交通运输行业是中国第三大人为二氧化碳(CO₂)排放来源, 超过80%的CO₂排放来自道路机动车^[1—2]。尽管我国实施了一系列措施以降低碳排放, 包括控制机动车增长率、推广新能源汽车和提高燃油经济性等, 然而, 长期来看, 道路交通的碳排放仍受到多种因素的影响, 因此需要全面了解推动这些排放的驱动因素。这将有助于更好地揭示道路交通碳减排的路径^[3—4]。

关于交通碳排放问题的研究, 国内外学者给予了高度关注, 围绕碳排放驱动因素及实现“双碳”目标的可能性展开了广泛讨论^[5—6]。首先, 当前学者们在探讨交通碳排放驱动因素方面, 主要应用增量动力分析(Incremental Dynamic Analysis, IDA)模型^[3—4]、对数平均迪氏指数法(Logarithmic Mean Divisia Index, LMDI)^{[3, 7]}以及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)^[8]等方法, 对影响道路交通碳排放的因素(如经济发展水平、人口规模、能源强度、能源结构、交通量和交通行为等)进行分解, 以揭示其经济、社会和能源等多方面的相关性^[9]。然而, IDA方法在驱动因素选择上相对主观, 可能无法准确反映实际情况^[10]。其次, 在基于碳排放驱动因素分解的基础上, 部分学者进一步探究碳达峰趋势时, 采用了将驱动因素分解模型与预测模型相结合的方法^{[9, 11]}。例如, 一些研究利用长短期记忆神经网络模型, 基于驱动因素预测碳达峰的时间节点^[12]。此外, 还有研究将长期能源替代规划系统(Long Range Energy Alternatives Planning System, LEAP)与STIRPAT模型相结合, 应用于特定地区的数据分析, 以探索实现碳达峰的路径^[13]。尽管这些方法在预测碳达峰方面显示了良好潜力, 但现有研究往往未能充分考虑两个模型之间的相互作用和融合。再次, 目前关于道路交通碳排放的研究主要集中于汽车排放, 而摩托车的碳排放问题尚未得到充分关注。摩托车在我国机动车保有量中占约20%^[14], 然而, 当前摩托车的排放标准为2016年实施的国Ⅳ标准, 相较于汽车排放标准的更新频率, 显得相对滞后^[15]。最后, 在设置交通碳排放情景时, 研究者通常采用不同情景组合来预测碳排放的达峰情景, 但对情景组合的协同效应关注较少, 内在联系与相互作用的探讨也不够深入。

为应对上述挑战, 本研究将从以下几个方面进行改进: (1)在驱动因素分解方法的选择上, 广义对数迪氏分解法(Generalized Divisia Index Method, GDIM)能够全面分析中国道路交通碳排放的驱动因素, 并消除IDA模型带来的主观影响^[10], 从而打破不同影响因素在形式上的相互依赖性, 适用于道路交通碳排放驱动因素的分解。(2)结合驱动因素分解模型与碳排放预测模型, 首先通过GDIM模型揭示道路交通碳排放的主要驱动因素；其次, 基于不同经济发展条件构建道路交通减排情景, 包括高经济发展和中经济发展水平, 分别代表中国高速发展时期的延续及转型经济体系下的预计发展速度^[16]; 最后, 通过将驱动因素分解模型与LEAP预测模型相结合, 探讨在不同经济发展条件下道路交通碳排放达到峰值的情景。(3)针对道路交通碳排放模型, 考虑将乘用车、商用车和摩托车作为研究对象, 其中乘用车包括除出租车外的所有小型载客汽车, 而商用车则涵盖中、大型载客汽车、出租车及各类载货汽车^{[2, 17]}。(4)应用逐层递进的减排情景, 增加情景之间的内在关联性, 当某一情景未能在规定年份实现碳达峰时, 进一步叠加其他情景以探讨其达峰情况。

1 材料与方法 1.1 驱动因素分解模型

根据Vaninsky^[10]所提出的GDIM模型, 本研究将GDP(G)、道路交通碳排放强度(C/G)、道路交通能源消耗量(E)、单位能耗碳排放量(C/E)、人口总量(P)、道路交通人均碳排放(C/P)、人均GDP(G/P)和单位GDP能耗(E/G)作为道路交通碳排放(C)的驱动因素, 表达式见式(1)—(3):

(1)

(2)

(3)

对上述三个公式进行分解可得式(4)—(8):

(4)

(5)

(6)

(7)

(8)

式中, Z代表道路交通碳排放量, 10³t；X₁为国内生产总值, 10亿元；X₂表示道路交通碳排放强度, 10³t/10亿元；X₃表示道路交通能源消耗量, 10⁴t标准煤；X₄为单位能耗碳排放量, 10³t/10⁴t标准煤；X₅表示人口总量, 百万人；X₆为人均碳排放量, 10³t/百万人；X₇为人均GDP, 10亿元/百万人；X₈为单位GDP能耗, 10⁴t标准煤/10亿元。

其余计算过程如雅可比矩阵和变化量计算等已在本团队前期研究中详细罗列^[18]。

1.2 情景设置

本研究参考文献^[19—23]设置5种经济发展情况与不同气候变化的叠加情景。将基准年设置为2020年, 预测时间跨度为2021—2035年。其中, 经济发展趋势参考中国社会科学院的相关数据^[22], 情景设置相关数据见表 1。

1.3 LEAP模型 1.3.1 道路交通能源消耗以及碳排放量测算

(1) 能源消耗计算

道路机动车的能源消耗量的计算具体如式(9):

(9)

式中, EC_ij为i类机动车j类燃料的能源消耗量(标准煤), Mt；P_ij为j类燃料i类机动车的保有量, 辆；VKT_i为i类机动车的年平均行驶里程, km；FC_ij为j类燃料i类机动车的能源消耗量, L (kW · h)/km。

(2) CO₂排放计算

道路机动车CO₂排放量的计算具体如式(10):

(10)

式中, CE为道路交通机动车CO₂排放量, Mt；n为机动车类别；m为燃料类别；EC_ij为j类燃料i类机动车的能源消耗量(标准煤), Mt；EF_j为j类燃料的CO₂排放因子, kg/Mt。

1.3.2 机动车保有量预测

(1) 乘用车保有量

为使其预测数据精确度更高, 本文采用冈珀茨曲线(Gompertz)模型将GDP与人口和机动车保有量相结合^[19]。具体如式(11):

(11)

式中, V_p为乘用车保有量, 辆；g为人均GDP, 万元/人；K为乘用车保有率的饱和值, 辆/千人；a, b为模型回归参数, 其中0 < a < 1, 0 < b < 1;p为人口数量, 人。

(2) 商用车保有量

根据中国社会科学院预测我国人均GDP将长期保持在一个中低水平阶段, 在此阶段中, 商用车保有量与人均GDP近似线性相关^{[2, 17, 22]}, 其预测公式如式(12):

(12)

式中, V_c为商用车保有量, 辆；g为人均GDP, 万元/人；m为模型回归参数, 其中m>0。

(3) 摩托车保有量

根据公安部近5年的摩托车保有量数据可知摩托车保有量呈指数上升趋势, 采取指数平滑法进行预测, 具体公式如式(13):

(13)

式中, S_t为时间t的摩托车保有量, 辆；y_t为时间t的实际值；S_t-1为时间t-1的平滑值；a为平滑常数。

1.3.3 机动车保有量预测情况

为了确保预测结果具有可靠性和有效性, 将预测数据与实际数据和已有研究之间进行比对, 数据误差百分比小于8%, 符合误差精度。具体对比结果见表 2。

1.4 数据来源

交通碳排放数据来源于清华大学开发的基于云计算平台开发的中国多尺度排放清单模型数据库和相关文献^[27—29]。GDP、道路交通能源消耗与人口来源于《中国统计年鉴》。各车型的年平均行驶里程来自《道路机动车排放清单编制技术指南》^[30]及相关文件^[25]。各车型数据来源于《2022年交通运输行业发展统计公报》^[26]、《中国交通统计年鉴2001—2019》以及《中国统计年鉴2001—2019》。乘用车保有量预测Gompertz模型中GDP原始参数来自《中国交通统计年鉴》。不同车型不同燃料的能源消耗量来自文献^[24]与本团队前期研究^[23]。为了避免COVID-19对中国道路交通碳排放的影响, 预测时间段选用2001—2019年。

2 结果与分析 2.1 驱动因素分解结果

GDIM各因素与道路交通碳排放的皮尔森相关系数如图 1所示。分析结果表明, 碳排放与多个因素存在显著或极显著的相关关系。其中, 与C最高的是C/P和G, 分别达到了0.995和-0.702；与G的相关性最弱, 相关系数仅为0.059。从整体来看, 除了C/G之外, 其他所有因素均展示出一定的相关性, 说明GDIM模型在分析道路交通碳排放方面具有较强的适用性, 其设定的驱动因素是合理的。

为了降低研究中年度个例的影响, 我们将时间段设置为每五年为一个阶段, 分别对应中国的“十五”规划至“十三五”规划的实施年份。通过这一分析, 我们得到了道路交通碳排放及其驱动因素的变化趋势, 如图 2所示。结果表明, 尽管道路交通的碳排放量在每五年内均呈现上升趋势, 但其增速却逐年减缓, 平均年增长率约为5.26%。与此同时, 与碳排放变化趋势相同的驱动因素包括人均碳排放量, 而与之变化趋势相反的因素则包括GDP和人均GDP, 其余驱动因素的变化则呈现波动特征。

各驱动因素的碳排放贡献量和碳排放贡献率变化分别见图 3与图 4, 在所划分的4个阶段中, GDP、人均GDP、道路交通能源消耗量、道路交通人均碳排放量和人口数量对道路交通碳排放起到正向驱动作用；其余因素对道路交通碳排放起到负向驱动作用。

在道路交通碳排放的正向驱动因素中, GDP增长对道路交通碳排放总计贡献了369361.6×10³t, 贡献率高达65.91%。经济发展不仅促进了城市化进程, 还推动了汽车产业的蓬勃发展。然而, 伴随着城市化率及机动车保有量的快速增长, 碳排放也随之显著上升。人均GDP亦具有显著的碳排放贡献, 其总计贡献量为349069.3×10³t, 贡献率约为62.30%。由于我国当前人口基数庞大, 人口总量变化幅度相对较小, 因此人均GDP所引发的碳排放量与GDP增长量之间呈现出相应的比例增长关系。同时, 道路交通能源消耗的增长亦对碳排放产生了重要影响, 总计贡献了246616×10³t, 贡献率为44.01%。中国的道路交通正处于快速发展阶段, 其能源消耗量随着客运与货运周转量的显著增加而迅速上升。预计在未来几年及几十年内, 道路交通能源消耗将成为道路交通碳排放的主要驱动因素之一。此外, 道路交通人均碳排放量的增长也显著, 累计贡献了234352.1×10³t, 贡献率达到41.82%。在近年来我国政府长期倡导的节能减排方针的背景下, 公众愈发意识到气候变化和空气污染对环境的影响, 从而使得人均碳排放量的增速逐年减缓。最后, 人口数量因素在道路交通碳排放中的变化幅度最小, 其总计贡献为12505.95×10³t, 贡献率仅为2.23%。由于我国人口基数庞大, 且人口增长率相对较低, 因此人口总量的瞬时变化在交通碳排放中并未迅速显现。综上所述, 各种因素在道路交通碳排放中的作用各有不同, 显著的影响来源于经济增长、能源消耗及人均GDP的提升, 而人口数量对碳排放的影响相对有限。

在道路交通碳排放的负向驱动因素中, 道路交通碳排放强度的减排效果约为70779×10³t, 减排贡献率达到12.63%。这一成果得益于“十一五”规划的明确量化目标, 该规划承诺到2020年碳排放强度降低45%。其次, 单位GDP的能耗实现了70170.4×10³t的减排, 减排贡献率约为12.52%。尽管如此, 由于道路交通的能源消耗量、GDP和道路交通碳排放均呈现同步上升的趋势, 且其趋势相似, 这导致单位GDP能耗与交通碳排放之间的相关性较弱, 从而减排贡献率相对较低。最后, 单位能耗的碳排放量减排效果持续增加, 约为2304.32×10³t, 减排贡献率约为0.41%。这反映出中国能源利用效率逐渐提高, 能源结构得到优化, 同时, 道路交通行业也在不断推动产业结构和能源结构的调整与改善。

综上, 考虑到GDP和人均GDP是道路交通碳排放的两个主要来源, 本研究将其作为情景设置的基础, 应用于后续预测模型。同时, 为了降低模型误差, 贡献率与减排率最低的人口数量和单位GDP能耗被设置为不变。

2.2 LEAP模型预测结果

乘用车、商用车和摩托车的碳排放, 以及整体碳排放的预测值见图 5。在五种情景下中国道路交通的碳排放总量存在显著差异。其中, 在ELSC和SLSC情景下, 道路交通整体碳排放能够于2024年实现碳达峰。而在其他情景下, 虽然都存在一定的减排效果, 但无法实现碳达峰。

在考虑道路交通整体碳排放的情境下, 根据不同情景的分析, GLS情景无法实现碳达峰, 主要原因在于经济发展所带来的商用车保有量迅速增长, 导致碳排放增速过快。此时, 乘用车的碳减排量未能抵消商用车碳排放的增长。此外, 虽然ELS与GLS情景相同, 同样无法实现碳达峰, 但相较于GLS, ELS情景在碳减排效率上表现出约263.62Mt的优势, 降幅比率明显。在GLSC情景中, 道路交通整体碳排放在超过2026年的峰值1469.96Mt后, 虽在2026年至2033年期间呈现持续下降趋势, 但在2033至2035年期间却出现反弹。这一变化的原因在于该情景下乘用车碳排放下降速度较快, 一定时期内超过了商用车碳排放的增长速度, 从而在短期内实现了碳达峰。然而, 长期来看, 碳排放水平仍将继续上升。在ELSC情景中, 道路交通整体碳排放预计在2024年达到峰值, 峰值为1402.69Mt。而在SLSC情景中, 则预计在同一年达到峰值, 约为1399.90Mt, 表现出达峰后减速放缓的趋势。尽管达峰后降速放缓, 但要实现碳中和仍需较长时间的调整和努力。

针对商用车的不同情景分析表明, 在2030年前无法实现碳达峰, 并且预计在2035年其碳排放将达到最大值。相较于基准情景(GLS)强化情景中所实现的减排率分别为: ELS(13.46%)、GLSC(25.60%)、ELSC(2.76%)以及SLSC(44.16%)。在GLS情景下, 由于政策对商用车发展的管控不足, 商用车在整体道路交通碳排放中的比例预计将从2020年的48.03%上升至2035年的71.46%。而在ELS情景中, 由于商用车的行驶里程远高于乘用车, 控制其行驶里程将对碳排放产生显著影响, 从而实现13.46%的减排率。在GLSC情景下, 经济发展速度的控制对商用车保有量和排放量起到了关键作用, 其碳排放量因此大幅降低, 减排率达到25.60%。通过进一步降低商用车的行驶里程, ELSC情景下的减排效果更加显著, 达到了42.76%。在SLSC情景中, 尽管增设电动货车能够进一步降低商用车的碳排放, 但其效果较为有限, 与ELSC情景相比, 仅增加了1.4%的减排率。对于摩托车而言, 在GLS情景下, “摩改电”措施的减排效果并不显著, 未能在2030年前实现碳达峰, 预计其碳排放在2030-2035年间持续上升, 并在2035年达到最大值13.55万t。而在ELS情景中, 推广公共交通对摩托车的减排成效明显, 预计将使摩托车碳排放在2026年达到碳达峰, 峰值为12.35万t。在GLSC情景下, 受益于电力部门能源结构的优化, 摩托车的减排效果显著, 碳达峰时间提前至2024年, 峰值降至12.12万t。

不同情景下各车型的预测排放量如图 6所示。整体道路交通的排放预测呈现出明显的下降趋势, 并且散点分布逐渐集中, 显示出道路交通机动车的整体减排潜力巨大。乘用车的排放区间变化较小, 峰值几乎没有显著改变。然而, 随着电动汽车市场占有率的提高和燃油经济性的改善, 预计在2030年前, 乘用车碳排放将实现达峰。相比之下, 商用车的排放区间变化显著。此外, 在推行“摩改电”措施及优化电力部门能源结构后, 摩托车的碳排放量出现了明显下降。

3 讨论

在中国的道路交通领域, GDP和人均GDP是导致碳排放增加的主要驱动因素, 而道路交通的碳排放强度与单位GDP能耗则是降低碳排放的关键因素。尽管在实施限制经济发展速度、推动电动汽车普及以及提升燃油效率等政策后, 我国预计到2024年将实现道路交通碳排放达峰, 然而商用车的碳排放仍占据该领域的重要部分。研究表明, 商用车相比乘用车具有更大的减排潜力。然而, 已有研究指出, 在国Ⅵ标准实施过程中, 货车的二氧化碳排放量可能会出现上升趋势, 这将成为商用车在碳减排过程中面临的一项重大挑战^[31]。此外, 虽然摩托车的碳排放总量较小, 但其排放量却呈现逐年递增的趋势。摩托车在不同地区的保有量存在显著差异, 然而, 由于缺乏长期的区域性统计数据, 目前尚未能够制定出更为准确的摩托车碳排放清单。

4 结论及政策建议 4.1 结论

(1) 在中国道路交通碳排放领域, GDP和人均GDP显著地主导了碳排放量的增长。其中, GDP增长对道路交通碳排放总计贡献了369361.6×10³t, 贡献率达65.91%；人均GDP总计贡献了349069.3×10³t, 贡献率约为62.30%。

(2) 我国道路交通碳排放预计能够在2024年实现碳达峰, 峰值约为1400Mt。商用车保有量在经济发展过程中受到影响较大, 经济发展所带来的道路交通碳排放主要是因为商用车保有量的快速增长导致。因此, 商用车存在较大的碳减排潜力。

(3) 摩托车碳排放约为道路交通碳排放的5%—7%。其在基准年的碳排放为11.75Mt, 在不加以控制的情景下2035年将达到13.55Mt。在单独实施“摩改电”措施以后, 摩托车碳减排效果不显著, 需要结合其他政策同步实施才能实现碳达峰。

4.2 政策建议

(1) 针对GDP和人均GDP是导致道路交通碳排放增长的两个重要因素的研究结论, 未来需要加快推动形成绿色交通方式, 并推动经济发展的全面绿色转型。此外, 应当控制经济发展速度, 提升经济发展质量, 确保经济发展的科学性。

(2) 针对商用车存在较大碳减排潜力这一研究结论, 未来可通过实施商用车限号、限制商用车进入城市核心区或制定商用车出行策略等措施减少商用车碳排放。此外, 推动商用车制造企业提升车辆能效和推广电动商用车等技术创新措施, 有助于在道路交通减排方面发挥积极作用。

(3) 针对摩托车碳排放逐年增加的研究结论, 未来可通过加速在农村和乡镇地区推广摩托车电动化, 并且加速铺设电动摩托车充电设施, 以促进能源部门实现摩托车碳减排的转型。同时, 加快制定摩托车排放标准并鼓励能源技术升级, 也有助于实现摩托车碳达峰。