王文文，韩 语，李志学，刘学荣，王 康，刘欣铭，赵婧宇，周 嘉

(哈尔滨师范大学)

东北三省的碳排放分析及预测*
——基于STIRPAT模型

王文文，韩 语，李志学，刘学荣，王 康，刘欣铭，赵婧宇**，周 嘉

(哈尔滨师范大学)

通过对东北三省1999～2014年的碳排放进行测算分析，利用STIRPAT模型，运用最小二乘法和主成分分析方法，探究东北三省的碳排放影响因素；并设置基准和低碳情景预测2020年、2030年东北三省的碳排放量.结果表明：①人口总量、城镇化率、人均地区生产总值、二产增值比对东北三省的碳排放起正向推动作用，其中人口总量对碳排放量的促进作用最大，而能源强度对碳排放起抑制作用；②经过情景预测分析：2020年基准情景下，黑龙江省、吉林省和辽宁省的碳排放强度分别为0.41、0.54、0.48；2030年在基准情景下黑龙江省、吉林省和辽宁省三省的碳排放强度分别为0.31、0.62、0.41.

碳排放；STIRPAT模型；碳排放预测；东北

0 引言

随着人类社会经济的快速发展及能源的大量使用，温室气体的排放随之增加，致使全球气温不断上升.根据IPCC公布的第五次评估报告，全球地表平均气温在1880年到2012年期间已经上升了0.85℃.美国公布报告称，2014年成为气象记录以来最暖年，并且15个最暖年中有14个发生在21世纪，说明气候变暖趋势仍然继续.全球气候变暖趋势的加快，对人与环境的和谐及可持续发展产生了巨大的影响，二氧化碳作为温室气体的主要构成部分，如何减少二氧化碳的排放，日益成为人们关注的主要问题.根据国际能源署(IEA，2009)的统计数据，2007年中国的二氧化碳排放量成为全球第一大国，已超过美国.2014年APEC峰会上中国承诺2030年前停止增加二氧化碳排放，而当前中国正处于工业化快速发展阶段[1]，所以势必会引起能源需求和一些刚性问题的增加，而工业化的过程中加速了能源的消耗量，更促进碳排放的进一步增加[2].东北地区作为中国重要的工业基地，也不可避免的产生了一系列环境问题，其中二氧化碳的排放就是其中一个重要的问题.2014年东北三省的二氧化碳排放量达到29489.9万吨，比1999年增加了一倍，年平均增长率为4.61%，伴随着低碳发展、绿色经济等低碳政策的提出[3]，东北地区减少碳排放的压力也不断增加，因此该文分析作为重工业基地的东北三省的碳排放的影响因素，对东北地区节能减排和老工业基地的发展具有重要意义.

已有很多学者对碳排放的影响因素进行了研究，从国家层面来看，李国志[4]利用状态空间模型对1966-2011年日本的碳排放影响因素进行了分析；宋德勇[5]、杨骞[6]、孙欣[7]等学者利用STIRPAT模型对中国的碳排放的影响因素进行了分析；国涓[8]等人运用对数平均迪氏指数分解法，分析了中国区域碳排放的影响因素，结果表明人均GDP和人口总量对碳排放的增长起正向作用，生产部门能源强度起负向作用；邓吉祥[9]等人将碳排放的影响因素分解为人口规模、经济发展、能源强度和能源结构，结果显示导致碳排放上升最主要的因素是人均GDP；李建豹[10]等利用地理加权回归模型分析了影响碳排放的主要因素，认为碳排放强度和人均GDP是影响中国省域人均碳排放的重要因素；对于省域尺度碳排放影响因素的研究，主要集中在经济技术发达的地区.张丽峰[11]对北京市人口规模、人口城市化结构和经济规模与碳排放之间的关系进行了研究，结果显示三个变量对碳排放均有不同的促进作用；刘源[12]等基于2005～2010年厦门各部门终端消费数据，应用数平均权重分解法对碳排放强度指标进行了因素分解；黄蕊[13]等通过岭回归分析方法分析了重庆市的碳排放影响因素，其中人口数量对碳排放对重庆市能源消费碳排放量影响最大.

根据以往的研究，对碳排放影响因素的研究大多是利用LMDI和STIRPAT方法进行分析，研究的尺度也包括各个方面，既有大区域的多个国家尺度，也有具体到省域的层面，不过大部分集中在国家层面或单个省市，对相似自然地理和资源条件的地区进行综合分析的较少，尤其对于东北地区整体的研究更是较少.该文综合以上相关研究的理论和方法，运用STIRPAT模型对东北三省总体碳排放量的影响因素进行具体分析，并设置不同情景预测东北三省2020年、2030年的碳排放量，研究结果可为东北地区低碳经济发展提供理论依据.

1 研究方法及数据来源

1.1 数据的选取与来源

(1)环境影响要素：二氧化碳排放量，IPCC指南中指出，温室气体排放主要来源于能源消耗产生的二氧化碳，能源的消耗主要集中在对化石能源的利用，该文选取利用较为普遍的煤炭、石油、天然气三种主要能源，来核算东北三省的碳排放，并采用IPCC方法进行估算以达到数据来源的一致性.三种能源的消费量计算公式为：

Eit=Qit×σi

其中，Eit表示t年i类能源消耗标准量(万吨标准煤)，Qit表示i类能源在t年实物使用量；σi为i类能源换算为标准煤的系数(中国能源统计年鉴有具体的换算系数).然后计算能源消费碳排放量：

Cit=∑(Eit×ρi)

其中Cit代表t年碳排放量(万吨)，ρi代表i类能源的碳排放系数；煤炭、石油、天然气的碳排放系数是对美国能源部能源情报署(EIA)、日本能源研究经济所、国家科委气候变化项目及国家发展和改革委员会能源研究所公布的数据取其平均值计算得来，分别为0.733、0.557、0.423[14].

(2)人口和富裕程度要素：人口作为社会生产生活的主要构成部分，与社会、经济和环境等方面有着密切的关系，人口在增长的过程中会消耗大量的化石能源，且随着生活水平和质量的提高，能源的消费也在增加，化石能源在燃烧过程中导致大量的二氧化碳、氮氧化物等污染气体排放到大气中，对大气质量和全球气候变化产生重大影响，因此选取人口总数和人均GDP来分析其对二氧化碳排放的影响.

(3)技术要素：能源强度是衡量能源利用效率的常用指标，反映能源利用率的效率，常通过提高技术进步来实现，一般用能源消费总量与地区的生产总值之比来表示.

(4)城市化率：随着经济的发展，我国城市化水平不断提高，东北地区作为老工业基地，城市化的加快[15]，城市人口的增加，不仅仅创造了较高经济收入，也消耗了大量的化石能源，给环境带来了严重的污染，该文选取城市化率分析其对碳排放的影响.

(5)第二产业增值比：对化石能源的利用主要集中在第二产业，各个地区的产业结构对能源消费具有重要的影响作用，该文选取第二产业增值比来表示产业结构的变化即第二产业增加值占三次产业总增加值的比重.

该文选取1999～2014年作为研究区间，黑龙江、吉林、辽宁三省作为研究区域，统计数据均来源《吉林省统计年鉴》、《辽宁省统计年鉴》、《黑龙江省统计年鉴》和各省的统计公报.

1.2 研究方法

20世纪70年代，Ehrlich和Holdren[16]构建了IPAT模型来分析人口、富裕程度与技术等因素对环境的影响，即:

I=P×A×T

其中:I代表环境影响，P代表人口，A代表富裕程度，T代表技术.随后Dietz和Rosa[16]将IPAT模型进行进一步改进扩展为STIRPAT模型，该模型的表达式为:

(1)

式中，α为常数项，β,γ,δ为各个自变量的指数，ei为误差；由于STIRPAT模型式非线性的，对(1)式两边取对数，可得：

lnIi=lnα+βlnPi+γlnAi+δlnTi+lnei

(2)

其中，β,γ,δ为模型的弹性系数，反映了因变量和自变量之间的弹性关系，即在其他因素不变的情况下，β,γ,δ变化1%，所对应的环境影响变化的百分比.该文利用STIRPAT模型，分析人口、富裕及技术等因素对二氧化碳排放量的影响，并引入了城市化率和第二产业增加值占总产业增加值的比值对模型进行了扩展，所以(1)式变为：

(3)

公式(3)进行对数转换得到：

ln(Ii)=α+βln(Pi)+γln(Ai)+δln(Ti)+εln(Ui)+ξln(Ei)+ei

(4)

式中，Ii代表环境影响，用二氧化碳排放量表示，单位为万吨；Pi代表人口要素，用人口总量表示，单位为万人；Ai代表财富因素，用人均GDP表示，单位为元；Ti代表技术因素，用能源强度表示；Ui代表城市化率；Ei代表第二产业增加值占总产业增加值的比值；β,γ,δ,ε,ξ代表各影响因素的碳排放弹性系数.

2 模型分析

2.1 回归分析

根据统计计算的数据，利用STIRPAT模型，应用SPSS软件对东北三省的二氧化碳排放影响因素进行多元回归分析.首先对选取的指标数据进行对数化处理，并对这几个解释变量的相关性进行分析，当自变量之间存在多重共线性，会使参数估计值的方差增大，通过计算方差膨胀因子(VIF)值，发现自变量的VIF值超过了标准值10，自变量之间存在严重的多重共线性，这与许泱[18]、张勇[19]、王铮[20]等人研究碳排放的影响因素存在共线性的结论相同，而普通最小二乘法对自变量之间存在共线性的模型无法得到可靠的系数，该文采用主成分分析法来消除多重共线性.

对自变量进行主成分分析，由于前两项累积的贡献率已达到99.73%，所以选取前两个主成分来进行分析，用两个变量来代替原来的5个变量，并可以得到：

F1=0.174lnPi+0.219lnAi-0.214lnTi+0.219lnUi-0.22lnEi

(5)

F2=1.357lnPi-0.246lnAi+0.512lnTi-0.177lnUi-0.157lnEi

(6)

将二氧化碳排放量和主成分进行最小二乘法分析(OLS)，得到碳排放量和主成分的回归方程：

lnCi=0.98F1+0.089F2

(7)

其中，模型调整R2的值是0.964，F值为199.977，通过了t值的1%显著性检验，因此拟合的比较好.

将式(5)、(6)代入主成分回归方程，得到：

lnCi=0.291lnPi+0.193lnAi-0.164lnTi+0.199lnUi+0.202lnEi

(8)

由计算结果(公式8)的系数可以看出，1999～2014年，东北三省各因素对碳排放的影响程度：其中人口因素对碳排放量的影响最大，弹性为0.291，其次是第二产业增值比，弹性为0.202；城市化率的弹性为0.199，对碳排放影响也较大，人均GDP的弹性为0.193，仅次于城市化率的影响程度；另外能源强度对碳排放起到抑制作用，弹性为-0.164.

人口总量对东北三省碳排放的影响最大，其弹性为0.291，即当东北三省的人口总量每增加1%，碳排放量将增加0.291%，人口总量是影响碳排放量增加的最主要因素.1999～2014年东北三省的人口总量呈波动上升趋势，2014年东北三省的人口总数为10748.5万人，比1999年增加了237.2万人，人口作为社会生产和生活的主体，随着人口总量增加，对能源的需求量也随之增加，进而导致碳排放量增加；第二产业增值比是影响碳排放的第二大主要因素，第二产业增值比每增加1%，碳排放量将增加0.202%，东北地区作为老工业基地主要以第二产业为主，产业结构比较单一，而高能耗高排放是工业的特点[21]，所以随着第二产业产值的增加势必会带来碳排放量的增加；城市化率也是影响碳排放的重要因素之一，当城市化率每增加1%，碳排放量将增加0.199%；东北三省整体城市化率从1999年的51.52%增长到2014年的59.69%，年平均增长率为0.25%；城市化作为影响碳排放的因素之一，对碳排放的影响是多方面的，包括土地利用的改变、水泥钢铁等工业建筑材料的需求的增加、交通工具的增加等，这些变化均会使二氧化碳排放量增加；东北三省的碳排放强度位居全国前列，2010年黑龙江省、吉林省、辽宁省都以高碳排放强度(3t/万元

2.2 情景预测分析

为了更好的了解东北三省未来碳减排的潜力，该文设置两种情景对2020年和2030年的碳排放进行预测.

(1)基准情景：根据1999～2014年碳排放的年平均增长水平作为基准水平，由数据计算得到，2020年黑龙江省、吉林省、辽宁省碳排放的年平均增长率分别为3%、8%、5%.

(2)低碳情景，根据各省的《十三五规划建议》，黑龙江省、辽宁省分别提出在“十三五”期间GDP增长率分别为6%、6.6%，由于吉林省还未提出明确的GDP增长率，所以针对吉林省的增长率该文采用国家发改委提出的关于十三五规划基本思路设定GDP增长的底线6.5%.因此可得到黑龙江省、吉林省、辽宁省2020年的GDP值分别为21333.11、20140.69、42006.16亿元，我国已经明确提出2020年碳排放强度相对于2005年下降40%～45%，因此该文设定减排目标的高目标作为低碳情景进行分析.

根据以上两种情况的设定，见表1，基准情景下，2020年黑龙江省、吉林省、辽宁省碳排放强度分别为0.41、0.54、0.48，明显低于低碳情景的指标，依据1999～2014年的碳排放量的平均增长率和“十三五”各省的GDP年增长率计算了2030年在基准情景下的碳排放强度，基准情景下碳排放强度分别为0.31、0.62、0.41，国家承诺在2030年的碳排放强度比2005年下降60%～65%，相对于这一目标，2030年吉林省的碳排放强度大于低碳情景的碳排放强度，其他两省都可以实现这一目标，所以吉林省在2030年之前应该更加重视减排，达到即提高经济又减少碳排放量的目标.

表1 2020年、2030年碳排放量的情景分析

3 结论及政策建议

研究表明：从碳排放影响因素来看，通过回归分析，人口、第二产业增值比、城市化率和人均GDP是影响碳排放的主要因素，均对碳排放起正向的积极作用，而能源强度是唯一对碳排放起负向作用的影响因素，当能源强度每增加1%，碳排放量将降低0.164%；通过情景预测分析：2020年基准情景下，黑龙江省、吉林省和辽宁省的碳排放强度分别为0.41、0.54、0.48，且明显低于低碳情景下的指标；2030年在基准情景下黑龙江省、吉林省和辽宁省三省的碳排放强度分别为0.31、0.62、0.41，吉林省的碳排放强度大于低碳情景的碳排放强度.

面对高碳排放量的东北三省，应该采取如下措施来缓解现状：

(1)大力开发新能源，调整能源利用结构.在快速发展经济的同时应该注意能源的使用和碳排放的控制，调整能源利用结构，开发利用新能源，各地区因地制宜的开发利用其优势资源，如吉林省和黑龙江省因其天然的地理和气候优势，可以适当的开发利用风能等清洁能源，辽宁省发挥其区域优势，充分利用其核电和水利资源，从而进一步的减少化石能源的消耗，控制二氧化碳的排放量.

(2)优化产业结构.在振兴东北老工业基地的同时，城市化和工业化进程的加快，导致碳排放量增加，因此要合理的进行产业结构的规划，加强对高耗能、高排放企业的监督管理，增加科学技术投入，提高科技创新能力，采用节能减排先进的生产技术，提高低耗能产业在产业结构中的比重，加快信息技术和生物技术等新型产业的发展.积极的倡导能源节约和高效利用，在减少碳排放量的同时，加强资源节约和环境友好型社会的建设，提高区域的可持续发展能力.

(3)优化人口质量，提高公众低碳意识.优化人口质量，政府可适当的引导人口数量和分布，并对人口结构和质量做出积极的指导；提高人口综合素质，使公众树立低碳环保价值观念，并积极学习相关法律法规，了解低碳行为的重要性和必要性，合理引导公众的低碳消费行为和观念，从自身做起，把低碳行为融入到生活中的各个方面.

[1] 樊杰,李平星. 基于城市化的中国能源消费前景分析及对碳排放的相关思考[J]. 地球科学进展, 2011,1(26):57-65.

[2] Wei B R,Yagita H,Inaba A,et al. Urbanization impact on energy demand and CO2emission in china[J]. Journal of Chongqing university-Eng Ed, 2003,2(10):45-50.

[3] 王静静,王康,赵婧宇,等. 基于DPSIR模型的哈尔滨市低碳城市发展评价初步研究[J]. 哈尔滨师范大学自然科学学报, 2017,33(3):92-97.

[4] 李国志. 基于状态空间模型的日本碳排放影响因素分析及启示[J]. 资源科学, 2013,35(09):1847-1854.

[5] 宋德勇,徐安. 中国城镇碳排放的区域差异和影响因素[J] . 中国人口资源与环境, 2011,21(11):8-14.

[6] 杨骞,刘华军. 中国二氧化碳排放的区域差异分解及影响因素-基于1995～2009年省际面板数据的研究[J]. 数据经济技术研究, 2012(5):36-49.

[7] 孙欣,张可蒙. 中国碳排放强度影响因素实证分析[J]. 统计研究, 2014,31(2):61-67.

[8] 国涓,刘荣军,孙萍. 中国二氧化碳排放的影响因素基于区域的实证研究[J]. 数学的实践与认识, 2013,43(11):59-72.

[9] 邓吉祥,刘晓,王铮. 中国碳排放的区域差异及演变特征分析与因素分解[J]. 自然资源学报,2014,29(2):189-200.

[10] 李建豹,黄贤金,吴常艳,等. 中国省域碳排放影响因素的空间异质性分析[J]. 经济地理, 2015,35(11):21-28.

[11] 张丽峰. 北京人口、经济、居民消费与碳排放动态关系研究[J]. 干旱区资源与环境, 2015,29(2):8-13.

[12] 刘源,李向阳,林剑艺,等. 基于LMDI分解的厦门市碳排放强度影响因素分析[J]. 生态学报, 2014,34(9):2378-2387.

[13] 黄蕊,王铮. 基于STIRPAT模型的重庆市能源消费碳排放影响因素研究[J]. 环境科学学报,2013,33(2):602-608.

[14] 王立猛,何康林. 基于STIRPAT模型的环境压力空间差异分析—以能源消费为例[J]. 环境科学学报, 2008,8(5):1032-1037.

[15] 李馨宇,张思冲,胡彩云,等. 黑龙江省城镇化与生态环境协调性研究[J]. 哈尔滨师范大学自然科学学报,2016,32(05):81-86.

[16] Ehrlich P R,Holdren J P. Impact of population growth[J]. Science, 1971,171(3977):1212-1217.

[17] Dietz T,Rosa EA. Effects of population and affluence on CO2emissions[J]. Proceedings of The National Academy of Sciences USA, 1997,94(1):175-179.

[18] 许泱,周少甫. 我国城市化与碳排放的实证研究[J]. 长江流域资源与环境, 2011,20(11):1304-1309.

[19] 张勇,张乐勤,包婷婷. 安徽省城市化进程中的碳排放影响因素研究—基于STIRPAT模型[J]. 长江流域资源与环境, 2014,23(4):512-517.

[20] 黄蕊,王铮. 基于STIRPAT模型的重庆市能源消费碳排放影响因素研[J]. 环境科学学报, 2013,33(2):602-608.

[21] 张兵兵,徐康宁,陈庭强. 技术进步对二氧化碳排放强度的影响研究[J]. 资源科学, 2014,36(3):567-576.

[22] 邓宣凯,喻艳华,刘艳芳. “十二五”各省区CO2排放控制及减排压力评价[J]. 经济地理, 2014,34(5):155-161.

TheAnalysisandPredictionofCarbonEmissionsintheThreeProvincesofNortheast—BasedonSTIRPATModel

Wang Wenwen, Han Yu, Li Zhixue, Liu Xuerong, Wang Kang, Liu Xinming, Zhao Jingyu, Zhou Jia

(Harbin Normal University)

In this article, through to the three northeastern provinces of carbon emissions in 1999～2014 to measure analysis, using the STIRPAT model, using the least squares and principal component analysis method, carbon emissions influence factors of the three northeastern provinces are explored, and the benchmark scenario and low-carbon scenarios are set to predicte carbon emissions of the three northeastern provinces in 2020 and 2030. Results show that:①The growth of carbon emissions is the granger cause of urbanization, and the growth of urbanization is not granger cause of the rise in carbon emissions; ②After the 2020 scenario, the carbon intensity of Heilongjiang Province, Jilin Province and Liaoning Province are 0.41, 0.45 and 0.48 respectively. In 2030, the carbon intensity of Heilongjiang Province, Jilin Province and Liaoning Province in the baseline scenario Respectively 0.31,0.62 and 0.41.

Carbon emissions; STIRPAT model; Carbon emissions projections; Northeast

李家云)

X169,X51

A

1000-5617(2017)04-0113-06

2017-5-25

*哈尔滨科技局科技创新人才研究专项基金资助(2016RAXXJ037)

**通讯作者：1436441077@qq.com