上海市能源消费碳排放预测分析
2023-05-30吴淑敏，高广阔
吴淑敏，高广阔
[摘要]本文以上海市为研究对象，探讨上海市能源消费碳排放的影响因素及对其未来发展趋势进行预测分析，为上海市碳减排工作寻求最佳路径、实现碳达峰与碳中和目标提供参有效参考依据。根据上海市的能源消费数据，运用IPCC法计算出上海市2000—2020年的能源消费碳排放量；采用Lasso方法从12个指标中选择出5个与因变量密切相关的指标，进而基于支持向量机预测模型进行仿真模拟。最后，运用情景分析法结合SVR模型，分析上海市未来十年的碳排放趋势并结合全文分析提出切实有效的节能减排建议。
[关键词] 能源消费碳排放预测；Lasso模型；SVR模型；情景分析
[中图分类号] F293.3 ［文献标识码］A ［文章编号］1000-4211（2023）02-0075-15
一、引言
近几年，气候异常现象日益严重，温室效应使全球变暖，各种自然灾害频频发生。为了控制温室气体排放，国际社会一直在为此做出努力。为促进国际合作，实现温室气体减排， 1992年6月，154个国家以及欧共同体元首和高级代表共同签署《联合国气候变化框架公约》（下简称《公约》）；1997年12月，为加强《公约》实施，《公约》第三次缔约方会议通过旨在限制发达国家的溫室气体排放的《京都议定书》；2015年4月22日，170多个国家的领导人在联合国总部共同签署了关于气候变化问题的《巴黎协定》。这些协议的签订体现出国际社会为应对全球气候变化问题所做出的努力，也体现出国际社会对这一问题的高度关注。
我国也面临着严峻的气候变化问题。《第三次气候变化国家评估报告》显示，近百年（1909—2011年）来中国陆地区域平均增温速率高于全球平均值，达0.9℃～1.5℃；近15年来气温上升趋缓，但仍然处在近百年来气温最高的阶段。2020年6月，习近平总书记在第七十五届联合国大会上做出庄严承诺，我国力争在2030年前实现碳达峰，在2060年前实现碳中和。实现碳达峰、碳中和对我国是一项巨大的考验，如何实现碳中和，以及如何促进绿色低碳发展是当前应重点关注的领域之一。减少室温气体排放势必减少对大气的污染，减缓生态恶化，造福全人类。国家的每个地区经济发展不均衡，结构也不一样，碳达峰的年份也存在着差异，因此，结合实际国情以及每个地区自身发展科学制定达峰方案的关键点是如何可以避免不合理的峰值以及峰值出现的时间。
上海市作为全国经济最强城市之一，近10年人均消费稳居全国第一且能源消耗一直处于增长状态，环境承载力也在逐年上涨，节能减排和低碳发展面临较大挑战。上海市为应对气候变化于“十四五”规划中强调，要进一步优化能源结构和产业结构，有效控制二氧化碳排放，稳步推进“碳达峰碳中和”。因而本文尝试分析上海市碳排放主要影响因素，进而以此为基础预测上海市未来能源消费碳排放量，并通过分析不同情景下宁夏碳排放的变动格势，对于科学制订并有效实施碳减排政策，促进低碳发展，具有重要现实意义。
二、文献综述
（一）碳排放影响因素研究
碳排放的影响因素极其复杂，因为研究对象与研究角度的不同，学者们分解的影响因素也不尽相同。目前学术界对碳排放的影响因素还没有权威说法，因此已有文献对影响因素的选择无对错之分。很多学者会通过相关算法来探究碳排放与影响因素之间的关系，刘贤赵（2019）基于PLS-VIP算法，研究10个与碳排放量相关的影响因素为自变量进行PLS建模，结果发现该方法能有效识别出与因变量相关性较强的变量，并从根本上减少进入模型的变量个数。王小燕等（2022）研究碳排放权价格的影响因素，基于复杂网络理论构建了指标的图结构，再建立图结构自适应Lasso方法（G-AdLasso）进行影响因素识别，发现G-AdLasso可识别出图结构中较重要的指标，并且明该方法可优化和精简模型。基于传统模型对碳排放和影响因素之间的研究也不在少数（张勇等，2014；林珊珊，2015；刘丽辉等，2016；Y Wang等，2017；陈占明等，2018；孙义等，2020；郭承龙等，2022）。基于STIRPAT模型对样本的统计数据进行回归分析，结果显示与碳排放高度相关的影响因素包括，人口、经济、产业结构、能源结构等。研究不同行业的碳排放影响因素意义也十分重大，如针对农业、渔业、工业、交通运输业等生产部门（薛选登等，2022；邵桂兰等，2015；石忆邵等，2016；刘妍慧等，2022）。通过对文献的梳理，可以发现学者们对碳排放的影响因素主要集中在人口结构、能源消耗、城镇化率、产业结构、经济发展水平等方面。
（二）碳排放量预测研究
根据研究范围的不同，对二氧化碳排放量的研究大体分为两类：一类文献从全国范围的角度分析预测我国碳排放量，另一类文献则是从区域范围的角度研究碳排放量。在使用统计计量模型预测碳排放方面，利用STIRPAT模型分别对未来全国以及地区的碳排放进行相关预测，并对历史时间序列数据进行回归，从中得出未来碳排放趋势（渠慎宁等，2010；赵慈等，2022；邓小乐等，2016）。基于灰色预测模型，对所选样本碳排放量进行中短期预测，并提出相应节能减排建议（杨克磊等，2014；黄昕怡等，2022）。Lester R K（2009）采用情景分析法对美国碳排放未来走势进行了探究，根据美国现实情况对未来社会经济发展假定三种情景，对未来碳排放量做了较好预测。运用回归预测选取对碳排放量影响大的因素，基于选择出的指标来预测未来碳排放趋势（N Bowerman，2010；Y Chen，2015）。与统计计量模型相比，人工智能模型能够有效地提取时间序列数据的线性和非线性特征，获得更精确的预测效果。柯虎等（2022）为了更加全面地运用时间序列数据信息来预测碳排放量，解决碳排放量数据的非线性、不稳定性问题，采用二次分解的BAS-LSTM模型对陕西省碳排放量进行预测。高金贺等（2022）建立了由遗传算法优化的支持向量机（GA-SVR）预测模型对未来北京市交通运输业的碳排放量进行预测，结果表明：该模型得到的数据和实际值之间有着良好的拟合回归效果。部分学者会采用神经网络相关方法对未来的碳排放量进行趋势预测，从模型预测结果来看，神经网络相关方法能较准确地预测未来的碳排放量，为城市的低碳规划和碳排放管控提供了量化依据（郝佳莹，2016；孙薇，2017；闫凤英等，2021；张迪等，2022）。
三、数据来源与结构分析
（一）数据来源及测算
1.数据来源
本文选取的数据样本区间为2000—2020年，研究数据来自《上海统计年鉴》（2001-2021）以及《中国能源统计年鉴》（2001-2021）
2.碳排放测算
碳核算最主要的形式可以被分为基于测量和基于计算两种方式，主要可以概括为三种：排放因子法、质量平衡法、实测法。其中排放因子法是适用范围最广、应用最为普遍的一种碳核算办法。各能源的碳排放系数是根据《2005年中国温室气体清单研究》和《2006年IPCC国家温室气体清单指南》等研究报告中的数据推算得出，本文所考察的主要能源数据包含煤炭、焦炭、原油、燃料油、汽油、柴油、煤油、天然气这八种能源的消费量，碳排放量计算公式如下：
C＝Ei×ηi×fi （1）
式中：C為能源消费引起的碳排放；Ei为终端能源消费的第i类能源的消费量；ηi为第i类能源折标准煤参考系数；fi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。
各类能源的折标准煤系数、碳排放系数来自《中国能源统计年鉴》以及《省级温室气体清单编制指南》，详见表1。
本文所选八种能源碳排放系数如表1所示，根据上述公式（1），可计算出上海市2000—2020年能源消费碳排放量，本文只对上述八种一次能源消耗所产生的碳排放量进行统计，其余方式产生的碳排放量忽略不计，测算结果如图1所示。
上海市能源消费碳排放量在2000—2020年期间大多处于增长状态，2020年上海市整体碳排放达到3亿吨，接近2000年的2倍。根据图1可以看出，上海市整体的能源消费碳排放总量的发展趋势，主要分为三个阶段：
（1）快速发展阶段
2000—2013年，上海市碳排放总量逐年增加且幅度较大，平均增幅超过4%，最高增幅甚至达到14%，此段时间，上海市经济也在快速增长促使能源消费快速增长。
（2）平稳发展阶段
2014—2016年，上海市能源消费碳排放总量较为平稳，平均增幅基本稳定在0.1%左右。“十三五”期间是经济增长模式转换的攻坚期，是落实全面发展的战略机遇期，在这一期间，经济增长建立在绿色增长的轨道上，因此上海市此段时间能源增长幅度较慢。
（3）回落趋势阶段
2017—2020年，上海市能源消费碳排放总量出现回落趋势，意味着上海市能源碳排放在一定程度上得到抑制，主要原因是，上海市紧跟国家政策，大力发展科学技术水平，优化能源结构以及更新产业结构。在一定程度上证明了上海市节能减排政策的有效实施为减缓碳排放增速也起到了重要作用。
（二）能源消费结构分析
能源消费碳排放结构是指使用能源（如石油、煤炭、天然气、核能、太阳能等）所导致的碳排放情况。这些碳排放主要来自能源生产、加工和使用过程中产生的二氧化碳以及其他温室气体。
通常情况下，煤炭和石油是消费的主要能源，也是导致碳排放最多的能源。因此，转向更清洁的能源，如太阳能和风能，以减少碳排放是解决气候变化的重要途径。此外，分析能源消费碳排放结构还可以帮助我们了解不同国家和地区使用能源的情况，以及碳排放与经济发展之间的关系，以促进清洁能源使用和减少碳排放。
根据图2可以看出，2000—2020年，上海市煤炭消费碳排放比重逐年降低说明煤炭的消耗量在降低，2000年上海市的煤炭、原油、天然气占比分别为45.7%、26.6%、0.05%；到了2020年，相应占比分别为27.2%、34.4%、1.3%。尽管上海市煤炭消费占比在降低，但是煤炭的特点表现在相较于其他能源的碳排放最高的，因此降低煤炭占比对于节能减排具有重要意义。相对于煤炭和原油，上海市近20年来的天然气资源利用有所增加，由2000年的0.05%增长到2020年的1.3%，天然气的使用将有助于摆脱低效煤炭消费造成的二氧化碳排放。近些年来，我国风电、水电发展势头好，风电技术已经达到世界领先地位。在保证能源安全使用的前提下，提高风电、水电、核电发电量也是我国迈向碳达峰碳中和目标的路径之一。上海经济进入高质量发展阶段，能源资源的需求更高更多元。这一巨大又不确定的能源需求前景对上海来说既是一种挑战，也是一种机遇，在采取有效措施提高能源效率的同时，不断优化能源结构，促进二氧化碳减排，做出表率。
四、仿真训练与结果分析
（一）相关理论
本文数据具有维数较高、样本量较小的特点。因此，在研究方法的选择上，为了克服高维、小样本数据可能引发的维数灾难、过拟合等问题，本文结合Lasso方法和支持向量机回归（SVR）构建本文的主要能源消费碳排放预测模型，结合Lasso和SVR的合理性在于能够有效实现两种方法的优势互补。支持向量机是以统计学习理论为基础的新型机器学习方法，可以保证找到的极值解是全局最优解，对未知样本有较好的泛化能力，在解决有限样本、非线性问题中有明显的优势，能够在小样本条件下根据数据样本的统计特性，进行更为精准的预测。对于Lasso方法和SVR模型的结合方式，本文采用串联组合的方法，即将Lasso方法的输出作为SVR模型的输入，具体步骤如下：首先使用Lasso方法筛选能源消费碳排放的影响因素，剔除对碳排放影响不显著的指标；然后将模型筛选出的指标作为输入变量加入SVR模型，构建能源消费碳排放预测模型。
1.Lasso模型
Lasso模型（张立军等，2018）在参数估计时，可以对估计值进行压缩，进而将不重要的因素压缩成0，这样可以达到特征筛选的功能。假设初始数据集为（Xn，Yn），n=1，2，…，N，其中Xn＝（xn1 xn2 ，...，xnm）T为自变量矩阵，Yn为因变量矩阵。令系数矩阵β＝（β1，β2，...βm，）T，假定经归一化处理的Xn无一般损失，则Lasso的估计量可以表示为：
（2）
其中，λ为惩罚因子，该参数越小，则惩罚度越小，模型中存留的自变量越多；反之存留的自变量越少。可采用K折交叉验证法确定λ的最优参数。
2.SVR模型
SVR算法（卞和营等，2014）通常运用在数据的拟合上，数学模型是在线性函数的两侧制造一个“间隔带”，其中落入到间隔带内的全部样本，均不会计入损失函数；只有落入到间隔带之外的样本，才需要计算损失。进而采用最小化间隔带的宽度以及总损失对模型进行调整优化。目标函数和约束条件如式（3）所示：
（3）
式中：C为惩罚因子，引入松弛变量和。
（二）影响因素分析
1.指标选择
能源消费碳排放量收到人口、经济发展、社会发展等众多因素的影响，是一个非线性复杂系统。在选择能源消费的各种影响因素时必须充分考虑影响因素之间以及与因变量之间的错综复杂关系。结合我国学者的研究成果（曹洪刚等，2015；冯梅等，2018；唐赛等，2021），认为影响能源消费碳排放的主要因素有如下几个方面：
（1）经济发展：随着经济增长，能源需求通常也会增加，特别是工业生产和城市基础设施方面。因此经济发展是影响能源消费的一个非常重要的因素。
（2）人口规模：随着人口的增加，对于生活必需品和工业生产的需求也会增加，从而增加了对能源的需求。更多的人口将被带到城市，从而增加了对公共交通、住房、医疗等城市基础设施的需求，进而增加了对能源的需求。所以人口规模也是能源消费碳排放的重要因素之一。
（3）产业结构：工业生产是能源消耗的主要来源，因此产业结构对工业生产的影响将直接影响能源消费碳排放。随着经济的发展，产业结构也在不断转型。从农业、制造业向服务业转型，由于各个产业对能源的需求不同，这种转型可能会导致能源消费的减少或增加。
（4）能源消费结构：不同类型的能源对二氧化碳排放强度的影响不同。使用化石燃料（如煤炭、石油和天然气）的能源产生的二氧化碳排放强度通常比使用可再生能源（如太阳能和风能）高得多。因此，在能源消费碳排放预测过程中，必须考虑未来优化能源结构降低对能源消费产生的碳排放量。
（5）科学技术：科学技术的进步对能源消费碳排放至关重要。具体来说，科学技术的进步可以提高能源生产效率，从而减少能源消费。例如，风能和太阳能发电技术的改进可以提高生产效率，使得可再生能源更加经济高效。同时还可以提高能源使用效率，从而减少能源消费和二氧化碳排放。再者，科学技术的进步可以帮助发展清洁能源，从而减少二氧化碳排放。碳捕捉、存储和利用技术可以使用化石燃料生产的二氧化碳不再排放到大气中，从而大大降低碳排放。
（6）居民生活消费水平：居民生活水平的提高伴随他们对能源需求的增加，从而增加了能源消费。随着人民生活水平的不断提高，人们的消费观念和行为有很大变化，人们不满足于基本的消费需求而要求高级的消费享受，增加了对能源直接消费量。
根据上述分析得出，能源消费碳排放主要影响因素有经济、人口、产业结构、能源消费结构、科学技术、居民生活消费水平六个方面，为了尽可能多的分析上海市能源消费碳排放因素，本文构建了与以上六个方面高度相关的12个指标，具体见表2。
2.基于Lasso模型的变量筛选
Lasso是于最小二乘上增加一个限制条件以此压缩估计参数，而参数压缩至低于一个阈值时将压缩至0，这样，通过剔除变量来完成筛选，筛选出的自变量对因变量影响相对更大。在Lasso模型中，直接决定进入模型的变量个数，进而影响模型回归的准确性。随着阈值的不断增大，本文初步选择的12个特征变量的系数依次缩减到0，即相应变量可从模型中剔除。其中，系数最晚缩减到0的特征变量对被解释变量预测的重要性最强，反之是最弱的。为使Lasso模型的结果更加准确，采用CV方法来确定的最优取值。交叉验证误差随取值变化的曲线如图3所示。由该图可知，图中黑色虚线表示当交叉验证误差最小时对应的，该值为0.00212；同时还可以发现，随着值的不断增大，误差也在爆发式增加。
对应系数中，剔除掉系数为0的变量后剩余五个变量，即选出了五个对上海市碳排放总量有重要影响的变量，结果见图4，该五个变量依次为能源结构、第二产业结构、能源强度、经济产出水平以及人口规模。
（三）模型训练与结果分析
1.模型训练
SVR做为SVM的分支从而被提出，SVM一般用于二分类问题，而SVR一般应用于数据的回归。本文所运用的SVR模型具体步骤如下：
第一步：歸一化处理训练样本中的相关历史数据，避免由于数据量纲差异大所带来的误差；
第二步：将图4的影响因素和上海市碳排放量作为模型输入。
第三步：确定核函数及其参数，然后通过构建目标函数求解最优化问题，得到反应数据规律的回归方程；
第四步：根据得到的回归方程预测测试数据的碳排放量。
2.结果分析
本节同样选择训练集年份为2000—2015年数据来训练样本建立支持向量机模型，测试集为2016—2020年数据用来检验模型预测性能。对于三种常见的核函数，分别训练SVR模型，并调节参数。
（1）线性核函数（linear）
线性核函数没有映射到高维度空间，所以需要调节的参数只有容忍错判的样本的惩罚系数C，本文设置C的范围是（10，50），
经分析，发现当C取12，模型预测效果最好，其中，测试集的RMSE、MAPE分別为983.4、4.1%
（2）高斯核函数（rbf）
由于该核函数存在两个参数松弛变量C和gamma，其中C取值为（10，50），gamma取值为[0.01，0.1，0.9，1.2]。经研究发现，当本文的SVR模型采用高斯核函数时，预测结果的误差均很大，说明rbf核函数不适用本文模型，导致模型预测效果很差。
（3）多项式核函数（poly）
该核函数同样存在两个参数：松弛变量C和阶数，故同样利用GridSearchCV函数进行网格搜索，其中C取值为（10，20），阶数取值为（1，10）。经分析发现，当C取10，阶数取值为1，Lasso变量模型预测效果最好。其中，测试集的RMSE、MAPE分别为1872.31、25.7%。
综上所述，模型参数分析过程，本文选择SVR模型的核函数为linear，惩罚系数C为12进行模型的构建。SVR预测模型预测性能指标见表3；SVR预测结果拟合曲线如图5所示，其中相对误差公式为：
（4）
从表3可知，对于测试样本的均方根误差（RMSE）为983.4，平均绝对百分比误差（MAPE）在5%以内，说明基于支持向量机建立的上海市碳排放预测模型误差较低，对于小样本线性关系逼近能力更强，在高维度小样本预测方面具有显著优势。
（四）碳排放预测
1.情景设定
情景分析法又叫前景描述法或脚本法，以某种趋势和某种现象将持续到未来为前提，对预测对象可能出现的情况或引起的后果作出预测的方法。常见用来对预测对象的未来发展作出种种设想或预计，表现为直观的定性预测。本文使用情景分析法，针对上海市目前的发展目标和战略，本文将对上海市2021—2035年碳排放的趋势进行预测，为了预测分析的简便性和减少误差，设定每个变量有“高速”和“低速”两种情景，参数设置固定变化值。预测上海市碳排放在各情景下的达峰时间及峰值并对结果进行分析。本文依据我国五年规划来进行年份的划分，即以五年为一个时间段设定一个标准，每一个五年都采用相同的增长速度。第一个时间段为2021—2025年，第二个时间段为2026—2030年，一共分为两个时间段来进行分析；设置好时间年限后，分别对能源结构、第二产业结构、能源强度、经济产出水平以及人口规模进行情景设定。
（1）能源结构情景设定
《中共上海市委 上海市人民政府关于完整准确全面贯彻新发展理念做好碳达峰碳中和工作的实施意见》中提到，到2025年，产业结构和能源结构明显优化，重点行业能源利用效率明显提升，与超大城市相适应的清洁低碳安全高效的现代能源体系和新型电力系统加快构建，循环型社会基本形成，绿色低碳循环发展的经济体系初步建立。单位生产总值能源消耗比2020年下降14％，到2030年，产业结构和能源结构优化升级取得重大进展，重点行业能源利用效率达到国际先进水平，节能低碳技术创新取得突破性进展。结合历史数据，本文设置低模式状态下，2021—2025年上海市能源结构增长率为9.5%，2026—2030年期间上海市能源结构增长率为6.5%；高速发展在前基础上增加3.5%。
（2）第二产业结构情景设定
关于第二产业结构的情景设定，查阅资料发现，“十三五”时期，上海工业总产值从33212亿元提高到37053亿元，平均增速2%；工业增加值从7110亿元提高到9657亿元，平均增速2%；2020年工业增加值占GDP比重为25%，顺利完成“十三五”目标。“十三五”期间国家把战略性新兴产业的发展调整到重要位置，新兴产业代表新一轮科技革命和产业变革的方向，是培育发展新动能、获取未来竞争新优势的关键领域，把战略性新兴产业摆在经济社会发展更加突出的位置，大力构建现代产业新体系，推动社会经济可持续健康发展。结合国家政策以及上海市自身发展本文设置低模式状态下2021—2025年上海市第二产业结构增长率为4.5%，2026—2030年期间上海市第二产业结构增长率为2.8%；高速发展在前基础上增加1.5%。
（3）能源强度情景设定
能源强度单位GDP的能源消耗量，它会随着技术的改进逐渐下降。“十一五”期间，上海市能源强度年均增长率为5.8%；“十二五”期间，上海市能源强度年均增长率为1.3%；“十三五”期间，上海市能源强度年均增长率为0.35%。按照上海市发展的长远规划，未来这一数值将继续下降，但是会随着技术瓶颈的出现表现出下降速度的减缓。因此在低模式状态下2021—2025年上海市能源强度年平均增长率为2.5%，2026—2030年期间上海市能源强度年平均增长率为1%，高速发展在前基础上增加1.5%。
（4）经济产出水平情景设定
上海市经济一直稳中有增的发展，“十一五”期间上海市经济产出水平增长率为10%；“十二五”期间上海市经济产出水平增长率为6.6%；“十三五”期间上海市经济产出水平增长率为7.4%。因此，本文设置低模式状态下，2021—2025年上海市经济产出水平增长率为9%，2026—2030年期间上海市经济产出水平增长率为11.5%，高速发展在低速发展基础上增加3.5%。
（5）人口规模情景设定
2020年上海市常住人口约2488万人，2001—2020年均增长率约为2.7%左右，2000—2020年上海市常住人口不断增加但年均增长率在降低。2021年“三胎”政策开放，考虑“二孩”政策的完成结果，即设定短时间会发生一定比例的人口增长，但长时间不会有大范围波动；“十一五”期间上海市年平均人口增长率为3.11%，“十二五”期间上海市年平均人口增长率为0.59%，“十三五”期间上海市年平均人口增长率为0.19%。考虑到疫情关系和政策影响，预计未来人口增长率会进一步增长但增长速度有所下降。因此，设置低模式状态下，2021—2025年上海市人口增长率为1.5%；2026—2030年期间上海市人口增长率为1%，高速发展在低速发展基础上增加1.5%。
综上，上海市能源消费碳排放各影响因素情景设置有32种组合方式，选择趋势差异较大的四种情景，如表4所示。
（6）碳排放预测
现运用SVR模型对上海市未来2021—2030年的碳排放进行估计，主要情景设定由上述表4可知，上海市未来碳排放发展趋势如下所示。
综合上述情景，利用SVR模型对2021—2030年上海市能源消费碳排放量进行预测，发展趋势如图6所示。在情景2中，即未来上海市各方面都处于高速发展状态，能源消费碳排放的增长速度最快，情景1中能源结构、第二产业结构、人口规模保持低速增长，能源消费碳排放的增长速度较慢。综上可以看出未来上海市要保持城市常住人口适度增长，转变经济发展方式，使经济高质量发展成为常态。
五、结论与建议
（一）结论
二氧化碳排放是造成温室效应的一个关键因素。高精度低误差的二氧化碳排放预测对节能减排具有重要意义。本文首先基于碳排放系数测算各年份上海市碳排放量。运用Lasso方法筛选出对上海市碳排放影响最大的因素，并搭建SVR模型，最后对2021—2030年上海市碳排放影响变量进行情景预测再基于SVR模型对2021—2030年上海市能源消费碳排放预测。本文主要研究结果总结如下：
本文测算了二氧化碳排放量。结果表明，上海市能源消费总量在不断增长，但增长速率有所下降。上海市的经济发展稳定增加；人口增速逐渐趋于稳定；2008年之前上海市主要发展第二产业，2008年之后上海市的发展重点逐渐转移到以服务业为主的第三产业。
本文利用Lasso模型，分析碳排放与变量之间的关系，研究发现人口、经济发展以及能源方面因素对碳排放变化大多为正向效应，具有促进作用。
上海市碳排放趋势预测。本文基于五年规划来划分未来的时间段设置了四种情景，基于SVR模型进行预测分析。研究发现，人口规模、第二产业结构以及能源结构保持低速发展，能源消费碳排放量较低且增速缓慢。
（二）建议
1.适度引导人口增长与流动
本研究可以看出，人口规模增长对碳排放的增长起到明显的积极影响。从国家层面而言，人口老龄化已经是必须面对的社会问题；而要解决这一问题且保证填补足够劳动力并保障社会运作的动力，三胎政策已经全面放开，人口净增长率势必会在一定程度上得到提升，但所带来的碳排放走势也务必关注，并做好系列预警机制。出生率和死亡率出现最大值差值时，即为人口到达峰值之时。因此，为促进人口数量的平稳过渡，各级计划生育部门需负担起职责，做好应对的中长期规划并确保计划实施落地，以避免人口数量出现井喷式增长。减少碳排放，增加森林碳汇；通过新颖的方式方法向全社会传达低碳环保的至关重要，来增强人们的社会责任感，促使居民优先选择低碳环保的出行方式、丰富能源使用种类等。
2.促进经济稳定发展
通过本文的研究可得，碳排放趋势上升最主要的原因是国民人均经济总量的不断增加，因此需要着重考虑这个因素。随着周边乃至整个中国环境的不断变化，对经济发展的策略由重视速度转变成质量优先。上海市若要在促进经济稳步发展的同时保证经济质量，可从以下方面进行探讨：建设科技创新激励平台，使得更为广泛的潜在创新主体看得到机会、收得到激励、享受到奖励，达到壮大创新主体力量的目的；依据灵活的人才吸引政策来广泛吸纳专业领域人才，鼓励众扶、众筹等新型商业模式来发展创新创业投资；依据企业市场调查驱动的为需求，以自主研发以及高校合作研究为主多条研发途径并存的方式，完成国家级高新区的建设，以加快科技成果转化速度；及时调整脱实向虚的发展趋势，保证上海市经济的稳步健康发展，并形成区域经济稳健发展的依托之力；推进资源的最优配置、实体经济的聚集，并以市场为主体、政策为导向使其逐步规模化、质量化、水平化；精准的选择投资方向，未来战略性新兴产业、服务业、生态环境保护等行业可能为主要投资方向。
3.能源技术创新方面
采取清洁能源替代技术、可再生能源替代技術和新能源技术等替代技术积极应对；依托地区人才优势加大资金及相关科研人才的投入，推进理论基础的研究与应用，聚焦技术前沿，推行关键技术攻关，加大推进绿色低碳技术，实现碳中和共性技术的普及应用；以低碳环保科技创新体系来创建生态示范区，促进绿色生产技术的高效产出，提高能源使用率，降低能耗来提高能效和减少二氧化碳排放；贯彻节能绿色环保的新思想，并加强国际相关技术的合作交流。
4.产业结构与能源结构方面
为创建低碳高效的能源体系，合理规划绿色低碳的产业结构。上海市通过大力发展节能技术、清洁能源技术等环保产业来提高清洁能源消费的比重。另外，受限于再生能源的推广受各方面限制，发展煤炭转化和高效利用技术来推进能源来源多样化、品种多样化的供给体系迫在眉睫。秉承国家战略，促进现行经济与互联网、人工智能、大数据等行业的深层次融合，智能制造和能源生态是当前生产模式的发展方向。同时需加速推动风力集中开发，加快高耗能、高污染、低产出企业的转型、淘汰。地区需要结合自身优势选择合适的领域，通过差异化发展，防止过热投资和产业布局，实现分区域、分行业稳步完成“双碳”目标的计划，促使能源结构实现绿色低碳转型。
参考文献：
[1]Bowerman N，Frame D，Huntingford C，et al. Reconciling cumulative and short-term targets for carbon emissions[C].EGU General Assembly Conference Abstracts.2010，12：12987.
[2]Chen Y，Zhang J.Carbon Emission Peak， Energy Consumption Peak and Their Influencing Factors：An Empirical Research on Multi-nations and China[J]. Journ al of International Trade，2015（6）： 92-100.
[3]Lester R K，Finan A.Quantifying the impact of proposed carbon emission red uctions on the US energy infrastructure[J]. Energy Innovation Working Paper Seri es，2009.
[4]Wang Y，Ying B I，Wang E D，et al. Scene prediction of carbon emission pe ak and emission reduction potential estimation in Chinese industry[J]. China Population Resources& Environment，2017，27（10）：131-140.
[5]卞和营，方彦军.基于支持向量回归的飞灰含碳量软测量[J].热力发电，2014，43（10）：46-50+61.
[6]曹洪刚，陈凯，佟昕.中国省域碳排放的空间溢出与影响因素研究——基于空间面板数据模型[J].东北大学学报（社会科学版），2015，17（06）：573-578+586.
[7]陈占明，吴施美，马文博，刘晓曼，蔡博峰，刘婧文，贾小平，张明，陈洋，徐丽笑，赵晶，王思亓.中国地级以上城市二氧化碳排放的影响因素分析：基于扩展的STIRPAT模型[J].中国人口·资源与环境，2018，28（10）：45-54.
[8]邓小乐，孙慧.基于STIRPAT模型的西北五省区碳排放峰值预测研究[J].生态经济，2016，32（09）：36-41.
[9]馮梅，杨桑，郑紫夫.碳排放影响因素的VAR模型分析——基于北京市数据[J].科学管理研究，2018，36（05）：78-81.
[10]高金贺，郑宝珠，周伟昊，李鹏.基于GA-SVR的城市交通运输碳排放预测研究[J].东华理工大学学报（自然科学版），2022，45（03）：269-274.
[11]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（01）：89-93.
[12]郝佳莹，高健.基于NSGA-Ⅱ改进BP神经网络的建筑碳排放—碳减排预测模型[J].建筑节能，2016，44（09）：122-124.
[13]黄昕怡，吴嘉仪，林文浩，吴秋霞.基于GM（1，1）模型的江苏省碳排放预测[J].黑龙江科学，2022，13（18）：26-28+32.
[14]柯虎，张新生，陈章政.基于二次分解BAS-LSTM的陕西省碳排放预测研究[J/OL].经营与管理：1-14[2023-02-05].
[15]林珊珊.江苏碳排放的数量测算及其影响因素——基于改进STIRPAT模型的计量检验[J].南通大学学报（社会科学版），2015，31（04）：9-16.
[16]刘丽辉，徐军.基于扩展的STIRPAT模型的广东农业碳排放影响因素分析[J].科技管理研究，2016，36（06）：250-255.
[17]刘贤赵，杨旭.中国碳排放影响因素的变量筛选研究——基于PLS-VIP方法[J].环境生态学，2019，1（08）：60-65.
[18]刘妍慧，栗洋.湖北省交通运输业碳排放测算及影响因素分解[J].统计与决策，2022，38（15）：88-92.
[19]渠慎宁，郭朝先. 基于STIRPAT模型的中国碳排放峰值预测研究[C]//2010中国可持续发展论坛2010年专刊（一）.[出版者不详]，2010：127-132.
[20]邵桂兰，孔海峥，于谨凯，李晨.基于LMDI法的我国海洋渔业碳排放驱动因素分解研究[J].农业技术经济，2015，No.242（06）：119-128.
[21]石忆邵，唐强，田丽雯.上海市开发区工业碳排放演变特征及影响因素分析[J].中国科技论文，2016，11（09）：961-969+976.
[22]孙薇，张骁.基于QPSO-LSSVM算法的中国碳排放预测[J].国网技术学院学报，2017，20（05）：20-25.
[23]孙义，陈楠，白微.基于STIRPAT模型的吉林省碳排放驱动因素研究[J].环境保护与循环经济，2020，40（06）：12-14.
[24]唐赛，付杰文，武俊丽.中国典型城市碳排放影响因素分析[J].统计与决策，2021，37（23）：59-63.
[25]王小燕，周思敏，徐晓莉，周四军.基于图结构自适应Lasso的碳排放权价格影响因素分析[J].统计与信息论坛，2022，37（04）：73-83.
[26]薛选登，马路，温圆月.河南省农业碳排放量测算及影响因素研究[J].河南科技大学学报（社会科学版），2022，40（05）：40-45.
[27]闫凤英，刘思娴，张小平.基于PCA-BP神经网络的用地碳排放预测研究[J].西部人居环境学刊，2021，36（06）：1-7.
[28]杨克磊，张振宇.天津市碳排放预测及低碳经济发展对策分析——基于改进GM（1，1）模型[J].重庆理工大学学报（自然科学），2014，28（02）：111-114.
[29]张迪，王彤彤，支金虎.基于IPSO-BP神经网络模型的山东省碳排放预测及生态经济分析[J].生态科学，2022，41（01）：149-158.
[30]张立军，谭冰洁.基于迹lasso模型的变量筛选方法[J].系统工程，2018，36（12）：127-134.
[31]张勇，张乐勤，包婷婷.安徽省城市化进程中的碳排放影响因素研究——基于STIRPAT模型[J].长江流域资源与环境，2014，23（04）：512-517.
[32]赵慈，宋晓聪，刘晓宇，沈鹏，陈忱，刘磊.基于STIRPAT模型的浙江省碳排放峰值预测分析[J].生态經济，2022，38（06）：29-34.
Forecast Analysis of Carbon Emissions from Energy Consumption in Shanghai
Wu Shumin， Gao Guangkuo
（School of Management， University of Shanghai for Science and Technology，
Shanghai 200093）
Abstract： Taking Shanghai as the research object， this paper discusses the influencing factors of carbon emissions from energy consumption in Shanghai and predicts and analyzes its future development trend， so as to provide an effective reference for Shanghai to seek the best path for carbon reduction and achieve carbon peaking and carbon neutrality. According to the energy consumption data of Shanghai， the IPCC method was used to calculate the carbon emissions of energy consumption in Shanghai from 2000 to 2020. Lasso method was used to select 5 indicators closely related to dependent variables from 12 indicators， and then simulation was carried out based on support vector machine prediction model. Finally， scenario analysis and SVR model are used to analyze the carbon emission trend of Shanghai in the next ten years， and practical and effective suggestions on energy conservation and emission reduction are put forward based on the full text analysis.
Key words： Forecast of Carbon Emissions from Energy Consumption; Lasso Model; SVR Model; Scenario Analysis
