基于主成分分析的廣西碳排放影響因素實證研究

彭 浩

(內蒙古科技大學 經濟與管理學院，內蒙古 包頭 014010)

基于主成分分析的廣西碳排放影響因素實證研究

彭 浩

(內蒙古科技大學 經濟與管理學院，內蒙古 包頭 014010)

以1978—2014年的數據為樣本，計算得到廣西歷年的碳排放量。運用主成分分析法研究影響廣西碳排放的各項因素。結果表明，廣西碳排放各項因素的影響程度排序依次為能源消費量、經濟發展水平、固定資產投資、城鎮化水平、能源價格、人口總量、能源強度、國際貿易、能源結構和產業結構。據此提出“綠色規劃”“調整能源消費結構，推廣清潔生產技術”和“推進碳排放權交易體系建設”等政策建議。

廣西； 碳排放； 主成分分析

研究表明，人口數量的快速增長及人類社會經濟活動的不斷加強使CO2濃度迅速升高，從而對全球氣候變暖起到決定作用[1]。改革開放以來，中國在經濟發展方面取得舉世矚目的成就，同時也顯現了資源消耗過多、碳排放增加過快等問題。2002年我國碳排放量為34.9億t，2008年升至65.3億t，目前我國已成為世界最大的溫室氣體排放國[2]。21世紀以來，廣西經濟在以較快速度增長的同時，也出現了碳排放量快速增加的問題。廣西貫徹國家“十三五”規劃、做好節能減排工作的前提，是準確分析造成廣西碳排放增加的原因。因此，利用具有客觀性和定量性特征的主成分分析法研究影響廣西碳排放的各項因素具有重要意義。

1 廣西碳排放現狀

由于缺乏碳排放的直接監測數據，因此只能通過能源消耗量與碳排放量之間的關聯，對碳排放量進行估算。根據聯合國政府間氣候變化專門委員會(IPCC)的假定，一般認為各類能源的碳排放系數穩定不變；一次能源分類中的水電、核電和其他能源發電，在使用過程中視為無碳排放，因此將產生碳排放量的能源消費種類劃分為煤炭、石油和天然氣3類[3]。在計算碳排放量時，采用3類能源消費總量分別乘以各自的碳排放系數，計算碳排放量。

C=∑Ei×Fi。

式中，C為碳排放量，Ei為各類能源的消費總量，Fi為能源i的碳排放系數。

美國能源經濟研究所、IPCC、美國能源部/能源情報局等都公布了3類能源的碳排放系數[3]，考慮到中國的科研機構更熟悉中國的國情，本文選取國家發改委能源研究所公布的碳排放系數[3]，具體數值為煤炭0.747 6萬t CO2/萬t標準煤、石油0.582 5萬t CO2/萬t標準煤、天然氣0.443 5萬t CO2/萬t標準煤，水電和核電的碳排放系數為0。

根據前面的公式和歷年《廣西統計年鑒》上的相關數據，計算得到廣西1978—2014年的碳排放量(表1)。

表1 1978—2014年廣西碳排放量

2 廣西碳排放影響因素

根據相關研究成果[4-10]，并考慮數據的可獲得性，確定以下廣西碳排放影響因素，運用具有“客觀和定量”特點的主成分分析法來確定這些因素的影響程度。

2.1 能源消費量

一個地區的能源消費總量(EC)無疑與碳排放量緊密相關。本文此項指標采用《廣西統計年鑒》上的能源消費總量數值，單位是萬t標準煤。

2.2 能源強度

能源強度(EI)也稱為“單位產值能耗”，指一個國家或地區在一定時期內單位GDP的能源消耗量，可以用來衡量能源利用效率，是區分一個國家或地區是否實現低碳發展的重要指標[6]。本文用能源消費量與GDP之比表示能源強度，單位是t標準煤·萬元-1。

2.3 能源結構

不同能源燃燒釋放出的二氧化碳不同，碳排放系數排序為煤炭>石油>天然氣>水電。所以，一個地區的能源消費結構(ES)會對碳排放量有很大影響。廣西的能源消費結構以煤炭為主，因而本文以煤炭消費占能源消費的比重表示能源結構。

2.4 能源價格

能源價格(EP)上漲會增加企業的生產成本，增加居民的生活成本，因此可能會促使企業和居民通過各種方式減少能源消費量，提高能源利用效率，從而減少碳排放量[6]。本文采用居民消費價格指數表示能源價格。

2.5 經濟發展水平

國外及國內部分地區的實證研究均表明，經濟發展水平(ED)與碳排放之間具有很強的正相關關系，本文用人均GDP表示經濟發展水平，單位是元。

2.6 固定資產投資

在經濟發展過程中，固定資產投資(AI)必不可少。但如果固定資產投資有科學合理的規劃，就可減少或避免低水平建設和重復建設，即可在保證經濟發展的同時排放更少的碳。本文以統計年鑒中的“全社會固定資產投資額”表示，單位是億元。

2.7 人口總量

人口數量(TP)越大，自然消耗的資源越多，產生的CO2排放量越高。本文此項指標采用《廣西統計年鑒》上的總人口數值，單位是萬人。

2.8 城鎮化水平

城鎮化進程的推進必然會增加CO2等溫室氣體排放量的增加。本文采用城鎮人口占總人口的比重來表示城鎮化水平(UL)。

2.9 產業結構

相關研究表明，與第二產業相比，第一產業和第三產業屬于低耗能、低排放行業，增加第三產業比重，也將有利于減少碳排放量。本文以第二產業與第三產業產值之比表示產業結構(IS)。

2.10 國際貿易

國際貿易(IT)過程中存在碳排放轉移問題，進口高耗能的資源密集型產品能降低本地區的碳排放；反之，出口高耗能的資源密集型產品則會增加本地區的碳排放。本文以凈出口額表示國際貿易，單位是億元。

3 數據來源與研究方法

3.1 數據來源與處理

以1978—2014年為研究時間范圍，數據均來自《廣西統計年鑒》。為剔除價格因素影響，GDP、固定資產投資和物價指數等相關數據均以1978年為基期進行了調整[6]。在進行主成分分析之前，還需對原始數據進行均值為0、標準差為1的標準化處理，以消除指標間量綱不一致及數量級有差異等現象[11]。標準化的公式為：

3.2 主成分分析法

主成分分析法由霍特林1933年首次提出，是利用降維的思想，通過研究指標體系的內在結構關系，把多指標轉化成少數幾個相互獨立且包含原有指標大部分信息(85%以上)綜合指標的多元統計方法[12]。優點是確定的權數是基于數據分析而得到的指標之間的內在結構關系，不受主觀因素的影響，且得到的綜合指標(主成分)之間彼此獨立，減少信息交叉，這使分析評價結果具有客觀性和可確定性[11]。社會科學統計軟件包(SPSS)是世界著名的統計分析軟件之一[13]，本論文使用SPSS 19.0進行有關數據的處理和計算，具體過程如下。

1)檢驗數據是否適合做主成分分析。利用SPSS軟件提供的巴特利特球檢驗和KMO測度(Kaiser-Meyer-Olkin Measure of Sampling Adequacy)這2個統計量判斷觀測數據是否適合做主成分分析；巴特利特球檢驗是從檢驗整個相關矩陣出發，其零假設為相關矩陣是單位陣，如果不能拒絕該假設的話，應重新考慮因子分析的使用；KMO測度從比較觀測變量之間簡單相關關系和偏相關關系的相對大小出發，其值的變化范圍從0～1；當KMO值較小時，表明觀測變量不適合做主成分分析[11]。通常按以下標準解釋該指標值的大小：>0.9為非常好；>0.8為好；>0.7為一般；>0.6為差；>0.5為很差；<0.5不能接受[11]。

KMO和Bartlett's檢驗可以看出，巴特利特球檢驗結果為拒絕原假設，KMO值等于0.809，因此，廣西地區1978—2014年碳排放影響因素的數據適合進行主成分分析。

2)建立變量的相關關系矩陣，SPSS軟件自動完成。

3)計算出相關關系矩陣的特征值、貢獻率和累計貢獻率，并確定主成分的個數(表2)。特征值一般用λ表示，第i個主成分的方差是總方差在各主成分上重新分配后，在第i個成分上分配的結果，在數值上等于第i個特征值。每個成分的貢獻率定義為各成分所包含的信息占總信息的百分比。用方差作為變量所包含的信息，則每個成分所提供方差占總方差的百分比即該成分的貢獻率[12]。

表2 相關關系矩陣的特征值、貢獻率和累計貢獻率

確定取幾個成分作為主成分的判定方法有2種。一是取所有特征值大于1的成分作為主成分[13]；二是根據累計貢獻率達到85%來確定[14]。本文根據后一標準來選取主成分，其包含的信息占原始變量包含的總信息的93.154%，損失的信息量不到10%，被認為可以接受。

4)求主成分荷載矩陣。由主成分荷載矩陣(表3)可以得到3個主成分的表達式，由每個主成分的貢獻率可以確定每個主成分的系數，因此主成分F可以表示為：

F=0.711EC-0.577EI-0.158ES+0.626EP+0.711ED+0.690AI+0.625TP+0.679UL+0.1810IS+0.570IT。

表3 主成分荷載矩陣

3.3 對主成分進行線性回歸

使用SPSS 19.0對因變量Y(廣西地區碳排放量)和主成分F進行簡單的線性回歸，得到如下關系式：

Y=1 692.0+284.4F，R2=0.941。

再將F表達式代入可得到：

Y=1692.0+202.322EC-163.965EI-44.965ES+178.025EP+202.174ED+196.149AI+177.842TP+193.186UL+51.194IS+162.108IT。

4 結果與分析

根據主成分分析法的計算結果，得到影響廣西碳排放各項因素的排序依次為能源消費量(0.711)>經濟發展水平(0.711)>固定資產投資(0.690)>城鎮化水平(0.679)>能源價格(0.626)>人口總量(0.625)>能源強度(-0.577)>國際貿易(0.570)>能源結構(-0.158)>產業結構(0.180)。

能源消費量和經濟發展水平是對廣西地區碳排放量影響程度最大的2項因素。廣西能源消費總量從1978年的781萬t標準煤，增至2014年的9 515.34萬t標準煤，是1978年的12.18倍。人均GDP從1978年的296.64元增至2014年的7 014.12元(以不變價格計算)，增加22.65倍。固定資產投資的增加和城鎮化水平的提高都會對廣西地區碳排放量的增長造成比較重要的影響。

能源強度和能源結構指標之所以是負值，是因為1978—2014年期間廣西地區的碳排放量呈明顯遞增趨勢，同期能源消費總量、居民消費價格指數、人均GDP、全社會固定資產投資額、人口總量、城鎮人口占總人口的比重都是呈明顯的遞增趨勢，凈出口額呈波動遞增趨勢，第二產業與第三產業產值之比的數據是先下降后上升，大多在 0.84～1.35波動，只有“能源消費量與GDP之比”和“煤炭消費占能源消費的比重”呈遞減趨勢。能源消費量與GDP之比呈較明顯的遞減趨勢，從1978年的7.81 t標準煤/萬元，降至2014年的2.86 t標準煤/萬元(GDP以不變價格計算)，下降了63.38%。煤炭消費占能源消費的比重呈現在波動中略微下降的趨勢，廣西地區目前能源消費中，煤炭依然占有最大的份額，2014年這一數據為52.81%。所以說廣西地區在1978—2014年間經濟以較快速度增長的同時，對于節能減排也做了很多工作，能源消費總量的增速明顯慢于人均GDP的增速，能源強度也呈現明顯遞減趨勢。

5 政策建議

5.1 綠色規劃

科學合理的規劃是保證持續碳減排和發展低碳經濟的重要基礎。城市過量的能源消耗不僅惡化自身環境，而且對周邊地區的環境造成污染。因此，廣西地區應加強固定資產投資規劃的科學論證；不能一味追求高城鎮化率，應科學合理地開展小城鎮建設；嚴格控制高耗能高污染企業，大力扶持新型低碳產業；推進低碳交通、低碳建筑和低碳消費。

5.2 調整能源消費結構，推廣清潔生產技術

廣西地區1978—2014年間煤炭消費量占到能源消費總量的55.11%。而煤炭的碳排放系數在石化能源中也明顯高于石油和天然氣。應通過加強技術研發創新能力，推動更多的企業使用碳排放系數更低的能源，降低煤炭在能源消費總量中的比重。

清潔生產是指從資源的開采利用、產品的生產、成品的使用和廢物的處置的全過程中，盡最大限度地提高資源和能源的利用效率，最大限度地減少能源的消耗和污染物的產生[4]。廣西地區可以使用政府投資、稅收優惠以及貸款利率優惠等政策鼓勵企業增加投資研發清潔生產技術。同時，結合廣西地區的自然條件，大力發展水電和風能產業。

5.3 推進碳排放權交易體系建設

按照國家發展改革委辦公廳《關于切實做好全國碳排放權交易市場啟動重點工作的通知》，要“確保2017年啟動全國碳排放權交易，實施碳排放權交易制度”[15]。廣西地區還有完善相關立法，加強宣傳，科學合理地確定排放總量，確定重點排放企業名單，對企業的歷史碳排放進行核算、報告與核查，培育和遴選第三方核查機構及人員，配額核發與管理，加強人才隊伍建設，提高企業交易的積極性和建立健全碳排放金融交易中介機構等大量、具體的工作要做。

[1] HOUGHTON J T，MEIROFIIHO L G，CALLANDER B A. et al. Climate change 1995：the science of climate change： contribution of working group to the second assessment report of the inter governmental panel on climate change[R]. Cambridge：Cambridge University Press，1996.

[2] 石紅蓮. 降低我國碳排放量的對策探析[J]. 理論月刊，2010(7)：97-99.

[3] 韓紅珠，王小輝，馬高. 陜西省能源消費碳排放及影響因素分析[J]. 山東農業科學，2015，47(1)：82-87.

[4] 曾好，董利民. 武漢市土地利用結構與能源消費碳排放的關聯測度分析[J]. 山東農業科學，2014，46( 7)：97-101，106.

[5] 陳艷. 基于主成分分析的江西低碳經濟發展評價分析[J]. 南昌大學學報(人文社會科學版)，2012，43(6)：63-68，90.

[6] 陽玉香，譚忠真. 湖南低碳經濟驅動因素的實證研究：基于主成分分析法[J]. 湖南社會科學，2012，(2)：160-162.

[7] 杜穎. 廣西碳排放現狀及因素分解實證分析[J]. 廣西財經學院學報，2012，25(2)：28-32，83.

[8] 郭少康. 基于LMDI的廣西碳排放影響因素實證研究[J]. 廣西經濟管理干部學院學報，2013，25(4)：68-73，78.

[9] 謝存花. 廣西能源消費二氧化碳排放測算與影響因素分析[J]. 南寧職業技術學院學報，2014，19(3)：75-78.

[10] 黎文勇，蘇方林. 廣西經濟增長與碳排放關系的實證研究[J]. 山東工商學院學報，2016，30(3)：38-44.

[11] JOSEPH F H J，ROLPH E A，RONALD L T，et al. Multivariate data analysis with readings [M]. 4th ed. New Jersey：Prentice-Hall International，Inc. 1995：101-115.

[12] 盧紋岱. SPSS for Windows統計分析 [M]. 2版. 北京：電子工業出版社，2004.

[13] 劉柯. 基于主成分分析的BP神經網絡在城市建成區面積預測中的應用：以北京市為例[J]. 地理科學進展，2007，26(6)：129-137.

[14] 李雪銘，李婉娜. 1990年以來大連市人居環境與經濟協調發展定量分析[J]. 經濟地理，2005，25(3)：383-386，390.

[15] 彭浩. 內蒙古構建碳排放權交易體系的政策分析[J]. 內蒙古科技與經濟，2017(2)：6-8.

收入日期：2017-08-18

內蒙古科技大學創新基金(2016QDW-B03)

彭 浩(1976—)，女，湖南湘潭人，副教授，博士，研究方向為生態經濟學，E-mail：pengden@163.com。

文獻著錄格式：彭浩. 基于主成分分析的廣西碳排放影響因素實證研究[J].浙江農業科學，2017，58(10)：1794-1797.

10.16178/j.issn.0528-9017.20171038

F062.2

A

0528-9017(2017)10-1794-04

(責任編輯張瑞麟)