LEEEP IPCC AR6特辑 (10) | 全球客运低碳转型的关键影响因素

题目

Key factors influencing the global passenger transport dynamics using the AIM/transport model

作者

Shivika Mittal, Hancheng Dai, Shinichiro Fujimori, Tatsuya Hanaoka, Runsen Zhang

期刊

Transportation Research Part D

时间

2016年10月

一作

单位

Department of Energy and Environment, Energy Technology Chalmers University of Technology, SE-412 96 Gothenburg, Sweden

链接

https://doi.org/10.1016/j.trd.2016.10.006

前言

在联合国政府间气候变化专门委员会（IPCC）的组织领导下，来自世界各地的顶尖学者定期评估气候变化前沿研究成果，为各国决策者和公众提供有关气候变化的最新科学认知与解决方案。IPCC评估报告对指引全球未来经济社会发展路径和应对气候变化对策起到导向作用，已分别于1990、1995、2001、2007和2014年发布了五次评估报告。2022年4月初，IPCC发布了第六次评估报告第三工作组报告《气候变化2022：减缓气候变化》(IPCC AR6 WGIII)，重点聚焦面向本世纪1.5~2度温控目标的温室气体深度减排技术措施评估和政策建议。

北京大学能源环境经济与政策课题组（LEEEP）相关研究注重识别绿色低碳转型的前沿关键科学与政策管理问题，受到国内外同行的密切关注和高度认可。在本次发布的IPCC AR6系列报告中，LEEEP课题组基于自主研发的IMED等综合评估模型所发表的15篇研究论文被多个关键章节正面引用20余次。相关论文涉及绿色低碳转型和政策减排效果、经济代价和协同效益评估等重要议题。研究成果支撑了IPCC AR6多个关键内容，引用章节贯穿了第一工作组、第三工作组报告的11个关键章节，如聚焦社会经济系统全局性分析的第二章（排放趋势与驱动因素）、第三章（长期减缓路径）、第四章（近中期减缓与发展路径）、第五章（减缓的社会服务需求），以及侧重关键高能耗部门的第六章（能源系统）、第十章（交通部门）及第十一章（工业部门）。相关推送详细报道如下：

本系列推送将陆续推出“LEEEP研究之IPCC AR6特辑”，向读者简要介绍被AR6正面引用的相关论文研究内容和主要结论。同时，在浩瀚无边的数据代码和汗牛充栋的文献之外，也顺便回顾一下笔者入行IAMs学界这十三年以来，通过合作近距离遇到的世界各地的奇人逸事，这也算是Free Style从事学术工作的乐趣所在。

欢迎有志于利用复杂系统模型分析手段为全人类寻找实现“双碳”目标解决方案的同学们加入LEEEP，也请各位同行推荐合适的小伙伴加入LEEEP、成为LEEEPer！对你的期望是数理基础强、文字功底好，可以攻读研究生，也可以开展博士后研究。关于IMED模型架构、LEEEP研究进展及团队介绍、研究生及博士后招聘等信息可阅读在线文档：

《IMED模型体系简介》：

https://www.jianguoyun.com/p/DVrcIwsQlL7CBhjE13M

研究背后

本文通过结合行为参数和运输技术细节，开发了自下而上的AIM/交通模型，这个模型头几版每一行代码都是笔者写的啊！本文被WGIII第三章（长期减缓路径）引用。本文一作是来自印度的Mittal Shivika博士，她导师是IPCC AR6 WG3的Co-Chair、来自印度某知名管理学院的P.R. Shukla教授。Shukla教授印度上层阶级出身，斯坦福大学博士毕业，一向滔滔不绝非常健谈，就是那印式口音需要时间适应。刚开始很长时间笔者都是一脸蒙圈，直到某一天突然顿悟，完全能听懂Shukla教授的话了，而且发现其实很好懂。后来数年，和Shukla教授相谈甚欢，他也为笔者求职写了推荐信（BTW，另一位推荐人是现代IAM之父级别的GCAM模型创始人PNNL的Jae Edmonds）。这次AR6发布会本期望看到Shukla教授与另一位Co-Chair Jim Skea一同出镜的，奈何病重卧床未能如愿，祝愿他早日康复。

话说回来，这位Shivika博士当时和笔者说，她爸很传统，不希望她出国工作，Shivika据理力争，妥协的结果是她爸允许她出国两年，如果在国外没找到对象就必须得回印度嫁人。结果，现在快十年过去了，Shivika同学还在欧洲呆着，或许找到另一半了。

研究背景

交通是第二大能源相关排放源，占2010年全球能源相关排放总量的23%。到2050年，与2005年的水平相比，全球运输二氧化碳排放量预计将翻一番，全球运输需求将增长170–300%。随着发展中国家人口的增长和富裕程度的提高，到2050年，轻型汽车的数量预计也将翻一番。如果不采取出行行为关系缓解方案，例如远程办公、拼车、使用可持续和节能模式，交通部门就很难实现大幅减排。同时，运输电气化以及可再生能源或核能源在电力部门的更大渗透，将在运输部门的去碳化过程中发挥重要作用。

本研究的主要目的是通过软连接自下而上的运输模型AIM/Transport，改进AIM/CGE中的交通部门代表性，该模型使用MNL型方程将与旅行行为相关的缓解方案纳入其中。然后，利用世界不同地区的模型，定量分析了技术、偏好、环境意识、收入和人口等不同因素对客运选择和需求的影响，进而影响全球运输部门的能源和排放状况。

研究方法

（一）运输模型

全球运输模型针对17个地区开发，与AIM/CGE模型一致，运输模型的总体结构如图1所示。每个地区的出行需求通过将该地区的人均出行需求乘以给定年份的人口来计算。人均出行需求根据收入和广义出行成本（考虑技术、燃料和货币时间成本）进行估算。由于数据限制，本研究使用人均GDP作为收入的替代指标。

图1：运输模型总体结构框架

（二）数据来源

模式和技术相关参数使用其在基准年的份额进行校准。GDP和人口等社会经济数据来自共享的社会经济数据库。运输技术的技术成本和能源效率源自自下而上的技术丰富的全球目标/最终用途模型。用于计算出行时间成本的速度取自GCAM模型。表1列出了模型中使用的主要属性的来源。表1：模型中主要数据来源

（三）分析方法

       本文根据情景评估结果，通过以下计算公式中的差异来进行分解分析，以分析每个因素对活动、结构和强度的影响。尽管对数平均除数指数（LMDI）方法广泛用于分解分析，但该方法仅限于所有变量均为正的情况，在本文中，存在一些不满足条件的情况（在碳税场景中）。

（四）情景框架

       本文的主要目的是了解不同因素如何影响全球客运业的动态。个体情景由社会经济、行为、技术、环境意识和气候目标等因素组合而成。在这项研究中，我们量化了六个关键因素的影响，即：（a）出行时间，（b）模式偏好，（c）负荷系数，（d）环境问题，（e）能源效率改善和（f）社会经济变量对出行需求、模式份额、运输能源和二氧化碳排放的影响。

       最后，通过结合上述维度，制定了四种情景（表2），以量化减排潜力。与使用自下而上的AIM-transport模型的无气候政策情景相比，在气候约束情景下，通过诱导出行行为的变化，可以实现减排潜力。

表2：参考情景和低碳情景的假设

研究结果

（一）参考情景结果概述

参考情景下w/oTax和withTax的全球乘客出行需求、能源和排放的总体趋势如图2所示。在reference-w/oTax情景中，全球总客运需求以乘客出行公里（passenger km travelled ，pkms）衡量，在2005年至2100年间平均复合年增长率（CAGR）为1.24%，并在2100年达到99.55万亿pkm（tpkm）。参照含碳税reference-withTax情景，2100年客运需求下降至97.5 tpkm，略低于reference-w/oTax情景。这一结果可以用广义运输成本的上升来解释，但由于到2100年化石燃料技术所占份额较低，运输成本的降低并不显著（图2）。结果显示在reference-withTax情景下，客运部门的能源消耗从2005年的53.8EJ激增至2100年的106EJ。然而，与reference-w/oTax情景相比，reference-withTax情景的能源消耗在2050年和2100年分别降低了5.85%和13.5%。

图2 不同情景下乘客出行需求、能源和排放趋势

（二）交通需求

       图3展示了reference-w/oTax情景下不同地区的交通需求的变化。从图中可以明显看出美国、日本和欧盟等发达地区的交通需求增长率较为稳定，而中国、印度和东南亚等发展中地区将在未来几十年见证运输需求的增长。

图3 reference-w/oTax情景下的区域交通需求

       各因素对交通需求的影响程度因地区而异（图4）。结果表明，与参考情景相比，在高速情景下平均出行速度的提高将减少出行时间和出行成本，并进一步降低整体运输成本，导致全球客运需求增加1.36 tpkm/年。同样，在利用率高的情景下，由于车辆共享、固定车辆登记配额等干预措施将导致平均车辆利用率增加，每乘客每公里的出行成本也会降低，从而使得全球出行需求在2100年与参考情景相比增加了0.5 tpkm/年。在公共交通情景下，发展中国家的出行需求比发达国家有所降低。发展中国家的广义运输成本因公共交通所占份额增加而增加，而发达国家的客运需求因这两种情况下的稳定模式结构而没有变化。

       总的来说，这些结果表明，额外的出行需求将主要通过减少出行时间和提高所有地区的车辆占用率来引导。

图4 相比于reference-w/oTax情景，其他w/oTax下各因素对2100年区域和全球出行需求的影响

（三）出行模式份额

图5显示由于从公共交通系统转向更个性化的交通模式，在reference-w/oTax情景中，全球汽车份额从2005年的57%增加到2100年的64%。出行时间成本随着收入的增加而增加，这有助于向个性化交通模式的转变。仔细观察区域动态可以发现，发达国家的模式结构相对稳定，因为这些国家的汽车拥有量已经达到最高水平。相比之下，发展中国家出行模式将在未来几十年内发生结构性变化，因为汽车拥有量将随着富裕程度的提高而增加，并随着收入的进一步增加而稳定。例如，在参考情景下汽车的份额从2005年的15%增加到2100年的50%。

图5 reference-w/oTax情景下的出行模式份额

       此外，与参考场景中的默认设置相比，图6显示了2100年不同社会经济因素对出行模式份额的影响。结果表明，在高速情景下，2%的全球运输需求从航空转向铁路。通过改变偏好参数，使其符合以汽车为导向或公共交通发展模式，发展中国家的出行模式会发生重大的结构变化。在以汽车为导向的情况下，由于对航空旅行的更高偏好，铁路在交通方式中的份额在2100年下降了5%。相反，向公交和铁路等公共交通模式的转变分别导致1%和5%的增长。其份额分别增加4%，与个性化模式相比，大众交通系统的偏好系数更高。此外，效率的提高、对环境友好技术的偏好以及增加荷载占用率等其他因素对模态结构的影响对模态分担率没有显著影响。

图6：与reference-w/oTax情景相比2100年不同因素对出行模式结构的影响

（四）2100年的能源消耗

图7显示了与reference-w/oTax情景相比，2100年各因素对能耗的影响。结果表明，在以汽车为导向的发展情景中，个性化模式所占比例较高，导致全球能源消耗增加15%，而在以公共交通为导向的发展情景中，由于节能公共交通所占比例较高，导致全球能源减少16%。由于强大的燃油经济性改善计划提高了能源效率，在所有地区的能源效率高的情况下，能源消耗降低了7%。相反，能源消耗增加了6%。由于燃油经济性标准松懈，全球能源效率低的情况下为7%。在占用率高的情况下，通过提高个性化车辆占用率，能耗降低12%。由于发达国家的汽车份额很高，汽车占用水平的提高导致能源消耗相对于发展中国家有更大的降低。

      总体而言，结果表明公共交通系统平均速度的提高使得能耗降低。但是，通过提高效率、更多地选择公共交通系统和增加入住率，将实现显著的节能。

图7：与reference-w/oTax情景相比2100年不同因素对能源的影响。

（五）2100年的排放

       图8显示了与2100年的参考情景相比，w/oTax情况下客运部门的二氧化碳排放量。在以汽车为主的情况下，全球二氧化碳排放量增加了14.6%，而在公共交通情景下，排放量减少了15%。此外，在Ene_efficiency_high情景中，排放量减少了7%，而在Ene_efficiency_Low情景中，如果没有强有力的燃料经济倡议，2100年的排放量增加了6.6%。此外，由于车辆占用率的提高而导致能源减少，在occu_high情景下，排放量减少了11%。

图8：与参考情景相比不同因素对2100年不同情景排放量的影响

声明：本文仅为课题组同学文献阅读笔记，不代表本单位立场，也可能与原文观点或立场有偏差。

编辑&排版：赵梦丹

相关阅读

点击“阅读原文”浏览小组主页