2025, Vol. 46
2. 中国科学技术大学环境科学与光电技术学院, 合肥 230026;
3. 中央民族大学北京市食品环境与健康工程技术研究中心, 北京 100081
2. School of Environmental Science and Optoelectronic Technology, University of Science and Technology of China, Hefei 230026, China;
3. Beijing Engineering Research Center of Food Environment and Health, Minzu University of China, Beijing 100081, China
为应对全球气候变化, 我国提出实现2030年前碳达峰、2060年前碳中和的目标. 根据《广西壮族自治区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》[1], 广西壮族自治区正在有计划分步骤实施碳达峰行动, 积极推进碳达峰、碳中和, 确保安全降碳. 广西等西部省区社会经济发展相对滞后, 面临转型升级速度慢、新旧动能转换难度大等问题, 协调好社会经济发展和碳减排尤为重要. 开展广西碳排放核算和碳达峰路径预测, 对广西的绿色低碳高质量发展具有现实意义.
目前在区域碳排放研究方面, 许多学者根据碳排放量历史数据以及相关因素分析识别碳排放影响因素, 构建模型预测碳排放情况进而分析碳达峰路径. 在碳排放影响因素识别的研究中, 有从国家尺度[2 ~ 6]出发的, 也有从地区尺度[7 ~ 12]研究. Shuai等[13]从43个潜在影响因素中探索中国碳排放的关键影响因素, 指出人均GDP、城镇化率、第三产业与第二产业比、可再生能源比和固定资产投资是影响碳排放量的最显著因素；Liang等[14]指出在城镇化率、人口密度和能源消费对碳排放有重要贡献的基础上, 以驱动创新角度提出专利授权数量、技术市场成交量和外商直接投资对碳排放有显著影响；Liu等[15]指出技术变革的能源强度效应是抑制我国二氧化碳排放的关键因素, 技术进步水平的提高有助于改善碳排放. 吴建生等[16]对中国碳排放因素进行分析, 提出人均碳排放量对各因素的敏感性由高到低依次为人均建设用地面积、人均GDP、常住人口城镇化率、土地开发度、第二产业占比和非化石能源占比. Rao等[17]提出湖北省碳排放的主要影响因素依次是总人口、能源结构、产业结构、城镇化率、人均GDP和能源强度. 也有报道从产业角度研究碳排放的影响因素, 如能源[18 ~ 24]、工业[25 ~ 28]、交通[29 ~ 38]、建筑[39 ~ 44]、农业[45 ~ 49]、旅游[50]和居民生活[51 ~ 53]等. 多数研究通常认为人口规模、经济增长、能源消耗和能源结构等为影响碳排放量的主要因素, 同时, 产业结构、旅游业增长、进出口贸易、教育科技水平等更精细化指标的研究也不断深入. 常见的影响因素筛选方法包括LMDI方法[6, 33, 49, 54 ~ 59]、岭回归法[8, 19, 40, 42, 60 ~ 62]和GTWR模型[29, 33, 63 ~ 65]等. LMDI法适用范围较广, 操作性强, 分解结果不包含残余项且分析结果易于解释[32, 66], 但其分解的因素较为宏观, 缺少对更精细化指标分解；岭回归法具有拓展性好、灵活性强的优点, 能够解决变量之间存在多重共线性的问题, 但是需要合理选择合适的惩罚系数（k值）避免产生系数误差过大；GTWR模型可考虑到研究区域内各单元之间的相互影响和空间上的变化差异, 但数据量要求高, 模型运算量巨大, 受目前计算方法和计算机性能的限制[65]. 在碳排放预测和碳达峰路径的研究上, 主要运用的方法包括系统动力学模型[67 ~ 72]、神经网络模型[73 ~ 76]、LEAP模型[39, 77, 78]和STIRPAT模型[9, 29, 79 ~ 83]等. 系统动力学模型能够处理非线性关系、动态复杂性和反馈效应等, 但是需要精确的数据和模型参数, 信息反馈机制建立相对复杂, 指标体系确立主观性较强；神经网络模型在拟合历史数据上具有拟合速度快, 精度高的优势, 但是对数据样本量要求较高, 且缺乏明确的理论支撑, 难以形成系统性的数学表达[83]；LEAP模型具有全面性强、易用性强、建模方法丰富、情景分析灵活、时间跨度多样、对初始数据要求低和适用范围广等优点, 但更倾向于能源角度的分析[39]；STIRPAT模型则在影响因素识别和碳排放预测中均有应用, 作为统计学建模方法, 在消除各解释变量之间的共线性的基础上, 利于建立准确、合理的解释变量和被解释变量之间的回归关系. 这些方法和模型各有特点, 从不同角度和侧重点分析碳排放趋势, 通常结合情景分析法模拟碳达峰路径. 苗安康等[55]探究江苏省在产业调整、工业技术进步、电气化替代和清洁能源发展等措施对碳减排的贡献；赵金辉等[73]对河南省从碳排放的源头、途径、技术和去向等方面, 设计碳减排措施逐级加强的路径, 探究可实现的碳达峰路径. 苏显方等[84]设计不同组合的发展情景, 探究贵州碳减排效果最好的发展路径.
省级行政区碳排放核算和预测方面仍需关注：①若仅考虑能源消费所产生的碳排放, 排放量低估需进一步讨论；②碳排放影响因素识别中往往局限于经济和能源领域, 多领域、多行业的多指标联用仍有待深入；③情景分析中设计的参数需加强与政策目标和发展规划的结合. 本文面向广西的碳达峰路径预测, 以社会经济、能源消费（包括第一、二、三产业和居民生活消费）、工业生产过程、农业种植、畜牧业养殖等数据为基础, 核算2000~2021年的碳排放量；选择涉及人口、经济、社会、能源、建筑发展等维度的15个可量化指标, 以更为全面的产业数据反映区域内直接和间接碳排放的历史趋势, 从更多潜在影响因素中采用岭回归识别出影响区域碳排放的关键因素, 以改善构建模型的预测准确性. 构建STIRPAT模型, 设计与规划目标和产业特征结合的发展路径情景, 预测广西到2040年的碳排放量, 以期为广西的碳达峰路径优选提供参考.
1 材料与方法 1.1 碳排放核算方法根据联合国政府间气候变化专门委员会（IPCC）发布的《2006年IPCC国家温室气体排放清单指南》和国家发展和改革委员会应对气候变化司2011年发布的《省级温室气体排放清单指南（试行）》, 结合广西以能源活动、工业生产和农业生产为主的碳排放特征, 确定本文核算的碳排放范围：①地区能源消耗产生的碳排放, 其中能源类排放包括一次能源[85]和二次能源（电力）碳排放[86]；②农业种植碳排放[87]；③畜牧业碳排放[87]；④工业生产过程碳排放[85], 考虑占主要排放的工业过程[88, 89], 广西的主要工业产品多为初级加工制成品[90], 故本文考虑具有代表性的水泥和钢铁生产过程；⑤废物处理的碳排放[91], 如生活垃圾焚烧和填埋以及生活污水处理. 其中, 工业过程产生温室气体, 此处只包括产生工艺产生的温室气体, 不包括能源消耗产生的温室气体. 计算公式为：
|
(1) |
式中, CEQ（carbon emission quality）为以CO2计的碳排放量, Activityi为第i项产生碳排放的活动, EFi为第i项活动的碳排放因子.
基础数据收集于各年份《中国能源统计年鉴》《广西统计年鉴》《中国农村统计年鉴》《中国建设统计年鉴》, 部分年份空缺的数据以临近前后年份均值替换补充.
1.2 STIRPAT模型本文选取较为灵活且具有拓展性的STIRPAT模型预测广西的碳排放. 该模型是在传统IPAT模型[92]基础上拓展得到的非线性模型, 可定量研究碳排放与各影响因素之间的关系, 明确碳排放量与社会经济发展各指标间的联系, 其基本表达式为[93]：
|
(2) |
式中, CEQ为以CO2计的碳排放量, Xi分别为人口规模、富裕程度和技术水平等排放影响参量, α为模型系数, ni分别为对应变量的弹性系数, e为模型误差项. 为减少各变量量纲不同带来的差异, 便于确定方程中各影响因素的影响程度, 使用对数式：
|
(3) |
在确定上述模型中各变量的系数时, 若回归方程中的自变量间存在多重共线性, 将难以分离每个自变量的单独影响, 则整个模型可能通过F检验, 但原来显著的T值可能不显著, 从而忽视重要的自变量, 影响结果的准确性和稳定性. 回归分析前需检验变量的共线性, 即方差膨胀因子（VIF）检验, 当VIF≥10时, 存在显著的多重共线性, 说明最小二乘回归可能出现伪回归, 影响回归的准确性, 不能再使用此方法[94].
若变量之间多重共线性较强, 利用最小二乘法会导致拟合结果存在较大偏差[95], 岭回归是常用解决方法[54, 96 ~ 98]. 岭回归放弃最小二乘法的无偏性, 通过约束回归系数, 以损失一部分信息为代价, 获得效果稍差但回归系数更符合实际情况的模型方程[99, 100], 提高模型的稳定性和可靠性. 其中岭参数k为惩罚系数, 用来衡量损失信息的代价, k值越小说明模型的R2越大. k值的确定有多种方法[96, 101, 102], 参考文献[100], 本文选择较为直观的岭迹图法.
在最小二乘回归中, 多元线性回归模型为[102 ~ 104]：
|
(4) |
式中, X为n×p的自变量矩阵（秩为p）, β为n×1的未知向量, ε为误差, 使得E[ε]=0, 且β的无偏估计量通常由以下公式给出：
|
(5) |
当自变量之间存在高度多重共线性时, |X'X|接近于0, 无法得出准确的 
|
(6) |
因此, 通过选择一个适当的k值, 并接受最小偏差, 可以大大降低方差, 从而显著改善估计结果. 当k=0时, 该式是最小二乘估计. 而当k→∞时,
从2000~2021年, 广西的碳排放总量从95.49 Mt（以CO2计, 下同）增长到390.15 Mt, 年均增长率为6.93%（图 1）. 在2014年碳排放总量升高至310.00 Mt后, 2014~2019年间碳排放总量保持在310.00~320.00 Mt之间；2019年后又快速增长, 到2021年碳排放总量达到390.15 Mt, 增量主要由能源消耗和工业生产过程贡献. 2000~2021年间, 能源消费产生的碳排放占比一直最高, 从60.38%增加到65.02%；同时, 工业生产过程的碳排放占比也从11.28%增加到24.60%, 农业种植、畜牧业养殖、废物处理等部分的碳排放占比逐渐缩减. 在广西的碳排放体系中, 能源消费和工业生产过程是主要贡献者, 两者的占比之和接近90%, 一次能源的消耗和工业产品产量的提升是直接原因.
|
图 1 2020~2021年广西各领域碳排放量和增长率 Fig. 1 Carbon emissions and growth rate by sector from 2020 to 2021 in Guangxi |
2000~2021年, 广西的年末常住人口从4 751万人增长到5 037万人, 人均年碳排放量整体呈现上升趋势[图 2（a）], 从2000年的2.01 t·人-1增长到2021年的7.75 t·人-1, 年均增长率为6.64%, 与人均GDP的增长趋势吻合；在2013~2019年之间在6.5 t·人-1水平波动, 又在2019年后快速增长, 第二产业耗能以及工业初级加工产品产量的变化可能是上述变化趋势的重要潜在因素. 全国的人均碳排放量从2004年的约4.4 t·人-1上升到2019年的8.6 t·人-1[105], 同期广西为2.80 t·人-1和6.62 t·人-1, 广西的人均碳排放量较小于全国平均水平.
|
图 2 2000~2021年广西的人均年碳排放量和单位GDP碳排放强度 Fig. 2 Annual carbon emissions per capita and carbon intensity per unit GDP from 2000 to 2021 in Guangxi |
碳排放强度是单位GDP产生的碳排放量. 广西碳排放强度从2000年4.68 t·万元-1下降到2021年的1.58 t·万元-1, 年均增长率为-5.05%, 碳排放强度整体呈现快速下降的趋势[图 2（b）], 尽管碳排放量整体上升, 但是GDP的上升趋势更快, 碳排放强度不断降低. 全国的碳排放强度从2004年的约3.58 t·万元-1下降到2019年的1.2 t·万元-1[105], 同期广西为4.01 t·万元-1和1.54 t·万元-1, 碳排放强度略高于全国平均水平. 而在下降速率方面, 呈现出波动放缓的趋势.
与已有报道比较[105, 106], 广西与云南、贵州、江西和湖南的同期碳排放量接近. 刘润璞等[3]从达峰压力、减排现状、经济发展、政策支持和资源禀赋这5个维度构建省域碳达峰能力评价体系, 将各省碳达峰能力分为5个等级, 与广西同为第五梯队的省（自治区）包括江西、宁夏和贵州等. 与这些省份的碳排放量对比（图 3）, 均采用IPCC碳排放系数法核算, 除湖南外各省均仅考虑能源消耗产生的碳排放, 显示本文核算结果整体上大于其他省份, 而在仅考虑能源消耗的情况下碳排放量与江西接近, 这与本文核算范围类似的湖南的排放水平与本文结果接近.
|
图 3 2020~2021年广西与部分省（自治区）碳排放量对比 Fig. 3 Carbon emission comparison of Guangxi and other provinces from 2020 to 2021 |
本文根据Shuai等[13]、Lenzen等[50]和张亚博[110]的碳排放影响因素研究报道, 本文初选的碳排放量影响因素包含人口、经济、社会、能源和城市发展等维度的15个可量化指标.
本文将STIRPAT模型的式（3）扩展为式（7）, 定量分析其对碳排放规模的影响程度.
|
(7) |
式中, CEQ为以CO2计的碳排放量, 单位为×104 t；TP为人口规模, 单位为万人；UR为城镇化率, 单位为%；EP为就业人口, 单位为万人；RG为人均GDP, 单位为万元·人-1；SG为第二产业结构, 单位为%；TG为第三产业结构, 单位为%；CC为能源强度（以标准煤计）, 单位为t·万元-1；CE为能源结构, 单位为%；RD为科技创新（R & D经费）, 单位为亿元；ER为教育水平（人口受大专以上教育的比例）, 单位为%；TC为汽车拥有量, 单位为辆；TR为公路里程, 单位为km；TI为对外贸易, 单位为万元；BC为城市发展（房屋建筑施工面积）, 单位为×104 m2；TA为旅游人次, 单位为万人；a~q为对应变量的弹性系数, 无量纲；Constant为常量, 单位为×104 t.
对上述变量进行普通最小二乘法（OLS）检验多元线性回归, 为减少各变量量纲不同带来的差异, 对数化处理变量, 初选变量和OLS回归结果如表 1所示. 从结果中可以看出, R2为0.999, 调整后R2为0.997Radj2见式（8）], F值为402.062, F检验高度显著, P值为0.000, 回归方程通过显著性检验, 模型高度拟合. 但是全部项自变量系数的VIF值大于10, 最高VIF值高达2 986.63, VIF平均值为481.46, 说明自变量之间存在相关性, OLS回归中存在多重共线性. 以斯皮尔曼法检验相关系数, 也发现多项变量中相关系数高达0.9以上（图 4）. 根据马凯琦[111]的报道, 人口变化、经济水平发展和社会发展之间具有关联性, 这与本文发现的自变量相关现象类似. 如果对变量之间使用OLS回归, 则会出现回归结果偏差问题.
|
(8) |
|
表 1 变量和普通最小二乘法回归结果1） Table 1 Variables and OLS regression results |
式中, n为样本数, p为回归式中自变量个数. 为了减少自变量的个数和样本量的大小的影响引入Radj2.
|
*为P≤0.01 图 4 变量的斯皮尔曼相关系数检验结果 Fig. 4 Test results of Spearman correlation coefficient for variables |
为解决这一问题, 以岭回归法分析模型. 当k值不断增大, 标准化的自变量回归系数快速下降, 可以根据回归系数相对稳定且相关系数平方（R2）减小不明显、在可接受范围内, 结合岭迹图选择合适的k值. 确定k值后, 根据各变量的显著性值（P值）判断是否删除该变量, P值越低表示该自变量会对因变量产生影响的可能性越大, 说明模型越合理. 将P值过高的自变量剔除重新进行岭回归, 直到筛选后的所有变量的P值< 0.05（表 2和图 5）.
|
|
表 2 各变量岭回归结果 Table 2 Results of ridge regression for each variable |
|
图 5 各变量岭回归结果 Fig. 5 Results of variable ridge regression |
根据变量筛选的结果（表 2）, 当k=0.6时, R2为0.989 8, R2 adj为0.986 1, F值为77.844 6, 从Sig. F可知, 回归方程整体F值的显著性水平小于0.1%；除了变量lnCE的P值小于5%以及lnSG小于1%外, 其余变量全部通过0.1%的显著性水平检验. 由此构建广西碳排放预测模型[式（9）]：
|
(9) |
根据岭回归结果的系数可知（表 2）, 该模型中所有变量除能源强度和能源结构之外对碳排放的影响均为正向的；能源强度和能源结构系数为负号, 对碳排放贡献为负向影响, 即随着能源强度增加和能源结构中煤炭占比增大, 对碳排放量的贡献减少, 这与实际情况不符, 但根据文献[112]的报道, 多项研究均得出类似结果[113 ~ 117]. 各因素间的系数存在一定差异, 系数的绝对值越大指示影响越大, 能源结构（CE）和第二产业结构（SG）的影响最大, 能源结构每变化1%, 将引起碳排放量0.39%的变化, 是广西碳排放量第一大影响因素, 产业结构每变化1%, 将引起碳排放量0.33%的变化. 其次是城镇化率（UR）、公路里程（TR）和能源强度（CC）, 每变化1%, 分别引起0.23%、0.16%和0.13%的碳排放改变. 接着是人均GDP（RG）和建筑发展（BC）, 每改变1%将引起0.06%的碳排放改变. 其他的依次为科技创新（RD）、汽车拥有（TC）和对外贸易（TI）, 它们每改变1%, 将引起碳排放量0.04%变化率.
2.3 广西碳达峰路径预测 2.3.1 情景设计为尽量使设计的情景符合规划, 依据《广西“十四五”规划和2035年远景目标纲要》《广西能源发展“十四五”规划》《广西壮族自治区碳达峰实施方案》《广西新型城镇化规划（2021~2035年）》《广西综合立体交通网规划（2021~2035）》等文件, 设置广西2021~2040年不同发展情景的各参数（表 3）, 重要典型参数赋值如下.
|
|
表 3 各因素年平均变化率设置/% Table 3 Annual average rate of change settings for each factor/% |
城镇化率（UR）：2017~2021年期间广西的城镇化率年增长率为2.86%, 2021年广西和全国的城镇化率分别约为55%和64%, 结合《广西新型城镇化规划（2021—2035年）》目标, 到2035年广西达到城镇化率68%. 设置2022~2025年中速发展水平下城镇化率年均增长率为1.70%, 之后在此基础上逐步放缓.
人均GDP（RG）：2021年广西人均GDP为4.912万元·人-1, 2017~2021年平均年增长率为7.82%, 同期全国水平为8.14万元·人-1, 考虑到经济水平发展空间, 结合《广西“十四五”规划和2035年远景目标纲要》中经济增长目标. 设定中速情景2022~2025年广西人均GDP增长为6.50%, 之后在此基础上逐步放缓.
产业结构（SG）：2021年广西第二产业GDP占比为33%, 2017~2021年平均年增长率为-1.09%, 同期全国水平为39.9%. 考虑到广西的第二产业占比已经逐年下降, 设定中速情景2022~2025年广西产业结构变化率为-1.00%, 之后在此基础上逐步加速下降.
R & D经费（RD）：2021年广西R & D经费为199.50亿元, 近5 a平均增长率为8.84%, 设定中速情景R & D经费变化率为12.00%, 之后在此基础上逐步下降.
能源强度（CC）：2021年广西能源强度（标准煤）为0.53×104 t·亿元-1, 2017~2021年平均年增长率为-2.45%. 资源型产业的发展对碳排放量影响较大, “推动工业转型升级”和“大力发展服务”的普遍的发展基调, 结合《广西能源发展“十四五”规划》, 设定中速情景2022~2025年广西能源强度变化率为-2.20%, 在2030年后逐步加速下降.
能源结构（CE）：2021年广西能源结构煤炭和焦煤消费量占能源消费总量百分比为62.13%, 2017~2021年平均年增长率为1.68%, 但是整体上看, 近20 a来是逐渐降低的, 设定中速情景2022~2025年广西能源结构变化率为-1.00%, 之后在此基础上逐步加速下降.
汽车拥有（TC）：2021年广西汽车保有量为849万辆, 2017~2021年平均年增长率为13.76%, 考虑到该增速仍处于较高水平, 设定中速情景2022~2025年广西汽车保有量变化率为12.00%, 之后在此基础上逐步加速下降.
公路里程（TR）：2021年广西公路里程为16万km, 2017~2021年平均年增长率为6.85%, 结合《广西综合立体交通网规划（2021~2035）》中明确到2035年广西交通网里程达到25万km, 设定中速情景2022~2025年公路里程变化率为6.00%, 之后在此基础上逐步加速下降.
对外贸易（TI）：2021年广西对外贸易总额为5 931亿元, 2017~2021年平均年增长率为11.29%, 考虑到广西作为与东盟国家经济往来的窗口, 设定中速情景2022~2025年对外贸易变化率为15.00%, 之后在此基础上逐步加速下降.
建筑发展（BC）：2021年广西房屋建筑施工面积为29 484万m2, 2017~2021年平均年增长率为3.89%, 注意到该变量变化率与城镇化率相关, 设定中速情景2022~2025年建筑发展变化率为2.00%, 之后在此基础上逐步加速下降.
中速为现有基准情景, 慢速和快速在中速的基础上调整, 使其比中速情况晚或早约5 a达到中速情况的发展规模. 建立低碳、中碳、高碳等3种具有典型代表意义的发展情景组合[100, 117]（表 4）. ①中碳发展情景：各影响因素的变化率设置均为中速. 该情景基于广西历史发展趋势, 模拟广西“十四五”规划和2035年远景发展目标下未来可能的碳排放变化趋势, 并预测在维持现有政策情况下广西的碳达峰前景. ②低碳发展情景：城镇化率和经济发展速率设置为中速, 产业结构、能源结构、能源强度和研发经费变化率设置为快速, 汽车拥有、公里里程、对外贸易和建筑发展设置为慢速. 该情景基于广西的社会经济平稳发展, 相比中碳发展情景下, 加快优化产业结构, 推进产业结构转型升级, 降低第二产业占比, 加快发展清洁能源, 能源加速绿色低碳转型, 降低非清洁能源占比. 同时控制交通发展, 优化交通运输结构, 优化工业生产工艺, 降低生产过程碳排放, 控制城市建筑发展情景下的碳排放趋势. ③高碳发展情景：城镇化率和经济发展速率设置为中速, 产业结构、能源结构、能源强度和研发经费变化率设置为慢速, 汽车拥有、公里里程、对外贸易和建筑发展设置为快速. 该情景基于广西在社会经济优先发展达到既定发展目标, 以一定强度的第二产业和能源供应为经济增长引擎, 相比中碳发展情景下, 减缓优化产业结构和能源结构的速度. 同时提升在交通、对外贸易和城市建筑等社会发展速度确保经济活力, 不采取更多的针对性减排措施的情况下的广西碳达峰前景.
|
|
表 4 广西碳排放情景组合 Table 4 Portfolio of carbon emission scenarios in Guangxi |
2.3.2 碳排放量预测
为落实广西2030年前碳达峰的目标, 测算不同发展情景下广西2022~2040年的碳排放趋势（图 6）. 整体来看, 3种发展情景的碳排放呈现相似的增长趋势, 特别是在2030年之前碳排放均快速增长, 但是因为在各情景设置的各因素变化率不同（体现低碳发展的管控措施差异）, 2030年后3种发展情景的碳排放趋势预测结果差异明显.
|
图 6 2022~2040年不同情景广西碳排放趋势 Fig. 6 Carbon emission trends for different scenarios in Guangxi from 2022 to 2040 |
在高碳发展情景下, 2022~2040年的碳排放量保持持续增长的趋势, 没有实现碳达峰, 但是增长速度有所放缓, 在2040年预计接近623.32 Mt, 面临较大的碳减排压力. 在中碳发展情景下, 广西按照现行的发展情况下碳达峰压力未缓解, 也没有实现碳达峰, 虽然增量较少, 但在2040年预计接近591.20 Mt, 需要设计和实施针对性的减排措施. 在低碳发展情景下, 在2035年可实现碳达峰, 预计峰值为531.99 Mt. 这是在优化产业结构, 推动产业升级转型, 并且加大清洁能源使用, 改善能源结构等措施下实现的. 若需要在2030年实现“碳达峰”, 需要在持续推进高质量发展、绿色低碳发展的基础上采取更严格的管控措施. 蒋昀辰等[5]报道了类似结论, 广西在9种情景下平均碳达峰时间为2037年, 为全国第4晚碳达峰省份, 需要改善控制碳排放强度.
为实现广西的社会经济发展与碳减排协调, 建议：①加快推进绿色低碳技术发展. 根据碳排放预测结果, 在维持当前发展情况的中碳发展情景下, 广西无法在2030年前碳达峰, 而在低碳发展情景下也需要在2035年才能达峰. 广西需要加强碳减排政策的实施, 才可能在2030年前实现碳峰值. 而在低碳发展情景的参数设置中, 产业结构和能源结构加快转变, 交通发展和建筑发展相对放缓, 但是单纯的规模和结构上的优化对如期碳达峰效果并不明显, 应该采取加强技术进步的发展路径, 降低地区碳排放因子, 协同推进绿色低碳转型. ②能源结构向清洁低碳安全高效转变. 碳排放很大程度由能源消费总量决定, 能源消费总量增长在未来难以避免, 需要采取总量控制, 结构调整与效率提升并行的发展路径, 进而降低能源排放因子促进节能减排. 根据模型的拟合结果[式（9）], 能源结构每变化1%, 将引起碳排放量0.39%的变化, 是广西碳排放量第一大影响因素. 在保障能源安全的前提下, 加强煤炭清洁高效利用, 大力实施可再生能源替代, 加快构建清洁低碳安全高效的能源体系. 推进煤炭消费替代和转型升级, 进一步提高非化石能源消费比例, 深度开发水电, 发展风电、光伏发电开发, 推荐能源生产持续清洁化发展. ③加快推动产业结构优化升级. 在保持当前经济、人口、城镇化的发展水平条件下优化产业结构. 根据模型的拟合结果[式（9）], 产业结构每变化1%, 将引起碳排放量0.33%的变化, 是广西碳排放量第二大影响因素. 发展绿色低碳循环农业, 打造绿色低碳农业产业链. 推动工业领域绿色低碳发展, 优化产业结构, 加快退出落后产能, 大力发展战略性新兴产业, 加快传统产业绿色低碳改造, 加快推进工业数字化进程, 以数字化智能化实现行业绿色转型. 推动新兴产业数字化发展, 率先推动低能耗第三产业发展. ④持续增加碳汇. 广西是全国森林覆盖率第三的省级行政区, 具有很高的碳汇潜力, 根据《广西壮族自治区碳达峰实施方案》, 预计到2030年, 森林覆盖率保持在约62.6%, 森林蓄积量保持在约10.5亿m3, 应采取稳定现有的生态系统固碳能力的路线, 巩固生态系统固碳作用.
3 结论（1）2000~2021年广西的二氧化碳排放总量呈现整体上升趋势, 从2000年的95.49 Mt增长到2021年的390.15 Mt, 年均增长率为6.93%. 从与全国平均水平和其他省份的碳排放现状的对比来看, 广西的碳排放情况在人均碳排放量、碳排放强度、能源强度等指标上与全国平均水平一致.
（2）为达到变量选取的广泛性, 本文初选涉及人口、经济、社会、能源、建筑发展和交通发展等维度的15个可量化影响因素, 基于岭回归筛选确定影响广西碳排放的10个关键影响因素, 包括：城镇化率、人均GDP、第二产业结构、第三产业结构、能源结构、能源强度、汽车拥有、公路里程、对外贸易和建筑发展等. 在岭回归的基础上识别影响广西碳排放的主要因素, 其中产业结构的影响最大, 其次是城镇化率, 接着是交通发展和能源强度, 其他的依次为建筑发展、科技创新和旅游人次.
（3）构建STIRPAT模型, 设定低碳、中碳和高碳这3种情况, 预测2022~2040年广西的碳排放. 不同情景下碳排放量总体上呈现逐渐放缓的增长趋势又各有差异, 其中在低碳情景下预计在2035年达到531.99 Mt的峰值, 而中碳情景和高碳情景, 预计2040年之前不能达峰, 需要面对一定的碳减排压力, 要采取更为严格的控碳措施.
（4）在低碳情景中, 单纯的规模和结构上的优化对如期碳达峰效果并不明显, 应该采取加强技术进步的发展路径, 从技术层面降低地区碳排放因子, 协同推进绿色低碳转型.
| [1] | 广西壮族自治区发展和改革委员会. 广西壮族自治区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[R]. 南宁: 广西自治区人民政府, 2021. |
| [2] | Chang C C. A multivariate causality test of carbon dioxide emissions, energy consumption and economic growth in China[J]. Applied Energy, 2010, 87(11): 3533-3537. DOI:10.1016/j.apenergy.2010.05.004 |
| [3] |
刘润璞, 彭栓, 陈玉烁, 等. 中国省域差异化碳达峰评价方法与应用[J]. 环境科学, 2024, 45(3): 1233-1242. Liu R P, Peng S, Chen Y S, et al. Research on the evaluation method and application of provincial differentiated carbon peaking in China[J]. Environmental Science, 2024, 45(3): 1233-1242. |
| [4] | Zhang Z Y, Hu S Y, Jin Y, et al. Systematic investigation of China's CO2 emissions with driving force model: historical evolution and future trends[J]. ACS Sustainable Chemistry & Engineering, 2022, 10(33): 11050-11056. |
| [5] |
蒋昀辰, 钟苏娟, 王逸, 等. 全国各省域碳达峰时空特征及影响因素[J]. 自然资源学报, 2022, 37(5): 1289-1302. Jiang Y C, Zhong S J, Wang Y, et al. Spatio-temporal characteristics and influencing factors of carbon emission peak by province of China[J]. Journal of Natural Resources, 2022, 37(5): 1289-1302. |
| [6] |
王俊松, 贺灿飞. 能源消费、经济增长与中国CO2排放量变化——基于LMDI方法的分解分析[J]. 长江流域资源与环境, 2010, 19(1): 18-23. Wang J S, He C F. Energy consumption, economic growth and CO2 emissions in China—analysis based on logarithm mean divisa decomposure method[J]. Resources and Environment in the Yangtze Basin, 2010, 19(1): 18-23. |
| [7] | Jiao L, Yang R, Chen B, et al. Variation, determinants and prediction of carbon emissions in Guizhou, a new economic growth pole in southwest China[J]. Journal of Cleaner Production, 2023, 417. DOI:10.1016/j.jclepro.2023.138049 |
| [8] |
任峰, 龙定洪. 广东省碳排放量测算、影响因素分析及预测模型选择[J]. 生态经济, 2022, 38(5): 21-27, 32. Ren F, Long D H. Measurement of carbon emissions, analysis of influencing factors and selection of forecasting models in Guangdong Province[J]. Ecological Economy, 2022, 38(5): 21-27, 32. |
| [9] |
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. DOI:10.3969/j.issn.1005-8141.2023.02.002 |
| [10] |
牛乐, 张丽霞, 郗凤明, 等. 辽宁省碳排放影响因素及情景预测[J]. 应用生态学报, 2023, 34(2): 499-509. Niu L, Zhang L X, Xi F M, et al. Influencing factors and scenario forecasting of carbon emissions in Liaoning Province, China[J]. Chinese Journal of Applied Ecology, 2023, 34(2): 499-509. |
| [11] |
吴乐敏, 陈丙寅, 欧林冲, 等. 东莞市低碳路径下加速电气化对CO2和污染物协同减排影响[J]. 环境科学, 2023, 44(12): 6653-6663. Wu L M, Chen B Y, Ou L C, et al. Impact of accelerated electrification under the low carbon path in Dongguan city on the coordinated emission reduction of CO2 and pollutants[J]. Environmental Science, 2023, 44(12): 6653-6663. |
| [12] | Meng Q X, Zheng Y N, Liu Q, et al. Analysis of spatiotemporal variation and influencing factors of land-use carbon emissions in nine provinces of the Yellow River basin based on the LMDI Model[J]. Land, 2023, 12(2). DOI:10.3390/land12020437 |
| [13] | Shuai C Y, Chen X, Wu Y, et al. Identifying the key impact factors of carbon emission in China: results from a largely expanded pool of potential impact factors[J]. Journal of Cleaner Production, 2018, 175: 612-623. DOI:10.1016/j.jclepro.2017.12.097 |
| [14] | Liang S, Zhao J F, He S M, et al. Spatial econometric analysis of carbon emission intensity in Chinese provinces from the perspective of innovation-driven[J]. Environmental Science and Pollution Research, 2019, 26(14): 13878-13895. DOI:10.1007/s11356-019-04131-3 |
| [15] | Liu M Z, Yang X T, Wen J X, et al. Drivers of China's carbon dioxide emissions: based on the combination model of structural decomposition analysis and input-output subsystem method[J]. Environmental Impact Assessment Review, 2023, 100. DOI:10.1016/j.eiar.2023.107043 |
| [16] |
吴健生, 晋雪茹, 王晗, 等. 中国碳排放及影响因素的市域尺度分析[J]. 环境科学, 2023, 44(5): 2974-2982. Wu J S, Jin X R, Wang H, et al. Analysis of carbon emissions and influencing factors in China based on city scale[J]. Environmental Science, 2023, 44(5): 2974-2982. |
| [17] | Rao C J, Huang Q F, Chen L, et al. Forecasting the carbon emissions in Hubei Province under the background of carbon neutrality: a novel STIRPAT extended model with ridge regression and scenario analysis[J]. Environmental Science and Pollution Research, 2023, 30(20): 57460-57480. DOI:10.1007/s11356-023-26599-w |
| [18] | Li R R, Li L J, Wang Q. The impact of energy efficiency on carbon emissions: evidence from the transportation sector in Chinese 30 provinces[J]. Sustainable Cities and Society, 2022, 82. DOI:10.1016/j.scs.2022.103880 |
| [19] | Jia W P, Jia X W, Wu L, et al. Research on regional differences of the impact of clean energy development on carbon dioxide emission and economic growth[J]. Humanities and Social Sciences Communications, 2022, 9(1). DOI:10.1057/S41599-021-01030-2 |
| [20] | Ma X J, Wang C X, Dong B Y, et al. Carbon emissions from energy consumption in China: its measurement and driving factors[J]. Science of the Total Environment, 2019, 648: 1411-1420. DOI:10.1016/j.scitotenv.2018.08.183 |
| [21] |
陶俊逸, 赵筱青, 陈彦君, 等. 云南省能源消费碳排放时空演变及其影响因素[J]. 环境科学与技术, 2023, 46(9): 178-187. Tao J Y, Zhao X Q, Chen Y J, et al. Spatial and temporal evolution of carbon dioxide emissions from energy consumption and influencing factors in Yunnan Province[J]. Environmental Science & Technology, 2023, 46(9): 178-187. |
| [22] | 邓光耀. 能源消费碳排放的区域差异及其影响因素分析[J]. 统计与决策, 2023, 39(6): 56-60. |
| [23] |
郝瑞军, 魏伟, 刘春芳, 等. 中国能源消费碳排放的空间化与时空动态[J]. 环境科学, 2022, 43(11): 5305-5314. Hao R J, Wei W, Liu C F, et al. Spatialization and spatio-temporal dynamics of energy consumption carbon emissions in China[J]. Environmental Science, 2022, 43(11): 5305-5314. |
| [24] |
张静, 杨萌, 张伟, 等. "双碳"背景下河南省电力行业中长期控煤降碳路径[J]. 环境科学, 2024, 45(3): 1285-1292. Zhang J, Yang M, Zhang W, et al. Coal control and carbon reduction path in Henan Province's power industry under the carbon peak and neutralization target: a medium-and long-term study[J]. Environmental Science, 2024, 45(3): 1285-1292. |
| [25] | Tong Y L, Wang K, Liu J Y, et al. Refined assessment and decomposition analysis of carbon emissions in high-energy intensive industrial sectors in China[J]. Science of the Total Environment, 2023, 872. DOI:10.1016/j.scitotenv.2023.162161 |
| [26] |
何子豪, 易梦婷, 钟秋萌, 等. 中国城市工业减污降碳协同度的影响因素分析[J]. 环境工程, 2024, 42(1): 206-214. He Z H, Yi M T, Zhong Q M, et al. Influencing factors of synergy degree for industrial pollutant and carbon reductions in Chinese cities[J]. Environmental Engineering, 2024, 42(1): 206-214. |
| [27] |
王菲, 格桑卓玛, 朱晓东. 长三角工业减污降碳时空演变及其影响因素研究[J]. 环境科学研究, 2024, 37(4): 661-671. Wang F, Ge S Z M, Zhu X D. Analysis of spatial-temporal evolution and driving forces of industrial air pollutants and carbon dioxide emission reduction in the Yangtze river delta[J]. Research of Environmental Sciences, 2024, 37(4): 661-671. |
| [28] |
张新生, 魏志臻, 陈章政, 等. 基于LASSO-GWO-KELM的工业碳排放预测方法研究[J]. 环境工程, 2023, 41(10): 141-149. Zhang X S, Wei Z Z, Chen Z Z, et al. Prediction of industrial carbon emissions in Shaanxi province based on LASSO-GWO-KELM model[J]. Environmental Engineering, 2023, 41(10): 141-149. |
| [29] | Liu J G, Li S J, Ji Q. Regional differences and driving factors analysis of carbon emission intensity from transport sector in China[J]. Energy, 2021, 224. DOI:10.1016/j.energy.2021.120178 |
| [30] | Liu M Z, Zhang X X, Zhang M Y, et al. Influencing factors of carbon emissions in transportation industry based on CD function and LMDI decomposition model: China as an example[J]. Environmental Impact Assessment Review, 2021, 90. DOI:10.1016/j.eiar.2021.106623 |
| [31] | Zhao P J, Zeng L G, Li P L, et al. China's transportation sector carbon dioxide emissions efficiency and its influencing factors based on the EBM DEA model with undesirable outputs and spatial Durbin model[J]. Energy, 2022, 238. DOI:10.1016/j.energy.2021.121934 |
| [32] |
王世进, 蒯乐伊. 中国交通运输业碳排放驱动因素与达峰路径[J]. 资源科学, 2022, 44(12): 2415-2427. Wang S J, Kuai L Y. Driving factors and peaking path of CO2 emissions for China's transportation sector[J]. Resources Science, 2022, 44(12): 2415-2427. DOI:10.18402/resci.2022.12.03 |
| [33] |
吕雁琴, 范天正, 张晋宁. 中国交通运输碳排放效率的时空异质性及影响因素研究[J]. 生态经济, 2023, 39(3): 13-22. Lyu Y Q, Fan T Z, Zhang J N. Spatiotemporal characteristics and influencing factors of China's transport sector carbon emissions efficiency[J]. Ecological Economy, 2023, 39(3): 13-22. |
| [34] |
冯强. 交通碳排放影响因素及达峰趋势预测研究[D]. 北京: 北京交通大学, 2023. Feng Q. Research on the influencing factors of transportation carbon emission and prediction of carbon peaking trend[D]. Beijing: Beijing Jiaotong University, 2023. |
| [35] |
王李轩, 李蓁, 何吉成, 等. 基于STIRPAT模型的陕西省交通运输业碳排放影响因素分析[J]. 交通运输研究, 2022, 8(6): 98-107. Wang L X, Li Z, He J C, et al. Influencing factors of transportation carbon emissions in Shaanxi Province based on STIRPAT model[J]. Transport Research, 2022, 8(6): 98-107. |
| [36] |
刘慧甜, 胡大伟. 基于机器学习的交通碳排放预测模型构建与分析[J]. 环境科学, 2024, 45(6): 3421-3432. Liu H T, Hu D W. Construction and analysis of machine learning based transportation carbon emission prediction model[J]. Environmental Science, 2024, 45(6): 3421-3432. |
| [37] | 吴伟业, 高小龙, 班远冲, 等. 广东省交通运输业碳排放测算与驱动因素分析[J]. 环境保护与循环经济, 2023, 43(9): 104-110. DOI:10.3969/j.issn.1674-1021.2023.09.024 |
| [38] |
钟明春, 阙林志, 练国富. 福建省交通运输业碳排放影响因素的实证分析(英文)[J]. 中国科学技术大学学报, 2023, 53(1). Zhong M C, Que L Z, Lian G F. Empirical analysis of influencing factors of carbon emissions in transportation industry in Fujian Province, China[J]. Journal of University of Science and Technology of China, 2023, 53(1). DOI:10.52396/JUSTC-2022-0079 |
| [39] | Zhang C Q, Luo H X. Research on carbon emission peak prediction and path of China's public buildings: scenario analysis based on LEAP model[J]. Energy and Buildings, 2023, 289. DOI:10.1016/j.enbuild.2023.113053 |
| [40] | Huo T F, Cao R J, Du H Y, et al. Nonlinear influence of urbanization on China's urban residential building carbon emissions: new evidence from panel threshold model[J]. Science of the Total Environment, 2021, 772. DOI:10.1016/j.scitotenv.2021.145058 |
| [41] | Li R, Yu Y H, Cai W G, et al. Interprovincial differences in the historical peak situation of building carbon emissions in China: causes and enlightenments[J]. Journal of Environmental Management, 2023, 332. DOI:10.1016/j.jenvman.2023.117347 |
| [42] | Gao J X, Zhong X Y, Cai W G, et al. Dilution effect of the building area on energy intensity in urban residential buildings[J]. Nature Communications, 2019, 10(1). DOI:10.1038/s41467-019-12852-9 |
| [43] | Haberl H, Löw M, Perez-laborda A, et al. Built structures influence patterns of energy demand and CO2 emissions across countries[J]. Nature Communications, 2023, 14(1). DOI:10.1038/s41467-023-39728-3 |
| [44] |
王志强, 李可慧, 任金哥, 等. 基于LMDI-SD模型的山东省建筑业碳排放影响因素与情景预测[J]. 环境工程, 2023, 41(10): 108-116. Wang Z Q, Li K H, Ren J G, et al. Influential factors and scenario forecast of carbon emissions of construction industry in Shandong Province based on LMDI-SD model[J]. Environmental Engineering, 2023, 41(10): 108-116. |
| [45] | Zhang X D, Zhang J, Yang C B. Spatio-temporal evolution of agricultural carbon emissions in China, 2000~2020[J]. Sustainability, 2023, 15(4). DOI:10.3390/su15043347 |
| [46] |
谢恩怡, 姚东恒, 廖宇波, 等. 粮食主产区耕地土壤有机碳空间分异特征及其影响因素: 以河北省为例[J]. 环境科学, 2024, 45(10): 6002-6011. Xie E Y, Yao D H, Liao Y B, et al. Spatial differentiation characteristics of soil organic carbon and its influencing factors in cultivated land in major grain-producing areas: a case study of Hebei Province[J]. Environmental Science, 2024, 45(10): 6002-6011. |
| [47] |
尚莉媛, 崔姹, 赵慧峰. 京津冀畜牧业碳排放效率时空演变特征及影响因素分析[J]. 中国农业资源与区划, 2023, 44(12): 190-199. Shang L Y, Cui C, Zhao H F. Spatial-temporal evolution characteristics and influencing factors of carbon emission efficiency of animal husbandry in Beijing-Tianjin-Hebei region[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2023, 44(12): 190-199. |
| [48] |
王莉, 刘莹莹, 张亚慧, 等. 河南省农田生态系统碳源/汇时空分布及影响因素分解[J]. 环境科学学报, 2022, 42(12): 410-422. Wang L, Liu Y Y, Zhang Y H, et al. Spatial and temporal distribution of carbon source/sink and decomposition of influencing factors in farmland ecosystem in Henan Province[J]. Acta Scientiae Circumstantiae, 2022, 42(12): 410-422. |
| [49] |
耿亮, 彭灵通, 魏玻, 等. 城镇化对长江经济带农业碳排放的影响及其耦合关系研究[J]. 生态经济, 2024, 40(3): 128-138. Geng L, Peng L T, Wei B, et al. Impact of urbanization on agricultural carbon emission and its coupling relationship in the Yangtze River economic belt[J]. Ecological Economy, 2024, 40(3): 128-138. |
| [50] | Lenzen M, Sun Y Y, Faturay F, et al. The carbon footprint of global tourism[J]. Nature Climate Change, 2018, 8(6): 522-528. DOI:10.1038/s41558-018-0141-x |
| [51] |
董紫媛, 张朝辉. 中国城市居住碳排放的测算、区域差异及影响因素研究[J]. 生态经济, 2024, 40(1): 13-21. Dong Z Y, Zhang C H. Estimation, regional differences and influencing factors of urban residential carbon emissions in China[J]. Ecological Economy, 2024, 40(1): 13-21. |
| [52] |
许嘉俊, 杨晓军, 李睿. 中国城市居民生活碳排放特征及影响因素的时空异质性[J]. 中国环境科学, 2024, 44(3): 1732-1742. Xu J J, Yang X J, Li R. Spatial and temporal heterogeneity of urban household carbon emission characteristics and influencing factors in China[J]. China Environmental Science, 2024, 44(3): 1732-1742. |
| [53] |
马晋龙, 曹梦莹, 葛蓓清. 北方县城家庭碳排放影响因素及减排成本分析: 以河北丰宁县为例[J]. 环境科学, 2024, 45(11): 6412-6421. Ma J L, Cao M Y, Ge B Q. Carbon emission influencing factors and abatement cost calculation of households in northern counties: a case Study of Fengning County, Hebei[J]. Environmental Science, 2024, 45(11): 6412-6421. |
| [54] |
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. |
| [55] |
苗安康, 袁越, 吴涵, 等. 中国省域碳达峰路径与政策[J]. 环境科学, 2023, 44(8): 4623-4636. Miao A K, Yuan Y, Wu H, et al. Pathway and policy for China's provincial carbon emission peak[J]. Environmental Science, 2023, 44(8): 4623-4636. |
| [56] | Kong H J, Shi L F, Da D, et al. Simulation of China's carbon emission based on influencing factors[J]. Energies, 2022, 15(9). DOI:10.3390/en15093272 |
| [57] | Wu X Y, Xu C X, Ma T L, et al. Carbon emission of China's power industry: driving factors and emission reduction path[J]. Environmental Science and Pollution Research, 2022, 29(52): 78345-78360. DOI:10.1007/s11356-022-21297-5 |
| [58] | Wang L M, Xue W X. Analysis of carbon emission drivers and multi-scenario projection of carbon peaks in the Yellow River Basin[J]. Scientific Reports, 2023, 13(1). DOI:10.1038/s41598-023-40998-6 |
| [59] |
施应玲, 余欣玥. 基于LMDI和系统聚类的电力行业碳排放影响因素分析[J]. 生态经济, 2024, 40(2): 22-29. Shi Y L, Yu X Y. An analysis of influencing factors of carbon emission in power industry based on LMDI and system clustering[J]. Ecological Economy, 2024, 40(2): 22-29. |
| [60] |
陈述, 吕文芳, 王建平. 基于LMDI和STIRPAT模型的长江流域水资源利用效率动因分析[J]. 中国农村水利水电, 2023(8): 13-17, 24. Chen S, Lü W F, Wang J P. Motivation analysis of water resources utilization efficiency in the Yangtze River basin[J]. China Rural Water and Hydropower, 2023(8): 13-17, 24. |
| [61] |
刘茂辉, 翟华欣, 刘胜楠, 等. 基于LMDI方法和STIRPAT模型的天津市碳排放量对比分析[J]. 环境工程技术学报, 2023, 13(1): 63-70. Liu M H, Zhai H X, Liu S N, et al. Comparative analysis of carbon emissions in Tianjin based on LMDI method and STIRPAT model[J]. Journal of Environmental Engineering Technology, 2023, 13(1): 63-70. |
| [62] |
高国力, 文扬, 王丽, 等. 基于碳排放影响因素的城市群碳达峰研究[J]. 经济管理, 2023, 45(2): 39-58. Gao G L, Wen Y, Wang L, et al. Study on carbon peak of urban clusters based on analysis of influencing factors of carbon emissions[J]. Business and Management Journal, 2023, 45(2): 39-58. |
| [63] |
宋苑震, 曾坚, 王森, 等. 中国县域碳排放时空演变与异质性[J]. 环境科学, 2023, 44(1): 549-559. Song Y Z, Zeng J, Wang S, et al. Spatial-temporal evolution and heterogeneity of carbon emissions at county-level in China[J]. Environmental Science, 2023, 44(1): 549-559. |
| [64] |
韦彦汀, 李思佳, 张华. 成渝城市群碳排放时空特征及其影响因素[J]. 中国环境科学, 2022, 42(10): 4807-4816. Wei Y T, Li S J, Zhang H. Temporal-spatial evolution of carbon emission and driving factors in the Chengdu-Chongqing urban agglomeration[J]. China Environmental Science, 2022, 42(10): 4807-4816. |
| [65] |
韩方红, 高凡, 何兵, 等. 1990~2020年阿克苏河流域土地利用碳排放时空轨迹与影响因素[J]. 环境科学, 2024, 45(6): 3297-3307. Han F H, Gao F, He B, et al. Exploring the spatial and temporal trajectories of land use carbon emissions and influencing factors in the Aksu River basin from 1990 to 2020[J]. Environmental Science, 2024, 45(6): 3297-3307. |
| [66] |
张爽. 中国电力行业温室气体排放影响因素及减排策略研究[D]. 天津: 天津大学, 2019. Zhang S. Study on driving factors and reduction strategies of greenhouse gas emissions for China's power industry[D]. Tianjin: Tianjin University, 2019. |
| [67] | Zhao S J, Song Q B, Liu L L, et al. Uncovering the lifecycle carbon emissions and its reduction pathways: a case study of petroleum refining enterprise[J]. Energy Conversion and Management, 2024, 301. DOI:10.1016/j.enconman.2023.118048 |
| [68] | Wang L Q, Zhao Z B, Wang X X, et al. Transportation de-carbonization pathways and effect in China: a systematic analysis using STIRPAT-SD model[J]. Journal of Cleaner Production, 2021, 288. DOI:10.1016/j.jclepro.2020.125574 |
| [69] | Du L L, Li X Z, Zhao H J, et al. System dynamic modeling of urban carbon emissions based on the regional National Economy and Social Development Plan: a case study of Shanghai city[J]. Journal of Cleaner Production, 2018, 172: 1501-1513. |
| [70] | Ke Z K, Zhang H, Jia X Y, et al. Research on energy efficiency and decarbonization pathway of nearly zero energy buildings based on system dynamic simulation[J]. Developments in the Built Environment, 2024, 17. DOI:10.1016/j.dibe.2023.100310 |
| [71] | Li X J, Lin C X, Lin M C, et al. Drivers, scenario prediction and policy simulation of the carbon emission system in Fujian Province (China)[J]. Journal of Cleaner Production, 2024, 434. DOI:10.1016/j.jclepro.2023.140375 |
| [72] |
王火根, 肖丽香, 廖冰. 基于系统动力学的中国碳减排路径模拟[J]. 自然资源学报, 2022, 37(5): 1352-1369. Wang H G, Xiao L X, Liao B. Simulation of China's carbon emission reduction path based on system dynamics[J]. Journal of Natural Resources, 2022, 37(5): 1352-1369. |
| [73] |
赵金辉, 李景顺, 王潘乐, 等. 基于Lasso-BP神经网络模型的河南省碳达峰路径研究[J]. 环境工程, 2022, 40(12): 151-156, 164. Zhao J H, Li J S, Wang P L, et al. A study on carbon peaking paths in Henan, China based on Lasso regression-BP neural network model[J]. Environmental Engineering, 2022, 40(12): 151-156, 164. |
| [74] | Shi C F, Zhi J Q, Yao X, et al. How can China achieve the 2030 carbon peak goal—a crossover analysis based on low-carbon economics and deep learning[J]. Energy, 2023, 269. DOI:10.1016/j.energy.2023.126776 |
| [75] |
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. |
| [76] | Zhou B Y, Li Y P, Ding Y K, et al. An input-output-based Bayesian neural network method for analyzing carbon reduction potential: a case study of Guangdong province[J]. Journal of Cleaner Production, 2023, 389. DOI:10.1016/j.jclepro.2023.135986 |
| [77] |
李慧鹏, 李荔, 殷茵, 等. 基于LEAP模型的工业园区碳达峰路径: 以南京某国家级开发区为例[J]. 环境科学, 2024, 45(4): 1898-1906. Li H P, Li L, Yin Y, et al. Carbon peak pathways of industrial parks based on the LEAP model: a case study of a national development zone in Nanjing[J]. Environmental Science, 2024, 45(4): 1898-1906. |
| [78] |
洪竞科, 李沅潮, 蔡伟光. 多情景视角下的中国碳达峰路径模拟——基于RICE-LEAP模型[J]. 资源科学, 2021, 43(4): 639-651. Hong J K, Li Y C, Cai W G. Simulating China's carbon emission peak path under different scenarios based on RICE-LEAP model[J]. Resources Science, 2021, 43(4): 639-651. |
| [79] |
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. |
| [80] | Qiao F W, Yang Q Z, Shi W, et al. Research on driving mechanism and prediction of electric power carbon emission in Gansu Province under dual-carbon target[J]. Scientific Reports, 2024, 14(1). DOI:10.1038/s41598-024-55721-2 |
| [81] |
廖祖君, 张剑宇, 陈诗薇. 碳排放影响因素及达峰路径研究——基于四川省的分析[J]. 软科学, 2023, 37(9): 95-101. Liao Z J, Zhang J Y, Chen S W. Factors influencing carbon emission and carbon peak reaching pathways: evidence from Sichuan Province[J]. Soft Science, 2023, 37(9): 95-101. |
| [82] |
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. |
| [83] |
侯丽朋, 唐立娜, 王琳, 等. 闽三角城市群碳达峰的多情景模拟分析[J]. 生态学报, 2022, 42(23): 9511-9524. Hou L P, Tang L N, Wang L, et al. Multi scenario stimulation of carbon emissions peaking in the Golden Triangle of southern Fujian Province, China[J]. Acta Ecologica Sinica, 2022, 42(23): 9511-9524. |
| [84] | 苏显方, 陈美霞. 基于情景分析的贵州省碳达峰路径预测[J]. 统计与管理, 2023, 38(7): 69-79. |
| [85] |
齐妙青. 乌鲁木齐市碳排放测算与减排途径研究[D]. 乌鲁木齐: 新疆师范大学, 2013. Qi M Q. Study on carbon emission estimation and reduction way of Urumqi[D]. Urumqi: Xinjiang Normal University, 2013. |
| [86] |
龚炯波. 湖南省碳排放核算与碳中和能力评估研究[J]. 能源与节能, 2021(7): 71-74. Gong J B. Study on carbon emission accounting and carbon neutrality evaluation in Hunan Province[J]. Energy and Energy Conservation, 2021(7): 71-74. |
| [87] |
杨雪. 我国农业碳排放测算与碳减排潜力分析[D]. 长春: 吉林大学, 2022. Yang X. Estimation of agricultural carbon emission and analysis of carbon emission reduction potential in China[D]. Changchun: Jilin University, 2022. |
| [88] |
何介南, 康文星. 湖南省化石燃料和工业过程碳排放的估算[J]. 中南林业科技大学学报, 2008, 28(5): 52-58. He J N, Kang W X. Estimation of carbon emissions from fossil fuel and industrial production from 2000 to 2005 in Hunan Province[J]. Journal of Central South University of Forestry & Technology, 2008, 28(5): 52-58. |
| [89] |
高军波, 王义民, 李清飞. 河南省化石能源利用及工业生产过程碳排放的估算——基于2000~2009年数据的实证[J]. 国土与自然资源研究, 2011(5): 48-50. Gao J B, Wang Y M, Li Q F. Estimation on carbon emissions from fossil fuel and industrial product ion from 2000 to 2009 in Henan Province[J]. Territory & Natural Resources Study, 2011(5): 48-50. |
| [90] |
韦海鸣, 吴嘉越. 广西碳排放影响因素分析和预测[J]. 南宁师范大学学报(哲学社会科学版), 2022, 43(3): 17-30. Wei H M, Wu J Y. Analysis and prediction of the influence factors in carbon emission in Guangxi[J]. Journal of Nanning Normal University (Philosophy and Social Sciences Edition), 2022, 43(3): 17-30. |
| [91] |
郭运功. 特大城市温室气体排放量测算与排放特征分析——以上海为例[D]. 上海: 华东师范大学, 2009. Guo Y G. The analysis on calculation and characteristics of greenhouse gas emission in Mega-cities: a case study of Shanghai[D]. Shanghai: East China Normal University, 2009. |
| [92] | Ehrlich P R, Holdren J P. Impact of population growth[J]. Science, 1971, 171(3977): 1212-1217. |
| [93] | 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. |
| [94] |
丁新月. 基于Lasso方法和BP神经网络的长三角能源消费碳排放情景预测研究[D]. 保定: 河北大学, 2022. Ding X Y. Research on carbon emission scenario prediction of energy consumption in the Yangtze River Delta based on Lasso method and BP neural network[D]. Baoding: Hebei University, 2022. |
| [95] |
张振宇. 农业经济发展与农业碳排放的实证关系研究——以上海郊区农业为例[J]. 生态经济, 2017, 33(10): 29-33. Zhang Z Y. Empirical analysis of agricultural economics and agricultural emissions: a case study of Shanghai Suburb agriculture[J]. Ecological Economy, 2017, 33(10): 29-33. |
| [96] | 杨楠. 岭回归分析在解决多重共线性问题中的独特作用[J]. 统计与决策, 2004, 20(3): 14-15. |
| [97] |
余明成, 徐占军, 余健. 山西省CO2排放影响因素研究及情景分析[J]. 环境科学研究, 2018, 31(8): 1357-1364. Yu M C, Xu Z J, Yu J. Influencing factors of CO2 emission and scenario analysis in Shanxi Province[J]. Research of Environmental Sciences, 2018, 31(8): 1357-1365. |
| [98] |
胡茂峰, 郑义彬, 李宇涵. 多情景下湖北省交通运输碳排放峰值预测研究[J]. 环境科学学报, 2022, 42(4): 464-472. Hu M F, Zheng Y B, Li Y H. Forecasting of transport carbon emission peak in Hubei Province under multiple scenarios[J]. Acta Scientiae Circumstantiae, 2022, 42(4): 464-472. |
| [99] |
韩遇春, 田赢, 胡立聪, 等. 基于STIRPAT模型的连云港地区碳排放影响因素定量分析[J]. 四川环境, 2023, 42(4): 74-80. Han Y C, Tian Y, Hu L C, et al. Quantitative analysis of influencing factors of carbon emission in Lianyungang city based on STIRPAT model[J]. Sichuan Environment, 2023, 42(4): 74-80. |
| [100] |
王琪. 基于STIRPAT模型的河北省碳排放峰值预测研究[D]. 北京: 华北电力大学, 2019. Wang Q. Forecast of carbon emission peak in Hebei Province based on STIRPAT model[D]. Beijing: North China Electric Power University, 2019. |
| [101] |
何秀丽. 多元线性模型与岭回归分析[D]. 武汉: 华中科技大学, 2005. He X L. Research on multivariate linear model and ridge regression[D]. Wuhan: Huazhong University of Science & Technology, 2005. |
| [102] | Batah F S M, Ramanathan T V, Gore S D. The efficiency of modified jackknife and ridge type regression estimators: a comparison[J]. Surveys in Mathematics and Its Applications, 2008, 3: 111-122. |
| [103] | Hoerl A E, Kennard R W. Ridge regression: biased estimation for nonorthogonal problems[J]. Technometrics, 1970, 12(1): 55-67. |
| [104] | Farrar D E, Glauber R R. Multicollinearity in regression analysis: the problem revisited[J]. The Review of Economics and Statistics, 1967, 49(1): 92-107. |
| [105] |
刘晓蝶. 中国省域碳排放情景预测与达峰路径研究[D]. 淮南: 安徽理工大学, 2022. Liu X D. Research on provincial carbon emission scenario prediction and carbon peak path in China[D]. Huainan: Anhui University of Science and Technology, 2022. |
| [106] | Shan Y L, Liu J H, Liu Z, et al. New provincial CO2 emission inventories in China based on apparent energy consumption data and updated emission factors[J]. Applied Energy, 2016, 184: 742-750. |
| [107] |
王安妮, 贝雷, 高雨雯, 等. 基于STIRPAT模型的广西碳排放影响因素分析[J]. 环境保护科学, 2024, 50(4): 99-104. Wang A N, Bei L, Gao Y W, et al. Analysis of influencing factors of carbon emission in Guangxi based on STIRPAT model[J]. Environmental Protection Science, 2024, 50(4): 99-104. |
| [108] |
吴晓方, 范敏, 谢运生, 等. 江西省碳排放现状与应对达峰策略[J]. 能源研究与管理, 2022, 14(2): 1-5. Wu X F, Fan M, Xie Y S, et al. Current situation of carbon emissions in Jiangxi Province and strategies for coping with peaking[J]. Energy Research and Management, 2022, 14(2): 1-5. |
| [109] | 杨顺顺. 湖南省碳排放总量核算与碳源结构分析[J]. 合作经济与科技, 2022(10): 4-6. |
| [110] |
张亚博. 基于STIRPAT-LEAP模型的京津冀区域碳排放峰值预测[D]. 北京: 中国石油大学(北京), 2021. Zhang Y B. Prediction of carbon emissions to peak in Beijing-Tianjin-Hebei region based on STIRPAT-LEAP model[D]. Beijing: China University of Petroleum, Beijing, 2021. |
| [111] |
马凯琦. 基于STIRPAT模型辽宁省人口因素对碳排放的影响研究[D]. 大连: 东北财经大学, 2022. Ma K Q. Research on the impart of population factors on carbon emissions in Liaoning Province based on the STIRPAT model[D]. Dalian: Dongbei University of Finance and Economics, 2022. |
| [112] |
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. |
| [113] |
张哲, 任怡萌, 董会娟. 城市碳排放达峰和低碳发展研究: 以上海市为例[J]. 环境工程, 2020, 38(11): 12-18. Zhang Z, Ren Y M, Dong H J. Research on carbon emissions peaking and low-carbon development of cities: a case of Shanghai[J]. Environmental Engineering, 2020, 38(11): 12-18. |
| [114] |
孙文静. 陕西省人口因素对碳排放影响研究及全面放开二孩情景预测[D]. 西安: 西北大学, 2018. Sun W J. Analysis of the influence of population factors on carbon emissions in Shaanxi Province and the forecast of the implementation of the two-child policy[D]. Xi'an: Northwest University, 2018. |
| [115] |
宋晓晖, 张裕芬, 汪艺梅, 等. 基于IPAT扩展模型分析人口因素对碳排放的影响[J]. 环境科学研究, 2012, 25(1): 109-115. Song X H, Zhang Y F, Wang Y M, et al. Analysis of impacts of demographic factors on carbon emissions based on the IPAT model[J]. Research of Environmental Sciences, 2012, 25(1): 109-115. |
| [116] | Li B, Liu X J, Li Z H. Using the STIRPAT model to explore the factors driving regional CO2 emissions: a case of Tianjin, China[J]. Natural Hazards, 2015, 76(3): 1667-1685. |
| [117] |
王艳. "双碳"目标下中国碳排放规模情景预测[D]. 济南: 山东财经大学, 2022. Wang Y. Scenario prediction of China's carbon emissions under the targets of carbon peaking and carbon neutrality[D]. Ji'nan: Shandong University of Finance and Economics, 2022. |