随着城市化进程的加速和机动车保有量的迅速增长,城市交通碳排放问题日益凸显。根据世界银行于2022年发布的《交通领域脱碳投资系列报告》,尽管交通运输领域的碳排放量目前仅占全球碳排放总量的20%,但随着人口增长、经济发展和交通需求的增加,这一比例预计到2050年将上升至60%。在城市交通碳排放中,居民的出行方式是影响总量变化的核心因素,不同出行方式(如私家车、公共交通、自行车等)的选择直接决定了碳排放水平
[1]。已有研究普遍认为,居民出行方式选择是影响城市交通碳排放变化的重要因素,并通过构建定量模型系统评估不同出行结构调整情景下的碳减排潜力
[2]。因此,应从城市居民角度深入分析其出行方式对碳排放的具体影响,建立科学的预测方法,可为制定具体的城市交通低碳政策提供重要依据。这不仅对实现交通领域的碳减排目标至关重要,也将为推动城市可持续发展注入新动能。
碳排放的测算是一个复杂的过程,通常依赖于多种模型和方法来量化不同来源的排放量。这些模型大致可以分为“自上而下”和“自下而上”两种类型
[3-4]。例如,排放因子法、LMDI(logarithmic mean divisia index)分解法、STIRPAT模型、LEAP模型等,这些方法依赖整体统计数据和公式来评估碳排放,能够快速提供广泛的视角。然而,它们也存在一定的局限性,例如,难以对微观个体行为或具体情境进行精准刻画,无法充分反映区域间的差异和动态变化的影响。此外,这些方法的结果高度依赖数据质量和假设条件,数据不完整或假设偏差可能导致估算结果的不确定性和偏差,从而影响决策的可靠性。例如,政府间气候变化专门委员会(Intergovernmental Panel on Climate Change, IPCC)制定的碳排放公式可以详细计算某区域的排放量,公式的规范性和可操作性使得评估结果具有较高的普适性,但过于依赖宏观数据,地方特定因素和动态变化往往被忽略,难以充分反映长期实际动态情况;LMDI分解法能够有效识别碳排放的驱动因素,特别是在分析经济增长对碳排放贡献方面表现突出
[5-7],但其静态特性限制了对政策干预动态效果的捕捉,也削弱了在未来趋势预测中的应用能力;类似地,STIRPAT模型通过回归分析揭示多种因素对碳排放的影响
[8-10],具有良好的解释能力,但由于依赖静态统计数据,难以全面反映政策更替或微观个体行为变化对碳排放的动态影响,也无法体现系统内部的反馈机制和长期演化特征。为弥补这些不足,许多研究人员选择将具体模型与情景分析方法相结合。方涵潇等
[11]利用LEAP模型对湖南省交通运输领域碳排放达峰路径进行了情景分析,细化了早日实现碳达峰的减排路径。LEAP模型在分析具体能源消耗路径和情景模拟方面具备显著优势,但由于其主要关注能源路径,对系统内各要素的动态反馈和长期交互效应考虑较少。吴乐英等
[12]通过构建动态CGE模型,分析了征收碳税的不同情景组合下的减排效应,为区域碳达峰和产业结构调整提供了理论支持。相比于LEAP模型,动态CGE模型能够更好地刻画政策干预对经济和碳排放的动态影响,尤其是在探讨区域经济响应机制和结构优化方面具有独特的优势。然而该模型的构建复杂且对数据要求较高,这在一定程度上影响了其应用的广泛性和便利性。总体而言,现有碳排放预测方法在宏观分析中具有显著优势,尤其适用于静态或短期内驱动因素的探讨。然而,这些方法在捕捉复杂动态过程、时间延迟和系统反馈回路方面存在不足,限制了其在长期政策效果评估中的应用潜力。针对传统模型在动态反馈和长期预测方面的不足,最新研究开始尝试探索融合多种建模方法,以增强对交通系统复杂演化过程的刻画能力
[13]。
相比之下,同样属于“自上而下”的系统动力学模型(system dynamic, SD)通过模拟反馈机制和动态变化,在碳排放应用中能够提供更全面的政策分析并预测长期碳减排效果。例如,肖红等
[14]分析了经济、能源和环境对城市交通减排的影响,展现了SD模型整合多重因素(如产业结构和新能源技术)的能力;Luna
[15]利用SD模型验证电动汽车共享计划有助于促进低碳交通基础设施的发展,进一步突出了政策干预的长期效果。通过整合基础设施、技术发展和政策引导等多方面因素,SD模型为未来政策制定提供了更具前瞻性的分析。然而,SD模型基本忽略了个体行为和差异性,对微观行为的精确分析不足,因此,一些研究者采用“自下而上”的智能体建模(agent-based modeling, ABM)方法,来刻画微观个体行为。例如,Chen等
[16]利用智能体刻画了地铁站中行人与行人、行人与列车间的复杂交互行为;Sashikanth 等
[17]集成了MATSim、基于活动的出行需求模型(DaySim)和移动源排放估算模型(MOVES),估算了坦帕地区乘用车的排放,并证明了各人口亚组之间交通污染排放的差异性;Wang等
[18]构建了居民、企业、政府3类智能体,并基于MAS仿真模拟了北京市职住关系政策的调整对通勤碳排放的影响。与SD模型相比,ABM显然更加注重个体层面的分析,能够有效模拟微观个体行为和政策干预效果,为探索个体行为如何影响整体碳排放提供了更细致的工具。
随着相关研究的不断深入,部分学者尝试将智能体模型与系统动力学模型相结合,用于模拟交通系统中个体行为与宏观演化过程的耦合关系,结果表明该类混合模型在多情景政策分析和碳减排路径评估中具有较强优势,但在具体城市尺度和居民出行层面的应用仍较为有限
[19]。综上所述,现有研究在城市居民出行碳排放测算与预测方面已取得一定进展,但仍存在不足:一是多数研究侧重宏观统计分析,难以同时刻画居民个体出行行为变化与系统长期动态演化过程;二是对政策干预下居民出行方式转变的内生机制关注不足;三是微观行为模型与系统动力学模型的融合应用仍较为有限。
针对上述不足,现构建一种融合智能体模型与系统动力学模型的居民出行碳排放预测方法,通过ABM刻画政策情景下居民出行方式选择行为,并将其嵌入SD模型进行长期预测,从而实现微观行为响应与宏观系统演化的有机结合,并显性展示政策到碳排放的动态传导效应,为政府部门制定碳减排政策提供决策支持。
1 基于ABM的城市居民出行方式决策模型
1.1 基本原理
基于ABM构建城市居民出行方式决策模型,以分析政策干预对低碳出行行为的影响。在ABM中,每个智能体(Agent)被视为独立自治的个体,具备特定属性和行为规则,能在设定环境中基于自身目标做出响应行为。模型包含四大核心要素:Agent、环境、交互规则与时间步进;并在结构上划分为环境层、处理层与决策层3个层次,分别对应仿真场景、行为处理逻辑及决策行为执行。建模流程包括6个步骤:明确建模目标、识别Agent及其属性、设计行为规则、定义交互机制、设定时间步长,以及运行仿真与结果分析。模型采用AnyLogic 8.7.0实现开发,基于前提和假设,设定简化复杂现实,突出政策影响机制的模拟能力。
1.2 模型设定与参数设计
为体现政策与居民出行决策之间的核心关系,模型做出以下简化假设:城市居民出行行为划分为3类:不受政策影响者、政策观望者和政策参与者;居民空间分布为随机布局,排除网络结构干扰;所有Agent初始出行为私人交通,受政策宣传影响可转变为其他状态;居民行为假设为规律性变化,忽略外部干扰与个体突变。模型旨在探讨政策属性(如宣传力度、口碑效应)与居民特征(如期望容忍度、交互频率)如何共同作用于居民出行行为转变。模拟结果将作为SD模型输入,用于后续碳减排情景分析。
1.2.1 参数设定与结构设计
该ABM模型包含5 000个随机分布的居民 Agent,每日均参与一次交互,初始状态均为潜在受众。政策参数设置包括宣传效果、口碑传播、显效时长等,具体如
表1所示。模型采用三层架构,决策层模拟个体行为选择,处理层捕捉交互效应,环境层设定连续空间以消除地理干扰。此外,引入三角分布对Agent在“政策等待期”内的容忍度进行建模,增强对现实中个体差异的模拟能力。“Can’t Wait”状态根据三角分布函数决定个体是否退出。
1.2.2 Agent状态演化机制
居民状态在3类之间动态演化:潜在受众可因宣传转变为观望者,观望者认可政策后转化为参与者,参与者亦可能因体验不佳回退。模型引入回溯机制,模拟现实居民行为波动:参与者可退出、观望者可放弃且参与者可通过日常交互影响其他居民。
1.2.3 模型运行与可视化输出
模型运行分为模拟窗口与参数控件两部分。仿真过程中通过颜色标识居民状态(绿色代表参与者,黄色代表观望者,灰色代表未参与者),并以折线堆叠图呈现参与率变化趋势。参数控件支持调整宣传力度、转化率、退出阈值等关键参数,模拟不同情境下的政策实施效果。模型以月为时间步,总运行12步,最终输出各类Agent比例变化趋势,为后续政策优化与出行结构预测提供量化依据,如
图1所示。
1.3 仿真结果与机制分析
仿真结果表明,居民容忍度(反映政策效果等待意愿)与政策持续时间(政策显效所需周期)的动态匹配显著影响出行方式决策。通过调节双参数实验发现,居民对政策成效显现所需时间的容忍度显著影响其参与行为,而政策持续时间则通过调整政策显效时长,间接影响其政策参与率。当容忍度与政策持续时间的比值接近1∶4时,政策参与者比例稳定维持在60%左右,表征了较为理性的参与水平,此时居民既能保持理性决策耐心,又能避免政策显效滞后导致的信心流失,如
图2所示。
模型结果表明,居民容忍度在Can’t Wait维度上增强了对政策成效的耐心,降低居民中途退出的风险;而政策显效周期延长则在Process维度上削弱了居民参与热情,二者呈相反的调控效应。进一步参数分析发现,当容忍度与政策持续时间之比接近1∶4时,政策参与率稳定在60%;此时两行为维度作用强度比约为7∶10,表明容忍度的正向作用更为显著。该非对称响应机制揭示:相比单纯延长政策周期,提高居民容忍度在保障政策持续性方面更为关键。
据此,提出3项优化建议:①设定合理政策周期,结合分阶段推进与动态评估机制,缩短反馈时间以维持居民参与政策热情;②通过宣传引导、成效公开与社区参与提升居民容忍度,增强对政策的信任与预期管理;③构建容忍度调适、激励反馈与执行节奏相协同的政策引导机制,以推动居民低碳出行从短期响应向长期行为转变。
2 基于SD的居民出行碳排放预测
2.1 系统边界确定
确认系统边界是SD建模的首要步骤。城市居民出行碳排放系统是一个动态复杂的系统,受城市经济水平、居民出行方式与交通基础设施等因素影响。模型将城市经济、人口和交通政策作为输入,碳排放量为输出。碳排放通过各类交通方式的终端能耗计算,主要能源为汽油、柴油和电力。根据《新能源汽车产业发展规划(2021—2035年)》,中国坚持纯电驱动战略,因此以纯电动汽车的排放数据作为代表。综合考虑可行性与可操作性,以福州市为系统边界,开展模型构建与实证分析。
2.2 系统因果关系
(1)城市经济水平→人均GDP→机动车保有量→机动车出行量→机动车碳排放量→城市居民出行碳排放量→城市经济水平。
城市经济增长带动人均GDP上升,促使机动车保有量增加,进而提升出行量与碳排放水平。碳排放的上升对环境与经济可持续性构成负面影响,反作用于城市经济。
(2)机动车出行量→机动车碳排放量→城市居民出行碳排放量→城市经济发展水平→人均 GDP→机动车保有量→机动车出行量。
机动车出行增加导致碳排放上升,削弱生态环境与城市发展质量。尽管如此,整体经济增长仍推动人均GDP及机动车保有量提升,进一步刺激出行需求,形成循环反馈。
(3)新能源车占比→机动车碳排放量→城市居民出行碳排放量→城市经济水平→新能源车占比。
新能源车占比提升有助于降低碳排放强度,改善环境,促进城市经济发展。经济增长反向推动新能源技术进步与市场扩展,强化其减排效应。
(4)城市绿地面积→绿地固碳量→城市居民出行碳排放量→城市经济水平→人均GDP→城市绿地面积。
福州市持续推进绿地规划建设,绿地面积的扩展提升了碳汇能力,有效降低居民出行碳排放,助推经济与人均GDP增长,进而反向促进绿地系统进一步扩张,形成良性生态-经济循环。
2.3 子系统构建
城市居民出行碳排放预测模型以系统动力学方法为核心,结合居民出行行为特征,将系统划分为人口子系统、经济子系统、交通子系统、绿地子系统和居民出行碳排放子系统5个相互关联的子系统。各子系统通过变量传递与反馈回路形成有机整体,共同刻画城市居民出行需求演化及其碳排放变化过程。
2.3.1 人口子系统
用于刻画城市人口规模及其变化对居民出行需求的影响。人口总量是决定居民出行总需求的基础变量,其增长直接推动出行次数和出行距离的增加,从而对居民出行碳排放产生正向影响。同时,人口规模的变化通过影响交通需求强度,进一步作用于交通子系统和碳排放子系统。
2.3.2 经济子系统
主要反映城市经济发展水平对居民出行行为的影响。经济增长通常伴随着居民收入水平提升和出行活动频率增加,同时推动机动车保有量增长,加剧私人交通出行需求。经济子系统通过影响出行方式选择结构,与交通子系统和居民出行碳排放子系统形成显著的联动关系。
图4为人口-经济子系统流图,主要变量与方程如
表2所示。
2.3.3 交通子系统
交通子系统(
图5)用于描述城市交通供给条件及居民出行方式结构的演化过程,是连接人口、经济因素与居民出行碳排放结果的重要中介。交通基础设施建设水平、交通政策干预通过影响居民出行结构,对其碳排放水平产生直接作用。城市交通子系统中主要变量及其计算关系如
表3所示。
模型构建中,交通子系统主要考虑出行量、出行方式结构及交通工具数量等。出行量与人口规模密切相关,其中学龄人口和工作人口是主要影响群体。人口数量与人均GDP共同作用于私家车保有量,并通过改变出行方式结构,提高私家车出行比例并使其在一定时期内保持相对稳定。同时,出行量变化进一步影响各类交通工具的行驶里程,从而作用于居民出行碳排放水平。
模型分析对象包括摩托车、自行车/步行、公交车、出租车、私家车和轨道交通,其中重点分析机动车中占比最高的私家车,其余交通方式通过外生变量估算。历史阶段碳排放采用既有出行比例测算,未来预测阶段则基于ABM模拟得到的出行结构,按比例分配至各类出行方式。
2.3.4 绿地子系统
用于反映城市绿地建设水平对居民出行环境和碳排放的间接影响。一方面,绿地建设有助于改善城市生态环境,增强低碳出行方式的吸引力;另一方面,绿地碳汇效应可在一定程度上抵消居民出行产生的碳排放,从而对系统整体碳排放水平形成负反馈。通过文献获取单位面积年固碳量,可估算城市绿地的年总固碳量
[20-21]。
2.3.5 居民出行碳排放子系统
是系统的核心输出模块,用于综合反映人口规模、经济发展水平、交通方式结构及绿地碳汇等因素共同作用下的居民出行碳排放变化。该子系统通过量化居民出行碳排放水平,为交通政策评估与低碳交通发展路径分析提供决策依据。
在碳排放核算过程中,交通能源类型划分为一次能源(汽油、柴油)和二次能源(电力),步行与骑行方式不计入能源消耗。居民出行碳排放量依据不同交通方式的能源消耗水平及相应碳排放系数进行计算。碳排放子系统结构如
图6所示,相关变量与计算方程如
表4所示,碳排放系数及基础参数主要来源于《道路机动车排放清单编制技术指南(试行)》及文献[
22]。
3 城市居民出行减碳情景模拟
以福州市为例,相关数据主要来源于《福州市统计年鉴》《中国城市统计年鉴》以及《中国机动车污染防治年报》。根据《福州市国土空间总体规划(2021—2035年)》等规划文件,福州市未来发展定位明确,人口被预期将持续增长。因此,所设定的人口增长趋势与福州市中长期发展战略相一致,具备现实基础和政策支撑。
3.1 模型检验
3.1.1 敏感性检验
考察变量在受到策略或参数影响时的可靠性,并作为判别模型是否符合现实的依据。主要考虑居民出行(私人交通与公共交通)对碳排放的影响,选择私家车出行量和公交车出行比例两个参数进行敏感性检验,结果如
图7所示。当私家车出行比例提高时,居民出行碳排放量相应上升;当公交车出行比例增加时,居民出行碳排放量对应下降,符合SD原理,表明模型在数值上具有敏感性、可靠性高。
3.1.2 精度检验
将输出数据与真实数据对比,选取人口、GDP、私家车保有量、公交车保有量、出租车保有量、摩托车保有量和轨道交通客运量作为检验变量,来进行模型精度检验,具体数值及误差如
表5所示。由
表5可知,模型的检验变量每年的误差均在10%以内。由此证明模型有较高的准确性和可信度,能够利用该模型进行减排情景分析。
3.2 福州市城市特征对模型结果的归因分析
(1)区位特征归因。福州市位于东南沿海地区,是区域性中心城市,城市空间结构呈现出沿江沿海延展与多组团分布并存的特征。这种空间形态在一定程度上增加了居民通勤距离和跨区出行比例,提升了整体出行需求强度,这也对应了模型结果中居民出行碳排放持续增长的趋势。
(2)产业结构归因。福州市第三产业占比较高,就业岗位以服务业和综合性产业为主,居民通勤出行具有较强的规律性和刚性特征,这使得居民出行需求在经济平稳发展阶段保持稳定增长。模型模拟结果中居民出行碳排放在基准情景下持续上升,且主要由私人交通驱动,与福州市产业结构特征相符。
(3)交通基础设施归因。福州市轨道交通近年来逐步投入运营,但整体网络覆盖和服务能力仍处于发展阶段,公共交通对居民出行方式选择的引导作用尚未充分发挥。同时,私人交通在出行结构中的主导地位逐步强化。模型情景分析表明,通过政策干预引导居民由私人交通向公共交通转移,可显著降低居民出行碳排放,这与福州市交通发展阶段高度契合。
(4)普适性总结。福州市在城市规模、产业结构及交通发展阶段等方面,与中国大量中等规模沿海及省会城市具有较高相似性。因此,所构建的居民出行碳排放预测模型及其模拟结论,对同类型城市在交通碳排放评估与减排政策制定方面具有一定的参考价值。对于超大城市或公共交通体系高度成熟的城市,可通过调整模型参数以适应其实际情况,但模型整体结构与方法仍具备良好的适用性。
3.3 碳排放量变化趋势
福州市居民出行碳排放模拟结果如
图8所示。2013—2019年,碳排放总量总体呈上升趋势,由689.73万t增至861.30万t,年均增长率为3.77%。2020年,受新冠疫情影响,居民出行活动显著减少,碳排放量出现明显下降。居民不同的出行方式碳排放趋势差异显著:因私家车保有量近乎翻倍,其碳排放量也快速增长,年均增长率6.94%;轨道交通于2016年投入运营,碳排放从0增至38.48 万t,年均增长率达286.79%。
相较之下,出租车、公交车和摩托车碳排放略有下降,年均增长率分别为-0.86%、-0.86%和10.53%,表明随着私家车出行比例的提升,部分原由出租车、公交车和摩托车承担的出行需求被私家车所替代。同期城市绿地年固碳量随面积增加缓慢上升,年均增长率为4.69%。2019年绿地固碳量相当于公共交通出行碳排放的24.99%、私人出行的5.26%,表明其在推动城市可持续发展中的积极作用,应作为一种碳减排措施加以应用。
3.4 减排情景设置
在建立和检验基于福州市数据的SD模型之后,通过改变模型的某些变量来模拟不同政策的实施,分析2030年前不同政策实施下福州市居民出行碳减排程度。其中,利用ABM模拟得到居民在政策影响下选择公共交通出行比例达到60%,按照不同出行方式的构成进行细化划分,将其作为SD模型的输入,具体的减排情景设计如
表6所示。
3.4.1 单一碳减排方案
设定4种单一减排情景,其减排效果如
图9所示。相较于基准情景,各方案虽无法在2030年前实现碳达峰,但均在一定程度上抑制了碳排放增长。其中,RPD与ETNV减排效果较优,2030年分别减排100.55 万t和198.31 万t,减排率8.1%和15.61%;IUGA减排效果最弱,仅减排55.22 万t,减排率4.35%,短期内减排潜力有限。
3.4.2 双情景组合控制
为避免某一情景出现“一刀切”问题,通过调整或组合不同策略以增强适应性。对4种情景两两组合,结果如
图10所示。相较于单一情景,双策略组合在抑制居民出行碳排放增长方面展现出更强减排潜力。在6种双情景组合中,EMNV+ETNV与ETNV+IUGA可在2030年前实现碳达峰,其中 EMNV+ETNV效果最佳,减排262.52 万t,减排率20.66%;ETNV+IUGA次之,减排245.57 万t,减排率19.33%。减排效果最弱的是EMNV+IUGA,减排率仅10.48%。虽仅有两种组合在2030年前达峰,但其余组合碳排放亦呈下降趋势,表明多策略协同在中长期具备显著减排潜力。
3.4.3 三情景及综合控制
为进一步提升减排效果并探寻最优路径,在双情景组合基础上开展多情景组合模拟,结果如
图11所示。相较于双情景组合,三情景组合整体碳减排趋势更为显著,除RPD+EMNV+IUGA外,其余组合均可有效遏制碳排放增长,并在2030年前实现碳达峰。其中,RPD+ETNV+IUGA虽未在2030年前达峰,但于2031年实现,表明该组合在强度增强的情况下具备碳达峰潜力。EMNV+ETNV+IUGA组合减排效果最优,2030年较基准情景减少碳排放308.65 万t,减排率达24.29%,且碳达峰时间提前3年。进一步模拟显示,若4种情景同步实施,减排成效最为显著,2030年碳排放较基准情景减少374.81 万t,减排率达29.50%。
4 结论
基于ABM与SD集成,模拟政策干预对公共交通出行比例的影响,定量评估多元政策措施下福州市居民出行碳排放变化路径,得出如下结论。
(1)在无干预的基准情景下,居民出行碳排放量无法在2030年前实现碳达峰。
(2)单一政策情景下虽不能在2030年前实现碳达峰,但提升新能源汽车技术水平的减排效果最为显著;引导居民由私人交通转向公共交通也具有明显作用;新能源汽车市场扩展与城市绿地面积增加虽具减排潜力,但相对有限。
(3)多策略联动情景下呈现出更强的协同减排效应;以“扩大新能源汽车市场+技术提升+扩增绿地”组合为例,不仅可实现最大减排量,亦能显著提前碳达峰时间;ABM动态模拟结果为SD模型的路径分析提供了有效支持。
综上,模型结果验证了多种政策干预的减排潜力与协同机制,为城市交通碳达峰路径识别提供了实证依据。
PDF
(8969KB)
