溫室氣體碳排放預測模型研究進展與分析

孟繁健 賀思思 郭家宏 郝優優 李麗芬 孟凡旭

摘 要：中國溫室氣體排放量在全球范圍內占較大比例，為碳排放大國，減排壓力巨大。為了更好地進行碳排放預測，估算中國碳減排潛力，文章對六種常用的碳排放預測模型從基本優缺點比較、基礎數據的可得性、設計參數的難易程度等角度進行了分析，并根據相關文獻與應用實例闡述了不同模型的碳排放預測應用差異和可行性。提出在碳排放預測的實際工作中，應當充分考慮本地區的產業經濟、能源消耗等特征，篩選出碳排放的主要驅動因素，并根據不同因素對碳排放影響的權重選擇適當的模型，以達到最好的擬合和預測效果的建議。

關鍵詞：溫室氣體 碳排放預測 模型 優化

中圖分類號：F205 ?文獻標識碼：A

文章編號：1004-4914（2015）11-216-04

引言

政府間氣候變化專門委員會（Intergovernmental Panel on Climate Change， IPCC）第4次評估報告認為，以氣溫升高為主要特征的全球氣候變化在很大程度上是由于人為活動導致的溫室氣體排放，尤其是化石能源使用引起的CO2的排放。2013年度《全球碳預算》報告指出，中國已成為化石燃料燃燒CO2排放量最大的國家，占全球總排量的27%，大于美國和歐盟排放總和，碳排放增長對全球增長量的貢獻達到71%？譹？訛。2014年發布的《中美氣候變化聯合聲明》中，中國承諾到2030年前停止增加CO2排放，即等于承諾2030年達到碳排放峰值點？譺？訛。因此，中國作為碳排放大國，在未來10—15年碳減排壓力巨大。實行嚴格的低碳政策、減少化石能源的使用并提高能源使用效率是減少CO2排放的主要途徑，而預測中國未來的碳排放量從而合理估算碳減排潛力則是制定減排目標的重要基礎。

本文結合目前國內外碳排放預測的相關研究，重點介紹了IPAT、Kaya、STIRPAT、LMDI、LEAP、Logistic六種模型，并通過對這些模型的對比分析，總結出各種模型的特點、側重領域和優化方向，對不同領域碳排放預測的模型選擇提供了幫助。

一、六種預測模型特點與應用特征

20世紀70年代，Ehrlich等首次提出IPAT模型，其目的是為了辨別人口數量、富裕度、技術等人文驅動力中何種驅動力對環境壓力的影響更為明顯。該方程在大量學者經過反復討論和驗證后確定下來，具有簡單實用的特點。20世紀末，在該方程的基礎上，Kaya在IPCC研討會上提出了Kaya恒等式，該恒等式是IPAT方程的一個具體應用，它通過構造鏈式乘積的形式分解出多個影響因素，將人類活動產生的CO2與人口數量、人均GDP、能耗強度等因子聯系起來。1994年，York，Dietz 等基于IPAT模型提出了隨機回歸影響模型STIRPAT模型，該模型是多變量的非線性模型，分別考慮了人口、財富、技術等因素各自單獨變動對環境的影響，被認為是定量分析人文因素對環境壓力影響的一種有效方法。上述三種模型在碳排放預測領域最為常見，它們在構建碳排放分解模型上各具特色，但仍存在一定的局限性，如IPAT模型參數分解時沒有同時考慮產業結構和能源結構的影響;Kaya模型僅能解釋一次能源消耗對碳排放的貢獻。

此外，國內外常用的碳排放預測模型還有LMDI模型，LEAP模型和Logistic模型，下文將具體介紹以上六種模型，并對其應用特征進行總結。

1.IPAT模型。1971年，Ehrlich與Holden？譻？訛提出用于評估環境壓力的IPAT模型。反映的是人口、經濟、能源與環境關系。

表達式：I=PAT

I為環境壓力，可替代為CO2排放總量;P為人口;A為人均GDP;T為技術，可替代為能源消耗強度。

該模型認為環境壓力受人口、GDP、技術三種驅動力共同作用，且與各驅動力間均成1：1等比例變化關系，即任何一個驅動力發生1%變化都會引起環境壓力相應發生1%的變化？譼？訛。在此基礎上，Waggoner等？譽？訛對其進行了改進，發展為ImPACT模型，m表示人為因素對I的影響，并且把IPAT等式中的技術T分解成單位GDP消費和單位消費產生的環境影響？譾？訛。這兩種形式都屬于IPAT模型，被認為是研究能源經濟和碳排放峰值的重要方法之一。

2.Kaya模型。

20世紀末，日本學者Kaya Yoichi ？譿？訛提出Kaya模型，他認為一個國家或地區的碳排放量受到人口數量、人均GDP、單位GDP 能源強度以及單位能耗碳排放量四個因素影響。

其最初表達形式如下：

GHG=GHG/TOE×TOE/GDP×GDP/POP×POP=f·e·g·p，

其中，GHG為溫室氣體的排放總量;TOE為一次能源的消耗總量;GDP為國內生產總值;POP為總人口數量;f （GHG/TOE）為能源碳強度;e（TOE/GDP）為單位GDP的能源強度;g（GDP/POP）為人均GDP？讀？訛。

Kaya模型可定量分析碳排放過程中各種影響因素的相對重要性及其動態變化，揭示了碳排放主要的內在驅動力。這種方法得到了國際社會的一致認可，被廣泛應用于各個國家和地區的碳排放量歷史波動變化的驅動因素分析？讁？訛。

3.STIRPAT模型。STIRPAT模型是1994年由York，Dietz等基于IPAT模型提出的隨機回歸影響模型，是多變量的非線性模型，考慮了人口、財富和技術因素各自不同變動對環境的單獨影響。

表達式：I=aPbAcTde，

其中，I為環境壓力，在具體應用中可直接替代為碳排放總量;P為人口數量;A為富裕度;T為技術;a為模型的系數;b為人口數量指數;c為富裕度指數;d為技術人文驅動力指數;e為模型的隨機誤差（包括時間誤差、區域誤差及因素分解誤差等）。

在實際應用中通常將STIRPAT模型轉變為其對數形式：

I=f+b1np+c1nA+d1nT+g

其中，f，g分別為a，e的對數值。

這一轉變過程同時引入了彈性系數的概念，較好地解決了模型的異方差性。此外，該模型還可進行擴展，被認為是定量分析人文因素對環境壓力影響的一種有效方法？輥？輮？訛。

4.LMDI模型。20世紀末，Ang等？輥？輯？訛在Divisia分解法基礎之上加以改進，消除了Divisia分解法的殘差項并解決了“0”值問題，形成LMDI模型，即對數平均迪氏分解法（Log Mean Divisia Index）。該模型是一種因素分解方法，其針對的是一段時間內的能源需求或碳排放。

碳排放中，借助LMDI模型對碳排放進行因素分解，則區域碳排放量可以表示為：

式中，C為區域碳排放量;n為產業部門的個數;Ci為i部門或產業碳排放量;Ei為i部門的能源使用量;GDPi為i部門的國內生產總值;GDP為國內生產總值;P為人口數量;Ii（Ei/GDPi）為能源利用效率，即單位GDP消費能源;Si（GDPi/GDP）為產業結構，即i部門產值占總產值的比例;A（GDP/P）為人均GDP？輥？輰？訛。

根據區域碳排放分解模型，時間為基期“0”到“t”期，利用“乘積分解”和“加和分解”可得：

式中，為碳排放變化量，為能源效率（強度）變化量，為產業結構變化量，為人口規模變化量，經濟增長變化量？輥？輱？訛。

LMDI模型將碳排放預測中碳排放的變化量分解為碳排放相關獨立自變量變化量的和，以測量各獨立自變量對碳排放變化量的貢獻程度，是分析碳排放影響因素的方法之一。

5.LEAP模型。

LEAP模型由瑞典斯德哥爾摩環境研究所及美國波士頓勞倫斯·伯克利國家實驗室所共同研發，是一個基于情景分析的能源環境經濟綜合模型？輥？輲？訛。該模型按照“資源”、“轉換”、“需求”的順序充分考慮了決定碳排放量的能源需求及供應平衡情況？輥？輳？訛。

能源需求和CO2排放的計算：

假設有m種能源和n個行業部門，各行業的能源需求由經濟活動水平和單位經濟活動水平下的能源強度決定，CO2排放由能源需求和碳排放系數決定，公式如下：

式中，為t時刻第i種能源消費總量;為t時刻第j部門綜合能耗;為CO2排放量;為第j部門在t時刻的活動水平，多以部門產值或產品產量表示;為t時刻j部門單位活動水平下的能源消費強度;為第j部門對第i種能源的碳排放系數？輥？輴？訛。

該模型根據已劃分的行業部門和不同部門的能源消耗量，在對政策、經濟、產業或技術的重大演變提出各種關鍵假設的基礎上，構想未來較長時期能源及其環境影響的各種可能方案，設計出不同發展情景下的能源消費模式，從而進行碳排放預測。

6.Logistic模型。

1920年由美國生物學家和人口統計學家Pearl和Reed共同提出？輥？輵？訛。由于現階段對碳排放的研究，主要是靜態計量或是引用《IPCC國家溫室氣體清單指南》中的全球標準？輥？輶？訛？輥？輷？訛，Logistic模型突破以往對于碳排放的靜態評估，可對碳排放進行動態預測？輦？輮？訛。

式中，x為碳排放增量;t表示年份;K為碳排放最大容量;a不定常數;r為增長系數？輦？輯？訛。

根據相關學者的研究，能夠較好描述形如“S”增長曲線的Logistic函數，數學計算較為簡單且經濟含義明顯。Logistic模型的精確度受K值影響較大，但只要將K值確定在一個比較合理的范圍內，它都可以給出一個較高的擬合度，而且預測的誤差不論短期或中長期均處于較低的范圍？輦？輰？訛。相比較而言，Logistic模型能夠預測的區域碳排放時間更為長遠且預測值更加準確。

二、六種模型在碳排放預測中應用可行性分析

從基礎數據可得性和模型應用領域兩個方面進行討論，對六種模型進行綜合比較，并以此得到應用可行性分析。

表1可知，IPAT模型的自變量為3個，計算過程簡單;Kaya模型的自變量為4個，其中將IPAT模型中的“技術”分解為單位GDP 能源強度和單位能耗碳排放量;STIRPAT模型的自變量為3個，其中的能源強度參數需簡單計算;LMDI模型的自變量為4個，計算過程繁瑣;LEAP模型的自變量為2個，結果受能源種類和參與部門個數影響;Logistic模型的自變量為2個，碳排放最大容量由地區環境條件和能源狀況決定，且計算過程繁瑣。

表2可知，IPAT模型和STIRPAT模型在碳排放領域的應用最為常見;Kaya模型可以對減排方案的制定提供幫助;LMDI模型對碳排放影響因素的分析更為細化;LEAP模型對碳排放量的預測多為能源領域;Logistic模型適合動態預測。

根據以上分析，六種模型均可用于碳排放的預測，但不同模型所需的基本數據不同且收集難易程度各異，所選衡量指標不同導致適用領域不同。因此，在碳排放預測的實際工作中，應當充分考慮本地區的產業經濟、能源消耗等特征，篩選出碳排放的主要驅動因素，并根據不同因素對碳排放影響的權重選擇適當的模型，以達到最好的擬合和預測效果。

三、碳排放預測模型優化

從原理、公式、擬合度等角度分析得到了各個模型的優點和不足，并據此對預測模型進行選擇優化。

1.模型優缺點對比。

表3可知，IPAT模型公式簡潔，但無法消除同比例變動的局限;Kaya模型對碳排放驅動因素解釋力強，但作用機制復雜，且只有與能源活動相關才有實際意義;STIRPAT模型消除了IPAT模型中的同比例變動的局限，但各變量間存在多重共線性;LMDI模型可觀察各個因變量對碳排放量的具體影響，但分解時主觀性大;LEAP模型具有良好的計算和情景分析功能，但不確定性較大;Logistic模型突破了以往的靜態評估，但計算K值時易受主觀影響。

2.模型優化。

（1）IPAT模型與LMDI模型的優化。IPAT模型存在對碳排放驅動因素分解不足的問題，導致難以確定每個因素對碳排放的影響。而LMDI模型主要應用于影響因素分析，適合作為輔助工具與其他碳排放預測模型進行組合。將IPAT模型與LMDI模型相結合，利用LMDI模型對IPAT模型中的碳排放影響因素進行進一步分解，選取影響較大的因素重新應用到IPAT模型中進行碳排放預測，可以大大減少因驅動因素選取或分解不當造成的誤差。如趙奧等？輧？輳？訛利用LMDI與IPAT結合模型對驅動因素進行優化后，增加了碳排放量預測的準確性。

（2）Kaya模型的優化。Kaya模型驅動因素背后的作用機制復雜，可采用灰色關聯分析法對其影響因素進行分析，以解釋不同因素與碳排放量之間的關聯度。如秦軍等？輦？輲？訛以江蘇省為例，利用灰色關聯分析法對各驅動因素與碳排放量之間的關聯度進行了分析，得到煤炭消耗量為影響該省碳排放量的最主要因素。

（3）STIRPAT模型的優化。STIRPAT模型中各變量間存在著多重共線性，為解決這一問題，需對其進行回歸分析。在不剔除自變量的前提下解決的方法主要有主成分回歸法、偏最小二乘法和零回歸法？輧？輵？訛。主成分分析法是對原始數據進行分析與篩選，提取對因變量解釋力最強的綜合變量;偏最小二乘法多用在處理多自變量間嚴重共線性的問題，該方法將影響碳排放的眾多因子簡化為少數不相關因素？輧？輶？訛;嶺回歸是一種偏估計法，能夠得到各參數和系數更顯著的結果。此外還可采用加權回歸法，該方法可以剔除相關性較小的自變量，并將空間效應和地區差異考慮在內，為實際應用中為驅動因素的篩選提供幫助。

（4）LEAP模型的優化。LEAP模型是一種“終端能源消費”模型，參數較少，但對動態碳排放量的預測存在不足。模型自身方面，可通過增加預測范圍的劃分維度并應用活動水平的預測方法增加預測精度，如將預測范圍分為系統層、狀態層、指示層等，或者增加活動水平的分級;在預測未來經濟活動的水平時，提供了內推法，增長率法，彈性系數法三種方法？輧？輷？訛。

在LEAP模型與其它模型及方法的結合使用方面，可以與GM（1，1）模型和情景分析法同時結合，將所預測的數據最終集合到LEAP模型中，形成LEAP-EV模型？輨？輮？訛，該模型在處理能源環境碳排放預測數據時的精度更高;與Logistic模型結合，構建基于LEAP模型的物流能源模型LEAP-Logistic？輨？輯？訛，通過選擇合適的函數，如線性函數、冪函數、增長曲線等，可以對變量進行曲線估計，計算各部門的能源強度和碳排放強度，完成對模型的參數設置，再通過LEAP模型模擬計算不同政策實施下的節能減排效果，達到對碳排放量的動態預測。

（5）Logistic模型擴展。為達到預定的減排目標，政府會實施一系列的減排政策。對Logistic模型拓展后，引入人為控制項，可實現對不同政策實施情形下碳排放量的預測。如邱世明等？輨？輰？訛的研究中用下列的擴展模型來表示不同人工干預情況下的CO2排放量，即：

式中，h為單位時間內CO2的減排量，與當前CO2量成正比;q為比例系數，表示人工干預強度，即CO2的減排強度？輨？輱？訛。該擴展模型通過改變q值而模擬不同政策下的減排力度，能夠起到對減排政策的評估作用。

四、結論

IPAT模型在碳排放預測領域應用較早，其公式簡潔，易被理解。但其存在對碳排放驅動因素分解不足等問題，在實際應用中，通常與LMDI模型組合使用，以減少因驅動因素選取或分解不當造成的誤差;Kaya恒等式對IPAT模型進行了改進，將其中的“技術”因子進行分解，對碳排放驅動因素解釋力增強。采用灰色關聯分析法進行因素篩選，可以解決其應用范圍僅限于能源活動相關領域的不足;STIRPAT模型在碳排放領域的應用較為常見，它消除了IPAT模型中的同比例變動的局限，但存在各變量間存在多重共線性的缺點，應用中常對其進行回歸分析以增加預測的準確性;LMDI模型細化了碳排放影響的各個因素，可觀察各個因變量對碳排放量的貢獻程度，但缺乏具體的分解標準導致主觀性較大;LEAP模型多用于能源領域的碳排放預測，具有良好的情景分析功能，可通過增加預測范圍的劃分維度等方法增加其預測精度;Logistic模型計算過程較為繁瑣，且受K值和地區狀況影響，主觀性較大。引入人為控制項后，可實現對不同政策實施情形下碳排放量的預測。

[基金項目：山西經濟社會發展重大研究課題：促進我國能源產業及山西煤炭產業可持續發展研究（編號：ZD201409）;山西省“十三五”規劃前期研究重大課題（山西省"十三五"強化污染防治與節能減排政策措施研究）資助（編號：2014024）;山西大學第十三期本科生科研訓練計劃資助項目（編號：2015013097）;2015年度山西大學大學生創新創業訓練計劃資助項目（編號：201510108005）。]

[第一作者簡介：孟繁健（1993—），男，山西孝義人，山西大學環境與資源學院碩士研究生，研究方向為資源生態與可持續發展。]

（責編：鄭釗）