能源消费背景下长三角地区二氧化碳排放影响因素分析

彭晓璐 谢依晴 杜玥

[摘 要]当前，中国正处于工业化和城市化快速推进的进程中，二氧化碳排放量持续快速增长，以二氧化碳为主的温室气体对全球气候造成的影响不容忽视。文章以长三角地区为例，根据2000—2017年相关数据，通过建立多元线性回归模型，探究影响长三角地区二氧化碳排放量变化的主要因素。通过对这些影响因素的分析，提出相应建议，为长三角地区节能减排提供参考。

[关键词]能源消费;GDP;二氧化碳排放;長三角地区;回归分析

[DOI]10.13939/j.cnki.zgsc.2021.13.044

1 研究背景

随着工业化、城镇化进程的不断推进，我国的能源消费强度迅速增强，从而导致碳排放量持续增加，引发了许多环境问题。然而由于我国目前处于经济快速发展阶段，碳排放量明显增长的趋势在将来很长一段时间内并不会改变，所以如何控制碳排放增速已经成为我国亟待解决的问题。

目前国内外学者对碳排放研究的成果日益丰富，如国内学者林伯强、刘希颖[1]发表的《中国城市化阶段的碳排放》、国外学者Holdren J P[2]发表的《Human population and the global environment》等。同时，碳排放研究与其他学科的联系也越发紧密。

江浙沪三地于2009年成为全球第十一大经济体，位于我国经济发展队伍的前端，工业化的快速发展带来的碳排放问题也在不断加深。故文章选取长三角地区的江浙沪三地进行研究，通过探究影响碳排放的因素，寻找有效减少碳排放的方法，从而为遏制全球温室效应、促进世界经济向绿色经济和可持续发展的经济形势方面转变出谋划策。

2 二氧化碳排放的影响因素理论

由Ehrlich[3]、Holden和Commoner[4]等学者提出的传统IPAT模型一般形式为：I=PAT。公式中，I表示人类对环境的影响;P表示人口规模;A表示富裕程度;T表示技术水平。York等人对IPAT模型进行修正与扩展后产生了STIRPAT模型[5]，具体形式为：

I=aPbAcTdμ（1）

式中，a为常数项;指数b、c、d为常数项待估参数，分别表示人口规模、富裕程度、技术水平对环境的影响大小;μ为随机扰动项;I、P、A、T所表示的含义同IPAT模型。

除了上述变量外，文章根据孙敬水等学者的研究，引入单位GDP能源消耗量、产业结构、能源消费结构、城市化水平等变量对STIRPAT模型进行扩展[6]。扩展后的STIRPAT模型为：

I=αPα1Aα2CTα3Sα4CSα5Uα6eε（2）

式中，I为二氧化碳排放量，P为人口规模，A为富裕程度，CT为技术水平，S为产业结构，CS为能源消费结构，U为城市化水平，ε为随机误差项。其中α1， α2， α3，α4， α5， α6分别表示人口总量、经济发展水平、技术水平、产业结构、能源消费结构、城市化水平的弹性系数。与传统的STIRPAT模型相比，扩展后的模型更加符合实际情况。

对扩展后的STIRPAT模型两边取对数之后，得到：

lnI=α+α1lnP+α2lnA+α3lnCT+α4lnS+α5lnCS+α6lnU+ε（3）

该模型类似于多元线性回归方程，故文章选择建立多元线性回归模型。

3 碳排放影响因素多元线性回归模型的构建

3.1 数据及变量选取

文章选取2000—2017年江苏省、浙江省和上海市的相关数据进行研究。

对于自变量，选取了年末人口总数（万人）代表人口规模P、地区生产总值（亿元）代表富裕程度A、单位GDP能源耗量（万吨标准煤/亿元）代表技术水平CT、第二产业产值占地区总产值的比重代表产业结构、煤炭消费量占能源消费总量的比重代表能源消费结构、城市人口占总人口的比重代表城市化水平;因变量为二氧化碳排放总量（万吨）。

3.2 数据来源

人口总量、城市人口数、地区生产总值、能源消费总量、煤炭消费量由江浙沪三地历年的统计年鉴及中国能源统计年鉴整理所得。

由于各地没有关于碳排放量的直接统计，故文章参照林伯强、刘希颖所使用的方法计算碳排放量。计算公式为：

Ii=αiβiEi （4）

I=Ci（5）

式中，Ii为第i种能源的二氧化碳排放量，αi为该类能源的转化率（也即折标准煤系数），βi为二氧化碳排放系数，Ei为该类能源的消费总量，C为碳排放总量。其中，能源主要选取七种：原煤、焦炭、原油、汽油、柴油、燃料油、液化石油气。各类能源的转化率及二氧化碳排放系数（单位：kg-CO2/kg）如表1所示。对数据进行汇总、计算后，得到各地2000—2017年碳排放总量如表2所示。

3.3 建立多元线性回归方程

3.3.1 数据处理

由式（3），对相关数据取自然对数，得到lnI、lnP、lnA、lnCT、lnS、lnCS、lnU的值。

3.3.2 相关系数显著性检验

利用 SPSS 得出变量之间的相关系数。其中，产业结构与碳排放量的相关系数为-0.64894，为低度相关;其余各变量都达到了0.8以上，为高度相关。

3.3.3 线性回归

利用 SPSS 将六个影响因素作为自变量进行线性回归，得到模型的相关系数为0.991469，表明自变量与因变量之间的关系为高度相关。

P-value为回归系数t统计量的P值，只有常数项及人口总量的P值小于0.05，可以通过置信水平为95%的 t 检验，其他因素均未通过t检验，对长三角地区碳排放量的影响不显著。

3.4 多重共线性诊断

变量间的多重共线性是指变量间存在着线性相关关系。当变量存在严重的多重共线性的时候，利用普通最小二乘回归法得到的回归参数估计值的稳定性降低，系数 t 检验不能通过[9]。利用方差膨胀因子（VIF）来诊断变量的多重共线性，如果 VIFJ≥10，说明模型中的变量存在很强的共线性[10]。

对上文所构建的长三角能源消费碳排放影响因素模型做多重共线性检验，结果如表3所示。其中只有lnCS的VIF小于10，VIF最大值为350.877，变量之间存在着严重的多重共线性。

3.5 岭回归

文章采用岭回归方法来消除模型中的多重共线性。

利用 SPSS进行岭回归拟合，得到图1所示的岭迹图。

由图1可知，当k=0.18 时，图中6个自变量的岭迹图趋于稳定，故选择k=0.18作为岭值，获得基于岭回归的线性回归结果，如表4所示。

由表4可知决定系数R-Square为0.9659，模型具有较高的拟合优度。

岭回归模型的假设检验中，检验显著性Sig.F<0.0001，通过检验。

由此可以得到长三角碳排放影响因素分析模型：

lnI=-16.38768108+0.30234564lnP+0.24603113lnA-0.17343486lnCT+0.09298502lnS-0.05355177lnCS+0.24726434lnU（6）

式（6）中，lnP、lnA、lnS、lnU的回歸系数均大于0，说明因变量与自变量呈正相关;lnCT、lnCS的回归系数均小于0，说明因变量与自变量呈负相关。

4 结论与建议

4.1 结论

经分析，长三角地区的碳排放量随着人口总量、地区生产总值、产业结构、城市化水平的增加而增加，随着技术水平、能源消费结构的增加而减少。各个影响因素对长三角碳排放的影响程度按从大到小排序依次为： 人口总量、城市化水平、地区生产总值、技术水平、产业结构、能源消费结构。

4.2 建议

4.2.1 人口方面

我国人口增长速度不可能在短时间内大幅减少，因此，长三角地区可以从政策和群众意识上下功夫，除了应融合低碳发展的理念建立完善的评估体系以引导环保节能的消费方式以外，还应当加大低碳生活生产意识的宣传力度。

4.2.2 城市化水平方面

长三角地区城市化水平的提高不可避免，为了实现城市化进程与减少碳排放的协调发展，应融入节能减排的环保理念，对功能不完善的社区进行资源整合，还应当加强建设并完善公共交通运行体系。

4.2.3 地区生产总值方面

对于长三角这一处于全国领先地位的经济体而言，地区生产总值对碳排放总量的正向影响不容忽视。因此，应当推进实现低碳经济，大力支持新兴低碳产业的发展，重视经济、社会及环境三者的协调发展。

4.2.4技术水平方面

低碳经济的核心和推动力是低碳技术的开发，所以长三角地区应当建立低碳技术发展激励机制，加大资金投入、专业人才培养及引进力度，同时鼓励研发部门与企业合作，根据企业的实际状况开发出符合企业发展规划的低碳技术。

4.2.5 产业结构方面

长三角地区经济发展迅速，若产业结构设置不合理，会对环境保护造成一定的影响。因此，应结合城市的发展特点，逐步实现由工业为主向服务业为主的产业转变。此外，当完善企业管理制度，利用政府干预能力控制高耗能、高排碳企业数量的增长，同时加大对现有企业的管控。

4.2.6 能源消费结构方面

我国是煤炭消费大国，煤炭的消耗对碳排放总量的影响较大。为减少煤炭消耗量，企业除了应重视掌握先进生产技术而提高能源利用率以外，还应当寻找能替代煤炭等能源进行生产活动的低碳能源，从而有效减少碳排放。

参考文献：

[1]林伯强，刘希颖.中国城市化阶段的碳排放：影响因素和减排策略[J].经济研究，2010（8）.

[2]HOLDREN J P，EHRLICH P R.Human population and the global environment[J].American Scientist，1974（62）.

[3]EHRLICH P R，HOLDREN J P.Impact of population growth[J].Science，1971（171）.

[4]COMMONER B.Economic growth and ecology—A biologists view[J].Monthly Labor Review，1971（94）.

[5]YORK R，ROSA E A，DIETZ T.STIRPAT，IPAT and impact： analytic tools for unpacking the driving forces of environmental impacts [J].Ecol Econ，2003，46（3）： 351-365.

[6]孙敬水，陈稚蕊，李志坚.中国发展低碳经济的影响因素研究——基于扩展的STIRPAT模型分析[J].审计与经济研究，2011，26（4）：85-93.

[7]全国能源基础与管理标准化技术委员会.GB/T 2589—2008.综合能耗计算通则[S].北京：中国标准出版社，2008.

[8]国家发展和改革委员会应对气候变化司.省级温室气体清单编制指南[Z].2011.

[9]王惠文，吴载斌，孟洁.偏最小二乘回归的线性与非线性方法[M].北京： 国防工业出版社，2006.

[10]黄振华.基于STIRPAT模型的重庆市建筑碳排放影响因素研究[J].项目管理技术，2018，16（5）：55-60.

[作者简介]彭晓璐，女，贵州仁怀人，南京邮电大学电子商务专业;谢依晴，女，福建建瓯人，南京邮电大学电子商务专业;杜玥，女，江苏无锡人，南京邮电大学电子商务专业。