【www.zhangdahai.com--其他范文】
刘茂辉，翟华欣，刘胜楠，岳亚云，杨多堃，李婧*
1.天津市生态环境监测中心
2.天津天滨同盛环境科技有限公司
3.天津天滨瑞成环境技术工程有限公司
中国宣布要力争在2030年前实现碳达峰、2060年前实现碳中和，中央和各地方政府积极地推动“双碳”工作的落实[1-4]。实现碳达峰、碳中和是一场广泛而深刻的经济社会系统性变革，影响着中国的方方面面。为了给天津市碳排放量管理提供决策支持，众多学者开展了天津市碳排放量的研究，主要研究内容集中在碳排放量影响因素分析[5-11]、碳排放量情景预测分析[10-12]和碳减排潜力分析[13-14]。天津市碳排放量影响因素可以分为四大类：经济发展因素、产业因素、人口因素和能源因素。其中，经济发展因素包括GDP、GDP增速、人均GDP、外商直接投资（FDI），产业因素包括第二产业占比、第三产业占比、第二产业能源消耗占比、第三产业能源消耗占比，人口因素包括常住人口、城镇化率，能源因素包括能源消耗总量、能源强度、生活能源占比、煤炭消耗占比、石油消耗占比、天然气消耗占比、能源效率、碳排放量系数。在碳排放量情景预测分析方面，孙钰等[12]基于Kaya恒等式，分基准情景、节能情景、低碳情景和强化低碳情景4个情景对天津市碳排放量进行了预测分析，结果显示，天津市在节能情景下即可完成2020年的减排承诺，按低碳模式发展，将在2020——2035年达到碳排放量的高峰；
李健等[10]基于1995——2013年的数据利用灰色模型预测天津市2020年能源强度，结果表明，2020年天津市能源强度为2005年的44.76%，降幅达到55.24%，优于全国的减排标准；
李雪梅等[11]在天津市2000——2016年碳排放量测算的基础上，基于STIRPAT拓展模型预测天津市2021——2040年碳排放量变化趋势，结果显示，中增长强减排情景模式是天津市最佳发展模式。在碳排放量减排潜力分析方面，苑清敏等[13]运用系统动力学方法探求影响因素对未来天津市碳排放量的影响，结果表明，在天津市碳排放量达到峰值后，结构调整、低碳技术水平和碳汇能力继续为碳减排发挥积极作用；
李健等[14]运用Tapio脱钩模型和LMDI分解探讨天津市碳减排驱动因素，结果显示，经济增长是促进碳排放量增长的主要原因，能源效率始终是促进天津市实现脱钩的关键。然而，新的碳达峰和碳中和目标提出之后，天津市碳达峰目标能否完成，碳中和路径是怎样的，目前鲜见公开的研究成果。
通过核算2000——2019年天津市碳排放量，选取能源结构、能源强度、经济增长、城镇化率倒数、城镇人口数与第三产业总值的比、第三产业总值6项因素构建拓展的LMDI恒等式和STIRPAT模型，分析各影响因素对天津市碳排放量的影响，并预测基准情景、低碳情景和超低碳情景3种情形下天津市碳达峰和碳中和情况。
1.1 碳排放量核算
依据《省级温室气体清单编制指南（试行）》来开展碳排放量核算，该指南总体上遵循《IPCC国家温室气体清单指南》的基本方法，并借鉴了1994年和2005年我国能源活动温室气体清单编制方法。其中，能源活动中化石燃料燃烧产生的温室气体采用部门方法计算，该方法基于分部门、分燃料品种、分设备的燃料消费量等活动水平数据以及相应的排放因子等参数，通过逐层累加综合计算得到总排放量，计算公式如下：
式中：Q为碳排放量，万t；
EF为排放因子，万t/TJ；
A为燃料消费量，TJ；
i为燃料类型；
j为部门活动；
k为技术类型。
1.2 LMDI方法
LMDI方法是在Kaya等式基础之上发展而来的。日本学者Kaya[15]在1989年提出了Kaya恒等式，该等式可以分析碳排放量的主要驱动因素[16]，但无法消除残差项。Ang等[17]在此基础之上提出了LMDI方法，LMDI法具有消除残差项、分解结果直观的特点，广泛应用于能源研究领域[18-20]。由李健等[8]的研究可知，人口总数、城镇化率、人均地区生产总值、第三产业总值以及能源强度是天津市碳排放量的重要影响因素，同时由王媛等[9]的研究可知，人口总数、人均地区生产总值、能源结构和能源强度也影响天津市碳排放量。综上，为更全面地考虑天津市碳排放量影响因素，笔者选择能源结构、能源强度、人均地区生产总值、城镇化率、第三产业总值作为天津市碳排放量的影响因素。为方便对比分析，参照王媛等[9]的方法，构建拓展的Kaya恒等式，具体表述如下：
式中：Q为碳排放量，万t；
PE为能源消费量，TJ；
GRP为地区生产总值，亿元；
POP为人口总数，万人；
UP为城镇人口总数，万人；
TI为第三产业总值，亿元。
令ES=Q/PE代表能源结构，令EI=PT/GRP代表能源强度，令C=GRP/POP代表经济增长，令D=POP/UP代表城镇化率倒数，令E=UP/TI代表城镇人口数与第三产业总值的比，令F=TI代表第三产业总值。LMDI方程如下：
加法分解式如下：
式中：ΔQtot为碳排放量变化，万t；
Qt为第t年碳排放量，万 t；
Q0为基准年（2000 年）碳排放量，万 t；
ΔQES为能源结构效应，万t；
ΔQEI为能源强度效应，万t；
ΔQC为经济增长效应，万t；
ΔQD为城镇规模效应，万t；
ΔQE为城镇人口数与第三产业总值的比值效应，万 t；
ΔQF为第三产业规模效应，万t。
各效应的表达式如下：
式中W为对数均值，万t。
1.3 STIRPAT模型
可拓展的随机性的环境影响评估（STIRPAT）模型源于IPAT等式[21]，IPAT等式表达如下：
式中：I为环境负荷；
P为人口规模；
B为富裕度；
T为技术水平。
基于IPAT等式，York等[22]构建了STIRPAT模型，其表达式为：
式中：a为常数项；
b、c、d分别为P、B、T的指数项；
e为误差项。
STIRPAT模型可以定量分析各因素对环境负荷的影响，该方法已被广泛地应用于环境保护研究中[23-25]。在利用STIRPAT模型研究碳排放量过程中，可以依据研究区域实际情况，引入其他可以对碳排放量造成影响的因素，构建扩展的STIRPAT模型[26]。为方便对比分析，依据LMDI方程，选取ES、EI、C、D、E、F这6项因素作为自变量对STIRPAT模型进行扩展，构建扩展后的模型如下：
式中α、β、γ、δ、ε、θ分别为ES、EI、C、D、E、F的指数项。
为了消除模型中可能存在的异方差影响，研究将所有变量进行对数化处理，对数化之后的扩展STIRPAT模型如下：
在使用STIRPAT模型研究碳排放量影响因素时，构建的多元线性回归模型易产生多重共线的问题[27]，为解决这一问题，参照张哲等[26]的方法，使用偏最小二乘法（PLS）进行多元线性回归模型的构建。
1.4 数据来源
2000——2019年碳排放量所需活动水平数据、人口总数、城镇化率、地区生产总值、第三产业占比、能源强度和碳排放强度数据均来源于历年《天津统计年鉴》和《天津市国民经济和社会发展统计公报》。为排除通货膨胀等物价上涨因素，地区生产总值采用2000年不变价进行折算。
1.5 情景设置
将《天津市国民经济和社会发展第十四个五年规划和二〇三五年远景目标纲要》[3]、《2020年天津市国民经济和社会发展统计公报》[28]和《天津市2021年政府工作报告》[29]中地区生产总值、能源强度、碳排放强度、城镇化率、近3年的第三产业占比和人口总数作为基准情景。由李健等[8-9]的研究可知，低碳发展要求下，地区生产总值、城镇化率、第三产业占比和人口总数的增长率呈下降趋势，能源强度和碳排放强度的下降幅度呈增加趋势；
同时，为展现尽可能广的碳排放量变化范围，在参数合理变化范围内，本研究以低碳加严40%作为变化步长。在基准情景的基础之上，低碳发展加严40%作为低碳情景，即地区生产总值、城镇化率、第三产业占比和人口总数的增长下降40%，能源强度和碳排放强度的降幅增加40%；
在基准情景的基础之上，低碳发展加严80%作为超低碳情景，即地区生产总值、城镇化率、第三产业占比和人口总数的增长下降80%，能源强度和碳排放强度的降幅增加80%。各情景下各参数具体设置如表1所示。
表1 情景设置Table 1 Scenarios setting
2.1 影响因素分析
基于式（4）～（10）可以计算 LMDI各影响因素累计贡献率，结果见图1。贡献率大于0，表明该影响因素对碳排放量具有拉动作用；
贡献率小于0，表明该影响因素对碳排放量具有减缓作用。从图1可知，在以2000年作为基准年的前提下，2019年天津市能源结构、能源强度、经济增长、城镇化率倒数、城镇人口数与第三产业总值的比、第三产业总值的累计贡献率依次为-19%、-152%、222%、-16%、-239%、305%，能源强度、城镇人口数与第三产业总值的比对天津市碳排放量起到较强的减缓作用，能源结构和城镇化率倒数对天津市碳排放量起到一定的减缓作用，经济增长和第三产业总值对天津市碳排放量起拉动作用，这一结论与王媛等[9]对天津市碳排放量影响因素的分析一致，与董莹等[30]对甘肃省碳排放量影响因素分析一致，同时也与李健等[18]对经济增长和能源强度的分析相一致。但与王建雄等[31]的研究结果不太一致，在其研究中，天津市的能源结构（占比为3.9%）对碳排放量起到了拉动作用，其他影响因素分析与本文一致，主要原因是其研究中引入了区域结构效应，这一效应对天津市的碳排放量起到了拉动作用，影响了能源结构对碳排放量的减缓分析。
图1 LMDI各影响因素累计贡献率Fig.1 Cumulative contribution rate of each influencing factor of LMDI
基于式（14）和偏最小二乘法（PLS）得到的回归方程为：
从式（16）来看，对于天津市，在保持其他变量不变的情况下，能源结构每降低1%，则碳排放量平均减少0.671%；
能源强度每降低1%，则碳排放量平均减少0.293%；
经济增长每提高1%，则碳排放量平均增加0.644%；
城镇化率每提高1%，则碳排量放平均减少6.932%；
城镇人口数与第三产业总值的比每增加1%，则碳排放量平均增加0.291%；
第三产业总值每增加1%，则碳排放量平均减少0.103%。由此可见，能源结构、能源强度、经济增长、城镇化率与碳排放量成正相关，这一结果与上海市[26]、江苏省[32]、昆明市[33]和天津市[8]等的研究结果一致。
LMDI方法和STIRPAT模型对碳排放量的预测对比见图2。2种方法对碳排放量预测的误差为-3.72%～3.02%，平均误差为-0.14%，Pearson相关系数为0.998（P＜0.01），这说明2种方法对碳排放量的拟合具有较强的一致性。LMDI方法主要揭示的是天津市2000——2019年这一时段内各碳排放量影响因素对碳排放量的贡献率，但不能定量地描述各影响因素对碳排放量的长期效应，更适合用于对某一时段的碳排放量影响因素进行定量分析；
而STIRPAT模型则可以揭示各影响因素对碳排放量的趋势效应，但不能描述一个时段的各影响因素对碳排放量的贡献率，更适合用于碳排放量的预测分析。因此虽然2种方法选取的是同样的参数，但参数对碳排放量的影响是不一致的。结合2种方法可以看出，天津市能源结构的不断优化和能源强度的持续降低是导致天津市碳排放量减缓的主要因素，但天津市富裕程度的增加和城镇化率的提高促进了天津市碳排放量的增加。
图2 LMDI方法和STIRPAT模型对天津市碳排放量的拟合分析Fig.2 Fitting analysis of LMDI method and STIRPAT model for Tianjin"s carbon emissions
2.2 碳达峰分析
目前对于中国城市碳达峰还没有明确的定义和概念，参照张立等[34-35]的研究，城市碳达峰是指城市的碳排放量在一段时间内达到峰值，之后进入平台期，可能在一定范围内波动，但不能超过峰值，然后进入平稳下降阶段。本研究城市碳达峰定义为碳排放量出现峰值随后经历平台期并进入显著下降阶段（P＜0.01）。
基于LMDI方法和STIRPAT模型，并依据表1的情景设置模拟天津市“十四五”碳达峰情况，结果见图3。由图3可知，在基准情景下，基于LMDI方法和STIRPAT模型模拟的天津市“十四五”时期碳排放量均呈现上升趋势，无法实现碳达峰；
在低碳情景下，基于LMDI方法和STIRPAT模型模拟的天津市“十四五”时期碳排放量均呈现下降趋势，且都在2023年进入显著下降阶段，可确保天津市在2025年之前实现碳达峰；
在超低碳情景下，基于LMDI方法和STIRPAT模型模拟的天津市“十四五”时期碳排放量均呈下降趋势，前者在2023年进入显著下降阶段，后者在2022年便进入了显著下降阶段，且超低碳情景下碳排放量降幅要大于低碳情景。
图3 LMDI方法和STIRPAT模型对天津市碳达峰预测分析Fig.3 Prediction and analysis of carbon peak in Tianjin by LMDI method and STIRPAT model
由于对碳达峰的定义不同，对于碳达峰的年份预判也会略有差别。臧宏宽等[36]将碳达峰定义为近5年内，能源相关的碳排放量出现高峰并逐渐下降或波动下降，同时碳排放量与GDP之间处于强脱钩或弱脱钩状态。按照其研究，天津市在2020年之前的近5年碳排放量出现了峰值并呈降低趋势，且经济增长与碳排放量呈强脱钩状态，已经处于达峰状态。而本研究中也显示天津市碳排放量在2020年之前已经出现峰值并呈下降状态，从这一点来说二者的研究是一致的，由于本研究定义碳排放量显著下降才可定义为碳达峰，因此，碳达峰的判断年份出现了不一致的情形。李雪梅等[11]研究显示，中增长强减排情景模式是天津市最佳发展模式，在此情景下，天津市将于2025年实现碳达峰，与本研究结果较为接近。孙钰等[12]研究显示，天津市按照低碳模式发展，将在2020——2035年达到碳排放量高峰，与本研究结果也相符。综上，天津市按照基准情景发展很难在2025年之前实现碳达峰，按低碳情景和超低碳情景发展可确保在2025年之前实现碳达峰。
2.3 碳中和分析
碳中和一般是指进入大气的二氧化碳排放和吸收之间达到平衡[37]。基于LMDI方法和STIRPAT模型，依据表1的情景设置，模拟2000——2060年天津市碳排放量情况，结果见图4。由图4可知，在基准情景下，基于LMDI方法和STIRPAT模型模拟的天津市碳排放量在“十四五”之后均呈上升趋势，无法实现碳中和；
在低碳情景下，基于LMDI方法和STIRPAT模型模拟的天津市碳排放量在“十四五”之后均呈下降趋势，到2060年，分别预测碳排放量为0.71亿和1.67亿t，前者预测碳排放量降幅明显大于后者；
在超低碳情景下，基于LMDI方法和STIRPAT模型模拟的天津市碳排放量在“十四五”之后也均呈下降趋势，到2060年，分别预测碳排放量为0.12亿和0.64亿t，前者预测碳排放量降幅也明显大于后者。孙钰等[12]研究显示，在强化低碳模式下，天津市至2050年碳排放量还余0.21亿t，本研究在超低碳情景下，天津市至2050年还剩余0.26亿t，二者研究结果较为一致；
但前者仅预测到2050年，并未考虑“双碳”目标，因此，本研究更贴近目前的管理需求。
图4 LMDI方法和STIRPAT模型对天津市碳中和预测分析Fig.4 Prediction and analysis of carbon neutrality in Tianjin by LMDI method and STIRPAT model
使用LMDI方法和STIRPAT模型进行长时间序列碳排放量模拟时，二者的模拟结果相差较大，LMDI方法模拟的碳排放量降幅明显大于STIRPAT模型，但二者的预测趋势是一致的。要想推动天津市在2060年之前实现碳中和，就要尽快进入超低碳发展模式，并适时实施碳汇工程。
2.4 不确定性分析
研究中的影响因素数据主要来自统计年鉴，对于一些历年比较难以获取且影响碳排放量的因素（如高技术增加值占比）暂未考虑进去，所以会导致碳排放量的预测分析存在一定的不确定性；
各情景的设置是以低碳加严40%作为情景预测幅度，与实际情况会有一些差别，因此本研究的预测评估仅是提供了一定条件下的碳排放量边界，具有一定的不确定性。
（1）LMDI方法主要揭示的是各影响因素对碳排放量的贡献率，STIRPAT模型揭示的是各影响因素对碳排放量变化趋势的影响。因此，如果需要分析当前一段时间内碳排放量影响因素的贡献率，选择LMDI方法；
如果需要对碳排放量进行预测分析，选择STIRPAT模型。使用LMDI方法和STIRPAT模型进行长时间序列碳排放量模拟时，二者的模拟结果相差较大，LMDI方法模拟的碳排放量降幅明显大于STIRPAT模型。因此，如果想要最大限度地减少政策制定的不确定性，需要同时使用LMDI方法和STIRPAT模型对碳排放量进行预测分析。
（2）天津市地区生产总值、能源强度、碳排放强度、城镇化率、第三产业占比对天津市碳排放量具有较大的影响，天津市能源结构的不断优化和能源强度的持续降低是导致天津市碳排放量减缓的主要因素，但天津市富裕程度的增加和城镇化率的提高促进了天津市碳排放量的增加。
（3）在基准情景下，基于LMDI方法和STIRPAT模型模拟的天津市“十四五”时期碳排放量均呈现上升趋势，无法实现碳达峰，2060年之前也很难实现碳中和；
在低碳情景和超低碳情景下，基于LMDI方法和STIRPAT模型模拟的天津市“十四五”时期碳排放量均呈下降趋势，可确保在2025年之前实现碳达峰；
在低碳情景下，到2060年天津市仍有较高的碳排放量，很难实现碳中和；
在超低碳情景下，到2060年，通过实施碳汇工程，天津市可实现碳中和。天津市要想在2025年之前实现碳达峰，需要达到低碳情景；
要想在2060年之前实现碳中和，需要达到超低碳情景。
——以济南市平阴县为例西安建筑科技大学学报（社会科学版）(2014年6期)2014-03-13本文来源：http://www.zhangdahai.com/shiyongfanwen/qitafanwen/2023/0916/655116.html
