天津市碳排放影響因素的綜合識(shí)別與分析

摘要：面對(duì)全球氣候變化，識(shí)別城市碳排放關(guān)鍵因素對(duì)制定減排政策至關(guān)重要。文章通過一階和二階靈敏度分析發(fā)現(xiàn)，“私人擁有量_汽車”對(duì)天津市碳排放影響最大（靈敏度指數(shù)接近0.4），其次為“地方一般公共預(yù)算支出政府節(jié)能環(huán)保支出”（約0.15）和“產(chǎn)業(yè)結(jié)構(gòu)高級(jí)化指數(shù)”（約0.12）。線性回歸模型顯示，“私人擁有量_汽車”系數(shù)為1.7312，“地方一般公共預(yù)算支出政府節(jié)能環(huán)保支出”系數(shù)為-1.0511。建議減少私人汽車使用，增加公共交通設(shè)施，加大節(jié)能環(huán)保支出，優(yōu)化產(chǎn)業(yè)結(jié)構(gòu)，以控制碳排放，促進(jìn)環(huán)境可持續(xù)發(fā)展。

關(guān)鍵詞：靈敏度分析；節(jié)能環(huán)保支出；私人擁有量_汽車

中圖分類號(hào)：X322" 文獻(xiàn)標(biāo)志碼：A

0 引言

在全球氣候變化日益嚴(yán)峻的背景下，減少溫室氣體排放已成為國(guó)際社會(huì)共同面臨的重大挑戰(zhàn)。作為中國(guó)北方重要的經(jīng)濟(jì)中心和港口城市，天津不僅在國(guó)家經(jīng)濟(jì)發(fā)展中扮演著關(guān)鍵角色，也因其顯著的碳排放量成為關(guān)注焦點(diǎn)。隨著城市化進(jìn)程的加速和工業(yè)活動(dòng)的密集，天津的碳排放問題日益凸顯，對(duì)環(huán)境質(zhì)量、公眾健康以及可持續(xù)發(fā)展構(gòu)成了潛在威脅。

近年來，天津市政府積極響應(yīng)國(guó)家“雙碳”目標(biāo)（即“碳達(dá)峰”與“碳中和”），致力于探索一條綠色低碳的發(fā)展路徑。然而，要制定有效且精準(zhǔn)的減排策略，深入理解碳排放的主要驅(qū)動(dòng)因素至關(guān)重要。本文旨在通過系統(tǒng)分析天津碳排放的影響因素，為政府決策者、企業(yè)界以及社會(huì)各界提供科學(xué)依據(jù)，以促進(jìn)天津乃至整個(gè)區(qū)域的低碳轉(zhuǎn)型和綠色發(fā)展。

天津的碳排放問題具有復(fù)雜性和多樣性，它涉及經(jīng)濟(jì)增長(zhǎng)、能源消費(fèi)結(jié)構(gòu)、工業(yè)活動(dòng)、居民生活方式以及城市規(guī)劃等多個(gè)層面。本研究將采用定量分析方法，結(jié)合天津的歷史數(shù)據(jù)，從宏觀到微觀，全面解析碳排放背后的各種動(dòng)力機(jī)制。通過識(shí)別關(guān)鍵的影響因素，本文期望能夠?yàn)樘旖蚰酥料嗨瞥鞘械牡吞及l(fā)展提供可行的政策建議，推動(dòng)實(shí)現(xiàn)經(jīng)濟(jì)效益與環(huán)境保護(hù)的雙贏局面。

1 文獻(xiàn)綜述

袁啟恒等^［1］運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)了北京、上海、重慶和天津4個(gè)超大型城市2021—2060年的碳排放趨勢(shì)，發(fā)現(xiàn)除天津外其他城市碳排放均呈下降趨勢(shì)，強(qiáng)調(diào)合理政策執(zhí)行強(qiáng)度對(duì)持續(xù)減排的重要性。王睿等^［2］基于空間-社會(huì)視角，通過路徑分析模型研究了天津市中心城區(qū)居住能耗碳排放的影響因素，發(fā)現(xiàn)社會(huì)性因素如人口數(shù)量和住房總價(jià)對(duì)碳排放的影響顯著大于空間性因素，證實(shí)住區(qū)價(jià)值對(duì)家庭居住能耗碳排放有顯著正向影響，建議采用差異化策略進(jìn)行低碳社區(qū)規(guī)劃。胡彪等^［3］利用ARDL模型分析了1997—2020年中國(guó)能源結(jié)構(gòu)與綠色技術(shù)創(chuàng)新對(duì)二氧化碳排放的影響。研究顯示，長(zhǎng)期能源結(jié)構(gòu)調(diào)整對(duì)減排效果顯著，綠色技術(shù)創(chuàng)新亦能有效降低二氧化碳排放，建議通過優(yōu)化能源結(jié)構(gòu)和發(fā)展綠色技術(shù)促進(jìn)低碳目標(biāo)的實(shí)現(xiàn)。李健等^［4］采用Super-SBM模型評(píng)估了2010—2022年京津冀地區(qū)水泥業(yè)的碳排放效率，并利用SVAR模型分析了影響因素。結(jié)果顯示，短期內(nèi)增加非煤炭能源消耗有助于碳減排，而長(zhǎng)期則需持續(xù)優(yōu)化能源生產(chǎn)和調(diào)整能源結(jié)構(gòu)。李健等^［5］利用Super-SBM模型分析了2009—2019年京津冀地區(qū)的碳排放效率，通過社會(huì)網(wǎng)絡(luò)分析揭示了以北京和天津?yàn)楹诵牡目臻g關(guān)聯(lián)網(wǎng)絡(luò)特征，建議加強(qiáng)核心城市的輻射作用和構(gòu)建三地協(xié)同機(jī)制以提升整體碳排放效率。劉浩等^［6］通過分析2005—2020年京津冀地區(qū)機(jī)動(dòng)車碳排放數(shù)據(jù)，發(fā)現(xiàn)河北省道路碳排放量增長(zhǎng)迅速，而北京和天津則進(jìn)入低速增長(zhǎng)期，小型客車為主要碳排放源，北京和天津的碳排放強(qiáng)度顯著高于河北省。韓楠等^［7］通過構(gòu)建碳排放系統(tǒng)動(dòng)力學(xué)模型，預(yù)測(cè)了京津冀地區(qū)在不同情景下的碳達(dá)峰時(shí)間和減排潛力。研究顯示，在協(xié)調(diào)發(fā)展情景下，北京、天津和河北的碳減排效果最佳，北京已實(shí)現(xiàn)碳達(dá)峰，天津和河北的達(dá)峰時(shí)間可分別提前至2021年和2030年。藺雪芹等^［8］利用Super-SBM模型分析了2000—2018年京津冀地區(qū)13個(gè)城市工業(yè)碳排放效率的時(shí)空演化特征，發(fā)現(xiàn)碳排放效率整體提升，受生產(chǎn)力水平、工業(yè)研發(fā)投入和對(duì)外開放水平的正向影響顯著，建議通過提高這些因素促進(jìn)綠色低碳發(fā)展。宮倩楠等^［9］通過分析2005—2015年京津冀地區(qū)人口碳排放壓力，發(fā)現(xiàn)該地區(qū)整體碳排放壓力較大，唐山、天津和邯鄲面臨嚴(yán)重壓力，建議通過優(yōu)化能源結(jié)構(gòu)和發(fā)展低碳技術(shù)來緩解人口對(duì)碳排放的影響。苑清敏等^［10］通過面板門限回歸分析發(fā)現(xiàn)，京津冀地區(qū)工業(yè)碳排放強(qiáng)度與產(chǎn)業(yè)規(guī)模、產(chǎn)業(yè)結(jié)構(gòu)和能源結(jié)構(gòu)之間存在長(zhǎng)期均衡關(guān)系及門限效應(yīng)。其中，產(chǎn)業(yè)結(jié)構(gòu)對(duì)碳排放強(qiáng)度的影響尤為顯著，建議重點(diǎn)關(guān)注產(chǎn)業(yè)結(jié)構(gòu)調(diào)整以促進(jìn)碳減排。

在研究碳排放影響因素識(shí)別時(shí)，本文結(jié)合新發(fā)展理念5個(gè)維度（創(chuàng)新、協(xié)調(diào)、綠色、開放、共享），通過定量分析方法來研究。

2 研究設(shè)計(jì)

2.1 數(shù)據(jù)來源

本研究所采用的研究數(shù)據(jù)源自國(guó)泰安數(shù)據(jù)庫(kù)。時(shí)間跨度為2007—2019年。

2.2 變量選擇

本研究結(jié)合了新發(fā)展理念5個(gè)維度（創(chuàng)新、協(xié)調(diào)、綠色、開放、共享），共計(jì)選取14個(gè)自變量：各地區(qū)規(guī)上工業(yè)企業(yè)Ramp;D經(jīng)費(fèi)內(nèi)部支出；各地區(qū)規(guī)上工業(yè)企業(yè)Ramp;D人員；高技術(shù)產(chǎn)業(yè)銷售收入比GDP；能源結(jié)構(gòu)；產(chǎn)業(yè)結(jié)構(gòu)高級(jí)化指數(shù)；單位GDP能耗；地方一般公共預(yù)算支出政府節(jié)能環(huán)保支出；各地區(qū)一般工業(yè)固體廢物產(chǎn)生量；工業(yè)污染治理投資完成情況；接待入境旅游人數(shù)（萬人次）；實(shí)際利用外商直接投資額；每萬人擁有公交車輛；人均擁有道路面積；私人擁有量_汽車。因變量為碳排放量（見表1）。

2.3 數(shù)據(jù)處理

通過最小-最大縮放標(biāo)準(zhǔn)化方法，對(duì)15個(gè)變量的數(shù)據(jù)進(jìn)行了標(biāo)準(zhǔn)化處理。

2.4 模型及方法選擇

在本文研究中，采用了Python編程環(huán)境，應(yīng)用Sobol敏感性分析方法來評(píng)估多元回歸模型。Sobol方法是一種全局敏感性分析技術(shù)，其主要目的在于量化輸入?yún)?shù)的不確定性對(duì)模型輸出不確定性的影響程度。這種方法的獨(dú)特之處在于它不僅考慮了單個(gè)輸入?yún)?shù)對(duì)模型輸出的影響（即一階效應(yīng)），還考慮了參數(shù)間的相互作用（如二階效應(yīng)及更高階的交互作用）。通過這種方式，Sobol方法提供了對(duì)模型行為更深入的理解，特別是在面對(duì)復(fù)雜的多變量系統(tǒng)時(shí)尤為有用。

Sobol敏感性分析的核心是Sobol敏感性指數(shù)，這些指數(shù)可以將模型輸出的總方差分解為由各輸入?yún)?shù)單獨(dú)貢獻(xiàn)的部分方差以及由它們之間交互作用貢獻(xiàn)的部分方差。具體來說，Sobol第一階敏感性指數(shù)衡量了單個(gè)參數(shù)對(duì)模型輸出變異性的獨(dú)立貢獻(xiàn)；第二階敏感性指數(shù)則度量了兩個(gè)參數(shù)和之間的交互作用對(duì)模型輸出變異性的貢獻(xiàn)；類似地，高階敏感性指數(shù)可以進(jìn)一步評(píng)估更多參數(shù)組合的交互影響。

此外，Sobol敏感性分析的一個(gè)顯著優(yōu)點(diǎn)是它能夠提供定量化的敏感性指標(biāo)，這有助于明確各個(gè)輸入?yún)?shù)對(duì)模型輸出的重要程度。這些指標(biāo)不僅揭示了哪些參數(shù)最為關(guān)鍵，而且還能識(shí)別出哪些參數(shù)間的相互作用可能對(duì)模型的行為產(chǎn)生了顯著影響。這種能力對(duì)于理解和簡(jiǎn)化模型結(jié)構(gòu)、指導(dǎo)模型的校準(zhǔn)和優(yōu)化流程至關(guān)重要。

綜上所述，借助Sobol敏感性分析方法，本研究可以獲得一個(gè)更細(xì)致和全面的模型性能評(píng)價(jià)，這對(duì)于提高模型預(yù)測(cè)精度、增強(qiáng)模型的魯棒性和解釋力具有重要意義。因此，Sobol方法在復(fù)雜系統(tǒng)的建模和分析中被廣泛認(rèn)為是一個(gè)強(qiáng)有力的工具。

3 敏感性評(píng)估結(jié)果

圖1展示了一階靈敏度指數(shù)，這些指數(shù)用于衡量每個(gè)輸入變量對(duì)模型輸出的獨(dú)立影響。一階靈敏度指數(shù)越高，表示該變量對(duì)輸出的貢獻(xiàn)越大，即該變量的變化對(duì)模型輸出的影響越顯著。

從圖1可以看出，有若干變量的一階靈敏度指數(shù)相對(duì)較高，這表明它們對(duì)模型輸出有較大的影響。具體來說：自變量“私人擁有量_汽車”的一階靈敏度指數(shù)最高，接近0.4，表明汽車的私人擁有量對(duì)碳排放量有非常顯著的影響。自變量“地方一般公共預(yù)算支出政府節(jié)能環(huán)保支出”的指數(shù)也較高，約為0.15，表明地方一般公共預(yù)算支出政府節(jié)能環(huán)保支出對(duì)碳排放量也有重要影響。自變量“產(chǎn)業(yè)結(jié)構(gòu)高級(jí)化指數(shù)”的指數(shù)約為0.12，顯示出它對(duì)碳排放量的中等影響。自變量“單位GDP能耗”的一階靈敏度指數(shù)幾乎為0，表明單位GDP能耗對(duì)碳排放的影響很低，可以忽略不計(jì)。其他自變量如“能源結(jié)構(gòu)”“每萬人擁有公交車輛”等也顯示出一定的影響，但程度較低。

二階靈敏度指數(shù)用于衡量?jī)蓚€(gè)輸入變量之間的交互作用對(duì)模型輸出的影響。二階靈敏度指數(shù)的值越高，表示這兩個(gè)變量的交互作用對(duì)輸出的貢獻(xiàn)越大。

根據(jù)分析計(jì)算結(jié)果，變量\"人均擁有道路面積\"與\"每萬人擁有公交車輛\"的交互作用呈現(xiàn)出唯一顯著的正向效應(yīng)，這表明兩者之間存在一種協(xié)同作用機(jī)制，共同促進(jìn)了碳排放量的增加。與此同時(shí)，其他變量對(duì)之間的交互作用要么表現(xiàn)出中性特征，要么顯示出不同程度的負(fù)向交互作用，意味著這些變量間的關(guān)系要么對(duì)碳排放量的影響較為微弱，要么實(shí)際上起到了抑制碳排放的作用。

該發(fā)現(xiàn)不僅深化了對(duì)各因素通過相互作用影響碳排放動(dòng)態(tài)的認(rèn)識(shí)，還為制定有效的碳減排政策提供了科學(xué)依據(jù)。特別是“人均道路面積”與“每萬人擁有公交車輛數(shù)”之間的正向交互作用表明，在規(guī)劃城市交通系統(tǒng)時(shí)，應(yīng)綜合考慮道路基礎(chǔ)設(shè)施建設(shè)和公共交通設(shè)施的布局，以防止?jié)撛诘奶寂欧旁黾印?/p>

表2為線性回歸模型各自變量系數(shù)，旨在量化每個(gè)自變量對(duì)因變量的影響程度，可以直觀看到各自變量對(duì)于因變量的影響。回歸系數(shù)的正負(fù)號(hào)指示了自變量與因變量之間的線性關(guān)系方向：正值表示自變量與因變量呈正相關(guān)，負(fù)值則表示負(fù)相關(guān)。系數(shù)的絕對(duì)值大小反映了自變量對(duì)因變量影響的相對(duì)強(qiáng)度。

表2中的自變量系數(shù)明確展示了各個(gè)自變量回歸系數(shù)的準(zhǔn)確數(shù)值，變量“私人擁有量_汽車”具有最大的正系數(shù)1.7312，表明其對(duì)因變量碳排放量具有最顯著的正向影響。另外，“產(chǎn)業(yè)結(jié)構(gòu)高級(jí)化指數(shù)”“人均擁有道路面積”兩個(gè)自變量也對(duì)因變量碳排放量具有較大的正向影響。自變量“各地區(qū)規(guī)上工業(yè)企業(yè)Ramp;D人員”“高技術(shù)產(chǎn)業(yè)銷售收入比GDP”“工業(yè)污染治理投資完成情況”對(duì)因變量存在較小的正向影響。自變量“地方一般公共預(yù)算支出政府節(jié)能環(huán)保支出”則具有最大的負(fù)系數(shù)-1.0511，表明其對(duì)因變量碳排放量具有負(fù)向影響。另外，還有自變量“各地區(qū)規(guī)上工業(yè)企業(yè)Ramp;D經(jīng)費(fèi)內(nèi)部支出”“能源結(jié)構(gòu)”“每萬人擁有公交車輛”“實(shí)際利用外商直接投資額”對(duì)因變量碳排放量有較大的負(fù)向影響。自變量“單位GDP能耗”“各地區(qū)一般工業(yè)固體廢物產(chǎn)生量”“接待入境旅游人數(shù)”對(duì)因變量碳排放量存在較小的負(fù)向影響。

4 結(jié)論

本文深入分析了多個(gè)自變量對(duì)碳排放量這一因變量的影響。研究結(jié)果揭示了不同因素對(duì)碳排放量的獨(dú)立貢獻(xiàn)以及它們之間的交互作用，通過線性回歸模型進(jìn)一步量化了這些影響的具體程度。

首先，一階靈敏度指數(shù)揭示了單個(gè)自變量對(duì)碳排放量的直接影響。其中，“私人擁有量_汽車”這一變量的一階靈敏度指數(shù)最高，達(dá)到約0.4，表明汽車的私人擁有量是影響碳排放量最重要的因素之一。這意味著隨著汽車數(shù)量的增長(zhǎng)，碳排放量也會(huì)相應(yīng)增加，凸顯出交通運(yùn)輸領(lǐng)域在減少碳排放方面的關(guān)鍵作用。此外，“地方一般公共預(yù)算支出政府節(jié)能環(huán)保支出”（約0.15）和“產(chǎn)業(yè)結(jié)構(gòu)高級(jí)化指數(shù)”（約0.12）也顯示出較高的靈敏度指數(shù)，說明政府在節(jié)能環(huán)保上的投入以及產(chǎn)業(yè)結(jié)構(gòu)的優(yōu)化對(duì)于控制碳排放同樣至關(guān)重要。

然而，“單位GDP能耗”的一階靈敏度指數(shù)幾乎為零，意味著盡管經(jīng)濟(jì)發(fā)展水平與碳排放密切相關(guān)，但在本研究中，單位產(chǎn)出的能耗變化對(duì)總體碳排放影響不大，這可能暗示著能源效率改進(jìn)措施已經(jīng)取得一定成效，或者其他因素掩蓋了其潛在效應(yīng)。

其次，在考慮變量間的交互作用時(shí)，二階靈敏度指數(shù)為研究提供了新的視角。“人均擁有道路面積”與“每萬人擁有公交車輛”之間的唯一正向交互作用表明，城市交通基礎(chǔ)設(shè)施的發(fā)展可能會(huì)加劇碳排放問題。這可能是由于公共交通設(shè)施不足導(dǎo)致更多人依賴私家車出行，從而間接增加了碳排放量。

最后，通過線性回歸模型各自變量系數(shù)，可以更加精確地量化各自變量對(duì)碳排放量的貢獻(xiàn)度。以“私人擁有量_汽車”為例，其回歸系數(shù)高達(dá)1.7312，再次證實(shí)了該變量對(duì)碳排放量具有強(qiáng)烈的正向推動(dòng)作用。與此同時(shí)，“地方一般公共預(yù)算支出政府節(jié)能環(huán)保支出”的回歸系數(shù)為-1.0511，顯示出強(qiáng)烈的負(fù)相關(guān)性，證明政府增加節(jié)能環(huán)保支出確實(shí)有助于降低碳排放量。

綜上所述，本研究表明，為了有效控制和減少碳排放，應(yīng)重點(diǎn)關(guān)注以下幾個(gè)方面：一是減少個(gè)人汽車使用，鼓勵(lì)公共交通發(fā)展；二是加大節(jié)能環(huán)保方面的公共支出，支持綠色技術(shù)和清潔能源的應(yīng)用；三是推進(jìn)產(chǎn)業(yè)結(jié)構(gòu)調(diào)整，提高能效標(biāo)準(zhǔn)。這些措施不僅能夠減輕交通運(yùn)輸部門的壓力，還能促進(jìn)經(jīng)濟(jì)向低碳模式轉(zhuǎn)型，從而實(shí)現(xiàn)環(huán)境保護(hù)與經(jīng)濟(jì)社會(huì)發(fā)展的雙贏目標(biāo)。未來的研究可進(jìn)一步探討不同政策措施的實(shí)際效果及其在不同區(qū)域背景下的適用性，為制定更具針對(duì)性的減排策略提供科學(xué)依據(jù)。

參考文獻(xiàn)

［1］袁啟恒，劉貴賢，周春雷，等.碳排放約束下城市長(zhǎng)期脫碳趨勢(shì)預(yù)測(cè)［J/OL］.環(huán)境科學(xué)，1-18［2024-09-11］.https：//doi.org/10.13227/j.hjkx.202404068.

［2］王睿，馬巧珊，劉靜嫻，等.基于空間-社會(huì)視角的城市居住能耗碳排放影響因素研究：以天津中心城區(qū)為例［J］.建筑節(jié)能（中英文），2024（7）：129-136.

［3］胡彪，左穎.能源結(jié)構(gòu)、綠色技術(shù)創(chuàng)新對(duì)中國(guó)二氧化碳排放的影響［J］.天津理工大學(xué)學(xué)報(bào)，2024（4）：119-125.

［4］李健，姜佳男，董經(jīng)軒.“雙碳”目標(biāo)下京津冀水泥業(yè)碳排放效率及影響因素研究［J/OL］.天津理工大學(xué)學(xué)報(bào)，1-10［2024-09-11］.http：//kns.cnki.net/kcms/detail/12.1374.N.20240412.1557.010.html.

［5］李婷，郭慧龍.京津冀地區(qū)碳排放效率的空間關(guān)聯(lián)網(wǎng)絡(luò)研究［J］.河北環(huán)境工程學(xué)院學(xué)報(bào)，2022（4）：8-14.

［6］劉浩，李艷霞，于鳳菊，等.京津冀地區(qū)道路碳排放量的演變及空間分布［J］.中國(guó)環(huán)境科學(xué)，2022（10）：4556-4564.

［7］韓楠，羅新宇.多情景視角下京津冀碳排放達(dá)峰預(yù)測(cè)與減排潛力［J］.自然資源學(xué)報(bào)，2022（5）：1277-1288.

［8］藺雪芹，邊宇，王岱.京津冀地區(qū)工業(yè)碳排放效率時(shí)空演化特征及影響因素［J］.經(jīng)濟(jì)地理，2021（6）：187-195.

［9］宮倩楠，王瑩瑩，童玉芬.京津冀人口對(duì)碳排放的壓力：空間格局及變動(dòng)分析［J］.首都經(jīng)濟(jì)貿(mào)易大學(xué)學(xué)報(bào)，2020（2）：56-67.

［10］苑清敏，張寶榮，李健.京津冀地區(qū)工業(yè)碳排放影響因素的門限效應(yīng)分析［J］.環(huán)境科學(xué)與技術(shù)，2019（11）：213-221.

（編輯 姚 鑫）

Comprehensive identification and analysis of influencing factors of carbon emissions in Tianjin： based on sensitivity analysis

LI" Zhiyun， YAO" Guojie*

（School of Management and Economics， North China University of Water Resources and Electric Power， Zhengzhou 450046， China）

Abstract： In the face of global climate change， identifying the key factors of urban carbon emissions is crucial for formulating emission reduction policies. Through the first-order and second-order sensitivity analysis， it is found that “private ownership_car” has the greatest impact on carbon emissions in Tianjin （the sensitivity index is close to 0.4）， followed by “l(fā)ocal general public budget expenditure， government energy conservation and environmental protection expenditure” （about 0.15） and “industrial structure upgrading index” （about 0.12）. The linear regression model showed that the coefficient of “private ownership_car” was 1.7312， and the coefficient of “l(fā)ocal general public budget expenditure， government energy conservation and environmental protection expenditure” was -1.0511. It is recommended to reduce the use of private cars， increase public transportation facilities， increase energy conservation and environmental protection expenditures， and optimize the industrial structure to control carbon emissions and promote sustainable environmental development.

Key words： sensitivity analysis; energy conservation and environmental protection expenditure; private ownership_car

作者簡(jiǎn)介：李志昀（1999—），男，碩士研究生；研究方向：碳排放。

*通信作者：姚國(guó)杰（1996—），男，碩士；研究方向：碳排放。