中國能源碳排放因素分解與情景預測

王利兵，張赟

(1.全球能源互聯網發展合作組織，北京市 100031;2.全球能源互聯網集團有限公司，北京市 100031)

0 引 言

溫室氣體排放是導致全球氣候變暖，極端氣候災害現象頻繁出現的主要原因。減少溫室氣體排放，發展“低污染、低能耗、低排放”的低碳經濟已成為世界各國共同的選擇。2020年9月22日，習近平總書記在第七十五屆聯合國大會一般性辯論上宣布，中國將采取更加有力的政策和措施，二氧化碳排放力爭于2030年前達到峰值，努力爭取2060年前實現碳中和。2020年12月12日，習近平總書記在氣候雄心峰會上進一步宣布，到2030年，中國單位國內生產總值二氧化碳排放將比2005年下降65%以上，非化石能源占一次能源消費比重將達到25%左右，風電、太陽能發電總裝機容量將達到12億kW以上。習近平總書記提出“碳達峰、碳中和”目標，為我國低碳發展指明了方向。2000年以來，我國GDP 保持高速增長，城鎮化和工業化水平大幅提升，帶動能源碳排放量大幅升高。我國已是世界上最大的碳排放國，其碳排放量超過美國和歐盟的總和。2018年，我國能源碳排放達95億t，占到世界排放總量的28%[1]。因此，研究我國能源碳排放的影響因素，預測碳排放進程和發展趨勢，對于制定相應的減排措施和政策，實現碳達峰碳中和目標至關重要。

在碳排放影響因素研究方面，目前主要采用Kaya等式[2]、結構分解法(structural decomposition analysis,SDA)[3]、指數分解法(index decomposition analysis,IDA)[4]等。SDA法與IDA法最大的區別在于前者基于投入產出表，對數據要求高；而后者則只需使用部門加總數據，數據要求靈活，應用范圍更廣。IDA主要有Marshall-Edgeworth、Paache、Fisher、Divisia、Laspeyres指數法等，其中，對數平均迪式分解指數法(logarithmic mean Divisia index ,LMDI)是Divisa 指數法的對數形式，因易于建模，在消除殘差的同時還能滿足因素可逆等優勢而受到廣泛重視[5-7]。LMDI 分解方法又可以分為 I型和II型，其中I型是加法形式，II型是乘法形式。運用LDMI方法對碳排放驅動因素進行分解研究的文獻較多，如文獻[8-12]分別對中國制造業、能源密集型產業、北京城鎮居民、電力行業、江蘇省的能源消費碳排放進行分解研究。大部分文獻指出能源結構和產業結構改善對減少碳排放有重要作用。文獻[13]定量研究了中國30多個省份產業結構調整與能源消費結構優化之間關系。

在碳排放路徑預測方面，目前主要研究方法大致分為3類：第一類是IPAT(impact,population,affluence,technolog)和可拓展的隨機性的環境影響評估模型(stochastic impacts by regression on population,affluence,and technology，STIRPAT)等指標分解法[14-15]；第二類是自下而上的模擬方法，如LEAP模型等[16-17]；第三類是基于線性優化的數學模型，如MARKAL/TIEMS[18-19]、MESSAGE[20-21]、IPAC[22]等。圍繞實現碳達峰碳中和目標，已有大量文獻對于我國未來碳排放路徑進行研究，如文獻[23]系統研究了我國低碳發展戰略與轉型路徑，在強化政策情景下，我國將在2030年前實現碳達峰，峰值約106億t。文獻[24]應用庫茲涅茨函數得到我國碳排放于2021—2025年之間達到130億～160億t的峰值水平。文獻[25]研究了建設全球能源互聯網背景下我國和全球碳排放路徑。

已有研究主要針對部分行業或地區，在國家層面對產業部門和居民部門的因素分解研究不多。本文綜合利用LMDI分解方法和STIRPAT預測模型，定量分析經濟增長、能源強度、產業結構等對產業部門和居民部門碳排放影響，并對2030年前碳排放路徑進行情景預測，為制定碳達峰碳中和政策和措施提供參考。

1 研究方法

1.1 碳排放測算

我國目前尚未直接公布官方的CO2排放數據，需通過相關的核算方法估算。本文采用《IPCC 2006 國家溫室氣體排放清單指南》推薦的方法計算化石能源燃燒排放的CO2：

(1)

式中：C為碳排放量；j表示能源種類，分別表示煤炭、焦炭、原油、汽油、煤油、柴油、燃料油和天然氣；Ej為j能源的消費量，萬t；Wj為j能源的平均低位發熱量，kJ/kg；Fj是j能源的二氧化碳排放因子，kg/TJ。Wj和Fj具體數值見表1。

表1 化石能源碳排放系數Table 1 Carbon emission factors of fossil energies

1.2 LMDI分解模型

Kaya恒等式將碳排放量C的影響因素分解為人口P、生產總值GDP、能源消費量E等因素，具體表現形式如下：

(2)

式中：A、M、R分別表示人均GDP、單位GDP能耗、單位能源碳排放。

LMDI 分解模型基于Kaya恒等式，將碳排放量分解為多個因素，能夠定量分析單個因素的貢獻程度。從分部門、分能源品種角度，碳排放可分解為如下驅動因素：

(3)

式中：C1、C2分別表示產業部門、居民部門能源消費碳排放量；i表示一產、二產、三產部門；下標“o”表示居民部門；Cij、Coj分別為i產業部門、居民部門消費j能源碳排放量；Ei、Eij、Eoj分別為i產業能源消費量、i產業j能源的消費量、居民部門j能源的消費量；Yi、Y分別為i部門產值、產業部門總產值；N為居民總可支配收入；uij、uoj分別為i產業、居民部門j能源的碳排放系數；fij、foj分別為i產業、居民部門j能源的占比；ki為i產業的能源消費強度；ni為i產業占總產值占比；lo為居民單位人均可支配收入能購買的能源消費量；t為居民人均可支配收入。

依據LMDI-I加法模型，從基準年到第T年，能源消費碳排放變化量ΔC可分解為產業部門ΔC1和居民部門碳排放變化量ΔC2兩部分。

(4)

(5)

式中：上標T和0分別表示第T年和第0年。

1.3 STIRPAT預測模型

IPAT 模型最早由 Holdren和Ehrlich 于 1971年提出，該模型認為人類對環境的影響(I)主要是通過人口總量(P)、富裕程度(A)、技術水平(T1)三者共同起作用的，即I=P×A×T1。該模型被廣泛應用于定量分析環境變化的影響因素，但存在影響因素權重相同的弊端。此后Dietz 和Rosa將其擴展為非線性隨機回歸 STIRPAT模型。

(6)

式中：α是方程系數；a、b、c是每個影響因素的彈性系數；e是隨機誤差，反映未納入模型的其他因素。當α=a=b=c=1時，STIRPAT模型與IPAT模型相同。為減少數據量綱的不同帶來的方差等影響，對模型量測同時進行對數化處理，得到如下模型：

ln(I)=α+alnP+blnA+clnT1+e

(7)

根據碳排放量的影響因素，可以選擇人口總量、單位GDP能耗、人均GDP、經濟結構、能源強度、城鎮化率、非化石能源占比等作為影響變量，形成擴展的STIRPAT模型，對未來二氧化碳排放量進行預測。

2 能源碳排放驅動因素分解

2.1 數據來源與處理

2000—2017年全國分行業分能源品種的消費量數據，均來自于2000—2017年《中國能源統計年鑒》中的能源平衡表。由于燃料品種既包括原煤又包括焦炭，既包括原油又包括成品油，為了避免重復估算CO2排放，本文從工業中分別剔除了“石油加工、煉焦及核燃料加工業”消費的煤炭和原油，再次剔除8種能源中用于工業原料和材料的能源消費量。名義GDP、人口、第二產業增加值占比、單位GDP能耗等數據來自于2000—2018年《中國統計年鑒》。

測算得到的2000—2017年中國能源碳排放如圖1所示，與國際能源署(International Energy Agency，IEA)提供的中國能源碳排放量數據接近，誤差處于0.1%～9%，趨勢類似。隨著經濟迅猛增長，化石能源消費持續增加，導致我國能源碳排放從2000年的34.7億t增長到2013年的峰值96.4億t，之后連續3年下降，2017年反彈至93.0億t，2000—2017年年均增長5.9%。分產業看，2000—2017年二產、三產碳排放增速較高，分別達到6.0%、6.6%；一產、居民部門碳排放增速分別為5.5%、3.1%。從結構看，居民部門的碳排放占比下降，從2000年的5.5%下降到2017年的3.4%；二產、三產的占比上升，從2000年的83.9%、9.4%上升到2017年的84.9%、10.4%；一產占比保持1.2%基本不變。

圖1 中國2000—2017年能源碳排放Fig.1 China’s energy-related CO2 emissions in 2000-2017

2.2 碳排放因素分解

2.2.1 總體分解結果

運用LDMI分解模型對我國能源碳排放因素逐年進行分解，得到各效應對碳排放增長的貢獻，如表2和表3所示。累計來看，1995—2017年能源碳排放量增長約63.3億t，其中產業部門貢獻60.1億t，居民部門貢獻3.2億t。

產業部門碳排放中，經濟增長呈現顯著的正效應，貢獻約145.0億t，能源強度、產業結構、能源結構為負效應，分別貢獻約-73.9億t、-5.6億t、-5.3億t二氧化碳，貢獻率分別為228.9%、-116.7%、-8.9%、-8.4%。總體來看，經濟發展是碳排放增長的首要驅動力，技術進步帶來的能源強度下降、產業結構優化和能源結構清潔化對碳排放增長呈現顯著的負效應，大大抵消了經濟發展帶來的碳排放增長。

居民部門碳排放中，能源結構、能源價格、人均收入、人口規模效應的貢獻分別約為-0.3億t、-3.7億t、6.9億t、0.4億t二氧化碳，貢獻率分別為-0.5%、-5.9%、10.9%、0.6%。總體來看，能源結構改善和能源價格對于碳排放呈現負效應，人均收入和人口規模對于碳排放呈現正效應。

表2 產業部門的能源碳排放分解結果Table 2 Decomposition results of energy-related CO2 emissions in industrial sectors 億t

產業部門是碳排放重點領域，其能源碳排放每5年的分解結果見圖2。從“九五”到“十二五”，產業結構和能源結構的作用越來越顯著，產業結構對于碳排放的貢獻率從-3%大幅上升至-54%，能源結構清潔化對于碳排放的貢獻率從-1%大幅上升至-22%，經濟增長對于碳排放的貢獻率從354%小幅上升至362%，能源強度對于碳排放的貢獻率從-251%下降至-186%。“十三五”時期，我國清潔能源發展提速，占一次能源占比保持以每年約1個百分點速度提升，能源結構清潔化對碳排放的抵消作用更加顯著，僅2016、2017年兩年抵消碳排放1.1億t，占過去23年能源結構總效應的21%。

表3 居民部門的能源碳排放分解結果Decomposition results of energy-related CO2 emissions in residential sector 億t

圖2 產業部門每5年能源碳排放分解結果Fig.2 Decomposition results of industrial sectors’energy-related CO2 emissions every 5 years

2.2.2 經濟增長效應

1995年以來，我國經濟高速增長的同時，產業部門碳排放也保持較快增長。1995—2017年，一產、二產、三產增加值從12 021億元、28 678億元、20 642億元分別增加到62 100億元、332 743億元、425 912億元。表4是每5年經濟增長對3個產業部門碳排放的貢獻。1995—2017年，一產、二產、三產的增加值對碳排放的貢獻分別為2.6億t、117.5億t、25.0億t二氧化碳，相當于一產、二產、三產增加值每增加1萬元，分別帶動碳排放增加0.51萬t、3.86萬t、0.62萬t。我國還處于經濟發展與碳排放密切相關階段，工業中高耗能行業占比仍較高，工業發展顯著推動碳排放增長，這與發達國家已實現經濟增長與碳排放弱相關或脫鉤的情況不同。

表4 產業部門經濟增長對碳排放變動的貢獻Table 4 Contribution of industrial sectors’economic growth to carbon emission changes 億t

2.2.3 能源強度效應

能源強度是影響碳排放的重要因素之一。隨著科技水平提高，節能技術與設備在我國不斷普及，工藝與流程管理上力求“吃干榨凈”，單位GDP能耗不斷降低。一產、二產、三產的能源強度從1995 年的0.3、2.5、0.5 t標煤/萬元下降到2017年的0.1、0.6、0.1 t標煤/萬元。圖3是3個產業部門的能源強度對碳排放變動的貢獻，均呈現負效應。1995—2017年，一產、二產、三產的能源強度下降對碳排放貢獻分別為-0.6億t、-60.7億t、-12.6億t二氧化碳，相當于一產、二產、三產的能源強度每減少1 t標煤/萬元，可分別減少3.0億t、32億t、31.4億t二氧化碳。從中看出，二產的能源強度下降導致的降碳效應最顯著。大力發展工業節能降耗，不斷優化工業結構，是減少碳排放重要舉措。

圖3 產業部門能源強度對碳排放變動的貢獻Fig.3 Contribution of industrial sectors’energy intensity to carbon emission changes

2.2.4 產業結構效應

通過大力發展低能耗、低排放的商業和服務業等第三產業，優化調整高能耗、高排放的第二產業，我國產業結構發生顯著變化，一產、二產、三產增加值在國內生產總值的占比從1995年的19%、47%、34%變化到2017年的8%、40%、52%，一產占比大幅下降，二產占比小幅下降，三產占比大幅增加。表5是3個產業部門占比對碳排放變動的貢獻。1995—2017年，產業結構對碳排放變動的貢獻分別為-0.9億t、-8.8億t、4.1億t碳排放。第二產業的碳排放負效應最顯著，第三產業由于發展較快，表現為促進碳排放增長，但是影響較小。總體來看，產業結構改善對于碳排放的抵消作用越來越強，是未來減碳的重要方向之一。

表5 產業部門的結構對碳排放變動的貢獻Table 5 Contribution of industrial sectors’economic structure to carbon emission changes 億t

2.2.5 能源結構效應

高碳能源煤炭、石油、天然氣向水風光等零碳能源轉移，能源結構清潔化程度不斷提升，是減少碳排放的主要途徑。從1995—2017年，我國化石能源消費占比從93.9%下降至86.2%，一產、二產、三產和居民部門中化石能源消費占比均呈下降趨勢，以電力為載體的清潔能源消費占比上升，進入“十三五”，3個產業部門和居民部門都呈現碳排放抵消作用。

表6是3個產業部門和居民部門的化石能源結構對碳排放變動的貢獻。總體來看，一產、二產、三產和居民部門能源結構對碳排放變動的貢獻分別為358萬t、-43 747萬t、-9 660萬t、-3 322萬t二氧化碳，合計5.3億t二氧化碳，能源結構清潔化對于減碳的作用越來越顯著。

2.2.6 居民能源價格、人均收入和人口規模效應

居民能源價格、人均收入和人口規模對居民部門碳排放的貢獻見表7。居民部門能源價格衡量單位收入購買的能源量。能源價格上升，意味著能源鋪張浪費的現象得到抑制，減少居民碳排放量。因此，能源價格顯著抑制能源消費增長。1995—2017年，我國每萬元購買的能源量從0.45 t標煤下降到0.11 t標煤，相當于居民消費每1 t標煤的成本上升6.87萬元，碳減排作用顯著，能源價格效應減少3.7億t二氧化碳。

表6 能源結構對碳排放變動的貢獻Table 6 Contribution of industrial sectors’energy consumption structure to carbon emission changes 萬t

表7 居民部門碳排放分解Table 7 Decomposition results of residential sector’s energy-related CO2 emissions 億t

人均可支配收入是推動居民部門碳排放增長的最重要驅動力。隨著居民收入的增長，家庭照明、取暖、炊事等能源服務推動居民部門碳排放不斷提高。居民人均可支配收入具有“放大器”作用，1995—2017年，年人均可支配收入每增加 1元，帶動居民能源消費增加2.7萬t碳排放，人均收入效應增加6.9億t二氧化碳。

人口增長對居民能源消費增長也有一定程度的推動作用。1995—2017年，人口增加帶動居民消費增加0.4億t二氧化碳。

3 能源碳排放預測

3.1 模型建立

利用LMDI分解模型可以定量分析影響碳排放的主要因素，但是不便對未來碳排放進行預測。利用擴展的STIRPAT模型適合對未來碳排放進行預測，但是需要選取合適的影響因素。影響因素對碳排放存在直接或間接關系，而且多個影響因素的作用存在重疊，影響因素過多存在過擬合、多重線性、數據獲取困難等問題，影響因素過少存在欠擬合等問題。從擬合的穩定性、精確度等方面，不斷嘗試不同的變量組合，最后確定最優的變量組合。經過多次比較，本文選取人口總量、人均GDP、經濟結構、能源強度、化石能源占比作為影響變量，見表8。為減小時間序列數據的波動性和噪音影響，需要對數據進行歸一化處理和降噪。

表8 STIRPAT模型變量有關信息Table 8 Variable information in STIRPAT model

為了保證模型出現虛假回歸，必須對變量的平穩性進行檢測，確保各時間序列是平穩序列。首先運用ADF方法，對各變量的單位根進行檢驗，結果表明在5%顯著性水平上，5個變量均為非平穩序列，但一階差分后均是平穩序列，屬于一階差分單整序列，可以進行協整檢驗。運用Johansen 協整檢測方法，結果表明：在95%的置信水平下，Trace 統計值均大于臨界值，并且伴隨概率均小于5%，6個變量之間至少存在5個長期協整關系，表明變量間存在顯著的關系，可進行回歸分析。

基于2005—2017年數據，利用最小二乘法對式(2)進行多元回歸，得到以下結果：

(8)

回歸結果顯示，調整系數R2是0.995，表明回歸高度擬合。能源強度、人均GDP、化石能源結構是影響碳排放最主要因素，經濟結構、人口規模影響次之，回歸結果見圖4。

圖4 回歸擬合結果Fig.4 Regression fitting results

為驗證預測模型有效性，基于2018、2019年的相關數據，模型預測得到能源碳排放96.2億t、97.8億t，與利用1.1節方法測算得到能源碳排放量相差1%、0.3%。

3.2 情景分析與參數設計

為便于模擬不同因素對2030年碳排放的影響，應用情景分析法設計政策照舊情景(business as usual scenario，BAU)、低碳情景(low carbon scenario，LC )和強化低碳情景(enhanced low carbon scenario，ELC)這3種情景，各情景的參數見表9。其中人口規模、經濟增長指標參考國內外研究機構結果。

表9 2030年情景設計與參數設置Table 9 Scenario design and parameter setting in 2030

1)政策照舊情景。延續當前能源消費增長快、效率低、排放高的模式，能源消費強度下降速率較低。依靠大力發展傳統產業來拉動經濟并使其保持較快增長，經濟結構中二產占比居高不下。該情景下，2030年一次能源消費總量達65.7億t標煤，能源消費強度為0.4 t標煤/萬元，二產占比達34%，清潔能源占比為20%。

2)低碳情景。以實現2030年前碳達峰為目標，更加注重經濟發展質量，經濟增長進入中低速階段。大力發展服務業和新興制造業，經濟結構中二產占比稍微下降。能源系統效率大幅提高，能源消費總量維持在在合理水平。該情景下，2030年一次能源消費總量達60億t標煤，能源消費強度為0.36 t標煤/萬元，二產占比達32%，清潔能源占比為30%。

3)強化低碳情景。以實現全球1.5 ℃溫升為目標，采取超常規減排政策與措施，能源系統效率大幅提升，能源消費總量保持較低水平，第三產業加速發展。該情景下，2030年能源消費總量達53.5億t標煤，能源消費強度為0.33 t標煤/萬元，二產占比達30%，清潔能源占比為35%。

3.3 碳排放預測結果

3種情景下碳排放預測結果見圖5。BAU情景中，能源碳排放持續增長，2030年前不能實現達峰目標，2030年碳排放達131億t。LC情景中，能源碳排放于2029年左右達峰，峰值為107億t，2030年下降至105億t，碳排放強度較2005年下降78%。ELC情景中，能源碳排放持續下降，2030年下降至83億t水平。

圖5 不同情景下能源碳排放預測結果Fig.5 Energy-related carbon emission prediction results under different scenarios

考慮各主要指標+2%～-2%擾動后，BAU情景下，2030年碳排放處于120億～140億t，不能達峰；LC情景中，2030年碳排放處于101億～110億t，達峰時間為2025—2029年；ELC情景中，2030年碳排放處于70億～90億t，從2020年起持續下降。

值得注意的是，由于預測模型的參數是基于歷史數據擬合得到，選取不同的歷史數據和設置不同的社會經濟參數，均對未來預測結果存在較大影響，因而采用計量方法對碳排放峰值進行預測存在一定不確定性。

4 結論與建議

本文采用LMDI分解方法，對我國產業部門和居民部門碳排放量變化的因素進行定量分析，并運用STIRPAT預測模型，對2030年前我國碳排放總量進行預測，結論如下：

1)1995—2017年，3個產業部門碳排放中，經濟增長呈現顯著的正效應，能源強度、產業結構、能源結構為負效應，貢獻率分別為228.9%、-116.7%、-8.9%、-8.4%，且產業結構優化和能源結構清潔化發揮的作用越來越顯著。居民部門碳排放中，能源結構和能源價格對于碳排放呈現負效應，貢獻率分別為-0.5%、-5.9%;人均收入和人口規模對于碳排放呈現正效應，貢獻率分別為10.1%、0.6%。

2)碳排放與經濟、社會、技術發展密切相關。在以實現碳達峰為目標的低碳情景中，我國能源碳排放有望于2025—2029年實現達峰，峰值水平為101億～110億t。如果延續當前能源消費增長快、效率低、排放高的發展模式，依舊大力發展化石能源，2030年前將無法實現碳達峰目標，碳排放將達到130億t。

當前，我國經濟持續增長，能源需求總量持續增加，產業結構轉型、能源結構調整均面臨很多挑戰，碳達峰任務十分艱巨。建議如下：

1)以構建中國能源互聯網為基礎平臺，同步實施“清潔替代”和“電能替代”，以清潔的電能減少碳排放，推動能源發展和經濟發展與碳排放脫鉤。

2)加快發展低碳技術，在清潔能源、先進輸電、儲能、電動汽車、電制氫等重大技術領域盡早實現突破。

3)統籌電力市場和碳市場等綠色發展市場機制，構建中國電-碳市場，以高效率、低成本、高效益實現氣候與能源協同治理。

4)加強頂層設計，統籌制定交通、工業、建筑各領域的達峰目標和路線圖，推動重點領域率先碳達峰。