区域能源消费碳排放及优化路径——以山东潍坊为例

资源描述：

第 40 卷第 3 期 2022 年 3 月河南科学 HENAN SCIENCE Vol. 40 No. 3 Mar. 2022 收稿日期 2021 - 10- 17 基金项目山东省社科规划项目（ 19CPYJ 15 ）；潍坊市软科学规划项目（ 2020 RKX 025 ）作者简介王鹏（ 1989 - ），男，会计师，硕士，主要研究方向为区域经济发展、高校财务管理通信作者殷凤朝（ 1990 - ），男，讲师，硕士，主要研究方向为区域经济发展、物流与供应链管理文章编号 1004- 3918 （ 2022 ） 03- 0449 - 08 区域能源消费碳排放及优化路径以山东潍坊为例王鹏 1 ，殷凤朝 2 （ 1 . 中国石油大学（华东），山东青岛 266580 ； 2 . 潍坊理工学院，山东潍坊 262500 ）摘要潍坊市作为低碳试点城市，评估和预测城市的碳排放情况、归纳低碳发展规律、合理制定低碳发展政策对城市发展很重要 . 分析潍坊市能源消费变化趋势，采用 IPCC 的通用方法对 1997 2019 年碳排放总量进行分析，基于 STIRPAT 模型，将潍坊市碳排放分解人口效应、财富效应、产业结构效应、能源消费强度效应、城镇化效应，应用岭回归进行定量分析 . 研究表明，潍坊市煤炭消费的绝对值虽然在下降，但是碳排放总量增加 . 在此基础上对潍坊市碳排放进行预测，并根据实际情况提出对策建议 . 关键词碳排放； STIRPAT 模型；影响因素；低碳发展中图分类号 F 572. 88 文献标识码 A R egional Energy Consumption C arbon Emission and Optimization Path Taking Weifang City as an Example WANG Peng 1 ， YIN Fengzhao 2 （ 1. China University of Petroleum （ East China ）， Qingdao 266580 ， Shandong China ； 2 . Weifang Institute of Technology ， Weifang 262500 ， Shandong China ） Abstract As a low- carbon pilot city ， it is i mportant for the development of Weifang to assess and predict carbon e m i s s i o n ， s u m m a r i z e t h e l a w o f l o w - c a r b o n d e v e l o p m e n t ， a n d r e a s o n a b l y f o r m u l a t e l o w - c a r b o n d e v e l o p m e n t p o l i c i e s . T h e g e n e r a l m e t h o d o f I P C C i s u s e d t o a n a l y z e t h e t o t a l c a r b o n e m i s s i o n f r o m 1 9 9 7 t o 2 0 1 9 ， a n d t h e e n e r g y c o n s u m p t i o n c h a n g e t r e n d o f W e i f a n g C i t y i s o b t a i n e d . B a s e d o n t h e S T I R P A T m o d e l ， c a r b o n e m i s s i o n o f W e i f a n g C i t y i s decomposed into population effect ， wealth effect ， industrial structure effect ， energy consumption intensity effect ， and urbanization e f f e c t ， a n d R i d g e R e g r e s s i o n i s u s e d f o r q u a n t i t a t i v e a n a l y s i s . T h e r e s u l t s s h o w t h a t a l t h o u g h t h e a b s o l u t e v a l u e o f coal consumption in Weifang is decreasing ， the total carbon emission is increasing. On this basis ， the carbon emission in Weifang is predicted ， and countermeasures are proposed according to the actual situation . Key words car bon emission ； STIRPAT model ； influencing factor ；low carbon development 在全球面临低碳转型的大背景下，寻求低碳支撑的经济发展，已迫在眉睫 . 2015 年 6 月，我国向联合国气候变化框架公约秘书处提交强化应对气候变化行动中国国家自主贡献，提出 2030 年左右达到峰值并争取尽早达峰； 2019 年 6 月，英国政府宣布到 2050 年前实现英国温室气体零排放的目标 . “ 十三五 ” 期间，山东省政府印发山东省低碳发展工作方案（ 2017 2020 ），要求潍坊市 2025 年前达到碳排放峰值 . 除了碳强度约束外，在碳排放总量上，还要求全省二氧化碳排放在 2027 年左右达到峰值，支持优化开发区域碳排放率先达到峰值 . 在此之前，国家方案则提到全国碳排放 “ 2030 年左右达到峰值并争取尽早达峰 ” . 2020 年，山东省政府工作报告提出 “ 全面完成国家下达的节能减排降碳约束性指标和环境质量改善目标 ” .第 40 卷第 3 期河南科学 2022 年 3 月潍坊市作为全国碳减排 81 个低碳试点城市之一，探索适合本地区低碳经济发展模式、路径，对新旧动能转换背景下完成碳排放约束目标以及区域经济竞争力的提高具有促进作用 . 1 文献综述国外学者在区域碳排放及影响因素方面的研究较早， Kaya ［ 1 ］提出著名的 KAYA 恒等式，将碳排放的原因归纳为人口数量、人均生产总值、单位生产总值的耗能量以及单位碳排放量 . York 等［ 2 ］应用可拓展的随机性的环境影响评估模型（ Stochastic Impacts by Regression on Population ， Affluence ， and Technology ， STIRPAT 模型）研究表明人口对二氧化碳排放和能源足迹具有比例效应 . Videras ［ 3 ］将二氧化碳排放总量与人口、富裕程度和技术指标联系起来，应用加权回归模型表明，二氧化碳排放弹性估计值存在明显的空间异质性 . Patarasuk 等［ 4 ］应用 STIRPAT 回归模型，研究表明人口、人均收入和建筑年龄与二氧化碳呈正相关，而家庭规模与二氧化碳排放呈负相关 . Yuli 等［ 5 ］构建了中国 182 个城市 2010 年的碳排放清单，涵盖了 47 个经济部门和 17 个能源品种 . 国内的研究起步晚，研究多集中在区域碳排放特征及影响因素，研究对象涵盖了国家级、省级、地市级多个维度 . 国家层面上，邓吉祥等［ 6 ］探讨了中国 1995 年以来不同区域的碳排放特征并结合 LMDI 方法揭示了各地区碳排放变化的主要因素；彭水军等［ 7 ］采用 MRIO 模型对中国 1995 2009 年生产侧和消费侧的碳排放进行了测算，研究表明生产侧碳排放高于消费侧，大量的生产侧碳排放来源于发达国家经济体的需求，消费侧碳排放来自消费规模的增长；武良鹏等［ 8 ］基于 DEA 方法结合对我国三种碳减排路径进行了总结，不同的经济发展阶段的区域应结合自身情况合理选择减排路径；张梅等［ 9 ］从能源消费、工程生产等多方面估算和分析了中国城市的碳排放，结果显示 2001 2015 年中国城市年碳排放量逐年增加，经济规模、二产比重、人均可支配收入、城镇化率对碳排放的增加有促进作用 . 省级层面上，王永哲等［ 10 ］采用灰色关联和 GM （ 1 ， 1 ）分析法对吉林省 2000 2012 年人均碳排放量进行分析及预测，表明要控制吉林省人均碳排放量，需加大科技投入、发展第三产业并调整能源价格；王凤婷等［ 11 ］基于 1996 2017 年京津冀地区产业碳排放数据，研究表明该地区碳排放的增长主要由河北拉动，严控高能耗产业、提高环境补偿可助力节能减排 . 地市级层面上，杨武等［ 12 ］基于 2010 2015 年武汉市三次产业和碳排放数据，对碳排放进行分解表明人口扩张和经济增长是促进武汉市碳排放增长的主要因素；王长建等［ 13 ］对广州市不同阶段的碳排放研究表明，碳排放主要来自生产部门，不同阶段的发展措施和政策会对各个影响因子产生显著影响；刘畅等［ 14 ］估算了 2015 年中 2170 个县域碳排放量，分析了当前县域碳排放量的空间分布 . 对于碳排放的研究已成为国内外研究的热点之一，在研究对象上，国家、省域层面较多；在研究方法上，有 LMDI 方法［ 15 ］、 DEA 方法［ 16 ］、 STIRPAT 方法［ 17 ］等 . 在前人研究基础上，采用 IPCC 的通用方法对 1997 2018 年潍坊市碳排放总量进行分析，应用 STIRPAT 模型进行碳排放因素分解、预测，并从生产端和消费端两个方面分别提出低碳经济发展对策，抓住控制关键点，力求有所创新 . 2 潍坊市能源消碳排放测算 2. 1 碳排放计算方法采用能源消费量的数据对碳排放进行测算，主要依据为煤炭、石油、天然气等能源的消费量，计算各地市能源消费量数据均来自统计年鉴，根据 IPCC 温室气体排放指南中的方法以及已有学者的研究，计算碳排放量时采用 17 种能源的消费总量折算为标准统计量（即标准煤）后，再与各自碳排放系数相乘［ 18 ］ . 原煤、洗精煤、其他洗煤、煤制品、焦炭、焦炉煤气、其他煤气、原油、汽油、煤油、柴油、燃料油、液化石油气、炼厂干气、天然气、其他石油制品、其他焦化产品等 17 种能源的碳排放系数（实物量）分别为 0. 548、 0. 680 、 0. 345、 0. 460 、 0. 830 、 0. 202、 0 . 244 、 0. 836、 0. 814 、 0 . 840 、 0. 862 、 0 . 882 、 0. 863 、 0. 722、 0 . 596 、 0. 703 、 0. 837 . 其公式为 C t ∑ i 1 1 7 E i r i ，其中 E i 第 i 种能源转换为标准煤后的消费量（ kg 标准煤或 kg ）； r i 为第 i 种能源的碳排放系数（标准量）； C t 为潍坊市第 t 年碳排放量 . 计算得到 1997 2019 年潍坊市碳排放量 . - - 450以 2019 年为例，计算过程如表 1 所示，应用同样的方法计算得到其他各年份的碳排放量如表 2 所示 . 表 1 潍坊市 2019 年碳排放计算表 Tab. 1 Calculation table of carbon emission in Weifang City in 2019 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 各能源类型碳排放合计能源类型原煤洗精煤其他洗煤煤制品焦炭焦炉煤气其他煤气原油汽油煤油柴油燃料油液化石油气炼厂干气天然气其他石油制品其他焦化产品消耗量数值 29 134 897 5 521 365 365 276 264 4 337 109 790 370 11 709 130 18 067 800 97 289 238 91 557 656 320 1 399 470 540 230 887 660 8467 500 662 单位 t t t t t km 3 km 3 t t t t t km 3 km 3 km 3 t t 折标系数数值 0 . 714 0 . 900 0 . 450 0 . 600 0 . 971 0 . 571 0 . 690 1 . 429 1 . 471 1 . 471 1 . 457 1 . 429 1 . 714 1 . 571 1 . 330 1 . 200 1 . 300 单位 t 标准煤 /t t 标准煤 /t t 标准煤 /t t 标准煤 /t t 标准煤 /t t 标准煤 /km 3 t 标准煤 /km 3 t 标准煤 /t t 标准煤 /t t 标准煤 /t t 标准煤 /t t 标准煤 /t t 标准煤 /km 3 t 标准煤 /km 3 t 标准煤 /km 3 t 标准煤 /t t 标准煤 /t 碳排放系数（标准量）数值 0 . 767 0 . 765 0 . 808 0 . 767 0 . 855 0 . 354 0 . 354 0 . 585 0 . 557 0 . 572 0 . 591 0 . 618 0 . 504 0 . 460 0 . 448 0 . 585 0 . 644 单位 t/t 标准煤 t/t 标准煤 t/t 标准煤 t/t 标准煤 t/t 标准煤 t/t 标准煤 t/t 标准煤 t/t 标准煤 t/t 标准煤 t/t 标准煤 t/t 标准煤 t/t 标准煤 t/t 标准煤 t/t 标准煤 t/t 标准煤 t/t 标准煤 t/t 标准煤碳排放/t 15 959 999 . 56 3 801 459. 80 132 797. 92 121. 48 3 600 908. 95 159 962. 89 2 861 687. 95 15 110 145 . 23 79 749. 44 200. 42 78 883. 98 579 073. 34 1 207 952. 60 390 162. 45 528 667. 22 5 947. 90 419 154. 23 44 916 875. 33 注数据来源于潍坊市统计年鉴 . 表 2 1997 2019 年潍坊市碳排放量、 GDP 数据表 Tab. 2 Data table of carbon emission and GDP in Weifang City from 1997 to 2019 年份 1 9 9 7 1 9 9 8 1 9 9 9 2 0 0 0 2 0 0 1 2 0 0 2 碳排放 / 万 t 3 8 2 . 9 4 4 1 3 . 8 7 4 4 4 . 8 1 4 9 8 . 3 5 5 5 1 . 8 9 6 4 1 . 5 4 G D P / 亿元 5 4 9 . 7 3 6 0 8 . 8 3 6 6 9 . 8 4 7 3 3 . 4 1 8 0 2 . 3 5 8 9 0 . 6 1 年份 2 0 0 3 2 0 0 4 2 0 0 5 2 0 0 6 2 0 0 7 2 0 0 8 碳排放 / 万 t 7 6 4 . 5 2 1 0 1 4 . 5 4 1 2 6 4 . 5 5 1 5 5 2 . 7 5 1 6 5 3 . 8 4 1 6 8 3 . 5 1 G D P / 亿元 9 8 6 . 7 9 1 1 1 0 . 1 4 1 2 5 0 . 0 2 1 4 0 3 . 7 7 1 5 7 0 . 8 2 1 7 2 3 . 1 9 年份 2 0 0 9 2 0 1 0 2 0 1 1 2 0 1 2 2 0 1 3 2 0 1 4 碳排放 / 万 t 2 2 0 5 . 5 1 2 2 4 0 . 7 2 2 4 5 1 . 1 5 2 4 0 0 . 2 9 2 4 5 0 . 4 9 2 7 2 5 . 7 8 G D P / 亿元 1 8 9 2 . 0 7 2 0 8 8 . 8 4 2 3 1 2 . 3 5 2 5 3 6 . 6 4 2 7 7 5 . 0 9 3 0 1 0 . 9 7 年份 2 0 1 5 2 0 1 6 2 0 1 7 2 0 1 8 2 0 1 9 碳排放 / 万 t 2 9 4 5 . 5 6 3 3 3 2 . 0 4 3 5 3 2 . 1 2 4 2 1 7 . 5 7 4 4 9 1 . 6 9 G D P / 亿元 3 2 4 5 . 8 3 3 4 8 6 . 6 9 3 7 4 1 . 9 3 3 9 7 7 . 7 8 4 1 9 4 . 6 1 注 1998 年、 2000 年、 2004 年数据缺失，均采用相邻年份的均值计算得到； 1997 2019 年 GDP 以 1997 年为基期处理 . 2. 2 潍坊市碳排放的时间序列分析随着潍坊市的经济发展，碳排放从 1997 年的 411 . 99 万 t 增长至 2019 年 4 491 . 69 万 t ，年均增长率为 11. 47 ；同期实际 GDP 从 1997 年的 549 . 73 亿元增长至 2019 年 4 194 . 61 亿元，年均增长率为 9 . 68 ，为进一步描述潍坊市碳排放增长情况，采用 Logistic 曲线进行估计 . Logistic 曲线是一种常见的 S 形函数，它是 Pierre Francois Verhulst 在 1844 年在研究人口增长的规律时命名的 . 广义 Logistic 曲线可以模仿产品成长过程及产业的发展规律，即起初阶段大致是指数增长；然后随着开始变得饱和，增加变慢；最后，达到成熟时增加停止 . Logistic 函数模型，也被称为生长曲线函数模型，模型表达式为 y 1 / 1 / k a b x . 其中 y 为因变量； x 表示自变量； a ， b ， k 为待估参数，其中 k 值表示碳排放饱和值的倒数，考虑到实际情况，而是按照 10 的增长率进行推算至 2030 年，得到 k 值为 11 401 . 08 万 t . 引用格式王鹏，殷凤朝 . 区域能源消费碳排放及优化路径以山东潍坊为例［ J ］ . 河南科学， 2022， 40 （ 3 ） 449 - 456 . - - 451第 40 卷第 3 期河南科学 2022 年 3 月将潍坊市碳排放的数值作出散点图（图 1 ），横轴表示年份，时间跨度为 1997 2019 年 . 从整体上看，排除特殊时期的影响，图形的斜率在增加，拐点不明显 . 其对应的方程为 y 1 / 1 / k a b x 1 / 1 / 1 1 4 0 1 . 0 8 0 . 0 0 2 7 5 0 . 8 9 2 2 x . 曲线的可决系数为 0 . 949 ，显著性 0. 000，方程拟合效果较好，从弹性以及数据上看，截至目前潍坊市一次能源碳排放仍在增加，并没有明显减缓的趋势，需进一步分析其影响因素 . 潍坊市煤炭消费比例实际上总体在下降， 1997 年煤炭消费（含煤制品）占 17 种能源消费总和的比例为 88. 71 ，至 2019 年数值下降至 52. 37 ，以时间 T 为自变量，煤炭消费比例为因变量，对其进行线性拟合，对应的回归方程为 C 0 . 9 3 7 - 0 . 0 2 1 T ，由此可得到，煤炭消费比例虽然下降，但是碳排放的总量在增加 . 3 基于 STIRPAT 模型的碳排放预测 3. 1 STIR PAT 模型及数据在环境压力与人文驱动力的之间的关系方面， Dietz 和 Rosa 在经典 IPAT 模型上提出了 IPAT 模型的随机形式即 S T I R P A T 模型［ 1 9 ］ . S T I R P A T （ S t o c h a s t i c I m p a c t s b y R e g r e s s i o n o n P o p u l a t i o n ， A f f l u e n c e ， a n d T e c h n o l o g y ）模型为可拓展的随机性的环境影响评估模型，通过对人口、财产、技术三个自变量和因变量之间的关系进行评估 . 基于以往学者的研究，能源消费碳排放的主要因素为人口效应、人均财富效应、产业结构效应、能源消费强度效应、能源消费结构效应和碳排放系数效应，因碳排放系数保持不变因此在此不做分析 . 为构建 STIRPAT 模型预测潍坊市能源碳排放量，基于已有研究［ 20 ］，其计算公式为 C t a P b t A c t I d t E e t R f ε . 式中 t 表示年份； C 表示碳排放量； P 、 A 、 I 、 E 、 R 分别表示人口、人均 GDP 、工业 GDP 占 GDP 的比例、能源消耗强度、煤炭消费占一次能源消费的比例，分别对应人口效应、人均财富效应、产业结构效应、能源消费强度效应、能源消费结构效应； a、 b 、 c 、 d、 e 、 f 为模型的参数； ε 表示随机扰动项，取对数以后，模型的形式为 l n C t l n a b l n P t c l n A t d l n I t e l n E t f l n R t ε t . 1997 2019 年潍坊市人口、第二产业的比例均来自潍坊市统计年鉴；人均 GDP 数据由 1997 年不变价下的历年 GDP 数据除以当年人口得到，表 3 中为处理后的人均 GDP 数据；工业 GDP 比例为工业 GDP 除以当年 GDP 总值；能源消耗强度由能源消耗碳排放量转化为标准煤后的合计值除以 1997 年不变价的 GDP 得到；城镇化率采取统计年鉴中 “ 户籍人口城镇化率 ” 作为参考指标 . 图 1 潍坊市碳排放增长曲线 Fig. 1 Carbon emission growth curve of Weifang City 5000 4500 4000 3500 3000 2500 2000 1500 1000 500 0 碳排放量 / 万 t 1997 1999 2001 2003 2005 2007 2009 2011 2013 2015 2017 2019 年份 - - 452表 3 潍坊市 1997 2019 年模型数据 Tab. 3 Model data of Weifang City from 1997 to 2019 年份 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 人口/ 万人 826.29 832.37 837.91 844.60 845.90 847.50 847.71 850.70 852.20 855.30 859.10 862.50 867.80 873.80 877.60 878.90 882.90 888.30 893.70 901.30 908.00 914.15 935.15 人均 GDP/ 元 6 652 . 99 7 314 . 42 7 994 . 18 8 683 . 52 9 485 . 16 10 508.67 11 640.66 13 049.72 14 668.15 16 412.60 18 284.48 19 979.01 21 803.07 23 905.24 26 348. 56 28 861. 53 31 431.53 33 895.87 36 319.01 38 685.12 41 210.68 43 513.43 44 854.94 工业 GDP 比例 / 41 .75 41 .55 40 .46 39 .68 37 .07 32 .25 28 .68 25 .25 28 .78 29 .69 30 .77 33 .16 38 .15 36 .66 36 .63 36 .61 38 .85 39 .43 40 .01 40 .40 40 .75 40 .05 40 .97 能源消费强度/ （ t 标准煤 · 万元 - 1 ） 1 . 49 1 . 46 1 . 44 1 . 48 1 . 47 1 . 55 1 . 66 1 . 99 2 . 18 2 . 35 2 . 16 1 . 96 2 . 25 2 . 05 2 . 00 1 . 71 1 . 63 1 . 67 1 . 69 1 . 80 1 . 82 1.95 2.02 城镇化率/ 24 .56 24 .82 24 .50 23 .33 24 .19 25 .67 27 .77 29 .14 37 .91 38 .39 43 .27 45 .14 46 .92 51 .66 56 .44 52 .37 52 .53 56 .11 50 .71 51 .70 52 .85 53 .12 53 .40 碳排放总量/ 万 t 382.94 413.87 444.81 498.35 551.89 641.54 764.52 1 014.54 1 264.55 1 552.75 1 653.84 1 683.51 2 205.51 2 240.72 2 451.15 2 400.29 2 450.49 2 725.78 2 945.56 3 332.04 3 532.12 4 217.57 4 491.69 注 GDP 数据以 1997 年为基期进行处理 . 3. 2 岭回归分析碳排放量及五个影响因素的相关系数如表 4 所示 . 为保证模型的合理性，对变量进行共线性检验，得到人口、人均 GDP 、工业 GDP 占 GDP 的比例、能源消耗强度、城镇化率的 VIF 值（方差膨胀系数， variance inflation factor ）分别为 40 . 067 、 60. 552 、 20. 85 、 2 . 757 、 8 . 944 ，部分变量的 VIF 值大于 10 ，数据之间存在多重共线性的问题 . 表 4 相关系数表 Tab. 4 Correlation coefficient table 变量 C P A I E R C 1.000 0.985 0.986 0.353 0.400 0.893 P 1.000 0.983 0.351 0.317 0.849 A 1.000 0.386 0.292 0.893 I 1.000 - 0. 464 0.241 E 1.000 0.480 R 1.000 注 C 表示碳排放量， P 表示人口数据， A 表示人均 GDP 数据， I 表示工业 GDP 比重， E 表示能源消耗强度， R 表示城镇化率 . 目前消除数据间多重共线性的方法主要有偏最小二乘回归、岭回归、逐步回归、 Lasso 回归等 . 以上几种模型中，逐步回归、 Lasso 回归会减少有效自变量的数量，对不同方法的参数进行比较后，岭回归方法的拟合优度、显著性较好 . 因此，应用岭回归进行碳排放因素分解，当偏倚因子取 0. 1 时，方程拟合优度最好，可引用格式王鹏，殷凤朝 . 区域能源消费碳排放及优化路径以山东潍坊为例［ J ］ . 河南科学， 2022， 40 （ 3 ） 449 - 456 . - - 453第 40 卷第 3 期河南科学 2022 年 3 月决系数为 0. 973 ，各变量值的系数趋于稳定， F 值为 59. 91 ，对应的 P 值为 0. 000 ，回归效果显著，得到岭回归方程为 l n C - 0 . 4 2 3 l n P 1 . 0 5 4 l n A 0 . 0 0 3 l n I 0 . 0 6 5 l n E 0 . 3 0 1 l n R 0 . 1 7 0 . 对应标准化的岭回归方程为 l n C - 0 . 4 2 4 l n P 1 . 0 8 2 l n A 0 . 0 0 3 l n I 0 . 0 6 5 l n E 0 . 3 0 4 l n R . 根据标准化的岭回归方程，按照解释变量从高到低对潍坊市碳排放影响因素排序为人均 GDP 反映的财富效应（ 1 . 082 ）、城镇化水平的城镇化效应（ 0. 304 ）、人口数量反映的人口效应、能源消费占 GDP 比重的能源消费强度效应（ 0 . 065 ）、工业 GDP 占总 GDP 比例反映的产业结构效应（ 0. 003 ） . 3. 3 潍坊市碳排放预测山东省低碳发展工作