上海市能源碳排放回顾性分解与前瞻性预测

陈晨，李薇，翟梦瑜，王振宇 ，朱亮亮

（1. 华北电力大学 核科学与工程学院，北京 102206；2. 华北电力大学 环境科学与工程学院，北京 102206；3. 北京工业大学 材料与制造学部，北京 100124；4. 国网电力科学研究院有限公司/南瑞集团有限公司，江苏 南京 210000；5. 国网电力科学研究院武汉能效测评有限公司，湖北 武汉 430074）

由于经济的快速增长、城市化进程的扩大和人口的增长，能源在世界各地的人类生活中扮演着越来越重要的角色[1-2]。一方面，能源为国民经济发展和人民生活提供动力[3-4]；另一方面，能源，如原煤、原油和天然气，是重要的工业原料[5]。目前，能源需求的增加、能源供应的充足和污染物排放的减少是世界面临的重大挑战[6-7]。能源的不当开发、转化和消费将对环境保护和气候变化产生不利影响。根据英国石油公司（British Petroleum，BP）2018 年发布的报告，2017 年中国碳排放量达90.23亿吨，约占世界碳排放总量的三分之一，位居世界第一[8]。2015 年，中国政府制定了碳减排目标，即在2030 年左右达到碳排放峰值，并争取尽快达到峰值[9]。因此，如何有效缓解能源环境矛盾，仍是决策者面临的重大挑战[10-11]。

此前，已经有很多学者对能源系统的碳排放进行了相关研究。CABRAAL 等[12]重点研究了城市化对碳排放的影响，发现由于城市化，城市密度和人类行为的组织方式发生了改变，从而影响人类的能源消费模式。HE 等[13]的研究发现，城镇化可以通过提高公共设施的使用效率来减少能源消费和碳排放。LIN 等[14]则认为快速的城市化进程将提高发展中国家的城市就业水平，特别是中国，但这样会导致碳排放增加。ZHANG[15]是最早对影响中国碳排放因素进行分解分析研究的学者之一，其采用对数差分方法对我国1980—1997 年的碳排放增长进行了分析。徐国泉等[16]利用对数平均权重Disvisia 分解方法，构建了中国人均碳排放的因素分解模型。朱勤等[17]将STIRPAT 排放模型扩展，把人口因素的影响分为人口数量和城市化率的影响，由1980—2007 年的数据可发现，人口和消费对碳排放有重要影响。张友国[18]指出经济带动是中国碳排放增长的重点来源，经济转型的发展很大程度降低了碳排放的强度。

然而，上述研究方法无法详细研究系统中各个部门之间的流动，实现经济数据和生态要素的相互转化，因而孕育出了投入产出方法[19]。LEONTIEF[20]提出的投入产出方法目前已被广泛应用于分析具体案例。许多学者们介绍了具体的计算方法和公式，如使用货币投入产出表来编制相应的实物投入产出表[21]。此外，已经有很多学者通过这种方法分析了碳排放相关问题。CHEN 等[22]基于维也纳城市生态系统内的网络环境分析，开发了一个碳通量模型。CHEN 等[23]通过对经济部门和环境之间的碳流量建模，构建了碳代谢网络。SINGH 等[24]开发了一个将碳循环与2002 年美国经济中的经济活动相结合的模型。

尽管已经有很多学者通过投入产出方法对碳排放进行研究，然而，通过投入产出法对各种能源类型的碳排放的整体、详细的研究还较少。此外，此前通过投入产出法对历史时期的动态社会经济分析，以及对未来时期的碳排放与社会经济联系分析还不够详细。最后，此前研究缺少将历史与预计的未来联系起来，而为了支持相关的政策举措，这些是十分必要的。

因此，作为先前工作的延伸，本文将开发经济能源碳排放（EECE）模型，通过回顾性分解（2000—2017 年）和前瞻性预测（2025 年与2030 年），以支持上海市能源系统碳排放的规划政策。具体而言，这一目标要求：（1）描述各种社会经济活动对经济和环境的相互影响；（2）从系统层面加强历史分析与未来分析之间的动态联系。对于上海市的能源碳排放来说，上述问题的研究至关重要，研究结果有望为促进上海市能源碳排放的发展方向提供更具建设性的建议。

1 研究方法与数据来源

1.1 研究区域

本文建立了以投入产出法为基础的上海市经济能源碳排放（EECE）模型，以对上海市碳排放进行回溯性分析并量化影响能源碳排放变化的社会经济因素，同时对上海市碳排放达峰进行前瞻性预测。研究主要包括两个部分：2000—2017 年的回顾性分解以及2025 年与2030年的前瞻性预测。其中，回顾性分解部分包括三个方面：（1）对上海市各种能源类型碳排放数量进行定量分析以及分析各化石能源不同部门历年碳排放量；（2）使用结构分解分析（SDA）方法识别能源碳排放系统的社会经济因素；（3）前瞻性预测部分由两个步骤组成，其中一个步骤是为预计的2030 年碳达峰准备基本输入数据。基于上海市经济数据，采用双比例平衡法（RAS）预测了2025 年以及2030 年的投入产出表。根据历史数据的统计关系，使用时间序列的方法对2025 年以及2030 年各行业能源碳排放数据进行预测，同时再结合SDA 法，探究碳达峰情形下的上海市社会经济因素影响。

上海市碳排放系统可以表示为一个网络，其中部门和碳排放流被视为节点和方向线。根据不同的经济特征，本文将42 个经济部门合并为19 个经济部门，合并后的部门缩写如表1 所示。选定的研究年份为2000 年、2002 年、2005 年、2007 年、2012 年和2017 年。本研究包含三类数据：（1）第一类数据是研究期间各部门的直接能源碳排放数据，可从CEADs 获得[25]。我们的研究考虑了四种数据，包括煤炭、石油、天然气以及总计。（2）第二类是上海市的经济投入产出表。我们选择了2000 年、2002 年、2005 年、2007 年、2012 年和2017年的投入产出表，数据来源于《上海统计年鉴2018》。（3）预测2025 年以及2030 年上海市相关数据，基本数据来源于《上海统计年鉴2018》。

表1 部门缩写

1.2 模型方法

EECE模型是在Leontief和Ghosh的框架下建立的[26]，计算公式如下：

式（1）～（4）中：A=[aij]为直接投入系数矩阵，B=[bij]为直接产出系数矩阵，L和G分别指Leontief 逆矩阵和Ghosh 逆矩阵，Xj代表j部门的总产出，zij是投入产出表中的中间矩阵，I表示单位矩阵。

社会经济活动被认为是能源消耗产生碳排放的主要驱动因素[27]。为了探索驱动因素对能源消耗的贡献，分解分析（DA）是一种公认的方法，通过转换数学恒等式并将碳排放或能源使用的变化分解为若干预定因素，以确定每个因素对总能源碳排放的相对贡献[28]。在本研究中，采用SDA 法来研究社会经济因素对能源消费变化的相对贡献，原因如下：（1）经济的结构特征（如生产结构和最终需求结构）不能被IDA 法和PDA 法所反映，因为最终需求在这些方法中不能被考虑，而且经济部门的高度集中与我们的研究不一致。（2）SDA 法可以促进部门或产品规模的决策，确定整个供应链的环境影响责任分配[29]。因此，与IDA 法和PDA 法相比，SDA 法更适合于我们对经济结构的探索研究[30]。在本研究中我们将相关因素分解为5 个指标进行分析，分别为最终需求结构、最终需求水平、技术水平、碳排放产生强度以及人口。其中，最终需求结构代表该行业在每个最终需求类别中所占份额；最终需求水平代表人均的最终消费；技术水平代表经济生产投入结构变化。如此分解主要是因为想了解最终需求结构对上海市能源碳排放的影响。具体而言，本研究中的计算公式如下：

式（5）～（10）中：e为投入产出模型所计算下的碳排放量；εd代表直接碳排放产生强度；L指的是Leontief 逆矩阵；f为最终需求结构，它代表着消费结构；fl指的是最终需求水平，代表人均的最终消费；P为研究年份的人口数量；Ei为i行业直接碳排放量；X为总产出；I表示单位矩阵；A为直接投入系数矩阵；F为各行业最终需求；Ft为总最终需求；ΔE指的是研究年份期间碳排放的变化量。

时间序列分析方法主要是用来解决具有随机性、季节性以及平稳性的时间序列问题，时间序列分析方法最基本的模型是自回归滑动平均求和模型ARIMA(p,d,a)。通过模拟计算，本文采用的是ARIMA(2, 2, 2)模拟在碳达峰条件下上海市2025 年以及2030 年的碳排放量。在ARIMA(2, 2, 2)条件下，AIC 准则结果为2.118 3，接近于2，为最优模型。本文的碳达峰条件依据为：根据《国务院关于印发2030 年前碳达峰行动方案的通知》，到2025 年，非化石能源消费比重达到20%左右，到2030 年，非化石能源消费比重达到25%左右；《上海市能源发展“十四五”规划》规定，在“十四五”期间，非化石能源占比由14%上升到18%。依据上述条件，通过ARIMA(2, 2, 2)模拟出达到碳达峰要求下上海市2025 年以及2030 年的碳排放量。RAS 也被称为双比例平衡法，它已被广泛用于平衡和调整货币投入产出表[31]。这种方法的基本原理是在矩阵的行和列的目标值设定的前提下，利用表中实际值与预设目标值之间的比例关系，通过迭代对矩阵进行再平衡。在本文中，通过ARIMA(2, 2, 0)分别模拟出2025 年以及2030 年上海市的GDP。在ARIMA(2, 2, 0)条件下，AIC 准则结果为1.631 9，接近于2，符合模型标准。根据2025 年以及2030 年的GDP 数据，分别预测出2025 年以及2030 年投入产出表的产出值，然后分别与2017 年投入产出表的相关数据通过RAS 法预测出2025 年以及2030 年上海市的投入产出表。具体计算方法如下：

式（11）～（13）中：A0是给定基准年的技术矩阵，A1是目标年的技术矩阵，r是目标年的中间矩阵行和与基准年的中间矩阵行和的比率，S是目标年的中间矩阵列和与基准年的中间矩阵列和的比率。

2 结果与讨论

2.1 化石能源碳排放历年变化

图1 为上海市化石能源历年产生的碳排放量变化。从图1 可以看出，从1997—2013 年化石能源总碳排放量逐年增加，并在2013 年达到顶峰，产生碳排放207.6 Mt。上海市化石能源产生碳排放量最多的为煤炭，其次为石油，天然气是产生碳排放量最少的化石能源。具体来说，从图1 可以看出，煤炭的产生碳排放量趋势与总化石能源产生的碳排放量相似，在2013 年达到顶峰，产生了117.3 Mt 碳排放。石油产生的碳排放量从1997年开始基本呈现稳步上升趋势，在2017 年达到最高点，为85.8 Mt；2018 年碳排放产生量有回落，为78.6 Mt。最后是天然气，从图1 可以看出，由于天然气使用量的逐步提升，天然气产生的碳排放量逐年增加。2019 年，天然气产生的碳排放量达到了20.9 Mt。整体来看，上海市化石能源产生的碳排放量从2013 年后开始有所减少，但仍处于高位。其中，煤炭是最主要的碳排放贡献者，但2013 年之后碳排放产生量开始减少。虽然石油与天然气产生的碳排放量在所有化石能源中不是最高的，但二者产生的碳排放量逐年递增，同样需要引起重视。整体来看，上海市化石能源产生的碳排放问题仍然很严峻，有必要进行相关研究。

图1 上海市各化石能源碳排放历年变化

2.2 各部门历年碳排放

图2 是各化石能源不同行业历年产生碳排放量图。从图2（a）可以看出，总体来说，上海市化石能源产生的碳排放数量与日俱增。其中，EH、OS 与MS 是上海市历年产生碳排放最多的部门，EH 长时间是产生碳排放最多的部门，OS 大部分时间紧随其后，MS 是产生碳排放第三多的部门。2017 年，OS 产生的碳排放81.8 Mt 超过EH 产生的碳排放66.3 Mt，成为上海市产生碳排放最多的部门。上海市具有许多大型钢厂，例如宝钢电厂，需要消耗大量的煤炭等化石能源，由此造成EH 与MS 部门产生大量碳排放。OS 主要为服务行业，上海市是中国最发达的城市之一，经济体量巨大，因此服务行业非常发达，由于服务行业而产生的碳排放体量因此也较为庞大。煤炭是化石能源中产生碳排放最多的能源类型。从图2（b）可以看出，在2012 年前煤炭产生的碳排放量呈现逐年递增的趋势，2012 年之后开始降低。其中，EH与MS 牢牢占据着煤炭行业产生碳排放最多的行业，EH在2012年产生65.9 Mt碳排放，是产生最多碳排放的部门。石油是化石能源中产生第二多碳排放的能源类型，从图2（c）可以看出，上海市石油产生的碳排放数量与日俱增。其中，OS 是所有部门中产生碳排放最多的部门，并在2017 年产生了76.4 Mt 碳排放。PP 紧随其后，始终是石油行业中产生碳排放第二多的行业。PP 行业为石油加工、焦化、核燃料加工等行业，是石油相关行业，因此在石油行业中产生大量的碳排放。天然气是所有化石能源类型中产生最少碳排放的行业。从图2（d）可以看出，天然气产生的碳排放也在不断增长，且在2012 年开始快速增长。2012 年之前，NM 是天然气行业产生碳排放最多的部门。NM 为非金属矿产品制造行业，该行业需要使用大量天然气，因此产生的碳排放体量较大。2012 年之后，EH 与OS 逐渐取代NM 成为产生碳排放最多的部门。

图2 各化石能源不同部门历年碳排放

2.3 历年社会经济因素影响

能源使用产生的碳排放受到许多社会经济因素的影响，例如碳排放产生强度、技术水平、最终需求结构、最终需求水平以及人口。图3 为上海市历年各化石能源碳排放与社会经济因素变化形势图。从图3（a）可以看出，最终需求水平（即人均最终需求量）是上海市能源消耗产生碳排放的最大贡献者。具体而言，在其他条件不变的前提下，2017 年由于最终需求水平产生的碳排放增量达到290.5 Mt。人口是第二大影响因素。具体而言，在其他条件不变的前提下，2017 年由于人口产生的碳排放增量达到83.2 Mt。上海市统计局的数据显示，2017 年上海市常住人口为2 418.3 万人。这两个最重要的影响因素都与快速增长的人口息息相关。因此，人口问题是解决能源消耗产生碳排放问题的关键因素。碳排放产生强度是上海市降低能源消耗产生碳排放的主要驱动力，在其他条件不变的前提下，2017 年碳排放减量达到233.9 Mt。图3（b）为上海市煤炭行业从2000—2017 年各个社会经济因素贡献对碳排放影响的动态变化。从图中可以看出，煤炭行业与上海市化石能源总量的碳排放与社会经济因素变化形势图类似。最终需求水平依然是上海市煤炭行业产生碳排放的最大贡献者。2017 年由于最终需求水平产生的碳排放增量达到188.1 Mt。人口依然是第二大影响因素。具体而言，在其他条件不变的前提下，2017 年由于人口产生的碳排放增量达到52.5 Mt。碳排放产生强度依然是上海市降低能源消耗产生碳排放的主要驱动力，在其他条件不变的前提下，2017 年碳排放减量达到159.2 Mt。图3（c）为上海市石油行业从2000—2017 年各个社会经济因素贡献对碳排放影响的动态变化。从图中可以看出，石油行业与上海市化石能源总量的碳排放与社会经济因素变化形势图有些许变化，但总体趋势相同。最终需求水平仍然是上海市石油行业产生碳排放最多的因素。具体而言，在其他条件不变的前提下，2017 年由于最终需求水平产生的碳排放增量达到93.8 Mt。人口仍然是第二大影响因素。碳排放产生强度仍然是上海市石油降低能源消耗产生碳排放的主要驱动力。图3（d）为上海市天然气行业从2000—2017 年各个社会经济因素贡献对碳排放影响的动态变化。从图中可以看出，天然气行业与上海市化石能源总量的碳排放与社会经济因素变化形势图有较大变化。最终需求水平与碳排放产生强度分别为上海市天然气行业产生碳排放最多的因素。具体而言，在其他条件不变的前提下，2017年由于最终需求水平产生的碳排放增量达到8.6 Mt。2017 年由于碳排放产生强度产生的碳排放增量达到5.2 Mt，最终需求结构是上海市降低天然气消耗产生碳排放的主要驱动力。

图3 各化石能源碳排放历年社会经济因素影响

图4 为各化石能源历年社会经济因素对于上海市碳排放的相对贡献。从图4（a）中可以看出，从2002—2012 年碳排放产生强度是减少上海市能源消耗总量产生碳排放的主要因素。2012—2017 年，技术水平取代了碳排放产生强度，成为减少上海市碳排放最主要的贡献者。从2000—2017 年（除了2005—2007 年），最主要的碳增量贡献者是最终需求水平（2005—2007 年主要贡献者为技术水平）。2012—2017 年由于技术水平对减少碳排放的巨大作用，使得2017 年上海市整体碳排放仅比2012年增加0.23 Mt。图4（b）为煤炭行业从2000—2017 年各个经济因素对于上海市碳排放的相对贡献。从图4（b）中可以看出，从2000—2002 年技术水平是减少上海市煤炭行业产生碳排放的主要因素。2002—2005 年以及2007—2012 年碳排放产生强度是减少上海市煤炭行业产生碳排放的主要因素。2005—2007 年最终需求结构是减少上海市煤炭行业产生碳排放的主要因素。2012—2017 年技术水平取代了碳排放产生强度，成为最主要的减少上海市碳排放的贡献者。从2000—2017 年（除了2005—2007 年），最主要的碳增量贡献者依然是最终需求水平（2005—2007 年主要贡献者为技术水平）。图4（c）为石油行业从2000—2017 年各个经济因素对于上海市碳排放的相对贡献。从图4（c）中可以看出，从2000—2017 年（除了2000—2002 年），最主要的碳减量贡献者依然是碳排放产生强度（2000—2002 年主要减量者为最终需求结构）。从2000—2017 年最主要的碳增量贡献者始终是最终需求水平。图4（d）为天然气行业从2000—2017 年各个经济因素对于上海市碳排放的相对贡献。从图4（d）中可以看出，2000—2002 年以及2005—2007年最主要的碳减量贡献者是最终需求结构，其他时间段为技术水平，从2000—2017 年最主要的碳增量贡献者始终是最终需求水平（除了2000—2002 年为碳排放产生强度）。

图4 各化石能源历年社会经济因素对上海市碳排放的相对贡献

回顾分解结果，最终需求水平是各种类型能源使用碳排放增加的主要驱动因素，而碳排放产生强度是能源使用量减少的主要贡献因素。人口始终也成为能源碳排放增长的主要因素之一。这是因为上海市是中国经济最发达的城市，随着逐渐摆脱了金融危机的影响，经济复苏加快，吸引了大量外省人口的涌入，导致上海市常住人口急剧增加。上海市同样不断提升生活品质，最终需求水平也会随之提高。据估计，在不久的将来，上海市的人口还会增加。因此，未来的最终需求水平和人口增长将继续推动上海市的能源碳排放增量。上海市可以从以下几个方面采取措施降低能源碳排放量：提高能源使用效率和转变能源混合结构。同时，应主要集中在关键部门，如EH 与MS 部门。在上海市，EH（电力和热力的生产和供应）和MS（金属冶炼和轧制加工业）一直是整个研究期间的重点行业，建议设立资源环境税等政策，此外，设立区域环境保护联合基金，实行跨区域排放交易，可以考虑采用这种综合补偿政策来减少能源的使用。

2.4 模拟

图5 为碳达峰条件下的相关数据图。图5（a）为碳达峰条件下2025 年与2030 年的碳排放量。从图中可以看出，在碳达峰条件下，2025 年与2030 年的碳排放数量大幅降低。具体来说，2025 年碳排放数量为137.3 Mt，2030 年碳排放数量为101.1 Mt。图5（b）为碳达峰条件下2025 年与2030 年上海市各行业碳排放数量。从图中同样可以看出，在碳达峰条件下，2025 年与2030 年碳排放数量大幅降低。OS 与EH 依然为碳排放最多的部门，但相对来说均有所降低。图5（c）为碳达峰条件下2017—2025 年各个条件的变化情况。从图中可以看出，最大的碳排放减量贡献者为碳排放产生强度，在其他条件不变的前提下，碳排放减少量达到186.4 Mt。在这一阶段，最大的碳排放增量来自技术水平。而从图5（d）可以看出，整体来看，从2017—2030 年碳排放增量的主要因素仍为技术水平与最终需求水平，这两个因素的碳排放增量几乎相同，而最大的碳排放减量贡献者依然为碳排放产生强度。

图5 碳达峰条件下的相关数据图

3 结论

本文开发了一个经济能源碳排放（EECE）模型对上海市能源碳排放进行回顾性分解（2000—2017 年）和前瞻性预测（2025 年与2030 年），旨在探索各种能源类型对上海市碳排放的影响。该模型从三个角度对上海市能源碳排放进行了回溯性分析与前瞻性预测，为上海市能源碳排放系统规划建立了过去与未来的动态联系。EECE 模型能够：（1）反映上海市各种能源类型的碳排放发展过程；（2）反映各种社会经济活动与上海市碳排放的相互影响；（3）对上海市未来碳排放发展进行前瞻性预测。研究发现，上海市化石能源产生碳排放量最多的为煤炭行业，其次为石油，天然气是产生碳排放量最少的化石能源。EH、OS 与MS 是上海市历年产生碳排放最多的部门。最终需求水平是上海市能源消耗产生碳排放的主要驱动因素。碳排放产生强度是上海市降低能源消耗产生碳排放的主要驱动力。对于上海市碳排放的前瞻性预测表明：在碳达峰条件下，2025 年与2030 年碳排放数量大幅降低，碳增量主要因素仍为技术水平与最终需求水平，而最大的碳排放减量贡献者依然为碳排放产生强度。在未来，控制上海市人口数量、提高能源使用效率和转变能源混合结构以及设立资源环境税等方法将为上海市碳达峰作出贡献。