市域能源碳排放影響因素分析及減碳機(jī)制研究——以福建省為例

蘇 凱,陳毅輝,范水生,張明如

?

市域能源碳排放影響因素分析及減碳機(jī)制研究——以福建省為例

蘇 凱1*,陳毅輝1,范水生1,張明如2

(1.福建農(nóng)林大學(xué)安溪茶學(xué)院/生命科學(xué)學(xué)院,福建 福州 350002；2.長江大學(xué)經(jīng)濟(jì)學(xué)院,湖北 荊州 434023)

選取福建省市域作為研究對象,應(yīng)用擴(kuò)展型的STIRPAT-PLS模型對2010~2016年福建省市域碳排放影響因子進(jìn)行實(shí)證分析,探討驅(qū)動福建省市域碳排放量增長的主要影響因素和各因素的影響程度,明確碳排放控制的主要領(lǐng)域.結(jié)果表明:總?cè)丝?、城?zhèn)化率、人均GDP、第二產(chǎn)業(yè)比重和能源強(qiáng)度對碳排放量增加有正向驅(qū)動作用,而第三產(chǎn)業(yè)比重對碳排放量增加有負(fù)向驅(qū)動作用.總?cè)丝?、城?zhèn)化率以及第二產(chǎn)業(yè)比重對碳排放量增長的貢獻(xiàn)最大.據(jù)此,建議福建當(dāng)前及未來時期減碳重點(diǎn)應(yīng)是采取優(yōu)化能源結(jié)構(gòu)和促進(jìn)產(chǎn)業(yè)結(jié)構(gòu)升級,加速發(fā)展清潔、再生能源與提高能源效率相并重等策略.

碳排放；STIRPAT模型；PLS；市域尺度

中國作為全球最大的碳排放國,已于2015年提交給聯(lián)合國氣候變化綱要公約(UNFCCC)的《國家自主貢獻(xiàn)預(yù)案》(INDCs)承諾2030年達(dá)到碳排放峰值,并盡可能提前達(dá)到峰值.由于中國的承諾,引起國際重視,也間接促成了《巴黎協(xié)定》的簽署,開創(chuàng)全球碳減排的新紀(jì)元[1].然而,是否實(shí)現(xiàn)該目標(biāo)以及碳排放能否提前達(dá)到預(yù)定峰值皆有賴于全國各地各部門的共同努力.

福建省作為全國首個生態(tài)文明試驗(yàn)區(qū),理所當(dāng)然要為碳減排做出應(yīng)有的貢獻(xiàn).然而福建省的生態(tài)環(huán)境質(zhì)量盡管與內(nèi)陸其他省份相比有其優(yōu)越性,但是,近年來,福建在不斷推進(jìn)城鎮(zhèn)化和農(nóng)業(yè)現(xiàn)代化進(jìn)程中,化石能源的消耗仍持續(xù)增長.據(jù)報(bào)道,2016年福建省能源消費(fèi)增長較2011年提升19.2%,年均增長3.84%[2],而化石能源消耗是全球CO2排放(下簡稱碳排放)增加的主要因素,在全球溫室氣體排放中CO2占據(jù)主導(dǎo)地位[3].因此,如不重視這種能耗方式的轉(zhuǎn)變,福建省這種生態(tài)環(huán)境的優(yōu)越性將很難得以保持,如期實(shí)現(xiàn)碳減排目標(biāo)任重而道遠(yuǎn).實(shí)際上,不合理的資源消耗、人為活動以及過多的短效經(jīng)濟(jì)行為已經(jīng)給福建局部地區(qū)生態(tài)系統(tǒng)服務(wù)功能造成不同程度的影響[4].所以像福建省這種生態(tài)資源稟賦相對有限,而且資源消耗,特別是不可更新資源消耗的依賴性仍很大的省份,能耗方式如何向既能保證經(jīng)濟(jì)增長,不斷改善人民生活,又能減少碳排放,保護(hù)生態(tài)環(huán)境質(zhì)量,以有效應(yīng)對全球氣候變化的挑戰(zhàn)轉(zhuǎn)變,是值得我們深入研究的重大課題.

國內(nèi)外學(xué)者對碳排放的驅(qū)動因素、碳排放與社會經(jīng)濟(jì)發(fā)展之間的關(guān)系以及碳減排機(jī)制等方面做了大量研究[5-12],這對于探索影響福建省市域碳排放的因素,提高能耗效率具有重要的借鑒意義,但由于各地區(qū)的資源稟賦、產(chǎn)業(yè)結(jié)構(gòu)以及經(jīng)濟(jì)發(fā)展水平等均不相同,即使在省域內(nèi)部也存在明顯的差異,導(dǎo)致社會經(jīng)濟(jì)發(fā)展的路徑選擇不同,進(jìn)而對碳排放的貢獻(xiàn)力度也截然不同.現(xiàn)有文獻(xiàn)對碳排放的研究主要是以全國層面或省域尺度為主,而以市域或縣域?yàn)閷ο蟮难芯窟€較少[13-17],所提出的政策建議和措施未必與每個地區(qū)的實(shí)際情況吻合,無法精確剖析影響碳排放的因素,也難以探究適合本地區(qū)的減碳措施和運(yùn)行機(jī)制,從而難以實(shí)現(xiàn)碳減排的既定目標(biāo),影響區(qū)域經(jīng)濟(jì)發(fā)展質(zhì)量.此外,已有研究還表明,影響碳排放因素不是單一因素,而是由多種因素共同作用造成的.現(xiàn)有文獻(xiàn)在定量分析碳排放影響因素的方法選擇中,以STIRPAT模型結(jié)合OLS回歸法最多[18-22],然而,也有研究認(rèn)為這種方法存在著難以克服的多重共線性問題.當(dāng)模型存在嚴(yán)重的多重共線性時,OLS估計(jì)量將不具備一致性,造成統(tǒng)計(jì)推斷上無法給出真正有用的信息[18].進(jìn)一步研究指出,在不剔除自變量的前提下解決多重共線性的方法主要有PCA(主成分分析法)、PLS-R (偏最小二乘法回歸)和RR (嶺回歸)[8].其中PLS-R方法是綜合主成分分析(PCA)、典型相關(guān)分析(CCA)和多元線性回歸(MLR)等3種分析方法的優(yōu)勢[5],主要用于研究多因變量對多自變量的回歸建模,特別是當(dāng)各變量之間存在高度線性相關(guān)時,用PLS-R更有效[23].

據(jù)此,本研究利用2010~2016年的統(tǒng)計(jì)數(shù)據(jù),采用擴(kuò)展型的STIRPAT模型結(jié)合PLS-R建立福建省市域碳排放和影響因素之間的定量模型,根據(jù)模型中回歸系數(shù)大小考察評估因子和碳排放的相互影響及大小排序,確定影響碳減排的關(guān)鍵影響因素,以期為城市碳減排策略決策提供科學(xué)依據(jù).

1 研究方法與數(shù)據(jù)采集

1.1 STIRPAT模型及其擴(kuò)展

可拓展隨機(jī)性的環(huán)境影響評估模型(STIRPAT)是由Dietz & Rosa[24]發(fā)展而來的,該模型能夠克服Kaya恒等式和IPAT模型的“各因素等比例影響碳排放”假設(shè)的不足[25],加入了隨機(jī)性,分析人口、技術(shù)、經(jīng)濟(jì)對碳排放非等比例的影響程度,是對上述模型的修正和擴(kuò)展[26],通過增減或分解因素[30],可提高模型的分析與解釋能力.

STIRPAT模型的基本形式為:

式中:表示碳排放量;表示人口;表示富裕度;表示技術(shù)水平;表示模型系數(shù);表示各變量的指數(shù);表示模型的誤差.

根據(jù)眾多學(xué)者運(yùn)用STIRPAT分析各因素對碳排放量的影響研究[8,27-30],本文基于STIRPAT模型的基本特點(diǎn)以及福建省碳排放的現(xiàn)狀,選取總?cè)丝凇⒊擎?zhèn)化率、人均GDP、第二產(chǎn)業(yè)比重、第三產(chǎn)業(yè)比重及能耗強(qiáng)度6項(xiàng)因素作為自變量,輸出變量為福建省各市域的碳排放量.

人口因素分解為總?cè)丝?)和城鎮(zhèn)化率()兩個變量.城鎮(zhèn)化率是城鎮(zhèn)人口占總?cè)丝诘谋壤?反映出城鎮(zhèn)人口對環(huán)境的影響;由于城鎮(zhèn)地區(qū)經(jīng)濟(jì)較鄉(xiāng)村地區(qū)發(fā)達(dá),且基礎(chǔ)設(shè)施較為完善,其人均化石能源消費(fèi)較大,對市域的碳排放影響很大[31-33].富裕度以人均GDP()為代表.人均GDP是一個地區(qū)居民富裕程度的重要體現(xiàn),同時也是造成生態(tài)環(huán)境問題的驅(qū)動力因素之一[27].技術(shù)水平涉及多個層面,包括第二產(chǎn)業(yè)比重()、第三產(chǎn)業(yè)比重()和能耗強(qiáng)度().第二、三產(chǎn)業(yè)比重可以反映出一個地區(qū)產(chǎn)業(yè)結(jié)構(gòu)變化對該地區(qū)碳排放的影響,以制造業(yè)為基礎(chǔ)的第二產(chǎn)業(yè)相比以服務(wù)業(yè)為主的第三產(chǎn)業(yè)消耗更多的資源,尤其是化石能源,二者之間的比重消長變化對碳排放有較大的影響[5].

據(jù)此,擴(kuò)展型的STIRPAT模型為:

式中:各變量的定義如表1所示.

為確定有關(guān)參數(shù),對式(2)兩邊做對數(shù)處理得到如下等式:

式中:I為碳排放量;P為人口數(shù)量;U為城鎮(zhèn)化率;A為人均GDP ;T為第三產(chǎn)業(yè)比重;S為能源強(qiáng)度;C為煤炭消費(fèi)比例;為常數(shù)項(xiàng);121212為彈性系數(shù),表示當(dāng)變化1%時分別引起碳排放量的變化率.

表1 各變量定義說明

1.2 PLS回歸法

在多元線性回歸中,通常使用最小二乘法來估計(jì)回歸系數(shù),以便使得殘差平方和最小.然而,當(dāng)自變量之間存在多重相關(guān)性時,最小二乘估計(jì)法往往是無效的.在多元線性回歸分析中,變量之間的多重相關(guān)問題非常嚴(yán)重,但普遍存在.為了消除這種影響,通常采用主成分分析法,但采用主成分分析法提取的主成分,雖然能較好地概括自變量系統(tǒng)中的信息,但是它會給系統(tǒng)帶來很多無用的噪聲,從而對因變量缺乏解釋能力.因此,本文運(yùn)用偏最小二乘回歸以解決多元回歸中變量多重共線性和樣本容量較少等實(shí)際問題.偏最小二乘回歸的原理、算法以及與其他回歸方法的對比分析,已有諸多文獻(xiàn)呈現(xiàn)[34-35],本文不再詳細(xì)闡述.

1.3 碳排放量計(jì)算

本研究利用《IPCC國家溫室氣體列表指南》[36]中提供的基準(zhǔn)方法,碳排放量由以下公式計(jì)算:

式中:代表市域各類化石能源消耗產(chǎn)生的碳排放量;為化石能源的種類;e表示某種化石能源的消耗量;f表示標(biāo)準(zhǔn)煤折算系數(shù)(取自《中國能源統(tǒng)計(jì)年》),用來將不同類型的能量轉(zhuǎn)換成標(biāo)準(zhǔn)的煤當(dāng)量;k是不同化石能源的碳排放系數(shù)(取自IPCC參考值);44/12表示CO2與碳的分子量之比.不同類型化石能源的碳排放計(jì)算參數(shù)如表2所示.

1.4 數(shù)據(jù)采集

2010~2016年(因2010年以前福建省統(tǒng)計(jì)年鑒尚未建立詳細(xì)的能源種類消耗指標(biāo),使得數(shù)據(jù)難以獲取)各地區(qū)的碳排放量按式(4)的計(jì)算公式得到,6項(xiàng)自變量(人口、城鎮(zhèn)化率、人均GDP、第二產(chǎn)業(yè)比重、第三產(chǎn)業(yè)比重、能耗強(qiáng)度)資料均來自歷年福建省統(tǒng)計(jì)年鑒及歷年各地市統(tǒng)計(jì)年鑒;此外,為消除價格因素的影響,對GDP 按照2010年可比價格進(jìn)行重新測算,并據(jù)此計(jì)算人均GDP和能耗強(qiáng)度.

表2 不同類型化石能源的碳排放計(jì)算參數(shù)

2 結(jié)果分析

2.1 福建省市域碳排放的時間格局特征

根據(jù)式(4)的計(jì)算公式,2010~2016年的福建省各市域碳排放量如圖1所示.由圖可看出,福建省各地市的碳排放呈現(xiàn)出不同的變化趨勢.依據(jù)碳排放增長速度與碳排放量變化的差異,可大致劃分為3種類型:①先升后降型(圖1a),碳排放量呈現(xiàn)出排放先增長后降低的趨勢,代表市域?yàn)楦Ｖ莺驼闹?兩市以2014年為分界點(diǎn),碳排放量呈現(xiàn)持續(xù)下滑的趨勢,且福州下降的速率優(yōu)于漳州.②中低速下降型(圖1b),碳排放量為負(fù)增長,隨時間推移而呈現(xiàn)下降趨勢,也是福建省各市域中碳排放最為集中的類型,代表市域?yàn)閺B門(年均增長率為-4.41%)、莆田(年均增長率為-0.22%)、龍巖(年均增長率為-6.67%)、三明(年均增長率為-6.23%)和南平(年均增長率為-3.31%);初步分析,福建省近幾年在控制化石能源消耗,加大力度推進(jìn)使用清潔能源等方面上做了努力.③中高速增長型(圖1c),該類型初始碳排放量相對較大,中后期仍以中高速率增長,且碳排放年均增長速率顯著高于全省平均水平(1.5%),代表市域?yàn)閷幍?年均增長率為10.3%)與泉州(年均增長率為11.1%);以2016年為例,寧德、泉州2市的碳排放量就達(dá)全省的三分之一,達(dá)到36.71%,依賴化石能源的經(jīng)濟(jì)結(jié)構(gòu)特征較為明顯.

2010~2016年,福建省各市域累積碳排放量(表3)前3名分別為:福州(28037×104t)、泉州(23291×104t)和三明(17426×104t),3市累積碳排放量占福建省同期累積碳排放量的一半以上,達(dá)到59.08%,對福建省碳排放的貢獻(xiàn)甚大;此外,累積碳排放量最后3名依次為:廈門(6837×104t)、莆田(3980×104t)及南平(2898×104t),它們所累積碳排放量合計(jì)為:13715× 104t,只占全省同期累積碳排放量的11.79%.

上述結(jié)果與福建省產(chǎn)業(yè)結(jié)構(gòu)有著密切相關(guān).據(jù)統(tǒng)計(jì),樣本期內(nèi)福建省第二產(chǎn)業(yè)終端能源消費(fèi)占全省八成以上,且其工業(yè)能源消費(fèi)在能源消費(fèi)總量中占有絕對地位,如,化工、水泥建材等不僅消耗化石能源最多,且碳排放強(qiáng)度也維持在高位.這表明,雖然碳排放變化會受到同期人口規(guī)模、經(jīng)濟(jì)增長、能源消費(fèi)結(jié)構(gòu)與技術(shù)水平等多種驅(qū)動因素的綜合影響,但在一定程度上,碳排放量與產(chǎn)業(yè)結(jié)構(gòu)有著密切相關(guān).例如,2016年福州、泉州和三明3地規(guī)模工業(yè)綜合能源消費(fèi)量依次達(dá)到了:1140.44×104tce、5465.53×104tce、1198.11×104tce,分別占福建省規(guī)模工業(yè)能源消耗量比重的9.2%、44.2%與9.7%;近幾年,泉州的第二產(chǎn)業(yè)比重持續(xù)維持在60%左右(最高62%,最低58.5%),而第三產(chǎn)業(yè)的比重在35%左右徘徊,這與其碳排放位居前列有關(guān);廈門作為福建省重要的旅游城市之一,其基本形成以海洋第三產(chǎn)業(yè)為主導(dǎo),第二產(chǎn)業(yè)協(xié)同發(fā)展的產(chǎn)業(yè)格局,經(jīng)濟(jì)發(fā)展對耗能產(chǎn)業(yè)的依賴性逐步降低,使得該區(qū)域成為福建省碳排放的低值區(qū).

2.2 福建省市域碳排放驅(qū)動因素分解

為證實(shí)因變量與各自變量之間是否存在多重共線性問題,對各市域的變量取對數(shù),并進(jìn)行兩兩相關(guān)性分析,得到各變量間的相關(guān)系數(shù)如表4所示.由表4可知,各變量之間存在嚴(yán)重的多重共線性關(guān)系,不適合運(yùn)用普通最小二乘法進(jìn)行無偏估計(jì).為消除多重共線性的影響,提高模型參數(shù)的精準(zhǔn)度和穩(wěn)定性,本文運(yùn)用PLS進(jìn)行有偏估計(jì),具體結(jié)果如表5所示(本研究基于SIMCA-P軟件作為運(yùn)算平臺).

總體而言,除第三產(chǎn)業(yè)比重對福建各市域碳排放有抑制作用外,其余5個變量對碳排放具有促進(jìn)作用.這意味著,隨著城鎮(zhèn)化和工業(yè)化進(jìn)程不斷加快,福建各市域能源消費(fèi)不斷增長,若按照一切照舊原則,福建各市域碳排放具有增長的趨勢;相反,若進(jìn)一步提高服務(wù)業(yè)等低碳行業(yè)的比重,通過技術(shù)進(jìn)一步提高能源效率,進(jìn)而降低能源強(qiáng)度,從而對福建各市域碳排放增長具有一定的抑制作用.

表3 2010~2016年福建省市域累積碳排放量(′104t)

表4 福建省各市域各變量間的相關(guān)系數(shù)

續(xù)表4

漳州市各變量間相關(guān)系數(shù) 變量x1x2x3x4x5x6y x110.953**0.977**0.4680.694-0.4420.529 x210.969**0.5890.580-0.4400.627 x310.5080.695-0.5060.528 x41-0.2630.3650.970** x51-0.872*-0.232 x610.366 y1 龍巖市各變量間相關(guān)系數(shù) 變量x1x2x3x4x5x6y x110.867*0.904**-0.835*0.913**-0.973**-0.973** x210.989**-0.5080.742-0.936**-0.934** x31-0.5870.796*-0.966**-0.951** x41-0.938**0.7170.717 x51-0.848*-0.850* x610.987** y1 三明市各變量間相關(guān)系數(shù) 變量x1x2x3x4x5x6y x110.795*0.7530.1050.444-0.297-0.753 x210.968**0.2160.453-0.690-0.987** x310.3710.351-0.674-0.964** x41-0.723-0.308-0.161 x51-0.160-0.523 x610.744 y1 南平市各變量間相關(guān)系數(shù) 變量x1x2x3x4x5x6y x110.046-0.077-0.3790.789*-0.083-0.509 x210.972**0.4900.177-0.966**-0.768* x310.424-0.013-0.978**-0.716 x410.194-0.354-0.189 x51-0.122-0.553 x610. 839* y1

注:*表示在置信度(雙測)為0.05時,相關(guān)性是顯著;**表示在置信度(雙測)為0.01時,相關(guān)性是顯著的;123456和分別表示變量總?cè)丝?、城?zhèn)化率、人均GDP、第二產(chǎn)業(yè)比重、第三產(chǎn)業(yè)比重、能耗強(qiáng)度和碳排放量.

人口數(shù)量對碳排放的影響較為顯著,彈性系數(shù)區(qū)間幅度較大,但對各市域碳排放的作用方向并非全部為正.2010~2016年,僅廈門、莆田與南平3市的人口數(shù)量對碳排放產(chǎn)生了負(fù)向作用,其他市域則為正向作用;其中,人口數(shù)量對碳排放增長貢獻(xiàn)最大的是寧德,其系數(shù)達(dá)到了2.8338,這意味著寧德市人口數(shù)量每增加1%,其碳排放將增加2.8338.這與其青壯年人口比重達(dá)55%左右有著直接相關(guān).據(jù)統(tǒng)計(jì),2010~2016年福建省各市域的人口規(guī)模皆增長,人口數(shù)量的增加和快速城鎮(zhèn)化使得各市域城鎮(zhèn)規(guī)模不斷擴(kuò)大,直接引起能源消費(fèi)的增長,進(jìn)而直接影響碳排放的增加;此外,隨著科技水平及人民收入不斷提高,居民生產(chǎn)方式和消費(fèi)模式發(fā)生變化,間接促進(jìn)了能源消費(fèi)量的增加,從而導(dǎo)致碳排放不斷上升.

表5 偏最小二乘回歸系數(shù)擬合結(jié)果

注:*表示顯著性水平為0.05;調(diào)整2表示成分對碳排放的累積解釋能力.

圖2 福建各市域歷年能源強(qiáng)度趨勢

從模型系數(shù)值可知,城鎮(zhèn)化水平是影響福建各市域碳排放的主要和關(guān)鍵因素,皆對各市域碳排放有著正向作用.盡管有學(xué)者研究認(rèn)為:當(dāng)城鎮(zhèn)化發(fā)展到高級階段時,由于居民素質(zhì)不斷提高,對生態(tài)環(huán)境的保護(hù)意識不斷增強(qiáng),再加上城市文明傳播、技術(shù)水平的提高以及行業(yè)結(jié)構(gòu)轉(zhuǎn)型構(gòu)轉(zhuǎn)型等方式,直接或間接的降低城鎮(zhèn)化對生態(tài)環(huán)境的影響[36-37],但國內(nèi)外研究學(xué)者有著不同的研究結(jié)果:即便是達(dá)到城鎮(zhèn)化演進(jìn)后期階段的現(xiàn)代化都市地區(qū),城鎮(zhèn)化仍會是增加碳排放最主要的驅(qū)動因素之一[3].本研究研究結(jié)果也有相似的結(jié)論,福建各市域城鎮(zhèn)化水平對碳排放的推動作用依然較為顯著,這是因?yàn)?城鎮(zhèn)化進(jìn)程的不斷推進(jìn),導(dǎo)致基礎(chǔ)設(shè)施需求繼續(xù)增長,需要消耗大量的化石能源、水泥、鋼鐵等高排放行業(yè);此外,由于城鎮(zhèn)中的居民消費(fèi)水平不斷提高,且隨著科技發(fā)展,其生活方式較以往發(fā)生了顯著改變,消費(fèi)含碳較高的商品不斷增加.

另外,能源強(qiáng)度與能源結(jié)構(gòu)、能源效率有著密切的關(guān)系,與逐步調(diào)整產(chǎn)業(yè)結(jié)構(gòu)、淘汰落后的產(chǎn)能以及技術(shù)創(chuàng)新密不可分.盡管只有福州市和泉州市的能源強(qiáng)度對其碳排放具有抑制作用,但在樣本期內(nèi),福建省各市域的能源強(qiáng)度均呈現(xiàn)逐年遞減的趨勢,如圖2所示.福建各市域不斷增加節(jié)能降耗技術(shù)的研發(fā)、推廣,使得能源消耗強(qiáng)度和碳排放強(qiáng)度不斷下降,這意味著福建省通過提高能源效率以及調(diào)整高碳產(chǎn)業(yè)結(jié)構(gòu)等方式來進(jìn)一步減少碳排放的潛力還較大.

2010~2016年期間,福建各市域進(jìn)一步加速推進(jìn)特色新型工業(yè)進(jìn)程,同時不斷增加節(jié)能降耗技術(shù)的研發(fā)、推廣,使得能源消耗強(qiáng)度和碳排放強(qiáng)度不斷下降;近年來,廈門進(jìn)一步發(fā)展高新技術(shù)產(chǎn)業(yè),且作為熱門旅游城市之一,其經(jīng)濟(jì)發(fā)展對高耗能產(chǎn)業(yè)的依賴較小,其GDP增長速度高于化石能源消費(fèi)量的增速;而閩西北各市域,盡管其經(jīng)濟(jì)發(fā)展較沿海城市落后,但近年第三產(chǎn)業(yè)發(fā)展較快,對高耗能、高污染產(chǎn)業(yè)的依賴逐漸下降,使得能源強(qiáng)度不斷下降.

為更好分析各自變量對因變量的作用,本研究應(yīng)用變量投影重要性指標(biāo)(VIP)來測度每個自變量對碳排放的解釋作用.其定義式如下:

運(yùn)用SIMCA-P軟件,得到6個自變量對福建各市域碳排放的VIP值,如圖3所示.

圖3 各變量對各市域碳排放的VIP值

從圖3可知,各市域的各變量的VIP值均大于0.8,說明各變量在解釋因變量各市域碳排放能力作用較強(qiáng),這意味著回歸系數(shù)擬合與VIP計(jì)算模型解釋能力擁有較好的一致性.在所有變量中,對各市域碳排放影響的能力不盡相同,但縱觀圖3,總?cè)丝凇⒊擎?zhèn)化率以及第二產(chǎn)業(yè)比重等3變量的解釋能力大致靠前,說明此3個變量對各市域碳排放的影響較大.

3 結(jié)論

3.1 從市域尺度切入,基于對常規(guī)STIRPAT模型進(jìn)行擴(kuò)展,建立擴(kuò)展后的福建各市域非線性碳排放STIRPAT模型,結(jié)合PLS回歸法分析福建省市域碳排放量的影響因素.從驅(qū)動因子的影響程度和方向來看,除第三產(chǎn)業(yè)比重對福建各市域碳排放量有抑制作用外,總?cè)丝?、城?zhèn)化率、人均GDP、第二產(chǎn)業(yè)比重和能源強(qiáng)度等5個變量對碳排放具有正向促進(jìn)作用.其中,總?cè)丝凇⒊擎?zhèn)化率以及第二產(chǎn)業(yè)比重為重要的影響因素.

3.2 2010~2016年,福建各市域碳排放隨時間呈現(xiàn)出不同的變化趨勢.基于碳排放增長速度和碳排放量變化的差異程度,可大致劃分為3種類型:先升后降型(福州與漳州)、中低速下降型(廈門、莆田、龍巖、三明和南平)和中高速增長型(寧德與泉州).

3.3 福建省各市域累積碳排放存在明顯差異,其中,福州、泉州和三明3市累積碳排放量(68754× 104t)占福建省同期累積碳排放量(116377×104t)的一半以上,達(dá)到59.08%,對福建省碳排放的貢獻(xiàn)甚大;而廈門、莆田及南平3市所累積碳排放量合計(jì)為:13715× 104t,只占全省同期累積碳排放量的11.79%.

4 建議

4.1 優(yōu)化各城市功能分區(qū),明確各市域的功能定位,按照高質(zhì)量發(fā)展要求合理布局產(chǎn)業(yè)和城鎮(zhèn)發(fā)展空間、結(jié)構(gòu)和規(guī)模,通過優(yōu)化城鎮(zhèn)空間結(jié)構(gòu),如持續(xù)推進(jìn)福州大都市區(qū)(福莆寧同城化)和加快“廈漳泉一體化”發(fā)展,從戰(zhàn)略層面布局低碳、綠色的發(fā)展模式,促進(jìn)福建省各市域協(xié)調(diào)發(fā)展.

4.2 適當(dāng)控制人口總量和增長速度,降低人口規(guī)模對生態(tài)環(huán)境產(chǎn)生的壓力,加強(qiáng)宣傳綠色、低碳的良好行為,強(qiáng)化全社會綠色發(fā)展意識和公民的環(huán)境意識,助推全民生活方式綠色化,積極引導(dǎo)居民向綠色消費(fèi)和低碳消費(fèi)模式轉(zhuǎn)變的政策路徑.

4.3 由于高碳排放產(chǎn)業(yè)是諸多地區(qū)所依賴的重點(diǎn)產(chǎn)業(yè),因此,需要改變傳統(tǒng)發(fā)展模式,在化解和淘汰過剩、落后產(chǎn)能的基礎(chǔ)上,通過科學(xué)布局,優(yōu)化工業(yè)結(jié)構(gòu)模式,嚴(yán)控高能耗、高排放產(chǎn)業(yè)盲目發(fā)展;在進(jìn)一步培育高新技術(shù)產(chǎn)業(yè)和戰(zhàn)略性新興產(chǎn)業(yè)的同時,在政策、人才及資金等方面加大對高附加值的新型服務(wù)業(yè)和旅游產(chǎn)業(yè)的支持.

4.4 推進(jìn)產(chǎn)學(xué)研合作,提高能源效率的研發(fā)經(jīng)費(fèi),繼續(xù)優(yōu)化能源結(jié)構(gòu),積極開發(fā)和發(fā)展諸如太陽能、風(fēng)能、生質(zhì)能等新型再生、清潔能源,逐步減少對傳統(tǒng)化石能源的依賴及使用量;同時,認(rèn)真貫徹綠色發(fā)展的理念,依靠科技創(chuàng)新與技術(shù)進(jìn)步引領(lǐng)各產(chǎn)業(yè)的轉(zhuǎn)型升級,協(xié)調(diào)各市域低碳技術(shù)創(chuàng)新要素間的流動,以減少資源消耗并減輕對生態(tài)環(huán)境的壓力,進(jìn)而降低碳排放量.

[1] 徐 芳,劉云龍.《巴黎協(xié)議》終落槌中國發(fā)揮巨大推動作用[EB/OL]. http://www.xinhuanet.com.world/2015-12/13/c_128525228. htm2015-12-13/2018-06-08. Xu F, Liu Y L. China plays a huge role in promoting the final fall of the Paris Agreement [EB/OL]. http://www.xinhuanet.com.world/2015- 12/13/c_128525228.htm2015-12-13/2018-06-08.

[2] 福建省統(tǒng)計(jì)局.福建統(tǒng)計(jì)年鑒2017 [EB/OL]. http://tjj.fujian.gov.cn/ tongjinianjian/dz2017/index-cn.htm2017-09-04/2018-06-08. Fujian Bureau of Statistics. Fujian Statistical Yearbook 2017 [EB/OL]. http://tjj.fujian.gov.cn/tongjinianjian/dz2017/index-cn.htm 2017-09-04/2018-06-08.

[3] IPCC. IPCC fourth assessment report [EB/OL]. https://www.ipcc.ch/ publications_and_data/publications_ipcc_fourth_assessment_report_synthesis_report.htm2009-05-17/2018-06-09.

[4] 曾六福.福建省沿海縣(市)生態(tài)環(huán)境現(xiàn)狀綜合評價[J]. 湖北農(nóng)業(yè)科學(xué), 2017,56(3):435-440. Zeng L F. Comprehensive evaluation on the eco-environment at present of counties and cities in fujian coastal areas [J]. Hubei Agricultural Sciences, 2017,56(3):435-440.

[5] 陳操操,劉春蘭,汪 浩,等.北京市能源消費(fèi)碳足跡影響因素分析--基于STIRPAT模型和偏小二乘模型[J]. 中國環(huán)境科學(xué), 2014, 34(6):1622-1632. Chen C C, Liu C L, Wang H, 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.

[6] Zhang W, Shen Y M, Zhou Y Y. Increased CO2emissions from energy consumption based on three-level nested I-O structural decomposition analysis for Beijing [J]. J. Resources and Ecology, 2014,5(2):115-122.

[7] 王長建,汪 菲,張虹鷗.新疆能源消費(fèi)碳排放過程及其影響因素--基于擴(kuò)展的Kaya恒等式[J]. 生態(tài)學(xué)報(bào), 2016,36(8):2151-2163. Wang C J, Wang F, Zhang H O. The process of energy-related carbon emissions and influencing mechanism research in Xinjiang [J]. Acta Ecologica Sinica, 2016,36(8):2151-2163.

[8] 李 健,王 錚,樸勝任.大型工業(yè)城市碳排放影響因素分析及趨勢預(yù)測--基于PLS-STIRPAT模型的實(shí)證研究[J]. 科技管理研究, 2016,7:229-234. Li J, Wang Z, Piao S R. Influence factors analysis and trend forecasting of large industrial cities' carbon emissions: Based on the PLS-STIRPAT model [J]. Science and Technology Management Research, 2016,7:229-234.

[9] 馬曉君,董碧瀅,于淵博,等.東北三省能源消費(fèi)碳排放測度及影響因素[J]. 中國環(huán)境科學(xué), 2018,38(8):3170-3179.Ma X J, Dong B Y, Yu Y B, et al. Measurement of carbon emissions from energy consumption in three Northeastern provinces and its driving factors [J]. China Environmental Science, 2014,34(6):1622-1632.

[10] Liu Y S, Yan B, Zhou Y. Urbanization, economic growth, and carbon dioxide emissions in China: A panel cotintegration and causality analysis [J]. Journal of Geographical Sciences, 2016,26(2):131-152.

[11] Zhao X T, Burnett J W, Fletcher J J. Spatial analysis of China province-level CO2emission intensity [J]. Renewable and Sustainable Energy Reviews, 2014,33:1-10.

[12] 趙 哲,陳建成,白羽萍,等.二氧化碳排放與經(jīng)濟(jì)增長關(guān)系的實(shí)證分析[J].中國環(huán)境科學(xué), 2018,38(7):2785-2793. Zhao Z, Chen J C, Bai Y P, et al. The empirical analysis of the relationship between carbon dioxide emissions and economic growth [J]. China Environmental Science, 2018,38(7):2785-2793.

[13] 李建豹,黃賢金,吳常艷,等.中國省域碳排放影響因素的空間異質(zhì)性分析 [J]. 經(jīng)濟(jì)地理, 2015,35(11):21-28. Li J B, Huang X J, Wu C Y, et al. Analysis of spatial heterogeneity impact factors on carbon emissions in China [J]. Economic Geography, 2015,35(11):21-28.

[14] 盧 娜,曲福田,馮淑怡,等.基于STIRPAT模型的能源消費(fèi)碳足跡變化及影響因素——以江蘇省蘇錫常地區(qū)為例[J]. 自然資源學(xué)報(bào), 2011,26(5):814-824. Lu N, Qu F T, Feng S Y, et al. Trends and determining factors of energy consumption carbon footprint:An analysis for Suzhou-Wuxi- Changzhou Region based on STIRPAT model [J]. Journal of Natural Resources, 2011,26(5):814-824.

[15] 劉 源,李向陽,林劍藝,等.基于LMDI分解的廈門市碳排放強(qiáng)度影響因素分析[J]. 生態(tài)學(xué)報(bào), 2014,34(9):2378-2387. Liu Y, Li X Y, Lin J Y, et al. Factor decomposition of carbon intensity in Xiamen city based on LMDI method [J]. Acta Ecologica Sinica, 2014,34(9):2378-2387.

[16] Wu P, Tian M. On Estimating transportation energy consumption and carbon dioxide emissions from off-shore island tourism: A case study of Haikou city, China [J]. J. Resources and Ecology, 2016,7(6):472-479.

[17] 劉賢趙,高長春,宋 炎,等.湖南市域化石能源消費(fèi)碳排放時空格局及驅(qū)動因素[J]. 生態(tài)學(xué)報(bào), 2017,37(7):2476-2487. Liu X Z, Gao C C, Song Y, et al. Temporal-spatial carbon emission patterns caused by fossil energy consumption at the city level in Hunan Province, China and the factors driving their composition [J]. Acta Ecologica Sinica, 2017,37(7):2476-2487

[18] 張振宇.農(nóng)業(yè)經(jīng)濟(jì)發(fā)展與農(nóng)業(yè)碳排放的實(shí)證關(guān)系研究——以上海郊區(qū)農(nóng)業(yè)為例[J]. 生態(tài)經(jīng)濟(jì), 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.

[19] 邵 帥,楊莉莉,曹建華.工業(yè)能源消費(fèi)碳排放影響因素研究——基于STIRPAT模型的上海分行業(yè)動態(tài)面板數(shù)據(jù)實(shí)證分析[J]. 財(cái)經(jīng)研究, 2010,11:16-27. Shao S, Yang L L, Cao J H. Study on Influencing factors of CO2emissions from industrial energy consumption: An empirical analysis based on STIRPAT model and industrial sectors' dynamic panel data in Shanghai [J]. Journal of Finance and Economics, 2010,11:16-27.

[20] 陳志建,王 錚.中國地方政府碳減排壓力驅(qū)動因素的省際差異——基于STIRPAT模型[J].資源科學(xué), 2012,34(4):718-724. Chen Z J, Wang Z. The Differences of driving factors of local governments’pressure on carbon emission reduction in China: Based on STIRPAT model [J]. Resources Science, 2012,34(4):718-724.

[21] 丁唯佳,吳先華,孫 寧,等.基于STIRPAT模型的我國制造業(yè)碳排放影響因素研究[J]. 數(shù)理統(tǒng)計(jì)與管理, 2012,3:499-506. Ding W J, Wu X H, Sun N, et al. Analyzing impact factors of manufacturing CO2emissions in China: based on the STIRPAT model [J]. Journal of Applied Statistics and Management, 2012,3:499-506.

[22] 張 勇,張樂勤,包婷婷.安徽省城市化進(jìn)程中的碳排放影響因素研究--基于STIRPAT模型[J]. 長江流域資源與環(huán)境, 2014,23(4):512-517. Zhang Y, Zhang L Q, Bao T T. Research on the influential factors of carbon emissions in the process of urbanization in Anhui province: Based on STIRPAT model [J]. Resources and Environment in the Yangtze Basin, 2014,23(4):512-517.

[23] 洪業(yè)應(yīng),向思潔,陳景信.重慶市人口規(guī)模、結(jié)構(gòu)對碳排放影響的實(shí)證研究——基于STIRPAT模型的分析[J]. 西北人口, 2015,36(3):13-17. Hong Y Y, Xiang S J, Chen J X. Impact of demographic factors on carbon emission in Chongqing City:A study base on STIRPAT model [J]. Northwest Population Journal, 2015,36(3):13-17.

[24] Wold S, Ruhe A, Wold H, et al. The collinearity problem in linear regression. The partial least squares (PLS) approach to generalized inverses [J]. SIAM Journal on Scientific and Statistical Computing, 1984,5(3):735-743.

[25] Dietz T, Rosa E A. Rethinking the environmental impacts of population, affluence and technology [J]. Human Ecology Review, 1994,1:277-300.

[26] Ehrilich P R, Holdren J P. The impact of population growth [J]. Science, 1971,171:1212-1217.

[27] York R, Rosa E A, Dietz T. STIRPAT, IPAT and ImPACT: Analytic tools for unpacking the driving forces of environmental impact [J]. Ecological Economics, 2003,46(3):351-365.

[28] Shi A. 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.

[29] Phetkeo P, Shinji K. Does urbanization lead to less energy use and lower CO2emissions? A cross-country analysis [J]. Ecological Economics, 2010,70(2):434-444.

[30] Brantley L. Impact of population, age structure, and urbanization on carbon emissions/energy consumption: evidence from macro-level, cross-country analyses [J]. Populatim & Environment, 2013,35(3):286-304.

[31] 肖明月,方言龍. FDI對中國東部地區(qū)碳排放的影響-基于STIRPAT模型的實(shí)證分析[J]. 中央財(cái)經(jīng)大學(xué)學(xué)報(bào), 2013,7:59-64. Xiao M Y, Fang Y L. The Impact of FDI on carbon emissions in the Eastern Region of China:An empirical analysis based on STIRPAT model [J]. Journal of Central University of Finance & Economics, 2013,7:59-64.

[32] Wang Z, Yin F, Zhang Y, et al. An empirical research on the influencing factors of regional CO2emissions: Evidence from Beijing city, China [J]. Applied Energy, 2012,100:277-284.

[33] 林伯強(qiáng),劉希穎.中國城市化階段的碳排放:影響因素和減排策略[J]. 經(jīng)濟(jì)研究, 2010,8:66-78. Lin B Q, Liu X Y. China' s Carbon dioxide emissions under the urbanization process: influence factors and abatement policies [J]. Economic Research Journal, 2010,8:66-78.

[34] ?zgür Yeniay, Atilla G?ktas. A comparison of partial least squares regression with other prediction methods [J]. Hacettepe Journal of Mathematics and Statistics, 2002,31:99-111.

[35] Farahani H, Rahiminezhad A, Same L, et al. A Comparison of partial least squares (PLS) and ordinary least squares (OLS) regressions in predicting of couples mental health based on their communicational patterns [J]. Procedia Social and Behavioral Sciences, 2010,5:1459-1463.

[36] Eggleston H S, Buendia L, Miwa K, et al. 2006 IPCC guidelines for national greenhouse gas inventories [EB/OL]. https://www.ipcc-nggip. iges.or.jp/public/2006gl/2007-03-01/2018-06-06.

[37] Poumanyvong P, Kaneko S. Does urbanization lead to less energy use and lower CO2emissions? A cross-country analysis [J]. Ecological Economics, 2010,70(2):434-444.

Influencing factors and reduction mechanism of carbon emissions at the city-range: An empirical study on Fujian province.

SU Kai1*, CHEN Yi-hui1, FAN Shui-sheng1, Zhang Ming-ru2

(1.Anxi College of Tea Science/ College of Life Sciences, Fujian Agriculture and Forestry University, Fuzhou 350002, China；2.College of Economics, Yangtze University, Jingzhou 434023, China)., 2019,39(2)：859~867

In this paper, 9 cities of Fujian province was selected as the research object, and an extended STIRPAT-PLS model was used to empirically analyze the influencing factors of Fujian Province's carbon emissions from 2010 to 2016. The model was able to determine the main influence factors on the increase of carbon emissions and calculate the influence rate of each factor. The results showed that total population, urbanization rate, per-capita GDP, secondary industry ratio and energy intensity have positive driving effects on the increase of carbon emissions, while tertiary industry ratio has negative driving effects on the increase of carbon emissions. The three factors such as population, per-capita GDP and urbanization rate make the greatest contribution to increase of carbon emissions. On this basis, the paper proposed several policy suggestions to reduce carbon emissions, including enhancing the development of renewable and clean energy, promoting the optimization and upgrading of energy and industrial structures, and improving energy efficiency, which can be considered as a valid solution for win-win targets of regional economic development and carbon emissions reduction.

carbon emission；STIRPAT model；PLS regression；city-range

X321

A

1000-6923(2019)02-0859-09

蘇 凱(1987-),男,福建福州人,講師,福建農(nóng)林大學(xué)博士研究生,主要從事生態(tài)資源評價與管理研究.發(fā)表論文5篇.

2018-07-16

福建省自然科學(xué)基金資助項(xiàng)目(2018J01652);福建省中青年教師教育科研項(xiàng)目(JAS170143);福建農(nóng)林大學(xué)科技創(chuàng)新專項(xiàng)基金資助項(xiàng)目(KCXRC609A)

* 責(zé)任作者, 講師, sukai516@fafu.edu.cn