建筑碳排放影响因素分析及情景预测

赵红岩, 霍正刚, 查晓庭, 张森森

(扬州大学建筑科学与工程学院, 江苏 扬州 225127)

IPCC发布的第五次评估报告中指出, 建筑业产生的能耗占最终能源使用量的32%, 产生的碳排放约占温室气体的1/4[1]．江苏省作为建筑业大省, 同时也是经济发达省份,了解江苏省建筑碳排放的影响因素并对其进行预测分析,不仅对江苏省建筑业碳减排工作具有重要意义, 同时也能为其他地区建筑业发展及减排工作提供借鉴作用．Li等[2]认为GDP、劳动生产率以及产出碳强度是影响中国建筑业碳排放的重要因素, 且GDP与建筑碳排放呈正相关关系,劳动生产率、产出碳强度与建筑碳排放呈负相关关系; Li等[3]通过LMDI模型对建筑业碳排放驱动因素分解发现,面积和产值强度的提高会导致建筑碳排放的增加, 碳排放强度的增加则会降低建筑碳排放; Li等[4]将人均GDP、建筑碳排放强度、人均建筑面积等作为影响建筑碳排放的影响因素纳入到系统动力学模型中进行碳排放量预测; Ma等[5]通过STIRPAT模型及岭回归对建筑碳排放驱动因素分析,指出人口、城镇化率、人均建筑面积、第三产业增加值及碳排放强度均对碳排放做出积极贡献．近年来, 也有不少科研人员对建筑碳排放进行预测分析, 如Du等[6]运用系统动力学的方法对中国建筑碳排放进行预测, 认为所有情景下相较于2005年碳强度水平下降40%～45%的目标已达到; Fang等[7]利用随机森林模型在建筑早期设计阶段对碳排放进行预测,为减少建筑碳排放提供理论依据; Fan等[8]利用人工神经网络对中国碳排放进行预测,认为碳汇和碳捕集与封存等是中国实现碳中和的首选方案; Sun等[9]通过极限学习机对碳排放强度进行预测,发现碳排放效率与碳排放强度之间存在高度的相关性; Gao等[10]通过Gompertz模型对碳排放进行预测,指出当前政策下美国的碳排放量到2025年预计比2005年降低17.01%．目前虽然对碳排放的预测研究相对较多且方法丰富多样, 但对建筑碳排放预测的研究仍较少, 故本文拟以常住人口、城镇化率、人均GDP、第三产业增加值、建筑企业劳动生产率等作为影响建筑碳排放的主要因素,利用STIRPAT模型对江苏省建筑碳排放影响因素进行分析, 并运用GA-BP神经网络进行建筑碳排放预测．

1 模型和方法

1.1 STIRPAT模型

为了解影响建筑碳排放的主要因素, 由STIRPAT模型[11]可得建筑碳排放量CE=aMmCcGgWwSsHhLle, 则有

lnCE=lna+mlnM+clnC+glnG+wlnW+slnS+hlnH+llnL+lne,

其中CE是建筑碳排放量,a是常数项,M是常住人口数,C是城镇化率,G是人均GDP,W是第三产业增加值,S是钢材生产量,H是平均运输里程,L是建筑企业劳动生产率,e是误差项;m,c,g,w,s,h,l是各指标的弹性系数．

1.2 GA-BP神经网络模型

1) 采用二进制编码, 编码长度N=10(nin×nh+nout×nh+nh+nout);

3) 运用轮盘赌法[12]从种群中选择适应度好的个体组成新种群, 并以交叉概率为0.4,变异概率为0.2, 交叉和变异位置随机选取, 获取最优的权重和阈值;

4) 当染色体整体变化不大, 群体趋于稳定或迭代次数(本文最大迭代次数选为50)满足最大代数时遗传算法迭代终止．

GA-BP神经网络的基本流程如图1所示．

1.3 岭回归

使用岭回归[13]对建筑业相关影响因素进行回归分析,根据各变量的弹性系数、显著性水平等参数对STIRPAT模型及各自变量进行分析．通过岭回归模型可消除多元回归中自变量间的多重共线性, 确保回归模型能够真实反映出建筑碳排放与其影响因素之间的关系．一般情况下,岭回归中岭参数K值的选取原则为各自变量标准化回归系数趋于稳定时的最小K值,考虑到通过岭迹图判断的方式存在一定的主观性,故本文选用方差扩大因子法确定K值．

1.4 建筑碳排放计算

运用能源平衡表拆分法[14]计算全生命周期建筑碳排放量, 其中能源碳排放因子fE=44JCvO/12, 式中J是平均低位发热量,Cv是单位热值含碳量,O是碳氧化率; 电力碳排放因子fe=Ct/(Et+Er), 式中Ct是火力发电产生的碳排放量,Et是火力发电量,Er是可再生能源发电量; 热力碳排放因子fh=Ch/Ph, 式中Ch是各类供热能源产生的碳排放量,Ph是热力生产总量．

1.5 数据来源

文中所使用的各项原始数据均来自于2005—2019年的《中国统计年鉴》、《江苏统计年鉴》、《中国建筑业统计年鉴》、《中国能源统计年鉴》．表1为2005—2019年各影响因素的数据以及历年建筑碳排放量．

表1 建筑碳排放及影响因素原始数据

2 结果与讨论

2.1 多重共线性分析

运用SPSS软件进行多元回归分析所得结果见表2和表3．表2结果显示, lnM、lnC、lnG、lnW、lnH、lnL的方差膨胀系数均大于10．通常情况下, 方差膨胀系数在10～100之间表明变量间存在较强的多重共线性, 故表中变量之间存在较强的多重共线性．表3结果显示, 多个维度的特征值接近于0, 且条件指标最大值为8 050.731．一般情况下当存在多个维度特征值约为0或条件指标大于10时, 这意味着变量之间存在多重共线性．因此, 多元回归结果表明变量间存在多重共线性．

表2 多元回归结果

2.2 岭回归分析

运用SPSSPRO软件进行岭回归分析, 分析结果如图2和表4所示．图2为岭回归模型中各自变量的标准化系数趋于稳定时的情况, 当K介于0～0.1之间时标准化系数整体变化较大, 但在K大于0.1后除lnS的标准化回归系数仍有一定的变化幅度, 其余变量的标准化回归系数均趋于稳定．考虑到依据岭迹图确定K值时存在主观性, 故本文在对岭迹图进行初步分析的基础上选用方差扩大因子法得到岭参数K=0.127．表4结果表明, 弹性系数m,c,s,h,l均大于零, 表明常住人口、城镇化率、钢材产量、平均运输里程以及建筑企业劳动生产率的提高或增加会增加建筑碳排放量, 即在城市经济发展过程中, 随着这些指标的增加,建筑碳排放量增大．其中,m为0.877,在所有弹性系数中数值最大, 意味着区域内常住人口数对建筑碳排放量的贡献最大, 而钢材产量的弹性系数s=0.639, 说明钢材产量在建筑碳排放量中的占比也较大, 但其他3个指标的弹性系数均不太大,因此这些指标对建筑碳排放量有贡献但均不显著．另一方面, 弹性系数g和w为负数且绝对值均较小, 说明人均GDP和第三产业增加值的增加会使建筑碳排放量降低, 即随着人均GDP和第三产业增加值的增加, 区域内建筑碳排放量略呈下降趋势．因此,在经济发展过程中,可通过优化区域内人才战略控制一定的常住人口规模,并不断提高第三产业增加值和人均GDP以及降低钢材生产量和建筑企业劳动生产率等措施能有效降低区域内的建筑碳排放量．由表4可得建筑碳排放量CE=9.597e-6M0.877C0.18G-0.004W-0.091S0.639H0.057L0.207; lnM、lnC、lnG、lnW、lnS、lnH、lnL回归模型中p值为0.001, 呈现显著性水平, 排除了自变量与因变量间不存在回归关系的假设, 表明建筑碳排放与常住人口、城镇化率、人均GDP、第三产业增加值、钢材产量、平均运输里程、建筑企业劳动生产率之间存在回归关系．同时, 模型的拟合优度R2为0.944, 表明该模型的效果较好, 能够满足基本要求．

表3 共线性诊断

表4 K=0.127时岭回归分析结果

图2 岭迹图Fig.2 Ridge trace map

3 GA-BP神经网络对建筑碳排放的情景预测

3.1 情景设置

为验证本文所提模型的正确性, 运用GA-BP神经网络对江苏省2020—2030年建筑业碳排放进行情景预测．运算时的情景模式分别设置为低碳、基准、高碳,不同情景模式下各因素的变化速率依据近十年该因素的整体态势以及年平均变化率进行设定, 同时参考国家及江苏省颁布的有关政策及规划进行调整,其中基准情景表示延续现有经济政策,低碳情景表示调整现有经济政策以优化建筑碳排放,高碳情景则表示弱化现有经济政策．表5给出了江苏省建筑碳排放不同情景模式下的设置参数．

表5 江苏省建筑碳排放情景模式中各参数变化速率

图3 江苏省建筑碳排放情景模拟Fig.3 Scenario simulation of building carbon emission in Jiangsu Province

3.2 预测结果分析

遗传算法优化完成的BP神经网络的误差仅为0.019 343, 表明本文模型的预测结果具有较高的可靠性．不同情景模式下江苏省建筑业碳排放的模拟结果如图3所示．从图3可以看出, 2020—2030年江苏省建筑业碳排放量总体呈现下降趋势, 表明江苏省建筑业碳减排工作已具成效．到2030年底, 低碳、基准和高碳模式下的碳排放量分别为272.813 6, 369.814 9, 475.912 6 Mt, 表明省内建筑业仍有较大的碳减排空间．在不同情境下, 2030年所产生的建筑碳排放量之间存在较大的差异,说明结合建筑碳排放主要影响因素制定适宜的发展模型将对碳减排工作具有重要作用．同时,江苏省建筑碳排放已于2012年达到历史峰值,表明江苏省建筑碳排放已满足初步达峰条件, 而2012及2013年度江苏省建筑碳排放量显著高于其他年份,这是由于这两年江苏省建筑业整体处于高速发展状态,建筑业产值、房屋建筑施工面积、房屋建筑竣工面积等指标都有较大的增幅．

4 结论

本文利用STIRPAT模型对江苏省建筑业碳排放进行因素分析, 并运用GA-BP神经网络模型对2020—2030年江苏省建筑碳排放量进行预测．主要结论如下:

1) 江苏省建筑全生命周期碳排放量自2005年到2019年增长约为409.476 Mt, 在2012年达到峰值后碳排放量激剧下降, 之后又呈现出缓慢上升的趋势;

2) 随着常住人口、城镇化率、钢材生产量、平均运输里程以及建筑企业劳动生产率的提高,建筑碳排放量增加; 而随人均GDP和第三产业增加值的增加, 建筑碳排放量减小;

3) 由弹性系数的大小可知, 常住人口数量对江苏省建筑全生命周期碳排放量的贡献最大;

4) 预测结果显示, 2020—2030年江苏省建筑碳排放呈下降趋势, 表明江苏省建筑碳排放已具备初步达峰条件,而不同情景模式下碳排放量之间的较大差异说明未来江苏省建筑碳排放仍具有较大的减排空间．

以上结果有助于政策制定者依据驱动因素更加有效地制定建筑业低碳发展政策, 如倡导使用绿色建材以替代原有高碳建材, 制定更加高效的建筑供应链规划, 提高能源使用效率等,这为其他省级经济体的建筑碳减排工作提供建议和参考．后续研究工作中将进一步提高模型中建材运输阶段碳排放量的计算准确性,并考虑能源碳排放因子的动态变化对建筑碳减排的影响．