中國火電行業多模型碳達峰情景預測

張金良，賈凡

(華北電力大學經濟與管理學院，北京市 102206)

0 引 言

碳峰值目標是指中國承諾到2030年二氧化碳排放總量不再增加，并且保證達到峰值后逐步減少。碳中和目標是指中國到2060年實現二氧化碳“零排放”的目標，即企業或者個人生產的二氧化碳總排放量可以由植樹造林，節能減排抵消。而今中國的碳排放現狀卻不容樂觀，2019年，全國碳排放總量約105億t，其中能源行業約98億t，占碳排放總量的87%。因此，要達到碳排放達峰的目標水平，首當其沖的應該是能源行業碳排放達到峰值。2021年3月，全球能源互聯網發展合作組織發布了《中國2030年前碳達峰研究報告》，該報告顯示，在能源活動方面，火電行業(能源生產和轉化)占碳排放總量的47%；從能源類型看，發電和供熱排放占碳排放總量的44%，其中煤炭、石油和天然氣在終端燃燒的排放分別占35%、15%和6%。考慮到當前的能源活動占比，能源行業的碳達峰又絕大部分取決于火電行業的碳達峰。

目前火電行業屬于消耗化石能源的主要行業，也就是排放二氧化碳氣體最多的行業之一。其中占比最重的化石能源是煤、石油、天然氣。隨著碳達峰碳中和戰略決策的提出，火電行業在未來的定位發展已逐漸明晰，其需要通過推動產業轉型升級，推動技術發展，加速技術現代化水平，以及加快調整能源結構，促進化石能源生產消費革命，以可再生能源為主的其他綠色能源代替電力生產，滿足能源的電力要求，降低對煤炭、石油、天然氣等化石能源的依賴。因此，為了碳達峰碳中和目標的實現，研究和預測火電行業二氧化碳排放量以及確定碳達峰時間和峰值是亟待解決的重要問題。

目前，國內外學者對于二氧化碳排放預測問題進行了一定的研究，本文主要與以下3類文獻具有較大的相關性。第1類是側重于二氧化碳排放量影響因素提取方法的研究。Cansino等人2016年通過結構分解方法分析了1995—2009年西班牙二氧化碳排放量變化的影響因素，并實現了碳排放量的預測[1]。Nie等人2016年利用結構分解模型解釋了中國在1997—2010期間能源行業的二氧化碳排放量急劇變化現象的緣由[2]。張帥利用Kaya算法的修正推導了可能影響中國碳排放達峰的一些因素，并建立了碳排放達峰路徑體系[3]。謝嬌艷采用對數平均迪氏指數(logarithmic mean divisia index, LMDI)因素分解法定量分析確定了影響重慶市公共建筑碳排放量的主要因素，包括區域總人口、城鎮化率、GDP、產業結構和終端用能設備的能耗強度和用能水平[4]。劉凱誠等人通過Kaya恒等式分析構建了碳排放達峰路徑模型體系，得到了影響碳排放的最相關因素為人均GDP、產業結構、人口因素和碳排放強度[5]。汪中華和于孟君利用廣義迪氏指數分解方法研究了影響石化行業二氧化碳排放量的重要因素有投資、經濟產出、能源消費碳強度、能源強度和投資效率[6]。劉彥迪應用廣義迪氏指數對中國東部、中部、東北部和西部四大區域二氧化碳影響因素的貢獻進行分析，發現在所預測的最優情景下，對碳排放變動有較大的貢獻的僅有經濟規模和單位產值低碳度[7]。陳軍華和李喬楚測算了四川省2000—2018年20種主要能源消費的碳排放量，運用LMDI分解法探索得到能源結構、能源強度、產業結構和經濟與人口是影響碳排放的主要因素[8]。

第2類側重于碳達峰預測模型的研究。畢瑩等人通過STIRPAT拓展模型得到影響遼寧省碳排放的因素，基于此建立回歸預測情景模型[9]。趙亞濤等人以國民生產總值和人口作為影響因素，建立我國煤電行業電力消費的多元線性回歸預測模型，并運用情景分析方法探究2018—2030年二氧化碳排放總量[10]。段福梅建立了以城市化率、人均國內生產總值、研發強度、能源結構、人口、能源強度為影響因素的基于粒子群優化的BP神經網絡模型，同時預測了在8種發展情景下中國的二氧化碳排放峰值[11]。王勇等人運用廣義迪氏指數方法得到了從2005—2016年影響五大交通運輸方式碳排放的因素，然后應用蒙特卡洛模擬模型對未來2017—2030年的碳排放量進行動態情景模擬分析[12]。丁甜甜以遞階LMDI法分解出影響電力碳排放的9個因素，以此對各種情景下電力碳達峰值進行STIRPAT建模預測分析[13]。張靜亞等人分析了安徽省的能源消耗結構、碳排放強度對碳排放量的影響，并對十三五后期碳排放量建立ARIMA模型進行預測[14]。胡振等人基于西安城市家庭消費入戶調查數據，建立了BP神經網絡算法碳排放量預測模型，并證實了模型的有效性[15]。趙金元等人以鋼鐵企業二氧化碳排放為研究對象，分別建立線性回歸和BP神經網絡預測模型進行對比，最終發現BP神經網絡預測模型精度更高[16]。唐祎祺通過構建擴展的STIRPAT模型深入探究了驅動中國30省區碳排放的經濟社會因素，并結合情景分析模擬了2016—2045年的碳排放變化趨勢[17]。赫永達等人采用基于宏觀經濟指標的混頻數據預測模型進行預測,分析了未來二氧化碳排放總量及結構[18]。潘棟等人運用STIRPAT模型研究和預測各種情景下的二氧化碳排放量，并在此基礎上考察東部地區碳排放量達峰的可能性[19]。

第3類是針對情景預測的研究，未來的發展是瞬息萬變的，具有多種可能性，而情景分析方法可以通過考慮不確定因素的影響，并設定各影響因素未來發展的不同速率，提高預測的準確性。傅京燕以廣東省火電行業為研究對象，使用雙對數回歸方法，預測了未來6種經濟發展和能源消耗情景下的碳達峰時間和總量[20]。Wakiyama等運用情景分析模擬法探索了日本建筑行業從2016—2030年的電力消費引起的碳排放量，基于此提出減少排放的措施[21]。Mirzaei等應用系統動力學的方法研究了伊朗2015—2025年在設置的不同情景下的二氧化碳排放量[22]。劉凱誠等人在碳減排的約束條件下構建了我國6種經濟人口情景模式下電力行業電力需求預測分析模型，基于此進行了二氧化碳排放經濟效益分析[23]。

當下對二氧化碳排放達峰預測的研究中，對于研究對象來說，多是宏觀的研究主體，比如國家、省市等，很少聚焦于某個行業；對于影響因素的選取，人口、GDP等單一因素的選擇較多，未全面考慮多維度影響因素；另外預測也多聚焦于單一模型，未進行多預測模型的對比。為進一步實現碳達峰目標，本文以中國火電行業為研究對象，考慮人口規模、經濟發展、產業結構、能源強度和能源結構等多方面影響因素，利用線性回歸、徑向基函數(radial basis function, RBF)神經網絡、差分自回歸移動平均(autoregressive integrated moving average, ARIMA)、BP神經網絡4種方法分別構建二氧化碳排放預測模型，找出最優的模型，并應用最優預測模型對未來不同情景模式進行碳排放量的預測，分析碳排放達峰時間與總量。

3 影響因素

1989年，Kaya在IPCC研討會上提出了Kaya恒等式，目前，對影響二氧化碳排放因素的研究大多通過Kaya恒等式建立因素分解模型，其表達了二氧化碳排放是由能源消費碳強度、能源強度、經濟產出、人口等其他因素綜合作用的結果，該恒等式被廣泛用于二氧化碳排放等環境問題的解決中，其基本方程如下所示：

(1)

式中：C表示我國火電行業的二氧化碳排放總量；E表示火電行業的能源消費總量；G表示國內生產總值；P表示人口規?？倲怠?/p>

由于Kaya恒等式具有良好的開放性和拓展性，本文對Kaya恒等式進行擴展分解，基于火電行業的實際情況將不同能源種類消費進行細化(火電行業目前主要化石能源包括煤、石油、天然氣)，擴展后的Kaya恒等式如下所示：

(2)

式中：Ci為第i類能源的碳排放總量，i=1,2,3表示不同能源種類，分別是煤、石油、天然氣；Ei為第i類能源的消耗總量；G1為火電生產總值。

將式(2)進一步簡化，即可得到：

(3)

式中：Mi為火電行業消費第i類能源時產生的二氧化碳排放量與能源消費量之比，一般被稱為碳排放系數；Ni為火電行業第i類能源消費量與行業能源消費總量之比，表示能源消費結構；S為火電行業能源消費總量與行業生產總值之比，表示能源消費強度；T為火電行業生產總值與各行業生產總值之比，表示產業結構；R為國內生產總值與人口總量之比，表示經濟發展程度。

基于Kaya擴展恒等式的分析，本文選取了5個影響火電行業碳排放水平的因素，如表1所示。

表1 變量符號表Table 1 Variable symbol table

1.1 人口規模

人口規模是影響二氧化碳排放水平的一個至關重要的因素，有兩個主要原理：一方面，人口數量增加，電力需求量也會隨之增加，進而增加電力碳排放量；另一方面，人口組成結構的改變也會影響二氧化碳排放，隨著中國人口結構從金字塔迅速進入紡錘形狀態，中國老齡化現象逐漸嚴重，由于老年人的電力需求小于年輕人，因此人口老齡化后的電力需求變小，從而產生的二氧化碳排放也變少。

1.2 經濟產出

目前我國經濟發展還無法完全脫離化石能源，經濟的增長在所難免地會增加碳排放量。經濟發展是影響火電行業二氧化碳排放量不可或缺的因素。首先，國家經濟的發展為火電行業的發展奠定了經濟基礎；除此之外，經濟發展需要電力行業的支撐，電力是經濟發展最重要的保障。為了簡化研究，本文僅引入國內生產總值這一變量。

1.3 產業結構

經濟增長對碳排放量的影響與不同經濟發展階段息息相關，不同的經濟發展階段有不同的產業結構。經濟發展的初期，農業在產業結構中比重較大，對電力的需求較低，碳排放量相對較低；經濟發展中期，工業是重要的組成部分，由此增加了對電力的需求，經濟增長伴隨著二氧化碳的大量排放。經濟發展后期，產業結構不斷優化，碳排放量相應減少。因此，產業結構也是影響二氧化碳排放的一個必不可少因素，本文選用電力產業所在的第二產業增加值和所有生產總值，得到產業占比值。

(4)

式中：G1為第一產業的生產總值；G2為第二產業的生產總值；G3為第三產業的生產總值。

1.4 能源消費強度

能源消費強度反映了電力生產技術與電力公司能源結構的關聯，也就是生產單位電力所需要的能源。對于火電行業來說，能源消費強度直接代表其電力生產的技術水平。能源消費強度較低，表明其單位產出的二氧化碳排放量也較低。因此，能源消費強度與二氧化碳排放量為正相關關系。

(5)

式中：W1表示火電行業發電總量。

1.5 能源消費結構

火電行業發電時消耗化石能源以外的綠色能源的比例越高，消耗單位能源產生的碳排放量就越低。為此，國家對能源行業實施了一系列低碳政策，如確定產品能效、補貼節能產品、宣傳節能減排、節能產品公共采購等，但是這些政策對于模型很難量化。因此，本文以火電行業綠色能源發電占發電總量的比重作為衡量國家對火電行業碳排放干預程度的衡量標準。該比重越高，國家對綠色能源發電的支持力度就越高，電力生產的碳排放量就越低。因此，能源消費結構與碳排放量是負相關關系。

(6)

式中：W表示電力行業發電總量。

2 模型方法

2.1 線性回歸預測模型

多元線性回歸是用于研究多個自變量和因變量之間線性關系的模型。為了直觀地得到因變量與因子之間的關系，最簡單有效的方法是使用線性回歸模型，這樣就可以得到回歸線性方程。多元線性回歸是多元統計分析的重要方法，普遍用于社會、經濟、技術和許多自然科學研究領域?；貧w模型的一般形式為：

(7)

最小二乘法的誤差平方和為：

(8)

當誤差平方和最小時，求對應回歸系數的估計量，代入式(7)得預測方程為：

(9)

2.2 RBF神經網絡預測模型

近年來，人工神經網絡成為主流的機器學習算法之一。人工神經網絡由相互連接的神經元組成，每個神經元接收前一級神經元發送的信息，并通過非線性變換將接收到的信息傳遞出去。神經網絡可以通過不斷訓練，來逼近復雜的相關關系，在模式識別、函數逼近、分類預測等方面有著廣泛的應用[24]。

RBF神經網絡具有特殊的網絡結構，它利用徑向基函數處理來自神經元的信息，對非連續非線性變化具有較好的逼近效果。RBF神經網絡的結構如圖1所示。

圖1 RBF神經網絡結構Fig.1 RBF neural network structure

RBF神經網絡由輸入層m、隱藏層h、輸出層y組成。RBF神經網絡的隱藏層的非線性變換函數是徑向基函數，即：

(10)

式中：j=1,2,…,l；φ為徑向基函數，其主要參數有函數中心cj、半徑hj和隱藏層權值ωj。在輸出層，RBF網絡通過線性變換獲得輸出：

(11)

在確定函數中心時，使用k均值法，即：

(12)

式中：kk是參與訓練或測試的樣本總數。當類中心的變化小于預設的常數時，聚類停止。在確定基函數半徑時，文中選擇固定的函數半徑。其確定方法如下：

(13)

式中：dmax是確定的函數中心間的最大距離；s是網絡中的隱藏節點。RBF網絡權值的確定也可以是基于梯度下降法進行誤差的反向傳播，與傳統神經網絡中的算法一致。

2.3 ARIMA時間序列預測模型

ARIMA方法是一種應用廣泛且非常高效的時間序列預測方法。ARIMA模型是一種基于自回歸模型(AR模型)、移動平均模型(MA模型)以及差分運算，使用時間序列數據本身的模型，用于短期預測分析。其使用滯后項和變量本身的隨機誤差來解釋變量，而不是使用外生變量來解釋因變量。當數據模式未知時，ARIMA經常被應用于金融和經濟方面進行數據挖掘[25]。其具體形式如下：

(14)

式中：D是延遲算子；φ(D)是p階自相關系數多項式；θ(D)是q階移動平均系數多項式；{βt}是白噪聲序列。

ARIMA建模包括3個階段：

1)時間序列平穩化。當序列非平穩時，穩態由差分滿足。

2)ARIMA模型的識別。模型中的序列p階由自相關系數決定，q階由偏自相關系數決定。

3)參數估計和模型驗證。

2.4 BP神經網絡預測模型

BP神經網絡是常見的神經網絡模型之一，其通過逆向傳播算法訓練。BP神經網絡由輸入層、隱含層和輸出層組成，如圖2所示，訓練過程包括前向傳播和反向誤差傳播兩個過程。當輸出與預期結果不符時，誤差信號反向傳播，經此反復迭代，最終接近預期結果[26]。

圖2 BP神經網絡結構Fig.2 BP neural network structure

BP神經網絡模型構建如下：

假設有u個訓練樣本，各有v個指標，那么初始信息化矩陣為：

X′=(x′ij)u×v

(15)

式中：i=1，2，…，u；j=1，2，…，v；x′ij表示第i個訓練樣本的第j個指標的值。

步驟1評價指標的無量綱化。

消除各個指標之間的不同量綱：

(16)

得到無量綱化矩陣是：

X=(xij)u×v

(17)

步驟2確定輸出層及隱含層。

輸出層計算為:

(18)

隱含層計算為:

(19)

式中：zi為輸出層連接權重;bij為隱含層連接權重。激活函數ψ(a)選擇sigmoid函數：

(20)

步驟3網絡訓練。

1) 計算網絡誤差。

如果網絡輸出與期望輸出不相同，則存在輸出誤差：

(21)

網絡總誤差為：

(22)

2) 各層權值調整。

(23)

zj(t)=zj(t-1)+ηδ0yj+μΔzj(t-1)

(24)

(25)

式中：η是學習率，且η∈(0，1)；μ是動量項，且μ∈(0，1)；t表示隱含層。

3)輸入下個樣本，返回1)繼續訓練。

4)全部樣本訓練結束，當A

步驟4網絡檢驗。

使用檢驗樣本進行網絡檢驗。

3 算例分析

3.1 數據來源

根據上文分析，影響火電行業二氧化碳排放的因素為：人口數量、經濟產出、產業結構、能源消費強度、能源消費結構。本文以2000—2018年數據作為參考，考察這5個因素對火電行業二氧化碳排放量變化的貢獻情況。每個影響因素詳細的計算方式已在上文中給出，所需的數據來源于國家統計局網站的《中國統計年鑒》。

3.2 碳排放量的測算

本文的技術路線圖如圖3所示。文中的二氧化碳排放量是由各類化石能源的碳排放量總和計算得出的。當今中國80%以上的碳排放量來自化石能源的消耗，由此絕大多數研究都將化石能源的消耗引起的二氧化碳排放量作為實際二氧化碳排放量。能源消耗碳強度表示的是消費單位能源產生二氧化碳排放的程度。鑒于能源質量和燃燒效率在短時間內不會發生明顯變化，研究人員在計算二氧化碳排放量時往往應用固定的二氧化碳排放因子。本文將中國火電行業三大主要化石能源(煤、石油、天然氣)消耗所排放的二氧化碳作為碳排放總量，即不同類型能源的能耗乘以該類能源的碳排放因子。其計算公式為：

圖3 技術路線圖Fig.3 Technology roadmap

(26)

式中：εi為第i類能源的碳排放系數，εi是由我國熱值調整后的IPCC2006中各種能源的二氧化碳排放系數得到的，IPCC中包括各種化石能源二氧化碳排放因子，包括煤炭、石油和天然氣的碳排放因子，其中煤的碳排放因子為0.727 6，石油的碳排放因子為0.566 6，天然氣的碳排放因子為0.436 7。

3.3 模型預測對比

本節分別采用上述4種方法對火電行業2000—2018年的數據進行訓練分析，得到相應的預測模型及預測結果。本文的評價指標有3個MAE(平均絕對誤差，用MAE表示)、RMSE(均方根誤差，用RMSE表示)、MAPE(平均絕對百分比誤差，用MAPE表示)。MAE是絕對誤差的均值，用于反映預測情況和實際情況的差別，該指標越低越好；RMSE是均方根誤差，可以反映預測模型中的預測情況與實際情況的偏差程度，對于偏離程度很大的值，即使這種值很少，RMSE也會變得很差，該指標越低越好；MAPE是將所有誤差歸一化的平均絕對百分比誤差，當MAPE是0表示該模型為理想模型，當MAPE值大于100%表示模型擬合程度較低，不予采納。各個計算公式如下：

(27)

經過計算，各個模型的預測值如圖4所示，預測誤差如表2所示，可以明顯地看出各模型的優劣度為：RBF神經網絡模型

表2 預測誤差對比表Table 2 Comparison table of forecast error

圖4 模型對比圖Fig.4 Model comparison chart

4 情景分析

4.1 情景設置

本部分是應用上文選擇的最優模型對未來從2021到2050年的二氧化碳排放量進行預測，并得到達峰時間和達峰峰值。情景分析法首先需要對影響火電行業碳排放預測模型中的人口數、經濟產出、產業結構、能源消費強度、能源消費結構這幾個影響因素未來的變化率分別設置低、中、高3種值。其中，根據“十四五”規劃確定2021—2025年中值各影響因素的變化率。2025年后各影響因素變化率由歷史數據趨勢以及相關政策決定。根據每個影響因素的中值的變化率相應上下波動得到低值和高值。除此之外，本文也考慮新型冠狀病毒疫情和經濟逆全球化等新形勢對各種因素變化率的影響。從長遠來看，將影響產業結構，而其他因素受影響較小。因此，根據相關政策和過去的數據趨勢，在先前參數的基礎上降低了產業結構的變化率。

本文根據影響火電行業碳排放的各因素設定的低、中、高3種值，提出了基準發展情景、產業優化情景、技術突破情景、低碳發展情景4種未來發展情景，以下是各種情景設置的基本介紹，表3是不同情景下各因素變化率的設計，表4給出了具體情景設置參數數值。

表3 情景設置Table 3 Scenario Setting

表4 情景設置參數 Table 4 Scenario setting parameters %

基準發展情景：選取每個影響因素未來變化率的中值?；鶞拾l展情景是根據過去火電行業發展的特點，假設當前經濟技術環境不變，且政府不會出臺新的減排措施，發展的主要驅動力仍然是經濟生產，以此推動社會和技術的發展。該基準發展情景是在不考慮其他突發因素的情況下，在當前的歷史趨勢上繼續發展的，旨在盡快完成工業化進程，以實現經濟中高速發展。

產業優化場景：產業結構這一影響因素選擇低變化率值，其他的影響因素選擇中等變化率值。產業優化情景表示在現有政策的基礎上，產業結構進一步優化和現代化。產業結構優化和現代化可以促進國民經濟的發展，為中國的可持續發展做出貢獻。因此政府會出臺產業相關政策，進行產業結構調整，減少第二產業的發展參與度，降低傳統產業比重，讓高新技術產業和服務業成為主導產業。與基準發展情景相比，第二產業的份額將下降。

技術突破情景：能源消費強度取低值，能源消費結構取高值，其他影響因素變化率取中值?！笆奈濉币巹澨岢?，火電行業通過系統設計、技術進步和結構轉型，加強科技研發，促進資源循環和高效利用。由于技術的發展，產生單位電所消耗的能源會大大提高，而所耗的能源也會相應增多。本文在基準發展情景的基礎上，調整影響因素的變化率，得到能源技術取得進步的情景，稱為技術突破情景。

低碳發展情景：能源消費結構取低值，其他影響因素取中值。低碳發展情景表示的是火電行業在現有政策基礎上，強化能源政策，實施一系列節能減排措施，積極調整發電端能源結構，從而實現低碳排放。因此，該情景下的能源消費結構將低于基準發展情景。同時，該情景是針對現有火電行業能源政策的相關目標建立的，因此需要根據國家政策的時間進行劃分。在這種情景下，政府加大了對火電行業節能減排的干預力度。面對政策的制約，火電行業加大優化能源結構、提高能源效率、提高投資效率，逐步向綠色發展邁進。

4.2 結果分析

利用中國火電行業碳排放BP神經網絡預測模型可計算出不同情景下2021—2050年碳排放預測值，4種情景下的碳排放達峰預測結果如圖5所示，根據預測結果可以看出，火電行業對于不同的情景模式有不同的達峰時間和達峰峰值。對于中國火電行業在4種情景下二氧化碳排放達峰的詳細分析如下。

圖5 情景預測對比圖Fig.5 Comparison chart of scenario prediction

首先，在基準發展情景下，中國火電行業的二氧化碳排放量不僅不會在2030年達到峰值，而且還有很大的差距。基準發展情景的所有影響因素都取中值，也就是說沒有采取任何減排政策和技術改進。該情境下2045年達到峰值，碳排放峰值為812 977萬t，顯然，這種情景下將無法滿足中國2030年前實現最大的碳排放要求，而且還會推遲很長時間。因此，需要采取一定的措施來控制影響二氧化碳排放的各種因素的增長速度。

其次，在產業優化情景下，2030年中國火電行業碳排放并不會見頂，差距也較大。產業優化情景是通過優化產業結構來降低第二產業份額的發展模式。該模式下在2047年達到峰值，但其最大的碳排放量已經減少到790 813萬t，顯然，單一的產業結構的優化并不能滿足中國火電行業2030年前達到碳達峰，比基準模式延遲兩年，這一政策的干預產生了一定的效果，但效果并不顯著。

再次，在技術突破情景下，中國火電行業無法在2030年前及時達到碳排放峰值，在此基礎上延遲幾年達峰。技術突破情景是一種通過改進能源技術降低能源消耗的發展模式。該情景下將在2038年達到碳達峰，其峰值為810 043 萬t。顯然，單一的技術進步也不能滿足2030年實現火電行業最大的碳排放，但能源技術的發展和改進也比基準模式更早地達到碳達峰，且峰值也比基準模式低。

最后，在低碳發展情景下，中國火電行業到2030年前能夠實現碳排放達峰，是火電行業按時碳達峰的最佳發展模式。低碳發展情景是以基準發展情景為基礎，改變能源消費結構，向綠色能源傾斜的情景。該情景下碳達峰將在2028年達到，最大碳排放值為580 736 萬t，比目標提前2年。由于國家低碳政策的實施，嚴格限制碳排放的數量，該情景的達峰峰值遠遠低于基準發展情景中的峰值。與此同時，過度的低碳政策雖能實現在2030年前碳達峰的目標，但勢必會影響火電行業的經濟效益。

從以上預測結果的分析可以看出，如果中國火電行業在碳減排達到峰值的過程中，能夠適當地控制自身經濟發展速度，降低化石能源消費比重，積極擴大對外開放，并通過技術革新等方式降低碳排放總量，同時在不影響經濟發展的前提下加快產業結構現代化的調整，實施低碳減排政策，那么火電行業的碳排放極有可能在2030年前達到比較理想的峰值。

5 結論與建議

本文采用中國火電行業2000—2018年的相關數據，首先，利用Kaya恒等式的擴展，得到了影響火電產業二氧化碳排放的關鍵因素；然后，基于對二氧化碳排放量產生顯著影響的指標，利用線性回歸、RBF神經網絡、ARIMA時間序列、BP神經網絡4種方法分別建立相應的預測模型進行預測，并通過預測誤差的對比，找到最優的模型。最后，使用最優的預測模型對未來不同速率發展模式下的4種情景(基準發展情景、產業優化情景、技術突破情景、低碳發展情景)進行碳排放量的預測，得到2019—2050年的預測結果，并對各種情景下的碳排放達峰情況進行了分析，與基準發展情景進行對比。主要得出以下研究結論。

1)影響中國火電產業二氧化碳排放的關鍵因素有5個：人口規模、經濟產出、產業結構、能源消費強度和能源消費結構。

2)通過對線性回歸、RBF神經網絡、ARIMA時間序列、BP神經網絡4種預測模型的預測結果對比發現，其模型誤差：RBF神經網絡模型>ARIMA模型>線性回歸模型>BP神經網絡，因此，BP神經網絡預測模型的預測精度更高，視為最優模型，應用于情景分析。

3)在所有碳排放達峰情景模式中，與基準發展情景相比較，產業優化情景下雖不能提前達到碳達峰，但降低了碳達峰峰值；技術突破情景比基準發展情景提前幾年達到碳達峰，峰值也比其低；相比其他情景，低碳發展情景是唯一能使中國火電行業實現2030年前碳排放達峰目標的模式，在該情景下，于2028年實現了碳達峰，且達峰峰值最低。

以上研究結論對于制定我國火電行業低碳減排策略，幫助火電行業盡快取得較低的碳達峰峰值，主動響應國家低碳減排的呼吁具有重大參考價值?；诖耍疚奶岢鲆韵聨c建議：

首先，優化產業結構，鼓勵高新技術產業發展。目前第二產業產值約占全部產業總值的50%左右，說明煤、石油等化石能源仍是目前主要能源，而火電行業產電主要通過燃燒使用化石燃料，會向環境中釋放大量污染物，如二氧化碳氣體。因此，火電行業必須加快產業轉型，降低高污染能源在生產中的比重，限制高污染、高能耗、低生產率工廠的盲目擴張，大力發展高新技術，加大對低污染、低能耗、高生產率、高效益工廠的投入，確保在不影響經濟發展的前提下完成產業結構轉型優化，促進低碳減排政策的順利實施。

同時，穩定經濟發展，加快科技進步。火電行業碳排放達峰，要在保證經濟產出、能源消費結構、產業結構穩定在合理水平的基礎上，兼顧技術的更新換代，減少排放，特別是降低碳排放量。如果忽視技術創新，不僅會延遲火電行業碳排放的達峰時間，而且峰值還會增加。從這個角度來看，國家應該加大資金和人員對技術革新的投入，鼓勵各行業科研人員不斷努力研究創新，淘汰落后技術，推廣新技術。同時，也要加強國際交流合作，積極引進先進理念和技術，盡快應用到本土情形中。

最后，發展低碳能源，加快能源消費結構的調整。當前，煤、石油、天然氣等化石能源仍是火電行業的主要消耗來源，約占所有能源消費總量的70%。大力使用清潔能源是火電行業碳排放達到峰值的關鍵措施。因此，火電行業發電應提高利用水能、風能、潮汐能、太陽能等綠色能源和可再生能源的比例，加快可再生能源基礎設施建設，促進綠色低碳能源消費結構的發展。與此同時，適當增加使用化石能源的成本，提高資源使用稅收標準，建立健全的環境稅收制度，以減少中國火電行業無節制使用化石能源，提高綠色可再生能源的市場競爭力。