粤港澳大湾区能源消费碳达峰情景预测研究

徐维军 肖宇光

摘要：本研究结合IPCC能源消费法和夜间灯光数据反演法，估算出2005—2021年粤港澳大湾区各区市的能源消费碳排放量，并基于拓展的STIRPAT预测模型，结合情景假设法和蒙特卡罗动态模拟法，模拟分析大湾区可能的碳达峰路径，进而提出针对性政策建议。研究结果显示，大湾区2005—2021年碳排放量呈现波动上升态势，其中香港已于2014年实现碳达峰，澳门碳排放量占比较小；珠三角九市自2011年呈现下降态势，2016年后又波动增长。动态模拟发现大湾区在基准情景、低碳情景、极低碳情景、产业转型情景和全低速情景下能如期甚至提前实现2030年碳达峰目标，若采取更积极的碳减排和产业转型政策可以提前实现碳达峰。

关键词：粤港澳大湾区；能源消费碳排放；碳达峰；绿色低碳；情景预测

【中图分类号】X321     doi：10.3969/j.issn.1674-7178.2024.03.004

引言

习近平总书记指出，实现碳达峰碳中和，是贯彻新发展理念、构建新发展格局、推动高质量发展的内在要求，是党中央统筹国内国际两个大局作出的重大战略决策①。作为我国经济发展水平最高、创新能力最强的区域之一，粤港澳大湾区正加快实施碳达峰碳中和行动，大力推动经济社会绿色低碳转型，推动经济高质量发展。其中，香港早已于2014年宣布实现碳达峰；澳门近年来碳排放量也处于达峰区间；2022年6月发布的《广东省碳达峰实施方案》则提出顺利实现2030年前碳达峰目标，要求珠三角核心区充分发挥粤港澳大湾区高质量发展动力源和增长极作用，率先推动经济社会发展全面绿色转型。因此，深入分析大湾区能源消费碳达峰发展情景，对于大湾区乃至全国积极稳妥推进碳达峰碳中和具有重要的理论和实践意义。从碳达峰分析对象来看，已有许多学者针对国家层面[1-3]、省级层面[4-5]的碳达峰路径进行了研究，还有不少学者从行业角度[6-7]研究达峰情景和影响机制。但是对于城市层面[8-9]的研究较少，同样以大湾区城市群为对象的碳达峰研究也相对匮乏。在不断迈向“双碳”目标的背景下，碳达峰不仅是国家、省份的目标，更是各个地区、各城市的目标。因此，基于各城市的经济社会发展现状和特性，差异化分析各城市及城市群的碳达峰峰值和时间，制定科学合理的碳达峰路径十分有必要。

碳排放测算方法主要包括由政府间气候变化专门委员会（Intergovernmental Panel on Climate Change， IPCC）提出的排放因子法[10-11]，以及投入产出法[12-13]、夜景灯光数据反演法[14-16]等。大多数研究主要基于统计部门发布的能源数据进行测算，且这些数据大多是由国家或省级统计部门发布。而市级及县级的能源数据较少发布，收集难度大，难以全面分析市县级的碳排放情况。近年来，已有众多学者基于夜间灯光数据和碳排放数据的回归关系，将省级碳排放量缩小至市县级，提供了基于空间信息的碳排放估算方法[17-20]。这是对碳排放测算方法的有力补充。

针对碳达峰峰值预测的研究较多，主要集中于构建预测模型并结合情景模拟法进行预测。碳排放预测模型主要有环境库兹涅茨曲线模型（Environment Kuznets Curve，EKC）[21-22]、可拓展的随机性的环境影响评估模型（Stochastic Impacts by Regression on Population， Affluence and Technology，STIRPAT）[23-28]、系统动力学模型[29-31]、长期能源替代规划模型（Long-range Energy Alternatives Planning System，LEAP）[32]等。其中STIRPAT模型可以拓展解释变量，以适应不同地区的具体情况，相较其他模型具有更强的适用性和预测能力。在情景模拟方面，许多学者只通过设置参数静态变化率来构建发展情景[33-35]，较少从动态模拟的角度对碳排放达峰时间和峰值区间进行概率估计[36]，具有一定的局限性。而使用STIRPAT模型进行预测可以更加全面地反映碳排放情况，结合使用蒙特卡罗动态模拟则能够提供更真实的碳达峰峰值和时间估计，为探索碳达峰路径提供数据支持。

大湾区总面积约为56098平方千米，总人口超过8600万人，2022年地区生产总值为13.04万亿元人民币，以全国0.6%的面积和6%的人口创造出13.5%的国内生产总值②。不过，经济的发展往往伴随着能源消费和碳排放的增加。深入研究大湾区的碳排放现状，揭示经济发展与碳排放之间的关系，可以为未来的碳减排策略提供有益参考。

一、预测模型构建

（一）大湾区能源消费碳排放测算

本文通过以下步骤来测算大湾区碳排放量。在省级碳排放层面，本文采用排放因子法进行测算，通过能源消耗数据得到广东省能源消耗产生的二氧化碳排放。在城市碳排放层面，本文首先计算省级碳排放与夜间灯光数据的回归方程，将方程拓展至城市层面，然后由城市灯光数据反推出珠三角九市的碳排放量。香港和澳门的碳排放量则单独测算。大湾区的整体碳排放量由上述碳排放量汇总得出。具体流程如图1所示。

1.排放因子法

排放因子法主要基于化石能源消耗数据进行计算。由于我国各省统计局对各类能源的使用情况有相对完整的统计，因此使用排放因子法可以较为准确地计算出省级能源消耗碳排放量。计算公式如下所示。

[CEenergy =iCEi=][iADi×NCVi×CCi×][Oi×4412]    （1）

式（1）中，[CEi]指化石燃料类型i的CO2排放量；[ADi]表示相应的化石燃料消耗量。[NCVi、CCi]和[Oi]被称为排放因子。[NCVi]为低位发热值，即燃烧单位化石燃料产生的热值；[CCi]为单位热值碳含量，指该类化石燃料产生单位的净热值时生成的CO2排放量；[Oi]为氧化效率，指该类化石燃料燃烧时的氧化率。

在参数设置方面，本文排放因子参考相关研究进行设置[37]。在统计口径方面，为了更加全面地测算碳排放量，本文选择测算统计年鉴中的全部化石能源。由于某些能源的消耗量较小，且排放因子差距较小，本文参考相关方法将26种能源合并为17种进行测算[38]。具体参数如表1所示。

2.碳排放灯光数据反演法

夜间灯光数据作为代理数据可以直观地反映城市人类活动强度，已被广泛使用于测算城市化进程[39]、能源消耗[40]、碳排放[41-42]等方面。目前国际上使用较多的夜间灯光数据为美国国防气象卫星计划（DMSP-OLS）的夜间稳定灯光数据集（1997—2013）和可见光/红外辐射成像仪的日/夜波段数据集（NPP-VIIRS）（2012—2021）。两个数据集是由不同卫星拍摄，存在一定误差，需要进行校正处理。本文参考常建波等人的处理过程[43]，运用ArcGIS软件对夜间灯光数据进行校正处理。

碳排放灯光数据反演法，主要使用省级夜间光照量总值（TDN）和排放因子法测算出的省级碳排放量，构建碳排放TDN拟合模型，验证碳排放与TDN的关系，再结合各城市TDN值占比来计算各城市的碳排放量。主要公式如下所示。

[Dij=TDNijTDNij               ]（2）

[CEij=CEi×Dij]      （3）

式（2）和式（3）中，[Dij]指第[i]年城市[j]的夜间光照量总值占比，[TDNij]指第[i]年城市[j]的夜间灯光照量总值，[CEij]指第[i]年城市[j]的碳排放估计量。

（二）大湾区能源消费碳排放预测模型

1.拓展的STIRPAT预测模型

STIRPAT模型通过引入可变指数，可减少变量间的相互作用，能够更准确地描述人口、财富和技术对环境影响的非线性关系，常用于碳排放预测分析。而且，该模型允许对变量分解，可以灵活拓展相关驱动因素，其基础形式为下式（4）所示，对其进行对数变化如式（5）所示。

[I=αPβ1Aβ2Tβ3ξ]     （4）

[lnI=lnα+β1lnP+β2lnA+β3lnT+ξ]  （5）

将该模型运用到碳排放预测时，式（5）中[I]表示为碳排放量，[P]表示人口效应（人口规模），[A]表示经济效应（人均地区生产总值），[T]表示技术水平（能源强度），[lnα]为常数项，[β]表示各个因素的影响系数，[ξ]指随机误差。

在模型变量选取方面，由于碳排放量变化受社会经济各方面的影响，前文提到的许多研究都结合实际对STIRPAT模型进行了变量拓展。例如，人口规模的提高将导致居民生活、出行等方面的能源消耗增加；经济发展水平的增长将产生大量碳排放；化石能源占比直接关系到碳排放水平；能源强度升高，意味着能源利用效率降低、碳排放量增加；城镇化率的提高意味着城市建设和交通等活动的增加，将产生更多的能源需求；第二产业包括制造业和建筑业等高耗能行业，是碳排放的主要来源。在STIRPAT模型中引入这些解释变量，可以更准确地预测粤港澳大湾区碳排放量变化趋势，为制定碳减排政策提供科学依据。因此，本文选取人均地区生产总值、人口数、城镇化率、第二产业占比、化石能源占比和能源强度作为拓展的STIRPAT模型的解释变量，以碳排放量为被解释变量，如下式所示。

[lnI=lnα+β1lnPG+β2lnP+β3lnUR+β4lnSI+β5lnES+β6lnEI+ξ]             （6）

式（6）中，[I]代表碳排放量，[PG]代表人均地区生产总值，[P]代表人口数，[UR]代表城镇化率，[SI]代表第二产业占比，[ES]指能源结构，[EI]指能源强度，[lnα]指常数项，[β]指变量的影响系数，[ξ]指随机误差。

2.岭回归分析

由于预测数据存在时间跨度长、样本多的特点，变量间可能存在严重的共线性。为避免发生过拟合、误差过大等问题，本文选择岭回归作为回归分析方法。岭回归通过引入一个惩罚参数[K]来减小共线性变量的系数，降低模型复杂度，从而减小共线性对模型的影响，提高模型的泛化能力和预测的准确性，相比于其他回归方法具有一定的优越性。

为了确定最佳的岭参数[K]，本文使用SPSS的“Ridge regression”功能进行测算，首先对数据进行对数转化和Z-Score标准化处理，统一变量尺度。然后通过在设定范围内递增[K]值，计算在不同参数下岭回归模型各变量的回归系数和R2，绘制岭迹图（[K]值和对应的回归系数）和R2变化图，最后在岭迹图中寻找最佳[K]值点（各个回归系数变化平缓），确定各变量对应的回归系数。

（三）大湾区能源消费碳达峰研判模型

为了从统计学角度更加严谨准确地判断该地区是否碳达峰，本文结合曼—肯德尔（Mann-Kendall）趋势检验法和泰尔—森（Theil-Sen）斜率估计法来进行研判。曼—肯德尔趋势检验法是世界气象组织（World Meteorological Organization， WMO）推荐的一种非参数统计方法，主要用于分析时间序列数据的趋势变化是否显著。该方法对数据分布无特定要求，且受到异常值的干扰较小，适用性强。其基本原理是通过计算时间序列中所有数据点对比较的累积和，来判断数据是否存在显著的上升或下降趋势。主要步骤和公式如下。

时间序列数据[x1，x2，…xn]是[n]个独立、随机同分布的数据，假设[H0]是这些数据不存在趋势。首先，计算每一对数据[xi和xji

[sgnxj-xi=1， xj-xi>0 0， xj-xi=01， xj-xi<0]       （7）

[S=i=1n-1j=i+1nsgnxj-xi]               （8）

当[n≥8]时，统计量[S]大致服从正态分布，其均值为0。方差计算公式为：

[VarS=nn-12n+518]      （9）

已知[S和VarS]后计算[Z]统计值，公式如下。

[Z=S-1VarS，S>00，       S=0S+1VarS，S<0]     （10）

Z统计量的绝对值大小反映了趋势的显著性水平，双边检验下通常采用标准正态分布的临界值作为判断标准，当[Z≥1.64、1.96、2.57]时，则认为分别在90%、95%、99%的置信水平上趋势显著。

当n<10，趋势检验使用统计变量[S]进行分析，结合泰尔—森斜率估计法对数据趋势进行估算，当[β>0]时表示数据呈现上升趋势，当[β<0]时表示数据呈现下降趋势。其公式为：

[β=Medianxi-xji-j，     ？j

使用曼—肯德尔趋势检验法进行检验，需要先根据碳排放量变化图确定研判的碳达峰年份，并据此将时间序列数据划分为2005年—碳达峰年、碳达峰年—2035年两段数据，分别进行曼—肯德尔趋势检验和泰尔—森斜率估计，最后基于[Z和β]的数值大小来判断该地区是否碳达峰。

参考相关研究的定义[44]，本文对地区碳达峰的判断标准是：当该地区在某一年的碳排放量达到最大值，并且在此后至少连续四年的数据中，碳排放量呈现出显著的下降趋势（曼—肯德尔趋势检验Z值达到5%显著性水平，[β]值为负数），则认为已经碳达峰；若Z值不显著，[β]值为负数，则认为是处于碳达峰平台期；若碳排放量仅达到最大值而后续数据量小于4年，则认为没有达峰。本文碳达峰研判流程框架如图2所示。

（四）大湾区能源消费碳达峰情景分析

1.静态情景模拟

由于经济社会发展的复杂性和信息的不完全性，传统的预测方法得出的结论可能不符合实际情况。情景分析法基于社会发展规律和政策规划，对未来情景进行合理预测，通过设定人均地区生产总值、能源强度等变量的未来值，构建多种发展情景，测算不同情景下的碳达峰峰值和时间点，能够为大湾区有关部门制定碳减排策略提供数据支撑。本文将基于预测模型，构建不同的发展情景，对大湾区在2022—2035年期间的碳排放进行预测，判断不同情景下大湾区碳达峰时间和峰值。

在研究对象方面，由于本文只收集到珠三角九市整体的能源数据，难以针对每个城市地区进行情景分析，故选择以粤港澳大湾区整体为研究对象进行情景分析。

在情景参数方面，本文基于STIRPAT碳排放预测模型，选择人口规模（P）、人均地区生产总值（PG）、城镇化率（UR）、第二产业占比（SI）、化石能源占比（ES）和能源强度（EI）为参数进行设置。基于历史数据和现有政策规划目标值，本文对各项变量设定未来变化率，针对不同年限设置低、中、高三种变化速率，以符合实际情况。

在时间范围划分方面，政府常以五年为期出台发展规划，因此本文以2022年为起始年，以五年为一期设置参数变化率。其中，人口数、人均地区生产总值、城镇化率和第二产业占比的2022年数据已经发布，因此针对这些参数设置2023—2025年、2026—2030年、2031—2035年三个时间段。而化石能源占比和能源强度2022年的数据暂未发布，因此针对这两个变量设置2022—2025年、2026—2030年、2031—2035年三个时间段。

（1）情景参数设置

由于现实情景的复杂性和不确定性，本文参考王少剑等人的设置[45]，基于三角形分布针对各个参数在每个时间段中设置低、中、高三种变化速率。为保证发展态势的延续性，参考近五年年均增速或十六年间年均增速设置中速模式，低速模式和高速模式将在中速模式基础上进行调整。大湾区各情景参数历史年均变化率如表2所示。

①人口规模。根据笔者统计，粤港澳大湾区2021年常住人口数量仅增加0.4%，同比下降1.14个百分点。大湾区正从劳动密集型产业向高新技术、服务型产业转型，对低技能劳动力需求减少，在一定程度上影响常住人口增加。如表2所示，从人口规模年均变化率来看，2021年变化率为0.4%，2022年变化率为-0.5%，年均变化率正逐步下降，甚至出现负增长。因此，本文认为大湾区未来常住人口规模变化率将出现下降趋势，以近五年年均变化率0.63%为2023—2025年年均变化率基准，每五年降低0.2个百分点，设置人口规模年均变化率中速模式。低速模式在中速模式上下调0.2个百分点，高速模式上调0.2个百分点（表3）。

②人均地区生产总值。据笔者测算，2021年大湾区人均地区生产总值为14.6万元，远高于广东省（9.81万元），优于同期长三角地区（11.74万元），处于全国领先水平。如表2所示，自2006年来人均地区生产总值变化率基本处于下降趋势，每隔五年年均增速平均下降0.8个百分点。但随着高质量发展的推进，本文预计大湾区未来人均地区生产总值保持增长态势，其增长率保持下降趋势。因此，以近五年年均变化率3.24%为2023—2025年年均变化率基准，每五年降低0.8个百分点，设置人均地区生产总值年均变化率中速模式。低速模式在中速模式基础上下调0.4个百分点，高速模式上调0.6个百分点（表4）。

③城镇化率。据笔者测算，大湾区2022年年末常住人口城镇化率已达到88.6%，远高于同期广东省（74.6%），在全国（64.72%）居前列水平。大湾区由于经济发展水平高，拥有良好的基础设施、高水平的教育医疗服务，吸引了大量人口迁入城市工作生活。从表2可得，2021年大湾区城镇化率变化率为0.22%，2022年变化率为0%。这是由于城镇化率处于较高水平，年均增速出现放缓趋势。而且由图3可知，英国、美国、法国等发达国家城镇化率维持在80%左右，日本在达到90%后增速明显下降，而大湾区已经达到88.6%，属于发达国家水平，城市承载力有限，预计未来变化率将逐步降低。

因此，本文设置大湾区城镇化率的峰值为90%，达到后不再增长，以近五年年均变化率0.36%为2023—2025年年均变化率基准，每五年降低0.1个百分点，设置城镇化率年均变化率中速模式。低速模式在中速模式基础上下调0.1个百分点，高速模式上调0.1个百分点（表5）。

④第二产业占比。据香港贸易发展局资料，2022年大湾区第二产业占比为35%、第三产业占比为64%，已形成双支柱发展模式，经济增长以第三产业拉动为主③。其中，香港以金融、仓储物流等服务业为主，澳门以娱乐旅游业主导，珠三角九市则以制造业、电子信息产业、新能源产业等产业为主。

从表2可得，第二产业占比历史变化率呈现出先下降后回升的变化。《广东省制造业高质量发展“十四五”规划》提出，要推动石化、建材等珠三角高能耗高排放行业绿色低碳改造升级与产业外迁。基于此，本文认为未来大湾区第二产业占比仍将保持一定的增长态势，且分析发现每五年年均变化率平均下降1.12个百分点，据此认为未来大湾区将继续深化产业转型升级，推动制造业向技术密集型先进制造业转变，推动第二产业逐步向金融、信息技术服务业等第三产业转型。

因此，本文以近五年年均变化率1.29%为2023—2025年年均变化率基准，每五年下降0.5个百分点，设置第二产业占比年均变化率中速模式。低速模式在中速模式基础上下调0.3个百分点，高速模式上调0.5个百分点（表6）。

⑤化石能源占比。据笔者测算，自2006年以来，大湾区在能源消费结构调整方面成绩显著，化石能源占比基本保持负增长态势；2021年化石能源消费占比为60%（累计下降14个百分点），远低于同期广东省能源消费占比（73%），为全国“双碳”行动起到了模范带头作用。2021年，广东省印发的《促进海上风电有序开发和相关产业可持续发展实施方案》提出，加快推动惠州港口一、南方电网珠海桂山二期、惠州港口二PA等海上风电项目建设，扩大装机规模，实施财政补贴。这些政策措施将进一步增强清洁能源保障能力。在交通领域，比亚迪、广汽等汽车制造商全力研发推广新能源汽车，逐步替代燃油车市场，进一步减少交通领域燃油消耗，降低交通碳排放。而且，《广东省能源发展“十四五”规划》提出，2025年化石能源占比要降至68.00%。经计算，这需要2022—2025年年均变化率达到-1.83%才可能实现。基于以上分析，本文认为大湾区未来化石能源占比将进一步下降，并随着新能源项目建立和碳达峰目标临近，化石能源消费占比下降速率将更明显。

因此，本文以-1.83%为2022—2025年年均变化率基准，每五年降幅增加0.5个百分点，设置化石能源占比年均变化率中速模式。低速模式降幅在中速模式基础上下调0.4个百分点，高速模式降幅上调0.4个百分点（表7）。

⑥能源强度。大湾区在能源强度控制方面处于较高水平。据笔者测算，2021年大湾区能源强度为0.21吨标准煤/万元，同期广东省为0.29吨标准煤/万元，优于全国水平（0.45吨标准煤/万元）。从表2可得，从历史变化率来看，大湾区能源强度从“十二五”期间开始出现较大的下降趋势，且受到新冠疫情影响，2021年更是达到-4.02%的降速。

从广东省能源强度优化目标实际完成值来看，“十二五”期间实际完成值为-20.98%（目标值为-18%），“十三五”期间实际完成值为-17.05%（目标值为-14.5%），下降速率出现放缓趋势。据此，本文推测未来大湾区的能源强度变化率也将有所放缓。《广东省生态文明建设“十四五”规划》明确设定广东到2025年能源强度要累计下降14.5%。若同样设置大湾区2025年能源强度需下降14.5%时，则2022—2025年的年均变化率需为-3.84%。

因此，本文以-3.84%为2022—2025年年均变化率基准，每五年下降幅度缩小0.4个百分点，设置能源强度年均变化率中速模式。低速模式降幅在中速模式基础上下调0.8个百分点，高速模式降幅上调0.8个百分点（表8）。汇总六大情景参数低、中、高速年均变化率，如表9所示。

（2）发展情景设置

在情景设置方面，本文以IPCC提出的气候演化路径为基础，根据大湾区的发展趋势、政策措施对六大变量的变化速率进行组合，并设定2022（或2023）—2025、2026—2030、2031—2035三段变化率保持相同速率类型。

IPCC主要提出了典型浓度路径（Representative Concentration Pathway， RCP）与共享社会经济路径（Shared Socioeconomic Pathway， SSP）两大路径，已被广泛应用于碳排放预测[46-47]分析中。这两种路径中主要包含七种情景，具体解释如表10所示。

基于以上七种情景，本文设定六种碳排放发展情景（其中基准情景和全中速情景相同）：

①基准情景（全中速情景）：参考RCP6-SSP2模式，政府依据广东省“十四五”规划等减排工作部署，在2022—2030年间将采取一定的碳减排措施，包括能源结构优化和能源强度控制等政策措施，逐步推动社会向绿色低碳发展，同时兼顾经济发展，使得地区生产总值保持一定速度增长。此时，全部变量变化率为中速。

②高碳情景：参考RCP6-SSP5模式，政府在碳减排和能源结构转型方面参照过去的方针政策，保持一定的优化速度。但在经济发展方面，政府将出台大量政策推动快速增长，使得第二产业蓬勃发展、城镇人口逐渐增多。此时，人口规模、人均地区生产总值、城镇化率、第二产业占比变化率为高速，化石能源占比、能源强度变化率为中速。

③低碳情景：参考RCP4.5-SSP2模式，政府在兼顾经济发展的同时，高度重视碳达峰、碳减排相关工作，加大对低碳零碳技术研发投入，大力发展清洁能源，调整能源结构，推动社会绿色高质量发展。此时，人口规模、人均地区生产总值、城镇化率、第二产业占比变化率为中速，化石能源占比、能源强度变化率为高速。

④极高碳情景：参考RCP8.5-SSP5模式，在高碳情景基础上，政府更注重经济发展，采取粗放型发展模式，不限制化石能源使用，不对碳排放进行控制，对低碳技术研发投入降低。此时，人口规模、人均地区生产总值、城镇化率、第二产业占比变化率为高速，化石能源占比、能源强度变化率为低速。

⑤极低碳情景：参考RCP2.6-SSP1模式，在低碳情景基础上，政府以率先于2025年实现碳达峰任务为目标，对粗放式经济采取有力控制措施，出台大量绿色低碳政策，包括提高碳税、限制高碳产业扩张，着力发展清洁能源等。此时，人口规模、人均地区生产总值、城镇化率、第二产业占比变化率为低速，化石能源占比、能源强度变化率为高速。

此外，为了提供更全面的视角，本文还拓展了三种情景：

⑥产业转型情景：在基准情景的基础上，政府注重产业绿色低碳转型升级，包括淘汰传统落后产能，推动先进制造业发展，推动第二产业逐步向第三产业转型，使得化石能源依赖程度降低、能源强度持续优化，地区生产总值保持一定增长速度。并且，由于劳动密集型产业逐步减少、对劳动力需求降低，人口规模将会下降。此时，人口规模、第二产业占比变化率为低速，人均地区生产总值、城镇化率变化率为中速，化石能源占比、能源强度变化率为高速。

⑦全低速情景：考虑到新冠疫情深刻影响了全世界社会经济发展，设立此情景以预防类似特殊性事件发生。此时，全部变量变化率为低速。。

⑧全高速情景：此情景较为理想，在保持经济高增长的同时，大力推动碳减排。此时，全部变量变化率为高速。

总结以上九种情景，如表11所示。

2.蒙特卡罗动态模拟

蒙特卡罗动态模拟是一种基于随机数生成的计算方法，用于模拟复杂系统中的不确定性行为，被广泛应用于碳排放等多个领域[48]。将蒙特卡罗模拟法与情景分析法结合预测地区碳达峰情景，不仅可增强模型的适用性和预测的准确性，还提供了对未来不确定性的动态视角。对情景参数变化率设置不同的概率，并进行一万次随机模拟，每次模拟相当于不同的发展情景，汇总分析这些模拟情景下碳达峰时间和峰值区间，可以形成更全面、精确的碳达峰分析视角，为决策者提供数据支持。

（1）发展路径设置

为进一步模拟未来发展的不确定性，在静态情景基础上，本文采用蒙特卡罗法对情景参数2022—2035年每年的变化率进行动态模拟。每次模拟代表不同的变化情景，汇总每次模拟的碳达峰年限和峰值（最大值）。

①路径一：不考虑任何政策影响，经济社会保持惯性发展，以五大基础情景（极高碳、高碳、基准、低碳、极低碳）的参数变化率为基准进行蒙特卡罗动态模拟。

②路径二：在产业绿色低碳转型政策导向下，碳减排和能源转型相关工作将受到高度重视，尤其是产业将逐步向第三产业转型升级，以三大预期情景（基准、低碳和产业转型）的变化率为基准进行蒙特卡罗动态模拟。

（2）动态模拟流程

本文基于参数变化率对大湾区碳达峰情况进行一万次蒙特卡罗动态分析，运用Python进行实现，主要的模拟流程如下：

①设定不同情景下2022—2035年每一年各个参数的变化率。

②设定每一年各个情景的发生概率。在路径一中，假设未来没有明显政策导向，参照王少剑等人基于对称分布设置[46]，将基准情景发生概率设为40%，低碳情景和高碳情景发生的概率均为20%，极低碳情景和极高碳情景发生概率均为10%；在路径二中，假设未来存在低碳政策导向，设定产业转型情景发生概率为40%，基准情景和低碳情景发生概率均为30%。

③基于情景发生概率，对2022—2035年每一年的发生情景进行一万次蒙特卡罗动态分析，通过模拟确定每一年的情景，设置对应的参数变化率。

④计算出参数未来值，代入STIRPAT预测模型，得到2022—2035年的碳排放数据。每一次模拟将产生一组碳排放量数据，结合曼—肯德尔趋势检验和泰尔—森斜率估计法进行碳达峰研判，记录碳达峰值和年份。

⑤汇总一万次动态模拟的碳达峰峰值和时间结果，分别计算碳达峰峰值和年份的频次和概率，绘制概率密度图，进行综合分析。

二、数据来源

在碳排放测算时间方面，由于目前中国能源统计年鉴只发布至2022年，只可提供2021年以前的数据，因此本文选取2005—2021年为时间范围，横跨“十一五”至“十四五”的开年。

测算大湾区碳排放量时，本文主要使用广东分品种能源消费总量、广东省夜光遥感影像数据和香港、澳门碳排放量等数据。其中，广东省分品种能源消费总量来自2006—2022年的中国能源统计年鉴中“广东能源平衡表”栏目。广东省和珠三角九市的夜光遥感影像数据来自DMSP-OLS（1997—2013）数据集和NPP-VIIRS（2012—2021）数据集，可在美国国家大气海洋局官网下载（https：//www.ngdc.noaa.gov/eog/）。香港和澳门的能源消费统计口径与内地存在差别，不过在全球大气研究碳排放数据库（EDGAR）[49]中同样采用排放因子法进行核算，因此本文直接引用EDGAR数据库中香港、澳门的碳排放数据。

拓展的STIRPAT模型变量来源如表12所示。2005—2021年大湾区相关数据通过汇总珠三角九市、香港和澳门数据计算得到。其中，珠三角城市常住人口、城镇人口、地区生产总值、第二产业增加值均来自历年的城市统计年鉴和广东统计年鉴，珠三角城市能源消费数据通过调研广东统计局得到。香港和澳门的常住人口、城镇人口、第二产业增加值等数据来自香港特区政府统计处、澳门特区政府统计暨普查局，能源消耗数据通过乘以折煤系数转化为标准煤计算得到，碳排放数据来自EDGAR数据库。地区生产总值基于2013年数据换算成不变价格，并以当年平均汇率转化为人民币，从而消除价格因素的影响。

三、结果分析

（一）大湾区能源消费碳排放测算结果

本文采用排放因子法计算广东省碳排放量，能源核算范围为全部26种能源，最终得到广东省2005—2021年碳排放量（图4）。2005年，广东省的能源消耗总量约为1.3亿吨标准煤，碳排放量约为4.1亿吨。2021年，广东省的能源消耗总量约为3.6亿吨标准煤，碳排放量约为8.9亿吨。在这17年间，广东省的能源消耗总量增长了177%，能源消费碳排放量增长了118%。根据广东省统计局数据，2005年广东的地区生产总值为16539亿元、年末常住人口为9185万人，2021年广东的地区生产总值为124370亿元、年末常住人口为12684万人。这说明经济总量和人口规模在快速增长的同时伴随着能源消耗量增长，导致二氧化碳排放增加。

结合碳排放灯光数据反演法，得出的2005—2021年大湾区11个城市的能源消费碳排放量如图5所示。

从整体来看，大湾区碳排放总量呈现波动递增态势，2005年为31751万吨，增长到2021年的57945万吨，年均变化率为3.6％。2005—2010年，大湾区碳排放量逐年稳步增长。随着大湾区的经济发展和城市化进程，能源消耗也随之增长，导致碳排放量上升。2011—2014年，大湾区碳排放量增速趋缓，说明在“十二五”期间广东省能源效率改进和低碳减排相关政策措施的实施具有一定成效。2016—2018年，大湾区的碳排放量增速变大。据分析，2016年《广东省供给侧结构性改革总体方案（2016—2018年）》印发，有效推动经济复苏、工业发展。2019—2021年，大湾区碳排放增长趋势恢复。分析发现，2018年广东省政府印发《降低制造业企业成本支持实体经济发展若干政策措施（修订版）的通知》等政策文件，进一步支持大湾区制造业发展，导致碳排放量有所增长。

从大湾区11个城市来看，2021年碳排放量由大到小排名为广州（11193万吨）、佛山（7631万吨）、惠州（7245万吨）、东莞（6684万吨）、江门（6157万吨）、深圳（5326万吨）、中山（4097万吨）、香港（3360万吨）、肇庆（3163万吨）、珠海（2821万吨）、澳门（267万吨）。其中，香港已于2014年实现碳达峰，澳门碳排放量占比较小；珠三角九市自2011年呈现下降态势，在2016年后又逐步增加。广州、惠州、江门增长态势明显，深圳、东莞、中山、肇庆、珠海呈现波动增长态势。

以2023年地区生产总值占比最高的深圳（24%）和广州（22%）为例进行碳排放时间趋势分析，2005—2021年，深圳碳排放量整体上呈现波动增长的态势，从3382万吨增长至3387万吨，年均变化率为2.7%。“十一五”时期，深圳碳排放量呈现逐年增长的趋势，平均年变化率为1.5%。与广州类似，在此期间，深圳主要关注经济发展，而碳减排并不是其主要的控制目标。“十二五”时期，深圳碳排放量在2011年后开始出现减少，平均年变化率为-1.3%。这是由于自2010年深圳成为国家首批低碳试点城市以来，深圳采取了一系列绿色低碳政策措施，比如设立深圳碳排放权交易所、建立碳普惠体系等，在碳排放控制方面取得了显著成效。2016—2021年（“十三五”和“十四五”时期），深圳碳排放量有所增加，平均年变化率为2.27%。这段时期政府强调科技创新和绿色发展，在产业结构升级、能源利用方面采取了积极的措施，促进碳减排取得一定成效。

2005—2021年，广州碳排放量整体上保持增长态势，从5639万吨增长至11193万吨，年均变化率为4.1%。2005—2010年（“十一五”时期），广州碳排放量呈现明显的增长趋势，年均变化率高达5.92%。这段时期广州以经济快速发展为工作重心，推动工业化水平稳步提高、能源密集型产业兴起，导致碳排放量快速上升。2011—2015年（“十二五”时期），广州碳排放量增长趋势明显放缓，年均变化率为0.12%，说明碳排放在一定程度上得到了控制。究其原因，广州市“十二五”规划强调可持续发展，推动了工业结构的调整以及清洁能源的使用。2016—2021年（“十三五”和“十四五”时期），广州碳排放量再次呈现增长趋势，增速较之前有所降低，平均年变化率为3.79%。这说明广州在低碳减排方面采取了积极举措，但为了促进经济发展和减小新冠疫情影响，大力支持企业发展，导致能源需求增长、碳排放量增加。

（二）粤港澳大湾区能源消费碳排放预测模型

1. 拓展的STIRPAT模型回归分析

（1）描述性统计

本章研究时间范围为2005—2021年，共17年。对变量的描述性统计如表13所示。

（2）平稳性检验

为确保后续的回归分析不会受到伪回归的影响，此处对模型数据进行平稳性检验，对变量进行对数转化后，使用SPSS进行单位根（ADF）检验。结果如表14所示。

由表14可以看出，大湾区全部变量的原序列都是平稳的，接着对这些数据进行普通最小二乘法回归（OLS），对所得的残差项进行ADF检验得到P值为0.0036，可认为残差项是平稳的。因此，本文大湾区的时间序列数据都是平稳的，可进一步进行研究。

（3）共线性检验

本文拓展的STIRPAT模型中有6个解释变量，可能存在多重共线性，影响模型的解释能力和预测精度。在进行回归分析前，6个解释变量需要进行共线性检验。结果如表15所示。

分析发现，模型存在严重的多重共线性问题。特别是lnPG、lnP、lnEI的VIF值非常高（超过200）。lnUR、lnES的VIF值相对轻微，但仍然高于临界值10，表明存在一定程度的多重共线性问题。

（4）岭回归分析

绘制岭迹图如图6所示，可以看到在K值为0.07左右时，大部分系数的变化趋于平缓。结合图7，考虑模型需保持较好的预测性能，最终确定K值为0.07。

当K值为0.07时，拓展的STIRPAT模型各变量的回归系数如表16所示。

根据岭回归结果显示，模型F检验P值为0.000***，呈现显著性，拒绝原假设。同时，模型的拟合优度R2为0.955，解释力度大，表现较为优秀。其中，lnPG、lnSI、lnEI在10%显著性水平下显著，其余变量不显著。经查阅相关资料，岭回归由于加入了惩罚项，影响了参数估计的偏差和方差，使得传统的统计推断（基于假设检验的P值）不再适用。基于此，本文认为回归系数不显著不会影响后续分析。因此，得到的大湾区能源消费碳排放预测模型如下式所示：

[lnC=0.071×lnP+0.006×lnPG+0.063×lnUR+0.022×lnSI+0.013×lnES+0.002×lnEI+10.751  ] （12）

式（12）中，全部变量的回归系数为正，说明人口规模、人均地区生产总值、城镇化水平、第二产业占比、能源结构、能源强度增加对碳排放量变化有正向效应，按影响系数从大到小排序为人口规模＞城镇化水平＞第二产业结构＞能源结构＞人均地区生产总值＞能源强度。

（5）回归模型误差分析

通过均方误差（Mean Square Error，MSE）、均方根误差（Root Mean Square Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）和平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）四个特征指标来量化分析回归模型的性能，结果如表17所示。所有的误差指标均小于0.05，表示预测值与实际值非常接近，回归模型预测性能很好。

此外，经过对数转换，计算大湾区2005—2021年碳排放的拟合值如图8所示，其平均绝对百分比误差MAPE值为3.5％，小于5％，误差较小，可以认为碳排放拟合值与实际值基本吻合，能够满足本文碳排放预测的实际需要。

（三）粤港澳大湾区能源消费碳达峰情景模拟结果

1.静态情景模拟碳排放预测结果

本文基于不同发展情景参数的变化速率，计算出参数未来值，进行对数转化和标准化后，代入STIRPAT模型，预测碳排放量。全部情景的碳排放量预测结果如表18所示。

为方便分析，本文将极高碳情景、高碳情景、基准情景、低碳情景、极低碳情景和产业转型情景的碳排放预测结果绘制在一起，如图9所示。

按照速率大小进行对比分析，全高速、全中速、全低速情景的结果如图10所示。

利用前文提到的曼—肯德尔趋势检验法和泰尔—森斜率估计法对选取的碳达峰年进行研判，结果如表19所示。表中“-”表示地区在2035年前未达峰。

经过检验可知，只有极高碳情景、高碳情景和全高速情景未能在2035年达峰，其余六种情景均已达峰，而且极低碳情景和产业转型情景能在2025年提前实现碳达峰。不同情景碳达峰峰值不同，其中峰值最低的情景是极低碳情景，于2025年碳达峰，峰值为57645万吨二氧化碳；其次是产业转型情景（2025年碳达峰，峰值为58079万吨二氧化碳）；第三是全低速情景（2030年碳达峰，峰值为58169万吨二氧化碳）。除了极高碳情景、高碳情景和全高速情景在2030年之后碳排放量仍保持增长趋势，其余情景的碳排放量预测结果表明大湾区大概率能在2030年前实现碳达峰，符合国家目标要求。

全低速情景和极低碳情景都忽略了经济发展，发生可能性较低。基准情景、低碳情景和产业转型情景三大情景是大湾区未来可能实现的发展情景，即在兼顾经济社会发展的同时，加大对清洁能源项目建设投入，研发推广低碳技术，促进经济向绿色低碳可持续转型。其中，产业转型情景通过搬迁转移高排放高污染产业，为第二产业绿色低碳转型提供金融和政策支持，同时加大相关节能环保技术应用推广力度，推动传统产业向高新技术产业、低碳产业转型，支持金融、信息技术服务等现代服务业发展等，降低经济社会发展对化石能源的依赖程度，打造节能高效低碳的发展环境，可以提高提前实现碳达峰的可能性。

2.动态模拟碳排放预测结果

（1）不考虑任何政策影响的路径一

在该蒙特卡罗动态模拟路径中，设置极高碳、高碳、基准、低碳、极低碳情景的参数变化率，发生概率分别为10%、20%、40%、10%、20%。进行一万次蒙特卡罗动态模拟的结果如图11所示。

从碳达峰年份来看，在路径一情况下，95%置信区间显示大湾区实现能源消费碳达峰的可能时间区间为2029—2035年，按照预定时间如期在2030年实现碳达峰的可能性为54.5%，能早于2030年实现碳达峰的概率为6.7%。而且，晚达峰的可能性较高，晚于2030年实现碳达峰的概率为38.8%，存在一定的不确定性和挑战。从最可能达峰年限来看，2030年实现碳达峰的可能性最高，概率为54.5%，其次分别是2031年（18.4%）、2032年（7.5%）、2029年（5.6%）。

从碳达峰峰值来看，在路径一情况下，95%置信区间显示大湾区实现能源消费碳达峰的可能峰值区间为58929万～60879万吨二氧化碳，最大碳达峰值和最小碳达峰值间相差1950万吨二氧化碳（3.3%），说明大湾区碳达峰峰值较为集中，预测相对稳定，具有一定的可信度。其中，概率最大的峰值为59830万吨二氧化碳，较静态情景结果中极高碳情景峰值（62750万吨二氧化碳）下降4.88%、较高碳情景峰值（62096万吨二氧化碳）下降3.79%、较基准情景峰值（59404万吨二氧化碳）上升0.72%、较低碳情景峰值（59005万吨二氧化碳）上升1.40%、较极低碳情景峰值（57645万吨二氧化碳）上升3.79%，说明最可能峰值水平处于高碳情景和基准情景峰值水平之间。而两个情景的主要区别在于前者经济增速为高速，后者经济增速为中速。最可能峰值水平处于这两者之间，符合现实情况。

不考虑任何政策影响下路径一的结果总结如下：

①在95%置信区间下，能源消费碳达峰时间区间为2029—2035年，峰值区间为58929万～60879万吨二氧化碳；

②早于2030年实现碳达峰概率为6.7%，晚于2030年碳达峰概率为38.8%；

③最可能碳达峰年份为2030年（54.5%），最可能峰值为59830万吨二氧化碳。

（2）考虑产业绿色低碳转型政策导向的路径二

在该路径中，假设未来存在明显的低碳政策导向，此时基准情景、低碳情景、产业转型情景发生概率最高，分别设置为30%、30%和40%。进行一万次蒙特卡罗动态模拟的结果如图12所示。

从碳达峰年份来看，在路径二情况下，大湾区能源消费都能如期实现碳达峰目标，95%置信区间显示大湾区实现能源消费碳达峰的可能时间区间为2025—2030年，按照预定时间如期在2030年实现碳达峰的可能性为53.72%，能早于2030年实现碳达峰的概率为46.28%，在2025年实现碳达峰的概率为5.15%。从最可能达峰年限来看，仍然是在2030年实现碳达峰的可能性最高，概率为53.72%，其次是分别2029年（20.55%）、2028年（8.71%）、2027年（7.27%）。

从碳达峰峰值来看，在路径二情况下，95%置信区间显示大湾区实现能源消费碳达峰的可能峰值区间为58250万～59100万吨二氧化碳，最大碳达峰值和最小碳达峰值间相差850万吨二氧化碳（1.46%），说明大湾区碳达峰峰值较为集中，预测相对稳定，具有一定的可信度。其中，概率最大的峰值为58670万吨二氧化碳，比路径一中最可能峰值（59830万吨二氧化碳）下降1.98%、较极高碳情景峰值（62750万吨二氧化碳）下降6.95%、较高碳情景峰值（62096万吨二氧化碳）下降5.84%、较基准情景峰值（59404万吨二氧化碳）下降1.25%、较低碳情景峰值（59005万吨二氧化碳）下降0.57%、较产业转型情景峰值（58079万吨二氧化碳）上升1.01%、较极低碳情景峰值（57645万吨二氧化碳）上升1.75%，说明最可能峰值水平处于低碳情景和产业转型情景峰值水平之间。而两个情景的主要区别在于前者第二产业占比和人口规模增速为中速，后者为低速。最可能峰值水平处于这两者之前，符合路径的政策低碳转型假设，具有较高的可信度。

在产业绿色低碳转型政策导向下路径二的结果总结如下：

①在95%置信区间下，能源消费碳达峰时间区间为2025—2030年，峰值区间为58250万～59100万吨二氧化碳；

②提前在2025年碳达峰概率为5.15%，晚于2030年碳达峰概率为0；

③最可能碳达峰年份为2030年（53.72%），最可能峰值为58650万吨二氧化碳。

3. 最优碳达峰路径分析

对比动态模拟路径一和路径二的结果发现，路径一基本涵盖了未来可能的发展情景，考虑了未来发展的多种变化和不确定性，但可能忽略了低碳能源技术创新、政府政策变化等因素，导致结果存在一定的局限性，得到的碳达峰时间区间（2029—2035年）倾向保守估计，低估了大湾区碳减排潜力，可能错失提前实现碳达峰的机会。路径二假设未来有明显的低碳政策导向，政府将更加关注社会经济绿色低碳发展，针对碳达峰目标制定实施更为积极的碳减排政策措施，推动产业绿色低碳转型。路径二的结果显示，大湾区提前实现能源消费碳达峰（2025—2030年）的可能性较高，代表对未来低碳发展的乐观估计。

从碳达峰年份来看，两条发展路径的结果都显示，2030年是最可能的碳达峰年份，表明大湾区能源消费碳排放大概率能够如期实现国家的时间要求。

从碳达峰峰值来看，两条路径的碳达峰峰值范围相对接近，基本集中于58000万～61000万吨二氧化碳，表明两条路径在碳达峰峰值区间估计方面是一致的，可信度较高。

从提前实现碳达峰的可能性来看，路径二提前实现碳达峰的可能性更高，表明采取更积极的碳减排和产业转型政策措施可以加速实现碳达峰。

结合动态情景分析和前文的静态情景分析可以推测，为保证在经济发展的同时按时甚至提前实现能源消费碳达峰目标，路径二是最优的碳达峰路径。路径二主要包括产业转型情景、低碳发展情景和基准情景（全中速发展情景）。在该路径中，人均地区生产总值和城镇化率保持中等水平，人口规模和产业结构（第二产业占比）增速逐年下降，产业向高端制造业和金融、信息技术等服务业转型升级，能源结构逐渐向清洁能源转型，对化石能源依赖程度逐渐下降，能源强度保持较高的优化速度。汇总最优路径二的情景参数设置如表20所示。

四、结论与政策建议

（一）结论

本文以粤港澳大湾区为研究对象，对其能源消费碳排放的时间演变规律和未来碳达峰情景等方面进行了深入分析，得出以下结论：

1.粤港澳大湾区能源消费碳排放总量呈现波动上升态势，2005年为31751万吨，增长到2021年的57945万吨，年均增长率3.6％。从大湾区11个城市来看，香港已于2014年实现碳达峰；澳门碳排放量占比较小；珠三角九市碳排放量自2011年呈现下降态势，在2016年后又波动增长。其中，广州、惠州、江门增长态势明显，深圳、东莞、中山、肇庆、珠海呈现波动增长的态势。

2.粤港澳大湾区碳达峰静态情景模拟结果显示，大湾区在基准情景、低碳情景、极低碳情景、产业转型情景和全低速情景下能如期甚至提前实现2030年碳达峰目标。其中，产业转型情景和极低碳情景能提前在2025年实现碳达峰。通过情景参数对比分析发现，常住人口规模和第二产业占比的下降将提高提前碳达峰的可能性；化石能源占比和能源强度的降低有助于降低大湾区碳达峰的峰值。

3.粤港澳大湾区碳达峰动态情景模拟结果显示，在不考虑任何政策导向的路径一中，大湾区有95%概率在2029—2035年实现碳达峰，峰值区间为58929万～60879万吨，最可能碳达峰年份为2030年（54.5%），最可能峰值为59830万吨二氧化碳；在考虑产业低碳转型政策导向的路径二中，有95%概率在2025—2030年实现碳达峰，峰值区间为58250万～59100万吨；最可能碳达峰年份为2030年（53.72%），最可能峰值为58650万吨。对比分析发现，大湾区大概率能够如期实现2030年碳达峰目标，若采取更积极的碳减排和产业转型政策措施，可以提前实现碳达峰。

（二）政策建议

本文基于能源消费碳达峰分析结果，针对影响大湾区碳达峰进程的关键变量，提出以下政策建议。

1.形成碳达峰区域联动机制，推动社会绿色低碳发展。一是加强组织协调，发挥区域协同减排作用。基于现有“双碳”相关政策文件，编制大湾区碳达峰行动方案，构建城市间低碳政策联动机制，进行统一谋划、集中部署。对于区域内部，加强粤港澳三地合作，实现优势互补，强化大湾区城市间协同减碳能力。二是建设绿色低碳新型城镇。推动城镇向绿色低碳协调发展，以“百千万工程”（百县千镇万村高质量发展工程）、“绿美广东”等行动为抓手，建设美丽湾区，持续提高生态环境质量。三是激发社会公众力量参与低碳行动。通过社交平台和社区活动，提高公众对碳达峰碳中和的认识，并鼓励群众采取低碳生活方式，降低居民生活产生的碳排放。

2.推进高能耗行业减排技术研发，加快产业结构转型升级。一是引进先进工艺设备，加快传统用能结构转型进程。大力引进先进工艺与设备，深入开展传统行业产业结构优化和技术改造，推动制造业产业转型升级，淘汰落后产能。二是推动制造业数字化发展，助力全生命周期降碳。推动汽车、半导体等战略性新兴产业构建数字化全生命周期供应链管理体系，鼓励相关行业制定和开展减排行动，牵引产业上下游进行碳足迹、碳排放管理；搭建政企沟通合作平台，开展国内外与区域间低碳技术经验交流，推动跨行业和跨区域合作。三是推动交通电气化建设，助力交通行业碳减排。加强全周期低碳交通基础设施建设，完善数字化交通建设方案，对公路建设实行电气化改造，探索建立低碳交通示范区。

3.提升非化石能源消费占比，稳步推进能源结构优化升级。一是推动多元化清洁化能源供应体系建设。大力发展核电、风电、太阳能等可再生能源，做好新能源项目落地及时并网送电等配套服务，构建多元化能源供应体系；适当发展清洁煤电，对煤电机组进行清洁化利用改造和优化设计，推进智能化发展。二是加强新能源技术创新，推动产业链高端化。加强核能、氢能、储能、新型电力系统、碳捕集利用与封存等低碳前沿技术攻关；打造能源示范项目，推广“光伏+设施农业”“海上风电+海洋牧场”等多产融合发展模式，加快先进技术成果转化落地。

4.增加财政金融激励，助力各领域关键环节低碳转型。一是采用绿色信贷、绿色债券等绿色金融工具，助力能源、工业等领域低碳转型。充分运用金融衍生工具和绿色金融政策，推动新能源产业链相关企业绿色金融、供应链金融衍生品交易；加大绿色金融应用范围和支持力度，吸引多元化社会资本支持行业发展。二是对低碳技术研发等减排行为提供税收优惠等支持。针对企业、研发机构自主研发新能源关键技术的行为，制定减免部分企业所得税、增值税的激励政策；设立绿色发展专项基金，引导社会资金投向低碳领域，为低碳技术等方面研究提供资助。

参考文献：

[1] Su Kai and Lee Chien-Ming， “When Will China Achieve Its Carbon Emission Peak？ A Scenario Analysis Based on Optimal Control and the STIRPAT Mode”[J]， Ecological Indicators， 2020， 112： 106138.

[2] 刘春梅、钱啸吟：《“双碳”目标下中国能源消费碳排放量预测》[J]，《资源科学》2023年第10期，第1931-1946页。

[3] Zhang Shu and Chen Wenying， “Assessing the Energy Transition in China Towards Carbon Neutrality With a Probabilistic Framework”[J]， Nature Communications， 2022， 13（1）： 87.

[4] 任峰、龙定洪：《广东省碳排放量测算、影响因素分析及预测模型选择》[J]，《生态经济》2022年第5期，第21-27页。

[5] 王怡：《中国省域二氧化碳排放达峰情景预测及实现路径研究》[J]，《科学决策》2022年第1期，第95-105页。

[6] Fang Kai， Li Chenglin， Tang Yiqi， He Jianjian and Song Junnian， “China's Pathways to Peak Carbon Emissions： New Insights From Various Industrial Sectors”[J]， Applied Energy， 2022， 306： 118039.

[7] Wen Hong-Xing， Chen Zhe， Yang Qian， Liu Jin-yi and Nie Pu-yan， “Driving Forces and Mitigating Strategies of CO2 Emissions in China： A Decomposition Analysis Based on 38 Industrial Sub-Sectors”[J]， Energy， 2022， 245： 123262.

[8] Zhang Yiqing， Liu Chuangeng， Chen Lei， Wang Xiaofei， Song Xiaoqian and Li Ke， “Energy-Related CO2 Emission Peaking Target and Pathways for China's City： A Case Study of Baoding City”[J]， Journal of Cleaner Production， 2019， 226： 471-481.

[9] 钟薇薇、高海、徐维军、于孝建：《多聚类视角下的碳达峰路径探索与趋势研判——基于广东省21个地级市面板数据的分析》[J]，《南方经济》2021年第12期，第58-79页。

[10] Xu Jinghang， Guan Yuru， Oldfield Jonathan， Guan Dabo and Shan Yuli， “China Carbon Emission Accounts 2020-2021”[J]， Applied Energy， 2024， 360： 122837.

[11] 刘浩东、邱微、陈爽：《黑龙江省能源碳排放核算及驱动因素分析》[J]，《中国环境科学》，网络首发时间：2024年1月16日，第1-11页。

[12] 李世祥、康契瀛：《碳中和背景下长江经济带碳足迹测算——基于省际及产业部门的实证分析》[J]，《生态经济》2022年第9期，第37-42页。

[13] 刘宇、吕郢康、周梅芳：《投入产出法测算CO2排放量及其影响因素分析》[J]，《中国人口·资源与环境》2015年第9期，第21-28页。

[14] 杜海波、魏伟、张学渊、纪学朋：《黄河流域能源消费碳排放时空格局演变及影响因素——基于DMSP/OLS与NPP/VIIRS夜间灯光数据》[J]，《地理研究》2021年第7期，第2051-2065页。

[15] 李云燕、盛清、代建：《基于DMSP-OLS与NPP-VIIRS整合数据的京津冀城市群碳排放时空演变特征》[J]，《环境工程技术学报》2023年第2期，第447-454页。

[16] 刘耀辉、刘文毅、仇培元、邢华桥、刘雨敏、王琪、邢笑天：《基于夜间灯光数据的东部七省市碳排放时空演变和监测评估》[J]，《测绘通报》2023年第12期，第38-44页。

[17] Gao Shanshan， Zhang Xiaoping and Chen Mingxing， “Spatiotemporal Dynamics and Driving Forces of City-Level CO2 Emissions in China From 2000 to 2019”[J]， Journal of Cleaner Production， 2022， 377： 134358.

[18] Wang Shaojian and Liu Xiaoping， “China's City-Level Energy-Related CO2 Emissions： Spatiotemporal Patterns and Driving Forces”[J]， Applied Energy， 2017， 200： 204-214.

[19] Wang Shaojian， Shi Chenyi， Fang Chuanglin and Feng Kuishuang， “Examining the Spatial Variations of Determinants of Energy-Related CO2 Emissions in China at the City Level Using Geographically Weighted Regression Model”[J]， Applied Energy， 2019， 235： 95-105.

[20] 王艳军、王孟杰、柳林、李少春、林云浩：《DMSP/OLS夜光数据的珠三角碳排放时空差异性分析》[J]，《遥感学报》2022年第9期，第1824-1837页。

[21] Fan Jian-shuang and Zhou Lin， “Impact of Urbanization and Real Estate Investment on Carbon Emissions： Evidence From China's Provincial Regions”[J]， Journal of Cleaner Production， 2019， 209： 309-323.

[22] Shi Chunxue， “Decoupling Analysis and Peak Prediction of Carbon Emission Based on Decoupling Theory”[J]， Sustainable Computing： Informatics and Systems， 2020， 28： 100424.

[23] Polloni-Silva Eduardo， Silveira Naijela， Ferraz Diogo， de Mello Diego Scarpa and Moralles Herick Fernando， “The Drivers of Energy-Related CO2 Emissions in Brazil： A Regional Application of the STIRPAT Model”[J]， Environmental Science and Pollution Research， 2021， 28（37）： 51745-51762.

[24] Rao Congjun， Huang Qifan， Chen Lin， Goh Mark and Hu Zhuo， “Forecasting the Carbon Emissions in Hubei Province Under the Background of Carbon Neutrality： A Novel STIRPAT Extended Model with Ridge Regression and Scenario Analysis”[J]， Environmental Science and Pollution Research， 2023， 30（20）： 57460-57480.

[25] Thio Ellen， Tan MeiXuen， Li Liang， Salman Muhammad， Long Xingle， Sun Huaping and Zhu Bangzhu， “The Estimation of Influencing Factors for Carbon Emissions Based on Ekc Hypothesis and STIRPAT Model： Evidence From Top 10 Countries”[J]， Environment， Development and Sustainability， 2022， 24（9）： 11226-11259.

[26] Wu Rong， Wang Jieyu， Wang Shaojian and Feng Kuishuang， “The Drivers of Declining CO2 Emissions Trends in Developed Nations Using an Extended STIRPAT Model： A Historical and Prospective Analysis”[J]， Renewable and Sustainable Energy Reviews， 2021， 149： 111328.

[27] 侯丽朋、唐立娜、王琳、钱瑶：《闽三角城市群碳达峰的多情景模拟分析》[J]，《生态学报》2022年第23期，第9511-9524页。

[28] 王勇、许子易、张亚新：《中国超大城市碳排放达峰的影响因素及组合情景预测——基于门限-STIRPAT模型的研究》[J]，《环境科学学报》2019年第12期，第4284-4292页。

[29] 丁乙、尹剑、姜洪涛、夏芮兹、卫丹琪、罗心愿：《珠三角碳达峰系统动力学预测》[J]，《环境工程》2023年第7期，第22-29页。

[30] 韩楠、罗新宇：《多情景视角下京津冀碳排放达峰预测与减排潜力》[J]，《自然资源学报》2022年第5期，第1277-1288页。

[31] 赵亚涛、南新元、王伟德：《基于LMDI-SD方法的火电行业碳排放峰值预测》[J]，《计算机仿真》2019年第10期，第116-120页。

[32] 杨峰、张贵驰、孙佶、谢放尖、揣小伟、孙瑞玲：《基于LEAP模型的长三角某市碳达峰情景》[J]，《环境科学》2024年第1期，第104-114页。

[33] Li Dezhi， Huang Guanying， Zhu Shiyao， Chen Long and Wang Jiangbo， “How to Peak Carbon Emissions of Provincial Construction Industry？ Scenario Analysis of Jiangsu Province”[J]， Renewable and Sustainable Energy Reviews， 2021， 144： 110953.

[34] Li Xiaojuan， Lin Chengxin， Lin Mingchao and Jim Chi Yung， “Drivers， Scenario Prediction and Policy Simulation of the Carbon Emission System in Fujian Province （China）”[J]， Journal of Cleaner Production， 2024， 434： 140375.

[35] Zhu Lin， He Lichun， Shang Peipei， Zhang Yingchun and Ma Xiaojun， “Influencing Factors and Scenario Forecasts of Carbon Emissions of the Chinese Power Industry： Based on a Generalized Divisia Index Model and Monte Carlo Simulation”[J]， Energies， 2018， 11（9）： 2398.

[36] Paustian Keith， Ravindranath N. H. and Amstel Andre Van， “2006 IPCC Guidelines for National Greenhouse Gas Inventories”[R]， International Panel on Climate Change， 2006.

[37] Liu Zhu， Guan Dabo， Wei Wei， Davis Steven J.， Ciais Philippe， Bai Jin， Peng Shushi， Zhang Qiang， Hubacek Klaus， Marland Gregg， Andres Robert J.， Crawford-Brown Douglas， Lin Jintai， Zhao Hongyan， Hong Chaopeng， Boden Thomas A.， Feng Kuishuang， Peters Glen P.， Xi Fengming， Liu Junguo， Li Yuan， Zhao Yu， Zeng Ning and He Kebin， “Reduced Carbon Emission Estimates From Fossil Fuel Combustion and Cement Production in China”[J]， Nature， 2015， 524（7565）： 335-338.

[38] Shan Yuli， Liu Jianghua， Liu Zhu， Xu Xinwanghao， Shao Shuai， Wang Peng and Guan Dabo， “New Provincial CO2 Emission Inventories in China Based On Apparent Energy Consumption Data and Updated Emission Factors”[J]， Applied Energy， 2016， 184： 742-750.

[39] Lu Chunyan， Li Lin， Lei Yifan， Ren Chunying， Su Ying， Huang Yufei， Chen Yu， Lei Shaohua and Fu Weiwei， “Coupling Coordination Relationship Between Urban Sprawl and Urbanization Quality in the West Taiwan Strait Urban Agglomeration， China： Observation and Analysis From DMSP/OLS Nighttime Light Imagery and Panel Data”[J]， Remote Sensing， 2020， 12（19）： 3217.

[40] Xiao Hongwei， Ma Zhongyu， Mi Zhifu， Kelsey John， Zheng Jiali， Yin Weihua and Yan Min， “Spatio-Temporal Simulation of Energy Consumption in China's Provinces Based on Satellite Night-Time Light Data”[J]， Applied Energy， 2018， 231： 1070-1078.

[41] Shi Kaifang， Chen Yun， Yu Bailang， Xu Tingbao， Chen Zuoqi， Liu Rui， Li Linyi and Wu Jianping， “Modeling Spatiotemporal CO2 （Carbon Dioxide） Emission Dynamics in China From DMSP-OLS Nighttime Stable Light Data Using Panel Data Analysis”[J]， Applied Energy， 2016， 168： 523-533.

[42] Zhou Yuan， Chen Mingxing， Tang Zhipeng and Zhao You， “City-Level Carbon Emissions Accounting and Differentiation Integrated Nighttime Light and City Attributes”[J]， Resources， Conservation and Recycling， 2022， 182： 106337.

[43] 常建波、付兴涛、郑美君、郝舒哲：《能源消耗碳排放的时空演变与预测：基于山西省夜间灯光数据》[J]，《环境科学与技术》2023年第3期，第81-89页。

[44] Shan Yuli， Guan Yuru， Hang Ye， Zheng Heran， Li Yanxian， Guan Dabo， Li Jiashuo， Zhou Ya， Li Li and Hubacek Klaus， “City-Level Emission Peak and Drivers in China”[J]， Science Bulletin， 2022， 67（18）： 1910-1920.

[45] 王少剑、莫惠斌、方创琳：《珠江三角洲城市群城市碳排放动态模拟与碳达峰》[J]，《科学通报》2022年第7期，第670-684页。

[46] 同[45]。

[47] Zhang Fan， Deng Xiangzheng， Xie Li and Xu Ning， “China's Energy-Related Carbon Emissions Projections for the Shared Socioeconomic Pathways”[J]， Resources， Conservation and Recycling， 2021， 168： 105456.

[48] Huo Tengfei， Ma Yuling， Cai Weiguang， Liu Bingsheng and Mu Lingling， “Will the Urbanization Process Influence the Peak of Carbon Emissions in the Building Sector？ A Dynamic Scenario Simulation”[J]， Energy and Buildings， 2021， 232： 110590.

[49] Muntean Marilena， Janssens-Maenhout Greet， Song Shaojie， Giang Amanda， Selin Noelle E.， Zhong Hui， Zhao Yu， Olivier Jos G. J.， Guizzardi Diego， Crippa Monica， Schaaf Edwin and Dentener Frank， “Evaluating Edgarv4.Tox2 Speciated Mercury Emissions Ex-Post Scenarios and Their Impacts on Modelled Global and Regional Wet Deposition Patterns”[J]， Atmospheric Environment， 2018， 184： 56-68.

注释：

①人民网：《深入分析推进碳达峰碳中和工作面临的形势任务 扎扎实实把党中央决策部署落到实处》[DB/OL]，2022年1月26日，http：//cpc.people.com.cn/n1/2022/0126/c64094—32339885.html，访问日期：2024年5月20日。

②新华社：《粤港澳大湾区经济总量突破13万亿元人民币》[DB/OL]，2023年3月22日，https：//www.gov.cn/xinwen/2023-03/22/content_5747768.htm，访问日期：2024年4月28日。

③香港贸发局经贸研究：《粤港澳大湾区统计数字》[DB/OL]，https：//research.hktdc.com/sc/article/MzYzMDE5NzQ5，

访问日期：2024年4月28日。

作者简介：徐维军，华南理工大学工商管理学院教授，广州金融服务创新与风险管理研究基地主任。肖宇光，广州金融服务创新与风险管理研究基地研究员，华南理工大学工商管理学院工业工程与管理专业硕士。

【基金项目】教育部人文社会科学研究规划项目“绿色金融支持我国‘双碳目标实现路径研究”（22YJA630099）、广东省哲学社会科学规划项目“绿色金融支持粤港澳大湾区双碳先行示范研究”（GD23CGL10）、广州市哲学社会科学规划课题“广州统筹推进碳达峰碳中和与经济社会协同发展研究”（2023GZYB09）成果。

责任编辑：李    钧