多重不确定性下基于LMDI的城市工业碳排放量影响因素分析及预测：以苏州市为例

王盛，谈健，马亚辉，邹风华

（1.国网（苏州）城市能源研究院有限公司，江苏苏州 215163；2.国网江苏省电力有限公司经济技术研究院，南京 210008）

0 引言

近些年来，随着社会经济的飞速发展，中国在2009 年超过美国，成为全球碳排放量最大的经济体［1］。作为负责任的大国，中国出台了一系列以减少碳排放量为目的的能源政策，力争在2030年前实现碳达峰，2060 年前实现碳中和。江苏省是我国东部沿海能源消费大省，而苏州市作为江苏省经济体量最大的地级市，是降低碳排放量的主力军。“十三五”期间苏州市碳排放强度下降超过22%，提前完成国家、江苏省下达的减碳任务［2］。然而，在接下来的“十四五”规划中，苏州市受经济增长、城市发展等各方面的影响，进一步减少碳排放量面临着巨大压力。因此，分析驱动碳排放量增长的主要因素、对未来碳排放趋势进行综合研判并基于此对症下药，是未来几年达成降碳目标的重要技术支撑之一。

对于碳排放量驱动因素的研究，目前主流的方法包括结构分解（Structure Decomposition Analysis，SDA）法［3］、指标分解（Index Decomposition Analysis，IDA）法［4］以及数据拟合法［5］，其中，对数平均迪氏指数（Logarithmic Mean Divisia Index，LMDI）法作为指标分解法的一种，由于对数据要求较低、全分解、估计无偏差等特点而得到广泛应用［6］。文献［7］基于LMDI 法对上海市的工业碳排放量影响因素进行了分解，提出了产业升级转型比能源结构调整更重要的观点。文献［6］采用LMDI 和Kaya 恒等式结合的方式，以自下而上的模型分析了中国商业建筑的碳排放结构。文献［8］基于中国的化学工业，分析了节约电能对二氧化碳、硫化物、氮氧化物、固体颗粒等排放的综合影响。文献［9］基于LMDI 法研究了中国能源供应行业的碳排放量和经济发展直接的解耦关系，并提出了相应的政策建议。

在碳排放量预测模型方面，目前应用较为广泛的包括人口、经济和技术的影响（Impact，Population，Affluence，and Technology，IPAT）模型［10］、可拓展的随机性环境影响评估（Stochastic Impacts by Regression on Population，Affluence，and Technology，STIRPAT）模型［11］、长期能源替代规划系统（Longrange Energy Alternatives Planning System，LEAP）模型［12］等。文献［13］基于IPAT模型和扩展的STIRPAT 模型对黄河流域交通运输部门的碳排放进行了情景预测，提出了加快产业调整、清洁化交通工具和降低单位周转量能耗水平等建议。文献［14］利用STIRPAT 模型对未来中国碳排放量峰值进行了预测。文献［15］以内蒙古自治区为例，采用协整分析方法构建了碳排放量影响因素的长期均衡关系，并通过蒙特卡洛法进行了动态模拟。文献［16］根据2009—2019 年临沂市工业碳排放数据建立了STIRPAT 模型,定量分析了临沂市工业碳排放量与企业固定资产、人均工业生产增加值、能源强度和能源结构的关系,通过岭回归消除了各自变量之间的共线性问题。文献［17］基于改进的STIRPAT 模型，从时间和行业2 个维度测算了江苏省碳排放的数量特征及演进规律。文献［18］基于STIRPAT 模型和岭回归技术，对江苏省能源消费碳排放进行了影响因素分析及趋势预测。

但上述研究有一些考虑不够充分之处。

（1）在碳排放影响因素分解方面，无论是省、市统计局数据还是公开的数据库资料，都缺少对外来电的统计。苏州市作为江苏省负荷中心与工业用电大市，具有特高压、交直流混联等复杂的电网结构［19］，若不考虑外来电消费过程中的碳排放量，而将其归口至外来电来源地区能源部门的碳排放量，显然是不合理的；另一方面，以往的研究通常未考虑产业结构与能源结构的影响，而这两者往往是相互作用的，文献［20］提出了基于两阶段的同时考虑这两者影响的碳排放量分解方法，但缺乏统筹考虑两者的机制。

（2）以往的碳排放量预测方法多基于绝对数量的数据拟合，但由于各数据量纲不同，数量级相差较大，无法直接反映影响因素的作用机制且对数值较为敏感，容易形成较大误差；另一方面，以往的碳排放量预测未考虑未来各因素的不确定性，多采用基于预设场景的确定性预测方式，只能分析给定场景下碳排放量的可能情况，而无法将长期尺度上不确定性的概率分布特性和区间特性纳入考虑范围。

因此，本文提出了一种考虑多重不确定性的基于LMDI 的城市碳排放量影响因素分析及预测方法。首先，基于苏州市统计局公布的能源平衡表信息，将外来电纳入考虑范围，计算苏州市的碳排放总量；其次，基于扩展的Kaya 恒等式以及LMDI 法，考虑能源消费结构和产业结构的影响，分解碳排放量增长的影响因素；然后，基于Kaya 恒等式分解得到的各驱动因素的预测结果，通过箱型不确定集（Box Uncertainty Set）来刻画其不确定性，基于改进的STIRPAT 法求取多元线性回归参数并通过构建优化问题获取碳排放量预测的上下边界，从而得到未来碳排放量预测结果的区间；最后，通过苏州市的数据，验证所提出方法的有效性，并对苏州未来城市发展提出有效建议。

1 碳排放量计算及影响因素分析

1.1 碳排放量计算

根据苏州市统计年鉴内全市规模以上工业企业分行业能源消费量表，碳排放量可以表示为

式中：ct为第t年的碳排放量；I，J分别为能源类型和工业中细分行业类型的集合；ei，j，t为工业中细分行业j在第t年能源类型i的消耗量（折算成标准煤）；Ki为能源类型i的标准煤折算系数；Fi为能源类型i的碳排放系数。

1.2 基于LMDI的碳排放量影响因素分析

采用Kaya 恒等式对碳排放量的影响因素进行分解。经典的Kaya 恒等式通常将碳排放量影响因素分为人口增长、经济发展、能源消耗强度和碳排放系数［6］

式中：pt为人口；gt为地区国内生产总值（Gross Domestic Product，GDP）。

但经典Kaya 恒等式的这些因素还不足以构成苏州市碳排放量影响因素的详细模型，苏州市规模工业的碳排放量还有其他更为复杂的影响因素，如能源结构、细分行业中高能耗的产业结构、外来电比例等。在此基础上对式（2）进行扩展

式中：为细分行业j中电力消耗所产生的碳排放量；分别为行业j在t年的电力消耗和能源品类i的消耗；ej，t为行业j的能源总消耗量（折算成标准煤）；gj，t为行业j的GDP；将影响碳排放量的因素分解为5 个，分别是经济增长、电力的能源结构和其他能 源的能源 结构Ai，j，t、GDP 的 产业结 构Bj，t、能源消耗强度Cj，t、能源的碳排放系数Fi，t。

选取某一年t0为基准年，将其碳排放量记为c0，那么，任何所要研究的T年的碳排放量cT可以表示为

式中：Δct为每年的碳排放增量；分别为经济增长、电力的能源结构、产业结构、能源消耗强度和碳排放系数对电力部分碳排放增量的影响；分别为5项影响因素对其他能源部分碳排放量的影响。

基于LMDI 法可以计算出各影响因素所造成的碳排放增量［21］

2 碳排放量预测

对于碳排放量的预测，目前并没有完全成熟、可信的基于机制驱动的方法。由上一节可知，碳排放量受经济增长以及社会用电用能等多种因素的影响，这些因素的数据可以参考国家、省、市统计局发布的官方数据，或者采用较为成熟的预测方法进行预测。因此，可以通过改进的STIRPAT 法将碳排放量预测转化为基于经济、用能等因素的预测结果而形成的间接计算结果。

2.1 不确定性建模

在获取官方公布或其他方法预测得到的碳排放量各类影响因素数据的同时，需考虑各因素存在一定的不确定性，本文采用箱型不确定集来描述各类因素的不确定性

对于其他因素，同理可得到分能源类型和行业的能源消耗量的不确定集。这些不确定集需要满足下式

2.2 预测方法

基于IPAT 或STIRPAT 法对碳排放量进行预测时，多采用人口、GDP、能源结构等因素绝对量一定幂次的乘积对碳排放量的绝对值进行拟合，但该方法由于采用绝对量，因此无法在量纲上形成对应关系；同时，由于碳排放量与这些因素并无直接联系，因此无法证明其拟合的合理性。本文采取对碳排放量相对变化进行拟合的方式，从而避免上述问题，具体表达式如下

式中：αi，j，βi，j，γi，j，δi，j分 别 为拟合参数；εi，j为误差系数。

为减少异方差、简化计算，对两边取对数可以将其线性化

通过最小二乘法进行拟合，可以得到各参数值。

进一步考虑不确定性因素，则可以通过求解优化问题得到预测年度碳排放量的上下限

式中：ct′为t′年的碳排放量。

服从以下不确定集约束（17）以及碳排放量的多元线性回归拟合结果（15）

3 数据来源说明

本文中，苏州市GDP、能源消费等数值来自苏州市统计局发布的各年度苏州统计年鉴；GDP 及其增速根据当年价格计算；碳排放系数来自联合国政府间气候变化专门委员会（IPCC）发布的《IPCC 2006 年国家温室气体清单指南2019 修订版》及我国《省级温室气体清单编制指南》；标准煤折算系数来自《中国能源统计年鉴》。

4 案例分析

4.1 苏州市工业碳排放量测算与影响因素分析

2010—2019 年，苏州市的工业经济总体呈波动增长的态势。苏州市规模以上工业（以下简称规模工业）产值从2010 年的2.47 万亿元增长至2019 年的3.35 万亿元，增幅达35.96%，年平均增速为3.47%，能源消费总量也从2010 年的4 601 万t 标准煤上升至2019 年的5 612 万t标准煤，上升21.96%，年平均增幅达2.23%。另一方面，各细分行业处于产业结构与能源结构转型的时期，如GDP 占比最高的电气机械及器材制造业从2010年的33.85%下降至2019 年的20.08%，而交通运输设备制造业和燃气生产和供应业GDP占比分别从2010年的3.28%，0.28%上升至2019年的6.64%，0.85%。

随之而来的是碳排放量的逐年变化，如图1 所示，2010—2019 年，苏州市规模工业的碳排放量整体而言是小幅上升了20.88%，年平均增幅为2.13%，但在2014，2015 年出现了短时间下降的态势。从碳排放的能源结构来说，煤炭类始终是规模工业碳排放的主要来源之一，但其占比在逐年小幅下降，从2010 年的68.97% 下降至2019 年的64.55%。随着用电负荷的上涨，电力消耗所产生的碳排放量占比逐年上升，从2010 年的25.47%上升至2019 年的29.19%。总体而言，苏州市规模工业碳排放能源结构变动不大。

图1 苏州市规模工业碳排放能源结构Fig.1 Carbon emissions from different large-scale industries in Suzhou

图2展示了苏州市规模工业碳排放结构的主导产业。从各细分产业的碳排放结构看，碳排放主要来源于电力、热力生产和供应业，黑色金属冶炼及压延加工业，2019 年占比分别达33.19%，31.62%。总体而言，各细分行业的碳排放量占比保持平稳。

图2 苏州市规模工业碳排放量细分产业结构Fig.2 Carbon emissions from subdivisional industries in Suzhou

对苏州市规模工业碳排放量进行分解，如图3所示。由图3 可以看到，经济发展、电力消费结构、其他能源结构、产业结构和能耗强度对碳排放量增长的贡献分别为0.680，0.037，-0.092，-0.300，0.097 亿t。总的来说，在这10 年中，除了碳排放量下降的2014 年和2015 年，经济发展对碳排放量增长的贡献度始终为正；电力消费结构对碳排放量增长的贡献在不同年份不同，总体而言是略有促进作用；其他能源消费结构对碳排放量的增长有抑制作用；产业结构是碳排放量增长最主要的抑制因素之一；能耗强度对碳排放量总体是抑制的，但在不同年份的影响不同，在2011 年和2017—2019 年起抑制作用，在2012—2016年起促进作用。

图3 苏州市规模工业碳排放量影响因素分解Fig.3 Decomposition of factors affecting carbon emissions from large-scale industries in Suzhou

以上分析表明，碳排放量的抑制必然以经济发展放缓为代价。近10年来，苏州市产业结构变革初见成效，但能源结构优化仍有待提高，未来，希望清洁能源替代和电气替代能够有效助力“双碳”目标的实现。

4.2 苏州市工业碳排放量预测

对苏州市规模工业不同能源、不同细分行业碳排放量历史数据进行多元线性回归分析，其拟合误差如图4 所示。由图4 可以看出，拟合误差基本控制在合理范围内，其中误差在±0.5%范围内的概率为85.98%，验证了该回归方法的有效性。不同能源类型的预测精确度有所不同，其中，焦煤、汽油、电力等误差较小，如电力误差在±0.5%范围内的概率为97.06%，说明对这些能源的碳排放量预测较为准确。

图4 不同能源的碳排放量拟合误差分布Fig.4 Distribution of the fitting errors for carbon emissions by different energy

以食品制造业煤炭消耗产生的碳排放量为例，其拟合结果为

其他产业下其他能源的碳排放量拟合也同理。基于拟合的参数，可以对接下来几年（2020—2024年）的碳排放量进行预测。假设2020—2024年苏州市各产业的GDP 增速与“十三五”一致，根据碳排放强度要求的不同，设置3 组对比场景。第1 个场景为能源强度根据“十三五”期间国务院发布的《“十三五”控制温室气体排放工作方案》下降相同的幅度，即下降20.5%（每年下降4.48%）；第2 个场景为控制碳排放强度不变；第3 个场景为不控制碳排放强度，保持原有增速。预测得到2020—2024年苏州规模工业的碳排放结构，如图5所示。

图5 不同场景下苏州碳排放结构预测Fig.5 Prediction on carbon emission composition in Suzhou under different scenarios

由图5可以看出，碳排放强度政策不同，碳排放量的发展和结构也显著不同，总体而言，碳排放量为场景3>场景2>场景1。

场景1中，由于对碳排放强度做了要求，因此碳排放量逐年下降，2020—2024 年预计下降4.42%。其中，煤炭类的一次能源碳排放结构调整显著，下降了9.59%；石油类由于较为清洁、能效较高，用于替代煤炭类能源，2020—2024 年预计碳排放量会上升431.05%；而电力由于其较为清洁的特性，占比较为稳定。

场景2 碳排放强度保持不变，所以碳排放量的增长速度基本与“十三五”期间一致，2020—2024 年预计上升13.72%。其中，煤炭类一次能源所产生的碳排放量稳定上涨9.33%。

场景3 不控制排放强度的增长，因此增长速度基本也与“十三五”期间保持一致，2020—2024 年预计增长14.12%。其中，煤炭类一次能源所产生的碳排放量稳定上涨7.33%。

以上为特定场景下的碳排放量预测，若考虑经济发展、能源消耗量等影响因素的多重不确定性，则可以得到未来碳排放量预测值的区间。假设GDP 的预测误差为±2%，能源消费量的预测误差为±4%。在每个预测年份不确定集预算Γt=340的情况下，碳排放量的预测结果如图6 所示。由图6 可以看到，若不对经济发展、能源消耗强度等进行人为干预，考虑其不确定性，2024 年苏州市规模工业的碳排放量将达到2019 年的1.07～1.18 倍。其中，最低预测区间的年平均增速约为1.43%，最高预测区间的年平均增速约为3.42%。

图6 苏州市碳排放量预测区间Fig.6 Ranges of the predicted carbon emissions in Suzhou

5 结论

本文以苏州市为例，提出了一种基于扩展的Kaya 恒等式和LMDI 法的碳排放量影响因素分析方法，能够同时考虑外来电以及能源消费结构和产业结构的影响。通过基于箱型不确定集的不确定性建模，在基于确定性情景分析的基础上，提出了考虑多种不确定性下碳排放量区间的预测方法；同时，对STIRPAT 方法进行了改进，提出了基于相对比例的碳排放量预测模型。

通过苏州市的案例分析可以看出，煤炭类能源仍然占据能源消费的主导地位，其绝对量基本保持稳定，能源结构占比逐年小幅下降。电力类能源碳排放量占比保持稳定。从行业来看，能源生产和供应业，黑色金属冶炼及压延加工业碳排放量占比较大。经济增长为碳排放量增长的主要驱动因素，产业结构为主要抑制因素。这说明未来苏州市仍需继续坚持产业结构升级，从一味追求经济发展向优化经济结构转变，能源结构也有待优化。从预测结果看，如果强制执行“十四五”期间降低碳排放强度的要求，将会倒逼苏州市工业能源消费结构调整，促进“碳达峰、碳中和”目标的实现。