黃河流域資源型城市碳達峰情景模擬研究

施曉燕 趙有益 王音璠 史戰紅

DOI：10.16783/j.cnki.nwnuz.2024.01.016

收稿日期：20230929;修改稿收到日期：20231219

基金項目：國家社科基金重大項目（22&ZD161）；甘肅省自然科學基金資助項目（22JR5RA855）；甘肅省高等學校創新基金項目（2022B-104）；甘肅省人文社會科學項目（23ZC08）

作者簡介：施曉燕（1982—），女，甘肅蘭州人，博士，講師.主要研究方向為貝葉斯統計.

Email：shixy@gsau.edu.cn

摘要：自然災害與極端天氣頻發，各城市有效推進碳減排已刻不容緩，尤其是黃河流域的資源型城市，地區經濟發展主要依賴高耗能、高排放的資源產業，使得減排降碳任務更為艱巨.本文基于黃河流域資源型城市碳排放數據，首先采用貝葉斯模型平均法進行因子選擇，從影響碳排放的多種影響因素中提取重要信息，找出后驗概率值大于50%時的幾個變量作為影響碳排放的重要因素.其次，基于黃河流域資源型城市面板數據，結合情景分析法，在基準情景、政策導向型情景和科技驅動型情境下，構建個體時點雙固定效應面板數據模型預測不同情境下各地區的碳排放量.結果表明：煤炭消費量、城鎮化率、水泥產量、人均GDP、天然氣消費量和第二產業在GDP中的比重是影響黃河流域資源型城市碳排放量的主要因素；通過比較政策導向方案和技術驅動方案，可以發現政策導向方案是一個漸進的過程，而技術驅動的碳減排效果更加快速和明顯，基準情形下黃河流域資源型地區難以實現2030碳達峰目標.

關鍵詞：資源型城市；碳排放；貝葉斯模型平均；面板數據回歸模型；情景模擬

中圖分類號：F 224??? 文獻標志碼：A??? 文章編號：1001-988Ⅹ（2024）01-0106-09

Scenario projection? of peak carbon reach in

resource-based cities in the Yellow River basin

SHI Xiao-yan1，ZHAO You-yi1，WANG Yin-fan2，SHI Zhan-hong1

（1.College of science，Gansu Agricultural University，Lanzhou 730070，Gansu，China;

2.Department of Geography and Resource Management，The Chinese University of Hong Kong，Hong Kong 999077，China）

Abstract：Undering climate change seriously，in order to realize the goal of“carbon peak，carbon neutral”in China，carbon emission reduction is urgent，especially in resource cities in the Yellow River basin，the economic development mainly relies on resource industries with high energy consumption and high emission，which makes the task of carbon emission reduction even more arduous.Firstly，based on carbon emission data of resource cities in the Yellow River basin the Bayesian model averaging method is adopted to make factor selection，so as to extracts important information from multiple influencing factors affecting carbon emission，and identifies several variables with a posteriori probability value greater than 50% as important factors affecting carbon emission.Secondly，based on the panel data of resource cities in the Yellow River basin，combined with the scenario analysis method，the individual time-point double fixed-effects panel data model is constructed to predict the carbon emissions of each region under different scenarios in the baseline scenario，policy-oriented scenario and technology-driven scenario.The results show that：coal consumption，urbanization rate，cement production，GDP per capita，natural gas consumption and the proportion of secondary industry in GDP are the main factors affecting carbon emissions in resource-based cities in the Yellow River basin;by comparing the policy-oriented scenario and the technology-driven scenario，it can be found that the policy-oriented scenario is a gradual process，while the technology-driven carbon emission reduction effect is faster and more obvious，and that the baseline scenario under the baseline scenario，it is difficult for the resource-based areas in the Yellow River basin to realize the 2030 carbon peak target.

Key words：resource-based cities;carbon emission;Bayesian model averaging;panel data regression model;scenario simulation

近年來，全球干旱、高溫、持續極端天氣，讓碳減排再次成為人們熱議的話題.聯合國的統計數據表明，過去10年是全球有記錄以來最熱的10年，溫室氣體排放處于300萬年以來的最高位，溫室效應帶來的極端天氣，嚴重威脅著人類健康和經濟發展.世界各經濟體積極行動，紛紛制定碳減排政策應對氣候變化，并提出了不同目標的碳減排承諾，截至2022年8月，已有127個國家提出了碳中和目標.我國作為最大的碳排放國，有效實現節能降碳迫在眉睫.2020年9月，習近平主席在聯合國第75次聯合國大會一般性辯論上提出將采取更有效的政策和措施，爭取在2030實現碳達峰，2060年實現碳中和，這就意味著各個城市都要實現“30·60”目標.但是由于我國生態環境差異較大，經濟發展不平衡問題突出，各個城市碳中和實現的難易程度不盡相同.特別是作為我國重要生態屏障的黃河流域資源型城市，多是依托自然資源的開發而發展起來的，地區的主導產業是資源開采與加工業，導致生產要素聚集在資源產品的初級加工業上，產業結構單一，再加上資源的過度開采是的地區資源枯竭，使得這些地區普遍存在經濟發展資源環境與經濟發展不協調的問題，實現碳減排的任務更是艱巨［1］.2019年，習近平書記在黃河流域生態保護和高質量發展座談會上強調“要推動黃河流域高質量發展，讓黃河成為造福人民的幸福河.”2021年10月，《黃河流域生態保護和高質量發展規劃綱要》頒布，標志著黃河流域高質量已上升為國家戰略發展.在此背景下，充分了解黃河流域資源型城市碳排放的影響因素，科學預測碳排放量對于地區有效制定碳減排政策，實現地區碳達峰、碳中和目標尤為重要.

對于碳排放的影響因素，國內外學者已進行了大量研究.一般認為，直接影響碳排放的因素主要包括化石能源的直接消耗、能源密集型產業的產出及農業生產活動和畜牧業等.影響碳排放的間接因素主要包括經濟活動、社會發展、科技進步等.在影響因素的分類方面，Yuan等［2］研究了2012年中國30個省份城鄉家庭碳排放的驅動因素，區分了兩個碳排放源，即直接（煤炭消費）和間接（家庭支出），并分析了影響碳排放的五個因素：人口、人均收入、科技進步、能源消費結構和能源消費強度.Wang等［3］研究發現，中國與能源相關的二氧化碳排放主要是由經濟活動增長帶來的，并提出降低能源強度、調整能源結構和產業結構可以有效減少二氧化碳排放.在產業結構因素方面，考慮到能源密集型產業會產生大量的二氧化碳排放，Huang等［4］選取集成電路生產、水泥生產、平板玻璃生產、汽車生產的數量作為碳排放的影響因素.Sun等［5］選取水泥生產、鋼鐵生產和汽車生產數量討論了碳排放的影響因素.對于碳排放的間接因素，目前已形成了比較一致的看法，認為經濟因素、科學技術因素和社會因素是影響碳排放的主要間接因素.在經濟因素方面，Shuai等［6］分析了43個碳排放的潛在影響因素，得到了5個關鍵影響因素：實際人均GDP、城鎮化率、第三產業與第二產業的比例、 可再生能源的比例和固定資產投資.Shen等［7］分階段探討了北京市的碳排放狀況，探尋了影響碳排放的影響因素，結果顯示，經濟總量是主要的驅動因素，不同階段影響碳排放的主要因素有所差異.在科學技術因素方面，Zhou等［8］探討了建筑行業的碳排放驅動因素，認為技術進步和能源結構調整可以有效促進建筑行業碳排放效率的提高.社會因素對碳排放也起著重要作用.Li等［9］根據中國1996—2012年的投入和產出，計算了家庭的直接和間接碳排放量，認為家庭也是影響碳排放的一大主要因素，此外，人口老齡化、工業結構和人均財富對二氧化碳排放的增長均有顯著影響.

對于碳排放預測，目前主要采用時間序列預測模型，且主要用單一預測模型、組合預測模型和混合預測模型.單一預測模型大致可分為三類.第一類是傳統的時間序列模型，適用于處理線性或平穩性的時間序列問題.傳統的統計預測模型主要包括回歸分析模型、自回歸模型、移動平均模型、自回歸移動平均模型、廣義自回歸條件異方差模型等.第二類是模糊預測模型.這類模型以模糊理論為核心，使用不同類型的模糊系統來分析和預測時間序列.常用的方法有一階模糊自適應、高階模糊自適應等.第三類是基于機器學習的預測模型.這種類型的模型基于數據挖掘和機器學習的原理，完成對時間序列數據的分析和預測.最常用的預測方法是支持向量機，它可以處理多個輸出問題，在處理簡單的時間序列時有很高的預判精度.另外，應用較為廣泛的是基于人工神經網絡的預測模型.這類模型豐要包括遞歸神經網絡（RNN）、前饋神經網絡（INN）、反向傳播神經網絡（BPNN）等.組合預測模型的思想是給單一預測模型賦予不同的權重，加權平均得到一個組合的預測模型.雖然單一預測模型比較簡單，容易操作，但其預測精度通常較低.組合預測模型，其預測精度主要取決于單一模型的選擇和權重的確定.與組合預測模型不同，混合預測模型通過方法的深入組合和算法的相互改進，形成一個可以應用于時間序列的預測模型而不是簡單地將每個單獨的模型與權重聯系起來.混合預測模型在碳排放預測方面有很多應用.Liu等［10］將灰色模型與自回歸綜合移動平均模型和二階多項式回歸模型相結合并采用粒子群優化（PSO）來優化碳排放預測中的模型參數.Sun等［11］構建了一個基于高斯擾動的布谷鳥搜索算法（GCS）和最小二乘支持向量機（LSSVM）的混合模型來預測河北省的碳排放.

盡管許多研究者對碳排放的影響因素進行了分析，但幾乎都是基于確定性模型的分析，在建模之前已經預先設定了輸入變量和輸出變量，然而氣候系統是社會、政治、經濟和技術等相互作用的結果，影響碳排放的因素極為復雜，總存在不可忽略但又事先難以估計或預測的不確定性.鑒于此，本文綜合考慮影響碳排放的直接因素與間接因素，立足于模型不確定性，采用了貝葉斯模型平均法篩選出影響碳排放的重要因素，避免了以往研究中人為設定模型帶來估計與預測偏差，并在此基礎上構建聯合了截面信息和時間序列信息的面板數據回歸模型預測地區碳排放量，結論更為可信.

1? 研究方法

1.1? 貝葉斯模型平均法

貝葉斯模型平均方法是基于貝葉斯理論，通過對多個可能的模型進行加權平均，解決傳統統計模型的不確定性問題的一種組合模型［12］.貝葉斯模型平均法是先對所有模型以及模型中的參數設定一個先驗分布，再運用貝葉斯公式計算每個可能模型的后驗概率，以這個后驗概率加權平均解釋變量的后驗包含概率，并以此為依據判斷各個解釋變量的相對重要程度.多元線性回歸模型可表示為

yi=α+β1xi1+β2xi2+…+βkxik+εi，

i=1，…，n，（1）

其中，α，β1，β2，…，βk為回歸模型的系數，ε1～N（0，σ）.模型中包含的k個解釋變量能夠組合成2k個模型，我們不能確定模型中納入哪個解釋變量會更為合理，因此，這k個解釋變量是否能夠入選到回歸模型中就成為了一個不確定性問題.此時，以運用貝葉斯定理，基于樣本數據，通過計算模型的后驗包含概率來確定變量能否進入模型.對于給定的數據集D，設Δ是所研究的解釋變量，將所有可能的備選模型記為M={MR，R=1，2，…，2k}，其中，k為所有解釋變量的個數，則給定D的條件下Δ的后驗包含概率為：

p（ΔD）=∑p（ΔD，Mj）p（MjD）.（2）

后驗包含概率的大小可以反映解釋變量的相對重要性，其中p（MjD）為給定模型Mj的后驗模型概率，由下式給出：

p（MjD）=p（DMj）p（Mj）∑Ri=1p（DMj）p（Mj）∝

p（DMj）p（Mj），（3）

其中，p（Mj）為預先給定的模型Mj的先驗概率，當先驗信息缺失時，一般假設每個模型出現的概率是相等的，即p（Mj）=1/2k.p（DMj）為模型Mj的邊際似然函數，即

p（DMj）=∫p（Dθj，Mj）p（θjMj）dθj，（4）

其中，θj是模型Mj的參數向量，p（θjMj）是模型Mj中參數θj的先驗分布，p（Dθj，Mj）是似然估計.

公式（2）計算得到的后驗包含概率為使用模型后驗概率加權的后驗概率之和，即貝葉斯模型平均.令βi=（β1，β2，…，βk）表示模型Mj各解釋變量的系數向量，可由系數的后驗分布計算系數向量的后驗均值與后驗方差：

E（βiD）=∑Rj=1E（βiMj，D）p（MjD），（5）

Var（βiD）=∑Rj=1p（MjD）{Var（βiMj，D）+

［E（βiMj，D）-E（βiD）］2}，（6）

其中，后驗均值衡量解釋變量對因變量的影響效應的平均水平，后驗方差刻畫這一影響效應的離散程度.

1.2? 面板數據回歸模型

面板數據是在一個連續時間段內觀測多個變量在不同時刻的多個截面個體所得到的樣本數據.由于面板數據同時包含了截面和時間兩個維度，所以對面板數據進行擬合的面板數據回歸模型更能客觀地刻畫研究對象的行為方程，能夠更加深入地挖掘事物的客觀規律.面板數據回歸模型的形式如下：

yit=xitβ+μi+λt+εit，

i=1，2，…，N， t=1，2，…，T，（7）

其中，下標i表示個體（i=1，2，…，n），下標t表示時間（t=1，2，…，T），μi為個體固定效應，若μi與xit不相關，則為隨機效應模型，若相關，則為固定效應模型，具體可采用Hausman檢驗確定是固定效應模型還是隨機效應模型；λt為時間固定效應.

由于面板數據包含了時間維度，因此，在建模前，首先需要檢驗數據的平穩性，否則可能出現“偽回歸”現象.檢驗面板數據是否平穩的方法主要有LLC、IPS、ADF-Fisher、PP-Fisher等檢驗方法，本文采用LLC檢驗.

2? 黃河流域資源型城市碳排放影響因素分析

2.1? 變量選取

黃河流域資源型城市包括：大同、陽泉、長治、晉城、朔州、晉中、運城、忻州、臨汾、呂梁、包頭、鄂爾多斯、淄博、棗莊、東營、濟寧、泰安、臨沂、洛陽、平頂山、濮陽、三門峽、南陽、咸陽、渭南、延安、榆林、張掖、石嘴山.

考慮黃河流域資源型城市經濟發展與資源稟賦的異質性，結合資源型城市地域、人口、產業結構、能源結構等特點，借鑒根據現有的研究成果［13-16］，本文綜合考慮影響城市碳排放的直接因素和間接因素，選取相關指標.地區碳排放的直接因素是碳排放源，主要分為三個層次：能源消耗產業、碳密集產業、第一產業中的畜牧業.影響地區碳排放的間接因素主要分為經濟因素、社會因素和科技技術水平因素.根據現有的研究成果，本文選取了13個影響因素作為影響碳排放的指標，如表1所示.

影響地區碳排放的三個直接因素之間交叉較少.例如，交通運輸業也是碳排放源的重要行業之一，但其碳排放主要是由能源消耗造成的，因為其在駕駛過程中消耗汽油，因此，在高耗能行業不選擇這個指標.水泥等高耗能行業雖然也有生產、加工和運輸過程中的能源消耗造成的碳排放，但由于其本身的成分，除了生產和加工過程中的能源消耗外，也會產生碳排放，因此，本文選擇了這一指標.能源署（IEA）的數據表明，二氧化碳排放的最大來源是化石燃料的燃燒［17］.煤炭、石油和天然氣作為中國主要的初級能源，也占了碳排放的很大比例［18］.因此，從驅動力方面來看，中國的碳排放主要來自化石燃料.我國正處于能源消費改革階段，能源供應結構不斷調整和優化.根據國際能源署的數據，二氧化碳排放的最大來源是化石燃料的燃燒，因此，本文主要選擇煤炭、石油和天然氣的消費量進行分析.眾所周知，第二產業是碳排放的主要來源之一，第二產業以工業、交通等高耗能行業為主，在生產、加工、運輸等環節會產生大量的碳排放.針對高耗能行業的驅動因素，本文主要選擇水泥產量和汽車產量作為代表指標.在影響碳排放的直接因素中，考慮到第一產業的畜牧業養殖過程中，由于所養殖動物的生理和化學反應，會產生碳排放，本文選取地區大牲畜年末存欄數.

影響碳排放的間接因素，借鑒現有研究［19-20］，本文選取了經濟因素、社會因素與科技因素.經濟因素方面，選取人均GDP、第二產業占GDP的比重和固定資產投資三個指標.社會影響因素方面，本文選取了人口、城鎮化率和全社會電力消費.作為一系列生產和消費活動的主體，人口數量是所有生產和消費的基礎，所以人口數量會對碳排放產生較大的影響.作為社會因素的指標，城鎮化率會改變能源消費和土地利用的方式影響碳排放.電力消費是社會發展的代表性指標之一，隨著工業的發展和社會的進步，中國的電力消費呈逐年上升的趨勢，由電力消費引起的系列生產和生活活動將導致碳排放的變化.考慮到技術進步的驅動因素，本文主要選擇專利授權數量作為科技發展的衡量指標.由于科學技術的進步，我國在提高能源效率、環境保護技術和碳吸收等領域取得了許多研究成果.作為科技進步的一個指標，授權專利數量代表了各地區新出現的科技成果，它不僅包括生產過程中的汽車減排技術，還包括對地區的低碳發展有重大影響的碳吸收技術.

2.2? 數據來源及描述性統計

本文選取2008—2019年黃河流域29個資源型城市的面板數據探析碳排放的影響因素.其中，二氧化碳排放量數據來源于中國碳排放核算數據庫，水泥產量、全社會用電量數據來源于各市的統計公報，其余數據均來自各地級市《統計年鑒》.變量的描述性統計見表2.

2.3? 碳排放的影響因素分析

本節采用貝葉斯平均法進行黃河流域資源型城市碳排放量影響因素篩選，先驗分布選為均勻分布.根據Fernandez等［22］的研究，當變量的后驗概率值小于50%時，通常認為該變量不是有效解釋變量，當后驗概率在50%與90%之間時，有較強證據將其視為有效解釋變量，當后驗概率在90%以上時，表明該變量為關鍵解釋變量.由實證結果可知，煤炭消費、城鎮化率、人均GDP和水泥產量的后驗概率在90%以上，專利授權量和第二產業占GDP的比重的后驗概率在50%與90%之間，其他解釋變量的后驗概率在50%以下，故選取煤炭消費、城鎮化率、人均GDP、水泥產量、專利授權量和第二產業占GDP的比重作為影響碳排放的重要因素.

在貝葉斯模型平均方法中預先設定了可能模型和模型參數的先驗分布，不同的先驗分布設定可能會使得估計結果出現偏差［21］，為了檢驗貝葉斯模型平均法的穩健性，本文還將先驗分布另設為二項分布、貝塔分布、Hyper g先驗分布、經驗貝葉斯g先驗分布，重新用貝葉斯模型平均法進行了估計，結果見表4.從表4可以看出，采用不同的先驗分布時，各變量的后驗包含概率差異不大，表明貝葉斯模型平均法的估計結果是穩健的.

3? 黃河流域資源型城市碳達峰情景模擬

為了準確把握黃河流域資源型城市實現碳減排的難度，制定切實可行的碳減排計劃，本節構建面板數據回歸模型，結合情景分析法，分別預測黃河流域資源型城市的碳排放量，用來模擬城市碳達峰的動態路徑.

3.1? 面板數據模型回歸結果

基于第2部分的變量選擇，建立面板數據回歸模型，測度各個影響因素對碳排放量的影響程度，模型形式如下：

carbonit=α0+α1coalit+α2urbanizationit+

α3cementit+α4pgdpit+α5patentsit+

α6secondaryit+μ1+ηt+εit，（8）

其中，變量的下標i=1，…，N表示黃河流域資源型城市個體，t=1，…，T表示年份；α1為待估參數，其顯著性用t統計量進行檢驗（t=i/SE（1），其中i為估計得到的參數，SE（i）為參數的標準差）;μi表示個體固定效應；ηt表示時點固定效應；εit為殘差項.采用Stata17.0軟件估計該模型.

為避免面板數據回歸模型出現“偽回歸”現象，首先用LLC檢驗變量的平穩性，結果見表5，可以看出，全部的變量都是平穩的.

首先，用Hausman檢驗判斷模型具有個體固定效應還是個體隨機效應，卡方值為49.24（P=0.0000），表明應當建立個體固定效應模型.為了控制時間維度上其他宏觀變量趨勢和技術等因素對被解釋變量的沖擊，同時控制時點效應，建立個體時點雙固定模型.

其次，由于經濟變量之間存在的相互影響可能會產生內生性問題，因此，在面板數據回歸分析中需要檢驗并處理解釋變量的內生性.本文采用二氧化碳排放量作為被解釋變量，其他變量的時間一階滯后項為工具變量，用二階段最小二乘法（2SLS）逐個對變量進行回歸，再用杜賓-吳-豪斯曼（DWH）檢驗各變量的內生性.內生性檢驗結果表明：除了第二產業占地區GDP的比重變量以外，其余變量均與二氧化碳排放存在內生性.對于檢驗存在內生性問題的變量，采用各變量的當期值作為被解釋變量，以各變量的時間一階滯后項以及他能夠解釋該內生變量的變量作為解釋變量，運用面板數據的OLS法估計模型，得到各變量的預測值，并用預測值代替原內生變量代入模型（8）進行估計.表6報告了控制個體和時間效應的面板數據回歸模型的估計結果.

從回歸結果來看，地區的煤炭消費、城鎮化率、人均GDP、水泥產量和第二產業占GDP的比重均能夠顯加劇二氧化碳排放，衡量地區科技水平的專利授權數量可以顯著減少地區二氧化碳排放，再次印證了本文篩選的影響黃河流域資源型城市的二氧化碳排放的重要因素是合理的.

3.2? 情景設置

根據不同的發展情況，本文將情景設定為基線情景、政策導向情景和技術進步驅動情景.在不同的情景下不同的影響因素會有不同的發展速度.煤炭消費的增長參考中國能源研究會發布的《中國能源展望2030》和中國石油經濟技術研究院發布的《世界和中國能源展望2050》設定，水泥產量的增長率是根據其歷史趨勢和國際能源署（IEA）、水泥可持續發展倡議行動小組CS1和世界可持續發展工商理事會（WBCSD）發布的《2050年水泥工業低碳轉型路線圖》設定的，地區GDP的增長率根據日本能源生態研究所（IEJ）及世界銀行《中國2030年：建設現代、和諧、創新的高收入社會》報告設定，固定資產投資的增長率根據歷史增長率和“十三五”規劃設定，口增長率根據國家衛生和計劃生育委員會的生育意愿調查結果設定，城鎮化率根據國務院發展研究中心對中國未來城鎮化率的預測和世界銀行的《中國2030：建設現代、和諧、創新的高收入社會》設定，專利授權量數據是基于歷史數據設定的.不同情境下的影響因素的增長率設定見表7.

3.3? 不同情景下黃河流域資源型城市碳排放預測

基于面板數據模型的回歸結果，預測三種情景下，黃河流域資源型城市2020—2030的碳排放量，并加權得到整個黃河流域資源型地區的二氧化碳排放總量，預測結果見圖1.

根據三種情景的預測結果，與政策導向情景相比，技術驅動情景的減排效果更為有效，而政策導向情景的減排效果其次，在基線情景下黃河流域地區的碳排放緩慢上升.在政策導向情景下，黃河流域資源地區的碳排放起初緩慢上升，然后逐漸下降.技術驅動的情景下，黃河流域資源型地區的碳排放呈現穩定的下降態勢.在基線情景下，黃河流域資源型地區的碳排放在2030年前沒有達到峰值.在政策驅動的情景下，黃河流域資源型地區的碳排放將在2024年左右達到峰值.與基線情景和政策驅動情景相比，技術驅動情景具有更積極的碳減排效果.

4? 結論與政策建議

選擇了2008—2019年的13個變量對黃河流域資源型地區的碳排放進行影響因素分析.綜合考慮能源、能源密集型產業、經濟發展、社會影響和科技發展對碳排放的影響，運用貝葉斯模型平均法選取影響碳排放的重要因素，在此基礎上結合情景分析法，構建面板數據回歸模型預測了碳排放量，模擬了不同情境下黃河流域資源型地區的動態路徑.

本文的研究結論如下：首先，黃河流域資源型地區的碳排放受到多個因素的影響，它們之間的影響程度各不相同，其中煤炭消費、城鎮化率、人均GDP、水泥產量、專利授權量和第二產業占GDP的比重是影響碳排放的重要因素.其次，通過比較政策導向方案和技術驅動方案，可以發現政策導向方案是一個漸進的過程，而技術驅動的碳減排效果更加快速和明顯.

由以上研究結論，本文提出如下降低黃河流域資源型城市碳排放的政策建議：① 提高能效、發展可再生能源，減少能源消費，從源頭上控制二氧化碳排放.根據碳排放影響因素篩選，發現對黃河流域資源型城市碳排放影響較大的是能源消費，因此，黃河流域資源型城市應當在充分利用結構節能、技術節能、管理節能等手段提高能效的同時，大力發展可再生能源，提升清潔能源使用比例，快速實現碳減排目標.② 應在制定合理的碳排放標準，采取一系列獎懲措施的同時，加大科研投入，促進科技創新以加速碳減排.在科研投入資金有限的情況下，強化金融政策與財政政策的統籌協同，發揮財政資金的撬動作用，引導更多的金融資源流向促進科技創新領域，加快黃河流域資源型城市的碳減排.③在政策制定層面，黃河流域資源型城市應當進一步將碳減排作為一項重要的發展任務，在煤炭消費、碳密集產業、城鎮化率等方面提出目標，在技術層面，重視清潔能源的發展，提高能源技術效率的相關技術研發.

參考文獻：

［1］? CHEN S Q，CHEN B.Network environ perspective for urban metabolism and carbon emissions：a case study of Vienna，Austria.［J］.Environmental Science & Technology，2012，46（8）：4498.

［2］? YUAN R，RODRIGUES J F D，BEHRENS P.Driving forces of household carbon emissions in China：A spatial decomposition analysis［J］.Journal of cleaner production，2019，233：932.

［3］? WANG，CHEN X，ZHANG Z，et al.Influencing factors of energy-related CO2 emissions in China：a decomposition analysis［J］.Sustainability，2015，7（10）：14408.

［4］? HUANG Y，SHEN L，LIU H.Grey relational analysis，principal component analysis and forecasting of carbon emissions based on long short-term memory in China［J］.Journal of Cleaner Production，2019，209：415.

［5］? MULLER D B，LIU G，LOVIK A N，et al.Carbon emissions of infrastructure development［J］.Environmental Science & Technology，2013，47（20）：11739.

［6］? SHUAI C，CHEN X，WU Y，et al.Identifying the key impact factors of carbon emission in China：Results from a largely expanded pool of potential impact factors［J］.Journal of Cleaner Production，2018，175：612.

［7］? SHI M.Forecast of Chinas carbon emissions under the background of carbon neutrality［J］.Environmental Science and Pollution Research，2022，29（28）：43019.

［8］? ZHOU Y，LIU W，LV X，et al.Investigating interior driving factors and cross-industrial linkages of carbon emission efficiency in Chinas construction industry：based on super-SBM DEA and GVAR model［J］.Journal of Cleaner Production，2019，241：118322.

［9］? ONEIL BC，DALTON M，FUNCHS R，et al.Global demographic trends and future carbon emissions［J］.Proceedings of the National Academy of Sciences，2010，107（41）：17521.

［10］? LIU L，ZONG H，ZHAO E，et al.Can China realize its carbon emission reduction goal in 2020：from the perspective of thermal power development［J］.Applied Energy，2014，124：199.

［11］? SUN W，WANG C，ZHANG C.Factor analysis and forecasting of CO2 emissions in Hebei，using extreme learning machine based on particle swarm optimization［J］.Journal of Cleaner Production，2017，162：1095.

［12］? 歐陽艷艷，陳浪南，李子健.基礎設施與城鄉房價、房租：基于貝葉斯模型平均的微觀研究［J］.系統工程理論與實踐，2020，40（11）：2825.

［13］? 潘思羽，張美玲.基于BP神經網絡的甘肅省二氧化碳排放預測及影響因素研究［J］.環境工程，2023，41（7）：61.

［14］ ?蔡景麗，顧佳艷，陳敏，等.2000—2020年中國種植業碳排放驅動因素及預測分析［J］.環境科學與技術，2023，46（2）：159.

［15］? 李金超，鹿世強，郭正權.中國省際碳排放預測及達峰情景模擬研究［J］.技術經濟與管理研究，2023（3）：21.

［16］? 陳詩一.能源消耗、二氧化碳排放與中國工業可持續發展［J］.經濟研究，2009（4）：41.

［17］? 李倩，付偉，李夢柯.云南省農業碳排放影響因素與情景預測分析［J］.西南林業大學學報（社會科學），2023，7（3）：75.

［18］ ?常建波，付興濤，鄭美君，等.能源消耗碳排放的時空演變與預測：基于山西省夜間燈光數據［J］.環境科學與技術，2023，46（3）：81.

［19］? 張純.基于STIRPAT模型的安徽省工業碳排放情景預測分析［J］.黑龍江工程學院學報，2022，36（3）：40.

［20］? ZHENG J，MI Z，COFFMAN DM，et al.Regional development and carbon emissions in China［J］.Energy Economics，2019，81：25.

［21］? 柯忠義.創業板上市公司經濟績效及影響因素——基于貝葉斯模型平均法（BMA）的實證研究［J］.數量經濟技術經濟研究，2017，34（1）：146.

［22］? FERNANDEZ C，LEY E，STEEL M F J.Model uncertainty in cross-country growth regressions［J］.Journal of Applied Econometrics，2001，16（5）：563.

（責任編輯? 武維寧）