环境科学研究  2018, Vol. 31 Issue (8): 1357-1365  DOI: 10.13198/j.issn.1001-6929.2018.05.12

引用本文  

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): 1357-1365.
YU Mingcheng, XU Zhanjun, YU Jian. Influencing Factors of CO2 Emission and Scenario Analysis in Shanxi Province[J]. Research of Environmental Sciences, 2018, 31(8): 1357-1365.

基金项目

国家自然科学基金青年基金项目(No.51304130);国家自然科学基金项目(No.51074154)
Supported by National Natural Science Youth Foundation of China(No.51304130); National Natural Science Foundation of China(No.51074154)

责任作者

徐占军(1983-), 男, 山西朔州人, 副教授, 博士, 主要从事土地生态、资源环境评价研究, zjxu163@126.com.

作者简介

余明成(1991-), 男, 安徽芜湖人, ymc177155@163.com

文章历史

收稿日期:2017-10-31
修订日期:2018-05-02
山西省CO2排放影响因素研究及情景分析
余明成1 , 徐占军1 , 余健2     
1. 山西农业大学资源环境学院, 山西 晋中 030801;
2. 安徽师范大学国土资源与旅游学院, 安徽 芜湖 241003
摘要:山西作为我国的能源大省,其碳排放强度更是持续位于全国最高水平,分析山西省CO2排放影响因素,探究其发展模式,对于山西省的低碳发展意义重大.基于STIRPAT模型,将山西省能源CO2排放的影响因素确定为人口、城镇化率、人均GDP、第二产业占GDP比重、能源强度.在岭回归拟合分析的基础上,利用灰色GM(1,1)模型对山西省CO2排放驱动因素值进行预测,以提高能源CO2排放预测的准确性,并结合情景分析方法,为山西省的CO2减排设计了10种不同的发展情景.结果表明:①人口对山西省CO2排放影响最大,其次是城镇化率和第二产业占GDP比重.②在当前经济发展阶段,能源强度和人均GDP等因素对山西省的CO2排放影响不大,但能源强度对CO2排放的抑制作用不可忽略.③山西省CO2减排最佳的情景方案为适当控制人口数量和城镇化进程、加快产业结构的转型和技术的革新、降低第二产业占GDP比重和能源强度,并且大力推广新能源和清洁可再生能源的开发使用以优化能源消费结构.在该情景下,山西省2020年的CO2排放量可以控制在5.16×108 t.
关键词山西省    CO2排放    STIRPAT模型    GM (1, 1)模型    情景分析    
Influencing Factors of CO2 Emission and Scenario Analysis in Shanxi Province
YU Mingcheng1 , XU Zhanjun1 , YU Jian2     
1. College of Resource and Environment, Shanxi Agricultural University, Jinzhong 030801, China;
2. College of Territorial Resources and Tourism, Anhui Normal University, Wuhu 241003, China
Abstract: As a richly energy province in China, CO2 emission intensity in Shanxi Province is sustained at the highest level in the country, the analysis on the influencing factors of CO2 emission and explore the development model of carbon emission reduction are of great significance to the development of low-carbon economy in Shanxi Province. Based on STIRPAT model, we had determined the influencing factors of energy CO2 emission in Shanxi Province, which include population, urbanization rate, per capita GDP, the secondary industry proportion of GDP and energy intensity. Based on the ridge regression fitting analysis, the grey GM(1, 1) model was used to predict the driving factors of CO2 emission in Shanxi Province, so as to improve the accuracy of energy CO2 emission prediction, and designed 10 different development scenarios for CO2 reduction by combining a scenario analysis method. The results showed that:(1) The biggest impact factor on CO2 emission in Shanxi Province was the population growth, followed by the urbanization rate and the secondary industry proportion of GDP. (2) In the current stage of economic development, energy intensity and per capita GDP had little impact on the carbon emission in Shanxi Province, but the inhibition of energy intensity on CO2 emission could not be ignored. (3) The best scenario for CO2 emission reduction in Shanxi Province was appropriate control the population and urbanization process, accelerate the transformation of industrial structure and technological innovation, reduce the secondary industry proportion of GDP and energy intensity, and vigorously promote the development and utilization of new and clean renewable energy to optimize the energy consumption structure. Under the scenario, the emissions of CO2 could be controlled to 516 million tons in 2020, Shanxi Province.
Keywords: Shanxi Province    CO2 emission    GM (1, 1) model    STIRPAT model    scenario analysis    

随着经济的快速发展和人口的不断增长,温室气体,尤其是CO2的排放也大量增加,产生了一系列环境问题,引起了全世界的广泛关注[1].我国作为发展中国家,也是CO2排放大国.我国曾在哥本哈根气候大会上做出承诺,相比于2005年,我国2020年的碳排放强度将降低40%~45%[2].长期以来,国内外学者大多从国家尺度上对CO2排放进行全局性的分析.但由于区域差异,国家层面上的研究未必切合区域的实际情况[3].因此,为了降低全国的CO2排放,不仅需要从全局出发对其加以把握,也应充分考虑各省级层面CO2排放的格局变化[4].

目前,已有众多学者对CO2排放的影响因素进行了研究,其研究方法主要分为3种:①因素分解法. GUAN等[5-6]采用SDA(结构分解分析),分析了我国CO2排放的影响因素,结果显示,降低能源强度是减少CO2排放的重要因素;QI等[7]利用LMDI(对数平均迪氏指数分解法)研究了我国能源相关的CO2排放的驱动因素,认为提高能源生产率是CO2减排的主要驱动因素;SHAO等[8]采用LMDI对影响上海市CO2排放的因素进行了分析发现,产业结构调整是减少与能源相关的CO2排放量的最显著因素. ②环境库兹涅茨曲线(EKC)法.郑丽琳等[9-10]研究了经济增长和CO2排放的关系发现,二者存在长期稳定的倒U型关系. ③基于经典IPAT等式的随机特殊形式——STIRPAT模型. York等[11-12]利用STIRPAT模型分析了人口对CO2排放量的影响,结果显示,人口是CO2排放的主要影响因素之一;Shahbaz等[13]利用STIRPAT模型对马来西亚CO2排放的影响因素进行了分析,结果表明,经济增长是促进CO2排放量增长的主要因素;ZHOU等[14-15]基于STIRPAT模型分析了产业结构转变与我国CO2排放之间的关系发现,产业结构的变化是影响CO2排放的重要因素,促进其优化升级可有效地减少CO2的排放;WANG等[16-17]在区域层面上分析了碳排放的影响因素,结果表明,城市化率对碳排放的影响最显著;张乐勤等[18]在分析安徽省能源消费碳排放驱动因子时发现,全社会固定资产投资是碳排放增长的主要驱动因子.

以上研究为分析CO2排放的驱动因素提供了良好的借鉴,但由于研究区域和角度等不同,导致结果也存在一定的差异.山西省是我国的能源大省,同时也是CO2排放的大省.近几年来,其碳排放强度位于全国最高水平[19],CO2减排任务艰巨.而以煤炭资源为主的资源型经济所引起的能源威胁和生态环境问题也日益突出.如何在有效减少CO2排放量的同时保持社会经济的平稳增长[20],如何构建最佳的发展路径以促进低碳政策的制定和实施[21],对于山西省政府将是一个重大的挑战.基于STIRPAT模型,不仅可以考虑更多的CO2排放驱动因素,排除自变量共线性问题的影响,而且能够较好地反映区域的环境压力,为区域的可持续发展提供决策依据[22].鉴于此,该研究基于STIRPAT模型对山西省能源CO2排放影响因素进行了分析,同时,为了提高CO2排放预测的准确性,利用灰色GM(1, 1)模型对山西省CO2排放驱动因素值进行预测,并结合情景分析方法,为山西省的CO2减排设计了10种不同的发展情景,以期为山西省乃至全国类似省份的低碳减排工作提供借鉴.

1 研究方法与数据来源 1.1 CO2排放量估计

根据2006年IPCC国家温室气体清单指南[23-24],山西省CO2排放量可由式(1)进行计算:

$ D = \sum\limits_{j = 1}^m {{E_j} \times {K_j} \times \left( {44/12} \right)} $ (1)

式中:D为能源消耗的CO2排放量(以C计),108 t;Bj为第j类能源的消耗量(以标准煤计),108 t;Kj为第j类能源的碳排放系数(以标准煤计);44/12是C对CO2的转换因子.煤炭、石油和天然气的碳排放系数分别取值为0.757 6、0.582 5和0.443 5,焦煤和电力的碳排放系数分别取值0.112 8和2.213 2[25].

1.2 IPAT和STIRPAT模型

IPAT模型是一个被广泛认可的环境、人口、技术和经济关系模型,其对环境、经济、人口和能源间的关系进行了较为准确的阐述[26].为了消除IPAT模型中比例变化的误差,York等[27]在IPAT模型的基础上,利用随机回归进行了改进,得到STIRPAT模型:

$ I = a \times {P^b} \times {A^c} \times {T^d} \times e $ (2)

式中:I为环境压力;a为模型系数;bcd均为指数项;P为人口数量,104人;A为富裕度,以人均GDP表示,元/人;T为技术参数,以能源强度(以标准煤计)表示,t/(104元);e为模型误差.当abcd同为1时,IPAT等式就能够被还原.

对式(2)两边分别取对数后,可得:

$ {\rm{ln}}\;I = {\rm{ln}}\;a + b{\rm{ln}}\;P + c{\rm{ln}}\;A + d{\rm{ln}}\;T + {\rm{ln}}\;e $ (3)

根据文献[18, 28-33]中选取变量的方法,并结合山西省实际情况,运用STIRPAT模型对CO2排放与其影响因素关系的计量模型进行构建:

$ Q = a \times {P^{{\beta _1}}} \times {U^{{\beta _2}}} \times {A^{{\beta _3}}} \times {S^{{\beta _4}}} \times {T^{{\beta _5}}} \times e $ (4)

为了利用回归分析确定相关参数,对式(4)分别取对数,得到:

$ \begin{array}{l} {\rm{ln}}\;Q = {\rm{ln}}\;a + {\beta _1}{\rm{ln}}\;P + {\beta _2}{\rm{ln}}\;U + {\beta _3}{\rm{ln}}\;A + \\ \;\;\;\;\;\;\;\;\;\;\;\;\;{\beta _4}{\rm{ln}}\;S + {\beta _5}{\rm{ln}}\;T + {\rm{ln}}\;e \end{array} $ (5)

式中:Q为CO2排放量,t;U代表城镇化率;S代表第二产业占GDP比重;β1β2β3β4β5均为弹性系数.

1.3 GM(1, 1)灰色预测模型

灰色预测是指对系统行为特征值的发展变化进行的预测.它是“有的信息已知, 也有的信息未知”的“小样本”,“贫信息”的不确定性系统,为了解、认识现实中所存在的问题,灰色预测可以产生及开发“部分”已知信息,进而正确地把握和描述系统运行中的变化规律[34].目前,在众多的领域中,灰色系统理论因其良好的预测效果被广泛研究和运用.作为一个复杂的系统,能源问题的可供分析样本少且信息确定不易,这在很大程度上限制了对其的分析与研究,而灰色预测能以少量的数据进行精确的数据预测.因此,以灰色GM(1, 1)模型估计2017—2020年山西省CO2排放驱动因素的预测值具有一定合理性. GM(1, 1)灰色预测模型的预测过程如下:

第1步,数据处理.以前n年的数据组成原始序列{x(0)(i), i=1, 2, …, n},新的序列由原始序列进行一次累加得到,即

$ {x^{\left( 1 \right)}}\left( k \right) = \sum\limits_{i = 1}^k {{x^{\left( 0 \right)}}} \left( i \right) $ (6)

第2步,构造矩阵:

$ \mathit{\boldsymbol{B}}\mathit{ = }\left[ \begin{array}{l} - \frac{1}{2}\left[ {{x^{\left( 1 \right)}}\left( 1 \right) + {x^{\left( 1 \right)}}\left( 2 \right)} \right]\;\;\;\;\;\;\;\;1\\ - \frac{1}{2}\left[ {{x^{\left( 1 \right)}}\left( 2 \right) + {x^{\left( 1 \right)}}\left( 3 \right)} \right]\;\;\;\;\;\;\;\;1\\ - \frac{1}{2}\left[ {{x^{\left( 1 \right)}}\left( {n - 1} \right)} \right] + {x^{\left( 1 \right)}}\left( n \right)\;\;\;\;1 \end{array} \right] $ (7)
$ {\mathit{\boldsymbol{Y}}_{\rm{N}}}{\rm{ = }}{\left[ {{x^{\left( 0 \right)}}\left( 2 \right), {x^{\left( 0 \right)}}\left( 3 \right), \cdots , {x^{\left( 0 \right)}}\left( n \right)} \right]^{\rm{T}}} $ (8)

式中,B为构造的矩阵,x(0)(i)为原始数列的各值,x(1)(k)为累加数列的各值,YN为列向量.

第3步,求系数向量. GM(1, 1)模型是一个单序列的一阶动态微分方程,其形式为

$ \frac{{{\rm{d}}\;{x^{\left( 1 \right)}}}}{{{\rm{d}}\;t}} + \alpha {x^{\left( 1 \right)}} = u $ (9)

式中,αu为灰色系数,${\mathit{\boldsymbol{\hat \alpha }}}$为系数向量,${\mathit{\boldsymbol{\hat \alpha }}}$ =[α, u]T= (BT B)-1 BTYN.

第4步,建立预测方程:

$ {{\hat x}^{(1)}}\left( {k + 1} \right) = [{x^{(0)}}\left( 1 \right) - u/\alpha ]{e^{ - \alpha k}} + u/\alpha $ (10)

式中,${\hat x}$(1)(k+1)是预测的前(k+1)年的数据累加值,x(0)(1)为原始数列的第一个值.

第5步,还原数据.利用式(11)对式(10)中的前(k+1)年的数据累加值进行累减还原,得到第k年的预测数据:

$ {{\hat x}^{(0)}}\left( k \right) = \hat x{^{(1)}}\left( k \right) - {{\hat x}^{(1)}}\left( {k - 1} \right) $ (11)

式中,${\hat x}$ (0)(k)为预测的第k年的数据,${\hat x}$ (1)(k)为预测的前k年数据之和,${\hat x}$ (1)(k-1)为预测的前(k-1)年数据之和.

第6步,模型精度检验.在确定灰色预测模型后,要利用关联度检验其预测精度.关联度检验是以对比模型预测值序列与参考值序列的相似度来进行检验.一般而言,两组数据的相似程度越高,变化趋势也就越接近,其关联度就越大.

1.4 数据来源

该研究选用的5个自变量中,能源强度数据来自1996—2016年的《中国能源统计年鉴》,人口、城镇化率、人均GDP、第二产业占GDP比重数据来自1996—2016年的《山西省统计年鉴》和山西省国民经济和社会发展统计公报.原始数据见表 1.

表 1 山西省碳排放及影响因素原始数据 Table 1 Carbon emissions and raw data of Shanxi Province
2 结果与讨论 2.1 山西省CO2排放量的估算

基于1996—2016年的面板数据,利用式(1)计算得到山西省1995—2015年的CO2排放量,结果如图 1所示. 1995—2013年山西省的CO2排放量整体上处于一个快速增长的阶段,CO2排放量共增加了5.41×108 t;年均增长率为24.83%,整体上呈波动下降的趋势.其中,1996—1999年CO2排放量呈短期下降趋势,这可能与东南亚经济危机有关,经济产出的下降使得能源投入的减少,而国务院于1996年出台的“十五小”和“新五小”法规也发挥着积极的作用,限制了高能耗、高排放、低效率的工业发展[35-36].在2000—2001年,CO2的排放量的增长尤其迅猛,年增长率更是高达66.97%,其主要原因可能是政府为恢复和发展经济,加大能源的投入,焦煤和电力等二次能源的消耗大量增加[37]所致.

图 1 1995—2015年山西省CO2排放量及年增长率 Fig.1 The CO2 emissions and annual growth rate of Shanxi Province from 1995 to 2015
2.2 STIRPAT模型的回归分析

根据收集到的指标数据,对数据进行最小二乘回归分析.结果显示,除了第二产业占GDP比重外,其他变量的VIF都大于10,其中,人均GDP和能源强度的VIF更是分别高达173.995 7和164.285 5(见表 2),这说明各个变量之间存在着严重的共线性问题.为了消除共线性的影响,该研究采用岭回归函数对STIRPAT模型重新进行拟合,岭回归系数k在(0,1)区间,以步长为0.01进行取值.当k=0.1时,岭迹图中的各参数变化趋于稳定,具体的分析结果见表 3.

表 2 普通最小二乘回归分析结果 Table 2 The results of ordinary least squares regression analysis

表 3 岭回归的分析结果(k=0.1) Table 3 The results of ridge regression analysis (k=0.1)

表 3可知,所有CO2排放驱动因素均通过了5%的显著性水平检验,R2为0.963 4,F为78.869 3,FP值为0.000 0,这表明变量间的共线性问题得到了消除,因变量和自变量之间的线性回归关系显著,其具体的拟合方程:

$ \begin{array}{l} {\rm{ln}}\;Q = - 1.442\;8 + 1.557\;5{\rm{ln}}\;P + 1.032\;4{\rm{ln}}\;U + \\ \;\;\;\;\;0.154\;7{\rm{ln}}\;A + 0.952\;6{\rm{ln}}\;S - 0.513\;7{\rm{ln}}\;T \end{array} $ (12)

由式(12)进行数学变换,可得到山西省1995—2015年的STIRPAT模型:

$ \begin{array}{l} Q = 0.236\;3 \times {P^{1.557\;5}} \times {U^{1.032\;4}} \times \\ \;\;\;\;\;{\rm{ }}{A^{0.154\;7}} \times {S^{0.952\;6}} \times {T^{ - 0.513\;7}} \end{array} $ (13)

根据式(12)系数的绝对值大小可见,对山西省CO2排放解释作用最大的是人口增长,其次是城镇化率和第二产业占GDP比重.而在山西省目前的社会经济发展阶段下,能源强度和人均GDP对山西省CO2排放的解释作用相对较弱.其中,山西省的人口总量每增长1%,CO2排放将增长1.557 5%. 1995—2015年,山西省人口总数共增加了5.87×106人,年均增长0.91%,高于同期全国年均增幅(0.27%),增速较快.随着人口的大量增加,居民对能源的绝对需求进一步加大,进而导致CO2排放量也随之增加.城镇化率是影响山西省CO2排放的第二大因素,城镇化率每增长1%,CO2排放将增长1.032 4%. 1995—2015年,城镇化率共增长了62.76%.城镇化进程的推进,提高了城镇建筑、居民住宅、交通和公共基础设施等对能源的需求及钢铁、水泥的消耗,从而促进了CO2的排放[38].第二产业占GDP比重也是影响山西省CO2排放的一个重要因素,第二产业占GDP比重每增长1%将使得CO2排放量增加0.952 6%.山西省作为典型的煤炭资源型经济地区,煤炭产业在经济增长中占主导地位[39].根据1996—2016年《山西省统计年鉴》,以煤炭为主的第二产业的能源消耗均占能源消耗总量的70%以上,这对于CO2排放量的增加有着重要的促进作用.能源强度对CO2的排放具有抑制作用,能源强度每减少1%将使得CO2排放量减少0.513 7%.能源强度与经济结构、能源结构和技术水平等相关.尽管山西省积极推进经济转型和能源结构的优化,但不合理的经济结构和以煤炭为主的能源结构在短期内无法发生重大改变,所以能源强度对山西省CO2的排放影响不大.人均GDP对山西省CO2的排放影响较小,人均GDP每增长1%,CO2排放量增长0.154 7%.山西省是一个欠发达的地区,2015年人均GDP为34 919元,远低于全国平均水平.较低的人均GDP在一定程度上降低了对能源的需求,从而导致人均GDP对山西省CO2排放的解释作用相对较弱.

2.3 运用灰色GM(1, 1)模型对山西省CO2排放驱动因素值进行预测

为了保持数据的连续性及灰色预测的小样本精度好的特点,对影响山西省CO2排放的5个因素进行研究分析,利用山西省2010—2015年CO2排放驱动因素的数据进行GM(1, 1)预测,并利用关联度对GM(1, 1)灰色预测模型的精度进行检验,结果见表 4.

表 4 预测方程及αu Table 4 Forecast equation and α, u value

表 4可见,除了第二产业占GDP比重,其他4个变量的关联度检验值均大于0.6,这表明相应的GM(1, 1)模型预测较好,可满足精度要求;而第二产业占GDP比重的关联度检验值大于0.5,这表明模型的预测亦能接受[40].此外,由图 2可见,5个变量的模拟值和实测值之间的相对误差绝大多数都小于5%,其中,城镇化率和能源强度的相对误差更是均小于1%[41].因此,整体而言,运用GM(1, 1)灰色预测的结果是可靠的.

图 2 GM(1, 1)模型的相对误差分析 Fig.2 The relative error analysis of GM (1, 1) model
2.4 情景设定

为分析评价不同节能减排政策和发展路径对山西省能源CO2排放及节能减排效果的影响,该研究设定了基准情况和综合控制情况.在综合控制情况中,考虑到山西省正处于快速发展的阶段,经济的发展势必会引起人均GDP的快速增长,对此只能协调其与CO2排放的关系,故该研究主要对影响山西省CO2排放的其他4种因素进行调控分析,即人口(P)、城镇化率(U)、第二产业占GDP比重(S)和能源强度(T),以期探索出一条适合的低碳发展道路. ①基准情况(B).指山西省按照惯有的人口增长规模、城镇化水平和能源消耗强度的现状以及第二产业发展速度,未采取进一步的节能减排措施和政策,保持惯性发展带来的CO2排放水平的情景,这基本反映了山西省自然引导型的碳排放状态.在该研究中,S1假定为所有的CO2排放驱动因素都保持当前的增长率,即以GM(1, 1)模型得到的各驱动因素的预测值,并利用STIRPAT模型估计山西省的CO2排放水平. ②综合控制情况.综合控制情况指对影响山西省CO2排放的4种主要因素〔人均GDP以GM(1, 1)模型的预测值为准〕进行全面调控优化,以促进能源结构、产业结构和城镇人口发展等方面的巨大改善,实现低碳经济.该情景运用GM(1, 1)模型对影响山西省CO2排放驱动因素的值进行模拟估计,并在研究中设定了低增长(L)和高增长(H)两种不同发展水平,以便于更好地分析比较.

2016年,山西省政府发布了《山西省“十三五”人口发展规划》.到2020年,全省的人口自然增长率控制在0.8%以下,而山西省“十二五”期间,年均自然增长率为0.49%,据此,将人口高增长率和低增长率分别设定为0.8%和0.4%.根据《山西省“十三五”控制温室气体排放规划》,到2020年,单位地区生产能耗较2015年累计下降15%,年均下降3%,故将能源强度的高增长率和低增长率分别设定为-4%和-2%.基于2010—2015年山西省的历史数据,分别计算城镇化和第二产业占GDP比重的各年增长率,并选取最大值和最小值作为各自的高增长率和低增长率.城镇化的高、低增长率分别为3.4%和2.3%,第二产业占GDP比重的高、低增长率分别为-7.4%和-3.8%.具体的情景设计方案见表 5.

表 5 参数和情景设计 Table 5 Parameters and scenario design
2.5 不同情况下CO2排放的预测

将CO2排放驱动因素的预测值(见表 6)输入STIRPAT模型〔见式(13)〕,以预测山西省2020年在不同发展水平下的CO2排放,结果见图 3.

表 6 2020年不同发展水平下CO2排放的驱动因素预测值 Table 6 Predictive values of CO2 emission drivers under different development levels in 2020

图 3 2020年不同情景下CO2的排放量 Fig.3 The CO2 emissions under different scenarios in 2020

图 3可知,2020年基准情景(S1)下山西省CO2的排放量为5.33×108 t.如果人口、城镇化率、第二产业占GDP比重和能源强度保持低速增长(S2),则2020年的CO2排放量为5.87×108 t,相对于基准情景将增加0.54×108 t.反之,如果CO2排放的各驱动因素保持高速增长(S3),CO2排放量相对于基准情景将增加0.30×108 t.

在S1的基础上,若第二产业占GDP比重和能源强度保持低增长率(S4),2020年的CO2排放量相对于基准情景将增加0.70×108 t;反之,若均保持高增长率(S5),则CO2排放量将下降0.03×108 t.由此可见,积极推动产业结构的转型,降低以重化工业为主的第二产业比重,同时,推进清洁煤技术的产业化并对相关产业进行引导和培育以提高煤炭资源的利用效率,有助于减少CO2的排放量.相对于S1,如果人口和城镇化在保持低增长率的同时,加快产业结构的转型升级和技术的革新(S6),CO2排放量将下降0.17×108 t.若在S6的基础上,城镇化进程以正常的速度推进(S7),相对于基准情景,CO2排放量将下降0.09×108 t.对比S7、S6和S1可以发现,控制人口和城镇化率的过快增长,完善人口发展调控机制,努力提升城镇化发展的质量,以及加快产业结构的优化和技术的进步,对于山西省的CO2减排有着重大的意义.在S1的基础上,若人口增长速度放缓,城镇化进程加快(S8),CO2排放量将比基准情景增加0.15×108 t.如果在S8的基础上放慢城镇化进程(S9),CO2排放量将比基准情景减少0.14×108 t.对比S9和S6,可以看出降低山西省CO2排放量,关键在于控制人口和城镇化的过快增长.在S1的基础上,如果人口和城镇化保持高增长率,第二产业占GDP比重和能源强度保持低增长率(S10),相比于基准情景,将增加20.06%,该情景下CO2排放量最大.

综上,情景S6,即人口和城镇化在保持低增长率的同时,加快产业结构的转型升级和技术的革新,CO2排放量最少,减排效果最好.人口的增长和城镇化进程的加快对CO2排放有促进作用,控制人口和城镇化能够缓解CO2排放[42-43],但山西省并非我国的人口大省,并且城镇化水平相对较低,所以要警惕盲目控制人口和城镇化.因此,在山西省未来的发展中,政府一方面应适当的控制人口数量和城镇化进程,提高人口质量,促进城镇的集约、绿色和低碳发展;另一方面,加快产业结构的转型和技术的革新,降低第二产业占GDP比重和能源强度,且大力推广新能源和清洁可再生能源的开发使用,优化能源消费结构.

3 结论

a) 人口数量对山西省CO2排放影响最大,其次是城镇化率和第二产业占GDP比重.人口数量、城镇化率、第二产业占GDP比重和人均GDP每增加1%,山西省CO2排放量将分别增加1.557 5%、1.032 4%、0.952 6%和0.154 7%.作为影响山西省CO2排放最主要的两个因素,人口的快速增长和城市化进程的加快给CO2减排工作带来了巨大的压力.所以,适当的控制人口数量和城市化进程至关重要.此外,第二产业占GDP比重也是影响CO2排放的一个重要因素,在能源消耗总量中,以煤炭产业为主的第二产业能源消耗占据主导地位,这表明调整产业结构有着巨大的CO2减排潜力.

b) 能源强度对山西省CO2排放具有一定的抑制作用,其每减少1%将使得CO2排放量减少0.513 7%.尽管在目前的社会经济发展阶段下,能源强度对CO2排放影响不大,但也不能忽视其在CO2减排中的作用.从长远角度来看,降低能源强度,优化能源消费结构,将对于减少CO2排放量和促进地区的可持续发展有着重要的意义.

c) 山西省CO2减排最佳的情景方案是人口和城镇化在保持低增长率的同时,加快产业结构的转型升级和技术的革新.在此情景下,山西省2020年的CO2排放量为5.16×108 t,与基本情景相比减少了0.17×108 t.因此,山西省政府在未来的发展中,应努力完善人口发展调控机制,提高人们的低碳生活意识,将低碳理念融入到城镇的规划和建设中,同时,大力发展低能耗、低排放等服务产业,促进产业结构的优化升级,以及积极地推动科技创新,提高能源效率,降低能源强度.

参考文献
[1]
燕华, 郭运功, 林逢春. 基于STIRPAT模型分析CO2控制下上海城市发展模式[J]. 地理学报, 2010, 65(8): 983-990.
YAN Hua, GUO Yundong, LIN Fengchun. Analyzing the developing model of Chinese cities under the control of CO2 emissions using the STIRPAT model:a case study of Shanghai[J]. Acta Geographica Sinica, 2010, 65(8): 983-990. DOI:10.11821/xb201008009 (0)
[2]
WANG Ping, WU Wanshui, ZHU Bangzhu, et al. Examining the impact factors of energy-related CO2 emissions using the STIRPAT model in Guangdong Province, China[J]. Applied Energy, 2013, 106(11): 65-71. (0)
[3]
FENG Kuishuang, DAVIS S J, SUN Laixiang, et al. Out sourcing CO2 within China[J]. Proceedings of the National Academy of Sciences of the United States of America, 2013, 110(28): 11654-11659. DOI:10.1073/pnas.1219918110 (0)
[4]
赵雲泰, 黄贤金, 钟太洋, 等. 1999-2007年中国能源消费碳排放强度空间演变特征[J]. 环境科学, 2011, 32(11): 3145-3152.
ZHAO Yuntai, HUANG Xianjin, ZHONG Taiyang, et al. Spatial pattern evolution of carbon emission intensity from energy consumption in China from 1999 to 2007[J]. Environmental Science, 2011, 32(11): 3145-3152. (0)
[5]
GUAN Dabo, HUBACEK K, WEBER C L, et al. The drivers of Chinese CO2 emissions from 1980 to 2030[J]. Global Environmental Change, 2008, 18(4): 626-634. DOI:10.1016/j.gloenvcha.2008.08.001 (0)
[6]
ZHANG Youguo. Structural decomposition analysis of sources of decarbonizing economic development in China:1992-2006[J]. Ecological Economics, 2009, 68(8): 2399-2405. (0)
[7]
QI Tianyu, WENG Yuyan, ZHANG Xiliang, et al. An analysis of the driving factors of energy-related CO2, emission reduction in China from 2005 to 2013[J]. Energy Economics, 2016, 60: 15-22. DOI:10.1016/j.eneco.2016.09.014 (0)
[8]
SHAO Shuai, YANG Lili, GAN Chunhui, et al. Using an extended LMDI model to explore techno-economic drivers of energy-related industrial CO2, emission changes:a case study for Shanghai(China)[J]. Renewable & Sustainable Energy Reviews, 2016, 55: 516-536. (0)
[9]
郑丽琳, 朱启贵. 中国碳排放库兹涅茨曲线存在性研究[J]. 统计研究, 2012, 29(5): 58-65.
ZHENG Lilin, ZHU Qigui. Study on existence of environmental Kuznets curve of carbon emissions in China[J]. Statistical Research, 2012, 29(5): 58-65. (0)
[10]
SHAHBAZ M, MUTASCU M, AZIM P. Environmental Kuznets curve in Romania and the role of energy consumption[J]. Renewable & Sustainable Energy Reviews, 2013, 18(2): 165-173. (0)
[11]
YORK R, ROSA E A, DIETZ T. A rift in modernity?assessing the anthropogenic sources of global climate change with the STIRPAT model[J]. International Journal of Sociology & Social Policy, 2003, 23(10): 31-51. (0)
[12]
SHI Anqing. The impact of population pressure on global carbon dioxide emissions, 1975-1996:evidence from pooled cross-country data[J]. Ecological Economics, 2003, 44(1): 29-42. DOI:10.1016/S0921-8009(02)00223-9 (0)
[13]
SHAHBAZ M, LOGANATHAN N, MUZAFFAR A T, et al. How urbanization affects CO2 emissions in Malaysia? the application of STIRPAT model[J]. Renewable & Sustainable Energy Reviews, 2016, 57: 83-93. (0)
[14]
ZHOU Xiaoyan, ZHANG Jie, LI Junpeng. Industrial structural transformation and carbon dioxide emissions in China[J]. Energy Policy, 2013, 57(3): 43-51. (0)
[15]
TIAN Xin, CHANG Miao, SHI Feng, et al. How does industrial structure change impact carbon dioxide emissions? a comparative analysis focusing on nine provincial regions in China[J]. Environmental Science & Policy, 2014, 37(3): 243-254. (0)
[16]
WANG Zhaohua, YIN Fangchao, ZHANG Yixiang, et al. An empirical research on the influencing factors of regional CO2 emissions:evidence from Beijing City, China[J]. Applied Energy, 2012, 100(4): 277-284. (0)
[17]
吴振信, 石佳. 基于STIRPAT和GM(1, 1)模型的北京能源碳排放影响因素分析及趋势预测[J]. 中国管理科学, 2012, 20(2): 803-809.
WU Zhenxin, SHI Jia. The influencing factor analysis and trend forecasting of Beijing energy carbon emission based on STIRPAT and GM(1, 1) model's[J]. Chinese Journal of Management Science, 2012, 20(2): 803-809. (0)
[18]
张乐勤, 李荣富, 陈素平, 等. 安徽省1995-2009年能源消费碳排放驱动因子分析及趋势预测:基于STIRPAT模型[J]. 资源科学, 2012, 34(2): 316-327.
ZHANG Leqin, LI Rongfu, CHEN Suping, et al. Trend prediction and analysis of driving factors of carbon emissions from energy consumption during the period 1995-2009 in Anhui Province based on the STIRPAT model[J]. Resources Science, 2012, 34(2): 316-327. (0)
[19]
赵国浩, 李玮, 张荣霞, 等. 基于随机前沿模型的山西省碳排放效率评价[J]. 资源科学, 2012, 34(10): 1965-1971.
ZHAO Guohao, LI Wei, ZHANG Rongxia, et al. Evaluation of carbon emission efficiency for Shanxi using stochastic frontier analysis[J]. Resources Science, 2012, 34(10): 1965-1971. (0)
[20]
WANG Changjian, ZHANG Xiaolei, WANG Fei, et al. Decomposition of energy-related carbon emissions in Xinjiang and relative mitigation policy recommendations[J]. Frontiers of Earth Science, 2015, 9(1): 65-76. DOI:10.1007/s11707-014-0442-y (0)
[21]
WANG Changjian, WANG Fei. Structur alde composition analysis of carbon emissions and policy recommendations for energy sustainability in Xinjiang[J]. Sustainability, 2015, 7(6): 7548-7567. DOI:10.3390/su7067548 (0)
[22]
陈操操, 刘春兰, 汪浩, 等. 北京市能源消费碳足迹影响因素分析:基于STIRPAT模型和偏小二乘模型[J]. 中国环境科学, 2014, 34(6): 1622-1632.
CHEN Caocao, LIU Chunlan, WANG Hao, et al. Examining the impact factors of energy consumption related carbon footprints using the STIRPAT model and PLS model in Beijing[J]. China Environmental Science, 2014, 34(6): 1622-1632. (0)
[23]
徐国泉, 刘则渊, 姜照华. 中国碳排放的因素分解模型及实证分析:1995-2004[J]. 中国人口·资源与环境, 2006, 16(6): 158-161.
XU Guoquan, LIU Zeyuan, JIANG Zhaohua. Decomposition model and empirical study of carbon emissions for China, 1995-2004[J]. China Population, Resources and Environment, 2006, 16(6): 158-161. (0)
[24]
Intergovernmental Panel on Climate Change(IPCC). IPCC guidelines for national greenhouse gas inventories[S]. Paris: Intergovernmental Panel on Climate Change, United Nations Environment Programme, Organization for Economic Co-Operation and Development, International Energy Agency, 2006. (0)
[25]
国家发展和改革委员会能源研究所. 中国可持续发展能源暨碳排放情景分析综合报告[R/OL]. 北京: 国家发展和改革委员会. 2003[2017-07-25].
http://web.cenet.org.cn/upfile/77222.pdf. (0)
[26]
EHRLICH P R, HOLDREN J P. Impact of population growth[J]. Science, 1971, 171(3977): 1212-1217. DOI:10.1126/science.171.3977.1212 (0)
[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. DOI:10.1016/S0921-8009(03)00188-5 (0)
[28]
FU Bitian, WU Meng, CHE Yue, et al. The strategy of a low-carbon economy based on the STIRPAT and SD models[J]. Acta Ecologica Sinica, 2015, 35(4): 76-82. DOI:10.1016/j.chnaes.2015.06.008 (0)
[29]
WEN Lei, LIU Yanjun. The peak value of carbon emissions in the Beijing-Tianjin-Hebei Region based on the STIRPAT model and scenario design[J]. Polish Journal of Environmental Studies, 2016, 25(2): 823-834. DOI:10.15244/pjoes/61244 (0)
[30]
WANG Mingwei, YUE Che, KAI Yang, et al. Alocal-scale low-carbon plan based on the STIRPAT model and the scenario method:the case of Minhang District, Shanghai, China[J]. Energy Policy, 2011, 39(11): 6981-6990. DOI:10.1016/j.enpol.2011.07.041 (0)
[31]
CONG Xilong, ZHAO Meijiao, LI Longxi. Analysis of carbon dioxide emissions of buildings in different regions of China based on STIRPAT model[J]. Procedia Engineering, 2015, 121: 645-652. DOI:10.1016/j.proeng.2015.08.1057 (0)
[32]
WANG Changjian, WEN Bin, WANG Fei, et al. Factors driving energy-related carbon emissions in Xinjiang:applying the extended STIRPAT model[J]. Polish Journal of Environmental Studies, 2017, 26(4): 1747-1755. DOI:10.15244/pjoes/68962 (0)
[33]
赵敏, 张卫国, 俞立中. 上海市能源消费碳排放分析[J]. 环境科学研究, 2009, 22(8): 984-989.
ZHAO Min, ZHANG Weiguo, YU Lizhong. Carbon emissions from energy consumption in Shanghai City[J]. Research of Environmental Sciences, 2009, 22(8): 984-989. (0)
[34]
徐明德. 灰色GM(1, 1)模型及其在能源预测中的应用[J]. 应用能源技术, 1995(2): 5-7.
XU Mingde. Application of grey prediction model GM(1, 1)in energy prediction[J]. Applied Energy Technology, 1995(2): 5-7. (0)
[35]
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 Qin, PENG Xizhe, LU Zhiming, et al. Factors decomposition and empirical analysis of variations in energy carbon emission in China[J]. Resources Science, 2009, 31(12): 2072-2079. (0)
[36]
张一品, 钱贵霞. 山西省能源消费碳排放变化的因素分析[J]. 煤炭经济研究, 2012, 32(2): 42-46.
ZHANG Yiping, QIAN Guixia. Analysis on factors of carbon emission variation for energy consumption in Shanxi Province[J]. Coal Economic Research, 2012, 32(2): 42-46. (0)
[37]
山西省统计局. 山西统计年鉴:2002[M]. 北京: 中国统计出版社, 2002. (0)
[38]
彭希哲, 朱勤. 我国人口态势与消费模式对碳排放的影响分析[J]. 人口研究, 2010, 34(1): 48-58.
PENG Xizhe, ZHU Qin. Impacts of population dynamics and consumption pattern on carbon emission in China[J]. Population Research, 2010, 34(1): 48-58. (0)
[39]
吴青龙, 王云, 郭丕斌. 空间距离演变视角的资源型经济转型研究:以山西煤炭经济为例[J]. 经济问题, 2016(3): 107-111.
WU Qinglong, WANG Yun, GUO Pibin. Resourcebased economic transformation research on the perspective of spatial distance evolution:Shanxi coal economy as an example[J]. On Economic Problems, 2016(3): 107-111. (0)
[40]
吴涛, 李必强, 钱正芳. GM(1, 1)模型的关联度检验分析[J]. 武汉理工大学学报, 2002, 24(6): 85-87.
WU Tao, LI Biqiang, QIAN Zhengfang. Relational coefficient test analysis for GM(1, 1)[J]. Journal of Wuhan University of Technology, 2002, 24(6): 85-87. (0)
[41]
刘树, 王燕, 胡凤阁. 对灰色预测模型残差问题的探讨[J]. 统计与决策, 2008(1): 9-11.
LIU Shu, WANG Yan, HU Fengge. Discussion on residual problem of grey forecasting model[J]. Statistics and Decision, 2008(1): 9-11. (0)
[42]
邵红梅. 人口因素对碳排放的影响研究[D]. 武汉: 武汉大学, 2012: 87-93. (0)
[43]
孙昌龙, 靳诺, 张小雷, 等. 城市化不同演化阶段对碳排放的影响差异[J]. 地理科学, 2013, 33(3): 266-272.
SUN Changlong, JIN Nuo, ZHANG Xiaolei, et al. The impact of urbanization on the CO2 emission in the various development stages[J]. Scientia Geographica Sinica, 2013, 33(3): 266-272. (0)