京津冀地区碳排放趋势的机器学习组合预测研究

摘要：2020年中国明确提出“双碳”战略目标，京津冀作为北方最具活力的城市群，是能源消费量大、碳排放量高的地区之一，其碳减行动对全局有着重要影响。基于此本文采用“三种范围”的碳排放核算方法估算1990-2022年京津冀“两市一省”与区域整体碳排量，并从经济、社会、环境、能源、技术五个方面出发得出如下结论：1．京津冀碳排放主要经历高速增长、调控增长和绿色转型3个阶段。2．京津冀碳排影响最显著的是能源和技术方面：北京市碳排影响程度较大的则为技术和社会方面：天津市主要影响因素为经济和技术方面：河北省则是能源和社会方面。3．不同情景下碳排放总量都呈现先升后降的“倒U”型趋势，高碳情景下，京津冀地区将在2032年达“碳达峰”；在基准情景下将于2030年达峰值；低碳情景下于2028年达峰值。政策建议：规划部署京津冀区域生态环境协同发展：因省制宜下放切合当地经济实际的政策文件：完善节能减排机制体系。

关键词：京津冀地区；“碳达峰”；碳排放；组合预测模型；情景分析

基金项目：河北省社会科学基金项目“‘以人民为中心’的地方政府治理转型进程及评价研究”（HB2ITJ005）

中图分类号：F207；X196 文献标识码：A

文章编号：1674-537X（2024） 07. 0025-14

一、引言

目前全球气候变化逐渐成为人类发展面临的最大非传统安全挑战。2024年3月，国际能源署发布《2023年全球碳排放报告》指出，2023年全球与能源相关的二氧化碳排放量达到创纪录的374亿吨，较上一年增加4.1亿吨，增幅1.1%。温室气体过量排放将导致极端天气问题，不仅威胁人类生存环境，而且对全球经济、社会稳定与发展构成挑战。全球气候变化日益严峻，世界各国关注倍增，相继推出应对策略。国际方面2016年170多个国家的领导人在巴黎气候大会上共同签署《巴黎协定》，为减少温室气体排放共同应对全球气候变化挑战：2017年29个国家签署《碳中和联盟声明》，为全球气候治理注入了新活力。

中国设定明确的碳减排目标、推进碳达峰和碳中和等多项措施。2020年12月，中国明确提出“双碳”战略目标，即二氧化碳排放力争于2030年前实现碳达峰，努力争取2060年前实现碳中和。2024年3月，国家发布《贯彻实施＜国家标准化发展纲要＞行动计划（2024-2025年）》，旨在推动国家标准化工作的深入发展，表明我国致力于推进绿色低碳发展的决心。

聚焦于京津冀地区，《2015年京津冀协调发展规划纲要》明确京津冀地区的整体定位为“以首都为核心的世界级城市群、区域整体协同发展改革引领区、全国创新驱动经济增长新引擎、生态修复环境改善示范区”。京津冀作为北方最具活力与潜力的城市群，也是能源消费量大、碳排放量高的地区之一。因此，京津冀碳减行动对全局有重要影响。京津冀“双碳”重要使命的推进有利于改善环境质量，对促进绿色低碳发展，构建良好生态文明具有重要影响。

京津冀碳排放总量十年时间由3.6亿吨上升至11.6亿吨，占全国比重超10%。北京自2010年碳排放达峰值后呈现波动下降趋势，但天津、河北碳排放量总体仍呈上升趋势。未来规划中，北京计划“碳排放稳中有降，碳中和迈出坚实步伐”，天津提出“推动绿色低碳循环发展，完善生态环境保护机制体制”，河北将“制定实施碳达峰、碳中和中长期规划”“加快推进碳达峰碳中和进程”。规划中同时提到，争取北京在2025年前率先达峰，河北在2035年前碳达峰。

本文将采用STIRPAT模型、机器学习算法等方法研究以下问题：明确京津冀目前碳排放量现状、深入研究影响碳排放的主要因素、预测京津冀未来碳排放趋势。深化对碳排放的动态理解，为低碳经济理论提供实证基础，丰富现有的低碳经济理论：促进经济与环境协调发展：对碳减排策略的科学制定与实施：增强区域环境治理能力具有理论与现实的双重意义。

二、文献综述

近年来，矿物燃料的使用放出大量温室气体，臭氧层遭到破坏严重威胁了人们的居住环境。为减少碳排污染，近年来越来越多学者对未来碳排放情况进行预测。

（一）国外相关研究

国外研究聚焦于我国碳排放的时空演变趋势。Huang H、Zhou J（2022）探讨省级地区碳排放和碳补偿的空间和时间差异模式研究，采用碳排放系数法计算碳排放和碳吸收来分析土地利用碳排放和碳吸收的趋势。Sun W等（2022）从碳排放效率角度出发，应用随机前沿分析筛选影响碳强度的因素，构建碳排放强度预测模型分析碳排效率，发现碳排效率与碳排强度之间存在高相关性并且经济发展水平、产业结构等因素对碳排强度有显著负向作用，能源消费结构和对外贸易依赖度会对碳排强度有显著正向作用。Zeng Yuan等（2023）通过系统动力学构建SD模型评估北京—天津—河北城市群碳排放驱动因素的框架，肯定调整工业结构的重要性，认为单一政策措施调整能源结构对减少碳排放最有效。

（二）国内相关研究

国内从能源结构、产业结构、经济规模等方面开展碳排放的研究。张翠菊（2017）等发现我国省域碳排放强度具有明显的空间相关特征，能源结构、能源禀赋、产业结构的提高会增加区域碳排放强度。王霞（2020）等发现，经济规模扩大会造成高碳制造业碳排放量增加，而产业结构调整会导致碳排放减少。

还有学者运用STIRPAT模型对碳排放影响因素进行相关研究，如：王建雄等（2021）通过LMDI法和STIRPAT模型分析京津冀的碳排放量及其影响因素，发现地区碳排放受产出规模效应、能源强度效应的影响较大；张兵兵等（2023）利用校准的夜间灯光数据，对不同城市碳达峰驱动因素进行分析，发现固定资产投资和人均碳排放量对碳排放有显著正向作用，产出碳强度和投资结构对碳排放有显著负向影响。

刘春梅等（2023）结合Lasso和机器学习（SVF、RF、BP神经网络）构建碳排放量预测模型测算能源消费的碳排放量，进行情景分析探究中国未来碳达峰时间及碳中和的可行性：霍腾飞等（2024）构建“城镇化-建筑碳排放”模型，揭示影响建筑碳排放相关因素，采用多情景分析方法对京津冀地区2020 - 2050年建筑碳排放演变趋势和达峰情况进行动态模拟。

（三）研究述评

上述研究多采用单一的STIRPAT模型或机器学习模型研究影响因素对碳排放量的影响或预测未来碳排趋势，未考虑影响因素对碳排可能存在线性和非线性影响。因此本文基于京津冀碳排放量和影响因素指标采用Lasso筛选相关变量。构建线性、非线性和组合预测模型确定最佳预测模型，并结合情景分析研究不同情景下的碳达峰时间及峰值，为未来的碳减排提供合理化建议。

三、数据说明及京津冀三省碳排放趋势情况

（一）数据来源与指标选取

1．指标选取

本文选取1990-2022年北京、天津、河北三省作为研究样本。在现有碳排放研究基础上，构建经济、社会、环境、能源、技术五个方面共二十一个指标的碳排放影响因素指标体系。

预测变量为京津冀碳排放量，单位亿吨。在测算碳排放量时，采用丛建辉等（2014）提出的核算方法。通过直接与间接排放的分类，利用范围1（使用活动水平数据与排放因子的乘积）、范围2（电力、热力部门的排放核算）和范围3（生命周期视角测度）的排放划分，避免重复计算以确保核算的全面性和准确性。

影响因素指标体系：经济因素包括外商直接投资、经济水平、各产业结构和工业结构；社会因素主要有人口规模、城市化率、交通发展水平、固定资产投资等社会经济指标：各省市森林覆盖率作为环境因素反映自然环境对碳排放的调节作用。通过研发强度、技术市场成交额、垃圾处理率和科技成果等指标，反映技术创新对降低碳排放的潜在贡献。

能源因素中能源消耗总量直接反映一个地区在一定时间内对能源的需求和消耗规模。能源强度是指单位GDP所需的能源消耗量，通常用来衡量一个地区能源使用的效率。能源消费结构和各类能源占比是清洁能源使用占比和化石燃料依赖程度的侧面体现。

2．数据来源与预处理

预测变量碳排放量来源于马克数据网。经济、社会和技术因素中变量的原始数据均来源于《中国统计年鉴》与国家统计局数据库。环境因素中的森林覆盖率取自《中国环境统计年鉴》以及各地的统计年鉴等。

能源因素中变量的数据均来源于《中国能源统计年鉴》。其中计算能源消耗总量时所使用的“折标准煤系数”源自2008年《中国能源统计年鉴》中的换算方法，为：煤炭为o．7143kg标煤/kg、焦炭为0. 9714kg标煤/kg、原油和燃料油为1.4286kg标煤/kg、汽油和煤油为1.4714kg标煤/kg、柴油为1.4571kg标煤/kg、天然气为13. 3t标煤／t、电力为1.229t标煤／万kW·h。

研究中首先对数据质量进行评估并进行预处理。通过确定缺失值的分布，采用多重插补和时间序列预测填补缺失值，鉴于某些变量的缺失值比例较高，决定放弃该变量以减少数据的不完整性。过程中，尽量保持数据的完整性和分析的准确性，确保填补后的缺失值能够合理地反映原始数据的特征。

（二）模型评价指标概述

本文选取五个量化指标综合评估模型性能。其中MSE、RMSE、MAE的指标范围为[0，+），NRMSE、MAPE的指标范围为[0，1]，其结果值越大，则表示误差越大，模型的效果越差。模型评价指标如下表。

（三）碳排放趋势分析及能源消费现状

1．碳排放总量

图1显示京津冀整体在2000-2022年碳排放总量呈现波动上升趋势，且增长速度有所放缓；而碳排放增速在1997年高达20. 5%。增长率先于碳排放总量下降表明每单位经济活动的碳排放强度在降低，节能减排政策开始显现效果。综合碳排放总量及增速对应京津冀经济发展历程可分为三个主要阶段：

（1）高速增长阶段（1990-2004）：

该时期是改革开放初期，经济进入高速增长期，工业化和城市化进程加速，大量外资流入经济全球化。此阶段，碳排放量因工业扩张和能源需求增加而显著上升，碳排放增长率处于高位。

（2）调控增长阶段（2005-2015）：

2006年，我国在“十一五”规划中首次提出节能减排目标——单位国内生产总值能耗降低20%左右，主要污染物排放总量减少10%的约束性指标；2011年“十二五”规划中再次明确节能减排目标，开始实施环保法规，推动环保意识的提升和污染治理措施的加强，碳排放增速开始放缓。

（3）绿色转型阶段（2016-2022）：

“十三五”规划更加注重生态文明建设和绿色发展，积极参与全球气候治理，提出并实施减排承诺，推动能源结构优化和绿色技术创新。并于2020年宣布的2060年前实现碳中和的目标进一步加速产业结构转型，更加注重清洁能源，碳排放得到有效控制，碳排放增速显著回落。

三个阶段结合国家相应政策和发展阶段从更为宏观的视角理解京津冀碳排放趋势的演变。一定程度上反应了京津冀的节能减排策略取得效果，然而实际碳排放变化可能受到多种因素影响，因此进一步讨论各省的能源消费量以探究其能源特征。

2．能源消费特征分析

对比京津冀能源消费情况，由图2可知京津冀能源消费量总体上呈上升趋势，河北省能源消费量远超北京和天津占据领先地位。从增速上看，河北省增速从2011年开始放缓，北京市长期处于较低水平而天津从2010年超越北京后呈明显加速上涨趋势。

由图3可知能源消费总量趋势与各省的趋势相同，而京津冀总体于1998-2005年处于快速增长趋势，并于2005年达到峰值17. 34%，此后增速逐渐减缓。增速的下降说明从“十一五”开始，减排政策对减少碳排放增速起到了积极作用，单位能源使用效率得到提高。

四、基于京津冀地区碳排放预测模型的构建

基于前章对京津冀碳排放量现状描述分析，建立“扩展- STIRPAT模型”、RF、XGBoost、BP神经网络和组合预测模型并通过对比误差指标，选出最优模型。

（一）影响因素筛选及指标解释

在一定样本量的情况下，因素指标较多可能造成过拟合和多重共线。为避免该情况发生，使用多重共线性检验判断影响因素指标之间是否显著相关。并采用Lasso回归对变量进行筛选。

1．多重共线性检验

多重共线性表现为解释变量之间存在相关关系。检验方法主要采用：相关系数检验、方差膨胀因子检验和条件数检验等。

（1）相关系数检验

对各影响因素进行相关性检验，对于连续的数值型变量采用Pearson相关性检验。Pearson积矩相关公式为：

相关系数，的数值越大，表明两个因素之间的相关关系越高，对影响碳排量的21个指标计算相关系数，结果如下：

由热力图得大多数变量间相关系数大于0.8，表示存在高正（负）相关性，因此可初步推断变量之间存在共线性。

（2）条件数检验

由相关系数检验结果大致推断出影响因素间存在严重的多重共线，因此采用定量检验方法来确定变量间是否存在共线性及程度大小。计算公示如下：

k=-λmax（X'X）/λmin（X'X）（2）

其中，X为影响因素变量矩阵，λmax （X'X）和λmin （X'X）分别是矩阵X'X的最大、最小特征根。直观上，条件数k越大，特征根差异越大，多重共线程度越大。实践中，当k＜100时，一般认为多重共线的程度很小：当100＜k ＜1000时，认为存在中等程度或较强的多重共线：当k ＞1000时，认为存在严重的多重共线。本研究使用R软件计算出条件数k =109177. 26，远远大于1000，所以确定碳排放影响因素间存在严重多重共线性。

2．影响因素筛选

为削弱多重共线性影响，研究者多采用逐步回归和岭回归的方法。本研究采用Lasso回归对影响因素筛选，理由如下：Lasso回归与岭回归相比，可以将不重要变量的回归系数压缩至零。接下来将归一化后的数据使用Lasso回归对影响因素进行分析。

图5曲线代表自变量系数的变化轨迹，纵坐标是影响因素回归系数值，下横坐标是log（λ），上横坐标是此时模型中非零系数个数。接下来使用10折交叉验证来对Lasso回归模型进行调优。

图6的下横坐标为log（λ），上横坐标为筛选出的变量个数，纵坐标为均方误差，y轴越小表示模型拟合效果越好。红色虚线表示误差最小时的入值，此时模型拟合效果最好，用min表示：黑色虚线表示误差最小的1个标准误处的lambda值，此时模型拟合也较好，且纳入模型变量较少，用1se表示。由min和1se筛选出的变量个数只相差1个，因此本文选min对应的lambda值作为Lasso回归的最优参数，即入=o．003500902。最终筛选出的变量如下：

得出通过交叉验证择优，并将系数为0的变量剔除后，最终得到10个影响变量：经济因素：SIS、TIS；社会因素：P、PCO；能源因素：EI、CCR、TPC、ES;技术因素：Ramp;D、HT。

（二）线性模型构建

STIRPAT模型是一种常用于环境和经济影响评估的模型，该模型主要包括人口因素、富裕程度和技术因素，扩展-STIRPAT模型是对自变量进行因素分解或增加自变量。鉴于本文以京津冀碳排放量做因变量，依据Lasso回归筛选出的影响变量作为自变量进行回归。构建扩展- STIRPAT模型对京津冀现实情况进行分析。即：

C=a×SISb1×TISb2×Pc1×PCOc2×EId1×CCRd2×TPCd3×ESd4×R＆Dei×HTe2×ε（3）

式中a代表模型拟合系数，b、c、d、e代表解释变量重要程度，ε为误差项。接下来对扩展模型取对数，以消除时间序列波动变化趋势，变换模型如下：

InC=a+b1lnSIS+b2lnTIS+c1lriP+c2lnPCO+d1lnEI+d2lnCCR+d3lnTPC+d4lnES+e1lnRamp;D+e2lnHT+ε（4）

为能对各省份提出针对性建议，依据上节变量筛选过程分别对两市一省影响因素进行筛选，并进行“扩展-STIRPAT”模型分析。结果如下：

京津冀整体扩展- STIRPAT模型为：

InC=-2.822 -0.213lnS/S -0.098lnT/S+0. 268lnP-0.041lnPCO -0.024lnE/-0.5661lnCCR -0.029lnTPC+1.007nES+0. 206lnRamp;D+0.419lnHT（5）

由于政府正对各方面因素进行优化改进，但碳排放量仍在上升，因此本次回归系数符号可能与理论相反。通过比较回归系数绝对值来探究各影响因素对碳排放量的强度。京津冀整体碳排影响因素主要是ES、CCR和HT，当前我国能源获取仍是依靠煤炭类能源燃烧，因此煤炭类能源消费占比越高，碳排放量越多：生活垃圾燃烧会产生大量废气和二氧化碳，因此无害化处理与碳排放量之间是负向关系。综上京津冀应加大煤炭类能源燃烧和垃圾无害化处理的控制力度。

针对分地区得出：北京市碳排影响因素主要为HT和P；天津市主要影响因素为TIS和HT；河北省则是ES、CCR和P。鉴于此得出不同地区影响碳排放主要因素不同，因此应因省（市）制宜、统筹安排、下放切合当地经济实际的政策文件。

为择出最优预测模型对划分为8：2的训练集和测试集进行预测评价。

预测误差表得出训练集和测试集的MSE、MAE都较小，且测试集的NRMSE和MAPE都处于3-4%，相对来说模型预测结果较好，比较可靠。模型各年份的预测值与实际值如图。

图7显示预测值在实际值上下波动且增幅趋势大致相同，说明STIRPAT模型拟合好。

（三）非线性预测模型构建

考虑到影响因素变量对碳排放量可能存在非线性情况，因此采用机器学习算法中的RF、XGBoost和BP神经网络构建预测模型。对数据进行如上模型预测，模型拟合效果如表6。

从整体看不同算法的训练集误差均小于测试集误差。虽然训练集中XGBoost模型MSE、MAE和RMSE明显小于BP神经网络和RF，但在测试集中BP神经网络和RF的MAE大约为XGBoost的4/5，且MSE和RMSE明显更小。测试集中RF和BP神经网络模型的NRMSE分别为4.39%和4.33%，而XG-Boost为5.88%。综上，BP神经网络模型的预测效果优于RF和XGBoost模型，预测结果更准确，能更好地反映未来碳排量和趋势。模型拟合图如图8。

（四）组合预测模型构建

基于前文模型预测结果，同时考虑到不同模型可能侧重信息不同，因此将线性与非线性模型进行组合。虽然模型变量间会存在共线性，但是使用线性回归并不会影响参数估计量的无偏性，故本次模型组合方法采用线性组合。组合预测模型为STIR-PAT-RF/XGBoost/BP神经网络和STIRPAT - RF -XGBoost-BP神经网络。对数据进行如上模型预测，其模型拟合效果如表7。

由误差表可看出无论是训练集还是测试集误差指标均相对单一指标有所下降。测试集中STIRPAT-BP组合预测模型的误差指标相对最小，其中MSE为0．08623，MAE为0．26719，RMSE为0. 29366，NRMSE为2.82%，MAPE为3.08%，训练集误差指标也相对较小。综上STIRPAT-BP组合预测模型的预测效果更好，预测结果更准确，可以更好地反映未来碳排量和趋势。得到STIRPAT - BP模型回归方程系数见下表8。

表得，组合预测值与真实值之间存在着一定的线性关系，R2=0．9951＞0．8，可见拟合效果好；F= 3060，对应P=0.000＜0.05，认为在0.05的显著性水平下，回归方程拟合效果显著：同时自变量系数所对应的t统计量P值均小于0. 05，认为在0. 05的显著性水平下，自变量系数解释效果显著。得到最终预测函数为：

C=0. 0875+0.7539XSTIRPAT+0.2415XBP（6）

各组合预测模型拟合图如图9。

（五）模型对比

为确定最优预测模型，对比不同类型的最优模型误差，结果如表9。

表得STIRPAT-BP对STIRPAT的NRMSE指标降低了0．7%，MAPE指标降低0．65%：STIRPAT -BP对BP神经网络的NRMSE指标降低1. 51%，MAPE指标降低1.06%。综上，STIRPAT-BP模型各误差指标相对于STIRPAT和BP神经网络模型更小，因此京津冀碳排量预测最优模型为STIRPAT-BP组合预测模型。

五、基于京津冀地区碳排放量情景分析

本节针对京津冀发展目标和区域一体化战略使用情景分析法，并利用最优模型对京津冀2020 -2035年碳排放的趋势进行预测。

（一）情景设定与描述

本次情景分析设置三种情景：基准情景是指在特定条件下的预期水平，表示按照国家和京津冀发展规划及各政府的政策要求调整结构，使京津冀未来碳排放按照现阶段的目标发展：低碳情景表示在完成京津冀各政府原定经济未来规划的前提下，进一步落实可持续发展战略：高碳情景表示京津冀各地政府将以经济发展作为战略规划的主要目标，不采取针对性强的减排手段，放任该地区的能源消费与碳排放的持续上涨。

（二）影响变量参数设置

1．经济因素参数设置

关于京津冀经济因素参数的情景设定，《关于政协十三届全国委员会第四次会议第0863号提案答复的函》指出进一步推动京津冀协同发展、经济结构优化提升，构建绿色低碳循环发展经济体系：由《河北省国民经济和社会发展第十四个五年规划和=O三五年远景目标纲要》中指出“十三五期间”三次产业结构由2015年11.7：43.7：44.6调整为10.7：37.6：51.7，服务业占比超50%；《天津市国民经济和社会发展第十四个五年规划和二〇三五年远景目标纲要》中指出“十三五期间”服务业质量效益提升，比重提高到64. 4%；《北京市“十四五”时期高精尖产业发展规划》指出大力发展高精尖产业，提出2025年以高精尖产业为代表的实体经济根基更加稳固，2035年基本实现产业治理能力现代化。

本文将2016-2020年第二三产业结构年均增速谈定为2020-2025年的低碳情景，基准高碳情景都基于低碳情景对应时期，根据实际上下浮动0. 5%左右，而2026-2030与2031-2035年增速分别基于2020-2025年，根据实际上下浮动0.5%左右，得到的第二三产业结构年均增速情景设定，见表10-11。

2．社会因素参数设置

关于京津冀地区社会因素参数情景设定，《国家人口发展规划（2016-2023年）》指出十二五期间年均自然增长率保持在0．5%左右，到2030年人口均衡发展态势基本形成，达14.5亿人左右；《河北省人口发展规划（2018-2035）》指出依据国家目标，至2035年人口增加到7910万；《天津市人口发展“十四五”规划》指出至2025年本市人口达1500万左右；《北京城市总体规划（2016年-2035年）》指出调整人口空间布局，2020年城六区常住人口控制在1085万，2035年控制在1085万内，城六区以外平原和山区保持人口规模基本稳定。依据边际效应递减理论得各省市私人汽车拥有量的增速将逐渐放缓。

2021年三胎开放，根据二孩政策的完成结果设定京津冀地区的人口规模年均增长率，即短时间会发生一定比例的人口增长，但长时间不会有大范围波动。按2016-2020年全国常住人口年均增速设定2020-2025高碳情景，基准低碳情景都以高碳情景对应期为准向下浮0. 7%0左右，而且2026-2030与2031-2035年增速基于2020-2025年的增速向下浮动0．5‰左右：京津冀私人汽车拥有量按2016 -2020年增速设为2020-2025年高碳情景，基准低碳情景都以高碳情景对应时期为准向下浮0．7%左右，且2026-2030与2031- 2035年增速基于2020-2025年增速向下浮动0．4％左右，得到社会因素情景设定，见表12 -13。

3．能源因素参数设置

关于京津冀能源因素参数设定，《2030年前碳达峰行动方案》指出优化能源结构，到2025年能源消费量控制在60亿吨标煤内，非化石能源消费比重达20％，单位GDP能源消耗比2020年下降13. 5％，到2030年非化石能源消费比重达25%：在煤炭消耗方面推进煤炭消费替代和转型升级，十四五时期合理控制煤炭消费增长，十五五时期逐步减少；针对电力，《能源生产和消费革命战略》指出到2030年，非化石能源发电量占全部发电量的比重力争达到50%。

《河北省国民经济和社会发展第十四个五年规划和二〇三五年远景目标纲要》指出十四五时期单位GDP能源消耗降低15%；《天津市“十四五”节能减排工作实施方案》提到2025年能源消费得到合理控制，全市单位GDP能源消耗比2020年下降14. 5％，非化石能源占能源消费量比重力争比2020年提高4％以上，煤炭消费量下降10％；《北京市“十四五”时期能源发展规划》指出到2025年能源消费量控制在8050万吨标煤，单位GDP能耗降幅达到国家要求，煤炭消耗量占比控制在0. 9%，2035年能源消费量进入达峰平台期，力争控制在9000万吨标煤左右。

查阅文献将2016-2020年各能源因素年均增速设为2020- 2025年高碳情景，基准低碳情景都以高碳情景对应时期为准，其中能源结构和煤炭消费占比向上浮0. 7％左右，电力消费总量和能源强度上下浮0. 4％左右，2026 - 2030与2031- 2035年增速分别基于2020-2025增速根据实际上下浮动0.3-0. 5％左右，得能源因素年均增速设定，见表14-17。

4．技术因素参数设置

关于京津冀技术因素参数设定，《河北省科技创新“十四五”规划》提出到2025年全社会研究与试验发展经费投入年均增长10%，基础研究经费占全社会研发经费比重达到4%，2035年全省科创实力大幅提升；《天津市科技创新“十四五”规划》提出到2025年Ramp;D经费支出占GDP比重达到3. 3％；《北京市“十四五”时期国际科技创新中心建设规划》提出到2025年全社会研发经费支出占GDP比重保持在6%。国家统计局年度数据显示2020年生活垃圾无害化处理率达到99. 9%，因此不需设置参数。

基于文件和文献将2016-2020年研发强度年均增速设为2020-2025年高碳情景，基准低碳情景都以高碳情景对应时期为准，向上浮0．5%左右，而2026- 2030与2031- 2035年增速分别基于2020 -2025增速向上浮动0. 3％左右，得到研发强度年均增速设定：

（三）情景趋势预测结果分析

将STIRPAT - BP神经网络组合预测模型对2020-2035年京津冀碳排趋势预测，绘制不同情景京津冀碳排量趋势：

三种情景碳排量是呈倒U趋势，图中的参照线代表不同情景下碳达峰时间。高碳情景下，京津冀将在2032年达峰值，基准情景下于2030年达峰值，低碳情景于2028年达峰值。其中《2030年前碳达峰行动方案》确保在2030年前如期实现达峰目标，因此基准或低碳情景下可达国家总体目标要求。说明低碳发展战略对实现双碳目标具有促进作用，且减排力度越大双碳目标越早实现。

表19显示基准情景碳达峰值为14. 71576680亿吨，低碳情景碳达峰值为14. 10827998亿吨，高碳情景碳达峰值为14. 97275036亿吨。该结果与学者苑清敏等所得研究结论相差不大，再次证明结果的可靠性。

六、结论与建议

（一）结论

本文利用STIRPAT、机器学习、组合预测模型和情景分析方法得出如下结论：

1．中国碳排放主要经历了从1990-2004年的高速增长、2005 - 2015年的调控增长和2016-2022年的绿色转型3个阶段。

2．不同地区影响碳排放的主要因素不同，京津冀整体的碳排主要影响因素是能源结构、煤炭消费占比、生活垃圾无害化处理率、人口规模、能源强度、第二产业结构、研发强度、第三产业结构、交通水平和电力消费总量共10个。针对分地区可得：北京市碳排影响因素主要为生活垃圾无害化处理和总人口：天津市主要为第三产业结构和生活垃圾无害化处理率：河北省则是能源结构、煤炭消费占比和总人口。

3．考虑到影响因素对预测变量存在线性和非线性关系，采用线性模型、机器学习模型和组合预测模型进行线性预测，经过误差对比后，得到组合预测模型的预测效果最优，其中STIRPAT-BP预测效果最佳。

4．对低碳、基准和高碳情景进行模拟，碳达峰时间分别为2028年、2030年、2032年，且峰值依次降低。根据3种模拟结果比较和《2023年前碳达峰行动方案》，得出低碳和基准情景都完成了2030年前实现碳达峰的目标。

（二）建议

1．政府层面

第一，因省制宜、统筹安排、下放切合当地经济实际的政策文件。不同地区影响碳排放的主要因素不同，北京市应着眼于生活垃圾合理化治理、推广厨余垃圾堆肥、提高可回收垃圾的回收利用率等方面优化生活垃圾的处理方式，推广绿色生活方式：天津市应合理规划绿色产业结构，大力发展清洁能源技术等环保产业，优化第三产业结构，助推绿色低碳发展：河北省应加速创建低碳高效的能源体系，淘汰高污染、高耗能、低产出企业，坚持差异化发展战略，因地制宜地选择发展领域，实现能源结构的绿色转型。

第二，建设并完善节能减排机制体系。政府提高对京津冀地区的政策扶持力度，贯彻实行《低碳出行碳减排量核算技术规范》，推动碳普惠共建共享互认，加快建立并完善节能减排的机制体系。低碳情景下，应确立并完善碳排放的核算与核查标准，构建高度监控能力和广泛覆盖面的评价指标体系：建立和完善京津冀生态补偿和绿色发展奖惩机制，鼓励社会资本投资减排工程，同时完善对京津冀碳排放总量限制的相关政策等。

2．企业层面

第一，加大技术创新投入，提高研发强度。能源技术创新方面，企业应继续推进关键技术攻关，积极研究并推行绿色低碳技术、负碳排技术、脱碳技术；同时重视相关科研人员的技术培养，发挥人才优势，聚焦技术前沿，助推重要技术困难的攻关。第二，加强与其他企业的技术合作与交流。在推进自身科技创新研发的同时，企业更应深化与国内乃至国际企业的交流与合作，共同培育绿色、低碳的思维方式，拓宽国际视野，加速绿色科技创新体系的构建，以实现可持续发展的长远目标。

3．社区及个人层面

第一，低碳社区，绿色生活。建设低碳社区，鼓励全社会践行资源节约、绿色低碳的生活模式。日常生活中，鼓励居民从“衣、食、住、行、用”不同方面践行低碳行为，如：开展低碳家庭创建活动；制定和发布社区低碳生活指南等。第二，低碳理念，深入人心。学习绿色低碳生活思想，积极参与多样化的低碳生活推广活动，深入理解和实践低碳生活，让低碳理念围绕生活方方面面。

（本文通讯作者：张剑荣）