西部地區能源消費碳排放測算及影響因素分析

關鍵詞：碳排放；碳排放系數法；西部地區

中圖分類號：X322 文獻標識碼：A 文章編號:1008-9500(2025)07-0204-05

DOI:10.3969/j.issn.1008-9500.2025.07.059

Measurement of Carbon Emissions from Energy Consumption and Analysis of Influencing Factors in the Western Region

WANG Xinyu， WU Zezhong (CollegeofApplied Mathematics，Chengdu Universityof Information Technology，Chengdu610225，China) Abstract:Basedontheanalysisof11westeregions，thisstudycalculateseergyconsumptioncarbonemisionsanddecomposes their influencingfactorsfrom1995to2O21.Thecarbonemissoncoeffcient method wasemployed toquantifyregionalenergyrelated carbonemissons.ALeast Absolute Shrinkageand Selection Operator (LASSO)regression model was established to conductsecondaryreeningofinfuecingfactors，dentifyeyterminants，ndproosecorrespondingpolicyecomdatios. Keywords:carbon emissions; carbon emission coefficient method; western region

雙碳目標是我國應對全球氣候變化的重要承諾，也是推動綠色低碳發展的重大戰略。西部地區資源豐富，在我國戰略全局中具有重要地位，但是大規模的基建行為對生態環境也造成破壞。研究西部地區的碳排放量，能為全國碳排放研究提供參考。目前，大部分學者只對全國或經濟發展較快的地區進行研究，很少將西部地區作為研究對象。在此背景下，本文探究西部地區的碳排放量，以期為相關研究提供借鑒。

1文獻綜述

目前，碳排放量測算一般采用碳排放系數法，該方法的計算方式較為簡便，在數據量大或者數據不全時仍能保持良好的適應性。QUAN等[1利用碳排放系數法測算了2000一2016年中國物流業碳排放總量。范德成等[利用碳排放系數法測算了中國30個省2011—2020年的碳排放量。

為了制定合理的政策來控制二氧化碳的排放，必須了解影響二氧化碳排放的因素。最小絕對收縮和選擇算子（LeastAbsolute Shrinkageand SelectionOperator，LASSO）是一種用于解決多重共線性的有偏估算方法。XIA等3為確定影響企業碳排放的因素，利用LASSO與固定效應模型識別碳排放影響因素。肇曉楠[使用LASSO算法對我國交通運輸業的碳排放進行因素分解。LASSO具有較強的變量篩選能力，在高維數據和少樣本情況下，也能有效抑制過擬合，且參數調節簡單，故本文選取LASSO回歸作為篩選碳排放影響因素的方法。

2研究方法與指標體系構建

2.1研究方法

能源消費數據來源于《中國能源統計年鑒》（1996一2022年）及各省級行政區的統計年鑒，對于缺失的數據，采用線性插值法補齊。西藏自治區的數據缺失過多，故對余下的西部11個省級行政區（重慶市、四川省、陜西省、云南省、貴州省、廣西壯族自治區、甘肅省、青海省、寧夏回族自治區、新疆維吾爾自治區、內蒙古自治區）進行分析。

基于權威性和可行性，借鑒《2006年IPCC國家溫室氣體清單指南》中給出的碳排放系數法來測算西部11地區的碳排放。具體計算公式為

式中： C 為能源消費碳排放總量； i 為能源品種，包括煤炭、焦炭、原油、汽油、柴油、煤油、燃料油及天然氣； e_i 為第 i 類能源終端消費的實物量； θ_i 為第 i 類能源的標準煤折算系數； μ_i 為第 i 類能源的碳排放系數。

8種能源的單位不同，所以首先進行單位換算，將其單位統一折算為萬噸標準煤。根據《2006年IPCC國家溫室氣體清單指南》，列出各類能源參數，如表1所示。其中，煤炭、焦炭、原油、煤油、柴油、燃料油和天然氣的碳排放系數分別為0.756、0.855、0.586、0.571、0.592、0.619和0.448。

LASSO回歸模型是一種壓縮估計，通過構造懲罰函數得到一個較為精煉的模型，并且該模型還可以處理數據的多重共線性問題。相較于傳統的多元線性回歸模型，LASSO回歸模型在計算損失函數時，將L₂ 正則化項替換為 L₁ ，表達式為

min_β{|y_t-βx_t|₂²+α|β|₁}

式中： y_t 和 x_t 為第 t 個響應變量和自變量； β 為對應參數變量，通過加入 α|β|₁ 懲罰項，將某些對模型影響很小的自變量系數壓縮至0； α 為懲罰系數。數值越大懲罰度越強，剔除的變量更多。

2.2 指標體系構建

碳排放量與眾多影響因素有關，根據實際情況，盡可能全面考量各類因素，以保證變量選取的合理性。本文分別從人口、經濟、結構、技術創新水平、對外開放程度、政府等6個維度進行選取，具體結果如表2所示。其中，經濟維度的指標包括人均地區生產總值（GrossDomesticProduct，GDP）、居民人均可支配收入。

3 實證分析

3.1碳排放量測算

參考《中國能源統計年鑒》（1996一2022年）中的能源數據，利用碳排放系數法計算西部地區的碳排放量。西部地區1995—2021年的碳排放量分別為25759.65萬、27420.86萬、24657.77萬、24611.93萬、23682.44萬、24413.88萬、52618.88萬、26872.45萬、33625.40萬、39659.27萬、44963.75萬、51102.74萬、56562.15萬、61987.18萬、67558.87萬、74342.77萬、85923.41萬、92469.09萬、94175.12萬、95981.57萬、

89230.32萬、94741.76萬、99109.48萬、103107.72萬、

110261.04萬、114217.00萬、124608.55萬t。

1995一2021年，西部地區的能源消費碳排放量大致呈上升趨勢，2021年達到峰值，為124608.55萬t。2001年，碳排放量突然迅速增加，這可能是因為當時的西部地區還處于亞洲金融風暴的沖擊下，在2001年、2002年的碳排放增量都不太穩定。在金融風暴后，政府積極恢復經濟形勢，擴大城鎮化規模，工業生產規模擴大，能源消費碳排放量起伏不定。至2011年，我國越來越注重綠色發展，開始大力推行清潔能源，每年的能源消費碳排放量增長趨勢呈現放緩的狀態，2015年，甚至出現負增長，但仍然不太穩定，要繼續強化節能減排，踐行綠色發展理念。

各個地區的碳排放量相差較大，如圖1所示。其中，能源消費碳排放量最高的地區依次是內蒙古自治區、四川省、新疆維吾爾自治區、陜西省。這與每個地區的地理位置、經濟發展及政策有關。內蒙古自治區礦產資源富集，形成了以能源消費拉動經濟發展的模式，一直以來都是西部地區中碳排放量最高的地區。四川省、陜西省的工業化和城鎮化水平高，一直以來也是高碳排放省份。隨著“一帶一路”倡議的推進，新疆維吾爾自治區憑借其靠近中亞走廊的優越地理位置，能源消費需求逐年增加。另外，能源消費碳排放量低的省級行政區依次是青海省、寧夏回族自治區、重慶市。青海省和寧夏回族自治區擁有豐富的風能、太陽能資源，故能源消費碳排放量不高；重慶市擁有豐富的水力資源，有利于發展清潔能源。

3.2LASSO模型結果

3.2.1 相關性分析

相關性分析是為了檢查變量間的相關性程度，一般使用Pearson相關系數衡量，計算公式為

式中： 分別為第 i 個數據點的 x 變量值和 y 變量值； ， 分別為 x 變量和 y 變量的樣本均值； n 為數據點的總個數。相關系數的取值為[-1，1]，絕對值越大，相關性越強。

利用Python軟件得到相關性熱圖，如圖2所示。大部分變量存在相關性， X_1?X_2?X_3?X_4?X_9?X₁₀ 的相關系數甚至在0.9以上。這表示變量間可能存在多重共線性。使用方差擴大因子（VarianceInflationFactor，VIF）檢驗多重共線性，當VIF值大于10時，一般認為存在多重共線性。各變量的VIF值如表3所示。

絕大部分變量的VIF值遠大于10，最高達3424.58，存在嚴重多重共線性。由于變量之間的多重性問題，篩選自變量更有必要性。

3.2.2基于LASSO方法的影響因素二次篩選

使用R軟件實現LASSO算法，采用K-Fold交叉驗證選擇最優參數。在機器學習模型評估中，K折交叉驗證通過系統化分割數據提升參數優化的可靠性。首先將原始數據集等分為 k 個互斥子集（通常取5～10 折），隨后進行 k 輪迭代訓練—每輪選定一個子集作為驗證集，其余k-1個子集合并為訓練集。模型在每輪訓練后計算驗證集誤差，最終將各輪誤差的均值作為泛化能力評估指標。該方法通過對比不同參數配置下的平均誤差值，有效篩選出最優參數組合，從而降低因數據劃分隨機性導致的模型過擬合風險。為了減少訓練時間和計算成本，同時考慮到本文數據量較少，這里選擇 k=5 。圖3展示了訓練過程中每個變量系數的變化過程，有助于解釋模型在不同情況下的預測結果。

接著，通過繪制交叉驗證誤差圖來尋找最優λ。同時，用均方誤差（Mean SquaredError，MSE）衡量的優劣，認為MSE越小，λ的值越好。數據集的交叉驗證誤差如圖4所示。MSE最小時，對應的λ可視為最優λ值。由圖4可知，最優λ為0.0039，對應的均方根誤差為0.0363。

綜上所述，將選好的λ值放進LASSO交叉驗證模型，對自變量進行二次篩選，舍棄系數為0的變量，保留系數不為0的變量。模型的決定系數 R² 為0.93，反映了模型在特征選擇和模型系數稀疏性方面的優越表現。LASSO模型變量選擇結果如表4所示。

由篩選結果可知，人口規模、城市化水平、第二產業比重、第三產業比重、能源結構、外貿依存度對能源消費碳排放量有顯著作用，且均為促進作用。

針對西部地區的具體情況，從人口維度看，人口的增多和城市化水平的發展會導致能源需求、交通運輸、工業活動等的增加和生活方式的變化，由此導致碳排放增加。從結構維度看，工業生產和服務業通常需要大量能源來運行設備、加工產品以及提供服務，工業生產過程中，需要原材料的開采、運輸和加工，碳排放量的排放隨之增加。從對外依存度來看，我國西部地區在對外交流時，可能更傾向于進行工業生產或商品生產的環節，而這些環節通常涉及能源密集型的生產過程。隨著對外交流的發展，碳排放會逐漸增加。從經濟、技術創新水平、政府3個維度來看，西部地區以資源開采、重工業或傳統制造業為主，這些行業通常具有較高的能源消耗和碳排放。在經濟增長或技術創新的情況下，在這些行業占據主導地位時，碳排放也很難減少。相較于我國其他地區，西部地區的技術創新投入明顯不足，難以減少碳排放量。同時，地方政府在推動環境保護和碳減排方面的政策措施可能不夠積極或完善，缺乏有效的政策引導和支持。

LASSO回歸結果顯示，人口、結構、對外依存度3個維度對西部地區能源消費碳排放量有顯著的影響。

4政策建議

第一，根據省份發展路徑制定不同的減排政策。在制定碳減排政策時，必須考慮其差異性，因地制宜頒布政策。構建省際碳排放數據、信息共享平臺，對碳排放進行實時監管。第二，培育綠色低碳文化，推行綠色低碳的生產生活方式。應加強對綠色技術和創新的支持，鼓勵企業和個人采取節能減排行動，促進清潔能源的利用和推廣。同時，加強對環境保護和可持續發展理念的宣傳，倡導綠色出行、綠色食品和綠色消費，引導人們共同構建綠色低碳的生態文明。

5結論

從省級層面看，內蒙古自治區的能源消費碳排放量常年位居西部地區首位，青海省、寧夏回族自治區、重慶市的碳排放量整體較低。西部地區能源消費碳排放變動的影響因素包括人口規模、城市化水平、第二產業比重、第三產業比重、能源結構、外貿依存度，且均為促進作用。人均GDP、居民人均可支配收入、能源強度、專利授權數、科研投人及環境治理對西部地區碳排放無明顯作用。

參考文獻

1 QUANC，CHENGX，YUS，etal.Analysisontheinfluencing factors of carbon emission in China'slogistics industrybased onLMDI method[J].ScienceoftheTotalEnvironment，2020，734：138473.

2 范德成，張修凡.基于PSO-BP神經網絡模型的中國碳排放情景預測及低碳發展路徑研究[J].中外能源，2021（8）：11-19.

3 XIAM，CAIHH.Thedriving factors of corporatecarbon emissions:an application of theLASSOmodel with survey data[J].Environmental Science andPollutionResearch，2023（19）:56484-56512.

4肇曉楠.交通運輸業碳排放預測及達峰路徑研究[D].大連：大連海事大學，2023.