“双碳”目标下中国交通运输碳排放达峰预测

孙彦明 ，刘士显

（1.山东科技大学 交通学院，山东 青岛 266590；2.国家发展和改革委员会国际合作中心，北京 100038）

因温室气体排放而导致的气候变化问题已经成为全球关注的焦点。我国高度重视气候变化，于2021 年10 月27 日发表《中国应对气候变化的政策与行动》白皮书，介绍了中国应对气候变化的进展，分享了中国应对气候变化的实践和经验，助力《巴黎协定》行稳致远。其中，2030“碳达峰”和2060 年“碳中和”（简称“双碳”目标）是我国统筹国内国际两个大局作出的重大战略决策。交通运输是碳排放的重要领域之一，据国际道路联盟（IRF）预计，2050 年交通运输能耗量比2016 年将会增加21%～25%，因此交通运输领域降碳减排潜力巨大。“双碳”目标的提出，对于优化交通运输结构、推进绿色低碳交通运输体系建设、推动经济发展方式和生产生活方式绿色转型、加快高质量发展、促进生态文明建设具有重要战略意义，可以说是一场广泛而深刻的经济社会变革。

交通运输领域碳减排，意味着实现交通发展与碳排放“脱钩”。交通运输是能源消耗和直接碳排放的主要行业之一。从目前经济社会发展规律来看，交通运输发展与现代化进程和人民生活水平提高具有显著正相关性[1]。交通运输领域碳排放量最高的地区是发达经济体和部分新兴经济体，我国正处在快速工业化、城市化及机动化过程中，未来一个时期，交通运输领域的资源占用和二氧化碳排放量还呈现出逐渐增加的趋势，实现全面脱钩还具有很大挑战，加快实现由强度到总量的“双降”，进行碳排放计量分析与减排路径研究对于建设低碳经济体系具有重要的现实意义。

推进实现“双碳”目标是“十四五”期间交通运输领域的主旋律。与发达国家不同，中国实现“双碳”目标是指在保证经济、社会持续发展背景下的有效减排，助力“高增长”模式转向“高质量”发展模式。在交通运输领域，碳达峰的实现并非制约交通运输发展，而是要在规定时间内实现达峰且尽量保持低峰值。交通运输领域的“双碳”目标既是行业发展需着力解决的重要任务，也是行业发展面临的重大机遇，增强了行业推进减排工作的紧迫感和积极性[2]。交通运输碳排放量与交通运输发展规模、碳减排行动力度紧密相关，但降碳减排仍面临如下突出问题：（1）交通运输需求未来一段时期仍保持增长，运输结构调整受到一定制约；（2）交通能源结构调整还存在技术壁垒；（3）交通领域降碳减排涉及范围较广。

在“双碳”目标背景下，我国交通运输领域具有较大的降碳减排潜力[3]。本文通过研究“双碳”目标下中国交通运输碳排放达峰情况，探索交通运输绿色低碳转型发展之路，对丰富相关理论体系和政策研究成果、科学指导行业发展具有重要意义。由于受2020—2022 年新冠疫情影响，数据波动大，对预测模型准确度产生影响。因此，本文研究时间范围为2005—2019 年，从中国省际层面计算并分析交通运输碳排放量，预测未来交通领域碳排放发展趋势，明确地区差异化发展状况并提出减排路径。

1 文献回顾

面对日益严峻的全球气候环境变化形势，碳排放达峰路径、时间及未来气候模拟研究成为低碳经济学领域的研究热点之一，这些研究估算国家和地区二氧化碳排放量，为未来可持续发展策略提供了科学视角[4]。关于碳排放预测应用最为广泛的是对碳排放未来趋势进行情景预测。LIIMATAINEN 等[5]根据芬兰货运二氧化碳排放量7 个指标进行预测，创建了6 种情景，结果显示2030 年均减排26%以上。王靖添等[6]在预测中国交通运输需求量的基础上，设计基准情景、结构优化情景、技术进步情景和低碳情景，测算了中国交通运输碳减排潜力。LI 等[7]预测了在推广使用清洁燃料汽车和提高汽车燃油效率情景下，中国城市客运部门的二氧化碳排放量可能在2030 年达到峰值。胡茂峰等[8]应用情景分析法预测了湖北省交通运输碳排放峰值。韩楠等[9]设置6 种情景方案模拟预测了北京、天津和河北的碳达峰时间、峰值及减排潜力影响。

但情景预测具有内在主观性，许多学者也探索了其他预测方法。HICKMAN 等[10]对不同政策进行评估，采用回溯方法研究了英国交通部门到2030 年实现60%二氧化碳减排目标的可行方案。FAN 等[11]应用长期能源替代规划（LEAP）模型分析了2016—2030 年不同情景下的能源需求和主要温室气体（GHG）排放，分析结果表明，政府管控、公共交通和发展新能源汽车等具有显著的节能减排效果。宋学娟[12]在预测方法上，运用GM(1, 1)模型、灰色马尔可夫模型和偏最小二乘回归模型以及GM(1,N)模型对山东省交通二氧化碳的排放量做了预测，研究得出相对于其他模型，灰色马尔科夫模型的预测效果更好。杨琦等[13]选取交通运输业消耗的12 类能源测算1996—2010 年中国交通运输业碳排放，并对未来碳排放量进行预测，结果显示中国交通运输碳排放呈快速上升趋势，同时表现出面对较大减排压力，减排潜力巨大。XU 等[14]预测，根据现行政策，中国政府碳强度降低目标可以实现。本文综合情景预测适用范围广、分析问题全面的特点和ARIMA 预测模型不需要借助外生变量的优势，采用定性与定量相结合的研究方法，构建交通运输碳排放预测模型。

2 研究方法与数据来源

2.1 ARIMA模型

交通运输碳排放数据是非平稳序列，也称具有弱平稳性，其特点是有依赖性，即未来某时刻的值依赖它的过去信息。综合自回归移动平均（ARIMA）模型是一种时间序列预测方法，其基本原理是先利用d阶差分将非平稳时间序列平稳化，然后对平稳化后的时间序列，利用自回归过程AR(p)、移动平均过程MA(q)以及样本自相关系数（ACF）和偏相关系数（PCF）等对模型进行辨识，该模型常用于时间序列分析。

首先，对公式中涉及的基本变量进行说明，对于一个时间序列Xt，xt表示该时间序列中的第t个点，t=1, 2, …,N，N表示序列Xt的长度。其中标准差为σ。

均值为：

方差为：

自协方差（无偏）为：

自协方差（有偏）为：

其次，对时间序列Xt进行平稳性检验，通常利用ACF 函数和PACF 函数来判断类型，ACF 函数的计算公式如下。

相关系数ACF（无偏）为：

相关系数ACF（有偏）为：

对于偏相关系数PACF，其计算过程更为复杂，一般先做出如下假设：

式中：（j=1, 2, …,p）是线性相关系数，δi+1是噪声，即我们假设点xi+1与前p个点xi-p+1,xi-p+2, …,xi是线性相关的，而PACF 所表示的就是xi与xi-p的相关性。因此，序列的偏相关系数PACF 为：

此处省略的求解过程，一般通过编程即可确定。

若时间序列Xt未通过平稳性检验，需要对原始数据进行平稳化处理，通过差分转化为弱平稳序列。在实际应用中，通常d=1 或2，确定方法是d阶差分后数据通过平稳性检验。ARMA(p,q)模型的识别方法较多，但一般也会用自相关系数（ACF）和偏相关系数（PCF）来辨别。

如果时间序列Xt的d次差分Wt=(1-B)dX t是一个平稳的ARIMA 过程，则称Xt为自回归移动平均求和模型。若Wt服从ARIMA(p,q)模型，则称Xt是ARIMA(p,q)过程。ARIMA 包含了自回归、差分以及移动平均三个组成部分，p、d、q分别表示自回归阶数[即预测模型中采用的时序数据本身的滞后数（lags），也叫作AR/Auto-Regressive 项]、差分次数（即时序数据需要进行几阶差分化得到稳定数据，也叫Integrated 项）和移动平均的阶数（预测模型中采用的预测误差的滞后数，也叫作MA/Moving Average 项），可应用贝叶斯信息准则（BIC）计算BIC 值选择出p值和q值。

贝叶斯决策理论是贝叶斯准则的一部分，是指在不完全情报下，对部分未知的状态用主观概率进行估计，然后用贝叶斯公式对发生概率进行修正，最后再利用期望值和修正概率做出最优决策。公式为：

式中：k为模型参数个数，本文取k=5；L为似然函数，ln(N)k为惩罚项在维数过大且训练样本数据较少的情况下，可以有效避免出现维度灾难的现象。使得BIC 值达到最小的p值、q值即为最优ARIMA(p,d,q)模型的阶数。

对于已经通过平稳性检验的时间序列，可用平稳过程Wt来代替不平稳的Xt在ARIMA 模型中的位置，即：

用滞后算子表示，则有：

其中，εt是白噪声过程。

经过d阶差分变化后的ARIMA(p,q)称为模型，式（13）等价于式（14）：

最后，使用已经建立的ARIMA(p,d,q)对后续指标值的变化进行预测，得出最终预测结果。ARIMA 模型适合做短期预测[15]，本文提出一种自适应方法，利用Jupyter 软件对交通运输领域碳排放量进行预测。

2.2 数据准备

本文考虑数据的可统计性和准确性，故选择“自上而下”方法计算中国各省份交通运输碳排放量，并且本文的交通运输碳排放量估算范围主要包括由城市道路交通直接能源消耗，以及铁路、水运、航空、管道、多式联运运输代理能源消耗所产生的碳排放，数据来源于《中国能源统计年鉴》，未剔除仓储和邮政业的统计数据。根据《IPCC 国家温室气体清单指南》计算各种能源的碳排放量，计算公式如下：

式中：TCE表示区域交通运输碳排放量；i表示交通运输部门所需能源种类，参考《省级温室气体清单编制指南》，各种交通运输方式终端消耗量主要包括原煤、汽油、煤油、柴油、燃料油、液化石油气、天然气；Ei表示第i种能源的消耗量，ALHi表示第i种能源的平均低位发热量，AHCi表示第i种能源的单位热值含碳量，Ri表示第i种能源的碳氧化率，Ki表示第i种能源的碳排放因子，如表1 所示，其数据来源于《综合能耗计算通则》（GB/T 2589—2020）和《省级温室气体清单编制指南》（发改办气候〔2011〕1041 号）。

表1 能源碳排放因子统计描述

电力在我国铁路、公路、水路和航空运输中被广泛应用，如新能源电车和公交车。随着交通运输业发展，电力也被应用在船舶、飞机停靠时为其供能，改变自主燃烧煤气供电供暖情况。为了全方面反映交通运输领域碳排放量，将电力消耗纳入碳排放量测算范围，电力的碳排放系数参考《二氧化碳排放核算和报告要求 服务业》（DB11/T 1785—2020），因地区不同而出现差异，如表2 所示。

表2 中国区域电力碳排放系数

根据以上计算方法，中国30 个省份（不包括西藏及港澳台地区）的交通运输碳排放量数据见表3。从表3 中可以看出，近15 年来全国交通运输二氧化碳排放量整体呈现出上升趋势，从2005 年的387.429 百万吨增长到2019 年的916.999 百万吨，平均增长率为5.9%。各省份交通运输二氧化碳量均呈现出波动上升的趋势，以广东、山东和上海等为代表的省份交通运输碳排放量一直处于较高水平，但其年增长率均低于全国平均水平，山东增长率仅为3.2%；海南、宁夏和青海等省份交通运输碳排放量一直处于较低水平，但却迅速攀升，青海年增长率最高达12.8%，其动态变化趋势不容忽视；其他地区近15 年来碳排放也均出现成倍增长。

表3 2005—2019年中国30个省份交通运输碳排放量

在核算交通运输碳排放量的基础上，计算并分析碳排放强度的趋势变化及空间分布。在交通运输领域，碳强度是指单位GDP 的交通运输二氧化碳排放量，各省份GDP 数据来源于国家统计局。其汇总结果见图1、图2。图1 展示了2019 年各省份交通运输碳排放量和碳强度。30 个省份中，碳排放量最高的前5 位分别是广东、上海、山东、江苏和河南，最低的后5 位分别是宁夏、青海、海南、吉林和甘肃，但交通运输碳排放强度最高的前3位为新疆、辽宁和青海，最低的后3 位为江苏、浙江和安徽。结合交通运输碳排放量和强度分析，经济发展水平较高的地区交通运输碳排放量也比较高，经济发展水平低的地区其交通碳排放强度较高，欠发达区域和发达区域处于不同的发展阶段。

图1 2019年中国各省份交通运输碳排放量、碳排放强度

图2 2005年、2019年中国各省份交通运输碳排放强度统计

研究各省份交通运输碳排放特点，仅分析碳排放量的高低具有局限性，也需考虑区域工业化进程等因素对省域交通运输碳排放空间分布的影响，交通运输碳排放强度是反映低碳交通发展水平的重要综合性指标之一[16]。计算结果显示，2005—2019 年，中国交通运输碳排放强度均值从0.23 吨/万元持续下降至0.11 吨/万元。如图2 所示，宁夏、内蒙古、云南等省份的交通运输碳排放强度在2005 年处于较高水平，在研究期内下降幅度均在0.2 吨/万元以上，对中国总体交通运输碳排放强度的贡献较大。江苏、浙江、安徽等省份的交通运输碳排放强度在研究基期已低于全国平均水平，在研究期内长期处于较低水平，下降幅度大约为0.05 吨/万元。

3 实证分析

3.1 情景设定

交通运输领域碳排放需求与经济发展规模和技术进步水平等正向相关，但到达一定水平，碳排放则趋于平稳并不断下降[17]。情景预测法以中国近年来不同影响因素的交通运输领域能源消耗为依据，确定基准情景、“双碳”目标情景两种预测情景。本文并未设置高碳情景，在目前中国的减排压力及国家的减排力度背景下，高碳情景不可能出现，并对每个情景下交通运输领域所涉及的各个能源消耗数据增长率进行设定，并基于公式（14）计算，预测中国交通运输领域碳排放量和强度的未来发展趋势。

基准情景指无论是决策对象还是决策驱动要素均延续历史状态发展，得到的情景状态是所有情景设定的基准；“双碳”目标情景指从前推式和回溯式情景角度，为实现碳达峰、碳中和目标，基于交通运输领域空间集聚差异性和我国“双碳”目标行动，设定具有区域特征的能源消耗增长率，分析短期或长期关系和趋势变化。

在交通运输碳排放核算数据结果基础上，计算得出各省份2005—2010 年的平均增长率和2015—2020 年的平均增长率。计算结果表明，各省份2005—2010 年的平均增长率均高于2015—2020 年的平均增长率，均出现大幅的下降，北京下降幅度最大，碳排放增长率从16.3%下降至4%，部分省份2015—2020 年的平均增长率甚至为负数。近年来，国家和各省份交通领域碳减排行动已取得一定的成效，“双碳”战略目标又为各省份交通规划、运营和管理带来了更大的机遇和挑战。考虑到ARIMA 模型特点[18]，在“双碳”目标背景下，各省份均制定了行动方案，基于新冠肺炎疫情对交通出行的影响，碳排放量增长率均会有不同程度的下降，故采用折中的方案，本文设定“双碳”目标情景来源为近五年来各省份平均增长率均较基准情景下降50%，并且，ARIMA模型在短期预测中准确性更高，本文预测时间范围至2030 年。

3.2 结果分析

基于数据分析结果构建各省份的ARIMA 预测模型，应用Jupyter 编程。如图3 所示，在基准情景下，我国的交通运输领域能源消耗碳排放量在预测期内持续增加，年均增长率大约为2%，但其年增长率呈逐年下降趋势。而“双碳”目标情景下的交通运输领域能源消耗碳排放量变化趋势趋于稳定，2029—2030 年变化不大，但仍没有出现拐点，这表明在交通运输领域，我国低碳转型发展仍面临较大挑战。根据我国碳达峰战略发展部署，我国将于2030 年以前实现全国范围内碳排放量峰值。“双碳”目标情景下，在各省份个性化制定减排策略的基础上，2030 年全国交通运输碳排放量下降至1 031.177百万吨，较基准情景降低了15%。

图3 中国交通运输碳排放趋势

对每个省份的统计数据分别进行ARIMA 预测，统计结果显示在基准情景下，2030 年前达峰的省份有北京、山西、内蒙古、辽宁、吉林、黑龙江、上海、浙江、安徽、山东、海南、贵州、陕西、甘肃、宁夏、新疆16 个省份。而在“双碳”目标情景下，达峰省份增加至20 个，且峰值均有不同程度的降低。更进一步分析，在预测期内，基准情景下碳排放量呈下降趋势的省份有9 个，先增后降的省份有7 个，呈上升趋势的省份有14 个。

如图4 所示，“双碳”目标情景下碳排放量呈先增后降趋势的省份有8 个，分别为辽宁、上海、福建、江西、广西、四川、贵州和陕西。在政策干预下，中国各省份交通运输领域碳排放量控制政策策略初步发挥了作用，但是仍不容忽视。辽宁省研究制定了各市碳排放考核制度，开展低碳试点示范创建；上海市交通运输碳排放是碳排放占比最高的产业，上海市政府表示将从结构低碳、节能降碳、协同治污、生态建设等方面，全面提升交通行业碳排放及污染物排放协同控制水平；陕西省多单位联合发出“低碳环保绿色运输”倡议。

图4 交通运输碳排放量预测呈先增后降趋势变化统计图

如图5 所示，呈下降趋势的省份有12 个，分别为北京、山西、内蒙古、吉林、黑龙江、浙江、安徽、山东、海南、甘肃、宁夏和新疆。其中许多地区积极采取相关碳减排政策，如北京市积极推进绿色出行碳普惠行动；山西省大力发展清洁能源如太阳能、风能和水能等生产“绿电”，提高清洁能源利用率；北京和内蒙古启动跨区域碳排放权交易，有效减排大气污染物等。

图5 交通运输碳排放量预测呈下降趋势变化统计图

4 结论、行动及建议

4.1 结论

本文通过综合自回归移动平均模型为30 个省份构建考虑数据内生性的ARIMA 预测模型，并设置基准情景、“双碳”目标情景两个动态情景，以模拟中国未来的碳排放达峰路径及各省份碳排放量变化趋势。本文研究发现：

（1）在强有力的政策支持下，中国未来交通运输领域碳排放量增长可以得到有效控制，相比于基准情景，“双碳”目标情景下的碳排放量均有不同程度的降低。

（2）交通运输领域是中国2030 年碳达峰目标实现的关键终端领域之一，从全国范围来看，即便是在“双碳”目标政策干预情景下，交通运输领域碳排放量仍呈现出缓慢增加的趋势。

4.2 政策建议

鉴于对目前中国交通运输领域发展现状、问题及举措的总结分析，交通行业面临巨大的变革和挑战，建议在国家层面进一步优化交通运输领域“双碳”战略规划和政策体系，因地制宜、持续推进交通运输领域降碳减排计划。具体行动方向主要包括：强化政策导向，落实能源消费总量和强度“双控”目标[19]；制定区域差异化减排发展计划[20]；优先发展大运量的公共交通和轨道交通；推进交通绿色清洁能源变革，减少交通运输碳排放；通过技术进步[21]等手段提高交通领域能源利用效率[22]；在车联网、物联网技术发展背景下，建设具有各省份地域特色的交通网络结构[23]；加快绿色低碳发展方式转型，减少“内涵能源”消耗。

研究制定符合中国各省份不同发展背景下的交通运输降碳减排行动方案，有利于提升公共政策的科学性、可行性和适用性。基于本文相关结果分析，对于已经达峰或处于平台期的城市，应建立碳排放量控制（下降）行动方案；对于尚未达峰的城市，应明确达峰目标（峰值和达峰年），建立碳排放达峰行动促进方案，并尽量提前达峰；对于传统工业转型期城市、低碳潜力型城市以及资源型城市，应根据情况，区别对待，因势利导，尽快确立碳达峰行动方案，尽早实现“双碳”目标。