關(guān)鍵詞：碳排放；碳排放系數(shù)法；西部地區(qū)

中圖分類號(hào)：X322 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào):1008-9500(2025)07-0204-05

DOI:10.3969/j.issn.1008-9500.2025.07.059

Measurement of Carbon Emissions from Energy Consumption and Analysis of Influencing Factors in the Western Region

WANG Xinyu， WU Zezhong (CollegeofApplied Mathematics，Chengdu Universityof Information Technology，Chengdu610225，China) Abstract:Basedontheanalysisof11westeregions，thisstudycalculateseergyconsumptioncarbonemisionsanddecomposes their influencingfactorsfrom1995to2O21.Thecarbonemissoncoeffcient method wasemployed toquantifyregionalenergyrelated carbonemissons.ALeast Absolute Shrinkageand Selection Operator (LASSO)regression model was established to conductsecondaryreeningofinfuecingfactors，dentifyeyterminants，ndproosecorrespondingpolicyecomdatios. Keywords:carbon emissions; carbon emission coefficient method; western region

雙碳目標(biāo)是我國(guó)應(yīng)對(duì)全球氣候變化的重要承諾，也是推動(dòng)綠色低碳發(fā)展的重大戰(zhàn)略。西部地區(qū)資源豐富，在我國(guó)戰(zhàn)略全局中具有重要地位，但是大規(guī)模的基建行為對(duì)生態(tài)環(huán)境也造成破壞。研究西部地區(qū)的碳排放量，能為全國(guó)碳排放研究提供參考。目前，大部分學(xué)者只對(duì)全國(guó)或經(jīng)濟(jì)發(fā)展較快的地區(qū)進(jìn)行研究，很少將西部地區(qū)作為研究對(duì)象。在此背景下，本文探究西部地區(qū)的碳排放量，以期為相關(guān)研究提供借鑒。

1文獻(xiàn)綜述

目前，碳排放量測(cè)算一般采用碳排放系數(shù)法，該方法的計(jì)算方式較為簡(jiǎn)便，在數(shù)據(jù)量大或者數(shù)據(jù)不全時(shí)仍能保持良好的適應(yīng)性。QUAN等[1利用碳排放系數(shù)法測(cè)算了2000一2016年中國(guó)物流業(yè)碳排放總量。范德成等[利用碳排放系數(shù)法測(cè)算了中國(guó)30個(gè)省2011—2020年的碳排放量。

為了制定合理的政策來(lái)控制二氧化碳的排放，必須了解影響二氧化碳排放的因素。最小絕對(duì)收縮和選擇算子（LeastAbsolute Shrinkageand SelectionOperator，LASSO）是一種用于解決多重共線性的有偏估算方法。XIA等3為確定影響企業(yè)碳排放的因素，利用LASSO與固定效應(yīng)模型識(shí)別碳排放影響因素。肇曉楠[使用LASSO算法對(duì)我國(guó)交通運(yùn)輸業(yè)的碳排放進(jìn)行因素分解。LASSO具有較強(qiáng)的變量篩選能力，在高維數(shù)據(jù)和少樣本情況下，也能有效抑制過(guò)擬合，且參數(shù)調(diào)節(jié)簡(jiǎn)單，故本文選取LASSO回歸作為篩選碳排放影響因素的方法。

2研究方法與指標(biāo)體系構(gòu)建

2.1研究方法

能源消費(fèi)數(shù)據(jù)來(lái)源于《中國(guó)能源統(tǒng)計(jì)年鑒》（1996一2022年）及各省級(jí)行政區(qū)的統(tǒng)計(jì)年鑒，對(duì)于缺失的數(shù)據(jù)，采用線性插值法補(bǔ)齊。西藏自治區(qū)的數(shù)據(jù)缺失過(guò)多，故對(duì)余下的西部11個(gè)省級(jí)行政區(qū)（重慶市、四川省、陜西省、云南省、貴州省、廣西壯族自治區(qū)、甘肅省、青海省、寧夏回族自治區(qū)、新疆維吾爾自治區(qū)、內(nèi)蒙古自治區(qū)）進(jìn)行分析。

基于權(quán)威性和可行性，借鑒《2006年IPCC國(guó)家溫室氣體清單指南》中給出的碳排放系數(shù)法來(lái)測(cè)算西部11地區(qū)的碳排放。具體計(jì)算公式為

式中： C 為能源消費(fèi)碳排放總量； i 為能源品種，包括煤炭、焦炭、原油、汽油、柴油、煤油、燃料油及天然氣； e_i 為第 i 類能源終端消費(fèi)的實(shí)物量； θ_i 為第 i 類能源的標(biāo)準(zhǔn)煤折算系數(shù)； μ_i 為第 i 類能源的碳排放系數(shù)。

8種能源的單位不同，所以首先進(jìn)行單位換算，將其單位統(tǒng)一折算為萬(wàn)噸標(biāo)準(zhǔn)煤。根據(jù)《2006年IPCC國(guó)家溫室氣體清單指南》，列出各類能源參數(shù)，如表1所示。其中，煤炭、焦炭、原油、煤油、柴油、燃料油和天然氣的碳排放系數(shù)分別為0.756、0.855、0.586、0.571、0.592、0.619和0.448。

LASSO回歸模型是一種壓縮估計(jì)，通過(guò)構(gòu)造懲罰函數(shù)得到一個(gè)較為精煉的模型，并且該模型還可以處理數(shù)據(jù)的多重共線性問(wèn)題。相較于傳統(tǒng)的多元線性回歸模型，LASSO回歸模型在計(jì)算損失函數(shù)時(shí)，將L₂ 正則化項(xiàng)替換為 L₁ ，表達(dá)式為

min_β{|y_t-βx_t|₂²+α|β|₁}

式中： y_t 和 x_t 為第 t 個(gè)響應(yīng)變量和自變量； β 為對(duì)應(yīng)參數(shù)變量，通過(guò)加入 α|β|₁ 懲罰項(xiàng)，將某些對(duì)模型影響很小的自變量系數(shù)壓縮至0； α 為懲罰系數(shù)。數(shù)值越大懲罰度越強(qiáng)，剔除的變量更多。

2.2 指標(biāo)體系構(gòu)建

碳排放量與眾多影響因素有關(guān)，根據(jù)實(shí)際情況，盡可能全面考量各類因素，以保證變量選取的合理性。本文分別從人口、經(jīng)濟(jì)、結(jié)構(gòu)、技術(shù)創(chuàng)新水平、對(duì)外開(kāi)放程度、政府等6個(gè)維度進(jìn)行選取，具體結(jié)果如表2所示。其中，經(jīng)濟(jì)維度的指標(biāo)包括人均地區(qū)生產(chǎn)總值（GrossDomesticProduct，GDP）、居民人均可支配收入。

3 實(shí)證分析

3.1碳排放量測(cè)算

參考《中國(guó)能源統(tǒng)計(jì)年鑒》（1996一2022年）中的能源數(shù)據(jù)，利用碳排放系數(shù)法計(jì)算西部地區(qū)的碳排放量。西部地區(qū)1995—2021年的碳排放量分別為25759.65萬(wàn)、27420.86萬(wàn)、24657.77萬(wàn)、24611.93萬(wàn)、23682.44萬(wàn)、24413.88萬(wàn)、52618.88萬(wàn)、26872.45萬(wàn)、33625.40萬(wàn)、39659.27萬(wàn)、44963.75萬(wàn)、51102.74萬(wàn)、56562.15萬(wàn)、61987.18萬(wàn)、67558.87萬(wàn)、74342.77萬(wàn)、85923.41萬(wàn)、92469.09萬(wàn)、94175.12萬(wàn)、95981.57萬(wàn)、

89230.32萬(wàn)、94741.76萬(wàn)、99109.48萬(wàn)、103107.72萬(wàn)、

110261.04萬(wàn)、114217.00萬(wàn)、124608.55萬(wàn)t。

1995一2021年，西部地區(qū)的能源消費(fèi)碳排放量大致呈上升趨勢(shì)，2021年達(dá)到峰值，為124608.55萬(wàn)t。2001年，碳排放量突然迅速增加，這可能是因?yàn)楫?dāng)時(shí)的西部地區(qū)還處于亞洲金融風(fēng)暴的沖擊下，在2001年、2002年的碳排放增量都不太穩(wěn)定。在金融風(fēng)暴后，政府積極恢復(fù)經(jīng)濟(jì)形勢(shì)，擴(kuò)大城鎮(zhèn)化規(guī)模，工業(yè)生產(chǎn)規(guī)模擴(kuò)大，能源消費(fèi)碳排放量起伏不定。至2011年，我國(guó)越來(lái)越注重綠色發(fā)展，開(kāi)始大力推行清潔能源，每年的能源消費(fèi)碳排放量增長(zhǎng)趨勢(shì)呈現(xiàn)放緩的狀態(tài)，2015年，甚至出現(xiàn)負(fù)增長(zhǎng)，但仍然不太穩(wěn)定，要繼續(xù)強(qiáng)化節(jié)能減排，踐行綠色發(fā)展理念。

各個(gè)地區(qū)的碳排放量相差較大，如圖1所示。其中，能源消費(fèi)碳排放量最高的地區(qū)依次是內(nèi)蒙古自治區(qū)、四川省、新疆維吾爾自治區(qū)、陜西省。這與每個(gè)地區(qū)的地理位置、經(jīng)濟(jì)發(fā)展及政策有關(guān)。內(nèi)蒙古自治區(qū)礦產(chǎn)資源富集，形成了以能源消費(fèi)拉動(dòng)經(jīng)濟(jì)發(fā)展的模式，一直以來(lái)都是西部地區(qū)中碳排放量最高的地區(qū)。四川省、陜西省的工業(yè)化和城鎮(zhèn)化水平高，一直以來(lái)也是高碳排放省份。隨著“一帶一路”倡議的推進(jìn)，新疆維吾爾自治區(qū)憑借其靠近中亞走廊的優(yōu)越地理位置，能源消費(fèi)需求逐年增加。另外，能源消費(fèi)碳排放量低的省級(jí)行政區(qū)依次是青海省、寧夏回族自治區(qū)、重慶市。青海省和寧夏回族自治區(qū)擁有豐富的風(fēng)能、太陽(yáng)能資源，故能源消費(fèi)碳排放量不高；重慶市擁有豐富的水力資源，有利于發(fā)展清潔能源。

3.2LASSO模型結(jié)果

3.2.1 相關(guān)性分析

相關(guān)性分析是為了檢查變量間的相關(guān)性程度，一般使用Pearson相關(guān)系數(shù)衡量，計(jì)算公式為

式中： 分別為第 i 個(gè)數(shù)據(jù)點(diǎn)的 x 變量值和 y 變量值； ， 分別為 x 變量和 y 變量的樣本均值； n 為數(shù)據(jù)點(diǎn)的總個(gè)數(shù)。相關(guān)系數(shù)的取值為[-1，1]，絕對(duì)值越大，相關(guān)性越強(qiáng)。

利用Python軟件得到相關(guān)性熱圖，如圖2所示。大部分變量存在相關(guān)性， X_1?X_2?X_3?X_4?X_9?X₁₀ 的相關(guān)系數(shù)甚至在0.9以上。這表示變量間可能存在多重共線性。使用方差擴(kuò)大因子（VarianceInflationFactor，VIF）檢驗(yàn)多重共線性，當(dāng)VIF值大于10時(shí)，一般認(rèn)為存在多重共線性。各變量的VIF值如表3所示。

絕大部分變量的VIF值遠(yuǎn)大于10，最高達(dá)3424.58，存在嚴(yán)重多重共線性。由于變量之間的多重性問(wèn)題，篩選自變量更有必要性。

3.2.2基于LASSO方法的影響因素二次篩選

使用R軟件實(shí)現(xiàn)LASSO算法，采用K-Fold交叉驗(yàn)證選擇最優(yōu)參數(shù)。在機(jī)器學(xué)習(xí)模型評(píng)估中，K折交叉驗(yàn)證通過(guò)系統(tǒng)化分割數(shù)據(jù)提升參數(shù)優(yōu)化的可靠性。首先將原始數(shù)據(jù)集等分為 k 個(gè)互斥子集（通常取5～10 折），隨后進(jìn)行 k 輪迭代訓(xùn)練—每輪選定一個(gè)子集作為驗(yàn)證集，其余k-1個(gè)子集合并為訓(xùn)練集。模型在每輪訓(xùn)練后計(jì)算驗(yàn)證集誤差，最終將各輪誤差的均值作為泛化能力評(píng)估指標(biāo)。該方法通過(guò)對(duì)比不同參數(shù)配置下的平均誤差值，有效篩選出最優(yōu)參數(shù)組合，從而降低因數(shù)據(jù)劃分隨機(jī)性導(dǎo)致的模型過(guò)擬合風(fēng)險(xiǎn)。為了減少訓(xùn)練時(shí)間和計(jì)算成本，同時(shí)考慮到本文數(shù)據(jù)量較少，這里選擇 k=5 。圖3展示了訓(xùn)練過(guò)程中每個(gè)變量系數(shù)的變化過(guò)程，有助于解釋模型在不同情況下的預(yù)測(cè)結(jié)果。

接著，通過(guò)繪制交叉驗(yàn)證誤差圖來(lái)尋找最優(yōu)λ。同時(shí)，用均方誤差（Mean SquaredError，MSE）衡量的優(yōu)劣，認(rèn)為MSE越小，λ的值越好。數(shù)據(jù)集的交叉驗(yàn)證誤差如圖4所示。MSE最小時(shí)，對(duì)應(yīng)的λ可視為最優(yōu)λ值。由圖4可知，最優(yōu)λ為0.0039，對(duì)應(yīng)的均方根誤差為0.0363。

綜上所述，將選好的λ值放進(jìn)LASSO交叉驗(yàn)證模型，對(duì)自變量進(jìn)行二次篩選，舍棄系數(shù)為0的變量，保留系數(shù)不為0的變量。模型的決定系數(shù) R² 為0.93，反映了模型在特征選擇和模型系數(shù)稀疏性方面的優(yōu)越表現(xiàn)。LASSO模型變量選擇結(jié)果如表4所示。

由篩選結(jié)果可知，人口規(guī)模、城市化水平、第二產(chǎn)業(yè)比重、第三產(chǎn)業(yè)比重、能源結(jié)構(gòu)、外貿(mào)依存度對(duì)能源消費(fèi)碳排放量有顯著作用，且均為促進(jìn)作用。

針對(duì)西部地區(qū)的具體情況，從人口維度看，人口的增多和城市化水平的發(fā)展會(huì)導(dǎo)致能源需求、交通運(yùn)輸、工業(yè)活動(dòng)等的增加和生活方式的變化，由此導(dǎo)致碳排放增加。從結(jié)構(gòu)維度看，工業(yè)生產(chǎn)和服務(wù)業(yè)通常需要大量能源來(lái)運(yùn)行設(shè)備、加工產(chǎn)品以及提供服務(wù)，工業(yè)生產(chǎn)過(guò)程中，需要原材料的開(kāi)采、運(yùn)輸和加工，碳排放量的排放隨之增加。從對(duì)外依存度來(lái)看，我國(guó)西部地區(qū)在對(duì)外交流時(shí)，可能更傾向于進(jìn)行工業(yè)生產(chǎn)或商品生產(chǎn)的環(huán)節(jié)，而這些環(huán)節(jié)通常涉及能源密集型的生產(chǎn)過(guò)程。隨著對(duì)外交流的發(fā)展，碳排放會(huì)逐漸增加。從經(jīng)濟(jì)、技術(shù)創(chuàng)新水平、政府3個(gè)維度來(lái)看，西部地區(qū)以資源開(kāi)采、重工業(yè)或傳統(tǒng)制造業(yè)為主，這些行業(yè)通常具有較高的能源消耗和碳排放。在經(jīng)濟(jì)增長(zhǎng)或技術(shù)創(chuàng)新的情況下，在這些行業(yè)占據(jù)主導(dǎo)地位時(shí)，碳排放也很難減少。相較于我國(guó)其他地區(qū)，西部地區(qū)的技術(shù)創(chuàng)新投入明顯不足，難以減少碳排放量。同時(shí)，地方政府在推動(dòng)環(huán)境保護(hù)和碳減排方面的政策措施可能不夠積極或完善，缺乏有效的政策引導(dǎo)和支持。

LASSO回歸結(jié)果顯示，人口、結(jié)構(gòu)、對(duì)外依存度3個(gè)維度對(duì)西部地區(qū)能源消費(fèi)碳排放量有顯著的影響。

4政策建議

第一，根據(jù)省份發(fā)展路徑制定不同的減排政策。在制定碳減排政策時(shí)，必須考慮其差異性，因地制宜頒布政策。構(gòu)建省際碳排放數(shù)據(jù)、信息共享平臺(tái)，對(duì)碳排放進(jìn)行實(shí)時(shí)監(jiān)管。第二，培育綠色低碳文化，推行綠色低碳的生產(chǎn)生活方式。應(yīng)加強(qiáng)對(duì)綠色技術(shù)和創(chuàng)新的支持，鼓勵(lì)企業(yè)和個(gè)人采取節(jié)能減排行動(dòng)，促進(jìn)清潔能源的利用和推廣。同時(shí)，加強(qiáng)對(duì)環(huán)境保護(hù)和可持續(xù)發(fā)展理念的宣傳，倡導(dǎo)綠色出行、綠色食品和綠色消費(fèi)，引導(dǎo)人們共同構(gòu)建綠色低碳的生態(tài)文明。

5結(jié)論

從省級(jí)層面看，內(nèi)蒙古自治區(qū)的能源消費(fèi)碳排放量常年位居西部地區(qū)首位，青海省、寧夏回族自治區(qū)、重慶市的碳排放量整體較低。西部地區(qū)能源消費(fèi)碳排放變動(dòng)的影響因素包括人口規(guī)模、城市化水平、第二產(chǎn)業(yè)比重、第三產(chǎn)業(yè)比重、能源結(jié)構(gòu)、外貿(mào)依存度，且均為促進(jìn)作用。人均GDP、居民人均可支配收入、能源強(qiáng)度、專利授權(quán)數(shù)、科研投人及環(huán)境治理對(duì)西部地區(qū)碳排放無(wú)明顯作用。

參考文獻(xiàn)

1 QUANC，CHENGX，YUS，etal.Analysisontheinfluencing factors of carbon emission in China'slogistics industrybased onLMDI method[J].ScienceoftheTotalEnvironment，2020，734：138473.

2 范德成，張修凡.基于PSO-BP神經(jīng)網(wǎng)絡(luò)模型的中國(guó)碳排放情景預(yù)測(cè)及低碳發(fā)展路徑研究[J].中外能源，2021（8）：11-19.

3 XIAM，CAIHH.Thedriving factors of corporatecarbon emissions:an application of theLASSOmodel with survey data[J].Environmental Science andPollutionResearch，2023（19）:56484-56512.

4肇曉楠.交通運(yùn)輸業(yè)碳排放預(yù)測(cè)及達(dá)峰路徑研究[D].大連：大連海事大學(xué)，2023.