基于STIRPAT模型的临沂市工业碳排放分析及预测

doi:10.3969/j.issn.1674-1951.2021.06.006

华电技术 ›› 2021, Vol. 43 ›› Issue (6): 47-54.doi: 10.3969/j.issn.1674-1951.2021.06.006

基于STIRPAT模型的临沂市工业碳排放分析及预测

吴彤¹^,²^,³(), 张兴宇¹, 程星星², 孙荣峰¹, 王志强², 耿文广¹, 王鲁元¹^,^*, 冯太³

1.齐鲁工业大学（山东省科学院）能源研究所,济南 250014
2.山东大学能源与动力工程学院,济南 250001
3.山东科技大学机械电子工程学院,山东青岛 266590

收稿日期:2021-06-01 修回日期:2021-06-10 出版日期:2021-06-25 发布日期:2021-06-25
通讯作者: 王鲁元
作者简介:吴彤（1998—）,男,山东济南人,在读硕士研究生,从事低碳模型研究（E-mail： wtlooper@163.com）。
基金资助:
国家自然科学基金青年基金资助项目(51906130);山东省重点研发计划重大科技创新工程项目(2020CXGC011401);山东省科学院青年基金项目(2020QN009);山东省能源碳减排技术与资源化利用重点实验室开放课题资助项目(ECRRU201804)

Analysis and prediction of industrial carbon emission of Linyi City based on STIRPAT model

WU Tong¹^,²^,³(), ZHANG Xingyu¹, CHENG Xingxing², SUN Rongfeng¹, WANG Zhiqiang², GENG Wenguang¹, WANG Luyuan¹^,^*, FENG Tai³

1. Energy Research Institute of Shandong Academy of Sciences, Qilu University of Technology,Jinan 250014,China
2. School of Energy and Power Engineering,Shandong University,Jinan 250001,China
3. College of Mechanical and Electronic Engineering, Shandong University of Science and Technology,Qingdao 266590,China

Received:2021-06-01 Revised:2021-06-10 Online:2021-06-25 Published:2021-06-25
Contact: WANG Luyuan

摘要/Abstract

摘要：

为使省、市级区域更好地实施碳减排,根据2009 —2019年临沂市工业碳排放数据建立可拓展的随机性环境影响评估（STIRPAT）模型,定量分析了临沂市工业碳排放量与企业固定资产、人均工业生产增加值、能源强度和能源结构的关系,通过岭回归消除各自变量之间的共线性问题,得出企业固定资产、人均工业生产增加值、能源强度、原煤占能源消耗比和净购入电力每变化1%,临沂市工业碳排放量相应变化0.069 37%,0.016 30%,0.214 60%,0.550 00%,0.214 60%。基于灰色预测模型GM（1,1）预测了人均工业生产增加值,并通过设置6种不同的情景预测了2020 —2030年临沂市的工业碳排放量,通过对比结果得出,保持工业产值适度增长、加大能源结构优化、降低能源强度是减少临沂市工业碳排放的有效路径。

关键词: 工业碳排放, 碳中和, 碳达峰, STIRPAT模型, 岭回归, 情景预测, 能源强度, 能源结构, 低碳经济

Abstract:

To stimulate the accomplishment of provincial and municipal carbon emission targets, a Stochastic Impacts by Regression on Population, Affluence and Technology （STIRPAT） model is established based on the industrial carbon emission data of Linyi City from 2009 to 2019. The model quantitatively analyzes the relationship between industrial carbon emission and enterprises' fixed assets, per capita industrial production added value, energy intensity and energy structure in Linyi City. The collinearity between the variables is eliminated by ridge regression. For every 1% variation in enterprises' fixed assets, per capita industrial production added value, energy intensity, the proportion of raw coal in energy consumption and net purchased electricity will lead to 0.069 37%,0.016 30%,0.214 60%,0.550 00% and 0.214 60% fluctuation in the industrial carbon emission, respectively. The per capita industrial production added value is predicted by a Grey Model, GM（1,1）. The industrial carbon emissions in Linyi City from 2020 to 2030 under six different prediction scenarios are analyzed. The comparison results conclude that maintaining a moderate growth of industrial product, increasingly optimizing energy structure and controlling energy intensity are the effective ways to reduce the industrial carbon emission of Linyi City.

Key words: industrial carbon emission, carbon neutrality, carbon peaking, STIRPAT model, ridge regression, scenario prediction, energy intensity, energy structure, low-carbon economy

中图分类号:

X511：F206

吴彤, 张兴宇, 程星星, 孙荣峰, 王志强, 耿文广, 王鲁元, 冯太. 基于STIRPAT模型的临沂市工业碳排放分析及预测[J]. 华电技术, 2021, 43(6): 47-54.

WU Tong, ZHANG Xingyu, CHENG Xingxing, SUN Rongfeng, WANG Zhiqiang, GENG Wenguang, WANG Luyuan, FENG Tai. Analysis and prediction of industrial carbon emission of Linyi City based on STIRPAT model[J]. Huadian Technology, 2021, 43(6): 47-54.

图/表 14

表1

表2

表3

表4

模型系数

项目	非标准化系数		标准系数	T检验统计值	显著性系数	共线性统计量
项目	回归系数	标准误差	标准系数	T检验统计值	显著性系数	容差	方差膨胀系数
常数项	-0.522	2.095		-0.249	0.041
$ln Q$	0.033	0.065	0.103	0.517	0.062	0.065	15.381
$ln U$	0.113	0.039	0.297	2.864	0.035	0.238	4.207
$ln O$	0.657	0.135	0.702	4.881	0.005	0.123	8.106
$ln M$	0.006	0.204	0.004	0.028	0.067	0.149	6.708
$ln N$	0.548	0.116	0.966	4.744	0.005	0.062	16.230

表4

图1

图2

表5

表6

岭回归模型系数

项目	回归系数	标准误差	标准化系数	T检验统计值	显著性系数
$ln Q$	0.069 37	0.024	0.210	2.838	0.036
$ln U$	0.016 30	0.035	0.043	0.460	0.046
$ln O$	0.214 60	0.076	0.229	2.820	0.037
$ln M$	-0.550 00	0.131	-0.353	-4.168	0.009
$ln N$	0.214 60	0.040	0.377	5.276	0.003
常数项	6.839 00	0.913	0.000	7.487	0.000

表6

表7

表8

图3

表9

表10

表11

参考文献 17

[1]	姜克隽, 胡秀莲, 庄幸, 等. 中国2050年低碳情景和低碳发展之路[J]. 中外能源, 2009,6(6):21-26.
	JIANG Kejun, HU Xiulian, ZHUANG Xing, et al. China's low-carbon scenarios and roadmap for 2050[J]. Sino-Global Energy, 2009,6(6):21-26.
[2]	佟昕, 陈凯, 李刚. 中国碳排放影响因素分析和趋势预测:基于STIRPAT和GM(1,1)模型的实证研究[J]. 东北大学学报(自然科学版), 2015,36(2):297-300.
	TONG Xin, CHEN Kai, LI Gang. Influencing factors analysis and trend forecasting of China's carbon emissions:Empirical study based on STIRPAT and GM(1,1) models[J]. Journal of Northeastern University (Natural Science), 2015,36(2):297-300.
[3]	渠慎宁, 郭朝先. 基于STIRPAT模型的中国碳排放峰值预测研究[J]. 中国人口·资源与环境, 2010,20(12):10-15.
	QU Shenning, GUO Chaoxian. Forecast of China's carbon emissions based on STIRPAT model[J]. China Population, Resources and Environment, 2010,20(12):10-15.
[4]	许华, 王莹. EKC视角下陕西经济增长与碳排放量实证研究[J]. 调研世界, 2021(1):54-59.
	XU Hua, WANG Ying. An empirical research on economic growth and carbon emissions of Shaanxi Province from the perspective of EKC[J]. The World of Survey and Research, 2021(1):54-59.
[5]	颜伟, 黄亚茹, 张晓莹, 等. 基于STIRPAT模型的山东半岛蓝色经济区碳排放预测[J]. 济南大学学报(自然科学版), 2021,35(2):125-131.
	YAN Wei, HUANG Yaru, ZHANG Xiaoying, et al. Prediction of carbon emission in Shandong Peninsula Blue Economic Zone based on STIRPAT model[J]. Journal of University of Jinan(Science and Technology), 2021,35(2):125-131
[6]	韩媛媛, 廖剑宇, 张旺, 等. 长沙市规模以上工业能耗碳排放测算与预测研究[J]. 国土与自然资源研究, 2017(5):46-50.
	HAN Yuanyuan, LIAO Jianyu, ZHANG Wang, et al. Calculation and prediction of carbon emission from industrial scale energy consumption in Changsha[J]. Territory & Natural Resources Study, 2017(5):46-50.
[7]	张巍. 基于STIRPAT模型的陕西省工业碳排放量预测和情景分析[J]. 可再生能源, 2017,35(5):771-777.
	ZHANG Wei. Prediction and scenario analysis of industrial carbon emissions in Shaanxi Province based on STIRPAT model[J]. Renewable Energy Resources, 2017,35(5):771-777.
[8]	解品磊. 基于LEAP模型的吉林省工业碳排放模拟研究及碳减排路径选择[D]. 长春:吉林大学, 2018.
[9]	郭晓芳. 遵义市规模以上工业能源消费碳排放测度及影响因素[J]. 贵州科学, 2020,38(6):57-63.
	GUO Xiaofang. Carbon emission from energy consumption of industries above designated size in Zunyi: Measurement and influencing factors[J]. Guizhou Science, 2020,38(6):57-63.
[10]	王海静, 王红蕾. 基于STIRPAT模型的贵州省电力行业碳峰值预测[J]. 生产力研究, 2021(3):108-113.
	WANG Haijing, WANG Honglei. The electricity industry carbon peak forecast based on the STIRPAT model[J]. Productivity Research, 2021(3):108-113.
[11]	王莉叶, 陈兴鹏, 庞家幸, 等. 基于LMDI的能源消费碳排放因素分解及情景分析——以兰州市为例[J]. 生态经济, 2019,35(9):38-44.
	WANG Liye, CHEN Xingpeng, PANG Jiaxing, et al. Decomposition and scenario analysis of carbon emission from energy consumption based on LMDI method: Taking Lanzhou as an example[J]. Ecological Economy, 2019,35(9):38-44.
[12]	刘晓燕. 基于STIRPAT模型的工业能源消费碳排放影响因素分析[J]. 生态经济, 2019,35(3):27-31.
	LIU Xiaoyan. Study on influencing factors of carbon emissions from industrial energy consumption based on STIRPAT model[J]. Ecological Economy, 2019,35(3):27-31.
[13]	田泽, 张怀婧, 黄萌萌, 等. 扬子江城市群工业能源碳排放与经济增长脱钩水平及驱动因素[J]. 资源与产业, 2020,22(6):29-36.
	TIAN Ze, ZHANG Huaijing, HUANG Mengmeng, et al. Decoupling level and driving factors of industrial energy carbon emission and economic growth in Yangzi River urban agglomeration[J]. Resources & Industries, 2020,22(6):29-36.
[14]	马艳梅, 吴玉鸣. 山东省工业碳减排政策研究——基于空间效应视角[J]. 生态经济, 2019,35(7):39-43.
	MA Yanmei, WU Yuming. Policies for industrial carbon emission reduction in Shandong Province from the perspective of spatial effects[J]. Ecological Economy, 2019,35(7):39-43.
[15]	邓光耀, 马蓉, 张忠杰. 中国各行业能源消费碳排放效应的分解研究[J]. 统计与决策, 2018,34(15):124-127.
	DENG Guangyao, MA Rong, ZHANG Zhongjie. Decomposition of carbon emission effect of energy consumption in China's various industries[J]. Statistics & Decision, 2018,34(15):124-127.
[16]	EHRLICH P R, HOLDREN J P. Impact of population growth[J]. Science, 1971,171(3977):1212-1217. doi: 10.1126/science.171.3977.1212
[17]	杨楠, 李艳霞, 吕晨, 等. 唐山市钢铁行业碳排放核算及达峰预测[J]. 环境工程, 2020,38(11):44-52.
	YANG Nan, LI Yanxia, LV Chen, et al. Carbon emission accounting and peak forecasting of iron & steel industry in Tangshan[J]. Environmental Engineering, 2020,38(11):44-52.

变量	定义	符号	单位
工业环境压力	工业生产产生的碳排放量	C	万t
工业规模	工业固有资产	Q	亿元
人均工业产值	人均工业产值	U	万元/人
能源强度	单位工业产值的综合能耗	O	t/万元^①
能源结构	原煤占总燃料的消耗比	M	%
能源结构	净购入电力	N	MW·h

项目	平方和	自由度	均方	F检验统计值	显著性系数
回归	0.140	5	0.028	77.324	0.000
残差	0.002	5	0.000
总计	0.142	10

年份	碳排放量实际值/万t	碳排放量预测值/万t	误差/%
2009	3 666.19	3 826.29	4.30
2010	3 682.33	3 755.35	2.00
2011	3 899.33	3 967.43	1.70
2012	4 398.08	4 161.67	-5.40
2013	4 883.81	4 799.55	-1.70
2014	5 325.22	5 032.89	-5.50
2015	4 242.59	4 305.67	1.50
2016	4 822.40	4 797.21	-0.50
2017	4 579.60	4 691.59	2.40
2018	4 627.89	4 671.95	0.90
2019	4 235.07	4 238.17	0.07

年份	年度生产总值/ 亿元		工业占GDP 比重/%		工业生产增加值/ 亿元
年份	实际值	预测值	实际值	预测值	实际值	预测值
2009	1 977.10	1 977.10	42.60	42.60	842.24	842.24
2010	2 360.60	2 502.05	42.10	42.52	993.81	1 063.87
2011	2 642.90	2 682.08	41.40	41.31	1 094.16	1 107.96
2012	2 870.90	2 875.06	39.90	40.14	1 145.48	1 154.04
2013	3 175.60	3 081.93	38.80	39.01	1 232.13	1 202.26
2014	3 388.10	3 303.68	38.50	37.90	1 304.41	1 252.09
2015	3 599.40	3 541.38	37.30	36.83	1 342.57	1 304.29
2016	3 810.50	3 796.19	35.70	35.79	1 360.34	1 358.65
2017	4 062.00	4 069.34	35.40	34.77	1 437.98	1 414.90
2018	4 367.80	4 362.13	34.80	33.79	1 519.99	1 473.96
2019	4 600.30	4 676.00	31.00	32.83	1 426.09	1 535.13

年份	工业生产增加值预测值/亿元	工业平均用工人数/人	人均工业生产增加值预测值/（万元·人^-1）
2020	1 599.17	393 000	40.69
2021	1 665.71	393 000	42.38
2022	1 735.02	393 000	44.14
2023	1 807.21	391 086	46.21
2024	1 882.41	364 737	51.61
2025	1 960.73	340 109	57.65
2026	2 042.31	317 227	64.38
2027	2 127.29	295 826	71.91
2028	2 215.81	275 907	80.31
2029	2 308.00	257 302	89.70
2030	2 404.03	239 971	100.18

基于STIRPAT模型的临沂市工业碳排放分析及预测

Analysis and prediction of industrial carbon emission of Linyi City based on STIRPAT model

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 17

相关文章 15

编辑推荐

Metrics

本文评价

年份	情景1	情景2	情景3	情景4	情景5	情景6
2020	4 161.48	4 239.65	4 339.88	4 247.66	4 351.58	4 259.12
2021	4 080.24	4 245.05	4 437.60	4 251.02	4 461.57	4 273.99
2022	4 001.04	4 251.03	4 538.10	4 254.92	4 574.93	4 289.45
2023	3 924.13	4 257.96	4 641.88	4 259.74	4 692.17	4 305.89
2024	3 853.18	4 269.90	4 753.68	4 269.64	4 818.15	4 327.55
2025	3 783.91	4 282.45	4 868.87	4 280.18	4 948.21	4 349.93
2026	3 716.25	4 301.60	4 987.55	4 291.34	5 082.50	4 373.05
2027	3 650.17	4 319.39	5 109.90	4 303.19	5 221.23	4 396.95
2028	3 585.60	4 337.83	5 236.05	4 315.73	5 364.57	4 421.66
2029	3 522.51	4 308.94	5 366.18	4 329.00	5 512.72	4 447.23
2030	3 460.84	4 284.74	5 500.45	4 343.03	5 665.90	4 473.67

[1]	韩世旺, 赵颖, 张兴宇, 玄承博, 赵田田, 侯绪凯, 刘倩倩. 面向碳中和的新型电力系统氢储能调峰技术研究[J]. 综合智慧能源, 2022, 44(9): 20-26.
[2]	江婷, 赵雅姣. 基于燃气分布式的综合能源系统碳减排分析[J]. 综合智慧能源, 2022, 44(9): 27-32.
[3]	张旭, 张浩浩, 顾吉浩. 室温空间特性差异性分析及抽样推断方法研究[J]. 综合智慧能源, 2022, 44(9): 51-58.
[4]	姜曙, 刘芳芳, 刘媛媛, 陈启召, 连丽, 任梦楠. “地热能+”在工程实践中的综合梯级应用[J]. 综合智慧能源, 2022, 44(9): 59-64.
[5]	余果, 吴军, 夏热, 陈逸珲, 郭子辉, 黄文鑫. 构网型变流器技术的发展现状与趋势研究[J]. 综合智慧能源, 2022, 44(9): 65-70.
[6]	唐琦雯, 沈琪, 祝俊, 苏宜靖. 浙江调频辅助服务市场机制设计及运营实践[J]. 综合智慧能源, 2022, 44(9): 71-77.
[7]	杨莹, 张雁祥, 闫牧夫. 中低温固体氧化物燃料电池电解质制备方法研究进展[J]. 综合智慧能源, 2022, 44(8): 50-57.
[8]	陈晗钰, 周晓亮, 刘立敏, 钱欣源, 王宙, 何非凡, 绳阳. 质子导体固体电解池电解水制氢研究进展[J]. 综合智慧能源, 2022, 44(8): 75-85.
[9]	李华, 郑洪纬, 周博文, 李广地, 杨波. 综合智慧能源系统中抽水蓄能电站两部制电价研究[J]. 综合智慧能源, 2022, 44(7): 10-18.
[10]	王盛, 谈健, 史文博, 邹风华, 陈光, 王林钰, 惠红勋, 郭磊. 英国新型电力系统建设经验以及对我国省级电网发展启示[J]. 综合智慧能源, 2022, 44(7): 19-32.
[11]	冶兆年, 赵长禄, 王永真, 韩恺, 刘超凡, 韩俊涛. 基于纳什议价的共享储能能源互联网络双目标优化[J]. 综合智慧能源, 2022, 44(7): 40-48.
[12]	张荣权, 李刚强, 卜思齐, 刘芳, 朱玉祥. 基于自适应学习率萤火虫算法的多能源系统联合优化调度[J]. 综合智慧能源, 2022, 44(7): 49-57.
[13]	郭祚刚, 袁智勇, 徐敏, 雷金勇, 李朋岳, 谈赢杰. 多能互补综合能源系统混合能流计算方法及算例[J]. 综合智慧能源, 2022, 44(7): 58-65.
[14]	路尧, 顾晓希, 尹硕, 陈兴, 金曼. 考虑断面负载率的县域内部新能源电力自平衡交易调度策略研究[J]. 综合智慧能源, 2022, 44(7): 66-72.
[15]	谢典, 高亚静, 芦新波, 刘天阳, 赵良, 赵勇. 能耗“双控”向碳排放“双控”转变的实施路径研究[J]. 综合智慧能源, 2022, 44(7): 73-80.

情景	企业固定资产	能源强度	煤炭消耗占比	净购入电力
1	-5	-1	+1	-5
2	-5	-1	-1	-5
3	+1	-1	-1	+5
4	+1	-1	-1	-5
5	+5	+1	-1	-5
6	+5	-1	-1	-5