1. 引言
1.1. 研究背景
二氧化碳的大量排放是造成全球变暖的一个主要人为原因,因此“碳减排”成为了国际社会“可持续发展”中的一项重要议题,它不仅是缓解极端天气和全球气候变换的重要手段,还是提高能源效率、节约资源的有效措施。由于2000至2019年全球碳排放量增加了40%,2015年召开的联合国气候大会上,178个缔约方共同签署了《巴黎协定》,旨在控制全球平均气温的上升幅度。从2013年开始中国的碳排放量迅速增加,为此国内出台了包括支持可再生能源技术的发展、开展低碳全民行动等一系列的碳减排政策,并取得了一定的成效。2020年习近平主席在第七十五届联合国大会上提出了2030年“碳达峰”与2060年“碳中和”的“双碳”目标。然而,2020年初爆发的新冠疫情给人类社会带来了巨大冲击,疫情对人民健康的影响和大范围的防疫政策(如停工停学、居家办公等)对社会和经济造成了干扰,也严重影响了各项碳减排政策落地和实施的进程。虽然疫情期间社会活动和工业生产的减少使得能源需求量下降,一定程度上缓解了碳排放量的逐年增长(图1,2020年全球与能源相关的碳排放量下降了近8%),但碳减排是一个长期的过程,因此由非人为因素引起的短期下降,无法作为减排政策实施的成效。另外,疫情之后的经济复苏计划有可能会增加全球碳排放量的反弹效应,进而削弱减排政策的实施效果。
![](//html.hanspub.org/file/5-1701302x7_hanspub.png?20240218172232052)
Figure 1. Global energy-related CO2 emissions and annual change, 1900~2020
图1. 1900~2020全球能源碳排放量年度变化 [1]
我国新冠病毒每日新增确诊人数在2020年4月以后逐渐下降并趋于平稳(图2),评估疫情期间中国碳排放的减少量、疫情影响的持续时长及疫情结束后的潜在反弹情况等问题,能够为碳减排政策的优化提供数据支持和参考,以便在未来类似突发事件发生时更有效地实施减排政策,顺利实现“双碳”目标。
![](//html.hanspub.org/file/5-1701302x8_hanspub.png?20240218172232052)
Figure 2. Daily number of new confirmed cases in China, 2020~2021
图2. 2020~2021中国每日新增COVID-19确诊人数 [2]
1.2. 研究现状
1.2.1. 碳排放驱动因素的研究
对碳排放驱动模式的讨论是本研究的重点之一,王锋、吴丽华等人 [3] 运用对数平均权重Divisia分解法(Logarithmic Mean DivisiaIndex, LMDI),分析了11种碳排放增长率的驱动因素,并得出1995~2007年间中国碳排放量主要的正向驱动因素及其平均贡献率。董锋等人 [4] 使用基于协整方程的LMDI模型,并采用蒙特卡洛动态模拟方法模拟了我国2020年的碳排放情况。近几年,考虑人口、经济、科技对环境污染影响的模型(Impact = Population x Affluence x Technology, IPAT)也逐渐被运用到碳排放驱动因素的确定以及分析上。1971年,Ehrlich与Holdren [5] 建立了IPAT方程将人口、经济和科技发展这四个概念与环境污染联系起来。Dietz与Rosa [6] 将IPAT方程改进为STIRPAT方程(人口、经济、科技与环境污染指数增长方程),方便了对其进行参数估计和假设检验的研究。在运用该方程的过程中,如何用直观可测的指标对四个概念进行解释是非常重要的。渠慎宁与郭朝先 [7] 运用STIRPAT方程,使用总人口数、人均GDP、碳排放强度与GDP的比值、工业增加值占GDP的比重这四个确定的经济变量对能源消费产生的二氧化碳量进行回归,并对我国碳排放量的拐点进行预测。陈操操等人 [8] 使用STIRPAT模型和偏最小二乘回归对北京的能源消费碳足迹的影响因素进行了分析。梁进等人 [9] 使用STIRPAT方程的随机形式,运用偏微分方程的理论对碳排放的变化进行了数值模拟以及解析解的研究。
1.2.2. 疫情对碳排放的影响
目前已有多名学者和组织对疫情期间各个国家各个部门的二氧化碳排放量变化进行了统计分析。Le等人 [10] 的研究表明,截至2020年4月初,全球每日二氧化碳排放量与2019年平均水平相比下降了17%。其中能源需求的下降以及政策的实施(隔离政策与财政刺激政策)是两个对碳排放量影响较大的因素。国际能源署发布的《2020全球能源回顾》 [1] 中表明:疫情对能源需求的冲击达到了70年来的最高水平,2020年整体能源需求下降了6%,其降幅是2008年金融危机的7倍。Shan等人 [11] 通过定义不同的严格程度和生效时间,设计了多个疫情期间的隔离方案,采用投入产出模型得出不同的隔离政策将会使得全球的碳排放量下降15.5~19.4% (与没有发生疫情情况下的碳排放量作比较)。这一再证明了隔离政策是影响碳减排的因素之一。
![](//html.hanspub.org/file/5-1701302x9_hanspub.png?20240218172232052)
Figure 3. China’s daily carbon emissions (tons), 2019~2021
图3. 2019~2021年中国每日碳排放量(吨) [12]
在新冠疫情期间,中国的各个产业及人民的生活受到了巨大的冲击。政府部门及时出台封城、居家隔离等应对政策,有效控制了疫情的发展,但相关防疫措施对我国碳排放量产生了持续性的影响。2020年上半年,中国碳排放量相较去年同期下降3.7% [13] 。受到春节假期的影响,中国的碳排放量在每年的第一季度都会有所下降,碳排放的谷值一般在春节假期前后。而2020年受到疫情影响,碳排放量下降的趋势在三月以后才有所缓解(图3),持续了近两个月的低迷有可能是中国严格的隔离措施导致的。而2020年第四季度的碳排放量较之其他年份有一个明显的增加,其可能是疫情后碳排放反弹效应的表现。
1.3. 研究目的与技术路线
目前,大部分碳排放量影响因素研究以“年”为单位,且未考虑疫情变量。“疫情对碳排放量影响”的研究多以描述性统计及实际情况解释为主,实证分析较少;各类防疫政策对于碳排放的影响还停留在模拟阶段,尚未有研究分析疫情发生以来全国持续了近三个月的封闭政策对碳排放的真实影响。因此,运用数理统计模型研究“疫情对碳排放量影响”是十分必要的,既能了解各因素对碳排放的影响,还能用已经发布的经济指标估计碳排放量用以进行监控和分析。此外,也可以依靠得出的模型分析未来类似突发事件对碳排放量的影响,为碳减排政策提供数据支持。
本文将首先使用STIRPAT方程建立碳排放影响模型,基于以往的研究选择了共线性更小的产业结构指标;基于我国固定资产投资的结构特点,结合疫情前后的投资情况,展开分析了该指标对碳排放的正负作用;基于本次疫情的特点,选择最能量化其影响力的“确诊人数”和“隔离政策”两个因素,加入到传统的碳排放模型中。对于一些季度统计数据,使用数据频率转化的方法将其转化为月度数据。对数据进行平稳性检验和多重共线性检验的初步处理后,首先对三年的数据合并进行回归,分析结果是否存在问题。然后,考虑到碳排放量存在年度周期性,本文将建立三个模型分开研究2019~2021年三年的数据。首先不考虑疫情变量,仅对由STIRPAT方程得出的经济变量进行回归,分析每年的模型情况。再加入疫情变量对各年份的模型进行优化,分析相关指标的影响程度和影响范围。使用Chow检验疫情发生前以及平稳之后,非疫情相关的经济变量对碳排放的影响是否有差别。最后本文将使用回归得到的模型和时间序列模型对2022~2023年的碳排放量进行预测。
![](//html.hanspub.org/file/5-1701302x10_hanspub.png?20240218172232052)
Figure 4. Technical roadmap for the article
图4. 文章技术路线图
2. 模型与数据
2.1. 碳排放影响模型的建立
2.1.1. 基于STIRPAT方程的因素选取
本文选择STIRPAT模型来评估人口规模、经济水平和科技水平对二氧化碳排放量的影响。具体的方程为:
(1)
通过对等式两边求对数可以将该非线性关系转化为线性关系(2),然后使用最小二乘法回归可以得出各个变量对碳排放量的具体影响。
(2)
本文将以“月”为单位对2019~2021年三年的碳排放情况进行回归分析,考虑到各指标的含义以及数据的可获得性,对模型中四个概念的分解如下:
(1) I为环境变量:本文选择CEADS中国碳排放核算数据库中的实时碳排放数据,并做月度均值处理。
(2) P为人口规模:由于对人口数据的统计通常以年为单位,且2019~2021三年的总人口数和城镇人口占比差距较小(图5)。因此本文假设人口对三年的月度碳排放量没有影响,不将人口规模因素考虑到模型中。
![](//html.hanspub.org/file/5-1701302x13_hanspub.png?20240218172232052)
Figure 5. The change of the total population of China, 2005~2021
图5. 中国2005~2021年总人口数变化情况
(3) A为经济水平:本文使用国家统计局的季度GDP数据来衡量该指标。由于本研究的数据频率为“月”,因此需要进一步对GDP数据进行频率转换,将低频的季度数据转化为高频的月度数据。
(4) T为科技:技术的创新可以提高能源的利用率,新能源的发展可以逐渐替代高碳排放的传统能源,从而达到碳减排的目标。因此本文使用清洁能源使用率来衡量当月的科技水平。统计显示电力行业是我国碳排放量最高的行业,占总碳排放量的50%左右(图6),其中发电方式以非可再生能源(火力发电)和可再生能源(水力发电、风力发电、核能发电和太阳能发电)两种为主,发电行业的清洁能源使用情况一定程度上反映了我国总体的清洁能源发展水平。本文将取(1 − 每月火力发电量当期值/总发电量当期值)来近似衡量我国的清洁能源使用率。
![](//html.hanspub.org/file/5-1701302x14_hanspub.png?20240218172232052)
Figure 6. Carbon emissions of various sectors in China, 2005~2018 (ten thousand tons)
图6. 2005~2018年中国各部门碳排放量(万吨) [12]
一些文献表明产业结构也能影响二氧化碳的排放情况 [7] [14] 。大部分文献使用第二产业增加值占国内生产总值的比重来描述产业结构,然而这种做法可能会导致模型中出现共线性问题。因为本文选择三次产业贡献率(即三次产业增加值增量与GDP增量之比)来表示产业结构,不仅能够避免可能存在的共线性问题,还能更好地反映经济增长中各产业的影响程度。由于第二产业是我国二氧化碳排放量最高的产业,其对经济增长的贡献越大二氧化碳的排放量就会越多,因此本文使用第二产业贡献率来衡量当月的产业结构。固定资产投资会影响行业的生产规模、技术发展等水平,也会对碳排放量的变化有所作用。对不同行业和项目的投资会对碳排放量造成两种不同的影响,国家统计局按照建设性质将固定资产投资分为:建筑安装工程、技术改造和其他费用。一方面,投资于建筑安装工程的项目涉及到大量化石能源的运用,会增加碳排放量;另一方面,投资于技术更新方面的项目,可以增加行业的生产效率,淘汰效能低下或高碳高污染的生产方式,在相同的生产规模下减少碳排放量。由于固定资产投资对行业的发展有滞后性,本文在对比了使用当期值和滞后值的模型回归结果后,选择将滞后一个季度的第二产业固定资产投资指标作为解释变量。
在上述四个因素之外本文还量化了疫情的影响,由于本次疫情的病毒传染率极高、感染面极大,各国都实施了较高等级的隔离政策,已有文献阐明严格的隔离政策是导致碳排放量下降的重要原因之一。因此,本文使用“确诊人数”和“隔离政策”两个因素来反映新冠疫情的严重程度和隔离措施的实行情况。根据官方的相关防疫通知,中国大部分省市在2020年1月开始逐步实行包括延长春节假期、湖北封城、全国范围内的出行限制、对返乡农民工实施14天的隔离期等严格的防控措施,3月开始政府逐步取消了相关限制,因此本文假设隔离政策的时间范围为2020年1月到3月。为了研究隔离政策的强度是否在各个月份有所区别,以及是否在全国解封后依然对碳排放产生影响。本文使用“2020年各月份客运量与去年同期的差异”来对隔离强度进行量化,并对该连续变量和仅以0~1区分的虚拟变量进行回归结果的对比。
2.1.2. 变量确定以及数据来源
本文的碳排放影响模型将包含两种类型的变量:一种为由STIRPAT方程推导出的经济变量,另一种为以确诊人数和隔离政策反映的疫情变量,具体的含义和数据来源如下表所示(表1):
![](Images/Table_Tmp.jpg)
Table 1. Variables and data sources of the carbon emission model
表1. 碳排放影响模型变量以及数据来源
注:回归时需对变量做对数处理。
2.2. 数据预处理
2.2.1. 季度数据频率转化
国家统计局对不同的经济变量在统计频率上存在一定的差异,本研究中的国内生产总值和第二产业贡献率数据均为季度数据,需要对其进行频率转化。各类插值方法可以在一组已知数据点的范围内添加新数据点,填补缺失值从而达到数据转化的目的 [15] 。本文使用Matlab对GDP和IS进行分段线性插值、三次样条插值和三次Hermite多项式插值,并分析各插值结果的平均相对误差(Mean percentage error, MPE),选择误差最小的结果,发现使用三次样条插值方法的MPE值最小(表2),因此选择该插值方法对GDP和IS进行频率转换。
![](Images/Table_Tmp.jpg)
Table 2. Mean percentage error of the three conversion methods
表2. 三种插值方法的平均相对误差
![](//html.hanspub.org/file/5-1701302x15_hanspub.png?20240218172232052)
Figure 7. The conversion results of the economic time series
图7. 经济时间序列的插值结果
2.2.2. 序列平稳性检验
为了保持面板数据的平稳性,避免“伪回归”的发生,本文选择ADF单位根检验方法(Augmented Dickey-Fuller test)对模型中的经济时间序列进行平稳性检验。结果显示GDP和IS没有通过平稳性检验(表3),使用差分法对两个变量分别进行一阶差分和二阶差分,处理后得到平稳的时间序列(表4)。
![](Images/Table_Tmp.jpg)
Table 3. The ADF test results for each variable
表3. 各变量单位根检验结果
![](Images/Table_Tmp.jpg)
Table 4. The ADF test results for nonstationary variables after difference
表4. 非平稳变量差分后单位根检验结果
2.2.3. 多重共线性检验
多个经济变量的时间序列之间还可能存在共线性关系,其原因可能是由于变量之间具有共同趋势或者模型中引入了滞后的变量。通过计算发现各变量之间的相关系数均小于0.7 (表5),初步估计变量之间没有共线性问题。
![](Images/Table_Tmp.jpg)
Table 5. Correlation analysis results of each variable
表5. 各变量相关性分析结果
3. 回归与预测
3.1. 三年连续数据的回归结果
本文建立的碳排放模型如下所示:
(3)
其中GDP和IS分别为对经济水平和产业结构的一阶差分和二阶差分,在进行具体经济意义的分析时可以解释为经济水平的增长率和产业结构中第二产业占比的增长率。对三年的数据(共36个样本)进行对数处理后回归,模型结果显示R方小于0.6,模型的拟合优度较差(表6)。通过观察模型的残差平方与预测结果的图像(图8),发现残差的平方随着预测结果的增加而增加,并且BP异方差检验不通过,说明模型存在异方差性。
![](Images/Table_Tmp.jpg)
Table 6. Regression results of the carbon emission model over three years
表6. 三年连续时间内碳排放影响模型的回归结果
注:pF值表示F检验的p值,pBP表示BP异方差检验的p值。
显然,由于疫情的原因,影响碳排放的因素以及它们影响程度在不同年份不同阶段都有所差异,因此将三年的数据放在一起进行回归并不能对碳排放的变化进行解释。为此,下文将分别对每年的数据进行回归,研究各年份影响碳排放量变化的因素,以及疫情对碳排放量产生的短期和长期影响。
3.2. 逐年回归结果
首先不考虑疫情的影响对2019~2021三年的数据进行回归,回归前分别对三年的数据进行平稳性和共线性检验,发现每年的GDP序列平稳,而IS仅存在一阶差分。于是将模型调整为:
(4)
结果显示2020年的模型没有通过F检验,模型无效。而2019和2021年的模型均通过了F检验且无异方差问题,R方大于0.75,拟合优度较好(表7)。下面将对2019和2021年的模型进行分析,对2020年的模型加入疫情变量进行改进。
![](Images/Table_Tmp.jpg)
Table 7. Regression results of the original carbon emission model, 2019~2021
表7. 2019~2021年原始碳排放影响模型回归结果
3.2.1. 2019年碳排放影响模型
2019年的模型通过了F检验,R方为0.750,拟合优度较高,无多重共线性和序列相关性问题。对2019年模型系数的t检验结果进行分析(表8),其中经济水平对碳排放量有显著的正向影响,而清洁能源使用率对碳排放量有显著的负向影响(每当GDP上升1%时,月均碳排放量将上升1.022%;每当清洁能源使用率上升1%时,月均碳排放量将下降0.663%)。固定资产投资和产业结构对碳排放量的影响不显著。由于模型不存在多重共线性问题,通过分析模型的标准系数可以得出各个解释变量对碳排放的影响程度,其中经济水平对碳排放的影响程度是最大的,其次为清洁能源使用率和固定资产投资。
![](Images/Table_Tmp.jpg)
Table 8. Coefficients of the 2019 carbon emission model
表8. 2019年碳排放影响模型系数
注:pt值表示t检验的p值。
3.2.2. 2020年碳排放影响模型
仅加入了经济变量的碳排放影响模型不能对2020年的碳排放量进行合理的解释,因此对于该模型加入疫情变量Case_M、Move_C和Lock_D进行分层回归。结果显示:加入了Lock_D的模型均存在多重线性问题;而加入了Case_M和Move_C的模型通过了F检验,模型拟合优度较高,且不存在多重共线性和异方差性,故本文选择该模型的结果进行系数分析。对模型的t检验值和标准系数进行分析(表9)可以得出:在经济变量中,经济水平、固定资产投资和清洁能源使用率对碳排放量产生了显著的影响(GDP和对第二产业的固定投资额每上升1%,将分别使得月均碳排放量上升0.554%以及0.065%;清洁能源使用率每上升1%,将导致月均碳排放量下降0.607%)。在疫情变量中,两个变量的增加都会导致碳排放量的下降,然而仅确诊人数对碳排放量有显著的作用。而客运变化(既隔离政策强度)对碳排放的影响并不显著,其原因可能为:隔离导致的供应链冲击、能源需求下降等问题已经在GDP的大幅度下降中得以体现。近5年来中国的经济迅速发展,GDP均较去年同期呈上升趋势。然而受到疫情的影响,2020年一季度是唯一一个GDP较去年同期下降的季度(图9)。通过对各变量的标准系数进行比较,可以得到各个变量的影响程度由大到小依次为:平均确诊人数、清洁能源使用率、经济水平和固定资产投资。显然可以发现疫情对碳排放量的影响超过了由STIRPAT方程导出的经济变量。
![](Images/Table_Tmp.jpg)
Table 9. Coefficients of the 2020 carbon emission model with epidemic variables
表9. 2020年加入疫情变量的碳排放影响模型系数
![](//html.hanspub.org/file/5-1701302x21_hanspub.png?20240218172232052)
Figure 9. Gross domestic product chart, 2015~2021
图9. 2015~2021年国内生产总值走势图
![](//html.hanspub.org/file/5-1701302x22_hanspub.png?20240218172232052)
Figure 10. Monthly passenger volume, 2019~2021
图10. 2019~2021年客运量月度情况
为了研究确诊人数和隔离政策在3月解封后是否还对碳排放产生影响,本文对2020年第一季度以后(记为2020*)的模型进行分层回归(表10)。发现加入了客运变化的模型均存在严重的多重共线性,说明即使客运量在解封后有明显的上升趋势(图10),但该因素不再对碳排放量产生影响,而确诊人数仍旧可以解释碳排放量的变化。通过分析加入了确诊人数的2020*年模型(表11),发现各因素除了产业结构都对碳排放有显著影响,但确诊人数的标准系数绝对值最小,说明疫情对碳排放的作用在解封后有所减弱,其影响程度小于其他经济变量。
![](Images/Table_Tmp.jpg)
Table 10. Hierarchical regression results of the 2020* carbon emission model
表10. 2020*年碳排放影响模型分层回归结果
![](Images/Table_Tmp.jpg)
Table 11. Coefficients of the 2020* carbon emission model with epidemic variables
表11. 2020*年加入疫情变量的碳排放影响模型系数
3.2.3. 2021年碳排放影响模型
为了研究疫情是否在2021年产生全国性的影响,同样对该模型加入疫情变量进行拟合。由于2021年基本没有进行全国大范围的封闭防控措施,并且客运量随着时间变化较为平稳,没有太大的波动(图10),因此只将确诊人数加入模型。结果发现疫情模型未通过F检验(表12),说明确诊人数不能作为解释碳排放变化的变量,新冠疫情对2021年的碳排放基本没有影响。
![](Images/Table_Tmp.jpg)
Table 12. Hierarchical regression results of the 2021 carbon emission model
表12. 2021年碳排放影响模型分层回归结果
![](Images/Table_Tmp.jpg)
Table 13. Coefficients of the 2021 original carbon emission model
表13. 2021年原始碳排放影响模型系数
虽然未加入疫情变量的原始模型通过了F检验,并且有较高的拟合优度。但模型中存在多重共线性问题(表13),无法对各个解释变量进行分析,模型仅可用于预测。考虑到2021年是碳排放政策发布与实行最为密集的一年,节能减排相关的政策频频出台,2021年第一季度国家层面生效实行了近7个与“双碳”目标有关的政策。碳排放权交易市场作为一个控制全国排放量的有力手段,也在2021年7月迎来了重要的发展。根据业界观点,碳排放权交易政策以2021年为分水岭,分为两个阶段:2011年~2021年为试点阶段,2021年为推行阶段。因此“双碳”政策和碳排放权交易市场的发展可能会对2021年的碳排放量产生较大影响。鉴于本文着重于疫情对碳排放的影响,2021年碳减排和碳排放权交易市场的政策对模型的影响将不做具体的研究。
3.3. 各年份Chow检验
为了对比疫情前后碳排放量模型结构是否有显著差异,本文采用Chow检验方法 [16] 对回归后的结果进行检测。本文通过分析2019年和2020年第2~4季度的数据(记为2019*和2020*),研究疫情爆发前与第一轮疫情相对平稳后碳排放影响模型的结构以及经济变量的影响程度是否发生显著的变化。计算得到2019*和2020*年模型的Chow统计量值为9.246,大于
(表14),因此拒绝系数相等的原假设,两年的模型结构有显著差异。
![](Images/Table_Tmp.jpg)
Table 14. The Chow test results of the carbon emission models for 2019* and 2020*
表14. 2019*年和2020*年碳排放影响模型的Chow检验结果
![](Images/Table_Tmp.jpg)
Table 15. Regression results of the carbon emission models for 2019* and 2020*
表15. 2019*与2020*年碳排放影响模型回归结果
![](Images/Table_Tmp.jpg)
Table 16. Coefficients of the carbon emission model for 2019* and 2020*
表16. 2019*年与2020*年碳排放影响模型回归系数
对比两年的回归结果(表15,表16)可以发现:经济水平对碳排放量的影响程度下降了,一定程度上可以说明单位GDP产生的碳排放量在逐渐下降,即我国碳减排措施的实行效果逐渐明显。第二产业固定投资对碳排放量的影响有所上升,并且变量的t检验结果从不显著变为显著。对2020年第二产业的固定资产投资进行分行业讨论,发现碳排放量较高的“电力、热力、燃气及水的生产和供应业”比上年增长了17.6%,“建筑业”比上年增长了2.9% (图11)。虽然制造业中大部分部门受到停工停产的影响,总体的投资额有所下降,但“黑色金属冶炼和压延加工业”和“石油、煤炭及其他燃料加工业”两个高碳部门的固定资产投资额分别比上年增长了26%和12.4%。投资结构的变动可能来自于疫情后复工复产对电力、热力等基础产业的需求量迅速增长,并且相较其他低碳产业,电力、热力、燃气和水资源相关的部门在疫情中受到的损失较小。而分建设性质对固定资产投资进行讨论,发现疫情后中国61%的财政刺激将作用于建筑工程方面(图12),该过程中对化石能源的运用将产生大量的二氧化碳。综上可知,2020年疫情平稳以后,高碳行业和项目投资比重的上升导致了该指标在两个时间段内对碳排放产生了不同的影响,并且可能是造成2020年第四季度碳排放量反弹的原因之一。
![](//html.hanspub.org/file/5-1701302x24_hanspub.png?20240218172232052)
Figure 11. The total growth value of fixed asset investment in the secondary industry, 2019~2020
图11. 2019~2020第二产业固定资产投资额累计增长值
![](//html.hanspub.org/file/5-1701302x25_hanspub.png?20240218172232052)
Figure 12. Composition of post-pandemic fiscal stimulus in major countries in 2020
图12. 主要国家2020年疫情后财政刺激构成 [11]
3.4. 2022~2023年全国碳排放量预测
3.4.1. 回归模型预测
2022年上半年的疫情主要发生在香港和上海地区,全国范围内未实行类似2020年初的大范围封控,因此本文选择使用2021年的模型进行该时段的预测。2022年第四季度逐渐取消对跨区域人员的核酸、健康码等与隔离防范相关的凭证检查,2023年初本轮疫情正式宣布结束,因此本文选择使用疫情前2019年的模型进行2022年第四季度后的预测。结果显示:2022年3~4月的碳排放量较去年同期有大幅度的下降,说明3~4月上海地区的封控以及这波疫情对其他地区的辐射仍旧对全国的碳排放量产生了较大的影响;而由于2022年第二季度第二产业贡献率较高,导致该时段预测值偏大。
![](//html.hanspub.org/file/5-1701302x26_hanspub.png?20240218172232052)
Figure 13. Forecast results of monthly mean carbon emissions based on regression model (tons), 2022~2023
图13. 基于回归模型的2022~2023年月均碳排放量预测结果(吨)
3.4.2. SARIMAX时间序列模型预测
通过观察可以发现碳排放序列随着时间逐渐增长,并且具有以“年”为周期的季节性,因此选择加入了季节因素的时间序列模型SARIMAX进行预测。本文使用Python中的statsmodels模块,以2:8的比例将2019年到2021年的数据划分为测试集和训练集,利用参数遍历法系统地选择最优值并采用AIC准则来评估模型的质量。运行结果显示最优的模型参数为(1, 1, 1) × (1, 0, 0, 12)。对模型的残差进行无序列相关性、零均值性以及正态分布性的检验(图14)。残差时间序列在2020年第一季度有明显的变化,其他时间段残差的波动并没有随着时间的变化而有较大的改变,这一结果说明疫情对碳排放时间序列存在较大的干扰;正态直方图和Q-Q图均显示残差基本满足正态分布性;残差的相关性图表明该序列是一个白噪声序列,不存在自相关性。综上,该时间序列模型基本通过了残差检验。计算得出模型的R方为0.70,预测结果较好。2022~2023年碳排放量的时间序列预测结果如下。
![](//html.hanspub.org/file/5-1701302x27_hanspub.png?20240218172232052)
Figure 14. Residual test results of time series model (residual time series, normal histogram, Q-Q graph, residual correlation graph)
图14. 时间序列模型残差检验结果(依次为:残差时间序列、正态直方图、Q-Q图、残差相关性图)
![](//html.hanspub.org/file/5-1701302x28_hanspub.png?20240218172232052)
Figure 15. Forecast results of monthly mean carbon emissions based on SARIMAX model (tons), 2022~2023
图15. 基于季节性时间序列模型的2022~2023年月均碳排放量预测结果(吨)
对比回归模型和季节性时间序列模型的预测结果,可以发现季节性时间序列模型对3月碳排放量的预测结果比回归模型的预测结果高,其原因是季节性时间序列模型预测时只依赖了以往的碳排放数据,而前几年的碳排放时间序列仅在2020年第一季度受到了疫情冲击(图14中的残差时间序列图显示主要的冲击发生在2020年2月),因此时间序列模型没有将2022年3~4月疫情的冲击加入到碳排放量的预测过程中。
4. 结果与讨论
本文通过STIRPAT方程确定了影响中国碳排放量的四个经济因素,对疫情的严重程度和隔离政策进行量化,研究疫情对碳排放的影响。对于统计频率较低的数据,使用三次样条插值法对其进行频率转化。本文的研究得出了以下结论:
(1) 对数据进行逐年回归,发现由STIRPAT方程推导出的四个经济变量:经济水平、产业结构、固定资产投资和清洁能源使用率,能对2019年和2021年的碳排放量进行较好的拟合,其中经济水平(+)和清洁能源使用率(−)对2019年的碳排放量有显著的影响,并且经济水平相较其他变量的影响程度是最大的。
(2) 对于2020年的模型,采用分层回归的s方法对原始模型和疫情模型进行研究。发现加入疫情因素后模型变得显著,“确诊人数”和由客运量变化反映的“隔离政策强度”都会对碳排放量产生负向影响。但两个变量中,仅“确诊人数”对碳排放量存在显著的影响,并且其程度超过了其他四个经济变量。本文还发现,在第一轮疫情平稳后,隔离政策不再对碳排放量产生影响,说明其产生的效果是短期的。而“确诊人数”则仍会对碳排放产生一定的负向作用(持续到2020年底),但其影响程度大幅度下降。总体来说,疫情对碳排放量变化的直接影响主要发生在2020第一季度,后三个季度碳排放量变化的首要原因仍为经济水平和清洁能源使用率。
(3) 本文还通过对三年的数据进行Chow检验,发现疫情发生前以及第一轮疫情平稳后,四个经济变量的影响程度发生了显著的变化。其中经济水平产生的影响程度有所下降,说明单位GDP产生的碳排放量减少,一定程度上能反映我国逐渐进入低碳经济发展模式。而第二产业固定资产投资的影响程度有所上升,其原因可能为:国家对建筑工程方面的财政刺激和复工复产活动,使得第二产业固定资产投资中高碳行业和项目的占比有所提高。投资结构的改变也可能是2020年第四季度碳排放量反弹的原因之一。纵观三年的回归结果,本文还发现清洁能源使用率在各个时段都显著地影响了碳排放的下降,并且其影响程度一直保持较高水平,说明清洁能源的使用率对我国碳减排工作的贡献是最为稳定的。
(4) 本文最后使用了2021与2019年的回归结果和季节性时间序列模型对2022~2023年的碳排放量进行了预测,结果显示回归模型能反映出2022年3~4月疫情的小幅冲击,但对第二季度的预测值偏大;而季节性时间序列模型的预测结果并没有显著体现出疫情的干扰。
“碳减排”是人类社会需要面对的一个持续性难题,虽然新冠疫情的发生暂时地减少了二氧化碳的排放量,但后续的经济复苏计划会在一定程度上提高高碳项目的投资比重,如何平衡好发展和减排是后疫情时代需要解决的一个问题。长远来看,进行能源结构转型,增加清洁能源的使用率是一个高效的减排手段。2021年开始,我国出台的“双碳”政策以及碳排放权交易市场的完善,也能对碳排放量起到有效的管控与约束。
致谢
本文在撰写期间和徐旭颖老师进行过有益探讨,在此致谢。
基金项目
由国家自然科学基金(No.12071349)支持。