2025, Vol. 46
中国已经成为世界碳排放第一大国，面临着碳减排的巨大压力. 2020年9月22日中国国家主席习近平在第75届联合国大会一般性辩论上发表重要讲话时提出，“中国将提高国家自主贡献力度，采取更加有力的政策和措施，CO2排放力争于2030年前达到峰值，努力争取2060年前实现碳中和”，这是中国政府对国际社会的庄严承诺[1]. 随后中国政府出台了“1+N”政策体系，明确碳达峰碳中和时间表和路线图[2, 3]. 党的二十大报告指出，要深入推进能源革命，加快规划建设新型能源体系，确保能源安全. 当前中国仍然是最大的发展中国家，未来经济发展还有很大空间. 随着经济发展和社会进步，碳排放还会在一段时间内持续增长. 如何确保在2030年之前实现碳达峰，对中国政府来说是一个严峻挑战.
CO2排放主要来自于能源活动，中国能源消费碳排放占全社会碳排放量的87%左右，其中电力部门碳排放占能源消费碳排放的40%，加快能源绿色低碳转型对于全社会实现碳达峰、碳中和至关重要[4, 5]. 因此研究影响中国能源消费碳排放的主要影响因素及其作用机制，量化分析各个影响因素对碳排放的影响程度，准确预测中国能源消费碳达峰时间和碳排放峰值，对于政府部门科学制定能源政策和碳减排政策具有重要意义. 影响能源消费碳排放的因素众多，如何识别主要的影响因素，量化分析其对碳排放的影响程度，预测碳排放变化趋势以及碳达峰时序峰值一直是国内外学者研究的热点. 由于所采用的研究方法以及选择的影响因素各不相同，因此碳排放影响因素分析以及碳排放预测的结论也存在很大差别[6].
在影响因素识别研究方法上，Kaya恒等式及其扩展形式、结构分解方法SDA（structural decomposition analysis）、指数分解方法IDA（index decomposition analysis）、环境影响评估模型IPAT（impact of the population，affluence and technology）以及可拓展的随机性的环境影响评估模型STIRPAT（stochastic impacts by regression on population，affluence and technology）等都有着广泛地应用[7~19]. 以上方法模型既可以单独应用，也可以联合开展应用[20~23]. 与其他模型相比，STIRPAT模型具有良好的便捷性、可扩展性和可解释性，在实际应用中较为普遍[24~33].
在影响因素识别上，Ehrlich等[24]通过构建IPAT模型分析了人口（P）、人均财富量（A）和技术（T）等因素对碳排放的影响. Dietz等[25, 26]提出用STIRPAT模型将人口、人均财富和技术因素等进行扩展，可以分析更多因素对碳排放的影响. 黄蕊等[27]分析了人口、富裕度、能源强度、三产比例和城市化水平等5个因素对重庆能源消费碳排放的影响，其中三产比例具有负向效应. 康利改等[28]分析了人口规模、人均GDP、城镇化率、产业结构、能源强度和能源结构等6个因素对京津冀地区能源消费碳排放的影响，所有因素都具有正向效应. 曾炜等[29]分析了人口、人均GDP、碳排放强度、城市化率、能源结构和二产比例等6个因素对湖北省碳排放的影响，其中城市化率和非化石能源比例具有负向效应. 梁毅等[30]分析了人口、城镇化率、人均GDP、煤炭消费量、石油消费量、天然气消费量、第二产业比例、能源强度和碳强度等9个因素对河北省碳排放的影响，其中能源强度具有负向效应. 刘浩东[31]等分析了人口、人均GDP、能源强度、城镇人口占比和天然气消费比例等5个因素对黑龙江省能源消费碳排放的影响，其中天然气消费比例具有负向效应. Su等[32]分析了城镇化率、二产比例、经济、能源强度、人口和三产比例等因素的影响，其中三产比例具有负向效应. 黄威翔等[33]分析了城镇化率、人均GDP、二产结构、能源强度、能源结构、科技创新、汽车拥有、公路里程、对外贸易和建筑发展等10个因素的影响，其中能源强度和能源结构具有负向效应.
在预测碳排放趋势和碳达峰时序峰值的研究方法上，主要包括投入产出模型、系统动力学模型、神经网络模型和STIRPAT模型等. 王火根等[34]利用IO-SDA法定量评价了各驱动因素在2020~2060年不同时期对碳排放总量和各行业碳排放量变化的贡献. 朱佩誉[35]构建了系统动力学模型，对中国2021~2060年碳排放进行了预测，并对2030年碳达峰和2060年碳中和目标进行了情景分析. 李国柱等[36]利用Lasso-GRNN神经网络模型对京津冀碳达峰峰值及时序进行了情景分析. 吉兴全等[37]采用STIRPAT模型进行碳排放未来趋势预测，模拟了东部某省份碳排放峰值. 王雪亭等[38]采用STIRPAT模型进行了双碳目标下宁夏地区碳达峰预测.
综上分析，国内外学者利用STIRPAT模型开展了大量的研究，无论是在影响因素识别还是在碳排放预测中均有广泛地应用，是一个相对直观、便捷和通用的方法. 作为统计学建模方法，STIRPAT模型在消除各解释变量之间共线性的基础上，建立了解释变量和被解释变量之间的多元回归关系. 它不仅能够很好地定量分析碳排放与各个影响因素之间的关系，而且还能根据影响因素的变化趋势对未来碳排放进行预测和情景分析. 尽管如此，当前利用STIRPAT模型研究碳排放方面还存在以下不足：一是影响因素选择方面，除了人口和人均GDP之外，对技术的分解也是多种多样，有些因素选取缺乏理论逻辑性，例如能源价格、科研投入、外商直接投资等因素与能源消费碳排放关系不大[39, 40]；二是研究时空尺度方面，受数据可获得性影响，大部分研究主要聚焦一个地区或者一个行业，选择样本时间比较短，对于全国层面以及长时间尺度、分阶段的研究还不多见；三是结果的可解释性方面，不同的研究结论有明显差异甚至出现相反的结论，例如从长期来看能源强度具有负向效应[30, 33]，但有的研究结论是正向效应[27~29, 31, 32].
鉴于此，本文利用STIRPAT扩展模型和岭回归分析方法，识别1980年以来影响中国能源消费碳排放的主要因素及其作用机制，并对未来中国能源消费碳排放峰值及达峰时间进行了情景分析，以期为政府部门制定碳减排相关政策提供参考. 本文的创新点：一是根据中国能源消费碳排放的增长机制，筛选出人口、人均GDP、能源强度、二产比例、化石能源比例、电气化率和城镇化率等7个主要影响因素，比较全面地反映了经济社会发展和能源转型对中国能源消费碳排放的影响；二是量化分析了各影响因素对中国能源消费碳排放的影响机制和贡献程度，尤其是分3个经济发展阶段进行细化分析，精准刻画了长时间尺度以及不同阶段各影响因素的作用和贡献所发生的变化；三是紧密结合国家有关规划、政策文件以及未来变化趋势进行情景参数设计，避免了过于依赖人为主观判断而导致的无法准确判定碳达峰时间和峰值等问题，评估了中国如期实现碳达峰的可行性和难度，具有更多的政策含义.
1 材料与方法 1.1 STIRPAT模型IPAT模型由美国生态学家Ehrlich等[24]于1971年首次提出，用于评估人类行为对环境的影响. 该模型的名称来源于其4个主要变量：环境影响（impact）、人口数量（population）、富裕程度或人均消费量（affluence）以及技术水平（technology）. 公式表示为：
| $I=P \times A \times T$ | (1) |
由于IPAT模型具有线性化特点，不能全面反映不同因素对环境的影响，因此Dietz等[25, 26]提出了其改进形式，即STIRPAT模型. 公式表示为：
| $I=a \times P^b \times A^c \times T^d \times e$ | (2) |
式中，I、P、A和T分别为环境、人口、经济和技术的表征值，T由众多影响环境的因素组合而成；a为模型的系数；b、c和d分别为人口、经济和技术因素的弹性系数；e为模型的随机误差项. IPAT模型为STIRPAT模型的一种特殊形式，即a = b = c = d = e = 1.
STIRPAT模型是一种多自变量的非线性模型，对等式（2）两侧取对数：
| $\ln I=\ln a+b \ln P+c \ln A+d \ln T+\ln e$ | (3) |
以lnI为因变量，lnP、lnA、lnT为自变量，lna为常数项，lne为误差项，将取对数之后的模型进行多元线性拟合，可以得到a、b、c和d. 由弹性系数可知，P、A和T每发生1%变化，会使I发生b%、c%和d%的变化.
1.2 模型拓展及变量说明STIRPAT模型不但可以把各个影响因素的弹性系数当作参数来估计，还允许适当分解各个影响因素，也可以对影响因素进行扩展. 能源消费是碳排放的主要来源，因此需要围绕影响能源消费的主要因素进行碳排放影响因素筛选. 国内生产总值（gross domestic product，GDP）增长是拉动能源消费增长的主要因素，可以表示为人口和人均GDP的乘积；其中人口又可以分解为乡村人口和城镇人口，城镇人口占总人口的比例即城镇化率. 随着人口从乡村逐渐从城镇转移，城镇化率不断提高，城镇化是拉动经济增长和能源消费的重要因素[41]. 除经济总量外，技术进步和结构调整也是影响能源消费碳排放的重要因素. 技术进步可以用能源强度或碳排放强度来表示，结构调整包括经济结构调整、能源结构调整. 经济结构可以分为三次产业结构和细分行业结构. 能源结构包括一次能源结构和终端能源结构；一次能源结构可以细分为原煤、原油、天然气、水电、核电、风电、太阳能发电和生物质能等，也可以简化为化石能源和非化石能源；终端能源结构主要包括煤炭、石油、天然气、电力和热力等，其中电力占终端能源消费比例（电气化率）是反映终端能源结构的重要指标. 根据以上能源消费碳排放增长机制，本文初步选择了人口、人均GDP、能源强度、碳排放强度、产业结构（一产比例、二产比例和三产比例）、能源结构（化石能源比例、非化石能源比例、煤炭比例、石油比例和天然气比例）、电气化率和城镇化率等因素进行筛选. 考虑到所选因素要相对独立，因此产业结构和能源结构中各选一个指标代表；能源强度和碳排放强度高度相关，选择能源强度进行分析. 参考相关文献[27~33]，发现人口、人均GDP、能源强度、产业结构、能源结构和城镇化率等都是影响碳排放的主要因素，但以上研究都没有考虑电气化率因素；由于提高电气化水平是实现能源绿色低碳转型的关键路径[42]，因此本文补充电气化率作为主要影响因素.
7个主要影响因素的表征指标考虑如下：人口是拉动经济增长的主要动力，用年末总人口表征；人均GDP反映了经济发展阶段，用GDP与年末总人口的比值表征；能源强度反映了一次能源利用效率，用单位GDP能源消费量表征；产业结构反映了经济结构的变化，相比第一、第三产业，第二产业对能源消费的依赖度更高，因此用第二产业增加值占GDP比例（简称二产比例）来表征；能源结构反映了碳排放所对应的一次能源消费品种结构变化，由于化石能源消费是碳排放的主要来源，因此用化石能源占一次能源消费的比例（简称化石能源比例）来表征；电气化率反映了终端能源结构的变化，用电力消费占终端能源消费比例来表征；城镇化率是衡量一个地区社会发展现代化水平的指标，用年末城镇人口占总人口比例表征. 因此，本文考虑以上7个影响因素构建的STIRPAT扩展模型如下：
| $\begin{aligned} I= & a \times P^{\beta_1} \times A^{\beta_2} \times E^{\beta_3} \times \mathrm{IS}^{\beta_4} \times \\ & \mathrm{ES}^{\beta_5} \times \mathrm{EL}^{\beta_6} \times U^{\beta_7} \times e \end{aligned}$ | (4) |
式中，I为能源消费CO2排放量，单位为108 t；a为常数；P为年末总人口，单位为万人；A为人均GDP，单位为万元·人-1；E为能源强度，单位为t·万元-1（以标准煤计）；IS为二产比例，单位为%；ES为化石能源比例，单位为%；EL为电气化率，单位为%；U为城镇化率，单位为%；e为模型随机干扰项. β1、β2、β3、β4、β5、β6、β7分别是P、A、E、IS、ES、EL、U的弹性系数. 主要变量及说明见表 1.
|
表 1 主要变量及说明 Table 1 Main variables and explanations |
为了通过回归分析确定有关参数，对式（4）两边取对数，得到：
| $\begin{aligned} \ln I= & \ln a+\beta_1 \ln P+\beta_2 \ln A+\beta_3 \ln E+\beta_4 \ln \mathrm{IS}+ \\ & \beta_5 \ln \mathrm{ES}+\beta_6 \ln \mathrm{EL}+\beta_7 \ln U+\ln e \end{aligned}$ | (5) |
式中，β1、β2、β3、β4、β5、β6和β7分别为弹性系数，表示当P、A、E、IS、ES、EL和U每变化1%时，分别引起I的β1%、β2%、β3%、β4%、β5%、β6%和β7%变化.
根据以上方法可以分析人口、人均GDP、能源强度、二产比例、化石能源比例、电气化率和城镇化率等7个因素对中国能源消费碳排放的影响及贡献.
1.3 数据来源及处理 1.3.1 数据来源本文通过多种渠道收集了1980~2022年中国人口、GDP、能源消费、电力消费、产业结构、能源结构、城镇化率和CO2排放等数据. 其中，人口、城镇化率、GDP和产业结构等数据来自于国家统计局《中国统计年鉴》，能源电力数据主要来自国家统计局《中国能源统计年鉴》以及网站数据. CO2排放数据根据IPCC核算清单中化石能源的碳含量[43]和《中国能源统计年鉴》中的净热值、折标准煤系数得到CO2排放因子，然后将能源消费（区分燃烧和原料用能）乘以碳排放因子（原料用能碳排放因子约为燃烧排放的20%~25%）计算，最后汇总得到能源消费CO2排放（简称能源消费碳排放）.
1.3.2 数据整理根据所收集数据，进行数据加工整理，计算主要数据指标如表 2所示. 1980~2022年，中国能源消费碳排放由15.1亿t增长到105.3亿t，增长约6倍，年均增长4.74%；人口从9.87亿人增长到14.12亿人，增长了约43.03%，年均增长0.86%；人均GDP从0.30万元·人-1提高到8.02万元·人-1，增长了25.9倍，年均增长8.15%；能源强度从2.05 t·万元-1下降到0.48 t·万元-1，下降了76.68%，年均下降3.41%；二产比例从48.06%下降到39.33%，下降了8.73个百分点；化石能源比例由96.0%下降到82.5%，降低了13.5个百分点；电气化率从3.21%提高到27.30%，提升了24.09个百分点；城镇化率从19.39%提高到65.22%，提升了45.83个百分点.
|
|
表 2 1980~2022年中国有关数据1） Table 2 Relevant data in China from 1980 to 2022 |
1.3.3 多重共线性分析
在进行多元回归计算时，若多个自变量之间存在相关关系，会使模型中的系数失去实际意义. 因此要对模型自变量（包括人口、人均GDP、能源强度、二产比例、化石能源比例、电气化率和城镇化率）原始数据的对数值进行多重共线性诊断.
根据所收集到的数据，应用SPSS24软件进行多元回归分析并计算方差膨胀因子，结果如表 3所示. 人均GDP、能源强度、二产比例、化石能源比例、电气化率和城镇化率等t检验对应的统计量分别为23.257、25.646、-5.883、6.163、2.648和-4.511，相应的概率P均小于5%，说明在5%的显著性水平下，这些因素对中国能源消费碳排放的影响是显著的. 除二产比例外，其他因素方差膨胀因子远远高于10，并且人均GDP的方差膨胀因子高达725.727，说明变量之间存在严重的多重共线性，因此不能根据普通最小二乘法拟合的结果进行判断，必须消除自变量的多重共线性才能得到合理的结果.
|
|
表 3 多重共线性诊断1） Table 3 Multicollinearity test of independent variables |
1.3.4 岭回归分析
由于7个影响因素的对数值存在多重共线性问题，可以通过岭回归分析方法来解决. 岭回归分析方法是对普通最小二乘回归的一种补充，可以有效地解决多重共线性问题，可以提高模型的计算精度、稳定性和可靠性[44]. 因此，本文选择岭回归分析方法来解决多重共线性问题，利用SPSS24软件的岭回归函数对方程（5）进行拟合，岭回归系数k在（0，1）区间，以步长为0.01进行取值. 当k=0.20时，岭迹图变化逐渐平稳，如图 1所示. 具体的岭回归估计结果如表 4所示.
|
图 1 岭迹图 Fig. 1 Ridge trace |
|
|
表 4 岭回归估计结果1） Table 4 Estimates by ridge regression |
岭回归的系数除了常数项和二产比例之外，其他变量均通过了1%的显著性水平检验. 各变量的方差膨胀因子都在1以下，说明多重共线性不严重. R2为0.960，整体拟合较好，F统计量也通过了1%的显著性水平检验，意味着人口、人均GDP、能源强度、二产比例、化石能源比例、电气化率和城镇化率等7个因素可以解释能源消费碳排放96.0%的变化原因，说明了选择以上7个因素的合理性.
2 结果与分析 2.1 影响因素分析根据岭回归分析结果，构建考虑7个影响因素的STIRPAT扩展模型具体形式如式（6）：
| $\begin{aligned} \ln I= & 0.974 \ln P+0.161 \ln A-0.104 \ln E+ \\ & 0.216 \ln \mathrm{IS}-1.606 \ln \mathrm{ES}+0.126 \ln \mathrm{EL}+ \\ & 0.441 \ln U-3.231 \end{aligned}$ | (6) |
将式（6）转换为指数形式为式（7）：
| $\begin{aligned} I= & 0.395 \times P^{0.974} \times A^{0.161} \times E^{-0.104} \times \\ & \mathrm{IS}^{0.216} \times \mathrm{ES}^{-1.606} \times \mathrm{EL}^{0.126} \times U^{0.441} \end{aligned}$ | (7) |
式（6）和式（7）表明，人口、人均GDP、能源强度、二产比例、化石能源比例、电气化率和城镇化率等因素都会直接影响能源消费碳排放. 通过模型对历史数据的拟合来看，拟合效果比较显著，模型对碳排放量的拟合值与实际值对比如图 2所示，可见该模型可以较好地模拟中国能源消费碳排放增长及其变化趋势. 1980~1995年，拟合值和实际值基本接近；1996~2015年，实际值围绕拟合值上下波动，误差较大；2016~2022年，拟合值和实际值又基本接近.
|
图 2 能源消费碳排放拟合值与实际值的对比图 Fig. 2 Comparison between fitted and actual values of carbon emissions of energy consumption |
从弹性系数反映的正负效应来看，人口、人均GDP、二产比例、电气化率和城镇化率的弹性系数为正，具有正向效应，表明以上因素与碳排放之间存在显著的正相关关系，这5个因素的变化拉动了中国能源消费碳排放的增长；而能源强度和化石能源比例的弹性系数为负，具有负向效应，表明这2个因素与碳排放具有显著的负相关关系，能源强度和化石能源比例的下降可以抑制碳排放的增长. 结果表明，经济社会发展拉动能源需求增长，从而导致碳排放增加；但能源强度和化石能源比例的下降将会减少碳排放. 若加快能源结构由以化石能源为主向非化石能源为主转型的进程，大力推动能源效率的提升，将会有力地促进碳排放减少，碳排放的峰值和达峰时间就取决于以上这些因素的共同作用.
从系数大小来看，人口、人均GDP、能源强度、二产比例、化石能源比例、电气化率和城镇化率每变化1个百分点，中国能源消费碳排放分别变化0.974、0.161、0.104、0.216、1.606、0.126和0.441个百分点. 其中，化石能源比例影响最大，能源强度影响最小，也反映了中国以煤为主的化石能源消费结构是碳排放的最大影响因素，而人口、城镇化率、二产比例、人均GDP、电气化率和能源强度的影响依次递减.
人口是拉动能源消费碳排放最重要的影响因素，人口数量每提高1%，使得中国能源消费碳排放增长0.974%. 这是由人口对能源的绝对需求决定的，随着生产生活水平的提高，产生了大量能源需求和碳排放增长. 2022年中国人口开始出现负增长，并且老龄化严重，未来人口将呈下降趋势，人口总量减少将会降低能源需求和碳排放.
城镇化率是拉动中国能源消费碳排放量增长的第二大因素，城镇化率每提高1%，使得中国能源消费碳排放增长0.441%. 城镇化率的提高，城市规模不断扩大，带来了大量的城市基础设施建设，有力地拉动城市能源消费和碳排放增长. 2022年，我国城镇化率已经超过65%，与发达国家70%~80%相比，我国城镇化率还有一定提升空间；但随着城镇化率渐趋饱和，城镇化率拉动碳排放增长也会趋缓.
二产比例是拉动中国能源消费碳排放增长的第三大因素，第二产业增加值占GDP的比例每提高1%，就使得中国能源消费碳排放增长0.216%. 工业生产和能源供应是CO2的主要排放来源，第二产业的碳排放强度远高于第三产业碳排放强度. 因此随着产业结构的优化调整，第二产业增加值占GDP比例下降，第三产业增加值比例上升，将有利于减少碳排放.
人均GDP是拉动中国能源消费碳排放量增长的第四大因素，人均GDP每提高1%，就使得中国能源消费碳排放增长0.161%. 2022年中国人均GDP达到1.27万美元，接近高收入国家水平下限，今后还会持续提升. 但随着人均GDP的提高和能源效率的提升，经济增长将会与能源消费逐步脱钩，化石能源消费逐渐饱和，碳排放将会达到峰值，达到环境库兹涅茨“倒U”型曲线的顶点.
电气化率是拉动中国能源消费碳排放量增长的第五大因素，电气化率每提高1%，就使得中国能源消费碳排放增长0.126%. 虽然电能是优质清洁的二次能源，但在总发电量中还是以火电为主（2023年火电发电量占总发电量比例为66.3%），因此电气化率的提高也在一定程度上拉动化石能源需求增长，从而产生碳排放. 未来当电力需求增量全部由非化石能源满足、并且逐步实现对化石能源发电量的存量替代时，电气化率对碳排放的弹性系数将会由正转负.
化石能源比例是抑制中国能源消费碳排放量增长的最关键因素，化石能源占能源消费比例每下降1%，就使得中国能源消费碳排放减少1.606%. 目前中国的能源消费结构还是以化石能源为主，并且煤炭占较大比例，随着非化石能源消费比例的上升和化石能源消费比例的下降，碳排放将会显著减少. 当非化石能源实现对化石能源消费的存量替代时，也即化石能源消费达峰时，中国能源消费碳排放将实现达峰.
能源强度下降是抑制中国能源消费碳排放量增长的第二大因素，能源强度每下降1%，就使得中国能源消费碳排放减少0.104%. 随着科学技术的不断进步，能源利用效率不断提高，能源强度不断下降，将会减少能源消费和碳排放. 目前，我国能源强度与发达国家相比还有很大差距，未来还有很大节能空间. 能效提升和能源强度下降将会促进中国早日实现碳达峰和降低碳排放峰值.
2.2 分阶段影响因素分析为深入分析不同经济发展阶段7个影响因素对碳排放的影响程度，根据经济社会发展及能源消费碳排放增长特点将1980~2022年分成3个阶段进行分析. 第1阶段（1980~1996年）：改革开放以后，农村体制改革和城市体制改革加快推进，经济快速发展，人民温饱问题得到基本解决，能源消费保持了较快增长，能源消费碳排放年均增长4.58%；第2阶段（1997~2011）：亚洲金融危机之后，国有企业改革加速，2001年加入WTO促进了我国工业化和城镇化的快速推进，经济实现了高速增长，能源消费出现了爆发式增长，能源消费碳排放年均增长7.60%；第3阶段（2012~2022年），我国经济进入新常态，经济增速放缓，能源需求增速也随之放缓，能源绿色低碳转型加快，非石化能源比例加速提高，能源消费碳排放年均增长1.83%. 3个阶段的岭回归系数估计结果见表 5.
|
|
表 5 不同阶段的岭回归系数估计结果1） Table 5 Estimates by ridge regression in three stages |
从3个阶段7个因素的弹性系数看，各因素的效应大小都有所变化，其中能源强度、二产比例和化石能源比例等3个因素正负效应发生转折性变化，反映了在不同发展阶段各因素对碳排放增长贡献的方向性变化，也反映了在不同发展阶段经济社会发展、能源消费与碳排放之间关系的显著变化. 第1阶段：人口、城镇化率、化石能源比例、电气化率和人均GDP是拉动中国能源消费碳排放的主要因素，能源强度和二产比例是抑制因素；第2阶段：二产比例、人口、城镇化率、人均GDP、电气化率和能源强度是拉动中国能源消费碳排放的主要因素，化石能源比例是抑制因素；第3阶段：电气化率、人口、城镇化率、二产比例和人均GDP是拉动中国能源消费碳排放的主要因素，化石能源比例和能源强度是抑制因素. 在第2阶段中，二产比例影响最大，人口影响次之，能源强度成为拉动碳排放增长的主要因素，这与本阶段中国工业化和城镇化加快、产业结构重工业化和能源消费高速增长、个别年份二产比例和能源强度不降反升等实际情况相吻合.
2.3 中国能源消费碳达峰预测 2.3.1 情景及参数设置基于以上STIRPAT扩展模型，采用情景分析方法来对2023~2035年中国能源碳排放峰值及达峰时间进行模拟. 根据未来我国的经济社会发展以及能源绿色低碳转型趋势，设定碳排放增长的3个情景：基准情景、低碳情景和高碳情景. 7个影响因素的参数设置参考了《中共中央国务院关于完整准确全面贯彻新发展理念做好碳达峰碳中和工作的意见》《2030年前碳达峰行动方案》《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《“十四五”规划纲要》）《“十四五”节能减排综合工作方案》《“十四五”现代能源体系规划》《深入实施以人为本的新型城镇化战略五年行动计划》等文件[2, 3, 45~48]，2024~2025年、“十五五”和“十六五”时期3个情景下7个因素年均变化率分别设置如下.
（1）人口 2020年以来，中国人口增速明显放缓，主要是由于持续的低生育率导致出现显著的人口负增长惯性[49]；2021年中国人口达到峰值，之后开始负增长，2022年下降0.06%，2023年下降0.15%，“十四五”前三年人口年均下降0.06%. 根据未来中国人口增长变化趋势，参考茅倬彦等[49]研究结果，设置3个情景的人口增长. 基准情景下，2024~2025年人口年均下降0.15%，“十五五”年均下降0.2%，“十六五”年均下降0.3%；低碳情景和高碳情景下，分别比基准情景上下浮动0.05个百分点.
（2）人均GDP 按照《“十四五”规划纲要》经济增长目标，2035年人均GDP要比2020年翻一番. 受新冠疫情影响，2020~2023年中国人均GDP年均增速为4.7%；要实现预期目标，2024~2035年年均增速应该在4.52%以上. 参考刘伟等[50]、蔡昉等[51]对2020~2035年中国经济潜在增长率的预测，对2024~2035年中国人均GDP增速进行设置. 基准情景下，2024~2025年人均GDP增长5.36%，“十五五”年均增长5.21%，“十六五”年均增长4.81%；高碳情景和低碳情景下，2024~2025年增速比基准情景上下浮动0.05个百分点，之后上下浮动0.15个百分点.
（3）能源强度 根据《“十四五”规划纲要》能耗下降目标，“十四五”期间我国单位GDP能耗下降13.5%. 受新冠疫情防控及恢复经济等因素影响，“十四五”前三年单位GDP能耗仅下降2.3%，扣除原料用能和非化石能源消费后，单位GDP能耗下降7.3%[52]，完成“十四五”节能目标难度很大. 但未来随着技术进步及数字化技术的普及应用，能源强度将不断下降. 参考历次五年规划能耗下降目标，设置2024~2035年能耗下降幅度. 基准情景下，2024~2025年能源强度年均下降2.0%，“十五五”年均下降2.7%，“十六五”年均下降3.1%；低碳情景和高碳情景下，能源强度下降幅度分别比基准情景上下浮动0.2个百分点.
（4）二产比例 2020年以来，中国产业结构持续优化，第三产业增加值占GDP比例上升，第二产业增加值比例下降. 但在新型工业化、新型城镇化的持续推进以及战略新兴产业、未来产业加快发展的背景下，第二产业比例下降增速将趋缓，还会在较长的时间内保持在较高的水平. 基准情景下，2024~2025年、“十五五”和“十六五”期间二产比例分别年均下降0.20、0.16、0.16个百分点；低碳情景和高碳情景下，二产比例分别比基准情景上下浮动0.05个百分点.
（5）化石能源比例 “十四五”以来，中国能源绿色低碳转型加快，化石能源消费比例持续下降，非化石能源比例加快上升，2023年中国非化石能源比例达到了17.7%. 根据《“十四五”现代能源体系规划》，到2025年非化石能源比例达到20%左右，2030年达到25%. 未来随着新能源的超预期发展，非化石能源比例将加快提高，化石能源比例将会加速下降. 基准情景下，2024~2025年、“十五五”和“十六五”期间化石能源比例分别年均下降1.25、1.60、1.80个百分点；低碳情景和高碳情景下，化石能源比例分别比基准情景上下浮动0.1、0.2、0.2个百分点.
（6）电气化率 电气化是实现能源绿色低碳转型的重要途径，2023年我国电气化率为28.0%，“十四五”前3 a提高2.5个百分点. 根据《“十四五”现代能源体系规划》，到2025年电能占终端能源消费比例达到30%左右. 随着新能源的快速发展，电能替代化石能源将会加速，电气化率将会加快上升. 参考舒印彪等[42]文献，设置基准情景下，2024~2025年、“十五五”和“十六五”期间电气化率分别年均上升1.1、1.2、1.2个百分点；低碳情景和高碳情景下，电气化率分别比基准情景上下浮动0.1、0.2、0.2个百分点.
（7）城镇化率 与发达国家相比，中国城镇化率偏低，2023年为66.16%. 随着新型城镇化持续推进，城镇化率将缓慢上升. 2020~2023年，城镇化率提高2.27个百分点. 近期国务院印发的《深入实施以人为本的新型城镇化战略五年行动计划》明确提出2030年常住人口城镇化率要接近至70%. 2030年之后随着城镇化率渐趋饱和，城镇化率将继续上升，但上升幅度会趋缓. 基准情景下，2024~2025年、“十五五”和“十六五”期间城镇化率分别年均上升0.8、0.7、0.4个百分点；高碳情景和低碳情景下，城镇化率分别比基准情景上下浮动0.05、0.10、0.20个百分点. 3个情景下7个因素的年均变化率见表 6.
|
|
表 6 不同情景下各因素年平均变化率设置/% Table 6 Annual average rate of change settings for each factor in different scenarios/% |
2.3.2 碳达峰时间与峰值分析
根据3个情景7个因素的参数设置，应用STIRPAT扩展模型进行2023~2035年中国能源消费碳排放情景模拟，预测结果如图 3所示. 从碳排放预测结果看，2023~2030年中国能源碳排放总体上仍然呈上升趋势，但增速趋缓，碳排放将于2028~2032年达峰，峰值在116.6亿t~127.5亿t之间. 2023年中国能源消费碳排放预测值为109.1亿t，与实际值110.0亿t基本一致，误差小于1%，证明了模型预测的准确性.
|
图 3 2023~2035年中国能源消费碳排放预测 Fig. 3 Prediction of carbon emissions from energy consumption in China from 2023 to 2035 |
基准情景下，中国能源消费碳排放将于2030年实现达峰，峰值为120.4亿t；低碳情景下，中国能源消费碳排放于2028年达峰，峰值为116.6亿t，较基准情景下降3.16%；高碳情景下，中国能源消费碳排放于2032年达峰，峰值为127.5亿t，较基准情景上升5.90%. 3个情景下，中国能源消费碳排放达峰后将持续下降.
3 讨论 3.1 碳达峰相关研究比较基准情景下，7个影响因素设置主要考虑当前以及今后一段时期经济社会发展和能源绿色低碳转型相关规划和政策，是最可能发生的情景，碳达峰时间与国家碳达峰目标基本吻合；低碳情景更加注重经济高质量发展和能源绿色低碳转型，人均GDP增速适当降低，能源强度、二产比例和化石能源比例降幅更大，电气化率增幅更高，城镇化率增幅降低，碳排放达峰时间可以提前2 a，能够提前完成碳达峰目标；高碳情景主要考虑经济较快发展和能源转型略慢，人均GDP增速较快，能源强度、二产比例和化石能源比例降幅较小，电气化进程较慢，城镇化率增幅加快，碳排放达峰时间将滞后2a，无法按期完成碳达峰目标. 本文通过3个不同情景下中国能源消费碳达峰时间以及峰值的预测，佐证了国家制定碳达峰目标的科学性和严谨性，也反映了中国要如期实现碳达峰目标还存在一定难度和不确定性.
与国内已有相关研究结果相比（见表 7），不同的研究者采用不同的方法研究结果有较大的差异. 例如，杜祥琬等[53]利用脱钩模型分3个情景进行分析，其中低碳情景下2030年（或之前）中国能源消费碳达峰，峰值约110亿t；蔡博峰等[54]利用空间公平趋同模型进行模拟，预计2027~2028年实现碳达峰，峰值为106亿t；陈喜阳等[55]利用IPSO-MLR-LSTM模型分6个情景进行分析，预计2026~2032年实现碳达峰，峰值为105.5亿t~115.7亿t；杜焱等[56]利用系统动力学模型分3个情景进行预测，其中低碳情景2030年达峰，峰值为138.1亿t，综合调控情景2027年达峰，峰值为118.5亿t；张希良等[57]利用C-GEM模型分2个情景进行分析，其中参考情景2030年碳达峰，峰值为108亿t，碳中和情景于2027~2028年碳达峰，峰值为105亿t以内；魏一鸣等[58]利用C3IAM/NET模型分11个情景进行分析，预计2026~2029年实现碳达峰，峰值为117亿t~127亿t. 通过中国能源消费碳达峰相关研究结果对比分析，无论是碳达峰时间还是碳排放峰值，本文结果都具有合理性.
|
|
表 7 中国能源消费碳达峰时间及峰值研究比较1） Table 7 Comparison of energy consumption carbon peak time and value in China |
3.2 政策建议
通过对1980~2022年中国能源消费碳排放与7个影响因素的关系研究表明，化石能源比例和能源强度是抑制中国能源消费碳排放增长的两个重要因素，尤其是在第3阶段（2011~2022年）表现得更为显著，因此降低化石能源比例和降低能源强度必将在未来实现碳达峰的过程中发挥关键性作用. 随着新能源加快发展，电气化率也将快速提升，非化石能源替代化石能源将逐步实现由增量替代转为存量替代，化石能源消费将很快达峰，电气化率的提升将与化石能源消费和碳排放增长脱钩，因此大力提升电气化水平也是实现碳达峰重要手段. 另外，加快产业结构调整也是降低能源强度的重要手段.
2030年之前中国实现碳达峰是一项艰巨的任务，若要确保如期实现目标，要在加快能源结构调整、提升电气化水平、优化产业结构、提高能源利用效率等方面出台更多的政策，做出更大的努力. 建议加快能源绿色低碳转型步伐，大力发展风能、太阳能等新能源，着力提高非化石能源消费比例，降低化石能源比例，尽快实现新能源对传统化石能源的存量替代；在终端能源利用环节加大电能替代力度，在工业、交通、建筑等领域广泛实施以电代煤、以电代油、以电代气，不断提高各行业电气化水平；不断优化产业结构，重点发展高附加值的战略性新兴产业和未来产业，提高现代服务业比例，通过产业结构优化减少能源消费；贯彻落实国家全面节约战略，推广应用节能节电技术，加大节能节电扩绿工作宣传力度，营造良好的节能减排社会环境，着力构建绿色生产方式和生活方式，提高全社会能源利用效率.
4 结论（1）1980~2022年中国能源消费碳排放总量呈现整体上升趋势，从1980年的15.1亿t增长到2022年的105.3亿t，年均增速为4.74%；其中1980~1996年年均增速为4.58%，1997~2011年年均增速为7.60%，2012~2022年年均增速为1.83%，呈现明显的阶段性特征. 在第2阶段中国能源消费碳排放快速增长主要是受工业化和城镇化加快推进等因素影响.
（2）利用岭回归分析方法确定了影响中国能源消费碳排放的7个关键因素，包括人口、人均GDP、能源强度、二产比例、化石能源比例、电气化率和城镇化率，建立了STIRPAT扩展模型来分析各个因素对碳排放的影响. 人口、城镇化率、二产比例、人均GDP和电气化率等5个因素是拉动中国能源消费碳排放增长的主要因素，影响程度依次降低；化石能源比例和能源强度等2个因素是抑制中国能源消费碳排放增长的主要因素，其中化石能源比例贡献最大，能源强度贡献较小.
（3）基于构建的STIRPAT扩展模型，设定基准、低碳和高碳等3个情景，预测2023~2035年中国能源消费碳排放达峰时间及峰值. 2035年之前中国能源消费碳排放总体上呈现缓慢增长并逐步实现达峰的过程. 基准情景下，预计中国能源消费碳排放将于2030年达峰，峰值为120.4亿t；低碳情景下，预计在2028年达峰，峰值为116.6亿t；高碳情景下，预计在2032年达峰，峰值为127.5亿t.
（4）若要确保在2030年之前实现碳达峰目标，中国需要在加快能源结构调整、提升电气化水平、优化产业结构和提升能源利用效率等方面采取更大力度，碳排放达峰时间可以提前2 a.
| [1] | 习近平. 在第七十五届联合国大会一般性辩论上的讲话[R]. 北京: 中华人民共和国国务院, 2020. |
| [2] | 中共中央, 国务院. 中共中央国务院关于完整准确全面贯彻新发展理念做好碳达峰碳中和工作的意见[EB/OL]. https://www.gov.cn/zhengce/2021-10/24/content_5644613.htm, 2021-10-24. |
| [3] | 国务院. 2030年前碳达峰行动方案[EB/OL]. https://www.gov.cn/zhengce/content/2021-10/26/content_5644984.htm, 2021-10-26. |
| [4] |
舒印彪, 张丽英, 张运洲, 等. 我国电力碳达峰、碳中和路径研究[J]. 中国工程科学, 2021, 23(6): 1-14. Shu Y B, Zhang L Y, Zhang Y Z, et al. Carbon peak and carbon neutrality path for China's power industry[J]. Strategic Study of CAE, 2021, 23(6): 1-14. |
| [5] |
严刚, 郑逸璇, 王雪松, 等. 基于重点行业/领域的我国碳排放达峰路径研究[J]. 环境科学研究, 2022, 35(2): 309-319. Yan G, Zheng Y X, Wang X S, et al. Pathway for carbon dioxide peaking in China based on sectoral analysis[J]. Research of Environmental Sciences, 2022, 35(2): 309-319. |
| [6] |
王正, 樊杰. 能源消费碳排放的影响因素特征及研究展望[J]. 地理研究, 2022, 41(10): 2587-2599. Wang Z, Fan J. The characteristics and prospect of influencing factors of energy-related carbon emissions: based on literature review[J]. Geographical Research, 2022, 41(10): 2587-2599. DOI:10.11821/dlyj020210715 |
| [7] |
戴小文, 何艳秋, 钟秋波. 基于扩展的Kaya恒等式的中国农业碳排放驱动因素分析[J]. 中国科学院大学学报, 2015, 32(6): 751-759. Dai X W, He Y Q, Zhong Q B. Analysis of CO2 emission driving factors in China's agriculture based on expanded Kaya identity[J]. Journal of University of Chinese Academy of Sciences, 2015, 32(6): 751-759. |
| [8] |
郭朝先. 中国二氧化碳排放增长因素分析——基于SDA分解技术[J]. 中国工业经济, 2010(12): 47-56. Guo C X. An analysis of the increase of CO2 emission in China—Based on SDA technique[J]. China Industrial Economics, 2010(12): 47-56. |
| [9] |
林伯强, 吴微. 全球能源效率的演变与启示——基于全球投入产出数据的SDA分解与实证研究[J]. 经济学(季刊), 2020, 19(2): 663-684. Lin B Q, Wu W. The implication of global energy efficiency evolution—SDA and empirical study based on global input-output data[J]. China Economic Quarterly, 2020, 19(2): 663-684. |
| [10] |
朱汶郡, 彭欣怡, 陈歆. 基于SDA和SPA的山东省能源消费碳排放变化的动因分析[J]. 环境生态学, 2023, 5(9): 117-124. Zhu W J, Peng X Y, Chen X. Analysis of impact factors on carbon emission change of energy consumption in Shandong Province based on SDA and SPA[J]. Environmental Ecology, 2023, 5(9): 117-124. |
| [11] |
臧萌萌, 吴娟. 碳排放影响因素解析——基于改进的拉氏指数分解模型[J]. 科技管理研究, 2021, 41(6): 179-184. Zang M M, Wu J. Decomposition of carbon emissions influence factors: based on improved Laspeyres decomposition model[J]. Science and Technology Management Research, 2021, 41(6): 179-18. DOI:10.3969/j.issn.1000-7695.2021.06.024 |
| [12] |
朱勤, 彭希哲, 陆志明, 等. 中国能源消费碳排放变化的因素分解及实证分析[J]. 资源科学, 2009, 31(12): 2072-2079. Zhu Q, Peng X Z, Lu Z M, et al. Factors decomposition and empirical analysis of variations in energy carbon emission in China[J]. Resources Science, 2009, 31(12): 2072-2079. |
| [13] |
邵帅, 张曦, 赵兴荣. 中国制造业碳排放的经验分解与达峰路径——广义迪氏指数分解和动态情景分析[J]. 中国工业经济, 2017(3): 44-63. Shao S, Zhang X, Zhao X R. Empirical decomposition and peaking pathway of carbon dioxide emissions of China's manufacturing sector—Generalized Divisia Index Method and dynamic scenario analysis[J]. China Industrial Economics, 2017(3): 44-63. |
| [14] |
王永刚, 王旭, 孙长虹, 等. IPAT及其扩展模型的应用研究进展[J]. 应用生态学报, 2015, 26(3): 949-957. Wang Y G, Wang X, Sun C H, et al. Research progress on the application of IPAT model and its variants[J]. Chinese Journal of Applied Ecology, 2015, 26(3): 949-957. |
| [15] |
宋府霖, 韩传峰, 滕敏敏. 长三角地区能源消费碳排放驱动因素分析及优化策略[J]. 生态经济, 2022, 38(4): 21-28. Song F L, Han C F, Teng M M. Analysis of driving factors and optimization strategies of energy consumption carbon emissions in the Yangtze River Delta[J]. Ecological Economy, 2022, 38(4): 21-28. |
| [16] |
赵慈, 宋晓聪, 刘晓宇, 等. 基于STIRPAT模型的浙江省碳排放峰值预测分析[J]. 生态经济, 2022, 38(6): 29-34. Zhao C, Song X C, Liu X Y, et al. Prediction and analysis of peak carbon emissions in Zhejiang province based on STIRPAT model[J]. Ecological Economy, 2022, 38(6): 29-34. |
| [17] |
潘崇超, 王博文, 侯孝旺, 等. 基于LMDI-STIRPAT模型的中国钢铁行业碳达峰路径研究[J]. 工程科学学报, 2023, 45(6): 1034-1044. Pan C C, Wang B W, Hou X W, et al. Carbon peak path of the Chinese iron and steel industry based on the LMDI-STIRPAT model[J]. Chinese Journal of Engineering, 2023, 45(6): 1034-1044. |
| [18] |
张江艳. 基于扩展STIRPAT模型LMDI分解的碳排放脱钩因素[J]. 环境科学, 2024, 45(4): 1888-1897. Zhang J Y. Research on carbon emission decoupling factors based on STIRPAT model and LMDI decomposition[J]. Environmental Science, 2024, 45(4): 1888-1897. |
| [19] |
王宁, 韩澄宇, 张扬, 等. 基于门限-STIRPAT扩展模型的区域碳排放达峰研究——以华东地区为例[J]. 环境工程, 2024, 42(5): 154-162. Wang N, Han C Y, Zhang Y, et al. Regional carbon emission peaking based on threshold-STIRPAT extension model: a case study on East China[J]. Environmental Engineering, 2024, 42(5): 154-162. |
| [20] |
任宏洋, 杜若岚, 谢贵林, 等. 中国碳排放影响因素及识别方法研究现状[J]. 环境工程, 2023, 41(10): 195-203, 244. Ren H Y, Du R L, Xie G L, et al. Research status of influencing factors and identification methods of carbon emissions in China[J]. Environmental Engineering, 2023, 41(10): 195-203, 244. |
| [21] |
张中华, 赵玉焕, Su B, 等. 能源需求与碳排放驱动因素分解模型发展评述[J]. 生态经济, 2019, 35(4): 13-19, 38. Zhang Z H, Zhao Y H, Su B, et al. Review on the decomposition analysis of driving factors applied to energy demand and carbon emission[J]. Ecological Economy, 2019, 35(4): 13-19, 38. |
| [22] |
吴雅珍, 马啸天, 吴凯, 等. 经济增长与结构变化对亚洲国家碳排放与空气污染物排放的影响——基于KAYA、LMDI与SDA分解的驱动力分析[J]. 生态经济, 2023, 39(12): 191-205. Wu Y Z, Ma X T, Wu K, et al. Impact of economic growth and structural change on carbon and air pollutant emissions in Asian countries: analysis on driving force based on KAYA, LMDI, and SDA decomposition method[J]. Ecological Economy, 2023, 39(12): 191-205. |
| [23] |
连艳琼, 苏墩煌, 施生旭. 基于STIRPAT和CNN-LSTM组合模型的福建省碳达峰预测[J]. 环境科学, 2025, 46(1): 10-18. Lian Y Q, Su D H, Shi S X. Carbon peak prediction in Fujian province based on combined STIRPAT and CNN-LSTM models[J]. Environmental Science, 2025, 46(1): 10-18. |
| [24] | Ehrlich P R, Holdren J P. Impact of population growth: complacency concerning this component of man's predicament is unjustified and counterproductive[J]. Science, 1971, 171(3977): 1212-1217. DOI:10.1126/science.171.3977.1212 |
| [25] | Dietz T, Rosa E A. Effects of population and affluence on CO2 emissions[J]. Proceedings of the National Academy of Sciences of the United States of America, 1997, 94(1): 175-179. |
| [26] | York R, Rosa E A, Dietz T. STIRPAT, IPAT and ImPACT: analytic tools for unpacking the driving forces of environmental impacts[J]. Ecological Economics, 2003, 46(3): 351-365. DOI:10.1016/S0921-8009(03)00188-5 |
| [27] |
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. Huang R, Wang Z. Influencing factors of carbon emissions from energy consumptions in Chongqing based on STIRPAT model[J]. Acta Scientiae Circumstantiae, 2013, 33(2): 602-608. |
| [28] |
康利改, 曹紫霖, 刘伟, 等. 基于STIRPAT模型的京津冀"碳达峰"预测研究[J]. 河北科技大学学报, 2023, 44(4): 421-430. Kang L G, Cao Z L, Liu W, et al. Prediction of carbon peak in Beijing-Tianjin-Hebei region based on STIRPAT model[J]. Journal of Hebei University of Science and Technology, 2023, 44(4): 421-430. |
| [29] |
曾炜, 方泽慧, 张燕华. 湖北省碳达峰情景预测: 基于STIRPAT扩展模型[J]. 环境科学与技术, 2023, 46(S2): 226-232. Zeng W, Fang Z H, Zhang Y H. Scenario forecast of carbon peaking in Hubei province based on STIRPAT extended model[J]. Environmental Science & Technology, 2023, 46(S2): 226-232. |
| [30] |
梁毅, 高子涵, 徐晓东, 等. 河北省碳排放驱动因素分析及碳减排路径研究[J]. 华北理工大学学报(社会科学版), 2024, 24(2): 45-53. Liang Y, Gao Z H, Xu X D, et al. Analysis of driving factors of carbon emission and study of carbon emission reduction path in Hebei province[J]. Journal of North China University of Science and Technology (Social Science Edition), 2024, 24(2): 45-53. |
| [31] |
刘浩东, 邱微, 陈爽. 黑龙江省能源碳排放核算及驱动因素分析[J]. 中国环境科学, 2024, 44(7): 4117-4126. Liu H D, Qiu W, Chen S. Accounting and driving factors analysis of energy carbon emissions in Heilongjiang province[J]. China Environmental Science, 2024, 44(7): 4117-4126. |
| [32] | Su K, Wei D Z, Lin W X. Influencing factors and spatial patterns of energy-related carbon emissions at the city-scale in Fujian province, Southeastern China[J]. Journal of Cleaner Production, 2020, 244. DOI:10.1016/j.jclepro.2019.118840 |
| [33] |
黄威翔, 高川作, 吴波, 等. 基于STIRPAT模型的广西碳达峰路径[J]. 环境科学, 2025, 46(2): 682-695. Huang W X, Gao C Z, Wu B, et al. Development path of Guangxi to reach the carbon emission peak based on STIRPAT Model[J]. Environmental Science, 2025, 46(2): 682-695. |
| [34] |
王火根, 汪钰婷, 肖丽香. 基于IO-SDA法的2020-2060年中国行业二氧化碳排放预测与分析[J]. 中国环境科学, 2024, 44(3): 1743-1755. Wang H G, Wang Y T, Xiao L X. Forecast and analysis of China's industrial carbon dioxide emissions from 2020 to 2060 based on the IO-SDA method[J]. China Environmental Science, 2024, 44(3): 1743-1755. |
| [35] |
朱佩誉. 中国碳排放驱动因素及减排路径研究[D]. 北京: 中国矿业大学(北京), 2021. Zhu P Y. The study on the driving factors of carbon emission and the path of emission reduction in China[D]. Beijing: China University of Mining & Technology-Beijing, 2021. |
| [36] |
李国柱, 黄巧慧. 基于Lasso-GRNN神经网络模型的京津冀碳达峰情景预测[J]. 环境科学, 2025, 46(2): 636-646. Li G Z, Huang Q H. Prediction of carbon peak in Beijing-Tianjin-Hebei region based on Lasso-GRNN neural network model[J]. Environmental Science, 2025, 46(2): 636-646. |
| [37] |
吉兴全, 赵国航, 于一潇, 等. 基于4E平衡的碳排放因素分解与峰值预测方法[J]. 高电压技术, 2022, 48(7): 2483-2494. Ji X Q, Zhao G H, Yu Y X, et al. Carbon emission peak prediction and factor decompose method based on 4E equilibrium[J]. High Voltage Engineering, 2022, 48(7): 2483-2494. |
| [38] |
王雪亭, 郑非凡, 许野, 等. 双碳目标背景下宁夏地区碳达峰预测[J]. 中国环境科学, 2023, 43(S1): 347-356. Wang X T, Zheng F F, Xu Y, et al. Carbon peak prediction in Ningxia under the dual carbon background[J]. China Environmental Science, 2023, 43(S1): 347-356. |
| [39] |
杨冕, 徐江川, 杨福霞. 能源价格、资本能效与中国工业部门碳达峰路径[J]. 经济研究, 2022, 57(12): 69-86. Yang M, Xu J C, Yang F X. Energy price, energy efficiency of capital and the path of carbon peak in China's industrial Sector[J]. Economic Research Journal, 2022, 57(12): 69-86. |
| [40] |
张攀路, 都沁军. 京津冀地区碳排放影响因素研究——基于扩展STIRPAT模型[J]. 国土资源科技管理, 2022, 39(3): 14-23. Zhang P L, Du Q J. On influencing factors of carbon emissions in Beijing-Tianjin-Hebei region: based on the Extended STIRPAT Model[J]. Scientific and Technological Management of Land and Resources, 2022, 39(3): 14-23. |
| [41] |
王国刚. 城镇化: 中国经济发展方式转变的重心所在[J]. 经济研究, 2010, 45(12): 70-81, 148. Wang G G. Urbanization: core of China economic development mode transition[J]. Economic Research Journal, 2010, 45(12): 70-81, 148. |
| [42] |
舒印彪. 再电气化导论[M]. 北京: 中国科学技术出版社, 2023. Shu Y B. Introduction to re-electrification[M]. Beijing: Science and Technology of China Press, 2023. |
| [43] | 政府间气候变化专门委员会. 2006年IPCC国家温室气体清单指南[R]. 神奈川: 全球环境战略研究所, 2006. |
| [44] |
林乐义. 岭回归在消除多重共线性中的应用[J]. 辽东学院学报(自然科学版), 2020, 27(4): 274-278. Lin L Y. Application of Ridge Regression in eliminating multicollinearity[J]. Journal of Eastern Liaoning University (Natural Science Edition), 2020, 27(4): 274-278. |
| [45] | 新华社. 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[EB/OL]. https://www.gov.cn/xinwen/2021-03/13/content_5592681.htm, 2021-03-13. |
| [46] | 国务院. "十四五"节能减排综合工作方案[EB/OL]. https://www.gov.cn/zhengce/content/2022-01/24/content_5670202.htm, 2022-01-24. |
| [47] | 国家发展改革委. "十四五"现代能源体系规划[EB/OL]. https://www.gov.cn/zhengce/zhengceku/2022-03/23/5680759/files/ccc7dffca8f24880a80af12755558f4a.pdf, 2022-03-23. |
| [48] | 国务院. 深入实施以人为本的新型城镇化战略五年行动计划[EB/OL]. https://www.gov.cn/zhengce/content/202407/content_6965542.htm, 2024-07-31. |
| [49] |
茅倬彦, 莫华归. 中国人口惯性的历史演进与城乡差异[J]. 中国人口科学, 2024, 38(1): 83-97. Mao Z Y, Mo H G. The dynamics of China's population momentum and its urban-rural differences[J]. Chinese Journal of Population Science, 2024, 38(1): 83-97. |
| [50] |
刘伟, 陈彦斌. 中国经济增长与高质量发展: 2020-2035[J]. 中国经济学人, 2021, 16(1): 2-17. Liu W, Chen Y B. China's economic growth and high-quality development: 2020-2035[J]. China Economist, 2021, 16(1): 2-17. |
| [51] |
蔡昉, 李雪松, 陆旸. 中国经济将回归怎样的常态[J]. 中共中央党校(国家行政学院)学报, 2023, 27(1): 5-12. Cai F, Li X S, Lu Y. How will China's economy return to normal?[J]. Journal of the CCPS (CAG), 2023, 27(1): 5-12. |
| [52] | 赵辰昕. 更高水平更高质量做好节能降碳工作[N]. 人民日报, 2024-05-14(15). |
| [53] |
杜祥琬, 杨波, 刘晓龙, 等. 中国经济发展与能源消费及碳排放解耦分析[J]. 中国人口·资源与环境, 2015, 25(12): 1-7. Du X W, Yang B, Liu X L, et al. Decoupling analysis of China's economic development, energy consumption and carbon dioxide emission[J]. China Population, Resources and Environment, 2015, 25(12): 1-7. |
| [54] |
蔡博峰, 曹丽斌, 雷宇, 等. 中国碳中和目标下的二氧化碳排放路径[J]. 中国人口·资源与环境, 2021, 31(1): 7-14. Cai B F, Cao L B, Lei Y, et al. China's carbon emission pathway under the carbon neutrality target[J]. China Population, Resources and Environment, 2021, 31(1): 7-14. |
| [55] |
陈喜阳, 周程, 王田. 多情景视角下中国能源消费和碳达峰路径[J]. 环境科学, 2023, 44(10): 5464-5477. Chen X Y, Zhou C, Wang T. China's energy consumption and carbon peak path under different scenarios[J]. Environmental Science, 2023, 44(10): 5464-5477. |
| [56] |
杜焱, 胡鑫杨. 我国2030年实现碳达峰路径研究——基于经济、能源、碳排放系统的SD模型[J]. 资源与产业, 2022, 24(5): 19-28. Du Y, Hu X Y. An approach China's 2030 carbon peak based on SD model on economy, energy and carbon emission system[J]. Resources & Industries, 2022, 24(5): 19-28. |
| [57] |
张希良, 黄晓丹, 张达, 等. 碳中和目标下的能源经济转型路径与政策研究[J]. 管理世界, 2022, 38(1): 35-51. Zhang X L, Huang X D, Zhang D, et al. Research on the pathway and policies for China's energy and economy transformation toward carbon neutrality[J]. Journal of Management World, 2022, 38(1): 35-51. |
| [58] |
魏一鸣, 余碧莹, 唐葆君, 等. 中国碳达峰碳中和时间表与路线图研究[J]. 北京理工大学学报(社会科学版), 2022, 24(4): 13-26. Wei Y M, Yu B Y, Tang B J, et al. Roadmap for achieving China's carbon peak and carbon neutrality pathway[J]. Journal of Beijing Institute of Technology (Social Sciences Edition), 2022, 24(4): 13-26. |