长三角地区能源消费碳排放驱动因素分析及优化策略

宋府霖，韩传峰, ，滕敏敏

（1. 同济大学 经济与管理学院，上海 200092；2. 同济大学 可持续发展与新型城镇化智库，上海 200092；3. 上海电力大学 经济与管理学院，上海 200090）

随着能源消耗量的急剧增长，全球碳浓度从1750年的280 ppm上升到2017年的405 ppm，极端天气、土地荒漠化及粮食减产等气候变化问题日益严重，控制碳排放成为各国关注的焦点。作为我国经济发展活跃程度最高的地区之一，长三角地区近20年来能源消费总量占全国比重保持在16%左右，且碳排放量位居全国前列。分析能源消费碳排放驱动因素并提出优化策略，助力长三角地区高质量一体化发展，成为具有重要理论意义的现实问题。

碳排放驱动因素分解通常采用结构分解分析（structural decomposition analysis，SDA）[1-2]和指数分解分析法（index decomposition analysis，IDA）[3]，后者较前者更易收集数据，应用更为广泛。常用的IDA方法包括Kaya恒等式[4-5]、IPAT模型[6-7]和Laspeyres分解法[8-9]等。近年来，国内外学者广泛运用并改进上述方法，分析国家、地区层面能源消费碳排放驱动因素。Ang[10]基于Kaya恒等式，提出对数迪氏平均指数法（logarithmic mean divisia index，LMDI），该方法能够消除难以解释的残差项并解决零值与负值问题，可操作性较强，在温室气体排放驱动因素分解研究中得到广泛应用[11-14]。与LMDI法不同，Ehrlich & Holdren[15]提出IPAT恒等式，指明经济增长与资源环境的关系，认为环境承载力是人口、富裕及技术等关键驱动因素的乘积。York等[16]基于IPAT方程拓展STIRPAT模型，广泛应用于能源相关的碳排放预测。陈占明等[17]应用STIRPAT模型，分析中国地级以上城市二氧化碳排放的影响因素，发现二氧化碳排放量随人口规模、第二产业占比及采暖需求的提高而增长，富裕程度与碳排放量呈倒“U”型关系，城镇化率对碳排放影响具有不确定性。黄蕊等[18]应用扩展的STIRPAT模型研究江苏省能源消费碳排放趋势，发现当人口、经济保持低速增长，技术保持高速增长时，有利于控制江苏省的能源消费碳排放量。

综上所述，已有研究或仅关注温室气体排放驱动因素分解，或聚焦于能源消费碳排放趋势分析，难以有效量化驱动因素对碳排放量变化的影响。本文系统应用LMDI分解法及修正后的STIRPAT模型，从静态和动态两个角度，基于长三角地区1997—2016年的时间序列数据，分析得出能源消费碳排放驱动因素的贡献率及影响程度，进一步提出长三角地区能源消费碳排放优化策略。

1 长三角地区能源消费碳排放现状分析

作为我国经济发展水平较高的地区之一，长三角地区能源消费总量呈逐年增长态势，见图1。2016年长三角地区能源消费总量达到61 763.49万吨标准煤，较1997年净增41 727.94万吨标准煤，年均增长率约为6.1%，低于经济增长速度。以1997年价格计，1997—2016年长三角地区的能源强度持续下降，表明长三角地区的能源利用效率逐年提高，经济发展对于能源消费的依赖程度不断减弱。

图1 长三角地区能源消费总量及强度变化

1997年以来，煤炭等高碳排放系数的化石能源是长三角地区主要消费的能源。虽然2005年后天然气能源的消费比重有所增加，但变动幅度并不大。2016年长三角地区一次能源消费结构为煤炭69.39%、石油22.6%、天然气8.01%。可见，当前长三角地区能源消费结构现状仍对高碳能源的依赖程度较高，短期内很难改变煤炭主导的能源结构，见图2。

图2 长三角地区能源消费结构变化

参考IPCC第四次评估报告，二氧化碳排放量的核算方法为：

式中：C为能源消费引起的碳排放总量，E为能源的消费量，i代表煤炭、石油、天然气等一次能源，Fi为第i类能源的折标准煤系数，Ki为i类能源的碳排放系数。模型计算用到的各类能源碳排放系数和折算标准煤系数参考《省级温室气体清单编制指南》（发改办气候〔2011〕1041号），折算标准煤系数依据《中国能源统计年鉴2017》所附带的“各种能源折标准煤参考系数”见表1。

表1 能源折算标准煤参考系数及碳排放系数

如图3所示，1997—2016年长三角地区在能源消费持续增长的带动下，碳排放总量呈现出逐年递增的趋势，从1997年的52 222.59万吨增长到2016年的155 341.26万吨。其中，2012—2016年能源消费总量与碳排放情况出现短暂波动，可能与近年来经济发展方式转变有关。

图3 长三角地区能源消费总量与碳排放总量变化对比

2 研究方法与数据来源

2.1 研究方法

2.1.1 LMDI因素分解分析

1998年，Ang[4]以扩展的Kaya恒等式为基础，提出对数平均迪氏指数分解法（LMDI分解法），理论基础、适用性及可操作性较其他研究方法有一定的优越性，且在“低碳、循环”等研究领域有广泛应用。基于扩展后的Kaya恒等式，对长三角地区能源消费碳排放进行因素分解为：

式中：C表示能源消费碳排放总量，i即能源种类，G表示经济情况，即GDP，P表示总人口数，E表示能源消费总量。

式中：S代表能源消费结构，用碳排放量与能源总量之比表示；I表示长三角地区单位GDP能耗值，代表能源消费强度；A表示长三角地区人均GDP，代表经济产出；P表示长三角地区人口总数，代表人口规模。

LMDI分解法分为加法分解和乘法分解，分解结果一致且具有完全分解、消除残差项、允许包含数值为零的数据等优点。本文利用加法形式对长三角地区能源消费碳排放量进行LMDI因素分解，以计量人口和经济变化、能源消费结构变化及能源消费强度变化对能源消费碳排放量的影响。累加LMDI方法如下式所示：令 为基期碳排放量，CT为第T期碳排放量，定义ΔCtot为长三角地区能源消费碳排放量变化综合效应，表达式为：

式中：ΔCpop表示人口规模效应，ΔCact表示经济产出效应，ΔCint表示碳排放强度效应，ΔCstr表示能源消费结构效应。

式（4）中各碳排放分解因子影响效应为：

2.1.2 修正的STIRPAT模型

York等基于IPAT方法构建随机STIRPAT模型[11]，表示为：

式中：I、P、A和T的含义与IPAT模型一致，分别代表环境压力负荷、人口规模、富裕程度和技术水平。因此，a表示模型的拟合系数；b、c和d表示每个解释变量的指数；e表示建立模型时产生的误差项。引入b、c、d等指标，改进被解释变量I与解释变量之间成比例变化的不足，因此该模型可拓展为用于分析环境压力模型中自变量的无约束效应，即STIRPAT模型。STIRPAT模型是以多个独立变量为特征的非线性方法，为消除时间序列的较大波动趋势，克服序列的异方差性，首先对原始数据进行对数处理。对模型（9）进行对数变换，得到：

为将上述模型应用到能源消费碳排放因素分析，扩展模型（10），增加能源结构的影响因素以检验能源结构变化对二氧化碳排放的影响，改写为：

式中：C为碳排放量，以一次能源消费所产生的碳排放量表示，单位为万吨；P为人口规模，以常住人口表示，单位为万人；A为经济产出水平，以人均生产总值表示，单位为万元；I为能源消费强度，以单位消耗GDP表示，单位为吨/万元；S为能源消费结构，以碳排放量/能源消费总量表示，单位为万吨/万吨标准煤；g为误差项。

2.2 数据来源

实证分析中使用的能源数据均来源于1997—2016年《中国能源统计年鉴》中江苏省、浙江省、上海市和安徽省的区域能源平衡表，测算的能源种类主要为煤炭、石油、天然气等一次能源。人口及经济数据主要来源于1997—2016年的《江苏省统计年鉴》《浙江省统计年鉴》《上海市统计年鉴》《安徽省统计年鉴》，其中人口数据使用常住人口数据，生产总值数据以1997年为基期换算。

3 实证分析

3.1 LMDI因素分解

为进一步探讨碳排放分解因子效应在二氧化碳排放中的内在驱动机制，基于《中国能源统计年鉴》整理计算的相关数据（表2），应用LMDI分解法，将长三角地区能源消费碳排放驱动因素分解为人口规模、经济产出、能源结构、能源强度效应，并计算得到各效应年度变化值、累计变化值和贡献率，结果见表3。

表2 1997—2016年长三角地区人口规模、生产总值与碳排放、能源消费相关数据

表3 1997—2016年长三角地区能源消费碳排放变化效应因素分解

综上所述，长三角地区碳排放可分为两个阶段：1997—2012年和2013—2016年。第一阶段1997—2012年，国内生产总值增加74 381.47亿元，能源消费总量和二氧化碳排放量呈连续增长趋势，年平均增长率为7.72%，主要原因是该阶段经济发展方式比较粗放，GDP的高速增长是以高能源消耗、高二氧化碳排放为代价。第二阶段2013—2016年，碳排放量增加明显趋缓且在2013—2014年、2015—2016年二氧化碳排放增加量表现为负值，主要是由于2012年后生态文明建设上升为国家战略，经济发展模式由粗放型发展逐渐向低碳集约型发展转变。

在第一阶段（1997—2012年），二氧化碳排放量增加98 235.35万吨。经济产出效应与人口规模效应均表现为出正效应，能源强度效应与能源结构效应大都表现为负效应。具体而言，能源强度导致-52 578.06万吨二氧化碳排放，而经济产出效应导致141 059.12万吨二氧化碳排放，这两者是导致二氧化碳总排放量变化的主要因素，平均贡献率分别为-25.79%和66.77%。贡献最低的是能源结构效应，仅产生-1 584.88万吨二氧化碳排放，贡献率仅为1.51%。人口规模效应对碳排放具有促进作用，因为人口规模扩大导致对能源的使用和需求越来越多，且不可避免地会改变生态环境及土地利用方式，破坏森林，减少植被，降低碳汇能力。1997—2002年能源强度效应年度变化均为负值，但2003—2005年为正值，2005年后又表现为负值，这一波动趋势与长三角地区能源消费强度变化趋势基本一致。2003—2005年能源强度效应表现为正效应，原因可能是该时期经济发展过于粗放，高能耗、低能效行业大规模且过度扩张，致使能源利用效率整体下降。

在第二阶段（2013—2016年），二氧化碳总排放量增加1 372.78万吨，远低于第一阶段增长量。这一阶段的经济产出效应平均贡献率为50.72%，低于第一阶段的66.67%，表明集约低碳的经济发展模式可降低二氧化碳排放量。能源强度产生-40 674.96万吨二氧化碳排放量，平均贡献率为-42.68%，负贡献大于第一阶段的25.79%，因此第二阶段的单位GDP能耗更低，表明此阶段长三角地区在提升能源利用效率方面取得了较好的创新性成果，大幅提高能源利用效率。该阶段能源结构效应产生-2 497.62万吨二氧化碳排放量，平均贡献率为3.09%，高于第一阶段的0.94%，由此可知，降低高碳能源的消费比重对减少长三角地区能源消费碳排放总量有着至关重要的作用。能源结构效应贡献度绝对值在四种效应中相对较低，表明长三角地区能源消费结构有进一步优化的空间。1997—2016年各驱动因素累积效应贡献度、逐年效应贡献度分别见图4和图5。

图4 长三角地区能源消费碳排放影响因素贡献率年度分布

图5 长三角地区能源消费碳排放影响因素累计变化分布

3.2 STIRPAT模型构建

3.2.1 单位根检验

STIRPAT模型已对原始数据进行对数化处理，使时间序列更具线性趋势且消除了异方差对时间序列数据的影响。本节为验证时间序列数据的平稳性，以防解释变量与被解释变量间出现“伪回归”，运用Eviews8.0，应用ADF统计量进行五个变量的单位根检验，并根据SIC值确定滞后项。其中lnC是被解释变量，lnP、lnA、lnI、lnS是被解释变量。ADF检验的原始假设是变量存在单位根，若ADF检验值小于显著性水平的临界值，则表明时间序列数据平稳。否则，接受原假设，表明时间序列非平稳。若原始时间序列为非平稳状态，则需进行一阶差分处理。若一阶差分序列仍是非平稳的，则需对二阶差分进行检验，检验结果见表4。

表4 ADF单位根检验结果

由表4检验结果可知，原始时间序列数据具有非平稳性，经过二阶差分后，5个变量的ADF值均通过显著性水平为5%的检验，时间序列变得平稳，因此原始时间序列皆为二阶单整序列，符合进行协整分析的条件。

3.2.2 协整检验

为了后续回归分析的有效性，采用E-G两步法对时间序列进行协整关系检验。运用Eviews 8.0进行OLS回归，得到协整方程：

为判断残差序列是否平稳，获取残差序列并进行AEG检验。检验结果见表5。

表5 残差序列AEG检验结果

如表5所示，在1%的显著性水平下，残差序列的ADF值的绝对值比对应的AEG阈值的绝对值大，表明原时间序列具有显著的协整关系，不存在“伪回归”，可进行后续的回归分析。

3.2.3 多重共线性检验

为准确估计模型的参数，需检验各个变量之间是否存在多重共线性。应用Eviews8.0对变量进行相关性检验。从表6相关系数矩阵可知，变量lnA、lnP、lnI和lnS之间相关系数均较高且大部分数值高于0.90，说明解释变量之间存在高度相关性，因此可能存在严重的多重共线性。

表6 相关系数矩阵

应用SPSS21.0对被解释变量lnC和解释变量lnA、lnP、lnI和lnS进行普通最小二乘法估计，并通过方差膨胀因子（VIF值）判断变量间是否存在多重共线性。检验结果见表7。

表7 普通最小二乘法回归结果

由表7可知，共线性统计量VIF（方差膨胀因子）均远大于10，且变量lnS特征值为1.899×10-7趋近于0，说明变量间可能存在严重的多重共线性。

3.2.4 岭回归分析

为克服变量间多重共线性的影响，选择可以有效解决多重共线性问题的岭回归法进行建模。岭回归法是Horel于1962年提出的一种优化的最小二乘法，适用于共线性数据分析，对病态数据耐受性较强[19]。运用岭回归估计参数的实质是牺牲无偏性来寻找参数估计的最小方差性，通过在标准化的解释变量矩阵对角线上增加一组惩罚系数K（即岭参数）来进行估计。若能合理选择岭参数K，岭回归的结果将大大减少在较小的无偏性下参数估计的方差。K值的变化范围是从0到1。K值越小，原有信息损失越少，估计精度越精确。

通过岭迹图来确定合理的K值，如图6所示。利用SPSS21.0软件的岭回归法对模型（11）进行拟合，岭回归系数K在(0, 1)区间，以步长为0.01进行取值，当K=0.002时，岭迹图变化逐渐平稳，具体的岭回归估计结果见表8。

图6 岭迹图

由表8可知，岭回归的系数lnI和lnS通过了5%的显著性水平检验，lnA、lnP均通过了1%的显著性水平检验，为99.947 7%，模型整体拟合程度良好。F统计量为7 166.424 5，通过了1%的显著性水平检验。因此，模型（13）能较好地解释长三角地区能源消费碳排放量与影响因素之间的关系，具体形式如下：从模型（13）的拟合结果可以看出，经济产出水平、人口规模、能源消费结构、能源消费强度均与长三角地区碳排放总量呈现正相关关系，影响因素作用程度大小依次为人口规模＞能源消费结构＞经济产出水平＞能源消费强度。

表8 岭回归估计结果

根据实证结果，人口规模是影响长三角地区能源消费碳排放增长最强因素，弹性系数为2.293 5，表明长三角地区人口规模每增加1%，能源消费碳排放总量增长2.293 5%。长三角地区极强的区域综合竞争力和经济社会发展条件吸引了大量优秀人才，接受了很多外来人口。人口规模的扩大势必会带来电力、交通、房地产等行业能源消费量的增加，进而导致碳排放量增加。

经济产出水平弹性系数为0.845 4，表明人均GDP每增长1%，长三角地区能源消费碳排放相应增加0.845 4%。长三角地区是我国经济发展水平最高的地区之一，GDP在过去20年快速增长，消耗大量能源。一方面，工业化、城镇化进程不断加快，导致能源过度消耗，带来大量碳排放。另一方面，随着人们生活水平的提高，娱乐、餐饮等也会刺激直接或间接的能源消费需求。根据环境库兹涅茨曲线，在较长的研究期间，环境负荷与经济产出水平之间的关系是倒“U”型曲线，实证结果表明，经济产出水平与能源消费碳排放呈正相关关系，当前长三角地区处于倒“U”型曲线的左端，经济发展方式仍需转变。

能源消费结构弹性系数为1.933 3，即平均碳排放系数每增加1%，能源消费碳排放总量相应增长1.933 3%，是影响长三角地区能源消费碳排放第二大因素。平均碳排放系数越高，代表地区内能源消费结构中煤炭占能源消费总量比例越高。因此，优化能源使用结构和推动绿色化能源变革，是长三角地区减少二氧化碳排放的较有效途径之一。

能源消费强度是引起长三角地区能源消费碳排放增加的另一重要因素，能源消费强度每增加1%，将会造成长三角地区能源消费碳排放增加0.832 8%。能源消费强度越低，表明单位GDP所需的能源消费量少，即能源使用效率高。1997—2016年，长三角地区能源消费强度由1.144 7吨/万元降到0.491 9吨/万元，能源消费强度不断降低，表明能源使用效率逐年提高。由于提高能源效率的边际效益不断降低，科技创新水平对碳排放的影响相对较弱。

4 结论

（1）长三角地区能源消费总量与碳排放总量在过去20年逐年上升，2016年能源消费碳排放总量达到155 341.26万吨。能源消费强度呈逐年下降趋势且能源消费结构逐年优化，煤炭消费占总能源消费比例已由1997年的77.75%下降到2016年的69.39%，天然气消费比例逐年提高。

（2）基于LMDI因素分解法研究结果表明，1997—2016年长三角地区能源消费碳排放快速增长的主要原因是经济快速发展，其次是人口规模不断扩大。经济产出效应累计贡献186 215.76万吨碳，平均贡献率达63.39%。人口规模效应累计贡献14 421.71万吨碳，平均贡献率为5.42%。抑制碳排放增长的因素主要是能源强度效应和能源结构效应，其中强度效应影响程度大于结构效应。能源强度效应累计贡献-93 436.33万吨碳，平均贡献率为-26.89%。能源结构对碳排放的抑制作用起微弱作用，累计贡献-4 082.47万吨，平均贡献率达-1.39%。

（3）LMDI指数分解从静态角度分析能源碳排放的驱动因素变化，STIRPAT模型进一步从动态定量角度分析各影响因素的单位变量引起的能源碳排放变化量。人口规模、经济产出因子每增加1%，能源消费二氧化碳排放量分别增加2.293 5%、0.845 4%。由于能源强度和能源结构的变化呈下降趋势，对碳排放起抑制作用，分别变化1%，引起能源消费二氧化碳排放量减少0.832 8%和1.933 3%。虽然整体上人口规模对能源消费碳排放增加的贡献率不及经济活动效应，但从动态定量角度来看，对碳排放增加的效应更明显。基于此，能源结构优化对减少能源碳排放的效应更明显。因此，控制人口规模，优化能源结构也可有效地降低能源碳排放。

5 长三角地区能源消费碳排放优化策略

（1）在生态补偿、产业链升级、公共服务等方面建立一体化发展新机制。以上海市为核心，增强辐射带动作用，加速推动经济发展方式向低碳集约型转变。积极探索碳排放权交易等市场化生态补偿模式，加快完善可持续有效的生态补偿机制。提高企业入门标准，引导高效、高附加值、低碳的产业加入产业链。激励企业积极履行减碳环境责任，更多地披露环境信息。完善碳排放计量体系，综合运用云雾计算、5G、区块链、信息融合、大数据等现代信息技术，提高能源数据统计决策能力和公共服务力。科学编制碳排放清单，优化碳排放数据报送系统和登记系统，对重点碳排放单位进行监测、报告、核查。

（2）打造人才一体化机制，赋能长三角生态绿色一体化示范区高质量发展。运用现代信息技术科学精准预测人才需求，编制长三角一体化人才发展规划，立足三省一市产业链与价值链分工，通过人才政策、产业政策优化人力资源空间配置。建立一体化人才互认机制，推动城乡人才双向流动，促进高层次人才在区域间有效流动。

（3）推动绿色化能源变革，增强低碳消费内生动力。整合消费煤炭设施资源，推进燃气管网覆盖城乡，多元化发展天然气开采投资模式。加快对太阳能、风能、生物质能等清洁能源和可再生能源的开发及利用，注重氢能产业发展。充分发挥社会多元主体作用，鼓励各层次主体参与低碳相关法律法规制定，宣传和引导民众树立低碳观念。

（4）加强能源转化和存储技术研发，提高能源开发利用效率，发展节能技术。以企业低碳发展实际需求为导向，围绕二氧化碳捕集与利用、二氧化碳封存、高耗能高排放企业节能降耗等关键技术及装备，建立政学产研多元主体参与机制。聚焦关键共性、前沿引领、应用型的高效能量存储技术，开展跨学科跨领域协同合作，形成基础科学研究、应用技术开发和成果转化的全流程创新产业链。