引言交通运输业的碳排放量约占全国终端碳排放量的15%，面临碳减排压力[1-2]。交通运输处于绿色转型的重要时期，预测交通碳排放量有助于把握交通运输业的发展动向，对交通运输业碳排放因素的分析具有重要作用。交通碳排放量的预测结果也是交通运输绿色发展战略的重要决策依据。预测交通碳排放量的方法主要包括情景预测法、灰色预测法、BP神经网络预测法、曲线拟合法、影响因素分解模型预测法等[3-4]。以2008~2019年扬州交通碳排放量测算数据为基础，通过对比分析，在充分考虑单个模型优势和局限性的基础上，选择灰色Verhulst模型、Logistic模型、Gompertz模型进行优化组合，赋予单个模型变权重系数，建立最优组合预测模型，从而提升交通碳排放预测模型的精确度。1组合预测模型组合预测利用各单项预测模型包含的已知信息，赋予不同单项预测模型权重系数，以加权平均形式构建更全面、更系统的模型。权重系数是决定组合预测模型精度和有效性的关键，分为定权重系数和变权重系数。各单项预测模型在不同预测时刻的预测精度不断变化，较少采用定权重组合预测。根据已有预测实践，变权重组合预测法较为精确。假定最优的变权重系数是随时间变化的函数，以预测误差平方和最小为目标函数，通过规划方法求解函数的权重系数，该方法计算复杂且会出现权重系数为负数的情况[5]。因此，文中选择预测误差平方和倒数分配法，方便工程技术人员进行应用。预测误差平方和越大，表明预测模型精度越低，在组合模型中的重要性越低，误差平方和较大的单项预测模型在组合模型中赋予的权重系数较小；预测误差平方和较小的单项预测模型在组合预测模型中赋予权重系数较大。1.1最优变权重组合模型权重系数假设预测问题有n个单项模型和m个时间序列，yt为第t(t=1,2,⋅⋅⋅,m)期的交通碳排放量的实际值，Y^i(t)为第i个模型在第t期的预测值，ki(t)为第i个模型在第t期的权重系数，ki(t)≥0(i=1,2,⋅⋅⋅,n)。∑i=1nki(t)=1, (t=1,2,⋅⋅⋅,m) (1)变权重组合预测模型为：Y^(t)=∑i=1nki(t)Y^i(t) (2)式中：Y^(t)——变权重组合预测模型第t期预测值。第i个单项模型在第t期的预测误差为：pit=Y^i(t)-y(t) (3)ki(t)=(p2it)-1∑i=1n(p2it)-1 (4)利用已有交通碳排放量数据建立组合预测模型，求得各期预测值，当需计算组合预测模型r+j(j=1,2,⋅⋅⋅)期后的权重系数时，可用式（4）计算。ki(r+j)=∑t=1mki(t)/m, (i=1,2,⋅⋅⋅,n) (5)1.2预测模型精度评价指标为了对预测效果进行全方位的综合性评价，需要建立可行的评价指标体系，比较不同预测方法的精度。模型的预测精度与其产生的预测误差直接相关，误差越小表明该模型的预测精度显著高于其他模型，预测效果越好。计算评价组合模型整体预测效果的指标[6]。绝对误差平方和SSE为：SSE=∑t=1myt-Y^t2 (6)相对误差平方和SSPE为：SSPE=∑t=1myt-Y^tyt2 (7)标准差SE为：SE=∑t=1m(yt-Y^t)2m (8)平均绝对百分比误差MAPE为：MAPE=1m∑t=1myt-Y^tyt×100% (9)均方百分比误差MSPE为：MSPE=1m∑t=1myt-Y^tyt2 (10)2交通碳排放量预测2.1单项预测模型对比根据扬州交通碳排放测算数据，运用Origin软件对Logistic模型、Gompertz模型进行交通碳排放量曲线拟合，拟合程度借助拟合优度R2评价，R2的取值范围为0~1。R2越接近1，模型的拟合程度越好。运用Matlab软件对灰色Verhulst模型进行参数估计，构建模型。灰色Verhulst模型表达式为：y^1t=504.726 71+3.335 7e-0.243 4t (11)Logistic模型表达式为：y^2t=464.171 11+4.458 0e-0.269 9t (12)Gompertz模型表达式为：y^3t=638.389 6e-e(0.718 9-0.127 4t) (13)灰色Verhulst模型后验差比值为0.067 10.35，小误差概率P=10.95，模型预测精度为一级。Logistic模型拟合优度R2=0.991 6，Gompertz模型R2=0.989 8，较接近1，表明模型拟合程度较好。根据模型精度检验标准，3种模型的预测精度都属于高精度预测，能对交通碳排放量和变化趋势进行预测。交通碳排放量实际值曲线与3种单项模型预测曲线如图1所示。交通碳排放量各模型预测值与实际值的相对误差如表1所示。10.3969/j.issn.1004-7948.2023.01.019.F001图1交通碳排放量实际值曲线与3种单项模型预测曲线10.3969/j.issn.1004-7948.2023.01.019.T001表1交通碳排放量各模型预测值与实际值的相对误差年份时间序列相对误差/%灰色Verhulst模型Logistic模型Gompertz模型2008108.0810.19200926.830.710.612010310.333.644.84201148.573.014.342012510.465.786.71201361.751.761.50201470.323.073.39201581.823.954.64201694.002.231.402017104.703.302.712018110.972.042.032019121.270.371.25由图1可知，灰色Verhulst模型和Logistic模型后期增长速度较慢，收敛速度较快，预测值比实际值相对偏小；Gompertz模型后期增长速度较快，收敛速度较慢，预测值比实际值相对偏大。3种单项模型具有局限性，存在一定的误差，难以满足预测需求。综合利用3种预测模型提供的有价值信息，将3种预测模型进行适当组合，建立交通碳排放量的变权重组合预测模型，能够提高预测精度和预测的可靠性。由表1可知，灰色Verhulst模型平均相对预测误差为4.25%，Logistic模型平均相对误差为3.16%，Gompertz模型平均相对误差为3.64%。2.2组合预测模型建立利用组合预测模型最优权重系数的确定方法，计算灰色Verhulst模型、Logistic模型和Gompertz模型各期的权重系数，得到未来预测期的权重系数。通过最优变权重系数组合3个模型，从而计算组合预测模型后期沉降预测值，最优权重组合预测模型的表达式为Y^t=0.359 9y^1t+0.349 4y^2t +0.290 6y^3t。交通碳排放量组合预测模型预测值分析如表2所示。组合预测模型的平均相对误差为2.18%，低于单项模型误差，组合预测模型的拟合效果更好，精度更高。2018~2019年组合预测模型的相对预测误差平均值为0.91%，灰色Verhulst模型为1.12%，Logistic模型为1.21%，Gompertz模型为1.64%，组合预测模型的预测精度明显提高，后期预测较准确。10.3969/j.issn.1004-7948.2023.01.019.T002表2交通碳排放量组合预测模型预测值分析时间序列年份组合预测模型预测值/万t实际值/万t绝对误差/万t相对误差/%12008116.405 8116.405 80022009129.877 7130.686 60.808 90.6232010156.780 4149.986 0-6.794 44.5342011185.157 8178.315 1-6.842 73.8452012215.969 5202.189 6-13.779 96.8262013248.041 5249.559 41.517 90.6172014284.313 9285.392 91.079 00.3882015312.017 9319.903 17.885 22.4692016334.837 0328.844 1-5.992 91.82102017362.464 3351.095 8-11.368 53.24112018389.219 0394.378 95.159 91.31122019407.520 6405.466 7-2.053 90.51不同模型交通碳排放量预测值和实际值曲线如图2所示。组合预测模型的预测曲线更光滑，与实际值曲线的相关性较好，组合预测模型预测值更接近交通碳排放量实际值，与实际值变化趋势相吻合，预测效果显著，弥补了后期Gompertz模型预测偏大和灰色Verhulst模型、Logistic模型预测偏小的缺陷，具有更强的可靠性和实用性。组合预测模型曲线早期增长速度较快，后期增速放缓并表现出收敛趋势，符合交通碳排放量规律，表明组合模型与交通碳排放量的适应性较好，能够较好地预测交通碳排放量。10.3969/j.issn.1004-7948.2023.01.019.F002图2不同模型交通碳排放量预测值和实际值曲线各项预测模型的精度指标如表3所示。根据MAPE衡量，4种预测模型的精度均小于10，属于高精度预测，但组合预测模型的MAPE值明显小于其他3种模型，表明组合模型的预测精度得到进一步提高。分析评价预测模型精度和可靠性其他指标，Verhulst模型的指标值最大，其次为Gompertz模型和Logistic模型，组合预测模型的指标值最小，表明组合预测模型的预测精度均优于各单项模型，预测方法更可靠，更适用于交通碳排放量预测。10.3969/j.issn.1004-7948.2023.01.019.T003表3各预测模型的精度指标模型类型SSESSPESEMAPEMSPE灰色Verhulst模型1 541.658 50.038 311.334 54.250.016 3Logistic模型794.835 90.016 98.138 63.160.010 8Gompertz模型968.094 70.024 28.981 93.640.012 9组合预测模型545.173 60.010 46.740 32.180.008 52020~2040年扬州交通碳排放量预测值如表4所示。从预测结果可知，2020~2040年扬州交通碳排放量增速逐渐减缓，最高增速为3.85%，最低为0.16%，绝大多数年份的增速低于2%，年平均增速为1.14%。2030年之后，扬州交通碳排放量平均增速仅为0.35%，表明扬州运输业减碳行动有所成效。后期扬州交通碳排放量增速大幅减缓，但总量仍略微增加，扬州交通运输仍须加强节能减排的措施力度，减少碳排放量。10.3969/j.issn.1004-7948.2023.01.019.T004表42020~2040年扬州交通碳排放量预测值年份预测值年份预测值年份预测值2020428.192 42027504.185 52034528.947 92021444.659 72028509.608 92035530.764 82022458.869 82029514.222 62036532.331 12023471.050 92030518.153 42037533.684 02024481.444 92031521.508 42038534.854 62025490.288 92032524.377 72039535.869 22026497.803 22033526.836 52040536.749 7万t3扬州交通绿色发展路径3.1完善交通管理结构相关部门制定完善的道路交通排气污染管理、污染报警及处置对策机制，建立完善的机动车排放监测监控系统。建立道路交通统筹机构，负责落实公共交通发展、规划、土地利用、资金使用等协调管理工作。推动绿色低碳交通运输市场机制运行，建立节能环保技术服务市场，培育节能减排第三方服务机构，引导交通运输企业自愿减排，积极参与国内碳排放交易市场[7-9]。积极探索绿色出行碳惠普机制，借鉴北京、武汉、南京等试点城市的成功经验，探索符合扬州的碳普惠内部交易闭环机制的生态圈，搭建碳惠普激励平台。通过对居民绿色出行行为完成低碳化转变计算减碳量，将碳减量转化为碳积分，将碳积分予以变现，如换取购物优惠券、换购商品、充值公交卡等。通过激励机制，引导居民践行绿色低碳生活和出行，提升全民降碳意识和绿色出行习惯，形成共建共享的绿色低碳新风尚。3.2优化交通运输结构基于绿色理念的交通运输结构优化是实现碳中和目标的重要路径，为扬州交通健康发展提供方向。针对公路运输碳排放量比较突出的特点，适当控制公路发展规模，加快污染较小的铁路和水运的发展，“公转铁”可以充分利用高速铁路集约高效、安全舒适、绿色低碳的优势，实现交通运输结构优化。针对货物运输需求日益繁盛的情况，采用多式联运绿色运输体系，干线运输以电气化铁路为主，末端配送以新能源汽车为主，从而释放巨大的碳减排潜力，推动城市货运能源清洁化进程，从而实现扬州交通运输节能减排[10-11]。推动交通与土地利用的一体化协调，将路权归还给步行、骑行和公共交通，打造绿色低碳可持续的完整出行链。步行和自行车交通系统的建设直接影响居民出行意愿和方式。因此，需要构建无障碍且连续的人行道和非机动车道路网，营造安全、舒适、便捷的一体化绿色出行系统环境[10-11]。3.3调整交通能源结构提高能源技术水平，调整交通能源结构，加大清洁能源应用。研发新型清洁燃料，增加电力、天然气等能源在交通运输业能源消耗比重，逐渐以清洁燃料替代传统能源，降低对石油、煤炭等高碳排放能源的依赖。给予技术创新发展的优惠政策，提高研究人员研发能源利用效率高但能耗排放低的新型交通运输工具的积极性。加大推进纯电动、太阳能等新能源汽车产业发展的优惠力度，通过相关鼓励政策促进新能源汽车的使用，优化新能源汽车充电桩布局，为新能源汽车的使用创造便捷条件，从而降低能耗排放高、容量低的污染型交通工具的使用。4结语借助扬州交通碳排放量数据资料，利用预测模型对交通碳排放量进行预测，得到如下结论：（1）在分析单项预测模型特点基础上，分别赋予灰色Verhulst模型、Logistic模型、Gompertz模型变权重系数构建组合预测模型。组合预测模型预测精度明显优于单项模型，预测方法更可靠，具有一定的理论有效性和实用性。（2）通过组合模型预测发现未来扬州碳排放量总量增加，但增速大幅减缓，大部分年份的增速低于2%，年平均增速为1.14%。2030年之后，年平均增速为0.35%，表明扬州交通运输碳减排措施有所成效，但仍需持续推进交通绿色低碳循环发展。（3）利用组合模型预测扬州交通碳排放量，有利于全面科学地把握扬州交通碳排放的发展趋势，并从完善交通管理结构、优化交通运输结构、调整交通能源结构方面构建适合扬州交通绿色发展路径，对促进扬州交通绿色低碳可持续发展进而带动经济的发展起积极作用。