一、前言
随着经济发展和人口规模的持续增长，人类的生产活动对地球生态系统产生了巨大的影响。碳排放是温室气体排放的简称。不仅是燃烧燃料会产生温室气体，人口的增加和经济的增长也是产生温室气体导致碳排放量增加的原因。据统计，2015年全球CO2平均浓度首次达到400times;10-6，全球气候变暖开始变得严峻起来。为了积极地应对全球气候变化的问题，《巴黎协定》的推出目的在于控制主要由CO2排放而导致的气温升高，确保21世纪末将全球温升控制在2℃以内，并力争控制在1.5℃以内。为了更好的解决全球气候变暖问题，美国计划在2025年减排2005年基础上的26%～28%并努力实现减排28%的目标。中国政府为了应对全球气候变暖的问题作出到2020年，中国单位国内生产总值CO2排放比 2005年下降40%～45%的承诺[1]。交通运输行业的碳排放量对于环境的污染很大，在发展较好的城市每天早晨都弥漫着雾霾，这让全体国民开始重视环境问题。控制温室气体比控制标准空气污染物更具挑战性。在按照国家规划实施现有政策和排放标准、采用新技术的参考情景下，2040年左右道路运输温室气体排放达到高峰.交通运输行业的能源消耗量与相应的碳排放量异常突出，据国际能源署的统计表明，2008年交通运输行业的碳排放量占全球的22.5％，仅次于电力行业。同许多地区一样，我国交通运输行业的能源消耗强度也比较大，有报道称2006年我国的单位能耗强度是日本的8倍，是欧盟的4.6倍，是美国的2.4倍，由此也带来了较高的碳排放强度[2]。与此同时，能源消耗导致的全球变暖问题威胁着人类的生存环境与健康，发展低碳经济、倡导低碳生活、鼓励低碳出行、实行节能减排的观念开始渐渐被人们接受[3]，低碳交通出行将成为世界各地未来发展的必然趋势和人们必须的选择[4]。
- 国内外研究现状
1、交通运输碳排放现状
交通运输的碳排放量逐渐受到社会各地的广泛关注，截止到目前，已经有许多国内外的学者和研究人员对交通运输的碳排放因素进行了分析与研究。高广阔、王影歌、李小川[4]利用碳排放量计算公式计算出交通运输的碳排放量，然后利用改进的Kaya[5]模型计算出河南省各因素与交通运输碳排放量的关联度，从而看出交通运输能源结构对交通运输碳排放量的影响最大，经济因素和经济强度对交通运输碳排放量的影响较大，人口因素对碳排放量的影响较小，最后利用灰色关联[6]对各影响因素进行关联分析。总结以上结论可以发现当前河南省的经济结构和交通运输能源结构还存在较大的问题，比如河南全省的交通运输车辆仍以汽油车和柴油车为主，新能源车辆普及度不高，造成了大量的碳排放，为了降低交通运输对环境的不利影响,应该积极改善经济和交通运输能源结构[7]。为了保证吉林省的经济增长速度，遏制碳排放增长趋势，卢晓玲，高标[3]对吉林省1999-2015年交通运输碳排放进行系统计算，分析它的时序变化，基于灰色关联分析模型探究交通运输碳排放量和各相关因素的关联程度，并预测2016-2020年的交通运输碳排放量 [4]。
为了了解居民出行二氧化碳排放的影响因素，对于制定低碳交通和土地利用政策具有重要意义。基于2015年中国广州市出行调查数据和决策树分析， Yang[8]等人通过量化影响因素的相对重要性，确定了不同出行类型二氧化碳排放的决定因素。结果表明，对于不同类型的出行，影响CO2排放的因素各不相同。社会人口统计学对通勤和社交出行产生的二氧化碳排放量的影响比社区建筑环境更为显著，而对于娱乐和日常购物出行产生的二氧化碳排放量，建筑环境比社会人口统计学产生的影响更为显著。对于几乎所有类型的出行来说，拥有汽车是二氧化碳排放量的最关键决定因素，除了购物出行，购物出行最受社区周围建筑环境的影响，比如到城市公共中心的距离和公共汽车站密度[8]。
Amin A、Altinoz B、Dogan E[9]分析了欧洲国家交通碳排放的决定因素，他们开展这次研究的目的是在欧洲国家的环境库兹涅茨曲线（EKC）框架中分析经济增长、可再生能源消费和城市化对运输部门二氧化碳排放的影响。Amin A[8]等人通过经验证据表明，消费的可再生能源的增加能够减轻交通运输的碳排放量，但是欧洲的城市化对污染的治理在统计学上几乎是微不足道。可再生能源的消耗量的增加使交通运输的CO2相比之前减少了大约12%，这充分验证了EKC假说。这项研究的结果表明，通过大力推广环保和节能的交通方式，加强可持续交通系统[10]，提高城市人口的保护环境的意识，能够使欧洲国家的交通运输碳排放量大大减少，给欧洲人民贯彻了低碳交通的理念，为治理全球变暖的问题提供了帮助。
- 交通运输碳排放系数分析
现在虽然有很多研究取得了很有价值的研究成果，但是仍然存在一些问题。关于交通运输碳排放测算方面，由于数据很容易得到，而且涉及的种类有限，所以很难全面的反映交通运输碳排放的实际情况，宋京妮，吴群琪，袁长伟，张帅，包旭，杜凯[1]根据《2016年IPCC国家温室气体清单指南》[11]，考虑到交通运输的特殊性，采取自上而下的计算方法计算出碳排放量。随后先研究总体时空格局，为了能够反映中国省域交通运输系统碳排放的空间差异情况，计算了2003年-2014年的中国交通运输系统碳排放的变异系数及空间自相关指数。从而发现交通运输系统碳排放均值逐年上升，区域标准差也呈现出了上升的趋势，这些数据表明区域交通运输系统的碳排放绝对差异总体呈现增大趋势，但是变异系数呈现下降的趋势表明了这些年间中国省域交通运输系统碳排放相对差异逐渐减小。然后分析局部空间格局，最后对空间变异分析，包括方向变异，空间异质，观察空间变异函数的拟合结果，发现交通运输系统排放量较大的地区主要分布在中东部，而西北和西南方向的省份碳排放相对较小。Wang[12]等人认为公路运输是造成大气污染的主要问题。不同地理位置和社会经济条件加剧了大气污染排放的区域差异。提出了一个综合研究框架，探讨中国省区道路运输区域APES的时空特征和驱动机制。空间自相关分析验证了正空间聚合效应，东边高聚合，西北低聚合。人均国内生产总值是人口排放的促进因素。他们的研究方法可以对国家和区域的APES控制运输部门的政策提供更好的决策。
闫琰、周嗣恩、杨新苗[2]的研究提出了基于反推方法的交通运输行业碳排放评估方法，这种方法根据客运、货运交通需求数据充分考虑交通运输指标和能源消耗以及碳排放的逻辑与量化转换关系，继承预测模型对未来碳排放形式的判断，并且还结合了国家宏观调控目标反推达到了预定控制目标的可能实施路径[2]。该研究提出了适用于我国的基于反推方法的交通运输行业碳排放测算评估体系，利用1999-2009年的数据预测了2020年的碳排放量趋势，研究表明道路运输方式碳排放量占整个交通行业的85％以上[2]。
- 交通运输碳排放量模型分析
交通运输碳排放量时间曲线同时存在趋势性变动和随机性变动的特征，两者之间的变化规律不一样，所以通过能够反映非线性饱和增长特征的Richards模型预测交通运输碳排放量时间曲线的趋势项部分，再利用BP神经网络去进一步去除或降低随机因素的影响，从而能够提高模型的预测精度。高洁、王建伟、李琳娜[13]就是选择Richards模型作为交通运输碳排放量预测的初始模型，将预测结果的绝对误差修正模型，目的是提高模型的预测精度。为了证明数据的准确性，他们还将预测结果进行检验，先是组合预测模型绝对误差及相对误差检验，误差在0.548％以下，说明预测结果与实际值偏离程度较小，Richards-BP神经网络组合预测模型预测精度较高。然后是单一预测和组合模型预测精度检验，选用平均绝对误差、平均绝对百分比误差及标准差指标作为预测模型检验标准，反映预测数据的离散程度，指标值越小说明预测精度越好，可靠性越高[13]。在数据的支持下，Richards-BP神经网络模型对于交通运输碳排放量的预测精度有显著的提高，它的效果明显比其他的模型好。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
