潘栋¹, 李楠¹, 李锋², 冯奎双³, 彭璐璐¹, 王震¹
1. 北京林业大学环境科学与工程学院, 北京 100083;
2. 清华大学建筑学院, 北京 100084;
3. 山东大学威海校区蓝绿发展研究院, 威海 264209
收稿日期: 2020-07-13; 修回日期: 2020-08-13; 录用日期: 2020-08-13
基金项目: 国家自然科学基金重点项目(No.71533004);国家自然科学基金面上项目(No.72074138)
作者简介: 潘栋(1992-), 男, E-mail: 411369457@qq.com
通讯作者（责任作者）: 王震, E-mail: wangzhen@bjfu.edu.cn

摘要：中国东部的11个省市是中国经济最发达的地区，其碳排放量约占全国碳排放量的1/2.随着气候变化的加剧和国际社会的关注，中国政府制定了区域差异化的达峰目标，因此，预测该地区碳排放对于评估中国能否实现达峰目标具有重要意义.本文基于中国东部11省市1997-2017年的面板数据，采用STIRPAT模型来预测不同情景下的碳排放趋势，并据此分析东部地区整体碳排放达峰的可能性.结果发现，有7个省市碳排放可能在2030年之前达峰，其中，北京、上海将最早出现碳排放峰值，达峰时间可能为2022年；然而，另外4个省市碳排放较难在2030年之前达峰.从东部地区整体来看，该地区碳排放达峰时间在2028-2033年，峰值为5018.03×10⁶~5497.20×10⁶ t.因此，东部地区整体碳排放可以在2030年左右达峰，为较好地实现中国整体碳排放达峰目标奠定了基础；此外，考虑到东部各省市的碳排放达峰情况存在差异，应根据各省市的实际情况制定差异化的达峰目标.
关键词：中国东部地区STIRPAT模型情景分析碳排放峰值预测
Mitigation strategy of Eastern China based on energy-source carbon emission estimation
PAN Dong¹, LI Nan¹, LI Feng², FENG Kuishuang³, PENG Lulu¹, WANG Zhen¹
1. School of Environmental Science and Engineering, Beijing Forestry University, Beijing 100083;
2. School of Architecture, Tsinghua University, Beijing 100084;
3. Institute of Blue and Green Development, Shandong University, Weihai 264209
Received 13 July 2020; received in revised from 13 August 2020; accepted 13 August 2020
Abstract: Eastern China is the most developed region in our nation, and its carbon emission accounts for half of the total carbon emission of China. Therefore, it is of great significance to predict the carbon emissions from the region for assessing whether China can achieve the peaking target or not. Based on the panel data of 11 eastern provinces from 1997 to 2017, this paper uses STIRPAT model to predict the carbon emissions of the 11 eastern provinces under different scenarios, and analyzes the possible peaks of carbon emission. It is found that among the 11 eastern provinces, 7 provinces may reach their emission peaks before 2030. Among them, Beijing and Shanghai will have the carbon emission peak early with the peak time at 2022, while the other 4 provinces are difficult to reach the peak before 2030. As a whole, the peaking time of carbon emission in the eastern China is between 2028 and 2033, and the peak is between 5018.03×10⁶ t to 5497.20×10⁶ t. Overall, it is possible for the eastern China to reach the emission peak around 2030, which is important to achieve the China's peaking target. Meanwhile, considering the differences of the carbon emission peak, China should formulate differentiated mitigation targets according to the local situations of these eastern provinces.
Keywords: Eastern ChinaSTIRPAT modelscenario analysiscarbon emissionpeak prediction
1 引言(Introduction)全球气候变化已经成为世界未来经济和社会发展所面临的最大挑战, 而人类活动是引起全球气候变化的主要因素(IPCC, 2014).世界各国政府都应重视这个问题, 并有责任采取措施来应对气候变化.中国作为世界上最大的能源消费国和二氧化碳排放国, 在应对全球气候变化方面发挥着关键作用.中国政府已承诺在2030年左右实现碳排放达峰, 并且尽最大努力尽早达峰(莫建雷等, 2018).由于中国不同区域社会经济发展及能源结构和碳排放特征存在较大差异(Liu et al., 2015; Ye et al., 2017), 因此, 中国政府制定了分区域差异化达峰目标, 其中, 中国东部地区碳排放应当率先达峰(吴青龙等, 2018).中国东部地区是中国经济最发达的地区, 其中包括了环渤海、长三角、珠三角三大经济圈(刘占成等, 2010; Yu et al., 2014; Song et al., 2015).同时, 东部地区也是中国碳排放量最高的地区, 其碳排放量占全国碳排放量的1/2左右, 而中部和西部地区的碳排放量则较少, 其碳排放量各占全国碳排放量的1/4左右(谭丹等, 2008；刘占成等, 2010).因此, 中国东部地区碳排放早日达峰对于国家实现达峰目标尤为关键.
目前, 许多专家****对于碳排放达峰问题的研究主要集中在国家层面, 而在省级层面和区域层面的研究相对较少.首先在国家层面, 一部分****通过模型预测或情景分析设定, 认为中国的碳排放峰值会在2030年之前出现(林伯强等, 2015；Green et al., 2017; Li et al., 2018)；另外一些****则通过不同的模型预测和多种情景分析, 认为中国碳排放在2030年之前达峰具有一定的挑战性(Liu et al., 2017；Li et al., 2018), 甚至有****认为中国的碳排放峰值不会在2030年之前出现(朱永彬等, 2009).其次在省级层面, 专家****们多基于对单个省份的碳排放趋势分析与情景分析, 进行单个省份的碳排放达峰时间和排放峰值的预测(王宪恩等, 2014；刘晴川等, 2017；胡方芳等, 2019；侯卉等, 2019；翁智雄等, 2019), 同时也有****对多个省份的碳排放趋势进行了对比分析, 并预测了各省份的达峰时间(黄蕊等, 2012).最后在区域层面, ****们主要对一些重点区域(如长江经济带等)的碳排放趋势进行预测(林伯强, 2014；邓小乐等, 2016；李强等, 2017).其中, 关于中国东部地区碳排放问题的研究, 目前主要集中在对其碳排放现状和影响因素的分析上(李国志等, 2011；韩坚等, 2014；肖洁等, 2015；张峰等, 2015；刘芳, 2020).
综上所述, 目前****们对于中国能否实现碳排放达峰目标还存在一定的争议, 且区域性和省级的碳排放及其达峰预测分析尚且不够充足, 尤其对于我国经济最发达的东部地区, 尚缺乏整体区域性的达峰情况预测, 以及相应达峰政策的分析和建议.因此, 本文通过预测中国东部地区不同省份未来二氧化碳的排放趋势, 并制定有针对性的达峰策略, 为实现国家整体碳排放达峰提供科学依据.
2 方法和数据(Method and data)依据《中国统计年鉴》的区域划分, 中国东部地区包含11个省市, 分别是北京市、天津市、河北省、辽宁省、上海市、江苏省、浙江省、福建省、山东省、广东省、海南省.由于东部地区内不同省市的社会经济发展和碳排放情况存在差异, 故本文首先核算东部各省市1997—2017年能源相关碳排放, 继而运用STIRPAT模型, 选取人口、人均GDP、城镇化率、产业结构、能源强度和能源结构作为影响因素, 通过回归拟合构建中国东部地区11省市的碳排放预测模型, 再设置不同情景, 预测东部地区11省市的未来碳排放趋势, 据此分析东部地区整体碳排放达峰情况, 为中国东部地区早日达峰提供政策建议.
2.1 能源相关碳排放核算由于一个区域的碳排放水平基本可以由化石能源燃烧所产生的碳排放来代表(肖洁等, 2015), 因此, 本文依据一次能源消费量来估算各省市碳排放量, 电力等其他因素所产生的碳排放暂不考虑在内.根据IPCC指南(IPCC, 2006), 中国东部各省市能源相关二氧化碳排放量计算公式见式(1).

(1)

式中, I为二氧化碳排放量, i为一次能源的类型, F_i为能源i的碳排放系数, E_i为能源i的消费量, O_i为能源i的碳氧化率, NCV_i为能源i的平均低位发热量, CC_i为能源i的单位热值含碳量, CF_i为能源i的转换系数.其中, 能源的碳排放系数参考世界资源研究所的《中国气候变化目标进展分析》这一研究报告.
2.2 STIRPAT模型IPAT模型自20世纪70年代(Ehrlich et al., 1971)提出以来就得到了广泛的应用, 该模型可用来研究人口、经济和技术因素对环境压力的影响, 其表达式见式(2).

(2)

式中, I为环境压力, 包含资源、能源等的消耗及温室气体排放等；P为人口规模；A为富裕程度, 即经济发展水平等；T为技术水平.
然而, IPAT模型具有一定的局限性, 其默认不同因素对环境压力的贡献相同, 这与环境库兹涅茨曲线假说相矛盾(Xu et al., 2016).为了克服该模型的局限性, Dietz和Rosa(1997)在IPAT模型的基础上提出了STIRPAT模型, 其表达式见式(3).

(3)

式中, I为环境压力, P为人口规模, A为富裕程度, T为技术水平, a为模型系数, b、c、d分别表示P、A、T的弹性系数, e为随机误差项.
在实证分析中, 一般对式(3)两边取对数, 即为：

(4)

STIRPAT模型拒绝了单位弹性假设, 增加了随机性, 便于实证分析.同时, STIRPAT模型还可以增加城镇化、产业结构和能源结构等多种对环境压力有影响的因素, 因此, STIRPAT模型在定量碳排放与各影响因素间的关系时应用最为广泛(李强等, 2017；吴青龙等, 2018), 该模型是最常用且公认的研究碳排放达峰问题的模型(芦颖等, 2018).
根据已有研究, 人口、人均GDP、城镇化率、产业结构、能源强度和能源结构6个因素广泛应用于碳排放相关研究中(Fang et al., 2019), 并且均能显著影响碳排放(许士春等, 2012；肖洁等, 2015；颜艳梅等, 2016；李健等, 2019).因此, 本文选取这6个因素作为碳排放的影响因素, 构建扩展的STIRPAT模型, 其表达式为：

(5)

式中, I为二氧化碳排放, P为人口规模, A为人均GDP, U为城镇化率, IS为产业结构, EI为能源强度, ES为能源结构, a为模型系数, b、c、d、f、g、h、j分别表示各变量弹性系数, e为随机误差项, 其中, 模型各变量说明如表 1所示.此外, 为了研究二氧化碳排放与经济增长之间的非线性关系, 验证其是否存在倒U型关系, 本文根据York等(2003)的研究加入了人均GDP的二次项.
表 1(Table 1)

表 1 模型变量说明 Table 1 Description of variables in the model

表 1 模型变量说明 Table 1 Description of variables in the model 变量 解释或说明 单位 二氧化碳排放(I) 能源相关二氧化碳排放量 106 t 人口规模(P) 年末常住人口 万人 人均GDP(A) 国内生产总值/年末常住人口 万元·人-1 城镇化率(U) 城镇居民人口占总人口比重 产业结构(IS) 第二产业占国内生产总值比重 能源强度(EI) 单位GDP消耗的能源量 t标煤·万元-1 能源结构(ES) 煤炭消费量占能源消费总量的比重

2.3 数据来源本文所需的各省市能源消费数据来自于《中国能源统计年鉴》(1998—2018)和各省市统计年鉴(1998—2018)；人口规模数据来自于《中国统计年鉴》(1998—2018)；GDP以2005年为不变价计, 数据来自于《中国统计年鉴》(1998—2018)和各省市统计年鉴(1998—2018)；各省市第二产业增加值数据和城镇居民人口数据均来自于各省市统计年鉴(1998—2018).
3 STIRPAT模型回归拟合分析结果(The results of STIRPAT model regression fitting analysis)为了避免各影响因素之间存在的多重共线性, 本文基于扩展的STIRPAT模型, 通过岭回归分析, 对碳排放与各影响因素进行拟合, 分别构建东部11省市的碳排放预测模型, 相关结果见表 2.
表 2(Table 2)

表 2 东部11省市碳排放回归拟合结果 Table 2 Regression fitting results of carbon emission in eastern provinces

表 2 东部11省市碳排放回归拟合结果 Table 2 Regression fitting results of carbon emission in eastern provinces 省市 lnP lnA (lnA)2 lnU lnIS lnEI lnES Cons k R2 北京 0.056 0.116*** 0.016* 1.886*** 0.046* 0.058* 0.102*** -0.374 0.05 0.95 天津 0.459*** 0.178*** 0.052*** 0.463*** 1.066*** 0.185*** 0.207 -1.470 0.10 0.98 河北 2.293*** 0.221*** 0.124*** 0.341*** 2.821*** 0.011*** 0.179* -21.103*** 0.10 0.96 辽宁 4.634*** 0.173*** 0.041* 0.342* 0.529** 0.111* 0.238 -30.868** 0.10 0.92 上海 0.447*** 0.107*** -0.022*** 0.808*** 0.219*** 0.044 0.069** 1.409** 0.05 0.94 江苏 4.731*** 0.287*** -0.120*** 0.201** 0.398 0.371*** 0.315* -35.831*** 0.08 0.94 浙江 1.899*** 0.268*** -0.088*** 0.190*** 1.057*** 0.105 0.011 11.475*** 0.20 0.92 福建 2.515*** 0.264*** 0.118*** 0.126** 2.125*** 0.343** 0.641*** -22.732*** 0.18 0.96 山东 3.935*** 0.307*** 0.147*** 0.241* 1.947*** 0.017 1.453* -27.789*** 0.20 0.97 广东 0.653*** 0.258*** -0.099** 0.192*** 2.188*** 0.228*** 0.251 -4.365*** 0.10 0.95 海南 2.026*** 0.266*** 0.206*** 0.321*** 1.139*** 0.186 0.748*** -13.753*** 0.10 0.92 ??注：***、**、*分别代表p < 0.01、p < 0.05和p < 0.1.

由此可得出东部11省市的碳排放预测模型.例如, 在岭回归中, 当k=0.1时, 广东省各影响因素的回归系数趋于稳定, R²=0.95, 整体拟合度较好, 其模型方程为：

(6)

通过东部11省市碳排放回归拟合结果可以得出, 人口、城镇化、产业结构、能源强度与能源结构对东部各省市的碳排放为正向影响.人均GDP及其二次项系数表明, 上海、江苏、浙江、广东这4个省市的碳排放与经济增长之间存在倒U型关系, 即经济增长将会先促进后抑制碳排放, 而其他省份的人均GDP对碳排放均是正向影响.由回归拟合结果还可得出, 人口对于除北京以外的其他省市碳排放均影响显著, 产业结构对于除江苏以外的其他省市碳排放均影响显著, 人均GDP、城镇化对各省市的碳排放均影响显著, 而能源强度、能源结构对部分省份的碳排放影响不显著.此外, 不同省市的碳排放对各影响因素的敏感度不同.相较于其他影响因素, 大部分省份的碳排放对人口最为敏感, 例如, 辽宁和江苏省人口每增加1%, 碳排放就可能分别增加4.634%、4.731%.各省市的碳排放也对产业结构较为敏感, 例如, 河北的产业结构每增加1%, 碳排放就可能增加2.821%.
由此可得, 不同因素对东部各省市的碳排放影响存在差异, 这可能是各省市的经济发展不平衡所造成的(颜艳梅等, 2016), 也可能是缘于各省市的资源禀赋和技术水平等都不尽相同.例如, 上海、江苏、浙江、广东这4个省市的碳排放与经济增长之间存在倒U型关系, 而其他省市则不存在这种关系, 其原因可能是这4个省市的经济较为发达, 并在经济增长的同时加大了技术革新的力度, 从而抑制了碳排放的增长(李长飞等, 2020).
4 东部地区未来碳排放趋势分析(Analysis of future carbon emission trends in the eastern region)4.1 东部各省市未来碳排放情景设置及碳排放趋势分析4.1.1 东部各省市未来碳排放情景设置本文对各省市预测模型中的人口、人均GDP、城镇化率、产业结构、能源强度和能源结构这6个影响因素的变化率设置了低、中、高3种值.在中值中, 2018—2020年各省市影响因素变化率按照“十三五”规划中的发展指标进行设定, 2020年以后各省影响因素变化率按照人口、能源、城镇化等相关政策及历史数据趋势进行设定.在低值和高值中, 各影响因素变化率的设置则基于中值进行相应的调整.同时, 本文还综合考虑了新冠疫情、经济逆全球化等新形势对各因素的影响(赵伟, 2020；罗佐县等, 2020；王科等, 2020；Le Quéré et al., 2020), 其中, 新冠疫情会对产业结构造成长期影响, 而其他因素所受影响较小.因此, 产业结构的变化率在基于相关政策及历史数据趋势设定的基础上有所降低.例如, 表 3所示为广东省各影响因素变化率设置.
表 3(Table 3)

表 3 广东省各影响因素变化率设置 Table 3 Setting the change rate of each influencing factor in Guangdong Province

表 3 广东省各影响因素变化率设置 Table 3 Setting the change rate of each influencing factor in Guangdong Province 变化率 时间 变化率设置 P A U IS EI ES 低 2018—2020年 0.90% 5.5% 0.7% -2.6% -3.6% -3.7% 2021—2025年 0.85% 5.0% 0.5% -2.4% -3.4% -3.5% 2026—2030年 0.80% 4.5% 0.3% -2.2% -3.2% -3.3% 2031—2040年 0.75% 5.0% 0.1% -2.0% -3.0% -3.1% 中 2018—2020年 1.00% 6.0% 0.9% -2.2% -3.2% -3.3% 2021—2025年 0.95% 5.5% 0.7% -2.0% -3.0% -3.1% 2026—2030年 0.90% 5.0% 0.5% -1.8% -2.8% -2.9% 2031—2040年 0.85% 4.5% 0.3% -1.6% -2.6% -2.7% 高 2018—2020年 1.10% 6.5% 1.3% -1.8% -2.8% -2.9% 2021—2025年 1.05% 6.0% 1.1% -1.6% -2.6% -2.7% 2026—2030年 1.00% 5.5% 0.9% -1.4% -2.4% -2.5% 2031—2040年 0.95% 5.0% 0.7% -1.2% -2.2% -2.3%

根据各省市低、中、高3种影响因素变化率, 建立5种情景, 对各省市的碳排放趋势进行预测.表 4展示了5种情景的详细设置情况.
表 4(Table 4)

表 4 东部各省市碳排放情景设置 Table 4 Scenario setting of carbon emission in eastern provinces

表 4 东部各省市碳排放情景设置 Table 4 Scenario setting of carbon emission in eastern provinces 情景 具体设置 P A U IS EI ES 基准情景(S1) 中 中 中 中 中 中 产业结构优化情景(S2) 中 中 中 低 中 中 节能情景(S3) 中 中 中 中 低 低 绿色发展情景(S4) 低 低 低 低 低 低 粗放发展情景(S5) 高 高 高 高 高 高

基准情景(S1)：各影响因素变化率均选择中值.该情景反映了各省市依照“十三五”规划、人口、能源、城镇化等相关政策发展目标下未来可能的碳排放趋势, 旨在探究各省市当前规划政策对未来碳排放的影响.
产业结构优化情景(S2)：产业结构变化率选择低值, 其余各影响因素变化率均选择中值.该情景反映了各省市在现有政策的基础上, 进一步优化升级产业结构.产业结构的优化和升级是目前国家经济发展的关键, 其可促进中国的可持续发展, 因此, 各级政府都出台了相关政策.产业结构调整将使第二产业占国民经济发展的比重将有所下降, 尤其是传统工业占比, 而高新技术产业和服务业将成为国民经济发展的主导产业(Liu et al., 2018).与基准情景相比, 各省市第二产业比重将有所降低.
节能情景(S3)：能源强度与能源结构变化率选择低值, 其余各影响因素变化率均选择中值.该情景反映各省市在现有政策的基础上, 加大能源相关政策实施力度, 进行节能减排, 积极调整能源结构, 促进技术进步, 降低能源强度.因此, 各省市的能源结构、能源强度将低于基准情景.
绿色发展情景(S4)：各影响因素变化率均选择低值.该情景反映了各省市不再以经济发展为主要目标, 而是注重绿色发展, 各省市将充分考虑未来社会、经济、环境发展需求, 实施节能减排、优化产业结构等多种措施, 实现绿色发展.因此, 各省市影响因素数值将低于基准情景
粗放发展情景(S5)：各影响因素变化率均选择高值.该情景反映了各省市以经济发展为主要目标, 将较少关注污染排放和气候变化, 其经济增长是一种相对粗放的方式.快速的经济增长将不可避免地导致其能源消耗高, 环境污染大, 各省市影响因素将保持较高水平(Narayan et al., 2016; Liu et al., 2018).
4.1.2 东部各省市未来碳排放趋势分析本文基于各省市碳排放预测模型, 结合5种情景设置, 计算出不同情景下各省市2017—2040年的碳排放量(图 1), 并得出不同情景下各省市的达峰时间(表 5).
图 1(Fig. 1)

图 1 东部各省市碳排放预测 Fig. 1Carbon emission forecast of eastern provinces

表 5(Table 5)

表 5 不同情景下东部各省市达峰时间 Table 5 Province Peak times of eastern provinces under different scenarios

表 5 不同情景下东部各省市达峰时间 Table 5 Province Peak times of eastern provinces under different scenarios 省市 达峰时间 基准情景 (S1) 产业结构优化情景 (S2) 节能情景 (S3) 绿色发展情景 (S4) 粗放发展情景 (S5) 北京 2025年 2025年 2024年 2022年 2027年 天津 2026年 2025年 2026年 2023年 2028年 河北 / / / / / 辽宁 2030年 2029年 2030年 2027年 2032年 上海 2024年 2024年 2024年 2022年 2025年 江苏 2026年 2026年 2025年 2023年 2028年 浙江 2028年 2027年 2027年 2025年 2029年 福建 2034年 2033年 2034年 2032年 2034年 山东 2037年 2037年 2036年 2034年 2037年 广东 2028年 2026年 2027年 2024年 2030年 海南 / 2037年 2039年 2035年 / ??注：符号“/ ”表示2017—2040年内没有出现峰值.

根据5种情景设置及其碳排放量大小, 可将5种情景分为3类：第1类为基准情景、产业结构优化情景和节能情景；第2类为绿色发展情景；第3类为粗放发展情景.通过对比可发现, 第3类情景碳排放量最高, 第1类情景次之, 第2类情景碳排放量最低.由此可知：①注重绿色发展, 碳排放则会较早出现峰值, 且峰值水平也较低, 反之若粗放发展经济, 对污染排放控制力度低, 必将导致大量二氧化碳排放；②第1类情景中, 产业结构优化和节能情景的碳排放量低于基准情景.为保持各省市未来社会经济稳定发展, 一般不能以牺牲人口、城镇化率及人均GDP的增长率换取碳减排, 因此在基准情景的基础上, 为有效降低碳排放, 促进碳排放提前达峰, 应当优先调整产业结构、能源结构和能源强度.
根据不同情景下各省市的达峰时间可以将各省市分为3类：第1类包括北京、天津、上海、江苏、浙江、广东, 这6个省市在5种情景下的碳排放达峰时间均出现在2030年之前, 其中, 北京、上海将最早出现碳排放峰值, 峰值时间均为2022年；第2类是辽宁, 该省在部分情景中的碳排放达峰时间出现在2030年之前；第3类包括河北、福建、山东、海南, 这4个省在5种情景下的碳排放达峰时间均没有出现在2030年之前, 其中, 河北的碳排放在2040年之前没有出现峰值.由此可见, 各省市的达峰时间存在较大差异.对于第1类和第2类省市, 若有效实施现有的经济、能源和环境等相关政策, 其很可能在2030年之前碳排放达峰.而第3类省份现有的相关政策不足以支持其于2030年之前达峰, 故这类省份应执行更为严格的政策措施, 使其尽早达峰.
根据各省市5种情景下的2017—2040年平均累计碳排放量和平均达峰所用时长, 对11个省市进行聚类分析.本文首先对各省市的平均累计碳排放量和平均达峰所用时长由高到低分别依次打分为11~1, 然后将各省市分为4类, 对其进行k-均值聚类分析, 结果显示(表 6)：北京、天津、上海这3个直辖市不仅累计碳排放量低, 且达峰所用时间也较短；辽宁、浙江、江苏、广东这4个省份虽然达峰所用时间较短, 但累计碳排放量较高, 应在完成达峰目标的同时注意减少碳排放量；此外, 福建和海南虽然累计碳排放量低, 但达峰所用时间较长；而河北和山东的累计碳排放量较高, 达峰所用时间也较长.
表 6(Table 6)

表 6 东部各省市碳排放类型 Table 6 Carbon emission types in eastern provinces

表 6 东部各省市碳排放类型 Table 6 Carbon emission types in eastern provinces 分类 省市 低排放-短达峰 北京、天津、上海 低排放-长达峰 福建、海南 高排放-短达峰 辽宁、浙江、江苏、广东 高排放-长达峰 河北、山东

综上所述, 东部各省市达峰时间及其峰值存在较大差异, 很难使各省市碳排放都在2030年之前达峰, 中国应根据东部各省市实际情况制定差异化的达峰目标；河北、福建、山东和海南4个省份碳排放峰值出现时间较晚, 应重点关注；此外, 对于累计碳排放量高的省市来说, 不仅应关注达峰时间, 也应注意减少碳排放量.
4.2 东部地区达峰策略设置及分析4.2.1 东部地区达峰策略设置为了研究东部地区整体达峰情况, 并提供科学达峰的系统化策略, 基于东部各省市不同情景, 本文设置了7种东部地区达峰策略(表 7).
表 7(Table 7)

表 7 东部地区达峰策略的对应情景设置 Table 7 Strategy setting of peak reaching in eastern China

表 7 东部地区达峰策略的对应情景设置 Table 7 Strategy setting of peak reaching in eastern China 策略类型 情景设置 北京 天津 河北 辽宁 上海 江苏 浙江 福建 山东 广东 海南 基准情景策略(T1) S1 S1 S1 S1 S1 S1 S1 S1 S1 S1 S1 产业结构优化策略(T2) S2 S2 S2 S2 S2 S2 S2 S2 S2 S2 S2 节能策略(T3) S3 S3 S3 S3 S3 S3 S3 S3 S3 S3 S3 绿色发展策略(T4) S4 S4 S4 S4 S4 S4 S4 S4 S4 S4 S4 粗放发展策略(T5) S5 S5 S5 S5 S5 S5 S5 S5 S5 S5 S5 经济协同策略(T6) S4 S4 S1 S1 S4 S4 S2 S2 S2 S2 S1 能源协同策略(T7) S1 S1 S4 S3 S3 S4 S3 S3 S4 S4 S1

基准情景策略(T1)：各省市均选择基准情景(S1), 该策略表示在各省市依照既定政策的情况下, 东部地区整体未来碳排放情况.
产业结构优化策略(T2)：各省市均选择产业结构优化情景(S2), 即东部地区作为中国经济最发达的区域, 进一步优化产业结构, 促进并率先实现转型发展, 为全国的社会经济转型提供示范作用(肖金成等, 2015).
节能策略(T3)：各省市均选择节能情景(S3), 即东部地区加强优化能源结构, 降低能源强度, 提高能源效率, 实现能源的低碳发展, 以减少对环境的压力(冯本超等, 2004).
绿色发展策略(T4)：各省市均选择绿色发展情景(S4), 即各省市为使东部地区整体碳排放尽早达峰, 加大环境相关政策实施力度, 实现东部地区绿色发展.
粗放发展策略(T5)：各省市均选择粗放发展情景(S5), 即东部各省市以经济发展为主要目标, 发展模式较为粗放, 环境相关政策实施力度低于其他情景.
经济协同策略(T6)：为了使东部地区整体碳排放早日达峰并促进经济协调发展, 不同省市依据各自经济情况选择不同的情景.本文依据2017年东部各省市人均GDP(图 2a), 将11省市分为3档：第1档指人均GDP大于10万元· 人^-1的北京、上海、天津、江苏, 这4个省市经济发展好, 有能力执行更为严格的措施, 选择绿色发展情景(S4)；第2档指人均GDP在6~8万元· 人^-1的浙江、福建、广东、山东, 这4个省市经济发展较好, 可进一步优化升级产业结构, 选择产业结构优化情景(S2)；第3档指人均GDP小于6万元· 人^-1的辽宁、海南、河北, 这3个省市的经济发展一般, 选择基准情景(S1).
图 2(Fig. 2)

图 2 2017年东部各省市人均GDP (a) 及能源消耗(b) Fig. 2Per capita GDP(a) and Energy consumption(b) of eastern provinces in 2017

能源协同策略(T7)：为了控制能源消费量及其碳排放, 实现东部地区整体碳排放早日达峰, 不同省市依据各自能源消费情况选择不同的情景.本文依据2017年东部各省市能源消耗(图 2b), 将11省市分为3档：第1档指能源消耗量大于300×10⁶ t标煤的山东、广东、江苏、河北, 这4个省市的能耗量大、碳排放高, 选绿色发展情景(S4)；第2档指能源消耗量在100×10⁶~300×10⁶ t标煤的辽宁、浙江、福建、上海, 这4个省市的能耗量较大, 应进一步节能减排, 选节能情景(S3)；第3档指能源消耗量小于100×10⁶ t标煤的天津、北京、海南, 这3个省市的能耗量较小, 选基准情景(S1).
4.2.2 东部地区协同达峰策略分析7种达峰策略如图 3所示.在基准情景策略下, 东部地区碳排放在2032年达到峰值, 其峰值为5309.46×10⁶ t, 无法于2030年之前达峰.因此, 各省市应在既定政策基础上, 调整优化各要素指标, 使东部地区尽早达峰.在产业结构优化策略下, 东部地区碳排放也在2032年达到峰值, 其峰值为5171.65×10⁶ t, 与基准情景策略相比, 并不能使东部地区的达峰时间提前, 但可使峰值降低2.60%.在节能策略下, 东部地区碳排放在2031年达到峰值, 其峰值为5236.87×10⁶ t, 与基准情景策略相比, 可使东部地区达峰时间提前, 但峰值下降程度较产业结构优化策略小(1.37%).在绿色发展策略下, 东部地区碳排放在2028年达峰, 且峰值最低(5018.03×10⁶ t).在粗放发展策略下, 东部地区碳排放在2033年达峰, 且峰值最大(5497.20×10⁶ t).在经济协同策略下, 东部地区碳排放在2031年达到峰值, 其峰值为5266.08×10⁶ t.在能源协同策略下, 东部地区碳排放在2031年达到峰值, 其峰值为5130.67×10⁶ t.
图 3(Fig. 3)

图 3 东部地区碳排放预测 Fig. 3Carbon emission forecast in eastern China

综上所述, 东部地区碳排放达峰时间在2028—2033年之间, 峰值为5018.03×10⁶~5497.20×10⁶ t.若首要考虑东部地区碳排放达峰时间, 同时兼顾其峰值大小, 则7种达峰策略的选择优先程度由大到小依次为：绿色发展策略(2028年)、能源协同策略(2031年)、节能策略(2031年)、经济协同策略(2031年)、产业结构优化策略(2032年)、基准情景策略(2032年)、粗放发展策略(2033年).由此可知, 东部地区整体碳排放将在2030年左右达峰, 但除前两种达峰策略外, 其他达峰策略无法使东部地区碳排放在2030年之前达峰.因此, 东部地区的达峰形势依然不容乐观.东部地区作为中国最发达的地区, 其碳排放越早达峰越好, 这不仅有利于中国实现达峰目标, 也可缓解中国其他欠发达地区的达峰压力.故东部地区碳排放达峰的最优路径为绿色发展情景达峰策略, 该策略不仅达峰时间最早且峰值也最低.
5 讨论(Discussion)目前大多数研究认为我国碳排放峰值为8000×10⁶~18000×10⁶ t (Fang et al., 2019), 而东部地区碳排放量占全国碳排放量的1/2左右(谭丹等, 2008；刘占成等, 2010), 由此可推测东部地区的碳排放峰值应在4000×10⁶~9000×10⁶ t之间.因此, 本文预测的东部地区碳排放峰值处于较为合理的范围之内.
通过与其他相关研究的对比分析中可以发现, 本文中多数省市碳排放达峰预测与其他研究结果基本一致, 如Jiang等(2019)认为在2030年以前山东二氧化碳排放量将继续增长；Yang等(2015)和Feng等(2013)认为北京二氧化碳排放总量有望在2020—2025年间达到峰值；翁智雄等(2019)和Fang等(2019)认为河北的碳排放在未来一段时间内将保持增长, 较难达到峰值.
同时, 本文中也有少数省市的达峰预测与其他研究结果存在一定差异.例如, 本研究预测辽宁可能在2027—2032年间达到峰值, 而Fang等(2019)认为辽宁在2045年前较难达峰, 侯卉等(2019)则认为辽宁可能在2019—2036年间达到峰值, 于其最优情景下在2023年达到峰值.造成这种预测差异的原因可能在于各研究在情景设置时对不同情景赋予的政策意义不同, 因此, 对各影响因素未来变化率的设置存在差异.
6 政策建议(Policy suggestions)① 为使东部各省市有效减少碳排放, 各政府应当制定有针对性的碳减排措施.辽宁、江苏、浙江、福建、山东、海南6个省份的碳排放对人口变化最为敏感, 应该首要控制人口过快增长带来的碳排放；天津、河北、广东3个省市应该首先通过调整产业结构来减少碳排放；北京和上海则应该优先控制城镇化率来减少碳排放.
② 东部各省市的未来碳排放趋势存在较大差异, 不同省市的达峰时间及峰值大小均不相同, 因此, 各省市达峰措施的侧重点应有所不同.北京、天津、上海、江苏、浙江、广东6个省市的达峰时间在2022—2030年之间, 应在达峰的同时尽量降低峰值；辽宁达峰时间在2027—2032年间, 应使其尽可能在2030年前达峰；福建和海南达峰时间较晚, 应首先关注达峰时间；山东和河北的达峰时间较晚且碳排放量较高, 不仅应关注达峰时间, 还应注重峰值大小.
③ 我国应根据东部各省市的实际情况来制定差异化的达峰目标, 各省市应实现分阶段达峰.为使东部地区碳排放尽可能提前达峰, 对于社会经济发展较好, 有能力更早达峰的北京、天津、上海、江苏、广东5个省市来说, 应争取在2025年前达峰；浙江、辽宁两个省份则应在2025—2030年间达峰；河北、福建、山东、海南4个省份较难在2030年前达峰, 应实施更为严格的政策措施, 尽可能争取达峰时间提前.
④ 东部不同区域之间应协调发展, 位于长三角和珠三角的上海、江苏、浙江和广东经济较为发达, 应加强与欠发达地区之间的合作, 促进其技术进步、产业结构转型等, 各区域之间还应考虑增加产业共生力度, 以此来减少碳排放.
⑤ 东部地区作为中国实现达峰目标的关键区域, 应当统一规划, 适时调整各省市政策, 使其碳排放在2030年之前达峰, 并尽可能早日达峰, 以此缓解其他欠发达地区的达峰压力, 为中国其他地区的碳排放达峰提供表率作用.
7 结论(Conclusions)1) 在东部各省市中, 北京、天津、上海、江苏、浙江、广东、辽宁这7个省市可能在2030年之前达峰, 其中, 北京、上海将最早出现碳排放峰值, 达峰时间均为2022年, 而河北、福建、山东、海南4个省份碳排放较难在2030年前达峰.
2) 东部各省市的未来碳排放趋势存在较大差异, 不同省市的达峰时间及峰值大小均不相同, 中国应根据东部各省市的实际情况制定差异化的达峰目标.
3) 东部地区整体碳排放达峰时间在2028—2033年, 峰值为5018.03×10⁶~5497.20×10⁶ t, 因此, 东部地区整体碳排放可以在2030年左右达峰.但为更好实现中国整体达峰目标, 东部地区应当优先选择绿色发展策略.

参考文献

邓小乐, 孙慧. 2016. 基于STIRPAT模型的西北五省区碳排放峰值预测研究[J]. 生态经济, 32(9): 36-41.

Dietz T, Rosa E A. 1997. Effects of population and affluence on CO2 emissions[J]. Proceedings of the National Academy of Sciences of the United States of America, 94: 175-179. DOI:10.1073/pnas.94.1.175

Ehrlich P R, Holden J P. 1971. Impact of population growth[J]. Science, 171: 1212-1217. DOI:10.1126/science.171.3977.1212

Fang K, Tang Y, Zhang Q, et al. 2019. Will China peak its energy-related carbon emissions by 2030? Lessons from 30 Chinese provinces[J]. Applied Energy, 255: 113852. DOI:10.1016/j.apenergy.2019.113852

Feng Y Y, Chen S Q, Zhang L X. 2013. System dynamics modeling for urban energy consumption and CO2 emissions: a case study of Beijing, China[J]. Ecological Modelling, 252: 44-52. DOI:10.1016/j.ecolmodel.2012.09.008

冯本超, 聂锐, 杨维祥. 2004. 中国东部能源结构的分析与调整[J]. 中国矿业大学学报, (3): 113-117.

Green F, Stern N. 2017. China's changing economy: implications for its carbon dioxide emissions[J]. Climate Policy, 17(1/4): 423-442.

韩坚, 盛培宏. 2014. 产业结构、技术创新与碳排放实证研究-基于我国东部15个省(市)面板数据[J]. 上海经济研究, (8): 67-74.

侯卉, 殷赟, 卜曼曼, 等. 2019. 辽宁省碳排放预测及最优情境选择[J]. 东北大学学报(自然科学版), 40(8): 1211-1216.

黄蕊, 王铮, 刘慧雅, 等. 2012. 中国中部六省的碳排放趋势研究[J]. 经济地理, (7): 14-19.

胡方芳, 陈前利. 2019. 新疆碳排放峰值预测[J]. 区域治理, (42): 37-41.

IPCC.2006.IPCC Guidelines for National Greenhouse Gas Inventories, National Greenhouse Gas Inventories Programme[R].Japan: IGES

IPCC. 2014. Climate Change 2014:Synthesis Report[M]. Cambridge, UK/New York, USA: Cambridge University Press.

Jiang J, Ye B, Liu J. 2019. Peak of CO2 emissions in various sectors and provinces of China: Recent progress and avenues for further research[J]. Renewable and Sustainable Energy Reviews, 112: 813-833. DOI:10.1016/j.rser.2019.06.024

李长飞, 谢志伟. 2020. 技术进步、经济发展和城镇化对中国碳排放的影响-基于DEA与PVAR模型实证研究[J]. 广西质量监督导报, (5): 97+96.

林伯强. 2014. 碳排放承诺倒逼中国环保动真格[J]. 环境教育, (12): 16-17.

林伯强, 李江龙. 2015. 环境治理约束下的中国能源结构转变-基于煤炭和二氧化碳峰值的分析[J]. 中国社会科学, (9): 84-107.

李国志, 李宗植, 周明, 等. 2011. 东部地区能源碳排放的省域比较及因素分解[J]. 当代经济管理, 33(10): 48-52.

李强, 左静娴. 2017. 基于STIRPAT模型的长江经济带碳排放峰值预测研究[J]. 东北农业大学学报(社会科学版), 15(5): 53-58.

李健, 马晓芳, 苑清敏. 2019. 区域碳排放效率评价及影响因素分析[J]. 环境科学学报, 39(12): 4293-4300.

Le Quéré C, Jackson R B, Jones M W, et al. 2020. Temporary reduction in daily global CO2 emissions during the COVID-19 forced confinement[J]. Nature Climate Change, 10(7): 647. DOI:10.1038/s41558-020-0797-x

Li F, Xu Z, Ma H. 2018. Can China achieve its CO2 emissions peak by 2030?[J]. Ecological Indicators, 84: 337-344. DOI:10.1016/j.ecolind.2017.08.048

Li J F, Ma Z Y, Zhang Y X, et al. 2018. Analysis on energy demand and CO2 emissions in China following the energy production and consumption revolution strategy and china dream target[J]. Advances in Climate Change Research, 9: 16-26. DOI:10.1016/j.accre.2018.01.001

Liu D, Xiao B. 2018. Can China achieve its carbon emission peaking? A scenario analysis based on STIRPAT and system dynamics model[J]. Ecological Indicators, 93: 647-657. DOI:10.1016/j.ecolind.2018.05.049

Liu Q, Gu A, Teng F, et al. 2017. Peaking China's CO2 emissions: Trends to 2030 and Mitigation potential[J]. Energies, 10(2): 209. DOI:10.3390/en10020209

刘芳. 2020. 经济增长与CO2排放倒U型关系的实证研究-基于中国东部省份的面板数据[J]. 生产力研究, (4): 14-17+61.

刘晴川, 李强, 郑旭煦. 2017. 基于化石能源消耗的重庆市二氧化碳排放峰值预测[J]. 环境科学学报, 37(4): 1582-1593.

Liu Z, Guan D, Moore S, et al. 2015. Steps to China's carbon peak[J]. Nature, 522(7556): 279-281. DOI:10.1038/522279a

刘占成, 王安建, 于汶加, 等. 2010. 中国区域碳排放研究[J]. 地球学报, 31(5): 727-732.

芦颖, 李旭东, 杨正业. 2018. 贵州省能源碳排放现状及峰值预测[J]. 环境科学与技术, 41(11): 179-186.

罗佐县. 2020. 从SARS镜鉴看新冠疫情对经济与能源的影响[J]. 能源, (Z1): 27-28.

莫建雷, 段宏波, 范英, 等. 2018. 《巴黎协定》中我国能源和气候政策目标: 综合评估与政策选择[J]. 经济研究, 53(9): 168-181.

Narayan K P, Saboori B, Soleymani A. 2016. Economic growth and carbon emissions[J]. Economic Modelling, 53: 388-397. DOI:10.1016/j.econmod.2015.10.027

Song M, Guo X, Wu K, et al. 2015. Driving effect analysis of energy-consumption carbon emissions in the Yangtze River Delta region[J]. Journal of Cleaner Production, 103: 620-628. DOI:10.1016/j.jclepro.2014.05.095

谭丹, 黄贤金. 2008. 我国东、中、西部地区经济发展与碳排放的关联分析及比较[J]. 中国人口·资源与环境, 18(3): 54-57.

王科, 卢梅, 汪青青. 2020. 新冠疫情对中国二氧化碳排放的影响[J]. 北京理工大学学报(社会科学版), 22(4): 11-16.

王宪恩, 王泳璇, 段海燕. 2014. 区域能源消费碳排放峰值预测及可控性研究[J]. 中国人口·资源与环境, 24(8): 9-16.

翁智雄, 马忠玉, 葛察忠, 等. 2019. 不同经济发展路径下的能源需求与碳排放预测-基于河北省的分析[J]. 中国环境科学, 39(8): 3508-3517.

吴青龙, 王建明, 郭丕斌. 2018. 开放STIRPAT模型的区域碳排放峰值研究-以能源生产区域山西省为例[J]. 资源科学, 40(5): 179-190.

奚文怡, 蒋小谦, 房伟权. 2017. 中国气候变化目标进展分析[R]. 北京: 世界资源研究所. 5-10

肖洁, 张新红. 2015. 空间效应下中国东部省份碳排放驱动因素研究[J]. 哈尔滨商业大学学报(社会科学版), (6): 110-116.

肖金成, 黄征学. 2015. 促进东部地区率先转型发展的基本思路[J]. 全球化, (8): 72-84+135.

Xu B, Luo L, Lin B. 2016. A dynamic analysis of air pollution emissions in China: evidence from nonparametric additive regression models[J]. Ecological Indicators, 63: 346-358. DOI:10.1016/j.ecolind.2015.11.012

许士春, 习蓉, 何正霞. 2012. 中国能源消耗碳排放的影响因素分析及政策启示[J]. 资源科学, 34(1): 2-12.

颜艳梅, 王铮, 吴乐英, 等. 2016. 中国碳排放强度影响因素对区域差异的作用分析[J]. 环境科学学报, 36(9): 3436-3444.

Yang X, Fu L, Ding D. 2015. Issues on regional CO2 emission peak measurement: Taking Beijing as an example[J]. China Population, Resources and Environment, 25: 39-44.

Ye B, Jiang J, Li C, et al. 2017. Quantification and driving force analysis of provincial-level carbon emissions in China[J]. Applied Energy, 198(15): 223-238.

York R, Rosa E A, Dietz T. 2003. STIRPAT, IPAT and Impact: analytic tools for unpacking the driving forces of environmental impacts[J]. Ecological Economics, 46(3): 351-365. DOI:10.1016/S0921-8009(03)00188-5

Yu X, Yuan Z, Fung J C, et al. 2014. Ozone changes in response to the heavy-duty diesel truck control in the Pearl River Delta[J]. Atmospheric environment, 88: 269-274. DOI:10.1016/j.atmosenv.2013.11.022

张峰, 董会忠, 宋晓娜, 等. 2015. 中国东部11省市能源消费、碳排放与经济增长的关系[J]. 洛阳师范学院学报, 34(3): 67-73.

赵伟. 2020. 新疫冲击、经济全球化前景与中国选择[J]. 现代经济探讨, (8): 1-8.

朱永彬, 王铮, 庞丽, 等. 2009. 基于经济模拟的中国能源消费与碳排放高峰预测[J]. 地理学报, 64(8): 935-944.