安徽省碳排放预测分析

吴淑敏 高广阔

摘   要：运用排放因子法核算安徽省2000—2019年与能源相关的碳排放，并分析安徽省碳排放的主要影响因素。结合LMDI分解法分析了碳排放影响因素，之后建立STIRPAT扩展模型及岭回归，定量进行了安徽省能源碳排放预测。模型精确度高达90%以上，误差控制在5%以内，说明该模型可以很好对安徽省未来能源消费碳排放量进行预测。冀望能为安徽省实现碳减排，促进经济发展目标实现提供参考。

关键词：二氧化碳；安徽省；碳排放；LMDI分解法；STIRPAT扩展模型

中图分类号：F062.2       文献标志码：A      文章编号：1673-291X（2023）08-0020-03

一、研究方法和数据

（一）研究方法

1.LMDI分解法

运用LMDI分解方法的加法分解形式将碳排放进行因素分解，精确衡量各分解因素对碳排放的影响程度[1]。具体步骤如下。

碳排放增长量综合效应公式如下所示：

△C=△Cp+△Cs+△Ce+△Cy+△Cd（1）

其中，等号右边式子表示分解后的公式；p表示人口数量，用来衡量人口发展规模；s=■表示人均GDP，衡量经济发展水平；e=■表示能源强度；y=■表示能源结构；d=■表示产业结构；C表示安徽省碳排放总量，P表示人口数量，G表示国内生产总值（GDP），E表示能源消费总量，Ei表示第i种能源消耗量，I表示工业生产总值；将各个效应导致的碳排放量的变化与碳排放总增量的比率称为该效应的贡献。

2.STIRPAT模型

构建STIRPAT模型[2]，表达式如下所示：

lnC=α+β1lnp+β2lns+β3lne+β4lny+β5lnd+β6lnu+β7lnr+β8lnt（2）

其中，C表示碳排放总量，p表示人口数量、s表示人均GDP，e表示能源强度，y表示能源结构，d表示产业结构，u表示城镇化率，r表示居民消费水平，t表示科技水平。为消除变量间多重共线性问题，本文选择采用岭回归进行分析。

（二）研究数据

1.数据来源

能源相关数据均来自历年《中国能源统计年鉴》和《安徽省统计年鉴》（2003—2021）。本文所考察的主要能源数据包含原煤、焦炭、原油、燃料油、汽油、柴油、煤油以及天然气这八种能源的消费量。各能源碳排放系数如表1所示。

2.碳排放测算

本文选用排放因子法[3]进行碳核算。根据IPCC提供的碳核算基本公式如下所示：

C=Ei×ηi×fi（3）

式中，C为能源消费引起的碳排放，为终端能源消费的第i类能源的消费量，为第i类能源折标准煤参考系数，为第i类能源碳排放系数，碳排放系数是指燃烧化石能源释放出的热量所对应的碳量。根据公式（3），可计算出安徽省2000—2019年能源消费碳排放量，只对上述8种一次能源消耗所产生的碳排放量进行统计，结果如图1所示。

由图1可见，安徽省碳排放量在2000—2019年期间基本处于增长状态，只在2014—2016年间维持增速平稳。碳排放量在2009年增长最快，因为经济复苏和国际化大都市规划都造成能源消耗的迅速增长，从而产生大量碳排放。2009年后碳排放增速有所放缓，这一方面是由于以往能源消耗的快速增长导致能耗体量过大，因此之后碳排放增长相对较缓；另一方面，安徽省节能减排政策的有效实施也对减缓碳排放增速起到了重要作用。

二、安徽省经济社会发展现状

（一）人口发展及城镇化现状

根据安徽省统计局公布的统计数据，截至2020年初，安徽省人口总量为7 119.37万人，比上一年增加了36.48万人，增长率约为0.52%。其中，城镇人口为2 467万人，乡村人口为4 652万人，相较于上一年分别增加了154万人和-118万人。全省2019年出生人数和死亡人数分别为10.12万人和4.74万人，出生率和死亡率为12.03%和6.04%，自然增长率为5.99%；男性和女性占比分别为51.89%和48.11%，处于相对均衡状态。从人口年龄结构来看，65岁及以上人口占比13.93%，说明老龄化趋势比较严重。总的来看，近年来安徽省人口规模不断扩大，人口的快速增长可能会加大碳排放压力。人口城镇化率为55.81%，研究表明，一定的城镇化率可以抑制碳排放增长。

（二）经济发展现状

安徽省经济发展状况相较于长三角其他区域处于落后状态。2019年全年全省生产总值（GDP）为37 113.98亿元，居全国第11位，比上年增长9.12%。分产业看，第一产业增加值2 915.7亿元，增长3.2%；第二产业增加值15 337.9亿元，增长8%，其中工业增加值11 454.9亿元，增长7.5%；第三产业增加值18 860.4亿元，增长7.7%。此外，2019年安徽省进出口贸易总额为6 873 252万美元，其中出口总额为4 039 900万美元，占总量的58.78%。从这些数据可以看出安徽省经济正在迅速发展。

（三）能源消费现状

在一次能源消费方面，2019年原煤、原油、天然氣占比分别为83.65%、6.8%、2.6%，相比于2018年增加了452.6万吨标准煤；原油的消费相比于上一年减少69.35万吨标准煤；天然气使用量相比于上一年增加了41万吨标准煤。在各产业能源消费方面，根据2010—2019年安徽省统计年鉴数据，本文选择第一产业、第二产业、第三产业及居民生活能源消费数量。

三、结果分析

（一）LMDI因素分解结果

将安徽省2001—2019年碳排放总量进行LMDI因素分解，计算出各效应的贡献率，结果如图2所示。

由图2可见，人口规模效应、经济发展效应、能源结构效应以及产业结构效应的贡献率大多表现为正效应，能源强度效应的贡献率大多则表现为负效应。进一步分析各因素效应的贡献率发现，经济发展效应的增碳贡献率最大，能源强度效应的减碳贡献率最大。

（二）STIRPAT模型結果分析

1.指标选择

为了更全面地分析安徽省碳排放影响因素，结合图2的LMDI分解结果，将人口规模、人均GDP、能源强度、能源结构、产业结构作为构建模型的指标。除此

之外，城镇化水平推动了经济发展，应是碳排放影响因素之一。安徽省居民消费结构趋于优化，故引入居民消费水平来研究消费对碳排放的影响。安徽省高新技术企业发展较为迅速，截至2021年底，全省高新技术企业实现产值17 384.8亿元，营业收入19 511.5亿元，因此，科学技术也应作为碳排放的影响因素。综上，本文选择的模型指标有人口规模、人均GDP、能源强度、能源结构、产业结构、城镇化水平、居民消费水平、科学技术。

2.评价指标

为评价模型的预测效果，本文采用平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）[4]和可决系数（Coefficientof Determination，R2）[5]这两个评价指标。作为预测精度的指标。MAPE表示模型预测值和实测值之间的差异，如果这两个指标足够小，就说明模型误差越小。可决系数R2取值通常在（0，1）之间，表示模型的拟合度优，计算出的数值越逼近于1，表示模型拟合程度越好。其计算公式如下：

式中，n为样本总数，yi为预测值，yi为实际值，y为平均值。

3.模型搭建

根据建立的STIRPAT拓展模型，将lnC作为因变量，其余作为自变量，运用岭回归来进行参数估计，模型F值为14.75，且对应p值为0.002，说明整体回归是显著的。预测方程为：

lnC=8.605+0.010lnp+0.221lns-0.115lne+0.012lny+0.058lnd+0.004lnu-0.004lnr+0.124lnt（6）

由表2可知，该模型预测精度高达90%以上，误差MAPE可以控制在5%以内，说明该模型可以很好用于安徽省碳排放预测分析。

四、结论

本研究的主要目的是确定驱动安徽省碳排放的主要因素，并为碳减排提供一些相关的政策建议。本文通过LMDI因素分解认为，由于能源消耗而产生的碳排放被分解为能源结构、技术进步、经济产出和人口效应。分解结果表明，安徽省能源消费碳排放总量呈增长趋势。其中，经济增长和能源强度对碳排放有显著的影响；能源结构变动、经济发展和人口增长正向驱动了碳排放量；能源强度负向驱动了碳排放量。本文构建的STIRPAT拓展模型具有较高的预测精度以及较低的预测误差，可以很好用于碳排放预测。

参考文献：

[1]   方德斌，李晶，余谦.湖北省能源消费影响机理研究——基于Granger因果关系及LMDI[J].资源开发与市场，2017，33（8）：974-979.

[2]   张攀路，都沁军.京津冀地区碳排放影响因素研究——基于扩展STIRPAT模型[J].国土资源科技管理，2022，39（3）：14-23.

[3]   田泽，董凯丽，吴凤平.江苏省终端能源消费CO_2排放总量测算及驱动因素研究[J].中国人口·资源与环境，2015，25（11）：19-27.

[4]   薛亦峰，聂滕，周震，闫静，聂磊.北京市燃气工业锅炉NO_x排放及空气质量影响分析[J].环境科学与技术，2014，37（12）：118-122.

[5]   贺东风，官竹林，胡正彪.基于分类和ARIMA-WT-LSTM模型的高炉煤气产生量预测[J].冶金自动化，2022，46（2）：103-109.

[6]   王欣，孟天宇，周俊曦.基于注意力与LSTM的航空发动机剩余寿命预测[J].科学技术与工程，2022，22（7）：2784-2792.

[7]   朱永彬，王铮，庞丽，等.基于经济模拟的中国能源消费与碳排放高峰预测[J].地理学报，2009，64（8）：935-944.

[8]   Grossman GM，Krueger AB.Environ ment a limpacts of a North American freetradea greement[R].National Bureauof Economic Research，1991.

[9]   郭承龙，徐蔚蓝.基于STIRPAT模型的江苏省碳排放影响因素研究[J].中国林业经济，2022，（1）：89-93.

[责任编辑   妤   文]