基于面板數據的省級碳排放模型構建及預測分析

摘" "要：在全球氣候變暖的大背景下早日實現碳達峰、碳中和，被認為是國家健康發展的重要前提，因此，約束碳排放、實現碳達峰等議題的研究顯得尤為重要。在已有碳排放影響指標的基礎上，基于無量綱化的2002—2019年面板數據，運用Pearson相關分析與主成分分析，重新構建基于三次產業劃分的碳排放核算指標體系，構建以重構指標為基礎的碳排放占比核算模型，借助ARIMA時間序列模型對2020—2030年的指標量及碳排放量進行預測，最后進行結果分析并提出相關應對策略。

關鍵詞：Pearson相關性分析；主成分分析；ARIMA時間序列模型；碳排放占比

中圖分類號：F121.3；X32" " " "文獻標志碼：A" " " 文章編號：1673-291X（2023）22-0038-03

引言

2005年《京都議定書》正式實施以來，學界對于碳排放的研究就如火如荼地展開。到目前為止，學者們主要的研究方向集中在碳排放影響因素分析、碳排放量核算以及減排路徑研究等方面。學界針對碳排放模型的研究以LMDI模型、STIRPAT模型、Kaya恒等式以及BP神經網絡為主；針對碳排放量核算方式的研究也多以指標值乘以碳排放因子為主。但是，目前我國針對碳排放量的測算多以出于管理需要的統計年鑒面板數據為支撐，缺乏統一標準的碳排放指標數據庫、測算公式以及誤差范圍設定，故碳排放量測算及分析結果存在一定程度的誤差。

侯麗朋、唐立娜等人運用STIRPAT模型建立碳排放模型，并設置增長情景以分析閩三角城市的達峰情況[1]。薛悅鑫、謝靜超等人用LMDI法探尋2005—2020年北京市碳排放影響因素及趨勢并提出應對策略[2]。劉曉蝶、孟祥瑞等人利用Lassoc回歸模型與BP神經網絡分析江蘇省碳達峰時間及碳達峰量[3]。陳恩通過線性回歸并引入3E綜合指數與固定成本分攤模型（FCAM）研究武漢城市圈碳放權空間分配[4]。譚丹、黃賢金通過測算東中西部碳排放總量及增速并結合灰色關聯分析研究生產總值與碳排放間的相互關系[5]。

本文選取全國30個省市自治區（除西藏自治區、臺灣、香港和澳門外）作為研究對象，基于面板數據轉換為各省市占比后，參照已有研究，并運用Pearson相關性分析法與主成分分析法重新構建基于三次產業劃分下的指標體系，運用多元線性回歸分析及Arima時間序列模型進行指標值系數確定和目標年指標值預測。結合各省市自治區以及七大地理區域的碳排放量、占比以及變化速率等指標，分析目前發展趨勢下的碳達峰情況并提出發展建議。

一、研究方法

Pearson相關性分析是利用空間向量模型分析兩特征值之間的距離的分析方法[6]。其反映在兩方面，一方面是Pearson相關系數（R2），另一方面是顯著性（P值）。R2為-1到1之間的無量綱統計指標，當|R2|越靠近1時表示兩特征值之間的相關性越高，越靠近0時表示兩特征值之間的相關性越低。下文分析時認定|R2|＜0.2，即兩特征值不存在相關性，其余均認定存在一定程度相關。P值為表示兩特征值相關性顯著度的指標，檢驗時通常認定P至少應小于0.1。下文分析時，采用雙側檢驗認定P值＜0.05時有95%的概率認定兩特征值具有顯著性，P值＜0.01時有99%的概率認定兩特征值具有顯著性。

主成分分析法（PCA）通過一個綜合指標來解釋多個指標的集合，即通過對原始信息的降維處理得到新的綜合指標。在本文分析中即是利用主成分分析法將后文中的小類指標合并為大類指標進行權重計算。假設有m個樣本、n個指標以構成大小為m*n的樣本矩陣X：

通過對上述矩陣求出其所對應的協方差矩陣和協方差矩陣的特征值以及特征向量后得到：

n=樣本數 p=主成分個數

α=指標系數 F=主成分

根據p個主成分累計貢獻率大于85%確定主成分個數。

ARIMA時間序列模型即差分整合移動平均自回歸模型。此模型為ARMA模型，即自回歸移動平均模型與差分組合所得。此模型被廣泛應用于經濟領域的預測分析。

ARIMA（p，d，q）時間序列模型的數學形式可以表示為：

yt=μ+φ1*yt-1+...+φp*yt-p+θ1*et-1+...+θq*et-q（3）

其中：

y=目標年指標值 θ=MA的系數

t=目標年" " " " " " " " " p=時序數據滯后數

μ=常數" " " " " " " " " d=差分階數

φ=AR的系數" q=預測誤差滯后數

二、模型構建與指標預測

（一）指標構建與數據來源

本文選取參考文獻4和7中針對碳排放核算所用到的指標，最后篩選出農作物總播種面積及農用柴油使用量等27個指標。其中，農作物總播種面積、鋼鐵產量以及生活污水排放量等指標數據收集自2003—2020年《中國城市統計年鑒》，碳排放量等指標數據收集自CEADs《中國碳核算數據庫》①②③④。針對以上指標進行初步分類，形成3大類27小類的碳排放量核算指標體系。將小類指標分別進行Pearson相關性分析，得出三次產業下各指標的相關關系。檢驗中發現，一產下屬指標中，農膜使用量指標與其他指標相關性小于0.2，故按照省情差異重新進行篩選，篩選出遼寧、福建、貴州、以及云南四省刪除農膜使用量指標，重新構成各省市自治區指標，見表1。

（二）模型構建及誤差復檢

將指標值進行無量綱化處理，得到比例并考慮到省情差異，將各類指標分省市進行主成分分析，按照主成分構成85%—95%區間篩選主成分構成大類指標。將碳排放量占比作為因變量、大類指標作為自變量進行多元回歸分析，得出基于三次產業劃分下的碳排放模型的大類指標值，將其與小類主成分系數相乘得到以27小類構成的碳排放占比模型。將構建的模型計算所得的碳排放總量與文獻8—11中的碳排放量進行誤差分析，誤差檢測標準采用政府間氣候變化專門委員會（IPCC）規定的±5.0%的誤差范圍。通過誤差分析結果發現，模型誤差與已有數據的誤差均在允許范圍之內，故認定考慮省情差異的碳排放占比模型構建有效。

E=a*（a1*A1+a2*A2+...+an*An）+β*（b1*B1+b2*B2+...+bm*Bm）+φ*（c1*C1+c2+...+cp*Cp）（4）

其中，a、β、φ為一產、二產、三產指標的總指標數，am、bm、cp為三次產業劃分下各類小指標系數，An、Bm、Cp為三次產業劃分下各類小指標量。

（三）指標及總量預測

運用SPSS軟件中的ARIMA時間序列預測模型設定目標年為2030年，進行27個小類指標以及30個省市自治區的碳排放總量預測，將得出的相關數據帶入碳排放占比模型（4）中，計算并進行調整后得出各省市自治區的碳排放占比。將預測所得的碳排放總量與占比進行計算得出分地理區及分省份的碳排放總量。

三、分析與建議

（一）分地理區域分析

根據我國七大地理分區將研究范圍內的30個省市自治區（除西藏、香港和澳門外）進行合并，結果表明，按照目前發展趨勢，從碳排放量占比來看，2020—2030年間華北地區碳排放量占比由23.57%增長到25.23%；西北地區由12.69%增長到13.95%；除華北與西北地區外，其余地區占比均呈現下降狀態。雖然華東地區未來碳排放量占比呈現下降狀態，但華北與華東地區碳排放占比依然高達25.23%與22.48%，是我國碳排放量占比最高的兩個地區，依然是碳減排的主力地區。

從碳排放總量與增速來看，七大地理區域碳排放總量均呈現上升狀態。年平均增速最快的為華北和西北地區，分別為6 164.59萬噸/年和3 752.61萬噸/年；除華北與西北地區之外，其余五個地區碳排放量增速均呈現曲折下降的狀態。

此結果表明，我國碳排放的主力還是集中在華東與華北地區，此地區集中了我國近50%的碳排放總量，在未來一段時間內減排的重點還應著眼于華東與華北地區。七大地理區域均分布著規模大小不一的城市群，地區的碳排放變化情況與城市群內部的調整以及與周邊的協作發展密不可分。

（二）分省市分析

從碳排放量占比來看，北京、天津兩市碳排放量占比將在2026年超過全國平均水平，河北、山西、遼寧等10個省市自治區碳排放量占比依舊高于全國平均水平，內蒙古、吉林、上海等18個省市自治區均低于全國平均水平；河北、內蒙古、遼寧等18個省市自治區碳排放量占比呈現逐年下降狀態，其余省市均呈現逐年上升狀態。

從碳排放總量與增速來看，內蒙古、上海、山東、重慶四省市自治區碳排放總量實現負增長，其中蒙古自治區為最高，年均負增長量為2 504.68萬噸/年，其余各省份均呈現增長態勢。但在增長的省市內，遼寧、黑龍江、浙江等12省市碳排放量增速呈現曲折放緩態勢，增長趨于平緩，在未來有逐漸達峰的趨勢。

此結果表明，各省市碳排放總量、占比與增速的變化與城市群分布以及地理鄰近性有較大關系。京津冀城市群表現為內部省市碳排放總量的共同增長及河北省增速的逐步增大；長三角城市群表現為上海市作為中心城市進行產業升級，影響其內部其他省份碳排放總增長；成渝城市群則表現為城市群及周邊省市碳排放量的同步下降；珠三角城市群表現為城市群及周邊區域碳排放總量的同步上升，但廣東省碳排放增速呈現放緩趨勢；長江中游城市群表現為其內部碳排放量呈現增長趨勢，但湖北省增速呈現放緩趨勢。

（三）對策及建議

綜上所述，從兩個角度對預測結果進行分析中可以清楚地看出，省級碳排放變化的影響因素在于省際與省內兩方面。故針對省級碳排放的對策應著眼于城市群范圍內部及周邊的協作關系，以及省域內部的自我調整，故提出以下對策與建議。

1.各省市自治區應明晰當前各自發展階段與未來發展潛力，根據省情判斷經濟發展與碳排放的變化關系，借助高質量發展的契機積極推動產業結構優化升級，積極引導經濟發展方式從資源密集型轉向智力密集型。

2.各省市自治區應明晰當前能源消費結構與消費潛力。一方面，通過頒布相關政策、加大科技研發投入等方式助力高耗能、高污染企業主動減碳；另一方面，大力發展風能、水能以及太陽能等清潔能源，將清潔能源的使用日常化、大眾化，應用于工業生產、居民日常生活等方面，降低碳基能源在能源結構中的比例。

3.強化省域內部城市間的相互聯系以及交通體系建設，積極建設一批城際高鐵以強化城際間的快速聯系，臨近城市之間構建一小時城市圈，降低小汽車出行比例，減少化石燃料的使用。

4.強化城市群及省際間各產業部門的合作分工，發揮各省市比較優勢和產業規模效應，通過產業適度集聚降低各省市“各自為政”所帶來的第二產業碳排放量增長，在城市群或省際之間實現碳排放空間的重新分配，助力在國家尺度下碳達峰目標早日實現。

5.建立城市群或省際間統一的碳排放協作機制。根據空間地理相似性和產業相似性，構建統一的碳排放核算指標庫以及核算標準。積極做好相關指標的統計和調查工作，以一年為期進行碳減排行動實施現狀評估，以五年為期進行碳減排潛力預測，并以此為依據統一制定針對協作范圍內各省市的減排意見及評估報告。

參考文獻：

[1]" "侯麗朋，唐立娜，王琳，等.閩三角城市群碳達峰的多情景模擬分析[J].生態學報，2022（23）：1-14.

[2]" "薛悅鑫，謝靜超，懷超平，等.北京市能源碳排放影響因素分解分析[J].建筑節能（中英文），2022，50（9）：128-132.

[3]" "劉曉蝶，孟祥瑞，王向前.基于Lasso-BP神經網絡模型的江蘇省碳排放預測[J].黑龍江工業學院學報（綜合版），2021，21（8）：60-65.

[4]" "陳恩.武漢城市圈土地利用碳排放地域差異及減排方案研究[D].武漢：華中農業大學，2018.

[5]" "譚丹，黃賢金.我國東、中、西部地區經濟發展與碳排放的關聯分析及比較[J].中國人口·資源與環境，2008（3）：54-57.

[6]" "張宇鐳，黨琰，賀平安.利用Pearson相關系數定量分析生物親緣關系[J].計算機工程與應用，2005（33）：83-86，103.

[7]" "楊欣，蔡銀鶯，張安錄.武漢城市圈碳排放的時空格局及影響因素分解研究：基于2001—2009年市級面板數據的實證[J].長江流域資源與環境，2013，22（11）：1389-1396.

[責任編輯" "妤" "文]