综合交通运输系统碳排放预测的不确定性分析
论文题目：综合交通运输系统碳排放预测的不确定性分析
论文作者：张晔，宋国华，尹航，徐双亿，张泽禹
论文期刊：交通运输工程与信息学报
获取网址：
https://kns.cnki.net/kcms/detail/51.1652.u.20220722.1447.001.html
关键词：综合运输; 碳排放预测; 自下而上; 敏感性分析; 不确定性分析
摘要：综合交通运输系统碳排放是全社会碳排放的主要组成部分，由于受多种因素影响，碳排放的预测具有不确定性。本文将综合交通运输系统划分为道路运输、轨道运输、水路运输和航空运输，将运输量、运输结构、运输工具的能耗和燃料的碳排放系数作为碳排放的影响因素，采用基于活动水平的方法测算综合交通运输系统碳排放。提出单位因素变化的碳排放变化率为敏感性系数，分析运输量、运输结构等不确定因素变化对碳排放的影响；设置不同减排情景，采用蒙特卡罗模拟预测在不同减排政策下碳排放发展的不确定性。通过敏感性分析研究发现：传统能源私家车、货车的运输量或能耗的变化对碳排放影响较大，敏感性系数达到0.46 和0.23。不确定性分析结果表明：在既有政策设定情景和面向碳达峰情境下，交通碳排放有望在2033 和2031 年实现达峰，峰值分别约为11.4 与11.3 亿吨，不确定范围约为10-12 亿吨，随着时间的推移，碳排放的不确定范围呈扩大趋势。总体上看，交通运输系统在2030 年前实现碳达峰难度较大。近中期，传统燃油车的能效提升对碳减排非常重要；中远期，推广新能源车辆措施会发挥更加重要的减排作用。
1研究背景
交通运输业是人类社会碳排放的主要来源之一，2019年交通运输碳排放占全球碳排放总量的27%，为第二大碳排放部门。在中国碳排放总量中，交通运输约占9%，为第三大碳排放部门。从发达国家的发展经验来看，随着社会经济的发展以及出行需求的转变，交通运输碳排放占总排放量比重呈现出增长态势是必然趋势。
交通运输碳排放的预测与碳达峰的实现具有不确定性。交通运输碳排放受运输量、运输工具能耗等多种因素的影响，各因素的变化具有不确定性，碳排放可能在阶段性的下降后继续上升。由于发展阶段的不同，很多欧洲国家在20世纪90年代左右已经实现了“碳达峰”，相对于全社会的碳达峰，交通运输碳达峰普遍滞后10年左右。现有研究多采用情景设置方法，给出确定性的碳排放发展预测，缺少关于碳排放发展、达峰时间与峰值不确定性的分析。
因此，本研究主要对交通运输碳排放发展的不确定性进行分析，以不同情景下碳排放的发展以及碳排放数值的不确定范围作为不确定性的分析依据，并分析各减排措施对碳排放的影响程度，尝试为交通运输碳达峰的更好实现提供方法支持。
2研究方法
交通运输系统碳排放可能来源于运输工具移动消耗燃料产生的碳排放或交通基础设施建设产生的碳排放。《2030年前碳达峰行动方案》针对这两部分提出了相应的减排方案，本研究主要针对交通运输工具在移动过程中燃料燃烧所产生的碳排放进行研究，将综合交通运输系统碳排放定义为包括道路运输、轨道运输、国内外航空运输以及国内外水路运输的碳排放总和，以及电力产生的间接排放。
2.1碳排放影响因素
根据国际能源署关于交通运输模型的研究，交通能耗的影响因素可以分为活动水平、运输结构、设备效率水平与燃料结构四类。结合基于活动水平等效的碳排放测算方法，上述影响因素分别对应运输（总）量、运输结构、运输工具能耗和燃料的碳排放系数。
图 1综合交通运输系统碳排放的影响因素
2.2碳排放测算方法
研究将碳排放影响因素参数化，包括运输量、运输结构、运输方式能耗以及燃料的碳排放系数；将综合交通运输系统分为道路、轨道、航空以及水运四类运输方式，测算综合交通运输系统碳排放。测算方法如下：
式中，为运输总量，为第i种运输工具运输量占运输总量的比值，为第i种运输工具单位能耗，为第i种运输工具对应燃料的碳排放系数。其中电力碳排放系数由不同发电方式的装机容量占比与碳排放系数的乘积加总得到。
2.3碳排放敏感性分析
综合交通运输系统碳排放的影响因素多样、影响环节和过程复杂，导致碳排放的测算和预测会存在不确定性。敏感性系数指不同影响因素在可能的取值范围内变动对碳排放的影响程度，敏感性系数越大，该因素对碳排放影响越大。敏感性系数的计算式如下：
式中，表示敏感性系数， 表示碳排放变化率，表示影响因素变化率。若
趋于0,对敏感性系数求极限，可以得到下式：
式中，为式(2)对参数求偏导得到的偏导数。上式对于运输量、运载工具能耗、能源的碳排放系数以及不同发电方式碳排放系数四种影响因素是连续函数。运输结构、电力结构各参数会互相影响，无法通过式(3)进行计算，采用式(2)进行敏感性系数的计算。
2.4碳排放发展的不确定性分析
政府间气候变化专门委员会(Intergovernmental Panel on Climate Change, IPCC)针对碳排放及其发展趋势的不确定性提出了误差传播公式与蒙特卡罗模拟两种分析方法。蒙特卡罗模拟能够处理影响因素随时间和源类别之间的相关，较多的被用来分析碳排放的不确定性。根据IPCC对活动水平数据不确定性的考虑，研究选择三角分布作为输入参数的概率密度函数类型。采用Crystal Ball软件进行蒙特卡罗模拟，将服从特定概率分布的不确定输入参数作为假设单元，输出变量碳排放作为预测单元，设置每次计算的模拟次数为5万次。
根据指导政策以及相关研究，设置基准情景、既有政策设定情景与面向碳达峰情景，考虑货运结构的优化、运输工具能耗降低、新能源车辆的发展以及发电能源结构的优化四种减排措施，基于上述四种碳减排措施，采用蒙特卡罗模拟预测2021-2035年综合交通运输系统碳排放发展及其不确定性，同时，分析各减排措施对碳排放的影响程度。
研究以《2030年前碳达峰行动方案》的减排措施作为既有政策设定情景的主要依据。面向碳达峰情景是在既有政策设定情景的基础上对2031-2035年的减排措施进行优化，以期实现2030交通碳达峰目标。基准情景指运输量增加、其他因素保持不变的发展情景。
根据《国家综合立体交通网规划纲要》对2021-2035年客运量、货运量的年均增速进行预测，设置未来运输量的年均增速如表1所示，三种情景下的运输量增速保持一致。
表 1 预测的客、货运量增速表
1.优化货运结构
在我国货运结构中，公路运输作为主要的运输方式，货运周转量占比一直保持在40%以上。由图2所示，随着《推进运输结构调整三年行动计划（2018-2020年）》的实施，公路运输量占比开始显著下降。
图 2 2013-2020年货运周转量分布
随着“2030年碳达峰，2060年碳中和”的提出，预计未来公路货运周转量的占比将继续下降，设置不同情景下公路货运周转量年均下降百分比预测如表2所示。随着时间的推移，铁路线路将更加完善，铁路运输可以承担更多的货运量，设置2021-2025年、2026-2030年、2031-2035年期间，公路货运周转量下降的部分转为铁路、水运（不包括远洋）货运周转量的比例分别为2:3、1:1、3:2。
表 2公路货运周转量年均下降百分比预测
2.推广新能源车辆
根据《节能与新能源汽车技术路线图2.0》，进行新能源汽车销量占比的预测。
表 3 新能源汽车销量占比预测
3.优化发电能源结构
根据《2030年前碳达峰行动方案》与电力行业“十四五”发展规划预测电力行业的发展，预测未来电力行业装机容量如表4所示，设置基准情景下，发电能源结构保持不变，电力碳排放系数因此保持不变。
表 4 发电能源结构预测
4.运输工具能效提升
根据《2030年前碳达峰行动方案》提出的运输工具装备低碳转型目标以及《节能与新能源汽车技术路线图2.0》提出的汽车能耗降低目标，预测运输工具未来能耗如表5所示。
表 5运输工具能耗预测
3研究结果
3.1碳排放敏感性分析
1.运输量
对不同运输方式与运输工具的运输量和能耗进行敏感性分析，计算得敏感性系数：
表 6各运输方式运输量的敏感性系数
图 3 运输工具运输量（能耗）的敏感性系数
道路运输的运输量或能耗的变化对碳排放影响最大。其中，传统能源私家车的影响最大，其次是营运性货车。从运输结构角度考虑，未来需进一步推广新能源车辆的应用，减少传统能源车辆的运输量占比。从降低运输工具能耗角度考虑，需继续推进传统能源汽车能效的提升。
2.运输结构
图 4运输结构的敏感性系数
在客运结构中，道路运输占比上升会增加碳排放，其他运输方式占比的上升均有利于降低碳排放。在货运结构中，水路运输、轨道交通占比的上升有利于降低碳排放；航空运输占比的上升对碳排放的影响较大。上述结果表明道路运输的高排放特征无论在客运还是货运系统中都非常显著，在运输结构调整的过程中，降低道路运输量的占比将是有效的减排措施。
3.燃料的碳排放系数
图 5能源碳排放系数的敏感性系数
对综合交通运输系统碳排放而言，汽油碳排放系数的敏感性系数高达46%，一方面体现了传统能源汽车在客运结构中的运输量占比大，一方面也体现了汽油的高排放问题，未来可以通过推广甲醇汽油等清洁燃料来减少使用汽油燃料带来的高排放。
4.发电能源结构
图 6 发电能源结构的敏感性系数
由上图所示，只有火电占比的上升会导致电力碳排放系数上升，其余发电方式占比上升都会导致电力碳排放系数下降，其中风电影响最大，水电影响最小；敏感性系数与不同发电方式的碳排放系数大小有关，例如火电的碳排放系数大于电力碳排放系数，火电占比越高，电力碳排放系数越大，敏感性系数大于0。
5.不同发电方式碳排放系数
图 7不同发电方式碳排放系数的敏感性系数
火电碳排放系数的下降对电力碳排放系数带来的变化最显著，原因在于火电本身的碳排放系数较高以及火电在发电能源结构中占比较高。
3.2碳排放发展的不确定性分析
2021-2035年三种情景下碳排放的发展趋势如图8所示。若完全按照情景预期，基准情景碳排放在2035年仍然保持着增长趋势。既有政策设定情景有望在2033年实现碳达峰，面向碳达峰情景有望在2031年实现碳达峰，峰值分别约为11.4与11.3亿吨。若不包括电力产生的间接排放，既有政策设定情景和面向碳达峰情景可能在2031年和2030年实现碳达峰。
图 8不同情景碳排放发展趋势
随着时间的推移，碳排放不确定范围呈扩大趋势。基准情景下的不确定因素只有运输量变化率，其与碳排放呈正相关关系，因此碳排放不确定范围向上的趋势更明显；既有政策设定情景与面向碳达峰情景碳排放的不确定因素较多，运输量增长率与碳排放呈正相关关系，公路货运周转量占比变化差值、新能源私家车销售量占比、运输工具能耗变化差值与碳排放呈负相关关系，发电能源装机容量变化差值与碳排放呈非线性关系，碳排放不确定范围在这些因素的影响下呈现了向上与向下扩大的趋势。
根据蒙特卡罗模拟的输出结果，绘制碳排放发展的概率分布如图9-11所示。既有政策设定情景2033年碳排放不确定范围为10.7-11.7亿吨；面向碳达峰情景2031年碳排放的不确定范围为10.6-11.6亿吨。距离基准线越近，碳排放量的发生概率越高；在设定的情境下，碳排放的概率分布在基准线两侧较为均衡。
图 9 基准情景碳排放发展的概率分布
图 10 既有政策设定情景碳排放发展的概率分布
图 11 面向碳达峰情景碳排放发展的概率分布
分析2021-2035年期间，既有政策设定情景中各减排措施相对于基准情景的减排效果，采用LMDI分解法对同年的基准情景与既有政策设定情景碳排放进行分解；得到结果如图12所示。运输工具能效提升措施的碳减排效果较好，其次是推广新能源车辆措施。随着货运结构的优化与新能源车辆的发展，优化发电能源结构措施的减排效果越来越显著。
图 12 各减排措施的减排量占比（基准情景与既有政策情景对比）
分析2031-2035年期间，面向碳达峰情景中各减排措施相对于既有政策设定情景的减排效果，采用各减排措施单一优化情景作为对比，各减排措施单一优化情景的碳排放在2031-2035年都进入了平台期，其中运输工具能效提升措施的碳减排效果较为显著，有望在2032年实现碳达峰，其他三种减排措施有望在2033年实现碳达峰。设置各减排措施单一优化情景的碳排放下降率与减排措施变化率的比值为影响系数，以描述减排措施对碳排放的影响程度，计算过程与结果如图13和表7所示。
图 13各减排措施单一优化情景的碳排放发展趋势
表 7 2031-2035年各类减排措施对碳排放的影响
由于运输工具能效提升能够影响所有的碳排放来源，因此该措施的碳减排效果更为显著；推广新能源车辆与优化货运结构的减排效果位列其后，减排效果相近。优化发电能源结构的减排效果较弱，但呈现逐年上升的趋势，这与新能源车辆的推广以及货运结构的不断优化相关。
4研究结论
本研究将综合交通运输系统细分至运输工具类型，采用基于活动水平的方法测算碳排放；采用敏感性系数这一指标衡量各因素变化对碳排放的影响，设置不同减排情景来预测碳排放，并采用蒙特卡罗模拟预测未来碳排放的不确定性。初步得到如下观点：
1.目前综合交通运输系统碳排放中，传统燃油车碳排放占比接近50%，营运性货车碳排放量占比接近25%。汽油与柴油仍然占据综合交通运输系统碳排放来源的较大比重，未来需要继续推进其他能源方式对化石能源的替代以及加强以汽油、柴油为燃料的运输工具节能减排技术的发展。
2.根据不确定性分析，在现有减排政策的作用下，交通运输系统在2030年前实现碳达峰难度较大，可能在2030-2035年期间实现碳达峰，碳达峰的峰值约在10-12亿吨之间。随着时间发展，碳排放的不确定范围呈扩大趋势。从各减排措施对碳排放的影响来看，传统燃油车的能效提升在近中期非常重要；推广新能源车辆措施将在中远期发挥更加重要的减排作用。
本研究针对各类影响因素对综合交通运输系统碳排放的影响程度进行了系统的定量分析，也对碳排放发展的不确定性进行了预测以及分析。一些参数受限于参考资料和统计口径，尽管对方法研究和趋势判断的影响较小，但排放总量绝对值还有待进一步核算。
参考文献
[1] International Energy Agency. Tracking Transport 2020[EB/OL]. [2022-01-20]. https://www.iea.org/reports/trackingtransport-2020.
[2] 李枭, 余海涛. 碳达峰目标下道路运输行业低碳发展路径思考与建议[J]. 交通节能与环保, 2021, 17(5): 1-3，13.LI Xiao, YU Hai-tao. Thinking and suggestions on low-carbon development path of road transportation under carbon peak targe[J]. Transport Energy Conservation & Environmental Protection, 2021, 17(5): 1-3，13.
[3] 刘建国, 朱跃中, 田智宇. “碳中和”目标下 我国交通脱碳路径研究[J]. 中国能源, 2021, 43(5): 6-12+37. LIU Jian-guo, ZHU Yue-zhong, TIAN Zhi-yu. Research on the path of transportation decarbonization under the vision of carbon neutrality in china[J]. Energy of China, 2021, 43(5): 6-12+37.
[4] Our World in Data. CO? and Greenhouse Gas Emissions[EB/OL]. [2022-01-20]. https://ourworldindata.org/co2-and-othergreenhouse-gas-emissions.
[5] 王靖添, 闫琰, 黄全胜, 等. 中国交通运输碳减排潜力分析[J]. 科技管理研究, 2021, 41(2): 200-210. WANG Jing-tian, YAN Yan, HUANG-Quan-sheng, et al. Analysis of carbon emission reduction potential of China's transportation[J]. Science and Technology Management Research, 2021, 41(2): 200-210.
[6] 刘俊伶, 孙一赫, 王克, 等. 中国交通部门中长期低碳发展路径研究[J]. 气候变化研究进展, 2018, 14(5): 513-521. LIU Jun-ling, SUN Yi-he, WANG Ke, et al. Study on mid-and long-term low carbon development pathway for China's transport sector[J]. Climate Change Research, 2018, 14(5): 513-521.
[7] 冯相昭, 赵梦雪, 王敏, 等. 中国交通部门污染物与温室气体协同控制模拟研究[J]. 气候变化研究进展, 2021, 17(3): 279-288. FENG Xiang-zhao, ZHAO Meng-xue, WANG Min, et al. Simulation research on co-controlling pollutants and greenhouse gases emission in China's transportation sector[J]. Climate Change Research, 2021, 17(3): 279-288.
[8] 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 Xiao-yi, TAN Xiao-yu, WU Rui, et al. Paths for carbon peak and carbon neutrality in transport sector in China[J]. Strategic Study of CAE, 2021, 23(6): 15-21.
[9] 金昱. 国际大城市交通碳排放特征及减碳策略比较研究[J]. 国际城市规划, 2022, 37(2): 25-33. JIN Yu. Comparative study on characteristic and planning strategies of transportation carbon emissions in global megacities[J]. Urban Planning International, 2022, 37(2): 25-33.
[10] 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 Zhi-yi, LI Zhen-yu, KANG Li-ping, 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.
[11] Solaymani S. CO2 emissions patterns in 7 top carbon emitter economies: The case of transport sector[J]. Energy, 2019, 168: 989-1001.
[12] Talbi B. CO2 emissions reduction in road transport sector in Tunisia[J]. Renewable and Sustainable Energy Reviews, 2017, 69: 232-238.
[13] Zhu C, Gao D. A Research on the Factors Influencing Carbon Emission of Transportation Industry in “the Belt and Road Initiative” Countries Based on Panel Data[J]. Energies, 2019, 12(12).
[14] 王靖添, 马晓明. 中国交通运输碳排放影响因素研究——基于双层次计量模型分析[J]. 北京大学学报(自然科学 版), 2021, 57(6): 1133-1142. WANG Jing-tian, MA Xiao-ming. Influencing factors of carbon emissions from transportation in China: empirical analysis based on two-level econometrics method[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2021, 57(6): 1133-1142.
[15] Wang Y, Zhou Y, Zhu L, et al. Influencing Factors and Decoupling Elasticity of China’s Transportation Carbon Emissions[J]. Energies, 2018, 11(5).
[16] Liu C M, Iop. Research on the Dynamic Relationship among Transportation, Economic Growth, Urbanization and CO2 Emissions in China[C]. 1st International Conference on Environment Prevention and Pollution Control Technology (EPPCT), 2018.
[17] 邹乐, 曹俐. 中国海洋交通运输业的碳排放与行业经济增长的关系及其驱动因素[J]. 海洋开发与管理, 2021, 38(12): 11-17. ZOU Le, CAO Li. The relationship between the carbon emissions of China's marine transportation industry and the economic growth of the industry and its driving factors[J]. Ocean Development and Management, 2021, 38(12): 11-17.
[18] Zhuang H, Bai Y. Study on Environmental Impact Factors of Carbon Emissions and Air Pollution Control in Transportation Industry[J]. IOP Conference Series: Earth and Environmental Science, 2019, 300(3).
[19] 卢建锋, 韩霜, 康家华. 区域交通运输业碳排放变化的驱动因素分解分析[J]. 交通运输工程与信息学报, 2016, 14(2): 56-62. LU Jian-feng, HAN Shuang, KANG Jia-hua. Driving Factor Decomposition Analysis of Carbon Emissions for Regional Transportation[J]. Journal of Transportation Engineering and Information, 2016, 14(2): 56-62.
[20] 黄羿, 李冬梅, 李永田, 等. 交通运输业碳排放的时空变化特征及影响因素——基于全国与经济区域层面[J]. 环 境保护科学, 2021, 47(4): 62-70. HUANG Yi, LI Dong-mei, LI Yong-tian, et al. Spatiotemporal change characteristics and influencing factors of carbon emissions in transportation industry——Based on the national and economic regional aspect[J]. Environmental Protection Science, 2021, 47(4): 62-70.
[21] 张赫, 苏启明, 朱婷, 等. 四川省综合交通系统碳排放驱动因子测算分析[J]. 综合运输, 2018, 40(3): 93-99. ZHANG He, SU Qi-ming, ZHU Ting, et al. Calculation and Driving Factors Analysis of Carbon Emission of Integrated Transportation System in Sichuan Province[J]. China Transportation Review, 2018, 40(3): 93-99.
[22] 黄志辉, 纪亮, 尹洁, 等. 中国道路交通二氧化碳排放达峰路径研究[J]. 环境科学研究, 2022, 35(2): 385-393. HUANG Zhi-hui, JI Liang, YIN Jie, et al. Peak Pathway of China′s Road Traffic Carbon Emissions[J]. Research of Environmental Sciences, 2022, 35(2): 385-393.
[23] 凤振华, 王雪成, 张海颖, 等. 低碳视角下绿色交通发展路径与政策研究[J]. 交通运输研究, 2019, 5(4): 37-45. FENG Zhen-hua, WANG Xue-cheng, ZHANG Hai-ying, et al. Path and Policy of Green Transportation Development from Low Carbon Perspective[J]. Transport Research, 2019, 5(4): 37-45.
[24] 李晔, 包磊, 李文翔, 等. 中国道路运输行业 CO_2 和污染减排潜力情景分析[J]. 同济大学学报(自然科学版), 2016, 44(2): 242-248.
LI Ye, BAO Lei, LI Wen-xiang, et al. Scenario analysis of CO2 and pollutant emission mitigation potential for China's road transportation sector[J]. Journal of Tongji University(Natural Science), 2016, 44(2): 242-248.
[25] 李浩, 陈浩, 陆续, 等. 考虑排放约束的电动汽车混行交通路网均衡模型[J]. 交通运输工程与信息学报, 2021, 19(4): 24-35+117. LI Hao, CHEN Hao, LU Xu, et al. Mixed Traffic Network Equilibrium with Battery Electric Vehicles Considering Emission Constraints[J]. Journal of Transportation Engineering and Information, 2021, 19(4): 24-35+117.
[26] 李文翔, 李晔, 董洁霜, 等. 引入碳交易机制的新能源汽车发展路径研究[J]. 系统仿真学报, 2021, 33(6): 1451- 1465. LI Wen-xiang, LI Ye, DONG Jie-shuang, et al. Development Paths of New Energy Vehicles Incorporating CO2 Emissions Trading Scheme[J]. Journal of System Simulation, 2021, 33(6): 1451-1465.
[27] 陆潘涛, 韩亚龙, 戴瀚程. 1.5℃和 2℃目标下中国交通部门 2050 年的节能减排协同效益[J]. 北京大学学报(自然 科学版), 2021, 57(3): 517-528. LU Pan-tao, HAN Ya-long, DAI Han-cheng. Co-benefits of Decarbonizing China’s Transport Sector in Energy Saving and Emission Reduction under 1.5- and 2-degree Targets in 2050[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2021, 57(3): 517-528.
[28] 邵丹, 李涵. 城市客运交通电动化碳减排效益和碳达峰目标——以上海市为例[J]. 城市交通, 2021, 19(5): 53- 58+42. SHAO Dan, LI Han. Carbon Reduction Benefits and Carbon Peak Goals of Urban Passenger Transportation Electrification: A Case Study of Shanghai[J]. Urban Transport of China, 2021, 19(5): 53-58+42.
[29] 李艳丽, 索延栋. 基于排放系数的城域公铁货运碳排放分析[J]. 物流技术, 2021, 40(8): 11-14. LI Yan-li, SUO Yan-dong. Analysis of Carbon Emissions of Urban Regional Road-Rail Freight Transportation Based on Emission Coefficient[J]. Logistics Technology, 2021, 40(8): 11-14.
[30] LONDON DATASTORE. London Energy and Greenhouse Gas Inventory (LEGGI)[EB/OL]. [2022-01-20]. https://data.london.gov.uk/dataset/leggi.
[31] Bureau of Environment, Tokyo Metropolitan Government. Final Energy Consumption and Greenhouse Gas Emissions in Tokyo (FY 2018)[EB/OL]. [2022-01-20]. https://www.kankyo.metro.tokyo.lg.jp/en/climate/index.files/Tokyo_GHG_2018.pdf.
[32] 伊文婧. 我国交通运输能耗及形势分析[J]. 综合运输, 2017, 39(1): 5-9. YI Wen-jing. Analysis on Trend and Outlook of China Transportation Sector’s Energy Consumption[J]. China Transportation Review, 2017, 39(1): 5-9.
[33] 李倬, 李熙, 柏赟. 地铁列车牵引节能方法与管理研究[J]. 综合运输, 2015, 37(1): 69-72. [34] 何吉成. 1960-2009 年中国民航飞机耗能变化分析[J]. 交通运输系统工程与信息, 2011, 11(2): 12-16. HE Ji-cheng. Energy Consumption of Aircrafts in China’s Civil Aviation During 1960-2009[J]. Journal of Transportation Systems Engineering and Information Technology, 2011, 11(2): 12-16.
[35] 贾远明；冯玥. 贵州省低碳水运建设存在的问题及发展对策[J]. 水运管理, 2016, 38(3): 31-34.
[36] 方恺, 朱晓娟, 高凯, 等. 全球电力碳足迹及其当量因子测算[J]. 生态学杂志, 2012, 31(12): 3160-3166. FANG Kai, ZHU Xiao-juan, GAO Kai, et al. Carbon footprint of global electricity and its equivalent calculation[J]. Chinese Journal of Ecology, 2012, 31(12): 3160-3166.
[37] 郭敏晓. 风力、光伏及生物质发电的生命周期 CO_2 排放核算[D]. 北京: 清华大学, 2012. GUO Min-xiao. The life cycle accounting of CO2 emissions for wind, PV and biomass power generation in China[D]. Beijing: Tsinghua University, 2012.
[38] 欧阳仲志. 动车组和轨道客车节能研究[J]. 铁道车辆, 2015, 53(8): 17-21+9. OUYANG Zhong-zhi. Energy saving research on mutiple units and rail passenger cars[J]. Rolling Stock, 2015, 53(8): 17-21+9.
[39] 游艳雯, 权诗琦, 周学军, 等. 铁路机车能耗与机车运用水平关系探讨[J]. 铁道货运, 2021, 39(12): 60-65. YOU Yan-wen, QUAN Shi-qi, ZHOU Xue-jun, et al. Relationship between railway locomotive enegy consumption and locomotive operation level[J]. Railway Freight Transport, 2021, 39(12): 60-65.
[40] 中国汽车工程学会. 节能与新能源汽车技术路线图 2.0[M]. 北京: 机械工业出版社, 2020. [41] 林晓丹, 吕彬, 田良, 等. 基于 LCA 的北京市公交车节能及温室气体减排潜力分析[J]. 环境科学学报, 2015, 35(2): 576-584. LIN Xiao-dan, LYU Bin, TIAN Liang, et al. Analysis of energy conservation and greenhouse gas emissions reduction potential of buses in Beijing city based on life cycle assessment[J]. Acta Scientiae Circumstantiae, 2015, 35(2): 576-584.
[42] 张秀媛, 杨新苗, 闫琰. 城市交通能耗和碳排放统计测算方法研究[J]. 中国软科学, 2014(6): 142-150. ZHANG Xiu-yuan, YANG Xin-miao, YAN Yan. Statistical Estimation Method for Energy Consumption and Carbon Emissions by Urban Transport[J]. China Soft Science, 2014(6): 142-150.
[43] Ang B, Zhang F, Choi K. Factorizing changes in energy and environmental indicators through decomposition[J]. Energy, 1998, 23(6): 489-495.
[44] 喻洁, 达亚彬, 欧阳斌. 基于 LMDI 分解方法的中国交通运输行业碳排放变化分析[J]. 中国公路学报, 2015, 28(10): 112-119. YU Jie, DA Ya-bin, OUYANG Bin. Analysis of carbon emission changes in china's transportation industry based on LMDI decomposition method[J]. China Journal of Highway and Transport, 2015, 28(10): 112-119.
[45] 王盛, 谈健, 马亚辉, 等. 多重不确定性下基于 LMDI 的城市工业碳排放量影响因素分析及预测：以苏州市为例 [J]. 综合智慧能源, 2022, 44(2): 1-7.
WANG Sheng, TAN Jian, MA Ya-hui, et al. Impact factor analysis and forecasting of the carbon emissions from industries based on LMDI method under multiple uncertainties：The case of Suzhou City[J]. Integrated Intelligent Energy, 2022, 44(2): 1-7.
[46] 宋府霖, 韩传峰, 滕敏敏. 长三角地区能源消费碳排放驱动因素分析及优化策略[J]. 生态经济, 2022, 38(4): 1-16. SONG Fu-lin, HAN Chuan-feng, TENG Min-min. Analysis of Driving Factors and Optimization Strategies of Energy Consumption Carbon Emissions in the Yangtze River Delta[J]. Ecological Economy, 2022, 38(4): 1-16.
[47] Ang B W. LMDI decomposition approach: A guide for implementation[J]. Energy Policy, 2015, 86: 233-238.
[48] 中华人民共和国中央人民政府. 国务院办公厅印发《推进运输结构调整三年行动计划（2018
2020 年）》[EB/OL]. [2022-01-20]. http://www.gov.cn/xinwen/2018-10/09/content_5328861.htm.
[49] 王黎明. 车用替代燃料区域发展模式对中国碳排放强度影响研究[D]. 上海: 上海交通大学, 2016. WANG Li-ming. Research on impact of rigional development model of alternative fuels on carbon emission intensity in China[D]. Shanghai: Shanghai Jiao Tong University, 2016.
[50] Intergovernmental Panel on Climate Change. Good Practice Guidance and Uncertainty Management in National Greenhouse Gas Inventories[EB/OL]. [2022-01-20]. https://www.ipcc.ch/publication/good-practice-guidance-anduncertainty-management-in-national-greenhouse-gas-inventories/.
[51] 唐祎祺. 中国及各省区能源碳排放达峰路径分析[D]. 浙江大学, 2020. TANG Yi-qi. Analysis of the pathways to peak energy-related carbon emissions in China and its provinces[D]. Zhejiang University, 2020.
[52] 刘云鹏, 王泳璇, 王帆, 等. 居民生活消费碳排放影响分析与动态模拟预测[J]. 生态经济, 2017, 33(6): 19-22. LIU Yun-peng, WANG Yong-xuan, WANG Fan, et al. Study on Impact Factors and Prediction of Carbon Emissions from Household Consumption[J]. Ecological Economy, 2017, 33(6): 19-22.
[53] 胡荣, 王德芸, 冯慧琳, 等. 碳达峰视角下的机场航空器碳排放预测[J]. 交通运输系统工程与信息, 2021, 21(6): 257-263. HU Rong, WANG De-yun, FENG Hui-lin, et al. Prediction of Aircraft CO2 Emission from Perspective of CO2 Emission Peak[J]. Journal of Transportation Systems Engineering and Information Technology, 2021, 21(6): 257-263.
[54] 中华人民共和国中央人民政府. 国务院关于印发 2030 年前碳达峰行动方案的通知[EB/OL]. [2022-01-20]. http://www.gov.cn/zhengce/content/2021-10/26/content_5644984.htm. [55] 中华人民共和国中央人民政府. 中共中央 国务院印发国家综合立体交通网规划纲要[EB/OL]. [2022-01-20]. http://www.gov.cn/zhengce/2021-02/24/content_5588654.htm.
[56] 中国电力企业联合会.电力行业“ 十四五 ”发展规划研究 [EB/OL]. [2022-01-20]. https://cec.org.cn/detail/index.html?3-297199.
来源：北交CJSRC
供稿：张晔
