区域协同背景下长三角地区碳达峰预测

摘 要：长三角地区是中国重要的区域协同发展示范区，预测该地区的碳排放，实现区域协同背景下长三角地区早日碳达峰对我国完成2030年前碳达峰目标具有重要意义。本研究基于2000-2021年长三角能源消费碳排放数据，通过灰色关联分析筛选出人口规模、经济增长、城镇化率等六个自变量，结合岭回归方程建立三省一市的STIRPAT模型，根据政策文件和当前社会发展对低碳、基准、高碳情景下设定年均因素变化率，预测不同情景下碳达峰时间和峰值。结果表明，低碳和基准情景均可以在2030年前实现碳达峰，高碳情景下无法完成。本研究的结果为长三角地区的碳减排和可持续发展提供了科学依据和决策支持。

关键词：区域协同；STIRPAT模型；碳排放；情景预测

中国近十年来社会快速发展的同时也产生了大量温室气体，且其碳排放量远远高于世界第二的美国，当前已经是世界上最大的能源消费国和CO2排放国。2020年中国政府已承诺在2030年左右实现整体碳排放达峰，并且尽最大努力尽早达峰[1]，而丁仲礼院士《中国“碳中和”框架路线图研究》的报告中表明，制度的协调和区域的协同不仅能够提高效率而且能够减少额外成本。从区域协同发展的视角探讨碳中和目标下的碳排放问题，不仅具有一定的创新性，而且为现有的能源转型理论、低碳经济理论提供具有资源联系的研究视角，丰富新的理论依据[2]。围绕碳排放的研究当前是国内外热点，主要集中在碳排放效率[3～4]、碳排放时空格局[5～6]、碳排放影响因素和趋势预测以及碳减排新技术[7～9]。本文主要聚焦在碳排放影响因素和趋势预测上。

在碳排放影响因素研究上，学者们主要针对中国各省份[10～11]、各地级市等地区碳排放达峰[12]，或者是交通、旅游、工业等行业碳排放展开，不同主体的影响因素基本都可以归类到经济、能源、人口、技术四个指标，每个指标还可以再进一步细化和扩展。例如，Dong等[13]运用LMDI模型研究了全球主要国家的碳排放情况，认为碳排放的主要原因是经济增长。陈浩等[14]认为广义技术进步和产业结构调整对碳强度没有直接的显著作用，但借助优化产业结构和提高狭义技术进步能够间接地降低碳强度。穆佳音等[15]总结了资源型城市碳排放影响因素及其研究方法，人口规模的增加对城市碳排放的增加具有促进作用，但在部分人口稀少地区需要一定的人口红利，同时经济发展对碳排放具有异质性影响，我国大部分资源型城市仍处于经济发展促进碳排放增加阶段。

在碳排放的趋势预测上，研究方法主要为两大类，一是国内外专家学者利用STIRPAT模型、情景分析法、LEAP模型、Kaya 恒等式等人工理论模型。二是结合机器学习算法或者系统动力学模型预测未来碳排放。朱海等人[16]使用“自上而下”的方式测算中国各省2000—2019年旅游业碳排放，利用STIRPAT模型，多情景考察2020—2060年旅游业各地区碳排放及其时空演变。章高敏、王腾等人[17]立足中国各省级层面建立碳排放峰值预测和碳达峰路径优化体系，借助LSTM网络预测未来20年内在不同情景下的碳排放路径。汤恒[18]借助深度学习构建长三角地区SPNN-GNNWR碳排放预测模型。Zhao Y等[19]对机器学习的反向神经传播网络、支持向量机、随机森林等碳排放预测模型进行了对比分析，总结了不同模型的优缺点和适用场景。

基于机器学习的碳排放预测模型与传统的基于人工理论的模型相比，在效率和准确性方面具有显著的优势。然而，由于其固有的复杂性，这些模型不容易修改，可能会导致某些缺点，如其结果的可解释性有限，缺乏专业领域知识的迁移。而区域一体化是自20世纪90年代以来最具活力的经济现象[19]，当前较少有学者结合区域协同经济，从整体与局部结合的视角将某个经济区域整体范围作为碳排放的研究对象。鉴于此，本文运用STIRPAT模型_{db33be6af01e32fe579bda763fcb9c52}和岭回归方法，基于最新的“十四五”国家和省级发展规划，将政府目标和限制因素纳入并分别归类到三个不同的情景框架，分析各自变量对碳排放的影响程度并且预测长三角经济特区的碳达峰时间和峰值。

一、研究方法与特征因子选择

（一）灰色关联分析

灰色关联分析是一种用于研究多个因素之间关联度的测算，它可以比较出各个自变量因素对一个因变量因素的影响程度。主要步骤如下：

1. 确定母序列和子序列。这里以整个长三角地区2000—2021年碳排放量作为母数列，用x0=[x0（1），x0（2），…，x0（t）]表示。参考前人的碳排放影响因素研究选取九个使用最多的影响因素作为子数列，记为X1，X2，……X9。

2. 标准化。用均值化无量纲化的方法对数据进行无量纲归一，即用该数列平均值去除该数列所有数据，方便对比。

3. 计算灰色关联度。

4. 计算关联度。每个指标的关联系数求均值，即可得到该指标的关联度，且关联度数值越靠近0，说明受到子序列的影响越小；关联度数值越接近1，说明子序列的影响越密切。

（二）扩展的STIRPAT模型

IPAT模型从20世纪70年代开始应用，一般用来探索人口、经济和技术因素对环境压力的影响，其表达式见式（2）。

该式中，I为环境压力，包含资源、能源等的消耗及温室气体排放等；P为人口规模；A为富裕程度，即经济发展水平等；T为技术水平。但是IPAT模型具有一定的局限性，其默认不同因素对环境压力的贡献相同，Dietz和Rosa（1997）在IPAT模型的基础上提出了STIRPAT模型，其表达式见式（3）。

在实证中，考虑到回归分析，一般对式（3）两边进行对数处理，即：

结合本文研究内容，这里I表示碳排放量，P表示人口规模，A表示GDP，T表示能源强度，a为模型系数，b，c，d为各变量的弹性系数，e为误差项。该模型的优点是实用性强，可以针对碳排放问题研究引入更为合适的自变量，进而分析自变量对因变量的影响。又考虑到碳排放受到多个综合指标的影响[22]，除了常见的P、A、T，这里采取文献分析法，选取2018-2023年中国知网的核心及以上文章，筛选主题为“碳排放和STIRPAT模型”的文章，梳理分析和总结，初步选择了8个影响因素，增加城镇化率、产业结构、能源消费结构、研发投入、固定资产投资等5个指标初步作为扩展后STIRPAT模型的特征因子。

（三）岭回归模型

线性模型的基本形式为：

其中[x]为输入特征，[hθ]为输出，[θi]为待求解的模型系数，线性模型的目标函数为：

在多重共线性存在的情况下，普通的最小二乘法线性回归估计可能会产生不稳定的参数估计以及过度拟合的问题。岭回归模型通过引入一个正则化项，可以有效地解决这些问题，是对最小二乘回归的一种补充。岭回归的目标函数为：

式（7）中：[m]为样本个数，[hθxi]为第i个样本的预测值，[yi]为第i个样本的真实值，[α]为岭回归模型的惩罚项系数，表示正则化项的强度，较大的[α]会导致参数估计偏向于零，从而减小模型的方差，但可能会增加偏差，通常通过交叉验证等方法来选择最优的[α]值，以使模型在验证集上的预测误差最小化。岭回归模型的参数估计可以通过最小二乘法的闭式解来求解：使用线性代数技巧求解目标函数的最小化问题，即通过对目标函数取模型参数的偏导数并令其等于零，求得关于参数的线性方程组，进一步求解方程组得到闭式解。

（四）数据来源及变量说明

相关数据来源于国家统计局官网和《中国统计年鉴2021》《中国能源统计年鉴》（2000—2020年）《中国固定资产投资统计年鉴》以及各省年度统计公报，涉及GDP的部分统一以2000年为基期不变价。文中涉及的变量主要含义如表1所示。

二、实证结果

（一）碳排放测算分析

本文根据上海、江苏、浙江、安徽2000—2021年终端能源消费数据进行CO2排放量的测算，计算方法基于IPCC《国家温室气体排放清单指南》2006版。如公式（5）所示：

C为i省第t 年的碳排放总量;E 为i省第t 年第j种能源消费量；n为第j种能源的碳排放系数。我们最终能源消费种类划分为9类，包括原煤、焦炭、原油、汽油、煤油、柴油、燃料油、天然气和电力。9 类能源的转换系数及碳排放系数如表 2所示，转换系数的计量单位天然气为 t 标煤 /万 m、电力为t标煤 /万 Kwh，其余能源的单位为 kg标煤 /kg，而碳排放系数的单位为 t 碳 /t 标准煤。

按公式（5）计算出上海、江苏、浙江、安徽四个地区的碳排放量，结果显示2000—2021年四个地区的碳排放量均逐年上升，2021年上海、江苏、浙江、安徽的碳排放量分别为26817万吨、88238万吨、59971万吨、45780万吨。四个地区最近三年的碳排放量依次为80087万吨、259351万吨、160220万吨、132296万吨，同比增长0.265%、0.273%、15.324%、7.697%。结合这二十年间我国经济快速发展，越来越发达的经济现象不难解释上述变化趋势，因为长三角地区在过去依赖大量的化石燃料、煤炭和石油作为主要能源来源，这些化石燃料燃烧过程中产生的二氧化碳等温室气体会直接导致碳排放的增加。除此之外长三角地区拥有大量的制造业和工业企业，这些企业通常使用能源密集型生产工艺，如钢铁、化工、纺织等行业，需要大量能源，伴随着相应的碳排放，所以碳排放量连年增加。排放量处于第一位的是江苏省，20年间一共消耗215853万吨标煤，紧接着依次是浙江、安徽、上海。

（二）STIRPAT模型构建

用2000—2021年面板数据中长三角整体的碳排放量作为母序列，对所有子序列进行无量纲化之后，最后得到详细灰色关联度的计算结果见表3，可以看到，城镇化率和碳排放联系紧密，关联系数高于0.8，紧接着依次是产业结构、经济增长、能源强度、能源消费结构，关联系数高于0.70，属于高度相关。但是固定资产投资和研发投入关联度均低于0.65，关联程度较低，因此为了使碳排放量的预测更加准确，本文筛除这两个影响因素，选择U、IS、P、A、EI、ES、IFA、RD这6个特征因子作为预测模型自变量。

如表4结果所示，三省一市的各因素方差膨胀因子值都高于10，且结合表5条件指数结果分析，自变量之间存在着严重的多重共线性问题。

为了避免各影响因素之间存在的多重共线性，本文基于扩展的STIRPAT模型，通过岭回归分析，对碳排放与各影响因素进行拟合，分别构建三省一市的碳排放预测模型，取K=0.05，0.05，0.1，0.1时，各变量回归系数开始趋于稳定均匀变化，自变量和常数项均通过5%的显著性水平检验，最终相关结果见表6。整理出上海、江苏、浙江、安徽的岭回归方程为：

回归系数的正负号和大小表示了各个变量对能源强度的影响、方向和程度由上述变量系数，进一步比较长三角地区各省市碳排放岭回归方程，发现这些影响因素的正负作用方向及影响程度各不相同并不一致，经济增长、产业结构、城镇化率、能源消费结构4个因素对四个地区碳排放均正向促进碳排放。人口规模和城镇化在其中作用最显著，江苏省人口规模对碳排放贡献明显，人口每上升1%，江苏省碳排放量将增加2.0734%；城镇化率对上海地区的碳排放量总量作用明显，岭回归系数为0.8374，其余地区依次为0.6422、0.6735、0.4242；城镇化的发展带来了提升科技水平和提高能源利用效率的优势，但同时也伴随着城市基础设施和能源需求的增加，在短期内对碳排放治理造成了较大的不利影响，加剧了二氧化碳排放量的增长。

能源强度与上海、浙江和安徽的碳排放负相关，也符合通过技术进步使得单位GDP能耗下降的科学理论。人口规模的增加促进上海、江苏、浙江的碳排放，不过安徽省人口规模与碳排放的增加呈负相关，其原因是：2005—2019年，安徽省整体碳排放量在上升，但与之同时发生的是常住人口变动在6050万人附近上下波动，2005年为6120万人，2019年降低到6 092 万人，这与邹秀清[23]、宋晓晖[24]等人的研究结论契合。

三、长三角地区碳达峰预测

现采用情景分析的方法进行预测，根据最新的政策文件例如各省的“十四五”规划、碳达峰规划和2035远景目标以及城市规划目标对下列六种因素各阶段的年均增长率进行设定，见表7，并结合实际节能减排与近五年平均值进行合理调整，设计低碳情景、基准情景和高碳情景三种合理的地区发展状态。

在基准情景下，充分考虑“十三五”完成情况和“十四五”规划目标，各省（自治区、直辖市）按照既定政策发展的结果，城市经济稳中前进，企业进行严格的节能减排，社会淘汰落后产能设备。该情景不同指标的变化率设置的较为保守，各项参数设计依据如下：

人口规模（P）：“十三五”期间，我国人口一直低速增长，保持着低出生率和低死亡率，《国家人口发展规划（2016—2030）》提出2030年迎来人口增速高峰，随后人口开始增速放缓，因此结合长三角的实际情况，本文将上海、江苏、安徽、浙江的人口规模速率基准情景中设定为2022—2025年：0.35%、0.28%、0.28、1.30%，2026—2030年为-0.25%、0.22%、0.24%、0.65%，2031—2035年为-0.02%、-0.08%、0.14%、-0.10%，低碳和高碳情景下分别在此基础上下浮动0.2%-0.4%范围内。

城镇化率（U）：根据各省市的《新型城镇化发展“十四五”规划》，2021—2025年安徽、浙江、江苏、上海的城镇化率目标为62%、75%、75%、90%，以此计算基准情景下2022—2025年均增长率；且在未来，城市会吸引更多的人才和劳动力就业，许多小镇也在城市建设中得到发展，城镇化预计会进一步提升，2026—2030年为0.42%，1.5%，1.55%，0.50%，2031—2035年依次为0.35%、0.80%、1.20%、0.50%。

经济增长（A）：“十四五”规划提出了GDP年均增长保持在科学的范围，各阶段结合实际情况规划，不再着重强调经济增长幅度，国内生产总值增速目标可合理放低，整体更强调我国各地区经济均衡性的高质量前进，苏浙制定GDP年均增长高于5.5%和约等于5.5%的计划。安徽《纲要》则目标是地区生产总值“年均增长6.5%左右，助力长三角整体化前进，追赶沪苏浙的经济水平”。过去五年上海、江苏、安徽、浙江的平均增长率分别为6.08%、6.42、7.48%、6.88%考虑到安徽、浙江以及江苏的进步空间更大，因此基准情况下五年初始增长率为6.0%、6.3%、6.6%、5.0%。

产业结构（IS）：“十四五规划和2035年远景目标纲要”中指出要对我国制造业进行降本减负、推动第二产业结构化升级，着重发展高科技服务型产业，目标是2035年前实现战略性新兴产业增加值占GDP比重超17%。本文依据长三角的实际能源与产业现状进行协同分配并调整得出各省具体参数值。

同样逻辑，并且参考张雪梅（2023）[23]等人的研究和过去十年长三角地区能源结构变化，设计能源强度和能源结构。碳情景是在基准情景的基础上，积极研究和引进低碳创新技术，优化产业结构和能源消费结构，降低经济发展速度，各影响因素变化率低于基准值；高碳情景则更着重于长三角地区经济发展，对碳排放、大气污染等关注较少，不可避免地导致能源消耗大，化石能源占比高，各影响因素变化率设定高于基准值。

根据构建STIRPAT 模型，结合不同情景模式，3 种不同发展情景下的长三角碳排放量如图1显示，低碳情景和基准情景下碳排放均能在2035年之前达峰，其中最早达峰的是低碳情景，2027年长三角碳排放达到最大值221645万吨；基准情景下，2031年碳排放达到最大值229426万吨，高碳情景下，2035年则尚未达峰，不过碳排放量增速逐年放缓，趋于稳定，说明也即将停止上升。峰值上来看，三种情景数值差异比较小，这是由于三省一市各自的达峰时间有所不同，受到碳排放重省—江苏省的影响，高碳情景在2035年碳排放量为240938万吨。

四、建议与总结

结合模型拟合结果，长三角地区在碳达峰的情景模式策略上，首先应该拒绝高碳发展情景，优化各项影响因素。为更好地降低三省一市碳排放，处于高碳情景下也能早日实现碳达峰，除了协同治理机制的完善外，还可以主要从如下两点入手：（1）控制人口规模和城市发展。人口规模和城镇化率在上海、江苏、浙江三个地区的碳排放贡献度均高于0.4%，控制这一因素能取得明显效果。制定并实施可持续城市规划，提高城市绿化率以降低城市发展对环境的冲击。（2）推动低碳经济和技术创新。通过综合推动低碳经济和技术创新，可以实现经济发展与碳排放的脱钩。应制定并执行清洁能源发展计划，特别是在安徽、浙江、江苏的水能、太阳能等可再生能源方面，推动清洁能源的利用。

同时近几年协同治理背景下，碳排放得到有效控制，治理结构也在不断扁平化发展，但是降低碳排放其治理机制依然有待完善。首先需要明确三省一市政府间的权责范围。跨域公共事务的治理成本应由区域内政府组织按照责任大小分担。三省一市由于产业模式、经济社会发展状况以及社会治理水平存在差异，对生态环境治理所承担的责任理应不同。其次各城市在执行和参与碳减排政策环节，应该加强各地级城市间的直接对话与交流。根据地理距离有效降低交易成本，提高经济效率和把握治理时机，各城市既保持独立性，又紧密合作，以实现最大化的综合效益。最后还要不断完善协同治理的机构设置，保证人员的专职化和机构的实体化，在统一标准的基础上联合执行。

采用协同治理的模式为长三角地区城市间的有效沟通与合作提供优良的平台，促进经济和社会发展。推进市场在资源环境要素配置中的作用，建设包涵整个长三角范围的跨城市煤炭产业交易平台，重点发展区域碳交易、区域排污权交易， 以市场机制平衡长三角碳排放利益相关者的关系，加强区域协同作用。

参考文献：

[1] 闵炜琪.碳中和背景下能源二氧化碳排放省际协同治理研究[D].南昌：南昌大学，2024.

[2] 王少剑，高爽，黄永源，等.基于超效率SBM模型的中国城市碳排放绩效时空演变格局及预测[J].地理学报，2020，75（6）：1316-1330.

[3] 王兆峰，黄冬春.长江经济带与黄河流域交通碳排放效率的比较及其影响因素[J/OL].经济地理，1-15[2024-09-19].http：//kns.cnki.net/kcms/detail/43.1126.K.20230831.1703.002.html.

[4] 武红.中国省域碳减排：时空格局、演变机理及政策建议——基于空间计量经济学的理论与方法[J].管理世界，2015（11）：3-10.

[5] 孙彦明，杨怡乐，李清立.“双碳”目标下中国省域交通碳排放强度的时空演变分析[J].宏观经济研究，2023（11）：48-61.

[6] 刘战豫，张伞伞.“双碳”目标下制造业碳减排的数字技术实现路径研究[J].资源开发与市场，2024，40（4）：511-520.

[7] 李飚，夏西强，李秋月.碳配额下碳交易对碳减排技术提升影响及协调机制研究[J/OL].中国管理科学，1-16[2024-09-19].https：//doi.org/10.16381/j.cnki.issn1003-207x.2023.0576.

[8] 李婧男，汪群慧，梁宝瑞，等.园林废弃物对滨海盐渍土固碳减排效应与微生物群落结构的影响[J].环境工程，2024，42（1）：95-101.

[9] 张兵兵，王捷，闫志俊.中国城市碳达峰路径及其驱动因素的结构分解[J].中国人口·资源与环境，2023，33（9）：38-44.

[10] ZHANG X，GENG Y，SHAO S，et al.How to achieve China’s CO2 Emission Reduction Targets by Provincial Efforts？ - An Analysis Based on Generalized Divisia Index and Dynamic Scenario Simulation[J].Renewable and Sustainable Energy Reviews，2020（127）：109892.

[11] ZUO J，ZHONG Y，YANG Y，et al.Analysis of Carbon Emission，Carbon Displacement and Heterogeneity of Guangdong Power Industry[J].Energy Reports，2022（8）：438-450.

[12] 祝福云，师宇星.碳全要素生产率、经济增长与低碳发展分析——基于黄河流域58个地级市的证据[J].干旱区资源与环境，2024，38（1）：52-59.

[13] DONG K，JIANG H，SUN R，et al.Driving Forces and Mitigation Potential of Global Co2 Emissions from 1980 Through 2030：Evidence from Countries with Different Income Levels[J].Science of The Total Environment，2019（649）：335-343.

[14] 陈浩，郑洁.技术进步和产业结构调整对中国碳排放强度的影响[J].商业研究，2022（6）：1-12.

[15] 穆佳音，王金满，刘彪，等. 资源型城市碳排放演变及影响因素研究进展 [J/OL]. 煤tjtkBSnCO87AmeBhXa7ec2Kkh9BrWq9ecTFdyw2BiR0=炭学报， 1-15[2024-09-19]. https：//doi.org/10.13225/j.cnki.jccs.2023.0716.

[16] 朱海，王立国，贺焱，等.多情景下中国省域旅游业碳达峰的时空特征研究[J].干旱区资源与环境，2023，37（1）：169-176.

[17] 章高敏，王腾，娄渊雨，等. 基于LSTM神经网络的中国省级碳达峰路径分析 [J/OL]. 中国管理科学， 1-12[2024-09-19]. https：//doi.org/10.16381/j.cnki.issn1003-207x.2022.0097.

[18] 汤恒.基于SPNN和GNNWR的碳排放预测模型研究[D].南京：南京邮电大学，2023.

[19] ZHAO Y，LIU R，LIU Z，et al.A Review of Macroscopic Carbon Emission Prediction Model Based on Machine Learning[J].Sustainability，2023，15（8）：6876.

[20] 陈航航，贺灿飞，毛熙彦.区域一体化研究综述：尺度、联系与边界[J].热带地理，2018，38（1）：1-12.

[21] 李金超，鹿世强，郭正权.中国省际碳排放预测及达峰情景模拟研究[J].技术经济与管理研究，2023（3）：21-25.

[22] 邹秀清，孙学成，葛天越，等.长三角地区碳排放差异、影响机理及碳达峰预测[J].长江流域资源与环境，2023，32（3）：548-557.

[23] 宋晓晖，张裕芬，汪艺梅，等.基于IPAT扩展模型分析人口因素对碳排放的影响[J].环境科学研究，2012，25（1）：109-115.

[24] 张雪梅，曹丹丹，王鑫，等.中国省域能源消费二氧化碳排放状态分析与情景预测[J].生态经济，2023，39（12）：26-32.

基金项目：安徽省高校学科（专业）拔尖人才学术资助项目（gxbjZD2021051）

作者简介：杨钰莹（1998— ），女，安徽安庆人，安徽理工大学经济与管理学院硕士研究生，研究方向为能源经济；通讯作者孟祥瑞（1965— ），男，吉林洮南人，安徽理工大学经济与管理学院教授，博士生导师，研究方向为低碳发展。