［提要］ 基于2003～2020年时间序列数据，利用GDIM因素分解法、修正STIRPAT模型下的岭估计以及蒙特卡洛模拟技术，对绍兴工业碳排放进行驱动因素经验分解、演变情景预测与达峰路径模拟。结果表明：（1）在GDIM分解后的各种因素中，工业增加值、能源消费碳强度和能源消费规模对碳排放一直保持促增效应，而工业产出碳强度、能源强度和煤炭消耗效率为促降效应，技术进步以提高能源利用效率是促进碳减排的关键因素；（2）基于岭回归方法估计碳排放预测模型，发现人均GDP与CO2排放量存在倒U型关系，当人均GDP为137，132.1元时可达倒U型曲线的最高点，能源消耗总量和能源消耗效率分别对碳排放量增长具有明显促进和抑制作用；（3）蒙特卡洛模拟下，基本情景和绿色生态情景可以在2030年前达峰，但只有技术升级情景才是达峰的最优路径，碳减排效果最明显。
关键词：工业碳排放；广义迪氏指数；动态情景分析；达峰路径
基金项目：浙江省软科学一般研究项目：“碳达峰目标下浙江省制造业碳排放驱动因素、峰值预测及减排策略研究”（编号：2022C35066）；2022年绍兴哲学社会规划重点课题：“绍兴市工业碳排放驱动因素、峰值预测及减排策略研究”（编号：145202）
中图分类号：F205；F423 文献标识码：A
收录日期：2023年3月7日
控制温室气体排放成为21世纪人类面临的最大挑战之一。我国是世界最大的碳排放国，2015年中国在《巴黎协定》上承诺到2030年单位GDP碳排放比2005年降低60%～65%，碳排放总量在2030年达到峰值，2060年实现碳中和。目前，中国工业部门碳排放占到全国碳排放总量的70%以上，因而达峰目标实现的关键在于有效控制工业部门的碳排放。浙江省作为长三角一体化建设的主要区域，是制造业比较发达的省份，环境污染和生态环境保护的形势严峻。绍兴作为浙江省GDP贡献四强市，其工业经济发达且工业增加值明显。2005～2020年期间，绍兴工业能源消耗总量从1，219.53万吨标准煤增长到1，754.53万吨标准煤，年均增长率为2.5%，相应的碳排放控制不容忽视。因此，无论是考虑内在发展还是外在影响，识别绍兴工业碳排放的驱动因素，并据此预测绍兴工业碳达峰路径，不仅可以为绍兴市绿色发展提供减排方案，也为浙江乃至全国碳排放早日达峰做出应有的贡献。
一、文献综述
因素分解法能够直观地显示和量化碳排放变化背后的驱动因素，随着研究不断深入，出现了多种具体的指数分解模型，其中对数平均迪氏指数法（LMDI）具有一定的代表性。但是，由于包括LMDI在内的指数分解法都存在一定的局限性，因素间存在形式上的相互依赖性，使得不同分解形式可能产生相悖的分解结论。针对上述缺陷，提出了一个能克服该类缺陷的广义迪氏指数分解法（GDIM）。国内运用该方法进行研究的学者并不多，国家层面下单一行业的研究主要关注制造业、石化行业、工业和旅游业等领域碳排放的影响因素分解，也有关注京津冀和长江经济带等地区碳排放因素分解。省级层面下仅有考虑山东省制造业碳排放的影响因素，少有在地级市层面使用该方法研究碳排放驱动因素。
现有碳排放趋势预测的主要方法包括多元回归分析和蒙特卡洛模拟。多元回归分析主要是基于STIRPAT 模型构建多元回归方程来展现人口、经济、社会和技术等因素对碳排放的影响。有学者运用拓展的STIRPAT模型对中国工业及其细分行业、省级工业的碳排放达峰进行了情景预测。同时，碳排放与经济增长之间是否存在非线性关系也受到广泛的关注，那么利用回归验证部门产值与其碳排放的库兹涅茨曲线（CKC）有较强的现实意义。蒙特卡洛是一种随机模拟方法，被广泛应用于模拟不确定性情景。采用蒙特卡洛预测碳排放趋势时容易将变量假设为离散分布，该设定依赖于主观选择，缺乏科学性。将蒙特卡洛模拟与动态情景分析有机结合，才能合理预判不同政策导向下的碳排放趋势。驱动因素的经验分解有助于掌握不同因素对碳排放的贡献，而碳排放预测则可以得到不同情景下的碳排放的变化趋势，进而制定减排策略。
二、研究方法
（一）绍兴工业碳排放测算。参考《IPCC国家温室气体清单指南2006》中推荐的基于不同能源种类的核算方法，来估算绍兴市工业二氧化碳排放量，公式为：
CE=■=CEj=■×■Fj×CVj×CCFj×COFj （1）
其中，j=1，…，17表示能源种类，考虑统计年鉴中连续报告的17种化石能源，包括原煤、洗精煤、其他洗煤、焦炭、其他焦炭、焦化产品、焦炉煤气、其他煤气、原油、汽油、煤油、柴油、燃料油、液化石油气、其他石油制品、炼厂干气、天然气；F为终端化石能源消费量（万吨或亿立方米）；CV为平均低位发热值（千焦/千克或千焦/立方米）；CCF为燃料的碳含量（千克/106千焦）；COF为碳氧化率；44/22表示二氧化碳与碳的分子量之比，即碳转化成二氧化碳的转化系数。
（二）碳排放驱动因素分解。指数分解法的思想是将被解释变量的变化分解成不同因素变化的组合，进而根据不同的分解方法确定权重，以辨别各因素指标的贡献程度。本文采用GDIM分解法进行研究，该方法构建计算具体可以参考邵帅等（2017）的研究。
指标含义如下：CE为碳排放总量；IA为工业增加值；E为工业能源消费总量；CL为工业煤炭消耗总量；ICA=CE/IA表示工业产出碳强度，ECI=CE/E表示能源消费碳强度，LCI=CE/CL表示煤炭碳强度，IC=IA/CL表示煤炭消耗效率，EI=E/IA表示能源强度。
基于GDIM分解法，将绍兴相邻年份工业碳排放的增量△CE分解为8种效应之和：△CEIA、△CEICA、△CEE、△CEECI、△CECL、△CELCI、△CEIC、△CEEI。其中，△CEIA、△CEE和△CECL三个绝对量因素分别反映工业产出规模变化、能耗规模变化、煤炭消费规模变化对碳排放变化的影响。在相对量因素中，△CEICA反映工业发展的低碳程度，表现为工业碳生产率变化对碳排放变化的影响；△CEECI表示能源使用的低碳程度变化及各种能源间的相互替代程度调整，表现为能源结构变化对碳排放变化的综合影响；△CELCI反映煤炭消费的低碳程度变化对碳排放变化的影响；△CEIC反映煤炭使用率变化对碳排放变化的影响；△CEEI反映工业生产过程对能源的依赖程度变化对碳排放变化的影响。
（三）修正的STIRPAT模型。York等基于IPAT方法构建随机STIRPAT模型，表示为：I=aPbAcTdε，这里I、P、A和T分别表示环境因素、人口规模、财产和技术，STIRPAT模型是可拓展的环境影响评估模型，是以多变量为特征的随机性非线性方法，为消除时间序列不同单位以及非线性影响，首先对原始数据进行对数变换，得到：
LnI=Lna+bLnP+cLnA+dLnT+Lnε （2）
拓展上述模型将其应用到碳排放预测分析中，结合以往的预测模型以及绍兴工业碳排放GDIM分解的研究结论，绍兴工业碳排放的影响因素主要包括人口增长、经济发展及其二次项、产业结构、能源消耗和技术水平等。在对绍兴市工业部门碳排放预测时，选取了人均GDP等5个变量，模型改写为：
LnC=a0+bLnP+c1LnPgdp+c2（LnPgdp）2+dLnIeg+hLnIcl+kLneff+μ （3）
其中，C为碳排放量，以绍兴工业部门所产生的碳排放量表示，单位为万吨；P为人口规模，以年底常住人口表示，单位为万人；Pgdp为经济发展水平，以人均生产总值表示，单位为元/人；Ieg为能源消费总量，单位为万吨标准煤；Icl为工业煤炭消费总量，单位为万吨；Eff为能源消耗效率，以工业总产值/能源消费总量表示，单位为亿元/万吨标准煤；μ为误差项。
（四）数据来源。数据来源于《绍兴市统计年鉴》，以2005～2020年为样本区间，其中地区生产总值以2005年不变价格计算。各类能源按折算系数折算为标准煤，计算能源终端消耗量，以测算出各类能源消费产生的碳排放量。
三、碳排放驱动因素分解
本文使用R语言程序对绍兴工业碳排放驱动因素进行广义迪氏指数分解，以2005年为基期，得到2006～2020年各驱动因素的相对贡献率，分解结果参见表1。（表1）
通过表1可以看到，在所考察的8个因素中，工业产出水平（IA）、能源消费规模（E）和能源消费碳强度（ECI）对碳排放一直保持促增效应，而工业产出碳强度（ICA）、煤炭消耗效率（IC）和能源强度（EI）一直保持促降效应，煤炭消费量（CL）和煤炭碳强度（LCI）的促增效应和促降效应均有出现。这说明随着社会经济的快速发展，绍兴工业产出更多的依赖于能源消费进而创造财富，因此绍兴工业产出规模的增加导致了大量的能源消耗及相应的碳排放。在技术水平和能源使用效率保持不变的情况下，工业生产过程中存在明显的“规模效应”，即产出规模、能源消费等规模的不断扩大将导致碳排放增加。而强度效应（包括工业产出碳强度和能源强度）和效率效应（即煤炭消耗效率）的分解结果则意味着节能减排技术的提高促使碳排放效率得到了一定程度的提升，可以促进工业碳排放减少。
四、绍兴工业碳排放及峰值预测
首先基于（3）式进行回归分析，发现自变量相关系数矩阵的特征值中至少2个接近0，说明自变量之间存在严重的多重共线性。采用岭回归分析消除多重共线性。根据建立的STIRPAT模型，用R软件做岭回归分析，当k=0.12时岭迹图的变化趋近稳定，此时R2=0.983，拟合程度较好。回归结果如表2所示，IcL和Pop的方程回归系数不能通过显著性检验（P>0.05），剔除煤炭总量和人口变量，重新进行拟合，得到的标准岭回归方程为：
LnC＝-25.031+4.377LnPgdp-0.185（LnPgdp）2+0.939LnIeg-0.185Lneff （4）
模型（4）的拟合度系数R2=0.981，说明模型的拟合优度较好。所有解释变量均通过了0.001显著性水平检验。从各解释变量的回归系数来看，人均GDP和能源消耗总量对绍兴工业碳排放量的增长具有促进作用。人均GDP平方和能源消耗效率则对碳排放量的增长起到抑制作用。（表2）
五、各情景下峰值预测结果分析
由岭回归的结果可知，影响绍兴市工业碳排放的主要促增因素是经济发展水平Pgdp和能源消费总量Ieg。主要促降因素是Pgdp二次项以及能源消耗效率Eff（包含工业产出水平Idu），这些因素的潜在年均变化率（%）会直接影响碳排放量。因此，为预测绍兴工业碳排放未来可能的变化趋势以模拟合理的减排路径，本文基于各因素历史的演化趋势、当前有效政策的实施以及未来减排空间构建了三种情景：基本情景、绿色生态情景和技术升级情景。年均变化率具体见表3。（表3）
（一）基本情景。基本情景是以绍兴工业过去发展特征为基础，假定当前经济环境和技术水平保持不变，不采取任何新的碳减排措施，根据绍兴工业发展的惯性趋势外推而得到的可能情景。按照上述的逻辑规律，通过计算2003～2020年历史数据的年均变化率，以确定2021～2030年各影响因素潜在年均变化率的最小值、众数值及最大值。
（二）绿色生态情景。当地政府加强对碳排放的约束措施，进一步优化能源消耗结构，能源消费量年均变化率的最小值、众数值及最大值下降百分点为0.31、0.02、0.49；工业产值和人均GDP有所提升，年均变化率的中位数分别提升3.9和1.32个百分点，年均变化率的最大值分别下降0.8和0.79个百分点。
（三）技术升级情景。技术升级是碳减排的必要途径，考虑到化石能源使用技术的提升，产业结构升级促进经济高质量发展等因素，在绿色生态发展情景的基础上，对工业活动中经济发展、能源消耗的预期变化率参数进行突出。能源消费量在年均变化率的三参数下降0.1、0.05、1.79个百分点；人均GDP和工业产值提升且趋于稳定，年均变化率的中位数分别提升0.15、0.56，最大值分别下降6.18、7.95个百分点。
基于岭回归公式（4）和各因素潜在变化率中最小值、众数、最大值的设定，利用三角形分布特征使用R软件对三种情景中的各个影响因素分别进行了10万次模拟，得到每年潜在碳排放分布的概率密度函数。为了更加清楚地说明三种情景下碳达峰路径的变化，图1中呈现了每次模拟重复500次的各概率密度函数峰值的平均值，即出现概率最大的碳排放点。（图1）
通过图1发现，在基本情景下，即不实施任何新的约束政策，绍兴工业碳排放将极有可能在2021～2030年先增长后下降，2021年碳排放范围概率最大值约为721.7万吨，到2026年工业碳排放可能达峰，此时在753.5万吨发生的概率最大。2030年碳排放范围概率最大值约为737.9万吨。在绿色生态情景下，绍兴工业碳排放的增长速度明显放缓。2021年和2030年碳排放出现概率最大值分别为720.1万吨和724.6万吨。到2025年工业碳排放可能达峰，峰值在741.6万吨发生的概率最大。
技术升级情景下，绍兴工业碳排放在2025年可以达峰，峰值最高点为732.0万吨，2021～2030年期间各峰值点较前两种情景有明显下降。由此可见，技术升级创新可以促进绍兴工业能源使用效率提升，从而推动工业碳排放提前实现达峰目标。因此，政府加强对工业生产过程减排技术相关研发的投资，可以推动工业低碳技术创新从而进行有效的碳减排。
六、结论及政策启示
（一）研究结论
1、基于线性预测模型，人均GDP与绍兴工业CO2排放量存在倒U型关系，顶点处人均GDP的值约为137，132.1元，在该点左右两侧人均GDP对CO2排放量分别是正影响和负影响。能源消耗总量的上升对碳排放量的增加影响较大，能源消耗效率则对碳排放量的增长起到抑制作用，说明能源的利用效率提升以及产业结构升级改造等因素对控制绍兴工业碳排放已起到积极作用。
2、不同情景设定下的碳排放潜在演变路径存在明显的差异，三种情景下的基本情景和绿色生态情景下可以实现2030年前工业碳排放达峰的目标，但效果不明显，碳排放减速较为缓慢。技术升级情景是绍兴工业实现减排目标的最优情景，该情景下，绍兴工业碳排放在2025年前达峰且逐年增量不明显，而之后下降速度较为明显，它为绍兴工业碳减排提供了路径。
（二）政策启示
1、工业生产水平、能源消费规模和能源消费碳强度是抑制碳排放增加的重要因素。在不影响工业产生水平的同时尽可能控制能源消费规模，这取决于能源结构调整。这种能源结构短期内很难得到有效优化。因此，应加大绿色技术研发投入，加强与周边区域的协同创新与技术扩散，以促进绍兴工业能源效率的提高。
2、当人均GDP越过倒U型的顶点时，它对碳排放具有显著的抑制作用。这意味着通过加强绿色科技创新力度，以科技驱动经济绿色发展，绍兴可以在经济稳定增长前提下，实现工业低碳发展。
3、情景预测分析表明，技术升级情景是绍兴工业实现减排目标的最优情景。因此，不断推动清洁能源发展，优化能源消费结构，调整服务产业布局，促进能源消费向清洁低碳转型，推进经济绿色可持续发展，为绍兴节能减排和高质量发展提供优选路径。
（作者单位：浙江农林大学暨阳学院）
主要参考文献：
［1］ANG B W.The LMDI approach to decomposition analysis：a practical guide［J］.Energy
Policy，2005.33（07）.
［2］ANG B W.LMDI decomposition approach：a guide
for implementation［J］.Energy
Policy，2015（86）.
［3］CHONG C H，LIU P，MA L，et al.LMDI decomposition of energy consumption in Guangdong province，China，based on an energy allocation diagram［J］.Energy，2017（133）.
［4］邵帅，张曦，赵兴荣.中国制造业碳排放的经验分解与达峰路径：广义迪氏指数分解和动态情景分析［J］.中国工业经济，2017（03）.
［5］汪中华，于孟君.中国石化行业二氧化碳排放的影响因素分解——基于广义迪氏指数分解法［J］.科技管理研究，2019.39（24）.
［6］马晓君，陈瑞敏，董碧滢，牛雪琪.中国工业碳排放的因素分解及脱钩效应［J］.中国环境科学，2020.39（08）.
［7］孙玉环，杨光春.中国旅游业碳排放的影响因素分解及脱钩效应［J］.中国环境科学，2020.40（12）.
［8］闫庆友，尹洁婷.基于广义迪氏指数分解法的京津冀地区碳排放因素分解［J］.科技管理研究，2017.37（19）.
［9］田泽，张宏阳，纽文婕.长江经济带碳排放峰值预测与减排策略［J］.资源与产业，2021.23（01）.
［10］李治国，朱永梅，吴茜.山东省制造业碳排放驱动因素研究：基于 GDIM方法［J］.华东经济管理，2019.33（04）.
［11］王勇，毕莹，王恩东.中国工业碳排放达峰的情景预测与减排潜力评估［J］.中国人口·资源与环境，2017.27（10）.
［12］袁晓玲，郗继宏，李朝鹏，张武林.中国工业部门碳排放峰值预测及减排潜力研究［J］.统计与信息论坛，2020.35（09）.
［13］刘晴川，李强，郑旭煦.基于化石能源消耗的重庆市二氧化碳排放峰值预测［J］.环境科学学报，2017.37（04）.
［14］田华征，马丽.中国工业碳排放强度变化的结构因素解析［J］.自然资源学报，2020.35（03）.
［15］董锋，杨庆亮，龙如银，程铄博.中国碳排放分解与动态模拟［J］.中国人口·资源与环境，2015.25（04）.
［16］林伯强，刘希颖.中国城市化阶段的碳排放：影响因素和减排策略［J］.经济研究，2010.45（08）.
［18］JALIL A，MAHMUD S F.Environment Kuznets Curve
for CO2 emissions：A cointegration analysis for China［J］.Energy Policy，2009（37）.
|
