交通碳排放影响因素分析：以西安市为例
发布时间：2022-02-10 00:49
为了量化探究人口、经济和科技等因素对城市交通碳排放的影响,缓解交通业所带来的能源消耗和客环运境量压、城力市,文化章率首、客先运选及用货能物源周终转端量消等费7测个算因法素计变算量了,通200过5构—2建01可6拓年展西的安随市机的性交环通境碳影排响放评量估,（然S后TIR引P入AT地）铁模型,采用偏最小二乘（PLS）回归方法,对选取的影响因素进行量化分析。结果显示,经济发展对西安市交通碳排放起促进作用,科技水平的提高起抑制作用,且两者均为关键因素;人口规模的扩张效应影响较小;西安市交通碳排放存在环境库兹涅茨曲线,表明经济发展与环境保护初步协同。
【文章来源】：统计与决策. 2020,36(04)北大核心CSSCI
【文章页数】：5 页
【部分图文】：
可看出，西安市经济稳定增长趋势明显，交通碳排放量呈现出先增后降的趋势，而碳排放强度则呈现出
彩薪煌?运输业能源消费量，乘以2006年IPCC公布的各能源标准煤系数算出西安市交通业各能源终端消费量（标准煤）。图2显示西安市交通运输业各类能源最终消费量极不平衡，主要消耗为柴油、汽油。其中，污染较大的一次能源，在2013年以前消耗量逐年增加，2013年以后则呈现显著降低趋势。随着科研技术的提高和低碳政策的实施，西安市能源消耗结构发生改变，清洁能源逐渐进入市常200520062007200820092010201120122013201420152016年份原煤天然气汽油煤油柴油燃料油1009080706050403020100万吨图2能源标准煤终端消费量趋势图2西安市交通碳排放的测算2.1碳排放测算模型建立借鉴多数学者对交通碳排放量的测算方法，结合实际数据的采集情况，本文采用基于交通能源消耗的“自上而下”的碳排放量算法，即把范畴内各类能源标准煤的终端消耗量与相应的各能源碳排放系数（吨碳/吨标准煤）（见表1）相乘构建测算模型：C=Qi×Ki（1）式（1）中，C定义为交通碳排放量，Qi为第i种能源标准煤的终端消费量，Ki为第i种能源的碳排放系数，i=1?2???6，分别表示原煤、天然气、汽油、煤油、柴油、燃料油。2.2碳排放测度及分析2.2.1交通碳排放总量与人均量变化分析经过上述测算方法，计算得出的西安市交通碳排放量，结合2005—2016年西安市年末人口数，计算出人均交通碳排放量。由图3可知：2005—2016年西安市交通运输业碳排放总量呈现出先缓增后微降的趋势，2005—2013年逐年上升，9年时间增长了2.51倍。但随着2014年国家低碳政策的实施，西安市的交通碳排放量逐渐控制减少，三年内降低了33.24%。人均交通碳排放量与交通碳排放总量大致呈现出同步变化，说明西安?
咕榷嘀毓蚕咝缘姆椒ㄓ泻芏啵?疚难≡?集主成分分析、典型相关分析和线性回归分析基本功能于一体的偏最小二乘回归（PLS）法。3.2.2PLS回归结果对原始变量序列进行对数转换后，应用SIMCA14.1，采用PLS回归能够有效地降低多重相关性的危害，从而得出可信的回归结果。首先，通过th/uh散点图和T2椭圆图两种方式判断PLS拟合的优劣。在PLS回归中提取的成分具有明显的典型成分特征，绘制th/uh平面图来观测th与uh的线性关系，进而判断自变量与因变量之间的关系。图5t1/u1的平面图图5中除了个别点外，大部分被提取的t1和u1显现出较强的线性关系，初步判断采用PLS建立Y对X的线性模型是合理的。在PLS中提取的th虽然不是主成分分析中的主成分，但却带有明显的主成分特征，通过观察T2椭圆图在t1/t2平面图上样本点所在高维空间的分布特征以及各样本点的相似性结构，用于发现取值远离样本点集合平均水平的特异点。从图6可以看出，模型中只有个别数据比较偏离中心，但都在椭圆内部，本文研究模型中样本的取值是合理的。图6T2椭圆图其次，SIMCA14.1会根据变量R2Y（累积解释能力）和Q2（交叉有效性）等指标选取最佳的成分个数进行PLS的自动拟合，结果如表4所示。表4模型提取成分信息ModelM1TypePLSA3N12R2X(cum)0.994R2Y(cum)0.938Q2(cum)0.872由表4可知，系统从自变量集合中提取了3个成分，它们对自变量集合的概括精度达到87.2%，方程对西安市交通碳排放的解释能力达到93.38%，精度较高。表4中R2X(cum)、R2Y(cum)和Q2(cum)三者均大于0.85，一般来说，如果三个指标的值均大于0.8，则认为回归结
【参考文献】：
期刊论文
[1]中国不同城镇化发展区域的城镇化率对碳排放影响研究[J]. 石芳芳,王辉,郭名媛. 甘肃科学学报. 2017(06)
[2]基于IEA统计视角的我国交通碳排放测度与修正[J]. 周银香,李蒙娟. 绿色科技. 2017(12)
[3]居民生活消费碳排放影响分析与动态模拟预测[J]. 刘云鹏,王泳璇,王帆,丁哲,赵文晋. 生态经济. 2017(06)
[4]区域交通碳排放相关指标测算及影响因素分析[J]. 陈亮,何涛,李巧茹,田晓勇,魏玮. 北京工业大学学报. 2017(04)
[5]基于LMDI模型的贵阳市交通碳排放及其影响因素分析[J]. 曹甲威,赵翠薇. 贵州科学. 2017(01)
[6]中国客运交通的碳排放地理特征与展望[J]. 李琳娜,Becky P.Y.Loo. 地理研究. 2016(07)
[7]二氧化碳排放强度预测与“十三五”减排路径分析——基于STIRPAT模型的构建[J]. 李虹,娄雯. 科技管理研究. 2016(05)
[8]江苏省交通运输业能源消费碳排放及脱钩效应[J]. 杨良杰,吴威,苏勤,杜志鹏,蒋晓威. 长江流域资源与环境. 2014(10)
[9]上海市交通能源消费碳排放的测算与分解分析[J]. 吴开亚,何彩虹,王桂新,张浩. 经济地理. 2012(11)
[10]城市交通碳排放影响因素实证研究——来自京津沪渝面板数据的证据[J]. 苏涛永,张建慧,李金良,倪颖. 工业工程与管理. 2011(05)
本文编号：3617944
【文章来源】：统计与决策. 2020,36(04)北大核心CSSCI
【文章页数】：5 页
【部分图文】：
可看出，西安市经济稳定增长趋势明显，交通碳排放量呈现出先增后降的趋势，而碳排放强度则呈现出
彩薪煌?运输业能源消费量，乘以2006年IPCC公布的各能源标准煤系数算出西安市交通业各能源终端消费量（标准煤）。图2显示西安市交通运输业各类能源最终消费量极不平衡，主要消耗为柴油、汽油。其中，污染较大的一次能源，在2013年以前消耗量逐年增加，2013年以后则呈现显著降低趋势。随着科研技术的提高和低碳政策的实施，西安市能源消耗结构发生改变，清洁能源逐渐进入市常200520062007200820092010201120122013201420152016年份原煤天然气汽油煤油柴油燃料油1009080706050403020100万吨图2能源标准煤终端消费量趋势图2西安市交通碳排放的测算2.1碳排放测算模型建立借鉴多数学者对交通碳排放量的测算方法，结合实际数据的采集情况，本文采用基于交通能源消耗的“自上而下”的碳排放量算法，即把范畴内各类能源标准煤的终端消耗量与相应的各能源碳排放系数（吨碳/吨标准煤）（见表1）相乘构建测算模型：C=Qi×Ki（1）式（1）中，C定义为交通碳排放量，Qi为第i种能源标准煤的终端消费量，Ki为第i种能源的碳排放系数，i=1?2???6，分别表示原煤、天然气、汽油、煤油、柴油、燃料油。2.2碳排放测度及分析2.2.1交通碳排放总量与人均量变化分析经过上述测算方法，计算得出的西安市交通碳排放量，结合2005—2016年西安市年末人口数，计算出人均交通碳排放量。由图3可知：2005—2016年西安市交通运输业碳排放总量呈现出先缓增后微降的趋势，2005—2013年逐年上升，9年时间增长了2.51倍。但随着2014年国家低碳政策的实施，西安市的交通碳排放量逐渐控制减少，三年内降低了33.24%。人均交通碳排放量与交通碳排放总量大致呈现出同步变化，说明西安?
咕榷嘀毓蚕咝缘姆椒ㄓ泻芏啵?疚难≡?集主成分分析、典型相关分析和线性回归分析基本功能于一体的偏最小二乘回归（PLS）法。3.2.2PLS回归结果对原始变量序列进行对数转换后，应用SIMCA14.1，采用PLS回归能够有效地降低多重相关性的危害，从而得出可信的回归结果。首先，通过th/uh散点图和T2椭圆图两种方式判断PLS拟合的优劣。在PLS回归中提取的成分具有明显的典型成分特征，绘制th/uh平面图来观测th与uh的线性关系，进而判断自变量与因变量之间的关系。图5t1/u1的平面图图5中除了个别点外，大部分被提取的t1和u1显现出较强的线性关系，初步判断采用PLS建立Y对X的线性模型是合理的。在PLS中提取的th虽然不是主成分分析中的主成分，但却带有明显的主成分特征，通过观察T2椭圆图在t1/t2平面图上样本点所在高维空间的分布特征以及各样本点的相似性结构，用于发现取值远离样本点集合平均水平的特异点。从图6可以看出，模型中只有个别数据比较偏离中心，但都在椭圆内部，本文研究模型中样本的取值是合理的。图6T2椭圆图其次，SIMCA14.1会根据变量R2Y（累积解释能力）和Q2（交叉有效性）等指标选取最佳的成分个数进行PLS的自动拟合，结果如表4所示。表4模型提取成分信息ModelM1TypePLSA3N12R2X(cum)0.994R2Y(cum)0.938Q2(cum)0.872由表4可知，系统从自变量集合中提取了3个成分，它们对自变量集合的概括精度达到87.2%，方程对西安市交通碳排放的解释能力达到93.38%，精度较高。表4中R2X(cum)、R2Y(cum)和Q2(cum)三者均大于0.85，一般来说，如果三个指标的值均大于0.8，则认为回归结
【参考文献】：
期刊论文
[1]中国不同城镇化发展区域的城镇化率对碳排放影响研究[J]. 石芳芳,王辉,郭名媛. 甘肃科学学报. 2017(06)
[2]基于IEA统计视角的我国交通碳排放测度与修正[J]. 周银香,李蒙娟. 绿色科技. 2017(12)
[3]居民生活消费碳排放影响分析与动态模拟预测[J]. 刘云鹏,王泳璇,王帆,丁哲,赵文晋. 生态经济. 2017(06)
[4]区域交通碳排放相关指标测算及影响因素分析[J]. 陈亮,何涛,李巧茹,田晓勇,魏玮. 北京工业大学学报. 2017(04)
[5]基于LMDI模型的贵阳市交通碳排放及其影响因素分析[J]. 曹甲威,赵翠薇. 贵州科学. 2017(01)
[6]中国客运交通的碳排放地理特征与展望[J]. 李琳娜,Becky P.Y.Loo. 地理研究. 2016(07)
[7]二氧化碳排放强度预测与“十三五”减排路径分析——基于STIRPAT模型的构建[J]. 李虹,娄雯. 科技管理研究. 2016(05)
[8]江苏省交通运输业能源消费碳排放及脱钩效应[J]. 杨良杰,吴威,苏勤,杜志鹏,蒋晓威. 长江流域资源与环境. 2014(10)
[9]上海市交通能源消费碳排放的测算与分解分析[J]. 吴开亚,何彩虹,王桂新,张浩. 经济地理. 2012(11)
[10]城市交通碳排放影响因素实证研究——来自京津沪渝面板数据的证据[J]. 苏涛永,张建慧,李金良,倪颖. 工业工程与管理. 2011(05)
本文编号：3617944
本文链接：https://www.wllwen.com/jingjilunwen/jtysjj/3617944.html
