張 鑠,陳曉平

(1.福建師范大學(xué) 數(shù)學(xué)與統(tǒng)計(jì)學(xué)院,福建 福州 350117;2.福建理工大學(xué) 計(jì)算機(jī)科學(xué)與數(shù)學(xué)學(xué)院,福建 福州 350118)

隨著科學(xué)技術(shù)的發(fā)展和各國(guó)開(kāi)放程度的提高,全球貿(mào)易量急速增長(zhǎng),經(jīng)濟(jì)全球化逐漸成為當(dāng)代世界經(jīng)濟(jì)的重要特征與世界經(jīng)濟(jì)融合發(fā)展的重要趨勢(shì)。據(jù)統(tǒng)計(jì),航運(yùn)貿(mào)易量占全球貿(mào)易總量的90%。隨著全球貿(mào)易量和船舶運(yùn)力穩(wěn)定增長(zhǎng),船舶的二氧化碳排放量卻在不斷提升。根據(jù)國(guó)際海事組織(IMO)相關(guān)數(shù)據(jù),2021年全球航運(yùn)的二氧化碳排放量達(dá)8.33億t,與2020年的7.94億t相比,同比增長(zhǎng)4.9%,2021年全球航運(yùn)占全球碳排放量已達(dá)2.4%。可見(jiàn),船舶的碳排放問(wèn)題需要引起重視。2020年,中國(guó)政府提出“2030年碳達(dá)峰”和“2060年碳中和”目標(biāo)[1],“雙碳”戰(zhàn)略倡導(dǎo)綠色、環(huán)保、低碳的生活方式,加快降低碳排放步伐,有利于引導(dǎo)綠色技術(shù)創(chuàng)新,提高產(chǎn)業(yè)和經(jīng)濟(jì)的全球競(jìng)爭(zhēng)力。國(guó)際海事組織(IMO)也提出航運(yùn)業(yè)碳減排行動(dòng)計(jì)劃,目標(biāo)于2050年實(shí)現(xiàn)碳排放量減少50%。相關(guān)措施表明全球已經(jīng)開(kāi)始重視碳減排問(wèn)題,對(duì)航運(yùn)的碳減排也十分重視。船舶的油耗與碳排放量息息相關(guān),因此對(duì)于船舶油耗的監(jiān)控與預(yù)測(cè)也逐漸引起關(guān)注。但是船舶燃料消耗估計(jì)存在困難,因?yàn)榇暗娜剂舷娜Q于許多外部因素,如發(fā)動(dòng)機(jī)狀況、運(yùn)輸距離、海況、天氣狀況等,可靠的油耗預(yù)測(cè)是航運(yùn)規(guī)劃、能源監(jiān)管和效率優(yōu)化的重要基礎(chǔ)和重要指標(biāo)。各國(guó)航運(yùn)公司在降低海洋污染方面面臨著越來(lái)越大的壓力,其中航運(yùn)公司的碳排放量占全球總量的2.5%。但是除了節(jié)能減排,航運(yùn)公司也需要考慮船舶的有效運(yùn)營(yíng)來(lái)降低成本,并提高盈利能力。船舶燃料成本約占船舶航行成本的2/3,超過(guò)船舶總運(yùn)行成本的四分之一[2]。因此,航運(yùn)公司一直專(zhuān)注于實(shí)施燃油效率措施。為了監(jiān)測(cè)和提高燃料效率,最終提供一種形式化的優(yōu)化方法,在優(yōu)化前我們需要一個(gè)合適的建?？蚣?推導(dǎo)出能夠準(zhǔn)確預(yù)測(cè)在不同運(yùn)行概況和環(huán)境條件下的船舶油耗的模型,有助于之后的一系列優(yōu)化操作。然而,在航行過(guò)程中,由于安全和運(yùn)輸進(jìn)度的復(fù)雜要求,提高能源效率的方法非常有限。因此,許多研究工作都致力于在保證船舶安全的前提下,優(yōu)化航行速度,達(dá)到節(jié)約油耗的目的。

回顧與燃油效率和油耗預(yù)測(cè)模型相關(guān)的科學(xué)文獻(xiàn),Bialystossis等[3]對(duì)滾裝船的中午報(bào)告進(jìn)行統(tǒng)計(jì)分析,以確定船舶油耗的影響因素,對(duì)觀測(cè)到的海態(tài)曲線(xiàn)進(jìn)行擬合。Besikci等[4]使用人工神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)船舶油耗。Meng等[5]提出了一種基于離群值分?jǐn)?shù)的數(shù)據(jù)預(yù)處理方法。利用集裝箱船的中午報(bào)告數(shù)據(jù)構(gòu)建了兩個(gè)回歸模型,第一個(gè)模型將船舶的油耗與速度和位移連接起來(lái)。第二種模型建立在第一個(gè)模型之上,利用天氣條件和第一個(gè)模型提供的信息。Yao等[6]研究了不同尺寸集裝箱船的油耗與船舶速度之間的相關(guān)性。Wang等[7]提出了一個(gè)最小絕對(duì)收縮和選擇算子LASSO回歸模型。Lepore 等[8]利用巡航船舶運(yùn)行數(shù)據(jù)應(yīng)用不同類(lèi)型的回歸模型,并對(duì)每個(gè)模型進(jìn)行二氧化碳估計(jì)。LI等[9]融合8艘集裝箱航行報(bào)告船數(shù)據(jù)與氣象數(shù)據(jù),并應(yīng)用于11種廣泛采用的機(jī)器學(xué)習(xí)模型。牟小輝等[10]利用隨機(jī)森林構(gòu)造油耗預(yù)測(cè)模型,并利用偏相關(guān)分析得到單個(gè)因素與油耗間的定量關(guān)系。Yang等[11]提出一種基于遺傳算法的預(yù)測(cè)船舶油耗的灰箱模型。王曉東等[12]提出了一種基于嶺回歸優(yōu)化算法的船舶航速與油耗模型。陳陸等[13]以某一遠(yuǎn)洋船舶作為研究對(duì)象,對(duì)船舶的實(shí)際數(shù)據(jù)進(jìn)行分析,結(jié)合GBDT(梯度提升決策樹(shù))算法構(gòu)建船舶油耗的預(yù)測(cè)模型。鄭麗暉等[14]采用非參數(shù)核回歸方法,對(duì)福州市PM2.5進(jìn)行實(shí)證研究。

從以上文獻(xiàn)回顧可以看出,船舶的油耗預(yù)測(cè)建模是一個(gè)相當(dāng)活躍的研究領(lǐng)域。由于目前文獻(xiàn)中大多數(shù)使用了不同的數(shù)據(jù)集,具有不同的采集和建模方法,這些不一致導(dǎo)致無(wú)法很好地確定船舶油耗預(yù)測(cè)結(jié)果最佳的建模方法。翻閱文獻(xiàn),發(fā)現(xiàn)很少學(xué)者將非參數(shù)核回歸的方法與船舶油耗估計(jì)建模相結(jié)合?？紤]到這一點(diǎn),本研究主要貢獻(xiàn)是:(1)使用非參數(shù)核回歸方法構(gòu)建一個(gè)新的模型來(lái)預(yù)測(cè)船舶的油耗;(2)將非參數(shù)核回歸方法構(gòu)建的油耗模型與碳排放相結(jié)合,對(duì)船舶碳排放進(jìn)行分析并提出相應(yīng)建議。

1 方法

1.1 數(shù)據(jù)預(yù)處理與描述性統(tǒng)計(jì)

在本文中,數(shù)據(jù)集由遠(yuǎn)航船舶的中午報(bào)告信息組成。識(shí)別并篩除記錄的異常值,從原始數(shù)據(jù)中提取有用特征,最后將篩選后的數(shù)據(jù)供各個(gè)模型使用,執(zhí)行此過(guò)程是為了提高油耗模型預(yù)測(cè)的準(zhǔn)確性。在清洗異常記錄值后,最后選取了6個(gè)變量,原始數(shù)據(jù)樣本量也由553減少到535。描述性統(tǒng)計(jì)如表1所示。數(shù)據(jù)集包含以下變量:Speed(kn)表示航速,Wind speed(m/s)表示風(fēng)速,Wave height(m)表示浪高,Sea current(m/s)表示水流速度,Distance(km)表示日航行距離,Fuel oil consumption(t/d)表示每日油耗;WINP表示風(fēng)向,對(duì)風(fēng)向變量進(jìn)行預(yù)處理,處理方法為按常用等級(jí)劃分方法進(jìn)行離散化分箱操作,風(fēng)向按八方位風(fēng)向劃分法,如圖1所示。其中C表示靜風(fēng),N表示北風(fēng),NE表示東北風(fēng),E表示東風(fēng),SE表示東南風(fēng),S表示南風(fēng),SW表示西南風(fēng),W表示西風(fēng),NW表示西北風(fēng)。

表1 描述性統(tǒng)計(jì)

1.2 建模方法

1.2.1 Bagging回歸

Bagging回歸是一種并行式集成學(xué)習(xí)方法。通過(guò)在數(shù)據(jù)集上進(jìn)行有放回的隨機(jī)抽樣,構(gòu)建多個(gè)具有一定相關(guān)度的子樣本數(shù)據(jù)集,然后在每個(gè)子樣本數(shù)據(jù)集上運(yùn)用相同的預(yù)測(cè)模型,最后對(duì)回歸預(yù)測(cè)結(jié)果進(jìn)行簡(jiǎn)單平均。

1.2.2 隨機(jī)森林回歸

用隨機(jī)森林回歸法創(chuàng)建并組合多個(gè)決策樹(shù),在每個(gè)節(jié)點(diǎn)的所有競(jìng)爭(zhēng)的自變量中,隨機(jī)選擇幾個(gè)來(lái)競(jìng)爭(zhēng)拆分變量,接著通過(guò)在樣本數(shù)據(jù)集中抽取樣本來(lái)創(chuàng)建新的樹(shù),并從這些樹(shù)中提取隨機(jī)森林,對(duì)回歸預(yù)測(cè)結(jié)果也是進(jìn)行簡(jiǎn)單平均。

1.2.3 支持向量機(jī)回歸

支持向量機(jī)回歸的工作原理是推導(dǎo)出最優(yōu)的超平面,在超平面范圍內(nèi)準(zhǔn)確預(yù)測(cè)訓(xùn)練樣本的目標(biāo)值[15]。根據(jù)所選內(nèi)核的屬性,支持向量機(jī)回歸既可以是參數(shù)模型,也可以是非參數(shù)模型[16]。

1.2.4 廣義可加模型

廣義可加模型對(duì)傳統(tǒng)廣義線(xiàn)性模型的非參數(shù)拓展,可有效處理解釋變量與效應(yīng)變量間復(fù)雜的非線(xiàn)性關(guān)系。

1.2.5 梯度提升決策樹(shù)模型

梯度提升決策樹(shù)模型是一種基于迭代所構(gòu)造的決策樹(shù)算法,此算法對(duì)決策樹(shù)與集成思想進(jìn)行了有效的結(jié)合[17]。其主要由三個(gè)概念組成,回歸樹(shù)、梯度提升和縮減?；貧w樹(shù)是使用最小化均方差,每個(gè)節(jié)點(diǎn)可以得到一個(gè)預(yù)測(cè)值,最后累加所有樹(shù)的結(jié)果作為最終結(jié)果。梯度提升是一種理念,沿著梯度方向構(gòu)造一系列弱分類(lèi)器,并以一定權(quán)重組合起來(lái),形成最終決策的強(qiáng)分類(lèi)器。縮減以殘差作為學(xué)習(xí)目標(biāo),是基于模型過(guò)擬合的考慮。

1.2.6 非參數(shù)核回歸

非參數(shù)回歸相比于參數(shù)回歸,它不需要數(shù)據(jù)的先驗(yàn)信息,模型函數(shù)形式由數(shù)據(jù)本身決定,參數(shù)的特征和數(shù)量是變化的[18]。非參數(shù)回歸的基本模型為

Yi=m(Xi)+εi。

(1)

(2)

(3)

(4)

式(4)中,(h>0)稱(chēng)為帶寬或調(diào)節(jié)參數(shù),則N-W核估計(jì)為

(5)

式n中核函數(shù)K(u)滿(mǎn)足下列條件

(6)

1.3 模型比較

1.3.1 標(biāo)準(zhǔn)化均方誤差(NMSE)

標(biāo)準(zhǔn)化均方誤差(NMSE)對(duì)均方差進(jìn)行了標(biāo)準(zhǔn)化改進(jìn),通過(guò)計(jì)算擬評(píng)估模型與以均值為基礎(chǔ)的模型之間準(zhǔn)確性的比率:標(biāo)準(zhǔn)化均方誤差取值范圍通常為0～1,比率越小,說(shuō)明模型效果越好。其公式為

(7)

1.3.2 平均絕對(duì)誤差(MAE)

平均絕對(duì)誤差(MAE)表示的是觀測(cè)值與真實(shí)值的誤差絕對(duì)值的平均值,其值越小,說(shuō)明誤差越小。其公式為

(8)

1.3.3 決定系數(shù)(R2)

決定系數(shù)(R2)表示一個(gè)隨機(jī)變量與多個(gè)隨機(jī)變量關(guān)系的數(shù)字特征,當(dāng)R2越接近于1的時(shí)候,說(shuō)明擬合效果越好。其公式為

(9)

1.3.4 均方根誤差(RMSE)

均方根誤差是預(yù)測(cè)值與真實(shí)值偏差的平方與觀測(cè)次數(shù)n比值的平方根,在實(shí)際測(cè)量中,觀測(cè)次數(shù)n總是有限的,真值只能用最佳值來(lái)代替,即均方根誤差是用來(lái)衡量觀測(cè)值同真值之間的偏差,當(dāng)RMSE越小,說(shuō)明觀測(cè)值同真值偏差越小。其公式為

(10)

1.3.5 比較結(jié)果

在討論了建模方法之后,將代入遠(yuǎn)航船舶的數(shù)據(jù)集構(gòu)建一系列模型,并計(jì)算出各個(gè)性能指標(biāo),研究的目的是比較各回歸模型在船舶油耗預(yù)測(cè)的性能,其中數(shù)據(jù)集按傳統(tǒng)的訓(xùn)練集測(cè)試集7∶3劃分。

如圖2所示,分別表示Bagging回歸(bagging)、隨機(jī)森林回歸(randomforest)、支持向量機(jī)回歸(svm)、廣義可加模型(gam)、梯度提升決策樹(shù)模型(gbm)和非參數(shù)核回歸(np)的各個(gè)性能指標(biāo)。從圖2中的MAE圖,可以看出非參數(shù)核回歸的MAE值最小。MAE值越小,說(shuō)明模型誤差越小。顯然與其他方法相比,非參數(shù)核回歸模型的誤差最小。從圖2的NMSE圖可以看出非參數(shù)核回歸的NMSE值最小,說(shuō)明與其他方法相比非參數(shù)核回歸模型效果好。從圖2的RMSE圖,可以看出非參數(shù)核回歸的RMSE最小,說(shuō)明與其他方法相比非參數(shù)核回歸模型的偏差小。最后,通過(guò)圖2的R2圖進(jìn)行比較,可以看出其他方法的R2雖然均大于0.75且接近,但是R2都小于非參數(shù)核回歸的R2,說(shuō)明非參數(shù)核回歸模型的擬合效果最好。

圖2 各個(gè)模型的性能指標(biāo)比較

通過(guò)各個(gè)模型的性能指標(biāo)(表2)的比較,可以得出與Bagging回歸、隨機(jī)森林回歸、支持向量機(jī)回歸、廣義可加模型、梯度提升決策樹(shù)模型相比,非參數(shù)核回歸模型的擬合效果更好,誤差更小,說(shuō)明非參數(shù)核回歸模型的效果更好,對(duì)此遠(yuǎn)航船舶的數(shù)據(jù)集的油耗預(yù)測(cè)是更為精準(zhǔn)的。

表2 各個(gè)模型的性能指標(biāo)值

2 船舶油耗的非參數(shù)核回歸實(shí)證分析

表3 帶寬及變量顯著性檢驗(yàn)

使用bootstrap方法抽取100次樣本,選定其中一個(gè)自變量,其余自變量取中位數(shù),然后建立該自變量與因變量的部分回歸關(guān)系圖,結(jié)果如圖3所示。圖3中,虛線(xiàn)表示因變量的置信區(qū)間。

圖3 非參數(shù)擬合圖

從圖3可以看出,當(dāng)船舶低速行駛時(shí),航速對(duì)船舶油耗的影響很小,當(dāng)船速增加時(shí),特別是當(dāng)航速大于10 kn時(shí),航速與船舶油耗呈正相關(guān)關(guān)系,隨著船速的繼續(xù)提高,船舶油耗也會(huì)不斷增加。天氣狀況顯然對(duì)船舶行駛產(chǎn)生的油耗也會(huì)造成影響。從圖3中還可以看出,風(fēng)速前期影響不大,但當(dāng)風(fēng)速高于6 m/s的時(shí)候,船舶油耗呈明顯快速上升趨勢(shì)。從總趨勢(shì)來(lái)看,浪高和水流速度與船舶油耗也呈正相關(guān)關(guān)系,船舶油耗會(huì)隨著浪高和水流速度的提高而增加。當(dāng)浪高和水流速度達(dá)到一定高值時(shí),船舶的油耗值將趨于平穩(wěn),不再大幅度增加。圖3中的風(fēng)向圖可以看出不同的風(fēng)向?qū)Υ坝秃牡挠绊懖町愝^小,說(shuō)明船舶遇到不同的風(fēng)向,會(huì)及時(shí)調(diào)整船頭與航向,減少阻力來(lái)減少油耗。最后,船舶的日航行距離增加會(huì)始終導(dǎo)致船舶油耗快速增加。非參數(shù)核回歸的結(jié)果說(shuō)明,船舶油耗與船舶自身行駛狀況、各氣象條件的關(guān)系較為復(fù)雜,因此需要根據(jù)精準(zhǔn)的油耗預(yù)測(cè)模型,結(jié)合經(jīng)濟(jì)狀況以及船舶原本的航行計(jì)劃,設(shè)計(jì)出最低油耗規(guī)劃。

3 船舶油耗與碳排放

隨著航運(yùn)業(yè)的迅猛發(fā)展,船舶數(shù)量大幅增加,碳排放作為溫室氣體的來(lái)源之一,對(duì)全球環(huán)境影響巨大。如何減少碳排放,提高燃油利用率,正成為航運(yùn)企業(yè)關(guān)注的焦點(diǎn)。碳排放因子是指單位燃油消耗量產(chǎn)生的二氧化碳排放量,其主要取決于燃料的含碳量和碳氧化率,所以燃料種類(lèi)不同,碳排放因子也不一樣。對(duì)于遠(yuǎn)航船舶而言,主機(jī)類(lèi)型一般為低速柴油機(jī),使用重油,對(duì)應(yīng)的碳排放因子為3.114。船舶的碳排放公式為

Q=Fuel oil consumption ×CF。

(11)

Q(t)表示每天船舶的碳排放。式(1)中Fuel oil consumption(t/d)表示的是燃料每日消耗的油耗,CF表示碳排放因子,即單位重量的燃料產(chǎn)生的碳排放量。Q值越小,表示船舶完成一定貨物周轉(zhuǎn)量下碳排放越少,即船舶能效越高。

圖4的各變量重要性圖分析了各變量與船舶油耗的關(guān)系,從中可以看出,船舶油耗與日航行距離和航速的關(guān)系更為密切,因此分析船舶碳排放重點(diǎn)需要分析日航行距離和航速這兩個(gè)變量。結(jié)合碳排放進(jìn)行分析,根據(jù)圖3非參數(shù)擬合圖可知,當(dāng)航速大于10 kn時(shí),航速與船舶油耗呈正相關(guān)關(guān)系。通過(guò)圖5頻率圖可知,該船舶大部分時(shí)間的船速位于15～20 kn之間,日航行距離位于400～500 km之間。隨著船速的繼續(xù)提高,船舶油耗也會(huì)不斷增加,碳排放也會(huì)持續(xù)增加。當(dāng)日航行距離越長(zhǎng),船舶油耗也會(huì)越高,碳排放量也會(huì)處在一個(gè)高值。因此可知該遠(yuǎn)航船舶的碳排放量大部分時(shí)間處于比較高的階段,如圖5所示。本文由于缺少相關(guān)的經(jīng)濟(jì)數(shù)據(jù)和其他相關(guān)信息,因此無(wú)法結(jié)合碳排放對(duì)該船舶進(jìn)行更具體的分析以及更合理的規(guī)劃,希望在經(jīng)濟(jì)條件允許的情況下,該船舶適當(dāng)調(diào)節(jié)優(yōu)化航速與合理分配日航行距離,可以更好地減少船舶產(chǎn)生的碳排放。

圖4 各變量重要性圖

圖5 頻率圖

與眾多的陸上行業(yè)相比,航運(yùn)業(yè)是最綠色節(jié)能經(jīng)濟(jì)的運(yùn)輸方式,然而從可持續(xù)發(fā)展的角度來(lái)看,航運(yùn)減排是永恒的話(huà)題,若不及時(shí)采取有效的節(jié)能減排措施,未來(lái)航運(yùn)業(yè)將面臨更加嚴(yán)酷的挑戰(zhàn)。除了上述對(duì)船舶航速與航線(xiàn)的優(yōu)化,還可以通過(guò)一系列技術(shù)手段來(lái)降低船舶的碳排放。比如說(shuō),可以尋找新能源或其他可替代燃料,逐步淘汰化石燃料;船體優(yōu)化,提高發(fā)動(dòng)機(jī)的效率,裝載更好的氣象導(dǎo)航;定期對(duì)船舶進(jìn)行保養(yǎng)維護(hù)等。IMO的研究顯示,船齡、燃油質(zhì)量等也會(huì)間接影響到船舶的碳排放情況。當(dāng)前全球航運(yùn)業(yè)發(fā)展的總趨勢(shì)是向“低碳經(jīng)濟(jì)”轉(zhuǎn)型,為了實(shí)現(xiàn)航運(yùn)業(yè)與生態(tài)環(huán)境和諧統(tǒng)一發(fā)展,還需提供法律、金融、稅收等“軟環(huán)境”[20]。希望未來(lái)隨著船舶能效提升,替代燃料以及新航運(yùn)減碳政策的執(zhí)行,航運(yùn)的碳排放可以在高位震蕩后回落。

4 結(jié)論與建議

4.1 結(jié)論

在本文研究中,基于遠(yuǎn)航船舶的相關(guān)數(shù)據(jù)進(jìn)行了油耗估算研究。根據(jù)研究方法獲得如下結(jié)果。

(1)本研究創(chuàng)新性地使用含有連續(xù)性變量與類(lèi)別變量這兩種數(shù)據(jù)類(lèi)型的混合型數(shù)據(jù),通過(guò)非參數(shù)核回歸方法與船舶油耗相結(jié)合,構(gòu)造了預(yù)測(cè)模型,并通過(guò)標(biāo)準(zhǔn)化均方誤差(NMSE)、平均絕對(duì)誤差(MAE)、決定系數(shù)(R2)和均方根誤差(RMSE)4個(gè)性能指標(biāo),與Bagging回歸、隨機(jī)森林回歸、支持向量機(jī)回歸、廣義可加模型、梯度提升決策樹(shù)模型進(jìn)行了比較,得到船舶油耗預(yù)測(cè)最優(yōu)模型。接著完成變量間的相關(guān)性與重要性分析,該預(yù)測(cè)模型方法可以應(yīng)用于不同的航線(xiàn),得到的模型可以準(zhǔn)確地估計(jì)在不同輸入條件下運(yùn)行的船舶的燃油消耗量。

(2)本研究對(duì)非參數(shù)核回歸船舶油耗預(yù)測(cè)模型進(jìn)行了實(shí)證分析,分析了各變量對(duì)油耗的影響?？芍剿?、風(fēng)速、浪高、水流速度和日航線(xiàn)距離與船舶油耗呈正相關(guān)關(guān)系,接著對(duì)此船舶進(jìn)行了碳排放分析,可知該船舶碳排放量大部分時(shí)間處于比較高的階段。

(3)此次研究的僅為一艘船舶,在未來(lái)的工作中,可以分析更多不同的船舶,收集更多的航行數(shù)據(jù)集,以驗(yàn)證和進(jìn)一步改進(jìn)油耗預(yù)測(cè)的模型和框架。未來(lái)可以探尋更多的新模型進(jìn)行比較,驗(yàn)證此模型的有效性與精準(zhǔn)性。同時(shí),收集相關(guān)的經(jīng)濟(jì)數(shù)據(jù),結(jié)合現(xiàn)有模型與碳排放進(jìn)行非線(xiàn)性規(guī)劃,優(yōu)化航速,設(shè)計(jì)更優(yōu)的航線(xiàn),來(lái)減少船舶的碳排放。

4.2 建議

在經(jīng)濟(jì)全球化的背景下,對(duì)如何推進(jìn)航運(yùn)的碳減排,本文提出以下建議。

(1)完善相關(guān)管理體系,各國(guó)航運(yùn)部門(mén)應(yīng)出臺(tái)更多符合該國(guó)國(guó)情的法律法規(guī)。將營(yíng)運(yùn)船舶劃分標(biāo)準(zhǔn)等級(jí),將那些高耗能高碳排放的船舶逐步淘汰出航運(yùn)市場(chǎng),推進(jìn)綠色航運(yùn)發(fā)展。加大執(zhí)法力度,保證相關(guān)法律法規(guī)的有效執(zhí)行,建立與維護(hù)健康、良性的市場(chǎng)秩序,防止船運(yùn)公司之間的惡性競(jìng)爭(zhēng)。

(2)船運(yùn)企業(yè)要通過(guò)一系列技術(shù)手段來(lái)降低船舶的碳排放,政府要出臺(tái)相關(guān)的扶持政策。船運(yùn)企業(yè)可以尋找新能源或其他可替代燃料,逐步淘汰化石燃料;船體優(yōu)化,提高發(fā)動(dòng)機(jī)的效率,裝載更好的氣象導(dǎo)航;定期對(duì)船舶進(jìn)行保養(yǎng)維護(hù)。這些措施對(duì)船運(yùn)公司的資金財(cái)政狀況提出了嚴(yán)峻挑戰(zhàn),因此各國(guó)可以出臺(tái)相應(yīng)的財(cái)政補(bǔ)貼,減免一定稅收,設(shè)立專(zhuān)項(xiàng)基金,緩解各船運(yùn)公司的壓力,提升其國(guó)家航運(yùn)業(yè)的國(guó)際競(jìng)爭(zhēng)力和影響力。

(3)加強(qiáng)國(guó)際間的交流與合作,共同推進(jìn)航運(yùn)業(yè)的碳減排。經(jīng)濟(jì)全球化逐漸成為當(dāng)代世界經(jīng)濟(jì)的重要特征之一,也是世界經(jīng)濟(jì)發(fā)展的重要趨勢(shì)。在加大科技投入的前提下,各國(guó)可以互相合作,分享與借鑒航運(yùn)減排的有效信息或者措施,提升船舶能效,設(shè)計(jì)更合理的航線(xiàn),建立航運(yùn)碳交易市場(chǎng),充分發(fā)揮碳交易市場(chǎng)的資源配置功能,達(dá)到航運(yùn)碳減排的目標(biāo)。