【《低碳物流系统动力学模型构建与应用分析案例》4500字】

低碳物流系统动力学模型构建与应用分析案例目录TOC\o"1-3"\h\u13783低碳物流系统动力学模型构建与应用分析案例 115734（一）低碳物流系统动力学模型构建 112000（二）参数设置及模拟 522334（三）模型仿真及结果分析 6（一）低碳物流系统动力学模型构建本文将中国五大城市群作为一个系统，考虑能源结构、技术水平、物流业和碳排放等要素在此系统中的作用和彼此之间的关系，构建系统动力学模型。经济的发展固然会为技术投入提供资本，从而带来物流产业的增长，而物流产业的增加有可能会进一步扩大碳排放，从而需要更多的经济投入来治理环境问题，这样就形成了一个闭合回路。因此，要使用系统动力学方法，首先要确定中国五大城市群的边界、模型的主要参数、因果关系图和流图。1.基本假设中国五大城市群低碳物流系统是繁冗纷杂的，难以面面俱到。因此，为了突出研究重点，本文仅考虑影响五大城市群物流业碳排放的主要因素，不考虑对系统的影响甚微的因素，同时做出以下假设：（1）模型仅关注物流业能源消耗所产生的环境问题，不考虑其他形式的环境影响。（2）本模型仅考虑物流发展和经济发展、科技发展之间的关系，不考虑其他产业。（3）假设交通运输的发展和经济发展之间呈稳定的关系，货运周转量增长稳定。（4）因研究对象运输系统主要以公铁为主，水运民航运输系统统计尚不完善，故不考虑。2.因果关系图因果关系图能简明扼要地勾勒出一个复杂系统中子系统的变量关系和反馈机制，因此被应用于系统模型结构的展示和设计中。具体而言，因果关系图中，一个箭头由A指向B表示A引起B的发生，或A对B有一定相关性，这种蕴含一定关系的链接称为因果关系链。因果关系图必须包含因果关系链，即构成具有正反馈机制或负反馈机制的因果链。正反馈关系链中，负反馈因果链的个数为偶数，导致“负负得正”，使整个回路中的初始变量应和经过回路后输出的变量呈相同变化趋势；负反馈关系链中，负反馈因果链得个数为奇数，导致“正负得负”，初始变量和输出变量呈相反变化趋势。回路中的因果关系链越简明，初始变量的变化对目标值的影响越接近线性关系；回路中的因果关系链越错综复杂，初始变量的变化对目标值的影响延时性越强，且具有一定波动。综上所述，本文结合中国五大城市群的实际情况，将其碳排放系统分为物流环境子系统、物流运输规模子系统和物流碳排放子系统。（1）物流环境子系统图5-1中国五大城市群物流环境子系统如图5-1所示，中国五大城市群经济的发展必然会带动其物流产业总额的增长，从而带动其物流总产值，总产值的增加必然会带来物流投入的增加，物流投入进一步提高了物流业增加值，物流业增加值提高又扩大了中国五大城市群物流业规模，带动了物流业总产值的提高。（2）物流运输规模子系统图5-2中国五大城市群物流运输规模子系统如图5-2所示，货运周转量和公路运输比重影响着公路运输能耗，货运周转量和铁路运输比重影响着铁路运输能耗，公路和铁路运输能耗加总得到运输总能耗，总能耗的提高势必会带来五大城市群碳排放总量的提高。（3）物流碳排放子系统图5-3中国五大城市群物流碳排放子系统如图5-3所示，GDP增加一定程度上会带来环保投入的增加，环保投入系数反映了中国五大城市群的环保意识，也会影响环保投入。环保投入的增加会带来交通运输系统碳排放治理费用的增加，其增加和治理效率的增加又会引起碳排放减少量的逐年递增，最后碳排放的减少量与碳排放系数共同作用于中国五大城市群物流业碳排放总量。碳排放总量再通过影响环境污染损失后经一系列关系导致GDP阻碍增加，从而减少五大城市群GDP。3.模型流图及基本设置图5-4中国五大城市群低碳物流系统流图中国五大城市群低碳物流系统模型中变量较多，流程图可以直观地展示这些变量之间的关系，每个变量与其他相关变量建立数学表达式。绘制流程图后，对其进行基本设置。本文构建了五个主要城市群的物流系统碳排放动态模型，数据来源于各城市的统计年鉴。然后对该模型进行可行性测试，从过去10年的数据预测2019-2025年物流碳排放趋势的变化。在模型中，物流业碳排放的主体是运输业的碳排放，因此不同的运输方式导致能源效率不均衡，产生的碳排放量完全不同。相应地，五个主要城市群物流系统碳排放系统动力学模型中包含的变量包括以下变量。水平变量包括中国五大城市群的物流碳排放总量、GDP、物流投入、碳排放减少量等。辅助变量包括物流投入、环保投入和治理效率等。常数主要包括GDP增长因子、公运比、铁运比和污染损失因子。（二）参数设置及模拟1.参数设置(1)确定初始值。参考年鉴，我们收集了2009年至2018年的十年数据，以检验模型的可行性。进一步预测2019年至2025年物流碳排放变化情况。因此，将2009年五大城市群总产值确定为初值200524亿元。(2)确定模型常数。参考各城市2009-2018年的相关数据可知，公路货运比重在[0.58,0.63]范围内，铁路货运比重在[0.38,0.41]范围内，且年变化不大。所以本文假设公路运输比例为0.6，铁路运输比例为0.4。(3)确定静态表函数。表函数用于描述变量之间的函数关系，是Vensim程序中自变量与因变量关系的函数。在本文的系统动力学碳排放模型中，GDP增长系数通过表函数表示。参照五大城市群的历史GDP，区域GDP为自变量，增长因子为因变量。GDP增长因子表函数，即典型的表函数，如图5-5所示。图5-5模型表函数2.系统动力学方程（1）公路运输比重系数=0.6（2）铁路运输比重系数=0.4（3）货运周转量=WITHLOOKUP(TIME,([(2009，真实值)-(2025，预测值)])（4）公路运输能耗=公路比重*货运周转量（单位：万吨标准煤）（5）铁路运输能耗=铁路比重*货运周转量（单位：万吨标准煤）（6）运输总能耗=公路运输能耗*0.6+铁路运输能耗*0.4（单位：万吨标准煤）（7）中国五大城市群GDP=INTEG(GDP增长-GDP阻碍，2009年初始值)（8）GDP增长=GDP增长系数*中国五大城市群GDP（9）GDP增长系数=0.07（根据《中国统计年鉴》得出）（10）环保投入=环保投入系数*中国五大城市群GDP（11）环保投入系数=0.015（根据国家统计局历年环境污染治理投资总额计算得出）（12）交通运输系统碳排放治理费用=碳排放治理投资系数*环保投入（13）碳排放减少量=交通运输系统碳排放治理费用*治理效率（14）治理效率=0.3（根据有关参考文献和参考资料分析和推测）（15）碳排放系数=0.0345（根据参考文献：姚冠新分析和推测得出）（16）中国五大城市群物流业碳排放总量=运输总能耗*碳排放系数-碳排放减少量（17）环境污染损失=污染损失系数*中国五大城市群物流业碳排放总量（18）污染损失系数=0.001（根据查阅《中国统计年鉴》得出）（19）污染损失延迟=DELAYFIXED(污染损失,1,0)（20）GDP阻碍=污染损失延迟*交通运输系统碳排放治理费用（21）中国五大城市群物流产业总额=物流需求系数*中国五大城市群GDP（22）物流需求系数=0.03（利用计量经济学Eviews软件进行回归分析得出）（23）中国五大城市群物流总产值=WITHLOOKUP(中国五大城市群物流产业总额，([(2009年产业总额，2009年物流总产值)-(2025年产业总额，2025年物流总产值)]))（24）物流投入=中国五大城市群物流总产值*物流投入产出比（25）物流投入产出比系数=0.297（根据《中国统计年鉴》物流业投入产出表计算得出）（26）物流业增加值=WITHLOOKUP(物流投入，([(2009年物流投入，2009年物流业增加值)-(2025年物流投入，2025年物流业增加值)]))（三）模型仿真及结果分析1.一致性检验模型的一致性检验需取一观察变量，将其模型仿真后若干时间节点的预测值与实际值进行比较。一般认为误差较小的时，模型具有合理性与有效性。故本文选取运输总能耗作为观察变量，经模型仿真后，得到2009-2017年预测值，并将其与真实值进行比较。表5-1中国五大城市群物流业运输总能耗预测值与实际值比较年份运输总能耗预测值（万吨标准煤）运输总能耗实际值（万吨标准煤）误差（%）200912947.5247812649.731712.30201013461.369613420.985490.30201114486.7385514254.950741.60201215228.7194515096.229590.87201315523.0745215554.120670.20201416424.9878416638.512681.30201517555.6746717364.317821.09201619319.61519060.732161.34201715950.6318816004.864030.34数据来源：作者根据系统动力学计算得到低碳物流系统的因素繁杂，误差难以避免。本文认为误差在10%以内的数据，可承认其有效性。如表5-1所示，运输总能耗的实际值与仿真预测值相差较小，在2.5%以内，故认为本文构建的模型符合实际情况。2.情景设置与结果分析表5-2情景设置与仿真结果当量情景1情景2情景3情景4环保投入增加（%）——102030402025年物流碳排放（万吨）12946.1511920.9810517.99129.668541.42铁路运输比重增加（%）——51015202025年物流碳排放（万吨）12946.1512037.8511006.7592675.658545.87碳排放系数减少（%）——102030402025年物流碳排放（万吨）12946.1511954.7010763.2593471.818730.36数据来源：作者根据系统动力学模拟仿真得到如表5-2，增加不同比例的各投入要素，2025年的物流业碳排放呈现出不同的下降趋势。本文结合情景设置，对模拟结果进行分析。（1）环保投入增加模拟图5-6增加不同比例的环保投入的仿真对比图环保投入增加有利于抑制物流系统内的碳排放。故本文对环保投入增加这一因素进行仿真模拟，模拟结果如表5-2。由此观之，随着环保投入的增加，中国五大城市群物流系统的碳排放量随之减少。当环保投入费用增加到了当前实际费用的40%时，2025年中国五大城市群物流系统的碳排放量降低至预期排放量的66%。说明政府对环保的财政支出、企业在环保技术方面的投资还有很大的上升空间，因为环保投入在很大程度上能影响物流系统的碳排放量。此外，环保投入增加的前10%效果显著，但是随着投资的同比例增加，碳排放量抑制效应逐渐减弱，说明加大环保投入必须在适当范围内，不应盲目投资。（2）公转铁比例增加模拟图5-7增加不同比例的环保资金投入的仿真对比图目前，中国五大城市群的运输服务有近60%都是由公路运输完成的，铁路运输只占到了30%。而铁路运输巨大的规模经济效应使其在大宗货物的长距离运输上优势十分明显，反之，公路运输变动成本高，故公路单位货运的能源消耗量远高于铁路。因此，通过铁路货运转化为公路货运。从表5-2中可以看出，当把公转铁比例达20%时，2025年物流系统的碳排放量减少量是预期排放量的34%。（3）节能减排水平增加图5-8减少不同比例的碳排放系数的仿真对比图目前，传统的化石能源是中国五大城市群物流业能源中平均使用频次最高的能源。能源的碳排放转化效率和清洁程度有高有低，能源品质不同，碳排放效率固然不同。因此可以通过不同的节能减排模拟来看物流系统的碳排放量，模拟结果如表5-2所示。当燃料的排放因子降低到40%时，2025年的碳排放量减少到预期的67%。所以，能源的碳排放因子对的物流碳排放量有着很大的影响。综合以上情景模拟分析结果，本文提出如下减排策略：（1）提高环保投资。环保投资包括诸多方面，如清洁能源科技研发，通过清洁能源财政补贴、折旧资产摊销、融资支持等办法鼓励物流企业投放使用更多高能效物流设备、清洁能源物流设备等，从而使整体物流活动的能耗水平下降。（2）优化中国五大城市群的物流运输结构，避免高能源消耗，低能源效率。中国五大城市群中各城市的统计年鉴显示，公路为最主要的运输方式，2018年其完成的货运总量为123500万吨，占总量的87.5%，掌舵着物流业的发展。从仿真结果来看，当公转铁比