打开文本图片集

摘要：交通运输业作为中国能源消费三大行业之一，其碳排放量制约着经济高质量发展。研究中国交通运输业的碳排放量水平及其影响因素，有利于交通运输业减排工作的开展，早日实现“双碳”目标。本文选取了影响交通运输业碳排放量的10个因素，以2002-2016年数据为训练样本，2017-2020年数据为检测样本，采用径向基函数（RBF）神经网络对交通运输业碳排放量进行预测，并与GM（1，1）模型预测结果进行综合对比分析。结果显示，RBF预测模型在检测样本中的平均相对误差为1.43%，预测精度为98.57%，表现均优于GM（1，1）模型。说明RBF神经网络模型是预测交通运输业碳排放量的一种有效方法。

关键词：交通运输业；碳排放量预测；径向基神经网络

一、引言

2021年3月，十三届全国人大四次会议通过的《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》[1]（以下简称《纲要》）正式发布，《纲要》明确指出到2035年要实现“广泛形成绿色生产生活方式，碳排放达峰后稳中有降……美丽中国建设目标基本实现“的生态目标。交通运输是国民经济中具有基础性、先导性、战略性的产业[2]，是我国经济体系中不可或缺的一部分。同时交通运输业也是能源消耗及碳排放三大行业之一[3]， 其碳排放量占到了我国碳排放总量的10.4%[4]。因此，进行交通运输业的碳排放量的预测及其影响因素的分析，对我国实现碳达峰、碳中和的”双碳“目标具有重大意义。

当前，对碳排放量进行预测的常用方法包括多元线性回归、时间序列法、BP神经网络等。任晓松[5]基于灰色理论建立灰色模型对中国工业领域2011-2020年碳排放量进行预测。张弛[6]通过LMDI分解分析法与情景分析法的结合，预测了2030年中国生产部门在不同力度减排措施下的碳排放量，为决策者制定政策提供了理论依据。胡振[7]基于入户调查家庭消费数据，采用BP神经网络对西部城市家庭消费碳排放量进行了预测，为碳排放预测提供了一种新思路。

综上，当前对碳排放量预测取得了一定成果，但采用传统方法进行预测会存在预测精度不高、预测模型考虑影响因素较少等问题。因此，本文采用Freitas和Rodrigues[8]所提出的一种RBF神经网络预测模型，对交通运输业碳排放这一复杂系统进行仿真和模拟，以期增加中国交通运输业碳排放方面的研究成果。

二、影响因素选取与研究方法

（一）影响因素选取

交通运输行业碳排放系统是非线性复杂系统。分析碳排放量影响因素，需要对人口、经济、技术等多种因素及这些因素之间的联系进行综合考量。结合交通运输行业碳排放影响因素领域的既定研究，并考虑数据的可获得性，对影响交通运输行业碳排放量的主要因素进行了选取。

1．人口因素。

（1）人口规模：交通运输是满足物品和人员流动的行业，人口规模越大，对物品流通和人们日常出行的需求就越大，对应的碳排量就会上升。人口规模变动必然会对交通运输行业碳排放量产生影响。

（2）城镇化率：人口城镇化与生活碳排放之间存在“倒N型”曲线关系，即人口城镇化率处于21.84%～75.19%时，生活碳排放规模会随人口城镇化的推进而不断增长[9]。交通运输是人们物质生产、生活的重要组成部分，人口城镇化必然与交通运输行业碳排放存在相应的“倒N型”关系。

2．经济因素。

（1）经济发展水平：经济发展水平的提升会不断增加人民对物质、旅行的需求，通过交通运输满足日益增长的需求时，必然伴随着能源消耗和碳排放量的增加。本文使用国内人均生产总值来反映我国的经济发展水平。

（2）能源价格：能源价格上升会减少居民在能源类消费品的消费，同时会在短期减少各行业的生产规模，在中长期各行业的生产方式会向资源集约型转变，最终使碳排放量下降[10]。本文采用以2002年为基期的燃料、动力购进价格指数对能源价格进行反映。

（3）产业结构：产业结构是影响碳排放强度的重要因素，产业结构决定碳排放的行业构成格局[11]。在相同增加值的条件下，一、二产业的运输周转量一般会大于第三产业，其碳排放量较第三产业也会更多。本文采用第三产业增加值占国民经济生产总值比重反映产业结构。

（4）社会消费品零售总额：交通运输业的发展与居民消费具有相互影响、相互促进的关系[12]，居民消费需求的增长会增加交通运输的需求，从而使交通运输行业的碳排放量增加。本文采用社会消费品零售总额反映居民消费需求。

3．技术因素。

（1）能源效率：能源效率是促进碳排放降低的关键因素[13]，在交通运输行业中更是最重要的抑碳因素[11]。能源效率可采用单位GDP产生所消耗的能源进行表示[14]，本文在借鉴前人研究的基础上，剔除价格因素的影响，采用交通运输业能源综合消费量与以1978年为基期的不变价交通运输业增加值的比值进行衡量。

（2）技术进步：交通运输在基础设施（轨道、道路、管道）建设与维护，运输装备制造与维护，运输过程与组织管理3个方面的技术进步能够实现节能减排[15]。由于行业技术进步水平难以量化，故本文采用服务于交通运输行业研究与开发机构研究与试验发展（R&D）经费内部支出对技术进步进行反映。

4．行业因素。

（1）能源结构：清洁能源（如电力、天然气等）较其他化石能源能在同等发热量的情况下产生更少的碳排放。交通运输业整体能源结构的改善、清洁能源的广泛使用，可直接引起碳排放量的下降进而提高碳排放效率[16]。本文采用交通运输业能源消费总量中的电力与天然气合计消费占比反映交通运输业能源消费结构。

（2）交通运输需求量：周转量指标包括了运输对象（旅客、货物）的数量和距离，可以全面的反映运输生产成果。为统一反映客货周转量，根据中国统计制度规定的客货换算系数（见表1）将旅客周转量换算为货物周转量。本文以换算后的客货总周转量反映交通运输行业的需求量。

（二）研究方法

1．灰色关联分析。

灰色关联度分析（GRA）是根据各因素变化曲线的相似程度，来判断因素之间关联程度，从而找出影响系统行为主要因素的方法[17]。其计算步骤为：

2．GM（1，1）预测模型简介。

灰色预测方法是基于灰色预测理论，通过鉴别系统因素之间发展趋势的相异程度，并对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况[5]。本文采用灰色GM（1，1）模型对交通运输行业碳排放量进行预测，其表达式为公式（5）：

其中，为交通运输业碳排放量系统中各因素的原始数据；为作一次累加所生成的新序列；为发展系数；为灰色作用量。

3．RBF神经网络。

RBF神经网络是一种性能优良的前馈型3层神经网络，可以看成是输入层数据空间到隐含层空间的一种非线性映射，以及隐含层空间到输出层的线性映射[18]。隐含层的激活函数采用径向基函数，通常定义为空间任一点到某一中心之间欧氏距离的单调函数[19]。最常用的径向基函数为高斯函数，其公式为：

使用RBF神经网络构建交通运输业碳排放量预测模型，其模型输出可表示为：

其中，为交通运输业第年的碳排放量；为隐含层到输出层的网络权值；为隐含层的节点数；为第个输入样本；为网络隐含层节点的中心；为高斯函数的方差。

（三）数据来源

鉴于中国各统计年鉴中没有直接的交通运输行业碳排放数据，故采用交通运输、仓储和邮政业能源消费量进行估算。其交通运输、仓储和邮政业能源消费量来源于《中国能源统计年鉴2003-2021》中煤炭、焦炭、原油、汽油、煤油、柴油、燃料油、天然气8种分行业能源消费量。由于统计年鉴中能源消费量均采用了实物消耗量进行统计，需要将其折算为标准煤再进行碳排放量估算，本文采用蒋金荷（2011）[20]提出的地区碳排放估算方法，具体计算公式如下：

其中，为第年的碳排放总量；表示第种能源在第年的消费量；为能源的折标准煤系数；为能源的碳排放系数。各类能源折标准煤系数与碳排放系数具体值见表2。

人口规模、城镇化率、国内人均生产总值、第三产业比重、交通运输业不变价增加值、交通运输业能源综合消费量和旅客、货物周转量均来源于《中国统计年鉴2003-2021》；R&D经费内部支出来源于《中国科技统计年鉴2003-2021》中“交通运输、仓储和邮政业”的统计数据；电力消费占比来源于《中国能源统计年鉴2003-2021》中“交通运输、仓储和邮政业”的统计数据。交通运输行业碳排放量与各影响因素历年数据如表3所示。

三、结果与分析

（一）数据预处理

因交通运输业碳排放量及其各影响因素之间的量纲存在差异，为避免量纲不同对分析结果产生影响，故对其表3中的数据采用极差标准化法进行去量纲化处理。去量纲公式如公式8所示：

其中，表示年时指标的原始值，和 分别为2002-2020年的最大值和最小值，为去量纲化后的数值。

（二）灰色关联度分析

对表3中的数据进行无量纲化处理后，将交通运输业碳排放量与10个影响因素进行灰色关联分析，分析结果如表4所示。结果显示，交通运输需求量与中国交通运输行业碳排放量的关联程度最高，为0.927；其次是人口规模、城镇化率、经济发展水平、社会消费品零售总额与能源效率，其关联度分别为0.885、0.855、0.776、0.705与0.696；而R&D经费内部支出、清洁能源比重、燃料（动力）购进价格指数、第三产业比重与中国交通运输行业碳排放量关联程度相对较低，分别为0.529、0.527、0.509与0.501。

（三）RBF神经网络预测

本文应用MATLAB2022a软件中的newrbe工具箱构建交通运输业碳排放量预测的RBF神经网络模型。选取我国交通运输业2002-2016年碳排放量以及影响因素作为网络训练样本，2017-2020年碳排放量及其影响因素作为模型检验样本。通过训练样本对RBF网络模型进行拟合，并采用拟合后的模型对2017-2020年碳排放量进行预测，预测结果和效果见表5、图1a所示。为验证RBF神经网络模型对交通运输业碳排放量仿真效果，本文另用碳排放量预测的常用方法GM（1，1）预测模型进行仿真，并与RBF神经网络模型仿真结果进行对比。GM（1，1）模型仿真结果如表5、图1b所示。

（四）综合对比分析

由表5可知，在检测样本中RBF神经网络的预测值与实际值的相对误差率在2018年略大于GM（1，1）模型，其他年份均远小于GM（1，1）模型的相对误差率，其四年平均相对误差率为1.43%。

由图1所示，除了2006、2018和2020年RBF神经网络模型预测值与实际值存在一定偏差外，其他年份基本一致，且RBF神经网络模型对2018年为交通运输业碳排放量拐点也做出了预测；而GM（1，1）模型在2006-2010年拟合情况较好，其他年份预测值与实际值均存在较大偏差。

对于两种方法的预测结果，采用残差平均值（MAE）、误差均方根（RMSE）和相对误差平均值（MAPE）进行评价，其表达式分别为：

其中，t为样本的总数量，Yj为碳排放量第年实际值，为碳排放量第年预测值。

两种方法的预测结果的精度评价如表6所示。可以看出，RBF神经网络模型用于交通运输业碳排放量预测的残差平均值、误差均方根和相对误差平均值分别为128.94、183.63和0.94%。GM（1，1）模型的残差平均值、误差均方根和相对误差平均值分别为914.00、1201.25和7.01，是RBF神经网络对应值的约7倍。由此，RBF神经网络在交通运输业碳排放预测的精度优于GM（1，1）模型。

四、结论

本文将RBF神经网络模型应用到碳排放量预测领域，以中国交通运输业碳排放量预测为实证，通过构建RBF神经网络模型以及碳排放量预测领域常用的GM（1，1）模型对中国交通运输行业碳排放量分别进行了仿真预测，并对两种模型的预测结果进行了对比分析，得出以下结论：

（1）将影响交通运输业碳排放量的10个因素与交通运输业碳排放量进行的关联度分析，结果表明换算后的客货总周转量、人口规模和城镇化率与交通运输业碳排放量的关联度最强，其关联度分别为0.927、0.855和0.825。

（2）在交通运输业碳排放量预测中，运用RBF神经网络模型所生成的仿真预测值相较于GM（1，1）模型更接近实际值，且预测结果的残差平均值、误差均方根、相对误差平均值也更小，并对2018年为中国交通运输业碳排放一个拐点年做出了准确的判断，说明RBF神经网络模型能够对复杂系统中的非线性关系进行精确解析，有助于针对交通运输业碳排放量控制提供更有价值的参考信息。

参考文献

[1]中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要[N/OL]. 人民日报， 2021-03-13： 001.

[2]国务院印发《“十四五”现代综合交通运输体系发展规划》[J]. 水道港口， 2022， 43（01）： 2.

[3]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/OL]. 北京大学学报（自然科学版）， 2021， 57（06）： 1133-1142.

[4]交通运输部原总工、交通运输部专家委员会主任  周伟. “双碳”目标下交通运输转型发展挑战与机遇[N/OL]. 中国交通报， 2021-09-23： 003.

[5]任晓松， 赵国浩. 中国工业碳排放及其影响因素灰色预测分析——基于STIRPAT模型[J/OL]. 北京交通大学学报（社会科学版）， 2014， 13（04）： 18-24.

[6]张弛. 能源消费强度的影响因素与碳排放预测研究[D/OL]. 合肥工业大学， 2019[2022-09-25].

[7]胡振， 龚薛， 刘华. 基于BP模型的西部城市家庭消费碳排放预测研究——以西安市为例[J/OL]. 干旱区资源与环境， 2020， 34（07）： 82-89.

[8]Freitas P S A， Rodrigues A J L. Model combination in neural-based forecasting[J/OL]. European Journal of Operational Research， 2006， 173（3）： 801-814.

[9]曹翔， 高瑀， 刘子琪. 农村人口城镇化对居民生活能源消费碳排放的影响分析[J]. 中国农村经济， 2021（10）： 64-83.

[10]武晓利. 能源价格、环保技术与生态环境质量——基于包含碳排放DSGE模型的分析[J/OL]. 软科学， 2017， 31（07）： 116-120.

[11]崔盼盼. 黄河流域能源消费碳减排成效评价及减排潜力研究[D/OL]. 南京师范大学， 2021[2022-09-30].

[12]丁超勋. 我国流通业发展和居民消费相互关系研究[J/OL]. 统计与决策， 2015（02）： 135-137.

[13]杨冕， 卢昕， 段宏波. 中国高耗能行业碳排放因素分解与达峰路径研究[J]. 系统工程理论与实践， 2018， 38（10）： 2501-2511.

[14]王永哲， 马立平. 吉林省能源消费碳排放相关影响因素分析及预测——基于灰色关联分析和GM（1，1）模型[J]. 生态经济， 2016， 32（11）： 65-70.

[15]赵建安， 钟帅， 沈镭. 中国主要耗能行业技术进步对节能减排的影响与展望[J]. 资源科学， 2017， 39（12）： 2211-2222.

[16]卢升荣. 长江经济带交通运输业全要素碳排放效率研究[D/OL]. 武汉理工大学， 2018[2022-10-02].

[17]湛社霞. 粤港澳大湾区常规大气污染物变化趋势与影响因素研究[D/OL]. 中国科学院大学（中国科学院广州地球化学研究所）， 2018[2022-09-14].

[18]李敏杰， 王健. 基于RBF神经网络的水产品冷链物流需求预测研究[J]. 中国农业资源与区划， 2020， 41（06）： 100-109.

[19]张晓瑞， 方创琳， 王振波， 等. 基于RBF神经网络的城市建成区面积预测研究——兼与BP神经网络和线性回归对比分析[J]. 长江流域资源与环境， 2013， 22（06）： 691-697.

[20]蒋金荷. 中国碳排放量测算及影响因素分析[J]. 资源科学， 2011， 33（04）： 597-604.