2025, Vol. 46
2. 云南省交通规划设计研究院股份有限公司，昆明 650220;
3. 中铁五局第一工程有限责任公司，长沙 410000
2. Broadvision Engineering Consultants Co., Ltd., Kunming 650220, China;
3. Railway No.5 Bureau Group First Engineering Co., Ltd., Changsha 410000, China
以二氧化碳（CO2）为主的温室气体过量排放导致的全球气候变暖, 正严重威胁着人类的生存和可持续发展, 是21世纪人类面临的最大挑战之一.为了应对全球气候变化, 促进世界可持续发展, 习近平总书记提出中国“力争于2030年前实现碳达峰、努力争取2060年前实现碳中和”[1].目前, 中国生态文明建设进入了以降碳为重点战略方向, 生态环境质量改由量变到质变的关键时期, 碳达峰、碳中和是深入推进生态文明建设的必然选择, 为此我国正全力推进各产业全面绿色转型和能源结构优化.然而, 随着中国交通运输业的快速发展, 交通已成为我国CO2排放的主要驱动力, 根据国际能源署（IEA）统计数据显示, 2021年中国碳排放量达到106.5亿t, 占全球碳排放总量的29.3%, 其中交通运输业碳排放量占中国碳排放总量的9.1%, 达到9.7亿t, 成为中国碳排放量增长最快的行业之一[2].交通运输业作为我国第二大排放源, 其日益增长的碳排放不仅加剧环境污染, 还导致我国生态文明建设和低碳转型进程受阻.因此, 在“双碳”目标的背景下, 为实现我国交通运输业全面绿色低碳发展, 需要深入研究交通碳排放的影响因素和发展趋势, 并建立精准的预测模型, 进而规划科学可行的减排路径, 这对实现我国承诺的2030年碳峰值目标具有重要的现实意义.
近年来, 国内外学者从碳排放测算、影响因素分析、预测以及碳达峰路径规划等方面进行了积极探索[3~10].在碳排放预测方面[11~17], 如Kazancoglu等[11]利用灰色预测模型对2017~2025年期间欧洲国家一般道路运输中不同类型车辆的温室气体排放量进行预测.根据预测结果, 提出了一系列减排和促进可持续发展的政策建议, 为解决道路运输温室气体排放问题提供了科学依据.Gao等[13]通过建立上海经济-能源-碳排放系统动态模型, 对上海市的CO2排放进行动态研究, 并结合情景分析法规划了上海市碳达峰和碳中和目标的实施路径.胡茂峰等[14]利用岭回归预测模型, 并基于情景分析法设计了18种情景方案, 对不同情景下湖北省2020~2035年交通碳排放峰值进行了预测, 发现在绿色低碳情景下湖北省交通碳排放于2030年达到峰值6 330.2万t.随着研究的深入, 学者们逐渐将机器学习方法应用到交通运输碳排放预测中, 并取得了理想的结果[18~23].如陈亮等[18]采用支持向量机构建预测模型对中国交通碳排放量进行预测研究, 并以北京市为例验证了预测模型的有效性.刘慧甜等[23]采用多种机器学习算法构建了不同的预测模型, 结果表明机器方法构建的预测模型相较于传统统计学方法, 机器学习方法具有更高的精度和可靠性.尽管机器学习在交通碳排放预测中取得理想成果, 但大多数研究侧重于国家层面或特定地区, 而针对于国家层面下多区域的交通碳排放预测研究仍相对较少.实际上区域交通减排才是实现整体减排目标的关键[24].中国作为世界上国土面积最大、人口最多的国家之一, 其交通碳排放受到多种因素的影响, 包括地理、人口、经济水平以及交通基础设施水平等, 而针对整体开展研究可能会导致对于中国交通碳排放的理解不足.因此, 本研究旨在对中国各省（市、自治区）的交通碳排放分别预测, 这种区域性预测能够深入了解各省（市、自治区）的碳排放趋势, 有助于制定精准和有效的减排策略, 推动中国交通运输业向碳中和目标迈进.
与此同时, 在碳达峰路径规划方面[25~28], 学者们提供了丰富的碳达峰实现路径, 如李晓易等[25]通过对我国交通运输业绿色发展和碳排放现状的系统分析, 提出了“交通用能深度电气化、客货运输绿色高效化”碳达峰实施路径.袁至逸等[28]分析了当前交通部门温室气体排放现状和发展趋势, 结合已有减排措施的减排潜力和减排成本, 探究了中国交通部门未来低碳发展的可能路径.目前, 大多数关于碳达峰路径研究是基于静态数据分析, 缺乏对未来交通运输业发展的动态预测.此外, 交通运输业发展受到诸多因素的影响, 如技术创新、政策调整以及经济发展等, 仅依靠过去和当前数据来规划未来碳达峰路径存在一定的不确定性.
综上所述, 本研究在现有研究基础上, 创新性地进行了两方面工作：首先, 利用2000~2021年中国30省（市、自治区）的交通能源消耗数据, 测算各省（市、自治区）的交通碳排放量, 并将电力消耗所产生的碳排放也考虑在内.其次, 通过对现有研究的梳理和总结, 选取了17个影响因素作为交通碳排放的主要解释原因, 再以各省（市、自治区）交通运输业为对象, 采用多种机器学习回归算法, 并利用Lasso回归模型和主成分分析法分别进行特征选择与处理, 构建了更具泛化能力和预测性能的区域交通碳排放预测模型.在此基础上, 以广东、上海、山东和四川（粤沪鲁川）4省（市）为例, 设计了基准、节能减排和技术减排这3种情景, 预测了不同情景下4省（市）交通运输业碳排放峰值.最后, 基于交通碳排放状况和未来发展趋势, 动态地规划了中国交通运输业的碳达峰路径.
1 材料与方法 1.1 数据来源根据《中国能源统计年鉴》（2000~2021年）公布的数据显示, 我国交通运输业所消耗的能源品种共计17类, 包括：原煤、洗精煤、其他洗煤、型煤、焦炭、焦炉煤气、其他燃气、其他焦化产品、原油、汽油、煤油、柴油、燃料油、液化石油气、炼厂干气、其他石油制品以及天然气.其中, 原煤、洗煤、焦炭、汽油、柴油、燃料油、液化石油气、天然气和液化天然气等能源消耗量占据了主要比例.用于计算中国交通运输业历年碳排放量需涉及到各类能源的平均低位发热量、单位热值含碳量、碳氧化率以及终端消费量等数据.各类能源的平均低位发热量、单位热值含碳量和碳氧化率等参数分别取自《综合能耗计算通则》（GB/T 2589-2020）、《省级温室气体清单编制指南》《中国陆上交通运输企业温室气体排放核算方法与报告指南》；各省（市、自治区）电力碳排放因子取自《中国区域及省级电网平均排放因子》；各省（市、自治区）交通运输业终端能源消费量数据来自研究年份的《中国能源统计年鉴》地区能源平衡表；用于构建预测模型的交通碳排放影响因素的统计数据均来自研究年份的《中国统计年鉴》以及各省（市、自治区）统计年鉴.各类参数具体如表 1与表 2所示.
|
表 1 不同种类能源相关参数统计描述 Table 1 Statistical description of parameters related to different types of energy |
|
|
表 2 中国省级电网CO2排放因子 Table 2 CO2 emission factors for provincial power grids in China |
鉴于数据的可得性和准确性, 本文选取的研究时段为2000~2021年, 由于中国西藏、香港、澳门及台湾数据缺失, 故不予以考虑.此外, 在以上各类官方统计资料中, 并未对交通运输业予以单独统计, 而是将交通运输业与仓储和邮电通信业合并统计, 考虑到仓储和邮电通信业占比相对较小, 因此将合并计算后的数据作为研究交通运输业碳排放的主要数据.
1.2 研究方法 1.2.1 交通碳排放量测算依据《2006年IPCC国家温室气体排放清单指南》, 针对于交通运输业温室气体排放量核算方法主要分为两种：第一种是基于燃料消耗, 适用于核算CO2；第二种是基于车辆类型和道路类型的行驶距离, 适用于核算CH4和N2O.在本文中交通运输碳排放估算范围主要是由城市道路交通, 以及铁路、水运、航空和多式联运等运输模式的直接能源消耗所产生的CO2排放, 同时考虑到所得数据的可统计性和准确性, 故选用第一种方法来计算中国30个省（市、自治区）交通运输的CO2排放量, 计算公式如下：
|
(1) |
式中, TP为地区P的交通运输CO2排放量；Ei为第i种化石燃料的能源消耗量；EFi为第i种化石燃料的CO2排放因子.根据2000~2022年《中国能源统计年鉴》所公布统计数据, 我国各种交通运输方式所消耗的能源种类共计17种.不同种类能源CO2排放因子计算公式如下：
|
(2) |
式中, NCVi为第i种化石燃料的平均低位发热量；CCi为第i种化石燃料的单位热值含碳量；OFi为第i种化石燃料的碳氧化率；44/12为CO2与碳的相对质量之比.
近年来随着电力行业不断面向绿色低碳态势发展, 电力也被逐步应用于交通运输领域, 从2000年的8.995亿kW·h省均用电量到2021年的66.907亿kW·h省均用电量.因此, 为了更加全面、准确地测算研究范围内交通运输的CO2排放量, 故将电力消耗所产生的CO2也纳入测算范围.根据《省级温室气体清单编制指南》, 电力消耗所产生的CO2排放量计算公式如下：
|
(3) |
式中, ADy为第y年交通运输业用电量；EF电为省域电网碳排放因子.
1.2.2 交通碳排放影响因素分析与筛选本文初步选取17个影响因素作为交通运输业碳排放的主要解释变量（详见1.3节）, 考虑到不同因素对交通碳排放的影响程度各异, 为了提高模型预测性能、减少过拟合及简化模型, 同时确保所选特征具有科学意义, 在构建预测模型之前需要对这17个影响因素进行分析和选择.首先, 使用Spearman秩相关系数分析这17个影响因素与交通碳排放之间的相关关系以及各因素相互之间的相关性.然后, 根据各因素的相关性分析结果, 采用Lasso回归模型和主成分分析法进行特征筛选与处理.最后, 基于这两种方法所选出的指标来构建预测模型, 选择最优的预测模型来开展预测任务.
Spearman秩相关系数是一种非参数的秩相关度量方法, 用于衡量两个变量的单调关系[29].它将每个变量的数值转换为秩次, 然后计算秩次之间的皮尔逊相关系数. Spearman秩相关系数适用于变量之间可能存在非线性关系或其他复杂关系的情况, 并且对异常值具有较强的鲁棒性.考虑到各影响因素与交通碳排放之间关系复杂, 可能存在非线性关系和潜在异常值, 因此选择使用Spearman秩相关系数法分析各影响因素对交通碳排放的影响.Spearman秩相关系数计算公式如下：
|
(4) |
式中, di为变量X与变量Y的秩次差；n为总的样本数量.
Lasso回归是由Tibshirani所提出的一种有偏估计方法, 可用于处理高维数据的特征选择问题[30, 31].它是在最小二乘法基础上引入惩罚项L1正则化, 通过最小化目标函数, 将某些不重要的特征系数压缩为零, 并从模型中删除这些变量, 从而减少数据集中的冗余信息, 以此来防止过拟合和解决多重共线性问题, 实现特征选择目的.Lasso回归的目标函数如下：
|
(5) |
式中, X为特征矩阵；y为交通运输碳排放量；λ为控制正则化强度的超参数；w为特征的回归系数.
主成分分析（PCA）是一种常用的数据降维和特征提取方法[32].它通过正交线性变换将原始数据映射到新的坐标系, 使得在新坐标系下的数据方差最大化, 从而将一系列可能线性相关的变量转换为一组线性不相关的新变量, 这些新变量被称为主成分.各主成分之间互不相干, 且具有递减的方差, 通过保留前几个主成分, 即可实现对数据的降维, 同时尽可能地保留原始数据信息.
1.2.3 交通碳排放预测模型构建机器学习作为人工智能的一种常用方法, 其分类、回归和决策过程可广泛应用于从人文到工程的不同领域中.基于特征分析和筛选的结果（详见2.2节）, 并结合数据集的特点探索了几种广泛应用的机器学习回归算法来构建预测模型, 包括支持向量机、极端梯度提升树、随机森林和神经网络.
（1）支持向量机（SVM） SVM是一种基于统计学习理论的机器学习方法, 该方法机制是将所有变量映射到一个高维特征空间, 并在该空间中找到一个超平面, 使得不同的样本点能够被有效分隔, 同时使得不同的样本点到超平面的距离最大化, 从而建立优良的预测模型[33].
（2）极端梯度提升树（XGBoost） XGBoost是一种高效的梯度提升决策树算法, 属于Boosting集成学习的范畴.该算法是基于Boosting思想, 通过不断迭代构建新的决策树, 每一代新的决策树均根据前一代的输出进行调整, 逐步使模型逼近样本真实结果, 从而形成由多个弱学习器组合而成的预测模型[34].
（3）随机森林（RF） RF是一种基于决策树的集成学习算法, 该方法是利用Bootsrap重抽样技术从原始样本中抽取多个样本, 并为每个样本构建一个决策树.通过这种方式生成多个决策树, 最终通过投票或取平均值的方法得出最终结果, 从而最优地完成回归任务[35].
（4）BP神经网络（BP） BP是一种按误差逆向传播算法训练的多层前馈网络, 该方法机制是在学习过程中利用梯度提升技术, 通过不断的反馈误差, 让参数自主进行调节, 使得网络的实际输出值和期望输出值的误差均方差最小, 从而建立优良的预测模型[36].
1.3 交通碳排放影响因素选取交通运输碳排放受到多个领域的因素影响, 为全面了解交通碳排放的影响原因, 通过对近8 a内相关文献的梳理和总结[37~56], 初步选取了17个影响因素作为交通碳排放的主要解释原因, 如表 3所示.其中, 吕倩[41]以空间相关性和空间异质性为基础, 构建改进STIRPAT模型对京津冀地区交通运输业碳排放特征及影响因素进行定量分析, 指出人口数量、城镇化水平、人均GDP和第三产业增加值等是交通碳排放的主要驱动因素.曾晓莹等[46]采用探索性空间数据分析方法对中国30个省（市、自治区）交通碳排放时空分布进行研究, 同时考虑到空间单元差异性, 构建了地理加权回归模型来分析交通碳排放的影响因素, 其研究发现, 机动车保有量和GDP、客货运周转量等是省域交通碳排放的正向驱动因素.赵红星等[53]在利用空间自相关法分析交通碳排放时空分异特征基础上, 结合固定效应模型和地理探测器探究了交通碳排放影响因素的时空异质性.研究发现, 机动车保有量、对外开放水平等影响因素是交通碳排放的正向驱动因素.郑琰等[54]将交通运输碳排放量作为非期望产出指标, 采用超效率SBM模型测度了我国30个省（市、自治区）的交通运输业碳排放效率, 用以衡量不同省份交通运输业的综合碳排放水平.
|
|
表 3 中国省级区域交通运输业碳排放影响因素 Table 3 Factors affecting carbon emissions from the transport sector in China's provincial-level regions |
2 结果与讨论 2.1 交通碳排放测算结果与现状分析
基于公式（1）~（3）与表 1和表 2以及交通运输业能源消耗相关统计数据, 测算出中国30个省（市、自治区）在2000~2021年间的交通运输业碳排放量, 由于中国西藏、香港、澳门和台湾等地数据暂缺, 未能成功测算出其交通碳排放量, 因此在足迹图中显示为空白.具体如图 1与图 2所示.
|
该图基于国家测绘地理信息局标准地图服务网站下载, 审图号为GS（2023）2767号的标准地图制作, 底图无修改 图 1 中国省级区域主要年份交通碳排放足迹 Fig. 1 Carbon footprint of transportation in provincial-level regions of China during major years |
|
图 2 中国交通碳排放总量及趋势 Fig. 2 China's total transport carbon emissions and trends |
如图 1所示, 2000~2021年期间中国30个省（市、自治区）的交通运输业碳排放量呈持续增长趋势.我国交通碳排放符合“胡焕庸线”分布规律, 其东部地区的交通碳排放量增长明显, 占据我国交通碳排放总量的主要比例.这一现象主要原因是东部地区地理条件优越, 主要由丘陵和平原组成, 并且经济发展处于高水平阶段, 导致交通需求不断增长, 从而使得东部地区成为主要的交通碳排放来源.东部地区以广东省为代表, 其交通碳排放由2000年的19.65 Mt增长至2021年的67.85 Mt, 增长率超过240%.此外, 广东省在30个省（市、自治区）中累计交通碳排放量也位居榜首, 达1 144.5 Mt（占总量的9.36%）, 其次是山东省和上海市, 分别为873.18 Mt（7.14%）和836.03 Mt（6.83%）.相比之下, 西部地区经济发展较为缓慢, 其产业主要以农业和畜牧业为主, 工业所占比例较低, 导致交通运输需求较低, 因此西部地区交通碳排放量占比相对较少.西部地区以四川省为代表, 2021年交通碳排放量为31.63 Mt, 占我国全年交通碳排放总量3.81%, 其累计交通碳排放量为416.26 Mt（3.40%）.
如图 2所示, 2000~2021年期间中国交通运输业碳排放总量也呈现不断增长趋势, 从161.82 Mt增长至820.9 Mt, 增长5.1倍, 年均增长率18.5%. 2000~2012年期间, 交通碳排放总量年均增速高达12.96%, 而在2012~2019年期间, 增速放缓至3.22%.这一趋势主要缘于2000~2012年中国经济高速发展, GDP年均增速达14.9%, 交通运输刚性需求持续增加, 使得交通碳排放总量迅猛增长. 2012~2019年, 中国经济发展进入新常态, 经济增速放缓, GDP年均增长9.03%, 交通运输刚性需求下降. 2020年由于新冠疫情影响, 交通运输活动受到严重抑制, 使得交通碳排放总量首次出现负增长（-8.93%）. 2020年以后, 随着新冠疫情影响减少和经济复苏, 交通运输需求恢复至疫情之前水平, 交通碳排放总量增长5.72%.
2.2 交通碳排放影响因素分析与筛选结果 2.2.1 变量相关性分析基于公式（4）和由30个省（市、自治区）构建的包含17个影响因素与交通碳排放量的数据集（共655条数据）, 计算出各个影响因素与交通碳排放之间的秩相关系数, 具体结果如图 3所示.
|
1.P, 2.GDP, 3.TGDP, 4.TSG, 5.AN, 6.ES, 7.URL, 8.TL, 9.PT, 10.FT, 11.GR, 12.LS, 13.BN, 14.IS, 15.UL, 16.PD, 17.CE, 18.T；相关系数取值范围在-1~1之间, |ρ|越接近于1, 相关性越强, 越接近于0, 相关性越弱；圆的面积代表相关系数绝对值的大小, 颜色深浅代表相关性强弱 图 3 交通碳排放影响因素与碳排放相关系数热力图 Fig. 3 Heatmap of the influencing factors and correlation coefficients of carbon emission |
如图 3所示, 交通碳排放（T）与生产总值（GDP）、交通运输业产值（TGDP）、社会零售商品总额（TSG）、各类汽车数量（AN）及交通能源消费量（ES）等因素的相关系数均大于0.85, 表明它们之间存在着显著的正相关关系, 这些因素的变化将直接影响到交通碳排放的增减.另外, 人口数量（P）、城市道路长度（URL）、交通基础设施水平（TL）、客运周转量（PT）、货运周转量（FT）、城市桥梁数量（BN）及城镇化水平（UL）与交通碳排放的相关系数介于0.85~0.5之间.然而, 产业结构（IS）和碳排放效率（CE）与交通碳排放的相关系数小于0, 表明这两个因素与碳排放之间存在负相关关系.这意味着随着产业结构的优化和碳排放效率提高, 交通碳排放将会减少.此外, 人口数量、生产总值、交通运输业产值、社会零售商品总额、民用汽车数量、交通能源消费量、城市道路长度、客运周转量及货运周转量等因素之间相关系数均高于0.8, 这表明这些因素之间可能存在着多重共线性的问题[57].
通过对各交通碳排放影响因素进行相关性分析, 在后续构建预测模型时, 应优先考虑生产总值、交通运输业产值、社会零售商品总额、民有汽车数量及交通能源消费量等与交通碳排放相关性较强的因素.然而, 交通运输碳排放受到多个领域因素直接或间接的影响, 其它因素与交通碳排放之间并非必然存在线性关系, 可能存在更为复杂的关系.因此, 为了确保所构建的预测模型在指标选取上的客观性, 后续将利用Lasso回归模型和主成分分析法来对指标分别进行筛选与处理, 以减少各影响因素之间多重共线性影响, 同时简化模型并提高预测能力.
2.2.2 Lasso回归变量筛选为了确定与交通碳排放最密切相关的影响因素, 首先对数据集进行标准化处理, 以消除各个指标间不同量纲的影响.其次, 将交通运输碳排放量设定为因变量, 其他指标作为自变量, 运用Lasso回归模型对各变量系数进行压缩[图 4（a）].采用十折交叉验证方法来确定最佳惩罚参数λ, 并通过计算拟合结果的均方误差来评估Lasso回归模型的预测性能, 选择最小均方误差作为Lasso回归模型的最佳惩罚参数[图 4（b）].最后筛选出回归系数大于0的特征变量来构建区域交通运输业碳排放预测模型.
|
（a2）为（a1）的局部放大 图 4 Lasso回归模型特征选择 Fig. 4 Lasso regression model feature selection |
如图 4所示, 利用Lasso回归模型成功筛选出12个变量, 包括：交通能源消耗量、商品消费零售总额、交通运输业产值、地区生产总值、民用汽车数量、省份差异、常住人口、绿色植被覆盖率、城市桥梁数量、城镇化水平、客运周转量和交通基础设施水平.相反, 排放效率、产业结构、土地利用结构、货运周转量和城市道路长度等因素被排除, 表明它们对交通碳排放的重要程度相对较低.其中, 碳排放效率是衡量不同省（市、自治区）的交通碳排放水平, 对交通碳排放整体上起抑制作用.在测算各省（市、自治区）交通碳排放效率时, 已充分考虑了各省（市、自治区）经济、社会、环境、能源等方面因素, 因此碳排放效率这一指标信息已在其它指标中得到体现, 故Lasso回归更倾向于选择其它指标, 而将碳排放效率指标排除在外；产业结构是反映第二产业增加值占GDP的比例.随着传统制造业和重工业的转型升级, 导致产业结构比例降低, 使得交通运输需求减少, 从而间接地减少了交通碳排放, 同时其与交通碳排放的相关系数为-0.12, 这表明产业结构对于交通碳排放的影响并不明显, 无法有效揭示交通碳排放的变化趋势, 进而导致产业结构被剔除；货运周转量是衡量交通运输强度的重要指标, 而交通运输业产值则是其主要产生源, 同时这两个指标之间的相关系数较高（0.83）, 这表明交通运输业产值这一指标中已经包含了货运周转量的信息.因此, 在Lasso回归模型中, 货运周转量被视为是不必要的变量；土地利用结构和城市道路长度从侧面刻画了城市交通运输规模.土地利用结构反映了城市建成区中道路所占面积的比例. 2012~2018年期间, 我国发展进入新阶段, 交通碳排放增长速度放缓, 年均增长2.9%.与此同时, 城市道路建设依旧增长迅猛, 长度从32.67万km增长至43.15万km, 年均增长4.6%. 2019~2021年期间受疫情影响, 交通碳排放首次出现负增长, 而城市道路面积和长度, 依旧以年均5%的速度增长, 导致土地利用结构和城市道路长度与交通碳排放出现了明显的脱钩, 同时也使得这两个指标与碳排放之间相关性减弱, 因此在Lasso回归模型中被淘汰.
2.2.3 主成分分析变量处理经过对初步选取的17个交通碳排放影响因素进行相关性分析, 发现各影响因素之间具有较强的相关性, 可能存在着严重的多重共线性问题.因此, 选用主成分分析法对数据集进行降维处理, 以此减少多重共线性所带来的影响.首先, 对数据集进行KMO和Bartlett球形度检验, 检验结果显示KMO=0.853, P=0.00 < 0.05, 表明数据集适用进行主成分分析.经过主成分分析处理, 成功提取6个主成分（F1~F6）, 其累计贡献率达到85.9%, 表明这6个主成分已经能够反映全部数据的大部分信息.因此, 在后续构建预测模型时, 将使用这6个主成分作为新的输入变量, 以取代原有的17个影响因素, 从而达到减少各影响因素之间多重共线性影响, 同时简化预测模型.主成分分析结果如图 5所示.
|
图 5 主成分分析因子方差 Fig. 5 Principal component analysis factor variance |
本文使用2000~2021年中国各省（市、自治区）面板数据作为构建预测模型的数据集, 共计655条, 将数据集按80%和20%的比例划分为训练集和测试集.在此基础上, 构建了3类不同的预测模型：①将17个影响因素全部作为输入变量；②将经过Lasso回归模型筛选出的12个影响因素作为输入变量；③将经过主成分分析提取的6个主成分作为输入变量.此外, 在模型构建阶段, 采用了网格搜索策略和交叉验证策略, 以寻找最优超参数, 确保所构建的预测模型不会出现过度拟合并具有良好的泛化能力.最后, 重复5轮十折交叉验证, 计算在测试集上的均方误差（MSE）、平均绝对误差（MAE）和拟合优度（R2）的平均值, 作为预测模型的评价指标, MSE和MAE越小、R2越接近于1时, 表明模型预测效果越佳.不同模型的评价指标如图 6所示.
|
1.Lasso_SVM, 2.Lasso_XGBoost, 3.PCA_XGBoost, 4.PCA_SVM, 5.Lasso_RF, 6.PCA_BP, 7.Lasso_BP, 8.PCA_RF, 9.SVM, 10.XGBoost, 11.RF, 12.BP 图 6 不同预测模型的评价指标对比 Fig. 6 Comparison of evaluation indicators for different forecasting models |
从图 6可知, 采用支持向量机算法与Lasso回归模型结合所建立的预测模型（Lasso_SVM）表现最佳, 该模型在测试集上MSE为0.093, MAE为0.226, R2为0.995.因此, 将模型Lasso_SVM选定为最佳预测模型.Lasso_SVM模型预测效果如图 7所示.
|
图 7 模型Lasso_SVM预测性能展示 Fig. 7 Demonstration of the model Lasso_SVM prediction performance |
情景分析法是用于预测未来碳排放量的一种常用方法[58].为了探讨不同政策和发展模式对中国未来交通运输碳排放的影响, 根据对我国各省（市、自治区）交通碳排放现状分析结果（详见2.1节）与《中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》（简称《纲要》）、《2030年前碳达峰行动方案》《中共中央国务院关于完整准确全面贯彻新发展理念做好碳达峰碳中和工作的意见》《“十四五”现代综合交通运输体系发展规划》（简称《交通发展规划》）等一系列相关政策文件, 设定3种未来发展情景, 包括基准情景、节能减排情景和技术减排情景, 并以粤鲁沪川4省（市）为例, 对其未来交通碳排放量进行预测.
（1）基准情景（A1） 基准情景是当前经济社会发展的延续.在此情景下, 各项因素, 如生产总值、民用汽车数量、交通能源消耗及交通基础设施水平等, 都将按照现有的发展速度和模式, 并以相关规划文件所制定的目标为指导进行发展.
（2）节能减排情景（A2） 在基准情景基础上, 中国将加大新能源基础设施建设和科研投入力度, 促进交通基础设施与能源网络的融合发展, 提高设施和资源的综合利用效率, 推动运输结构调整, 加速“公转水”“公转铁”, 降低公路运输比例, 以减少能源资源消耗, 从而有效地抑制交通运输碳排放的增长.
（3）技术减排情景（A3） 在节能减排情景基础上, 以2030年前碳达峰、2060年前碳中和为约束, 推动绿色交通技术的创新与应用, 例如智能交通、新能源以及物联网等, 进一步推动交通用能结构优化, 化石能源消费比例持续下降, 能源使用效率大幅提升, 电力将成为交通行业的重要能源品种, 促进交通领域朝着清洁低碳、安全高效、智能多元以及便利经济的方向发展.
2.4.2 情景参数设定根据3种不同的未来发展情景, 对构建完成的最佳预测模型（详见2.3节）中12个输入变量的增长率进行了相应的设定, 包括人口数量、生产总值、交通运输业产值、社会零售品消费总额、民用汽车数量、交通能源消费量、客运周转量、绿色植被覆盖率、桥梁数量、城镇化率、省份差异以及交通基础设施水平.首先, 依据“一三五”期间的国民经济和社会发展实际情况以及《纲要》等有关政策文件为依据, 确定了各参数的基础增长率.最后, 根据3种不同的未来发展情景, 对各参数的基础增长率设定进行相应的调整.此外, 鉴于篇幅限制, 仅对前8个影响因素的参数设定进行了详细论述, 余下的影响因素均以相同的方式, 参照相应的政策发展文件进行设定.各参数的基础增长率设定具体如表 4所示.
|
|
表 4 中国交通运输业多情景下各参数基础增长率设定 Table 4 Setting the base growth rate for each parameter under multiple scenarios for China's transport sector |
（1）人口数量（P） 截至2023年年末, 全国人口总数140 967万人, 较2020年减少了211万人, 增长-1.49‰, 年均增长-0.49‰.根据《国家人口发展规划（2016~2030年）》[59], 未来15 a我国人口变动的主要趋势是：人口总规模增长惯性减弱, 2030年前后达到峰值.虽已实施全面两孩政策, 但由于人口老龄化带来的死亡率上升影响, 人口增长势能减弱.此外, 中国人口与发展研究中心在《中国人口中长期趋势预测》报告中指出, 预计到2030年我国人口总数将为139 912万人, 2035年为138 256万人[60].因此, 设定P在不同时期增长率为：2023~2025年期间为-0.49‰；2025~2030年期间为-1.30‰；2030~2035年期间为-2.30‰.
（2）生产总值（GDP） 2023年国内生产总值达到126.06万亿元, 较2020年增长24.46万亿元, 年均增长6.02%.在“十三五”时期, 国内生产总值从68.91万亿元增长至99.09万亿元, 年均增长8.63%.此外, 《纲要》提出, 到2035年人均GDP要达到中等发达国家水平.根据世界银行收入水平分类标准, 中等发达国家的人均GDP是3万~4万美元.因此, 设定GDP在不同时期的增长率：2023~2025年期间为6%；2025~2030年期间为5.5%；2030~2035年期间为5%.
（3）交通运输业产值（TGDP） 2023年我国交通运输业产值达到5.36万亿元, 较2020年增长1.31万亿元, 年均增长率为6.44%.《纲要》指出, 我国经济在“十四五”时期进入新时代, 转向高质量发展阶段, 产业结构进一步转型升级, 第三产业比例持续上升.根据国家信息中心[61]对未来我国3种产业结构的预测, 预计到2025年第三产业比例将达到58%, 2030年将达到65%, 2035年将达到72%.交通运输业作为第三产业的重要支柱, 但其比例却呈持续下降趋势, 从2012年9.7%降至2022年7.8%, 预计2035年将稳定至6.8%.基于此, 根据交通运输业占第三产业比例的变化, 设定TGDP在不同时期的基础增长率：2023~2025年期间为6.4%；2025~2030年期间为6.8%；2030~2035年期间为7.4%, 在情景A1、A2和A3下对基础增长率分别进行相应调整.
（4）交通能源消费量（ES） “十三五”时期, 我国交通运输业能源消耗总量年均增长率为2.8%, 从2015年的38 510万t增至2019年的43 909万t. 2020年受疫情影响, 交通能源消耗降至41 309万t, 随着疫情消失, 能源消耗回到原有水平, 2021年达到43 935万t, 较2019年增长26万t.根据《交通发展规划》[62]确定的目标, 在“十四五”时期, 铁路、水运承担大宗货物和中长距离货物运输比例稳步上升, 绿色出行比例明显提高, 清洁低碳运输工具广泛应用, 单位周转量能源消耗明显降低.此外, 根据《2050年世界与中国能源展望》[63]预测, 在2021~2030年和2031~2040年期间, 我国能源消费年均增率分别为1.4%和-0.04%.在交通运输领域, 化石能源消耗比例将持续下降, 预计到2030年降至78%, 2035年降至73%.因此, 设定ES在不同时期的基础增长率：2022~2025年期间为1.2%；2025~2030年期间为0.6%；2030~2035年为-0.06%, 在情景A1、A2、A3下对基础增长率分别进行相应调整.
（5）民用汽车数量（AN） 2023年年末我国民用汽车拥有量达到33 618万辆, 较2020年增长5 531万辆, 年均增长6.56%.国务院发展研究中心[64]指出, 现阶段汽车市场整体进入中低速发展阶段, 根据预测, 千人汽车拥有量增速将会从10%~12%回落到4%~5%的水平.到2030年, 汽车保有量和千人汽车拥有量分别会达到4.2亿辆和300辆左右.因此, 设定AN在不同时期的基础增长率：2023~2025年期间为3.5%；2025~2030年期间为3.3%；2030~2035年为3%, 在情景A1、A2、A3下对基础增长率分别进行相应调整.
（6）绿色植被覆盖率（GR） 2023年我国的绿色植被覆盖率达到24.02%, 较2020年增长了1.06%.在“十三五”时期, 我国森林覆盖率从21.7%提高到22.96%, 平均每年提高0.25个百分点. 《纲要》提出, 在“十四五时期”, 将持续开展国土绿化行动, 并实施一系列保护措施, 如天然林保护工程和防护林体系建设工程, 到2025年森林覆盖率可达24.1%, 到2035年森林覆盖率将达到26%.因此, 设定GR在不同时期的基础增长率：2023~2025年期间为0.18%；2025~2030年期间为0.19%；2030~2035年期间为0.20%.
（7）城镇化水平（UL） 2023年年末我国城镇化率达到66.16%, 较2020年的60.05%增长了6.11个百分点, 以每年2.04%的速率增长.根据《纲要》设定的目标, 到2030年, 全国城镇化率达到70%.此外, 根据北大光华思想力课题组预测, 到2035年中国城镇化率将会达到75%~80%.因此, 设定UL在不同时期的基础增长率：2023~2025年期间为0.8%；2025~2030年期间为0.9%；2030~2035年期间为1.0%.
（8）省份差异（PD） 省份差异是充分考虑了各省（市、自治区）独有的特征, 例如经济水平、地理位置、自然资源以及交通运输规模等, 再通过固定效应模型而得出的固定效应系数, 以此来量化各省（市、自治区）间的个体差异.在本研究时间范围内, 各省（市、自治区）的特征相对稳定, 不会发生较大变化[23].因此, 设定PD在2023~2035年期间保持恒定不变.
2.4.3 情景预测结果与分析根据设定的3种不同未来情景, 运用建立好的预测模型（Lasso_SVM）, 即可得到2022~2035年在基准情景、节能减排情景和技术减排情景下粤沪鲁川4省（市）交通运输业碳排放量, 预测结果见图 8.
|
图 8 2022~2035年多情景下粤沪鲁川交通碳排放预测结果 Fig. 8 Carbon emission projections of transportation in Yue, Hu, Lu, and Chuan under multiple scenarios from 2022 to 2035 |
如图 8所示, 在2022~2035年期间, 在3种不同情景下, 4省（市）交通碳排放均呈现先增加后减少的趋势.具体而言, 在基准情景下, 粤沪鲁川4省（市）的交通碳排放分别于2030、2035、2032和2034年达到峰值, 其峰值分别为75.07、54.20、56.32和35.76 Mt.在节能减排情景下, 粤沪鲁的交通碳排放均能在2030年之前达到峰值, 仅四川的交通碳排放需至2031年才能实现碳达峰.在技术减排情景下, 4省的交通碳排放均能在2030年之前实现碳达峰, 其峰值分别为73.59、52.16、55.08和33.46 Mt, 总计214.29 Mt.相较于基准情景和节能减排情景, 其峰值总量分别减少了7.06 Mt和1.74 Mt.在3种情景下, 沪最早可于2028年率先实现交通碳达峰, 这与其他学者的预测结果相吻合[12, 13], 而鲁实现交通碳达峰时间最晚, 需到2030年.此外, 粤仅按照当前社会发展趋势和未来发展规划, 就有望如期实现交通碳达峰目标, 这与能源基金会[58]的预测结果一致.通过对比这3种不同的未来发展情景, 发现随着运输结构调整和能源消耗转型的程度不断加深, 其对于交通碳排放的抑制作用愈大, 并且随着时间推移, 其作用愈发明显.
2.5 路径规划通过对比不同情景下的碳排放预测结果, 技术减排情景是最有可能实现中国交通运输业整体碳达峰目标的路径.在技术减排情景中, 交通用能和运输结构得到大幅调整.从当前至2030年, 交通能源消耗总量、民用汽车数量和交通运输规模等因素的增速放缓, 客运周转量、绿色植被覆盖率等因素的增速提高, 使得交通碳排放明显降低, 从而如期实现碳达峰目标.基于此, 本研究按照“分类施策、远近结合、先易后难、积极稳妥推进、梯次有序碳达峰”准则[25, 65], 在满足国家总体战略安排和人民多样化出行需求的基础上, 提出“交通用能转型为主、运输结构调整为辅”为核心思想的减排路径, 以此推进交通运输领域如期实现碳达峰[66, 67].
（1）“十四五”时期, 交通碳排放将由高速增长阶段逐渐过渡到中低速增长.然而, 要如期实现交通碳达峰目标仍面临诸多困难和挑战.因此, “十四五”交通减排的主要方向是“控制交通能源消耗, 加快运输结构调整”.具体而言, 需在原有规划基础上大力发展水路和铁路运输, 加快“公转水”“公转铁”, 提高其在综合运输中的承运比例.大力推广新能源汽车, 逐步降低传统燃油汽车在新车产销和汽车保有量中的占比, 推动城市公共服务车辆电动化替代, 推广电力、氢燃料、液化天然气动力重型货运车辆.推进充电设施、配套电网、加注（气）站、加氢站等基础设施建设, 促进城市交通基础设施绿色化转变.在“十四五”时期的主要发展目标包括, 交通用能需求由“十三五”的1.2%下降至1.0%, 电力在交通用能结构中占比从6.53%提高至10.0%, 实现客运周转量增速达到年均4.0%, 并将燃油汽车拥有量增速控制在2.8%以内.通过完成以上目标, 可为实现交通碳达峰奠定坚实基础.
（2）“十五五”时期, 在“十四五”发展基础上, 运输结构调整优化取得明显进展, 交通能源消费增长得到严格控制, 非化石能源消费比例进一步提高.在此基础上, “十五五”交通减排的主要方向是“能源利用效率大幅提升, 绿色出行方式全面普及”.具体而言, 需大力推动绿色交通技术创新与应用, 促进综合交通运输系统智能化、绿色化融合发展.同时, 完善运输车辆能耗限值标准, 建立运输服务碳排放标准体系, 加速淘汰落后技术和高耗低效的运输工具.在大型城市实施“轨道+公交+慢行”三网融合出行方式, 中小型城市推进“公交+慢行”网络融合建设, 形成以公共交通为主体, 步行和其它交通方式为补充的绿色出行体系.“十五五”时期的主要发展目标包括, 交通用能需求年均增速控制在-0.6%以下, 非化石能源比例达到15%左右, 民用汽车年增长速度控制在2.0%以内, 客运周转量增长速度维持在4.5%以上, 交通运输业可在2030年前顺利实现碳达峰目标.
3 结论（1）利用2000~2021年中国交通运输业能源消耗数据成功测算了中国30个省（市、自治区）的交通碳排放量.通过分析发现, 中国交通碳排放符合“胡焕庸线”分布规律, 其东部地区的交通碳排放量增长明显, 占据我国交通碳排放总量的主要比例.东部地区以粤沪鲁3省为代表, 2021年3省交通碳排放总量达到165.77 Mt, 占全年交通碳排放总量20.2%, 累计交通碳排放量为2 853.71 Mt（23.33%）.西部地区以川为代表, 2021年交通碳排放量为31.63 Mt, 占全年交通碳排放总量3.81%, 累计交通碳排放量为416.26 Mt（3.40%）.
（2）使用Lasso回归模型和主成分分析法对17个影响因素分别进行变量筛选和特征提取.Lasso回归模型成功剔除了5个不重要因素, 最终确定了11个关键因素.主成分分析法成功地将17个影响因素降维为6个主成分, 以此来代替原始的17个影响因素.选取由Lasso回归模型筛选的11个变量和主成分分析提取的6个主成分, 作为构建预测模型的特征变量, 能有效地降低模型复杂度, 提高模型预测性能.
（3）利用机器学习中4种回归算法建立了不同的碳排放预测模型.通过对比发现, 支持向量机与Lasso回归模型相结合所构建的预测模型（Lasso_SVM）表现最佳, 其MSE为0.093, MAE为0.226, R²为0.995.
（4）采用情景分析法确定了3种未来交通运输业发展情景, 并运用预测模型（Lasso_SVM）, 成功预测了粤沪鲁川4省（市）2022~2035年在不同情景下的交通碳排放量.预测结果显示, 4省（市）最早实现交通碳排放达峰时间节点分别为2029、2028、2030和2029年, 峰值分别为73.59、52.16、55.08和33.46 Mt.
（5）基于对粤沪鲁川4省（市）未来交通运输业碳排放的预测结果分析, 发现技术减排情景是实现中国交通运输业整体碳达峰目标最为可行的途径.因此, 提出了以“交通用能转型为主、运输结构调整为辅”的核心减排思想, 并明确了在“十四五”和“十五五”时期的主要发展目标, 以此推进交通运输领域如期实现碳达峰.
| [1] | 习近平. 在第七十五届联合国大会一般性辩论上的讲话[N]. 人民日报, 2020-9-23(003). |
| [2] | International Energy Agency. Global energy review 2021[EB/OL]. https://www.iea.org/reports/global-energy-review-2021, 2021-04-20. |
| [3] | Guan Y R, Shan Y L, Huang Q, et al. Assessment to China's recent emission pattern shifts[J]. Earth's Future, 2021, 9(11). DOI:10.1029/2021EF002241 |
| [4] | Shan Y L, Guan D B, Zheng H R, et al. China CO2 emission accounts 1997-2015[J]. Scientific Data, 2018, 5(1). DOI:10.1038/sdata.2017.201 |
| [5] | Shan Y L, Huang Q, Guan D B, et al. China CO2 emission accounts 2016-2017[J]. Scientific Data, 2020, 7(1). DOI:10.1038/s41597-020-0393-y |
| [6] | Shan Y L, Liu J H, Liu Z, et al. New provincial CO2 emission inventories in China based on apparent energy consumption data and updated emission factors[J]. Applied Energy, 2016, 184: 742-750. DOI:10.1016/j.apenergy.2016.03.073 |
| [7] |
张潇文, 李菁元, 杨志文, 等. 基于远程数据的重型柴油车实际道路碳排放测算准确度[J]. 中国环境科学, 2022, 42(10): 4565-4570. Zhang X W, Li J Y, Yang Z W, et al. Accuracy analysis of carbon emissions measurement of heavy heavy-duty diesel vehicles based on remote data[J]. China Environmental Science, 2022, 42(10): 4565-4570. DOI:10.3969/j.issn.1000-6923.2022.10.012 |
| [8] |
林培群, 张扬, 罗芷晴, 等. 融合多源数据的高速公路路段车流碳排放精细测算方法[J]. 华南理工大学学报(自然科学版), 2023, 51(7): 100-108. Lin P Q, Zhang Y, Luo Z Q, et al. Precise calculation method of traffic carbon emission in expressway segment integrating multi-source data[J]. Journal of South China University of Technology (Natural Science Edition), 2023, 51(7): 100-108. |
| [9] |
马书红, 段超杰, 杨磊, 等. 混行环境下的交通碳排放测算与演化规律[J]. 环境科学, 2024, 45(11): 6403-6411. Ma S H, Duan C J, Yang L, et al. Calculation and evolution of traffic carbon emission in mixed traffic environment[J]. Environmental Science, 2024, 45(11): 6403-6411. |
| [10] | Li F Y, Cai B F, Ye Z Y, et al. Changing patterns and determinants of transportation carbon emissions in Chinese cities[J]. Energy, 2019, 174: 562-575. |
| [11] | Kazancoglu Y, Ozbiltekin-Pala M, Ozkan-Ozen Y D. Prediction and evaluation of greenhouse gas emissions for sustainable road transport within Europe[J]. Sustainable Cities and Society, 2021, 70. DOI:10.1016/j.scs.2021.102924 |
| [12] | 史丹, 叶云岭. 城市交通碳排放趋势与减排对策研究——以上海市为例[J]. 现代管理科学, 2022(4): 3-14. |
| [13] | Gao J W, Pan L Y. A system dynamic analysis of urban development paths under carbon peaking and carbon neutrality targets: a case study of Shanghai[J]. Sustainability, 2022, 14(22). DOI:10.3390/su142215045 |
| [14] |
胡茂峰, 郑义彬, 李宇涵. 多情景下湖北省交通运输碳排放峰值预测研究[J]. 环境科学学报, 2022, 42(4): 464-472. Hu M F, Zheng Y B, Li Y H. Forecasting of transport carbon emission peak in Hubei Province under multiple scenarios[J]. Acta Scientiae Circumstantiae, 2022, 42(4): 464-472. |
| [15] | Li C, Zhang Z C, Wang L P. Carbon peak forecast and low carbon policy choice of transportation industry in China: scenario prediction based on STIRPAT model[J]. Environmental Science and Pollution Research, 2023, 30(22): 63250-63271. DOI:10.1007/s11356-023-26549-6 |
| [16] |
王迪, 和维, 聂锐. 中国2030年CO2排放情景预测与减排潜力分析[J]. 系统工程学报, 2019, 34(6): 721-735. Wang D, He W, Nie R. China's CO2 emission scenario prediction and emission reduction potential analysis in 2030[J]. Journal of Systems Engineering, 2019, 34(6): 721-735. |
| [17] |
杨东, 李艳红, 田春林. 交通运输行业碳排放自然达峰特征与峰值预测研究[J]. 交通运输系统工程与信息, 2024, 24(2): 34-44. Yang D, Li Y H, Tian C L. Natural peak characteristics and peak forecast of carbon emissions in transportation industry[J]. Journal of Transportation Systems Engineering and Information Technology, 2024, 24(2): 34-44. |
| [18] |
陈亮, 王金泓, 何涛, 等. 基于SVR的区域交通碳排放预测研究[J]. 交通运输系统工程与信息, 2018, 18(2): 13-19. Chen L, Wang J H, He T, et al. Forecast study of regional transportation carbon emissions based on SVR[J]. Journal of Transportation Systems Engineering and Information Technology, 2018, 18(2): 13-19. |
| [19] |
张迪, 王彤彤, 支金虎. 基于IPSO-BP神经网络模型的山东省碳排放预测及生态经济分析[J]. 生态科学, 2022, 41(1): 149-158. Zhang D, Wang T T, Zhi J H. Carbon emissions prediction based on IPSO-BP neural network model and eco-economic analysis of Shandong province[J]. Ecological Science, 2022, 41(1): 149-158. |
| [20] | Tang J X, Gong R Z, Wang H L, et al. Scenario analysis of transportation carbon emissions in China based on machine learning and deep neural network models[J]. Environmental Research Letters, 2023, 18(6). DOI:10.1088/1748-9326/acd468 |
| [21] |
刘春梅, 钱啸吟. "双碳"目标下中国能源消费碳排放量预测[J]. 资源科学, 2023, 45(10): 1931-1946. Liu C M, Qian X Y. Prediction of carbon emissions from energy consumption in China under the "dual carbon" goal[J]. Resources Science, 2023, 45(10): 1931-1946. |
| [22] |
刘淳森, 曲建升, 葛钰洁, 等. 基于LSTM模型的中国交通运输业碳排放预测[J]. 中国环境科学, 2023, 43(5): 2574-2582. Liu C S, Qu J S, Ge Y J, et al. LSTM model-based prediction of carbon emissions from China's transportation sector[J]. China Environmental Science, 2023, 43(5): 2574-2582. |
| [23] |
刘慧甜, 胡大伟. 基于机器学习的交通碳排放预测模型构建与分析[J]. 环境科学, 2024, 45(6): 3421-3432. Liu H T, Hu D W. Construction and analysis of machine learning based transportation carbon emission prediction model[J]. Environmental Science, 2024, 45(6): 3421-3432. |
| [24] | Liu Y L, Chen L Y, Huang C F. Study on the carbon emission spillover effects of transportation under technological advancements[J]. Sustainability, 2022, 14(17). DOI:10.3390/su141710608 |
| [25] |
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 X Y, Tan X Y, Wu R, et al. Paths for carbon peak and carbon neutrality in transport sector in China[J]. Strategic Study of CAE, 2021, 23(6): 15-21. |
| [26] |
王火根, 肖丽香, 廖冰. 基于系统动力学的中国碳减排路径模拟[J]. 自然资源学报, 2022, 37(5): 1352-1369. Wang H G, Xiao L X, Liao B. Simulation of China's carbon emission reduction path based on system dynamics[J]. Journal of Natural Resources, 2022, 37(5): 1352-1369. |
| [27] |
姜旭朋, 张强, 赵文婷, 等. 西安高新区多情景碳达峰预测及减排路径分析[J]. 环境科学, 2024, 45(6): 3412-3420. Jiang X P, Zhang Q, Zhao W T, et al. Multi scenario carbon peak prediction and emission reduction path analysis of Xi'an Hi-tech Zone[J]. Environmental Science, 2024, 45(6): 3412-3420. |
| [28] |
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 Z Y, Li Z Y, Kang L P, 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. |
| [29] |
杨传玺, 薛岩, 高畅, 等. 2002~2020年中国河流环境质量演变及驱动因子分析[J]. 环境科学, 2023, 44(5): 2502-2517. Yang C X, Xue Y, Gao C, et al. Analysis of change and driving factors of river environmental quality in China from 2002 to 2020[J]. Environmental Science, 2023, 44(5): 2502-2517. |
| [30] |
崔鸿雁, 徐帅, 张利锋, 等. 机器学习中的特征选择方法研究及展望[J]. 北京邮电大学学报, 2018, 41(1): 1-12. Cui H Y, Xu S, Zhang L F, et al. The key techniques and future vision of feature selection in machine learning[J]. Journal of Beijing University of Posts and Telecommunications, 2018, 41(1): 1-12. |
| [31] | Tibshirani R. Regression shrinkage and selection via the Lasso: a retrospective[J]. Journal of the Royal Statistical Society Series B: Statistical Methodology, 2011, 73(3): 273-282. |
| [32] |
赵庆令, 李清彩, 安茂国, 等. 基于PMF-PCA/APCS与PERI的菏泽油用牡丹种植区表层土壤重金属潜在来源识别及生态风险评估[J]. 环境科学, 2023, 44(9): 5253-5263. Zhao Q L, Li Q C, An M G, et al. Potential source identification and ecological risk assessment of heavy metals in surface soil of Heze oil peony planting area based on PMF-PCA/APCS and PERI[J]. Environmental Science, 2023, 44(9): 5253-5263. |
| [33] |
苏筱倩, 安俊琳, 张玉欣. 基于支持向量机回归和小波变换的O3预报方法[J]. 中国环境科学, 2019, 39(9): 3719-3726. Su X Q, An J L, Zhang Y X. Support vector machine regression forecasting of O3 concentrations based on wavelet transformation[J]. China Environmental Science, 2019, 39(9): 3719-3726. |
| [34] |
赵楠, 卢毅敏. 基于XGBoost算法的近地面臭氧浓度遥感估算[J]. 环境科学学报, 2022, 42(5): 95-108. Zhao N, Lu Y M. Remote-sensing estimation of near-surface ozone concentration based on XGBoost[J]. Acta Scientiae Circumstantiae, 2022, 42(5): 95-108. |
| [35] |
杨晓彤, 康平, 王安怡, 等. 基于随机森林模型的四川盆地臭氧污染预测[J]. 环境科学, 2024, 45(5): 2507-2515. Yang X T, Kang P, Wang A Y, et al. Prediction of ozone pollution in Sichuan Basin based on random forest model[J]. Environmental Science, 2024, 45(5): 2507-2515. |
| [36] |
马赛炎, 魏海英, 马瑾, 等. 基于BP神经网络预测北京市加油站周边土壤多环芳烃含量[J]. 环境科学, 2023, 44(4): 2215-2222. Ma S Y, Wei H Y, Ma J, et al. Prediction of PAHs content in soil around gas stations in Beijing based on BP neural network[J]. Environmental Science, 2023, 44(4): 2215-2222. |
| [37] |
张诗青, 王建伟, 郑文龙. 中国交通运输碳排放及影响因素时空差异分析[J]. 环境科学学报, 2017, 37(12): 4787-4797. Zhang S Q, Wang J W, Zheng W L. Spatio-temporal difference of transportation carbon emission and its influencing factors in China[J]. Acta Scientiae Circumstantiae, 2017, 37(12): 4787-4797. |
| [38] |
袁长伟, 张帅, 焦萍, 等. 中国省域交通运输全要素碳排放效率时空变化及影响因素研究[J]. 资源科学, 2017, 39(4): 687-697. Yuan C W, Zhang S, Jiao P, et al. Temporal and spatial variation and influencing factors research on total factor efficiency for transportation carbon emissions in China[J]. Resources Science, 2017, 39(4): 687-697. |
| [39] | Chen W H, Lei Y L. Path analysis of factors in energy-related CO2 emissions from Beijing's transportation sector[J]. Transportation Research Part D: Transport and Environment, 2017, 50: 473-487. DOI:10.1016/j.trd.2016.11.027 |
| [40] | Xie R, Fang J Y, Liu C J. The effects of transportation infrastructure on urban carbon emissions[J]. Applied Energy, 2017, 196: 199-207. |
| [41] |
吕倩. 京津冀地区汽车运输碳排放影响因素研究[J]. 中国环境科学, 2018, 38(10): 3689-3697. Lü Q. Study on the driving factors of vehicle transport carbon emissions in Beijing-Tianjin-Hebei region[J]. China Environmental Science, 2018, 38(10): 3689-3697. |
| [42] | Wang Y, Zhou Y, Zhu L, et al. Influencing factors and decoupling elasticity of China's transportation carbon emissions[J]. Energies, 2018, 11(5). DOI:10.3390/en11051157 |
| [43] |
卞利花, 吉敏全. 青海交通碳排放影响因素及预测研究[J]. 生态经济, 2019, 35(2): 35-39, 100. Bian L H, Ji M Q. Research on influencing factors and prediction of transportation carbon emissions in Qinghai[J]. Ecological Economy, 2019, 35(2): 35-39, 100. |
| [44] | Guo M Y, Meng J. Exploring the driving factors of carbon dioxide emission from transport sector in Beijing-Tianjin-Hebei region[J]. Journal of Cleaner Production, 2019, 226: 692-705. |
| [45] |
张国兴, 苏钊贤. 黄河流域交通运输碳排放的影响因素分解与情景预测[J]. 管理评论, 2020, 32(12): 283-294. Zhang G X, Su Z X. Analysis of influencing factors and scenario prediction of transportation carbon emissions in the Yellow River Basin[J]. Management Review, 2020, 32(12): 283-294. |
| [46] |
曾晓莹, 邱荣祖, 林丹婷, 等. 中国交通碳排放及影响因素时空异质性[J]. 中国环境科学, 2020, 40(10): 4304-4313. Zeng X Y, Qiu R Z, Lin D T, et al. Spatio-temporal heterogeneity of transportation carbon emissions and its influencing factors in China[J]. China Environmental Science, 2020, 40(10): 4304-4313. |
| [47] | Zhu C Z, Wang M, Yang Y R. Analysis of the influencing factors of regional carbon emissions in the Chinese transportation industry[J]. Energies, 2020, 13(5). DOI:10.3390/en13051100 |
| [48] | Sun H P, Hu L X, Geng Y, 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(7): 1423-1437. |
| [49] |
邵海琴, 王兆峰. 中国交通碳排放效率的空间关联网络结构及其影响因素[J]. 中国人口·资源与环境, 2021, 31(4): 32-41. Shao H Q, Wang Z F. Spatial network structure of transportation carbon emissions efficiency in China and its influencing factors[J]. China Population, Resources and Environment, 2021, 31(4): 32-41. |
| [50] |
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 S H, Zhang Y Q, Geng Y. 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. |
| [51] |
王智琦, 李建国, 彭彬彬, 等. 西部地区交通碳排放的驱动因素与脱钩效应分析[J]. 环境工程, 2023, 41(10): 213-222. Wang Z Q, Li J G, Peng B B, et al. Driving factors and decoupling effect analysis of transportation carbon emissions in western China[J]. Environmental Engineering, 2023, 41(10): 213-222. |
| [52] |
王杰, 郑琰, 姜晓红. 西南地区交通运输业碳排放测算与驱动因素分析[J]. 重庆理工大学学报(自然科学), 2023, 37(1): 249-256. Wang J, Zheng Y, Jiang X H. Carbon emission measurement and driving factor analysis of the transportation industry in Southwest China[J]. Journal of Chongqing University of Technology (Natural Science), 2023, 37(1): 249-256. |
| [53] |
赵红星, 石璟晶, 何瑞春, 等. "一带一路"沿线省域交通碳排放影响因素时空异质性[J]. 环境科学, 2024, 45(8): 4636-4647. Zhao H X, Shi J J, He R C, et al. Spatio-temporal heterogeneity of factors influencing transportation carbon emissions in provinces along the belt and road[J]. Environmental Science, 2024, 45(8): 4636-4647. |
| [54] |
郑琰, 蒋雪梅, 肖玉杰. 交通运输业碳排放效率时空演变及趋势预测[J]. 环境科学, 2024, 45(4): 1879-1887. Zheng Y, Jiang X M, Xiao Y J. Spatio-temporal evolution and trend prediction of transport carbon emission efficiency[J]. Environmental Science, 2024, 45(4): 1879-1887. |
| [55] |
田泽源, 董治, 董治宇, 等. 基于面板数据模型关中平原城市群交通碳排放峰值预测与脱钩分析[J]. 中国环境科学, 2024, 44(10): 5901-5911. Tian Z Y, Dong Z, Dong Z Y, et al. Predicting and decoupling analysis of transportation peak carbon emissions in Guanzhong Plain urban agglomeration based on panel data modeling[J]. China Environmental Science, 2024, 44(10): 5901-5911. |
| [56] |
李云燕, 张雪莹. 基于空间视角的交通运输规模对交通碳排放的影响路径[J]. 环境科学, 2024, 45(11): 6392-6402. Li Y Y, Zhang X Y. Mechanism of transportation capacity influence on carbon emission of transportation sector at China provincial in spatial perspective[J]. Environmental Science, 2024, 45(11): 6392-6402. |
| [57] |
徐勇, 戴强玉, 黄雯婷, 等. 2000~2020年西南地区植被NDVI时空变化及驱动机制探究[J]. 环境科学, 2023, 44(1): 323-335. Xu Y, Dai Q Y, Huang W T, et al. Spatio-temporal variation in vegetation cover and its driving mechanism exploration in Southwest China from 2000 to 2020[J]. Environmental Science, 2023, 44(1): 323-335. |
| [58] |
卢昱杰, 何凌云, 李佩娴, 等. 长三角一体化区域建筑业碳达峰预测与减排研究[J]. 同济大学学报(自然科学版), 2024, 52(8): 1238-1249. Lu Y J, He L Y, Li P X, et al. Carbon peak prediction and emission reduction in construction industry of Yangtze River delta under regional development[J]. Journal of Tongji University (Natural Science Edition), 2024, 52(8): 1238-1249. |
| [59] | 国务院. 国家人口发展规划(2016—2030年)[EB/OL]. https://www.gov.cn/zhengce/content/2017-01/25/content_5163309.htm, 2017-01-25. |
| [60] | 中国人口与发展研究中心、联合国人口基金驻华代表处. 中国人口中长期变动趋势预测(2021-2050)[EB/OL]. https://china.unfpa.org/zh-Hans/publications/22070101, 2022-07-01. |
| [61] | 国家信息中心. 中国经济社会发展的中长期目标、战略与路径——"中国长期低碳发展战略与转型路径研究"子课题1[EB/OL]. https://www.efchina.org/Attachments/Report/report-lceg-20210207-4, 2021-02-07. |
| [62] | 国务院. "十四五"现代综合交通运输体系发展规划[EB/OL]. https://www.gov.cn/zhengce/content/2022-01/18/content_5669049.htm, 2022-01-18. |
| [63] | 中国石油经济研究院. 2050年世界能源展望-2020版[EB/OL]. https://finance.sina.com.cn/tech/2020-12-29/doc-iiznezxs9471433.shtml, 2020-12-29. |
| [64] | 王青. 2023年新能源汽车市场将持续增长[EB/OL]. https://www.drc.gov.cn/DocView.aspx?chnid=379&leafid=1338&docid=2906427, 2023-01-03. |
| [65] | 国务院. 2030年前碳达峰行动方案[EB/OL]. https://www.gov.cn/zhengce/content/2021-10/26/content_5644984.htm, 2021-10-26. |
| [66] |
苗安康, 袁越, 吴涵, 等. 中国省域碳达峰路径与政策[J]. 环境科学, 2023, 44(8): 4623-4636. Miao A K, Yuan Y, Wu H, et al. Pathway and policy for China's provincial carbon emission peak[J]. Environmental Science, 2023, 44(8): 4623-4636. |
| [67] |
徐艺诺, 翁大维, 王硕, 等. 粤闽浙沿海重点城市道路交通节能减排路径[J]. 环境科学, 2024, 45(5): 3107-3118. Xu Y N, Weng D W, Wang S, et al. Energy-saving and emission reduction path for road traffic in key coastal cities of Guangdong, Fujian and Zhejiang[J]. Environmental Science, 2024, 45(5): 3107-3118. |