李可馨,代大为

(安徽理工大学 人文社会科学学院,安徽 淮南 232001)

工业革命以来,大量的化石燃料被开采使用,二氧化碳排放量显著增加,全球气温升高。作为世界上最大的发展中国家,中国政府承诺将努力在2030年实现碳达峰,并在2060年实现碳中和。作为拉动国民经济发展的重要支柱产业,建筑业长期存在高污染、高耗能的问题。随着我国城市化程度的不断提高,建筑生产过程中的碳排放也在不断攀升。针对建筑业碳排放进行研究预测,并对建筑业碳达峰实现路径提出切实可行的意见十分必要。

一、文献综述

近年来,学界针对建筑业碳减排工作做了大量研究,涉及建筑业碳排放量的测算、碳排放驱动因素分析、建筑业碳排放预测等方面。关于建筑碳排放测算的方法,常用的有投入产出法、全生命周期法以及排放因子法等。张智慧等[1]使用投入产出法核算建筑业碳排放量。冯博和王雪青[2]根据IPCC碳排放测算方法建立了基于排放因子的建筑碳排放测算模型。对于建筑业碳排放的驱动因素分解分析,常用对数平均迪氏指数(LMDI)分解法、STIRPAT 模型等方法。人口数量、建筑业产值、劳动生产率等都是影响建筑业碳排放的关键因素。

目前,针对建筑业碳排放预测研究主要采用情景分析法、BP 神经网络与灰色预测模型等方法。赵冬蕾等[3]使用系统动力学预测建筑业碳排放,研究表明节能减排能够有效降低建筑业直接碳排放量。马彩云等[4]使用灰色预测模型对安徽省建筑业2017—2021年碳排放进行预测,结果显示安徽省建筑业碳排放量呈上升趋势。灰色预测GM(1,1)模型适用于样本数据较少的研究,但该模型的预测结果往往呈单调递增或递减趋势,不能很好地反应碳排放变化情况。高思慧等[5]使用BP神经网络模型预测中国建筑业2017—2020年的碳排放,研究表明此模型精度较高,适用于建筑业碳排放研究。

文章选取BP神经网络建立建筑业碳排放预测模型,使用灰色关联分析和情景分析法对建筑业碳排放影响因素进行筛选与分析,基于2004—2019 年建筑业相关历史数据,对中国建筑业2020—2035年的碳排放进行预测,并根据预测结果提出切实可行的意见,为实现建筑业碳达峰提供参考。

二、研究方法

(一)建筑业碳排放测算方法

建筑业碳排放主要分为两部分:一是直接碳排放,即由建筑业活动自身生产消耗的化石能源所产生的碳排放;二是间接碳排放,主要是建筑材料的生产及使用过程中产生的碳排放。本研究采用IPCC提供的排放因子法对建筑业碳排放进行测算。考虑到数据的可获取性,文章选取煤炭、焦炭、原油、汽油、煤油、柴油、燃料油、天然气和电力9种能源产生的碳排放作为直接碳排放的来源,选取水泥、钢材、木材、玻璃和铝材5种建筑材料产生的碳排放作为间接碳排放,建立建筑业碳排放测算模型如下:

式(1)中:44/12为碳转换系数;C为建筑业碳排放总量;C1为直接碳排放量;C2为间接碳排放量;Ni为第i种能源的消耗量;αi为第i种能源的碳排放系数;μi为标准煤折算系数;Mj为建筑业第j类建筑材料的消耗量;βj为第j种建筑材料的二氧化碳排放系数;εj为第j种建筑材料的回收系数。建筑材料的碳排放系数以及各类能源的碳排放系数及标准煤折算系数见表1和表2。

表1 建筑材料的二氧化碳排放系数

表2 9类能源的碳排放系数及标煤折算系数

(二)灰色关联分析

灰色关联分析适用于处理数量较小且样本规律不太明显的数据,因此本研究采用灰色关联分析法对建筑业碳排放影响因素指标进行筛选。灰色关联分析通过计算关联度来反映两个因素之间的相关程度。关联度越大说明识别对象对研究对象的影响程度越高。步骤如下:

第一步,设参考序列为X0=(X0(1),X0(2),…,X0(n));

比较序列Xi=(Xi(1),Xi(2),…,Xi(k),…,Xi(n)),其中i=1,2,…,m;k=1,2,…,n。第二步,数据归一化。计算公式为:

其中,i=0,1,2,…,m。

第三步,计算比较数列与参考数列的绝对差值。计算公式如下:其中,其中i=1,2,…,m;k=1,2,…,n。

第四步,计算灰色关联系数γ。计算公式如下:

其中,ξ为分辨系数,通常情况下取值为0.5;i=1,2,…,m;k=1,2,…,n。

第五步,计算灰色关联度。计算公式如下:

其中,i=1,2,…,m;k=1,2,…,n。

(三)BP神经网络

BP神经网络是在1986年由鲁梅尔哈特与麦克利兰领导的一个研究团队中所提出的,它是一种基于误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP 神经网络具有很强的非线性学习能力,它实际上是一个由多个神经元构成的并行分布的处理器,通过对数据进行学习掌握对数据的分类判断能力。学习过程结束后,根据已习得的规律作出对应反应。基本原理如图1所示。

图1 BP神经网络结构图

输入层节点数为n,隐含层节点数为m,wij为输入层第i节点到隐含层第j节点的权值;wj为隐含层第j节点到输出层的权值。BP 算法的主要思想是通过激活函数将输入层数据映射到输出层,数据通过正向传播计算和误差反向传播并更正,一直重复此过程直到误差小于先前设定好的目标误差。

三、建筑业碳排放实证模型构建

(一)数据来源

近年来,国内许多学者都对建筑业碳排放影响因素进行过相关研究。文章通过梳理文献,对建筑业碳排放影响因素进行识别,识别结果见表3。

表3 碳排放影响因素识别结果[5-6][7](P48-49)[8]

本研究通过对2004—2019年的《中国统计年鉴》《中国建筑业统计年鉴》《中国能源统计年鉴》等资料进行数据收集和整理,将相关数据代入建筑业碳排放测算公式(1)可得建筑业碳排放量。碳排放数据如表4所示。

表4 2004—2019年中国建筑业碳排放量

(二)影响因素筛选

将碳排放作为参考序列,其他9个影响因素作为比较序列,代入关联度计算公式可得各因素间的关联度如表5所示。

表5 影响因素关联度

由表5可知,影响中国建筑业碳排放量由大到小的因素为:人均GDP、建筑面积、人均可支配收入、国内生产总值、建筑业能源消耗量、建筑业从业人数、建筑业总产值、城市化率、总人口和能源强度。

(三)建立建筑业碳排放预测模型

选择关联度大于0.6的影响因素作为BP神经网络模型的输入值,将2004—2019年的建筑业碳排放量作为BP 神经网络的输出变量,则输入层为9,输出层为1。按照经验公式,隐含层的神经元个数为p=n+m+a,a∈[1,10],计算可得隐含层神经元个数在5～13个之间,本研究将隐含层神经元数量设为10 个,建立9-10-1 结构BP神经网络模型,得到的神经网络回归曲线如图2所示。

图2 神经网络训练结果回归曲线

由图2可以看出,训练样本的输出值与期望值之间的相关系数为0.995 74,验证样本与测试样本的相关系数都为0.999 99,全样本相关系数为0.995 64,数据回归较好。2004—2019年建筑业碳排放的实际值与预测值的拟合图如图3所示。

图3 2004—2019年建筑业碳排放量实际值与预测值拟合图

由拟合曲线来看实际数据与预期数据的偏离较小,所得训练网络泛化能力较强。此模型适用于建筑业碳排放量的预测。

四、情景分析与碳排放预测

(一)情景设定

“情景”一词最早由赫尔曼·卡恩和维纳提出,他们提到:未来的发展是多样的,在未来可能有各种情况出现,各种情况的实现途径也不是唯一的,所以对未来各种情况的描述及实现的多种途径构成了情景。文章运用情景分析方法,分析2020—2035年建筑行业的碳排放影响因素,并在不同情况下对建筑行业的碳排放进行预测。

他作为核物理专家深知核爆炸的关键技术就是加速器，他选择“滞留”美国的目的十分明确：设法购买到加速器！这时，国民政府给他汇了5万美元，作为购买加速器的费用。可买一台加速器起码要40万美元，这点钱根本就不够。何况，即便买到了，也拿不到出口许可证，无法运回中国——美国政府严禁此类尖端技术设备出口。

根据我国近年来人口、经济发展、能源消费的实际情况,结合中国国际问题研究院“十四五”系列规划研究及《“十四五”时期我国碳达峰和碳中和机遇与挑战》等文献资料,将9项影响建筑碳排放因素的发展情况分为高碳、基准和低碳3种情景。情景分析的预测时间为2020—2035年,根据不同时期国家规划对各类影响因素的要求,必要时会对时间段进行划分,以期得到更为准确的预测数据。

高碳情景:对当前建筑业产业结构与能源消耗不做强制性约束,按照既往的发展速率进行预测。

基准情景:考虑外界环境变化,参考建筑业相关政策,对产业结构、能源消耗做调整来减缓建筑业碳排放的情景。

低碳情景:以实现2030 年之前碳达峰为目标,参考“十四五”时期相关政策,加大力度对建筑产业结构与能源消费进行减排工作的情景。

(二)情景参数预测

1.人口规模情景预测

2020年末,中国人口达到141 212万人,全国人口净增204万人。相较于2019年的467万新增人口、2018年的530万新增人口,2020年的净增人口规模降幅超过一半,几乎接近0 增长①。中国人口与发展研究中心预计,“十四五”时期总人口年均增量为246万人,中国总人口在2027年后开始进入负增长,预计2027年将达到峰值14.17亿,此后开始下降,2035年将降至14.03亿②。

根据我国的人口发展情况,本研究采用中国人口与发展研究中心的统计资料数据为基准情景下的人口增长率。不同情景下的中国人口数量参数详见表6。

表6 不同情景下的中国人口平均增速

2.建筑业从业人数情景预测

截至2019 年末,我国建筑业从业人数为5 427.37万人,较2018年减少135.93万人,同比下降2.44%。近几年,我国建筑市场进入到发展的平缓期,以往的粗放式经营已不适合当下的大环境,各种建筑企业破产,行业人员流失。由此可以预见,未来几年建筑业从业人数会继续逐年降低。根据以往建筑业从业人数增加速率,文章设定不同情景下的建筑业从业人数如表7所示。

表7 不同情景下的建筑业从业人数平均增速

2020 年,我国全年国内生产总值(GDP)1 015 986亿元,较上一年增长2.3%。党的十九大指出,到2035年,“我国经济实力、科技实力将大幅跃升,跻身创新型国家前列”,“人民生活更为宽裕,中等收入群体比例明显提高”。刘伟等[9]预测,要实现上述目标,2020—2035 年中国经济至少要完成人均实际GDP水平翻一番的增长目标,即年均GDP增速达到4.8%。李平等[10]预测,基准情景下,在未来的3个阶段,即2021—2025年、2026—2030年、2031—2035年,GDP的增长率分别为5.6%、4.9%和4.5%。

本研究依据“十四五”时期经济社会发展主要指标及上述文献资料,确定不同情境下的GDP增长率详见表8。人均GDP 通过上文不同情景下的人口数与GDP确定,增长速度与GDP 增速保持一致。

表8 不同情景下的GDP平均增长率

4.城市化率情景预测

2019年,中国常住人口城市化率首次突破60%。“十四五”开局第一年我国城市化率就升至63.89%,城市数量达687个。“十四五”规划预期2025年城市化率达到65%,目前来看能稳定达到预期。到2025 年,预计中国城镇化率将达到67.8%左右,2035年有望达到74.39%。基于此,文章预测不同情景下的城市化率增速如表9数据所示。

表9 不同情景下的城市化率平均增速

5.建筑业总产值情景预测

中国建筑业在过去五年迎来快速发展。2020年,全国建筑业总产值263 947亿元,较2019年同比增长6.2%。近几年建筑业总产值基本保持平均10%的增长率,建筑业总产值占GDP 总量的25%。根据影响建筑业总产值因素的变化情况并结合实际增长,将基准情景下2020—2025年的建筑业产值的增长率设为6%,高碳情景和低碳情景下的增长率各浮动1%。具体参数见表10。

6.建筑面积情景预测

在过去十年里,建筑业房屋施工面积在2011年增长率达到峰值,增速为20%,2011年后增长放缓,近五年增速维持在4%左右。当前房地产业已进入平稳发展阶段,考虑到未来仍以“房住不炒、因城施策”的大背景为主基调,以实现稳地价、稳房价、稳预期的调控目标,本研究设定的不同情景下的建筑面积如表11所示。

表11 不同情景下的建筑面积平均增速

7.建筑业能源消费情景预测

数据显示,我国建筑业能源消耗占全部能源消耗量的三分之一。“十三五”期间,建筑业能源消耗量年均增速为4.9%。“十一五”时期年均增速为9.4%,“十二五”时期建筑业能源消耗量年均增长6.4%,2020年之后我国建筑业能源消费量将持续走低。不同情景下的建筑业能源消耗量如表12所示。能源消费方面,第十四个五年规划指出,到2025 年,能源强度要累积降低13.5%。而在“十三五”期间,政府提出能源强度累积降低15%的目标,对比2015年,2020年中国万元GDP能耗将下降10.61%,并未完成预期目标。因此,本研究将以2020—2025年能源强度降低13.5%为基准情景,其他不同情景下的具体参数详见表13。

表12 不同情景下的建筑业能源消耗量平均增速

表13 不同情景下的能源强度增速

(三)建筑业碳排放预测

文章根据情景分析所得到的3个情景预测数据,将得到的2020—2035年的相关数据归一化后代入BP建筑业碳排放预测模型,借助MATLAB 2021a软件使用BP 神经网络模型逐年对建筑业碳排放量进行预测。各情景下的预测值及未来趋势变化如表14和图4所示。

图4 2020—2035年建筑业碳排放量预测

表14 2020—2035年建筑业碳排放量预测结果

根据模型仿真结果(图4)可以看出在3种不同情景下建筑业的碳排放量走势。在情景1(高碳情景)下,建筑业碳排放量处于高速增长状态,在2035年以前未见峰值。2020年建筑业碳排放量为307 000万吨,2035年为551 000万吨,年均增长率为4.03%。在情景2(基准情景)下,建筑业碳排放量于2031 年到达峰值,为386 400 万吨。情景2下的建筑业碳排放量增长速度放缓,说明国家和行业内出台的减排政策和措施已取得一定成效,但碳排放仍未在2030年之前达到峰值。在情景3(低碳情景)下,以实现2030年之前碳达峰为目标,根据“十四五”时期相关减排政策对建筑产业结构和能源消费进行强制性约束,在维持GDP增速和人口数量的情况下,通过缩减建筑面积与降低建筑业能源强度来控制建筑业能源消耗量,建筑业碳排放量于2026年达到峰值,为315 800万吨。

五、结论与建议

(一)结 论

文章针对建筑业碳达峰问题,根据IPCC 碳排放量测算方法计算了2004—2019年的建筑业碳排放量。通过梳理文献并结合灰色关联分析筛选出9项影响建筑业碳排放量的主要因素,使用MATLAB 2021a软件通过BP 神经网络模型对2004—2019年的建筑业碳排放量及影响因素数据进行模拟训练,所得到的预测数据误差小,适用于建筑业碳排放量的预测。此外,运用情景分析法对2020—2035年建筑业碳排放的影响因素设定3种情景并讨论,将相关数据代入BP 神经网络建筑业碳排放预测模型进行预测,研究结果显示,在高碳情景下建筑业碳排放量未能达峰,在基准情景下碳排放量将于2031年达峰,峰值为386 400万吨,在低碳情景下建筑业碳排放量于2026年达峰,峰值为315 800万吨。

(二)建 议

我国作为碳排放大国,要在2030年实现碳达峰,必须坚持节能减排。对于建筑业来说,要把碳达峰目标落实在日常经营活动中。对此,文章提出如下建议。

1.将绿色低碳要求融入城乡规划管理中

建筑规划设计阶段必须考虑全生命周期的建筑能耗。合理规划城镇住宅面积,根据城市发展情况及人口数量合理规划住宅面积,减少不必要的人力物力资源的消耗。

2.降低建筑材料生产能耗

目前,中国建筑材料碳排放占建筑全寿命周期碳排放的9% ～12%,这意味着间接碳排放占总碳排放比重较大,建筑材料消耗量不断增加,建筑材料的生产及使用过程中产生的二氧化碳持续增长。因此,对于建筑业来说,必须对建筑材料的生产工艺进行创新,研发低碳的建筑材料。

3.实施工程建设绿色化转型

创新工程建造技术,大力发展装配式建筑。装配式建筑能在缩短建造工期、减少物料损耗的同时节约人力,更加节能环保。此外,有关部门应推广并发展零碳公共建筑,减少零碳建筑自身产生的污染。

4.推动产业优化,学习借鉴先进减排经验

我国开展“双碳”研究时间较短,可吸收借鉴先进碳减排经验,控制能源消费总量,优化消费结构。对于建筑业来说,应该在建材生产、加工以及建造过程中控制能源消费量,降低能源消费强度。

注 释:

① 数据结果根据《中国统计年鉴2021》部分相关内容整理所得。② 数据结果由《我国“十四五”时期及中长期人口发展态势分析》(李月、张许颖,《人口与健康》2020年第8期)中部分相关内容整理所得。