2025, Vol. 46
随着全球经济的不断发展, 能源、环境气候变化面临日益严峻的挑战, 中国作为能源消费和碳排放大国, 存在碳排放总量大、能源需求高和能源转型难等问题亟待解决. 2020年9月, 中国在联合国大会上宣布了2030年前实现碳达峰和2060年前实现碳中和的目标, 积极制定和实施一系列应对气候变化战略, 加快构建“双碳”政策体系. 2021年9月22日, 党中央、国务院发布了《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》等系列政策[1], 明确了我国双碳行动的顶层设计, 我国“十四五”规划和2035年远景目标纲要突出强调“推进能源革命, 建设清洁低碳、安全高效的能源体系”的重要性.然而, 我国以煤炭为主的能源结构在现阶段仍然难以改变, 2022年全国能源消费54.1亿t标准煤, 煤炭消费量占总量的56.2%, 而天然气和水力、核电等清洁能源占比仅25.9%[2].
面对前所未有的减排压力和经济转型压力, 在国家总体部署的顶层设计下, 各地政府需要精准把握自身发展地位, 结合地区经济发展实际和资源环境禀赋, 梯次有序地推进“双碳”目标, 因此, 探究省级政府如何实现碳达峰和碳中和目标具有重要的现实意义.福建省作为全国首批生态文明示范区, 连续42 a保持森林覆盖率全国第一, 是我国生态系统碳汇能力的重要组成部分. 2022年福建省地区生产总值为53 109.85亿元, 能源消费总量为15 634.12万t标准煤[3], 仅占全国消费总量的2.9%.福建省具备能源消费强度、碳排放量双低和非化石能源消费比例高等特征, 得天独厚的自然资源条件使得福建省有望率先实现碳达峰, 为全国控碳攻坚工作创造经验和提供示范.
在碳排放、碳达峰和碳中和相关研究中, 众多学者从国家[4~8]、区域[9~12]和省级[13~15]等不同维度做了大量研究, 研究内容主要集中在碳排放影响因素分析和碳排放值预测等方面.在碳排放影响因素方面, 学者从不同角度做了相应的实证研究.王正等[16]总结认为经济、人口和技术是影响碳排放的三大核心要素, 但容易受到研究空间尺度的影响而存在差异；李云燕等[17]考虑了城市的时空演变特征, 综合选取了能源消费量、产业结构、经济、人生、科技和对外贸易多维变量, 此外, 还有学者就政策影响[18]、政府干预[19]和固定资产投资[20]等维度进行探讨.需要注意的是, 不同学者在研究影响因素与碳排放的作用时, 受到社会发展阶段和时空区域的差异影响, 得出的结论不一, 有学者研究发现当对外贸易达到一定临界值, 能够对碳排放起到减缓作用[21]；也有学者认为对外贸易与我国碳排放存在倒U型关系, 既不抑制、也不促进[22].通过总结不同时期研究成果, 发现人口规模、经济发展水平、能源强度和产业结构这4个维度对碳排放的影响受到了一致的认可.在碳排放影响因素研究方法上, 学者们基于不同侧重点分别应用环境库兹涅茨曲线、IPAT方程或STIRPAT方程、Kaya恒等式与LMDI分解法等方法[23~26], 分析相关因素对碳减排的作用.其中, STIRPAT模型作为研究碳排放影响的经典理论模型, 由York等[27]在IPAT模型的基础上修正而来, 重点关注人口规模、经济社会发展和能源消耗等多种影响因素对环境的非线性变化影响, 提供了更多可能的驱动因素.
在碳排放预测模型建立方面, 有学者通过构建Kaya恒等式或IPAT模型等直接预测碳排放量, 也有学者利用神经网络模型或灰色预测模型等机器学习算法进行组合预测, 如潘思羽等[28]基于BP神经网络与STIRPAT模型的结合分析甘肃省碳排放的变化趋势及影响因素；刘淳森等[29]建立LSTM碳排放模型, 分别预测低碳、基准及高碳这3种情景下交通运输业碳排放情况；张迪等[30]通过改进的粒子群算法（IPSO）优化BP神经网络, 探究山东省碳排放动态变化情况.CNN-LSTM模型结合了卷积神经网络（CNN）在高维数据特征提取上的优势和长短时记忆网络（LSTM）处理时序数据的优点[31], 能够充分捕捉到碳排放量的时间依赖特征, 探究各个特征间的非线性关系, 这样的混合模型在预测精度上通常优于其他模型, 能够为省域碳排放预测提供可靠方法.
现有研究对碳排放影响因素研究较为丰富, 但运用的方法比较单一, 较少有将影响因素与建模过程有机结合的研究, 因此, 本文以福建省为例, 创新性地结合传统的STIRPAT模型和深度学习网络模型（CNN-LSTM）, 以STIRPAT模型选取人口数量、人均GDP和单位GDP能耗等影响碳排放的主要驱动因素, 利用1997~2021年历史数据构建CNN-LSTM模型, 在基准、低碳和优先这3种情景下预测福建省碳排放峰值和未来的能源消费碳排放量, 以期为碳减排和碳达峰提供科学合理的政策建议.
1 材料与方法 1.1 碳排放测算方法碳排放量是指伴随着能源消费而产生的二氧化碳排放量, 根据政府间气候变化专门委员会（IPCC）的地域管理范围排放核算方法, 碳排放计算采用文献[32, 33]的方法, 由能源相关的排放和工业相关的排放两部分组成.
|
(1) |
式中, CE表示CO2排放量, ADij表示按部门j划分的化石燃料i的消耗量, NCVi×CCi×Oij表示该部门燃烧的燃料排放系数, 分为净热值NCVi、燃料的碳含量CCi和部门j所使用的燃料i的氧化率Oij；工业生产过程仅考虑水泥生产, ADt, j表示水泥产量, EFt, j表示水泥排放系数.
1.2 STIRPAT模型构建随机性环境影响评价模型（STIRPAT模型）被广泛应用于碳排放预测[34], 学者们以IPAT方程为基础, 认为影响碳排放的主要因素为人口规模（P）、经济水平（A）和技术水平（T）, 从这3个方面出发构建影响环境I的公式：
|
(2) |
相比IPAT方程, STIRPAT模型不仅能够加入影响能源消耗和碳排放量的因素, 并且可以深入分析不同因素对因变量的非比例影响.本文在借鉴众多学者研究基础上[35~38], 结合福建省特点, 从影响碳排放量的社会发展状况、经济水平及直接或间接影响因素选出：人口总数、人均GDP、单位GDP能耗、非化石能源消费占比、第二产业增值比和对外贸易度这6个变量, 建立区域碳排放量STIRPAT预测模型：
|
(3) |
将公式两边取对数得到：
|
(4) |
式中, C表示福建省每年二氧化碳碳排放量（Mt）；a表示常数, P表示人口因素, 为总人口数（万人）；A表示经济发展水平, 为人均GDP（元·人-1）；T表示能源技术水平, 通过单位GDP能耗计算（以标准煤计, t·万元-1）；I表示产业结构状况, 即第二产业增加值占生产总值比例；E表示能源结构, 即非化石能源消费比例；F表示对外贸易度, 用年进出口总额与生产总值的比值计算；ε表示模型随机项；b、c、d、e、f和g分别表示各个指标的弹性系数.
1.3 基于CNN-LSTM的碳排放预测模型本文使用Tensorflow构建CNN-LSTM混合神经网络模型, 福建省碳排放数据具有空间依赖性和明显的时间依赖性.因此, 先使用CNN卷积神经网络中特有的卷积核池化操作提取特征之间的空间关系, 再添加LSTM长短时记忆模型进行时序处理, 完成多特征的时间序列数据预测.
（1）CNN卷积神经网络 CNN网络主要由输入层、隐含层和输出层组成, 其中隐含层又分为卷积层和池化层, 本文中使用二维卷积来处理高维数据, 在池化层按照最大池化降低数据维度.
（2）LSTM模型 LTSM模型基于传统的循环神经网络（RNN）优化而来, 具有很强的记忆性, 适合用来处理时序数据, 在通过CNN获取碳排放数据时间序列特征后, 能够精准地掌握碳排放量与输入数据之间的非线性关系.LSTM模型通过输入门、输出门和遗忘门以及两个基本单元：记忆细胞状态和隐藏单元来控制信息通过, 保留有用信息.网络的基本单元如图 1所示.
|
图 1 LSTM模型单元结构 Fig. 1 LSTM model cell structure |
本文建立的CNN-LSTM混合神经网络模型中, CNN网络负责提取特征, LSTM模型负责碳排放量预测, 模型的构建分为以下5步.
（1）数据准备 选择数据特征, 对数据进行标准化处理, 定义时间序列窗口, 划分训练集、测试集和验证集.
（2）CNN提取特征 通过二维卷积层Conv2D提取高维数据特征, 提取后的特征通过最大池化层的池化操作, 降低数据维度, 并保留主要的特征信息, 在使用池化层下采样时, 只在特征维度上下采样, 序列窗口保持不变.
（3）LSTM建模 将降维后的特征数据作为LSTM层输入, 训练神经网络自动学习序列特征, 通过一个全连接层输出预测结果, 并进行反归一化处理.
（4）模型训练 使用Adam算法将训练误差方向传播, 逐层逐步更新神经网络.
（5）调参评估 通过观察训练集和验证集损失评估模型, 不断调整模型参数.
CNN-LSTM预测模型运行的整个过程如图 2所示.
|
图 2 CNN-LSTM模型框架 Fig. 2 CNN-LSTM model framework |
各影响因素的原始数据来自1997~2021年《福建省统计年鉴》[39], 变量定义说明如表 1所示.在STIRPAT模型中, 对数据进行对数化处理；为了使得CNN-LSTM模型收敛得更快更稳定, 对数据进行标准化处理.
|
表 1 变量定义说明 Table 1 Description of variable definitions |
2 基于STIRPAT模型的碳排放影响因素分析
对模型中的变量取对数, 通过SPSS 25.0进行回归分析, 多元线性拟合结果R2等于0.998, 说明模型拟合效果很好, 方程的F值为1 976.868, 显著性水平小于0.001, 6个变量与碳排放量相关性高度显著, 说明所选变量是合理的.进一步检验各个变量的多重共线性关系如表 2所示, 发现部分变量的方差膨胀因子VIF数值超过了50, 模型存在多重共线性, 即用普通最小二乘法拟合出来的系数可靠性不高.
|
|
表 2 变量共线性统计 Table 2 Variable covariance statistics |
为了缓解变量之间的多重共线性干扰, 避免变量之间的相互影响, 采用岭回归方法, 基于最小二乘法, 以损失部分精度作为代价再次计算.在SPSS 25.0中调用Ridge Regression程序语法, 以上文的6个变量继续分析, 当岭参数k大于0.2, 变量的趋势逐渐趋于稳定.取k值为0.2, 代入模型继续训练得到F值为136.417 1, P值为0.000小于0.001, 说明岭回归模型具有统计学意义, 且模型调整后的R2为0.971 3, 拟合优度较好, 得到碳排放的岭回归方程, 即STIRPAT模型的线性方程表示为：
|
(5) |
从方程系数大小来看, 总人口数对福建省碳排放量的影响最大, 成正相关关系, 人口每变动1%将会导致碳排放量随之变动2.34%；人均GDP对碳排放量的影响则较小, 每变动1%带来碳排放量0.24%的变动, 但人均GDP的增加也会导致碳排放量增加.在产业结构上, 第二产业增值比每增加1%, 碳排放量会增加2.11%, 第二产业增值比反映了该产业部门对国民经济的贡献, 包括采矿业、制造业、电力及制造业等, 在总体碳排放量中始终占据较大比例, 随着我国对“碳达峰、碳中和”目标的加速推动和产业结构的不断升级, 产业增加值占GDP比例也出现了不同的变化趋势, 产业结构的变化对减排作用越来越强.
单位GDP能耗、非化石能源消费比例、对外贸易度对碳排放量的影响则为负相关, 对外贸易度对碳排放的影响较小, 每增加1%会导致碳排放量减少0.05%.单位GDP能耗自“十一五”提出后, 作为我国衡量和反映绿色发展以及能源革命进程的核心指标之一, 是区域能源利用效率的重要标志, 随着重点行业能源利用效率的大幅提升, 单位GDP能耗也随之下降, 在方程中随着单位GDP能耗每增加1%, 碳排放量会减少0.31%, 分析可能受到GDP变化的影响.非化石能源消费比例每增加1%, 碳排放量会减少0.19%, 这与我国大力发展非化石能源的政策规划相吻合, 增加非化石能源消费比例是落实碳排放政策、实现碳中和的有效途径.
3 基于CNN-LSTM模型的多情景下碳排放预测 3.1 情景分析及参数确定“情景”是对未来某种情形或能够使得事态由初始状态向未来状态发展的一系列实施的描述, 而基于“情景”的“情景分析法”通过对经济、产业或技术等演变进行假设, 从而推理和构思未来可能发生的各种方案[40].情景分析法被广泛运用于碳排放预测研究, 本文基于STIRPAT模型得出的影响因素进行量化评估, 以总人口数、人均GDP、单位GDP能耗、第二产业增值比、非化石能源消费比例和对外贸易度这6个指标构建不同情景, 展示福建省2023~2035年社会经济发展情景中可能出现的不同发展状况, 为福建省未来碳排放发展提供若干参考.
参考相关学者研究[41~43], 设置了3种发展情景：基准情景、低碳情景和优化情景.其中基准情景指的是按照福建省现有规划文件实施, 在常规情况下稳步性发展；低碳情景是指福建省采取一定的节能减排措施, 对产业和能源结构进行调整, 但民众尚未有较强的节能意识；优化情景是指福建省在现有规划下, 全面开展低碳社会建设, 调整产业结构, 大力发展清洁能源, 节约型的生活方式和消费理念深入人心.对各个情景的参数设置如表 3所示.
|
|
表 3 不同情景模式下的参数设置 Table 3 Parameter settings in different scenarios |
基于福建省历年数据和事实情况, 按照福建省“十四五”规划和2035年远景目标的要求对各个指标的变化速率进行适当调整[44], 设置不同情景下的各个变量变化率如表 4所示, 具体分析如下.
|
|
表 4 不同情景下变化率设置/% Table 4 Rate of change settings for different scenarios/% |
（1）总人口数 对比第七次全国人口普查数据（2020年）与第六次普查数据（2010年）, 近10 a来福建省常住人口年平均增加率为1.19%, 然而, 2022年末福建省常住人口数为4 188万人, 相比于2017年, 近5 a来福建省出生人口下滑51.2%, 或将进入持续的人口负增长时代.因此, 设置2023~2025年的人口增长率中速发展为1%, 2026~2030年为0.1%, 2031~2035年为-1%, 低速和高速分别在中速上下浮动0.3%.
（2）人均GDP 福建省2022年全年人均地区生产总值为126 829元, 比上年增长4.3%, 2013~2021年期间全省人均地区生产总值增率年均7.0%, 增幅比全国平均水平高0.9%, 全省经济运行呈现平稳增长态势, 根据“十四五”规划要求全省人均地生产总值年均增长5.4%, 设置2023~2025年的人均GDP增长中速发展为7.4%, 低速发展为6.9%, 高速发展为7.9%, 之后每5 a下降1%.
（3）单位GDP能耗 国务院《2030年前碳达峰行动方案》《“十四五”节能减排综合工作方案》中要求2025年单位GDP能耗比2020年下降13.5%, 福建省按照全国下达指标控制单位GDP能耗下降幅度, 设定2023~2025年单位GDP能耗中速为每年下降2.7%, 低速下降2.47%, 高速下降2.93%, 之后每5 a下降1%.
（4）第二产业增值比 作为制造业大省, 福建省长期以第二产业为主导, 随着三次产业结构持续优化, 第二产业占比逐渐降低, “十三五”期间福建省第二产业占比年均下降率为1.33%, 产业结构还有较大的升级空间, 参考相关研究[45], 假设第二产业增值比每年低速下降0.93%, 中速下降1.33%, 高速下降1.73%, 之后每5a下降0.2%.
（5）非化石能源消费比例 福建省的非化石能源消费量占比高出全国平均水平7.5%, 2021年非化石能源占比为24.5%, 要达成省“十四五”规划中27.4%的目标需要每年以最低0.73%的速度增长, 增长速度领先于全国平均水平.但非化石能源消费比例受到科学技术水平、非化石资源条件等因素的限制, 不可能无限增长, 会呈现“快速增长后缓慢增长”趋势[46], 因此, 令2023~2025年中速为每年增长0.73%, 低速增长0.64%, 高速增长0.82%, 之后每5 a下降0.1%.
（6）对外贸易度 福建省具有民营经济比例大、侨胞数量多的特色优势, 长期以来, 福建省对外贸易保持稳定增长, 积极拓展“一带一路”和新兴市场, 随着新一轮稳外资政策的落地见效, 预计“十四五”期间达成年均5%的货物进出口增长率, 令进出口总额2023~2025年以高速7%增长, 中速以5%增长, 低速以3%增长, 之后每5 a下降0.5%, 依次估算出对外贸易度的增长情况.
3.2 预测模型调试及精度评价选择平均绝对百分比误差（mean absolute percentage error）来检验CNN-LSTM模型的预测精度, MAPE的值代表误差程度, 对每个预测值的误差进行归一化, 降低量纲带来的影响, MAPE值越小, 精确程度越高, 令预测值为
|
(6) |
在CNN-LSTM预测模型训练中, 共有1997~2021年25条数据, 包含7个特征, 将数据转化为LSTM模型的输入格式（samples, timesteps, features）, 由于本文使用的是二维卷积, 需要在数据中添加通道维度, 在进入LSTM层之前再将融合通道信息.设置Adam优化器学习率为0.001, 迭代次数为300, 从数据集中选取80%的数据用于训练, 剩下20%分别用来验证和测试, 将模型预测值和真实值之间的平均绝对误差作为损失函数, 对数均方误差作为监控指标, 每次迭代包含的损失信息和指标信息可视化如图 3和图 4所示, 最终模型的平均绝对百分比误差为0.033 9, 预测精度较高.
|
图 3 平均绝对误差迭代结果 Fig. 3 Iterative results of mean absolute error |
|
图 4 对数均方误差迭代结果 Fig. 4 Iterative results of log mean square error |
依据上述情景设定, 在CNN-LSTM模型的预测下, 分别得到福建省不同情景下的碳排放量, 如图 5所示.
|
图 5 不同情景下福建省碳排放预测趋势 Fig. 5 Projected trend of carbon emissions in Fujian Province under different scenarios |
根据预测结果可知, 不同情境下的福建省碳排放峰值和时间都有所区别, 但整体趋势存在一定的共性, 阶段性特征明显：在2020~2025年呈现碳排放下降趋势, 2025~2031年呈上升趋势, 在2031后进入平缓状态.观察“十二五”和“十三五”时期的碳排放量变化规律可以发现, 规划初期, 政策实施力度较强, 碳排放值呈现明显的先下降后回升的趋势, “十四五”时期延续了这个规律, 这也与当前时期福建省严格控制化石能源消费有关.“十五五”时期面对更紧促的减排压力, 在采取更多减排措施同时, 还需兼顾本地区社会经济发展, 碳排放量以明显的“倒U型”态势发展.
在基准情景下, 福建省将在2033年达到碳达峰目标, 达峰值为361.107 9 Mt, 是2020年的1.28倍, 虽然达峰时间比起目标要晚3年, 但预测的达峰值较为可观, 这与福建省绿色发展动力强劲, 长期坚持减污降碳工作现状相吻合.低碳情景下, 控制除人口以外的碳排放的影响因素都比基准情景发展更优, 达峰时间提早一年, 在2032年达峰值为333.028 4 Mt, 比起基准情景要低8.43%, 这意味着福建省在人口稳定增长的现状下, 除了现有的政策规划, 还需进一步优化调整相应的减排政策, 健全绿色低碳循环发展经济体系, 才有可能缩短达峰时间.优化情景在低碳情景的基础上, 人口增长速度减缓, 强调对第二产业的结构优化和非化石能源消费比例的突破, 碳排放量峰值时间和低碳情景相同.对比低碳和优化情景, 经济同样以中速发展, 但优化情景的达峰量减少至301.748 3 Mt, 比起低碳情景下降10.37%, 说明在面对经济高质量发展与碳减排的矛盾时, 从调整能源结构和优化产业结构入手, 能够显著地降低碳排放量, 打破经济增长与碳排放之间的耦合关系.
在碳达峰3种发展情景中, 福建省理论上优先选择低碳情景, 在达峰时间上具有一定优势, 且减排潜力较大, 有望提早碳达峰时间；而在优化情景下, 产业结构加速转型升级, 能源消费日益清洁, 有益于实现经济与环境双赢, 更符合我国建设“资源节约型”社会的要求.因此, 福建省要充分利用生态省战略优势, 力争向优化情景靠拢, 探索绿色经济发展福建模式.
3.4 政策启示（1）提升非化石能源消费比例, 深入推进能源领域碳减排.第一, 充分发挥政府在构建清洁低碳、安全高效能源体系上的干预引导作用, 加快调整一次能源结构, 提高非化石能源消费比例和能源利用效率, 严格控制煤炭消费增长, 实施清洁能源替代燃煤供热.第二, 以科技创新为动力, 破解绿色发展难题, 加大对攻关绿色低碳技术研发投入, 突破能源种类和相关产业壁垒, 引导产业加快高耗能设备升级换代.第三, 大力发展循环经济, 推进再生资源循环利用, 完善废旧物资循环利用发展模式, 严格把控前端生产环节和后端循环利用环节, 形成全过程的碳减排流程.
（2）优化产业结构顶层设计, 加快产业绿色转型.第一, 对福建省做好产业布局源头调控, 将逐步降低第二产业比例作为产业结构调整的重点, 集中优势资源加快发展战略性新兴产业, 促进产业结构低碳化.第二, 利用行政手段宏观调控约束企业的生产和排放行为, 改造高耗能、低产出的传统企业, 培育发展新型产业, 提升低耗能低排放行业的比例, 推动新能源产业和传统能源产业合作发展.第三, 立足新一轮科技革命和产业变革, 推动新兴产业数字化发展, 利用5G技术、人工智能和互联网等信息技术与制造业深度融合, 促进传统产业智能绿色发展.
（3）完善绿色能源消费制度体系, 全面推进绿色低碳发展.第一, 充分发挥市场机制在推动地区减碳治污的积极作用, 推动碳资源配置优化, 带动绿色技术创新和产业投资, 以成本效益最优的方式实现碳排放权交易市场和电力市场协调发展.第二, 强化和完善能耗强度和总量双控制度, 加速淘汰高耗能、高排放落后产能, 合理控制能源消费总量, 结合地方实际差别化分解单位GDP能耗降低目标.第三, 深入开展绿色低碳社会行动示范创建活动, 倡导绿色低碳生活, 培养社会公众绿色环保意识, 缓解人口规模对生态环境的压力.
本文结合福建省实际情况, 利用STIRPAT和CNN-LSTM组合模型, 综合考虑人口、经济、能源、产业和对外贸易等因素的综合影响, 预测不同情景下的福建省碳达峰值, 丰富了区域碳排放与影响因素之间的内在关联机制, 在预测精度和结果解释性上有较大的提升, 对完善福建省碳减排政策实施提供了一定的思路和启示.但由于碳排放数据及相关指标量测算基本以年度数据呈现, 时间序列数据量较少, 导致本文在数据质量、预测精度还有待改善之处, 未来可以考虑选取更多元化的指标维度, 并引进多种机器学习模型对比其预测效果.此外, 在情景分析参数设置上虽然参考了较多资料, 但设定的情景较少, 未来可以根据区域政策的变化构建更多可能存在的情景.
4 结论（1）福建省自1997~2021年碳排放整体呈波动上升趋势, 总人口数、人均GDP和第二产业增值比对福建省碳排放增加起促进作用, 单位GDP能耗、非化石能源消费比例、对外贸易度抑制碳排放量增加.从系数的绝对值大小来看, 人口规模和第二产业增值比对福建省碳排放影响作用最强, 影响系数分别为：2.336 2和2.107 6；从对碳排放的促进抑制作用来看, 每增加1%非化石能源消费比例会减少0.19%的碳排放量, 每降低1%第二产业增值比, 能够减少2.11%的碳排放量.
（2）CNN-LSTM预测模型平均绝对百分比误差为0.033 9, 预测效果较好.福建省基准情景、低碳情景和优化情景分别于2033年、2032年和2032年达到碳达峰, 达峰值为361.107 9 Mt、333.028 4 Mt和301.748 3 Mt, 福建省应以基准情景作为发展下限, 在低碳情景下调整第二产业占比, 增加非化石能源消费比例, 才有望实现2030年前达峰目标.
（3）从达峰时间来看, 在整体减排政策的约束下, 人均GDP和单位GDP能耗等多种因素的共同作用可以提前达峰时间, 有利于福建省于2030前实现碳达峰目标；从峰值可控性来看, 调整产业和能源结构能够控制福建省碳排放峰值降低10.37%, 有利于破解经济发展与碳排放的矛盾, 达成“双碳”目标和经济稳步增长的有效平衡.
| [1] | 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[N]. 人民日报, 2021-10-25(001). |
| [2] | 国家统计局. 中华人民共和国2022年国民经济和社会发展统计公报[N]. 中国信息报, 2023-03-01(001). |
| [3] | 福建省统计局, 国家统计局福建调查总队. 2022年福建省国民经济和社会发展统计公报[N]. 福建日报, 2023-03-17(004). |
| [4] |
赵晓春, 吴子珺, 孙群, 等. 双碳目标下的中国碳排放政策评价[J]. 统计与决策, 2023, 39(2): 167-172. Zhao X C, Wu Z J, Sun Q, et al. Evaluation of China's carbon emission policy under goal of carbon peaking and carbon neutrality[J]. Statistics & Decision, 2023, 39(2): 167-172. |
| [5] |
王利兵, 张赟. 中国能源碳排放因素分解与情景预测[J]. 电力建设, 2021, 42(9): 1-9. Wang L B, Zhang Y. Factors decomposition and scenario prediction of energy-related CO2 emissions in China[J]. Electric Power Construction, 2021, 42(9): 1-9. |
| [6] |
刘传明, 孙喆, 张瑾. 中国碳排放权交易试点的碳减排政策效应研究[J]. 中国人口·资源与环境, 2019, 29(11): 49-58. Liu C M, Sun Z, Zhang J. Research on the effect of carbon emission reduction policy in China's carbon emissions trading pilot[J]. China Population, Resources and Environment, 2019, 29(11): 49-58. |
| [7] |
王勇, 王颖. 中国实现碳减排双控目标的可行性及最优路径——能源结构优化的视角[J]. 中国环境科学, 2019, 39(10): 4444-4455. Wang Y, Wang Y. Feasibility and optimal pathway of China's double targets for carbon reduction——The perspective of energy structure optimization[J]. China Environmental Science, 2019, 39(10): 4444-4455. DOI:10.3969/j.issn.1000-6923.2019.10.050 |
| [8] | Wang H K, Lu X, Deng Y, et al. China's CO2 peak before 2030 implied from characteristics and growth of cities[J]. Nature Sustainability, 2019, 2(8): 748-754. DOI:10.1038/s41893-019-0339-6 |
| [9] |
陈亮, 张楠, 王一帆, 等. 京津冀地区碳排放强度变化驱动因素及归因分析[J]. 中国环境科学, 2023, 43(8): 4382-4394. Chen L, Zhang N, Wang Y F, et al. Driving factors and attribution analysis of carbon emission intensity change in Beijing-Tianjin-Hebei region[J]. China Environmental Science, 2023, 43(8): 4382-4394. |
| [10] |
韩楠, 罗新宇. 多情景视角下京津冀碳排放达峰预测与减排潜力[J]. 自然资源学报, 2022, 37(5): 1277-1288. Han N, Luo X Y. Carbon emission peak prediction and reduction potential in Beijing-Tianjin-Hebei region from the perspective of multiple scenarios[J]. Journal of Natural Resources, 2022, 37(5): 1277-1288. |
| [11] |
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. |
| [12] |
莫惠斌, 王少剑. 黄河流域县域碳排放的时空格局演变及空间效应机制[J]. 地理科学, 2021, 41(8): 1324-1335. Mo H B, Wang S J. Spatio-temporal evolution and spatial effect mechanism of carbon emission at county level in the Yellow River Basin[J]. Scientia Geographica Sinica, 2021, 41(8): 1324-1335. |
| [13] |
张圆圆, 陈方媛, 许翔, 等. 基于县域尺度的福建省土地利用碳排放效应分析[J]. 环境科学研究, 2023, 36(7): 1446-1456. Zhang Y Y, Chen F Y, Xu X, et al. Investigation on county-scale carbon emission effect of land use in Fujian Province[J]. Research of Environmental Sciences, 2023, 36(7): 1446-1456. |
| [14] |
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. |
| [15] |
马晓君, 董碧滢, 于渊博, 等. 东北三省能源消费碳排放测度及影响因素[J]. 中国环境科学, 2018, 38(8): 3170-3179. Ma X J, Dong B Y, Yu Y B, et al. Measurement of carbon emissions from energy consumption in three Northeastern provinces and its driving factors[J]. China Environmental Science, 2018, 38(8): 3170-3179. |
| [16] |
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. |
| [17] |
李云燕, 张硕. 中国城市碳排放强度时空演变与影响因素的时空异质性[J]. 中国环境科学, 2023, 43(6): 3244-3254. Li Y Y, Zhang S. Spatio-temporal evolution of urban carbon emission intensity and spatiotemporal heterogeneity of influencing factors in China[J]. China Environmental Science, 2023, 43(6): 3244-3254. |
| [18] |
郭沛, 梁栋. 低碳试点政策是否提高了城市碳排放效率——基于低碳试点城市的准自然实验研究[J]. 自然资源学报, 2022, 37(7): 1876-1892. Guo P, Liang D. Does the low-carbon pilot policy improve the efficiency of urban carbon emissions: quasi-natural experimental research based on low-carbon pilot cities[J]. Journal of Natural Resources, 2022, 37(7): 1876-1892. |
| [19] |
王韶华, 赵暘春, 张伟, 等. 京津冀碳排放的影响因素分析及达峰情景预测——基于供给侧改革视角[J]. 北京理工大学学报(社会科学版), 2022, 24(6): 54-66. Wang S H, Zhao Y C, Zhang W, et al. Analysis on influencing factors of carbon emission and scenario forecast of carbon peak in Beijing-Tianjin-Hebei—A perspective of supply-side reform[J]. Journal of Beijing Institute of Technology (Social Sciences Edition), 2022, 24(6): 54-66. |
| [20] |
刘元欣, 邓欣蕊. 我国碳排放影响因素的实证研究——基于固定效应面板分位数回归模型[J]. 山西大学学报(哲学社会科学版), 2021, 44(6): 86-96. Liu Y X, Deng X R. An empirical study on the influencing factors of carbon emission in China: based on fixed effect panel quantile regression model[J]. Journal of Shanxi University (Philosophy & Social Science), 2021, 44(6): 86-96. |
| [21] |
杨恺钧, 刘思源. 贸易开放、经济增长与碳排放的关联分析: 基于新兴经济体的实证研究[J]. 世界经济研究, 2017(11): 112-120. Yang K J, Liu S Y. Empirical investigation of the relationship between trade openness, economic growth and carbon emissions: evidence form eleven emerging economies[J]. World Economy Studies, 2017(11): 112-120. |
| [22] |
朱德进, 杜克锐. 对外贸易、经济增长与中国二氧化碳排放效率[J]. 山西财经大学学报, 2013, 35(5): 1-11. Zhu D J, Du K R. Foreign trade, economic growth and the efficiency of carbon emission in China[J]. Journal of Shanxi Finance and Economics University, 2013, 35(5): 1-11. |
| [23] |
徐国泉, 蔡珠, 封士伟. 基于二阶段LMDI模型的碳排放时空差异及影响因素研究——以江苏省为例[J]. 软科学, 2021, 35(10): 107-113. Xu G Q, Cai Z, Feng S W. Spatial and temporal differences and influencing factors of carbon emissions based on the analysis of the two-stage LMDI model——An empirical study on Jiangsu Province[J]. Soft Science, 2021, 35(10): 107-113. |
| [24] | Li Y, Yang X D, Ran Q Y, et al. Energy structure, digital economy, and carbon emissions: evidence from China[J]. Environmental Science and Pollution Research, 2021, 28(45): 64606-64629. |
| [25] |
戴小文, 何艳秋, 钟秋波. 中国农业能源消耗碳排放变化驱动因素及其贡献研究——基于Kaya恒等扩展与LMDI指数分解方法[J]. 中国生态农业学报, 2015, 23(11): 1445-1454. Dai X W, He Y Q, Zhong Q B. Driving factors and their contributions to agricultural CO2 emission due to energy consumption in China: based on an expended Kaya identity and LMDI decomposition method[J]. Chinese Journal of Eco-Agriculture, 2015, 23(11): 1445-1454. |
| [26] |
林伯强, 蒋竺均. 中国二氧化碳的环境库兹涅茨曲线预测及影响因素分析[J]. 管理世界, 2009, 25(4): 27-36. Lin B Q, Jiang Z J. A forecast for China's environmental Kuznets curve for CO2 emission, and an analysis of the factors affecting China's CO2 emission[J]. Management World, 2009, 25(4): 27-36. |
| [27] | 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. |
| [28] |
潘思羽, 张美玲. 基于BP神经网络的甘肃省二氧化碳排放预测及影响因素研究[J]. 环境工程, 2023, 41(7): 61-68, 85. Pan S Y, Zhang M L. Prediction of carbon dioxide emission in Gansu Province based on BP neural network and its influencing factors[J]. Environmental Engineering, 2023, 41(7): 61-68, 85. |
| [29] |
刘淳森, 曲建升, 葛钰洁, 等. 基于LSTM模型的中国交通运输业碳排放预测[J]. 中国环境科学, 2023, 43(5): 2574-2582. Liu C S, Qu J S, Ge Y J, et al. LSTM model-based prediction of carbon emissions from China's transportation sector[J]. China Environmental Science, 2023, 43(5): 2574-2582. |
| [30] |
张迪, 王彤彤, 支金虎. 基于IPSO-BP神经网络模型的山东省碳排放预测及生态经济分析[J]. 生态科学, 2022, 41(1): 149-158. Zhang D, Wang T T, Zhi J H. Carbon emissions prediction based on IPSO-BP neural network model and eco-economic analysis of Shandong province[J]. Ecological Science, 2022, 41(1): 149-158. |
| [31] |
张学清, 李芳, 张绚, 等. 基于CNN-LSTM模型的中国碳排放量实时预测研究[J]. 中阿科技论坛, 2022(10): 71-75. Zhang X Q, Li F, Zhang X, et al. Research on real-time prediction of carbon emissions in China based on CNN-LSTM model[J]. China-Arab States Science and Technology Forum, 2022(10): 71-75. |
| [32] | Xu J H, Guan Y R, Oldfield J, et al. China carbon emission accounts 2020-2021[J]. Applied Energy, 2024, 360. DOI:10.1016/j.apenergy.2024.122837 |
| [33] | Guan Y R, Shan Y L, Huang Q, et al. Assessment to China's recent emission pattern shifts[J]. Earth's Future, 2021, 9(11). DOI:10.1029/2021EF002241 |
| [34] |
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. |
| [35] |
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. |
| [36] |
张卓群, 张涛, 冯冬发. 中国碳排放强度的区域差异、动态演进及收敛性研究[J]. 数量经济技术经济研究, 2022, 39(4): 67-87. Zhang Z Q, Zhang T, Feng D F. Study on regional differences, dynamic evolution and convergence of carbon emission intensity in China[J]. The Journal of Quantitative & Technical Economics, 2022, 39(4): 67-87. |
| [37] |
刘玉珂, 金声甜. 中部六省能源消费碳排放时空演变特征及影响因素[J]. 经济地理, 2019, 39(1): 182-191. Liu Y K, Jin S T. Temporal and spatial evolution characteristics and influencing factors of energy consumption carbon emissions in six provinces of central China[J]. Economic Geography, 2019, 39(1): 182-191. |
| [38] |
陈占明, 吴施美, 马文博, 等. 中国地级以上城市二氧化碳排放的影响因素分析: 基于扩展的STIRPAT模型[J]. 中国人口·资源与环境, 2018, 28(10): 45-54. Chen Z M, Wu S M, Ma W B, et al. Driving forces of carbon dioxide emission for China's cities: empirical analysis based on extended STIRPAT Model[J]. China Population, Resources and Environment, 2018, 28(10): 45-54. |
| [39] | 福建省统计局, 国家统计局福建调查总队. 福建统计年鉴2023[M]. 北京: 中国统计出版社, 2023. |
| [40] |
岳珍, 赖茂生. 国外"情景分析"方法的进展[J]. 情报杂志, 2006, 25(7): 59-60, 64. Yue Z, Lai M S. Research progress abroad on scenario analysis[J]. Journal of Information, 2006, 25(7): 59-60, 64. |
| [41] | Sun L L, Cui H J, Ge Q S. Will China achieve its 2060 carbon neutral commitment from the provincial perspective?[J]. Advances in Climate Change Research, 2022, 13(2): 169-178. |
| [42] | Li D Z, Huang G Y, Zhu S Y, et al. How to peak carbon emissions of provincial construction industry? Scenario analysis of Jiangsu Province[J]. Renewable and Sustainable Energy Reviews, 2021, 144. DOI:10.1016/J.RSER.2021.110953 |
| [43] |
潘栋, 李楠, 李锋, 等. 基于能源碳排放预测的中国东部地区达峰策略制定[J]. 环境科学学报, 2021, 41(3): 1142-1152. Pan D, Li N, Li F, et al. Mitigation strategy of eastern China based on energy-source carbon emission estimation[J]. Acta Scientiae Circumstantiae, 2021, 41(3): 1142-1152. |
| [44] | 福建省国民经济和社会发展第十四个五年规划和二〇三五年远景目标纲要[N]. 福建日报, 2021-04-06(012). |
| [45] |
李心萍, 苏时鹏, 张雅珊, 等. 福建省碳排放预测与碳达峰路径分析[J]. 资源开发与市场, 2023, 39(2): 139-147. Li X P, Su S P, Zhang Y S, et al. Carbon emission prediction and carbon peak path analysis in Fujian Province[J]. Resource Development & Market, 2023, 39(2): 139-147. |
| [46] |
李俊峰, 李广. 中国能源、环境与气候变化问题回顾与展望[J]. 环境与可持续发展, 2020, 45(5): 8-17. Li J F, Li G. Review and prospect of energy, environment and climate change in China[J]. Environment and Sustainable Development, 2020, 45(5): 8-17. |