曹广喜 张力

摘 要 江苏省碳排放总量长期位居全国前五，分析其碳达峰路径对中国2030年实现碳达峰目标具有重要意义。本文通过聚类分析选取四个重点排放行业，构建扩展的STIRPAT模型分析江苏省行业碳排放影响因素，进而运用情景分析和Logistic模型对2019—2030年江苏省重点行业碳排放进行预测。结果表明：人口、城镇化率、人均GDP、产业结构、固定资产投资对江苏省重点行业碳排放量均有显著的正向作用，单位产量（周转量）能耗对碳排放的影响存在行业差异，降低单位产量（周转量）能耗和减少固定资产投资能够显著降低行业碳排放，重点行业碳排放在2030年接近达峰。江苏省应该采取行业针对性政策，推进清洁能源替代或技术更新，稳步推进产业绿色转型，避免对高排放行业采取“一刀切”。

关键词 碳排放 STIRPAT Logistic模型 情景分析 碳达峰

作者简介：曹广喜，博士，南京信息工程大学管理工程学院教授、无锡学院副校长、博士研究生导师;张力，南京信息工程大学管理工程学院硕士研究生。

基金项目：江苏省社科应用研究精品工程课题“我国2030年前碳达峰前提下江苏能源需求和保障对策研究” （21SYA-006）

一、引 言

2030年前碳达峰、2060年前碳中和目标的提出和实施，将加快我国新旧发展动能转换，促进经济增长方式转变，对地方经济转型和产业结构调整产生重大影响。江苏省人口密集、经济发达，但工业结构倚重偏轻，高耗能行业占主导地位，能源消费以煤为主，严重依赖外省调入和外国进口，且碳排放自1997年以来始终位于全国前五，面临巨大的减排压力。同时，江苏省的经济社会发展水平、资源禀赋和碳排放现状在全国具有代表性。因此，研究碳达峰背景下江苏省重点行业碳排放的影响因素及发展趋势，不仅可以为江苏省碳达峰和经济高质量发展提供依据，而且对其他地区具有借鉴价值。

近年来，关于碳排放影响因素的研究较多，取得的研究成果也较为丰硕。比如，林伯强等研究认为人均收入、工业能源强度、产业结构、能源消费结构对全国碳排放具有显著影响。Liu等认为家庭消费、金融发展对全国碳排放具有促进作用，技术创新和可再生能源消费对碳排放具有抑制作用。Xu等研究发现工业化水平、人口规模对空气污染物排放具有促进作用，外商直接投资对空气污染物排放具有抑制作用，经济增长、城镇化率和出口对空气污染物排放的影响存在区域差异。 比较而言，专门针对江苏省的相关研究较少。比如，徐国泉等基于LMDI模型研究了经济发展、能源效率、能源结构、工业结构对江苏省人均碳排放的影响。张丽娜等基于LMDI模型和Shapley模型研究了江苏省居民食品消费碳排放的影响因素。

现有文献主要采用两种方式预测碳排放。第一，在经验分析碳排放影响因素的基础上，分具体情景进行预测。比如，袁晓玲等在分析中国工业部门整体及八大细分行业碳排放影响因素的基础上，用岭回归预测基准、低碳、高耗能三种情景下的碳排放峰值。张国兴等先运用LMDI方法分解黄河流域交通运输业碳排放的驱动因素，再构建STIRPAT模型预测不同情景下的碳排放发展趋势。第二，通过时间序列及其组合模型对碳排放进行预测。比如，赫永达等运用ADL-MIDAS模型，根据季度GDP和工业增加值预测2021—2025年中国年度碳排放总量及三大产业的碳排放。杜强等利用Logistic模型预测了中国各省级行政区的碳排放。黄蕊等以江苏省为研究对象，实证分析了人口数量、人均GDP、能源强度、城市化水平与碳排放的关系，并预测了江苏省的总碳排放。赵宇探讨了江苏省农业碳排放的影响因素和发展趋势。

上述文献目前存在以下问题：第一，由于相关研究的主要目的并不是改进碳排放的核算方法，所以大多进行了简化核算，这导致测算出的碳排放量存在差异，影响研究结果。第二，关于江苏省碳排放影响因素的研究主要使用LMDI模型，无法具体反映碳排放与影响因素之间的变动关系，同时，研究的重点主要针对农业或全省整体，尚未涉及对碳达峰目标实现具有重要影响的重点排放行业。

有鉴于此，本文基于CEADs省级分部门核算清单的碳排放数据，利用聚类分析筛选出江苏省重点排放行业，建立扩展的STIRPAT模型分析行业碳排放的影响因素和作用机制，并利用情景分析和Logistic模型分别对重点行业碳排放进行预测，以期对江苏省实现碳达峰目标提供有益的参考。

二、模型和数据

（一）扩展的STIRPAT模型

这里引入Dietz等提出的STIRPAT模型，该模型将环境影响（记为E）与人口规模（记为P）、经济发展水平（记为A）和技术水平（记为T）整合在一起，标准形式为：

其中，a、b、c、d为模型参数，ε是随机误差项。对（1）式两边取对数，可以得到模型的一般形式：

STIRPAT模型综合考虑了多种宏观因素，并可以根据不同研究对象进行扩展，构建的回归方程能与具体的情景分析相结合，便于进行政策分析，近年来在能源和碳排放研究领域变得越来越流行。大量文献表明人口增加和经济发展是导致碳排放量增长的两大重要因素。林伯强等认为经济增长推动城镇化和工业化，进而带动高耗能产业迅速发展，推高了社会整体能源消耗水平，导致碳排放上升。张毅等认为第二产业占比上升意味着高耗能产业扩张，引起碳排放上升。崔强等发现，行业单位产量（周转量）能耗越低表明该行业的节能减排技术越先进，碳排放被抑制的程度越高。各行业通过增加固定资产扩大生产规模、更新技术设备、提升生产力，而全社会固定資产投资是以货币形式表现的增加固定资产活动的工作量，因此全社会固定资产投资在一定程度上可以反映行业发展前景和技术投资水平。结合上述研究结论，本文将STIRPAT模型中的人口规模、经济发展水平和技术水平扩展为包括人口、城镇化水平、经济发展水平、产业结构、能源技术、行业投资在内的六个因素，最终模型如下：

其中C表示行业碳排放量，i代表行业，α为模型参数，其他变量说明见表1。

（二） Logistic模型

Logistic模型用于刻画种群增长的S型曲线，其基本假设是物种最大数量不会超过环境最大容量。文献表明，城镇化演进、传染病感染人数等经济社会变量同样存在此类增长规律。 随着经济社会的发展及节能减排技术的应用，碳排放量很可能呈现S型增长规律，自然达到峰值状态。因此，建立如下碳排放量的Logistic模型：

其中，当t→时，C（t）能达到最大值K，即为环境最大容量或碳排放峰值，C0為初始容量，r为增长速率。一般借助 SPSS 软件中的曲线拟合功能确定K的取值。

（三）数据来源及说明

抽取的样本包括江苏省47个最终能源消费行业1997—2018年历史碳排放数据，数据来源于CEADs省级分部门核算清单，碳排放单位为百万吨。省级人口规模、GDP、第二产业产值、行业产量（周转量）以及全国分行业能源消费量、分行业全社会固定资产投资金额分别来源于《中国统计年鉴》《中国能源统计年鉴》以及国家统计局网站。需要注意的是，由于省内分行业统计数据存在缺失，这里使用江苏省发电量、生钢产量、水泥产量、货运周转量与全国对应变量的比例关系折算出了江苏省各行业能源消费量和全社会固定资产投资金额。

三、结果分析

（一）江苏省重点碳排放行业筛选

聚类分析可以将数据集按照给定的特征指标分类，使每类中的数据特征尽可能相似。考虑到对各行业的历史碳排放数据直接排序会出现年份差异，难以真实反映该行业的总体碳排放水平。因此，基于CEADs数据库中江苏省47个细分行业碳排放的历史数据，按照历史累积碳排放量（百万吨）和人均累积碳排放量（万吨）2个指标进行K-均值聚类，最终将47个细分行业划分为高碳、次高碳、中碳、低碳4组。

聚类结果显示，高碳组只包含电力行业，历史和人均累积碳排放量分别为59.70亿吨、77万吨;次高碳组为钢铁行业，历史和人均累积碳排放量分别为16.62亿吨、21万吨;中碳组包括水泥和交通运输业，其余行业均属于低碳组。方差分析检验结果见表2，p值均接近0，表明不同行业两项指标之间有显著差异。

图1给出了江苏省高碳组、次高碳组和中碳组各行业的历年碳排放量。

1997—2018年，电力行业的碳排放量远高于其他行业，历史累积碳排放量约占江苏省同期累计总体碳排放量的58%，且电力、钢铁、水泥和交通运输业的排放量之和约占江苏省同期累计总体碳排放量的88%。因此，将这四个行业确定为江苏省重点碳排放行业。

（二）江苏省重点碳排放行业影响因素分析

由于人口规模、经济增长和技术进步等变量之间相互制约，可能会导致多重共线性问题，为此采用岭回归（Ridge Regression）来求解STIRPAT模型。由表3给出的回归结果可知，所有变量对江苏省四个重点排放行业的碳排放量均存在显著影响。江苏省人口总量（Pop）、城镇化率（U）、人均GDP（PGDP）对四个行业的碳排放量均有正向影响。第二产业占比（S）对交通运输业碳排放量有显著的负向影响，回归系数估计值为-0.63，对电力、钢铁和水泥行业碳排放量的影响则显著为正。这是因为电力、钢铁和水泥均属于第二产业，第二产业占比上升意味着行业产值增加，能源消耗量和碳排放量也会相应上升，而交通运输业属于第三产业，第二产业占比增加会压缩其他产业的占比。单位产量（周转量）能耗（TE）对钢铁、水泥行业的碳排放量有显著正影响，而对电力、交通运输业的碳排量有显著负影响，回归系数估计值依次为-0.43、-0.11。可能的原因是，目前江苏省电力、交通运输业两个行业的低碳技术运用相对成熟，风力发电、光伏发电的度电成本均低于火力发电，清洁能源交通工具如新能源电动汽车和燃气汽车的使用范围逐渐扩大，清洁能源占比逐步上升，从而出现单位产量（周转量）能耗上升的同时碳排放减少的情况。行业固定资产投资（I）对四个行业的碳排放量具有显著的正向影响，对碳排放没有抑制作用，这说明当前江苏省行业固定资产投资主要用于扩大生产规模，增加经济效益。

（三）江苏省重点碳排放行业政策情景分析

1.政策情景设定

考虑到碳达峰目标下节能减排与经济发展之间的矛盾关系，设置基准、碳税和技术进步三种政策情景。第一，基准情景。基准情景下没有碳排放约束，经济持续快速发展，能源技术、行业投资保持历史平均增长水平，该情景代表粗放式经济增长模式。第二，碳税情景。以征收碳税等方式直接限制高排放行业发展，这可能是实现碳达峰的最快路径，但是可能导致经济增长变缓甚至下降、失业率上升等问题。第三，技术进步情景。与前两种情景相比，技术进步情景强调能源技术和行业投资两个指标，着眼于实现碳达峰和保增长双目标。该情景要求在宏观经济政策、能源规划和气候政策等方面采取重大举措，优化能源使用结构和投资结构，重视技术推动产业绿色升级，不会直接限制高排放行业发展，避免“一刀切”。

2.情景参数设定

在上述政策情景下，针对江苏省各变量在预测期的增长率设定如下：

（1）人口。根据江苏省目前的实际人口状况并结合张现苓等的观点，认为江苏省人口总量仍会以较低速度增长，且不受三种政策情景影响。

（2）城镇化率。江苏省2019年城镇化率为70.61%，已经超过中国社会科学院宏观经济研究中心课题组预测的2030年中国平均城镇化率69%的水平，由于江苏省经济和工业化程度仍在持续增长，预计城镇化率还会继续提升。

（3）人均GDP。据中国社会科学院预测，2019—2020年、2021—2025年、2026—2030年中国实际GDP的平均年增长率依次为6%、5.5%、4.5%。人均 GDP 增速与GDP增速具有一致性。结合江苏省的历史数据和实际发展情况，预测值依次调高为6.5%、6.0%、5.0%。

（4）产业结构。根据1997—2020年的产业结构数据可以推算出，江苏省第二产业占比年均下降1%。考虑到产业结构影响因素复杂，预测期内年增长率仍设定为-1%。

（5）能源技术。将江苏省各行业1997—2018年单位产量（周转量）能耗的年平均增速设定为基准情景下的单位产量（周转量）能耗增速。碳税情景下会通过限产限用、错峰使用、超额缴税等措施直接限制高排放行业的生产活动，因此单位产量（周转量）能耗下降较快，将其取值设置为比基准情景低2%。技术进步情景下需要平衡经济增长和节能减排，更注重減排技术的应用和清洁能源替代，而非单纯降低能源使用量，因此，将单位产量（周转量）能耗下降速度设置为比基准情景低1%。

（6）行业投资。将江苏省各行业1997—2018年固定资产投资年平均增速设定为基准情形下的行业固定资产投资增速。碳税情景下由于要限制高排放行业产能扩张，因此固定资产投资增速较低，将其取值设置为比基准情景低4%。技术进步情景下行业进行绿色改造需要进行大量投资，经济由高速增长转为中高速增长，更注重高质量发展而非盲目扩张，因此将行业固定资产投资增速设置为比基准情景低2%。各指标在三种情景下的增长率设定见表4。

3.预测结果

在前述设定下，根据扩展的STIRPAT模型对不同政策情景下四个重点碳排放行业的碳排放量进行了预测，结果见图2。

可知，在基准情景下，江苏省2030年电力、钢铁、水泥、交通运输四个重点碳排放行业的碳排放量分别为5.83亿吨、2.68亿吨、0.83亿吨、0.77亿吨。在碳税情景下，江苏省2030年四个重点碳排放行业的碳排放量比基准情景依次下降10.22%、17.08%、9.33%、4.30%，表明缩减高排放行业的固定资产投资、通过节约能源降低单位产量（周转量）能耗有明显的减排效果。在技术进步情景下，各行业碳排放量介于基准和碳税两种情景之间，碳排放量依次比基准情形下降5.01%、7.73%、4.8%、0.73%，通过技术改进降低单位产量（周转量）能耗、增加固定资产投资中用于技术升级改造的投资占比，有助于产业平稳转型和经济稳定发展。

（四）江苏省重点碳排放行业碳排放的Logistic模型预测

上述基于STIRPAT回归方程的预测，需要对各政策情景下各变量的增长率进行人为设定且考虑因素有限。作为对上述情景分析预测的补充和验证，本节利用Logistic模型拟合历史碳排放数据并预测碳排放量，其优点是可以综合考虑各种历史因素、避免人为干扰。

先根据拟合优度确定四个行业的最优K值，再进行预测，结果见表5。各模型的拟合优度（R2）分别为0.96、0.94、0.87、0.99，表明logistic模型对行业碳排放历史数据的拟合效果较好。水泥行业的拟合优度相对较低，可能与异常值影响有关。表6给出了1997—2018年四个行业碳排放的真实值、预测值和相对误差，除去个别异常值，相对误差均低于5%，因此预测结果可靠。

由表5可知，如果延续当前的经济发展模式，江苏省电力、钢铁、交通运输三个行业的碳排放量在2030年均接近峰值，峰值依次约为5.5亿吨、1.8亿吨、0.6亿吨，与袁晓玲等预测中国钢铁、电力行业的达峰时间分别为2032、2031年较为接近。水泥行业的峰值约在0.9亿吨，仍有一定的上涨空间，这个结果与李明煜等分析的江苏水泥行业较晚达峰一致。与情景分析相比较，Logistic模型对电力、水泥、交通运输三个行业碳排放量的预测结果与基准情景下的预测结果较为接近，对钢铁行业的预测结果比基准情景的预测结果低。

四、结论与建议

本文研究了江苏省重点行业碳排放量的影响因素并进行了趋势预测，得出以下结论：

第一，江苏省碳排放主要来自电力、钢铁、水泥及交通运输四个重点行业，其总排放量占全省所有行业碳排放总和的88%以上。人口、城镇化率、人均GDP、第二产业占比对重点行业碳排放具有显著的正向影响。单位产量（周转量）能耗对碳排放的影响存在行业差异。行业固定资产投资对碳排放有正向作用，各行业仍需加大对节能减排技术的研发和应用投入。

第二，降低单位产量（周转量）能耗和固定资产投资可以显著减少重点行业碳排放。在碳税情景下，虽然重点行业碳排放量下降程度比基准情景下大，但可能造成行业发展不平衡，抑制经济活力。在技术进步情景下，重点行业碳排放下降程度比基准情景下小，有利于同时实现碳达峰与经济可持续发展。Logistic模型对重点行业碳排放的预测结果与基准情景较为接近，2030年四个行业基本接近碳达峰。

基于上述结论，提出以下政策建议：

第一，江苏省实现碳达峰可以从碳排放贡献最大的四个行业入手，针对重点排放行业出台相应的减排政策。江苏省作为制造业强省，电力、钢铁、水泥和交通运输业为其支柱性产业，且四个行业的发展均处于全国领先地位，需要继续巩固领先地位，实现高质量发展和绿色转型。要充分发挥行业自身资金技术优势，大力发展新型电力和新能源装备集群，发展智能电网、电化学储能技术，从而推动能源消耗结构向以清洁电力为主转型。

第二，推动技术进步是实现碳达峰和经济增长双目标的根本路径。电力行业的稳定供给是其他行业正常运行、实现电气化转型的基础。交通运输业碳排放相对较少且分布零散，很难依赖错峰限产等强制手段推动碳达峰目标的实现，可以加速推进清洁能源替代、降低单位产量（周转量）能耗。钢铁、水泥属于供给相对过剩、产品同质化严重的中游加工行业，且生产过程难以避免使用化石燃料，城镇化、工业化的发展需求注定不能采取“一刀切”措施，因此可以考虑对行业产能实施一定限制，调整行业投资的结构，引导更多的资金投向碳捕捉、冶炼技术升级等领域。

〔责任编辑：来向红〕