楊俊祺，范曉軍，趙躍華，袁進(jìn),*

1.太原理工大學(xué)環(huán)境科學(xué)與工程學(xué)院

2.山西科城能源環(huán)境創(chuàng)新研究院

開展碳排放量預(yù)測(cè)是研究制定區(qū)域碳達(dá)峰、碳中和目標(biāo)和路徑的基礎(chǔ)工作。已有區(qū)域碳排放預(yù)測(cè)研究大多使用基于統(tǒng)計(jì)學(xué)模型的傳統(tǒng)預(yù)測(cè)方法[1-2]。李建豹等[3]利用改進(jìn)的環(huán)境負(fù)荷（IPAT）模型，模擬了長(zhǎng)三角地區(qū)碳排放量；劉茂輝等[4]運(yùn)用對(duì)數(shù)平均迪氏指數(shù)法（LMDI）和可拓展隨機(jī)性的環(huán)境影響評(píng)估（STIRPAT）模型預(yù)測(cè)了天津市碳達(dá)峰、碳中和的情況。但這些方法無(wú)法充分考慮各種因素的復(fù)雜性及非線性關(guān)系，導(dǎo)致在魯棒性和預(yù)測(cè)準(zhǔn)確度方面存在不足[5]。近年來，基于人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型因其非線性映射、自適應(yīng)和泛化能力較好而被廣泛使用。其中，BP（反向傳播）神經(jīng)網(wǎng)絡(luò)是最常用的一種[5-6]。趙金輝等[7]利用Lasso-BP 神經(jīng)網(wǎng)絡(luò)模型，預(yù)測(cè)了中國(guó)碳排放強(qiáng)度的變化；董聰?shù)萚8]基于BP 神經(jīng)網(wǎng)絡(luò)模型對(duì)2030 年中國(guó)碳排放情景做出預(yù)測(cè)。以上研究結(jié)果均表明神經(jīng)網(wǎng)絡(luò)在碳排放預(yù)測(cè)領(lǐng)域表現(xiàn)出更好的準(zhǔn)確性和有效性。但傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中容易陷入局部最優(yōu)解，導(dǎo)致預(yù)測(cè)效果不佳[9]。一些學(xué)者[9-10]通過粒子群優(yōu)化算法（particle swarm optimization，PSO）優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)，較好地克服了BP 神經(jīng)網(wǎng)絡(luò)存在的不足，使模型的模擬和預(yù)測(cè)精度有較大提升。

相關(guān)學(xué)者對(duì)山西省碳排放的研究主要集中在核算、驅(qū)動(dòng)解析及預(yù)測(cè)等方面。趙江燕等[11]采用省級(jí)溫室氣體清單方法核算了山西省碳排放量，并運(yùn)用LMDI 方法分析了影響碳排放的因素；郭沛等[12]基于LMDI 模型對(duì)山西省碳排放影響因素進(jìn)行分解，得到經(jīng)濟(jì)增長(zhǎng)為增碳的主要因素，碳強(qiáng)度為減碳的主要因素。相關(guān)學(xué)者運(yùn)用STIRPAT 模型[13-14]、IPAT 模型[15]等傳統(tǒng)方法對(duì)山西省碳排放進(jìn)行了預(yù)測(cè)，但采用神經(jīng)網(wǎng)絡(luò)的方法鮮見報(bào)道。

為深入研判山西省碳放量變化趨勢(shì)及碳達(dá)峰路徑，筆者運(yùn)用《IPCC 國(guó)家溫室氣體清單指南》的排放系數(shù)法、Tapio 脫鉤模型、LMDI 法對(duì)2000—2020年山西省碳排放量進(jìn)行核算，分析碳排放與經(jīng)濟(jì)增長(zhǎng)的脫鉤狀態(tài)，并對(duì)驅(qū)動(dòng)因素進(jìn)行探討。在此基礎(chǔ)上，運(yùn)用PSO 優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)，構(gòu)建PSO-BP 神經(jīng)網(wǎng)絡(luò)方法對(duì)2021—2035年山西省碳排放進(jìn)行預(yù)測(cè)，并分析山西省碳達(dá)峰目標(biāo)實(shí)現(xiàn)路徑。

1 方法和數(shù)據(jù)來源

1.1 碳排放計(jì)算

采用IPCC（政府間氣候變化專門委員會(huì)）排放系數(shù)法計(jì)算山西省碳排放量[16-17]，其公式為：

式中：C為CO2排放量，104t；M為能源消耗量，104t；EF 為碳排放系數(shù)，t/t（以CO2計(jì)）；CC 為能源單位熱值碳含量，t/TJ（以C 計(jì)）；Q為平均低位發(fā)熱值，kJ/kg 或kJ/m3； β為碳氧化率，%；i為能源類型，i=1，2，···，16 ；j為部門活動(dòng)。

1.2 碳排放與經(jīng)濟(jì)增長(zhǎng)分析

Tapio 脫鉤指數(shù)模型可以用來探究碳排放與經(jīng)濟(jì)發(fā)展之間的脫鉤關(guān)系[18]，具有基期選擇靈活、結(jié)果穩(wěn)定、判斷標(biāo)準(zhǔn)明確等優(yōu)勢(shì)[19]（表1）。采用Tapio 脫鉤指數(shù)模型計(jì)算山西省2000—2020 年經(jīng)濟(jì)增長(zhǎng)與碳排放的脫鉤指數(shù)，公式為：

表1 脫鉤狀態(tài)分類Table 1 Decoupling status classification

式中：UGC為脫鉤彈性指數(shù)；G為GDP，億元；ΔC為碳 排 放 變 化 量，104t；ΔG為GDP 變 化 量，億 元；G1和G0分別為報(bào)告年和基年的GDP，億元；C1和C0分別為報(bào)告年和基年的CO2排放量，104t。

1.3 碳排放驅(qū)動(dòng)因素分解

LMDI 法由于其適用面廣且能完全分解等優(yōu)勢(shì)[20]，在對(duì)影響碳排放變化的因素分解時(shí)被廣泛使用。因此，本研究采用LMDI 方法分解山西省2000—2020 年的CO2排放驅(qū)動(dòng)因素。同時(shí)，借鑒趙江燕等[11-12]對(duì)山西省碳排放量影響因素的研究，選擇人口、經(jīng)濟(jì)增長(zhǎng)、能源結(jié)構(gòu)、能源強(qiáng)度、產(chǎn)業(yè)結(jié)構(gòu)、碳排放系數(shù)作為山西省碳排放量的驅(qū)動(dòng)因素。

根據(jù)Kaya 恒等式分解結(jié)果如下：

式中：P為人口數(shù)量；h為產(chǎn)業(yè)類別（h=1,2,3）；p和P為人口規(guī)模；g和G/P為人均GDP；v和Gh/G為產(chǎn)業(yè)結(jié)構(gòu)；e和Mh/Gh為能源強(qiáng)度；s和Mhj/Mh為能源結(jié)構(gòu)；z和Chj/Mhj為碳排放系數(shù)。

碳排放綜合效應(yīng)（ ?C）可表示為人口規(guī)模效應(yīng)（Δp）、經(jīng)濟(jì)增長(zhǎng)效應(yīng)（Δg）、產(chǎn)業(yè)結(jié)構(gòu)效應(yīng)（Δv）、能耗強(qiáng)度效應(yīng)（Δe）、能源結(jié)構(gòu)效應(yīng)（Δs）和碳排放系數(shù)效應(yīng)（Δz）之和：

式中：因各年碳排放系數(shù)基本不變，所以 ?z=0；計(jì)算過程中當(dāng)對(duì)數(shù)底值為0 時(shí)，用10-20代替[21]；Ch,1和Ch,0分別為不同產(chǎn)業(yè)類別h下報(bào)告期和基期的碳排放量；Xh,1和Xh,0分別為不同產(chǎn)業(yè)類別h下驅(qū)動(dòng)因素報(bào)告期和基期的值。

1.4 碳排放趨勢(shì)預(yù)測(cè)

1.4.1 BP 神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，因其結(jié)構(gòu)簡(jiǎn)單、非線性映射能力強(qiáng)、自適應(yīng)良好等優(yōu)點(diǎn)而被廣泛應(yīng)用于各領(lǐng)域[22]。具體模型構(gòu)建如下。

初始化權(quán)值及偏置，依次按照式（7）、式（8）計(jì)算各神經(jīng)元的輸出：

式中： ωa,l為不同神經(jīng)元a到l之間的權(quán)值；f為激勵(lì)函數(shù)； ξl(l=1，2，···，n)為其他神經(jīng)元的輸入；bl為偏置；Ol為神經(jīng)元的輸出。

反向傳播輸出層、隱藏層及輸入層的誤差：

更新權(quán)值及閾值：

式中： μm為期望輸出；m為神經(jīng)元個(gè)數(shù)； ω1為更新后的權(quán)值； α為學(xué)習(xí)率，0<α<1。同理計(jì)算更新閾值。

通過訓(xùn)練不斷地迭代參數(shù)，最終使網(wǎng)絡(luò)收斂完成訓(xùn)練。

1.4.2 粒子群優(yōu)化算法

PSO 是一種全局智能搜尋算法，通過搜索空間內(nèi)各初始粒子跟蹤個(gè)體及全局極值來迭代尋找最優(yōu)解[22]。在N維連續(xù)搜索空間內(nèi)，有 δ個(gè)粒子組成的種群，其中第k個(gè)粒子的位置、速度、個(gè)體極值和群體極值分別 表示為

更新粒子的速度和位置：

式中：τ=1，2，···， δ ； θ=1，2，···，N；w為慣性權(quán)重因子；t為當(dāng)前迭代次數(shù)；φ1、φ2為非負(fù)的加速常數(shù)；rand(0,d1)和rand(0,d2) 分 別為[0，d1]和[0，d2]范圍內(nèi)均勻分布的隨機(jī)數(shù) ；d1、d2為控制參數(shù)。

1.4.3 PSO 算法優(yōu)化BP 網(wǎng)絡(luò)

雖然BP 神經(jīng)網(wǎng)絡(luò)能快速適應(yīng)各種問題，但也容易產(chǎn)生局部最優(yōu)解和過擬合問題，對(duì)預(yù)測(cè)結(jié)果產(chǎn)生影響。引入PSO 算法實(shí)現(xiàn)全局優(yōu)化，能避免陷入局部最優(yōu)解，并通過優(yōu)化權(quán)重參數(shù)減少過擬合風(fēng)險(xiǎn)，以提高碳排放量預(yù)測(cè)的準(zhǔn)確性。因此，本研究構(gòu)建PSO-BP 模型預(yù)測(cè)山西省的碳排放量，具體步驟如圖1 所示：1）分析山西省碳排放驅(qū)動(dòng)因素，并結(jié)合Pearson 相關(guān)性分析探究碳排放量和驅(qū)動(dòng)因素的相關(guān)性，進(jìn)而將其作為預(yù)測(cè)模型的輸入層數(shù)據(jù)；設(shè)置碳排放量作為輸出層，隱層節(jié)點(diǎn)數(shù)由經(jīng)驗(yàn)公式[10]確定。2）使用PSO 優(yōu)化算法尋找BP 神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)重參數(shù)和偏置值，提高模型的穩(wěn)定性和預(yù)測(cè)精度。初始化粒子群數(shù)、慣性權(quán)重因子、加速常數(shù)、最大速度等參數(shù)分別設(shè)置為經(jīng)驗(yàn)值（30、0.73、2、0.8等），適應(yīng)度函數(shù)為BP 神經(jīng)網(wǎng)絡(luò)中預(yù)測(cè)的誤差范數(shù)。3）將2000—2015 年數(shù)據(jù)作為訓(xùn)練集，2016—2020 年數(shù)據(jù)作為測(cè)試集，調(diào)用mapminmax 函數(shù)進(jìn)行歸一化和反歸一化操作，利用相關(guān)誤差指標(biāo)對(duì)PSOBP 及BP 模型的預(yù)測(cè)性能進(jìn)行評(píng)價(jià)。4）為參數(shù)設(shè)置基準(zhǔn)、低碳及強(qiáng)化低碳情景，基于訓(xùn)練好的模型預(yù)測(cè)山西省2021—2035 年的碳排放量。

圖1 PSO-BP 模型流程Fig.1 PSO-BP model process

1.5 數(shù)據(jù)來源

考慮到數(shù)據(jù)的可獲取性及規(guī)整性，研究范圍確定為2000—2020 年。其中山西省人口、GDP、產(chǎn)業(yè)結(jié)構(gòu)數(shù)據(jù)來源于《山西省統(tǒng)計(jì)年鑒》（2001—2021 年），各能源消耗數(shù)據(jù)來源于《中國(guó)能源統(tǒng)計(jì)年鑒》（2001—2021 年），平均低位發(fā)熱量來源于《中國(guó)能源統(tǒng)計(jì)年鑒》，單位熱值含碳量、碳氧化率來源于《省級(jí)溫室氣體清單編制指南》及《2006 年IPCC 國(guó)家溫室氣體清單指南》，不同能源類型的碳排放系數(shù)由式（2）求得（表2）。為提高數(shù)據(jù)的可比性，將GDP 等經(jīng)濟(jì)數(shù)據(jù)通過GDP 指數(shù)統(tǒng)一處理為以2000 年不變價(jià)。

表2 不同能源的碳排放系數(shù)Table 2 Carbon emission coefficient of different energy sources

2 結(jié)果與討論

2.1 碳排放及脫鉤情況

2000—2020 年山西省碳排放量呈上升趨勢(shì)，從1.64 億t 增至5.26 億t，年平均排放量為3.89 億t，2013—2015 年，碳排放總量出現(xiàn)小幅度下降，特別是2014—2015 年，降幅達(dá)到5.77%；隨著經(jīng)濟(jì)發(fā)展，碳排放強(qiáng)度（折算成2000 年不變價(jià)）自2001 年來保持穩(wěn)定下降，從2000 年的8.90 t/萬(wàn)元降至2020 年的5.69 t/萬(wàn)元，年均下降率為2.8%（圖2）。

圖2 2000—2020 年山西省碳排放情況Fig.2 Carbon emissions in Shanxi Province from 2000 to 2020

2000—2020 年，山西省經(jīng)濟(jì)增速普遍高于CO2排放增速，整體處于弱脫鉤狀態(tài)，其中僅2001年處于負(fù)脫鉤狀態(tài)，2014 年、2015 年達(dá)到強(qiáng)脫鉤，這說明山西經(jīng)濟(jì)增長(zhǎng)依賴于能源消耗的局面逐漸得到改善（表3）。

表3 山西省經(jīng)濟(jì)增長(zhǎng)與碳排放脫鉤狀態(tài)Table 3 Status of decoupling between economic growth and carbon emissions in Shanxi Province

2.2 碳排放驅(qū)動(dòng)因素分析

以2000 年為基期，運(yùn)用LMDI 模型對(duì)山西省2001—2020 年的碳排放驅(qū)動(dòng)因素進(jìn)行分解。由表4可知，2020 年山西省碳排放總量累計(jì)增加36 207.76萬(wàn)t，在人口、經(jīng)濟(jì)增長(zhǎng)、產(chǎn)業(yè)結(jié)構(gòu)、能源強(qiáng)度和能源結(jié)構(gòu)5 項(xiàng)驅(qū)動(dòng)因素中，經(jīng)濟(jì)增長(zhǎng)、人口和能源結(jié)構(gòu)的累計(jì)效應(yīng)均為正值，能源強(qiáng)度和產(chǎn)業(yè)結(jié)構(gòu)的累計(jì)效應(yīng)均為負(fù)值。這表明經(jīng)濟(jì)增長(zhǎng)、人口和能源結(jié)構(gòu)3 項(xiàng)因素對(duì)山西省碳排放的增加具有促進(jìn)作用，能源強(qiáng)度和產(chǎn)業(yè)結(jié)構(gòu)因素對(duì)山西省碳排放的增加具有抑制作用。從貢獻(xiàn)率來看，經(jīng)濟(jì)增長(zhǎng)效應(yīng)累計(jì)貢獻(xiàn)率最大，為124.28%；人口和能源結(jié)構(gòu)效應(yīng)的累計(jì)貢獻(xiàn)率相對(duì)較小，分別為5.82%和1.94%；而能源強(qiáng)度和產(chǎn)業(yè)結(jié)構(gòu)效應(yīng)分別對(duì)碳排放累計(jì)貢獻(xiàn)率為-27.44%和-4.60%。

表4 LMDI 碳排放因素分解結(jié)果Table 4 Decomposition results of LMDI carbon emission factors 萬(wàn)t

2000—2020 年，在山西省年均經(jīng)濟(jì)增速為18.29%的情況下，經(jīng)濟(jì)增長(zhǎng)效應(yīng)累計(jì)拉動(dòng)碳排放增長(zhǎng)了44 999.20 萬(wàn)t；由于人口數(shù)量相對(duì)穩(wěn)定，人口效應(yīng)累計(jì)僅增加碳排放2 107.94 萬(wàn)t；山西省的發(fā)展依賴煤炭等化石能源，部分行業(yè)用能結(jié)構(gòu)較為固定，2020 年山西煤炭占一次能源消費(fèi)在 80%以上[11]，能源結(jié)構(gòu)調(diào)整帶來碳排放量的變化相對(duì)較小，能源結(jié)構(gòu)效應(yīng)累計(jì)帶來碳排放703.39 萬(wàn)t；因節(jié)能降碳工作的推行和技術(shù)進(jìn)步，山西省的能源消費(fèi)強(qiáng)度不斷下降，能源強(qiáng)度效應(yīng)累計(jì)帶來9 936.84 萬(wàn)t 碳排放的下降量；山西省通過不斷對(duì)產(chǎn)業(yè)結(jié)構(gòu)進(jìn)行調(diào)整優(yōu)化，產(chǎn)業(yè)結(jié)構(gòu)效應(yīng)累計(jì)減少碳排放1 665.93 萬(wàn)t。

2.3 相關(guān)性分析

對(duì)LMDI 模型分解的5 項(xiàng)碳排放驅(qū)動(dòng)因素進(jìn)行Person 相關(guān)性分析。|r|>0.7 表明因素間高度相關(guān)，|r|越接近于1，表明相關(guān)程度越高[23]。由表5 可見，|r|均大于0.8，證明這5 項(xiàng)驅(qū)動(dòng)因素均與山西省碳排放高度相關(guān)，故將這5 項(xiàng)因素作為模型輸入層的參數(shù)。

表5 相關(guān)性分析結(jié)果Table 5 Correlation analysis results

2.4 模型模擬和有效性檢驗(yàn)

將已劃分的樣本數(shù)據(jù)同時(shí)導(dǎo)入PSO-BP 及BP神經(jīng)網(wǎng)絡(luò)模型中，2 種模型的模擬結(jié)果如圖3 所示。

圖3 山西省碳排放量模擬值與真實(shí)值Fig.3 Comparison of simulated and real carbon emissions in Shanxi Province

為對(duì)模型預(yù)測(cè)性能進(jìn)行客觀評(píng)價(jià)和比較，本研究綜合使用R2(決定系數(shù))、MAPE(平均絕對(duì)百分比誤差)、RMSE (均方根誤差)和MAE (平均絕對(duì)誤差)4 個(gè)誤差指標(biāo)[6]，計(jì)算方法如下：

式中：n為樣本個(gè)數(shù)；Cγ和分別為第 γ個(gè)時(shí)間點(diǎn)的碳排放真實(shí)值與預(yù)測(cè)值，億t；為碳排放真實(shí)值的平均值，億t。R2值越靠近1， MAE、MAPE、RMSE值越小代表預(yù)測(cè)模型精度越高[23]。計(jì)算結(jié)果如表6 所示。

表6 2 種模型預(yù)測(cè)效果對(duì)比Table 6 Comparison of prediction effects of two models

通過誤差分析發(fā)現(xiàn)BP 和PSO-BP 模型的MAPE均小于10%，屬于高精度預(yù)測(cè)[24]，所以均能作為預(yù)測(cè)模型進(jìn)行使用。但PSO-BP 模型的MAPE、MAE 和RMSE 分 別 比BP 模 型 低7.44%、0.312 8億t 和0.125 8 億t，說明運(yùn)用粒子群算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)能使得預(yù)測(cè)誤差更??；且PSO-BP 模型的R2為0.990 6，BP 模型的R2為0.953 4，前者更接近于1，表明預(yù)測(cè)值與實(shí)際值的擬合程度更好，預(yù)測(cè)更逼近現(xiàn)實(shí)。可見PSO-BP 模型的預(yù)測(cè)精度更高，因此選用PSOBP 模型預(yù)測(cè)山西省碳排放。

2.5 情景預(yù)測(cè)和參數(shù)設(shè)定

基準(zhǔn)情景的參數(shù)按照當(dāng)前發(fā)展趨勢(shì)和能源結(jié)構(gòu)水平設(shè)定，從減碳的角度沒有進(jìn)行政策措施約束；低碳情景相比基準(zhǔn)情景增加了“雙碳”目標(biāo)下的政策措施約束，碳排放控制力度依據(jù)現(xiàn)有政策要求；強(qiáng)化低碳情景相較于低碳情景，進(jìn)一步加大了控制力度及節(jié)能降碳技術(shù)的發(fā)展規(guī)模。

本研究分高、中、低3 檔設(shè)定5 項(xiàng)PSO-BP 模型的輸入?yún)?shù)變化率（表7）。

表7 山西省各驅(qū)動(dòng)因素變化率Table 7 Change rate of various driving factors in Shanxi Province

人口（p）：根據(jù)《國(guó)家人口發(fā)展規(guī)劃（2016—2030 年）》及聯(lián)合國(guó)預(yù)測(cè)，設(shè)定山西省2021—2025 年人口高、中、低年均變化率分別為1.96%、1.65%、1.37%，2026—2030 年高、中、低年均變化率分別為1.26%、0.55%、0.48%，2031—2035 年高、中、低年均變化率分別為0.42%、-0.15、-0.84%。

經(jīng)濟(jì)（g）：低速率設(shè)定以“十三五”階段山西省人均GDP 的年均增長(zhǎng)率（以2000 年不變價(jià)）為基準(zhǔn)，中、高速率按照山西省“十四五”規(guī)劃要求，且各速率人均GDP 每5 年下降1%。即2021—2035 年每5 年高、中、低年均變化率分別為8.73%、7.73%、6.63%；7.84%、6.84%、5.84%；5.61%、4.61%、3.61%。

產(chǎn)業(yè)結(jié)構(gòu)(v) ：依據(jù)“十三五”期間山西省第二產(chǎn)業(yè)占比平均變化率，以2020 年第二產(chǎn)業(yè)占比43.4%為基礎(chǔ)。設(shè)定2021—2035 年中每5 年高、中、低年均變化率分別為-1.33%、-1.11%、-0.90%；1.23%、-1.01%、-0.80%；-1.13%、-0.71%、-0.50%。

能源強(qiáng)度(e) ： 2000—2020 年山西省能源強(qiáng)度年均下降3.1%，假設(shè)低速率仍按此變化幅度下降。參考李心萍等[25]的研究，中、高速率下的能源強(qiáng)度在低速基礎(chǔ)上遞增0.4%，且各速率每5 年下降0.2%。即2021—2035 年每5 年高、中、低年均速率變化分別為-3.90%、-3.71%、-3.32%； -3.50%、-3.31%、-3.12%；-3.10%、-2.91%、-2.72%。

能源結(jié)構(gòu)(s) ：依據(jù)山西省2000—2020 年煤炭消費(fèi)占比年均變化-0.82%，參考秦艷等[26]研究，結(jié)合山西省《碳達(dá)峰實(shí)施方案》2025 年非化石能源占比達(dá)12%，2030 年達(dá)18%的規(guī)劃，設(shè)定2021—2035 年中各5 年高、中、低年均變化率為-2.24%、-2.74%、-3.18%；-1.26%、-2.08%、-2.61%；-0.82%、-1.48%、-2.19%。

2.6 碳排放趨勢(shì)

將人口、經(jīng)濟(jì)、產(chǎn)業(yè)結(jié)構(gòu)、能源強(qiáng)度和能源結(jié)構(gòu)因素等的3 種情景數(shù)據(jù)輸入至訓(xùn)練好的PSO-BP 模型中，預(yù)測(cè)山西省2021—2035 年的碳排放量，結(jié)果如圖4 所示。低碳及強(qiáng)化低碳情景相較于基準(zhǔn)情景可以實(shí)現(xiàn)更早達(dá)峰和更低的峰值排放量。在基準(zhǔn)情景下，山西省碳排放在2032 年達(dá)到峰值，預(yù)計(jì)為7.15 億t，隨后進(jìn)入穩(wěn)中有降階段，到2035 年達(dá)6.86 億t；低碳情景下，從2020 年持續(xù)上升至2029年實(shí)現(xiàn)碳達(dá)峰，峰值為6.82 億t，隨后進(jìn)入下降階段，到2035 年降至5.83 億t；在強(qiáng)化低碳情景下，碳排放上升至2027 年達(dá)到峰值，預(yù)計(jì)為6.51 億t，隨后進(jìn)入快速下降階段，到2035 年達(dá)5.49 億t。

圖4 山西省碳排放情景預(yù)測(cè)Fig.4 Prediction of carbon emission scenarios in Shanxi Province

3 結(jié)論與建議

3.1 結(jié)論

（1）通過IPCC 排放系數(shù)法核算及Tapio 脫鉤分析可知，2000—2020 年，山西省碳排放量呈上升趨勢(shì)，從1.64 億t 增至5.26 億t；碳排放強(qiáng)度呈下降趨勢(shì)，從8.90 t/萬(wàn)元降至5.69 t/萬(wàn)元，年均下降率為2.8%；碳排放與經(jīng)濟(jì)發(fā)展之間整體呈現(xiàn)弱脫鉤關(guān)系。

（2）在對(duì)人口、經(jīng)濟(jì)增長(zhǎng)、產(chǎn)業(yè)結(jié)構(gòu)、能源強(qiáng)度和能源結(jié)構(gòu)5 項(xiàng)碳排放驅(qū)動(dòng)因素分析中，經(jīng)濟(jì)增長(zhǎng)是山西省碳排放量增加的最主要因素，累計(jì)貢獻(xiàn)率為124.28%；而抑制碳排放增長(zhǎng)的主要因素是能源強(qiáng)度與產(chǎn)業(yè)結(jié)構(gòu)，累計(jì)貢獻(xiàn)率分別為-27.44%和-4.60%；人口和能源結(jié)構(gòu)因素對(duì)于碳排放影響較小。

（3）經(jīng)粒子群算法優(yōu)化后的碳排放預(yù)測(cè)模型相比傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)模型，MAPE 下降了7.44%，MAE 下降了0.312 8 億t，RMSE 下降了0.125 8 億t，預(yù)測(cè)結(jié)果更加穩(wěn)定、準(zhǔn)確。在低碳情景及強(qiáng)化低碳情景下均有望于2030 年前實(shí)現(xiàn)碳達(dá)峰，而在基準(zhǔn)情景下碳排放量預(yù)計(jì)在2032 年達(dá)到峰值。

3.2 政策建議

根據(jù)對(duì)山西省碳排放核算、碳排放與經(jīng)濟(jì)增長(zhǎng)脫鉤分析、碳排放驅(qū)動(dòng)因素分析及峰值預(yù)測(cè)研究，可知山西省2030 年前實(shí)現(xiàn)碳達(dá)峰目標(biāo)，將面臨剛性經(jīng)濟(jì)增長(zhǎng)帶來的碳排放增加壓力。為此，提出以下政策建議。

（1）持續(xù)優(yōu)化產(chǎn)業(yè)結(jié)構(gòu)。大力發(fā)展第三產(chǎn)業(yè)及戰(zhàn)略性新興產(chǎn)業(yè)，合理控制鋼鐵、焦化、有色、化工、建材等傳統(tǒng)高碳產(chǎn)業(yè)的規(guī)模，適度發(fā)展煤電裝機(jī)規(guī)模，并進(jìn)一步優(yōu)化煤電裝機(jī)結(jié)構(gòu)，推動(dòng)工業(yè)體系碳排放提前達(dá)峰。

（2）推動(dòng)煤炭清潔高效利用取得新突破。加強(qiáng)煤炭綠色開采和智能化開采技術(shù)推廣應(yīng)用，推動(dòng)煤炭行業(yè)數(shù)字化轉(zhuǎn)型；推動(dòng)煤與煤層氣共采、煤電與新能源一體化發(fā)展，加快煤炭轉(zhuǎn)化CCUS（碳捕集、利用與封存）技術(shù)開發(fā)應(yīng)用，促進(jìn)煤炭產(chǎn)業(yè)低碳轉(zhuǎn)型。

（3）加快可再生能源規(guī)模化發(fā)展。加快風(fēng)電、光伏發(fā)電基地建設(shè)，加大生物質(zhì)能、地?zé)崮?、氫能利用技術(shù)開發(fā)與試點(diǎn)示范項(xiàng)目支持力度，建設(shè)多能互補(bǔ)的能源供給利用體系。