2023污染生态学与绿色低碳发展——基于STIRPAT模型的中国碳排放峰值预测与驱动因素分析

Research on Carbon Emission Peak Prediction in China—Based on STIRPAT Model and Driving Factor Decomposition Analysis

摘要: 中国是碳排放大国，其碳达峰和碳中和实现对全球碳减排至关重要。中国未来碳排放如何变化，其关键驱动因素是什么，一直是人们关注的焦点。本研究通过构建拓展的STIRPAT模型，基于2000~2020年碳排放数据，开展我国未来碳排放变化模拟研究。结合LMDI分解方法，从人口规模、人均GDP、第二产业占比、城镇化率、煤炭消费量占比和能源强度角度阐明我国碳排放变化的驱动因素。研究结果表明，STIRPAT模型能较好模拟我国碳排放量。人口规模，人均GDP和城镇化率是促进我国碳排放的主要驱动因素，平均贡献率分别达30.16%，34.85%和36.02%。通过STIRPAT模型模拟可发现基准情景、绿色发展情景和经济增速放缓情景在2030年前均能实现碳达峰，且绿色发展情景是我国实现碳达峰的最优路径。此情景下，我国在不降低经济增速的前提下，需要积极调整能源结构和产业结构，提高能源利用效率，加大碳减排政策的实施力度，可确保2030年前实现碳达峰目标，碳排放峰值为115.86亿吨。研究成果可为我国碳减排目标实现路径和相应政策制订提供参考依据。

Abstract: China is a major carbon emission country, and its realization of carbon peak and carbon neutralization is crucial to global carbon emission reduction. How China’s carbon emissions will change in the future and what are the key drivers have always been the focus of attention. Based on the carbon emission data from 2000 to 2020, we simulate China’s future carbon emission changes through STIRPAT model. Combined with LMDI decomposition method, the driving factors of China’s carbon emission change are clarified from the perspective of population, per capita GDP, the proportion of secondary industry, urbanization rate, the proportion of coal consumption and energy intensity. The results show that STIRPAT model can accurately simulate China’s carbon emissions. Population, per capita GDP and urbanization rate are the main factors that promote China’s carbon emissions, with contribution rates of 30.16%, 34.85% and 36.02% respectively. Through STIRPAT model simulation, we found that carbon emission under the benchmark scenario, green development scenario and low economic growth scenario can achieve carbon peak before 2030, among which the green development scenario is the best path for China to achieve carbon peak goal. Under the green development scenario, the peak carbon emission would be 11.586 billion tons. It needs to actively adjust the energy structure and industrial structure, improve energy efficiency, and strengthen the implementation of carbon emission reduction policies to ensure carbon peak before 2030 without restricting economic development. Our study can provide a reference for the realization path of China’s carbon emission reduction goals and the corresponding policy-making.

1. 引言

以全球变暖为主要特征的气候变化是人类社会发展共同面临的环境挑战。近两百年以来，伴随着工业化的进程，人类为推动经济社会发展消耗大量化石能源，造成二氧化碳排放量不断积累，使得以二氧化碳为主的大气温室气体浓度显著增加，从而加剧了能源危机、全球气候变化。低碳发展被认为是应对全球变暖和能源危机的有效模式[1]。如何减少碳排放已成为众多学者研究的热点。

随着近几十年来工业化的快速发展，能源需求量的不断扩大，目前中国已成为全球能源消费与碳排放大国，面临很大的减排压力。同时，中国积极参与全球气候治理，展现负责任大国形象。2015年中国向联合国提交的《强化应对气候变化行动——中国国家自主贡献》文件(2015)中强调，2030年单位GDP二氧化碳排放比2005年下降60%~65%。在2020年第七十五届联合国大会一般性辩论上，中国做出郑重承诺“中国将提高国家自主贡献力度，力争于2030年前CO₂排放达到峰值，努力争取2060年前实现碳中和”。由于中国能源消费结构以煤炭、石油传统化石能源为主，目前碳排放正处于平台期，因此“3060”双碳目标实现将面临严峻挑战，但终将会实现。

近年来，众多学者从行业、省级、区域、国家等不同尺度，围绕碳排放模拟预测及其驱动因素主题，开展了广泛研究[2]-[6]。当前主流的方法有IPAT模型[7]、Kaya恒等式[8] [9]、LMDI分解分析法[10] [11]、STIRPAT模型[12]、LEAP模型[13]、神经网络模型[14]等。其中，STIRPAT模型和LMDI分解模型已被大量学者广泛使用开展碳排放模拟预测与驱动因素分解研究，并取得了较好的研究结果[15] [16]。STIRPAT模型是基于IPAT模型关于人口(P)、经济(A)，技术(T)变化对环境(I)影响的随机回归拓展模型[17]。此模型克服了IPAT模型各因素对碳排放的影响比例相同的缺陷，引入的弹性系数可更好地解释各驱动因素变化对环境压力的影响[18]。Wu等通过STIRPAT模型研究了2005~2016年发达国家二氧化碳排放量下降的驱动因素[19]，结果表明从化石燃料到可再生能源的转变以及能源强度的变化是导致碳排放量减少的主要因素；Anser通过STIRPAT模型[20]分析发现化石燃料的消费，人口增长，富裕水平和城市化是影响巴基斯坦碳排放的主要因素。LMDI分解法是利用扩展的Kaya恒等式，对一定时期内环境压力的影响因素进行分解，其克服了Kaya恒等式由于无法直接对所选变量直接分解，需要通过形式转化定量分析，从而对分析结果造成一定误差的缺陷。目前LMDI分解方法具有表达式简单，计算量小的特点[21]，已被广泛应用于碳排放驱动因素分解研究。例如，Yang等利用扩展的Kaya恒等式[22]，结合LMDI方法分析了1996~2016年中国碳排放的影响因素。研究发现，经济活动是促进碳排放的最大动力，而能源强度则是最大的抑制因素；王长建[9]通过扩展的Kaya恒等式，结合LMDI方法分析了1952~2010年新疆碳排放的影响因素，结果表明，经济因素和人口规模因素是新疆碳排放增长的最主要贡献因子。总体看来，STIRPAT和LMDI模型的应用极大促进了碳排放相关研究，但基于碳达峰与碳中和背景下，我国碳排放峰值模拟预测研究较少，哪些因素对中国的碳排放影响大，什么样的减排路径符合中国国情及可持续发展等问题仍有待明晰，需要深入研究。

为了明晰我国碳排放达峰时间、碳排放量和驱动因素，本文通过构建改进的STIRPAT模型进行峰值模拟预测研究，并首次结合LMDI分解法开展我国碳排放驱动力分析，以期为我国制定合理的碳减排政策提供理论与技术支撑。

2. 研究方法

基于以往研究成果可知人口规模、人均GDP、第二产业占比、城镇化率、煤炭消费量占比、以及能源强度对中国碳排放具有显著影响[23]-[26]。因此，本文以上述六大影响因素作为回归因素构建改进的STIRPAT模型来模拟预测中国碳排放。同时，采用LMDI分解方法定量分析影响中国碳排放的主要驱动因素，进而通过不同情景设置，结合STIRPAT模型进行不同情景下的碳达峰模拟预测。

2.1. 碳排放模拟STIRPAT模型构建

依据STIRPAT模型原有构架(考虑人口、经济，技术)，我们改进构建了涵盖人口、人均GDP、第二产业占比、城镇化率、煤炭消费量占比、以及能源强度因素的STIRPAT模型：

$I=\alpha P^a{A}^b{R}^c{S}^d{E}^g{T}^{h}e$ (1)

其中，I为碳排放总量，单位为万吨；P为人口总量，单位为万人；A为人均GDP，单位为万元/人；S为第二产业产值占比，单位为%；R为城镇化率，单位为%；E为煤炭消费量占比，单位为%；T为单位GDP能源消费量，单位为吨标煤/万元；e为模型误差。为了便于分析，我们将其转化为对数形式。

$\text{Ln}I=\text{Ln}\alpha +a\text{Ln}P+b\text{Ln}A+c\text{Ln}R+d\text{Ln}S+g\text{Ln}E+h\text{Ln}T+\text{Ln}e$ (2)

可见，LnI与LnP、LnA、LnS、LnR、LnE、LnT之间呈线性关系Lnα为常量，Lne为误差项。基于2000~2020年的碳排放数据以及以上六大影响因素的相关数据，应用回归分析的方法可确定(2)式中的参数Lnα、a、b、c、d、e、g和h的值。

利用STIRPAT模型预测未来中国碳排放量时需要获得模型中人口规模、人均GDP、第二产业占比、城镇化率、煤炭消费量占比和能源强度六大因素的未来变化。本文以中国社会历史数据和发展趋势为基础，设置不同发展情景，基于STIRPAT模型，预测未来中国碳排放变化趋势。

2.2. 碳排放模拟情景设置

本文以中国社会经济的历史数据和发展趋势以及《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》(以下简称纲要) (2021)为基础，对未来人口规模、人均GDP、第二产业占比、城镇化率、煤炭消费量占比和能源强度六大因素分别设置高速、中速和低速三种发展情景，并对应中国发展规划，以5年为发展周期对发展速率进行调整。同时，在进行情景设定时也综合考虑了我国目前的发展规划以及新冠疫情和国内外形势等各种问题对各因素变化的影响，具体情景设置如表1。

Table 1. Setting of change rate of each factor

表1. 各因素变化率设置

变化 Rate of change	时间 Time	人口规模 Population (P)	人均GDP GDP per capita (A)	第二产业占比 Proportion of secondary industry (S)	城镇化率 Urbanization rate (R)	煤炭消费量占比 Proportion of coal consumption (E)	能源强度 Energy intensity (T)
低速 Low speed	2021~2025	1.00%	5.00%	−0.90%	0.70%	−2.50%	−2.00%
	2026~2030	0.50%	4.50%	−0.80%	0.60%	−2.40%	−1.80%
	2031~2035	−0.50%	4.00%	−0.70%	0.50%	−2.30%	−1.60%
	2036~2040	−1.00%	3.50%	−0.60%	0.40%	−2.20%	−1.40%
	2041~2045	−1.50%	3.00%	−0.50%	0.30%	−2.10%	−1.20%
	2046~2050	−2.00%	2.50%	−0.40%	0.20%	−2.00%	−1.00%
	2051~2055	−2.50%	2.00%	−0.30%	0.10%	−1.90%	−0.80%
	2056~2060	−3.00%	1.50%	−0.20%	−0.10%	−1.80%	−0.60%
中速Medium speed	2021~2025	1.50%	6.00%	−1.00%	0.80%	−3.00%	−3.00%
	2026~2030	1.00%	5.50%	−0.90%	0.70%	−2.90%	−2.80%
	2031~2035	0.50%	5.00%	−0.80%	0.60%	−2.80%	−2.60%
	2036~2040	−0.50%	4.50%	−0.70%	0.50%	−2.70%	−2.40%
	2041~2045	−1.00%	4.00%	−0.60%	0.40%	−2.60%	−2.20%
	2046~2050	−1.50%	3.50%	−0.50%	0.30%	−2.50%	−2.00%
	2051~2055	−2.00%	3.00%	−0.40%	0.20%	−2.40%	−1.80%
	2056~2060	−2.50%	2.50%	−0.30%	0.10%	−2.30%	−1.60%
高速 High speed	2021~2025	2.00%	7.00%	−1.10%	0.90%	−3.50%	−4.00%
	2026~2030	1.50%	6.50%	−1.00%	0.80%	−3.40%	−3.80%
	2031~2035	1.00%	6.00%	−0.90%	0.70%	−3.30%	−3.60%
	2036~2040	0.50%	5.50%	−0.80%	0.60%	−3.20%	−3.40%
	2041~2045	−0.50%	5.00%	−0.70%	0.50%	−3.10%	−3.20%
	2046~2050	−1.00%	4.50%	−0.60%	0.40%	−3.00%	−3.00%
	2051~2055	−1.50%	4.00%	−0.50%	0.30%	−2.90%	−2.80%
	2056~2060	−2.00%	3.50%	−0.40%	0.20%	−2.80%	−2.60%

人口规模情景设置：随着我国经济的快速发展，居民生活水平有了显著提高。根据2000~-2020年的人口数据可知，我国近20年的平均人口自然增长率达5.39%。但由于近几年受新冠疫情影响，人口增速有所放缓。近三年平均人口自然增长率仅为2.84%。2020年的人口自然增长率更低仅为1.45%。虽然考虑到国家近些年实施的“二孩三孩”政策以及各种影响因素[27]，但未来人口增速还是会会逐渐降低，基于此，本文将人口年自然增长率2.00%设置为高速，1.50%设置为中速，1.00%设置为低速，之后在此基础上逐步放缓。

人均GDP情景设置：自改革开放以来，我国经济高速增长。近20年内我国的人均GDP平均增长速率达11.76%。但近几年由于受新冠疫情和国际形势变化的影响，尤其是2018年开始的中美贸易战[28]，经济下行压力加大，新兴产业发展受阻，严重冲击全球贸易和经济发展，经济增速逐渐下降，人均GDP的增速也相应降低。《纲要》提出我国人均GDP要在2035年达到中等发达国家水平。以此为基础，本文将人均GDP年增长率7.00%设置为高速，6.00%设置为中速，5.00%设置为低速，之后在此基础上逐步放缓。

第二产业占比情景设置：中国是制造业大国，是全世界工业门类最为齐全的国家，包含了所有的工业种类。第二产业是我国发展的支柱。但中国制造业依然存在大而不强的现象，可以说中国是世界制造业大国，而不是制造业强国，大部分产业属于中低端产业，这也为我国发展带来了严重的环境问题。近年来，中国一直在努力推进产业结构升级，第二产业占比从最高峰的47.60%下降到2020年的37.80%。《纲要》提出，我国要持续推进产业升级，淘汰高污染高排放企业，大力发展高精尖产业。基于《纲要》以及郭克莎[29]的研究，本文将第二产业占比增速−1.10%设置为高速，−1.00%设置为中速，−0.90%设置为低速，之后在此基础上逐步放缓。

城镇化率情景设置：多年来中国持续推进城市化发展，城镇化率从2000年的36.22%提升至2020年的63.89%，取得了丰硕成果。按照《纲要》目标，未来我国会继续推进高质量的城市化发展，要在“十四五”期间，将城镇化率提升到65%。高春亮[30]研究表明，2011~2050年中国城镇化增速趋缓，年均提高0.793个百分点，2020、2030、2040和2050年城镇化率分别为60.34%、68.38%、75.37%和81.63%。基于此，本文将城镇化率年增长率0.90%设置为高速，0.80%设置为中速，0.70%设置为低速，之后在此基础上逐步放缓。

煤炭消费量占比情景设置：中国拥有丰富的煤炭资源，煤炭一直是我国能源消费的主力，近20年来，我国煤炭消费量平均占比达66.99%。近些年，随着国家大力发展清洁能源和新能源，煤炭消费量占比逐年下降，从巅峰的72.50%下降到目前的56.80%，但消费占比仍处于很高水平。《纲要》提出，合理控制煤电建设规模和发展节奏，推进以电代煤，加快发展非化石能源，大力发展风电、水电、核电，到2030年非化石能源消费占比将提高至20%左右[31]。基于此，本文将煤炭消费量占比的年增长率−3.50%设置为高速，−3.00%设置为中速，−2.50%设置为低速，之后在此基础上逐步放缓。

能源强度情景设置：在绿色发展思想的指导下，我国生产生活方式绿色转型成效显著，能源资源配置更加合理，能源利用效率大幅提高，能源强度大幅下降。《纲要》提出，到2025年单位国内生产总值、能源消耗和二氧化碳排放相较于2020年分别降低13.50%和18.00%。基于此，将能源强度的年增长率−4.00%设置为高速，−3.00%设置为中速，−2.00%设置为低速，之后在此基础上逐步放缓。

根据对影响碳排放的各变量的变化率设置，本文设置了4种具有代表意义的碳排放模拟情景，并对中国未来的碳排放进行预测，碳排放模拟情景设置的详细情况见表2。

基准情景(S1)：各变量增速均设置为中速，预测在现有政策下的碳排放变化趋势。

绿色发展情景(S2)：为按期实现“双碳目标”，近年来我国强化节能减排要求，积极调整能源结构和产业结构，鼓励低碳绿色生活，探讨“碳税”的可实施性。在此情景下，本文将人口规模变化率设置

Table 2. The scenario setting of carbon emission

表2. 碳排放情景设置

情景组合 Scenario combination	情景设定 Scenario setting
	P	A	S	R	E	T
基准情景(S1) Baseline scenario (S1)	中速 Medium speed	中速 Medium speed	中速 Medium speed	中速 Medium speed	中速 Medium speed	中速 Medium speed
绿色发展情景(S2) Green development scenario (S2)	中速 Medium speed	中速 Medium speed	高速 High speed	中速 Medium speed	高速 High speed	高速 High speed
经济增速放缓情景(S3) Low speed economic growth scenario (S3)	中速 Medium speed	低速 Low speed	中速 Medium speed	低速 Low speed	中速 Medium speed	中速 Medium speed
经济高速增长情景(S4) High speed economic growth scenario (S4)	中速 Medium speed	高速 High speed	低速 Low speed	高速 High speed	低速 Low speed	低速 Low speed

为中速；人均GDP变化率设置中速；第二产业占比变化率设置为高速；城镇化率变化率设置为中速；煤炭消费量占比变化率设置为高速；能源强度变化率设置为高速。此情景旨在探究各种碳减排政策的实施对未来碳达峰的影响。

经济增速放缓情景(S3)：随着我国发展由高速发展转变为高质量发展，以及受到新冠疫情和国际形势变化的影响，我国经济增速逐渐放缓。在此情景下，人口规模变化率设置为中速；人均GDP变化率设置为低速；第二产业占比变化率设置为中速；城镇化率变化率设置为低速；煤炭消费量占比设置为中速；能源强度变化率设置为中速。此情景旨在探究经济变化对未来碳达峰的影响。

经济高速增长情景(S4)：此情景假定未来的几年内我国经济迎来复苏，且碳减排政策实施不理想。在此情景下，人口规模变化率设置为中速；人均GDP变化率设置为高速；第二产业占比变化率设置为低速；城镇化率变化率设置为高速；煤炭消费量占比变化率设置为低速；能源强度变化率设置为中速。此情景旨在探究经济的高速发展和政策实施不理想对未来碳达峰的影响，与前文情景形成对照，验证模型的可靠性。

2.3. LMDI分解法驱动因素分析

基于STIRPAT模型的六大因素，本文采用LMDI模型直接对碳排放要素进行驱动力分解，明确所选变量对碳排放的定量影响，具体分解过程如下：

设初始年t₀的碳排放为I₀，第t年的碳排放为I_t：

$I_t=\alpha P_t^a{A}_t^b{R}_t^c{S}_t^d{E}_t^g{T}_t^{h}e$ (3)

$I_0=\alpha P_0^a{A}_0^b{R}_0^c{S}_0^d{E}_0^g{T}_0^{h}e$ (4)

(3)式和(4)式对应的对数形式分别为：

$\text{Ln}{I}_t=\text{Ln}\alpha +a\text{Ln}{P}_t+b\text{Ln}{A}_t+c\text{Ln}{R}_t+d\text{Ln}{S}_t+g\text{Ln}{E}_t+h\text{Ln}{T}_t+\text{Ln}e$ ，$\text{Ln}{I}_0=\text{Ln}\alpha +a\text{Ln}{P}_0+b\text{Ln}{A}_0+c\text{Ln}{R}_0+d\text{Ln}{S}_0+g\text{Ln}{E}_0+h\text{Ln}{T}_0+\text{Ln}e$ 。

记$\Delta I=I_t-I_0$ ，则：

$\begin{array}{c}\Delta I=\frac{\Delta I}{\text{Ln}{I}_t-\text{Ln}{I}_{\text{0}}}\left(\text{Ln}{I}_t-\text{Ln}{I}_{\text{0}}\right)\\ =\frac{\Delta I}{\text{Ln}{I}_t-\text{Ln}{I}_{\text{0}}}[a\left(\text{Ln}{P}_t-\text{Ln}{P}_0\right)+b\left(\text{Ln}{A}_t-\text{Ln}{A}_0\right)+c\left(\text{Ln}{S}_t-\text{Ln}{S}_0\right)\\ +d\left(\text{Ln}{R}_T-\text{Ln}{R}_0\right)+g\left(\text{Ln}{E}_t-\text{Ln}{E}_0\right)+h\left(\text{Ln}{T}_t-\text{Ln}{T}_0\right)].\end{array}$

因此可推出：

$\begin{array}{l}\frac{a\left(\text{Ln}{P}_t-\text{Ln}{P}_0\right)}{\text{Ln}{I}_t-\text{Ln}{I}_{\text{0}}}+\frac{b\left(\text{Ln}{A}_t-\text{Ln}{A}_0\right)}{\text{Ln}{I}_t-\text{Ln}{I}_{\text{0}}}+\frac{c\left(\text{Ln}{S}_t-\text{Ln}{S}_0\right)}{\text{Ln}{I}_t-\text{Ln}{I}_{\text{0}}}\\ +\frac{d\left(\text{Ln}{R}_T-\text{Ln}{R}_0\right)}{\text{Ln}{I}_t-\text{Ln}{I}_{\text{0}}}+\frac{g\left(\text{Ln}{E}_t-\text{Ln}{E}_0\right)}{\text{Ln}{I}_t-\text{Ln}{I}_{\text{0}}}+\frac{h\left(\text{Ln}{T}_t-\text{Ln}{T}_0\right)}{\text{Ln}{I}_t-\text{Ln}{I}_{\text{0}}}=1.\end{array}$

设ω为P、A、S、R、E和T中的任意一个因子，我们定义：

${\lambda }_{\omega }=r\frac{\text{Ln}{\omega }_t-\text{Ln}{\omega }_0}{\text{Ln}{I}_t-\text{Ln}{I}_0}$ (r为因子ω的系数)(5)

r的具体取值参见(2)式中的a，b，c，d，g，h的值。则：

${\lambda }_P+{\lambda }_A+{\lambda }_S+{\lambda }_R+{\lambda }_E+{\lambda }_T=1$ 。

因此，我们用λ_P、λ_A、λ_S、λ_R、λ_E和λ_T分别表示人口规模、人均GDP、第二产业占比、城镇化率、煤炭消费量占比和能源强度对∆I的贡献率。

2.4. 数据来源

本研究中涉及的2000~2020年参数数据主要来自统计年鉴和数据库。其中，碳排放数据来自国际能源署(IEA) [32]。人口数据、人均GDP、第二产业占比、城镇化率和能源强度数据来自《中国统计年鉴》[33]。煤炭消费量占比数据来自《中国能源统计年鉴》[34]。

3. 结果与讨论

3.1. 我国历年碳排放变化趋势分析

近20年来，我国的碳排放总体上呈先快速增长到增速放缓的排放趋势，碳排放量从2000年的30.38亿吨，几乎呈线性增长方式，以年平均13.71%的增速，增加到2010年的78.72亿吨；随后又以抛物线方式，以年平均2.36%的增加速率，增加到2016年的91.72亿吨；之后又以年平均1.80%的增加速率，增加到2020年的99.98亿吨(图1)。2000~2010年期间，碳排放的快速增加主要是源于我国经济的粗放式快速增长所导致的对传统化石能源的大量消耗。2012年增长速率的放缓主要是源于产业结构改造升级和科技进步。在此期间，我国加大环保力度，大力推行节能增效、清洁生产、淘汰落后产能等。随着“双碳战略”的提出，我国未来的碳排放增长速率会进一步放缓。

通过SPSS软件的皮尔逊相关性检验，我们发现STIRPAT模型(2)的各变量之间存在线性关系，且所有自变量的方差膨胀因子(VIF)均远大于10，表明各影响因素指标之间存在严重的多重共线性问题。为了消除共线性问题，我们采用偏最小二乘回归法确定回归方程的参数。通过SIMCA软件对数据进行偏最小二乘回归分析。我们求得回归方程中$\text{Ln}\alpha$ 、a、b、c、d、h、g和Lne值分别为−30.247、3.858、0.224、1.249、0.847、1.186和−0.166。获得回归模型如下：

$\text{Ln}I=3.858\text{Ln}P+0.224\text{Ln}A+0.847\text{Ln}R+1.249\text{Ln}S+1.186\text{Ln}E-\text{0}\text{.166Ln}T-\mathrm{30.247.}$

从拟合结果来看(图1)，模型拟合的数据与核算碳排放值基本吻合，可决系数R² ≥ 0.994，表明回归方程显著且达到了较高的精度，代表预测模型有很好的实证意义。从回归结果来看，参数a，b，c，d，e，g都大于0，表明人口规模、人均GDP、第二产业占比、城镇化率和煤炭消费量占比，均对碳排放有正向影响作用，参数h小于0，即能源强度的系数为负值，表明能源强度与碳排放呈负相关关系。本文回归方程中的能源强度系数负值与Yang [22]对中国碳排放的研究、张巍[35]基于STIRPAT模型对西安市碳排放的研究以及王长建[36]利用STIRPAT模型对广东省碳排放规律的研究时所得的结果中能源强度系数为负值是一致的。但实际上能源强度下降对碳排放量的抑制作用并不明显，受其他因素影响能源强度下降并不一定会直接导致碳排放量下降。因此应更加高效的利用能源和发展相关技术，使其对碳排放的抑制作用充分发挥。

Figure 1. Calculate and calculated values of carbon emissions from 2000 to 2020 in China

图1. 2000~2020年中国碳排放核算值与模型模拟值

3.2. 我国碳排放驱动因素分析

通过LMDI分解方法可知，各因素对碳排放的贡献各不相同(图2)。各因素的平均贡献率由大到小顺序为：人均GDP (36.02%) > 人口规模(34.85%) > 城镇化率(30.16%) > 能源强度(7.09%) > 煤炭消费量占比(−1.92%) > 第二产业占比(−6.19%)。这表明人均GDP、人口规模和城镇化率对全国碳排放增量的影响最大，平均贡献率均超过30%，是促进中国碳排放的主要因素。因此在制定减排政策时，应着重从人口、经济和城镇化因素入手。

人均GDP的碳排放平均贡献率最大(36.02%)，表明经济发展是中国碳排放的最重要因素。从图2可以看出，在过去20年中，人均国内生产总值从1998年的0.79万元增长到2019年的7.2万元。与此同时，碳排放的贡献率在这一时期快速增长，其增长率几乎一直呈上升趋势。尽管在2017年达到峰值并开始放缓，但它仍然是推动中国碳排放的最主要因素(图3)。

人口规模碳排放贡献率排名第二。中国人口数量变化主要分为两个阶段，其变化趋势与碳排放贡献率的变化趋势大体一致。由《中国统计年鉴》可知，2000~2016年为第一个阶段，人口数量从2000年的12.67亿人增长到2016年的13.92亿人，平均增长率达到了5.89%。在这一阶段，人口规模效应对碳排放的贡献也随之增加，平均碳排放贡献率达到了28.67%。第二阶段是2016~2020年，中国人口增速开始放缓，年平均人口增速降为3.54%，其相应对碳排放的贡献也逐渐减少。

城镇化率也是影响中国碳排放的主要因素。在过去的20年里，中国的城镇化率一直在快速增长，从2000年的36.22%增长到2020年的63.89%，年均增长率接近1.5% (见图3)。近三分之一的人口从农村迁移到城市，这在中国经济发展中发挥了重要作用，但也带来了严重的汽车碳排放问题。随着中国人口增长的放缓，未来中国城镇化率的增长速度将逐渐放缓。因此，城镇化率因素对中国碳排放的影响也会越来越低。

Figure 2. Contribution of different factors to carbon emission from 2001 to 2020

图2. 2001~2020年不同因素对碳排放贡献率

能源结构因素在不同时期内对中国碳排放影响效果各不相同。2000~2011年，能源结构对碳排放的贡献为正值，说明能源结构因素对中国碳排放起促进作用，主要原因是在此期间煤炭消费占比高，其平均占比超过了70%。2012~2020年，能源结构对碳排放的贡献为负值，说明能源结构效应对碳排放起到了抑制作用，这主要得益于清洁能源的大量使用，煤炭消费占比下降到了70%以下，其对中国碳排放的抑制作用愈发明显。

与能源结构因素类似，第二产业占比因素在不同时期内对中国碳排放影响效果也各不相同。2000~2011年，第二产业占比因素对碳排放的贡献为正值，说明其对中国碳排放起促进作用，主要由于在此期间中国经济飞速发展，第二产业占比高居不下。2012~2020年，第二产业占比因素对排放的贡献为负值，说明其对碳排放起到了抑制作用，主要是由于在此期间中国进行了产业升级和转移。

能源强度因素对碳排放的平均贡献率为7.09%。结合能源强度对碳排放的抑制作用可知，能源强度下降并不会导致碳排放总量直接下降，这是因为能源强度降低导致的碳排放减少被其它因素导致的碳排放增长所抵消，能源强度下降对碳排放量的抑制作用没有呈现，这与本文在回归方程处所得到的结果是一致的，表明我国在减排技术方面仍有很大的进步空间。随着我国科技水平的提高，单位GDP能耗也越来越低，能源强度因素对碳排放的抑制作用会更加明显。

通常，各变量对碳排放的重要性用变量投影重要性(VIP)来衡量。一般而言，VIP大于1的自变量重要，在0.5~1之间比较重要，小于0.5则不重要。通过偏最小二乘回归分析的VIP指标值可知(图3)，人均GDP、城镇化率、人口规模的变量投影重要性指标值均超过1，表明这三个因素是影响中国碳排放最重要的因素。其余三个因素虽未超过1，但都在0.5~1之间，表明第二产业占比、煤炭消费量占比、能源强度也是影响中国碳排放比较重要的因素。这意味着所选取的六个因素对碳排放的影响均不可忽视，这也和以上LMDI分解得到的结果，及其他学者对中国碳排放影响因素的研究成果相一致[37] [38]。

Figure 3. The VIP histogram of partial least squares regression

图3. 偏最小二乘回归方法的VIP直方图

3.3. 我国碳排放峰值模拟预测分析

基于碳排放模拟预测模型，结合4种情景设置，可获得我国2021~2060年未来碳排放(图4)。通过分析不同情景，我们发现基准情景(S1)、绿色发展情景(S2)和经济增速放缓情景(S3)在2030年前均能实现碳达峰。在基准情景(S1)下，我国碳排放将于2030年达峰，峰值约为122.62亿吨，之后开始缓慢下降，2032年后开始迅速降低，到2060年碳排放降低至15.43亿吨。在S1情景下，中国将沿着目前的道路继续发展，虽然保证了经济的增长，但碳排放量仍处于高位增长，很难在2060年前实现“双碳目标”。在绿色发展情景(S2)下，将于2030年实现碳达峰，达峰值为115.86亿吨，较基准情景下碳排放减少了6.76亿吨，达峰后，碳排放迅速下降，年平均下降率为7.13%，到2060年碳排放降低至12.30亿吨。S2情景是在不降低经济增速的前提下，需积极调整能源结构和产业结构，提高能源利用效率，加大减排政策实施力度，才可以在保障经济平稳发展的同时有效降低碳排放量，并于2030年前实现碳达峰。此情景是中国实现“双碳目标”的优化路径。在经济增速放缓情景下(S3)，将于2030年实现碳达峰，碳排放峰值预计为119.03亿吨，较基准情景下碳排放减少了3.59亿吨，达峰年后，碳排放迅速下降，年平均下降率为6.82%，到2060年碳排放降低至13.96亿吨。这也为我国降低碳排放实现碳达峰提供了一条路径，即在政策实施遇到困难情况下，适当降低经济增速也可减少碳排放，实现2030年前碳达峰。在S3情景下，虽然相较于基准情景碳排放有了明显下降，但经济增速放缓导致的失业、财政等一系列问题会严重影响社会发展，所带来的连带效应难以估量，应慎重选择。在经济高速增长情景(S4)下，达峰年在2035年，碳排放峰值为136.68亿吨，达峰年后，碳排放迅速下降，年平均下降率为6.96%，到2060年碳排放降低至22.33亿吨。此种情景较前三种情景，碳排放峰值有了大幅升高，2030年前无法实现碳达峰。这表明经济高速增长且政策实施不理想的情况下，我国未来将面临较大的碳减排压力，因此加强产业升级和节能降碳的决心，设立高目标的能耗和环保标准，对缩短碳达峰时间和减少碳排放量十分必要。

Figure 4. Future carbon emission trends under different scenario combinations. S0: Current carbon emissions; S1: Baseline scenario; S2: Green development scenario; S3: Low speed economic growth scenario; S4: High speed economic growth scenario

图4. 不同情景下我国未来碳排放变化趋势。S0：碳排放现状；S1：基准情景；S2：绿色发展情景；S3：经济增速放缓情景；S4：经济高速增长情景

与其他同类研究相比(表3)，Yang [37]研究表明经济活动是促进中国碳排放的最大驱动力，而能源强度是最大的抑制因素。因此，优化产业结构，改善能源结构，加大清洁能源发展力度，可以有效抑制碳排放的增长。这与本文的研究结果相一致。在碳排放峰值模拟预测方面，Liu [39]研究表明我国碳峰值将出现在2025年至2029年之间，平均峰值排放量为112.00亿吨，并在105.00~119.00亿吨波动。Su [18]研究结果表明我国碳排放量在2028年达到峰值，约为117.77亿吨。Xu等(2020)研究结果表明在低碳能源结构情景下，中国将在2025年碳达峰，碳排放峰值为103.70亿吨。这些结果与本文模拟预测绿色发展情景下我国2030年达峰，碳排放峰值为115.86亿吨的研究结果相近。Xu [40]研究成果预测较早实现碳达峰的原因主要是其对能源结构调整速率提升幅度设置较大。根据该研究的情景设置，到2030年煤炭消费和石油消费占比将分别低于50%和20%；到2050年煤炭消费和石油消费占比将分别将低于25%和10%，这对中国未来的能源政策有很大挑战。

Table 3. Comparison of similar studies on carbon emissions peak in China

表3. 中国碳排放峰值的同类研究对比

	模型 Model	达峰时间 Peak time	达峰标准/百万吨 Peak standard/million tons	情景模拟 Scenario Simulation	促进碳排放因素 Factors promoting carbon emission
本文	STIRPAT + LMDI	2028~2030	115.86	绿色发展情景 Green development scenario	经济、人口、城市化 A、P、R
Xu	STIRPAT	-	-	-	经济、能源、城市化 A、E、R
Su	STIRPAT	2028	117.77	最优碳排放情景 Optimal carbon emission scenario	-
Yang	Kaya + LMDI	-	-	-	经济、能源消耗 A、E
Wang	计量经济学模型 Econometric model	-	-	-	经济、能源消耗 A、E
Yang	空间自回归模型 Spatial autoregressive model	-	-	-	城市化，能源消耗 R、E
Liu	随机森林算法 Random forest algorithm	2027~2029	105~119	-	-
Xu	碳排放量计算模型 Calculation model of carbon emissions	2030	106.9	计划能源结构情景 Scenario of planned energy structure	-
		2025	103.7	低碳能源结构情景 Scenario of low carbon energy structure
Ding [41]	能源技术扩散模型 Energy technology diffusion model	2030	-	碳税情景 Carbon tax scenario
Li [42]	LMDI	-	-	-	经济增长 A

4. 结论与建议

本文从人口规模，人均GDP，第二产业占比，城镇化率，煤炭消费量占比和能源强度六大因素出发，利用STIRPAT模型研究了中国碳排放的变化趋势与峰值预测，并结合LMDI分解方法，定量分析了各因素对中国碳排放量的影响程度。研究结果表明，STIRPAT模型可较好模拟我国碳排放变化趋势。人口规模，人均GDP和城镇化率是促进中国碳排放的主要因素，第二产业占比和煤炭消费量占比的下降对碳排放具有明显的抑制作用，能源强度对碳排放的抑制作用不明显，还有很大的减排潜力。我国未来碳排放在基准情景、绿色发展情景和经济增速放缓情景下均可实现2030年前达峰，其中绿色发展情景是我国实现碳达峰的最优路径，碳排放峰值为115.86亿吨。

根据本文的研究结果，结合国务院印发的《2030年前碳达峰行动方案》(2021)，我们给出以下政策建议。1) 应控制城市人口的快速增长，加大实施乡村振兴力度，减少人口对城市的大量涌入，通过调控城镇化率和人口规模来减少此因素对碳排放的明显促进作用。2) 应合理控制经济增速，不能盲目追求以牺牲生态环境代价获得经济的高速发展，要大力发展低碳、绿色、环保经济，转变经济增长对碳排放的促进作用，实现经济高质量发展与高碳排放的脱钩。3) 坚持绿色发展模式，转变用能结构，降低化石能源消费，持续推进清洁能源发展，鼓励新能源使用，推进产业结构的优化升级，大力发展具有低碳竞争力的产业，充分发挥产业结构与用能结构对碳排放的抑制作用。4) 发挥科技创新的支撑引领作用，完善科技创新体制机制，强化创新能力，加快绿色低碳科技革命，淘汰落后产能和高污染高排放企业，以科技引领创新，经济低碳发展。制定行之有效的低碳政策，积极开展碳市场、碳交易研究，利用市场机制控制和减少碳排放，进一步推动经济发展方式向绿色低碳转型。

NOTES

^*通讯作者。