西安市工业产业碳排放驱动因素分析及碳达峰情景预测-HTML全文-中国可持续发展评论-科学足迹出版社(SFP)

西安市工业产业碳排放驱动因素分析及碳达峰情景预测

董瑞^1,2

(1. 西安培华学院会计与金融学院, 西安 710199
2. 西安交通大学能源与动力工程学院, 西安 710049)

摘要: 西安市作为西部地区的核心城市和我国工业基础重要来源, 分析其工业产业碳排放驱动因素及碳达峰预测对我国可持续发展至关重要。本研究利用LMDI方法对西安市工业二氧化碳排放的影响因素进行分解, 然后采用岭回归法和STIRPAT模型分析四大驱动因素对碳排放的定量影响, 最后采用情景分析法预测了未来15年三种不同发展情景下的西安市工业产业碳排放情况和碳达峰时间。研究发现: (1) 2013—2022年西安市工业碳排放总量呈负增长, 其中能源强度与能源结构负效应显著, 贡献率分别为376. 92%和210. 95%, 而经济发展和人口规模表现为碳排放增量的正效应, 贡献率分别为-288. 64%和-199. 24%。 (2) 2023—2040年, 西安市工业碳排放预计先上升后下降, 主要受人口规模影响, 弹性因子1. 735。 (3) 低碳和基准发展情景有助于西安市工业提前完成碳达峰目标, 但高碳模式在2040年都难以实现碳达峰。基准情景是西安市工业发展最佳模式, 预计2028年碳达峰, 峰值4941. 89万吨。本研究可为开发西安市工业产业合理的碳达峰形成路径提供理论依据, 并帮助决策者制定相应的高质量发展路径。

关键词: 工业碳排放, LMDI分解, STIRPAT模型, 碳达峰预测

DOI: 10.48014/csdr.20240927001

引用格式: 董瑞. 西安市工业产业碳排放驱动因素分析及碳达峰情景预测[J]. 中国可持续发展评论, 2024, 3(4): 120-133.

文章类型: 研究性论文

收稿日期: 2024-09-27

接收日期: 2024-10-25

出版日期: 2024-12-28

1　引言

人类活动加剧气候变暖，威胁生态系统及人类生存，我国在2020年9 月所承诺的碳达峰和碳中和目标便是应对关键，也是我们的大国态度及行动策略。根据英国能源研究院2024年发布的《世界能源统计评论》^[1^]，2023年我国在能源使用、工业过程、燃烧和甲烷的温室气体排放量达到126.035 亿吨，增长了6%，全球占比31.2%^[1^]。由于碳排放总量大、份额高，我国已然成为全球碳减排的焦点，因此推动双碳目标不仅可以促进我国实现高质量的发展，还可以为我国争取更多国际能源治理的话语权。据统计，工业碳排放占我国全社会碳排放的比重在70%左右，因此如何推动工业产业碳达峰是我国亟待解决的关键问题。我国经济社会发展存在显著的区域不均衡，工业化进程自东向西呈梯度推进，随着东部及中部地区工业化的接连实现，资源消耗型与劳动密集型产业逐步向西部区域迁移。这一迁移往往伴随着能源消耗的增加和碳排放的地理转移，导致西部地区的工业化已然成为推迟实现碳达峰的一个重要因素。因此，亟须通过改进其工业发展模式来有效管控碳排放，在实现自身可持续发展的同时，为全国碳达峰目标做出积极贡献。

因此，本文选择西部地区的典型城市西安作为研究对象，研究西安市工业产业碳排放不仅可以促进西部地区工业转型升级及区域经济发展，还有助于更准确地把握我国碳排放的总体趋势和特征，推动全国各地区的协调发展，帮助政府更好更快地抓住减排重点，共同实现碳达峰目标。

2　文献综述

当前，对于区域产业碳达峰的研究主要集中在实现碳达峰的时间以及路径政策探析。研究者们通常采用Kaya方程^[2^]、指数分解法(IDA)^[³^]、结构分解法(SDA)^[⁴^]等分解影响碳排放的驱动因素，得到关键因子展开政策探讨。

其中，IDA中的对数平均迪氏分解方法(Logarithmic Mean Divisia Index，LMDI)因其易于建模、更具可取性、更适合解释结果、在消除残差的同时满足因子可逆性等优点而被广泛使用^[5^]。邓吉祥等人^[6^]利用LMDI法对中国八大区域1995—2010年二氧化碳排放的驱动因素进行分解，研究结果显示人均GDP是我国碳排放增长的主导驱动因子，而能源强度效应则明显降低了碳排放总量。另外人口数量及能源结构分别表现出微弱正效应及负效应。据此提出引进先进技术，提高能源效率，加强全民减排意识，优化产业结构等针对性区域减排措施。Shen等^[7^]首先采用Kaya恒等式与LMDI指数分解相结合对中国西北地区能源相关碳排放的影响因素进行分解，随后利用Tapio和LMDI模型分析了能源相关碳排放与经济增长之间的解耦关系的演变，研究发现经济增长和城市扩张对碳排放和经济脱钩抑制的贡献最大，而人口聚集的贡献则最小。Jiang等^[8^]利用LMDI构建了我国2008—2019年碳排放变化的因素分解模型，并分析了不同因素的贡献量和贡献率。结果发现研究期间，经济增长是促进碳排放的主要因素，累计贡献率为284.16%;产业结构优化对于碳排放的抑制效果较好，累计贡献率约为-199.21%。但是不同区域的影响因素表现效果有显著差异，例如东北地区的人口规模和东部沿海经济区的产业结构优化与其他经济区的作用方向相反，引导研究者们提出了实施局部减排战略、促进经济区协同减排的政策建议。Eleni等^[9^]将家庭规模和家庭数量引入LMDI因素分解模型，研究了中国、印度和巴西这三个金砖国家的能源相关与电力相关碳排放的驱动因素，研究表明在应对能源相关的碳排放时，收入和人口因素起积极的决定性作用，而电力相关的碳排放增量主要依赖于家庭规模和家庭数量的扩张。

此外，在碳排放峰值预测方面，研究者采用研究者采用了多种多样的研究方法。姜克隽等人^[10^]利用中国能源环境政策综合评估(IPAC)模型，深入探讨了在全球2℃温升控制目标下我国碳排放情景，随后通过对关键影响因素的分析评估了实现这些情景的可行性。研究揭示，鉴于经济高质量转型、可再生能源的蓬勃发展、碳捕获与封存技术的不断进步，以及民众低碳生活方式的积极转变，我国有望在2025年甚至更早完成碳达峰，且预计峰值总量约90亿吨。王铮等人^[11^]构建了一个经济动力学模型，旨在通过计算模拟来描绘中国经济的最优增长路径。他们综合考虑了产业结构的变化以及森林碳汇能力等因素，对2050年前的碳排放特征及碳达峰水平进行了预测。研究结果显示，中国的能源消费有望在2031年达到碳排放峰值，预测该峰值将达到2637百万吨。STIRPAT模型^[12^]是IPAT方程的一种扩展形式，因其能够提供深入、系统和多维度的碳排放变化分析，因此常被用于碳排放预测和政策制定。黄蕊等人^[13^]构建了一个STIRPAT模型，并且以人口、人均GDP和技术水平为核心要素创设了8种发展情景，以合理预测江苏省在2020年至2050年间的碳排放趋势。研究表明，在维持低的人口与人均GDP增长率以及高技术增长率的综合条件下，江苏省的碳排放增长速度将达到最低水平。据此预测，至2050年，江苏省碳排放量将控制在514.82百万吨以内。赵慈等人^[14^]建立了修正的STIRPAT模型分析浙江省碳排放的影响因素，另外设定了低碳、基准和强化低碳三种情景来预测2018—2035年浙江省碳排放情形，研究表明三种情景下浙江省均能在2030年前实现碳达峰目标。姜克隽等人^[15^]深入探究了大气雾霾治理政策对经济发展的深远影响，并在此基础上总结提炼了一系列行之有效的污染防治经验措施。研究旨在推进我国环境质量的持续改善与经济社会的和谐发展，同时为实现CO₂的深度减排奠定坚实基础。通过这一系列努力，我国有望在2030年前顺利达成碳达峰的宏伟目标。Cao等^[16^]通过聚类分析选取4个重点排放工业产业，随后构建扩展的Stirpat模型来分析江苏省重点工业产业碳排放的影响因素，然后利用情景分析预测2019—2030年的碳排放情况。研究表明，江苏省重点排放产业的碳排放量将在2030年接近峰值。

综上所述，“双碳”背景下的碳减排问题始终受到学者们的广泛关注，对碳排放的计算和实证分析的研究业日益成熟。而碳达峰目标的实现离不开全国各区域的共同努力，作为西部地区的核心城市，西安市工业化步伐迟缓的同时亦面临着经济发展动力不足、产业结构单一等严峻挑战。因此通过剖析西安市的碳排放情况，不仅可以揭示西部地区面临的共性问题和挑战，还能积极采取相应的区域策略加以解决，有助于促进西部地区的经济发展和产业升级，推动全国范围内的均衡发展，共同实现碳达峰目标。尤为值得一提的是，西安市作为首批国家碳达峰试点城市之一，在碳达峰实践中的探索发挥着重要的示范引领作用。作为全国碳排放构成的重要一环，西安市的碳排放峰值趋势及管理，不仅直接映射出我国碳达峰的成效，更是国家整体碳排放战略布局中一枚举足轻重的棋子，其动态变化深刻影响着我国碳达峰的步伐。

因此，本研究首先采用LMDI法对西安市工业二氧化碳排放的主要驱动因素进行了识别和定量分析，其次构建STIRPAT模型对驱动因素进行弹性分析，最后再根据西安市实际发展战略设置不同的发展情景，预测2023—2040年西安市工业产业碳排放总量及碳达峰情况，提出了对决策者建设低碳城市的针对性政策建议，有助于促进西安市低碳高质量发展，对环境保护和实现区域双碳目标具有前瞻性意义。

3　研究创新点

本文的创新之处在于:(1)以往的研究重心多集中于国家和地方政府层面的碳排放监管，而对于西部地区工业范畴内的碳减排策略依旧缺乏深入且细致的探讨。针对这一现状，本研究利用西安市工业能源和碳排放规模的面板数据构建模型，旨在深入挖掘并理解驱动碳排放的关键因素。(2)本研究通过融合STIRPAT与LMDI方法，更全面准确地对碳排放的驱动因素进行了深入剖析。同时依托历史数据与相关政策，科学设定了多种情景模式下的参数，旨在更清晰地洞察工业发展动态趋势，为西安市工业领域实现碳达峰目标提供有力指导，并推动其向可持续发展的未来稳步迈进。

4　研究区域概况

西安市作为我国能源输出大省陕西的省会城市，不仅是国家重要的教育科研和工业基地，也是“一带一路”倡议中的重要经济带。西安市工业体系较为完善，重点涵盖了燃煤加工、汽车等运输设备制造、医药及食品制造、电子设备制造等多个行业，工业经济也保持了稳定增长。然而，由于西安市是我国传统的能源消费城市，其主要能源消耗主要来自于煤炭、石油等化石能源，所以在一定程度上工业产业的发展也加剧了碳排放量的增加，对生态环境造成了很大的压力。随着国家对碳达峰、碳中和目标的不断推进，西安市在节能减排方面也采取了相关的政策取得了显著成效，但工业产业的碳排放问题依然严峻。因此，为了深化西安市工业产业低碳转型发展，本研究选择2013—2022年间西安市工业产业的能源消费与碳排放相关数据作为面板数据^[17^]，深入分析西安市工业产业的碳排放现状、减排措施及未来发展趋势，为西安市乃至全国的绿色低碳转型提供有力支撑。

5　数据来源与模型构建

5.1　数据来源

当前研究者大多采用气候变化专门委员会(IPCC)给出的排放因子法计算碳排放量，但中国碳排放数据库(CEADs)研究团队依据能耗数据计算发现，IPCC给出的排放因子比我国实际情况下的排放因子高出40%左右，导致最后估算的碳排放数据不甚准确，因此本文采用CEADs公布的西安市工业碳排放数据^[17^]，其余数据均取自《西安统计年鉴》^[18^]。

5.2　LMDI模型

我们基于Kaya的修订方程^[2^]分解西安市工业产业碳排放的驱动因素，将其分解为能源结构、能源强度、经济发展和人口规模，这些因素通过扩展的Kaya模型表示如下等式(1):

C^t=×××POP
=E_S×E_I×G×P (1)

式中，C^t代表在t年的碳排放总量;E代表工业部门能源消费总量;GDP代表GDP总量，POP代表年末常住人口总数;E_S代表能源结构，E_I代表能源强度，G代表经济发展水平，P代表人口规模大小。其中E_S和E_I代表了能源水平对碳排放的影响，而G和P则代表了经济水平的影响。

同时，本研究选择加法LMDI对Kaya恒等式的分解结果，专门分析了各分解因子对工业产业碳排放的作用机制，如下式(2)所示:

ΔC=ΔC_S+ΔC_I+ΔC_G+ΔC_P(2)

式中，ΔC定义为综合效应;ΔC_S为能源消费结构效应;ΔC_I为能源强度效应;ΔC_G为经济效应;ΔC_P为人口效应。这4个驱动因素的逐年效应计算公式如下:

ΔC_S=×ln(3)

ΔC_I=×ln(4)

ΔC_G=×ln(5)

ΔCP=×ln(6)

为了更好地比较研究期间不同驱动因素对碳排放的贡献以及同一个驱动因素对不同年份间碳排放的贡献，本文将以上4个分解效应的贡献程度定义如下:

δS=
δI=
δG=
δP=(7)

5.3　扩展的STIRPAT模型

Ehrlich等^[19^]首次提出建立 “I=PAT” 环境压力方程，描述“人口规模(P)”、“人均财富(A)”和“技术水平(T)”对“环境”(I)的影响，该方程可以通过保持其他因素稳定的基础下改变某个因素来探究社会人口因素对环境的压力大小，但该模型最大的缺点就是各变量只能以相同速度发生变化。为了弥补这个缺陷，York^[20^]构建了一个基于IPAT方法的随机STIRPAT模型，表达式如下所示，其中，a为模型系数，b、c、d表示弹性系数，e 为随机误差项:

I=aP^bA^cT^de(8)

扩展后的STIRPAT模型更加的全面，在进行环境影响评估时可以引入多个自变量来检验其对环境的影响程度，识别出关键因子。为了便于检验人为因素对环境环境的影响，更好地克服模型的异方差，对等式进行了对数变换并得到以下方程:

lnI=lna+b(lnP)+cln(A)+
dln(T)+lne (9)

为了研究西安市工业产业碳排放问题，结合LMDI模型，本研究选取工业产业碳排放总量(C)为环境压力，依次构建能源结构(S)、能源强度(I)、经济发展(G)、人口规模(P)等因素对STIRPAT模型进行了如下扩展:

lnC=lna+b(lnS)+cln(I)+
dln(G)+fln(P)+lne (10)

其中，f与上文b、c、d一样，均表示弹性系数，其余变量与上文解释一致。

6　研究结果与分析

6.1　西安市工业碳排放现状及其影响因素

6.1.1　西安市工业碳排放现状

(1)工业碳排放与经济发展分析

陈劭锋等^[21^]的研究揭示了一个重要规律:长期视角下，国家或地区的碳排放与经济发展之间存在着一个演变规律，具体表现为三个相继出现的“倒U型”曲线——即首先跨越“碳排放强度倒U型曲线”、接着是“人均碳排放量倒U型曲线”、最终跨越“碳排放总量倒U型曲线”。尽管西安市在工业化道路上步伐稍缓，但在“十三五”规划期间，通过实施一系列策略，如优化能源结构、提升节能效率等，其在绿色低碳发展方面已初见成效，具体表现为自2015年起碳排放强度逐年递减，标志着西安市已开始逐步跨越首个经济发展与碳排放关系的倒U型曲线高峰。然而，值得注意的是，尽管技术创新在一定程度上带来了环境效益，但这些收益仍未能有效抵消因经济发展加速而带来的碳排放增长。因此，西安市的人均碳排放量目前仍处于上升阶段，尚未得到有效控制。面对这一挑战，有必要调整经济发展策略，适当控制经济增长速度，促使经济模式从高速增长向低速但更高质量的发展转变，以期在未来能够顺利跨越“人均碳排放量倒U型曲线”的峰值，实现更加可持续的发展路径。

(2)行业结构分析

为了更加精准地制定碳减排政策，明确工业产业碳减排重点区域，本研究对27 个规模以上工业行业碳排放量进行详细分析，从而有针对性地采取措施推动低碳产业的发展，限制高碳行业的扩张。2013—2022年工业部门碳排放占比核算结果如图1所示，西安市工业行业碳排放主要来源于六大行业，主要从事食品加工业(2.52%)、化学品加工制造业(7.54%)、矿物制品加工制造业(5.07%)、汽车制造业(3.28%)、电信相关设备加工制造业(5.41%)以及电热能源生产供应业(60.01%)。其中电力、热力生产和供应业碳排放占比最大，占比基本稳定在60%以上，并且近十年间没有明显变化，这主要是由于该行业属于民生保障行业，并且在很大程度上仍然依赖于煤炭、石油和天然气等化石燃料，而这些燃料的燃烧正是碳排放的主要来源^[21^]。所以未来要致力于在电力、热力生产和供应业做好能源技术创新，以达到有效的碳减排目标。

图1　2013—2022年西安市工业行业碳排放总量行业占比

Fig.1　Industry share of industrial total carbon emissions in Xi' an(2013—2022)

根据变化趋势进行分析可知，在研究期间碳排放占比明显减少的行业是石油、煤炭和其他燃料加工业和铁路、船舶、航空航天和运输设备制造业。前者从2013年的6.56%快速下降至2022年的0.13%，这可能是因为西安市积极推广清洁能源的使用，如太阳能、风能等，逐步替代传统的化石燃料，从而减少了石油、煤炭等燃料的消费量，进而降低了该行业的碳排放量。后者的碳排放占比在十年内从3.54%降至0.48%，这一趋势主要归功于技术的创新，西安市运输设备制造业在不断地改造升级相关技术，提高了制造过程中的能源利用效率，减少了不必要的能源消耗和碳排放。相反地，有2个行业的碳排放占比在研究期间呈不断上升趋势，分别是汽车制造业(1.10%增至3.76%)和计算机、通信和电子设备制造业(1.09%增至9.98%)，主要是因为西安市科技制造业和先进制造业领域在这十年来得到了迅猛的发展，展现出了强大的竞争力，位列全国第二，仅次于上海，其中新能源汽车制造产量更是一跃成为全国第一。因此，尽管科技制造行业的技术在不断的绿色革新，但数量上的增长同样带来了碳排放量在一定程度上的提升。

(3)能源结构分析

动态分析不同类型能源消耗产生的二氧化碳排放量可以更好地优化工业产业的能源结构，因此本研究选取六大工业用能进行西安市工业产业碳排放能源结构统计。结果如图2所示，2013—2019年间碳排放能源年均占比由高到低依次为:原煤(78.34%)> 电力(11.36%)> 天然气(6.03%)> 热力(2.82%)> 柴油(1.07%)> 汽油(0.38%)，其中原煤碳排放占比在2014年高达82%。这可能是因为过去西安市为了经济快速发展，不断地进行工业扩张，企业对原煤的需求量始终很高，导致碳排放量难以下降。而自2020年起，原煤碳排放量占比跌落至60%左右，同时天然气的利用率大幅度提升，达到了20%以上。这直接说明了西安市正在逐渐打破煤炭能源的主导地位，降低对化石能源的依赖性，以期实现2025年远景目标，为创造加大清洁能源使用量的能源新格局奠定基础。

图2　2013—2022年西安市工业行业碳排放总量能源品种占比

Fig.2　Energy type share of industrial total carbon emissions in Xi' an(2013—2022)

6.1.2　西安市工业碳排放影响因素分解

采用LMDI法分解影响碳排放的驱动因素，同时分析每个因素的影响效应及贡献率。研究结果可见表1、表2及图3，研究表明，2013—2022年西安市工业产业碳排放总量呈不断下降趋势，累计减少量约为667.5387 万吨，年均下降率6.1%，而不同驱动因素对西安市工业产业碳排放总量变化的影响也存在显著差异。观察碳排放增量效应分解图可知，能源强度对碳排放的抑制影响程度最大，在2014年的贡献率高达647.43%，10年累积贡献率为376.92%。而能源结构的负效应累积贡献率为210.95%，而在近几年的观察中，这一比率主要集中在大约140%的范围内，且变化态势趋于平稳。经济发展和人口规模与之相反，在2013—2022年展现出了对碳排放的促进作用，累积贡献率分别为-288.64%和-199.24%，并且人口规模对排放的影响逐年减弱。

表1　2013—2022年西安市工业产业碳排放增长效应因素分解/万吨

Table 1　The decomposition of the growth effect of industrial carbon emissions analysis table in Xi’an(2013—2022)

年份	能源结构效应	能源强度效应	经济发展效应	人口规模效应	总效应/万吨
2013	-1382.012386	502.1353172	457.8260399	16.16237475	-405.89
2014	361.3996341	-874.5525924	362.209708	15.86325034	-135.08
2015	41.81371698	-671.3251153	-187.2777284	434.2591267	-382.53
2016	-234.3721653	-176.0288389	98.07355035	121.5474538	-190.78
2017	-732.9913399	582.290463	154.2867128	285.4441641	289.03
2018	424.5110979	-559.759883	284.3137762	160.1950089	309.26
2019	-29.88923562	-534.6533927	213.0432442	119.9493842	-231.55
2020	941.2518922	-526.7780353	56.15855206	168.8375911	639.47
2021	-121.2140934	-249.1585144	290.2125127	-25.44990492	-105.61
2022	-676.6988853	-8.275398408	197.9147195	33.19956418	-453.86
合计	-1408.20177	-2516.10599	1926.76109	1330.00801	-667.54

表2　2013—2022年西安市工业产业碳排放增长效应因素贡献率

Table 2　Contribution rate of factors to the growth effect of industrial carbon emissions analysis in Xi’an(2013—2022)

年份	能源结构效应	能源强度效应	经济发展效应	人口规模效应	总效应
2013	340.49%	-123.71%	-112.80%	-3.98%	-405.89%
2014	-267.54%	647.43%	-268.14%	-11.74%	-135.08%
2015	-10.93%	175.50%	48.96%	-113.52%	-382.53%
2016	122.85%	92.27%	-51.41%	-63.71%	-190.78%
2017	-253.60%	201.46%	53.38%	98.76%	289.03%
2018	137.27%	-181.00%	91.93%	51.80%	309.26%
2019	12.91%	230.90%	-92.01%	-51.80%	-231.55%
2020	147.19%	-82.38%	8.78%	26.40%	639.47%
2021	114.78%	235.92%	-274.80%	24.10%	-105.61%
2022	149.10%	1.82%	-43.61%	-7.31%	-453.86%
合计	210.96%	376.92%	-288.64%	-199.24%	-667.54%

图3　2013—2022年西安市工业碳排放增长因素分解总效应

Fig.3　Total effect decomposition of factors contributing

to industrial carbon emissions growth in Xi' an(2013—2022)

图4　2013—2022年西安市工业碳排放因素分解逐年效应

Fig.4　Annual effect decomposition of factors contributing

to industrial carbon emissions growth in Xi' an(2013—2022)

(1)能源结构效应

为了进一步探究西安市工业产业碳排放影响因素的具体情况，研究将研究期间按年划分单独进行分析，结果如图4所示。

可以清楚看到，研究期间西安市能源结构对其工业产业碳排放的贡献呈正负交替情况，影响随时间波动较大，但其抑制碳排放的年份多于促进碳排放的年份。西安市工业碳排放能源结构效应导致在2013—2022年间累计减少碳排放 1408.21 万吨，平均每年减少140.82 万吨，对于西安市碳排放抑制的贡献率高达210.95%，是西安市工业碳排放一项重要的抑制影响因素，而且2013年和2017年减排贡献巨大，分别减少1382.01 万吨和733.00 万吨，这一现象主要归结于西安市经济从高速向高质量转型的关键时期，能源结构得到了很大程度上的优化。

值得注意的是，2020年由于能源结构效应导致碳排放增长941.25 万吨，这主要是基于新冠疫情防控工作的需要和市民生活舒适度的考虑，西安市延长供暖时间，聚焦民生企业的加速推进，以及刺激经济的快速复苏等决策，而这类决策相关企业均为能源密集型产业，这便导致了在该期间内工业产业对能源的需求大幅增加，进而致使碳排放量增加。统计分析可得，2013—2022年间能源结构对碳排放增量效应的离散程度较大，这是由于陕西省丰富的煤炭资源和低廉的煤价促使了西安市工业选择煤炭为主要能源，而不合理的能源结构和波动的工业产出使得能源结构对碳排放的抑制作用变得不稳定。众所周知，能源消费结构中含碳量越低的能源(即新能源)消费量比重增加有利于控制工业能源碳排放总量，说明西安市在新能源大规模开发和利用方面仍然有不足，经济增长对化石能源过度依赖的格局仍没有打破，还需要持续性的政策控制。

(2)能源强度效应

能源强度是以GDP能源消耗为单位衡量能源系统投入产出特征的指标，反映了能源和经济活动的总体效率。从理论上讲，能源强度的降低表明能源效率的提高，这直接有利于碳排放量的减少。根据LMDI因素分解结果可知，能源强度效应在2013—2022年间基本保持为碳排放增长的负向驱动。西安市工业碳排放量在该效应下累计减少碳排放2516.11万吨，平均每年减少 251.61 万吨碳排放，对于西安市碳排放抑制的贡献率高达376.93%，是西安市工业碳排放最关键的抑制影响因素。同时，这意味着提高能源利用效率可以有效抑制工业产业碳排放的增加，促进双碳目标的实现。值得注意的是，虽然能源强度的负面效应在促进西安市工业碳排放中起着至关重要的作用，但该作用呈现出明显的下降趋势，2022年的减碳作用相较于上一年同比下降甚至高达96.67%，这表明能源利用效率仍然是制约西安市工业产业低碳发展的一个突出问题。因此需要加强努力，持续提高工业能源利用效率，开发高产出、高能效、低能耗的新产业。

(3)经济发展效应

根据前文的研究可知，经济发展水平是影响碳排放变化的第二大重要因素。本研究选用的经济发展指标是人均GDP，以此排除经济发展中人口的影响作用。根据数据显示，在过去的10年间，经济发展规模的扩张使得西安市碳排放量累计增加1926.76 万吨，对碳排放增长的贡献率高达288.64%。根本原因在于随着经济水平的提高，人均GDP增加，工业和城市化持续增长，对能源的需求随之增加，最终导致碳排放增量不断产生，因此经济发展水平对于碳排放具有正向效应。然而，2015年经济发展却罕见地表现出对碳排放增长的抑制作用，减少碳排放 187.28 万吨，是因为这一阶段时处我国十二五计划的最后时期，西安市不遗余力的做好经济全面转型升级，GDP增速由14%下降为10%以下，同时限制化石燃料使用，鼓励清洁能源发展，高能耗、高排放的传统产业比重因此而下降。对应地观察到，2015年能源强度对碳排放的抑制效应同样较为显著，使得碳排放减少 671.33 万吨，进一步说明了该阶段经济发展模式得到了有效的改善。同时，2020—2021年的正向效应有明显增加，从56.16 万吨大幅跃升至290.21 万吨，这一显著增长背后，是西安市政府为应对疫情引发的经济挑战所采取的一系列有力措施。政府加大对基础设施建设和工业生产的投资、加强对中小企业的金融支持，吸引企业在西安投资建厂，引发了能源需求的激增，进而导致工业碳排放进一步增加^[22^]。而到了2022年，经济发展对碳排放的增量效应显著回落，跌破200 万吨大关，这主要得益于二十大以来，西安市正在逐步调整经济结构转变发展模式，随着经济发展水平的提升，西安市迎来了优化产业结构与降低能源强度的良好契机，使得经济发展对碳排放增长的促进效应进一步降低。

(4)人口规模效应

根据统计分析可以得出，2013—2022年间由于人口规模效应导致碳排放量累计增加1330.1 万吨，对碳减排的贡献率为-199.24%，除2021年外，人口规模始终表现出对碳排放增长的促进作用，是西安市工业碳排放的一个重要正向驱动因素。在2015年人口规模对碳排放的增量效应达到了峰值434.26 万吨，主要是因为西安市在“十三五”期间经济结构的转型升级，特别是新兴产业和服务业的快速发展，吸引了大量人口涌入，同时带来了工业碳排放量的相应增加。随着“十三五”进程的深入，人们的低碳意识逐渐增强，人口规模对碳排放的增长也得到了有效遏制，逐步减弱至2021年出现了25.45 万吨的负增长，年均下降率约为9.6%。然而到了2022年，人口增长依然导致了约33.2 万吨的碳排放增长，因此从总体来看，为实现西安市的双碳目标，必须合理应对人口增长所带来的碳排放压力，积极采取措施改变人们的高碳生活方式，以此抑制碳排放的增长，为西安市的可持续发展贡献力量。

6.2　西安市工业产业碳达峰预测

6.2.1　STIRPAT预测模型构建

为了进一步探究未来西安市工业产业的碳排放变化情况，本研究采用 STIRPAT 模型结合情景设置对2023—2040年西安市工业碳排放量进行预测。根据先前因素分解的结果，本研究选取能源结构(S)、能源强度(I)、经济发展(G)及人口规模(P)作为构建 STIRPAT 模型的自变量，由于本研究数据为时间序列数据，变量间存多重共线性，为了消除这一影响，研究采取岭回归进行分析。以 SPSS 软件为工具进行岭回归分析(K=0.2)后得到拟合方程如下:

lnC=1.735ln(P)+0.198ln(G)-
0.36(lnS)-1.015ln(I)-3.296 (11)

显然，拟合结果与LMDI效应结果一致，能源结构与能源强度为碳排放增长的负效应因子，而人口规模与经济效应与碳排放量呈正相关。在其他控制变量不变的情况下，人口规模每增长 1%，碳排放量平均增长 1.735%;经济发展每增长1%，碳排放量平均增长 0.198%;能源强度每降低 1%，碳排放量平均减少 1.015%;能源结构每降低 1%，碳排放量平均降低0.36%。

为了保证该模型能够更准确地预测未来的碳排放，本研究将2013—2022年的各种数据替换为模型，发现拟合效果与实际碳排放差距较小，结果如图5所示，实际值与预测值的误差率平均为4.05%，在可接受范围内，这表明了该模型能较好地反映行业碳排放的大小和趋势，因此可以运用该方程对未来碳排放进行预测。

图5　2013—2022年西安市工业碳排放实际值与

STIRPAT模型模拟值误差分析

Fig.5　Comparative analysis of the actual value the

simulated value from the STIRPAT model of industrial

carbon emissions in Xi' an(2013—2022)

6.2.2　碳达峰情景预测分析

(1)情景预测参数设置

基于上述研究结果，本研究采用情景分析法预测西安市工业产业2023—2040年的碳排放量，对未来西安市能源结构、能源强度、经济发展水平以及人口规模等4个因素的增长率分别设定了高碳、基准和低碳发展三种情景，情景周期设定在2023—2040年，以2023—2030年为第一阶段，2030—2035年为第二阶段，以2035—2040年为第三阶段，具体设置依据如表3。

表3　2023—2040年西安市工业产业碳排放情景预测增速设定

Table 3　Variable growth rate for carbon emission scenario forecasts of industrial sector in Xi’an(2023—2040)

预测时间段	发展情景	能源结构	能源强度	经济发展	人口规模
2023—2030	高碳情景	-4.26%	-2.0%	7.5%	2.5%
	基准情景	-4.76%	-2.5%	6.5%	2.27%
	低碳情景	-5.26%	-3.0%	5.5%	0.2%
2031—2035	高碳情景	-3.76%	-1.5%	6.5%	1.5%
	基准情景	-4.26%	-2.0%	5.5%	0%
	低碳情景	-4.76%	-2.5%	4.5%	-0.2%
2036—2040	高碳情景	-3.26%	-1.0%	5.5%	0.5%
	基准情景	-3.76%	-1.5%	4.5%	-0.2%
	低碳情景	-4.26%	-2.0%	3.5%	-0.4%

① 能源结构

本研究将化石能源在工业能源消费总额中所占的比例作为能源结构的表现因子。近期，西安市政府发布了《国家碳达峰试点(西咸新区)实施方案》^[24^]，方案中显示，到2025年西安市非化石能源消费比重需达到16%左右，到2030年达到20%左右，折算出能源结构的年均增长率约为-4.76%，因此将三个阶段的经济发展的高碳、基准和低碳发展情景增速分别设置为-4.26%、-4.76%、-5.26%;-3.76%、-4.26%、-4.76%和-3.26%、-3.76%、-4.26%。

② 能源强度

根据西安市政府发布的《西安市国民经济和社会发展第十四个五年规划和二○三五年远景目标纲要》^[25^](后文简称《纲要》)，到2025年，西安市单位地区生产总值能源消耗需降低至12%，而2020年该项指标为24%，因此折算出这期间的能源强度年均增长率为-2.5%，而未来降低工业部门的能源强度依旧是西安市产业绿色发展的关键所在，因此本研究将能源强度的高碳、基准和低碳发展情景增速分别设置为-2.0%、-2.5%、-3.0%;-1.5%、-2.0%、-2.5%和-1.0%、-1.5%、-2.0%。

③ 经济发展

《纲要》^[25^]中明确规划，2021—2025年西安市GDP年均增速为6.5%。同时经济新常态下，西安市经济已从高速发展逐渐转型进入到中低速发展时期，因此本研究设置经济发展的高碳、基准和低碳发展情景增速分别设置为7.5%、6.5%、5.5%;6.5%、5.5%、4.5%和5.5%、4.5%、3.5%。

④ 人口规模

人口规模会对资源、交通等因素产生影响，从而影响城市的碳排放，因此本研究结合西安市近年来人口增长变化趋势以及相应政府规划设置西安市人口参数。据统计，2010—2020年，西安市人口年均增长率约为 1.1%。其次，基于《西安市“十四五”保障性租赁住房发展规划》^[26^]中的预测，到2025年，西安市常住人口体量将突破1400 万人，由此预估“十四五”期间西安市人口年均增长率约为2.27%。另外，根据国家人口发展计划(2016—2030年)，2030年我国人口将达到峰值，全国总人口规模的增长惯性逐渐减弱，这意味着在2023—2030年期间，人口将以更快的速度下降。因此，本研究设置的人口规模的高碳、基准和低碳发展增速分别为2.5%、2.27%、0.2%;1.5%、0%、-0.2%和0.5%、-0.2%、-0.4%。

(2)碳达峰预测结果分析

结合上述情景设置，基于STIRPAT 模型对西安市工业产业未来碳排放情况进行预测，预测结果如图6所示。2013—2022年，西安市工业部门的碳排放量呈波动性上升趋势。在2020年达到峰值后，其碳排放量又呈明显下降趋势，没有继续上升。在低碳情景下，碳排放总量从2023—2030年同样呈持续下降趋势。结合以往的排放数据可以推断，在低碳发展情景下，西安市工业产业早在2020年就已提前达到碳达峰目标，峰值3831.47 万吨。在基准情景下，所预测的碳排放量呈先上升后下降的趋势，在2028年达到峰值，比低碳情景晚了8年，峰值为4101.89 万吨。在高碳情景下，工业部门碳排放量在预测期内持续上涨，无峰值，预计2040年将达到5479.12 万吨。

图6　三种情景下2023—2040年西安市工业碳排放预测结果

Fig.6　Forecast results of industrial carbon emissions in Xi' an under three different scenarios(2023—2040)

西安市作为我国能源输出大省的省会城市和一带一路建设的黄金地段，在实现环境调控的同时，还应以经济建设作为发展的重点。在此背景下，结合本文的预测结果，在基线情景下，2028年可实现工业产业的碳达峰，符合并超过了我国的总体碳达峰目标。经济增长和城市发展也基本满足了西安的实际发展需要。因此，基准情景是西安市工业产业发展的最优情景。

7　西安市工业产业低碳发展政策建议

为了满足西安市经济、人口与环境协同发展的需求，我们对西安市工业产业发展提出了以下政策建议:

(1)降低对传统高碳能源的依赖，持续优化能源结构，加强化石能源产业链的清洁化转型，降低终端碳排放量。引进国外先进的清洁能源技术，不断提高能源消耗的节能潜力，降低终端使用需求。同时推进能源供给侧改革，实现能源供应多元化，促使能源产业向绿色化、智能化升级转型。同时，以新能源为契机谋求能源结构加速转型升级，多元化发展非化石能源，从源头解决碳排放增长问题。另外，政府可以出台相关政策应对高能耗企业，迫使其减少对高碳能源的使用，提高清洁能源的使用率。

(2)注重绿色技术创新，推广节能技术和设备，提高能源使用效率，减少能耗。全面推进智能设备、核心软件和互联网在能源利用中的整合与应用，同时推进能源数字化平台建设，考虑企业对能源利用的异质性，实现能源资源的合理配置，显著提高能源利用效率，从而减少能源损失，实现节能减排目标。学习清洁高效的煤炭开采和利用技术，提高煤矸石、粉煤灰等燃烧副产物回收利用，使技术创新成为碳减排的有力引擎。

(3)人口增加直接导致了能源供应压力增大，是影响西安市工业产业碳排放的重要因素，但是人口规模的负增长会导致劳动力缺乏等问题，从而对经济发展造成难以预估的影响。因此，在保证经济的稳健增长的同时去消除人口的碳排放正效应，就要从提高人口质量入手，倡导人民从高碳生活向绿色低碳生活转型。政府可以妥善控制相关能源价格，培养居民的节能意识，从而降低用电和能耗，加快双碳进程。

(4)在保证经济稳健增长的前提下调整产业结构，加快工业产业升级和更新。政府要严格调查高能耗、高排放、低收益产业，淘汰落后企业。同时，要引进先进技术和现代管理经验，实施节能改革，将传统制造业向绿色制造业转型。最后，建立有利的政策，吸引资本和研究者，引进高科技产业，促进地方产业的高端和绿色转型。

8　研究结论与不足

本研究以西安市工业产业为研究对象，采用对数平均划分指数(LMDI)因子分解法将影响碳排放变化的因素分解为能源结构、能源强度、经济发展与人口规模等因子，直观分析2013—2022年各因素对碳排放变化的贡献情况。随后构建 STIRPAT 模型，探讨碳排放与人口、人均GDP、能源强度和能源结构之间的关系。再采用 SPSS 统计软件，运用岭回归分析法对 STIRPAT 模型进行了拟合，经验证该模型可用于预测西安市工业产业未来的二氧化碳排放量。此外，本研究还进行了情景分析，以确定2023—2040年西安市工业产业在高碳、基准及低碳发展背景下的预期二氧化碳排放量及碳达峰年份，从而使研究人员能够探讨不同社会发展模式对二氧化碳排放量的影响。研究结果表明:

(1)不同的驱动因素对西安市工业产业碳排放的影响存在显著性差异，其中经济发展和能源强度因素是碳排放的核心影响因素。前者促进碳排放，而后者抑制碳排放，但二者对碳排放总量的影响程度波动式减弱。同时，能源结构同样可以减少碳排放总量，而人口规模也在一定程度上增加了碳排放。

(2)尽管经济发展在很大程度上推动了碳排放的增加，但本研究通过 LMDI 方法获得的碳排放分解以及 STIRPAT 模型预测结果表明，经济发展对碳排放的促进作用正在逐渐减弱。这一现象表明，西安市的经济发展正在向碳脱钩的趋势转型，这意味着未来将实现经济发展不再以碳排放的增加为代价。当然，这一结论有待验证，并可以作为未来的研究方向。

(3)在当前的规划和发展设置下，西安市工业产业仍可以在2028年实现碳达峰目标，峰值达到4104.89 万吨，比我国承诺的碳达峰年份早2年。然而，经济发展与人口规模不能作为环境保护的代价，西安市当前的科技、资源要素和金融投资水平仍不能满足发展的需要。因此在一定范围内，西安市仍然需要将重心放在工业开发制造中，大力发展经济，增加资源因素和财政支持，从清洁能源创新研发与产业结构优化转型等方面采取措施，在经济发展新常态下提高发展速度和质量，缩小科技水平与发达城市的差距，取得双赢的成果。

(4)2023年，西安市总量减排目标超额完成，碳排放强度降低率为4.87%。

受数据等因素影响，本研究存在一定的制约性，未来对城市碳排放情景的进一步研究方向如下:(1)从跨学科的角度筛选和研究碳排放的影响因素，结合产业结构和城市化等因素，深化碳排放情景和预测参数设置;(2)设定单一变量与组合变量相结合的情景，确保对未来的预测更加准确多元化。通过以上方向可以完善相关研究，加快实现我国的双碳目标，为具有相似发展特征的地区提供参考。

利益冲突: 作者声明没有利益冲突。

^{^[④]} 通讯作者　Corresponding author:董瑞，dr15667086240@126.com
收稿日期:2024-09-27;　录用日期:2024-10-25;　发表日期:2024-12-28

参考文献(References)

[1] KPMG. 世界能源统计年鉴2024[R/OL].(2024-08- 26).
https://kpmg.com/cn/zh/home/insights/2024/08/statisticalreview-of-world-energy—2024.html.
[2] Lu Y, Jiahua P. Disaggregation of carbon emission drivers in Kaya identity and its limitations with regard to policy implications[J]. Adv. Clim. Chang. Res. , 2013, 9(3): 210.
https://doi.org/10.3969/j.issn.1673-1719.2013.03.009.
[3] Fan F, Lei Y. Factor analysis of energy-related carbon emissions: A case study of Beijing[J]. J. Clean. Prod. , 2017, 163: S277-S283.
https://doi.org/10.1016/j.jclepro.2015.07.094.
[4] Su B, Ang BW. Multi-region comparisons of emission performance: Te structural decomposition analysis approach[ J]. Ecol. Ind. , 2016, 67: 78-87.
https://doi.org/10.1016/j.ecolind.2016.02.020.
[5] Ang BW. Decomposition analysis for policymaking in energy: Which is the preferred method[J]. Energy Policy, 2004, 32: 1131-1139.
https://doi.org/10.1016/S0301-4215(03)00076-4.
[6] 邓吉祥, 刘晓, 王铮. 中国碳排放的区域差异及演变特征分析与因素分解 [J]. 自然资源学报, 2014, 29(02): 189-200.
https://doi.org/10.11849/zrzyxb.2014.02.001
[7] Shen F, Abulizi A. Multidrivers of energy-related carbon emissions and its decoupling with economic growth in Northwest China[J]. Nature, 2024, 14: 7032.
https://doi.org/10.1038/s41598-024-57730-7.
[8] Jiang C P, Gong X J, Yang Y R, et al. Research on spatial and temporal diferences of carbon emissions and infuencing factors in eight economic regions of China based on LMDI model[J]. Nature, 2023, 13: 7965.
https://doi.org/10.1038/s41598-023-35181-w.
[9] Eleni K, Emmanouil H, Kostas B. Social and economic driving forces of recent CO2 emissions in three major BRICS economies[J]. Nature, 2024, 14: 8047.
https://doi.org/10.1038/s41598-024-58827-9.
[10] 姜克隽, 贺晨旻, 庄幸, 等. 我国能源活动CO2 排放在 2020—2022年之间达到峰值情景和可行性研究[J]. 气候变化研究进展, 2016, 12(03): 167-171.
https://doi.org/10.12006/j.issn.1673-1719.2015.200
[11] 王铮, 朱永彬, 刘昌新, 等. 最优增长路径下的中国碳排放估计 [J]. 地理学报, 2010, 65(12): 1559-1568.
https://doi.org/10.11821/xb201012011
[12] He X G, Zhang Y H. Infuence factors and environmental kuznets curve relink efect of Chinese industry’s carbon dioxide emission—Empirical research based on STIRPAT model with industrial dynamic panel data [J]. China Ind. Econ. , 2012, 01: 26-35.
[13] 黄蕊, 王铮, 丁冠群, 等. 基于STIRPAT 模型的江苏省能源消费碳排放影响因素分析及趋势预测[J]. 地理研究, 2016, 35(04): 781-789.
https://doi.org/10.11821/dlyj201604015
[14] 赵慈, 宋晓聪, 刘晓宇. 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(06): 29-34.
[15] 姜克隽, 代春艳, 贺晨旻, 等. 2013年后中国大气雾霾治理对经济发展的影响分析———以京津冀地区为案例[J]. 中国科学院院刊, 2020, 35(06): 732-741.
https://doi.org/10.16418/j.issn.1000-3045.20200130001.
[16] Cao G X, Zhang L. Analysis of influencing factors and trend prediction of carbon emissions in key industries in Jiangsu Province under the carbon peak target. Yuejiang Acad. J. 2022, 14: 129-140+175.
[17] Shan et al.(2022)“City-level emission peak and drivers in China. Science Bulletin”,
https://doi.org/10.1016/j.scib.2022.08.024.
[18] 西安市统计局. 西安统计年鉴2023[EB/OL].(2024- 03-28).
http://tjj.xa.gov.cn/tjnj/2023/zk/indexch.html.
[19] Holdren J P, Ehrlich P R. Human population and the global environment: Population growth, rising per capita material consumption, and disruptive technologies have made civilization a global ecological force. Am. Sci. , 1974, 62(3): 282-292.
[20] York R, Rosa E A, Dietz T. STIRPAT, IPAT and Im- PACT: analytic tools for unpacking the driving forces of environmental impacts. Ecol. Econ. 2003.
https://doi.org/10.1016/S0921-8009(03)00188-5.
[21] 陈劭锋, 刘扬, 苏利阳. 发展低碳经济需跨越能源消费或碳排放的三大高峰[J]. 科技促进发展, 2011(07): 38-44.
[22] 张巍, 徐可欣, 李丹妮. “双碳”目标下陕西省工业碳减排路径模拟研究[J]. 西安理工大学学报, 2024, 4(3): 373-381.
http://kns.cnki.net/kcms/detail/61.1294.N.20240109.1656.002.html.
[23] 西安市人民政府关于印发扎实稳住经济若干政策措施的通知[J]. 西安市人民政府公报, 2022(07): 9-14.
[24] 西安印发国家碳达峰试点(西咸新区)实施方案[J]. 新西部, 2024(07): 207.
[25] 西安市人民政府. 西安市国民经济和社会发展第十四个五年规划和二○三五年远景目标纲要[R].(2021-03-22).
http://www.xa.gov.cn/ztzl/ztzl/lwlbzt/zcwj/60581326f8fd1c2073ff56af.html.
[26] 西安市住房和城乡建设局. 西安市“十四五”保障性租赁住房发展规划[R/OL].(2022-02-11).
https://zjj.xa.gov.cn/zw/zfxxgkml/ghjh/6374a572f8fd1c4c2129c56a.html.

Analysis of Industrial Carbon Emission Driving Factors and Prediction of Carbon Peak in Xi' an

DONG Rui^1,2

(1. School of Accounting and Finance, Xi’an Peihua University, Xi’an 710199, China
2. School of Energy and Power Engineering, Xi’an Jiaotong University, Xi’an 710049, China)

Abstract: As a key region in the western region and an important source of China' s industrial foundation, analyzing the driving factors of industrial carbon emissions and predicting carbon peak in Xi' an is crucial for China' s sustainable development. . This study employed the Logarithmic Mean Divisia Index (LMDI) method to decompose the influencing factors of industrial carbon emissions in Xi’an. Then, the ridge regression method and the Stochastic Impacts by Regression on STIRPAT model was used to analyze the quantitative impact of four driving factors on industrial carbon emissions. Finally, scenario analysis was adopted to predict the carbon emissions and carbon peaking time of Xi' an' s industrial sector under three different development scenarios in the next 15 years. The study found that: (1) From 2013 to 2022, the total industrial carbon emissions in Xi' an exhibited aa negative growth. energy intensity and energy structure exhibited significant negative effects, with contribution rates of 376. 92% and 210. 95%, respectively. In contrast, economic development and population size factors played a positive effects on carbon emission increments, with contribution rates of-288. 64% and-199. 24% respectively. (2) From 2023 to 2040, the predicted total industrial carbon emissions in Xi' an primarily showed a trend of first rising and then declining, which primarily influenced by population size, with an elasticity factor of 1. 735. (3) Both low-carbon and benchmark development scenarios could help Xi' an' s industrial sector achieve its carbon peaking target earlier, but a high-carbon model would struggle to reach carbon peaking even by 2040. The baseline scenario represented the optimal development model for Xi' an, with carbon peaking projected to occur in 2028, reaching a peak of 49. 4189 million tons. This study provided a theoretical basis for developing a reasonable carbon peaking pathway for Xi' an' s industrial sector and assisted the government in formulating corresponding high-quality development paths.

Keywords: Industrial carbon emissions, LMDI decomposition method, STIRPAT Model, Carbon peak prediction

DOI: 10.48014/csdr.20240927001

Citation: DONG Rui. Analysis of industrial carbon emission driving factors and prediction of carbon peak in Xi' an[J]. Chinese Sustainable Development Review, 2024, 3(4): 120-133.