國家中心城市碳排放達峰預測及影響因素研究

[摘要] 本文運用STIRPAT擴展形式，通過GRU模型預測4個非控制性變量，并結合“十四五”規劃中3個控制性變量，構建包含7個變量的GRU模型，對國家中心城市碳排放進行預測，并分析其影響因素。為了預測結果的穩健性，本文采用Informer模型進行檢驗。研究表明：（1）使用GRU模型預測非控制性變量，國家各個中心城市的總人口、進出口總額、研發支出及能源消費總體均呈上升態勢。（2）GRU預測結果和Informer校驗結果均表明，北京市、上海市為碳達峰先鋒城市，將于2025年前達峰;重慶市為碳達峰平穩城市，將于2030年前達峰;天津市和廣州市為碳達峰遲緩城市，但總體碳排放量可控。國家中心城市的碳排放強度均呈下降趨勢，差距在逐漸縮小。（3）GRU模型的影響因素分析顯示，總人口、能源消費量會對碳排放產生正向效應，而森林覆蓋率、研發支出及能源結構會對碳排放量產生抑制作用。

[關鍵詞] 碳達峰 預測 機器學習 影響因素

[基金項目] 本文為國家社會科學基金項目“中國隱含碳全要素生產率動態演進與提升策略研究”（編號：23XJY022）的階段性成果。

[作者簡介] 胡劍波，貴州財經大學經濟學院教授、博士生導師，研究方向為低碳經濟與綠色發展、氣候變化經濟學;葉樹（通訊作者），上海財經大學公共經濟與管理學院博士研究生，研究方向為低碳經濟與城市發展，郵箱：shuye000503@163.com;張寬元，西安交通大學經濟與金融學院博士研究生，研究方向為低碳經濟。

[中圖分類號] F29;X51

[文獻標識碼] A

[文章編號] 1008-7672（2024）05-0130-19

一、 引言

近年來，由碳排放增加引起的全球變暖問題在世界各國引起了廣泛關注。2020年9月，國家主席習近平在第七十五屆聯合國大會一般性辯論上向世界做出重要承諾：“二氧化碳排放力爭于2030年前達到峰值，努力爭取2060年前實現碳中和。”城市消耗大量的經濟能源，對氣候變暖產生重大的影響。聯合國政府間氣候變化專門委員會（Intergovernmental Panel on Climate Change，IPCC）第五次評估報告指出，城市消耗占全球能耗總量的67%～76%。城市由于具有產業結構優化的巨大潛力與能源清潔技術提高的巨大動力，可以通過制定規范的減排策略、合理的政策引導①，提升綜合達峰水平，推進綠色低碳轉型。

2010年，住房和城鄉建設部發布的《全國城鎮體系規劃（2010—2020年）》首次提出，將北京市、天津市、上海市、廣州市、重慶市等設立為首批國家中心城市，并在2016年后設立成都、武漢、鄭州、西安等市為新一批國家中心城市。據此，國家九大中心城市在經濟、社會、交通、文化、信息技術以及全國城鎮化等建設發展方面處于主導地位。②如何沖破傳統思維定式，發揮區位優勢，提升城市綜合功能，推進屬地區域產業城鎮集群發展，盡快實現“雙碳”目標，發揮國家中心城市引領功能，是亟待解決的重大難題。

本文測算國家中心城市碳排放現狀，模擬國家中心城市碳排放趨勢，預測國家中心城市碳排放強度，分析碳排放影響因素，重點聚焦國家中心城市是否能于2030年前碳達峰，為科學制定政策指標及碳減排行動提供支撐。

二、 文獻綜述

梳理國內外相關文獻，筆者發現已有研究對不同區域和預測模型進行了有益的探討。在宏觀層級方面，預測國家層面的碳排放達峰是重要的研究方向。一些學者分析中國碳減排政策，通過結構模型預測中國將在2030年前實現碳達峰。③一些學者基于混頻數據ADL-MIDAS模型對“十四五”規劃期間中國碳排放結構及總量進行預測，預計2025年全國碳排放總量接近115億噸。④構建包含中國終端部門的新型綜合評估RICE-LEAP模型，一些學者模擬2020—2050年全球氣候變化趨勢及中國碳達峰路徑，認為在供給側改革背景下中國最早于2029年碳達峰，且峰值水平最低。①省域層面的碳達峰預測也是重要的研究方向。有學者測算中國省市2005—2019年脫鉤系數，得出在混合式增長模式下大部分省份于2026年左右完成碳達峰目標。②一些學者基于混合型能源投入產出模型，預測2020—2040年全國30個省（自治區、直轄市）在經濟發展和碳排放強度改善的9種情景下的碳排放總量，得出各個省的碳達峰時間點。③

現階段主流的預測方法主要有灰色預測法、多情景模擬法和機器學習法。（1）灰色預測法主要是針對數據序列的預處理，通過灰方程背景值構造、響應式生成和還原過程，以累加形式進行數據生成預測。④一些學者基于自適應調節的灰色滾動預測模型ARGM（1，1）對中國宏觀范圍能源碳排放趨勢進行預測，其研究結果較好地擬合了中國能源領域的發展趨勢。⑤一些學者結合GM（1，1）模型對青藏高原東緣生態過渡帶碳匯量進行預測，并對不同情景下碳匯量演變趨勢進行模擬研究，他們認為在沒有宏觀調控的情況下，碳匯量始終無法抵消碳排放量。⑥（2）多情景模擬法。一些學者利用拓展STIRPAT模型測算2005—2019年長三角城市群碳排放量，認為大部分城市能在2030年前率先達峰。⑦一些學者運用STIRPAT模型分析交通運輸、倉儲和郵政業增加值、人口總量、旅客周轉量、貨物周轉量和節能技術水平對交通二氧化碳排放量的影響，并預測了中國2021—2030年的交通碳排放量。⑧（3）機器學習法。目前神經網絡模型被廣泛運用于二氧化碳排放量預測。一些學者將ARIMA-BP神經網絡和LSTM模型得到的碳排放強度預測值進行對比分析，預估中國2030年碳排放強度能夠下降到0.9840噸/萬元。⑨將門限STIRPAT模型與LSTM神經網絡結合對中國工業碳排放預測，學者們發現持續調整的工業能源和行業結構可能會對自主技術創新的減排效果產生影響，進而影響工業碳排放。⑩然而，這類循環神經網絡結構以順序計算，上一時間點的輸出完全決定下一時間點的權重。隨著時間的增加其難度系數遞增，預測精準度逐漸降低。對于長時間序列預測（Long sequence time-series forecasting，LSTF）而言，其計算過程可能存在信息丟失從而使算法誤差較大。為進一步解決上述問題，谷歌團隊于2017年應用自注意力（Self-Attention）運算機制，構建Transformer模型，解決對循環和卷積網絡模型的依賴，避免信息的遞歸傳遞，并檢測長序列中遙遠的數據元素相互依賴的微妙關系。在Transformer模型基礎上使用ProbSparse Self-Attention蒸餾機制優化原有的自注意力機制，提高了LSTF預測的準確性，很好地解決了長輸入堆疊層的內存瓶頸，降低了常規自注意力計算的時間和空間的復雜度，是時間序列模型的新起點。

已有研究在區域層級多集中在中國整體或省級層面，在預測方法上的選擇也比較多元，但卻存在一定問題。傳統灰色預測在處理快速變換的數據會與定性分析產生較大的偏差，只適合中短期和近似指數增長的預測，且預測研究精度與時間序列長短呈反向關系。①雖然LSTM可以解決循環網絡神經不能長期依賴的問題，但是只能部分解決梯度問題。本文采用具有參數量更小、過擬合較少的門控循環網絡（GRU）模型，通過多變量年度數據進行碳排放預測。Informer模型可以有效進行長時間序列輸入和輸出，通過月度碳排放的預測校驗可以有效解決上述問題，因此，通過兩種方法的結合可有效加強國家中心城市碳排放預測的科學性與合理性。本文的邊際貢獻是：（1）運用GRU模型與擴展STIRPAT方法，從“量”的角度探究國家中心城市碳排放達峰的峰值與峰時，并從“質”的角度檢驗其碳排放強度。（2）從森林覆蓋率、能源結構、總人口、研發投入、能源消費量分解碳排放的影響因素，提高預測模型的經濟學解釋力。（3）采用Informer模型對國家中心城市月度碳排放數據進行預測，換算年度碳排放數據，提高預測準確度的同時進一步校驗GRU模型預測結果。

三、 方法選取、模型構建和數據來源

（一） STIRPAT模型構建

擴展的STIRPAT模型在IPAT模型的基礎上，容納人口（P）、財富（A）、技術（T）的同時，拒絕單位彈性假設，并賦予模型更多的隨機性，是最常用的碳排放達峰預測模型之一。②IPAT模型公式如式（1）所示：

I = aPbAcTdu（1）

式（1）中，a為模型系數，b、c、d皆為模型指數，u為隨機誤差項。

本文研究國家中心城市的碳排放達峰預測，因此使用擴展STIRPAT模型對影響因素做出適當優化，具體模型公式如式（2）所示：

C = aPbIcRdEfGgShFiu（2）

其中，C表示因變量城市的碳排放量①，P代表各個城市的總人口，I為各個城市的對外貿易進出口總額，R為城市研究與試驗發展經費內部支出（下文簡稱“研發支出”），E為各城市能源消費量，G為各個城市地區生產總值，S為城市能源結構（計算方法為煤炭消費量占總能源消耗之比），F為森林覆蓋率。具體指標說明如表1所示。

（二） GRU模型構建

本文利用門控循環網絡構建多變量模型進行國家中心城市的碳排放預測。GRU是基于循環神經網絡結構的機器學習模型，將LSTM（Long Short Term Memory）的遺忘門、輸入門結構進行合并優化，并形成更新門的結構網絡，保留了LSTM模型優點，提高了序列數據訓練的效率。①GRU模型的網絡結構如圖1所示。

GRU模型在t時刻的重置門計算公式如式（3）所示。

Rt = σ（xinputWr+br）（3）

其中，σ為Sigmoid激活函數，將數據范圍映射到（0，1）之間;xinput為輸入的參數序列信息;Wr代表重置門的權重矩陣;br代表重置門偏置向量。

更新門用于控制t-1時間點的狀態信息代入當前t時刻狀態的程度，t-1時刻狀態信息代入越多，更新門Zt值越大，其計算公式如式（4）所示。

Zt = σ（xinputWz+bz）（4）

其中，Wz和bz分別代表更新門的權重系數和偏置向量。

將Rt 中的信息與t-1時刻狀態相乘，利用tanh函數將數據范圍映射值[-1，1]之間，其為候選隱藏狀態，如式（5）所示，疊加候選隱藏狀態，得到最終隱藏狀態值。計算公式如式（6）所示。

t = tanh（[Rt☉ht-1，xinput]Wh+bh）（5）

ht = Zt☉ht-1+（1-Zt）☉t（6）

經過上述公式的遞歸，不斷迭代，最終得到本文所用的碳排放預測結構模型。

（三） Informer模型構建

國家中心城市的月度碳排放采用Informer模型進行預測。Informer模型結構如圖2所示。Informer模型是一種可訓練神經網絡的深度學習模型，主要分為編碼器（Encoder）和解碼器（Decoder）兩個部分，編碼器部分主要接收超長的輸入數據，將傳統Transformer模型中的Self-Attention層替換為Informer特有的ProbSpare Self-Attention層，并且通過Self-Attention distilling操作對特征壓縮，堆疊上述兩個操作提高算法的魯棒性。解碼器部分接收LSTF的長序列預測，將預測位置填充0，經過掩碼（Mask）的ProbSpare Self-Attention層，得到最后的預測值。

1. 編碼器輸入

編碼器輸入端嵌入的計算方法如式（7）、式（8）、式（9）所示。

PE（c，2j） = sin[c/（2Lx）]（7）

PE（c，2j+1） = con[c/（2Lx）]（8）

XEn-feed [i] = αuit+PE（Lx×（t-1）+i） +[SE（Lx×（t-1）+i）]c，i∈（1，2，…，Lx）（9）

其中，PE代表LSTF中位置編碼，c為絕對坐標，dmod代表輸入特征維度，輸入長度用Lx表示。式（7）、式（8）分別代表PE在奇數和偶數位置的計算公式。式（9）中的XEn-feed [i]是Encoder部分中每個i包含位置及時序狀態的輸入，αuit將輸入時間序列通過一維卷積濾波器映射到高維的特征向量，PE（Lx×（t-1）+i）為局部時間戳，[SE（Lx×（t-1）+i）]c為全局時間戳。

2. 編碼器編碼

Informer模型中ProbSpare Self-Attention層和Self-Attention Distilling的計算公式分別如式（10）、式（11）所示。

A（Q，K，V） = Softmax

V（10）

Xtj+1 = MaxPool（ELU（Convld（[Xtj]AB）））（11）

式（10）中，A（Q，K，V）為ProbSpare Self-Attention層注意力機制的權值，K、K、V分別為活躍查詢向量、鍵向量、值向量。式（11）中，[Xtj]AB表示注意力模塊，它包含多頭概率稀疏自注意力，Convld表示一維卷積，ELU為激活函數，通過MaxPool層得到下一時刻的[Xtj+1]，并傳入解碼器中。①

3. 解碼器解碼

解碼器解碼的公式如式（12）所示。

XtDe-feed = Concat（Xttoken，Xt0）∈R（12）

其中，XtDe-feed為解碼器中的輸入部分，Xttoken和Xt0分別為編碼器中的已知部分和掩蓋部分，Ltoken和Ly分別為其對應的長度。解碼和編碼的進行過程相同， ProbSpare Self-Attention學習輸入的時間序列的相關信息，通過全連接層輸出。

（四） 數據處理及來源

本文選取2000—2019年國家中心城市的面板數據，由于成都、武漢、鄭州、西安等市在“十四五”規劃中沒有能源結構方面的具體數值，研究僅限于北京市、上海市、天津市、重慶市、廣州市等國家中心城市。數據來自《中國統計年鑒》《中國科技統計年鑒》《北京市統計年鑒》《上海市統計年鑒》《天津市統計年鑒》《重慶市統計年鑒》《廣州市統計年鑒》。其中碳排放量原始數據來自Center for Global Environmental Research網站（www.cger.nies.go.jp/en/）提供的2000年1月至2019年12月的全球1km*1km分辨率的GeoTIFF月度碳排放量數據。通過柵格化和分區域匯總，本文得到中國各城市碳排放量月度面板數據。以2000年為基期不變價格對各個城市生產總值進行平減，個別年份的少量缺失值用插值法進行補齊。本文對地區生產總值、能源結構、森林覆蓋率3個控制性變量的預測值按照“十四五”規劃目標值進行設定，并借鑒前人的方法①，對2025—2030年的變量預測值進行平均遞增，對其余4個非控制性變量按過去數據的內部信息，使用GRU模型進行合理估算。

四、 GRU模型對國家中心城市碳排放的預測及分解

（一） 國家中心城市非控制性變量預測

表1的控制性變量，特指政策強制調控的目標值，以期在合理的時間節點達峰的硬性指標值。非控制性變量，會按照時間慣性向前發展。本文利用GRU模型對非控制性變量2020—2030年的數據進行估計，將預測步長設置為6，送入GRU模型進行歸一化處理，將批處理組設置為12，兩層神經元數量分別設置為32和64，在模型訓練回調時設置均方誤差（MSE）為0.0001，在訓練數據小于該MSE值時結束訓練，并在驗證集上進行MSE及MAE數值的校驗預測值準確性，并進行數據反歸一化，最終得到2020—2030年的預測值，如表2所示。表中的預測數據大體與各城市“十四五”規劃中既有的數據相符合，如《北京市市國土空間近期規劃（2021年—2025年）》明確規定，北京市常住人口在2025年控制在2300萬以內，北京市2025年的預測值為2241.58萬人;《天津市市人口發展“十四五”規劃》規定，到2025年，常住人口達到1500萬人左右，本文預測值為1475.24萬人，預測值具有一定的合理性。（1）在人口方面，北京市和上海市的人口呈現出一種飽和狀態，基本維持不變;天津市總人口在10年間上漲幅度最高;重慶市上漲 了1.37%;廣州市上漲了5.64%。（2）在對外貿易進出口總額方面，北京市維持在4000億美元附近;上海市則維持在4840億美元附近;天津市上漲20.34%;重慶市則下降9.8%;廣州市的進出口總額具有先升后降的特點，但總趨勢仍上升。（3）在研發支出方面，天津市基本維持不變;其余4個城市在研發支出上均有較大幅度的提升，北京市上漲58.05%，上海市上漲到4103.45億元，重慶市上漲到1980.39億元，廣州市上漲到1547.31億元。（4）在能源消費量方面，僅廣州市有大幅度的上升，其余4個城市均無較大變化，國家中心城市在能源消費量方面的上升較為有限，得到較為有效的控制。

（二） 國家中心城市的碳排放及碳強度預測

本文在上述GRU模型預測4個非控制性變量基礎上，加入“十四五”規劃中的3個控制性變量，構建多變量GRU預測模型。本文先對數據進行歸一化處理，將多變量模型的輸入維度增加至7，同樣將MSE控制在0.0001，跳出循環并代入驗證集進行驗證，將神經元在第一層和第二層的數量設為64，在輸出預測變量時將數據反轉，最終得到各個國家中心城市預測的碳排放，結果不盡相同，如表3所示。國家各中心城市的碳排放量原值與預測值，擬合效果較好。①如圖3所示，北京市的碳排放量在2019年已經達到最高，然后呈現下降的趨勢;天津市的碳排放量在2019年之后上升速度較之前有所放緩，呈緩慢的上升趨勢，總體碳排放量得到控制，但仍然無法在2030年達到峰值;上海市的碳排放量預測在2024年前仍在上升，并于2024年達到峰值，隨之開始逐年下降;重慶市在2027年之前保持著上升的趨勢，在2028年達到峰值，在隨后的2年內出現緩慢下降的趨勢;廣州市的碳排放量在之后的10年內仍在快速上升，在2030年前尚未達到峰值。

本文在預測出國家中心城市碳排放總量的基礎上，結合地區生產總值，計算各城市的碳排放強度指標，如表4和圖4所示。結果表明，國家中心城市的碳排放強度都呈現下降的趨勢，但下降的速度有所差異，北京市碳排放強度從2005年的0.548噸/萬元，下降至2030年的0.106噸/萬元。重慶市從起始的0.556噸/萬元下降至2030年的0.066噸/萬元，降幅最高。北京市和重慶市在實現單位國內生產總值二氧化碳排放比下降65%以上這一指標時表現出優良的結果。天津市碳排放強度的起始值較高，處于初始弱勢地位，下降幅度為58.47%。上海市和廣州市的下降幅度分別為60.8%和59.7%。初始值較高的城市并沒有因稟賦的弱勢而造成差距的進一步擴大，國家中心城市的碳排放強度間的差距在日益縮小，并且于2020年后碳排放強度的波動性進一步降低，處于穩定下降的趨勢。值得注意的是，重慶市與上海市的碳排放強度在2005年初始位置處于同一水平，并分別于2011年與2020年趕超廣州市和北京市。

五、 Informer模型對國家中心城市碳排放的校驗

為了校驗預測的穩健性以及預防出現極端誤差，本文采用Informer模型對國家中心城市的月度碳排放量進行預測分析，交叉驗證及確定碳達峰預測的有效區間。

本文將編碼器和解碼器的輸入數值都設置為6，編碼器層數設置為2，解碼器層數設置為1，使用gelu激活函數，使用MSE定義損失函數，耐心值設置為3，編碼器的輸入序列長度設為24，解碼器token長度設為12，同樣利用滑動窗口預測長度為12的數據值，最后見表5所示的預測值。

GRU模型和Informer模型的預測值整體浮動范圍不大，但由于Informer模型采用的是單變量的月度數據的預測，其在國家個別中心城市的達峰峰值時間點和趨勢有所不同，預測的波動性更大。北京市的碳排放量在2019年后仍保持上升趨勢，在2023年達到峰值，與GRU模型相比推遲了4年，在2027年到2029年之間有小幅度上升，并于2030年下降到7458.14萬噸。天津市的碳排放量則出現很強的波動性，峰值為2023年的6295.463萬噸，在2025年出現V字底，2027年至2029年間在6250萬噸上下浮動，最終于2030年降為6221.083萬噸。上海市的碳排放量則于2023年達到峰值，在2024年至2027年間出現小范圍的波動，但在2028年后出現了穩定下降的趨勢，比GRU模型中的預測結果提前1年。重慶市碳排放的變化幅度較小，處于一個較飽和的區域，峰值出現在2026年，與GRU模型相比提前2年達到峰值，并在2026年后出現穩定的下降態勢。廣州市碳排放量峰值出現在2025年，并在之后2年內出現下降。城市二氧化碳達峰并不僅僅指某一年二氧化碳排放達到峰值，只有城市二氧化碳排放出現持續穩定下降，才意味著城市實現二氧化碳達峰，天津市和廣州市在嚴格意義上說并沒有達到二氧化碳達峰，只是在一段時期內達到了某個碳排放量的最高值。

六、 國家中心城市碳排放的影響因素分析

由于國家中心城市稟賦的差異，變量對碳排放的作用程度不同，現將森林覆蓋率、能源結構、總人口、研發投入、能源消費量作為控制性變量進行因素分解①，即維持單個變量不變，其余變量維持原有趨勢，輸入前文中的多變量GRU模型中進行再預測，研究不同控制因素作用的方向及大小，通過觀察，得出國家中心城市的森林覆蓋率、能源結構、研發投入增長會導致碳排放量降低，而總人口和能源消費量增加，與碳排放量呈同向增長。

如表6所示，北京市森林覆蓋率增長將帶來0.22%～1.14%的碳排放量降低;天津市森林覆蓋率變化會帶來0.09%～1.83%的變動;上海市森林覆蓋率變化介于0.47%～4.3%;重慶市森林覆蓋率的影響最顯著，為3.19%-11.81%;廣州市森林覆蓋率的增長會帶來0.001%～0.25%的波動。北京市、天津市、上海市、廣州市煤炭能源結構占比的降低會對碳排放量分別產生1.05%～2.16%、1.66%～2.07%、1.48%～4.68%、2.04%～7.13%的抑制作用，重慶市能源結構調整對碳排放的影響比例最高，為10.12%～23.84%。煤炭作為一次能源的主體，帶來的環境問題也是很大的，減少煤炭的消費與減碳目標一致，煤炭消費的降低和提升非化石能源的比重是各個城市在“十四五”規劃中明確要求的，會對城市碳達峰造成比較顯著的影響，與已有研究一致。①北京市、天津市、上海市由于在預測中人口總量接近飽和，其帶來的影響變化也相對較小，3個城市的人口變量對碳排放量的影響分別為0.89%～3.33%、 2.38%～5.2%、-0.02%～4.14%的碳排放量的增長。上海市呈現了人口聚集對節能減排效應的階段性特征，聚集效應大于增排效應，使人口聚集對碳排放表現為抑制作用。在2025—2030年快速發展階段，上海市的增排效應大于減排效應，從而產生正向的作用效果。①重慶市和廣州市由總人口產生的碳排放壓力則相對較高，分別為4.86%～15.42%和1.6%～10.77%。研發投入對碳排放的影響在國家中心城市中呈現一定的相似性，北京市、天津市、上海市、重慶市、廣州市研發投入的增長降低了碳排放量，與已有的研究結果相一致。②由于國家大部分中心城市的能源消費在原預測值中沒有較大幅度的增長，對碳排放的影響幅度也較小，北京市、天津市、上海市的能源消費的增長分別帶來0.14%～2.12%、0.19%～0.91%、0.09%～1.13%的碳排放量上升，而重慶市、廣州市則分別有3.8%～10.71%、2.41%～7.59%的大幅度促進。大規模的人口和產業的聚集會帶來更大的能源消耗，并帶來較高的碳排放水平。③

七、 結論和政策建議

（一） 主要結論

針對國家中心城市碳排放達峰問題，本文運用STIRPAT擴展形式，通過GRU模型預測4個非控制性變量，結合“十四五”規劃中的3個控制性變量，構建包含7個變量的GRU模型，預測國家中心城市碳排放，并分解其影響因素，采用Informer模型進行校驗，得到以下結論：第一，GRU模型對非控制性變量的預測結果顯示，北京市和上海市的人口接近飽和，上漲趨勢緩慢，但天津市、重慶市、廣州市皆有不同幅度的上漲;在對外貿易進出口總額方面，北京市、上海市維持原有趨勢沒有大幅度變化，天津市在10年間上漲20.34%，重慶市則下降9.79%，廣州市的進出口總額具有先升后降的特點，但總趨勢仍上升;在研究支出方面，天津市基本維持不變，其余4個城市在科研支出上均有較大幅度的提升;在能源消費量方面，廣州市有大幅度的上升變化，重慶市也上升了，其余3個城市均無較大變化，基本維持在11050萬噸標準煤左右。第二，在GRU模型的預測分析中，北京市、上海市、重慶市的碳排放量皆能達到峰值，達峰時間點分別為2019年、2024年和2028年。天津市的總體碳排放量得到控制，但仍然無法在2030年前實現達峰。廣州市呈現快速上漲的趨勢。各城市的碳排放強度的差距逐漸縮小，個別城市出現趕超現象。第三，使用Informer模型發現，北京市、上海市、重慶市皆能實現城市碳達峰，北京市和上海市都于2023年達峰，和GRU模型相比，分別推遲4年和提前1年。重慶市于2026年達峰，提前2年。綜合來看，北京市和上海市屬于碳達峰先鋒城市，預計于2025年前碳達峰，重慶市屬于碳達峰平穩城市，預計2025年至2030年前達峰，而天津市和廣州市則屬于碳達峰遲緩城市，但總體碳排放量得到緩和。（4）總人口、能源消費量會對碳排放產生正向效應，而森林覆蓋率、研發投入及能源結構會對碳排放產生抑制作用。

（二） 政策建議

第一，對原有基礎上能實現碳達峰的北京市、上海市、重慶市，應確保其在國家碳達峰指導方針下的優先達峰，發揮盡早達峰的引領優勢，通過技術溢出效應支持其他地區盡早實現碳達峰，這對帶動全國其他城市實現創新發展、協調發展、綠色發展、開放發展、共享發展具有重要意義。對于碳達峰遲緩城市而言，要實現建筑、生活、交通等全方位減排，加強城市低碳綠色技術攻關，突破現有技術瓶頸，加快產業轉型，優化產業能源結構。第二，城市作為資金、技術、人才、信息等要素的集聚載體，是具有轉型探索精神和技術創新活力的地區。碳達峰遲緩的城市，應控制其人口總量和能源消費量，擴大綠地面積，進一步通過科技創新，發展綠色低碳相關領域高新技術①，優化能源結構和淘汰落后產能，推進城市“雙碳”發展模式融合創新。第三，城市碳達峰方案要根據本地區人口集聚趨勢、經濟發展前景、產業結構狀況、技術水平條件、資源環境稟賦等進行差異化定制，充分發揮減排降碳作用，制定具有城市特色和競爭優勢的低碳轉型路徑，形成差別化競爭新優勢。第四，完善推進城市碳達峰監督考評機制，健全城市碳排放統計標準，細化碳排放評分準則，在國家同一指標下突出率先碳達峰城市的引領性，積極推動國家中心城市能源、工業、建筑、交通等重點行業部門制定碳達峰方案，實施重點領域城市碳排放強度分類管理，健全城市碳排放動態監測體系。

（責任編輯：余風）

① J. Parikh and V. Shukla，“Urbanization， Energy Use and Greenhouse Effects in Economic Development，” Global Environmental Change， Vol. 5， No. 2， 1995， pp.87-103.

② 住房和城鄉建設部城鄉規劃司、中國城市規劃設計研究院編：《全國城鎮體系規劃（2006—2020年）》，商務印書館，2010年，第47-95頁。

③ Haikun Wang， Xi Lu， Yu Deng， Yaoguang Sun， Chris P. Nielsen， Yifan Liu， Ge Zhu， Maoliang Bu， Jun Bi and Michael B. McElroy，“China’s CO2 Peak before 2030 Implied from Characteristics and Growth of Cities，” Nature Sustainability， Vol. 2， No. 8， 2019， pp.748-754.

④ 赫永達、文紅、孫傳旺：《“十四五”期間我國碳排放總量及其結構預測——基于混頻數據ADL-MIDAS模型》，《經濟問題》2021年第4期。

131

① 洪競科、李沅潮、蔡偉光：《多情景視角下的中國碳達峰路徑模擬——基于RICE-LEAP模型》，《資源科學》2021年第4期。

② 王怡：《中國省域二氧化碳排放達峰情景預測及實現路徑研究》，《科學決策》2022年第1期。

③ 蔣昀辰、鐘蘇娟、王逸、黃賢金：《全國各省域碳達峰時空特征及影響因素》，《自然資源學報》2022年第5期。

④ 丁松、李若瑾、黨耀國：《基于初始條件優化的GM（1，1）冪模型及其應用》，《中國管理科學》2020年第1期。

⑤ 徐寧、秦邱皓、王天宇、丁松：《基于自適應調節的灰色滾動預測模型及對碳排放趨勢預測》，《控制與決策》2023年第12期。

⑥ 高峰、律可心、喬智、馬豐魁、姜群鷗：《青藏高原東緣生態過渡帶碳中和評估與預測》，《生態學報》2022年第23期。

⑦ 蔣惠琴、陳苗苗、余昭航、李奕萱、鮑健強：《異質性視角下長三角城市群碳達峰影響因素研究》，《城市問題》2022第8期。

⑧ 戢曉峰、白淑敏、陳方、普永明：《效率視角下省域交通碳排放配額分配研究》，《干旱區資源與環境》2022年第4期。

⑨ 胡劍波、羅志鵬、李峰：《“碳達峰”目標下中國碳排放強度預測——基于LSTM和ARIMA-BP模型的分析》，《財經科學》2022第2期。

⑩ 劉朝、王梓林、原慈佳：《結構視域下自主技術創新對工業碳排放的影響及趨勢預測》，《中國人口·資源與環境》2022年第7期。

經濟管理

132

① 胡劍波、趙魁、楊苑翰：《中國工業碳排放達峰預測及控制因素研究——基于BP-LSTM神經網絡模型的實證分析》，《貴州社會科學》2021年第9期。

② 吳青龍、王建明、郭丕斌：《開放STIRPAT模型的區域碳排放峰值研究——以能源生產區域山西省為例》，《資源科學》2018年第5期。

133

① 《京都議定書》規定的6種溫室氣體為：二氧化碳（CO2）、甲烷（CH4）、氧化亞氮（N2O） 、氫氟碳化合物（HFCs） 、全氟碳化合物（PFCs） 、六氟化硫（SF6）。但囿于數據的可得性，本文研究的溫室氣體僅為CO2。

經濟管理

134

① 易靖韜、嚴歡：《基于小波分解和ARIMA-GRU混合模型的外貿風險預測預警研究》，《中國管理科學》2021年第6期。

① 文思齊、龍天渝：《基于長時間序列預測的計量區給水管網爆管識別》，《重慶市大學學報》2023年第5期。

137

① 袁曉玲、郗繼宏、李朝鵬、張武林：《中國工業部門碳排放峰值預測及減排潛力研究》，《統計與信息論壇》2020年第9期。

① 值得說明的是，GRU模型可以很好地捕獲動態趨勢，但由于信息中噪聲的存在以及本文研究重點并不是具體數值，后文在使用Informer模型進行對照時，是對達峰平臺期的一個預估計。比如模型對2030年北京市碳排放總量的預測值為6441.90萬噸，那么只是說明2030年的碳排放總量在6441.90萬噸附近的概率很大，并不意味著本文預測北京市2030年就是6441.90萬噸的排放量。因為從連續變量的概率分布上看，每一個具體數值出現的概率都為0。

① 由于經濟產出與碳排放的高度相關性以及通過控制產出縮減碳排放的不可行性，本文剔除相關經濟變量，考察其他控制性變量對碳排放的影響。

① 林伯強、李江龍：《環境治理約束下的中國能源結構轉變——基于煤炭和二氧化碳峰值的分析》，《中國社會科學》2015年第9期。

① 邵帥、張可、豆建民：《經濟集聚的節能減排效應：理論與中國經驗》，《管理世界》2019年第1期。

② 藺雪芹、邊宇、王岱：《京津冀地區工業碳排放效率時空演化特征及影響因素》，《經濟地理》2021年第6期。

③ 王正、樊杰：《能源消費碳排放的影響因素特征及研究展望》，《地理研究》2022年第10期。

147

① 胡劍波、張寬元、蔡雯欣：《碳交易政策提高中國省域低碳貿易競爭力了嗎？——基于碳排放權交易試點的準自然試驗》，《杭州師范大學學報》（社會科學版）2023年第1期。