基于LMDI,模型的能源系统碳排放影响因素分析
时间：2023-02-17 14:55:09 来源：千叶帆 本文已影响人
郭玉杰 ，张一瑾 ，杨馥源 ，田雪沁* ，王海猷
(1.国网经济研究院有限公司，北京市 昌平区 102209;2.大连理工大学电气工程学院，辽宁省 大连市 116023)
工业革命以来，人类生产生活的温室气体排放已导致全球升温1.5℃，仅21世纪全球就已升温了1.3℃[1]。2014年联合国政府间气候变化专门委员会(intergovernmental panel on climate change，IPCC)进行了第5次评估，认为温室气体的排放及一些人为因素的驱动已经成为20世纪中期以来气候变暖的最大影响因素[2]。随着我国工业化的快速发展和城市化的不断推进，能源以及环境问题之间的矛盾也越来越严重，作为世界人口最多的国家，我国是世界最大的能源消费国和碳排放国[3-5]，同时我国的能源消费仍以煤炭为主。为实现“双碳”目标，能源行业的低碳转型至关重要[6]，需要对我国能源消费的碳排放现状及影响碳排放量的因素进行分析。
目前，在能源消费产生的碳排放方面，已有一定的研究，如文献[7]基于扩展的Kaya恒等式，解析了1952—2010年新疆省一次能源消费碳排放的主要驱动因素，得出结论经济产出效应和人口规模效应是最主要的贡献因子;文献[8]以长三角地区27个城市为研究区域，分析该地区能源消费碳排放的影响因素，并提出能源消费绿色转型的相关建议;文献[9]估算我国30个省区1997—2010年的碳排放强度后，采用空间自相关分析方法和空间面板计量模型，探讨了省级碳排放强度的时空格局和重要因素;文献[10]在对碳排放进行分析的基础上，采用了Shapley值方法对碳排放增长的影响因素进行了无残差的分解分析，并与Laspeyres分解分析方法的结果进行了对比研究;文献[11]在不同经济增长阶段下，从产业结构的角度探究了六大产业部门对碳排放的贡献，结果表明，工业部门对碳排放的助长贡献最大;文献[12]对我国区域碳排放效率进行分析，得出结论，中国省级的碳排放效率值有一定差距，环保政策需因地制宜;文献[13]将共同前沿曼奎斯特指数(meta-frontier Malmquist index，MMI)引入至对数平均迪氏指数法(logarithmic mean Divisia index，LMDI)和生产理论分解方法(production-theoretical decomposition analysis，PDA)分解了产业体系碳排放的驱动因素，结果表明制造业和电力燃气行业对总碳排放的贡献最高。
目前碳排放的研究包含了碳排放量、碳排放强度、碳排放效率等多方面影响因素的研究，但少有文献考虑了电力碳排放对能源系统碳排放量的影响作用，电力系统作为化石燃料消耗的主要行业，占能源消耗相关的碳排放总量的40%左右[14]。目前，电力行业的碳排放强度虽有所减少，但碳排放总量仍增长，减排形势严峻，电力系统的碳减排也将推动能源系统减少碳排放。能源消费量将直接影响碳排放的增长，本文首先对能源消费总量进行预测，利用IPCC 碳排放系数法计算我国各行业的碳排放量。基于LMDI方法进行模型构建，将电力碳排放量从工业部门中提出，作为单独的效应进行分析。最后将2015—2019年的结果进行标准化处理后，分析包括电力碳排放量、产业结构、城镇化水平等多个因素对我国能源碳排放量的贡献程度。
1.1 能源消费情况
我国能源消费量包括终端能源消费量、能源加工转换损失量和能源运输损失量3个部分。统计体系中能源消费量有3种不同的核算形式，分别为能源平衡表、能源消费总量和终端能源消费量。根据《中国能源统计年鉴》收集2010—2019年能源消费总量及构成如表1所示，表中能源消费量和终端消费量用标准煤来衡量。
表1 我国2010—2019年能源消费总量及构成Table 1 China"s total energy consumption and composition in 2010—2019
1.2 灰色GM(1,1)模型
能源消费总量预测方法较多，主要有情景分析法、能源消费弹性系数法、时间序列法、回归分析法、灰色预测法、神经网络预测法等[15]，本文基于灰色GM(1，1)模型进行预测。GM(1，1)是一种通过历史数据运算获得微分方程，并视微分方程为演化规律的预测方法，是灰色预测模型中最主要、最基本的模型，详细建模步骤见附录A[16]。
为检验预测模型的精度是否满足要求，必须进行精度检验。常用的3种检验法有:残差检验法、后验差检验法和关联度检验法。残差即实际值与模拟值之差，要求精度大于90%。后验差检验根据均方差值c和小误差概率p这2个指标，将模型精度分为“不合格、勉强、合格、好”4个级别，见表2。关联度检验法在几何图形上体现了模型值曲线和原始数据曲线的相似程度，几何形状越接近，两者变化趋势也就越接近，关联度γ也就越大，一般情况下要求关联度大于0.6，且越大说明模型精度越高，预测效果越好。
表2 模型精度等级Table 2 Model accuracy level
2.1 IPCC 碳排放系数法
根据全国能源平衡表，选取IPCC 碳排放系数法对能源系统的碳排放量(减去工业中用于原料、材料的部分)进行测算，具体的计算公式为
式中:C为化石燃料燃烧产生的二氧化碳总的排放量，t;E(v)为能源消费量，t;v表示不同能源的种类，即上述投入能源的种类;δNCV为能源低位发热量，J/t;CCEC(v)为单位热值含碳量(碳排放系数)，t/J;λCOF为燃料的碳氧化因子，本文采用《IPCC2006指南》中推荐的默认值100%[17]。我国2015—2019年各行业碳排放数据测算结果见附录表B1。
表B1 我国2015—2019年各行业碳排放数据Table B1 China"s carbon emissions data by industry from2015 to2019 108 t
2.2 模型选取和能源系统模型构建
在二氧化碳碳排放影响因素方面，常用的方法为指数分解分析法(index decomposition analysis，IDA)。IDA 又可以细分为Laspeyres IDA 和Divisia IDA[18]。其中，Laspeyres IDA 的基本思想是:保持其他因素变量不变，对各个相关的因素变量进行微分，从而求出某一因素变化对目标量的影响。可能会导致结果存在较大误差，因为其计算过程中会不可避免地产生残差值。Divisia IDA 的基本思路是:将目标变量分解出的各个因素变量都看成是时间的连续可微函数，然后进行微分运算，并分解得出各个因素变量的变化对目标变量的贡献率。在数据小于等于0时，无法处理平均权重的运算问题。
因此，提出了一个新的方法——对数平均迪氏指数法(LMDI)，用对数对指数进行替换从而解决了上述问题，通过极小正数替换解决了零值问题，且适合对能源领域的问题进行分解研究[19]。
中国能源平衡表中给出的终端能源消费数据是以分部门形式列出各类化石燃料的消费量，其中主要分为七大类别，分别为农、林、牧、渔、水利业;工业;建筑业;交通运输、仓储及邮电通讯业;批发和零售贸易业、餐饮业;生活消费以及其他部门。工业部门中化石燃料的消费量应该去掉作为原料、材料以及非能源产品用途的部分，还需把能源加工转换过程中的投入量计入进来。
依据以上分析，参考文献[20]，建立LMDI分解模型
式中:i表示不同产业部门;Ci为第i个部门二氧化碳排放量;Ei为第i个部门能源消费量;Gi为第i个部门的经济产出;θGDP为国内生产总值;φPOP为国内总人口数;βUR 为我国城镇化水平;βRP 为我国农村人口比例。
式(2)可整理得
式中:CFi为第i个部门碳排放系数即二氧化碳排放强度;EIi为第i个部门能源消费强度;ESi为部门结构比重;θPCG为人均国民生产总值。
模型框架结构如图1所示。
图1 分解模型的框架结构Fig.1 Framework structure diagram of the decomposition model
根据LMDI模型的乘法模式，可直接列写出分解公式如下，通过该式可计算出各效应的贡献值，即
式中:T为目标年;上标0为基准年;ωi(t*)为权重函数ωi=Ci/C在时刻t*的函数值，t*∈（0，T）。对数权重函数的定义为
式中:Dtot为总效应结果;DCF、DEI、DES、DPCG、DPOP、DUR、DRP分别为各影响因素对应的效应。式(7)可以理解为碳排放量的增长能分解成上述7种因素共同作用的结果。
为探究电力碳排放对能源系统碳排放的影响，将电力系统的碳排放量CP作为独立部门从工业部门中提取出来，式(3)可写成
则增加效应
3.1 能源消费总量预测
选取我国2010—2019年的终端能源消费量为原始数据，建立灰色GM(1，1)预测模型，得到的预测结果如图2所示。
图2 我国终端能源消费量预测结果Fig.2 Forecast results of China"s terminal energy consumption
残差检验效果如表3所示，可以看出模拟数据的相对误差不超过1.5%，模拟效果较好。
表3 我国能源消费GM(1,1)模型效果检验表Table 3 Test of the effect of the GM(1,1)model of China"s energy consumption
同时，得到小概率误差p=1，均方差值c=0.027，所在精度为一级;关联度γ=0.989 6，预测精度较高，综上灰色GM(1，1)预测模型适用于我国能源消费总量的预测。进行能源消费总量预测，结果如表4所示。
表4 我国2020—2030年终端能源消费预测结果Table 4 China"s end-use energy consumption forecast results for 2020—2030
3.2 能源系统碳排放影响因素分析
首先考虑CF对二氧化碳排放的影响，由于CF代表的是燃料的二氧化碳排放强度，在燃料充分燃烧的情况下，数值固定，在理想的情况下，燃料的二氧化碳排放强度对二氧化碳排放的贡献为0，本文设该因素的贡献为0。对2015—2019 年我国能源活动产生的二氧化碳排放量的变化进行结构分解分析，结果如附录表B2。
表B2 我国二氧化碳排放增长的驱动因素及其贡献率Table B2 Drivers of China"s CO2 emission growth and their contribution
基于对数函数可以进一步将各影响因素的影响力标准化[21]，即
图3 2015—2019年碳排放影响因素贡献率Fig.3 Contribution of factors influencing carbon emissions,2015—2019
2015—2019年，我国能源系统碳排放增长了1.060 5倍，从图3中可以看出，有4个因素促进碳排放的增长。其中人均国民生产总值和电力系统碳排放量对碳排放的增长影响较大，同时人口规模的增长和我国城镇化水平的提高对碳排放的增加也起到一定正向作用;能源强度对碳排放增加的负向影响相对较大，能源强度是促使碳减排的主要因素，同时随着产业结构的不断优化，也会略微促进能源系统的碳减排。对碳排放增长主要的影响因素就是经济规模即人均国民生产总值的增长，能源强度即能源利用效率的提高有利于碳排放的减少，产业结构的不断优化也有利碳减排趋势，但对碳排放影响较小，人口规模的扩大会使碳排放增加，但影响也较小。
本文首先利用灰色GM(1，1)模型对我国能源消费总量进行预测，经过检验后证明该模型精度较高。同时选取影响能源碳排放的相关因素，利用LMDI乘法模型进行求解，并将电力碳排放量作为单独的影响效应进行分析。进行标准化后分析各因素对碳排放量的促进、抑制关系，从结果中可以看出，促进碳排放的因素有能源消费强度、人口数量、城镇化水平及电力碳排放量，抑制因素有能源消费强度、农村人口比重及产业结构。
电力系统碳排放作为化石燃料消耗的主要行业，占能源消耗相关的碳排放总量的40%左右。因此电力行业的碳减排尤为关键，未来将进一步分析电力系统的碳排放影响因素。
附录A 灰色预测流程
步骤一:获取原始数据序列X(0)=[x(0)(1)，x(0)(2)，…，x(0)(n)]，并进行预处理。
步骤二:得到一阶累加数列X(1)=[x(1)(1)，x(1)(2)，…，x(1)(n)]。
步骤三:累加数列X(1)满足指数增长规律，而指数函数的解恰好可以由一阶微分方程的解求出，因此X(1)序列满足:
式中:a为系统的发展灰数;u为系统的内生控制灰数。
步骤四:进一步计算得到GM(1，1)模型离散化的时间响应函数形式，即
步骤五:通过单个逆累加生成操作(IAGO)，便可以得到GM(1，1)模型，计算得出预测值为
步骤六:对得到的预测值进行误差检验。若预测数列与原始数列拟合精度高，则得到的预测模型可以使用，否则需对模型进行修正。
步骤七:使用通过检验的模型对未来进行预测。
附录B
猜你喜欢 消费量排放量强度 低强度自密实混凝土在房建中的应用建材发展导向(2021年7期)2021-07-16对于废水排放相关分析看世界·学术上半月(2020年9期)2020-09-10城市公交车非常规气体排放特性研究河北工业大学学报(2019年4期)2019-09-102016年11月马来西亚天胶产量及消费量情况世界热带农业信息(2016年12期)2017-05-23计算电场强度常用的几种方法新高考·高一物理(2016年7期)2017-01-23电场强度叠加问题的求解新高考·高一物理(2016年7期)2017-01-23电场强度单个表达的比较新高考·高一物理(2016年7期)2017-01-2350%，全球最富有的10%人口碳排放量占全球一半中国国情国力(2016年1期)2016-11-26全球棉花产需预测继续下调纺织服装周刊(2016年7期)2016-03-072014年全国纸及纸板生产量为1.0470亿吨印刷技术·数字印艺(2015年6期)2015-08-31 相关热词搜索：排放，模型，因素，
