• (010)84657853 84658665 84657900
  • mt@zgmt.com.cn
  • 北京市朝阳区芍药居35号中煤信息大厦(100029)

经济管理

基于STIRPAT模型的山西省能源碳排放影响因素及峰值预测

关敏捷,袁艳红,冉木希,王 子

(太原理工大学经济管理学院,山西省晋中市,030600)

摘 要 运用IPCC法测算了山西省2000-2019年能源碳排放量,通过STIRPAT扩展模型及岭回归定量分析了山西省能源碳排放影响因素,并研究预测不同情景下山西省2020-2050年能源碳排放量及达峰时间。研究结果表明:人口因素对山西省能源碳排放的影响最大,其次是能源结构;情景预测结果显示,在能源结构优化情景模式下,山西省能源碳排放于2025年最先达到峰值,峰值量为56 948.38万t,但低碳情景模式下的碳峰值量最低,为56 735.24万t。在人口经济稳步增长的同时,加速优化能源结构、降低对煤炭的依赖程度、提高能源效率是山西省在2030年能源碳排放量达到峰值的重要保障,是适合山西省生态文明建设和可持续发展的重要方向。

关键词 STIRPAT模型;山西省;能源碳排放;峰值预测;岭回归;情景分析

0 引言

面对日益突出的全球气候问题,作为世界上最大的能源消费国和温室气体排放国,中国积极响应国际碳减排号召,2020年,习近平总书记在第七十五届联合国大会一般性辩论上提出:我国将提高国家自主贡献力度,采取更加有力的政策和措施,二氧化碳排放力争于2030年达到峰值,努力争取2060年前实现碳中和。在经济社会快速发展的同时,能源需求也持续增长,国内高碳化能源结构和重型化产业结构给2030年碳达峰带来巨大挑战。研究碳排放现状及影响因素,基于不同模式对碳排放峰值预测,是我国各省市地区碳排放尽快达峰、有效节能减排的关键,也是一个需要高度关注和深入发掘的领域[1-2]

目前,国内外学者对碳排放问题进行了大量研究,学者们从国家、省区和行业等角度评估了不同碳排放影响因素对环境的影响。马峥、崔豫泓[3]基于SDA模型,从能源结构效应、碳强度效应、投入产出技术效应和总量效应4个方面对中国碳排放驱动因素分解研究;宁论辰等[4]基于超效率SBM-Tobit模型的两阶段分析研究了我国30个省级行政区2007-2016年的碳排放效率及其影响因素;李建豹等[5]探究了江苏省人口城镇化与能源消费CO2排放耦合协调度的时空格局,并基于空间滞后面板Tobit模型分析了其影响因素;姜博、马胜利[6]以东北三省为例,运用EKC和STIRPAT扩展模型定量分析富裕程度、能源消费强度以及产业结构等关键因素对东北三省碳排放的影响;付华等[7]采用LMDI方法分析了中国制造业28个子行业的碳排放及影响因素;于克美等[8]基于非期望产出DEA模型、Tobit模型以及Bootstrap模型对我国铁路运输业碳排放效率及影响因素进行了分析。

除对碳排放的影响因素探究外,碳排放峰值预测也成为了各领域学者的研究热点。主流的研究方法和手段有:IPAT模型及其衍生的STIRPAT模型、环境库兹聂茨曲线、灰色预测模型和系统动力学等。其中,席细平等[9]通过对江西省1995-2012年的时间序列数据进行回归,利用IPAT模型对未来江西省碳排放峰值进行了预测研究;渠慎宁、郭朝先[10]基于STIRAT模型,用我国30个省市的面板数据对中国的碳排放峰值进行了预测;刘卫东等[11]基于1992-2012年我国省际面板数据,将技术创新纳入环境库兹涅茨曲线方程构建碳排放模型,对我国碳排放峰值进行预测;王永哲、马立平[12]以吉林省为例,构建灰色GM(1,1)模型,对吉林省2016-2018年人均碳排放量进行了预测;赵亚涛[13]基于系统动力学和情景分析法对我国煤电行业碳排放进行了仿真模拟与预测。

山西省是我国重要的能源和原材料供应基地,是典型的资源型经济代表和碳排放大省,深入探究其碳排放的影响因素并合理预测碳排放峰值年,有助于达成国家减排目标,为有效设计减排路径提供新思路[14-15]。鉴于此,本文首先分析山西省人口数量、人均GDP、城镇化水平、能源强度、碳排放强度、产业结构和能源结构对能源消费产生的碳排放量的影响,并选取出影响显著的因素纳入STIRPAT模型进行模拟;然后基于模拟结果,设置8种不同发展情景,对山西省未来能源消费碳排放量进行预测,探索碳排放量峰值出现的时间及数量,以期为山西省实现碳减排目标提供参考依据。

1 方法和数据

1.1 研究方法

STIRPAT模型是YORK R和DIETZ T等[16]在IPAT恒等式的基础上提出的随机特殊形式,考虑了人口、财富和技术因素各自变动时对环境的单独影响,消除了同比例变动问题的影响。该模型是目前研究碳排放峰值最常用的方法,并且具有很好的拓展性,因此,本文采用STIRPAT拓展模型对山西省的碳排放影响因素和碳排放峰值进行研究。模型基本形式为:

I=aPbAcTdu

(1)

式中:IPAT——环境压力、人口因素、财富因素和技术水平;

a——模型系数;

bcd——人口、财富和技术的弹性系数;

u——误差项。

山西省的三次产业结构层次偏低、化石能源产业比重偏高、产业结构、能源结构等结构性因素对山西省的能源碳排放影响很大,在STIRPAT的拓展模型上引入结构因素S,选取具体的结构性指标进行研究。此处将方程转化为线性方程,两边分别取对数,模型扩展为:

lnI=lna+blnP+clnA+dlnT+elnS+lnu

(2)

1.2 数据来源

根据不同指标数据的可获得性,本文中总人口、城镇化率、人均GDP、产业结构4项指标的原始数据来源于2001-2020年《山西省统计年鉴》;碳排放量指标数据由主要化石燃料消费量结合排放系数法计算所得,其中化石燃料消费量由2001-2020年《中国能源统计年鉴》中山西省能源平衡表整理得到;碳排放强度和能源强度数据分别根据山西省地区能源碳排放量、化石能源消耗量与地区实际GDP总值计算所得;能源结构数据由煤炭消耗量占化石能源消耗总量计算所得。

1.3 自变量的选择

为尽可能不遗漏重要影响因素,参考学者们已有研究中引入的变量,并结合山西省实际情况和数据可得性,本文选取7个影响指标,先纳入模型再筛选,科学取舍,指标具体内容如表1所示。人口因素选择体现人口规模的总人口和体现人口结构的城镇化率[17];财富因素采用人均GDP;技术因素选择碳排放强度和能源强度;结构因素选择产业结构和能源结构。

表1 模型变量说明

说明能源碳排放量(Ic)/万t总人口(Pe)/万人城镇化率(Ps)/%人均GDP(Ap)/(元·人-1)碳排放强度(Tc)/(tCO2·万元-1)能源强度(EI)/(t标准煤·万元-1)产业结构(IS)/%能源结构(ES)/%定义化石能源消耗产生的碳排放量年末常住人口城镇人口总人口GDP总人口碳排放量GDP化石能源消耗量GDP第二产业增加值GDP煤炭消耗量一次能源消耗量逐步回归法的回归检验P值-0.000***未选中0.000***0.000***未选中未选中未选中进入回归法的回归检验P值-0.000***0.3970.000***-0.000***0.9600.002***

注:1.***表示在1%的水平下显著;
2. -表示在前一步筛选中不符合条件被去掉的变量;
23.为消除价格影响,本文将所有有关价格因素全部转化为以2000年为基期的价格进行消胀处理

通过输出结果可知,进入回归法显示总人口、人均GDP、能源强度和能源结构影响显著。因此将人口指标中的总人口、财富指标中的人均GDP、技术指标中的能源强度和结构指标中的能源结构作为自变量纳入方程,筛选出来的4个变量一一对应STIRPAT拓展模型的人口、财富、技术和结构4个方面,也验证了该模型理论维度选择的合理性。

1.4 统计分析

1.4.1 能源消费量和能源强度

山西省化石能源消费量和能源强度变化趋势如图1所示,能源消费总量总体上保持着不断增长的趋势。总体来看,山西省的能源强度呈现波动下降的趋势,在2003年能源强度出现了小的峰值,为7.03 t标准煤/万元,之后又呈下降趋势,2019年山西省的能源强度为4.65 t标准煤/万元。

图1 山西省化石能源消费量和能源强度

1.4.2 碳排放量测算

以煤炭为依托的山西省高碳化能源结构呈现“一煤独大”的格局,本文以化石能源作为碳源对碳排放进行测算,使用当前应用最为广泛的碳排放系数法。根据IPCC核算框架进行能源碳排放量计算:

Ic=∑Ici=Ei·θi·fi

(3)

式中:Ic——碳排放量;

i——化石能源的类型;

Ei——不同能源消耗量;

θi——不同能源标准煤换算系数;

fi——不同能源的碳排放系数。

其中,标准煤换算系数和碳排放系数来自《IPCC国家温室气体清单指南(2006)》和国家气候变化对策协调小组办公室和国家发改委能源研究所(2007)发布的相关数据,见表2。

表2 能源标准煤换算系数和碳排放系数

能源种类标准煤换算系数碳排放系数煤炭0.714 3 kg标准煤/kg0.755 9焦炭0.971 4 kg标准煤/kg0.855 0汽油1.471 4 kg标准煤/kg0.553 8煤油1.457 1 kg标准煤/kg0.571 4柴油1.471 4 kg标准煤/kg0.592 1燃料油1.428 6 kg标准煤/kg0.618 5天然气1.330 0 kg标准煤/kg0.448 3

注:数据来源于IPCC(2006)及国家气候变化对策协调小组办公室和国家发改委能源研究所(2007)

山西省能源消耗产生的碳排放量如图2所示。

图2 山西省能源碳排放量

由图2可以看出,2000年以来,山西省能源碳排放量不断增长,2017年能源碳排放量的增长率达到最高值17.32%,在这20年间,增长率偶有负值,但碳排放量始终保持着不断增长的趋势。2019年山西省能源碳排放量达到31 032.14万t。

2 结果分析

2.1 STIRPAT模型回归拟合分析结果

2.1.1 普通最小二乘估计结果

运用SPSS19.0对数据进行多元回归分析,结果见表3,总人口和人均GDP的VIF值都远大于10,说明存在多重共线性。因此,普通最小二乘法拟合出的系数无法得到可靠的保证,不能根据普通最小二乘拟合结果进行判断。

表3 普通最小二乘结果分析

变量非标准化系数系数标准误差标准系数t统计值显著性共线性统计量容差VIF回归方程常数项-9.4860.381-24.9190.000lnPe1.0410.0480.15821.6230.0000.02246.358lnAp1.0020.0101.398104.5570.0000.006155.602lnEI1.0370.0050.614191.4150.0000.1128.938lnES-0.0710.0190.006-3.8620.0020.4182.391

2.1.2 岭回归估计结果

为了规避面板数据自身存在的多重共线性干扰,更大限度保留自变量和因变量的信息[18],采用岭回归方法对数据重新进行回归,在SPSS19.0中编写调用Ridge Regression程序的语法,以总人口、人均GDP、能源强度和能源结构为自变量,能源碳排放量为因变量,得到不同岭参数K值对应的方程、岭迹图和拟合优度R2值,K值越小,样本数据损失的信息越少,模型精确度越高。根据岭迹图变化情况,当K=0.2时,系数逐步趋于稳定,R2为0.896,拟合程度较好,可选择参数为0.2进行回归,结果如表4所示。

表4 K=0.2时岭回归结果

变量非标准化系数标准误差标准系数t统计值回归方程常数项-16.3703.9430.000-4.152lnPe2.1270.3500.3226.077lnAp0.3720.0420.5208.817lnEI0.0540.1160.0320.468lnES1.1720.7820.1051.499

岭回归非标准化系数方程,也是STIRPAT模型的线性模式:

(4)

回归系数为弹性系数,一般以该回归模型为预测模型。从系数大小来看,总人口是山西省化石能源消费碳排放的最重要影响因素,总人口数每增长1%,山西省能源碳排放增长2.127%,这是由人口对能源的绝对需求决定的;能源结构因素次之,能源结构ES每增长1%,山西省能源碳排放增长1.172%,这是因为山西省是高碳化能源结构,煤炭消耗占比较大,在推动经济增长的同时,消耗了大量煤炭资源,造成了大量碳排放。

本文采用模型(4)对山西省历史能源消费碳排放量进行模拟,并将模拟值与历史值进行回归,结果发现拟合得很好,R2达到0.99。因此,采用模型(4)对未来山西省能源消费碳排放量进行预测是可行的。模拟值与预测值对比如图3所示。

图3 山西省能源消费碳排放量模拟值与历史值对比

2.2 山西省未来能源碳排放趋势分析

2.2.1 情景设置

情景分析法近年来在碳排放预测中得到广泛应用,其最大优势是可预测未来碳排放的变化趋势,避免过高或过低估计未来的变化及其影响[19-20]

本文基于2000-2019年山西省的历史数据,计算各参数的变化率,根据实际经济发展情况,合理设置情景组合。假设STIRPAT拓展模型中各自变量分别有高、中、低3种模式,将不同自变量根据山西省相关研究进行设置,设置8种情景模式,如表5所示。

表5 情景设置

情景具体设置PeApEIES绿色发展情景低低中中基准情景中中中中粗放情景高高高高环保情景高高低低低碳情景中中低低能源结构优化情景中中中低节能情景低中低中无序情景高中低高

预测的基准年为2019年,根据表5对不同情景模式的设置和描述,设定预测年份到2050年为止。具体情景模式参数设置如表6所示。

表6 不同情景模式参数设置

变量情景模式变化率/%2020-2025年2026-2030年2031-2035年2036-2040年2041-2050年总人口低0.550.500.450.400.35中0.600.550.500.450.40高0.650.600.550.500.45人均GDP低6.005.505.004.503.50中6.255.755.254.754.00高6.506.005.505.004.50能源强度低-4.50-4.30-4.10-4.00-3.75中-4.20-4.00-3.80-3.60-3.50高-4.00-3.80-3.60-3.50-3.25能源结构低-2.80-2.60-2.40-2.20-2.00中-2.50-2.30-2.10-2.00-1.80高-2.30-2.15-2.00-1.80-1.70

2.2.2 趋势分析

依据设定的8种不同情景模式,并基于STIRPAT拓展模型对山西省2020-2050年的能源碳排放量进行拟合,得出各个情景下山西省未来的碳排放量,结果如图4、表7所示。

结合图4和表7来看,在能源结构优化情景下,山西省未来的能源消费碳排放量最先达到碳排放峰值,达峰时间为2025年;低碳情景下,2032年达到峰值,且碳峰值量最低,为56 735.24万t;绿色发展情景、节能情景将在2040年达到峰值,峰值量分别为58 146.56万t、59 007.68万t;其他情景模式在2050年前并未出现峰值。

图4 不同情景下山西省未来的能源碳排放量预测

表7 不同情景模式下碳排放量预测结果

情景模式峰值出现的年份峰值额/万t绿色发展情景2040年58 146.56基准情景--粗放情景--环保情景--低碳情景2032年56 735.24能源结构优化情景2025年56 948.38节能情景2040年59 007.68无序情景--

注:-表示该情景设置下山西省能源碳排放量2050年前未出现峰值。

山西省未来能源碳排放量见表8。通过对比8种情景模拟的结果,发现降低能源结构是山西省有效降低能源碳排放最重要的因素。在能源结构优化情景和低碳情景下,能源结构的调整和优化,能够有效控制山西省的能源碳排放,使得山西省能源碳排放在2030年时达到峰值,并且能源强度的下降也会使得碳峰值量降低。而在绿色发展情景和节能情景下,能源结构保持中模式,其他因素保持低、中模式时,也可使得山西省的能源碳排放达到峰值,但达峰时间会有所推迟,达峰量也有所增加,这意味着未来山西省要着重降低能源结构,减少对煤炭的依赖,转变经济增长方式。

表8 山西省未来能源碳排放量 万t

情景2030年2035年2040年2050年绿色发展情景57 941.9258 272.5458 146.5656 615.29基准情景59 218.1460 150.9660 621.9360 760.53粗放发展情景62 030.3464 053.7666 002.9369 005.67环保情景58 057.4558 449.3658 722.1059 067.74低碳情景56 807.8756 626.4656 327.4355 046.07能源结构优化情景56 913.7156 779.8156 543.4255 334.61节能情景58 395.5858 939.4159 007.6858 411.16无序情景61 245.30 62 876.3064 412.6065 967.30

3 结论及政策建议

本文根据IPCC法计算出了山西省2000-2019年化石能源消费产生的碳排放量,自变量先筛选后建模,采用STIRPAT模型和岭回归分析山西省能源碳排放的影响因素,并运用情景分析预测出不同情景下山西省2020-2050年的能源碳排放量,得出如下结论。

(1)山西省能源碳排放影响因素的影响程度各不相同。显著影响因素按作用大小排序依次为:总人口、能源结构、人均GDP、能源强度,分别反映为STIRPAT模型中的人口因素、结构因素、财富因素和技术因素,人口因素影响最大。

(2)不同情景下,山西省能源碳排放达峰时间和峰值量差异明显。截至2050年,能源结构优化情景和低碳情景下,山西省能源消费碳排放量可分别于2025年、2032年达到峰值,且低碳情景模式下,峰值量最低,为56 735.24万t;绿色发展情景、节能情景下则在2040年达到峰值,峰值量分别为58 146.56万t、59 007.68万t;其余情景模式均无法在2050年前达到峰值。综合8种情景模式来看,在人口经济稳步增长的同时,加速优化能源结构,降低对煤炭的依赖程度,提高能源效率是山西省在2030年能源碳排放量达到峰值的重要保障,是适合山西省生态文明建设和可持续发展的重要方向。

山西省目前的能源碳排放趋势和能源消费结构、产业结构表明,未来山西省的能源碳排放仍会继续增加,山西省面临着较大的减排压力。因此,提出以下建议。

(1)推进能源生产清洁化、能源消费电气化,积极推动技术进步与创新,提高能源效率,降低能源强度。严控化石能源总量,提高非化石能源使用比例,弱化以煤炭为首的化石能源消费的局面,降低山西省能源强度。

(2)以电代煤、代气、代油,大力提升工业、建筑业电气化水平,优化产业结构、提升能效,促进低耗能、高附加值第三产业发展,减少对高碳产业和化石能源的依赖,转变以化石能源消费为基础的经济增长模式,促进低碳产业发展。

(3)立足能源结构优化调整,大力引进清洁能源项目,推进节能减污降碳。推动能源供应多元化发展,加速发展核电和可再生能源。

参考文献:

[1] 莫建雷,段宏波,范英,等.《巴黎协定》中我国能源和气候政策目标:综合评估与政策选择[J].经济研究,2018,53(9):168-181.

[2] 芦颖,李旭东,杨正业.贵州省能源碳排放现状及峰值预测[J].环境科学与技术,2018,41(11):173-180.

[3] 马峥,崔豫泓.基于SDA模型的中国碳排放驱动因素分解研究[J].煤炭经济研究,2020,40(7):32-36.

[4] 宁论辰,郑雯,曾良恩.2007-2016年中国省域碳排放效率评价及影响因素分析——基于超效率SBM-Tobit模型的两阶段分析[J].北京大学学报(自然科学版),2021,57(1):181-188.

[5] 李建豹,黄贤金,揣小伟,等.江苏省人口城镇化与能源消费CO2排放耦合协调度时空格局及影响因素[J].经济地理,2021,41(5):57-64.

[6] 姜博,马胜利.区域经济增长与碳排放影响因素研究——以东北三省为例[J].企业经济,2020,39(11):122-131.

[7] 付华,李国平,朱婷.中国制造业行业碳排放:行业差异与驱动因素分解[J].改革,2021(5):38-52.

[8] 于克美,武剑红,李红昌.我国铁路运输业碳排放效率与影响因素分析[J].技术经济,2020,39(11):70-76,86.

[9] 席细平,谢运生,王贺礼,等.基于IPAT模型的江西省碳排放峰值预测研究[J].江西科学,2014,32(6):768-772.

[10] 渠慎宁,郭朝先.基于STIRPAT模型的中国碳排放峰值预测研究[J].中国人口·资源与环境,2010,20(12):10-15.

[11] 刘卫东,许晓敏,牛东晓.技术引进与技术创新对我国碳排放峰值的影响研究[J].技术经济与管理研究,2016(9):3-9.

[12] 王永哲,马立平.吉林省能源消费碳排放相关影响因素分析及预测-基于灰色关联分析和GM(1,1)模型[J].生态经济,2016,32(11):65-70.

[13] 赵亚涛.基于系统动力学的煤电行业二氧化碳排放量预测研究[D].乌鲁木齐:新疆大学,2019.

[14] 朱宇恩,李丽芬,贺思思,等.基于IPAT模型和情景分析法的山西省碳排放峰值年预测[J].资源科学,2016,38(12):2316-2325.

[15] 徐丽娜,时希杰.能源密集型区域碳排放演进规律与特征分析-以山西为例[J].中国能源,2018,40(10):38-41.

[16] YORK R, ROSE E, DIETZ T.STIRPAT, IPAT and Impact: analytic tools for unpacking the driving forces of environmental impacts[J].Ecological Economics,2003,46(3):351-365.

[17] 黄秀莲,李国柱,马建平,等.河北省碳排放影响因素及碳峰值预测[J].河北环境工程学院学报,2021,31(2):6-11.

[18] 高素英,李延军,金浩.岭回归在经济增长影响因素分析中的应用[J].统计与决策,2005(10):142-144.

[19] 付加锋,刘小敏.基于情景分析法的中国低碳经济研究框架与问题探索[J].资源科学,2010,32(2):205-210.

[20] 朱婧,刘学敏,初钊鹏.低碳城市能源需求与碳排放情景分析[J].中国人口·资源与环境,2015,25(7):48-55.

Influencing factors and peak forecast of energy carbon emission in Shanxi based on STIRPAT model

GUAN Minjie, YUAN Yanhong, RAMZI Abbes, FIRAS Trabelsi

(College of Economics and Management, Taiyuan University of Technology, Jinzhong, Shanxi 030600, China)

Abstract The IPCC method is used to measure the energy carbon emission of Shanxi from 2000 to 2019, and the STIRPAT extended model and ridge regression are used to quantitatively analyze the factors influencing the energy carbon emission in Shanxi, and the energy carbon emission and the time of carbon peak in Shanxi from 2020 to 2050 under different scenarios are studied and predicted. The results show that the population factor has the greatest influence on the energy carbon emission in Shanxi, followed by the energy structure. The scenario prediction results show that under the energy structure optimization scenario, the energy carbon emission of Shanxi will reach the peak first in 2025, with the peak value of 569.483 8 million tons, while under the low-carbon scenario, the peak value of carbon emissions is the lowest, 567.352 4 million tons. While the population and economy grow steadily, accelerating the optimization of energy structure, reducing the dependence on coal and improving energy efficiency are important guarantees for the energy carbon emission of Shanxi reaching the peak in 2030, and are important directions of ecological civilization construction and sustainable development of Shanxi.

Key words STIRPAT model; Shanxi; energy carbon emission; peak prediction; ridge regression; scenario analysis

中图分类号 TK-9 F222

文献标志码 A

移动扫码阅读

引用格式:关敏捷,袁艳红,冉木希,等. 基于STIRPAT模型的山西省能源碳排放影响因素及峰值预测[J]. 中国煤炭,2021,47(9):48-55. doi:10.19880/j.cnki.ccm.2021.09.007

GUAN Minjie, YUAN Yanhong, RAMZI Abbes, et al. Influencing factors and peak forecast of energy carbon emission in Shanxi based on STIRPAT model[J]. China Coal, 2021,47(9):48-55. doi:10.19880/j.cnki.ccm.2021.09.007

基金项目:国家自然科学基金青年项目(11901422)

作者简介:关敏捷(1995-),女,山西晋城人,硕士研究生,研究方向为经济统计学。E-mail:798656714@qq.com

通讯作者:袁艳红(1985-),女,山西静乐人,副教授,研究方向为供应链碳减排。E-mail:18534517116@163.com

(责任编辑 郭东芝)