王盛，談健，馬亞輝，鄒風(fēng)華

（1.國網(wǎng)（蘇州）城市能源研究院有限公司，江蘇蘇州 215163；2.國網(wǎng)江蘇省電力有限公司經(jīng)濟(jì)技術(shù)研究院，南京 210008）

0 引言

近些年來，隨著社會經(jīng)濟(jì)的飛速發(fā)展，中國在2009 年超過美國，成為全球碳排放量最大的經(jīng)濟(jì)體［1］。作為負(fù)責(zé)任的大國，中國出臺了一系列以減少碳排放量為目的的能源政策，力爭在2030年前實現(xiàn)碳達(dá)峰，2060 年前實現(xiàn)碳中和。江蘇省是我國東部沿海能源消費(fèi)大省，而蘇州市作為江蘇省經(jīng)濟(jì)體量最大的地級市，是降低碳排放量的主力軍?！笆濉逼陂g蘇州市碳排放強(qiáng)度下降超過22%，提前完成國家、江蘇省下達(dá)的減碳任務(wù)［2］。然而，在接下來的“十四五”規(guī)劃中，蘇州市受經(jīng)濟(jì)增長、城市發(fā)展等各方面的影響，進(jìn)一步減少碳排放量面臨著巨大壓力。因此，分析驅(qū)動碳排放量增長的主要因素、對未來碳排放趨勢進(jìn)行綜合研判并基于此對癥下藥，是未來幾年達(dá)成降碳目標(biāo)的重要技術(shù)支撐之一。

對于碳排放量驅(qū)動因素的研究，目前主流的方法包括結(jié)構(gòu)分解（Structure Decomposition Analysis，SDA）法［3］、指標(biāo)分解（Index Decomposition Analysis，IDA）法［4］以及數(shù)據(jù)擬合法［5］，其中，對數(shù)平均迪氏指數(shù)（Logarithmic Mean Divisia Index，LMDI）法作為指標(biāo)分解法的一種，由于對數(shù)據(jù)要求較低、全分解、估計無偏差等特點而得到廣泛應(yīng)用［6］。文獻(xiàn)［7］基于LMDI 法對上海市的工業(yè)碳排放量影響因素進(jìn)行了分解，提出了產(chǎn)業(yè)升級轉(zhuǎn)型比能源結(jié)構(gòu)調(diào)整更重要的觀點。文獻(xiàn)［6］采用LMDI 和Kaya 恒等式結(jié)合的方式，以自下而上的模型分析了中國商業(yè)建筑的碳排放結(jié)構(gòu)。文獻(xiàn)［8］基于中國的化學(xué)工業(yè)，分析了節(jié)約電能對二氧化碳、硫化物、氮氧化物、固體顆粒等排放的綜合影響。文獻(xiàn)［9］基于LMDI 法研究了中國能源供應(yīng)行業(yè)的碳排放量和經(jīng)濟(jì)發(fā)展直接的解耦關(guān)系，并提出了相應(yīng)的政策建議。

在碳排放量預(yù)測模型方面，目前應(yīng)用較為廣泛的包括人口、經(jīng)濟(jì)和技術(shù)的影響（Impact，Population，Affluence，and Technology，IPAT）模型［10］、可拓展的隨機(jī)性環(huán)境影響評估（Stochastic Impacts by Regression on Population，Affluence，and Technology，STIRPAT）模型［11］、長期能源替代規(guī)劃系統(tǒng)（Longrange Energy Alternatives Planning System，LEAP）模型［12］等。文獻(xiàn)［13］基于IPAT模型和擴(kuò)展的STIRPAT 模型對黃河流域交通運(yùn)輸部門的碳排放進(jìn)行了情景預(yù)測，提出了加快產(chǎn)業(yè)調(diào)整、清潔化交通工具和降低單位周轉(zhuǎn)量能耗水平等建議。文獻(xiàn)［14］利用STIRPAT 模型對未來中國碳排放量峰值進(jìn)行了預(yù)測。文獻(xiàn)［15］以內(nèi)蒙古自治區(qū)為例，采用協(xié)整分析方法構(gòu)建了碳排放量影響因素的長期均衡關(guān)系，并通過蒙特卡洛法進(jìn)行了動態(tài)模擬。文獻(xiàn)［16］根據(jù)2009—2019 年臨沂市工業(yè)碳排放數(shù)據(jù)建立了STIRPAT 模型,定量分析了臨沂市工業(yè)碳排放量與企業(yè)固定資產(chǎn)、人均工業(yè)生產(chǎn)增加值、能源強(qiáng)度和能源結(jié)構(gòu)的關(guān)系,通過嶺回歸消除了各自變量之間的共線性問題。文獻(xiàn)［17］基于改進(jìn)的STIRPAT 模型，從時間和行業(yè)2 個維度測算了江蘇省碳排放的數(shù)量特征及演進(jìn)規(guī)律。文獻(xiàn)［18］基于STIRPAT 模型和嶺回歸技術(shù)，對江蘇省能源消費(fèi)碳排放進(jìn)行了影響因素分析及趨勢預(yù)測。

但上述研究有一些考慮不夠充分之處。

（1）在碳排放影響因素分解方面，無論是省、市統(tǒng)計局?jǐn)?shù)據(jù)還是公開的數(shù)據(jù)庫資料，都缺少對外來電的統(tǒng)計。蘇州市作為江蘇省負(fù)荷中心與工業(yè)用電大市，具有特高壓、交直流混聯(lián)等復(fù)雜的電網(wǎng)結(jié)構(gòu)［19］，若不考慮外來電消費(fèi)過程中的碳排放量，而將其歸口至外來電來源地區(qū)能源部門的碳排放量，顯然是不合理的；另一方面，以往的研究通常未考慮產(chǎn)業(yè)結(jié)構(gòu)與能源結(jié)構(gòu)的影響，而這兩者往往是相互作用的，文獻(xiàn)［20］提出了基于兩階段的同時考慮這兩者影響的碳排放量分解方法，但缺乏統(tǒng)籌考慮兩者的機(jī)制。

（2）以往的碳排放量預(yù)測方法多基于絕對數(shù)量的數(shù)據(jù)擬合，但由于各數(shù)據(jù)量綱不同，數(shù)量級相差較大，無法直接反映影響因素的作用機(jī)制且對數(shù)值較為敏感，容易形成較大誤差；另一方面，以往的碳排放量預(yù)測未考慮未來各因素的不確定性，多采用基于預(yù)設(shè)場景的確定性預(yù)測方式，只能分析給定場景下碳排放量的可能情況，而無法將長期尺度上不確定性的概率分布特性和區(qū)間特性納入考慮范圍。

因此，本文提出了一種考慮多重不確定性的基于LMDI 的城市碳排放量影響因素分析及預(yù)測方法。首先，基于蘇州市統(tǒng)計局公布的能源平衡表信息，將外來電納入考慮范圍，計算蘇州市的碳排放總量；其次，基于擴(kuò)展的Kaya 恒等式以及LMDI 法，考慮能源消費(fèi)結(jié)構(gòu)和產(chǎn)業(yè)結(jié)構(gòu)的影響，分解碳排放量增長的影響因素；然后，基于Kaya 恒等式分解得到的各驅(qū)動因素的預(yù)測結(jié)果，通過箱型不確定集（Box Uncertainty Set）來刻畫其不確定性，基于改進(jìn)的STIRPAT 法求取多元線性回歸參數(shù)并通過構(gòu)建優(yōu)化問題獲取碳排放量預(yù)測的上下邊界，從而得到未來碳排放量預(yù)測結(jié)果的區(qū)間；最后，通過蘇州市的數(shù)據(jù)，驗證所提出方法的有效性，并對蘇州未來城市發(fā)展提出有效建議。

1 碳排放量計算及影響因素分析

1.1 碳排放量計算

根據(jù)蘇州市統(tǒng)計年鑒內(nèi)全市規(guī)模以上工業(yè)企業(yè)分行業(yè)能源消費(fèi)量表，碳排放量可以表示為

式中：ct為第t年的碳排放量；I，J分別為能源類型和工業(yè)中細(xì)分行業(yè)類型的集合；ei，j，t為工業(yè)中細(xì)分行業(yè)j在第t年能源類型i的消耗量（折算成標(biāo)準(zhǔn)煤）；Ki為能源類型i的標(biāo)準(zhǔn)煤折算系數(shù)；Fi為能源類型i的碳排放系數(shù)。

1.2 基于LMDI的碳排放量影響因素分析

采用Kaya 恒等式對碳排放量的影響因素進(jìn)行分解。經(jīng)典的Kaya 恒等式通常將碳排放量影響因素分為人口增長、經(jīng)濟(jì)發(fā)展、能源消耗強(qiáng)度和碳排放系數(shù)［6］

式中：pt為人口；gt為地區(qū)國內(nèi)生產(chǎn)總值（Gross Domestic Product，GDP）。

但經(jīng)典Kaya 恒等式的這些因素還不足以構(gòu)成蘇州市碳排放量影響因素的詳細(xì)模型，蘇州市規(guī)模工業(yè)的碳排放量還有其他更為復(fù)雜的影響因素，如能源結(jié)構(gòu)、細(xì)分行業(yè)中高能耗的產(chǎn)業(yè)結(jié)構(gòu)、外來電比例等。在此基礎(chǔ)上對式（2）進(jìn)行擴(kuò)展

式中：為細(xì)分行業(yè)j中電力消耗所產(chǎn)生的碳排放量；分別為行業(yè)j在t年的電力消耗和能源品類i的消耗；ej，t為行業(yè)j的能源總消耗量（折算成標(biāo)準(zhǔn)煤）；gj，t為行業(yè)j的GDP；將影響碳排放量的因素分解為5 個，分別是經(jīng)濟(jì)增長、電力的能源結(jié)構(gòu)和其他能 源的能源 結(jié)構(gòu)Ai，j，t、GDP 的 產(chǎn)業(yè)結(jié) 構(gòu)Bj，t、能源消耗強(qiáng)度Cj，t、能源的碳排放系數(shù)Fi，t。

選取某一年t0為基準(zhǔn)年，將其碳排放量記為c0，那么，任何所要研究的T年的碳排放量cT可以表示為

式中：Δct為每年的碳排放增量；分別為經(jīng)濟(jì)增長、電力的能源結(jié)構(gòu)、產(chǎn)業(yè)結(jié)構(gòu)、能源消耗強(qiáng)度和碳排放系數(shù)對電力部分碳排放增量的影響；分別為5項影響因素對其他能源部分碳排放量的影響。

基于LMDI 法可以計算出各影響因素所造成的碳排放增量［21］

2 碳排放量預(yù)測

對于碳排放量的預(yù)測，目前并沒有完全成熟、可信的基于機(jī)制驅(qū)動的方法。由上一節(jié)可知，碳排放量受經(jīng)濟(jì)增長以及社會用電用能等多種因素的影響，這些因素的數(shù)據(jù)可以參考國家、省、市統(tǒng)計局發(fā)布的官方數(shù)據(jù)，或者采用較為成熟的預(yù)測方法進(jìn)行預(yù)測。因此，可以通過改進(jìn)的STIRPAT 法將碳排放量預(yù)測轉(zhuǎn)化為基于經(jīng)濟(jì)、用能等因素的預(yù)測結(jié)果而形成的間接計算結(jié)果。

2.1 不確定性建模

在獲取官方公布或其他方法預(yù)測得到的碳排放量各類影響因素數(shù)據(jù)的同時，需考慮各因素存在一定的不確定性，本文采用箱型不確定集來描述各類因素的不確定性

對于其他因素，同理可得到分能源類型和行業(yè)的能源消耗量的不確定集。這些不確定集需要滿足下式

2.2 預(yù)測方法

基于IPAT 或STIRPAT 法對碳排放量進(jìn)行預(yù)測時，多采用人口、GDP、能源結(jié)構(gòu)等因素絕對量一定冪次的乘積對碳排放量的絕對值進(jìn)行擬合，但該方法由于采用絕對量，因此無法在量綱上形成對應(yīng)關(guān)系；同時，由于碳排放量與這些因素并無直接聯(lián)系，因此無法證明其擬合的合理性。本文采取對碳排放量相對變化進(jìn)行擬合的方式，從而避免上述問題，具體表達(dá)式如下

式中：αi，j，βi，j，γi，j，δi，j分 別 為擬合參數(shù)；εi，j為誤差系數(shù)。

為減少異方差、簡化計算，對兩邊取對數(shù)可以將其線性化

通過最小二乘法進(jìn)行擬合，可以得到各參數(shù)值。

進(jìn)一步考慮不確定性因素，則可以通過求解優(yōu)化問題得到預(yù)測年度碳排放量的上下限

式中：ct′為t′年的碳排放量。

服從以下不確定集約束（17）以及碳排放量的多元線性回歸擬合結(jié)果（15）

3 數(shù)據(jù)來源說明

本文中，蘇州市GDP、能源消費(fèi)等數(shù)值來自蘇州市統(tǒng)計局發(fā)布的各年度蘇州統(tǒng)計年鑒；GDP 及其增速根據(jù)當(dāng)年價格計算；碳排放系數(shù)來自聯(lián)合國政府間氣候變化專門委員會（IPCC）發(fā)布的《IPCC 2006 年國家溫室氣體清單指南2019 修訂版》及我國《省級溫室氣體清單編制指南》；標(biāo)準(zhǔn)煤折算系數(shù)來自《中國能源統(tǒng)計年鑒》。

4 案例分析

4.1 蘇州市工業(yè)碳排放量測算與影響因素分析

2010—2019 年，蘇州市的工業(yè)經(jīng)濟(jì)總體呈波動增長的態(tài)勢。蘇州市規(guī)模以上工業(yè)（以下簡稱規(guī)模工業(yè)）產(chǎn)值從2010 年的2.47 萬億元增長至2019 年的3.35 萬億元，增幅達(dá)35.96%，年平均增速為3.47%，能源消費(fèi)總量也從2010 年的4 601 萬t 標(biāo)準(zhǔn)煤上升至2019 年的5 612 萬t標(biāo)準(zhǔn)煤，上升21.96%，年平均增幅達(dá)2.23%。另一方面，各細(xì)分行業(yè)處于產(chǎn)業(yè)結(jié)構(gòu)與能源結(jié)構(gòu)轉(zhuǎn)型的時期，如GDP 占比最高的電氣機(jī)械及器材制造業(yè)從2010年的33.85%下降至2019 年的20.08%，而交通運(yùn)輸設(shè)備制造業(yè)和燃?xì)馍a(chǎn)和供應(yīng)業(yè)GDP占比分別從2010年的3.28%，0.28%上升至2019年的6.64%，0.85%。

隨之而來的是碳排放量的逐年變化，如圖1 所示，2010—2019 年，蘇州市規(guī)模工業(yè)的碳排放量整體而言是小幅上升了20.88%，年平均增幅為2.13%，但在2014，2015 年出現(xiàn)了短時間下降的態(tài)勢。從碳排放的能源結(jié)構(gòu)來說，煤炭類始終是規(guī)模工業(yè)碳排放的主要來源之一，但其占比在逐年小幅下降，從2010 年的68.97% 下降至2019 年的64.55%。隨著用電負(fù)荷的上漲，電力消耗所產(chǎn)生的碳排放量占比逐年上升，從2010 年的25.47%上升至2019 年的29.19%?？傮w而言，蘇州市規(guī)模工業(yè)碳排放能源結(jié)構(gòu)變動不大。

圖1 蘇州市規(guī)模工業(yè)碳排放能源結(jié)構(gòu)Fig.1 Carbon emissions from different large-scale industries in Suzhou

圖2展示了蘇州市規(guī)模工業(yè)碳排放結(jié)構(gòu)的主導(dǎo)產(chǎn)業(yè)。從各細(xì)分產(chǎn)業(yè)的碳排放結(jié)構(gòu)看，碳排放主要來源于電力、熱力生產(chǎn)和供應(yīng)業(yè)，黑色金屬冶煉及壓延加工業(yè)，2019 年占比分別達(dá)33.19%，31.62%?？傮w而言，各細(xì)分行業(yè)的碳排放量占比保持平穩(wěn)。

圖2 蘇州市規(guī)模工業(yè)碳排放量細(xì)分產(chǎn)業(yè)結(jié)構(gòu)Fig.2 Carbon emissions from subdivisional industries in Suzhou

對蘇州市規(guī)模工業(yè)碳排放量進(jìn)行分解，如圖3所示。由圖3 可以看到，經(jīng)濟(jì)發(fā)展、電力消費(fèi)結(jié)構(gòu)、其他能源結(jié)構(gòu)、產(chǎn)業(yè)結(jié)構(gòu)和能耗強(qiáng)度對碳排放量增長的貢獻(xiàn)分別為0.680，0.037，-0.092，-0.300，0.097 億t。總的來說，在這10 年中，除了碳排放量下降的2014 年和2015 年，經(jīng)濟(jì)發(fā)展對碳排放量增長的貢獻(xiàn)度始終為正；電力消費(fèi)結(jié)構(gòu)對碳排放量增長的貢獻(xiàn)在不同年份不同，總體而言是略有促進(jìn)作用；其他能源消費(fèi)結(jié)構(gòu)對碳排放量的增長有抑制作用；產(chǎn)業(yè)結(jié)構(gòu)是碳排放量增長最主要的抑制因素之一；能耗強(qiáng)度對碳排放量總體是抑制的，但在不同年份的影響不同，在2011 年和2017—2019 年起抑制作用，在2012—2016年起促進(jìn)作用。

圖3 蘇州市規(guī)模工業(yè)碳排放量影響因素分解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經(jīng)濟(jì)發(fā)展放緩為代價。近10年來，蘇州市產(chǎn)業(yè)結(jié)構(gòu)變革初見成效，但能源結(jié)構(gòu)優(yōu)化仍有待提高，未來，希望清潔能源替代和電氣替代能夠有效助力“雙碳”目標(biāo)的實現(xiàn)。

4.2 蘇州市工業(yè)碳排放量預(yù)測

對蘇州市規(guī)模工業(yè)不同能源、不同細(xì)分行業(yè)碳排放量歷史數(shù)據(jù)進(jìn)行多元線性回歸分析，其擬合誤差如圖4 所示。由圖4 可以看出，擬合誤差基本控制在合理范圍內(nèi)，其中誤差在±0.5%范圍內(nèi)的概率為85.98%，驗證了該回歸方法的有效性。不同能源類型的預(yù)測精確度有所不同，其中，焦煤、汽油、電力等誤差較小，如電力誤差在±0.5%范圍內(nèi)的概率為97.06%，說明對這些能源的碳排放量預(yù)測較為準(zhǔn)確。

圖4 不同能源的碳排放量擬合誤差分布Fig.4 Distribution of the fitting errors for carbon emissions by different energy

以食品制造業(yè)煤炭消耗產(chǎn)生的碳排放量為例，其擬合結(jié)果為

其他產(chǎn)業(yè)下其他能源的碳排放量擬合也同理。基于擬合的參數(shù)，可以對接下來幾年（2020—2024年）的碳排放量進(jìn)行預(yù)測。假設(shè)2020—2024年蘇州市各產(chǎn)業(yè)的GDP 增速與“十三五”一致，根據(jù)碳排放強(qiáng)度要求的不同，設(shè)置3 組對比場景。第1 個場景為能源強(qiáng)度根據(jù)“十三五”期間國務(wù)院發(fā)布的《“十三五”控制溫室氣體排放工作方案》下降相同的幅度，即下降20.5%（每年下降4.48%）；第2 個場景為控制碳排放強(qiáng)度不變；第3 個場景為不控制碳排放強(qiáng)度，保持原有增速。預(yù)測得到2020—2024年蘇州規(guī)模工業(yè)的碳排放結(jié)構(gòu)，如圖5所示。

圖5 不同場景下蘇州碳排放結(jié)構(gòu)預(yù)測Fig.5 Prediction on carbon emission composition in Suzhou under different scenarios

由圖5可以看出，碳排放強(qiáng)度政策不同，碳排放量的發(fā)展和結(jié)構(gòu)也顯著不同，總體而言，碳排放量為場景3>場景2>場景1。

場景1中，由于對碳排放強(qiáng)度做了要求，因此碳排放量逐年下降，2020—2024 年預(yù)計下降4.42%。其中，煤炭類的一次能源碳排放結(jié)構(gòu)調(diào)整顯著，下降了9.59%；石油類由于較為清潔、能效較高，用于替代煤炭類能源，2020—2024 年預(yù)計碳排放量會上升431.05%；而電力由于其較為清潔的特性，占比較為穩(wěn)定。

場景2 碳排放強(qiáng)度保持不變，所以碳排放量的增長速度基本與“十三五”期間一致，2020—2024 年預(yù)計上升13.72%。其中，煤炭類一次能源所產(chǎn)生的碳排放量穩(wěn)定上漲9.33%。

場景3 不控制排放強(qiáng)度的增長，因此增長速度基本也與“十三五”期間保持一致，2020—2024 年預(yù)計增長14.12%。其中，煤炭類一次能源所產(chǎn)生的碳排放量穩(wěn)定上漲7.33%。

以上為特定場景下的碳排放量預(yù)測，若考慮經(jīng)濟(jì)發(fā)展、能源消耗量等影響因素的多重不確定性，則可以得到未來碳排放量預(yù)測值的區(qū)間。假設(shè)GDP 的預(yù)測誤差為±2%，能源消費(fèi)量的預(yù)測誤差為±4%。在每個預(yù)測年份不確定集預(yù)算Γt=340的情況下，碳排放量的預(yù)測結(jié)果如圖6 所示。由圖6 可以看到，若不對經(jīng)濟(jì)發(fā)展、能源消耗強(qiáng)度等進(jìn)行人為干預(yù)，考慮其不確定性，2024 年蘇州市規(guī)模工業(yè)的碳排放量將達(dá)到2019 年的1.07～1.18 倍。其中，最低預(yù)測區(qū)間的年平均增速約為1.43%，最高預(yù)測區(qū)間的年平均增速約為3.42%。

圖6 蘇州市碳排放量預(yù)測區(qū)間Fig.6 Ranges of the predicted carbon emissions in Suzhou

5 結(jié)論

本文以蘇州市為例，提出了一種基于擴(kuò)展的Kaya 恒等式和LMDI 法的碳排放量影響因素分析方法，能夠同時考慮外來電以及能源消費(fèi)結(jié)構(gòu)和產(chǎn)業(yè)結(jié)構(gòu)的影響。通過基于箱型不確定集的不確定性建模，在基于確定性情景分析的基礎(chǔ)上，提出了考慮多種不確定性下碳排放量區(qū)間的預(yù)測方法；同時，對STIRPAT 方法進(jìn)行了改進(jìn)，提出了基于相對比例的碳排放量預(yù)測模型。

通過蘇州市的案例分析可以看出，煤炭類能源仍然占據(jù)能源消費(fèi)的主導(dǎo)地位，其絕對量基本保持穩(wěn)定，能源結(jié)構(gòu)占比逐年小幅下降。電力類能源碳排放量占比保持穩(wěn)定。從行業(yè)來看，能源生產(chǎn)和供應(yīng)業(yè)，黑色金屬冶煉及壓延加工業(yè)碳排放量占比較大。經(jīng)濟(jì)增長為碳排放量增長的主要驅(qū)動因素，產(chǎn)業(yè)結(jié)構(gòu)為主要抑制因素。這說明未來蘇州市仍需繼續(xù)堅持產(chǎn)業(yè)結(jié)構(gòu)升級，從一味追求經(jīng)濟(jì)發(fā)展向優(yōu)化經(jīng)濟(jì)結(jié)構(gòu)轉(zhuǎn)變，能源結(jié)構(gòu)也有待優(yōu)化。從預(yù)測結(jié)果看，如果強(qiáng)制執(zhí)行“十四五”期間降低碳排放強(qiáng)度的要求，將會倒逼蘇州市工業(yè)能源消費(fèi)結(jié)構(gòu)調(diào)整，促進(jìn)“碳達(dá)峰、碳中和”目標(biāo)的實現(xiàn)。