刘 朝，王梓林，原慈佳

（1. 湖南大学工商管理学院，湖南长沙 410082；2. 湖南大学资源与环境管理研究中心，湖南长沙410082）

近年来，由碳排放造成的全球变暖问题受到各国重视。作为碳排放最多的国家，中国提出2030 年实现碳达峰的目标。而中国碳排放主要源自工业［1］，所以工业碳减排对碳达峰目标的实现具有重要意义。理论上技术创新具有高效、清洁等减排特征［2-3］，是减少工业碳排放的一个关键措施。但以往技术创新通常基于引进技术实现，随着欧美等发达国家不断对中国技术施压，引进技术对技术创新的边际贡献已越来越小，工业低碳发展依赖自主技术创新已成必然［4］。《对“十四五”工业绿色发展的思考和建议》指出，“十四五”时期工业能源结构与行业结构亟须调整，而持续调整的工业结构可能影响自主技术创新对工业碳排放的减排效果［5］。因此，文章旨在厘清工业结构调整下自主技术创新对工业碳排放的影响进而预测其排放趋势，对工业碳达峰具有重要意义。

1 文献综述

当前，学术界关于技术创新对碳排放影响的研究结论主要分为三类。其一是碳排放因技术创新水平提高而减少［6］。其二认为技术创新存在反弹效应［7］，从而导致碳排放增加。部分学者持第三种观点，认为技术创新对碳排放的影响受外在条件影响而表现出不确定性。例如，Lin 等［8］研究表明，技术创新的减排效果随能源结构中煤炭占比提高而减弱。类似地，Bai 等［9］将收入结构作为技术创新影响碳排放的门限变量，同样表明技术创新的减排效果受结构条件影响。不仅如此，技术创新的减排效果在不同国家类别中存在明显差异。Kumar 等［10］研究表明，技术创新有效减少发达国家碳排放，却导致大多数发展中国家碳排放增加。从当前研究来看，技术创新对碳排放的影响研究较多，但结论未取得一致性。此外，专门分析自主技术创新对中国工业碳排放影响的实证研究较少，其原因可能是中国工业技术水平整体落后于发达国家，对国外引进技术依赖较强［11］，从而缺少对自主创新的重视。理论上技术创新主要通过原始创新、引进消化吸收再创新和技术外溢实现，对中国而言，后两种方式的边际贡献已越来越小，工业后续低碳发展过程中自主技术创新的作用将日益凸显。那么，自主技术创新能否有效减少工业碳排放？此外，鲜有文献讨论行业结构升级对自主技术创新减排效果的影响。而工业能源结构持续转型、行业结构不断升级，是否影响自主技术创新对工业碳排放的影响？这些问题需进一步明确。

基于历史数据构建自主技术创新对工业碳排放影响的计量模型有助于掌握过去的影响情况，而预测自主技术创新潜在变化下的工业碳排放趋势，则有助于找到未来工业低碳发展的实现路径。碳排放预测是当前研究热点之一，常用方法包括STIRPAT 模型、灰色预测方法、机器学习方法等［12-15］。Lin 等［14］基于GM（1，1）灰色预测模型预测中国台湾地区碳排放。Xu 等［15］采用一种非线性人工神经网络（NARX）预测中国碳排放，结果表明仅低增长情景下中国碳排放于2030 年前达峰，并提出降低碳密集工业化的低碳建议。然而，已有研究常关注中国整体或区域碳排放趋势，预测中国工业碳排放的研究相对较少。王勇等［12］采用STIRPAT 拓展模型对中国工业碳排放达峰进行情景预测，结果表明仅低碳情景和抑制排放情景于2030 年前实现达峰。类似地，袁晓玲等［13］采用STIRPAT 拓展模型预测中国工业及8 大细分行业基准情景、低碳情景和高能耗情景的排放趋势。已有文献常采用STIRPAT 模型并结合情景分析预测工业碳排放，但情景设定通常只考虑各变量的线性影响，而实际情况为不同条件下变量对碳排放的影响存在不确定性［5，7-8，10］。因此，在情景设定时考虑变量非线性影响能够使预测结果更贴合实际。此外，情景设定存在一定主观性且缺乏客观基准情景参考，导致情景设定的有效性难以判断。而LSTM 神经网络无需主观设定各变量的变化速率，仅基于历史数据即可预测工业碳排放。因此，将各变量非线性影响考虑至情景设定中，同时将LSTM 神经网络预测结果作为基准情景，能有效弥补碳排放预测相关研究存在的不足。

综上所述，文章对中国工业碳排放研究的边际贡献体现在以下三点：①聚焦自主创新，从工业结构视角切入，研究工业能源结构和行业结构调整下自主技术创新对工业碳排放的影响，拓展了当前工业碳排放问题的研究视角与内容；②将LSTM 神经网络应用到工业碳排放预测问题上，避免了已有研究在情景设定时存在一定程度主观性的问题，使研究结果更具客观性和指导性；③根据不同工业结构下自主技术创新减排效果的阶段性差异设置工业发展情景，使工业碳排放预测结果更贴合实际，同时为后续相关研究的情景设定提供了新的参考方向。

2 影响机理分析

基于资源来源差异，技术创新分为自主技术创新和引进技术创新。自主技术创新指不依赖国外技术引进与资金流入，本国进行的独立技术创新。自主技术创新理论上是实现工业经济转型的核心驱动力，其影响工业碳排放的途径主要包括三个方面。

首先，自主技术创新通过工业能源结构影响工业碳排放。对于传统化石能源，自主技术创新有助于能效提高，进而减少工业活动能源浪费；对于清洁能源，自主技术创新能够促进其开发生产，有助于形成煤、油、气、核、清洁能源等多轮驱动能源生产开发体系。因此，自主技术创新能够从能源消费和生产两方面改善工业能源结构中煤炭占比过高的问题，进而影响工业碳排放。

其次，自主技术创新通过工业行业结构影响工业碳排放。自主技术创新有助于劳动力资源在各行业间得到优化配置，削弱行业要素流动壁垒，加速行业结构升级。而行业结构升级实质为工业经济增长方式和动力的改变，即资源从劳动力密集型行业、资本密集型行业逐渐转向技术密集型行业。行业结构升级过程中，高能耗、重污染工业企业得到控制甚至逐步被淘汰，且工业技术设备更新换代，从而缓解工业碳减排压力。

最后，自主技术创新通过低碳创新成果影响工业碳排放。低碳创新成果主要包括三类，即无碳技术、减碳技术和去碳技术，旨在从碳排放产生源头、产生过程及产生后期分别减少工业碳排放。然而，该影响路径可能受能源结构影响。一方面，煤炭开采及使用具有稳定、便宜等特点，而基于自主技术创新发展的清洁能源成本相对较高，且使用存在不稳定性。因此，以煤炭为主要能源的工业企业更愿意继续使用煤炭等化石能源，而忽视自主技术创新成果，不予采用［16］。另一方面，长期以煤炭为主的能源结构会抑制结构均衡调整［8］。工业发展长期依赖煤炭消耗，阻碍工业向低碳化转型，导致工业乃至全社会忽视自主技术创新在清洁能源使用和低碳发展方面的作用，不仅抑制自主技术创新水平提高，而且阻碍创新成果转化与使用。因此，不同工业能源结构下自主技术创新对工业碳排放的影响可能存在阶段性差异。

此外，自主技术创新对工业碳排放的影响可能同样存在行业结构门限效应。从整体看，技术密集型行业占比较高的地区更加重视自主技术创新，有利于形成促进创新的社会环境，进而促进自主技术创新发挥减排效果。从竞争角度看，技术密集型行业占比较高时，行业间竞争加剧，相关工业企业加大自主技术创新投入，刺激创新产出增加，进而从数量上影响工业碳排放。从合作角度看，技术密集型行业占比较高有助于打通行业间资源流通壁垒，促使工业企业技术互通程度加强、创新质量提高，进而从质量上影响工业碳排放。因此，技术密集型行业达到一定规模时，自主技术创新对工业碳排放的减排作用更强。

3 模型、变量与数据

3.1 模型构建

3.1.1 门限-STIRPAT拓展模型

为研究自主技术创新对工业碳排放的影响，构建了门限-STIRPAT 拓展模型。该模型由两部分构成，分别为STIRPAT 拓展模型和面板门限模型。STIRPAT 拓展模型基础形式为IPAT 等式［17］。随后，为克服该模型中各因素影响线性化和单一化的局限，Dietz等［18］将IPAT 等式以随机形式表示，具体如下：

其中：I、P、A和T分别表示环境压力、人口、经济和技术因素。将式（1）作对数处理，转为线性拓展模型，具体如下：

相对于IPAT 等式，STIRPAT 拓展模型具有许多优点，它既允许将各系数作为参数来估计，也允许对影响因素进行适当分解与拓展［18］。因此，结合研究目的将工业能源结构与行业结构引入模型。此外，考虑到能源效率对工业碳排放的重要影响［19］，同样将其引入模型。构建的STIRPAT拓展模型具体如下：

其中：i表示省份；t表示年份；CE为工业碳排放；M为工业规模；PGDP为工业经济水平；IT为自主技术创新；EI为能源效率；ES为能源结构；IS为行业结构；ε为误差项。

自主技术创新对工业碳排放的影响程度可能随能源结构和行业结构改变而发生变化，因此，参照王泳璇等［20］的做法，将STIRPAT 拓展模型与面板门限模型结合，构建门限-STIRPAT拓展模型，具体如下：

其中：I（·）为门限指示函数，根据门限值将样本分段；thr为门限变量，分别为能源结构和行业结构；γ为门限值；CE和IT的含义与式（3）保持一致；X为影响工业碳排放的控制变量集合；ε为误差项。

3.1.2 LSTM神经网络

LSTM 神经网络在原有RNN 模型基础上引入了门结构和细胞记忆状态，解决了梯度爆炸和梯度消失问题［21］，在时间序列预测上具有良好效果。通常而言，工业碳排放不仅受当前影响，以往时间节点也可能对当前排放水平造成冲击。但以往时间节点距离当前越远，造成的影响可能越小［22］。因此，LSTM 神经网络的门结构能够根据不同时间节点过滤信息，进而有效预测工业碳排放。

LSTM 神经网络采用控制门机制，由遗忘门、更新门和输出门组成，核心结构如图1所示。其中：ht-1为上一期迭代后的预测结果，Ct-1为上一期的学习状态；xt表示t时刻工业碳排放真实值，首先通过遗忘门ft删除与预测无关的信息，然后通过更新门it更新与预测相关的信息（gt为上一期与当期信息处理后的暂存状态），最后通过输出门ot输出与预测相关的有用信息；ht表示t+1 时刻工业碳排放预测值。核心带有σ的小框表示激活函数sigmoid 的前馈网络层，带有tanh 的小框表示激活函数tanh 的前馈网络层。LSTM 神经网络中的参数经过不断训练调试，对比和衡量各模型的预测准确率后确定一个最佳值，即可得到预测模型。

图1 LSTM神经网络核心结构

3.2 变量解释

（1）被解释变量：工业碳排放（CE）。中国工业碳排放主要源自化石能源消耗［23］，由于缺少省际层面的工业碳排放数据，参照Wang 等［24］的做法，并根据国际通用的IPCC（2006）推荐方法计算各省份工业终端能源消耗产生的碳排放。具体如下：

其中：CE为工业碳排放；k为工业8种主要消耗能源，包括煤炭、焦炭、原油、汽油、煤油、柴油、燃料油和天然气；Ej表示第j种能源消耗量；Sj表示第j种能源折标煤系数，源自综合能耗计算通则（GB-T2589-2008）；Fj表示第j种能源碳排放系数，源自《IPCC国家温室气体排放清单指南》。各能源相关系数见表1。

表1 八种能源相关系数说明

（2）核心解释变量：自主技术创新（IT）。区别于引进技术创新，参照李兵等［25］的做法，以工业企业有效专利发明数衡量自主技术创新。由于自主技术创新成果需要一段时间才能被广泛应用，对工业碳排放的影响存在一定滞后性，因此，在实证分析中选用其滞后一阶数据。

（3）控制变量集合。能源结构（ES）：煤炭消耗量与一次能源消耗总量的比值计量。行业结构（IS）：中国工业应通过自主技术创新提高行业竞争力，进而提高技术密集型比重，实现行业结构升级。参照阳立高等［26］的做法，以技术密集型行业主营业务收入与工业主营业务总收入的比值计量。工业规模（M）：文章研究对象为工业，所以将IPAT 等式中人口规模改为工业规模，并以工业固定资产计量［27］。工业经济水平（PGDP）：为消除行业劳动力规模影响，以行业劳均收入计量。能源效率（EI）：以主营业务收入与单位标准煤的比值计量。

3.3 数据来源

样本选自2010—2019 年中国30 个省份的相关数据，西藏、香港、澳门和台湾地区由于数据获得性的原因，故未包括在此次研究范围之内。数据源于历年《中国能源统计年鉴》《中国工业统计年鉴》《中国科技统计年鉴》和《中国经济普查年鉴2018》，或根据获取数据计算所得。此外，为保证数据可比性，所有涉及价格度量的变量折算成2010 年不变价，能源消耗数据换算成标准煤单位。部分缺失数据采用均值插入法补全。

4 自主技术创新对工业碳排放影响的实证分析

4.1 模型基础检验

为保证回归结果准确性，对样本数据进行多重共线性检验和单位根检验。首先采用方差膨胀因子法（VIF）检验多重共线性，结果为各解释变量的VIF 小于10 且平均VIF 为3.14，表明模型不存在多重共线性。进一步采用LLC 方法检验单位根，结果为所有变量水平值均在1%显著性水平上拒绝“存在单位根”的原假设，表明各变量平稳，可以对原数据进行回归分析。

4.2 自主技术创新对工业碳排放的影响估计

为选择最优面板回归方法，对样本数据分别进行F检验和Hausman 检验，两次检验结果对应P值均为0.000，因此选用固定效应模型。为使回归结果更加稳健，结合“稳健性标准误”方法估计自主技术创新对工业碳排放的影响。结果见表2。

由表2 可得自主技术创新对工业碳排放影响的回归方程，如下所示：

由表2 可知，自主技术创新、能源结构和行业结构均对工业碳排放造成显著影响。首先，lnITt-1的回归系数为-0.173，在1%水平上显著，表明前一期自主技术创新提高1%将减少0.173%的当期工业碳排放。该结果证实了自主技术创新对工业碳排放具有减排效应。其次，能源结构对工业碳排放具有显著促进作用，该结果证实了工业碳排放相对较高的原因是以煤炭为主的能源结构，与当前研究一致。最后，行业结构的回归结果显著为负，表明发展以技术密集型行业为核心的行业结构升级有利于减少工业碳排放。

表2 固定效应模型回归结果

4.3 自主技术创新减排效果的门限效应分析

基于上述结果，进一步检验能源结构和行业结构对自主技术创新减排效果的门限效应。为确定模型是否存在门限效应，对能源结构与行业结构进行门限显著性检验，结果见表3。

由表3可知，能源结构与行业结构通过门限显著性检验。具体而言，能源结构存在双门限效应，门限值为2.831 9 和3.439 9，分别在1%和5%水平上显著，从对数形式转换成对应的数值为16.98%和31.18%。而行业结构仅存在单门限效应，门限值为3.901 0，在1%水平上显著，从对数形式转换成对应的数值为49.45%。上述结果表明，能源结构和行业结构影响自主技术创新对工业碳排放的影响。为进一步明确影响大小，分别以能源结构与行业结构作为门限变量进行门限模型估计，结果见表4。

表3 门限显著性检验及门限值估计结果

表4 门限模型估计结果

模型1 是以能源结构作为门限变量的回归结果，结果表明，不同能源结构下自主技术创新对工业碳排放的影响存在差异。当lnES≤2.831 9 时，上一期自主技术创新提高1%将减少0.224%当期工业碳排放。然而，这种减排效应随lnES增大而减弱。当lnES介于2.831 9 和3.439 9 之间时，自主技术创新的回归系数为-0.189。而lnES＞3.439 9 时，负相关关系进一步减弱，仅为-0.177。此外，随着lnES接连跨过门限点3.439 9 和门限点2.831 9 时，回归系数由-0.177 变为-0.189，最后变为-0.224，门限点2.831 9 前后变化幅度近似为门限点3.439 9 的三倍。上述结果表明，以煤炭为主的能源结构会抑制自主技术创新的减排效果。同时，工业能源结构去煤化程度达到较高水平时（煤炭占比小于16.98%），自主技术创新对工业碳排放的减排效果将大幅提升。

模型2 是以行业结构作为门限变量的回归结果。回归结果表明，以门限值为界，自主技术创新的两段回归系数均与工业碳排放呈显著负相关关系。然而，从具体数值看，当lnIS≤3.901 0 时，自主技术创新的回归系数为-0.184；而lnIS＞3.901 0 时，自主技术创新对工业碳排放仍呈负向弹性关系，但弹性关系增强，为-0.200。上述结果表明，随着工业行业结构中技术密集型行业规模扩大，自主技术创新对工业碳减排的贡献越来越重要。究其原因，可能是技术密集型行业达到一定规模时，工业企业间技术竞争与合作频率加快，工业企业加大自主技术创新研发投入，从而显著提高自主创新成果的质量与数量。因此，行业结构中技术密集型行业占比越高，越有利于自主技术创新对工业碳排放发挥减排效果。

5 自主技术创新影响下的工业碳排放预测

5.1 基准情景工业碳排放预测

明确结构调整下自主技术创新对工业碳排放的影响结果后，进一步预测自主技术创新影响下的工业碳排放。首先采用LSTM 神经网络预测自然状态下的工业碳排放。LSTM 神经网络基于历史数据进行预测，且无需对未来时期的工业发展作主观设定，因此，预测结果可以被看作不采取任何新政策，所有变量按历史发展趋势继续发展的工业碳排放。因此，将LSTM 神经网络的预测结果作为基准情景（BS），能够为其他情景对比分析提供有效的基准参考。

为得到基准情景，对LSTM 神经网络进行训练。首先，为提高预测精确性，将工业碳排放数据扩展为1997—2019 年；其次，预测试表明以7 年数据作为预测基础效果最佳。因此，以1997—2003 年的数据作为初始集；再次，用初始集预测2004 年的数据，并以7 年为单位进行循环预测，得到训练集（2004—2016 年）的预测结果；最后，根据训练所得模型对测试集（2017—2019 年）进行预测，并以此检验LSTM 神经网络的预测效果。LSTM 神经网络训练结果如图2所示。

由图2 可知，LSTM 神经网络预测值拟合曲线较贴合真实值曲线。为确定两者差距，计算预测值与真实值的误差，结果见表5。由表5 可知，训练集平均相对误差为2.65%，满足预测要求。测试集平均相对误差更小，仅为1.21%。上述结果表明该模型预测效果良好。

图2 LSTM神经网络训练结果

表5 LSTM神经网络预测误差

5.2 发展情景工业碳排放预测

为预测自主技术创新影响下的工业碳排放，基于门限-STIRPAT 拓展模型并结合情景分析进行预测。参照Yu 等［28］的做法，首先对变量未来增速进行设定，然后根据增速测算各变量未来年份的具体数值，最后代入式（6），即可预测不同情景的工业碳排放。为确保预测准确性，参照王勇等［12］做法检验模型预测效果。首先基于各省份2010—2019年的数据，通过式（6）得到工业碳排放预测值，然后将预测值与真实值进行成对样本T检验。检验结果为每一年的P值均大于0.05，表明根据式（6）计算得到的工业碳排放预测值与真实值不存在显著差异，预测效果良好。

5.2.1 变量增速设置

以工业2019 年的相关数据作为基准，并根据上一节的实证结果、历史发展趋势、相关文献、权威机构预测和工业发展规划相关文件等，设定各变量增速。

（1）工业经济水平。《中国制造2025》指出，随着中国工业经济进入新常态，预计“十四五”期间，制造业劳均生产率年均增速为6.5%左右。由于工业41 个子行业中31个行业属于制造业，制造业增速一定程度上体现了工业发展，所以基于上述设定并参照Yu 等［28］做法设置工业经济水平增速，即2020—2025 年的基础年均增速设置为6.5%，2026—2030年为5.5%，2031—2035年为5%。

（2）工业规模。参照袁晓玲等［13］的做法，根据历史趋势设置工业规模增速。同时，考虑到工业规模扩张速度受工业经济水平增速影响，因此，将不同阶段工业规模增速的改变幅度与工业经济水平保持一致。根据计算，将2020—2025 年工业规模基础年均增速设置为5.38%、2026—2030 年 为4.38% 和2031—2035 年 为3.88%。

（3）自主技术创新。参照《中国制造2025》对有效发明专利的预测方式设置自主技术创新增速。同时，考虑到2010—2014 年专利数量增长过快，以2015—2019 年的数据测算更符合未来趋势。因此，将2020—2035 年自主技术创新基础年均增速设置为15.88%。

（4）能源效率。《工业绿色发展规划（2016—2020年）》指出，规模以上工业企业单位工业增加值能源消耗从2015 年到2020 年累计下降18%，年均增速为-3.6%。然而，能源效率具体定义为单位能源消耗所带来的工业增加值，其增速应为正值。因此，将2020—2035年能源效率的基础年均增速设置为3.6%。

（5）能源结构。《“十三五”及2030 年能源经济展望》预测了中国能源消费结构［29］，预计2014—2017 年的年均增速为-2.06%。考虑到中国经济进入新常态，煤炭消耗占比进一步下降，预计2017—2030 年的年均增速为-1.64%。因此，将2020—2035 年工业能源结构的基础年均增速设置为-1.64%。

（6）行业结构。当前研究通常预测中国三大产业结构变化，缺乏对工业行业结构的预测。因此，根据历史发展趋势设置2020—2035 年行业结构的基础年均增速，数值为1.76%。

5.2.2 情景描述

根据工业不同发展情况，设置四种工业发展情景，具体描述如下。

（1）技术创新增强情景（S1）。该情景重视工业自主技术创新，即政府制定更多创新政策激励工业企业自主技术创新。因此，该情景下自主技术创新增速加快。参照Yu 等［28］的做法，在基础增速上增加2%。与此同时，技术创新水平提高，技术密集型行业发展相应加快。因此，将行业结构增速设置为1.96%。其他变量按基础增速设置。

（2）能源结构去煤化情景（S2）。该情景强调能源结构平衡，即工业企业减少煤炭使用，清洁能源占比提高。因此，该情景将能源结构年均增速设置为-2.06%。其他变量按基础增速设置。

（3）粗放发展情景（S3）。该情景强调工业发展而较少考虑环境问题。该情景下，工业经济高速增长、工业规模快速扩张且煤炭需求持续增长。因此，将工业经济水平增速设置成2020—2025 年为6.5%，2026—2030 年为6%，2031—2035 年为5.5%；能源结构增速设为-1.44%；工业规模的增速分别为2020—2025 年为5.38%，2026—2030 年为4.88%，2031—2035 年为4.38%。其他变量按基础增速设置。

（4）可持续发展情景（S4）。该情景强调工业发展与环境承载力相协调。该情景下，能源结构调整和行业结构优化速度加快，自主技术创新水平和能源效率提高。因此，将行业结构增速设为1.96%；能源结构增速设为-2.06%；自主技术创新增速设为17.88%；能源效率增速设为3.90%。其他变量按基础增速设置。

四种情景下各变量具体增速见表6。此外，将能源结构和行业结构对自主技术创新减排效果的门限效应考虑至情景设置中。由于自主技术创新的回归系数在能源结构门限点31.18%前后变化幅度近似为门限点16.98%的三倍，因此，当能源结构低于门限点31.18%和16.98%，自主技术创新增速在设定基础上分别增加1%和4%。当行业结构跨越门限点49.95%，自主技术创新增速在原基础上增加1%。以此表示自主技术创新减排效果增强。

表6 四种情景下各变量增速具体描述 /%

5.3 五种情景工业碳排放预测结果分析

根据中国工业整体回归方程和LSTM 神经网络模型，并结合前文对四种情景的变量增速设定，预测了五种情景的工业碳排放。图3 所示为工业在五种情景下碳排放的达峰时间与量值。

图3 五种情景工业碳排放预测结果

第一，基准情景（BS）即不实施新政策情况下，工业碳排放整体呈先增后减，随后出现反弹趋势。该情景下，工业碳排放2020—2024 年持续增长，于2024 年达到峰值，为8.74 亿t。而2025—2030 年持续下降，于2030 年下降至8.68 亿t。最后于2031 年出现反弹趋势。上述结果表明，碳达峰背景下中国当前制定的减排政策能够使工业碳排放于2030 年前顺利达峰。然而，未来工业经济增速放缓或碳排放治理标准放松，可能刺激工业碳排放出现反弹。

第二，自主技术创新增强情景（S1）和能源结构去煤化情景（S2）的工业碳排放整体趋势相似，2020—2030 年持续增长，于2030年达峰后逐渐下降。从排放量看，自主技术创新增强情景仅于2029 和2030 年小幅超过基准情景，累计减少3.27 亿t；而能源结构去煤化情景比自主技术创新增强情景累计排放多2.49亿t。该结果表明，仅调整能源结构不足以有效减少工业碳排放，而自主技术创新增强及行业结构优化能有效控制工业碳排放，并使排放量低于基准情景。工业发展中能源结构调整问题短期内仍难以快速解决，政府应加强对工业生产过程中技术投资的宏观调控，通过自主技术创新引导能源结构发挥减排效应，进而有效控制工业碳排放。

第三，粗放发展情景（S3）的工业碳排放以较高速率持续增加，2035 年前不存在达峰迹象。而可持续发展情景（S4）的工业碳排放于2025年达峰，并持续稳定下降，且排放量低于其他四种情景。上述结果表明，如果仍以较快速度发展工业经济，将对碳达峰目标的实现造成较大压力。从长远角度看，这种以牺牲环境为代价的发展方式并不可取。因此，政府应以自主技术创新为核心，制定系统减排政策以实现工业低碳发展。

6 结论与建议

基于2010—2019 年的省级数据，采用门限-STIRPAT拓展模型分析能源结构和行业结构调整下自主技术创新对工业碳排放的影响，基于影响结果，进一步结合LSTM神经网络和情景分析对工业碳排放展开预测。主要研究结论如下：①研究期内，自主技术创新对工业碳排放具有显著减排效应。与Yu 等［28］研究结论不同，上述结果肯定了自主技术创新的减排作用，表明自主技术创新具有低碳、高效特征，同时意味着中国工业发展依赖自主技术创新实现碳减排是可行路径。此外，能源结构和行业结构分别对工业碳排放产生显著正向影响和负向影响。②能源结构与行业结构对自主技术创新的减排效果具有显著门限效应。具体而言，以能源结构为门限变量的三段回归结果是，依次超越门限点16.98%和31.18%后，自主技术创新减排效果呈阶段性减弱，三段回归系数分别为-0.224、-0.189 和-0.177；而行业结构仅存在单一门限值，超越门限点49.45%后，自主技术创新减排效果增强，两段的系数分别为-0.184和-0.200。③预测期内（2020—2035 年），工业碳排放在不同情景设定下存在显著差异。基准情景能够于2024 年达峰，但2030 年出现反弹趋势；自主技术创新增强情景于2030 年碳达峰，达峰时间晚于基准情景但排放量相对更低且不存在反弹趋势；能源结构去煤化情景能够于2030 年碳达峰，但排放量高于基准情景；粗放发展情景2035年前不存在碳达峰趋势；可持续发展情景的碳排放量为五种情景中最低。

基于上述研究结论，为工业低碳发展提出以下建议：①鼓励发展高新技术工业企业，提升工业企业自主技术创新能力，逐步摆脱对国外技术的依赖。政府在制定相关政策时，应将侧重点放在工业企业自主创新，特别是对低碳、环保型自主技术创新给予支持。同时，建议以自主技术创新增强情景作为工业自主技术创新年均增速的参考，以实现对工业碳排放的有效控制。②充分考虑区域工业结构差异，制定差异化、针对性减排政策。煤炭使用占比较高的地区，应将减排重心放在能源结构调整，完善环境保护政策，提高清洁能源在市场中的竞争力，同时调控和引导居民进行清洁能源消费，以形成有利于自主技术创新发挥减排效应的能源结构；行业结构偏重工业的地区，应注重工业中计算机通信、电气机械和器材制造业等技术密集型行业发展，加快行业结构优化速度，以促进自主技术创新的减排效果；对于能源结构和行业结构较为均衡的地区，结构调整优化对于自主技术创新减排效果的改善作用有限，应将减排重心适当转移，合理利用减排资源以实现效益最大化。③充分发挥信息化优势，借助数据科学技术，完善碳排放监管体系。实证结果表明，若保持现有减排政策和执行力度，工业碳排放达峰后可能出现反弹。因此，工业后续减排过程在制定更强力减排政策的同时，还应基于数据科学技术建立一套完善的碳排放核算和监管体系，实现碳管理精细化、数字化和标准化，避免碳排放反弹。④以自主技术创新为核心，制定系统化减排政策。当前，能源结构调整仍是工业发展短期内难以解决的问题，工业企业应通过自主技术创新提升能源效率，为工业整体碳减排发挥技术效应和结构效应。同时，政府应实施创新驱动发展战略，推动工业经济转型升级，实现“技术-结构-经济”的系统低碳效益。