基于双碳目标的中国航空碳排放峰值预测分析

李玲玲, 郭晓阳, 韩瑞玲, 李宗哲

河北师范大学家政学院, 河北 石家庄 050024

0 引言

航空碳排放主要源自于航空燃油在燃烧时与空气混合燃烧后排出的温室气体, 不仅影响空气质量且可造成温室效应[1]。 航空业已经成为全球十大温室气体排放行业之一[2], 也是中国碳市场8 个重点排放行业之一, 航空碳排放问题越来越受全球社会关注[3]。 2007 年, 国际民航组织(International Civil Aviation Organization, ICAO) 第36 届大会将国际航空全球减排与减排政策制定作为工作重点; 2008年, 欧盟将航空业纳入世界上最大的碳排放交易市场——欧洲碳排放交易体系[4], 中国33 家航空公司被纳入该体系[5]; 2010 年, ICAO 积极关注在技术、运营等方面探索国际航空减排措施; 2016 年, ICAO形成了第一个全球性行业减排市场机制——国际航空全国碳抵消和减排机制方案(Carbon Offsetting and Reduction Scheme for International Aviation, CORSIA),计划2021 年生效后, 各航空公司以2019—2020 年的平均排放量为基线, 对每年国际航空运输的增长量承担碳抵消和减排任务。 为响应全球碳减排要求,中国积极推进“3060” 碳达峰碳中和计划, 探索了中国总体碳达峰路径[6]和重点行业低成本碳达峰路径[7], 其中针对航空领域的碳减排方略主要集中于开发可持续航空燃料和新能源[8]、 改善燃料效率参数以及飞行器机型等[8]; 学术界主要针对航空碳排放的排放量[9-11]、 影响因素[12-14]和效率差异[15]等方面进行了基于国家或区域的宏观尺度[16]和基于航线的微观尺度[17]的研究, 对有效分析中国航空碳排放的历史特征提供了研究基础。

2019 年, 航空碳排放占中国交通领域碳排放总量的6.09%, 鉴于陆域交通工具的高度清洁化, 预计2060 年此占比将提升至60%[18]。 因此, 精准预测航空碳排放走势对有效监测其排放过程特征并提出切实可行的减排措施有积极意义。 目前, 已有的航空碳排放预测研究主要集中于全球和国家层面的以年为时间间隔单位的中长期预测, 以及关注城市层面的以月为时间间隔单位的短期预测。 所采用的预测方法多基于航空碳排放与其影响因素进行的回归拟合, 并选择情景分析进行航空碳排放模拟研究。 如, 首先, 全球层面预测, 主要选择全球国内生产总值(Gross Domestic Product, GDP)[19]、 全球人均GDP[20]、 世界油价、国际航空排放强度[21]、 全球旅客数量[22]等影响因素, 预测发现中、 长期航空碳排放量均都有不同程度增长。 其中, 通过收入吨公里 ( Revenue Ton Kilometre, RTK) 与国际航空排放强度的乘积[21]对航空碳排放量进行的预测[23]在全球层面和国家层面均获得了较为有效的结果; 但使用自回归移动平均(Autoregressive Moving Average Model, ARMA) 回归模型[19]以燃油销售量进行预测, 因销售量与实际使用量有差异, 所以预测结果会产生较大偏差; 使用平均统计数据通过汉堡旅游模型 (Hamburg Tourism Model, HTM) 预测航空碳排放量[22]的做法因无法考虑时事和地缘政治等不稳定抑制因素, 使得航空碳排放计算结果亦呈快速增长趋势。 其次, 国家层面预测, 主要通过可拓展的随机性环境影响评估模型( Stochastic Impacts by Regression on Population Affluence and Technology, STIRPAT)[24]、 Kaya 模型和对数平均迪氏指数法 (Logarithmic Mean Divisia Index, LMDI)[25]分解分析出影响航空碳排放的主要影响因素及其贡献程度, 并据此构建航空碳排放预测模型, 进行短期或中长期预测。 Chao 等[26]采用生命周期评估和蒙特卡罗模拟方法, 预测到2050年美国航空运输量将较2005 年增加2.75 倍的情况下, 使用多原料可持续航空燃料仍可使美国航空碳排放量减少37.5% ～50%。 再次, 城市层面预测,Yang[27]等使用差分自回归移动平均模型( Autoregressive Integrated Moving Average Model,ARIMA) 以月为时间间隔单位预测了中国上海2017年7 月至2021 年6 月的航空碳排放量, 结果也充分反映了民航旅行需求季节性趋势。 但由于市域层面数据的获取难度大, 所以此类研究较少。

2020 年全球航空市场受到重创, 若继续执行现行CORSIA 基线计算方式将大幅提高各航空公司碳抵消份额与成本[28]。 国际航空运输协会 (The International Air Transport Association, IATA) 提出需要根据市场动态实际及时调整CORSIA 碳排放基线;中国作为世界第二大民航运输市场, 也需要对航空碳排放的走势进行适时判定, 并制定相应发展计划与指标。 基此, 根据《IPCC 国家温室气体排放指南》 (下文简称《指南》 ), 首先计算了1985—2020年中国航空碳排放量; 接着根据航空运输总量、 航空运输强度等航空碳排放主要影响因子[29], 构建了中国航空碳排放STIRPAT 预测模型, 并采用偏最小二乘回归方法进行多元拟合, 在考虑新冠病毒感染疫情对中国航空业影响的基础上, 根据中国承诺的碳达峰碳中和目标[30]以及《中国民航行业节能减排规划》 对预测模型相关自变量进行基准情景和减排情景设定, 并分别对2021—2040 年中国航空碳排放量进行峰值预测。 目前, 中国正处于民航大国向民航强国迈进的关键时期, 科学合理地预测航空碳排放量以把控航空碳减排走势, 将为有效构建民航业绿色发展体系、 切实履行减排任务提供理论参考。

1 方法与数据

1.1 航空碳排放测算模型

根据政府间气候变化专门委员会《指南》[31], 采用“自上而下” 的核算方法, 通过能源消耗和能源排放因子计算并累加碳排放总量, 计算公式如下:

式中,It为第t年的航空碳排放总量, t;Et为第t年航空煤油的消耗总量, t;IE为航空煤油的碳排放因子, 根据《指南》 取值为3.15 kg。

1.2 可拓展随机性环境影响评估模型

STIRPAT 模型为环境压力模型IPAT (Impacts on Population Affluence and Technology) 的拓展模型[32],是各变量指数关系的叠加, 具体为:

式中,a为模型的比例常数项,b、c和d分别表示人口规模、 富裕程度和技术水平的指数项,e表示模型误差, 当a=b=c=d=e=1 时为IPAT 恒等式。 为构建STIRPAT 模型预测航空碳排放, 需引入的“航空运输强度、 航空运输能源强度” 指标为有量纲的变量, 因此将IPAT 恒等式中的T部分进行无残差分解为S和F的乘积, 得到下列等式:

式中,I表示航空碳排放量, t;P表示航空运输总量, t;TKM表示航空运输总周转量, t;E表示航空能源消耗总量, t;TP=TKM/P表示航空运输强度,t·km-1;ET=E/TKM即表示航空运输能源强度,t·km-1;IE=I/E表示航空煤油碳排放系数,kg·kg-1。 在实际应用中通常使用其线性化回归方程,因此对(3) 式两边取自然对数得到:

式中,I、P、TP、ET、IE指标含义与上文相同;a是常数项,b、c、d、e为指数,f为误差。 测算时,以lnI作为因变量, 以lnP、 lnTP、 lnET、 lnIE作为模型的自变量, 对模型进行多元拟合。

1.3 偏最小二乘回归分析法

为减小自变量之间多重共线性的影响, 提高模型的准确性和稳定性, 首先对航空碳排放总量、 航空运输总量、 航空运输强度、 航空运输能源强度4 个变量进行相关系数及显著性检验, 发现各变量之间存在严重的多重共线关系(表1)。 鉴于偏最小二乘回归方法能够在自变量存在严重的多重相关性的条件下依然建模, 最终得到的模型中会包含原有的所有自变量, 因此, 采用偏最小二乘回归方法进行预测模型的拟合。

表1 自变量间多重相关系数Table 1 Correlation coefficients between independent variables

令样本的原始数据为yi, 在偏最小二乘回归过程中提取m个成分, 分别是t1、t2……tm接着利用所有的样本点进行回归建模, 得到的第i个样本点的拟合测算值为令为删去样本点i后建模的值,取m个成分回归建模后, 再使用偏最小二乘回归模型计算yi的拟合值, 具体如下:

1.4 数据选择与处理

文章选择中国31 个省级行政区(限于数据的可得性, 不包括香港、 澳门特别行政区和台湾省) 为基本研究范围。 其中, 计算1985—2020 年中国航空碳排放量需要的航空煤油的消耗量数据来源于1999—2020 年《从统计看民航》; 使用STIRPAT 模型构建的中国航空碳排放预测模型所涉及的指标有: 1985—2020 年航空运输总量、 航空运输强度、 航空运输能源强度、 航空煤油排放系数, 具体支撑数据为中国国内旅客运输量、 货邮运输量、 运输总周转量、 航空煤油消耗量和航空煤油排放系数, 其中前4 个指标数据来源于1999—2020 年《从统计看民航》 《民航行业发展统计公报》, 航空煤油排放系数来源于《IPCC 国家温室气体排放指南》。 此外, 在航空碳排放预测模型构建中, 由于航空煤油排放系数为常数, 因此将其合并在模型的常数项里, 不再作为单独的影响因素予以考虑。

2 结果与分析

2.1 航空碳排放历史特征分析

1985—2020 年, 航空碳排放总量随着航空运输规模的增长而呈现总体增长趋势, 但是航空碳排放增长效率波动下降。 具体来看, 中国航空碳排放总量由2.08×106t 上升到9.46×107t (图1), 航空运输总量由6.69×105t 上升到4.13×107t, 均呈总体上升趋势,说明受到民航市场需求及民航飞行器数量的持续增长, 民航运输规模伴随着能源消耗量持续增长, 也表明了目前的增长趋势处于高能耗阶段, 使得航空碳排放仍然处于高增长阶段。 其中, 2000 年后航空运输总量、 航空碳排放总量均呈现快速增长趋势, 年均增长速率分别为10.05%、 12.77%; 但2020 年受到新冠病毒感染疫情影响均表现明显降幅, 较2019 年分别下降-28.66%、 -18.52%, 说明民航业在公共安全事件影响的下呈现一定的脆弱性。 1985—2020 年, 航空碳排放增长率则呈现波动下降趋势, 由18.47%降至-18.52%。 其中在2000 年前后经历了较为剧烈的波动, 主要由于航空煤油消耗量的巨大差异引起, 1987年、 1993 年、 2004 年出现了小幅增长趋势, 其他年份则呈总体下降趋势; 尤其是2020 年航空运输业受到严重影响, 航空碳排放自1985 起保持了近35 年的正向增长趋势被打破, 首次出现负增长, 2020 年航空碳排放较2019 年下降18.52%, 碳排放总量降至2017年水平, 受国际疫情反复和国内疫情防控常态化影响, 航空运输业完全恢复时间表不明朗。

图1 1985—2020 年航空碳排放历史特征图Fig.1 Historical characteristics of aviation carbon emissions from 1985 to 2020

2.2 模型构建

利用SIMCA-P 14.1 软件得到提取3 个成分的解释性检验与交叉有效性检验结果(表2), 其对自变量样本x和因变量样本y的解释能力分别为96.8%和97.7%、 1.9%和1.8%、 1.4%和0.1%, 对因变量Q2预测能力分别是97.7%、 74.9%、 21.2%, 均远大于0.0 975, 说明3 个成分对y的预测均会产生较大的影响, 其中t1对y的预测能力和模型预测贡献最好, 贡献值达到97.7%, 并且可以提取到原矩阵98 %以上的信息, 满足模型预测的要求, 3 个主成分对y的累积解释能力和累计交叉有效性分别达到97.7%、 99.5%和99.7%, 说明提取3 个成分可以达到非常满意的精度, 因此选取3 个主成分使用SIMCA-P 14.1 软件回归计算得到标准化和非标准化两种形式的回归系数(表3), 进而得到原始变量的回归方程为:

表2 主成分检验结果Table 2 Results of all component extraction tests

表3 模型回归系数Table 3 Model regression coefficients

将其对数形式的公式(6) 还原为STIRPAT 表达式为:

经验证, 模型拟合精度为99.65%, 航空碳排放量的样本值和预测值的平均相对误差为0.38% (表4),模型的拟合效果较理想。

表4 模型预测结果误差对比Table 4 Error analysis of prediction results for the case of extracting 3 principal components

2.3 情景构建与预测

2.3.1 自变量情景模式构建

依次构建了无序情景、 发展情景和减排情景3 种情景模式。 无序情景是指不进行任何人为或外部因素干预, 即仅按时间序列本身的规律对未来值进行预测, 以期探索航空碳排放的基本发展态势。 无序情景预测借助ARIMA 模型, 其是随机性时间序列分析中的分析方法的综合, 可以对平稳序列进行精度较高的短期预测。 经验证, 自变量P、TP、ET在一阶差分序列后通过平稳性检验, 因此分别对自变量P、TP、ET构建ARIMA (0, 1, 0) 模型,R2分别达到0.961、 0.959、 0.976, 拟合程度较好, 证明构建的ARIMA (0, 1, 0) 模型是合理的, 最终自变量P、TP、ET的拟合预测结果见图2。

图2 自变量P、 TP、 ET 拟合预测图(注:*为预测值)Fig.2 Prediction results of the fitted independent variables P, TP and ET

发展情景是指依据中国民航局“十四五” 总体工作思路等设定的期望运输总量和运输周转量等数据对自变量P、TP、ET进行预测, 以期探索在大力发展民航业政策下航空碳排放的未来发展走势, 具体按不同强度可划分为3 种模式展开预测: 发展情景1 设定为低强度情景模式, 自变量P、TP分别按每年3%、10%的速度增长, 自变量ET维持往年现状不变; 发展情景2 设定为中强度情景模式, 自变量P、TP分别按每年5%、 10%的速度增长, 自变量ET按每年0.5%的下降; 发展情景3 设定为高强度情景模式,自变量P、TP分别按每年9%、 10%的速度增长, 自变量ET按每年1%的下降, 各情景模式的具体设置强度和指数见表5。

表5 自变量情景模式设定Table 5 Scenario model settings for independent variables

减排情景是指依据中国民航局“十四五” 总体工作思路和《民航行业节能减排规划》 等相关文件规定[33]预定的能耗年均下降值进行预测, 以期探索研究期内可能达成的航空碳减排成效。 具体设定减排情景1 为发展低强度情景模式, 自变量P、TP、ET分别按每年1%、 0.1%、 1%的速度下降; 设定减排情景2 为发展中强度情景模式, 自变量P、TP、ET分别按每年2%、 0.2%、 2%的速度下降; 设定减排情景3 为发展高强度情景模式, 自变量P、TP、ET分别按每年5%、 0.5%、 5%的速度下降(表5)。

2.3.2 航空碳排放情景预测结果

无序情景下, 中国航空碳排放总量预测结果呈现持续上升状态(图3), 无法在2030 年前实现碳达峰目标, 到2040 年中国将产生1.5×108t 航空碳排放,较2020 年增长59.28%, 年均增长2.53%, 2040 年后还将持续增长, 达峰时间点未知。

图3 2021—2040 年中国航空碳排放预测结果Fig.3 Predicted results of aviation carbon emissions in China from 2021 to 2040

发展情境下, 中国航空碳排放总量持续上升, 无法在2030 年前实现碳达峰目标, 预测期内未达到峰值。 在发展情景1 下, 到2040 年将产生2.79×108t 航空碳排放, 较2020 年增长了194.71%, 年均增长5.67%。 在发展情景2 下, 到2040 年将产生2.51×108t 航空碳排放, 较2020 年增长了165.24%, 年均增长5.25%。 在发展情景3 下, 到2040 年将产生2.23×108t 航空碳排放, 较2020 年增长了135.77%,年均增长4.82%。

减排情景下, 中国航空碳排放预计在2031 年、2026 年、 2023 年分别出现峰值。 在减排情景1 下预计于2031 年产生1.47×108t 航空碳排放, 并达到峰值, 到2040 年将产生1.17×108t 航空碳排放, 较2020 年增长了23.27%, 年均增长1.16%。 在减排情景2 下预计于2026 年产生1.08×108t 航空碳排放, 并达到峰值, 到2040 年将产生5.2×107t 航空碳排放,较2020 年下降44.93%, 年均下降2.85%。 在减排情景3 下预计于2023 年产生1.33×108t 航空碳排放, 并达到峰值, 到2040 年将产生1.3×107t 航空碳排放,较2020 年下降85.9%, 年均下降8.69%。

综上所述, 无序情景中的不干预方法和发展情景中的追求经济效益原则都无法使航空碳排放在研究期内实现下降趋势, 因此必须经过人为对航空运输总量、 航空运输强度、 航空运输能源强度等因素进行控制, 才能实现航空碳排放目标。 即P、TP、ET3 个指标需分别至少控制在每年-1%、 -0.1%、 -1%的增长速度, 才能如期实现航空碳达峰。

对比已有研究, Liu 等[16]在考虑减排效果最大化的情况下, 认为中国的航空运输收入、 航空运输强度、 航空运输能源强度、 航空排放系数4 个影响因素需每年保持1.77%、 1.21%、 -2.50%、 -4.10%的增长才能在2030 年前达到峰值, 其中航空运输收入和航空运输强度是航空碳排放增长的主要贡献因素, 但是此达峰预测结果是要求在航空运输增长率降低和新能源技术非常成熟的条件下才可以实现的, 而实际上中国航空运输规模在短期内不会出现负增长。 相较而言, 本研究是在综合考虑各项客观条件的基础上, 为保证航空碳排放达峰时间而对民航业发展进行的相对保守预测。

3 结论与讨论

在计算1985—2020 年中国航空碳排放量基础上,分别对2021—2040 年中国航空碳排放量进行了无序情景、 发展情景、 减排情景下的峰值预测。 具体研究结果如下:

1) 1985—2020 年, 航空碳排放总量随着航空运输规模的增长而呈现总体增长趋势, 但是航空碳排放增长效率波动下降。

2) 2021—2040 年预测结果如下: 首先, 无序情景下, 中国航空碳排放总量预测结果呈现持续上升状态, 达峰时间点未知, 预计2040 年航空碳排放较2020 年将继续增长59.28%。 其次, 发展情境下, 中国航空碳排放总量持续上升, 无法在2030 年前实现碳达峰目标, 预测期内亦未达到峰值, 且在3 种发展情景模式下, 航空碳排放年均增长率在5%左右。 再次, 减排情景下, 中国航空碳排放在预测期内出现峰值。 在减排情景1 下预计于2031 年并达到峰值, 2040年航空碳排放较2020 年年均增长1.16%; 在减排情景2 下预计于2026 年并达到峰值, 到2040 年航空碳排放较2020 年年均增长5.25%; 在减排情景3 下预计于2023 年达到峰值, 到2040 年较2020 年年均增长4.82%。

3) 预测结果显示航空运输总量、 航空运输强度、航空运输能源强度需分别控制在每年1%、 0.1%、1%的下降速度以上, 才能如期实现航空碳达峰。

在“3060” 双碳目标的指导下, 社会各界纷纷对传统高耗能、 高排放行业进行了大量减排探索研究和尝试。 由于航空碳排放具有高空性与流动性特征, 一方面加剧了排放测量、 捕集与利用的难度, 另一方面也增加了航空企业减排的压力, 增加了经营成本。2021 年12 月10 日, 中国航空工业发展研究中心发布的《民用飞机中国市场预测年报(2021—2040) 》 报告指出, 中国民航运输业将恢复稳定增长, 未来20年共需要补充民用客机7 646 架。 按照此增长趋势,中国航空运输市场规模还将继续保持扩张趋势, 届时航空运输总量指标也将维持增长态势, 会影响民航业碳达峰碳中和的进度, 因此更加需要协同民航运输业发展与节能减排之间的关系。

积极加速能源有效替代、 机型的更新换代等虽然作为有效进行航空碳减排的手段, 但是鉴于技术成熟度、 应用成本和使用效果的考虑, 有效提高航空运输强度和航空运输能源强度, 对于民航运输业来说更加可靠。 因此, 在航空运输强度方面, 可以针对不同区域采取不同措施以降低航空碳排放量: 对于机场终端区, 通过提高机场管理效率节约无效等待时间, 从而减少飞机在地面等待或滑行阶段产生的不必要航空碳排放; 对于空中飞行区, 优化航路网络结构, 提高空域资源利用效率, 使各航线飞机能以最短距离完成飞行任务, 从而减少空中飞行器所排放的二氧化碳量。在航空运输能源强度方面, 继续依靠技术进步提升发动机燃油效率以及使用清洁能源两种方法降低航空碳排放量, 以实现航空碳减排。

虽然建立了精度较高的航空碳排放预测模型, 可有效根据航空运输总量、 航空运输强度、 航空能源强度等指标推算预计产生的航空碳排放量, 但对于航空运输总量、 航空运输强度和航空能源强度的预测仅使用ARIMA 模型进行推算, 不能较好地预测突发等事件在未来一段时间内对中国民航业的影响, 因此具有一定局限性, 后续将建立考虑公共卫生、 自然灾害等突发事件因子对航空碳排放量影响的航空碳排放预测模型, 以期能够更动态地实现航空碳排放峰值预测。