11 月 16 日，北京大学环境科学与工程学院研究员、碳中和研究院双聘研究员偶阳在能源领域顶级期刊《自然·能源》（Nature Energy）发表受邀评述文章《Decoding energy model variations》，对欧洲能源模型团队最新研究成果进行了深入探讨。
研究背景
全面了解和掌握各种排放减缓路径及其对能源系统的影响，对于实现各类气候目标至关重要。能源经济评估模型旨在模拟经济驱动因素、能源生产、消费和排放之间的相互关系，从而为排放减缓路径的设计和模拟提供技术支持。然而，能源模型在复杂性、结构、假设、参数化和政策目标方面的差异导致了模型结果的巨大不确定性—即使针对相同的政策目标，不同的模型也可能产生不同的能源和排放路径。这种模型异质性严重影响了模型结果的可靠性和可比性，从而削弱了能源模型在决策支持方面的可信度。
研究内容
近期，一项发表在《自然 - 能源》（Nature Energy）上的研究文章《Identifying energy model fingerprints in mitigation scenarios》（Dekker et al, 2023）通过筛选和量化五个诊断指标，全面揭示了能源模型结果的整体性特征。该研究提出了一种简洁而高效的研究框架，通过系统量化能源模型的高维特征，利用一系列“诊断指标”，揭示了模型间在整体模式上的差异。
该框架针对模型通常产生的数百个变量，引入了五个维度的“诊断指标”，包括响应性、减缓策略、能源供应、能源需求以及减排成本。通过这一框架，该文章对八个不同的能源模型进行了分析，研究了欧洲的脱碳情景。研究人员详细解释了每个能源模型在各个指标方面的表现——即能源模型的“指纹”（图 1），并通过对比和整合不同模型的指纹，获得了关于模型整体行为的洞察。
图1:不同能源模型的“指纹”（Dekker et al, 2023）
主要结论
文章的一个重要发现是：能源模型之间的指纹差异通常比使用同一模型比较不同情景时观察到的差异更为显著。在高度依赖计算机模拟的领域，如气候建模或空气质量模拟，也发现过类似的结论。随着多模型耦合和跨学科合作研究的开展，这一发现强调了复杂建模中各模块间不确定性的逐级传导和累积。
此外，此类“模型指纹”的范式还有助于促进计算模型开发者与政策制定者之间的有效沟通。在学术研究中，此类能源模型通常会生成数百个变量。而“能源模型指纹”的概念提供了一个简洁的工具，对模型间的一致性和不一致性可以一目了然，从而清晰地了解各种政策选择下不同模型框架带来的不确定性。
未来展望
偶阳研究员指出，虽然“能源模型指纹”这一概念本身非常新颖，但仍有明显的局限性。“能源模型指纹”本质上作为一种数据驱动的方法，其有效性取决于现有模型和情景数据库的覆盖范围和规模。此外，本研究主要关注气候变化减缓相关参数，而各种模型在可持续发展相关指标的模型刻画上存在较大差异，如食物、水、土地和空气污染物等尚未整合到“指纹体系”中。因此，未来研究应该将诊断指标的范围扩展到更多的模型和情景数据集中，并涵盖更广泛的地区特征和政策情景，这些都有助于提供更多样、更深入的发现，从而让模型更好地服务于现实政策和研究需求。
偶阳研究员认为，这项研究的最重要贡献在于其研究方法背后所倡导的简化思想（图2）。气候变化和减排情景模拟长期被误解为其过度依赖复杂且类似“黑箱”的工具生成大量情景。本文提出的“能源模型指纹”概念本身比其具体使用的模型版本或情景更为重要，体现了“透过现象看本质”的理念。这项研究也为未来减排情景设计和大型情景数据库构建提供了指导，例如即将开展的第七轮气候变化综合评估（IPCC AR7）。最后，本文向能源经济模型领域传递了一个明确的信息：在不断追求模型多样性和提升计算能力的同时，保持研究出发点的简洁清晰至关重要。
图2: 复杂科学领域的简化思维—“Can’t See the Forest for the Trees”
