區域協同背景下長三角地區碳達峰預測

摘 要：長三角地區是中國重要的區域協同發展示范區，預測該地區的碳排放，實現區域協同背景下長三角地區早日碳達峰對我國完成2030年前碳達峰目標具有重要意義。本研究基于2000-2021年長三角能源消費碳排放數據，通過灰色關聯分析篩選出人口規模、經濟增長、城鎮化率等六個自變量，結合嶺回歸方程建立三省一市的STIRPAT模型，根據政策文件和當前社會發展對低碳、基準、高碳情景下設定年均因素變化率，預測不同情景下碳達峰時間和峰值。結果表明，低碳和基準情景均可以在2030年前實現碳達峰，高碳情景下無法完成。本研究的結果為長三角地區的碳減排和可持續發展提供了科學依據和決策支持。

關鍵詞：區域協同；STIRPAT模型；碳排放；情景預測

中國近十年來社會快速發展的同時也產生了大量溫室氣體，且其碳排放量遠遠高于世界第二的美國，當前已經是世界上最大的能源消費國和CO2排放國。2020年中國政府已承諾在2030年左右實現整體碳排放達峰，并且盡最大努力盡早達峰[1]，而丁仲禮院士《中國“碳中和”框架路線圖研究》的報告中表明，制度的協調和區域的協同不僅能夠提高效率而且能夠減少額外成本。從區域協同發展的視角探討碳中和目標下的碳排放問題，不僅具有一定的創新性，而且為現有的能源轉型理論、低碳經濟理論提供具有資源聯系的研究視角，豐富新的理論依據[2]。圍繞碳排放的研究當前是國內外熱點，主要集中在碳排放效率[3～4]、碳排放時空格局[5～6]、碳排放影響因素和趨勢預測以及碳減排新技術[7～9]。本文主要聚焦在碳排放影響因素和趨勢預測上。

在碳排放影響因素研究上，學者們主要針對中國各省份[10～11]、各地級市等地區碳排放達峰[12]，或者是交通、旅游、工業等行業碳排放展開，不同主體的影響因素基本都可以歸類到經濟、能源、人口、技術四個指標，每個指標還可以再進一步細化和擴展。例如，Dong等[13]運用LMDI模型研究了全球主要國家的碳排放情況，認為碳排放的主要原因是經濟增長。陳浩等[14]認為廣義技術進步和產業結構調整對碳強度沒有直接的顯著作用，但借助優化產業結構和提高狹義技術進步能夠間接地降低碳強度。穆佳音等[15]總結了資源型城市碳排放影響因素及其研究方法，人口規模的增加對城市碳排放的增加具有促進作用，但在部分人口稀少地區需要一定的人口紅利，同時經濟發展對碳排放具有異質性影響，我國大部分資源型城市仍處于經濟發展促進碳排放增加階段。

在碳排放的趨勢預測上，研究方法主要為兩大類，一是國內外專家學者利用STIRPAT模型、情景分析法、LEAP模型、Kaya 恒等式等人工理論模型。二是結合機器學習算法或者系統動力學模型預測未來碳排放。朱海等人[16]使用“自上而下”的方式測算中國各省2000—2019年旅游業碳排放，利用STIRPAT模型，多情景考察2020—2060年旅游業各地區碳排放及其時空演變。章高敏、王騰等人[17]立足中國各省級層面建立碳排放峰值預測和碳達峰路徑優化體系，借助LSTM網絡預測未來20年內在不同情景下的碳排放路徑。湯恒[18]借助深度學習構建長三角地區SPNN-GNNWR碳排放預測模型。Zhao Y等[19]對機器學習的反向神經傳播網絡、支持向量機、隨機森林等碳排放預測模型進行了對比分析，總結了不同模型的優缺點和適用場景。

基于機器學習的碳排放預測模型與傳統的基于人工理論的模型相比，在效率和準確性方面具有顯著的優勢。然而，由于其固有的復雜性，這些模型不容易修改，可能會導致某些缺點，如其結果的可解釋性有限，缺乏專業領域知識的遷移。而區域一體化是自20世紀90年代以來最具活力的經濟現象[19]，當前較少有學者結合區域協同經濟，從整體與局部結合的視角將某個經濟區域整體范圍作為碳排放的研究對象。鑒于此，本文運用STIRPAT模型_{db33be6af01e32fe579bda763fcb9c52}和嶺回歸方法，基于最新的“十四五”國家和省級發展規劃，將政府目標和限制因素納入并分別歸類到三個不同的情景框架，分析各自變量對碳排放的影響程度并且預測長三角經濟特區的碳達峰時間和峰值。

一、研究方法與特征因子選擇

（一）灰色關聯分析

灰色關聯分析是一種用于研究多個因素之間關聯度的測算，它可以比較出各個自變量因素對一個因變量因素的影響程度。主要步驟如下：

1. 確定母序列和子序列。這里以整個長三角地區2000—2021年碳排放量作為母數列，用x0=[x0（1），x0（2），…，x0（t）]表示。參考前人的碳排放影響因素研究選取九個使用最多的影響因素作為子數列，記為X1，X2，……X9。

2. 標準化。用均值化無量綱化的方法對數據進行無量綱歸一，即用該數列平均值去除該數列所有數據，方便對比。

3. 計算灰色關聯度。

4. 計算關聯度。每個指標的關聯系數求均值，即可得到該指標的關聯度，且關聯度數值越靠近0，說明受到子序列的影響越小；關聯度數值越接近1，說明子序列的影響越密切。

（二）擴展的STIRPAT模型

IPAT模型從20世紀70年代開始應用，一般用來探索人口、經濟和技術因素對環境壓力的影響，其表達式見式（2）。

該式中，I為環境壓力，包含資源、能源等的消耗及溫室氣體排放等；P為人口規模；A為富裕程度，即經濟發展水平等；T為技術水平。但是IPAT模型具有一定的局限性，其默認不同因素對環境壓力的貢獻相同，Dietz和Rosa（1997）在IPAT模型的基礎上提出了STIRPAT模型，其表達式見式（3）。

在實證中，考慮到回歸分析，一般對式（3）兩邊進行對數處理，即：

結合本文研究內容，這里I表示碳排放量，P表示人口規模，A表示GDP，T表示能源強度，a為模型系數，b，c，d為各變量的彈性系數，e為誤差項。該模型的優點是實用性強，可以針對碳排放問題研究引入更為合適的自變量，進而分析自變量對因變量的影響。又考慮到碳排放受到多個綜合指標的影響[22]，除了常見的P、A、T，這里采取文獻分析法，選取2018-2023年中國知網的核心及以上文章，篩選主題為“碳排放和STIRPAT模型”的文章，梳理分析和總結，初步選擇了8個影響因素，增加城鎮化率、產業結構、能源消費結構、研發投入、固定資產投資等5個指標初步作為擴展后STIRPAT模型的特征因子。

（三）嶺回歸模型

線性模型的基本形式為：

其中[x]為輸入特征，[hθ]為輸出，[θi]為待求解的模型系數，線性模型的目標函數為：

在多重共線性存在的情況下，普通的最小二乘法線性回歸估計可能會產生不穩定的參數估計以及過度擬合的問題。嶺回歸模型通過引入一個正則化項，可以有效地解決這些問題，是對最小二乘回歸的一種補充。嶺回歸的目標函數為：

式（7）中：[m]為樣本個數，[hθxi]為第i個樣本的預測值，[yi]為第i個樣本的真實值，[α]為嶺回歸模型的懲罰項系數，表示正則化項的強度，較大的[α]會導致參數估計偏向于零，從而減小模型的方差，但可能會增加偏差，通常通過交叉驗證等方法來選擇最優的[α]值，以使模型在驗證集上的預測誤差最小化。嶺回歸模型的參數估計可以通過最小二乘法的閉式解來求解：使用線性代數技巧求解目標函數的最小化問題，即通過對目標函數取模型參數的偏導數并令其等于零，求得關于參數的線性方程組，進一步求解方程組得到閉式解。

（四）數據來源及變量說明

相關數據來源于國家統計局官網和《中國統計年鑒2021》《中國能源統計年鑒》（2000—2020年）《中國固定資產投資統計年鑒》以及各省年度統計公報，涉及GDP的部分統一以2000年為基期不變價。文中涉及的變量主要含義如表1所示。

二、實證結果

（一）碳排放測算分析

本文根據上海、江蘇、浙江、安徽2000—2021年終端能源消費數據進行CO2排放量的測算，計算方法基于IPCC《國家溫室氣體排放清單指南》2006版。如公式（5）所示：

C為i省第t 年的碳排放總量;E 為i省第t 年第j種能源消費量；n為第j種能源的碳排放系數。我們最終能源消費種類劃分為9類，包括原煤、焦炭、原油、汽油、煤油、柴油、燃料油、天然氣和電力。9 類能源的轉換系數及碳排放系數如表 2所示，轉換系數的計量單位天然氣為 t 標煤 /萬 m、電力為t標煤 /萬 Kwh，其余能源的單位為 kg標煤 /kg，而碳排放系數的單位為 t 碳 /t 標準煤。

按公式（5）計算出上海、江蘇、浙江、安徽四個地區的碳排放量，結果顯示2000—2021年四個地區的碳排放量均逐年上升，2021年上海、江蘇、浙江、安徽的碳排放量分別為26817萬噸、88238萬噸、59971萬噸、45780萬噸。四個地區最近三年的碳排放量依次為80087萬噸、259351萬噸、160220萬噸、132296萬噸，同比增長0.265%、0.273%、15.324%、7.697%。結合這二十年間我國經濟快速發展，越來越發達的經濟現象不難解釋上述變化趨勢，因為長三角地區在過去依賴大量的化石燃料、煤炭和石油作為主要能源來源，這些化石燃料燃燒過程中產生的二氧化碳等溫室氣體會直接導致碳排放的增加。除此之外長三角地區擁有大量的制造業和工業企業，這些企業通常使用能源密集型生產工藝，如鋼鐵、化工、紡織等行業，需要大量能源，伴隨著相應的碳排放，所以碳排放量連年增加。排放量處于第一位的是江蘇省，20年間一共消耗215853萬噸標煤，緊接著依次是浙江、安徽、上海。

（二）STIRPAT模型構建

用2000—2021年面板數據中長三角整體的碳排放量作為母序列，對所有子序列進行無量綱化之后，最后得到詳細灰色關聯度的計算結果見表3，可以看到，城鎮化率和碳排放聯系緊密，關聯系數高于0.8，緊接著依次是產業結構、經濟增長、能源強度、能源消費結構，關聯系數高于0.70，屬于高度相關。但是固定資產投資和研發投入關聯度均低于0.65，關聯程度較低，因此為了使碳排放量的預測更加準確，本文篩除這兩個影響因素，選擇U、IS、P、A、EI、ES、IFA、RD這6個特征因子作為預測模型自變量。

如表4結果所示，三省一市的各因素方差膨脹因子值都高于10，且結合表5條件指數結果分析，自變量之間存在著嚴重的多重共線性問題。

為了避免各影響因素之間存在的多重共線性，本文基于擴展的STIRPAT模型，通過嶺回歸分析，對碳排放與各影響因素進行擬合，分別構建三省一市的碳排放預測模型，取K=0.05，0.05，0.1，0.1時，各變量回歸系數開始趨于穩定均勻變化，自變量和常數項均通過5%的顯著性水平檢驗，最終相關結果見表6。整理出上海、江蘇、浙江、安徽的嶺回歸方程為：

回歸系數的正負號和大小表示了各個變量對能源強度的影響、方向和程度由上述變量系數，進一步比較長三角地區各省市碳排放嶺回歸方程，發現這些影響因素的正負作用方向及影響程度各不相同并不一致，經濟增長、產業結構、城鎮化率、能源消費結構4個因素對四個地區碳排放均正向促進碳排放。人口規模和城鎮化在其中作用最顯著，江蘇省人口規模對碳排放貢獻明顯，人口每上升1%，江蘇省碳排放量將增加2.0734%；城鎮化率對上海地區的碳排放量總量作用明顯，嶺回歸系數為0.8374，其余地區依次為0.6422、0.6735、0.4242；城鎮化的發展帶來了提升科技水平和提高能源利用效率的優勢，但同時也伴隨著城市基礎設施和能源需求的增加，在短期內對碳排放治理造成了較大的不利影響，加劇了二氧化碳排放量的增長。

能源強度與上海、浙江和安徽的碳排放負相關，也符合通過技術進步使得單位GDP能耗下降的科學理論。人口規模的增加促進上海、江蘇、浙江的碳排放，不過安徽省人口規模與碳排放的增加呈負相關，其原因是：2005—2019年，安徽省整體碳排放量在上升，但與之同時發生的是常住人口變動在6050萬人附近上下波動，2005年為6120萬人，2019年降低到6 092 萬人，這與鄒秀清[23]、宋曉暉[24]等人的研究結論契合。

三、長三角地區碳達峰預測

現采用情景分析的方法進行預測，根據最新的政策文件例如各省的“十四五”規劃、碳達峰規劃和2035遠景目標以及城市規劃目標對下列六種因素各階段的年均增長率進行設定，見表7，并結合實際節能減排與近五年平均值進行合理調整，設計低碳情景、基準情景和高碳情景三種合理的地區發展狀態。

在基準情景下，充分考慮“十三五”完成情況和“十四五”規劃目標，各省（自治區、直轄市）按照既定政策發展的結果，城市經濟穩中前進，企業進行嚴格的節能減排，社會淘汰落后產能設備。該情景不同指標的變化率設置的較為保守，各項參數設計依據如下：

人口規模（P）：“十三五”期間，我國人口一直低速增長，保持著低出生率和低死亡率，《國家人口發展規劃（2016—2030）》提出2030年迎來人口增速高峰，隨后人口開始增速放緩，因此結合長三角的實際情況，本文將上海、江蘇、安徽、浙江的人口規模速率基準情景中設定為2022—2025年：0.35%、0.28%、0.28、1.30%，2026—2030年為-0.25%、0.22%、0.24%、0.65%，2031—2035年為-0.02%、-0.08%、0.14%、-0.10%，低碳和高碳情景下分別在此基礎上下浮動0.2%-0.4%范圍內。

城鎮化率（U）：根據各省市的《新型城鎮化發展“十四五”規劃》，2021—2025年安徽、浙江、江蘇、上海的城鎮化率目標為62%、75%、75%、90%，以此計算基準情景下2022—2025年均增長率；且在未來，城市會吸引更多的人才和勞動力就業，許多小鎮也在城市建設中得到發展，城鎮化預計會進一步提升，2026—2030年為0.42%，1.5%，1.55%，0.50%，2031—2035年依次為0.35%、0.80%、1.20%、0.50%。

經濟增長（A）：“十四五”規劃提出了GDP年均增長保持在科學的范圍，各階段結合實際情況規劃，不再著重強調經濟增長幅度，國內生產總值增速目標可合理放低，整體更強調我國各地區經濟均衡性的高質量前進，蘇浙制定GDP年均增長高于5.5%和約等于5.5%的計劃。安徽《綱要》則目標是地區生產總值“年均增長6.5%左右，助力長三角整體化前進，追趕滬蘇浙的經濟水平”。過去五年上海、江蘇、安徽、浙江的平均增長率分別為6.08%、6.42、7.48%、6.88%考慮到安徽、浙江以及江蘇的進步空間更大，因此基準情況下五年初始增長率為6.0%、6.3%、6.6%、5.0%。

產業結構（IS）：“十四五規劃和2035年遠景目標綱要”中指出要對我國制造業進行降本減負、推動第二產業結構化升級，著重發展高科技服務型產業，目標是2035年前實現戰略性新興產業增加值占GDP比重超17%。本文依據長三角的實際能源與產業現狀進行協同分配并調整得出各省具體參數值。

同樣邏輯，并且參考張雪梅（2023）[23]等人的研究和過去十年長三角地區能源結構變化，設計能源強度和能源結構。碳情景是在基準情景的基礎上，積極研究和引進低碳創新技術，優化產業結構和能源消費結構，降低經濟發展速度，各影響因素變化率低于基準值；高碳情景則更著重于長三角地區經濟發展，對碳排放、大氣污染等關注較少，不可避免地導致能源消耗大，化石能源占比高，各影響因素變化率設定高于基準值。

根據構建STIRPAT 模型，結合不同情景模式，3 種不同發展情景下的長三角碳排放量如圖1顯示，低碳情景和基準情景下碳排放均能在2035年之前達峰，其中最早達峰的是低碳情景，2027年長三角碳排放達到最大值221645萬噸；基準情景下，2031年碳排放達到最大值229426萬噸，高碳情景下，2035年則尚未達峰，不過碳排放量增速逐年放緩，趨于穩定，說明也即將停止上升。峰值上來看，三種情景數值差異比較小，這是由于三省一市各自的達峰時間有所不同，受到碳排放重省—江蘇省的影響，高碳情景在2035年碳排放量為240938萬噸。

四、建議與總結

結合模型擬合結果，長三角地區在碳達峰的情景模式策略上，首先應該拒絕高碳發展情景，優化各項影響因素。為更好地降低三省一市碳排放，處于高碳情景下也能早日實現碳達峰，除了協同治理機制的完善外，還可以主要從如下兩點入手：（1）控制人口規模和城市發展。人口規模和城鎮化率在上海、江蘇、浙江三個地區的碳排放貢獻度均高于0.4%，控制這一因素能取得明顯效果。制定并實施可持續城市規劃，提高城市綠化率以降低城市發展對環境的沖擊。（2）推動低碳經濟和技術創新。通過綜合推動低碳經濟和技術創新，可以實現經濟發展與碳排放的脫鉤。應制定并執行清潔能源發展計劃，特別是在安徽、浙江、江蘇的水能、太陽能等可再生能源方面，推動清潔能源的利用。

同時近幾年協同治理背景下，碳排放得到有效控制，治理結構也在不斷扁平化發展，但是降低碳排放其治理機制依然有待完善。首先需要明確三省一市政府間的權責范圍。跨域公共事務的治理成本應由區域內政府組織按照責任大小分擔。三省一市由于產業模式、經濟社會發展狀況以及社會治理水平存在差異，對生態環境治理所承擔的責任理應不同。其次各城市在執行和參與碳減排政策環節，應該加強各地級城市間的直接對話與交流。根據地理距離有效降低交易成本，提高經濟效率和把握治理時機，各城市既保持獨立性，又緊密合作，以實現最大化的綜合效益。最后還要不斷完善協同治理的機構設置，保證人員的專職化和機構的實體化，在統一標準的基礎上聯合執行。

采用協同治理的模式為長三角地區城市間的有效溝通與合作提供優良的平臺，促進經濟和社會發展。推進市場在資源環境要素配置中的作用，建設包涵整個長三角范圍的跨城市煤炭產業交易平臺，重點發展區域碳交易、區域排污權交易， 以市場機制平衡長三角碳排放利益相關者的關系，加強區域協同作用。

參考文獻：

[1] 閔煒琪.碳中和背景下能源二氧化碳排放省際協同治理研究[D].南昌：南昌大學，2024.

[2] 王少劍，高爽，黃永源，等.基于超效率SBM模型的中國城市碳排放績效時空演變格局及預測[J].地理學報，2020，75（6）：1316-1330.

[3] 王兆峰，黃冬春.長江經濟帶與黃河流域交通碳排放效率的比較及其影響因素[J/OL].經濟地理，1-15[2024-09-19].http：//kns.cnki.net/kcms/detail/43.1126.K.20230831.1703.002.html.

[4] 武紅.中國省域碳減排：時空格局、演變機理及政策建議——基于空間計量經濟學的理論與方法[J].管理世界，2015（11）：3-10.

[5] 孫彥明，楊怡樂，李清立.“雙碳”目標下中國省域交通碳排放強度的時空演變分析[J].宏觀經濟研究，2023（11）：48-61.

[6] 劉戰豫，張傘傘.“雙碳”目標下制造業碳減排的數字技術實現路徑研究[J].資源開發與市場，2024，40（4）：511-520.

[7] 李飚，夏西強，李秋月.碳配額下碳交易對碳減排技術提升影響及協調機制研究[J/OL].中國管理科學，1-16[2024-09-19].https：//doi.org/10.16381/j.cnki.issn1003-207x.2023.0576.

[8] 李婧男，汪群慧，梁寶瑞，等.園林廢棄物對濱海鹽漬土固碳減排效應與微生物群落結構的影響[J].環境工程，2024，42（1）：95-101.

[9] 張兵兵，王捷，閆志俊.中國城市碳達峰路徑及其驅動因素的結構分解[J].中國人口·資源與環境，2023，33（9）：38-44.

[10] ZHANG X，GENG Y，SHAO S，et al.How to achieve China’s CO2 Emission Reduction Targets by Provincial Efforts？ - An Analysis Based on Generalized Divisia Index and Dynamic Scenario Simulation[J].Renewable and Sustainable Energy Reviews，2020（127）：109892.

[11] ZUO J，ZHONG Y，YANG Y，et al.Analysis of Carbon Emission，Carbon Displacement and Heterogeneity of Guangdong Power Industry[J].Energy Reports，2022（8）：438-450.

[12] 祝福云，師宇星.碳全要素生產率、經濟增長與低碳發展分析——基于黃河流域58個地級市的證據[J].干旱區資源與環境，2024，38（1）：52-59.

[13] DONG K，JIANG H，SUN R，et al.Driving Forces and Mitigation Potential of Global Co2 Emissions from 1980 Through 2030：Evidence from Countries with Different Income Levels[J].Science of The Total Environment，2019（649）：335-343.

[14] 陳浩，鄭潔.技術進步和產業結構調整對中國碳排放強度的影響[J].商業研究，2022（6）：1-12.

[15] 穆佳音，王金滿，劉彪，等. 資源型城市碳排放演變及影響因素研究進展 [J/OL]. 煤tjtkBSnCO87AmeBhXa7ec2Kkh9BrWq9ecTFdyw2BiR0=炭學報， 1-15[2024-09-19]. https：//doi.org/10.13225/j.cnki.jccs.2023.0716.

[16] 朱海，王立國，賀焱，等.多情景下中國省域旅游業碳達峰的時空特征研究[J].干旱區資源與環境，2023，37（1）：169-176.

[17] 章高敏，王騰，婁淵雨，等. 基于LSTM神經網絡的中國省級碳達峰路徑分析 [J/OL]. 中國管理科學， 1-12[2024-09-19]. https：//doi.org/10.16381/j.cnki.issn1003-207x.2022.0097.

[18] 湯恒.基于SPNN和GNNWR的碳排放預測模型研究[D].南京：南京郵電大學，2023.

[19] ZHAO Y，LIU R，LIU Z，et al.A Review of Macroscopic Carbon Emission Prediction Model Based on Machine Learning[J].Sustainability，2023，15（8）：6876.

[20] 陳航航，賀燦飛，毛熙彥.區域一體化研究綜述：尺度、聯系與邊界[J].熱帶地理，2018，38（1）：1-12.

[21] 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）：21-25.

[22] 鄒秀清，孫學成，葛天越，等.長三角地區碳排放差異、影響機理及碳達峰預測[J].長江流域資源與環境，2023，32（3）：548-557.

[23] 宋曉暉，張裕芬，汪藝梅，等.基于IPAT擴展模型分析人口因素對碳排放的影響[J].環境科學研究，2012，25（1）：109-115.

[24] 張雪梅，曹丹丹，王鑫，等.中國省域能源消費二氧化碳排放狀態分析與情景預測[J].生態經濟，2023，39（12）：26-32.

基金項目：安徽省高校學科（專業）拔尖人才學術資助項目（gxbjZD2021051）

作者簡介：楊鈺瑩（1998— ），女，安徽安慶人，安徽理工大學經濟與管理學院碩士研究生，研究方向為能源經濟；通訊作者孟祥瑞（1965— ），男，吉林洮南人，安徽理工大學經濟與管理學院教授，博士生導師，研究方向為低碳發展。