建筑碳排放影響因素分析及情景預測

趙紅巖, 霍正剛, 查曉庭, 張森森

(揚州大學建筑科學與工程學院, 江蘇 揚州 225127)

IPCC發(fā)布的第五次評估報告中指出, 建筑業(yè)產(chǎn)生的能耗占最終能源使用量的32%, 產(chǎn)生的碳排放約占溫室氣體的1/4[1]．江蘇省作為建筑業(yè)大省, 同時也是經(jīng)濟發(fā)達省份,了解江蘇省建筑碳排放的影響因素并對其進行預測分析,不僅對江蘇省建筑業(yè)碳減排工作具有重要意義, 同時也能為其他地區(qū)建筑業(yè)發(fā)展及減排工作提供借鑒作用．Li等[2]認為GDP、勞動生產(chǎn)率以及產(chǎn)出碳強度是影響中國建筑業(yè)碳排放的重要因素, 且GDP與建筑碳排放呈正相關關系,勞動生產(chǎn)率、產(chǎn)出碳強度與建筑碳排放呈負相關關系; Li等[3]通過LMDI模型對建筑業(yè)碳排放驅(qū)動因素分解發(fā)現(xiàn),面積和產(chǎn)值強度的提高會導致建筑碳排放的增加, 碳排放強度的增加則會降低建筑碳排放; Li等[4]將人均GDP、建筑碳排放強度、人均建筑面積等作為影響建筑碳排放的影響因素納入到系統(tǒng)動力學模型中進行碳排放量預測; Ma等[5]通過STIRPAT模型及嶺回歸對建筑碳排放驅(qū)動因素分析,指出人口、城鎮(zhèn)化率、人均建筑面積、第三產(chǎn)業(yè)增加值及碳排放強度均對碳排放做出積極貢獻．近年來, 也有不少科研人員對建筑碳排放進行預測分析, 如Du等[6]運用系統(tǒng)動力學的方法對中國建筑碳排放進行預測, 認為所有情景下相較于2005年碳強度水平下降40%～45%的目標已達到; Fang等[7]利用隨機森林模型在建筑早期設計階段對碳排放進行預測,為減少建筑碳排放提供理論依據(jù); Fan等[8]利用人工神經(jīng)網(wǎng)絡對中國碳排放進行預測,認為碳匯和碳捕集與封存等是中國實現(xiàn)碳中和的首選方案; Sun等[9]通過極限學習機對碳排放強度進行預測,發(fā)現(xiàn)碳排放效率與碳排放強度之間存在高度的相關性; Gao等[10]通過Gompertz模型對碳排放進行預測,指出當前政策下美國的碳排放量到2025年預計比2005年降低17.01%．目前雖然對碳排放的預測研究相對較多且方法豐富多樣, 但對建筑碳排放預測的研究仍較少, 故本文擬以常住人口、城鎮(zhèn)化率、人均GDP、第三產(chǎn)業(yè)增加值、建筑企業(yè)勞動生產(chǎn)率等作為影響建筑碳排放的主要因素,利用STIRPAT模型對江蘇省建筑碳排放影響因素進行分析, 并運用GA-BP神經(jīng)網(wǎng)絡進行建筑碳排放預測．

1 模型和方法

1.1 STIRPAT模型

為了解影響建筑碳排放的主要因素, 由STIRPAT模型[11]可得建筑碳排放量CE=aMmCcGgWwSsHhLle, 則有

lnCE=lna+mlnM+clnC+glnG+wlnW+slnS+hlnH+llnL+lne,

其中CE是建筑碳排放量,a是常數(shù)項,M是常住人口數(shù),C是城鎮(zhèn)化率,G是人均GDP,W是第三產(chǎn)業(yè)增加值,S是鋼材生產(chǎn)量,H是平均運輸里程,L是建筑企業(yè)勞動生產(chǎn)率,e是誤差項;m,c,g,w,s,h,l是各指標的彈性系數(shù)．

1.2 GA-BP神經(jīng)網(wǎng)絡模型

1) 采用二進制編碼, 編碼長度N=10(nin×nh+nout×nh+nh+nout);

3) 運用輪盤賭法[12]從種群中選擇適應度好的個體組成新種群, 并以交叉概率為0.4,變異概率為0.2, 交叉和變異位置隨機選取, 獲取最優(yōu)的權(quán)重和閾值;

4) 當染色體整體變化不大, 群體趨于穩(wěn)定或迭代次數(shù)(本文最大迭代次數(shù)選為50)滿足最大代數(shù)時遺傳算法迭代終止．

GA-BP神經(jīng)網(wǎng)絡的基本流程如圖1所示．

1.3 嶺回歸

使用嶺回歸[13]對建筑業(yè)相關影響因素進行回歸分析,根據(jù)各變量的彈性系數(shù)、顯著性水平等參數(shù)對STIRPAT模型及各自變量進行分析．通過嶺回歸模型可消除多元回歸中自變量間的多重共線性, 確保回歸模型能夠真實反映出建筑碳排放與其影響因素之間的關系．一般情況下,嶺回歸中嶺參數(shù)K值的選取原則為各自變量標準化回歸系數(shù)趨于穩(wěn)定時的最小K值,考慮到通過嶺跡圖判斷的方式存在一定的主觀性,故本文選用方差擴大因子法確定K值．

1.4 建筑碳排放計算

運用能源平衡表拆分法[14]計算全生命周期建筑碳排放量, 其中能源碳排放因子fE=44JCvO/12, 式中J是平均低位發(fā)熱量,Cv是單位熱值含碳量,O是碳氧化率; 電力碳排放因子fe=Ct/(Et+Er), 式中Ct是火力發(fā)電產(chǎn)生的碳排放量,Et是火力發(fā)電量,Er是可再生能源發(fā)電量; 熱力碳排放因子fh=Ch/Ph, 式中Ch是各類供熱能源產(chǎn)生的碳排放量,Ph是熱力生產(chǎn)總量．

1.5 數(shù)據(jù)來源

文中所使用的各項原始數(shù)據(jù)均來自于2005—2019年的《中國統(tǒng)計年鑒》、《江蘇統(tǒng)計年鑒》、《中國建筑業(yè)統(tǒng)計年鑒》、《中國能源統(tǒng)計年鑒》．表1為2005—2019年各影響因素的數(shù)據(jù)以及歷年建筑碳排放量．

表1 建筑碳排放及影響因素原始數(shù)據(jù)

2 結(jié)果與討論

2.1 多重共線性分析

運用SPSS軟件進行多元回歸分析所得結(jié)果見表2和表3．表2結(jié)果顯示, lnM、lnC、lnG、lnW、lnH、lnL的方差膨脹系數(shù)均大于10．通常情況下, 方差膨脹系數(shù)在10～100之間表明變量間存在較強的多重共線性, 故表中變量之間存在較強的多重共線性．表3結(jié)果顯示, 多個維度的特征值接近于0, 且條件指標最大值為8 050.731．一般情況下當存在多個維度特征值約為0或條件指標大于10時, 這意味著變量之間存在多重共線性．因此, 多元回歸結(jié)果表明變量間存在多重共線性．

表2 多元回歸結(jié)果

2.2 嶺回歸分析

運用SPSSPRO軟件進行嶺回歸分析, 分析結(jié)果如圖2和表4所示．圖2為嶺回歸模型中各自變量的標準化系數(shù)趨于穩(wěn)定時的情況, 當K介于0～0.1之間時標準化系數(shù)整體變化較大, 但在K大于0.1后除lnS的標準化回歸系數(shù)仍有一定的變化幅度, 其余變量的標準化回歸系數(shù)均趨于穩(wěn)定．考慮到依據(jù)嶺跡圖確定K值時存在主觀性, 故本文在對嶺跡圖進行初步分析的基礎上選用方差擴大因子法得到嶺參數(shù)K=0.127．表4結(jié)果表明, 彈性系數(shù)m,c,s,h,l均大于零, 表明常住人口、城鎮(zhèn)化率、鋼材產(chǎn)量、平均運輸里程以及建筑企業(yè)勞動生產(chǎn)率的提高或增加會增加建筑碳排放量, 即在城市經(jīng)濟發(fā)展過程中, 隨著這些指標的增加,建筑碳排放量增大．其中,m為0.877,在所有彈性系數(shù)中數(shù)值最大, 意味著區(qū)域內(nèi)常住人口數(shù)對建筑碳排放量的貢獻最大, 而鋼材產(chǎn)量的彈性系數(shù)s=0.639, 說明鋼材產(chǎn)量在建筑碳排放量中的占比也較大, 但其他3個指標的彈性系數(shù)均不太大,因此這些指標對建筑碳排放量有貢獻但均不顯著．另一方面, 彈性系數(shù)g和w為負數(shù)且絕對值均較小, 說明人均GDP和第三產(chǎn)業(yè)增加值的增加會使建筑碳排放量降低, 即隨著人均GDP和第三產(chǎn)業(yè)增加值的增加, 區(qū)域內(nèi)建筑碳排放量略呈下降趨勢．因此,在經(jīng)濟發(fā)展過程中,可通過優(yōu)化區(qū)域內(nèi)人才戰(zhàn)略控制一定的常住人口規(guī)模,并不斷提高第三產(chǎn)業(yè)增加值和人均GDP以及降低鋼材生產(chǎn)量和建筑企業(yè)勞動生產(chǎn)率等措施能有效降低區(qū)域內(nèi)的建筑碳排放量．由表4可得建筑碳排放量CE=9.597e-6M0.877C0.18G-0.004W-0.091S0.639H0.057L0.207; lnM、lnC、lnG、lnW、lnS、lnH、lnL回歸模型中p值為0.001, 呈現(xiàn)顯著性水平, 排除了自變量與因變量間不存在回歸關系的假設, 表明建筑碳排放與常住人口、城鎮(zhèn)化率、人均GDP、第三產(chǎn)業(yè)增加值、鋼材產(chǎn)量、平均運輸里程、建筑企業(yè)勞動生產(chǎn)率之間存在回歸關系．同時, 模型的擬合優(yōu)度R2為0.944, 表明該模型的效果較好, 能夠滿足基本要求．

表3 共線性診斷

表4 K=0.127時嶺回歸分析結(jié)果

圖2 嶺跡圖Fig.2 Ridge trace map

3 GA-BP神經(jīng)網(wǎng)絡對建筑碳排放的情景預測

3.1 情景設置

為驗證本文所提模型的正確性, 運用GA-BP神經(jīng)網(wǎng)絡對江蘇省2020—2030年建筑業(yè)碳排放進行情景預測．運算時的情景模式分別設置為低碳、基準、高碳,不同情景模式下各因素的變化速率依據(jù)近十年該因素的整體態(tài)勢以及年平均變化率進行設定, 同時參考國家及江蘇省頒布的有關政策及規(guī)劃進行調(diào)整,其中基準情景表示延續(xù)現(xiàn)有經(jīng)濟政策,低碳情景表示調(diào)整現(xiàn)有經(jīng)濟政策以優(yōu)化建筑碳排放,高碳情景則表示弱化現(xiàn)有經(jīng)濟政策．表5給出了江蘇省建筑碳排放不同情景模式下的設置參數(shù)．

表5 江蘇省建筑碳排放情景模式中各參數(shù)變化速率

圖3 江蘇省建筑碳排放情景模擬Fig.3 Scenario simulation of building carbon emission in Jiangsu Province

3.2 預測結(jié)果分析

遺傳算法優(yōu)化完成的BP神經(jīng)網(wǎng)絡的誤差僅為0.019 343, 表明本文模型的預測結(jié)果具有較高的可靠性．不同情景模式下江蘇省建筑業(yè)碳排放的模擬結(jié)果如圖3所示．從圖3可以看出, 2020—2030年江蘇省建筑業(yè)碳排放量總體呈現(xiàn)下降趨勢, 表明江蘇省建筑業(yè)碳減排工作已具成效．到2030年底, 低碳、基準和高碳模式下的碳排放量分別為272.813 6, 369.814 9, 475.912 6 Mt, 表明省內(nèi)建筑業(yè)仍有較大的碳減排空間．在不同情境下, 2030年所產(chǎn)生的建筑碳排放量之間存在較大的差異,說明結(jié)合建筑碳排放主要影響因素制定適宜的發(fā)展模型將對碳減排工作具有重要作用．同時,江蘇省建筑碳排放已于2012年達到歷史峰值,表明江蘇省建筑碳排放已滿足初步達峰條件, 而2012及2013年度江蘇省建筑碳排放量顯著高于其他年份,這是由于這兩年江蘇省建筑業(yè)整體處于高速發(fā)展狀態(tài),建筑業(yè)產(chǎn)值、房屋建筑施工面積、房屋建筑竣工面積等指標都有較大的增幅．

4 結(jié)論

本文利用STIRPAT模型對江蘇省建筑業(yè)碳排放進行因素分析, 并運用GA-BP神經(jīng)網(wǎng)絡模型對2020—2030年江蘇省建筑碳排放量進行預測．主要結(jié)論如下:

1) 江蘇省建筑全生命周期碳排放量自2005年到2019年增長約為409.476 Mt, 在2012年達到峰值后碳排放量激劇下降, 之后又呈現(xiàn)出緩慢上升的趨勢;

2) 隨著常住人口、城鎮(zhèn)化率、鋼材生產(chǎn)量、平均運輸里程以及建筑企業(yè)勞動生產(chǎn)率的提高,建筑碳排放量增加; 而隨人均GDP和第三產(chǎn)業(yè)增加值的增加, 建筑碳排放量減小;

3) 由彈性系數(shù)的大小可知, 常住人口數(shù)量對江蘇省建筑全生命周期碳排放量的貢獻最大;

4) 預測結(jié)果顯示, 2020—2030年江蘇省建筑碳排放呈下降趨勢, 表明江蘇省建筑碳排放已具備初步達峰條件,而不同情景模式下碳排放量之間的較大差異說明未來江蘇省建筑碳排放仍具有較大的減排空間．

以上結(jié)果有助于政策制定者依據(jù)驅(qū)動因素更加有效地制定建筑業(yè)低碳發(fā)展政策, 如倡導使用綠色建材以替代原有高碳建材, 制定更加高效的建筑供應鏈規(guī)劃, 提高能源使用效率等,這為其他省級經(jīng)濟體的建筑碳減排工作提供建議和參考．后續(xù)研究工作中將進一步提高模型中建材運輸階段碳排放量的計算準確性,并考慮能源碳排放因子的動態(tài)變化對建筑碳減排的影響．