Processing math: 100%

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

“双碳”目标下交通运输业碳排放脱钩效应与峰值预测

陈涛,  李晓阳,  陈斌

downloadPDF
文章导航 > 交通运输工程学报  > 2024 >  24(4): 104-116
下一篇 上一篇
陈涛, 李晓阳, 陈斌. “双碳”目标下交通运输业碳排放脱钩效应与峰值预测[J]. 交通运输工程学报, 2024, 24(4): 104-116. doi: 10.19818/j.cnki.1671-1637.2024.04.008
引用本文: 陈涛, 李晓阳, 陈斌. “双碳”目标下交通运输业碳排放脱钩效应与峰值预测[J]. 交通运输工程学报, 2024, 24(4): 104-116. doi: 10.19818/j.cnki.1671-1637.2024.04.008
shu
CHEN Tao, LI Xiao-yang, CHEN Bin. Decoupling effect and peak prediction of carbon emission in transportation industry under dual-carbon target[J]. Journal of Traffic and Transportation Engineering, 2024, 24(4): 104-116. doi: 10.19818/j.cnki.1671-1637.2024.04.008
Citation: CHEN Tao, LI Xiao-yang, CHEN Bin. Decoupling effect and peak prediction of carbon emission in transportation industry under dual-carbon target[J]. Journal of Traffic and Transportation Engineering, 2024, 24(4): 104-116. doi: 10.19818/j.cnki.1671-1637.2024.04.008
shu

“双碳”目标下交通运输业碳排放脱钩效应与峰值预测

doi: 10.19818/j.cnki.1671-1637.2024.04.008
  • 1.

    长安大学 汽车学院，陕西 西安 710064

  • 2.

    四川省交通运输发展战略和规划科学研究院，四川 成都 610001

基金项目: 

国家自然科学基金项目 51978075

四川省交通运输科技项目 2021-ZL-02

详细信息
    作者简介:

    陈涛(1974-)，男，陕西铜川人，长安大学教授，工学博士，从事道路交通安全研究

  • 中图分类号: U491

Decoupling effect and peak prediction of carbon emission in transportation industry under dual-carbon target

  • 1.

    School of Automobile, Chang'an University, Xi'an 710064, Shaanxi, China

  • 2.

    Institute of Transportation Development Strategy and Planning of Sichuan Province, Chengdu 610001, Sichuan, China

Funds: 

National Natural Science Foundation of China 51978075

Transportation Science and Technology Project of Sichuan Province 2021-ZL-02

More Information
Article Text (Baidu Translation)

摘要

    摘要
  • 摘要: 为助力交通运输业实现碳达峰、碳中和的战略发展目标，从历史验证和未来预测2个角度分析了中国交通运输业的碳排放变动趋势和影响因素，利用对数平均迪氏分解(LMDI)模型分解了2000至2020年中国交通运输业CO2排放量变化的影响因素，结合Tapio脱钩模型分析了行业碳排放与经济发展的脱钩状态及脱钩的驱动因素；以影响因素分解结果作为情景分析法指标选择的依据，设定不同情景下的预测指标变动量，利用岭回归构建了STIRPAT预测模型。分析结果表明：研究期内CO2排放总量呈现逐年增长的趋势，2000至2020年间累计增加了约6.94亿吨，运输强度的降低是碳排放增加的主要抑制因素，累计效应约为-6.26亿吨；人均GDP的增长是碳排放增加的最主要促进因素，累计效应约为12.94亿吨；能源消耗仍然以化石燃料为主，能源结构并未得到显著优化；行业碳排放的脱钩指数处于稳定的下降阶段，脱钩状态有所改善，主要表现为扩张负脱钩、增长连接和弱脱钩3种状态，能源结构的优化是助力脱钩最有潜力的因素；未来中国交通运输业碳排放变化趋势呈现先快速增长，在峰值附近增速减缓，达到峰值后有短期的平台，最后转入下降阶段；基准情景、悲观情景和乐观情景下中国交通运输业CO2排放量峰值分别出现在2040、2045和2035年，峰值分别约为12.10亿吨、12.63亿吨和11.30亿吨。

     

    Abstract: To help the transportation industry achieve the strategic development goals of carbon peaking and carbon neutrality, the change trend and influencing factors of carbon emission in China's transportation industry were analyzed from two perspectives of historical verification and future prediction. The logarithmic mean Divisia index (LMDI) model was used to decompose the influencing factors of CO2 emission change in China's transportation industry from 2000 to 2020. The decoupling state of carbon emission and economic development in the industry and the driving factors of decoupling were analyzed by combining the Tapio decoupling model. The decomposition results of influencing factors were used as the basis for the selection of the indicators in the scenario analysis method, and the variations of prediction indicators under different scenarios were set. A prediction model of stochastic impacts by regression on population, affluence, and technology (STIRPAT) was constructed by using ridge regression. Analysis results show that the total CO2 emission exhibits an increasing trend year by year during the study period, with a cumulative increase of 694 million tons from 2000 to 2020. The decrease in transportation intensity is the main inhibiting factor for the increase in carbon emission, with a cumulative effect of -626 million tons. The growth of per capita GDP is the most important factor promoting the increase in carbon emission, and the cumulative effect is 1 294 million tons. The energy consumption is still dominated by fossil fuels, and the energy structure is not significantly optimized. The decoupling index of industrial carbon emission is in a stable decline stage, and the decoupling state improves, mainly manifesting in three states, such as the expansion negative decoupling, growth connection, and weak decoupling. The optimization of energy structure is the most potential factor to help the decoupling. In the future, the carbon emission in China's transportation industry will rapidly grow at first, slow down near the peak, reach a plateau for a short period after the peak, and finally decline. In the baseline, pessimistic, and optimistic scenarios, the peak CO2 emission in China's transportation industry will occur in 2040, 2045, and 2035, respectively, with peaks of about 1.210 billion, 1.263 billion, and 1.130 billion tons, respectively.

     

    • HTML全文

  • 0.   引言

    随着人类发展进程的推进，全球气候变化问题逐渐成为人类面对的最复杂挑战之一。根据英国石油公司公布的数据，2021年由能源消耗等产生的CO2排放量达390亿吨[1]，已影响到人类的生活和发展。交通运输业作为能源消耗最多的行业之一，是应对气候变化问题的重点行业[2]。2019年全球CO2排放量约为87.3亿吨，并且与交通运输有关的CO2排放量仍将保持增长趋势[3]。中国是人口众多的发展中国家，在工业化和城市化的进程中，交通运输业必将得到长足发展。2019年中国交通运输领域碳排放约占全社会碳排放总量的11%[4]，因此，对交通运输业碳排放的影响因素展开研究，辨识中国交通运输业经济发展与能源碳排放之间的脱钩状态，合理预测交通运输业碳排放的未来发展，对推动碳达峰的早日实现，实现低碳交通具有重要的现实意义。

    目前学术界对于交通运输业碳排放的相关研究主要分为两方面：基于历史碳排放的机理分析和对未来碳排放的预测。影响因素分解是对历史碳排放变化情况进行的深度剖析[5]，采用的方法主要有对数平均迪氏分解(Logarithmic Mean Divisia Index, LMDI)[6]、随机性环境影响评估(Stochastic Impacts by Regression on Population, Affluence, and Technology, STIRPAT)模型[7]和基于面板数据的计量经济模型[8]。Liu等[9]采用LMDI模型分解了2001至2018年交通运输业碳排放的影响因素，指出资本投入和技术水平分别是促进和抑制碳排放变化的关键因素；卢建锋等[10]认为中国交通运输业的重点在于调整运输结构、提高能耗效率和降低运输强度；杜强等[11]指出经济水平是中国交通运输碳业排放的主要驱动因素，并间接带动了能源强度和运输强度，共同促进了碳排放的增长；Sun等[12]采用STIRPAT模型量化了中国长三角地区不同影响因素对碳排放的贡献；王靖添等[13]通过Johansen协整分析和误差修正模型得出交通运输碳排放主要受经济发展水平、交通运输结构、运输装备能效水平等因素的影响。在影响因素分解的基础上，将因素分解模型与脱钩理论相结合评价当前减排政策有效性的方法受到关注。Tapio[14]在脱钩理论的基础上引入弹性系数，细分了脱钩状态，成为目前研究经济发展与碳排放脱钩关系的主要方法；Li等[15]指出中国交通运输业的碳排放总体呈现3种脱钩状态，能源效率的提高对碳排放的抑制作用逐渐增加，经济增长、私家车数量和货物周转量在促进碳排放方面起着非线性的作用；吕靖烨等[16]认为研发效率和能源强度是脱钩的主要推动力，人口规模和能源结构对脱钩过程的影响相对较弱；Pan等[17]基于巴黎气候协定的目标研究了中国交通运输脱碳；Zhu等[18]指出京津冀地区的交通运输业碳排放水平与经济发展并不同步，不同的影响因素对不同城市的碳排放影响存在差异。总结以上研究发现：在研究方法上，LMDI模型因其能在解决残差和零值问题的同时分解和量化影响因素，成为学者们在对碳排放的影响因素进行研究时偏好的方法[19]；脱钩分析可与碳排放的因素分解相结合，量化各因素对脱钩效应的贡献，而这二者的结合在交通运输业的应用相对较少。

    在对碳排放进行未来预测的研究中，情景分析法在某种假定趋势下对选择对象的未来发展进行预测，通过构建多种不同情景，增加了预测结果的全面性和可靠性，成为碳排放预测的主要方法。Wang等[20]在情景预测的综合方案中指出中国交通运输在2040至2045年CO2排放将达到11.29亿吨的峰值；黄志辉等[21]重点研究了中国道路交通碳排放，预计在“十五五”末达到12.2亿吨~13.9亿吨的峰值，后会经历2~3年的平台期；李晓易等[4]认为中国交通运输业的碳排放可分为2021至2030年持续增加阶段、2030至2035年平台期和2035至2050年的稳步下降阶段；袁志逸等[22]指出未来中国交通部门的碳排放将呈现近中期快速增长、远期缓慢增长的趋势。交通部门的电气化被认为是实现交通运输碳减排的重要措施[23-24]，但现有的基于情景分析法做出的碳排放预测中，情景指标的设定还是以国家层面的宏观指标为主，较少涉及能反映交通运输业发展特色的指标。

    综上所述，国内外学者对于交通运输业的现有研究成果丰富，但现有研究中将碳排放的影响因素分解与脱钩理论相结合，对减排效果评估的研究较少，且关于碳排放的历史验证与未来预测研究相对割裂，没有使用影响因素分解结果指导情景预测指标的选定。基于此，本文从历史验证方面估算了交通运输业碳排放，在影响因素分解的基础上，结合脱钩理论分析了脱钩指数变化的驱动因素，综合评价了现有减排策略；以影响因素分解结果作为情景分析指标选择的依据，参照国家相关发展规划设定了3种情景，通过经岭回归训练的可拓展的STRIPAT模型预测了中国交通运输业的碳排放发展。

    1.   碳排放影响因素分解

    1.1   碳排放量核算

    交通运输业碳排放量的核算方法包括2种：一种是自上而下的基于能源消耗计算碳排放量，数据容易获取；另一种是自下而上的以各类交通工具作为能耗主体计算碳排放量，数据难以获取且数据质量难以保证[25]。本文选择自上而下法测算中国交通运输业的碳排放量，即

    C1=m∑i=144EiLiviri12 (1)

    式中：C1为交通运输业消耗化石燃料所产生的CO2排放量；Ei为第i(i=1, 2, …, m，m为能源种类总数)种能源(包括原煤、焦炭、原油、汽油、煤油、柴油、燃料油、液化石油气和天然气)消耗量；Li为第i种能源平均低位发热值；vi为第i种能源单位热值含碳量；ri为第i种能源的碳氧化率。

    各能源碳排放量相关参数如表 1所示。

    表  1  各能源碳排放量相关参数
    Table  1.  Carbon emission related parameters of each energy source
    能源种类 平均低位发热值/(kJ·kg-1) 含碳量/(t·10-12J) 碳氧化率
    原煤 20 908 26.37 0.94
    焦炭 28 435 29.42 0.93
    原油 41 816 20.08 0.98
    汽油 43 070 18.90 0.98
    煤油 43 070 19.60 0.98
    柴油 42 652 20.20 0.98
    燃料油 41 816 21.10 0.98
    液化石油气 50 179 17.20 0.98
    天然气 38 931 15.32 0.99
    下载: 导出CSV 
    | 显示表格

    将交通运输业消耗电力产生的碳排放量考虑在内，电力产生的碳排放主要来自火电，交通运输业所消耗的电力碳排放量可估算为

    C2=44EeEfK12 (2)
    C=C1+C2 (3)

    式中：C2为交通运输业消耗电力所产生的CO2排放量；Ee为电力消耗；Ef为电力碳排放因子；K为火力发电占总发电量的比例；C为中国交通运输业产生的CO2排放总量。

    1.2   LMDI模型

    在基于LMDI模型对交通运输碳排放进行因素分解的现有研究中，主要考虑宏观因素(经济发展[26]、人口规模[27]、产业结构[28]等)和行业因素(交通运输能源消费结构[29]、运输强度[30]、运输结构[31]、货运周转量[32]等)，综合考虑模型的可构建性和权威数据的可获得性，本文将影响因素分解为能源排放强度、能源结构、单耗水平、运输强度、人均GDP和人口规模6个因素，分解模型为

    Ct=∑iCt,i=∑iCt,iEt,iEtTtGtPtEt,iEtTtGtPt (4)

    式中：Ct为t年的交通运输业碳排放量；Ct, i为t年消耗第i种能源的碳排放量；Et, i为t年第i种能源的消耗量；Et为t年的能源总消耗量；Tt为t年交通运输业总的运输周转量；Gt为t年的GDP；Pt为t年的人口规模。

    在计算能源结构因素时，本文选择将10种能源消耗量转换为标准煤进行统一计量，其中各能源的标准煤折算系数如表 2所示[33]。

    表  2  各能源的标准煤折算系数
    Table  2.  Standard coal conversion coefficients of each energy source
    能源种类 标准煤折算系数 能源种类 标准煤折算系数
    原煤 0.714 3 柴油 1.457 1
    焦炭 0.971 4 燃料油 1.428 6
    原油 1.428 6 液化石油气 1.714 3
    汽油 1.471 4 天然气 12.143 0
    煤油 1.471 4 电力 1.229 0
    下载: 导出CSV 
    | 显示表格

    在计算交通运输业总的运输周转量时，将运输方式按照公路运输、水路运输、铁路运输、民航运输和管道运输5种进行统计；国家统计局公布数据中周转量分为客运周转量和货运周转量，经客货运转换系数进行转换，统一为亿吨公里进行计量[34]，各运输方式的客货运转换系数如表 3所示，管道运输不涉及客运，因此，管道运输只统计货运量。

    表  3  各运输方式的客货运周转量转换系数
    Table  3.  Passenger and freight turnover conversion coefficients of each transportation mode
    运输方式 公路 水路 铁路 民航
    转换系数 0.100 0.330 1.000 0.072
    下载: 导出CSV 
    | 显示表格

    令CE, t, i=Ct, i/Et, i，为t年第i种能源的碳排放强度；ES, t, i=Et, i/Et，为t年第i种能源的消耗占比；ET, t=Et/Tt，为t年交通运输的单耗水平(单位周转量的能源消耗)；TG, t=Tt/Gt，为t年交通运输强度；GP, t=Gt/Pt，为t年的人均GDP，则

    Ct=∑iCE,t,iES,t,iET,tTG,tGP,tPt (5)

    交通运输业在t年的碳排放量变化可分解为能源排放强度效应ΔCt, CE、能源结构效应ΔCt, ES、单耗水平效应ΔCt, ET、运输强度效应ΔCt, TG、人均GDP效应ΔCt, GP和人口规模效应ΔCt, P，本文假定不同年份各能源的碳排放系数保持不变，所以ΔCt, CE=0，则有Ct相对于基年的交通运输业碳排放量C0的变化ΔCt的表达式为

    ΔCt=Ct−C0=ΔCt,ES+ΔCt,ET+ΔCt,TG+ΔCt,GP+ΔCt,P (6)
    {ΔCt,ES=∑iW(Ct,i,C0,i)ln(ES,t,iES,0,i)ΔCt,ET=∑iW(Ct,i,C0,i)ln(EtE0)ΔCt,TG=∑iW(Ct,i,C0,i)ln(TG,tTG,0)ΔCt,GP=∑iW(Ct,i,C0,i)ln(GP,tGP,0)ΔCt,P=∑iW(Ct,i,C0,i)ln(PtP0) (7)
    W(Ct,i,C0,i)=Ct,i−C0,iln(Ct,i)−ln(C0,i) (8)

    1.3   数据来源

    本文以2000至2020年中国交通运输业CO2排放量变化为基础，探索碳排放的影响因素及后续研究，各类能源消耗、客运周转量、货运周转量、历年GDP和人口数据均来自中国国家统计局的统计数据。各类能源的平均低位发热值、含碳量和碳氧化率来自《省级温室气体清单编制指南(试行)(2011年)》，电力排放因子来自于中国生态环境部的《中国电网基准线排放因子》。

    1.4   LMDI结果

    采用LMDI模型对2000至2020年中国交通运输业碳排放量变化进行分解，得到交通运输业能源结构、单耗水平、运输强度、人均GDP和人口规模对中国交通运输能源碳排放的贡献，相关结果如表 4和图 1所示。

    表  4  交通运输业各影响因素的贡献
    Table  4.  Contributions of each influencing factor in transportation industry 万吨
    年份 ΔCt, ES ΔCt, ET ΔCt, TG ΔCt, GP ΔCt, P ΔCt
    2001 140.71 -1 171.27 -770.29 2 505.24 186.48 890.87
    2002 -393.01 217.78 -959.00 2 434.74 180.63 1 481.13
    2003 1 022.94 2 245.13 -2 180.38 3 587.92 186.86 4 862.48
    2004 -699.98 -2 736.58 3 015.55 5 720.76 213.02 5 512.78
    2005 -1 179.05 -305.76 -354.67 5 773.41 242.39 4 176.33
    2006 75.10 -990.52 -2 600.20 6 897.47 237.99 3 619.84
    2007 458.64 -2 298.22 -3 811.56 9 845.92 251.22 4 446.00
    2008 -277.07 -2 238.93 -4 383.29 8 457.52 265.06 1 823.28
    2009 364.87 -3 581.49 459.87 4 489.03 263.69 1 995.98
    2010 437.61 -2 189.66 -1 229.12 9 531.72 280.50 6 831.04
    2011 901.26 -1 893.94 -3 523.62 10 610.32 399.89 6 493.91
    2012 -791.16 681.21 -1 088.58 6 519.53 530.39 5 851.40
    2013 215.79 7 398.49 -9 791.75 6 947.18 453.75 5 223.45
    2014 -367.53 -3 032.30 -435.23 6 084.93 542.78 2 792.64
    2015 -541.87 5 684.21 -6 851.96 5 322.47 415.76 4 028.61
    2016 868.48 -1 595.12 -3 062.91 6 486.55 574.65 3 271.65
    2017 1 180.41 -579.63 -4 830.83 9 535.53 516.32 5 821.81
    2018 1 640.37 -676.08 -6 117.83 9 379.74 369.40 4 595.61
    2019 1 210.02 1 689.20 -9 249.86 6 753.28 333.04 735.68
    2020 1 026.10 -3 939.74 -4 827.19 2 515.65 142.03 -5 083.17
    累计 5 292.63 -9 313.22 -62 592.85 129 398.91 6 585.84 69 371.31
    下载: 导出CSV 
    | 显示表格
    图  1  各影响因素的CO2排放贡献
    Figure  1.  Contributions of CO2 emissions of each influencing factor
    下载: 全尺寸图片 幻灯片

    整体来看，除2020年外各年间的碳排放变化量均为正值，表明中国交通运输业碳排放仍处于增长阶段。2020年货运量仍有所增长，但客运量大幅度减少，导致油品消耗减少，碳排放负增长。不同的影响因素对中国交通运输业能源碳排放量变动的影响效应存在明显差异，比较各影响因素在研究期间累计影响效应(累计效应的绝对值)，由大到小依次是人均GDP效应、运输强度效应、单耗水平效应、人口规模效应、能源结构效应。

    具体地看，在研究期间能源结构效应的贡献以正值为主，主要是因为中国交通运输业的能源消耗仍然以化石燃料为主，汽油和柴油消耗占能源消耗比例一直在波动中上升，能源结构并未得到显著优化；单耗水平效应和运输强度效应以负值为主，表明单耗水平的减少和运输强度的降低会抑制交通运输业碳排放量增加；人均GDP效应和人口规模效应均为正值，表明经济的增长和人口规模的扩大会促进交通运输业碳排放量的增加。

    2.   碳排放脱钩效应

    2.1   Tapio脱钩模型

    2002年，经济合作与发展组织在形容阻断经济增长与资源消耗或环境污染之间联系时提出脱钩理论[35]。Tapio脱钩模型将脱钩状态细分为8种，完善了评价体系。本文对中国交通运输业碳排放量和经济发展的脱钩状态按照Tapio模型计算[36]，脱钩弹性的表达式为

    εt=ΔCt/C0ΔGt/G0=G0ΔCtC0ΔGt=G0(Ct−C0)C0(Gt−G0) (9)

    式中：εt为t年碳排放与经济增长之间的脱钩弹性指数；ΔGt为t年与基年GDP差。

    依据Tapio脱钩模型计算的脱钩弹性指数可分为脱钩、连接和负脱钩3种类型和细分的8种脱钩状态，如表 5所示。

    表  5  脱钩状态划分
    Table  5.  Decoupling states classification
    脱钩分类 脱钩状态 ΔCt ΔGt εt 特征
    脱钩 强脱钩 ＜0 ＞0 ＜0 经济增长，碳排放量减少，最理想状态
    弱脱钩 ＞0 ＞0 [0.0, 0.8) 经济增速大于碳排放量增速
    衰退脱钩 ＜0 ＜0 >1.2 经济衰退速度小于碳排放量减少速度
    连接 增长连接 ＞0 ＞0 [0.8, 1.2] 经济增速与碳排放量增加速度相当
    衰退连接 ＜0 ＜0 [0.8, 1.2] 经济衰退与碳排放量减少速度相当
    负脱钩 扩张负脱钩 ＞0 ＞0 >1.2 经济增速小于碳排放量增速
    弱负脱钩 ＜0 ＜0 [0.0, 0.8) 经济衰退速度大于碳排放量减少速度
    强负脱钩 ＞0 ＜0 ＜0 经济衰退，碳排放量增加，最不理想状态
    下载: 导出CSV 
    | 显示表格

    为了确定中国交通运输业各影响因素对脱钩弹性的贡献，在LMDI的基础上，将脱钩弹性按照影响因素划分为5个变量，即

    εt=ΔCt/C0ΔGt/G0=G0(ΔCt,ES+ΔCt,ET+ΔCt,TG+ΔCt,GP+ΔCt,P)C0ΔGt=    G0ΔCt,ESC0ΔGt+G0ΔCt,ETC0ΔGt+G0ΔCt,TGC0ΔGt+G0ΔCt,GPC0ΔGt+G0ΔCt,PC0ΔGt=    ε1+ε2+ε3+ε4+ε5 (10)

    式中：ε1、ε2、ε3、ε4和ε5分别为能源结构、单耗水平、运输强度、人均GDP和人口规模对脱钩弹性的贡献。

    2.2   脱钩状态

    采用Tapio脱钩模型计算中国交通运输业能源碳排放量与经济发展之间的脱钩状态，获得研究区间逐年的脱钩弹性指数计算结果，如表 6所示：ε1在0左右徘徊，表明研究期间的能源结构变动并未对交通运输业能源碳排放与经济发展之间的脱钩做出突出贡献；ε2和ε3主要表现为负值，表明研究期间单耗水平的降低和运输强度的减弱促进了交通运输业能源碳排放和经济发展的脱钩；ε4和ε5主要表现为正值，表明研究期间人均GDP的提高和人口规模的增长抑制了交通运输业能源碳排放与经济发展之间的脱钩。

    表  6  交通运输业各影响因素对脱钩指数的贡献
    Table  6.  Contributions of each influencing factor in transportation industry to decoupling index
    年份 ε1 ε2 ε3 ε4 ε5 εt
    2001 0.051 -0.421 -0.277 0.900 0.067 0.320
    2002 -0.147 0.082 -0.359 0.912 0.068 0.555
    2003 0.276 0.605 -0.588 0.967 0.050 1.310
    2004 -0.117 -0.458 0.505 0.958 0.036 0.923
    2005 -0.191 -0.050 -0.058 0.937 0.039 0.678
    2006 0.010 -0.133 -0.350 0.929 0.032 0.487
    2007 0.042 -0.212 -0.352 0.909 0.023 0.410
    2008 -0.030 -0.239 -0.469 0.905 0.028 0.195
    2009 0.075 -0.734 0.094 0.920 0.054 0.409
    2010 0.043 -0.217 -0.122 0.946 0.028 0.678
    2011 0.079 -0.166 -0.309 0.930 0.035 0.569
    2012 -0.111 0.096 -0.153 0.917 0.075 0.823
    2013 0.029 0.985 -1.304 0.925 0.060 0.696
    2014 -0.054 -0.446 -0.064 0.896 0.080 0.411
    2015 -0.093 0.980 -1.182 0.918 0.072 0.695
    2016 0.120 -0.221 -0.424 0.899 0.080 0.453
    2017 0.115 -0.056 -0.469 0.927 0.050 0.566
    2018 0.164 -0.068 -0.611 0.937 0.037 0.459
    2019 0.165 0.231 -1.263 0.922 0.045 0.100
    2020 0.371 -1.425 -1.746 0.910 0.051 -1.838
    下载: 导出CSV 
    | 显示表格

    由表 6计算结果将2000至2020年中国交通运输业与经济发展之间的脱钩状态进行分类，如图 2所示。在研究区间内，2020年脱钩状态表现为强负脱钩的最不理想状态。整体来看，中国交通运输业能源碳排放与经济发展的脱钩状态主要有3种，即扩张负脱钩、增长连接和弱脱钩，其中脱钩状态以弱脱钩为主，表明2000年以来中国经济发展保持正向增速且速度快于交通运输业碳排放量的增长速度，特别是2010年以来，随着国家在节能减排、清洁能源方面的大力发展，中国经济进入新常态，由高速发展转变为高质量发展，脱钩指数处于较为稳定的下降阶段，脱钩状态有所改善，但交通运输业碳排放量在短期仍处于增长阶段，中国经济发展与交通运输业的碳排放尚未脱钩。

    图  2  碳排放与经济变化的脱钩与耦合结果
    Figure  2.  Decoupling and coupling results of carbon emission and economic change
    下载: 全尺寸图片 幻灯片

    3.   碳排放预测情景设置

    本文基于中国经济与交通运输业发展预定目标、碳排放相关文献进行分析，将发展情景设定为悲观情景、基准情景和乐观情景3种。基准情景是基于当前国家对于人口、经济发展、能源消费和交通运输业发展趋势的发展规划进行分析，以此划定基础情景中各情景指标的变动；悲观情景是指未来年份的发展并未达到国家规划的预定指标，相较于基准情景更晚实现交通运输业的碳达峰，其中抑制碳排放的情景指标发展较慢，促进碳排放的情景指标发展较快；乐观情景的设定以尽早实现交通运输业碳排放为目标，相较于基准情景更早实现交通运输业的碳达峰，其中抑制碳排放的情景指标发展较快，促进碳排放的情景指标发展较慢。中国交通运输业能源需求仍将保持增长，碳排放将呈现中期快速增长、远期缓慢增长的趋势[22, 37]，以此为总体发展趋势对各情景指标的变动进行界定。

    (1) 人口变化率CP：截至2021年末，中国统计总人口为14.126亿人，相较于2020年增加了0.34%。国务院《国家人口发展规划(2016—2030年)》中指出，“十四五”期间中国人口增长势能减弱，总人口在2030年前后达到峰值后持续下降，预期2030年达到14.5亿人左右。联合国《世界人口展望2022》预测中国2030年总人口约为14.17亿，2035年前在14亿人口波动，2035至2050年稳步下降，2050年约为13.17亿。综上所述，基准情景下的人口变动以《国家人口发展规划(2016—2030年)》为参考，悲观情景的人口变化以基准情景为参考上调0.03%，乐观情景的人口变动以《世界人口展望2022》为参考。

    (2) GDP变化率CG：2020年中国人均GDP为71 828元，《中共中央关于制定国民经济和社会发展第十四个五年规划和二○三五年远景目标的建议》中明确指出2035年实现经济总量或人均收入翻一番目标。刘伟等[38]也指出实现“两个一百年”奋斗目标需要实现2035年人均GDP较2020年翻一番，约为14.36万元，2050年人均GDP较2020年翻两番，约为28.72万元。世界银行《全球经济展望》中预测中国2022至2024年的GDP平均增长率约为4.8%。综上所述，基准情景的GDP变动设定以“两个一百年”奋斗目标实现为目的，以人均GDP预期目标为依据，悲观情景和乐观情景的GDP变化以基准情景为参考分别上下调动0.15%。

    (3) 城镇化变化率CU：截至2021年末，中国城镇化率为64.72%。国务院《国家人口发展规划(2016—2030年)》中指出常住人口城镇化率稳步提升，预期2030年中国常住人口城镇化率达70%；中国社会科学院发布的《人口与劳动绿皮书：中国人口与劳动问题报告No.22》中预测“十四五”期间中国城镇化推进速度不断放缓，2035年后进入相对稳定发展阶段，其中2025、2030、2035年城镇化率分别为67.99%、72.13%和75.27%，城镇化率峰值在75%~ 80%。综上所述，悲观情景的城镇化变动以《人口与劳动绿皮书：中国人口与劳动问题报告No.22》为依据进行设定，基准情景和乐观情景的城镇化变化以悲观情景为参考分别下调0.08%和0.13%。

    (4) 交通运输能源结构变化率CJ：以交通运输业消耗电力、天然气和生物燃油占总能源消耗比例表示，截至2020年末3种能源消耗占总能源消耗比例约为15.6%。交通运输部提出要加快发展新能源和清洁能源车船，加强交通电气化建设。刘建国等[39-40]认为中国交通加速“去油化”，铁路、公路交通普及电气化，航空、水运以电力、生物燃油为主时，3种能源消费占交通运输能源总消费的比例在2035年约为30%，在2050年超过70%，2060年交通电气化水平近80%。综上所述，以上述为参考设定乐观情景的能源结构变动，基准情景和悲观情景的能源结构变动以乐观情景为参考分别下调0.45%和0.80%。

    (5) 运输周转量变化率CS：截至2020年末，中国交通运输周转量约为21.11万亿吨公里。中国国际金融股份有限公司根据国际能源署和中国统计年鉴公布数据，指出从碳排放角度看，交通运输周转量是比货运量/客运量更有效的指标，并预计2060年中国交通运输周转量约为38.7万亿吨公里。刘建国等[39-40]在碳中和实现的前提下，预测中国交通运输周转量在2030、2040和2050年分别约为27.0万亿吨公里、28.5万亿吨公里、30.0万亿吨公里。综上所述，以上述为参考设定基准情景的运输周转量变动，悲观情景和乐观情景的运输周转量变动以基准情景为参考分别上下调动0.25%和0.30%。

    (6) 单耗水平变化率CR：单耗水平是指单位周转量的能源消耗，截至2020年末，中国交通运输的单耗水平约为每吨每公里19.57 g标准煤，CO2排放强度(单位周转量计算的CO2排放量)约为每吨每公里45.36 g CO2。国务院《“十四五”现代综合交通运输体系发展规划》指出中国2025年交通运输CO2排放强度相较于2020年累计下降5%。预期CO2排放强度每5年累计下降5%，且交通运输单耗水平与CO2排放强度变化趋势基本一致，预计2050年单耗水平较2020年约下降27%。综上所述，以上述为参考设定基准情景的单耗水平变动，悲观情景和乐观情景的单耗水平变动以基准情景为参考分别上下调动0.25%和0.35%。

    汇总各情景指标在不同情景及年份的增长率预测值，如表 7所示。

    表  7  2021至2050年情景参数平均变化率预测值
    Table  7.  Predicted average change rates of scenario parameters from 2021 to 2050 %
    情景设定 变量 2021至2025 2026至2030 2031至2035 2036至2040 2041至2045 2046至2050
    悲观情景 CP 0.34 0.25 -0.12 -0.22 -0.32 -0.45
    CG 4.75 4.50 4.40 4.37 4.35 4.33
    CU 1.23 1.20 0.98 0.68 0.48 0.38
    CJ 3.65 3.85 4.15 5.15 5.65 6.25
    CS 3.00 2.50 1.28 0.95 0.75 0.70
    CR -0.98 -0.96 -0.94 -0.93 -0.91 -0.90
    基准情景 CP 0.31 0.22 -0.15 -0.25 -0.35 -0.48
    CG 4.60 4.35 4.25 4.22 4.20 4.18
    CU 1.15 1.12 0.90 0.60 0.40 0.30
    CJ 4.00 4.20 4.50 5.50 6.00 6.60
    CS 2.75 2.25 1.03 0.70 0.50 0.45
    CR -1.03 -1.01 -0.99 -0.98 -0.96 -0.95
    乐观情景 CP 0.23 -0.13 -0.22 0.31 0.39 0.54
    CG 4.45 4.20 4.10 4.07 4.05 4.03
    CU 1.10 1.07 0.85 0.55 0.35 0.25
    CJ 4.45 4.65 4.95 5.95 6.45 7.05
    CS 2.40 1.90 0.68 0.35 0.15 0.10
    CR -1.09 -1.07 -1.05 -1.04 -1.02 -1.01
    下载: 导出CSV 
    | 显示表格

    4.   碳排放量预测

    4.1   碳排放预测模型

    STIRPAT模型是基于IPAT模型的扩展，可评估人口P、财富A、技术T对环境的影响[41]。为便于估计和假设检验，通常转换为对数形式，其方程为

    ln(I)=α+bln(P)+cln(A)+dln(T)+φ (11)

    式中：I为环境影响；α为模型的系数；b、c和d均为参数；φ为随机误差。

    本文在LMDI模型的基础上，选择人口、GDP、城镇化、交通运输能源结构、运输周转量、单耗水平构建预测模型，具体表达式为

    ln(C)=a+bln(P)+cln(G)+dln(U)+  eln(J)+fln(S)+gln(R) (12)

    式中：U为城镇化水平；J为交通运输能源结构，以交通运输业消耗电力、天然气和生物燃油占总能源消耗比例表示；G为GDP；S为运输周转量；R为单耗水平；a为常数项；e、f和g均为参数。

    根据建立的模型，首先进行线性回归分析，6个自变量的方差膨胀因子均大于10，表明自变量之间存在多重共线性问题，为获得稳定的回归系数，将P、G、U、J、S和R作为自变量，C为因变量进行岭回归分析，结果如表 8所示，其中***为1%显著水平。

    表  8  岭回归分析结果
    Table  8.  Results of ridge regression analysis
    偏倚参数为0.15 非标准化系数 标准化系数 t统计量 显著性水平 拟合优度 F统计量
    回归系数 标准误差
    常数 -4.661 0.651 -7.157 0.002*** 0.99 63.158 (0.001***)
    ln(P) 1.426 0.166 0.162 8.578 0.001***
    ln(G) 0.090 0.010 0.167 8.665 0.001***
    ln(U) 0.256 0.040 0.130 6.338 0.003***
    ln(J) 0.031 0.037 0.039 0.840 0.448
    ln(S) 0.443 0.079 0.312 5.638 0.005***
    ln(R) 0.531 0.159 0.192 3.330 0.029***
    下载: 导出CSV 
    | 显示表格

    由表 8可知，偏倚参数为0.15时，拟合优度为0.99，表示6个自变量可以解释碳排放99%的变化原因，模型公式为

    ln(C)=−4.661+1.426ln(P)+0.09ln(G)+  0.256ln(U)+0.031ln(J)+  0.443ln(S)+0.531ln(R) (13)

    将2010至2020年的各自变量数据代入模型公式，求取模型值与真实值进行比较，模型拟合的最大误差为3.000%，平均误差为0.011%，与真实值基本吻合，对比结果如图 3所示。

    图  3  2010至2020年交通运输业CO2排放真实值与模型值对比
    Figure  3.  Comparison between actual and model values of CO2 emissions in transportation industry from 2010 to 2020
    下载: 全尺寸图片 幻灯片

    4.2   碳排放预测结果

    为增加预测结果的全面性和可靠性，采用情景分析法预测中国交通运输业CO2排放量，共分为3种不同发展情景，预测结果如图 4和表 9所示。

    图  4  2021至2050年交通运输业CO2排放量预测变化
    Figure  4.  Predicted changes in CO2 emissions in transportation industry from 2021 to 2050
    下载: 全尺寸图片 幻灯片
    表  9  三种情景下交通运输业CO2排放量预测值
    Table  9.  Predicted CO2 emissions in transportation industry under three scenarios 亿吨
    年份 悲观情景 基准情景 乐观情景 年份 悲观情景 基准情景 乐观情景
    2021 10.093 0 10.080 5 10.063 4 2036 12.429 5 12.045 6 11.276 8
    2022 10.308 4 10.275 1 10.226 0 2037 12.469 7 12.060 1 11.253 8
    2023 10.528 5 10.473 5 10.391 2 2038 12.510 0 12.074 6 11.239 8
    2024 10.753 3 10.675 7 10.592 0 2039 12.550 5 12.089 1 11.221 3
    2025 10.982 8 10.881 9 10.729 8 2040 12.591 0 12.103 7 11.202 9
    2026 11.177 4 11.052 5 10.823 3 2041 12.599 2 12.087 0 11.157 9
    2027 11.375 5 11.225 8 10.917 7 2042 12.607 4 12.070 3 11.113 2
    2028 11.577 0 11.401 9 11.012 8 2043 12.615 5 12.053 6 11.068 6
    2029 11.782 1 11.580 7 11.018 8 2044 12.623 7 12.037 0 11.024 2
    2030 11.990 9 11.762 3 11.205 7 2045 12.631 9 12.020 4 10.980 0
    2031 12.069 6 11.815 5 11.223 5 2046 12.613 2 11.978 3 10.911 2
    2032 12.148 8 11.869 1 11.241 5 2047 12.594 6 11.936 3 10.842 7
    2033 12.228 5 11.922 8 11.259 4 2048 12.576 0 11.894 5 10.774 7
    2034 12.308 7 11.976 9 11.277 4 2049 12.557 5 11.852 9 10.707 2
    2035 12.389 5 12.031 1 11.295 4 2050 12.538 9 11.811 4 10.640 0
    下载: 导出CSV 
    | 显示表格

    在3种不同情景下，CO2排放量变化趋势基本一致，前期快速增长，接近峰值时增速减缓，达到峰值后有简短的平台期，最后转入下降阶段。基准情景下中国交通运输业的CO2排放量在2040年达到峰值，约为12.10亿吨；悲观情景下中国交通运输业的CO2排放量峰值出现在2045年，约为12.63亿吨；乐观情景下中国交通运输业的CO2排放量在2035年达到峰值，约为11.30亿吨。总体来看，交通运输业的达峰时间出现在2035至2045年，达峰时间要晚于中国预计实现总体达峰的时间2030年；峰值水平在11亿吨~13亿吨，是中国碳排放的主要行业之一，所以中国交通运输业实现峰值的时间和峰值水平对中国实现双碳目标有重要影响。

    5.   结语

    (1) 2000至2020年交通运输业碳排放累计增加了约6.94亿吨。其中运输强度的降低是主要的抑制因素，累计效应约为-6.26亿吨；人均GDP的增长是碳排放最主要的促进因素，累计效应约为12.94亿吨。研究期间能源结构变动的影响不大，原因是能源结构在研究期间并没有得到显著优化，将成为未来助力碳减排的最有潜力的因素。

    (2) 2000至2020年交通运输业能源碳排放量和经济发展之间的脱钩状态主要有3种：扩张负脱钩、增长连接和弱脱钩，并以弱脱钩为主。研究期间单耗水平的降低和运输强度的减弱促进了交通运输业能源碳排放和经济发展的脱钩；人均GDP的提高和人口规模的增长抑制了交通运输业能源碳排放与经济发展之间的脱钩。短期内交通运输业碳排放量仍然保持增长，经济发展与交通运输业的碳排放尚未实现脱钩。

    (3) 通过情景分析法和STRIPAT模型预测了中国交通运输业2021至2050年间的碳排放变化趋势。结果表明：交通运输业碳排放呈现前期快速增长，接近峰值时增速减缓，达到峰值后有简短的平台期，最后转入下降阶段的变化趋势。基准情景下中国交通运输业的CO2排放在2040年达到峰值，约为12.10亿吨；悲观情景和乐观情景下中国交通运输业的CO2排放量峰值分别出现在2045和2035年，峰值分别约为12.63亿吨和11.30亿吨。总体来看，中国交通运输业的碳达峰时间出现在2035至2045年间，晚于中国预计实现总体达峰的时间2030年，峰值水平在11亿吨~13亿吨。

    (4) 目前在基于能源消耗数据对交通运输业碳排放进行相关的研究中，采用的数据均是国家统计局关于交通运输、仓储和邮政行业整体的统计数据，由于中国还没有专用于交通运输能源消耗的官方统计数据，所以会对本文的研究内容产生一定影响，因此，关于交通运输业碳排放研究中的选用数据依据与核算范围应是未来要解决的问题。

  • 图  1  各影响因素的CO2排放贡献

    Figure  1.  Contributions of CO2 emissions of each influencing factor

    下载: 全尺寸图片 幻灯片

    图  2  碳排放与经济变化的脱钩与耦合结果

    Figure  2.  Decoupling and coupling results of carbon emission and economic change

    下载: 全尺寸图片 幻灯片

    图  3  2010至2020年交通运输业CO2排放真实值与模型值对比

    Figure  3.  Comparison between actual and model values of CO2 emissions in transportation industry from 2010 to 2020

    下载: 全尺寸图片 幻灯片

    图  4  2021至2050年交通运输业CO2排放量预测变化

    Figure  4.  Predicted changes in CO2 emissions in transportation industry from 2021 to 2050

    下载: 全尺寸图片 幻灯片

    表  1  各能源碳排放量相关参数

    Table  1.   Carbon emission related parameters of each energy source

    能源种类 平均低位发热值/(kJ·kg-1) 含碳量/(t·10-12J) 碳氧化率
    原煤 20 908 26.37 0.94
    焦炭 28 435 29.42 0.93
    原油 41 816 20.08 0.98
    汽油 43 070 18.90 0.98
    煤油 43 070 19.60 0.98
    柴油 42 652 20.20 0.98
    燃料油 41 816 21.10 0.98
    液化石油气 50 179 17.20 0.98
    天然气 38 931 15.32 0.99
    下载: 导出CSV

    表  2  各能源的标准煤折算系数

    Table  2.   Standard coal conversion coefficients of each energy source

    能源种类 标准煤折算系数 能源种类 标准煤折算系数
    原煤 0.714 3 柴油 1.457 1
    焦炭 0.971 4 燃料油 1.428 6
    原油 1.428 6 液化石油气 1.714 3
    汽油 1.471 4 天然气 12.143 0
    煤油 1.471 4 电力 1.229 0
    下载: 导出CSV

    表  3  各运输方式的客货运周转量转换系数

    Table  3.   Passenger and freight turnover conversion coefficients of each transportation mode

    运输方式 公路 水路 铁路 民航
    转换系数 0.100 0.330 1.000 0.072
    下载: 导出CSV

    表  4  交通运输业各影响因素的贡献

    Table  4.   Contributions of each influencing factor in transportation industry 万吨

    年份 ΔCt, ES ΔCt, ET ΔCt, TG ΔCt, GP ΔCt, P ΔCt
    2001 140.71 -1 171.27 -770.29 2 505.24 186.48 890.87
    2002 -393.01 217.78 -959.00 2 434.74 180.63 1 481.13
    2003 1 022.94 2 245.13 -2 180.38 3 587.92 186.86 4 862.48
    2004 -699.98 -2 736.58 3 015.55 5 720.76 213.02 5 512.78
    2005 -1 179.05 -305.76 -354.67 5 773.41 242.39 4 176.33
    2006 75.10 -990.52 -2 600.20 6 897.47 237.99 3 619.84
    2007 458.64 -2 298.22 -3 811.56 9 845.92 251.22 4 446.00
    2008 -277.07 -2 238.93 -4 383.29 8 457.52 265.06 1 823.28
    2009 364.87 -3 581.49 459.87 4 489.03 263.69 1 995.98
    2010 437.61 -2 189.66 -1 229.12 9 531.72 280.50 6 831.04
    2011 901.26 -1 893.94 -3 523.62 10 610.32 399.89 6 493.91
    2012 -791.16 681.21 -1 088.58 6 519.53 530.39 5 851.40
    2013 215.79 7 398.49 -9 791.75 6 947.18 453.75 5 223.45
    2014 -367.53 -3 032.30 -435.23 6 084.93 542.78 2 792.64
    2015 -541.87 5 684.21 -6 851.96 5 322.47 415.76 4 028.61
    2016 868.48 -1 595.12 -3 062.91 6 486.55 574.65 3 271.65
    2017 1 180.41 -579.63 -4 830.83 9 535.53 516.32 5 821.81
    2018 1 640.37 -676.08 -6 117.83 9 379.74 369.40 4 595.61
    2019 1 210.02 1 689.20 -9 249.86 6 753.28 333.04 735.68
    2020 1 026.10 -3 939.74 -4 827.19 2 515.65 142.03 -5 083.17
    累计 5 292.63 -9 313.22 -62 592.85 129 398.91 6 585.84 69 371.31
    下载: 导出CSV

    表  5  脱钩状态划分

    Table  5.   Decoupling states classification

    脱钩分类 脱钩状态 ΔCt ΔGt εt 特征
    脱钩 强脱钩 ＜0 ＞0 ＜0 经济增长，碳排放量减少，最理想状态
    弱脱钩 ＞0 ＞0 [0.0, 0.8) 经济增速大于碳排放量增速
    衰退脱钩 ＜0 ＜0 >1.2 经济衰退速度小于碳排放量减少速度
    连接 增长连接 ＞0 ＞0 [0.8, 1.2] 经济增速与碳排放量增加速度相当
    衰退连接 ＜0 ＜0 [0.8, 1.2] 经济衰退与碳排放量减少速度相当
    负脱钩 扩张负脱钩 ＞0 ＞0 >1.2 经济增速小于碳排放量增速
    弱负脱钩 ＜0 ＜0 [0.0, 0.8) 经济衰退速度大于碳排放量减少速度
    强负脱钩 ＞0 ＜0 ＜0 经济衰退，碳排放量增加，最不理想状态
    下载: 导出CSV

    表  6  交通运输业各影响因素对脱钩指数的贡献

    Table  6.   Contributions of each influencing factor in transportation industry to decoupling index

    年份 ε1 ε2 ε3 ε4 ε5 εt
    2001 0.051 -0.421 -0.277 0.900 0.067 0.320
    2002 -0.147 0.082 -0.359 0.912 0.068 0.555
    2003 0.276 0.605 -0.588 0.967 0.050 1.310
    2004 -0.117 -0.458 0.505 0.958 0.036 0.923
    2005 -0.191 -0.050 -0.058 0.937 0.039 0.678
    2006 0.010 -0.133 -0.350 0.929 0.032 0.487
    2007 0.042 -0.212 -0.352 0.909 0.023 0.410
    2008 -0.030 -0.239 -0.469 0.905 0.028 0.195
    2009 0.075 -0.734 0.094 0.920 0.054 0.409
    2010 0.043 -0.217 -0.122 0.946 0.028 0.678
    2011 0.079 -0.166 -0.309 0.930 0.035 0.569
    2012 -0.111 0.096 -0.153 0.917 0.075 0.823
    2013 0.029 0.985 -1.304 0.925 0.060 0.696
    2014 -0.054 -0.446 -0.064 0.896 0.080 0.411
    2015 -0.093 0.980 -1.182 0.918 0.072 0.695
    2016 0.120 -0.221 -0.424 0.899 0.080 0.453
    2017 0.115 -0.056 -0.469 0.927 0.050 0.566
    2018 0.164 -0.068 -0.611 0.937 0.037 0.459
    2019 0.165 0.231 -1.263 0.922 0.045 0.100
    2020 0.371 -1.425 -1.746 0.910 0.051 -1.838
    下载: 导出CSV

    表  7  2021至2050年情景参数平均变化率预测值

    Table  7.   Predicted average change rates of scenario parameters from 2021 to 2050 %

    情景设定 变量 2021至2025 2026至2030 2031至2035 2036至2040 2041至2045 2046至2050
    悲观情景 CP 0.34 0.25 -0.12 -0.22 -0.32 -0.45
    CG 4.75 4.50 4.40 4.37 4.35 4.33
    CU 1.23 1.20 0.98 0.68 0.48 0.38
    CJ 3.65 3.85 4.15 5.15 5.65 6.25
    CS 3.00 2.50 1.28 0.95 0.75 0.70
    CR -0.98 -0.96 -0.94 -0.93 -0.91 -0.90
    基准情景 CP 0.31 0.22 -0.15 -0.25 -0.35 -0.48
    CG 4.60 4.35 4.25 4.22 4.20 4.18
    CU 1.15 1.12 0.90 0.60 0.40 0.30
    CJ 4.00 4.20 4.50 5.50 6.00 6.60
    CS 2.75 2.25 1.03 0.70 0.50 0.45
    CR -1.03 -1.01 -0.99 -0.98 -0.96 -0.95
    乐观情景 CP 0.23 -0.13 -0.22 0.31 0.39 0.54
    CG 4.45 4.20 4.10 4.07 4.05 4.03
    CU 1.10 1.07 0.85 0.55 0.35 0.25
    CJ 4.45 4.65 4.95 5.95 6.45 7.05
    CS 2.40 1.90 0.68 0.35 0.15 0.10
    CR -1.09 -1.07 -1.05 -1.04 -1.02 -1.01
    下载: 导出CSV

    表  8  岭回归分析结果

    Table  8.   Results of ridge regression analysis

    偏倚参数为0.15 非标准化系数 标准化系数 t统计量 显著性水平 拟合优度 F统计量
    回归系数 标准误差
    常数 -4.661 0.651 -7.157 0.002*** 0.99 63.158 (0.001***)
    ln(P) 1.426 0.166 0.162 8.578 0.001***
    ln(G) 0.090 0.010 0.167 8.665 0.001***
    ln(U) 0.256 0.040 0.130 6.338 0.003***
    ln(J) 0.031 0.037 0.039 0.840 0.448
    ln(S) 0.443 0.079 0.312 5.638 0.005***
    ln(R) 0.531 0.159 0.192 3.330 0.029***
    下载: 导出CSV

    表  9  三种情景下交通运输业CO2排放量预测值

    Table  9.   Predicted CO2 emissions in transportation industry under three scenarios 亿吨

    年份 悲观情景 基准情景 乐观情景 年份 悲观情景 基准情景 乐观情景
    2021 10.093 0 10.080 5 10.063 4 2036 12.429 5 12.045 6 11.276 8
    2022 10.308 4 10.275 1 10.226 0 2037 12.469 7 12.060 1 11.253 8
    2023 10.528 5 10.473 5 10.391 2 2038 12.510 0 12.074 6 11.239 8
    2024 10.753 3 10.675 7 10.592 0 2039 12.550 5 12.089 1 11.221 3
    2025 10.982 8 10.881 9 10.729 8 2040 12.591 0 12.103 7 11.202 9
    2026 11.177 4 11.052 5 10.823 3 2041 12.599 2 12.087 0 11.157 9
    2027 11.375 5 11.225 8 10.917 7 2042 12.607 4 12.070 3 11.113 2
    2028 11.577 0 11.401 9 11.012 8 2043 12.615 5 12.053 6 11.068 6
    2029 11.782 1 11.580 7 11.018 8 2044 12.623 7 12.037 0 11.024 2
    2030 11.990 9 11.762 3 11.205 7 2045 12.631 9 12.020 4 10.980 0
    2031 12.069 6 11.815 5 11.223 5 2046 12.613 2 11.978 3 10.911 2
    2032 12.148 8 11.869 1 11.241 5 2047 12.594 6 11.936 3 10.842 7
    2033 12.228 5 11.922 8 11.259 4 2048 12.576 0 11.894 5 10.774 7
    2034 12.308 7 11.976 9 11.277 4 2049 12.557 5 11.852 9 10.707 2
    2035 12.389 5 12.031 1 11.295 4 2050 12.538 9 11.811 4 10.640 0
    下载: 导出CSV
    • 参考文献(41)
  • [1] BP Amoco. BP statistical review of world energy 2022|71st edition[R]. London: BP Amoco, 2022.
    [2] GUO Ming-yuan, CHEN Shao-li, ZHANG Jing, et al. Environment Kuznets curve in transport sector's carbon emission: evidence from China[J]. Journal of Cleaner Production, 2022, 371: 133504. doi: 10.1016/j.jclepro.2022.133504
    [3] IPCC. Climate change 2022 mitigation of climate change[R]. Geneva: IPCC, 2022.
    [4] 李晓易, 谭晓雨, 吴睿, 等. 交通运输领域碳达峰、碳中和路径研究[J]. 中国工程科学, 2021, 23(6): 15-21.

    LI Xiao-yi, TAN Xiao-yu, WU Rui, et al. Paths for carbon peak and carbon neutrality in transport sector in China[J]. Strategic Study of CAE, 2021, 23(6): 15-21. (in Chinese)
    [5] 李小冬, 朱辰. 我国建筑碳排放核算及影响因素研究综述[J]. 安全与环境学报, 2020, 20(1): 317-327.

    LI Xiao-dong, ZHU Chen. Summary of research on account of carbon emission in building industry and analysis of its influential factors[J]. Journal of Safety and Environment, 2020, 20(1): 317-327. (in Chinese)
    [6] 陈涛, 李晓阳, 陈斌. 中国碳排放影响因素分解及峰值预测研究[J]. 安全与环境学报, 2024, 24(1): 396-406.

    CHEN Tao, LI Xiao-yang, CHEN Bin. Decomposition of influencing factors and peak prediction of carbon emissions in China[J]. Journal of Safety and Environment, 2024, 24(1): 396-406. (in Chinese)
    [7] 刘吉毅, 黄福友, 陈斌. 交通运输业碳排放影响因素及减排策略研究[J]. 公路, 2023, 68(5): 252-259.

    LIU Ji-yi, HUANG Fu-you, CHEN Bin. Research on influencing factors and emission reduction strategies of carbon emission in transportation industry[J]. Highway, 2023, 68(5): 252-259. (in Chinese)
    [8] 王靖添, 马晓明. 低碳交通研究进展与启示[J]. 生态经济, 2021, 37(5): 57-64.

    WANG Jing-tian, MA Xiao-ming. Research progress of low-carbon transportation and its enlightenment[J]. Ecological Economy, 2021, 37(5): 57-64. (in Chinese)
    [9] LIU Man-zhi, ZHANG Xi-xi, ZHANG Meng-ya, et al. Influencing factors of carbon emissions in transportation industry based on C-D function and LMDI decomposition model: China as an example[J]. Environmental Impact Assessment Review, 2021, 90: 106623. doi: 10.1016/j.eiar.2021.106623
    [10] 卢建锋, 傅惠, 王小霞. 区域交通运输业碳排放效率影响因素研究[J]. 交通运输系统工程与信息, 2016, 16(2): 25-30.

    LU Jian-feng, FU Hui, WANG Xiao-xia. Research on the impact of regional transportation emissions efficiency factors[J]. Journal of Transportation Systems Engineering and Information Technology, 2016, 16(2): 25-30. (in Chinese)
    [11] 杜强, 孙强, 杨琦, 等. 中国交通运输业碳排放驱动因素的通径分析方法[J]. 交通运输工程学报, 2017, 17(2): 143-150. https://transport.chd.edu.cn/article/id/201702016

    DU Qiang, SUN Qiang, YANG Qi, et al. Path analysis method of driving factors of carbon emissions for Chinese transportation industry[J]. Journal of Traffic and Transportation Engineering, 2017, 17(2): 143-150. (in Chinese) https://transport.chd.edu.cn/article/id/201702016
    [12] SUN Hua-ping, HU Ling-xiang, GENG Yong, et al. Uncovering impact factors of carbon emissions from transportation sector: evidence from China's Yangtze River Delta Area[J]. Mitigation and Adaptation Strategies for Global Change, 2020, 25: 1423-1437. doi: 10.1007/s11027-020-09934-1
    [13] 王靖添, 马晓明. 中国交通运输碳排放影响因素研究——基于双层次计量模型分析[J]. 北京大学学报(自然科学版), 2021, 57(6): 1133-1142.

    WANG Jing-tian, MA Xiao-ming. Influencing factors of carbon emissions from transportation in China: empirical analysis based on two-level econometrics method[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2021, 57(6): 1133-1142. (in Chinese)
    [14] TAPIO P. Towards a theory of decoupling: degrees of decoupling in the EU and the case of road traffic in Finland between 1970 and 2001[J]. Transport Policy, 2005, 12(2): 137-151. doi: 10.1016/j.tranpol.2005.01.001
    [15] LI Rong-rong, LI Le-jia, WANG Qiang. The impact of energy efficiency on carbon emissions: evidence from the transportation sector in Chinese 30 provinces[J]. Sustainable Cities and Society, 2022, 82: 103880. doi: 10.1016/j.scs.2022.103880
    [16] 吕靖烨, 李珏. 中国各省份碳排放脱钩效应、驱动因素及预测研究[J]. 环境科学与技术, 2022, 45(2): 210-220.

    LYU Jing-ye, LI Jue. Research on the decoupling effect, driving factors and forecast of China's carbon emissions[J]. Environmental Science and Technology, 2022, 45(2): 210-220. (in Chinese)
    [17] PAN Xun-zhang, WANG Hai-lin, WANG Li-ning, et al. Decarbonization of China's transportation sector: in light of national mitigation toward the Paris Agreement goals[J]. Energy, 2018, 155: 853-864. doi: 10.1016/j.energy.2018.04.144
    [18] ZHU Xiao-ping, LI Rong-rong. An analysis of decoupling and influencing factors of carbon emissions from the transportation sector in the Beijing-Tianjin-Hebei Area, China[J]. Sustainability, 2017, 9: 722. doi: 10.3390/su9050722
    [19] 胡怀敏, 左薇, 徐士元. 长江经济带交通能源碳排放脱钩效应及驱动因素研究[J]. 长江流域资源与环境, 2022, 31(4): 862-877.

    HU Huai-min, ZUO Wei, XU Shi-yuan. Decoupling effect and driving factors of transportation energy carbon emission in Yangtze River Economic Belt[J]. Resources and Environment in the Yangtze Basin, 2022, 31(4): 862-877. (in Chinese)
    [20] WANG Hai-lin, OU Xun-min, ZHANG Xi-liang. Mode, technology, energy consumption, and resulting CO2 emissions in China's transport sector up to 2050[J]. Energy Policy, 2017, 109: 719-733. doi: 10.1016/j.enpol.2017.07.010
    [21] 黄志辉, 纪亮, 尹洁, 等. 中国道路交通二氧化碳排放达峰路径研究[J]. 环境科学研究, 2022, 35(2): 385-393.

    HUANG Zhi-hui, JI Liang, YIN Jie, et al. Peak pathway of China's road traffic carbon emissions[J]. Research of Environmental Sciences, 2022, 35(2): 385-393. (in Chinese)
    [22] 袁志逸, 李振宇, 康利平, 等. 中国交通部门低碳排放措施和路径研究综述[J]. 气候变化研究进展, 2021, 17(1): 27-35.

    YUAN Zhi-Yi, LI Zhen-yu, KANG Li-ping, et al. A review of low-carbon measurements and transition pathway of transport sector in China[J]. Climate Change Research, 2021, 17(1): 27-35. (in Chinese)
    [23] LIU Qiang, GU A-lun, TENG Fei, et al. Peaking China's CO2 emissions: trends to 2030 and mitigation potential[J]. Energies, 2017, 10(2): 209. doi: 10.3390/en10020209
    [24] BAUMGÄRTNER N, DEUTZ S, REINERT C, et al. Life-cycle assessment of sector-coupled national energy systems: environmental impacts of electricity, heat, and transportation in Germany till 2050[J]. Frontiers in Energy Research, 2021, 9: 621502. doi: 10.3389/fenrg.2021.621502
    [25] 李晓易, 吴睿. 交通运输温室气体核算边界和测算方法研究[J]. 气候变化研究进展, 2023, 19(1): 84-90.

    LI Xiao-Yi, WU Rui. Research on greenhouse gas emissions accounting boundaries and calculating method of the transport sector[J]. Climate Change Research, 2023, 19(1): 84-90. (in Chinese)
    [26] ZHU Chang-zheng, WANG Meng, YANG Ya-rong. Analysis of the influencing factors of regional carbon emissions in the Chinese transportation industry[J]. Energies, 2020, 13(5): 1100. doi: 10.3390/en13051100
    [27] 卢建锋, 韩霜, 康家华. 区域交通运输业碳排放变化的驱动因素分解分析[J]. 交通运输工程与信息学报, 2016, 14(2): 56-62.

    LU Jian-feng, HAN Shuang, KANG Jia-hua. Driving factor decomposition analysis of carbon emissions for regional transportation[J]. Journal of Transportation Engineering and Information, 2016, 14(2): 56-62. (in Chinese)
    [28] ZHU Chang-zheng, YANG Sha, LIU Peng-bo. Study on the factors influencing on the carbon emissions of Shaanxi Province's transportation industry in China[J]. Sustainability, 2022, 14(14): 8610. doi: 10.3390/su14148610
    [29] 卢升荣, 蒋惠园, 刘瑶. 交通运输业CO2排放区域差异及影响因素[J]. 交通运输系统工程与信息, 2017, 17(1): 32-39.

    LU Sheng-rong, JIANG Hui-yuan, LIU Yao. Regional disparities and influencing factors of CO2 emission in transportation industry[J]. Journal of Transportation Systems Engineering and Information Technology, 2017, 17(1): 32-39. (in Chinese)
    [30] JIANG Rui, WU Peng, WU Cheng-ke. Driving factors behind energy-related carbon emissions in the U.S. road transport sector: a decomposition analysis[J]. International Journal of Environmental Research and Public Health, 2022, 19: 2321. doi: 10.3390/ijerph19042321
    [31] LI Lin-na. Structure and influencing factors of CO2 emissions from transport sector in three major metropolitan regions of China: estimation and decomposition[J]. Transportation, 2019, 46: 1245-1269. doi: 10.1007/s11116-017-9827-6
    [32] 张宏钧, 王利宁, 陈文颖. 公路与铁路交通碳排放影响因素[J]. 清华大学学报(自然科学版), 2017, 57(4): 443-448.

    ZHANG Hong-jun, WANG Li-ning, CHEN Wen-ying. Decomposition analysis of CO2 emissions from road and rail transport systems[J]. Journal of Tsinghua University (Science and Technology), 2017, 57(4): 443-448. (in Chinese)
    [33] 杨绍华, 张宇泉, 耿涌. 基于LMDI的长江经济带交通碳排放变化分析[J]. 中国环境科学, 2022, 42(10): 4817-4826.

    YANG Shao-hua, ZHANG Yu-quan, GENG Yong. An LMDI-based investigation of the changes in carbon emissions of the transportation sector in the Yangtze River Economic Belt[J]. China Environmental Science, 2022, 42(10): 4817-4826. (in Chinese)
    [34] 喻洁, 达亚彬, 欧阳斌. 基于LMDI分解方法的中国交通运输行业碳排放变化分析[J]. 中国公路学报, 2015, 28(10): 112-119.

    YU Jie, DA Ya-bin, OUYANG Bin. Analysis of carbon emission changes in China's transportation industry based on LMDI decomposition method[J]. China Journal of Highway and Transport, 2015, 28(10): 112-119. (in Chinese)
    [35] YU Ya-dong, ZHOU Li, ZHOU Wen-ji, et al. Decoupling environmental pressure from economic growth on city level: the case study of Chongqing in China[J]. Ecological Indicators, 2017, 75: 27-35. doi: 10.1016/j.ecolind.2016.12.027
    [36] CHEN Wei-gong, YAN Sheng-hua. The decoupling relationship between CO2 emissions and economic growth in the Chinese mining industry under the context of carbon neutrality[J]. Journal of Cleaner Production, 2022, 379(1): 134692.
    [37] JIANG Ke-jun, HE Chen-min, ZHU Song-li, et al. Transport scenarios for China and the role of electric vehicles under global 2 ℃/1.5 ℃ targets[J]. Energy Economics, 2021, 103: 105172. doi: 10.1016/j.eneco.2021.105172
    [38] 刘伟, 陈彦斌. "两个一百年"奋斗目标之间的经济发展: 任务、挑战与应对方略[J]. 中国社会科学, 2021(3): 86-102.

    LIU Wei, CHEN Yan-bin. Economic development between the two centenary goals: tasks, challenges and strategies[J]. Social Sciences in China, 2021(3): 86-102. (in Chinese)
    [39] 刘建国, 朱跃中, 田智宇. "碳中和"目标下我国交通脱碳路径研究[J]. 中国能源, 2021, 43(5): 6-12.

    LIU Jian-guo, ZHU Yue-zhong, TIAN Zhi-yu. Research on path of Chinese transportation decarbonization under carbon neutralization goal[J]. Energy of China, 2021, 43(5): 6-12. (in Chinese)
    [40] 刘建国, 朱跃中, 戢时雨. 双碳目标下我国交通运输行业"去油化"的路径选择[J]. 中国经贸导刊, 2021(17): 38-40.

    LIU Jian-guo, ZHU Yue-zhong, JI Shi-yu. Path selection of "de-oiling" of Chinese transportation industry under double carbon goal[J]. China Economic and Trade Herald, 2021(17): 38-40. (in Chinese)
    [41] 潘崇超, 王博文, 侯孝旺, 等. 基于LMDI-STIRPAT模型的中国钢铁行业碳达峰路径研究[J]. 工程科学学报, 2023, 45(6): 1034-1044.

    PAN Chong-chao, WANG Bo-wen, HOU Xiao-wang, et al. Carbon peak path of the Chinese iron and steel industry based on the LMDI-STIRPAT model[J]. Chinese Journal of Engineering, 2023, 45(6): 1034-1044. (in Chinese)
    • 相关文章
    • 施引文献

  • 期刊类型引用(2)

    1. 徐长安. “双碳”目标下我国交通领域节能潜力及对策分析. 物流技术. 2025(01): 73-84 . 百度学术
    2. 周永沛，曹贤明，张亚东. 基于“双碳”视角下的城市公共交通运输业的发展分析. 商用汽车. 2024(04): 94-96 . 百度学术

    其他类型引用(0)

    • 资源附件(0)
  • 加载中
WeChat 点击查看大图
图(4) / 表(9)
计量
  • 文章访问数:  656
  • HTML全文浏览量:  217
  • PDF下载量:  58
  • 被引次数: 2
出版历程
  • 收稿日期:  2024-02-20
  • 刊出日期:  2024-08-28

目录

摘要
HTML全文

  • 0.   引言

  • 1.   碳排放影响因素分解

  • 1.1   碳排放量核算

  • 1.2   LMDI模型

  • 1.3   数据来源

  • 1.4   LMDI结果

  • 2.   碳排放脱钩效应

  • 2.1   Tapio脱钩模型

  • 2.2   脱钩状态

  • 3.   碳排放预测情景设置

  • 4.   碳排放量预测

  • 4.1   碳排放预测模型

  • 4.2   碳排放预测结果

  • 5.   结语

参考文献(41)
相关文章
施引文献
资源附件(0)

/

返回文章
返回

版权所有《交通运输工程学报》编辑部陕ICP备05001904号-1

地址：陕西省 西安市 南二环 路中段 长安大学《交通运输工程学报》编辑部（710064） 电话：029-82334388 Email：jygc@chd.edu.cn

访问总数:1798954今日访问:48

本系统由 北京仁和汇智信息技术有限公司 开发    百度统计