基于主成分分析的广西碳排放影响因素实证研究

彭 浩

(内蒙古科技大学 经济与管理学院，内蒙古 包头 014010)

基于主成分分析的广西碳排放影响因素实证研究

彭 浩

(内蒙古科技大学 经济与管理学院，内蒙古 包头 014010)

以1978—2014年的数据为样本，计算得到广西历年的碳排放量。运用主成分分析法研究影响广西碳排放的各项因素。结果表明，广西碳排放各项因素的影响程度排序依次为能源消费量、经济发展水平、固定资产投资、城镇化水平、能源价格、人口总量、能源强度、国际贸易、能源结构和产业结构。据此提出“绿色规划”“调整能源消费结构，推广清洁生产技术”和“推进碳排放权交易体系建设”等政策建议。

广西； 碳排放； 主成分分析

研究表明，人口数量的快速增长及人类社会经济活动的不断加强使CO2浓度迅速升高，从而对全球气候变暖起到决定作用[1]。改革开放以来，中国在经济发展方面取得举世瞩目的成就，同时也显现了资源消耗过多、碳排放增加过快等问题。2002年我国碳排放量为34.9亿t，2008年升至65.3亿t，目前我国已成为世界最大的温室气体排放国[2]。21世纪以来，广西经济在以较快速度增长的同时，也出现了碳排放量快速增加的问题。广西贯彻国家“十三五”规划、做好节能减排工作的前提，是准确分析造成广西碳排放增加的原因。因此，利用具有客观性和定量性特征的主成分分析法研究影响广西碳排放的各项因素具有重要意义。

1 广西碳排放现状

由于缺乏碳排放的直接监测数据，因此只能通过能源消耗量与碳排放量之间的关联，对碳排放量进行估算。根据联合国政府间气候变化专门委员会(IPCC)的假定，一般认为各类能源的碳排放系数稳定不变；一次能源分类中的水电、核电和其他能源发电，在使用过程中视为无碳排放，因此将产生碳排放量的能源消费种类划分为煤炭、石油和天然气3类[3]。在计算碳排放量时，采用3类能源消费总量分别乘以各自的碳排放系数，计算碳排放量。

C=∑Ei×Fi。

式中，C为碳排放量，Ei为各类能源的消费总量，Fi为能源i的碳排放系数。

美国能源经济研究所、IPCC、美国能源部/能源情报局等都公布了3类能源的碳排放系数[3]，考虑到中国的科研机构更熟悉中国的国情，本文选取国家发改委能源研究所公布的碳排放系数[3]，具体数值为煤炭0.747 6万t CO2/万t标准煤、石油0.582 5万t CO2/万t标准煤、天然气0.443 5万t CO2/万t标准煤，水电和核电的碳排放系数为0。

根据前面的公式和历年《广西统计年鉴》上的相关数据，计算得到广西1978—2014年的碳排放量(表1)。

表1 1978—2014年广西碳排放量

2 广西碳排放影响因素

根据相关研究成果[4-10]，并考虑数据的可获得性，确定以下广西碳排放影响因素，运用具有“客观和定量”特点的主成分分析法来确定这些因素的影响程度。

2.1 能源消费量

一个地区的能源消费总量(EC)无疑与碳排放量紧密相关。本文此项指标采用《广西统计年鉴》上的能源消费总量数值，单位是万t标准煤。

2.2 能源强度

能源强度(EI)也称为“单位产值能耗”，指一个国家或地区在一定时期内单位GDP的能源消耗量，可以用来衡量能源利用效率，是区分一个国家或地区是否实现低碳发展的重要指标[6]。本文用能源消费量与GDP之比表示能源强度，单位是t标准煤·万元-1。

2.3 能源结构

不同能源燃烧释放出的二氧化碳不同，碳排放系数排序为煤炭>石油>天然气>水电。所以，一个地区的能源消费结构(ES)会对碳排放量有很大影响。广西的能源消费结构以煤炭为主，因而本文以煤炭消费占能源消费的比重表示能源结构。

2.4 能源价格

能源价格(EP)上涨会增加企业的生产成本，增加居民的生活成本，因此可能会促使企业和居民通过各种方式减少能源消费量，提高能源利用效率，从而减少碳排放量[6]。本文采用居民消费价格指数表示能源价格。

2.5 经济发展水平

国外及国内部分地区的实证研究均表明，经济发展水平(ED)与碳排放之间具有很强的正相关关系，本文用人均GDP表示经济发展水平，单位是元。

2.6 固定资产投资

在经济发展过程中，固定资产投资(AI)必不可少。但如果固定资产投资有科学合理的规划，就可减少或避免低水平建设和重复建设，即可在保证经济发展的同时排放更少的碳。本文以统计年鉴中的“全社会固定资产投资额”表示，单位是亿元。

2.7 人口总量

人口数量(TP)越大，自然消耗的资源越多，产生的CO2排放量越高。本文此项指标采用《广西统计年鉴》上的总人口数值，单位是万人。

2.8 城镇化水平

城镇化进程的推进必然会增加CO2等温室气体排放量的增加。本文采用城镇人口占总人口的比重来表示城镇化水平(UL)。

2.9 产业结构

相关研究表明，与第二产业相比，第一产业和第三产业属于低耗能、低排放行业，增加第三产业比重，也将有利于减少碳排放量。本文以第二产业与第三产业产值之比表示产业结构(IS)。

2.10 国际贸易

国际贸易(IT)过程中存在碳排放转移问题，进口高耗能的资源密集型产品能降低本地区的碳排放；反之，出口高耗能的资源密集型产品则会增加本地区的碳排放。本文以净出口额表示国际贸易，单位是亿元。

3 数据来源与研究方法

3.1 数据来源与处理

以1978—2014年为研究时间范围，数据均来自《广西统计年鉴》。为剔除价格因素影响，GDP、固定资产投资和物价指数等相关数据均以1978年为基期进行了调整[6]。在进行主成分分析之前，还需对原始数据进行均值为0、标准差为1的标准化处理，以消除指标间量纲不一致及数量级有差异等现象[11]。标准化的公式为：

3.2 主成分分析法

主成分分析法由霍特林1933年首次提出，是利用降维的思想，通过研究指标体系的内在结构关系，把多指标转化成少数几个相互独立且包含原有指标大部分信息(85%以上)综合指标的多元统计方法[12]。优点是确定的权数是基于数据分析而得到的指标之间的内在结构关系，不受主观因素的影响，且得到的综合指标(主成分)之间彼此独立，减少信息交叉，这使分析评价结果具有客观性和可确定性[11]。社会科学统计软件包(SPSS)是世界著名的统计分析软件之一[13]，本论文使用SPSS 19.0进行有关数据的处理和计算，具体过程如下。

1)检验数据是否适合做主成分分析。利用SPSS软件提供的巴特利特球检验和KMO测度(Kaiser-Meyer-Olkin Measure of Sampling Adequacy)这2个统计量判断观测数据是否适合做主成分分析；巴特利特球检验是从检验整个相关矩阵出发，其零假设为相关矩阵是单位阵，如果不能拒绝该假设的话，应重新考虑因子分析的使用；KMO测度从比较观测变量之间简单相关关系和偏相关关系的相对大小出发，其值的变化范围从0～1；当KMO值较小时，表明观测变量不适合做主成分分析[11]。通常按以下标准解释该指标值的大小：>0.9为非常好；>0.8为好；>0.7为一般；>0.6为差；>0.5为很差；<0.5不能接受[11]。

KMO和Bartlett's检验可以看出，巴特利特球检验结果为拒绝原假设，KMO值等于0.809，因此，广西地区1978—2014年碳排放影响因素的数据适合进行主成分分析。

2)建立变量的相关关系矩阵，SPSS软件自动完成。

3)计算出相关关系矩阵的特征值、贡献率和累计贡献率，并确定主成分的个数(表2)。特征值一般用λ表示，第i个主成分的方差是总方差在各主成分上重新分配后，在第i个成分上分配的结果，在数值上等于第i个特征值。每个成分的贡献率定义为各成分所包含的信息占总信息的百分比。用方差作为变量所包含的信息，则每个成分所提供方差占总方差的百分比即该成分的贡献率[12]。

表2 相关关系矩阵的特征值、贡献率和累计贡献率

确定取几个成分作为主成分的判定方法有2种。一是取所有特征值大于1的成分作为主成分[13]；二是根据累计贡献率达到85%来确定[14]。本文根据后一标准来选取主成分，其包含的信息占原始变量包含的总信息的93.154%，损失的信息量不到10%，被认为可以接受。

4)求主成分荷载矩阵。由主成分荷载矩阵(表3)可以得到3个主成分的表达式，由每个主成分的贡献率可以确定每个主成分的系数，因此主成分F可以表示为：

F=0.711EC-0.577EI-0.158ES+0.626EP+0.711ED+0.690AI+0.625TP+0.679UL+0.1810IS+0.570IT。

表3 主成分荷载矩阵

3.3 对主成分进行线性回归

使用SPSS 19.0对因变量Y(广西地区碳排放量)和主成分F进行简单的线性回归，得到如下关系式：

Y=1 692.0+284.4F，R2=0.941。

再将F表达式代入可得到：

Y=1692.0+202.322EC-163.965EI-44.965ES+178.025EP+202.174ED+196.149AI+177.842TP+193.186UL+51.194IS+162.108IT。

4 结果与分析

根据主成分分析法的计算结果，得到影响广西碳排放各项因素的排序依次为能源消费量(0.711)>经济发展水平(0.711)>固定资产投资(0.690)>城镇化水平(0.679)>能源价格(0.626)>人口总量(0.625)>能源强度(-0.577)>国际贸易(0.570)>能源结构(-0.158)>产业结构(0.180)。

能源消费量和经济发展水平是对广西地区碳排放量影响程度最大的2项因素。广西能源消费总量从1978年的781万t标准煤，增至2014年的9 515.34万t标准煤，是1978年的12.18倍。人均GDP从1978年的296.64元增至2014年的7 014.12元(以不变价格计算)，增加22.65倍。固定资产投资的增加和城镇化水平的提高都会对广西地区碳排放量的增长造成比较重要的影响。

能源强度和能源结构指标之所以是负值，是因为1978—2014年期间广西地区的碳排放量呈明显递增趋势，同期能源消费总量、居民消费价格指数、人均GDP、全社会固定资产投资额、人口总量、城镇人口占总人口的比重都是呈明显的递增趋势，净出口额呈波动递增趋势，第二产业与第三产业产值之比的数据是先下降后上升，大多在 0.84～1.35波动，只有“能源消费量与GDP之比”和“煤炭消费占能源消费的比重”呈递减趋势。能源消费量与GDP之比呈较明显的递减趋势，从1978年的7.81 t标准煤/万元，降至2014年的2.86 t标准煤/万元(GDP以不变价格计算)，下降了63.38%。煤炭消费占能源消费的比重呈现在波动中略微下降的趋势，广西地区目前能源消费中，煤炭依然占有最大的份额，2014年这一数据为52.81%。所以说广西地区在1978—2014年间经济以较快速度增长的同时，对于节能减排也做了很多工作，能源消费总量的增速明显慢于人均GDP的增速，能源强度也呈现明显递减趋势。

5 政策建议

5.1 绿色规划

科学合理的规划是保证持续碳减排和发展低碳经济的重要基础。城市过量的能源消耗不仅恶化自身环境，而且对周边地区的环境造成污染。因此，广西地区应加强固定资产投资规划的科学论证；不能一味追求高城镇化率，应科学合理地开展小城镇建设；严格控制高耗能高污染企业，大力扶持新型低碳产业；推进低碳交通、低碳建筑和低碳消费。

5.2 调整能源消费结构，推广清洁生产技术

广西地区1978—2014年间煤炭消费量占到能源消费总量的55.11%。而煤炭的碳排放系数在石化能源中也明显高于石油和天然气。应通过加强技术研发创新能力，推动更多的企业使用碳排放系数更低的能源，降低煤炭在能源消费总量中的比重。

清洁生产是指从资源的开采利用、产品的生产、成品的使用和废物的处置的全过程中，尽最大限度地提高资源和能源的利用效率，最大限度地减少能源的消耗和污染物的产生[4]。广西地区可以使用政府投资、税收优惠以及贷款利率优惠等政策鼓励企业增加投资研发清洁生产技术。同时，结合广西地区的自然条件，大力发展水电和风能产业。

5.3 推进碳排放权交易体系建设

按照国家发展改革委办公厅《关于切实做好全国碳排放权交易市场启动重点工作的通知》，要“确保2017年启动全国碳排放权交易，实施碳排放权交易制度”[15]。广西地区还有完善相关立法，加强宣传，科学合理地确定排放总量，确定重点排放企业名单，对企业的历史碳排放进行核算、报告与核查，培育和遴选第三方核查机构及人员，配额核发与管理，加强人才队伍建设，提高企业交易的积极性和建立健全碳排放金融交易中介机构等大量、具体的工作要做。

[1] HOUGHTON J T，MEIROFIIHO L G，CALLANDER B A. et al. Climate change 1995：the science of climate change： contribution of working group to the second assessment report of the inter governmental panel on climate change[R]. Cambridge：Cambridge University Press，1996.

[2] 石红莲. 降低我国碳排放量的对策探析[J]. 理论月刊，2010(7)：97-99.

[3] 韩红珠，王小辉，马高. 陕西省能源消费碳排放及影响因素分析[J]. 山东农业科学，2015，47(1)：82-87.

[4] 曾好，董利民. 武汉市土地利用结构与能源消费碳排放的关联测度分析[J]. 山东农业科学，2014，46( 7)：97-101，106.

[5] 陈艳. 基于主成分分析的江西低碳经济发展评价分析[J]. 南昌大学学报(人文社会科学版)，2012，43(6)：63-68，90.

[6] 阳玉香，谭忠真. 湖南低碳经济驱动因素的实证研究：基于主成分分析法[J]. 湖南社会科学，2012，(2)：160-162.

[7] 杜颖. 广西碳排放现状及因素分解实证分析[J]. 广西财经学院学报，2012，25(2)：28-32，83.

[8] 郭少康. 基于LMDI的广西碳排放影响因素实证研究[J]. 广西经济管理干部学院学报，2013，25(4)：68-73，78.

[9] 谢存花. 广西能源消费二氧化碳排放测算与影响因素分析[J]. 南宁职业技术学院学报，2014，19(3)：75-78.

[10] 黎文勇，苏方林. 广西经济增长与碳排放关系的实证研究[J]. 山东工商学院学报，2016，30(3)：38-44.

[11] JOSEPH F H J，ROLPH E A，RONALD L T，et al. Multivariate data analysis with readings [M]. 4th ed. New Jersey：Prentice-Hall International，Inc. 1995：101-115.

[12] 卢纹岱. SPSS for Windows统计分析 [M]. 2版. 北京：电子工业出版社，2004.

[13] 刘柯. 基于主成分分析的BP神经网络在城市建成区面积预测中的应用：以北京市为例[J]. 地理科学进展，2007，26(6)：129-137.

[14] 李雪铭，李婉娜. 1990年以来大连市人居环境与经济协调发展定量分析[J]. 经济地理，2005，25(3)：383-386，390.

[15] 彭浩. 内蒙古构建碳排放权交易体系的政策分析[J]. 内蒙古科技与经济，2017(2)：6-8.

收入日期：2017-08-18

内蒙古科技大学创新基金(2016QDW-B03)

彭 浩(1976—)，女，湖南湘潭人，副教授，博士，研究方向为生态经济学，E-mail：pengden@163.com。

文献著录格式：彭浩. 基于主成分分析的广西碳排放影响因素实证研究[J].浙江农业科学，2017，58(10)：1794-1797.

10.16178/j.issn.0528-9017.20171038

F062.2

A

0528-9017(2017)10-1794-04

(责任编辑张瑞麟)