基于STIRPAT模型的甘肅省碳排放預測與影響因素研究

中圖分類號：X321 文獻標志碼：A 文章編號：1001-988X（2025）05-0089-11

Abstract： Based on the IPCC emission factor method， this study calculates the carbon emissions in Gansu Province from 1990 to 2021. It employs the LMDI decomposition method and the STIRPAT model to analyze the driving factors of carbon emissons，and uses a random forest algorithm to identify the key influencing factors. The PSO-BP neural network model is then applied to predict future trends under baseline，high-carbon，and low-carbon scenarios. The research findings indicate that energy utilization and the primary and secondary industries within the industrial structure have a restraining effect on carbon emissions. In contrast， factors such as the proportion of urban population， regional GDP， and energy consumption intensity significantly contribute to increased carbon emissions，with natural gas consumption being the largest contributor to carbon emission growth. Random forest analysis confirms that regional GDP，energy consumption intensity， urbanization level， industrial structure， and energy structure are the primary influencing factors. The introduction of the particle swarm optimization（PSO） algorithm effectively enhances the prediction accuracy of the BP neural network. The results show that under the baseline，highcarbon，and low-carbon scenarios，Gansu Province is expected to reach its carbon peak in 2025 （250.4439 million tons），2030（260.9157 million tons），and 2035（320.5994 million tons）， respectively.

Key words： STIRPAT model; carbon emission; ridge regression; random forest; PSO-BP neural network

在全球氣候變化日益嚴峻的背景下，碳排放問題已成為各國可持續發展戰略的核心內容[1]．我國提出了在2030年前實現碳達峰，2060年前實現碳中和的目標[2]．這一目標不僅關系到環境保護，更關乎經濟的高質量發展和社會的可持續發展．甘肅省作為中國西北地區的重要省份，其碳排放情況對全國碳達峰和碳中和目標的實現具有重要意義.由于甘肅省的經濟發展在很大程度上依賴于高耗能產業，如煤炭、鋼鐵和化工等，這些產業的碳排放量占比較高[3，4]．此外，甘肅省的能源結構以煤炭為主，能源利用效率較低，進一步加劇了碳排放問題[5]．因此，研究甘肅省的碳排放預測及其影響因素，對于制定有效的減排策略、推動低碳經濟發展具有重要的理論和實踐意義.

當前，碳排放研究領域主要集中在碳排放的測算、影響因素的分解以及碳達峰預測等方面[67].在碳排放的測算方面，國內外學者已構建起多元化的方法體系．例如任曉靈等[8]將生命周期分析法應用于城市垃圾分類全過程的碳排放核算，構建了從收集運輸到末端處理的全鏈條分析框架；張立新等[9采用投入產出分析法對甘肅省建筑行業碳排放進行測算．值得注意的是，在方法選擇層面，國內學者普遍傾向于采用數據易得、計算簡便并且具有標準化優勢的IPCC（IntergovernmentalPanel onClimateChange）系數法[1o]．針對碳排放的影響因素分析方法主要包括，鄭琰等[13使用LMDI模型（LogarithmicMeanDivisiaIndex）對江蘇省碳排放驅動因素進行測算，辛春林等[14]使用STIRPAT模型（Stochastic Impacts by RegressiononPopulation，Affluence，and Technology）對河北省碳排放相關因素進行研究．此外，Kaya恒等式（Kaya Identity）、LEAP 模型（Long-range Energy AlternativesPlanningSystem）也被用于研究“雙碳”背景下碳排放的影響因素[15]．在碳排放的預測方面，董棒棒等[1使用STIRPAT模型對西北地區能源消費碳排放進行預測．張巨峰等[17]采用ARIMA（Autore gressive integrated moving average）時間序列模型對甘肅省碳排放情況進行預測．以上模型在許多情況下假設各影響因素之間的關系是線性的．另外，神經網絡因其出色的非線性映射能力、自適應性和良好的泛化性能，被廣泛應用于碳排放預測．例如，王永利等[18]采用BP（BackPropagation）神經網絡對河北省的碳排放以及碳達峰進行預測，潘思羽等[19]使用BP神經網絡與嶺回歸等方法對甘肅省碳達峰情況進行預測.但傳統BP神經網絡在小樣本情況下容易陷入局部最優解，導致預測結果不佳．情景分析法經常作為碳排放未來趨勢的研究方法，鄒松兵等[20]結合LEAP模型與情景分析法，設置基準情景、發展情景、目標達峰情景三種情景對甘肅省碳排放進行預測．楊俊祺等[21]也結合神經網絡與情景分析法對山西省碳排放進行預測.

針對以往研究出現的問題，本研究發現各影響因素間存在線性關系，因而采用嶺回歸處理影響因素間的多重共線性問題.為多維度研究各指標對碳排放的影響，本文增加主要能源消耗量、產業結構、能耗強度等指標，通過擴展的STIRPAT模型與LMDI分解法構建碳排放影響因素分析模型.使用隨機森林進一步篩選重要影響因素，采用粒子群（Particle Swarm Optimization，PSO）算法對 BP神經網絡模型進行優化，最終基于該模型對甘肅省碳排放未來趨勢進行預測．研究結果有助于揭示甘肅省碳排放的主要驅動機制，并為制定碳減排政策提供了有效的科學依據，

研究方法與數據來源

1. 1 碳排放計算

甘肅省碳排放主要以煤炭、汽油、原油、天然氣等能源消耗所產生 CO₂ 為主22]，本文采用IPCC所提供化石能源碳排放系數以及劉傳明等學者的計算公式選取9種主要能源消耗對甘肅省1990—2021年 CO₂ 排放量進行推算[23]，計算公式為

其中 ω_CO2 為碳排放量（萬 Ω_t） ， E_i 為第 i 種能源的消耗量（萬t）， F_i 為第 i 種能源的碳排放系數，H_i 為第 i 種能源的平均低位發熱量 （kJ?kg^-1 ）．能源平均低位發熱量數據來源于中國碳核算數據庫（https： 11 www.ceads.net.cn）.

1.2 STIRPAT因素分解模型構建

STIRPAT模型是基于IPAT模型[24]的擴展，用于分析環境影響因素的隨機效應．STIRPAT模型具有較大的靈活性，能夠通過彈性系數量化各個因素對碳排放的影響程度[25]，從而為區域碳排放的精確預測和減排策略的制定提供科學依據．碳排放量計算公式為

I=a×P^b×A^c×T^d×e，

其中， I 為碳排放量， P 為人口規模， A 為經濟發展水平， T 為能源水平， a 為常數， b，c，d 為彈性系數， e 為誤差項.

結合甘肅省的發展特點，相較于傳統STIRPAT模型，本文引入能源消耗作為影響因素之一進行分析，在STIRPAT模型的基礎上進行擴展并對兩邊取對數[26]，選取了15個解釋變量，包括人口規模、城市化水平、能源消耗強度、第一、第二、第三產業比重等．這些變量與碳排放密切相關，能夠全面反映甘肅省的經濟、能源和社會結構對碳排放的影響，公式如下：

X₁，X₂，…，X₁₅ 分別代表15個影響因素變量， α₁ α₂…，α₁₅ 分為各變量的彈性系數，表示這些因素對碳排放的影響程度．通過對該模型進行多元線性回歸分析[27]，為了定量地揭示甘肅省各因素對碳排放的影響強度還需要對STIRPAT模型進行多元回歸分析.

表1影響因素變量說明

Tab1 Explanation of influencingfactor variables

1.3 LMDI模型構建

LMDI（LogarithmicMeanDivisiaIndex）是以KAYA恒等式為基礎，將總量分解成多個影響因素組合，再分析各因素的貢獻率的研究方法[28]本研究采用LMDI方法對甘肅省不同時期的碳排放驅動因素進行分解，分析各因素對碳排放變化的貢獻率.LMDI模型表現形式為

M_i×N_i，

其中， C_t 表示 Ψ_t 期的區域碳排放總量， P_i 表示人口規模， A_i 表示經濟發展， T_i 表示能源利用， S_i 表示綜合消耗， H_i 表示產業結構， M_i 表示城市率， N_i 表示能源消耗.

為了進一步解析區域碳排放因素的貢獻值，將碳排放變化進行分解：

ΔC=C_t-C₀=ΔP+ΔA+ΔT+ΔS+

ΔH+ΔM+ΔN，

其中， ΔC 表示碳排放變化量，即兩個時期之間的碳排放差異， 表示基期的碳排放總量， ΔP .ΔA，ΔT，ΔS，ΔH，ΔM，ΔN 分別為各個影響因素的貢獻值.

各影響因素的貢獻值可由下式進行計算：

其中權重系數 μ 計算公式為

通過計算貢獻率，衡量各影響因素在碳排放變化中的相對重要性，具體公式為

其余影響因素 D_?T，D_s 等計算與（8）式相同． θ 表示對數差異，定義為

1.4 隨機森林

隨機森林（RandomForest）模型由統計學家LeoBreima于2001年提出[29]，是一種有監督學習算法．其核心思想是通過集成學習的方式將多棵決策樹結合起來，構成一個強大的預測模型，通過Bootstrap抽樣技術構建多個樹模型，每棵決策樹都獨立并隨機選擇并在隨機選擇的子樣集上訓練，可以減少過擬合，并且能夠從復雜的自變量與因變量之間的關系中識別出最具影響力的因素.

確定特征重要性的常見方法是基于節點純度的減少量，該方法通過衡量特征在決策樹中每次分裂時對節點純度的影響，來確定各個特征的重要性，并將篩選出的關鍵影響特征作為BP神經網絡的訓練特征，避免人為篩選特征的主觀性．具體計算公式為

ΔGini（X_j）=Gini（t）-

其中， Gini（Σ_t） 是分裂前節點 χ_t 的Gini指數，Gini（t_L） 和 Gini（t_R） 分別是左子節點和右子節點的Gini指數， N_L 和 N_?R 分別是左子節點和右子節點的樣本數量， N_t 是當前節點的樣本數量.

對于每個特征 X_j ，在所有決策樹中統計該特征帶來的純度下降總和，并計算平均值．特征重要性可以通過公式（11）計算，其中 K 為決策樹總數，（204號 N_k 為第 K 顆決策樹中的分裂節點數[30]：

本研究采用隨機森林模型篩選碳排放的關鍵影響因素，并將其作為BP神經網絡的訓練特征，以提高模型的預測能力．傳統的變量篩選方式通常依賴經驗或統計顯著性，而隨機森林能夠通過數據驅動的方式自動篩選出關鍵影響因素，提高了變量選擇的客觀性，相較于傳統統計方法該方法可減少人為主觀因素．篩選出的關鍵變量用于BP神經網絡訓練，可以減少冗余信息的干擾，優化模型的收斂速度和泛化能力，使預測結果更為精準.

1.5 碳排放預測模型

1.5.1BP神經網絡BP（BackPropagation）神經網絡是由數據正向傳播以及數據誤差反向傳播而形成的多層反饋神經網絡，具有較強的適應學習能力[31]．網絡由輸入層、隱藏層和輸出層組成，每層包含若干神經元．輸出與期望結果之間的誤差則通過反向傳播來調整模型參數.優化過程中采用梯度下降法，直至誤差最小.

在BP神經網絡的正向傳播階段，每個神經元的輸出計算包括兩個步驟：線性組合和激活函數應用[32]，其中線性組合公式如下：

其中， W_ij^（l） 是第 ξ_l 層中神經元 j 和前一層神經元 i 之間的權重， a_i^（l） 是前一層 （l-1） 中神經元 i 的輸出， b_j^（l） 是第 l 層中神經元的偏置 j ：

在反向傳播階段，通過梯度下降法來更新權重和偏置．權重和偏置的計算公式如下：

b_j^（l）=b_j^（l）-ηδ_j^（l），

其中， W_ij^（l） 是從第 ξ_l 層的神經元 j 到第 （l+1） 層的神經元 k 的權重， δ_j^（l） 為第 （l+1） 層的神經元 k 的誤差， η 為學習率通常介于 0～1 之間.

1.5.2PSO-BP神經網絡雖然BP神經網絡具有非線性映射能力強的優點，但容易陷入局部最優解并導致過擬合．為了解決這一問題，引人了PSO算法．PSO是一種基于群體智能的全局優化算法[33]，通過搜索空間中粒子的位置和速度，找到最優的權值和閾值，從而提高模型的全局搜索能力.

PSO粒子群算法主要計算公式有速度和位置更新的計算[34]，其表現形式如下所示：

v_i（t+1）=wv_i（t）+c_ir₁（t）（p_i（t）-x_i（t））+

c₂r₂（t）（g（t）-x_i（t））

x_i（t+1）=x_i（t）+v_i（t+1），

其中， w 為慣性權重， c₁ 和 c₂ 為加速常數， r₁ 和r₂ 為在區間[0，1]的隨機數， ?_pi（t） 為 Ψ_t 時刻粒子 i 的個人最佳位置， g（t） 為 χ_t 時刻種群的最佳位置.

圖1PSO-BP神經網絡流程 Fig1 PSO-BP neural network flowchart

根據甘肅省碳排放的特點，構建基于PSO優化的BP神經網絡模型，通過隨機森林算法和LMDI模型確定影響程度最高的因素作為PSO-BP神經網絡的輸入特征，具體步驟如圖1所示．粒子群算法的初始化粒子群數、慣性權重因子、加速常數、最大速度等參數設置為（30，0.9，1，2），設置最大訓練次數為1000，學習率為0.001，最終確定隱藏層為兩層神經元個數分別為15和8，使用相關誤差指標對模型進行評估，使用訓練后的模型對甘肅省2022—2035年碳排放進行預測.

1.6 數據來源

本文所采用的GDP、年末人口、三大產業產值數等數據來源于國家統計局官網、甘肅省統計局官網以及《甘肅省發展年鑒》．原油、煤炭、天然氣等9大能源數據以及平均低位發熱量來源于《中國能源統計年鑒》．二氧化碳排放系數等來源于及《2006年IPCC國家溫室氣體清單指南》.具體數據來源情況如表2所示.

表2各指標數據來源Tab 2 Data sources for each indicator

2 結果與討論

2.1 碳排放影響因素分析

本研究選取甘肅省人口數、GDP、能源消耗量、城鎮人口占比、能耗強度等數據對甘肅省碳排放的影響程度進行分析，為探究各變量影響是否顯著和共線性是否符合研究標準，進行多元線性回歸．由于所研究變量較多，為了求解的準確性，將15個變量劃分為兩組求解，從變量類型的角度進行劃分，第一組變量為地區生產總值 X₁ 、能耗強度 X_g 、第一產業占GDP比重 X₁₀ 、第二產業占GDP比重 X₁₁ 、第三產業占GDP比重 X₁₂ 、年末人口總數 X₁₃ 、城鎮人口占比 X₁₄ ，第二組為能源消耗總量 X₁₅ 、煤炭消耗量 X₂ 、原油消耗量 X₃ 、柴油消耗量 X_?4 、汽油消耗量 X₅ 、天然氣消耗量X_s 、焦炭消耗量 X_τ 和燃料油消耗量 X₈ ，結果表明各影響因素均通過顯著性檢驗．但大部分變量VIF值大于10，因此存在明顯共線性，采用嶺回歸處理[35]，所得結果如表3，4所示.

采用方差擴大因子法確定兩式的懲罰系數分別為0.096和0.195.各自變量在顯著性 5% 的水平下均顯著，由回歸方程分析可得有12個因素回歸系數為正，由此可得12個因素對碳排放存在正向影響，地區生產總值 X₁ 、煤炭消耗量 X₂ 、原油消耗量 X₃ 、柴油消耗量 X₄ 、汽油消耗量 X₅ 、天然氣消耗量 X_s 、焦炭消耗量 X_τ7 、第二產業占GDP

表3嶺回歸結果1Tab 3Ridge regression results 1

表4嶺回歸結果2Tab 4 Ridge regression results 2

比重 X₁₁ 、第三產業占GDP比重 X₁₂ 、年末人口總數 X₁₃ 、城鎮人口占比 X₁₄ 、能源消耗總量 X₁₅每增加 1% 會使得碳排放量分別增加 0.279% A0.194%，0.167%，0.147%，0.052%，0.096%，0.148%0. 092% 0. 041% 0.08% 0. 283% 0.137% ，能耗強度 X_g 、第一產業占GDP比重 X₁₀ 、第二產業占GDP比重 X₁₁ 為負向影響，其每增加 1% 會使得碳排放下降 0. 064%，0. 211%，0. 16% ．影響程度絕對值由大到小來看分別為，城鎮人口占比 gt; 地區生產總值 gt; 能耗強度 gt; 煤炭消耗量 gt; 原油消耗量 gt; 能源消耗總量 gt; 第一產業占GDP gt; 焦炭消耗量 gt; 柴油消耗量 gt; 能源消耗總量 gt; 天然氣消耗量 gt; 第二產業占GDP比重 gt; 年末人口總數 gt; 燃料油消耗量 gt;汽油消耗量 gt; 第三產業占GDP比重．將表3與表4嶺回歸系數代入公式（3）可得嶺回歸方程如下：

（20 nω_co2=0.279lnX₁+0.194lnX₂+0.167lnX₃+ （200.147lnX₄+0.052lnX₅+0.096lnX₆+ （200.148lnX_τ-0.064lnX_L8-0.211lnX_L9- 0.160lnX₁₀+0.092nX₁₁+0.041lnX₁₂+ 0.080lnX₁₃+0.283lnX₁₄+0.137lnX₁₅+ 0.888. （15）

2.2 碳排放影響因素貢獻值分析

根據LMDI模型計算1990—2021年碳排放影響因素貢獻值，部分計算結果如表4所示.

表5LMDI模型貢獻值

Tab5 ContributionvaluesoftheLMDImodel

LMDI模型以0為基準，大于0的數據表明對碳排放量有正向驅動作用，小于0的數據表明有負向驅動作用：由表5可得天然氣的累計貢獻率最大達到4.905，其次是GDP、燃油消耗量、能耗強度以及焦炭消耗量.

GDP、原油、焦炭、煤炭等因素貢獻值逐年增大，表明甘肅省作為重要工業城市其能源消耗逐年增大，天然氣的貢獻率也在逐年增大，表明甘肅省正在加大清潔能源使用，實現能源的轉型升級.人口與城鎮人口占比貢獻率穩定整體呈現正向影響，表明甘肅省城市化水平穩步提升．從產業結構來看，第二產業貢獻率逐年增大，第三產業貢獻率逐年下降，表明甘肅省以工業為中心的發展方向，因此需要盡快進行產業結構改革，提高競爭力早日完成碳達峰[36].

2.3 隨機森林模型

將甘肅省1990—2021年碳排放相關數據作為訓練集，建立隨機森林模型，劃分訓練集和測試集為7：3．基于Python環境進行訓練，當樹數量為100時所得誤差最小，訓練集和測試集的精度分別為0.998和0.996，模型擬合效果良好．所得影響因素重要性如圖2所示.

圖2影響因素重要性排序

Fig2 Importance ranking of influencing factors

由圖2可得，能耗強度為影響碳排放最重要的因素，能耗強度作為衡量能源利用水平的重要指標，它與碳排放間有著密切關系．自1990年來甘肅省能耗強度有著明顯下降，表明甘肅省經濟產出所需的能源較少，反映了較高的能源利用效率，因此能耗強度對甘肅省二氧化碳減排工作具有重要指導意義；甘肅省的經濟結構以第二產業為主[7]，大量的能源消耗（煤炭、天然氣、燃油等）用于工業生產，因此，第二產業比重較高自然增加了碳排放．優化產業結構，降低第二產業比重，提升第三產業比重，對降低碳排放有著顯著作用；城鎮化過程中，建筑、交通和生活能源需求上升，導致能源消耗和碳排放增加.隨著甘肅省城鎮化率提升，城鎮居民的生活方式和消費水平提高，這增加了能源需求，碳排放隨之上升．因此，推動綠色建筑、低碳交通和節能措施將有助于降低碳排放.

2.4甘肅省碳排放情景預測

根據隨機森林模型和LMDI分解模型以及嶺回歸影響因素分析結果，確定能耗強度、第二產業占比、城鎮人口占比、煤炭消耗量、地區生產總值作為碳排放預測模型的訓練特征，結合甘肅省發展相關現狀、甘肅省“十四五”相關規劃以及《甘肅省人民政府關于印發甘肅省“十四五”節能減排綜合工作方案的通知》等[38]相關文件研究，分別設定高碳情景、基準情景、低碳情景三種發展情景對甘肅碳排放進行預測.其中高碳情景是碳排放政策相對寬松，對高碳產業的支持力度較大且對化石燃料的依賴程度較高，煤炭、石油等能源的消費量持續增長[39]．基準情景是維持現有的政策框架，不采取額外的減排措施，繼續執行已有的節能降碳政策．低碳情景是在現有政策基礎上，采取一系列低碳節能措施，加大對可再生能源的投資和開發力度，逐步降低對化石燃料的依賴，提高清潔能源在能源消費中的比重[40]．各情景下驅動因素的年變化率設置如表6所示.

表6甘肅省各驅動因素變化率 Tab 6Change rates of various driving factors in Gansu Province

能耗強度 X_g ．根據“十四五”規劃，甘肅省已制定減少能耗強度的目標，并將在未來繼續通過政策干預實現能耗強度的持續下降．未來“五年規劃”將延續這一方向，進一步推動清潔能源的發展和能源使用效率的提升．結合李小軍等[41]的研究，能耗強度在基準、高碳和低碳情景下年均下降率在2022一2035年不變，年間下降分別設置為 2.44% 1.02% 和 3.7%

第二產業占GDP比重 X₁₁ ．隨著甘肅省經濟結構的逐步優化，第三產將快速發展并逐漸成為經濟增長的重要驅動力．根據中國整體的經濟發展趨勢，傳統的工業主導模式逐漸向服務業和高技術產業轉型，在此背景下，《甘肅省國民經濟和社會發展第十四個五年規劃和二〇三五年遠景目標綱要》[42]，設定基準、低碳、高碳情景每五年的變化率分別為 -2.6%，-1.8%，-1.3%，-5.89% -4.71%，-3.77%，-0.61%，-0.49%，-0.39%.

城鎮人口占比 X₁₄ ．2010—2021年甘肅省城鎮率平均增長 1.3% ，根據《甘肅省新型城鎮規劃（2021—2035）及牛君等[43-44]研究，設定基準、低碳、高碳情景每五年的變化率分別為 1.3%，1.1% 0.9%，0.84%，0.74%，0.64%，1.9%，1.5%，1.1%，

煤炭消耗量 X₂ ．甘肅省擁有豐富的可再生能源資源，如太陽能和風能，近年來可再生能源發電能力顯著提升．在未來，這些清潔能源將進一步擴大規模，減少對傳統煤炭能源的依賴．依據《甘肅省“十三五”煤炭消費總量控制目標責任考核實施方案》和甘肅省煤炭歷史變化規律[45]，設定基準、低碳、高碳情景每五年的變化率分別為 5% -2%，-7%，5%，-3%，-10%，5%，2%，-5%

地區生產總值 X₁ ．甘肅省的經濟發展將繼續受到國家“十四五”規劃和“十五五”規劃的政策引導，特別是積極的財政政策和穩健的貨幣政策為經濟增長提供了穩定的宏觀環境．同時，國家推進西部大開發和“一帶一路”倡議的實施，也將繼續為甘肅省帶來投資和貿易機會，促進區域經濟發展[46]．設定基準情景下“十四五”期間增速為6% ，“十五五”期間增速為 5.5% ，“十六五”期間增速為 4.5%

2.5 PSO-BP神經網絡擬合與預測

選取輸入特征后，橫向比較了傳統BP神經網絡、灰色預測、CNN卷積神經網絡等方法，灰色預測僅適用短期預測且對輸入特征有要求，CNN卷積神經網絡訓練時間較長，其在處理圖像效果較好，但不適用于碳排放預測，故本文采用PSO優化的BP神經網絡作為預測模型．圖3展示了傳統BP神經網絡擬合效果，圖4為PSO-BP神經網絡擬合效果.

通過圖3與圖4的對比，以及表7中MAE，MAPE，RMSE等誤差指標來看，各誤差指標出現明顯下降，經過PSO優化后的BP神經網絡擬合效果明顯優于傳統BP神經網絡，且 R² 更接近于1，表明預測值更加接近真實值，PSO-BP的決定系數為0.998，高于傳統BP神經網絡決定系數0.949，說明以PSO-BP神經網絡進行預測精度更高.

圖3BP神經網絡擬合對比

圖4PSO-BP神經網絡擬合 Fig 4 PSO-BP neural network fitting

表7誤差指標對比Tab7 Comparison of error indicators

為對甘肅省碳排放進行預測，將能耗強度、第二產業占GDP、煤炭消耗量、地區生產總值、城鎮人口占比等情景設定數據輸入PSO-BP神經網絡預測模型，得到2022—2035年甘肅省碳排放預測結果如圖5所示．在基準情景設定下，2021—2025年碳排放量有明顯上升，達到25788.63萬t，在2030年完成碳達峰26091.57萬t，隨后趨于穩定，至2030年略有下降．在低碳情景下，碳排放自2022—2025年緩慢上升，2025年達到峰值25044.39萬t，隨后開始出現緩慢下降，預計2035年下降至23797.7萬t．高碳情景下，甘肅省碳排放自2021年起快速上升，至2030年上升至31132萬t，2030—2035年上升速度下降，開始呈緩慢上升趨勢，預計在2035年完成碳達峰，峰值為32059.94萬t.

圖5甘肅省碳排放情景預測

Fig5 Carbon emission scenarios prediction for Gansu Province

3 結論與建議

3.1 研究結論

1）通過建立STIRPAT擴展模型、LMDI分解模型和嶺回歸對甘肅省碳排放影響因素進行分析．其中，12個因素的回歸系數為正，城鎮人口占比、地區生產總值、煤炭消耗量等因素對碳排放的影響程度顯著，能耗強度、第一產業占GDP比重和第二產業占GDP比重則顯示為負向影響.影響程度由大到小依次為：城鎮人口占比、地區生產總值、能耗強度、煤炭消耗量、原油消耗量等．隨機森林模型進一步確定能耗強度、產業結構、城鎮率、能源消耗為重要影響因素.

2）通過LMDI分解模型揭示了各影響因素的累計貢獻率，其中天然氣的累計貢獻率最大，達到4.905，其次是GDP、燃油消耗量、能耗強度以及焦炭消耗量．城鎮人口占比、GDP、年末人口數、三產比重以及柴油、汽油、原油、焦炭、天然氣、煤炭等資源消耗量的提升對碳排放也表現出穩定的正向影響，燃料油消耗、能耗強度、一產比重和二產比重對甘肅省碳排放貢獻率有負向影響.

3）利用PSO-BP神經網絡對甘肅省2022——2035年的碳排放進行預測.相較于傳統BP神經網絡，PSO-BP神經網絡的MAE降至65.203，MAPE下降 11.51% ，決定系數 （R²） 達到0.999，擬合效果得到明顯提升．在基準情景下，2030年達到碳達峰26091.57萬t.在高碳情景下，碳排放量將持續上升，預計在2035年達到峰值，排放量為32059.94萬t.而在低碳情景下，在2025年完成碳達峰，排放量為24424.01萬t，預計在2035年降至23797.7萬t.

3.2 研究建議

以甘肅省實際碳排放量為基礎，對碳排放影響因素進行分析并對未來碳排放趨勢進行預測，研究結果對甘肅省指定相關減排措施具有一定實際意義，基于上述研究給出以下建議.

1）充分發揮甘肅省區域特點和優勢，利用河西走廊地區風能、太陽能資源豐富的特點，可進一步加大風電、太陽能發電等清潔能源項目的開發力度，打造國家級清潔能源基地．隴東地區是甘肅省重要的能源化工基地，可推動該區域的煤炭、石油等傳統能源產業向綠色、低碳方向轉型．蘭州新區作為甘肅省的新興經濟增長極，可重點發展高端裝備制造、新能源汽車、電子信息等戰略性新興產業，推動產業向高附加值、低能耗、低排放方向發展.

2）加快傳統高能耗產業的綠色轉型，提升智能制造水平．甘肅省工業占比高，能源消耗量大，特別是冶金、化工、建材等行業碳排放強度較高.建議鼓勵企業采用高效電機、余熱回收、節能改造、智能能耗管理系統等技術，提高能源利用效率．同時，實施碳排放配額管理制度，引導企業通過技術創新和綠色改造減少碳排放.

3）在城鎮化進程中，注重綠色基礎設施的建設，加強低碳宣傳和教育，提高城鎮居民的低碳意識和環保意識，引導居民形成低碳生活方式．倡導節約用電、用水，減少一次性用品的使用，鼓勵垃圾分類和資源回收利用等，通過開展低碳社區創建活動，營造良好的低碳生活氛圍，促進居民的低碳行為.

參考文獻：

［1］車欣，范璐璐．金融集聚、綠色技術創新與碳排放[J.金融理論與實踐，2024（9）：79.

［2」郭文強，于忠萍，雷明．我國碳排放驅動因素分解及脫鉤努力效應研究［J].環境科學研究，2024（10）：8.

［3］郭文強，史瑞雪，雷明，等．中國省際碳排放空間關聯網絡結構特征及碳平衡分區[J]．生態學報，2024，44（18）：8003.

［4]袁啟恒，劉貴賢，周春雷，等．碳排放約束下城市長期脫碳趨勢預測[J].環境科學，2024（7）：3.

［5］王道平，王奕淳，劉琳琳．“雙循環”背景下的價值鏈嵌入與碳排放[J]．財經問題研究，2023（9）：56.

［6］陳姜全，李效順，耿藝偉，等．中國城鎮化與碳排放機制分析及實證研究——基于經濟發展、人口轉移和城鎮擴張視角[J]．自然資源學報，2024，39（6）：1399.

［7］孫成昊．金融結構、綠色技術創新與碳排放[J]．統計與決策，2023，39（20）：154.

［8」任曉靈，王曉燕，尹朋建，等．基于生命周期法的社區生活垃圾碳排放核算[J]．低碳化學與化工，2025（3）：3.

［9］張立新，靳詩華．基于投人產出分析的甘肅省建筑業碳排放影響因素研究[J].工程管理學報，2025（3）：1.

[10]李迎迎，趙強，林文杰，等．基于夜光遙感數據的長三角碳排放時空演變及影響因素研究[J]．大氣與環境光學學報，2024（5）：10.

[11］惠獻波．國家創新型城市建設、產業轉型升級與碳排放效應[J]．統計與決策，2023，39（21）：117.

[12]王寧，韓澄宇，張揚，等．基于門限-STIRPAT擴展模型的區域碳排放達峰研究——以華東地區為例[J]．環境工程，2024，42（5）：158.

[13］鄭琰，夏朝澤，肖玉杰，等．基于BP神經網絡的江蘇省多維度碳排放預測[J]．環境科學，2024（8）：3.

[14]辛春林，趙佳煒，楊建亮．基于STIRPAT的河北省碳達峰預測研究［J]：北京化工大學學報（自然科學版），2024，51（4）：128.

LIU」只怕丁，子系叚，只， 從 口你仕西省農業碳排放量測算、影響因素分析與預測研究[J].生態與農村環境學報，2024，40（2）：179.

[16]董棒棒，李莉，唐洪松，等．環境規制、FDI與能源消費碳排放峰值預測——以西北五省為例[J．干旱區地理，2019，42（3）：689.

[17]張巨峰．基于ARIMA模型的甘肅省碳排放預測分析[J].山西大同大學學報（自然科學版），2024，40（4）： 31.

[18］王永利，李頤雯，王歡，等．基于改進BP神經網絡的河北省碳排放預測[J]．生態經濟，2024，40（6）：30.

[19］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（7）：64.

[20]鄒松兵，康世明，袁騰港，等．甘肅省碳排放預測及減排情景分析[J].蘭州大學學報（自然科學版），2024，60（4）：442.

[21］楊俊祺，范曉軍，趙躍華，等．基于PSO-BP神經網絡的山西省碳排放預測[J]．環境工程技術學報，2023，13（6）：2016.

[22]任宏洋，杜若嵐，謝貴林，等．中國碳排放影響因素及識別方法研究現狀［J]．環境工程，2023，41（10）：195.

[23]魏猛，蔡智，徐建剛，等．中國城市群碳排放特征與影響機制分析[J]．環境科學學報，2024，44（6）：414.

[24]陶勤，王世航，徐勝祥，等．基于碳承載力對河南省能源消費碳排放及其驅動因素的研究[J]．土壤，2024，56（2）：439.

[25]朱一姝，吳涵宇，馬明，等．長江三角洲城市群碳排放及其影響因素的多尺度空間關系研究[J]．地質通報，2024，43（7）：1233.

[26］李柚潔，楊萍，趙順昱，等．基于VMD-RE-LSTM的碳排放發展趨勢捕捉及短期預測[J]．環境工程，2023，41（S2）： 279.

[27]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.

[28］王志強，李可慧，任金哥，等．基于LMDI-SD模型的山東省建筑業碳排放影響因素與情景預測[J]．環境工程，2023，41（10）：108.

[29］張峰，張曉明，許昭昭，等．基于隨機森林模型分析威海市PM2．5影響因素與典型灰霾成因［J]．地球化學，2024（10）：1.

[30］宋青，李超群，陳駿宇．長三角碳排放空間網絡結構及協同減排效應［J]．環境科學與技術，2024，

[31」周鉍潔，計注濤，劉麗，寺．基于可解釋性神經網絡的界面面積濃度預測[J]．核技術，2024，47（8）：91.

[32]蘇子龍，嚴文亮，李慧敏，等．基于改進麻雀搜索算法優化BP神經網絡的農業碳排放預測[J].環境科學，2023（10）：1.

[33]于天河，吳迪．基于改進的粒子群優化算法的測冰系統溫度補償［J]．北京郵電大學學報，2023，46（6）： 115.

[34］張志文，劉伯威，張繼園，等．麻雀搜索算法-粒子群算法與快速擴展隨機樹算法協同優化的智能車輛路徑規劃[J]．中國機械工程，2024，35（6）：993.

[35］宋冬凌，盧文宇．黃河流域城市群碳排放時空演變多尺度分析[J]．華北水利水電大學學報（自然科學版），2024，45（5）：48.

[36]鄒艷芬，黃美娟．城市群碳排放：特征挖掘、形成機理及達峰干預J」．北京理工大學學報（社會科學版），2023，25（6）：56.

[37]楊琳綺，趙銳鋒，康麗芳，等．甘肅省碳排放時空演變及其影響因素的多尺度[J]．環境科學，2025，46（8）： 4900.

[38］李素娟，馬奇飛，葉芳．中國碳中和潛力的區域差異及影響因素的時空異質性分析[J]．環境科學，2025，46（7）： 4075.

[39]陸彪，郝永康，陳德敏，等．基于情景分析法的安徽省能源消耗及碳排放分析[J]．環境工程技術學報，2024，14（3）：788.

[40］于曉燕，沈碧霞，吳雨彤，等．內蒙古沿黃河流域七盟市碳排放影響因素與情景分析[J]．環境工程技術學報，2024，14（3）：778.

[41］賈玲萍，張國艷，柴云娥，等．基于“雙碳”目標的甘肅省新能源產業現狀分析與發展規劃[J]．綠色科技，2024，26（14）：219.

[42]賈洪文，謝卓軍，高一公．甘肅省人口預測與發展趨勢分析[J]．西北人口，2018，39（3）：118.

[43］牛君，程智超．基于 STIRPAT 模型的甘肅省碳達峰預測[J]．開發研究，2022（4）：123.

[44]李漢東，向梓航，崔雪峰．人口因素驅動下的中國碳排放強度預測[J]．北京師范大學學報（自然科學版），2023，59（5）：822.

[45］鹿晨昱，黃萍，張彤，等．甘肅省綠色發展效率時空演化與驅動因素研究[J]．干旱區地理，2023，46（2）：305.

[46］張愛寧，李滋婷，李宗省．基于LMDI和Tapio 脫鉤模型的甘肅省碳排放研究[J]．學報（自然科學版），2024，60（3）：55.

（青任編輯 武維寧）