)2+ε

(8)

式中:Ct为第t年人均碳排放量;GDPt为第t年人均GDP;α0为截距项;β1、β2为回归系数;ε为随机误差项.

EKC预测曲线中二氧化碳排放量与人均GDP之间存在线性、U、N、倒U、倒N形等关系,区域之间的差异性导致碳达峰预测曲线存在多种形状;另外,一些地区的EKC曲线形状难以识别,因此EKC预测曲线的应用范围存在较大局限性.

投入产出模型不依赖于特定形状曲线,也不存在子区域间的差异性问题,而是基于终端消费需求预测二氧化碳排放量[22],主要通过投入产出表来反映能源与经济部门间的相互影响,投入产出模型的一般表达式为:

Q=Qp+Qh

(9)

式中:Q为整个宏观经济系统能源消费产生的碳排放量;Qp为生产部门碳排放量;Qh为生活部门碳排放量.

文献[23]协同考虑能源消费与二氧化碳排放,采用投入产出模型预测陕西省大约在2030年实现碳达峰.投入产出模型的优势在于考虑了能源与经济部门间的相互作用,局限之处在于只有高质量的数据才有利于反映能源、经济部门间的相互作用.

EKC预测曲线和投入产出法能直接对碳达峰做出预测,但无法对碳达峰各驱动因素的贡献份额进行评估.柯布-道格拉斯函数,也叫CD生产函数[24],不仅在碳达峰预测方面表现良好,还能有效评估各要素对碳排放的贡献份额.柯布-道格拉斯函数模型表达式为:

C=αGaVbPc

(10)

式中:C为各省碳排放量;α为反映各省特质性的常数;G为各省GDP值;V为各省的城市化率;P为各省总人口数;a为GDP的弹性系数;b为城市化率的弹性系数;c为人口的弹性系数.

文献[25]基于历史碳排放数据,利用柯布-道格拉斯函数对长三角城市群进行达峰预测,上海、镇江等城市在产业结构方面有调整,二氧化碳排放增长率在降低,已具备开展达峰行动方案的条件,故长三角城市群将会实现局部区域提前达峰.

宏观经济系统模型优势在于能更好地反映能源与经济部门宏观层面上的相互影响,局限性在于对能源部门的描述比较抽象.

2.3 其他预测模型

动态情景分析法、蒙特卡洛法、灰色预测模型以及神经网络模型等均适用于碳达峰的预测.

情景分析法广泛应用于碳达峰预测中多个碳排放相关驱动因素情景下的碳排放值,常采用假设的手段与LEAP、China TIMES、蒙特卡洛等预测模型结合使用,在对碳达峰的拐点和峰值预测时,充分进行定性与定量分析.文献[10]设定了近30种组合情景,分别预测了中国超大城市在不同情景下碳达峰时间和峰值.文献[26]采用LEAP模型在1.5 ℃情景下模拟2020—2050年建筑全产业链碳排放的发展路径及其结构性特征,预测中国碳排放总量的额外累计减排量将达到1.297 4×1011t,而建筑全产业链碳排放的额外累计减排量为5.606×1010t.文献[17]利用情景分析法在对中国未来的人口、GDP、城镇化率等参数进行假定的基础上,耦合了China TIMES预测模型的能源需求预测模块和二氧化碳排放预测模块,研究结果表明由于供应侧低碳发电技术的应用逐渐成熟,2030年的二氧化碳峰值将达到1.00×1010t.文献[27]基于China TIMES预测模型采用情景分析法,在对未来社会经济和技术发展进行合理假设的基础上,对2010—2050年中国一次和终端能源消费及构成、电力构成进行研究并对二氧化碳峰值进行了预测.

蒙特卡洛法常用于进行随机模拟,不仅可以解决碳排放各变量分布特征不同的问题,分别为碳排放各变量设置概率,而且与计算机相结合,使预测结果更为精确.相较于传统的能源系统模型以及宏观经济系统模型，蒙特卡洛法具有一定优势.文献[28]采用蒙特卡洛动态模拟,对我国GDP、煤炭比重、第三产业比重等变量的分布进行假设,根据国家政策规划分别赋予每个变量相应的概率,赋予中间取值为最高概率,其余取值对称分布,预测未来碳排放强度.文献[29]将蒙特卡洛法与情景分析法结合,在城市化水平、能源强度等解释变量服从既定概率分布的前提下,通过设定不同的政策情景进行预测,中国在碳达峰前二氧化碳排放量的年均增长率保持在2%～25%的概率较大.由于蒙特卡洛法对碳排放变量分布的设定对碳达峰预测结果影响很大,因此该方法对变量分布假设要求十分高.另外,蒙特卡洛法存在缺乏大量文献支持的问题,在中国碳减排路径研究中的应用还不多见.

处理小样本预测问题的灰色预测模型是用来分析特定区域碳达峰的方法之一,通过累加得到具有指数增长规律的碳排放新数列[30]:

x(0)(k+1)=T(1)x(1)(k+1)-x(1)(k)

(11)

式中:T为转置;当k=1,2,…,n-1时,x(0)的拟合值为x(0)(k+1);当k≥n时,可得碳排放预测值.

文献[31]首次将灰色预测模型应用于农业碳排放预测,基于2000—2015年江苏省农业碳排放三段式变化规律,采用灰色预测模型GM(1,1)对2016—2030年江苏省农业碳排放量进行预测,预测结果表明江苏省农业碳排放量将会呈现出缓步下降趋势.灰色预测模型适于处理小样本预测问题,仅需要少量数据即可实现预测[32],但需要原始数据具有一定的规律.

神经网络模型具有较强的非线性映射能力,具备大量神经元用来贮存信息,适用于处理复杂非线性关系的实际问题.碳排放的变化趋势呈现非线性,因此神经网络模型正逐步应用于碳达峰的预测.神经网络模型采用数据驱动方式,通过误差反向传播的学习过程,提高碳达峰预测效率.神经网络模型如图1所示,其中:X为已有碳排放历史数据;Y为预测碳排放数据.

图1 神经网络模型

文献[33]以2000—2018年数据为基础,建立BP神经网络模型,对2021—2050年二氧化碳排放量进行预测,得出低碳发展情景下中国火电行业在2028年实现碳达峰,达峰峰值为5.807 36×109t.文献[34]综合对比BP模型和LSTM神经网络模型后认为,LSTM神经网络模型对碳排放强度的预测具有更优的预测精度,两个模型对2030年碳排放强度值的预测相差0.060 3 t/万元.文献[23]基于2001—2019年制造业分行业能源消费数据,结合LSTM神经网络模型和情景分析方法对制造业进行碳达峰峰值预测,预测结果表明强化政策情景下制造业整体碳排放峰值提前到2028年,且峰值碳排放量为7.242 806 3×109t.

3 研究展望

我国2030年碳达峰的目的是实现总量上的达峰,需要各行各业的配合,而电力行业碳排放占比超过全社会的40%,对碳达峰的影响最大,电力低碳转型是实现“双碳”目标的重要推动力.碳达峰预测是“双碳”进程中必不可少的环节,传统的两类预测方法宏观经济系统模型和能源系统模型,二者侧重点不同且各有利弊,使用过程中要做好衡量.宏观经济系统模型优势在于能更好地反映能源与经济部门宏观层面上的相互影响,局限性在于对能源部门的描述比较抽象;能源系统模型优势在于对能源技术和能源部门描述足够详细,局限性在于难以反映与其他经济部门的反馈关系.

低碳政策的制定、实施与调整均依赖于精准的碳达峰预测.碳达峰预测模型不同会导致对碳达峰时间和峰值的判定也不尽相同,存在较大的不确定性.因此,在碳达峰预测时要根据实际需要,充分考虑各模型的优缺点,采用更贴合的模型进行交叉验证,并不断对模型进行优化,改善模型参数设置以求得到更精确的结果.在所有方法中,情景分析法是最灵活、应用最广泛的碳达峰预测方法,常与其他预测方法结合使用.由于碳达峰预测的相关研究是在不同经济发展以及能源效率等驱动因素的基础上进行,为了得到更精确的预测,需要设置尽可能多的情景,对碳排放变化趋势进行分析.

在碳排放系统中,碳排放过程中部分变量流动性较强、计算难度大,某些部门获取准确的碳排放数据较为困难.现有的大多数碳达峰预测模型仅考虑由能源消耗产生的碳排放,对其他部门的碳排放数据来源并未做深入探究.随着碳排放计量与核算技术的逐渐进步,可获取的具体碳排放数据越来越多,相对来说也越来越准确,基于数据驱动的深度学习开始崭露头角,将成为今后碳达峰预测研究的一个新的重要方向.针对碳达峰预测的LSTM神经网络预测模型和BP神经网络预测模型,相比之下,LSTM神经网络预测模型精度更佳,也更稳健.今后还可以考虑利用RBF神经网络、ARIMA时间序列等其他模型进行碳达峰预测,选用平均绝对误差、均方根误差等指标对比预测的优劣情况,找到最优模型.基于数据驱动的深度学习将为今后拓宽碳达峰预测新思路奠定基础,与此同时及时调整低碳减排措施,积极推动碳达峰的实现进程.