上海市能源消費碳排放預測分析

吳淑敏，高廣闊

[摘要]本文以上海市為研究對象，探討上海市能源消費碳排放的影響因素及對其未來發展趨勢進行預測分析，為上海市碳減排工作尋求最佳路徑、實現碳達峰與碳中和目標提供參有效參考依據。根據上海市的能源消費數據，運用IPCC法計算出上海市2000—2020年的能源消費碳排放量；采用Lasso方法從12個指標中選擇出5個與因變量密切相關的指標，進而基于支持向量機預測模型進行仿真模擬。最后，運用情景分析法結合SVR模型，分析上海市未來十年的碳排放趨勢并結合全文分析提出切實有效的節能減排建議。

[關鍵詞] 能源消費碳排放預測；Lasso模型；SVR模型；情景分析

[中圖分類號] F293.3? ［文獻標識碼］A? ?［文章編號］1000-4211（2023）02-0075-15

一、引言

近幾年，氣候異常現象日益嚴重，溫室效應使全球變暖，各種自然災害頻頻發生。為了控制溫室氣體排放，國際社會一直在為此做出努力。為促進國際合作，實現溫室氣體減排， 1992年6月，154個國家以及歐共同體元首和高級代表共同簽署《聯合國氣候變化框架公約》（下簡稱《公約》）；1997年12月，為加強《公約》實施，《公約》第三次締約方會議通過旨在限制發達國家的溫室氣體排放的《京都議定書》；2015年4月22日，170多個國家的領導人在聯合國總部共同簽署了關于氣候變化問題的《巴黎協定》。這些協議的簽訂體現出國際社會為應對全球氣候變化問題所做出的努力，也體現出國際社會對這一問題的高度關注。

我國也面臨著嚴峻的氣候變化問題。《第三次氣候變化國家評估報告》顯示，近百年（1909—2011年）來中國陸地區域平均增溫速率高于全球平均值，達0.9℃～1.5℃；近15年來氣溫上升趨緩，但仍然處在近百年來氣溫最高的階段。2020年6月，習近平總書記在第七十五屆聯合國大會上做出莊嚴承諾，我國力爭在2030年前實現碳達峰，在2060年前實現碳中和。實現碳達峰、碳中和對我國是一項巨大的考驗，如何實現碳中和，以及如何促進綠色低碳發展是當前應重點關注的領域之一。減少室溫氣體排放勢必減少對大氣的污染，減緩生態惡化，造福全人類。國家的每個地區經濟發展不均衡，結構也不一樣，碳達峰的年份也存在著差異，因此，結合實際國情以及每個地區自身發展科學制定達峰方案的關鍵點是如何可以避免不合理的峰值以及峰值出現的時間。

上海市作為全國經濟最強城市之一，近10年人均消費穩居全國第一且能源消耗一直處于增長狀態，環境承載力也在逐年上漲，節能減排和低碳發展面臨較大挑戰。上海市為應對氣候變化于“十四五”規劃中強調，要進一步優化能源結構和產業結構，有效控制二氧化碳排放，穩步推進“碳達峰碳中和”。因而本文嘗試分析上海市碳排放主要影響因素，進而以此為基礎預測上海市未來能源消費碳排放量，并通過分析不同情景下寧夏碳排放的變動格勢，對于科學制訂并有效實施碳減排政策，促進低碳發展，具有重要現實意義。

二、文獻綜述

（一）碳排放影響因素研究

碳排放的影響因素極其復雜，因為研究對象與研究角度的不同，學者們分解的影響因素也不盡相同。目前學術界對碳排放的影響因素還沒有權威說法，因此已有文獻對影響因素的選擇無對錯之分。很多學者會通過相關算法來探究碳排放與影響因素之間的關系，劉賢趙（2019）基于PLS-VIP算法，研究10個與碳排放量相關的影響因素為自變量進行PLS建模，結果發現該方法能有效識別出與因變量相關性較強的變量，并從根本上減少進入模型的變量個數。王小燕等（2022）研究碳排放權價格的影響因素，基于復雜網絡理論構建了指標的圖結構，再建立圖結構自適應Lasso方法（G-AdLasso）進行影響因素識別，發現G-AdLasso可識別出圖結構中較重要的指標，并且明該方法可優化和精簡模型。基于傳統模型對碳排放和影響因素之間的研究也不在少數（張勇等，2014；林珊珊，2015；劉麗輝等，2016；Y Wang等，2017；陳占明等，2018；孫義等，2020；郭承龍等，2022）。基于STIRPAT模型對樣本的統計數據進行回歸分析，結果顯示與碳排放高度相關的影響因素包括，人口、經濟、產業結構、能源結構等。研究不同行業的碳排放影響因素意義也十分重大，如針對農業、漁業、工業、交通運輸業等生產部門（薛選登等，2022；邵桂蘭等，2015；石憶邵等，2016；劉妍慧等，2022）。通過對文獻的梳理，可以發現學者們對碳排放的影響因素主要集中在人口結構、能源消耗、城鎮化率、產業結構、經濟發展水平等方面。

（二）碳排放量預測研究

根據研究范圍的不同，對二氧化碳排放量的研究大體分為兩類：一類文獻從全國范圍的角度分析預測我國碳排放量，另一類文獻則是從區域范圍的角度研究碳排放量。在使用統計計量模型預測碳排放方面，利用STIRPAT模型分別對未來全國以及地區的碳排放進行相關預測，并對歷史時間序列數據進行回歸，從中得出未來碳排放趨勢（渠慎寧等，2010；趙慈等，2022；鄧小樂等，2016）。基于灰色預測模型，對所選樣本碳排放量進行中短期預測，并提出相應節能減排建議（楊克磊等，2014；黃昕怡等，2022）。Lester R K（2009）采用情景分析法對美國碳排放未來走勢進行了探究，根據美國現實情況對未來社會經濟發展假定三種情景，對未來碳排放量做了較好預測。運用回歸預測選取對碳排放量影響大的因素，基于選擇出的指標來預測未來碳排放趨勢（N Bowerman，2010；Y Chen，2015）。與統計計量模型相比，人工智能模型能夠有效地提取時間序列數據的線性和非線性特征，獲得更精確的預測效果。柯虎等（2022）為了更加全面地運用時間序列數據信息來預測碳排放量，解決碳排放量數據的非線性、不穩定性問題，采用二次分解的BAS-LSTM模型對陜西省碳排放量進行預測。高金賀等（2022）建立了由遺傳算法優化的支持向量機（GA-SVR）預測模型對未來北京市交通運輸業的碳排放量進行預測，結果表明：該模型得到的數據和實際值之間有著良好的擬合回歸效果。部分學者會采用神經網絡相關方法對未來的碳排放量進行趨勢預測，從模型預測結果來看，神經網絡相關方法能較準確地預測未來的碳排放量，為城市的低碳規劃和碳排放管控提供了量化依據（郝佳瑩，2016；孫薇，2017；閆鳳英等，2021；張迪等，2022）。

三、數據來源與結構分析

（一）數據來源及測算

1.數據來源

本文選取的數據樣本區間為2000—2020年，研究數據來自《上海統計年鑒》（2001-2021）以及《中國能源統計年鑒》（2001-2021）

2.碳排放測算

碳核算最主要的形式可以被分為基于測量和基于計算兩種方式，主要可以概括為三種：排放因子法、質量平衡法、實測法。其中排放因子法是適用范圍最廣、應用最為普遍的一種碳核算辦法。各能源的碳排放系數是根據《2005年中國溫室氣體清單研究》和《2006年IPCC國家溫室氣體清單指南》等研究報告中的數據推算得出，本文所考察的主要能源數據包含煤炭、焦炭、原油、燃料油、汽油、柴油、煤油、天然氣這八種能源的消費量，碳排放量計算公式如下：

C＝Ei×ηi×fi? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （1）

式中：C為能源消費引起的碳排放；Ei為終端能源消費的第i類能源的消費量；ηi為第i類能源折標準煤參考系數；fi為第i類能源碳排放系數，碳排放系數是指燃燒化石能源釋放出的熱量所對應的碳量。

各類能源的折標準煤系數、碳排放系數來自《中國能源統計年鑒》以及《省級溫室氣體清單編制指南》，詳見表1。

本文所選八種能源碳排放系數如表1所示，根據上述公式（1），可計算出上海市2000—2020年能源消費碳排放量，本文只對上述八種一次能源消耗所產生的碳排放量進行統計，其余方式產生的碳排放量忽略不計，測算結果如圖1所示。

上海市能源消費碳排放量在2000—2020年期間大多處于增長狀態，2020年上海市整體碳排放達到3億噸，接近2000年的2倍。根據圖1可以看出，上海市整體的能源消費碳排放總量的發展趨勢，主要分為三個階段：

（1）快速發展階段

2000—2013年，上海市碳排放總量逐年增加且幅度較大，平均增幅超過4%，最高增幅甚至達到14%，此段時間，上海市經濟也在快速增長促使能源消費快速增長。

（2）平穩發展階段

2014—2016年，上海市能源消費碳排放總量較為平穩，平均增幅基本穩定在0.1%左右。“十三五”期間是經濟增長模式轉換的攻堅期，是落實全面發展的戰略機遇期，在這一期間，經濟增長建立在綠色增長的軌道上，因此上海市此段時間能源增長幅度較慢。

（3）回落趨勢階段

2017—2020年，上海市能源消費碳排放總量出現回落趨勢，意味著上海市能源碳排放在一定程度上得到抑制，主要原因是，上海市緊跟國家政策，大力發展科學技術水平，優化能源結構以及更新產業結構。在一定程度上證明了上海市節能減排政策的有效實施為減緩碳排放增速也起到了重要作用。

（二）能源消費結構分析

能源消費碳排放結構是指使用能源（如石油、煤炭、天然氣、核能、太陽能等）所導致的碳排放情況。這些碳排放主要來自能源生產、加工和使用過程中產生的二氧化碳以及其他溫室氣體。

通常情況下，煤炭和石油是消費的主要能源，也是導致碳排放最多的能源。因此，轉向更清潔的能源，如太陽能和風能，以減少碳排放是解決氣候變化的重要途徑。此外，分析能源消費碳排放結構還可以幫助我們了解不同國家和地區使用能源的情況，以及碳排放與經濟發展之間的關系，以促進清潔能源使用和減少碳排放。

根據圖2可以看出，2000—2020年，上海市煤炭消費碳排放比重逐年降低說明煤炭的消耗量在降低，2000年上海市的煤炭、原油、天然氣占比分別為45.7%、26.6%、0.05%；到了2020年，相應占比分別為27.2%、34.4%、1.3%。盡管上海市煤炭消費占比在降低，但是煤炭的特點表現在相較于其他能源的碳排放最高的，因此降低煤炭占比對于節能減排具有重要意義。相對于煤炭和原油，上海市近20年來的天然氣資源利用有所增加，由2000年的0.05%增長到2020年的1.3%，天然氣的使用將有助于擺脫低效煤炭消費造成的二氧化碳排放。近些年來，我國風電、水電發展勢頭好，風電技術已經達到世界領先地位。在保證能源安全使用的前提下，提高風電、水電、核電發電量也是我國邁向碳達峰碳中和目標的路徑之一。上海經濟進入高質量發展階段，能源資源的需求更高更多元。這一巨大又不確定的能源需求前景對上海來說既是一種挑戰，也是一種機遇，在采取有效措施提高能源效率的同時，不斷優化能源結構，促進二氧化碳減排，做出表率。

四、仿真訓練與結果分析

（一）相關理論

本文數據具有維數較高、樣本量較小的特點。因此，在研究方法的選擇上，為了克服高維、小樣本數據可能引發的維數災難、過擬合等問題，本文結合Lasso方法和支持向量機回歸（SVR）構建本文的主要能源消費碳排放預測模型，結合Lasso和SVR的合理性在于能夠有效實現兩種方法的優勢互補。支持向量機是以統計學習理論為基礎的新型機器學習方法，可以保證找到的極值解是全局最優解，對未知樣本有較好的泛化能力，在解決有限樣本、非線性問題中有明顯的優勢，能夠在小樣本條件下根據數據樣本的統計特性，進行更為精準的預測。對于Lasso方法和SVR模型的結合方式，本文采用串聯組合的方法，即將Lasso方法的輸出作為SVR模型的輸入，具體步驟如下：首先使用Lasso方法篩選能源消費碳排放的影響因素，剔除對碳排放影響不顯著的指標；然后將模型篩選出的指標作為輸入變量加入SVR模型，構建能源消費碳排放預測模型。

1.Lasso模型

Lasso模型（張立軍等，2018）在參數估計時，可以對估計值進行壓縮，進而將不重要的因素壓縮成0，這樣可以達到特征篩選的功能。假設初始數據集為（Xn，Yn），n=1，2，…，N，其中Xn＝（xn1 xn2 ，...，xnm）T為自變量矩陣，Yn為因變量矩陣。令系數矩陣β＝（β1，β2，...βm，）T，假定經歸一化處理的Xn無一般損失，則Lasso的估計量可以表示為：

（2）

其中，λ為懲罰因子，該參數越小，則懲罰度越小，模型中存留的自變量越多；反之存留的自變量越少。可采用K折交叉驗證法確定λ的最優參數。

2.SVR模型

SVR算法（卞和營等，2014）通常運用在數據的擬合上，數學模型是在線性函數的兩側制造一個“間隔帶”，其中落入到間隔帶內的全部樣本，均不會計入損失函數；只有落入到間隔帶之外的樣本，才需要計算損失。進而采用最小化間隔帶的寬度以及總損失對模型進行調整優化。目標函數和約束條件如式（3）所示：

（3）

式中：C為懲罰因子，引入松弛變量和。

（二）影響因素分析

1.指標選擇

能源消費碳排放量收到人口、經濟發展、社會發展等眾多因素的影響，是一個非線性復雜系統。在選擇能源消費的各種影響因素時必須充分考慮影響因素之間以及與因變量之間的錯綜復雜關系。結合我國學者的研究成果（曹洪剛等，2015；馮梅等，2018；唐賽等，2021），認為影響能源消費碳排放的主要因素有如下幾個方面：

（1）經濟發展：隨著經濟增長，能源需求通常也會增加，特別是工業生產和城市基礎設施方面。因此經濟發展是影響能源消費的一個非常重要的因素。

（2）人口規模：隨著人口的增加，對于生活必需品和工業生產的需求也會增加，從而增加了對能源的需求。更多的人口將被帶到城市，從而增加了對公共交通、住房、醫療等城市基礎設施的需求，進而增加了對能源的需求。所以人口規模也是能源消費碳排放的重要因素之一。

（3）產業結構：工業生產是能源消耗的主要來源，因此產業結構對工業生產的影響將直接影響能源消費碳排放。隨著經濟的發展，產業結構也在不斷轉型。從農業、制造業向服務業轉型，由于各個產業對能源的需求不同，這種轉型可能會導致能源消費的減少或增加。

（4）能源消費結構：不同類型的能源對二氧化碳排放強度的影響不同。使用化石燃料（如煤炭、石油和天然氣）的能源產生的二氧化碳排放強度通常比使用可再生能源（如太陽能和風能）高得多。因此，在能源消費碳排放預測過程中，必須考慮未來優化能源結構降低對能源消費產生的碳排放量。

（5）科學技術：科學技術的進步對能源消費碳排放至關重要。具體來說，科學技術的進步可以提高能源生產效率，從而減少能源消費。例如，風能和太陽能發電技術的改進可以提高生產效率，使得可再生能源更加經濟高效。同時還可以提高能源使用效率，從而減少能源消費和二氧化碳排放。再者，科學技術的進步可以幫助發展清潔能源，從而減少二氧化碳排放。碳捕捉、存儲和利用技術可以使用化石燃料生產的二氧化碳不再排放到大氣中，從而大大降低碳排放。

（6）居民生活消費水平：居民生活水平的提高伴隨他們對能源需求的增加，從而增加了能源消費。隨著人民生活水平的不斷提高，人們的消費觀念和行為有很大變化，人們不滿足于基本的消費需求而要求高級的消費享受，增加了對能源直接消費量。

根據上述分析得出，能源消費碳排放主要影響因素有經濟、人口、產業結構、能源消費結構、科學技術、居民生活消費水平六個方面，為了盡可能多的分析上海市能源消費碳排放因素，本文構建了與以上六個方面高度相關的12個指標，具體見表2。

2.基于Lasso模型的變量篩選

Lasso是于最小二乘上增加一個限制條件以此壓縮估計參數，而參數壓縮至低于一個閾值時將壓縮至0，這樣，通過剔除變量來完成篩選，篩選出的自變量對因變量影響相對更大。在Lasso模型中，直接決定進入模型的變量個數，進而影響模型回歸的準確性。隨著閾值的不斷增大，本文初步選擇的12個特征變量的系數依次縮減到0，即相應變量可從模型中剔除。其中，系數最晚縮減到0的特征變量對被解釋變量預測的重要性最強，反之是最弱的。為使Lasso模型的結果更加準確，采用CV方法來確定的最優取值。交叉驗證誤差隨取值變化的曲線如圖3所示。由該圖可知，圖中黑色虛線表示當交叉驗證誤差最小時對應的，該值為0.00212；同時還可以發現，隨著值的不斷增大，誤差也在爆發式增加。

對應系數中，剔除掉系數為0的變量后剩余五個變量，即選出了五個對上海市碳排放總量有重要影響的變量，結果見圖4，該五個變量依次為能源結構、第二產業結構、能源強度、經濟產出水平以及人口規模。

（三）模型訓練與結果分析

1.模型訓練

SVR做為SVM的分支從而被提出，SVM一般用于二分類問題，而SVR一般應用于數據的回歸。本文所運用的SVR模型具體步驟如下：

第一步：歸一化處理訓練樣本中的相關歷史數據，避免由于數據量綱差異大所帶來的誤差；

第二步：將圖4的影響因素和上海市碳排放量作為模型輸入。

第三步：確定核函數及其參數，然后通過構建目標函數求解最優化問題，得到反應數據規律的回歸方程；

第四步：根據得到的回歸方程預測測試數據的碳排放量。

2.結果分析

本節同樣選擇訓練集年份為2000—2015年數據來訓練樣本建立支持向量機模型，測試集為2016—2020年數據用來檢驗模型預測性能。對于三種常見的核函數，分別訓練SVR模型，并調節參數。

（1）線性核函數（linear）

線性核函數沒有映射到高維度空間，所以需要調節的參數只有容忍錯判的樣本的懲罰系數C，本文設置C的范圍是（10，50），

經分析，發現當C取12，模型預測效果最好，其中，測試集的RMSE、MAPE分別為983.4、4.1%

（2）高斯核函數（rbf）

由于該核函數存在兩個參數松弛變量C和gamma，其中C取值為（10，50），gamma取值為[0.01，0.1，0.9，1.2]。經研究發現，當本文的SVR模型采用高斯核函數時，預測結果的誤差均很大，說明rbf核函數不適用本文模型，導致模型預測效果很差。

（3）多項式核函數（poly）

該核函數同樣存在兩個參數：松弛變量C和階數，故同樣利用GridSearchCV函數進行網格搜索，其中C取值為（10，20），階數取值為（1，10）。經分析發現，當C取10，階數取值為1，Lasso變量模型預測效果最好。其中，測試集的RMSE、MAPE分別為1872.31、25.7%。

綜上所述，模型參數分析過程，本文選擇SVR模型的核函數為linear，懲罰系數C為12進行模型的構建。SVR預測模型預測性能指標見表3；SVR預測結果擬合曲線如圖5所示，其中相對誤差公式為：

（4）

從表3可知，對于測試樣本的均方根誤差（RMSE）為983.4，平均絕對百分比誤差（MAPE）在5%以內，說明基于支持向量機建立的上海市碳排放預測模型誤差較低，對于小樣本線性關系逼近能力更強，在高維度小樣本預測方面具有顯著優勢。

（四）碳排放預測

1.情景設定

情景分析法又叫前景描述法或腳本法，以某種趨勢和某種現象將持續到未來為前提，對預測對象可能出現的情況或引起的后果作出預測的方法。常見用來對預測對象的未來發展作出種種設想或預計，表現為直觀的定性預測。本文使用情景分析法，針對上海市目前的發展目標和戰略，本文將對上海市2021—2035年碳排放的趨勢進行預測，為了預測分析的簡便性和減少誤差，設定每個變量有“高速”和“低速”兩種情景，參數設置固定變化值。預測上海市碳排放在各情景下的達峰時間及峰值并對結果進行分析。本文依據我國五年規劃來進行年份的劃分，即以五年為一個時間段設定一個標準，每一個五年都采用相同的增長速度。第一個時間段為2021—2025年，第二個時間段為2026—2030年，一共分為兩個時間段來進行分析；設置好時間年限后，分別對能源結構、第二產業結構、能源強度、經濟產出水平以及人口規模進行情景設定。

（1）能源結構情景設定

《中共上海市委 上海市人民政府關于完整準確全面貫徹新發展理念做好碳達峰碳中和工作的實施意見》中提到，到2025年，產業結構和能源結構明顯優化，重點行業能源利用效率明顯提升，與超大城市相適應的清潔低碳安全高效的現代能源體系和新型電力系統加快構建，循環型社會基本形成，綠色低碳循環發展的經濟體系初步建立。單位生產總值能源消耗比2020年下降14％，到2030年，產業結構和能源結構優化升級取得重大進展，重點行業能源利用效率達到國際先進水平，節能低碳技術創新取得突破性進展。結合歷史數據，本文設置低模式狀態下，2021—2025年上海市能源結構增長率為9.5%，2026—2030年期間上海市能源結構增長率為6.5%；高速發展在前基礎上增加3.5%。

（2）第二產業結構情景設定

關于第二產業結構的情景設定，查閱資料發現，“十三五”時期，上海工業總產值從33212億元提高到37053億元，平均增速2%；工業增加值從7110億元提高到9657億元，平均增速2%；2020年工業增加值占GDP比重為25%，順利完成“十三五”目標。“十三五”期間國家把戰略性新興產業的發展調整到重要位置，新興產業代表新一輪科技革命和產業變革的方向，是培育發展新動能、獲取未來競爭新優勢的關鍵領域，把戰略性新興產業擺在經濟社會發展更加突出的位置，大力構建現代產業新體系，推動社會經濟可持續健康發展。結合國家政策以及上海市自身發展本文設置低模式狀態下2021—2025年上海市第二產業結構增長率為4.5%，2026—2030年期間上海市第二產業結構增長率為2.8%；高速發展在前基礎上增加1.5%。

（3）能源強度情景設定

能源強度單位GDP的能源消耗量，它會隨著技術的改進逐漸下降。“十一五”期間，上海市能源強度年均增長率為5.8%；“十二五”期間，上海市能源強度年均增長率為1.3%；“十三五”期間，上海市能源強度年均增長率為0.35%。按照上海市發展的長遠規劃，未來這一數值將繼續下降，但是會隨著技術瓶頸的出現表現出下降速度的減緩。因此在低模式狀態下2021—2025年上海市能源強度年平均增長率為2.5%，2026—2030年期間上海市能源強度年平均增長率為1%，高速發展在前基礎上增加1.5%。

（4）經濟產出水平情景設定

上海市經濟一直穩中有增的發展，“十一五”期間上海市經濟產出水平增長率為10%；“十二五”期間上海市經濟產出水平增長率為6.6%；“十三五”期間上海市經濟產出水平增長率為7.4%。因此，本文設置低模式狀態下，2021—2025年上海市經濟產出水平增長率為9%，2026—2030年期間上海市經濟產出水平增長率為11.5%，高速發展在低速發展基礎上增加3.5%。

（5）人口規模情景設定

2020年上海市常住人口約2488萬人，2001—2020年均增長率約為2.7%左右，2000—2020年上海市常住人口不斷增加但年均增長率在降低。2021年“三胎”政策開放，考慮“二孩”政策的完成結果，即設定短時間會發生一定比例的人口增長，但長時間不會有大范圍波動；“十一五”期間上海市年平均人口增長率為3.11%，“十二五”期間上海市年平均人口增長率為0.59%，“十三五”期間上海市年平均人口增長率為0.19%。考慮到疫情關系和政策影響，預計未來人口增長率會進一步增長但增長速度有所下降。因此，設置低模式狀態下，2021—2025年上海市人口增長率為1.5%；2026—2030年期間上海市人口增長率為1%，高速發展在低速發展基礎上增加1.5%。

綜上，上海市能源消費碳排放各影響因素情景設置有32種組合方式，選擇趨勢差異較大的四種情景，如表4所示。

（6）碳排放預測

現運用SVR模型對上海市未來2021—2030年的碳排放進行估計，主要情景設定由上述表4可知，上海市未來碳排放發展趨勢如下所示。

綜合上述情景，利用SVR模型對2021—2030年上海市能源消費碳排放量進行預測，發展趨勢如圖6所示。在情景2中，即未來上海市各方面都處于高速發展狀態，能源消費碳排放的增長速度最快，情景1中能源結構、第二產業結構、人口規模保持低速增長，能源消費碳排放的增長速度較慢。綜上可以看出未來上海市要保持城市常住人口適度增長，轉變經濟發展方式，使經濟高質量發展成為常態。

五、結論與建議

（一）結論

二氧化碳排放是造成溫室效應的一個關鍵因素。高精度低誤差的二氧化碳排放預測對節能減排具有重要意義。本文首先基于碳排放系數測算各年份上海市碳排放量。運用Lasso方法篩選出對上海市碳排放影響最大的因素，并搭建SVR模型，最后對2021—2030年上海市碳排放影響變量進行情景預測再基于SVR模型對2021—2030年上海市能源消費碳排放預測。本文主要研究結果總結如下：

本文測算了二氧化碳排放量。結果表明，上海市能源消費總量在不斷增長，但增長速率有所下降。上海市的經濟發展穩定增加；人口增速逐漸趨于穩定；2008年之前上海市主要發展第二產業，2008年之后上海市的發展重點逐漸轉移到以服務業為主的第三產業。

本文利用Lasso模型，分析碳排放與變量之間的關系，研究發現人口、經濟發展以及能源方面因素對碳排放變化大多為正向效應，具有促進作用。

上海市碳排放趨勢預測。本文基于五年規劃來劃分未來的時間段設置了四種情景，基于SVR模型進行預測分析。研究發現，人口規模、第二產業結構以及能源結構保持低速發展，能源消費碳排放量較低且增速緩慢。

（二）建議

1.適度引導人口增長與流動

本研究可以看出，人口規模增長對碳排放的增長起到明顯的積極影響。從國家層面而言，人口老齡化已經是必須面對的社會問題；而要解決這一問題且保證填補足夠勞動力并保障社會運作的動力，三胎政策已經全面放開，人口凈增長率勢必會在一定程度上得到提升，但所帶來的碳排放走勢也務必關注，并做好系列預警機制。出生率和死亡率出現最大值差值時，即為人口到達峰值之時。因此，為促進人口數量的平穩過渡，各級計劃生育部門需負擔起職責，做好應對的中長期規劃并確保計劃實施落地，以避免人口數量出現井噴式增長。減少碳排放，增加森林碳匯；通過新穎的方式方法向全社會傳達低碳環保的至關重要，來增強人們的社會責任感，促使居民優先選擇低碳環保的出行方式、豐富能源使用種類等。

2.促進經濟穩定發展

通過本文的研究可得，碳排放趨勢上升最主要的原因是國民人均經濟總量的不斷增加，因此需要著重考慮這個因素。隨著周邊乃至整個中國環境的不斷變化，對經濟發展的策略由重視速度轉變成質量優先。上海市若要在促進經濟穩步發展的同時保證經濟質量，可從以下方面進行探討：建設科技創新激勵平臺，使得更為廣泛的潛在創新主體看得到機會、收得到激勵、享受到獎勵，達到壯大創新主體力量的目的；依據靈活的人才吸引政策來廣泛吸納專業領域人才，鼓勵眾扶、眾籌等新型商業模式來發展創新創業投資；依據企業市場調查驅動的為需求，以自主研發以及高校合作研究為主多條研發途徑并存的方式，完成國家級高新區的建設，以加快科技成果轉化速度；及時調整脫實向虛的發展趨勢，保證上海市經濟的穩步健康發展，并形成區域經濟穩健發展的依托之力；推進資源的最優配置、實體經濟的聚集，并以市場為主體、政策為導向使其逐步規模化、質量化、水平化；精準的選擇投資方向，未來戰略性新興產業、服務業、生態環境保護等行業可能為主要投資方向。

3.能源技術創新方面

采取清潔能源替代技術、可再生能源替代技術和新能源技術等替代技術積極應對；依托地區人才優勢加大資金及相關科研人才的投入，推進理論基礎的研究與應用，聚焦技術前沿，推行關鍵技術攻關，加大推進綠色低碳技術，實現碳中和共性技術的普及應用；以低碳環保科技創新體系來創建生態示范區，促進綠色生產技術的高效產出，提高能源使用率，降低能耗來提高能效和減少二氧化碳排放；貫徹節能綠色環保的新思想，并加強國際相關技術的合作交流。

4.產業結構與能源結構方面

為創建低碳高效的能源體系，合理規劃綠色低碳的產業結構。上海市通過大力發展節能技術、清潔能源技術等環保產業來提高清潔能源消費的比重。另外，受限于再生能源的推廣受各方面限制，發展煤炭轉化和高效利用技術來推進能源來源多樣化、品種多樣化的供給體系迫在眉睫。秉承國家戰略，促進現行經濟與互聯網、人工智能、大數據等行業的深層次融合，智能制造和能源生態是當前生產模式的發展方向。同時需加速推動風力集中開發，加快高耗能、高污染、低產出企業的轉型、淘汰。地區需要結合自身優勢選擇合適的領域，通過差異化發展，防止過熱投資和產業布局，實現分區域、分行業穩步完成“雙碳”目標的計劃，促使能源結構實現綠色低碳轉型。

參考文獻：

[1]Bowerman N，Frame D，Huntingford C，et al. Reconciling cumulative and short-term targets for carbon emissions[C].EGU General Assembly Conference Abstracts.2010，12：12987.

[2]Chen Y，Zhang J.Carbon Emission Peak， Energy Consumption Peak and Their Influencing Factors：An Empirical Research on Multi-nations and China[J]. Journ al of International Trade，2015（6）： 92-100.

[3]Lester R K，Finan A.Quantifying the impact of proposed carbon emission red uctions on the US energy infrastructure[J]. Energy Innovation Working Paper Seri es，2009.

[4]Wang Y，Ying B I，Wang E D，et al. Scene prediction of carbon emission pe ak and emission reduction potential estimation in Chinese industry[J]. China Population Resources& Environment，2017，27（10）：131-140.

[5]卞和營，方彥軍.基于支持向量回歸的飛灰含碳量軟測量[J].熱力發電，2014，43（10）：46-50+61.

[6]曹洪剛，陳凱，佟昕.中國省域碳排放的空間溢出與影響因素研究——基于空間面板數據模型[J].東北大學學報（社會科學版），2015，17（06）：573-578+586.

[7]陳占明，吳施美，馬文博，劉曉曼，蔡博峰，劉婧文，賈小平，張明，陳洋，徐麗笑，趙晶，王思亓.中國地級以上城市二氧化碳排放的影響因素分析：基于擴展的STIRPAT模型[J].中國人口·資源與環境，2018，28（10）：45-54.

[8]鄧小樂，孫慧.基于STIRPAT模型的西北五省區碳排放峰值預測研究[J].生態經濟，2016，32（09）：36-41.

[9]馮梅，楊桑，鄭紫夫.碳排放影響因素的VAR模型分析——基于北京市數據[J].科學管理研究，2018，36（05）：78-81.

[10]高金賀，鄭寶珠，周偉昊，李鵬.基于GA-SVR的城市交通運輸碳排放預測研究[J].東華理工大學學報（自然科學版），2022，45（03）：269-274.

[11]郭承龍，徐蔚藍.基于STIRPAT模型的江蘇省碳排放影響因素研究[J].中國林業經濟，2022（01）：89-93.

[12]郝佳瑩，高健.基于NSGA-Ⅱ改進BP神經網絡的建筑碳排放—碳減排預測模型[J].建筑節能，2016，44（09）：122-124.

[13]黃昕怡，吳嘉儀，林文浩，吳秋霞.基于GM（1，1）模型的江蘇省碳排放預測[J].黑龍江科學，2022，13（18）：26-28+32.

[14]柯虎，張新生，陳章政.基于二次分解BAS-LSTM的陜西省碳排放預測研究[J/OL].經營與管理：1-14[2023-02-05].

[15]林珊珊.江蘇碳排放的數量測算及其影響因素——基于改進STIRPAT模型的計量檢驗[J].南通大學學報（社會科學版），2015，31（04）：9-16.

[16]劉麗輝，徐軍.基于擴展的STIRPAT模型的廣東農業碳排放影響因素分析[J].科技管理研究，2016，36（06）：250-255.

[17]劉賢趙，楊旭.中國碳排放影響因素的變量篩選研究——基于PLS-VIP方法[J].環境生態學，2019，1（08）：60-65.

[18]劉妍慧，栗洋.湖北省交通運輸業碳排放測算及影響因素分解[J].統計與決策，2022，38（15）：88-92.

[19]渠慎寧，郭朝先. 基于STIRPAT模型的中國碳排放峰值預測研究[C]//2010中國可持續發展論壇2010年專刊（一）.[出版者不詳]，2010：127-132.

[20]邵桂蘭，孔海崢，于謹凱，李晨.基于LMDI法的我國海洋漁業碳排放驅動因素分解研究[J].農業技術經濟，2015，No.242（06）：119-128.

[21]石憶邵，唐強，田麗雯.上海市開發區工業碳排放演變特征及影響因素分析[J].中國科技論文，2016，11（09）：961-969+976.

[22]孫薇，張驍.基于QPSO-LSSVM算法的中國碳排放預測[J].國網技術學院學報，2017，20（05）：20-25.

[23]孫義，陳楠，白微.基于STIRPAT模型的吉林省碳排放驅動因素研究[J].環境保護與循環經濟，2020，40（06）：12-14.

[24]唐賽，付杰文，武俊麗.中國典型城市碳排放影響因素分析[J].統計與決策，2021，37（23）：59-63.

[25]王小燕，周思敏，徐曉莉，周四軍.基于圖結構自適應Lasso的碳排放權價格影響因素分析[J].統計與信息論壇，2022，37（04）：73-83.

[26]薛選登，馬路，溫圓月.河南省農業碳排放量測算及影響因素研究[J].河南科技大學學報（社會科學版），2022，40（05）：40-45.

[27]閆鳳英，劉思嫻，張小平.基于PCA-BP神經網絡的用地碳排放預測研究[J].西部人居環境學刊，2021，36（06）：1-7.

[28]楊克磊，張振宇.天津市碳排放預測及低碳經濟發展對策分析——基于改進GM（1，1）模型[J].重慶理工大學學報（自然科學），2014，28（02）：111-114.

[29]張迪，王彤彤，支金虎.基于IPSO-BP神經網絡模型的山東省碳排放預測及生態經濟分析[J].生態科學，2022，41（01）：149-158.

[30]張立軍，譚冰潔.基于跡lasso模型的變量篩選方法[J].系統工程，2018，36（12）：127-134.

[31]張勇，張樂勤，包婷婷.安徽省城市化進程中的碳排放影響因素研究——基于STIRPAT模型[J].長江流域資源與環境，2014，23（04）：512-517.

[32]趙慈，宋曉聰，劉曉宇，沈鵬，陳忱，劉磊.基于STIRPAT模型的浙江省碳排放峰值預測分析[J].生態經濟，2022，38（06）：29-34.

Forecast Analysis of Carbon Emissions from Energy Consumption in Shanghai

Wu Shumin， Gao Guangkuo

（School of Management， University of Shanghai for Science and Technology，

Shanghai 200093）

Abstract：? Taking Shanghai as the research object， this paper discusses the influencing factors of carbon emissions from energy consumption in Shanghai and predicts and analyzes its future development trend， so as to provide an effective reference for Shanghai to seek the best path for carbon reduction and achieve carbon peaking and carbon neutrality. According to the energy consumption data of Shanghai， the IPCC method was used to calculate the carbon emissions of energy consumption in Shanghai from 2000 to 2020. Lasso method was used to select 5 indicators closely related to dependent variables from 12 indicators， and then simulation was carried out based on support vector machine prediction model. Finally， scenario analysis and SVR model are used to analyze the carbon emission trend of Shanghai in the next ten years， and practical and effective suggestions on energy conservation and emission reduction are put forward based on the full text analysis.

Key words： Forecast of Carbon Emissions from Energy Consumption; Lasso Model; SVR Model; Scenario Analysis