劉 朝，王梓林，原慈佳

（1. 湖南大學工商管理學院，湖南長沙 410082；2. 湖南大學資源與環(huán)境管理研究中心，湖南長沙410082）

近年來，由碳排放造成的全球變暖問題受到各國重視。作為碳排放最多的國家，中國提出2030 年實現(xiàn)碳達峰的目標。而中國碳排放主要源自工業(yè)［1］，所以工業(yè)碳減排對碳達峰目標的實現(xiàn)具有重要意義。理論上技術創(chuàng)新具有高效、清潔等減排特征［2-3］，是減少工業(yè)碳排放的一個關鍵措施。但以往技術創(chuàng)新通常基于引進技術實現(xiàn)，隨著歐美等發(fā)達國家不斷對中國技術施壓，引進技術對技術創(chuàng)新的邊際貢獻已越來越小，工業(yè)低碳發(fā)展依賴自主技術創(chuàng)新已成必然［4］。《對“十四五”工業(yè)綠色發(fā)展的思考和建議》指出，“十四五”時期工業(yè)能源結構與行業(yè)結構亟須調整，而持續(xù)調整的工業(yè)結構可能影響自主技術創(chuàng)新對工業(yè)碳排放的減排效果［5］。因此，文章旨在厘清工業(yè)結構調整下自主技術創(chuàng)新對工業(yè)碳排放的影響進而預測其排放趨勢，對工業(yè)碳達峰具有重要意義。

1 文獻綜述

當前，學術界關于技術創(chuàng)新對碳排放影響的研究結論主要分為三類。其一是碳排放因技術創(chuàng)新水平提高而減少［6］。其二認為技術創(chuàng)新存在反彈效應［7］，從而導致碳排放增加。部分學者持第三種觀點，認為技術創(chuàng)新對碳排放的影響受外在條件影響而表現(xiàn)出不確定性。例如，Lin 等［8］研究表明，技術創(chuàng)新的減排效果隨能源結構中煤炭占比提高而減弱。類似地，Bai 等［9］將收入結構作為技術創(chuàng)新影響碳排放的門限變量，同樣表明技術創(chuàng)新的減排效果受結構條件影響。不僅如此，技術創(chuàng)新的減排效果在不同國家類別中存在明顯差異。Kumar 等［10］研究表明，技術創(chuàng)新有效減少發(fā)達國家碳排放，卻導致大多數(shù)發(fā)展中國家碳排放增加。從當前研究來看，技術創(chuàng)新對碳排放的影響研究較多，但結論未取得一致性。此外，專門分析自主技術創(chuàng)新對中國工業(yè)碳排放影響的實證研究較少，其原因可能是中國工業(yè)技術水平整體落后于發(fā)達國家，對國外引進技術依賴較強［11］，從而缺少對自主創(chuàng)新的重視。理論上技術創(chuàng)新主要通過原始創(chuàng)新、引進消化吸收再創(chuàng)新和技術外溢實現(xiàn)，對中國而言，后兩種方式的邊際貢獻已越來越小，工業(yè)后續(xù)低碳發(fā)展過程中自主技術創(chuàng)新的作用將日益凸顯。那么，自主技術創(chuàng)新能否有效減少工業(yè)碳排放？此外，鮮有文獻討論行業(yè)結構升級對自主技術創(chuàng)新減排效果的影響。而工業(yè)能源結構持續(xù)轉型、行業(yè)結構不斷升級，是否影響自主技術創(chuàng)新對工業(yè)碳排放的影響？這些問題需進一步明確。

基于歷史數(shù)據(jù)構建自主技術創(chuàng)新對工業(yè)碳排放影響的計量模型有助于掌握過去的影響情況，而預測自主技術創(chuàng)新潛在變化下的工業(yè)碳排放趨勢，則有助于找到未來工業(yè)低碳發(fā)展的實現(xiàn)路徑。碳排放預測是當前研究熱點之一，常用方法包括STIRPAT 模型、灰色預測方法、機器學習方法等［12-15］。Lin 等［14］基于GM（1，1）灰色預測模型預測中國臺灣地區(qū)碳排放。Xu 等［15］采用一種非線性人工神經網(wǎng)絡（NARX）預測中國碳排放，結果表明僅低增長情景下中國碳排放于2030 年前達峰，并提出降低碳密集工業(yè)化的低碳建議。然而，已有研究常關注中國整體或區(qū)域碳排放趨勢，預測中國工業(yè)碳排放的研究相對較少。王勇等［12］采用STIRPAT 拓展模型對中國工業(yè)碳排放達峰進行情景預測，結果表明僅低碳情景和抑制排放情景于2030 年前實現(xiàn)達峰。類似地，袁曉玲等［13］采用STIRPAT 拓展模型預測中國工業(yè)及8 大細分行業(yè)基準情景、低碳情景和高能耗情景的排放趨勢。已有文獻常采用STIRPAT 模型并結合情景分析預測工業(yè)碳排放，但情景設定通常只考慮各變量的線性影響，而實際情況為不同條件下變量對碳排放的影響存在不確定性［5，7-8，10］。因此，在情景設定時考慮變量非線性影響能夠使預測結果更貼合實際。此外，情景設定存在一定主觀性且缺乏客觀基準情景參考，導致情景設定的有效性難以判斷。而LSTM 神經網(wǎng)絡無需主觀設定各變量的變化速率，僅基于歷史數(shù)據(jù)即可預測工業(yè)碳排放。因此，將各變量非線性影響考慮至情景設定中，同時將LSTM 神經網(wǎng)絡預測結果作為基準情景，能有效彌補碳排放預測相關研究存在的不足。

綜上所述，文章對中國工業(yè)碳排放研究的邊際貢獻體現(xiàn)在以下三點：①聚焦自主創(chuàng)新，從工業(yè)結構視角切入，研究工業(yè)能源結構和行業(yè)結構調整下自主技術創(chuàng)新對工業(yè)碳排放的影響，拓展了當前工業(yè)碳排放問題的研究視角與內容；②將LSTM 神經網(wǎng)絡應用到工業(yè)碳排放預測問題上，避免了已有研究在情景設定時存在一定程度主觀性的問題，使研究結果更具客觀性和指導性；③根據(jù)不同工業(yè)結構下自主技術創(chuàng)新減排效果的階段性差異設置工業(yè)發(fā)展情景，使工業(yè)碳排放預測結果更貼合實際，同時為后續(xù)相關研究的情景設定提供了新的參考方向。

2 影響機理分析

基于資源來源差異，技術創(chuàng)新分為自主技術創(chuàng)新和引進技術創(chuàng)新。自主技術創(chuàng)新指不依賴國外技術引進與資金流入，本國進行的獨立技術創(chuàng)新。自主技術創(chuàng)新理論上是實現(xiàn)工業(yè)經濟轉型的核心驅動力，其影響工業(yè)碳排放的途徑主要包括三個方面。

首先，自主技術創(chuàng)新通過工業(yè)能源結構影響工業(yè)碳排放。對于傳統(tǒng)化石能源，自主技術創(chuàng)新有助于能效提高，進而減少工業(yè)活動能源浪費；對于清潔能源，自主技術創(chuàng)新能夠促進其開發(fā)生產，有助于形成煤、油、氣、核、清潔能源等多輪驅動能源生產開發(fā)體系。因此，自主技術創(chuàng)新能夠從能源消費和生產兩方面改善工業(yè)能源結構中煤炭占比過高的問題，進而影響工業(yè)碳排放。

其次，自主技術創(chuàng)新通過工業(yè)行業(yè)結構影響工業(yè)碳排放。自主技術創(chuàng)新有助于勞動力資源在各行業(yè)間得到優(yōu)化配置，削弱行業(yè)要素流動壁壘，加速行業(yè)結構升級。而行業(yè)結構升級實質為工業(yè)經濟增長方式和動力的改變，即資源從勞動力密集型行業(yè)、資本密集型行業(yè)逐漸轉向技術密集型行業(yè)。行業(yè)結構升級過程中，高能耗、重污染工業(yè)企業(yè)得到控制甚至逐步被淘汰，且工業(yè)技術設備更新?lián)Q代，從而緩解工業(yè)碳減排壓力。

最后，自主技術創(chuàng)新通過低碳創(chuàng)新成果影響工業(yè)碳排放。低碳創(chuàng)新成果主要包括三類，即無碳技術、減碳技術和去碳技術，旨在從碳排放產生源頭、產生過程及產生后期分別減少工業(yè)碳排放。然而，該影響路徑可能受能源結構影響。一方面，煤炭開采及使用具有穩(wěn)定、便宜等特點，而基于自主技術創(chuàng)新發(fā)展的清潔能源成本相對較高，且使用存在不穩(wěn)定性。因此，以煤炭為主要能源的工業(yè)企業(yè)更愿意繼續(xù)使用煤炭等化石能源，而忽視自主技術創(chuàng)新成果，不予采用［16］。另一方面，長期以煤炭為主的能源結構會抑制結構均衡調整［8］。工業(yè)發(fā)展長期依賴煤炭消耗，阻礙工業(yè)向低碳化轉型，導致工業(yè)乃至全社會忽視自主技術創(chuàng)新在清潔能源使用和低碳發(fā)展方面的作用，不僅抑制自主技術創(chuàng)新水平提高，而且阻礙創(chuàng)新成果轉化與使用。因此，不同工業(yè)能源結構下自主技術創(chuàng)新對工業(yè)碳排放的影響可能存在階段性差異。

此外，自主技術創(chuàng)新對工業(yè)碳排放的影響可能同樣存在行業(yè)結構門限效應。從整體看，技術密集型行業(yè)占比較高的地區(qū)更加重視自主技術創(chuàng)新，有利于形成促進創(chuàng)新的社會環(huán)境，進而促進自主技術創(chuàng)新發(fā)揮減排效果。從競爭角度看，技術密集型行業(yè)占比較高時，行業(yè)間競爭加劇，相關工業(yè)企業(yè)加大自主技術創(chuàng)新投入，刺激創(chuàng)新產出增加，進而從數(shù)量上影響工業(yè)碳排放。從合作角度看，技術密集型行業(yè)占比較高有助于打通行業(yè)間資源流通壁壘，促使工業(yè)企業(yè)技術互通程度加強、創(chuàng)新質量提高，進而從質量上影響工業(yè)碳排放。因此，技術密集型行業(yè)達到一定規(guī)模時，自主技術創(chuàng)新對工業(yè)碳排放的減排作用更強。

3 模型、變量與數(shù)據(jù)

3.1 模型構建

3.1.1 門限-STIRPAT拓展模型

為研究自主技術創(chuàng)新對工業(yè)碳排放的影響，構建了門限-STIRPAT 拓展模型。該模型由兩部分構成，分別為STIRPAT 拓展模型和面板門限模型。STIRPAT 拓展模型基礎形式為IPAT 等式［17］。隨后，為克服該模型中各因素影響線性化和單一化的局限，Dietz等［18］將IPAT 等式以隨機形式表示，具體如下：

其中：I、P、A和T分別表示環(huán)境壓力、人口、經濟和技術因素。將式（1）作對數(shù)處理，轉為線性拓展模型，具體如下：

相對于IPAT 等式，STIRPAT 拓展模型具有許多優(yōu)點，它既允許將各系數(shù)作為參數(shù)來估計，也允許對影響因素進行適當分解與拓展［18］。因此，結合研究目的將工業(yè)能源結構與行業(yè)結構引入模型。此外，考慮到能源效率對工業(yè)碳排放的重要影響［19］，同樣將其引入模型。構建的STIRPAT拓展模型具體如下：

其中：i表示省份；t表示年份；CE為工業(yè)碳排放；M為工業(yè)規(guī)模；PGDP為工業(yè)經濟水平；IT為自主技術創(chuàng)新；EI為能源效率；ES為能源結構；IS為行業(yè)結構；ε為誤差項。

自主技術創(chuàng)新對工業(yè)碳排放的影響程度可能隨能源結構和行業(yè)結構改變而發(fā)生變化，因此，參照王泳璇等［20］的做法，將STIRPAT 拓展模型與面板門限模型結合，構建門限-STIRPAT拓展模型，具體如下：

其中：I（·）為門限指示函數(shù)，根據(jù)門限值將樣本分段；thr為門限變量，分別為能源結構和行業(yè)結構；γ為門限值；CE和IT的含義與式（3）保持一致；X為影響工業(yè)碳排放的控制變量集合；ε為誤差項。

3.1.2 LSTM神經網(wǎng)絡

LSTM 神經網(wǎng)絡在原有RNN 模型基礎上引入了門結構和細胞記憶狀態(tài)，解決了梯度爆炸和梯度消失問題［21］，在時間序列預測上具有良好效果。通常而言，工業(yè)碳排放不僅受當前影響，以往時間節(jié)點也可能對當前排放水平造成沖擊。但以往時間節(jié)點距離當前越遠，造成的影響可能越小［22］。因此，LSTM 神經網(wǎng)絡的門結構能夠根據(jù)不同時間節(jié)點過濾信息，進而有效預測工業(yè)碳排放。

LSTM 神經網(wǎng)絡采用控制門機制，由遺忘門、更新門和輸出門組成，核心結構如圖1所示。其中：ht-1為上一期迭代后的預測結果，Ct-1為上一期的學習狀態(tài)；xt表示t時刻工業(yè)碳排放真實值，首先通過遺忘門ft刪除與預測無關的信息，然后通過更新門it更新與預測相關的信息（gt為上一期與當期信息處理后的暫存狀態(tài)），最后通過輸出門ot輸出與預測相關的有用信息；ht表示t+1 時刻工業(yè)碳排放預測值。核心帶有σ的小框表示激活函數(shù)sigmoid 的前饋網(wǎng)絡層，帶有tanh 的小框表示激活函數(shù)tanh 的前饋網(wǎng)絡層。LSTM 神經網(wǎng)絡中的參數(shù)經過不斷訓練調試，對比和衡量各模型的預測準確率后確定一個最佳值，即可得到預測模型。

圖1 LSTM神經網(wǎng)絡核心結構

3.2 變量解釋

（1）被解釋變量：工業(yè)碳排放（CE）。中國工業(yè)碳排放主要源自化石能源消耗［23］，由于缺少省際層面的工業(yè)碳排放數(shù)據(jù)，參照Wang 等［24］的做法，并根據(jù)國際通用的IPCC（2006）推薦方法計算各省份工業(yè)終端能源消耗產生的碳排放。具體如下：

其中：CE為工業(yè)碳排放；k為工業(yè)8種主要消耗能源，包括煤炭、焦炭、原油、汽油、煤油、柴油、燃料油和天然氣；Ej表示第j種能源消耗量；Sj表示第j種能源折標煤系數(shù)，源自綜合能耗計算通則（GB-T2589-2008）；Fj表示第j種能源碳排放系數(shù)，源自《IPCC國家溫室氣體排放清單指南》。各能源相關系數(shù)見表1。

表1 八種能源相關系數(shù)說明

（2）核心解釋變量：自主技術創(chuàng)新（IT）。區(qū)別于引進技術創(chuàng)新，參照李兵等［25］的做法，以工業(yè)企業(yè)有效專利發(fā)明數(shù)衡量自主技術創(chuàng)新。由于自主技術創(chuàng)新成果需要一段時間才能被廣泛應用，對工業(yè)碳排放的影響存在一定滯后性，因此，在實證分析中選用其滯后一階數(shù)據(jù)。

（3）控制變量集合。能源結構（ES）：煤炭消耗量與一次能源消耗總量的比值計量。行業(yè)結構（IS）：中國工業(yè)應通過自主技術創(chuàng)新提高行業(yè)競爭力，進而提高技術密集型比重，實現(xiàn)行業(yè)結構升級。參照陽立高等［26］的做法，以技術密集型行業(yè)主營業(yè)務收入與工業(yè)主營業(yè)務總收入的比值計量。工業(yè)規(guī)模（M）：文章研究對象為工業(yè)，所以將IPAT 等式中人口規(guī)模改為工業(yè)規(guī)模，并以工業(yè)固定資產計量［27］。工業(yè)經濟水平（PGDP）：為消除行業(yè)勞動力規(guī)模影響，以行業(yè)勞均收入計量。能源效率（EI）：以主營業(yè)務收入與單位標準煤的比值計量。

3.3 數(shù)據(jù)來源

樣本選自2010—2019 年中國30 個省份的相關數(shù)據(jù)，西藏、香港、澳門和臺灣地區(qū)由于數(shù)據(jù)獲得性的原因，故未包括在此次研究范圍之內。數(shù)據(jù)源于歷年《中國能源統(tǒng)計年鑒》《中國工業(yè)統(tǒng)計年鑒》《中國科技統(tǒng)計年鑒》和《中國經濟普查年鑒2018》，或根據(jù)獲取數(shù)據(jù)計算所得。此外，為保證數(shù)據(jù)可比性，所有涉及價格度量的變量折算成2010 年不變價，能源消耗數(shù)據(jù)換算成標準煤單位。部分缺失數(shù)據(jù)采用均值插入法補全。

4 自主技術創(chuàng)新對工業(yè)碳排放影響的實證分析

4.1 模型基礎檢驗

為保證回歸結果準確性，對樣本數(shù)據(jù)進行多重共線性檢驗和單位根檢驗。首先采用方差膨脹因子法（VIF）檢驗多重共線性，結果為各解釋變量的VIF 小于10 且平均VIF 為3.14，表明模型不存在多重共線性。進一步采用LLC 方法檢驗單位根，結果為所有變量水平值均在1%顯著性水平上拒絕“存在單位根”的原假設，表明各變量平穩(wěn)，可以對原數(shù)據(jù)進行回歸分析。

4.2 自主技術創(chuàng)新對工業(yè)碳排放的影響估計

為選擇最優(yōu)面板回歸方法，對樣本數(shù)據(jù)分別進行F檢驗和Hausman 檢驗，兩次檢驗結果對應P值均為0.000，因此選用固定效應模型。為使回歸結果更加穩(wěn)健，結合“穩(wěn)健性標準誤”方法估計自主技術創(chuàng)新對工業(yè)碳排放的影響。結果見表2。

由表2 可得自主技術創(chuàng)新對工業(yè)碳排放影響的回歸方程，如下所示：

由表2 可知，自主技術創(chuàng)新、能源結構和行業(yè)結構均對工業(yè)碳排放造成顯著影響。首先，lnITt-1的回歸系數(shù)為-0.173，在1%水平上顯著，表明前一期自主技術創(chuàng)新提高1%將減少0.173%的當期工業(yè)碳排放。該結果證實了自主技術創(chuàng)新對工業(yè)碳排放具有減排效應。其次，能源結構對工業(yè)碳排放具有顯著促進作用，該結果證實了工業(yè)碳排放相對較高的原因是以煤炭為主的能源結構，與當前研究一致。最后，行業(yè)結構的回歸結果顯著為負，表明發(fā)展以技術密集型行業(yè)為核心的行業(yè)結構升級有利于減少工業(yè)碳排放。

表2 固定效應模型回歸結果

4.3 自主技術創(chuàng)新減排效果的門限效應分析

基于上述結果，進一步檢驗能源結構和行業(yè)結構對自主技術創(chuàng)新減排效果的門限效應。為確定模型是否存在門限效應，對能源結構與行業(yè)結構進行門限顯著性檢驗，結果見表3。

由表3可知，能源結構與行業(yè)結構通過門限顯著性檢驗。具體而言，能源結構存在雙門限效應，門限值為2.831 9 和3.439 9，分別在1%和5%水平上顯著，從對數(shù)形式轉換成對應的數(shù)值為16.98%和31.18%。而行業(yè)結構僅存在單門限效應，門限值為3.901 0，在1%水平上顯著，從對數(shù)形式轉換成對應的數(shù)值為49.45%。上述結果表明，能源結構和行業(yè)結構影響自主技術創(chuàng)新對工業(yè)碳排放的影響。為進一步明確影響大小，分別以能源結構與行業(yè)結構作為門限變量進行門限模型估計，結果見表4。

表3 門限顯著性檢驗及門限值估計結果

表4 門限模型估計結果

模型1 是以能源結構作為門限變量的回歸結果，結果表明，不同能源結構下自主技術創(chuàng)新對工業(yè)碳排放的影響存在差異。當lnES≤2.831 9 時，上一期自主技術創(chuàng)新提高1%將減少0.224%當期工業(yè)碳排放。然而，這種減排效應隨lnES增大而減弱。當lnES介于2.831 9 和3.439 9 之間時，自主技術創(chuàng)新的回歸系數(shù)為-0.189。而lnES＞3.439 9 時，負相關關系進一步減弱，僅為-0.177。此外，隨著lnES接連跨過門限點3.439 9 和門限點2.831 9 時，回歸系數(shù)由-0.177 變?yōu)?0.189，最后變?yōu)?0.224，門限點2.831 9 前后變化幅度近似為門限點3.439 9 的三倍。上述結果表明，以煤炭為主的能源結構會抑制自主技術創(chuàng)新的減排效果。同時，工業(yè)能源結構去煤化程度達到較高水平時（煤炭占比小于16.98%），自主技術創(chuàng)新對工業(yè)碳排放的減排效果將大幅提升。

模型2 是以行業(yè)結構作為門限變量的回歸結果?；貧w結果表明，以門限值為界，自主技術創(chuàng)新的兩段回歸系數(shù)均與工業(yè)碳排放呈顯著負相關關系。然而，從具體數(shù)值看，當lnIS≤3.901 0 時，自主技術創(chuàng)新的回歸系數(shù)為-0.184；而lnIS＞3.901 0 時，自主技術創(chuàng)新對工業(yè)碳排放仍呈負向彈性關系，但彈性關系增強，為-0.200。上述結果表明，隨著工業(yè)行業(yè)結構中技術密集型行業(yè)規(guī)模擴大，自主技術創(chuàng)新對工業(yè)碳減排的貢獻越來越重要。究其原因，可能是技術密集型行業(yè)達到一定規(guī)模時，工業(yè)企業(yè)間技術競爭與合作頻率加快，工業(yè)企業(yè)加大自主技術創(chuàng)新研發(fā)投入，從而顯著提高自主創(chuàng)新成果的質量與數(shù)量。因此，行業(yè)結構中技術密集型行業(yè)占比越高，越有利于自主技術創(chuàng)新對工業(yè)碳排放發(fā)揮減排效果。

5 自主技術創(chuàng)新影響下的工業(yè)碳排放預測

5.1 基準情景工業(yè)碳排放預測

明確結構調整下自主技術創(chuàng)新對工業(yè)碳排放的影響結果后，進一步預測自主技術創(chuàng)新影響下的工業(yè)碳排放。首先采用LSTM 神經網(wǎng)絡預測自然狀態(tài)下的工業(yè)碳排放。LSTM 神經網(wǎng)絡基于歷史數(shù)據(jù)進行預測，且無需對未來時期的工業(yè)發(fā)展作主觀設定，因此，預測結果可以被看作不采取任何新政策，所有變量按歷史發(fā)展趨勢繼續(xù)發(fā)展的工業(yè)碳排放。因此，將LSTM 神經網(wǎng)絡的預測結果作為基準情景（BS），能夠為其他情景對比分析提供有效的基準參考。

為得到基準情景，對LSTM 神經網(wǎng)絡進行訓練。首先，為提高預測精確性，將工業(yè)碳排放數(shù)據(jù)擴展為1997—2019 年；其次，預測試表明以7 年數(shù)據(jù)作為預測基礎效果最佳。因此，以1997—2003 年的數(shù)據(jù)作為初始集；再次，用初始集預測2004 年的數(shù)據(jù)，并以7 年為單位進行循環(huán)預測，得到訓練集（2004—2016 年）的預測結果；最后，根據(jù)訓練所得模型對測試集（2017—2019 年）進行預測，并以此檢驗LSTM 神經網(wǎng)絡的預測效果。LSTM 神經網(wǎng)絡訓練結果如圖2所示。

由圖2 可知，LSTM 神經網(wǎng)絡預測值擬合曲線較貼合真實值曲線。為確定兩者差距，計算預測值與真實值的誤差，結果見表5。由表5 可知，訓練集平均相對誤差為2.65%，滿足預測要求。測試集平均相對誤差更小，僅為1.21%。上述結果表明該模型預測效果良好。

圖2 LSTM神經網(wǎng)絡訓練結果

表5 LSTM神經網(wǎng)絡預測誤差

5.2 發(fā)展情景工業(yè)碳排放預測

為預測自主技術創(chuàng)新影響下的工業(yè)碳排放，基于門限-STIRPAT 拓展模型并結合情景分析進行預測。參照Yu 等［28］的做法，首先對變量未來增速進行設定，然后根據(jù)增速測算各變量未來年份的具體數(shù)值，最后代入式（6），即可預測不同情景的工業(yè)碳排放。為確保預測準確性，參照王勇等［12］做法檢驗模型預測效果。首先基于各省份2010—2019年的數(shù)據(jù)，通過式（6）得到工業(yè)碳排放預測值，然后將預測值與真實值進行成對樣本T檢驗。檢驗結果為每一年的P值均大于0.05，表明根據(jù)式（6）計算得到的工業(yè)碳排放預測值與真實值不存在顯著差異，預測效果良好。

5.2.1 變量增速設置

以工業(yè)2019 年的相關數(shù)據(jù)作為基準，并根據(jù)上一節(jié)的實證結果、歷史發(fā)展趨勢、相關文獻、權威機構預測和工業(yè)發(fā)展規(guī)劃相關文件等，設定各變量增速。

（1）工業(yè)經濟水平?！吨袊圃?025》指出，隨著中國工業(yè)經濟進入新常態(tài)，預計“十四五”期間，制造業(yè)勞均生產率年均增速為6.5%左右。由于工業(yè)41 個子行業(yè)中31個行業(yè)屬于制造業(yè)，制造業(yè)增速一定程度上體現(xiàn)了工業(yè)發(fā)展，所以基于上述設定并參照Yu 等［28］做法設置工業(yè)經濟水平增速，即2020—2025 年的基礎年均增速設置為6.5%，2026—2030年為5.5%，2031—2035年為5%。

（2）工業(yè)規(guī)模。參照袁曉玲等［13］的做法，根據(jù)歷史趨勢設置工業(yè)規(guī)模增速。同時，考慮到工業(yè)規(guī)模擴張速度受工業(yè)經濟水平增速影響，因此，將不同階段工業(yè)規(guī)模增速的改變幅度與工業(yè)經濟水平保持一致。根據(jù)計算，將2020—2025 年工業(yè)規(guī)?；A年均增速設置為5.38%、2026—2030 年 為4.38% 和2031—2035 年 為3.88%。

（3）自主技術創(chuàng)新。參照《中國制造2025》對有效發(fā)明專利的預測方式設置自主技術創(chuàng)新增速。同時，考慮到2010—2014 年專利數(shù)量增長過快，以2015—2019 年的數(shù)據(jù)測算更符合未來趨勢。因此，將2020—2035 年自主技術創(chuàng)新基礎年均增速設置為15.88%。

（4）能源效率?！豆I(yè)綠色發(fā)展規(guī)劃（2016—2020年）》指出，規(guī)模以上工業(yè)企業(yè)單位工業(yè)增加值能源消耗從2015 年到2020 年累計下降18%，年均增速為-3.6%。然而，能源效率具體定義為單位能源消耗所帶來的工業(yè)增加值，其增速應為正值。因此，將2020—2035年能源效率的基礎年均增速設置為3.6%。

（5）能源結構。《“十三五”及2030 年能源經濟展望》預測了中國能源消費結構［29］，預計2014—2017 年的年均增速為-2.06%。考慮到中國經濟進入新常態(tài)，煤炭消耗占比進一步下降，預計2017—2030 年的年均增速為-1.64%。因此，將2020—2035 年工業(yè)能源結構的基礎年均增速設置為-1.64%。

（6）行業(yè)結構。當前研究通常預測中國三大產業(yè)結構變化，缺乏對工業(yè)行業(yè)結構的預測。因此，根據(jù)歷史發(fā)展趨勢設置2020—2035 年行業(yè)結構的基礎年均增速，數(shù)值為1.76%。

5.2.2 情景描述

根據(jù)工業(yè)不同發(fā)展情況，設置四種工業(yè)發(fā)展情景，具體描述如下。

（1）技術創(chuàng)新增強情景（S1）。該情景重視工業(yè)自主技術創(chuàng)新，即政府制定更多創(chuàng)新政策激勵工業(yè)企業(yè)自主技術創(chuàng)新。因此，該情景下自主技術創(chuàng)新增速加快。參照Yu 等［28］的做法，在基礎增速上增加2%。與此同時，技術創(chuàng)新水平提高，技術密集型行業(yè)發(fā)展相應加快。因此，將行業(yè)結構增速設置為1.96%。其他變量按基礎增速設置。

（2）能源結構去煤化情景（S2）。該情景強調能源結構平衡，即工業(yè)企業(yè)減少煤炭使用，清潔能源占比提高。因此，該情景將能源結構年均增速設置為-2.06%。其他變量按基礎增速設置。

（3）粗放發(fā)展情景（S3）。該情景強調工業(yè)發(fā)展而較少考慮環(huán)境問題。該情景下，工業(yè)經濟高速增長、工業(yè)規(guī)?？焖贁U張且煤炭需求持續(xù)增長。因此，將工業(yè)經濟水平增速設置成2020—2025 年為6.5%，2026—2030 年為6%，2031—2035 年為5.5%；能源結構增速設為-1.44%；工業(yè)規(guī)模的增速分別為2020—2025 年為5.38%，2026—2030 年為4.88%，2031—2035 年為4.38%。其他變量按基礎增速設置。

（4）可持續(xù)發(fā)展情景（S4）。該情景強調工業(yè)發(fā)展與環(huán)境承載力相協(xié)調。該情景下，能源結構調整和行業(yè)結構優(yōu)化速度加快，自主技術創(chuàng)新水平和能源效率提高。因此，將行業(yè)結構增速設為1.96%；能源結構增速設為-2.06%；自主技術創(chuàng)新增速設為17.88%；能源效率增速設為3.90%。其他變量按基礎增速設置。

四種情景下各變量具體增速見表6。此外，將能源結構和行業(yè)結構對自主技術創(chuàng)新減排效果的門限效應考慮至情景設置中。由于自主技術創(chuàng)新的回歸系數(shù)在能源結構門限點31.18%前后變化幅度近似為門限點16.98%的三倍，因此，當能源結構低于門限點31.18%和16.98%，自主技術創(chuàng)新增速在設定基礎上分別增加1%和4%。當行業(yè)結構跨越門限點49.95%，自主技術創(chuàng)新增速在原基礎上增加1%。以此表示自主技術創(chuàng)新減排效果增強。

表6 四種情景下各變量增速具體描述 /%

5.3 五種情景工業(yè)碳排放預測結果分析

根據(jù)中國工業(yè)整體回歸方程和LSTM 神經網(wǎng)絡模型，并結合前文對四種情景的變量增速設定，預測了五種情景的工業(yè)碳排放。圖3 所示為工業(yè)在五種情景下碳排放的達峰時間與量值。

圖3 五種情景工業(yè)碳排放預測結果

第一，基準情景（BS）即不實施新政策情況下，工業(yè)碳排放整體呈先增后減，隨后出現(xiàn)反彈趨勢。該情景下，工業(yè)碳排放2020—2024 年持續(xù)增長，于2024 年達到峰值，為8.74 億t。而2025—2030 年持續(xù)下降，于2030 年下降至8.68 億t。最后于2031 年出現(xiàn)反彈趨勢。上述結果表明，碳達峰背景下中國當前制定的減排政策能夠使工業(yè)碳排放于2030 年前順利達峰。然而，未來工業(yè)經濟增速放緩或碳排放治理標準放松，可能刺激工業(yè)碳排放出現(xiàn)反彈。

第二，自主技術創(chuàng)新增強情景（S1）和能源結構去煤化情景（S2）的工業(yè)碳排放整體趨勢相似，2020—2030 年持續(xù)增長，于2030年達峰后逐漸下降。從排放量看，自主技術創(chuàng)新增強情景僅于2029 和2030 年小幅超過基準情景，累計減少3.27 億t；而能源結構去煤化情景比自主技術創(chuàng)新增強情景累計排放多2.49億t。該結果表明，僅調整能源結構不足以有效減少工業(yè)碳排放，而自主技術創(chuàng)新增強及行業(yè)結構優(yōu)化能有效控制工業(yè)碳排放，并使排放量低于基準情景。工業(yè)發(fā)展中能源結構調整問題短期內仍難以快速解決，政府應加強對工業(yè)生產過程中技術投資的宏觀調控，通過自主技術創(chuàng)新引導能源結構發(fā)揮減排效應，進而有效控制工業(yè)碳排放。

第三，粗放發(fā)展情景（S3）的工業(yè)碳排放以較高速率持續(xù)增加，2035 年前不存在達峰跡象。而可持續(xù)發(fā)展情景（S4）的工業(yè)碳排放于2025年達峰，并持續(xù)穩(wěn)定下降，且排放量低于其他四種情景。上述結果表明，如果仍以較快速度發(fā)展工業(yè)經濟，將對碳達峰目標的實現(xiàn)造成較大壓力。從長遠角度看，這種以犧牲環(huán)境為代價的發(fā)展方式并不可取。因此，政府應以自主技術創(chuàng)新為核心，制定系統(tǒng)減排政策以實現(xiàn)工業(yè)低碳發(fā)展。

6 結論與建議

基于2010—2019 年的省級數(shù)據(jù)，采用門限-STIRPAT拓展模型分析能源結構和行業(yè)結構調整下自主技術創(chuàng)新對工業(yè)碳排放的影響，基于影響結果，進一步結合LSTM神經網(wǎng)絡和情景分析對工業(yè)碳排放展開預測。主要研究結論如下：①研究期內，自主技術創(chuàng)新對工業(yè)碳排放具有顯著減排效應。與Yu 等［28］研究結論不同，上述結果肯定了自主技術創(chuàng)新的減排作用，表明自主技術創(chuàng)新具有低碳、高效特征，同時意味著中國工業(yè)發(fā)展依賴自主技術創(chuàng)新實現(xiàn)碳減排是可行路徑。此外，能源結構和行業(yè)結構分別對工業(yè)碳排放產生顯著正向影響和負向影響。②能源結構與行業(yè)結構對自主技術創(chuàng)新的減排效果具有顯著門限效應。具體而言，以能源結構為門限變量的三段回歸結果是，依次超越門限點16.98%和31.18%后，自主技術創(chuàng)新減排效果呈階段性減弱，三段回歸系數(shù)分別為-0.224、-0.189 和-0.177；而行業(yè)結構僅存在單一門限值，超越門限點49.45%后，自主技術創(chuàng)新減排效果增強，兩段的系數(shù)分別為-0.184和-0.200。③預測期內（2020—2035 年），工業(yè)碳排放在不同情景設定下存在顯著差異?；鶞是榫澳軌蛴?024 年達峰，但2030 年出現(xiàn)反彈趨勢；自主技術創(chuàng)新增強情景于2030 年碳達峰，達峰時間晚于基準情景但排放量相對更低且不存在反彈趨勢；能源結構去煤化情景能夠于2030 年碳達峰，但排放量高于基準情景；粗放發(fā)展情景2035年前不存在碳達峰趨勢；可持續(xù)發(fā)展情景的碳排放量為五種情景中最低。

基于上述研究結論，為工業(yè)低碳發(fā)展提出以下建議：①鼓勵發(fā)展高新技術工業(yè)企業(yè)，提升工業(yè)企業(yè)自主技術創(chuàng)新能力，逐步擺脫對國外技術的依賴。政府在制定相關政策時，應將側重點放在工業(yè)企業(yè)自主創(chuàng)新，特別是對低碳、環(huán)保型自主技術創(chuàng)新給予支持。同時，建議以自主技術創(chuàng)新增強情景作為工業(yè)自主技術創(chuàng)新年均增速的參考，以實現(xiàn)對工業(yè)碳排放的有效控制。②充分考慮區(qū)域工業(yè)結構差異，制定差異化、針對性減排政策。煤炭使用占比較高的地區(qū)，應將減排重心放在能源結構調整，完善環(huán)境保護政策，提高清潔能源在市場中的競爭力，同時調控和引導居民進行清潔能源消費，以形成有利于自主技術創(chuàng)新發(fā)揮減排效應的能源結構；行業(yè)結構偏重工業(yè)的地區(qū)，應注重工業(yè)中計算機通信、電氣機械和器材制造業(yè)等技術密集型行業(yè)發(fā)展，加快行業(yè)結構優(yōu)化速度，以促進自主技術創(chuàng)新的減排效果；對于能源結構和行業(yè)結構較為均衡的地區(qū)，結構調整優(yōu)化對于自主技術創(chuàng)新減排效果的改善作用有限，應將減排重心適當轉移，合理利用減排資源以實現(xiàn)效益最大化。③充分發(fā)揮信息化優(yōu)勢，借助數(shù)據(jù)科學技術，完善碳排放監(jiān)管體系。實證結果表明，若保持現(xiàn)有減排政策和執(zhí)行力度，工業(yè)碳排放達峰后可能出現(xiàn)反彈。因此，工業(yè)后續(xù)減排過程在制定更強力減排政策的同時，還應基于數(shù)據(jù)科學技術建立一套完善的碳排放核算和監(jiān)管體系，實現(xiàn)碳管理精細化、數(shù)字化和標準化，避免碳排放反彈。④以自主技術創(chuàng)新為核心，制定系統(tǒng)化減排政策。當前，能源結構調整仍是工業(yè)發(fā)展短期內難以解決的問題，工業(yè)企業(yè)應通過自主技術創(chuàng)新提升能源效率，為工業(yè)整體碳減排發(fā)揮技術效應和結構效應。同時，政府應實施創(chuàng)新驅動發(fā)展戰(zhàn)略，推動工業(yè)經濟轉型升級，實現(xiàn)“技術-結構-經濟”的系統(tǒng)低碳效益。