基于STIRPAT模型的连云港地区碳排放影响因素定量分析

韩遇春，田 赢，胡立聪，赵 健，卢闻州

(1. 国网江苏省电力有限公司连云港供电分公司，江苏 连云港 222000；2.江南大学物联网工程学院，江苏 无锡 214122)

引 言

近些年来，二氧化碳等温室气体的排放量逐年递增，全球气候急剧变暖，极端天气愈发频繁，人与自然的可持续发展遭受了极大的威胁[1]。2016年，中国碳排放量已经占据全球碳排放量的四分之一[2]，中国作为世界上能源消费量最大的国家，工业化进程起步较晚，能源结构不合理，目前仍未实现“碳达峰”。面对较大的国际压力，中国始终积极承担自己的责任，在2015年巴黎气候变化大会上，中国承诺2030年碳排放强度相比2005年下降60%～65%[3]。2020年习总书记在第七十五届联合国大会一般性辩论的讲话上指出，中国力争在2030年之前实现“碳达峰”，在2060年前实现“碳中和”[4]。连云港地区作为典型的沿海型城市，为充分考虑其地域特性及资源禀赋，促进“双碳”目标，定量分析碳排放影响因素具有重要意义。

国内外研究二氧化碳排放量影响因素的主要方法为因素分解分析法。因素分解法在只需用到分部门数据的同时，也可同时进行时空上的对比[5-6]。常用的因素分解法有：IPAT分解模型法、STIRPAT分解模型法、LAYA分解法、LDMI分解法以及LASPEYRES指数法[7]，其中STIRPAT分解模型法因具有指标选取灵活等优点，成为了研究区域碳排放影响因素的主要方法[8]。文献[9]以长三角地区为研究对象，利用STIRPAT模型对人口数量、人均GDP、实际利用外商直接投资额、技术进步等影响因素进行研究。文献[10]以山东半岛蓝色经济区为研究对象，利用STIRPAT模型结合岭回归分析方法对人口数量、人均国内生产总值、能源强度、城镇化水平等四种因素进行研究。文献[11]以东北三省为研究对象，利用STIRPAT模型结合最小二乘法以及主成分分析法对碳排放因素进行研究。文献[12-13]利用STIRPAT模型分别对江苏省以及贵州省的碳排放情况进行研究。文献[14]利用STIRPAT模型对京津冀地区的碳排放情况进行研究。此外，还有一些研究是针对特定行业的二氧化碳排放情况，包括工业[15～17]、农业[18-19]、交通业[20]等。然而上述研究的研究目标大都针对某一省域等地区，且未关注研究区域的地域特性。本文充分考虑连云港地区这一区域特性，提出了基于连云港区域特性的扩展STIRPAT扩展模型，深入剖析了2007～2019年间连云港地区碳排放量与区域发展因素的定量关系，并提出相关政策发展建议。

1 碳排放扩展STIRPAT模型构建

1.1 二氧化碳排放量的测算方法

为了建立连云港地区二氧化碳排放量与各个因素之间的定量关系，需要对于连云港地区的二氧化碳进行合理的测算。目前二氧化碳排放量测算用到的方法相对较多，文献[21]基于清单核算法，并结合社区居民消费活动特点，将社区划分为多个部门，最终核算出社区的碳排放量。但这种方法需要用到各部门的投入产出等数据，计算较为繁琐。因此，在不考虑碳排放时空分布特点的前提下，IPCC提出的排放因子计算方法更为合适[22]，该方法二氧化碳排放量测算模型为：

(1)

式中，Qi为第i种能源的消费总量(万吨)，Mi为第i种能源的折标准煤系数(万吨标准煤)，Ni为第i种能源的二氧化碳排放系数，Pi为第i种能源的碳排放系数。

连云港地区的历年能源消费数据可以在历年的《连云港统计年鉴》中获得，各种常见能源的折标准煤系数以及二氧化碳排放系数如表1所示，其中，折标准煤系数来自《IPCC国家温室气体清单指南(2006)》[22]，二氧化碳排放系数由IPCC指南换算得到。

表1 常见能源的折标准煤系数与二氧化碳排放系数Tab.1 The standard coal coefficient and the CO2 emission coefficient of common energy sources

1.2 扩展STIRPAT模型

构建合理有效的碳排放量影响因素的数学模型，可以为连云港地区碳排放量影响因素的定量分析提供理论支撑。首先，需要对碳排放影响因素进行分析选取，然后，再进一步确定碳排放数学模型。

连云港地区作为江苏省唯一的海港城市，碳排放量受到诸多因素的影响，对其碳排放量的研究，主要围绕以下几个方面进行展开研究：

(1)连云港地区地处江苏北部，经济水平虽处于全省较为落后的水平，但经济发展潜力足，根据学者之前对于碳排放量的研究，经济发展水平与碳排放量存在一定的相关性[23]，确定经济发展水平与碳排放量的关系，对于制定适宜的经济发展战略，更好促进“双碳”目标的实现具有重要指导意义。

(2)碳排放主要来自两个方面，一方面来自自然界生化活动产生的二氧化碳，另一方面来自于人类活动产生的二氧化碳。如表2所示，2007～2019年，连云港地区的常住人口处于稳步增长的阶段，但是该市的年末常住人口数常年小于其年末户籍人口，其原因在于连云港地区在省内的经济水平较为落后进一步导致的人口流失。即人口因素与连云港地区的碳排放量之间存在着一定的联系。

(3)长期历史经验表明，城市化率与碳排放量之间存在着一定的驱动关系[24]。如表2所示，2007～2019年间，连云港地区的城市化率稳步提高，人民的生活质量和水平不断地改善和提高；城市化的进程在一定程度上也加快了连云港地区能源的消耗，从连云港地区当前的能源结构来看，能源消耗增加与碳排放量紧密相关，因此探究城市化率对连云港地区碳排放量具有重要的意义。

(4)连云港地区具备江苏省唯一的田湾核电站以及相关的海上发电等有利条件，连云港市官方统计年鉴资料显示[25]，新能源发电比例约占全市70%左右，新能源占比已经较高。由此可见，不断增加的碳排放量可能与连云港地区的其余能源结构有关。连云港地区重化工工业占比较高，包含钢铁、石化等一批临港重化工业企业，全市六大高耗能行业占工业综合能耗比重为92.1%、93.9%、92.7%、92.2%，六大高耗能行业的单位产值能耗偏高是拉低全市平均产值单耗的重要因素。因此，连云港地区具有较强的区域性特征，研究当地能源强度对连云港地区碳排放量的影响具有重要的意义。

表2 2007～2019年连云港相关年度统计数据[25]Tab.2 Relevant annual statistic data of Lianyungang from 2007 to 2019

由上述分析可知，连云港地区的碳排放量主要受限于人口规模、经济水平、城市化率、能源强度等影响因素，因此，提出构建的碳排放扩展STIRPAT模型为：

(2)

为便于分析，对等式(2)两边取对数，得到：

lnI=lna+blnP+clnA1+dlnA2+elnU+flnT+lng

(3)

式中，I为二氧化碳排放量(万吨)；P为人口因素，选用常住人口指标(万人)；A1和A2均属于富裕度指标A，A1选用地区人均生产总值(万元/万人)，A2选用地区生产总值(万元)；U为城市化率(%)；T为能源强度；g为误差项；a为模型常数项；b、c、d、e、f分别为人口因素、富裕度、城市化率、能源强度的弹性系数，即控制其他变量恒定时，P、A1、A2、U、T每增加1%时，将引起I增加b%、c%、d%、e%、f%。模型变量如表3所示。

需要注意的是，公式(3)中的各变量之间具有较强的多重共线性，传统的最小二乘法会造成拟合结果存在较大偏差[26]。因此，在对公式(3)进行回归拟合时，需要充分考虑自变量之间的多重共线性问题，常用拟合方法为。岭回归法岭回归分析法作为一种改进的最小二乘法，不仅可以解决自变量间的多重共线性问题[27]，同时岭回归分析法作为一种改进的最小二乘法，还能够在标准化矩阵的元素主对角线上加入一个非负因子K，在一定程度上提高了估计的稳定性和可靠性。

表3 模型各自变量说明Tab.3 The independent variables description of model

为了对连云港地区碳排放情况展开定量研究，需要以 1.1节中IPCC排放因子法得到的碳排放实际测算结果作为数据基础，以1.2节中扩展STIRPAT模型(公式(3))作为研究对象，并结合岭回归法来进行具体定量研究。

2 碳排放影响因素定量分析

2.1 碳排放测算结果

根据1.1节中IPCC排放因子法对连云港地区2007到2019年间的二氧化碳排放量进行实际测算，测算结果如表4所示。

表4 连云港地区2007～2019年二氧化碳排放量实际测算值Tab.4 Actual estimated carbon dioxide emissions in Lianyungang from 2007 to 2019 (百万吨)

需要注意的是，为了方便统计，二氧化碳排放量的测算仅考虑表1中所列占绝大多数比例的七种主要能源，因此二氧化碳排放量的测算值会略微偏小一些。此外，表4中2010年的二氧化碳排放量存在异常，是因为《连云港2011年统计年鉴》中能源消耗数据额外增加了很大比重的其他石油制品，而其他年份没有这一现象。为了确保建立模型的准确性，拟对2010年的数据剔除，采用不包含2010年的2007～2019年数据作为模型拟合的基础数据。

对比表4的数据，文献[27]中同样利用IPCC排放因子法对泉州市2010～2016年二氧化碳排放量数据，泉州市2010～2016年二氧化碳排放量(单位：百万吨)数据分别为20.5、32.5、31、34、36、38和40，从数量级及变化趋势看，泉州与对连云港的二氧化碳排放量测算结果基本一致，可以侧面验证表4测算结果的合理性。

2.2 岭回归法拟合结果

2.2.1 岭回归法模型拟合

对公式(3)中的各自变量(二氧化碳测算值、年末常住人口、地区人均生产总值、地区生产总值、城镇人口占比以及单位GDP能耗等数据已进行取对数操作)进行多元线性回归并进行共线性检验，检验结果如表5～表7所示。

表5 模型汇总Tab.5 Summary of models

表6 方差分析Tab.6 Analysis of Variance

表7 模型系数Tab.7 The model coefficients

由表5～表7可知，数据的拟合优度R为0.998，F值为267.369，显著性水平为0，这说明拟合方程回归效果较好。由表7可以看出P、A1、A2、U、T的方差膨胀系数(VIF)分别为：6.209、1474.279、360.026、3101.114以及5.904，这说明各自变量之间存在较强的多重共线性，验证了选用岭回归方法的必要性。

岭回归分析法通过放弃最小二乘法的无偏性，以损失部分信息为代价，可以寻找效果稍差但回归系数更符合实际情况的模型方程，得到相关拟合结果如图1和图2所示，其中岭参数K为惩罚系数。

图1 岭迹图Fig.1 Ridge track map

图2 岭参数K与相关系数平方R2的关系Fig.2 Relationship between ridge regression K and R2

由图1可以看出，当K值为0.3时，此时的岭回归系统曲线均已能够达到平稳状态，并且各自变量均通过了一定的显著性水平检验，整体拟合度较好。根据图2可以看出K值与R2成负相关，即K值越小，R2越大。最终拟合得到的扩展的STIRPAT模型为：

lnI=-13.2190+2.3884lnP+0.2590lnA1+0.0282lnA2+0.8261lnU-0.1075lnT

(4)

由公式(4)可以得到：在2007～2019年(除2010年)，人口因素P对连云港地区二氧化碳的排放量影响最大，弹性系数为2.3884；其次为城市化率U，弹性系数为0.8261，影响程度最小的是地区生产总值A2，弹性系数为0.0282；能源强度T对二氧化碳排放量起负相关的作用，弹性系数为-0.1075。

2.2.2 拟合模型误差分析

为了确保拟合的模型能够准确反映连云港地区的碳排放情况，验证模型的合理性，分别将自变量的值带入岭回归分析得到的拟合方程(公式(4))，可以得到历年碳排放量的模型预测值，与实际测算值的对比结果如图3所示。

从图3中可以看到，模型预测值与实际测算值的年平均误差为4.19%，数据的拟合误差较小，因此该拟合模型能够较好地反映连云港地区的碳排放量的变化情况以及与相关影响因素之间的关系。

图3 岭回归模型预测曲线以及实际曲线图Fig.3 Ridge regression model prediction curve and actual curve chart

2.3 碳排放影响因素定量分析

根据2.2节中拟合的模型可知，连云港地区常住人口总数，是影响连云港地区碳排放总量最重要的因素，其弹性系数为2.3884，即当连云港地区的常住人口数每增加1%时，碳排放量将增加2.3884%。连云港地区2019年常住人口为451.1万人，比2007年增加了4.12万人，人口作为能源消耗的主体，其在生产生活之中对于碳排放量起到举足轻重的地位，人口因素的增长，伴随着对于能源需求的增长，碳排放量也逐年增长，因此制定适宜的人口政策对于实现“双碳”目标具有一定的意义。

城市化率是影响连云港地区碳排放量的第二大主要因素，城市化率每提高1%，其碳排放量增加0.8261%。城市化率的提高能够导致碳排放的持续增长，其影响因素是多样的。首先，城市化进程的加快，工业自身迅速发展，工业增加值占GDP的比重会迅速上涨，导致碳排放量的急剧上涨；其次，城市化率的提高不仅会导致连云港地区土地利用方式的改变，也会导致相关建筑行业用材的需求增加，促使重工业以及相关制造业的能源消耗增加，带来了高能耗和相应的高碳排放；最后，城市化率还能带来人口城乡变化所引发的生产与消费行为的变化，间接促进了碳排放量的增加。

经济水平的不断提高，提升了人民的生活质量，但是也影响人民的消费水平和结构，人均地区生产总值、地区生产总值每增加1%，其碳排放量增加0.259%、0.0282%。由著名的环境库茨涅兹曲线理论[28]，经济水平的发展与碳排放量的关系呈现倒“U”型曲线，即经济水平的增加首先导致环境的恶化，随着经济水平的不断提高，经济发展逐渐摆脱对环境污染排放的路径依赖，进而到达经济水平的增长，促进碳排放量的逐渐减小，逐渐实现“碳达峰”、“碳中和”的最终目标。

自2007到2019年，连云港地区的能源强度逐年下降，单位地区生产总值的能耗逐渐降低，这是节能减排的重要成果之一。作为对碳排放量起负向作用的影响因素，能源强度每增加1%，碳排放量减少0.1075%，因此，不断地调整能源结构，改善产业结构，能够进一步地减少能源强度，不断促进碳排放量的减少，也是控制碳排放量的长期有效的途径。

3 结论与建议

3.1 结论

通过对连云港地区2007到2019年的能源消耗种类、能源消耗量、常住人口、地区人均生产总值、地区生产总值、城镇人口占比及能源强度等数据的分析，结合岭回归分析法构建了当地碳排放量的扩展STIRPAT数据拟合模型，对相关影响因素进行了具体定量研究，得出如下结论。

(1)2007～2019年(除去2010年，当年相比其他年份其他石油制品数据严重偏大，导致碳排放测算值异常增大)，连云港地区二氧化碳排放量处于不断上升阶段，能源强度处于不断下降的趋势。

(2)连云港地区人口因素、富裕度及城市化率对二氧化碳排放量起正相关作用，能源强度对二氧化碳排放量起负相关作用，对连云港地区碳排放量影响程度最大的是常住人口数量，其余依次是城市化率、人均地区生产总值、能源强度、地区生产总值。理论上，可以通过减小P、A1、A2、U以及增加T来减少二氧化碳的排放量，但实际中各自变量因素并不能无限制自由调控，其受到国家发展政策以及科技发展现状等众多方面的制约。

(3)从能源强度与碳排放之间的关系来看，能源强度的进步有利于连云港地区碳排放量的减少，因此，连云港地区仍需进一步提升能源强度指标。此外，面对国家对于人口政策的不断调整以及连云港地区碳排放量受常住人口影响显著的结论，连云港地区更应该以技术进步为主要抓手，积极调整能源结构，制定合适的人口政策，促进产业结构升级，不断推进“碳达峰”的进程早日实现。

3.2 政策性建议

对于连云港地区，为了尽早实现“碳达峰”目标，可以采取以下措施：

(1)人口因素对二氧化碳排放量的影响主要体现在人均能源消耗量上。面对国家新的生育政策，连云港地区要着力建立合理有效的生育政策和采取人口迁移管控手段。同时，政府可以进一步加大居民低碳生活理念的宣传与培养，大力发展绿色交通，引导公众树立低碳环保的理念；各级管理部门应该加大对相关方面的监管力度；公众应该积极响应政府号召，从自身出发，将低碳环保的理念贯彻生活点滴，积极为节能减排营造良好的社会环境。

(2)经济的不断增长也是连云港地区碳排放量持续上升的主要驱动型因素，其中富裕度对二氧化碳排放量的影响主要体现在经济效益带来的化石能源消耗增长。因此，对于政府，需要进一步优化能源结构与产业结构，加强节能减排产业建设；对于以化石能源为主要能源供给的工业企业而言，需加快能源转型的步伐，加快企业低碳技术研发，制定合理的融资策略；对于相关部门，可以进一步加大对高污染企业的监管与处罚力度，间接推动高能耗企业的能源转型发展。

(3)城市化率对二氧化碳排放量的影响主要体现在对生态环境的破坏上。因此，在进一步提升城市化率时，秉承人与自然和谐共处的原则，降低对生态环境的破坏。

(4)能源强度对二氧化碳排放量起负相关的作用。连云港处于东部地区，经济发展较为迅速，能源强度的进步对于碳排放量的直接促进影响不足，技术进步仍然存在一定的空间。因此，可以大力提升能源强度，政府可以进一步加大对相关科研的投入经费，加大产学研深度融合的力度，引进相关领域人才，进一步优化能源结构；对于相关科研人员与相关行业从事者，需要提升使命责任感，加快相关领域研究。

(5)尽早实现“碳达峰”、“碳中和”的目标，是连云港地区实现经济社会又好又快发展的重要引擎，保证连云港地区能源安全的重要举措。因此，连云港地区要着重于调节碳排放量各影响因素之间的协调关系，同时要加快节能减排以及碳交易市场的法律制定，从而迎合国家对于碳交易市场的发展需求。

致谢：本文的研究还得到了国网江苏省电力有限公司连云港供电分公司王炜、岳付昌、胡雪媛等同志的大力支持，在此表示衷心感谢。