长三角地区碳排放差异、影响机理及碳达峰预测

关键词 

碳达峰；碳排放差异；STIRPAT模型；情景设置；长三角地区

全球气候变化是世界各国所面临的严峻挑战之一。在其众多的影响因素中人类活动是首因，各国政府有责任采取措施应对全球气候变暖。中国政府已许诺力争在2030年前实现碳排放达峰，2060年前实现碳中和。由于中国不同区域的社会经济发展条件、能源结构和碳排放特征存在较大差异，因此，各区域应根据当地碳排放驱动因素及变化趋势制定合理的低碳发展策略。长三角地区是中国经济最发达的区域，但该地区近20年的能源消费总量和二氧化碳排放量也占全国较大比重。在长三角地区高质量一体化发展的国家战略背景下，系统研究长三角三省一市碳排放差异、影响机理及预测碳排放趋势，对促进该区域碳排放协同达峰、实现绿色发展具有重要意义。

目前，围绕长三角地区碳排放的研究主要集中在碳排放时空格局、驱动因素及趋势预测三个方面。在研究长三角地区碳排放时空格局方面，Li等发现长三角地区各县市碳排放呈现出空间聚集性。佘倩楠等研究表明长三角地区碳排放空间分异性显著；舒心等研究得出长三角城市群碳排放与城市用地增长的时空异质性趋于同质的结论。Zhong等发现在长三角地区各城市的工业碳排放效率差异较大，并呈现空间集群的特征。陈江龙等以泛长三角地区为例，分析了该区域典型年份碳排放的空间分异、时间演变，发现该区域碳排放总体格局稳中有变。已有文献在定量分析碳排放差异时多采用单个指标，本文则引入变异系数(CV)、基尼系数(Gini Index)、泰尔指数(GE)三项经常用来描述区域差异的统计学指标，定量测度长三角地区三省一市的碳排放差异，并分析2005~2019年该区域碳排放差异的演变趋势。

在探究碳排放驱动因素方面，长三角地区各城市碳排放主要影响因素存在明显差异。学者研究发现城市规模与碳排放存在负向关系，城市化对碳排放的影响为正，但城市化子系统对长三角碳排放的影响各异。Shao等以长三角地区为研究对象，结果显示市场分割与碳排放存在非线性关系。经济发展是长三角地区能源消费碳排放增长的主要因素，且地方官员的晋升来源、任期和年龄显著影响碳排放总量。亦有研究表明人口对长三角地区碳排放的影响最为显著，但人口对碳排放的正向促进作用逐渐减小。翟石艳等发现经济增长和能源消费、碳排放量之间存在单向因果关系。而宋府霖等研究发现经济产出、人口规模是长三角地区碳排放的正反馈驱动因素，能源强度和能源结构是负反馈驱动因素。长三角地区已逐渐向以服务业和先进制造业为主的工业化结构发展，导致研究期间碳排放缓慢增长。Zhang等研究结果表明工业化与碳排放效率呈U型关系。虽然已有较多学者研究长三角碳排放的影响机理，但缺乏对长三角三省一市碳排放差异性影响机理的针对性解释。本文基于STIRPAT扩展模型，采用岭回归系统探究长三角三省一市碳排放的差异性影响机理。

关于碳排放趋势预测，不少机构与学者以情景分析法为描述区域未来碳排放趋势的工具。例如，政府间气候变化专门委员会(IPCC)研究开发的典型浓度路径(Representative concentration pathway，RCP)和共享社会经济路径(Shared Socioeconomic Pathways，SSPs)，实现了情景假设从简单描述到定量研究的升级，帮助各地区以更加科学的方法和手段应对碳排放等环境问题。唐德才等基于系统动力学模型，预测长三角地区能源消耗碳排放发展趋势。岳书敬等分别设置不同情景，探究长三角城市群碳排放变动趋势及碳达峰路径。王春春等运用情景分析法研究江苏省的CO2排放达峰时间及峰值水平。王传磊以浙江省为研究对象，设置8种发展情景预测其碳排放强度发展趋势。王勇等对上海等超大城市进行碳排放达峰情景预测，邱立新等预计上海2023年左右实现峰值目标。目前学界关于中国碳排放达峰的研究成果丰富，但上述研究大多基于不同的情景设置和预测模型，碳排放预测结论各异。考虑到预测碳排放趋势工作的复杂性，本文围绕情景和模型两个方面展开研究，基于历史数据与碳排放发展规律，结合长三角三省一市的政策规划将其置于统一的基准情景框架，并采用相同模型进行碳排放预测，研究结论对长三角地区一体化绿色发展具有重要的比较参考价值。

鉴于此，本文同时采用变异系数、基尼系数、泰尔指数3项指标，系统测度长三角地区2005~2019年的碳排放区域差异；运用STIRPAT模型和岭回归方法，深入探究长三角三省一市碳排放的差异性影响机理；基于基准情景，预测长三角三省一市碳达峰的时间及对应峰值，并提出差异化达峰策略。

1研究方法与数据来源

1.1碳排放测算方法

本文选用IPCC温室气体排放指南里的碳排放系数法，对上海、浙江、江苏、安徽能源消费碳排放进行计算。

 

式中:I为碳排放总量；j为能源种类；E_j为第j种能源的消耗量，按标准煤计；K_j为第j种能源的碳排放系数。本文所使用的能源消费数据来源于《中国能源年鉴》(2006-2020)。

1.2碳排放差异测度指标选取

关于碳排放差异的测度还没有专门的指标，本文采用反映区域差异的变异系数(CV)、基尼系数(Gini Index)、泰尔指数(GE)这3项统计学指标测度碳排放的区域差异性。

变异系数(CV)在数值上等于标准差除以均值，其公式如(2)式所示:

 

式中:y_i(i=1，2，3，…，n)代表第i个地区的碳排放指标；u是长三角地区平均碳排放指标；n是地区的个数。

基尼系数(Gini Index，缩写为Gini)的计算公式为:

 

式中:y_i、y_j分别是第i、j个地区的碳排放指标；u和n的定义同式(2)。

泰尔指数(GE)属于综合熵指数，被用来衡量经济系统中各地区差异。其计算公式为:

 

式中:y_i是第i个地区的碳排放指标；u和n的定义同式(2)。

1.3STIRPAT模型

本文采用STIRPAT模型，探究长三角地区三省一市碳排放的影响机理，预测碳排放趋势以及碳达峰年份和峰值。York等[33]研究发现碳排放量与经济发展指标间关系复杂，于是以IPAT与ImPACT模型为基础提出了STIRPAT模型，其标准形式为:

 

本文以I_i=aP^b_iA^c_iT^d_ie_i为基础，取对数将IPAT模型变换为面板模型:

 

结合长三角地区的区域特点，选择人口规模、经济规模、技术水平、城市化率、能源结构及产业结构等六个影响要素，得到扩展的STIRPAT模型，则式(6)可表述为:

 

式中:I_i表示i省(市)碳排放总量(万t)；P_i为人口规模，以地区常住人口数(万人)表示；A_i代表经济规模，用人均GDP(亿元/万人)表示；EI_i即技术水平，用能源强度，即生产单位GDP所消耗的能源数量(万t/亿元)表示；U_i表示城市化率，用城镇人口与常住人口的比值(%)表示；ES_i表示能源结构，以能源消耗中煤类占比(%)表示；IS_i表示产业结构，以第二产业增加值占GDP的比重(%)表示；i(i=1，2，3，4)表示长三角地区的不同省市，lna为常数项，b、c、d、f、g、h分别为各个解释变量的系数，e为随机干扰项。本文所使用的人口、城镇化率、GDP、产业结构等数据来源于国家统计局官网。

2长三角地区碳排放差异分析

2.1碳排放量测算

运用碳排放系数法计算2005~2019年长三角地区三省一市碳排放量，碳排放整体呈上升趋势，如图1所示。2005年上海、浙江、江苏、安徽碳排放量分别为15893、25582、39610、15667万t，2019年增长至19291、38141、80459、40806万t。其中，上海市碳排放始终保持低幅波动，历年的碳排放量均为长三角地区最低。浙江省碳排放量在2011年后波动幅度较小。2009~2013年江苏省碳排放速度猛增，而2013~2019年碳排放趋于平稳上升。安徽省则以2013年为分界点，碳排放量增速由高速转为低速。

2.2碳排放差异定量测度

基于2005~2019年长三角地区三省一市的碳排放量，采用变异系数(CV)、基尼系数(Gini)、泰尔指数(GE)定量测度碳排放差异，结果见表1。

 

为了更加直观地体现碳排放差异的时序变化特征，以2005年为基期，取三项指标的相对值绘成趋势变化曲线，见图2。

 

表1和图2显示，长三角地区在15年(2005~2019)碳排放差异整体上表现为波动中上升，其随时间变化呈“上升—下降—再上升”的特征。2005~2006年，碳排放差异有所上升。2007年开始，各省市碳排放差异趋于缩小，变异系数、基尼系数和泰尔指数在2009年均达到极小值。2010~2019年间，长三角三省一市的碳排放差异大幅上升。从图2可见，三个测度指标随时间演变的总体走势特征相近，而且波峰、波谷点在相同时间出现，表明三个指标在测度碳排放差异方面能够满足准确一致的要求。

3长三角地区碳排放的影响机理

本文选择STIRPAT模型，运用岭回归，对上海、浙江、江苏及安徽的碳排放影响因素分别进行计量分析，研究人口数量、城镇化率、人均GDP、能源强度、能源结构和产业结构等因素对长三角地区三省一市碳排放的影响机理。

应用SPSS对模型进行OLS多元回归分析。各省市STIRPAT模型中，上海除城镇化率外，其他变量VIF值大于10，安徽仅有能源结构的VIF值小于10，而浙江、江苏所有变量的VIF值均大于10，说明各省市的模型均存在多重共线性。为消除多重共线性，本文运用岭回归对各变量进行分析，在其标准化矩阵的元素主对角线上加入岭参数(k)，提高模型的稳定性(岭参数为正值)[34]。

首先，建立岭回归代码，以01为分布区域，以0.01为搜索步长，拟合岭迹图(见图3)，各变量趋于稳定时所对应的k值即为最佳值，当k=0.4、0.1、0.2、0.26时，上海、浙江、江苏、安徽各自对应的岭迹图趋于平稳，此时所对应的R²为0.812、0.851、0.979、0.987，因此取各值进行拟合，模型结果见表2，由结果可知拟合效果好。

 

 

从变量系数来看，人口规模、人均GDP、城镇化率与上海市碳排放成正相关，能源强度的提高会导致上海市碳排放减少。浙江省的碳排放量与人口、城镇化率、人均GDP、第二产业占比之间表现为正向关系，但与能源强度是负向关系。除人口、人均GDP、城市化率的提高会促进江苏省能源消费碳排放外，第二产业占比、能源结构的增大也会导致碳排放量的增加，而能源强度与江苏省的碳排放呈负相关。安徽省的碳排放量与人均GDP、城镇化率、第二产业的占比变化方向一致，与人口规模、能源强度的变化方向相反。

比较长三角地区各省市碳排放影响因素的变量系数，发现这些影响因素的作用方向及影响程度各不相同。其中，人口因素对江苏能源消耗碳排放的影响远大于其他三个省市，城镇化率对上海碳排放量的影响最大；人均GDP对长三角三省一市碳排放的影响程度接近，对浙江的影响程度稍显著于上海、江苏和安徽。不同于其他省市，人口因素与安徽碳排放之间为负向关系，其原因是:在2005~2019年间，安徽省碳排放呈增长态势，但其人口规模却表现为波动状态，从2005年的6120万人回落至2019年的6092万人，这与宋晓晖等的研究结果相似；能源强度对长三角各省市的碳排放均为负向影响，能源结构仅对江苏碳排放影响显著；随着第二产业所占比重的增加，江苏的碳排放量减少，而浙江、安徽碳排放却有所增加。

江苏省人口规模的系数为1.2535，对碳排放量的影响最为显著，是江苏碳排放快速增长的主要驱动因素。这主要是因为在样本考察期间江苏的人口增长迅速。人类的生产生活活动，都会消耗能源从而导致碳氧化物排放，人口数量的高速攀升必然导致二氧化碳总量的增加。

城镇化率对上海市的碳排放量影响最大，其系数为1.9702。上海市城市化水平在中国最高，因此严格控制外来人口数量，放缓城镇化进程，城镇化水平对碳排放的驱动作用会逐渐减弱。

人均GDP水平对长三角地区各省市碳排放量存在一定影响，但不如城市化水平和人口规模两个因素显著。人均GDP增长使得人均收入提高，生活质量也不断改善，消费能力逐步增强。但个人消费产品也包括低碳环保产品，随着此类产品占总消费品的比例增加，可能导致人均GDP的变化对碳排放的影响程度有所下降。

能源强度与三省一市的碳排放量均呈负相关关系，变量系数分别为-0.0307、-0.1074、-0.1282、-0.3711。2005~2019年能源强度提高导致各省市碳排放减少，但其对碳排放的负向影响总体较低。

能源结构与江苏省的碳排放呈正相关关系。相比风能、太阳能等清洁能源，煤类排放更多的二氧化碳；随着煤类等化石能源占总能源比例的增加，意味着使用同等单位的能源将会排放更多的二氧化碳。

第二产业比重在江苏省对碳排放具有负向影响。其原因可能在于江苏的第二产业发展创新应用了更多清洁能源技术，采用清洁能源技术的降碳效应大于产业发展带来的碳排放增量，因此在江苏省第二产业比重与碳排放量呈负相关。

4长三角地区碳排放峰值预测

采用模型(8)(9)(10)(11)，对模型变量进行基准情景设置，预测长三角地区三省一市2020~2035年能源消费碳排放，试图探求各省市碳达峰年份及对应排放量。

4.1情景设置

为探究长三角地区“碳达峰”前景，基于长三角三省一市碳排放驱动因素历史数据的变化趋势和相关“十四五”规划，在基准情景下对2020~2035年长三角各省市的影响要素分别设定变化率，并以5年为周期进行适当调整(见表3)。在情景设定时，综合考虑了长三角地区各省市经济发展现状、新冠肺炎疫情冲击等对各因素变化的影响，具体设置依据如下:

 

人口规模(P):“十三五”规划期间，上海、浙江、江苏、安徽的平均人口自然增长率为0.19%、1.34%、0.35%、0.32%；此外，国务院发布的《国家人口发展规划》中认为中国到2030年人口登顶，随后人口规模逐年减小，但幅度较小。综合考虑上述因素并结合长三角地区各省市的实际情况，本文设定2020~2025年上海、浙江、江苏、安徽的平均人口自然增长率为0.23%、1.53%、0.39%、0.36%，2026~2030年为0.14%、0.64%、0.24%、0.31%，2031~2035年为-0.10%、-0.50%、-0.20%、0.28%。

城镇化率(U):2020年上海、浙江、江苏、安徽常住人口城镇化率分别达到了89.3%、73%、74%、59.4%，根据三省一市的“十四五”规划，2021~2025年上海、浙江、江苏、安徽的城镇化率目标为90%、75%、75%、62%。基准情景中，2035年设定各省市城市化率将达到90%、80%、80%、70%，以此为基础反推计算出长三角地区各省市2020~2035年各阶段城市化率的增长速度。

人均GDP(A):考虑疫情对经济活动造成一定程度的影响，综合中国经济结构实际情况，基准情景下2020~2025年上海、浙江、江苏、安徽的人均GDP增长率设置为3.9%、3.9%、5. 0%、5.6%。假定经济发展与人均GDP增速呈反向变动关系，设定2026~2030年人均GDP增长率依次为2.9%、2.9%、4.0%、4.5%；2031~2035年依次为1.9%、1.9%、3.0%、3.9%。

能源强度(EI):国家“十四五”规划中明确了“单位国内生产总值能源消耗和碳排放值各自下降13.50%、18.00%”的目标；《浙江省节能降耗和能源资源优化配置“十四五”规划》中要求2020~2035年单位GDP能耗从0.41降至0.35t标准煤/万元；《江苏省“十四五”全社会节能的实施意见》把2025年全省单位地区GDP比2020年下降14%作为目标。基于此，本文将2020~2025年上海、浙江、江苏、安徽的能源强度变化率设定为-1.05%、-1.46%、-4.00%、-3.76%，之后在此基础上逐步放缓。

能源结构(ES):根据《中国统计年鉴》(2021)可知，2020年中国煤炭消费占比下降至54%。江苏作为能源消耗和碳排放大省，是全国碳减排的重点区域和潜力地区。因此，设定基准情境中能源结构(ES)值在2025、2035年分别为45%、40%。

产业结构(IS):产业结构升级促进经济增长，浙江、江苏、安徽2016~2020年的第二产业增加值的GDP贡献值占比年均下降率为1.2%、1.1%、1.6%，而且三省的产业结构值呈下降趋势。因此设定基准情景下，浙江、江苏、安徽2020~2025年第二产业占比年均下降1.7%、1.6%、2.1%；2026~2030年第二产业占比年均减少2.1%、2.2%、2.6%；2031~2035年第二产业占比年均减少2.5%、2.7%、3.1%。

4.2碳排放及碳达峰预测

基于基准情景设定，应用模型(8)、(9)、(10)、(11)分别对上海、浙江、江苏、安徽2020~2035年的碳排放量进行预测，结果如图4所示。

 

从图4可知，在基准情景中，上海、浙江、安徽和江苏的碳排放量分别于2026、2027、2028和2031年达峰，峰值依次为20768、40855、63533和94973万t。

由于本文碳排放预测模型参数是基于历史数据拟合得到，当选取历史数据发生变化以及各驱动因素变化率设置不同时，均会对碳排放预测结果产生一定影响。因此，本文参考王利兵等的研究思路，着重讨论各省市碳排放驱动因素预测数据在基准情景参数设定基础上波动±3%时，对本文碳达峰预测工作带来的不确定性。考虑各变量扰动后，基准情景下，上海市碳达峰时间为2024~2028年，峰值为18172~22519万t；浙江省碳达峰时间为2025~2029年，峰值为37712~43997万t；安徽省碳达峰时间为2027~2030年，峰值为58450~67095万t；江苏省碳达峰时间为2030~2033年，峰值为89037~97254万t。

5结论与建议

5.1主要结论

本文定量测度了长三角地区三省一市的碳排放差异，运用STIRPAT模型分析上海、浙江、江苏和安徽的碳排放影响机理，并通过情景分析预测三省一市的碳达峰时间及峰值，主要结论如下:

（1）碳排放变异系数、基尼系数、泰尔指数显示，长三角地区三省一市的碳排放量存在显著差异，时序差异整体表现为波动上升。

（2）STIRPAT模型岭回归分析结果表明，人口数量、人均GDP、城镇化水平、能源强度对三省一市碳排放均有显著影响；能源结构只对江苏碳排放有显著影响；除上海外，产业结构对浙江、江苏、安徽碳排放具有显著影响。

(3)在基准情景下，上海、浙江、安徽和江苏分别在2026、2027、2028和2031年实现碳达峰，峰值依次为20768、40855、63533和94973万t。

5.2政策建议

为促进长三角地区三省一市的碳达峰目标尽早实现，结合长三角地区碳排放特征，建议因地制宜制定各省市的绿色低碳发展策略。

上海市城镇化率已于2018年位居全国第一，快速的城镇化带来了大量的碳排放。因此，上海市应推进高质量的绿色城镇化。人均GDP仍是上海市碳排放增加不可忽视的驱动因素，因此要大力发展绿色环保产业，加强经济高质量发展。

浙江省应抢占绿色低碳科技创新制高点，坚持优化调整产业结构，逐步推进第二产业绿色高质量发展、加大第三产业对经济的贡献，兼顾经济增长与碳减排。

安徽省应持续践行绿色发展理念，稳步推进新型低碳城镇化进程；改善能源结构，增大可再生能源占比，提高能源清洁高效利用率；支持各行业绿色发展，推进行业绿色转型。

江苏省要在2030年达成碳达峰目标，高速的城镇化进程加速了江苏省人口规模的扩大，由此引发的碳排放等环境问题不容忽视。江苏省应秉持经济发展与环境治理“两手都要抓、两手都要硬”的管理理念，把提高碳排放效率作为碳减排工作的重点。因此，政府应帮助居民提升环保意识、引导居民形成低碳消费行为方式，促进碳减排；同时，政府应加强绿色交通体系等的公共服务设施供给，提升碳排放效率。