| 联系我们 |
 |
合作经济与科技杂志社
地址：石家庄市建设南大街21号
邮编：050011
电话：0311-86049879 |
|
|
| 经济/产业 |
| 苏州市碳排放量影响因素分析 |
| 第763期 作者：□文/敖香艳 周子元 时间：2025/10/16 14:47:21 浏览：24次 |
［提要］ 分析苏州市碳排放数据，发现在2011年之后碳排放总量进入缓慢下降的阶段，碳排放强度自2005年起每年都有明显的下降。对相关的社会经济因素指标值进行分析，发现工业增加值、工业能耗是逐年上升的，工业能耗强度是逐年下降的。估计IPAT模型，发现人口规模、富裕程度和技术水平指标等对苏州市碳排放量有显著的影响。
关键词：苏州；碳排放；IPAT模型
中图分类号：F061.5 文献标识码：A
收录日期：2025年4月30日
全球气候变化是当今世界面临的最严峻环境问题之一。国际能源署（IEA）的数据显示，2019年全球与能源相关的二氧化碳排放量达到了330亿吨，创历史新高。苏州作为我国东部的经济发达城市，经济发展迅速，工业基础雄厚。随着经济的增长，苏州的能源消费和碳排放量也随之增加。本文旨在对苏州市的碳排放现状进行分析，并探究影响苏州市碳排放量的关键因素，从而为城市制定低碳发展战略提供科学依据和建议。采用回归分析法，以IPAT模型为基础，研究人口数量、富裕程度和技术水平对碳排放的作用方向和大小。
一、文献综述
在苏州市碳排放的研究上，国内学者多聚焦于碳排放量、碳减排、垃圾分类及土地利用等方面。在碳排放源上，杜景龙等（2023）指出建设用地是苏州市碳排放的主要来源，而水域和林地则是碳汇来源。在影响因素方面，王盛等（2022）发现经济发展、电力消费结构等对碳排放量增长有正向贡献，能源结构、产业结构等则对碳排放量增长有抑制作用。谢芝等（2022）研究认为经济发展对碳中和能力影响最大，其次是碳排放和生态环境，社会发展影响最小。在碳减排方面，王朔等（2023）研究指出，降低污水处理工序的CO2排放和污泥处置工序的N2O排放是降碳工作的关键。胡梦等（2023）研究指出，建筑（装修）垃圾的资源化处理具有显著的碳减排效果。王钇淞等（2024）研究指出，绿色金融指数与碳排放量呈负相关关系，即绿色金融能够有效促进碳减排。王仕等（2023）研究指出，垃圾焚烧和填埋处理过程均具有一定的碳减排效应。孙雨清等（2023）研究指出，垃圾分类能够显著降低焚烧过程的碳排放强度。
二、苏州市碳排放及相关社会和经济因素概况
通过收集和整理苏州市过去21年（2001～2022年）的碳排放量、工业增加值等数据，绘制出数据图，以直观地展示不同变量的时间变化趋势。
（一）苏州市碳排放总量与碳排放强度分析。由图1、图2可知，苏州市碳排放总量整体呈现上涨趋势，2001～2011年的增速较快，2012年开始碳排放总量稍有回落，增速放缓并持续保持较高增长量。而2001～2022年该市的CO2排放强度总体呈现下降趋势，个别年份出现小幅上涨趋势。由此推测，由于社会经济及产业的发展等因素，导致2001～2011年碳排放量逐年上升。2011年以后经济社会发展到一定水平后增速放缓，从而导致碳排放总量稍有回落，但仍保持较高增长水平。以上数据表明，苏州市在碳减排方面取得一定成效，政府与企业等相关部门通过采取相关政策与措施，使得碳排放得到一定控制。（图1、图2）
（二）苏州市工业增加值与工业能耗分析。由图3、图4可知，苏州市工业增加值与工业能耗整体呈现出稳步上升的趋势。2001年工业能耗约为2，000万吨标煤左右，到2022年已增长至超过9，000万吨标煤。2002～2013年间，工业能耗增长速度较快，尤其是在2003～2005年间，增速明显加快。而2013～2022年，工业能耗增速相对放缓，但总体保持在较高水平，基本保持在8，000～9，000万吨标煤之间。（图3、图4）
（三）苏州市工业能耗强度。由图5可知，苏州市工业能耗强度在2001～2022年间整体呈下降趋势，自2001年以来，苏州市工业能耗强度在多次波动中整体呈下降趋势，反映了苏州市在节能减排方面所做出的努力。但苏州市仍需不断加强相关政策和措施的实施力度，以应对可能出现的新挑战。（图5）
三、回归分析
（一）回归模型的设计。本研究采用扩展的IPAT环境影响因素分析模型预测苏州市碳排放量趋势。
I=aPbAcTdeu （1）
式中，I（impact）为环境影响，具体指苏州市的碳排放量；P（population）为人口规模，用苏州市的常住人口总数测量；A（affluence）为富裕度，用苏州市的人均地区生产总值来衡量；T（technology）为技术水平因素，用苏州市的工业能耗与工业增加值的比衡量；u是误差项，表示除了P、A、T之外其他可能影响CO2排放量的未观测因素或随机误差。
通过将STIRPAT模型两边取自然对数，得到回归模型如下：
lnCO2=b0+b1lnP+b2lnA+b3lnT+u （2）
通过这个扩展的线性回归模型，能够对人口、富裕度和技术水平这三个因素如何独立且共同影响苏州市的碳排放量进行分析。通过估计模型中的系数，可以了解每个因素变化对碳排放量百分比变化的弹性影响。还可预测未来不同人口、经济和技术情景下的碳排放量趋势，为政策制定提供科学依据。
（二）变量的描述性统计。从表1给出的描述性统计数据中，可以明确看到各个变量（LNA、LNCO2、LNP、LNT）的离散系数值。离散系数，也称为变异系数，是衡量数据离散程度的相对指标，用于比较不同量级或量纲的几组数据的离散程度。通过比较这些值，可以清晰地看到LNT的离散系数最大，为0.090，这表示LNT这组数据的离散程度最高，即其数据的变异或波动相对较大。相反，LNP的离散系数最小，为0.037，表示LNP这组数据的离散程度最低，其数据的变异或波动相对较小，LNA与LNCO2的离散系数为0.048与0.049，表明二者数据波动不大。（表1）
（三）变量的平稳性检验。表2检验结果表明，LNCO2和LNA在水平值上的ADF统计量分别为-9.7987和-5.1516，都明显小于各自的临界值，并且P值都很小，故拒绝原假设，原序列平稳。其余的2个变量ADF统计量都低于临界值，接受原假设，存在单位根，原序列不平稳。LNT与LNP分别进行一阶差分与二阶差分后后再进行单位根检验，发现ADF值均小于临界值，因此拒绝原假设，即数据是平稳的，说明LNT和LNP在原始水平上是非平稳的，但通过取一阶差分与二阶差分后变为平稳，这说明LNT序列属于一阶单整序列，LNP属于二阶单整序列，为了分析序列的协整关系，下面进行协整检验。（表2）
（四）变量间的协整关系检验。采用EG检验，结果如表3所示。（表3）
基于LNA，EG检验的P值=0.015，呈现显著性，即LNA与其余项存在协整关系。基于LNCO2，EG检验的P值=0.005，呈现显著性，即LNCO2与其余项存在协整关系。基于LNP，EG检验的P值=0.040，呈现显著性，即LNP与其余项存在协整关系。基于LNT，EG检验的P值=0.918，不呈现显著性，即LNT与其余项不存在协整关系。基于上述分析可知，4个变量间至少存在三个协整关系。
（五）回归模型估计结果与检验
1、估计结果
（1）变量系数及显著性。LNP系数为28.18834，t统计量为4.875030，P值为0.0002，表明其在统计上显著。LNP2系数为 -1.988556，t统计量为-4.753689，P值为0.0002，表明其在统计上显著，且LNP与因变量之间存在非线性关系。LNA2系数为 -0.314696，t统计量为-6.016345，P值为0.0000，表明其高度显著，LNA与因变量之间存在显著的非线性关系。LNA系数为7.362735，t统计量为6.117413，P值为0.0000，表明LNA对因变量有显著的正向影响。LNT系数为0.023051，t统计量为2.861904，P值为0.0113，在95%的置信水平上显著，表明LNT对因变量有显著影响。C（常数项）系数为-133.7168，t统计量为-9.862161，P值为0.0000，高度显著。（表4）
（2）拟合优度。R2值为0.998441，表示模型拟合效果非常好。调整的R2值为0.997954，考虑了模型中自变量的数量，仍然接近1，进一步验证了模型的良好拟合。
此外，回归标准误差值为0.020239，数值较小，说明模型的预测误差较小。残差平方和为0.006554，反映模型拟合程度优良。对数似然值为58.08927，数值越大表示模型越好。F统计量为2049.254，P值为0.000000，表明整体模型高度显著，即所有自变量联合起来对因变量有显著影响。D.W计量为2.310326，接近2，表明残差之间不存在显著的自相关。
综上，该回归模型具有较高的解释力和较好的统计性质，各个自变量对因变量的影响在统计上大多显著，模型整体表现良好。
2、异方差检验。对模型的异方差进行检验，其结果如表5所示。（表5）
根据表5中第二行的怀特统计量的P值，P值=0.2255，大于5%，因此认为不存在异方差。
3、序列相关性检验。对模型的序列相关性进行检验，其结果如表6所示。LM统计量的P值=0.0093，小于5%，因此认为存在序列相关性。（表6）
4、严重共线性问题。根据表4的结果可知，解释变量都显著，解释变量的系数符号合理，因此不存在严重的共线性。
（六）对模型的修正结果
1、模型的修正。根据表6的序列相关性检验结果可知，模型存在序列相关性，这将会影响模型的有效性和参数估计的准确性。在回归模型中加入AR（1）和AR（2），以消除或减轻序列相关性，使模型更加符合实际数据的特征，提高模型的拟合效果和预测能力。其修正结果如表7所示。（表7）
表7中的AR（1）和AR（2）都是显著的，说明加入AR项是恰当的操作，起到了消除序列相关的作用。最终的模型如下：
LNCO2=-154.1837+37.0295LNP-2.6255LNP2-0.2388LNA2+5.5962LNA+0.0318LNT-0.9129AR（2）-0.6319AR（1）
由以上结果可知，P的变化对CO2的边际影响不是一个常数，效应=37.0295-2×2.6255LNP，当LNP＜37.0295/2×2.6255=7.0519时，边际效应为正数，即随着LNP的增大，LNCO2也增大。在LNP超过7.0519之后，边际效应变成负数，随着LNP增大，LNCO2下降。A的变化对CO2的边际影响不是一个常数，效应=5.5962-2×0.2388LNA，当LNA＜5.5962/2×0.2388=11.7169时，边际应为正数，即随着LNA的增大，LNCO2也增大。在LNA超过11.7169之后，边际效应变成负数，随着LNA的增大，LNCO2下降。
LNT的系数为0.0318，意味着当LNT增加1%时，因变量平均增加大约0.03%。这个效应相对较小，可能表明技术进步对因变量的影响不大。
2、结果的经济意义分析。上述模型为我们理解并预测CO2排放与关键社会经济因素之间的关系提供了重要视角。
（1）人口（P）与经济增长（A）的双重影响。模型揭示了人口（P）和经济增长（A）对CO2排放的边际影响并非一成不变，而是具有显著的阶段性特征。在不同的发展阶段，人口和经济增长对环境的压力会有所不同。在较低水平时，两者均促进了CO2排放的增加，反映了初期发展阶段资源消耗大、污染排放多的普遍现象。然而，一旦超过某个阈值（对人口而言是LNP=7.0519，对经济而言是LNA=11.7169），这种正向影响就会逐渐减弱甚至转变为负向，表明随着社会和经济的成熟，人们开始更加注重环境保护，通过提高资源利用效率、发展绿色经济等方式来减轻对环境的压力。
（2）技术进步（LNT）的潜在作用。尽管技术进步（LNT）对因变量的影响相对较小（系数为0.0318），但其持续性和累积效应不容忽视。尽管单次技术进步可能带来的直接减排效果有限，但长期来看，通过不断地技术创新和推广应用，可以逐步降低单位产出的能耗和排放水平，从而对CO2排放产生显著的抑制作用。
四、苏州市低碳城市建设建议
（一）产业结构。严格控制高耗能、高污染行业的扩张，依法依规淘汰落后产能。加大对绿色产业的扶持力度，鼓励企业采用环保的生产技术和设备，推动产业绿色转型升级。发展低碳经济和循环经济，提高资源利用效率，减少废弃物排放。
（二）能源结构。严格控制并大幅度降低煤炭使用，提高清洁能源比重。加大对新能源的研发和投入，如风能、太阳能等可再生能源，降低煤炭消费产生的碳排放。
（三）公众低碳意识。开展低碳环保宣传活动，提高公众对低碳生活方式的认识和接受度。鼓励公众节约用电、用水等，减少资源浪费。
（四）政策导向。在制定政策时，要充分地考虑发展的阶段性差异，采取针对性的措施。对于发展较快的地区，加强监管，鼓励技术创新，提高资源利用效率；对于经济水平较高的地区，应更注重普及环保意识，提倡绿色生活，以实现经济社会的繁荣。
（作者单位：桂林理工大学商学院）
主要参考文献：
［1］杜景龙，彭梓，卢学鹤，等.近20年苏州市土地利用碳排放时空变化研究［J］.苏州科技大学学报（自然科学版），2023.40（04）.
［2］王盛，谈健，马亚辉，等.多重不确定性下基于LMDI的城市工业碳排放量影响因素分析及预测：以苏州市为例［J］.综合智慧能源，2022.44（02）.
［3］谢芝，冉子妍，王恒达.苏州市低碳发展水平的初步分析［J］.上海节能，2022（12）.
［4］王朔，陆云平，刘树洋，等.苏州市污水处理厂碳排放研究［J］.环境工程，2023.41（10）.
［5］胡梦，王仕，何晟，等.苏州市建筑（装修）垃圾处理全过程碳排放核算及减碳建议［J］.黑龙江环境通报，2023.36（06）.
［6］王钇淞，闻梓彦，陈功，等.绿色金融对苏州重点产业碳减排的影响效应研究［J］.中国商论，2024（03）.
［7］王仕，夏金雨，蒋玉君，等.垃圾分类下焚烧与填埋处理过程及碳排放核算——以苏州市为例［J］.黑龙江环境通报，2023.36（07）.
［8］孙雨清，钱寅飞，储思琴.苏州市垃圾分类对焚烧过程碳排放的影响［J］.环境卫生工程，2023.31（01）. |
|
|
|
