徐維軍 肖宇光

摘要：本研究結(jié)合IPCC能源消費(fèi)法和夜間燈光數(shù)據(jù)反演法，估算出2005—2021年粵港澳大灣區(qū)各區(qū)市的能源消費(fèi)碳排放量，并基于拓展的STIRPAT預(yù)測模型，結(jié)合情景假設(shè)法和蒙特卡羅動態(tài)模擬法，模擬分析大灣區(qū)可能的碳達(dá)峰路徑，進(jìn)而提出針對性政策建議。研究結(jié)果顯示，大灣區(qū)2005—2021年碳排放量呈現(xiàn)波動上升態(tài)勢，其中香港已于2014年實(shí)現(xiàn)碳達(dá)峰，澳門碳排放量占比較??；珠三角九市自2011年呈現(xiàn)下降態(tài)勢，2016年后又波動增長。動態(tài)模擬發(fā)現(xiàn)大灣區(qū)在基準(zhǔn)情景、低碳情景、極低碳情景、產(chǎn)業(yè)轉(zhuǎn)型情景和全低速情景下能如期甚至提前實(shí)現(xiàn)2030年碳達(dá)峰目標(biāo)，若采取更積極的碳減排和產(chǎn)業(yè)轉(zhuǎn)型政策可以提前實(shí)現(xiàn)碳達(dá)峰。

關(guān)鍵詞：粵港澳大灣區(qū)；能源消費(fèi)碳排放；碳達(dá)峰；綠色低碳；情景預(yù)測

【中圖分類號】X321 ????doi：10.3969/j.issn.1674-7178.2024.03.004

引言

習(xí)近平總書記指出，實(shí)現(xiàn)碳達(dá)峰碳中和，是貫徹新發(fā)展理念、構(gòu)建新發(fā)展格局、推動高質(zhì)量發(fā)展的內(nèi)在要求，是黨中央統(tǒng)籌國內(nèi)國際兩個大局作出的重大戰(zhàn)略決策①。作為我國經(jīng)濟(jì)發(fā)展水平最高、創(chuàng)新能力最強(qiáng)的區(qū)域之一，粵港澳大灣區(qū)正加快實(shí)施碳達(dá)峰碳中和行動，大力推動經(jīng)濟(jì)社會綠色低碳轉(zhuǎn)型，推動經(jīng)濟(jì)高質(zhì)量發(fā)展。其中，香港早已于2014年宣布實(shí)現(xiàn)碳達(dá)峰；澳門近年來碳排放量也處于達(dá)峰區(qū)間；2022年6月發(fā)布的《廣東省碳達(dá)峰實(shí)施方案》則提出順利實(shí)現(xiàn)2030年前碳達(dá)峰目標(biāo)，要求珠三角核心區(qū)充分發(fā)揮粵港澳大灣區(qū)高質(zhì)量發(fā)展動力源和增長極作用，率先推動經(jīng)濟(jì)社會發(fā)展全面綠色轉(zhuǎn)型。因此，深入分析大灣區(qū)能源消費(fèi)碳達(dá)峰發(fā)展情景，對于大灣區(qū)乃至全國積極穩(wěn)妥推進(jìn)碳達(dá)峰碳中和具有重要的理論和實(shí)踐意義。從碳達(dá)峰分析對象來看，已有許多學(xué)者針對國家層面[1-3]、省級層面[4-5]的碳達(dá)峰路徑進(jìn)行了研究，還有不少學(xué)者從行業(yè)角度[6-7]研究達(dá)峰情景和影響機(jī)制。但是對于城市層面[8-9]的研究較少，同樣以大灣區(qū)城市群為對象的碳達(dá)峰研究也相對匱乏。在不斷邁向“雙碳”目標(biāo)的背景下，碳達(dá)峰不僅是國家、省份的目標(biāo)，更是各個地區(qū)、各城市的目標(biāo)。因此，基于各城市的經(jīng)濟(jì)社會發(fā)展現(xiàn)狀和特性，差異化分析各城市及城市群的碳達(dá)峰峰值和時(shí)間，制定科學(xué)合理的碳達(dá)峰路徑十分有必要。

碳排放測算方法主要包括由政府間氣候變化專門委員會（Intergovernmental Panel on Climate Change， IPCC）提出的排放因子法[10-11]，以及投入產(chǎn)出法[12-13]、夜景燈光數(shù)據(jù)反演法[14-16]等。大多數(shù)研究主要基于統(tǒng)計(jì)部門發(fā)布的能源數(shù)據(jù)進(jìn)行測算，且這些數(shù)據(jù)大多是由國家或省級統(tǒng)計(jì)部門發(fā)布。而市級及縣級的能源數(shù)據(jù)較少發(fā)布，收集難度大，難以全面分析市縣級的碳排放情況。近年來，已有眾多學(xué)者基于夜間燈光數(shù)據(jù)和碳排放數(shù)據(jù)的回歸關(guān)系，將省級碳排放量縮小至市縣級，提供了基于空間信息的碳排放估算方法[17-20]。這是對碳排放測算方法的有力補(bǔ)充。

針對碳達(dá)峰峰值預(yù)測的研究較多，主要集中于構(gòu)建預(yù)測模型并結(jié)合情景模擬法進(jìn)行預(yù)測。碳排放預(yù)測模型主要有環(huán)境庫茲涅茨曲線模型（Environment Kuznets Curve，EKC）[21-22]、可拓展的隨機(jī)性的環(huán)境影響評估模型（Stochastic Impacts by Regression on Population， Affluence and Technology，STIRPAT）[23-28]、系統(tǒng)動力學(xué)模型[29-31]、長期能源替代規(guī)劃模型（Long-range Energy Alternatives Planning System，LEAP）[32]等。其中STIRPAT模型可以拓展解釋變量，以適應(yīng)不同地區(qū)的具體情況，相較其他模型具有更強(qiáng)的適用性和預(yù)測能力。在情景模擬方面，許多學(xué)者只通過設(shè)置參數(shù)靜態(tài)變化率來構(gòu)建發(fā)展情景[33-35]，較少從動態(tài)模擬的角度對碳排放達(dá)峰時(shí)間和峰值區(qū)間進(jìn)行概率估計(jì)[36]，具有一定的局限性。而使用STIRPAT模型進(jìn)行預(yù)測可以更加全面地反映碳排放情況，結(jié)合使用蒙特卡羅動態(tài)模擬則能夠提供更真實(shí)的碳達(dá)峰峰值和時(shí)間估計(jì)，為探索碳達(dá)峰路徑提供數(shù)據(jù)支持。

大灣區(qū)總面積約為56098平方千米，總?cè)丝诔^8600萬人，2022年地區(qū)生產(chǎn)總值為13.04萬億元人民幣，以全國0.6%的面積和6%的人口創(chuàng)造出13.5%的國內(nèi)生產(chǎn)總值②。不過，經(jīng)濟(jì)的發(fā)展往往伴隨著能源消費(fèi)和碳排放的增加。深入研究大灣區(qū)的碳排放現(xiàn)狀，揭示經(jīng)濟(jì)發(fā)展與碳排放之間的關(guān)系，可以為未來的碳減排策略提供有益參考。

一、預(yù)測模型構(gòu)建

（一）大灣區(qū)能源消費(fèi)碳排放測算

本文通過以下步驟來測算大灣區(qū)碳排放量。在省級碳排放層面，本文采用排放因子法進(jìn)行測算，通過能源消耗數(shù)據(jù)得到廣東省能源消耗產(chǎn)生的二氧化碳排放。在城市碳排放層面，本文首先計(jì)算省級碳排放與夜間燈光數(shù)據(jù)的回歸方程，將方程拓展至城市層面，然后由城市燈光數(shù)據(jù)反推出珠三角九市的碳排放量。香港和澳門的碳排放量則單獨(dú)測算。大灣區(qū)的整體碳排放量由上述碳排放量匯總得出。具體流程如圖1所示。

1.排放因子法

排放因子法主要基于化石能源消耗數(shù)據(jù)進(jìn)行計(jì)算。由于我國各省統(tǒng)計(jì)局對各類能源的使用情況有相對完整的統(tǒng)計(jì)，因此使用排放因子法可以較為準(zhǔn)確地計(jì)算出省級能源消耗碳排放量。計(jì)算公式如下所示。

[CEenergy =iCEi=][iADi×NCVi×CCi×][Oi×4412] ???（1）

式（1）中，[CEi]指化石燃料類型i的CO2排放量；[ADi]表示相應(yīng)的化石燃料消耗量。[NCVi、CCi]和[Oi]被稱為排放因子。[NCVi]為低位發(fā)熱值，即燃燒單位化石燃料產(chǎn)生的熱值；[CCi]為單位熱值碳含量，指該類化石燃料產(chǎn)生單位的凈熱值時(shí)生成的CO2排放量；[Oi]為氧化效率，指該類化石燃料燃燒時(shí)的氧化率。

在參數(shù)設(shè)置方面，本文排放因子參考相關(guān)研究進(jìn)行設(shè)置[37]。在統(tǒng)計(jì)口徑方面，為了更加全面地測算碳排放量，本文選擇測算統(tǒng)計(jì)年鑒中的全部化石能源。由于某些能源的消耗量較小，且排放因子差距較小，本文參考相關(guān)方法將26種能源合并為17種進(jìn)行測算[38]。具體參數(shù)如表1所示。

2.碳排放燈光數(shù)據(jù)反演法

夜間燈光數(shù)據(jù)作為代理數(shù)據(jù)可以直觀地反映城市人類活動強(qiáng)度，已被廣泛使用于測算城市化進(jìn)程[39]、能源消耗[40]、碳排放[41-42]等方面。目前國際上使用較多的夜間燈光數(shù)據(jù)為美國國防氣象衛(wèi)星計(jì)劃（DMSP-OLS）的夜間穩(wěn)定燈光數(shù)據(jù)集（1997—2013）和可見光/紅外輻射成像儀的日/夜波段數(shù)據(jù)集（NPP-VIIRS）（2012—2021）。兩個數(shù)據(jù)集是由不同衛(wèi)星拍攝，存在一定誤差，需要進(jìn)行校正處理。本文參考常建波等人的處理過程[43]，運(yùn)用ArcGIS軟件對夜間燈光數(shù)據(jù)進(jìn)行校正處理。

碳排放燈光數(shù)據(jù)反演法，主要使用省級夜間光照量總值（TDN）和排放因子法測算出的省級碳排放量，構(gòu)建碳排放TDN擬合模型，驗(yàn)證碳排放與TDN的關(guān)系，再結(jié)合各城市TDN值占比來計(jì)算各城市的碳排放量。主要公式如下所示。

[Dij=TDNijTDNij ??????????????]（2）

[CEij=CEi×Dij] ?????（3）

式（2）和式（3）中，[Dij]指第[i]年城市[j]的夜間光照量總值占比，[TDNij]指第[i]年城市[j]的夜間燈光照量總值，[CEij]指第[i]年城市[j]的碳排放估計(jì)量。

（二）大灣區(qū)能源消費(fèi)碳排放預(yù)測模型

1.拓展的STIRPAT預(yù)測模型

STIRPAT模型通過引入可變指數(shù)，可減少變量間的相互作用，能夠更準(zhǔn)確地描述人口、財(cái)富和技術(shù)對環(huán)境影響的非線性關(guān)系，常用于碳排放預(yù)測分析。而且，該模型允許對變量分解，可以靈活拓展相關(guān)驅(qū)動因素，其基礎(chǔ)形式為下式（4）所示，對其進(jìn)行對數(shù)變化如式（5）所示。

[I=αPβ1Aβ2Tβ3ξ] ????（4）

[lnI=lnα+β1lnP+β2lnA+β3lnT+ξ] ?（5）

將該模型運(yùn)用到碳排放預(yù)測時(shí)，式（5）中[I]表示為碳排放量，[P]表示人口效應(yīng)（人口規(guī)模），[A]表示經(jīng)濟(jì)效應(yīng)（人均地區(qū)生產(chǎn)總值），[T]表示技術(shù)水平（能源強(qiáng)度），[lnα]為常數(shù)項(xiàng)，[β]表示各個因素的影響系數(shù)，[ξ]指隨機(jī)誤差。

在模型變量選取方面，由于碳排放量變化受社會經(jīng)濟(jì)各方面的影響，前文提到的許多研究都結(jié)合實(shí)際對STIRPAT模型進(jìn)行了變量拓展。例如，人口規(guī)模的提高將導(dǎo)致居民生活、出行等方面的能源消耗增加；經(jīng)濟(jì)發(fā)展水平的增長將產(chǎn)生大量碳排放；化石能源占比直接關(guān)系到碳排放水平；能源強(qiáng)度升高，意味著能源利用效率降低、碳排放量增加；城鎮(zhèn)化率的提高意味著城市建設(shè)和交通等活動的增加，將產(chǎn)生更多的能源需求；第二產(chǎn)業(yè)包括制造業(yè)和建筑業(yè)等高耗能行業(yè)，是碳排放的主要來源。在STIRPAT模型中引入這些解釋變量，可以更準(zhǔn)確地預(yù)測粵港澳大灣區(qū)碳排放量變化趨勢，為制定碳減排政策提供科學(xué)依據(jù)。因此，本文選取人均地區(qū)生產(chǎn)總值、人口數(shù)、城鎮(zhèn)化率、第二產(chǎn)業(yè)占比、化石能源占比和能源強(qiáng)度作為拓展的STIRPAT模型的解釋變量，以碳排放量為被解釋變量，如下式所示。

[lnI=lnα+β1lnPG+β2lnP+β3lnUR+β4lnSI+β5lnES+β6lnEI+ξ] ????????????（6）

式（6）中，[I]代表碳排放量，[PG]代表人均地區(qū)生產(chǎn)總值，[P]代表人口數(shù)，[UR]代表城鎮(zhèn)化率，[SI]代表第二產(chǎn)業(yè)占比，[ES]指能源結(jié)構(gòu)，[EI]指能源強(qiáng)度，[lnα]指常數(shù)項(xiàng)，[β]指變量的影響系數(shù)，[ξ]指隨機(jī)誤差。

2.嶺回歸分析

由于預(yù)測數(shù)據(jù)存在時(shí)間跨度長、樣本多的特點(diǎn)，變量間可能存在嚴(yán)重的共線性。為避免發(fā)生過擬合、誤差過大等問題，本文選擇嶺回歸作為回歸分析方法。嶺回歸通過引入一個懲罰參數(shù)[K]來減小共線性變量的系數(shù)，降低模型復(fù)雜度，從而減小共線性對模型的影響，提高模型的泛化能力和預(yù)測的準(zhǔn)確性，相比于其他回歸方法具有一定的優(yōu)越性。

為了確定最佳的嶺參數(shù)[K]，本文使用SPSS的“Ridge regression”功能進(jìn)行測算，首先對數(shù)據(jù)進(jìn)行對數(shù)轉(zhuǎn)化和Z-Score標(biāo)準(zhǔn)化處理，統(tǒng)一變量尺度。然后通過在設(shè)定范圍內(nèi)遞增[K]值，計(jì)算在不同參數(shù)下嶺回歸模型各變量的回歸系數(shù)和R2，繪制嶺跡圖（[K]值和對應(yīng)的回歸系數(shù)）和R2變化圖，最后在嶺跡圖中尋找最佳[K]值點(diǎn)（各個回歸系數(shù)變化平緩），確定各變量對應(yīng)的回歸系數(shù)。

（三）大灣區(qū)能源消費(fèi)碳達(dá)峰研判模型

為了從統(tǒng)計(jì)學(xué)角度更加嚴(yán)謹(jǐn)準(zhǔn)確地判斷該地區(qū)是否碳達(dá)峰，本文結(jié)合曼—肯德爾（Mann-Kendall）趨勢檢驗(yàn)法和泰爾—森（Theil-Sen）斜率估計(jì)法來進(jìn)行研判。曼—肯德爾趨勢檢驗(yàn)法是世界氣象組織（World Meteorological Organization， WMO）推薦的一種非參數(shù)統(tǒng)計(jì)方法，主要用于分析時(shí)間序列數(shù)據(jù)的趨勢變化是否顯著。該方法對數(shù)據(jù)分布無特定要求，且受到異常值的干擾較小，適用性強(qiáng)。其基本原理是通過計(jì)算時(shí)間序列中所有數(shù)據(jù)點(diǎn)對比較的累積和，來判斷數(shù)據(jù)是否存在顯著的上升或下降趨勢。主要步驟和公式如下。

時(shí)間序列數(shù)據(jù)[x1，x2，…xn]是[n]個獨(dú)立、隨機(jī)同分布的數(shù)據(jù)，假設(shè)[H0]是這些數(shù)據(jù)不存在趨勢。首先，計(jì)算每一對數(shù)據(jù)[xi和xji

[sgnxj-xi=1， xj-xi>0 0， xj-xi=01， xj-xi<0] ??????（7）

[S=i=1n-1j=i+1nsgnxj-xi] ??????????????（8）

當(dāng)[n≥8]時(shí)，統(tǒng)計(jì)量[S]大致服從正態(tài)分布，其均值為0。方差計(jì)算公式為：

[VarS=nn-12n+518] ?????（9）

已知[S和VarS]后計(jì)算[Z]統(tǒng)計(jì)值，公式如下。

[Z=S-1VarS，S>00， ??????S=0S+1VarS，S<0] ????（10）

Z統(tǒng)計(jì)量的絕對值大小反映了趨勢的顯著性水平，雙邊檢驗(yàn)下通常采用標(biāo)準(zhǔn)正態(tài)分布的臨界值作為判斷標(biāo)準(zhǔn)，當(dāng)[Z≥1.64、1.96、2.57]時(shí)，則認(rèn)為分別在90%、95%、99%的置信水平上趨勢顯著。

當(dāng)n<10，趨勢檢驗(yàn)使用統(tǒng)計(jì)變量[S]進(jìn)行分析，結(jié)合泰爾—森斜率估計(jì)法對數(shù)據(jù)趨勢進(jìn)行估算，當(dāng)[β>0]時(shí)表示數(shù)據(jù)呈現(xiàn)上升趨勢，當(dāng)[β<0]時(shí)表示數(shù)據(jù)呈現(xiàn)下降趨勢。其公式為：

[β=Medianxi-xji-j， ????？j

使用曼—肯德爾趨勢檢驗(yàn)法進(jìn)行檢驗(yàn)，需要先根據(jù)碳排放量變化圖確定研判的碳達(dá)峰年份，并據(jù)此將時(shí)間序列數(shù)據(jù)劃分為2005年—碳達(dá)峰年、碳達(dá)峰年—2035年兩段數(shù)據(jù)，分別進(jìn)行曼—肯德爾趨勢檢驗(yàn)和泰爾—森斜率估計(jì)，最后基于[Z和β]的數(shù)值大小來判斷該地區(qū)是否碳達(dá)峰。

參考相關(guān)研究的定義[44]，本文對地區(qū)碳達(dá)峰的判斷標(biāo)準(zhǔn)是：當(dāng)該地區(qū)在某一年的碳排放量達(dá)到最大值，并且在此后至少連續(xù)四年的數(shù)據(jù)中，碳排放量呈現(xiàn)出顯著的下降趨勢（曼—肯德爾趨勢檢驗(yàn)Z值達(dá)到5%顯著性水平，[β]值為負(fù)數(shù)），則認(rèn)為已經(jīng)碳達(dá)峰；若Z值不顯著，[β]值為負(fù)數(shù)，則認(rèn)為是處于碳達(dá)峰平臺期；若碳排放量僅達(dá)到最大值而后續(xù)數(shù)據(jù)量小于4年，則認(rèn)為沒有達(dá)峰。本文碳達(dá)峰研判流程框架如圖2所示。

（四）大灣區(qū)能源消費(fèi)碳達(dá)峰情景分析

1.靜態(tài)情景模擬

由于經(jīng)濟(jì)社會發(fā)展的復(fù)雜性和信息的不完全性，傳統(tǒng)的預(yù)測方法得出的結(jié)論可能不符合實(shí)際情況。情景分析法基于社會發(fā)展規(guī)律和政策規(guī)劃，對未來情景進(jìn)行合理預(yù)測，通過設(shè)定人均地區(qū)生產(chǎn)總值、能源強(qiáng)度等變量的未來值，構(gòu)建多種發(fā)展情景，測算不同情景下的碳達(dá)峰峰值和時(shí)間點(diǎn)，能夠?yàn)榇鬄硡^(qū)有關(guān)部門制定碳減排策略提供數(shù)據(jù)支撐。本文將基于預(yù)測模型，構(gòu)建不同的發(fā)展情景，對大灣區(qū)在2022—2035年期間的碳排放進(jìn)行預(yù)測，判斷不同情景下大灣區(qū)碳達(dá)峰時(shí)間和峰值。

在研究對象方面，由于本文只收集到珠三角九市整體的能源數(shù)據(jù)，難以針對每個城市地區(qū)進(jìn)行情景分析，故選擇以粵港澳大灣區(qū)整體為研究對象進(jìn)行情景分析。

在情景參數(shù)方面，本文基于STIRPAT碳排放預(yù)測模型，選擇人口規(guī)模（P）、人均地區(qū)生產(chǎn)總值（PG）、城鎮(zhèn)化率（UR）、第二產(chǎn)業(yè)占比（SI）、化石能源占比（ES）和能源強(qiáng)度（EI）為參數(shù)進(jìn)行設(shè)置?；跉v史數(shù)據(jù)和現(xiàn)有政策規(guī)劃目標(biāo)值，本文對各項(xiàng)變量設(shè)定未來變化率，針對不同年限設(shè)置低、中、高三種變化速率，以符合實(shí)際情況。

在時(shí)間范圍劃分方面，政府常以五年為期出臺發(fā)展規(guī)劃，因此本文以2022年為起始年，以五年為一期設(shè)置參數(shù)變化率。其中，人口數(shù)、人均地區(qū)生產(chǎn)總值、城鎮(zhèn)化率和第二產(chǎn)業(yè)占比的2022年數(shù)據(jù)已經(jīng)發(fā)布，因此針對這些參數(shù)設(shè)置2023—2025年、2026—2030年、2031—2035年三個時(shí)間段。而化石能源占比和能源強(qiáng)度2022年的數(shù)據(jù)暫未發(fā)布，因此針對這兩個變量設(shè)置2022—2025年、2026—2030年、2031—2035年三個時(shí)間段。

（1）情景參數(shù)設(shè)置

由于現(xiàn)實(shí)情景的復(fù)雜性和不確定性，本文參考王少劍等人的設(shè)置[45]，基于三角形分布針對各個參數(shù)在每個時(shí)間段中設(shè)置低、中、高三種變化速率。為保證發(fā)展態(tài)勢的延續(xù)性，參考近五年年均增速或十六年間年均增速設(shè)置中速模式，低速模式和高速模式將在中速模式基礎(chǔ)上進(jìn)行調(diào)整。大灣區(qū)各情景參數(shù)歷史年均變化率如表2所示。

①人口規(guī)模。根據(jù)筆者統(tǒng)計(jì)，粵港澳大灣區(qū)2021年常住人口數(shù)量僅增加0.4%，同比下降1.14個百分點(diǎn)。大灣區(qū)正從勞動密集型產(chǎn)業(yè)向高新技術(shù)、服務(wù)型產(chǎn)業(yè)轉(zhuǎn)型，對低技能勞動力需求減少，在一定程度上影響常住人口增加。如表2所示，從人口規(guī)模年均變化率來看，2021年變化率為0.4%，2022年變化率為-0.5%，年均變化率正逐步下降，甚至出現(xiàn)負(fù)增長。因此，本文認(rèn)為大灣區(qū)未來常住人口規(guī)模變化率將出現(xiàn)下降趨勢，以近五年年均變化率0.63%為2023—2025年年均變化率基準(zhǔn)，每五年降低0.2個百分點(diǎn)，設(shè)置人口規(guī)模年均變化率中速模式。低速模式在中速模式上下調(diào)0.2個百分點(diǎn)，高速模式上調(diào)0.2個百分點(diǎn)（表3）。

②人均地區(qū)生產(chǎn)總值。據(jù)筆者測算，2021年大灣區(qū)人均地區(qū)生產(chǎn)總值為14.6萬元，遠(yuǎn)高于廣東?。?.81萬元），優(yōu)于同期長三角地區(qū)（11.74萬元），處于全國領(lǐng)先水平。如表2所示，自2006年來人均地區(qū)生產(chǎn)總值變化率基本處于下降趨勢，每隔五年年均增速平均下降0.8個百分點(diǎn)。但隨著高質(zhì)量發(fā)展的推進(jìn)，本文預(yù)計(jì)大灣區(qū)未來人均地區(qū)生產(chǎn)總值保持增長態(tài)勢，其增長率保持下降趨勢。因此，以近五年年均變化率3.24%為2023—2025年年均變化率基準(zhǔn)，每五年降低0.8個百分點(diǎn)，設(shè)置人均地區(qū)生產(chǎn)總值年均變化率中速模式。低速模式在中速模式基礎(chǔ)上下調(diào)0.4個百分點(diǎn)，高速模式上調(diào)0.6個百分點(diǎn)（表4）。

③城鎮(zhèn)化率。據(jù)筆者測算，大灣區(qū)2022年年末常住人口城鎮(zhèn)化率已達(dá)到88.6%，遠(yuǎn)高于同期廣東?。?4.6%），在全國（64.72%）居前列水平。大灣區(qū)由于經(jīng)濟(jì)發(fā)展水平高，擁有良好的基礎(chǔ)設(shè)施、高水平的教育醫(yī)療服務(wù)，吸引了大量人口遷入城市工作生活。從表2可得，2021年大灣區(qū)城鎮(zhèn)化率變化率為0.22%，2022年變化率為0%。這是由于城鎮(zhèn)化率處于較高水平，年均增速出現(xiàn)放緩趨勢。而且由圖3可知，英國、美國、法國等發(fā)達(dá)國家城鎮(zhèn)化率維持在80%左右，日本在達(dá)到90%后增速明顯下降，而大灣區(qū)已經(jīng)達(dá)到88.6%，屬于發(fā)達(dá)國家水平，城市承載力有限，預(yù)計(jì)未來變化率將逐步降低。

因此，本文設(shè)置大灣區(qū)城鎮(zhèn)化率的峰值為90%，達(dá)到后不再增長，以近五年年均變化率0.36%為2023—2025年年均變化率基準(zhǔn)，每五年降低0.1個百分點(diǎn)，設(shè)置城鎮(zhèn)化率年均變化率中速模式。低速模式在中速模式基礎(chǔ)上下調(diào)0.1個百分點(diǎn)，高速模式上調(diào)0.1個百分點(diǎn)（表5）。

④第二產(chǎn)業(yè)占比。據(jù)香港貿(mào)易發(fā)展局資料，2022年大灣區(qū)第二產(chǎn)業(yè)占比為35%、第三產(chǎn)業(yè)占比為64%，已形成雙支柱發(fā)展模式，經(jīng)濟(jì)增長以第三產(chǎn)業(yè)拉動為主③。其中，香港以金融、倉儲物流等服務(wù)業(yè)為主，澳門以娛樂旅游業(yè)主導(dǎo)，珠三角九市則以制造業(yè)、電子信息產(chǎn)業(yè)、新能源產(chǎn)業(yè)等產(chǎn)業(yè)為主。

從表2可得，第二產(chǎn)業(yè)占比歷史變化率呈現(xiàn)出先下降后回升的變化?！稄V東省制造業(yè)高質(zhì)量發(fā)展“十四五”規(guī)劃》提出，要推動石化、建材等珠三角高能耗高排放行業(yè)綠色低碳改造升級與產(chǎn)業(yè)外遷。基于此，本文認(rèn)為未來大灣區(qū)第二產(chǎn)業(yè)占比仍將保持一定的增長態(tài)勢，且分析發(fā)現(xiàn)每五年年均變化率平均下降1.12個百分點(diǎn)，據(jù)此認(rèn)為未來大灣區(qū)將繼續(xù)深化產(chǎn)業(yè)轉(zhuǎn)型升級，推動制造業(yè)向技術(shù)密集型先進(jìn)制造業(yè)轉(zhuǎn)變，推動第二產(chǎn)業(yè)逐步向金融、信息技術(shù)服務(wù)業(yè)等第三產(chǎn)業(yè)轉(zhuǎn)型。

因此，本文以近五年年均變化率1.29%為2023—2025年年均變化率基準(zhǔn)，每五年下降0.5個百分點(diǎn)，設(shè)置第二產(chǎn)業(yè)占比年均變化率中速模式。低速模式在中速模式基礎(chǔ)上下調(diào)0.3個百分點(diǎn)，高速模式上調(diào)0.5個百分點(diǎn)（表6）。

⑤化石能源占比。據(jù)筆者測算，自2006年以來，大灣區(qū)在能源消費(fèi)結(jié)構(gòu)調(diào)整方面成績顯著，化石能源占比基本保持負(fù)增長態(tài)勢；2021年化石能源消費(fèi)占比為60%（累計(jì)下降14個百分點(diǎn)），遠(yuǎn)低于同期廣東省能源消費(fèi)占比（73%），為全國“雙碳”行動起到了模范帶頭作用。2021年，廣東省印發(fā)的《促進(jìn)海上風(fēng)電有序開發(fā)和相關(guān)產(chǎn)業(yè)可持續(xù)發(fā)展實(shí)施方案》提出，加快推動惠州港口一、南方電網(wǎng)珠海桂山二期、惠州港口二PA等海上風(fēng)電項(xiàng)目建設(shè)，擴(kuò)大裝機(jī)規(guī)模，實(shí)施財(cái)政補(bǔ)貼。這些政策措施將進(jìn)一步增強(qiáng)清潔能源保障能力。在交通領(lǐng)域，比亞迪、廣汽等汽車制造商全力研發(fā)推廣新能源汽車，逐步替代燃油車市場，進(jìn)一步減少交通領(lǐng)域燃油消耗，降低交通碳排放。而且，《廣東省能源發(fā)展“十四五”規(guī)劃》提出，2025年化石能源占比要降至68.00%。經(jīng)計(jì)算，這需要2022—2025年年均變化率達(dá)到-1.83%才可能實(shí)現(xiàn)?；谝陨戏治觯疚恼J(rèn)為大灣區(qū)未來化石能源占比將進(jìn)一步下降，并隨著新能源項(xiàng)目建立和碳達(dá)峰目標(biāo)臨近，化石能源消費(fèi)占比下降速率將更明顯。

因此，本文以-1.83%為2022—2025年年均變化率基準(zhǔn)，每五年降幅增加0.5個百分點(diǎn)，設(shè)置化石能源占比年均變化率中速模式。低速模式降幅在中速模式基礎(chǔ)上下調(diào)0.4個百分點(diǎn)，高速模式降幅上調(diào)0.4個百分點(diǎn)（表7）。

⑥能源強(qiáng)度。大灣區(qū)在能源強(qiáng)度控制方面處于較高水平。據(jù)筆者測算，2021年大灣區(qū)能源強(qiáng)度為0.21噸標(biāo)準(zhǔn)煤/萬元，同期廣東省為0.29噸標(biāo)準(zhǔn)煤/萬元，優(yōu)于全國水平（0.45噸標(biāo)準(zhǔn)煤/萬元）。從表2可得，從歷史變化率來看，大灣區(qū)能源強(qiáng)度從“十二五”期間開始出現(xiàn)較大的下降趨勢，且受到新冠疫情影響，2021年更是達(dá)到-4.02%的降速。

從廣東省能源強(qiáng)度優(yōu)化目標(biāo)實(shí)際完成值來看，“十二五”期間實(shí)際完成值為-20.98%（目標(biāo)值為-18%），“十三五”期間實(shí)際完成值為-17.05%（目標(biāo)值為-14.5%），下降速率出現(xiàn)放緩趨勢。據(jù)此，本文推測未來大灣區(qū)的能源強(qiáng)度變化率也將有所放緩?！稄V東省生態(tài)文明建設(shè)“十四五”規(guī)劃》明確設(shè)定廣東到2025年能源強(qiáng)度要累計(jì)下降14.5%。若同樣設(shè)置大灣區(qū)2025年能源強(qiáng)度需下降14.5%時(shí)，則2022—2025年的年均變化率需為-3.84%。

因此，本文以-3.84%為2022—2025年年均變化率基準(zhǔn)，每五年下降幅度縮小0.4個百分點(diǎn)，設(shè)置能源強(qiáng)度年均變化率中速模式。低速模式降幅在中速模式基礎(chǔ)上下調(diào)0.8個百分點(diǎn)，高速模式降幅上調(diào)0.8個百分點(diǎn)（表8）。匯總六大情景參數(shù)低、中、高速年均變化率，如表9所示。

（2）發(fā)展情景設(shè)置

在情景設(shè)置方面，本文以IPCC提出的氣候演化路徑為基礎(chǔ)，根據(jù)大灣區(qū)的發(fā)展趨勢、政策措施對六大變量的變化速率進(jìn)行組合，并設(shè)定2022（或2023）—2025、2026—2030、2031—2035三段變化率保持相同速率類型。

IPCC主要提出了典型濃度路徑（Representative Concentration Pathway， RCP）與共享社會經(jīng)濟(jì)路徑（Shared Socioeconomic Pathway， SSP）兩大路徑，已被廣泛應(yīng)用于碳排放預(yù)測[46-47]分析中。這兩種路徑中主要包含七種情景，具體解釋如表10所示。

基于以上七種情景，本文設(shè)定六種碳排放發(fā)展情景（其中基準(zhǔn)情景和全中速情景相同）：

①基準(zhǔn)情景（全中速情景）：參考RCP6-SSP2模式，政府依據(jù)廣東省“十四五”規(guī)劃等減排工作部署，在2022—2030年間將采取一定的碳減排措施，包括能源結(jié)構(gòu)優(yōu)化和能源強(qiáng)度控制等政策措施，逐步推動社會向綠色低碳發(fā)展，同時(shí)兼顧經(jīng)濟(jì)發(fā)展，使得地區(qū)生產(chǎn)總值保持一定速度增長。此時(shí)，全部變量變化率為中速。

②高碳情景：參考RCP6-SSP5模式，政府在碳減排和能源結(jié)構(gòu)轉(zhuǎn)型方面參照過去的方針政策，保持一定的優(yōu)化速度。但在經(jīng)濟(jì)發(fā)展方面，政府將出臺大量政策推動快速增長，使得第二產(chǎn)業(yè)蓬勃發(fā)展、城鎮(zhèn)人口逐漸增多。此時(shí)，人口規(guī)模、人均地區(qū)生產(chǎn)總值、城鎮(zhèn)化率、第二產(chǎn)業(yè)占比變化率為高速，化石能源占比、能源強(qiáng)度變化率為中速。

③低碳情景：參考RCP4.5-SSP2模式，政府在兼顧經(jīng)濟(jì)發(fā)展的同時(shí)，高度重視碳達(dá)峰、碳減排相關(guān)工作，加大對低碳零碳技術(shù)研發(fā)投入，大力發(fā)展清潔能源，調(diào)整能源結(jié)構(gòu)，推動社會綠色高質(zhì)量發(fā)展。此時(shí)，人口規(guī)模、人均地區(qū)生產(chǎn)總值、城鎮(zhèn)化率、第二產(chǎn)業(yè)占比變化率為中速，化石能源占比、能源強(qiáng)度變化率為高速。

④極高碳情景：參考RCP8.5-SSP5模式，在高碳情景基礎(chǔ)上，政府更注重經(jīng)濟(jì)發(fā)展，采取粗放型發(fā)展模式，不限制化石能源使用，不對碳排放進(jìn)行控制，對低碳技術(shù)研發(fā)投入降低。此時(shí)，人口規(guī)模、人均地區(qū)生產(chǎn)總值、城鎮(zhèn)化率、第二產(chǎn)業(yè)占比變化率為高速，化石能源占比、能源強(qiáng)度變化率為低速。

⑤極低碳情景：參考RCP2.6-SSP1模式，在低碳情景基礎(chǔ)上，政府以率先于2025年實(shí)現(xiàn)碳達(dá)峰任務(wù)為目標(biāo)，對粗放式經(jīng)濟(jì)采取有力控制措施，出臺大量綠色低碳政策，包括提高碳稅、限制高碳產(chǎn)業(yè)擴(kuò)張，著力發(fā)展清潔能源等。此時(shí)，人口規(guī)模、人均地區(qū)生產(chǎn)總值、城鎮(zhèn)化率、第二產(chǎn)業(yè)占比變化率為低速，化石能源占比、能源強(qiáng)度變化率為高速。

此外，為了提供更全面的視角，本文還拓展了三種情景：

⑥產(chǎn)業(yè)轉(zhuǎn)型情景：在基準(zhǔn)情景的基礎(chǔ)上，政府注重產(chǎn)業(yè)綠色低碳轉(zhuǎn)型升級，包括淘汰傳統(tǒng)落后產(chǎn)能，推動先進(jìn)制造業(yè)發(fā)展，推動第二產(chǎn)業(yè)逐步向第三產(chǎn)業(yè)轉(zhuǎn)型，使得化石能源依賴程度降低、能源強(qiáng)度持續(xù)優(yōu)化，地區(qū)生產(chǎn)總值保持一定增長速度。并且，由于勞動密集型產(chǎn)業(yè)逐步減少、對勞動力需求降低，人口規(guī)模將會下降。此時(shí)，人口規(guī)模、第二產(chǎn)業(yè)占比變化率為低速，人均地區(qū)生產(chǎn)總值、城鎮(zhèn)化率變化率為中速，化石能源占比、能源強(qiáng)度變化率為高速。

⑦全低速情景：考慮到新冠疫情深刻影響了全世界社會經(jīng)濟(jì)發(fā)展，設(shè)立此情景以預(yù)防類似特殊性事件發(fā)生。此時(shí)，全部變量變化率為低速。。

⑧全高速情景：此情景較為理想，在保持經(jīng)濟(jì)高增長的同時(shí)，大力推動碳減排。此時(shí)，全部變量變化率為高速。

總結(jié)以上九種情景，如表11所示。

2.蒙特卡羅動態(tài)模擬

蒙特卡羅動態(tài)模擬是一種基于隨機(jī)數(shù)生成的計(jì)算方法，用于模擬復(fù)雜系統(tǒng)中的不確定性行為，被廣泛應(yīng)用于碳排放等多個領(lǐng)域[48]。將蒙特卡羅模擬法與情景分析法結(jié)合預(yù)測地區(qū)碳達(dá)峰情景，不僅可增強(qiáng)模型的適用性和預(yù)測的準(zhǔn)確性，還提供了對未來不確定性的動態(tài)視角。對情景參數(shù)變化率設(shè)置不同的概率，并進(jìn)行一萬次隨機(jī)模擬，每次模擬相當(dāng)于不同的發(fā)展情景，匯總分析這些模擬情景下碳達(dá)峰時(shí)間和峰值區(qū)間，可以形成更全面、精確的碳達(dá)峰分析視角，為決策者提供數(shù)據(jù)支持。

（1）發(fā)展路徑設(shè)置

為進(jìn)一步模擬未來發(fā)展的不確定性，在靜態(tài)情景基礎(chǔ)上，本文采用蒙特卡羅法對情景參數(shù)2022—2035年每年的變化率進(jìn)行動態(tài)模擬。每次模擬代表不同的變化情景，匯總每次模擬的碳達(dá)峰年限和峰值（最大值）。

①路徑一：不考慮任何政策影響，經(jīng)濟(jì)社會保持慣性發(fā)展，以五大基礎(chǔ)情景（極高碳、高碳、基準(zhǔn)、低碳、極低碳）的參數(shù)變化率為基準(zhǔn)進(jìn)行蒙特卡羅動態(tài)模擬。

②路徑二：在產(chǎn)業(yè)綠色低碳轉(zhuǎn)型政策導(dǎo)向下，碳減排和能源轉(zhuǎn)型相關(guān)工作將受到高度重視，尤其是產(chǎn)業(yè)將逐步向第三產(chǎn)業(yè)轉(zhuǎn)型升級，以三大預(yù)期情景（基準(zhǔn)、低碳和產(chǎn)業(yè)轉(zhuǎn)型）的變化率為基準(zhǔn)進(jìn)行蒙特卡羅動態(tài)模擬。

（2）動態(tài)模擬流程

本文基于參數(shù)變化率對大灣區(qū)碳達(dá)峰情況進(jìn)行一萬次蒙特卡羅動態(tài)分析，運(yùn)用Python進(jìn)行實(shí)現(xiàn)，主要的模擬流程如下：

①設(shè)定不同情景下2022—2035年每一年各個參數(shù)的變化率。

②設(shè)定每一年各個情景的發(fā)生概率。在路徑一中，假設(shè)未來沒有明顯政策導(dǎo)向，參照王少劍等人基于對稱分布設(shè)置[46]，將基準(zhǔn)情景發(fā)生概率設(shè)為40%，低碳情景和高碳情景發(fā)生的概率均為20%，極低碳情景和極高碳情景發(fā)生概率均為10%；在路徑二中，假設(shè)未來存在低碳政策導(dǎo)向，設(shè)定產(chǎn)業(yè)轉(zhuǎn)型情景發(fā)生概率為40%，基準(zhǔn)情景和低碳情景發(fā)生概率均為30%。

③基于情景發(fā)生概率，對2022—2035年每一年的發(fā)生情景進(jìn)行一萬次蒙特卡羅動態(tài)分析，通過模擬確定每一年的情景，設(shè)置對應(yīng)的參數(shù)變化率。

④計(jì)算出參數(shù)未來值，代入STIRPAT預(yù)測模型，得到2022—2035年的碳排放數(shù)據(jù)。每一次模擬將產(chǎn)生一組碳排放量數(shù)據(jù)，結(jié)合曼—肯德爾趨勢檢驗(yàn)和泰爾—森斜率估計(jì)法進(jìn)行碳達(dá)峰研判，記錄碳達(dá)峰值和年份。

⑤匯總一萬次動態(tài)模擬的碳達(dá)峰峰值和時(shí)間結(jié)果，分別計(jì)算碳達(dá)峰峰值和年份的頻次和概率，繪制概率密度圖，進(jìn)行綜合分析。

二、數(shù)據(jù)來源

在碳排放測算時(shí)間方面，由于目前中國能源統(tǒng)計(jì)年鑒只發(fā)布至2022年，只可提供2021年以前的數(shù)據(jù)，因此本文選取2005—2021年為時(shí)間范圍，橫跨“十一五”至“十四五”的開年。

測算大灣區(qū)碳排放量時(shí)，本文主要使用廣東分品種能源消費(fèi)總量、廣東省夜光遙感影像數(shù)據(jù)和香港、澳門碳排放量等數(shù)據(jù)。其中，廣東省分品種能源消費(fèi)總量來自2006—2022年的中國能源統(tǒng)計(jì)年鑒中“廣東能源平衡表”欄目。廣東省和珠三角九市的夜光遙感影像數(shù)據(jù)來自DMSP-OLS（1997—2013）數(shù)據(jù)集和NPP-VIIRS（2012—2021）數(shù)據(jù)集，可在美國國家大氣海洋局官網(wǎng)下載（https：//www.ngdc.noaa.gov/eog/）。香港和澳門的能源消費(fèi)統(tǒng)計(jì)口徑與內(nèi)地存在差別，不過在全球大氣研究碳排放數(shù)據(jù)庫（EDGAR）[49]中同樣采用排放因子法進(jìn)行核算，因此本文直接引用EDGAR數(shù)據(jù)庫中香港、澳門的碳排放數(shù)據(jù)。

拓展的STIRPAT模型變量來源如表12所示。2005—2021年大灣區(qū)相關(guān)數(shù)據(jù)通過匯總珠三角九市、香港和澳門數(shù)據(jù)計(jì)算得到。其中，珠三角城市常住人口、城鎮(zhèn)人口、地區(qū)生產(chǎn)總值、第二產(chǎn)業(yè)增加值均來自歷年的城市統(tǒng)計(jì)年鑒和廣東統(tǒng)計(jì)年鑒，珠三角城市能源消費(fèi)數(shù)據(jù)通過調(diào)研廣東統(tǒng)計(jì)局得到。香港和澳門的常住人口、城鎮(zhèn)人口、第二產(chǎn)業(yè)增加值等數(shù)據(jù)來自香港特區(qū)政府統(tǒng)計(jì)處、澳門特區(qū)政府統(tǒng)計(jì)暨普查局，能源消耗數(shù)據(jù)通過乘以折煤系數(shù)轉(zhuǎn)化為標(biāo)準(zhǔn)煤計(jì)算得到，碳排放數(shù)據(jù)來自EDGAR數(shù)據(jù)庫。地區(qū)生產(chǎn)總值基于2013年數(shù)據(jù)換算成不變價(jià)格，并以當(dāng)年平均匯率轉(zhuǎn)化為人民幣，從而消除價(jià)格因素的影響。

三、結(jié)果分析

（一）大灣區(qū)能源消費(fèi)碳排放測算結(jié)果

本文采用排放因子法計(jì)算廣東省碳排放量，能源核算范圍為全部26種能源，最終得到廣東省2005—2021年碳排放量（圖4）。2005年，廣東省的能源消耗總量約為1.3億噸標(biāo)準(zhǔn)煤，碳排放量約為4.1億噸。2021年，廣東省的能源消耗總量約為3.6億噸標(biāo)準(zhǔn)煤，碳排放量約為8.9億噸。在這17年間，廣東省的能源消耗總量增長了177%，能源消費(fèi)碳排放量增長了118%。根據(jù)廣東省統(tǒng)計(jì)局?jǐn)?shù)據(jù)，2005年廣東的地區(qū)生產(chǎn)總值為16539億元、年末常住人口為9185萬人，2021年廣東的地區(qū)生產(chǎn)總值為124370億元、年末常住人口為12684萬人。這說明經(jīng)濟(jì)總量和人口規(guī)模在快速增長的同時(shí)伴隨著能源消耗量增長，導(dǎo)致二氧化碳排放增加。

結(jié)合碳排放燈光數(shù)據(jù)反演法，得出的2005—2021年大灣區(qū)11個城市的能源消費(fèi)碳排放量如圖5所示。

從整體來看，大灣區(qū)碳排放總量呈現(xiàn)波動遞增態(tài)勢，2005年為31751萬噸，增長到2021年的57945萬噸，年均變化率為3.6％。2005—2010年，大灣區(qū)碳排放量逐年穩(wěn)步增長。隨著大灣區(qū)的經(jīng)濟(jì)發(fā)展和城市化進(jìn)程，能源消耗也隨之增長，導(dǎo)致碳排放量上升。2011—2014年，大灣區(qū)碳排放量增速趨緩，說明在“十二五”期間廣東省能源效率改進(jìn)和低碳減排相關(guān)政策措施的實(shí)施具有一定成效。2016—2018年，大灣區(qū)的碳排放量增速變大。據(jù)分析，2016年《廣東省供給側(cè)結(jié)構(gòu)性改革總體方案（2016—2018年）》印發(fā)，有效推動經(jīng)濟(jì)復(fù)蘇、工業(yè)發(fā)展。2019—2021年，大灣區(qū)碳排放增長趨勢恢復(fù)。分析發(fā)現(xiàn)，2018年廣東省政府印發(fā)《降低制造業(yè)企業(yè)成本支持實(shí)體經(jīng)濟(jì)發(fā)展若干政策措施（修訂版）的通知》等政策文件，進(jìn)一步支持大灣區(qū)制造業(yè)發(fā)展，導(dǎo)致碳排放量有所增長。

從大灣區(qū)11個城市來看，2021年碳排放量由大到小排名為廣州（11193萬噸）、佛山（7631萬噸）、惠州（7245萬噸）、東莞（6684萬噸）、江門（6157萬噸）、深圳（5326萬噸）、中山（4097萬噸）、香港（3360萬噸）、肇慶（3163萬噸）、珠海（2821萬噸）、澳門（267萬噸）。其中，香港已于2014年實(shí)現(xiàn)碳達(dá)峰，澳門碳排放量占比較?。恢槿蔷攀凶?011年呈現(xiàn)下降態(tài)勢，在2016年后又逐步增加。廣州、惠州、江門增長態(tài)勢明顯，深圳、東莞、中山、肇慶、珠海呈現(xiàn)波動增長態(tài)勢。

以2023年地區(qū)生產(chǎn)總值占比最高的深圳（24%）和廣州（22%）為例進(jìn)行碳排放時(shí)間趨勢分析，2005—2021年，深圳碳排放量整體上呈現(xiàn)波動增長的態(tài)勢，從3382萬噸增長至3387萬噸，年均變化率為2.7%?！笆晃濉睍r(shí)期，深圳碳排放量呈現(xiàn)逐年增長的趨勢，平均年變化率為1.5%。與廣州類似，在此期間，深圳主要關(guān)注經(jīng)濟(jì)發(fā)展，而碳減排并不是其主要的控制目標(biāo)。“十二五”時(shí)期，深圳碳排放量在2011年后開始出現(xiàn)減少，平均年變化率為-1.3%。這是由于自2010年深圳成為國家首批低碳試點(diǎn)城市以來，深圳采取了一系列綠色低碳政策措施，比如設(shè)立深圳碳排放權(quán)交易所、建立碳普惠體系等，在碳排放控制方面取得了顯著成效。2016—2021年（“十三五”和“十四五”時(shí)期），深圳碳排放量有所增加，平均年變化率為2.27%。這段時(shí)期政府強(qiáng)調(diào)科技創(chuàng)新和綠色發(fā)展，在產(chǎn)業(yè)結(jié)構(gòu)升級、能源利用方面采取了積極的措施，促進(jìn)碳減排取得一定成效。

2005—2021年，廣州碳排放量整體上保持增長態(tài)勢，從5639萬噸增長至11193萬噸，年均變化率為4.1%。2005—2010年（“十一五”時(shí)期），廣州碳排放量呈現(xiàn)明顯的增長趨勢，年均變化率高達(dá)5.92%。這段時(shí)期廣州以經(jīng)濟(jì)快速發(fā)展為工作重心，推動工業(yè)化水平穩(wěn)步提高、能源密集型產(chǎn)業(yè)興起，導(dǎo)致碳排放量快速上升。2011—2015年（“十二五”時(shí)期），廣州碳排放量增長趨勢明顯放緩，年均變化率為0.12%，說明碳排放在一定程度上得到了控制。究其原因，廣州市“十二五”規(guī)劃強(qiáng)調(diào)可持續(xù)發(fā)展，推動了工業(yè)結(jié)構(gòu)的調(diào)整以及清潔能源的使用。2016—2021年（“十三五”和“十四五”時(shí)期），廣州碳排放量再次呈現(xiàn)增長趨勢，增速較之前有所降低，平均年變化率為3.79%。這說明廣州在低碳減排方面采取了積極舉措，但為了促進(jìn)經(jīng)濟(jì)發(fā)展和減小新冠疫情影響，大力支持企業(yè)發(fā)展，導(dǎo)致能源需求增長、碳排放量增加。

（二）粵港澳大灣區(qū)能源消費(fèi)碳排放預(yù)測模型

1. 拓展的STIRPAT模型回歸分析

（1）描述性統(tǒng)計(jì)

本章研究時(shí)間范圍為2005—2021年，共17年。對變量的描述性統(tǒng)計(jì)如表13所示。

（2）平穩(wěn)性檢驗(yàn)

為確保后續(xù)的回歸分析不會受到偽回歸的影響，此處對模型數(shù)據(jù)進(jìn)行平穩(wěn)性檢驗(yàn)，對變量進(jìn)行對數(shù)轉(zhuǎn)化后，使用SPSS進(jìn)行單位根（ADF）檢驗(yàn)。結(jié)果如表14所示。

由表14可以看出，大灣區(qū)全部變量的原序列都是平穩(wěn)的，接著對這些數(shù)據(jù)進(jìn)行普通最小二乘法回歸（OLS），對所得的殘差項(xiàng)進(jìn)行ADF檢驗(yàn)得到P值為0.0036，可認(rèn)為殘差項(xiàng)是平穩(wěn)的。因此，本文大灣區(qū)的時(shí)間序列數(shù)據(jù)都是平穩(wěn)的，可進(jìn)一步進(jìn)行研究。

（3）共線性檢驗(yàn)

本文拓展的STIRPAT模型中有6個解釋變量，可能存在多重共線性，影響模型的解釋能力和預(yù)測精度。在進(jìn)行回歸分析前，6個解釋變量需要進(jìn)行共線性檢驗(yàn)。結(jié)果如表15所示。

分析發(fā)現(xiàn)，模型存在嚴(yán)重的多重共線性問題。特別是lnPG、lnP、lnEI的VIF值非常高（超過200）。lnUR、lnES的VIF值相對輕微，但仍然高于臨界值10，表明存在一定程度的多重共線性問題。

（4）嶺回歸分析

繪制嶺跡圖如圖6所示，可以看到在K值為0.07左右時(shí)，大部分系數(shù)的變化趨于平緩。結(jié)合圖7，考慮模型需保持較好的預(yù)測性能，最終確定K值為0.07。

當(dāng)K值為0.07時(shí)，拓展的STIRPAT模型各變量的回歸系數(shù)如表16所示。

根據(jù)嶺回歸結(jié)果顯示，模型F檢驗(yàn)P值為0.000***，呈現(xiàn)顯著性，拒絕原假設(shè)。同時(shí)，模型的擬合優(yōu)度R2為0.955，解釋力度大，表現(xiàn)較為優(yōu)秀。其中，lnPG、lnSI、lnEI在10%顯著性水平下顯著，其余變量不顯著。經(jīng)查閱相關(guān)資料，嶺回歸由于加入了懲罰項(xiàng)，影響了參數(shù)估計(jì)的偏差和方差，使得傳統(tǒng)的統(tǒng)計(jì)推斷（基于假設(shè)檢驗(yàn)的P值）不再適用?；诖耍疚恼J(rèn)為回歸系數(shù)不顯著不會影響后續(xù)分析。因此，得到的大灣區(qū)能源消費(fèi)碳排放預(yù)測模型如下式所示：

[lnC=0.071×lnP+0.006×lnPG+0.063×lnUR+0.022×lnSI+0.013×lnES+0.002×lnEI+10.751 ?] （12）

式（12）中，全部變量的回歸系數(shù)為正，說明人口規(guī)模、人均地區(qū)生產(chǎn)總值、城鎮(zhèn)化水平、第二產(chǎn)業(yè)占比、能源結(jié)構(gòu)、能源強(qiáng)度增加對碳排放量變化有正向效應(yīng)，按影響系數(shù)從大到小排序?yàn)槿丝谝?guī)模＞城鎮(zhèn)化水平＞第二產(chǎn)業(yè)結(jié)構(gòu)＞能源結(jié)構(gòu)＞人均地區(qū)生產(chǎn)總值＞能源強(qiáng)度。

（5）回歸模型誤差分析

通過均方誤差（Mean Square Error，MSE）、均方根誤差（Root Mean Square Error，RMSE）、平均絕對誤差（Mean Absolute Error，MAE）和平均絕對百分比誤差（Mean Absolute Percentage Error，MAPE）四個特征指標(biāo)來量化分析回歸模型的性能，結(jié)果如表17所示。所有的誤差指標(biāo)均小于0.05，表示預(yù)測值與實(shí)際值非常接近，回歸模型預(yù)測性能很好。

此外，經(jīng)過對數(shù)轉(zhuǎn)換，計(jì)算大灣區(qū)2005—2021年碳排放的擬合值如圖8所示，其平均絕對百分比誤差MAPE值為3.5％，小于5％，誤差較小，可以認(rèn)為碳排放擬合值與實(shí)際值基本吻合，能夠滿足本文碳排放預(yù)測的實(shí)際需要。

（三）粵港澳大灣區(qū)能源消費(fèi)碳達(dá)峰情景模擬結(jié)果

1.靜態(tài)情景模擬碳排放預(yù)測結(jié)果

本文基于不同發(fā)展情景參數(shù)的變化速率，計(jì)算出參數(shù)未來值，進(jìn)行對數(shù)轉(zhuǎn)化和標(biāo)準(zhǔn)化后，代入STIRPAT模型，預(yù)測碳排放量。全部情景的碳排放量預(yù)測結(jié)果如表18所示。

為方便分析，本文將極高碳情景、高碳情景、基準(zhǔn)情景、低碳情景、極低碳情景和產(chǎn)業(yè)轉(zhuǎn)型情景的碳排放預(yù)測結(jié)果繪制在一起，如圖9所示。

按照速率大小進(jìn)行對比分析，全高速、全中速、全低速情景的結(jié)果如圖10所示。

利用前文提到的曼—肯德爾趨勢檢驗(yàn)法和泰爾—森斜率估計(jì)法對選取的碳達(dá)峰年進(jìn)行研判，結(jié)果如表19所示。表中“-”表示地區(qū)在2035年前未達(dá)峰。

經(jīng)過檢驗(yàn)可知，只有極高碳情景、高碳情景和全高速情景未能在2035年達(dá)峰，其余六種情景均已達(dá)峰，而且極低碳情景和產(chǎn)業(yè)轉(zhuǎn)型情景能在2025年提前實(shí)現(xiàn)碳達(dá)峰。不同情景碳達(dá)峰峰值不同，其中峰值最低的情景是極低碳情景，于2025年碳達(dá)峰，峰值為57645萬噸二氧化碳；其次是產(chǎn)業(yè)轉(zhuǎn)型情景（2025年碳達(dá)峰，峰值為58079萬噸二氧化碳）；第三是全低速情景（2030年碳達(dá)峰，峰值為58169萬噸二氧化碳）。除了極高碳情景、高碳情景和全高速情景在2030年之后碳排放量仍保持增長趨勢，其余情景的碳排放量預(yù)測結(jié)果表明大灣區(qū)大概率能在2030年前實(shí)現(xiàn)碳達(dá)峰，符合國家目標(biāo)要求。

全低速情景和極低碳情景都忽略了經(jīng)濟(jì)發(fā)展，發(fā)生可能性較低?；鶞?zhǔn)情景、低碳情景和產(chǎn)業(yè)轉(zhuǎn)型情景三大情景是大灣區(qū)未來可能實(shí)現(xiàn)的發(fā)展情景，即在兼顧經(jīng)濟(jì)社會發(fā)展的同時(shí)，加大對清潔能源項(xiàng)目建設(shè)投入，研發(fā)推廣低碳技術(shù)，促進(jìn)經(jīng)濟(jì)向綠色低碳可持續(xù)轉(zhuǎn)型。其中，產(chǎn)業(yè)轉(zhuǎn)型情景通過搬遷轉(zhuǎn)移高排放高污染產(chǎn)業(yè)，為第二產(chǎn)業(yè)綠色低碳轉(zhuǎn)型提供金融和政策支持，同時(shí)加大相關(guān)節(jié)能環(huán)保技術(shù)應(yīng)用推廣力度，推動傳統(tǒng)產(chǎn)業(yè)向高新技術(shù)產(chǎn)業(yè)、低碳產(chǎn)業(yè)轉(zhuǎn)型，支持金融、信息技術(shù)服務(wù)等現(xiàn)代服務(wù)業(yè)發(fā)展等，降低經(jīng)濟(jì)社會發(fā)展對化石能源的依賴程度，打造節(jié)能高效低碳的發(fā)展環(huán)境，可以提高提前實(shí)現(xiàn)碳達(dá)峰的可能性。

2.動態(tài)模擬碳排放預(yù)測結(jié)果

（1）不考慮任何政策影響的路徑一

在該蒙特卡羅動態(tài)模擬路徑中，設(shè)置極高碳、高碳、基準(zhǔn)、低碳、極低碳情景的參數(shù)變化率，發(fā)生概率分別為10%、20%、40%、10%、20%。進(jìn)行一萬次蒙特卡羅動態(tài)模擬的結(jié)果如圖11所示。

從碳達(dá)峰年份來看，在路徑一情況下，95%置信區(qū)間顯示大灣區(qū)實(shí)現(xiàn)能源消費(fèi)碳達(dá)峰的可能時(shí)間區(qū)間為2029—2035年，按照預(yù)定時(shí)間如期在2030年實(shí)現(xiàn)碳達(dá)峰的可能性為54.5%，能早于2030年實(shí)現(xiàn)碳達(dá)峰的概率為6.7%。而且，晚達(dá)峰的可能性較高，晚于2030年實(shí)現(xiàn)碳達(dá)峰的概率為38.8%，存在一定的不確定性和挑戰(zhàn)。從最可能達(dá)峰年限來看，2030年實(shí)現(xiàn)碳達(dá)峰的可能性最高，概率為54.5%，其次分別是2031年（18.4%）、2032年（7.5%）、2029年（5.6%）。

從碳達(dá)峰峰值來看，在路徑一情況下，95%置信區(qū)間顯示大灣區(qū)實(shí)現(xiàn)能源消費(fèi)碳達(dá)峰的可能峰值區(qū)間為58929萬～60879萬噸二氧化碳，最大碳達(dá)峰值和最小碳達(dá)峰值間相差1950萬噸二氧化碳（3.3%），說明大灣區(qū)碳達(dá)峰峰值較為集中，預(yù)測相對穩(wěn)定，具有一定的可信度。其中，概率最大的峰值為59830萬噸二氧化碳，較靜態(tài)情景結(jié)果中極高碳情景峰值（62750萬噸二氧化碳）下降4.88%、較高碳情景峰值（62096萬噸二氧化碳）下降3.79%、較基準(zhǔn)情景峰值（59404萬噸二氧化碳）上升0.72%、較低碳情景峰值（59005萬噸二氧化碳）上升1.40%、較極低碳情景峰值（57645萬噸二氧化碳）上升3.79%，說明最可能峰值水平處于高碳情景和基準(zhǔn)情景峰值水平之間。而兩個情景的主要區(qū)別在于前者經(jīng)濟(jì)增速為高速，后者經(jīng)濟(jì)增速為中速。最可能峰值水平處于這兩者之間，符合現(xiàn)實(shí)情況。

不考慮任何政策影響下路徑一的結(jié)果總結(jié)如下：

①在95%置信區(qū)間下，能源消費(fèi)碳達(dá)峰時(shí)間區(qū)間為2029—2035年，峰值區(qū)間為58929萬～60879萬噸二氧化碳；

②早于2030年實(shí)現(xiàn)碳達(dá)峰概率為6.7%，晚于2030年碳達(dá)峰概率為38.8%；

③最可能碳達(dá)峰年份為2030年（54.5%），最可能峰值為59830萬噸二氧化碳。

（2）考慮產(chǎn)業(yè)綠色低碳轉(zhuǎn)型政策導(dǎo)向的路徑二

在該路徑中，假設(shè)未來存在明顯的低碳政策導(dǎo)向，此時(shí)基準(zhǔn)情景、低碳情景、產(chǎn)業(yè)轉(zhuǎn)型情景發(fā)生概率最高，分別設(shè)置為30%、30%和40%。進(jìn)行一萬次蒙特卡羅動態(tài)模擬的結(jié)果如圖12所示。

從碳達(dá)峰年份來看，在路徑二情況下，大灣區(qū)能源消費(fèi)都能如期實(shí)現(xiàn)碳達(dá)峰目標(biāo)，95%置信區(qū)間顯示大灣區(qū)實(shí)現(xiàn)能源消費(fèi)碳達(dá)峰的可能時(shí)間區(qū)間為2025—2030年，按照預(yù)定時(shí)間如期在2030年實(shí)現(xiàn)碳達(dá)峰的可能性為53.72%，能早于2030年實(shí)現(xiàn)碳達(dá)峰的概率為46.28%，在2025年實(shí)現(xiàn)碳達(dá)峰的概率為5.15%。從最可能達(dá)峰年限來看，仍然是在2030年實(shí)現(xiàn)碳達(dá)峰的可能性最高，概率為53.72%，其次是分別2029年（20.55%）、2028年（8.71%）、2027年（7.27%）。

從碳達(dá)峰峰值來看，在路徑二情況下，95%置信區(qū)間顯示大灣區(qū)實(shí)現(xiàn)能源消費(fèi)碳達(dá)峰的可能峰值區(qū)間為58250萬～59100萬噸二氧化碳，最大碳達(dá)峰值和最小碳達(dá)峰值間相差850萬噸二氧化碳（1.46%），說明大灣區(qū)碳達(dá)峰峰值較為集中，預(yù)測相對穩(wěn)定，具有一定的可信度。其中，概率最大的峰值為58670萬噸二氧化碳，比路徑一中最可能峰值（59830萬噸二氧化碳）下降1.98%、較極高碳情景峰值（62750萬噸二氧化碳）下降6.95%、較高碳情景峰值（62096萬噸二氧化碳）下降5.84%、較基準(zhǔn)情景峰值（59404萬噸二氧化碳）下降1.25%、較低碳情景峰值（59005萬噸二氧化碳）下降0.57%、較產(chǎn)業(yè)轉(zhuǎn)型情景峰值（58079萬噸二氧化碳）上升1.01%、較極低碳情景峰值（57645萬噸二氧化碳）上升1.75%，說明最可能峰值水平處于低碳情景和產(chǎn)業(yè)轉(zhuǎn)型情景峰值水平之間。而兩個情景的主要區(qū)別在于前者第二產(chǎn)業(yè)占比和人口規(guī)模增速為中速，后者為低速。最可能峰值水平處于這兩者之前，符合路徑的政策低碳轉(zhuǎn)型假設(shè)，具有較高的可信度。

在產(chǎn)業(yè)綠色低碳轉(zhuǎn)型政策導(dǎo)向下路徑二的結(jié)果總結(jié)如下：

①在95%置信區(qū)間下，能源消費(fèi)碳達(dá)峰時(shí)間區(qū)間為2025—2030年，峰值區(qū)間為58250萬～59100萬噸二氧化碳；

②提前在2025年碳達(dá)峰概率為5.15%，晚于2030年碳達(dá)峰概率為0；

③最可能碳達(dá)峰年份為2030年（53.72%），最可能峰值為58650萬噸二氧化碳。

3. 最優(yōu)碳達(dá)峰路徑分析

對比動態(tài)模擬路徑一和路徑二的結(jié)果發(fā)現(xiàn)，路徑一基本涵蓋了未來可能的發(fā)展情景，考慮了未來發(fā)展的多種變化和不確定性，但可能忽略了低碳能源技術(shù)創(chuàng)新、政府政策變化等因素，導(dǎo)致結(jié)果存在一定的局限性，得到的碳達(dá)峰時(shí)間區(qū)間（2029—2035年）傾向保守估計(jì)，低估了大灣區(qū)碳減排潛力，可能錯失提前實(shí)現(xiàn)碳達(dá)峰的機(jī)會。路徑二假設(shè)未來有明顯的低碳政策導(dǎo)向，政府將更加關(guān)注社會經(jīng)濟(jì)綠色低碳發(fā)展，針對碳達(dá)峰目標(biāo)制定實(shí)施更為積極的碳減排政策措施，推動產(chǎn)業(yè)綠色低碳轉(zhuǎn)型。路徑二的結(jié)果顯示，大灣區(qū)提前實(shí)現(xiàn)能源消費(fèi)碳達(dá)峰（2025—2030年）的可能性較高，代表對未來低碳發(fā)展的樂觀估計(jì)。

從碳達(dá)峰年份來看，兩條發(fā)展路徑的結(jié)果都顯示，2030年是最可能的碳達(dá)峰年份，表明大灣區(qū)能源消費(fèi)碳排放大概率能夠如期實(shí)現(xiàn)國家的時(shí)間要求。

從碳達(dá)峰峰值來看，兩條路徑的碳達(dá)峰峰值范圍相對接近，基本集中于58000萬～61000萬噸二氧化碳，表明兩條路徑在碳達(dá)峰峰值區(qū)間估計(jì)方面是一致的，可信度較高。

從提前實(shí)現(xiàn)碳達(dá)峰的可能性來看，路徑二提前實(shí)現(xiàn)碳達(dá)峰的可能性更高，表明采取更積極的碳減排和產(chǎn)業(yè)轉(zhuǎn)型政策措施可以加速實(shí)現(xiàn)碳達(dá)峰。

結(jié)合動態(tài)情景分析和前文的靜態(tài)情景分析可以推測，為保證在經(jīng)濟(jì)發(fā)展的同時(shí)按時(shí)甚至提前實(shí)現(xiàn)能源消費(fèi)碳達(dá)峰目標(biāo)，路徑二是最優(yōu)的碳達(dá)峰路徑。路徑二主要包括產(chǎn)業(yè)轉(zhuǎn)型情景、低碳發(fā)展情景和基準(zhǔn)情景（全中速發(fā)展情景）。在該路徑中，人均地區(qū)生產(chǎn)總值和城鎮(zhèn)化率保持中等水平，人口規(guī)模和產(chǎn)業(yè)結(jié)構(gòu)（第二產(chǎn)業(yè)占比）增速逐年下降，產(chǎn)業(yè)向高端制造業(yè)和金融、信息技術(shù)等服務(wù)業(yè)轉(zhuǎn)型升級，能源結(jié)構(gòu)逐漸向清潔能源轉(zhuǎn)型，對化石能源依賴程度逐漸下降，能源強(qiáng)度保持較高的優(yōu)化速度。匯總最優(yōu)路徑二的情景參數(shù)設(shè)置如表20所示。

四、結(jié)論與政策建議

（一）結(jié)論

本文以粵港澳大灣區(qū)為研究對象，對其能源消費(fèi)碳排放的時(shí)間演變規(guī)律和未來碳達(dá)峰情景等方面進(jìn)行了深入分析，得出以下結(jié)論：

1.粵港澳大灣區(qū)能源消費(fèi)碳排放總量呈現(xiàn)波動上升態(tài)勢，2005年為31751萬噸，增長到2021年的57945萬噸，年均增長率3.6％。從大灣區(qū)11個城市來看，香港已于2014年實(shí)現(xiàn)碳達(dá)峰；澳門碳排放量占比較小；珠三角九市碳排放量自2011年呈現(xiàn)下降態(tài)勢，在2016年后又波動增長。其中，廣州、惠州、江門增長態(tài)勢明顯，深圳、東莞、中山、肇慶、珠海呈現(xiàn)波動增長的態(tài)勢。

2.粵港澳大灣區(qū)碳達(dá)峰靜態(tài)情景模擬結(jié)果顯示，大灣區(qū)在基準(zhǔn)情景、低碳情景、極低碳情景、產(chǎn)業(yè)轉(zhuǎn)型情景和全低速情景下能如期甚至提前實(shí)現(xiàn)2030年碳達(dá)峰目標(biāo)。其中，產(chǎn)業(yè)轉(zhuǎn)型情景和極低碳情景能提前在2025年實(shí)現(xiàn)碳達(dá)峰。通過情景參數(shù)對比分析發(fā)現(xiàn)，常住人口規(guī)模和第二產(chǎn)業(yè)占比的下降將提高提前碳達(dá)峰的可能性；化石能源占比和能源強(qiáng)度的降低有助于降低大灣區(qū)碳達(dá)峰的峰值。

3.粵港澳大灣區(qū)碳達(dá)峰動態(tài)情景模擬結(jié)果顯示，在不考慮任何政策導(dǎo)向的路徑一中，大灣區(qū)有95%概率在2029—2035年實(shí)現(xiàn)碳達(dá)峰，峰值區(qū)間為58929萬～60879萬噸，最可能碳達(dá)峰年份為2030年（54.5%），最可能峰值為59830萬噸二氧化碳；在考慮產(chǎn)業(yè)低碳轉(zhuǎn)型政策導(dǎo)向的路徑二中，有95%概率在2025—2030年實(shí)現(xiàn)碳達(dá)峰，峰值區(qū)間為58250萬～59100萬噸；最可能碳達(dá)峰年份為2030年（53.72%），最可能峰值為58650萬噸。對比分析發(fā)現(xiàn)，大灣區(qū)大概率能夠如期實(shí)現(xiàn)2030年碳達(dá)峰目標(biāo)，若采取更積極的碳減排和產(chǎn)業(yè)轉(zhuǎn)型政策措施，可以提前實(shí)現(xiàn)碳達(dá)峰。

（二）政策建議

本文基于能源消費(fèi)碳達(dá)峰分析結(jié)果，針對影響大灣區(qū)碳達(dá)峰進(jìn)程的關(guān)鍵變量，提出以下政策建議。

1.形成碳達(dá)峰區(qū)域聯(lián)動機(jī)制，推動社會綠色低碳發(fā)展。一是加強(qiáng)組織協(xié)調(diào)，發(fā)揮區(qū)域協(xié)同減排作用。基于現(xiàn)有“雙碳”相關(guān)政策文件，編制大灣區(qū)碳達(dá)峰行動方案，構(gòu)建城市間低碳政策聯(lián)動機(jī)制，進(jìn)行統(tǒng)一謀劃、集中部署。對于區(qū)域內(nèi)部，加強(qiáng)粵港澳三地合作，實(shí)現(xiàn)優(yōu)勢互補(bǔ)，強(qiáng)化大灣區(qū)城市間協(xié)同減碳能力。二是建設(shè)綠色低碳新型城鎮(zhèn)。推動城鎮(zhèn)向綠色低碳協(xié)調(diào)發(fā)展，以“百千萬工程”（百縣千鎮(zhèn)萬村高質(zhì)量發(fā)展工程）、“綠美廣東”等行動為抓手，建設(shè)美麗灣區(qū)，持續(xù)提高生態(tài)環(huán)境質(zhì)量。三是激發(fā)社會公眾力量參與低碳行動。通過社交平臺和社區(qū)活動，提高公眾對碳達(dá)峰碳中和的認(rèn)識，并鼓勵群眾采取低碳生活方式，降低居民生活產(chǎn)生的碳排放。

2.推進(jìn)高能耗行業(yè)減排技術(shù)研發(fā)，加快產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)型升級。一是引進(jìn)先進(jìn)工藝設(shè)備，加快傳統(tǒng)用能結(jié)構(gòu)轉(zhuǎn)型進(jìn)程。大力引進(jìn)先進(jìn)工藝與設(shè)備，深入開展傳統(tǒng)行業(yè)產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化和技術(shù)改造，推動制造業(yè)產(chǎn)業(yè)轉(zhuǎn)型升級，淘汰落后產(chǎn)能。二是推動制造業(yè)數(shù)字化發(fā)展，助力全生命周期降碳。推動汽車、半導(dǎo)體等戰(zhàn)略性新興產(chǎn)業(yè)構(gòu)建數(shù)字化全生命周期供應(yīng)鏈管理體系，鼓勵相關(guān)行業(yè)制定和開展減排行動，牽引產(chǎn)業(yè)上下游進(jìn)行碳足跡、碳排放管理；搭建政企溝通合作平臺，開展國內(nèi)外與區(qū)域間低碳技術(shù)經(jīng)驗(yàn)交流，推動跨行業(yè)和跨區(qū)域合作。三是推動交通電氣化建設(shè)，助力交通行業(yè)碳減排。加強(qiáng)全周期低碳交通基礎(chǔ)設(shè)施建設(shè)，完善數(shù)字化交通建設(shè)方案，對公路建設(shè)實(shí)行電氣化改造，探索建立低碳交通示范區(qū)。

3.提升非化石能源消費(fèi)占比，穩(wěn)步推進(jìn)能源結(jié)構(gòu)優(yōu)化升級。一是推動多元化清潔化能源供應(yīng)體系建設(shè)。大力發(fā)展核電、風(fēng)電、太陽能等可再生能源，做好新能源項(xiàng)目落地及時(shí)并網(wǎng)送電等配套服務(wù)，構(gòu)建多元化能源供應(yīng)體系；適當(dāng)發(fā)展清潔煤電，對煤電機(jī)組進(jìn)行清潔化利用改造和優(yōu)化設(shè)計(jì)，推進(jìn)智能化發(fā)展。二是加強(qiáng)新能源技術(shù)創(chuàng)新，推動產(chǎn)業(yè)鏈高端化。加強(qiáng)核能、氫能、儲能、新型電力系統(tǒng)、碳捕集利用與封存等低碳前沿技術(shù)攻關(guān)；打造能源示范項(xiàng)目，推廣“光伏+設(shè)施農(nóng)業(yè)”“海上風(fēng)電+海洋牧場”等多產(chǎn)融合發(fā)展模式，加快先進(jìn)技術(shù)成果轉(zhuǎn)化落地。

4.增加財(cái)政金融激勵，助力各領(lǐng)域關(guān)鍵環(huán)節(jié)低碳轉(zhuǎn)型。一是采用綠色信貸、綠色債券等綠色金融工具，助力能源、工業(yè)等領(lǐng)域低碳轉(zhuǎn)型。充分運(yùn)用金融衍生工具和綠色金融政策，推動新能源產(chǎn)業(yè)鏈相關(guān)企業(yè)綠色金融、供應(yīng)鏈金融衍生品交易；加大綠色金融應(yīng)用范圍和支持力度，吸引多元化社會資本支持行業(yè)發(fā)展。二是對低碳技術(shù)研發(fā)等減排行為提供稅收優(yōu)惠等支持。針對企業(yè)、研發(fā)機(jī)構(gòu)自主研發(fā)新能源關(guān)鍵技術(shù)的行為，制定減免部分企業(yè)所得稅、增值稅的激勵政策；設(shè)立綠色發(fā)展專項(xiàng)基金，引導(dǎo)社會資金投向低碳領(lǐng)域，為低碳技術(shù)等方面研究提供資助。

參考文獻(xiàn)：

[1] Su Kai and Lee Chien-Ming， “When Will China Achieve Its Carbon Emission Peak？ A Scenario Analysis Based on Optimal Control and the STIRPAT Mode”[J]， Ecological Indicators， 2020， 112： 106138.

[2] 劉春梅、錢嘯吟：《“雙碳”目標(biāo)下中國能源消費(fèi)碳排放量預(yù)測》[J]，《資源科學(xué)》2023年第10期，第1931-1946頁。

[3] Zhang Shu and Chen Wenying， “Assessing the Energy Transition in China Towards Carbon Neutrality With a Probabilistic Framework”[J]， Nature Communications， 2022， 13（1）： 87.

[4] 任峰、龍定洪：《廣東省碳排放量測算、影響因素分析及預(yù)測模型選擇》[J]，《生態(tài)經(jīng)濟(jì)》2022年第5期，第21-27頁。

[5] 王怡：《中國省域二氧化碳排放達(dá)峰情景預(yù)測及實(shí)現(xiàn)路徑研究》[J]，《科學(xué)決策》2022年第1期，第95-105頁。

[6] Fang Kai， Li Chenglin， Tang Yiqi， He Jianjian and Song Junnian， “China's Pathways to Peak Carbon Emissions： New Insights From Various Industrial Sectors”[J]， Applied Energy， 2022， 306： 118039.

[7] Wen Hong-Xing， Chen Zhe， Yang Qian， Liu Jin-yi and Nie Pu-yan， “Driving Forces and Mitigating Strategies of CO2 Emissions in China： A Decomposition Analysis Based on 38 Industrial Sub-Sectors”[J]， Energy， 2022， 245： 123262.

[8] Zhang Yiqing， Liu Chuangeng， Chen Lei， Wang Xiaofei， Song Xiaoqian and Li Ke， “Energy-Related CO2 Emission Peaking Target and Pathways for China's City： A Case Study of Baoding City”[J]， Journal of Cleaner Production， 2019， 226： 471-481.

[9] 鐘薇薇、高海、徐維軍、于孝建：《多聚類視角下的碳達(dá)峰路徑探索與趨勢研判——基于廣東省21個地級市面板數(shù)據(jù)的分析》[J]，《南方經(jīng)濟(jì)》2021年第12期，第58-79頁。

[10] Xu Jinghang， Guan Yuru， Oldfield Jonathan， Guan Dabo and Shan Yuli， “China Carbon Emission Accounts 2020-2021”[J]， Applied Energy， 2024， 360： 122837.

[11] 劉浩東、邱微、陳爽：《黑龍江省能源碳排放核算及驅(qū)動因素分析》[J]，《中國環(huán)境科學(xué)》，網(wǎng)絡(luò)首發(fā)時(shí)間：2024年1月16日，第1-11頁。

[12] 李世祥、康契瀛：《碳中和背景下長江經(jīng)濟(jì)帶碳足跡測算——基于省際及產(chǎn)業(yè)部門的實(shí)證分析》[J]，《生態(tài)經(jīng)濟(jì)》2022年第9期，第37-42頁。

[13] 劉宇、呂郢康、周梅芳：《投入產(chǎn)出法測算CO2排放量及其影響因素分析》[J]，《中國人口·資源與環(huán)境》2015年第9期，第21-28頁。

[14] 杜海波、魏偉、張學(xué)淵、紀(jì)學(xué)朋：《黃河流域能源消費(fèi)碳排放時(shí)空格局演變及影響因素——基于DMSP/OLS與NPP/VIIRS夜間燈光數(shù)據(jù)》[J]，《地理研究》2021年第7期，第2051-2065頁。

[15] 李云燕、盛清、代建：《基于DMSP-OLS與NPP-VIIRS整合數(shù)據(jù)的京津冀城市群碳排放時(shí)空演變特征》[J]，《環(huán)境工程技術(shù)學(xué)報(bào)》2023年第2期，第447-454頁。

[16] 劉耀輝、劉文毅、仇培元、邢華橋、劉雨敏、王琪、邢笑天：《基于夜間燈光數(shù)據(jù)的東部七省市碳排放時(shí)空演變和監(jiān)測評估》[J]，《測繪通報(bào)》2023年第12期，第38-44頁。

[17] Gao Shanshan， Zhang Xiaoping and Chen Mingxing， “Spatiotemporal Dynamics and Driving Forces of City-Level CO2 Emissions in China From 2000 to 2019”[J]， Journal of Cleaner Production， 2022， 377： 134358.

[18] Wang Shaojian and Liu Xiaoping， “China's City-Level Energy-Related CO2 Emissions： Spatiotemporal Patterns and Driving Forces”[J]， Applied Energy， 2017， 200： 204-214.

[19] Wang Shaojian， Shi Chenyi， Fang Chuanglin and Feng Kuishuang， “Examining the Spatial Variations of Determinants of Energy-Related CO2 Emissions in China at the City Level Using Geographically Weighted Regression Model”[J]， Applied Energy， 2019， 235： 95-105.

[20] 王艷軍、王孟杰、柳林、李少春、林云浩：《DMSP/OLS夜光數(shù)據(jù)的珠三角碳排放時(shí)空差異性分析》[J]，《遙感學(xué)報(bào)》2022年第9期，第1824-1837頁。

[21] Fan Jian-shuang and Zhou Lin， “Impact of Urbanization and Real Estate Investment on Carbon Emissions： Evidence From China's Provincial Regions”[J]， Journal of Cleaner Production， 2019， 209： 309-323.

[22] Shi Chunxue， “Decoupling Analysis and Peak Prediction of Carbon Emission Based on Decoupling Theory”[J]， Sustainable Computing： Informatics and Systems， 2020， 28： 100424.

[23] Polloni-Silva Eduardo， Silveira Naijela， Ferraz Diogo， de Mello Diego Scarpa and Moralles Herick Fernando， “The Drivers of Energy-Related CO2 Emissions in Brazil： A Regional Application of the STIRPAT Model”[J]， Environmental Science and Pollution Research， 2021， 28（37）： 51745-51762.

[24] Rao Congjun， Huang Qifan， Chen Lin， Goh Mark and Hu Zhuo， “Forecasting the Carbon Emissions in Hubei Province Under the Background of Carbon Neutrality： A Novel STIRPAT Extended Model with Ridge Regression and Scenario Analysis”[J]， Environmental Science and Pollution Research， 2023， 30（20）： 57460-57480.

[25] Thio Ellen， Tan MeiXuen， Li Liang， Salman Muhammad， Long Xingle， Sun Huaping and Zhu Bangzhu， “The Estimation of Influencing Factors for Carbon Emissions Based on Ekc Hypothesis and STIRPAT Model： Evidence From Top 10 Countries”[J]， Environment， Development and Sustainability， 2022， 24（9）： 11226-11259.

[26] Wu Rong， Wang Jieyu， Wang Shaojian and Feng Kuishuang， “The Drivers of Declining CO2 Emissions Trends in Developed Nations Using an Extended STIRPAT Model： A Historical and Prospective Analysis”[J]， Renewable and Sustainable Energy Reviews， 2021， 149： 111328.

[27] 侯麗朋、唐立娜、王琳、錢瑤：《閩三角城市群碳達(dá)峰的多情景模擬分析》[J]，《生態(tài)學(xué)報(bào)》2022年第23期，第9511-9524頁。

[28] 王勇、許子易、張亞新：《中國超大城市碳排放達(dá)峰的影響因素及組合情景預(yù)測——基于門限-STIRPAT模型的研究》[J]，《環(huán)境科學(xué)學(xué)報(bào)》2019年第12期，第4284-4292頁。

[29] 丁乙、尹劍、姜洪濤、夏芮茲、衛(wèi)丹琪、羅心愿：《珠三角碳達(dá)峰系統(tǒng)動力學(xué)預(yù)測》[J]，《環(huán)境工程》2023年第7期，第22-29頁。

[30] 韓楠、羅新宇：《多情景視角下京津冀碳排放達(dá)峰預(yù)測與減排潛力》[J]，《自然資源學(xué)報(bào)》2022年第5期，第1277-1288頁。

[31] 趙亞濤、南新元、王偉德：《基于LMDI-SD方法的火電行業(yè)碳排放峰值預(yù)測》[J]，《計(jì)算機(jī)仿真》2019年第10期，第116-120頁。

[32] 楊峰、張貴馳、孫佶、謝放尖、揣小偉、孫瑞玲：《基于LEAP模型的長三角某市碳達(dá)峰情景》[J]，《環(huán)境科學(xué)》2024年第1期，第104-114頁。

[33] Li Dezhi， Huang Guanying， Zhu Shiyao， Chen Long and Wang Jiangbo， “How to Peak Carbon Emissions of Provincial Construction Industry？ Scenario Analysis of Jiangsu Province”[J]， Renewable and Sustainable Energy Reviews， 2021， 144： 110953.

[34] Li Xiaojuan， Lin Chengxin， Lin Mingchao and Jim Chi Yung， “Drivers， Scenario Prediction and Policy Simulation of the Carbon Emission System in Fujian Province （China）”[J]， Journal of Cleaner Production， 2024， 434： 140375.

[35] Zhu Lin， He Lichun， Shang Peipei， Zhang Yingchun and Ma Xiaojun， “Influencing Factors and Scenario Forecasts of Carbon Emissions of the Chinese Power Industry： Based on a Generalized Divisia Index Model and Monte Carlo Simulation”[J]， Energies， 2018， 11（9）： 2398.

[36] Paustian Keith， Ravindranath N. H. and Amstel Andre Van， “2006 IPCC Guidelines for National Greenhouse Gas Inventories”[R]， International Panel on Climate Change， 2006.

[37] Liu Zhu， Guan Dabo， Wei Wei， Davis Steven J.， Ciais Philippe， Bai Jin， Peng Shushi， Zhang Qiang， Hubacek Klaus， Marland Gregg， Andres Robert J.， Crawford-Brown Douglas， Lin Jintai， Zhao Hongyan， Hong Chaopeng， Boden Thomas A.， Feng Kuishuang， Peters Glen P.， Xi Fengming， Liu Junguo， Li Yuan， Zhao Yu， Zeng Ning and He Kebin， “Reduced Carbon Emission Estimates From Fossil Fuel Combustion and Cement Production in China”[J]， Nature， 2015， 524（7565）： 335-338.

[38] Shan Yuli， Liu Jianghua， Liu Zhu， Xu Xinwanghao， Shao Shuai， Wang Peng and Guan Dabo， “New Provincial CO2 Emission Inventories in China Based On Apparent Energy Consumption Data and Updated Emission Factors”[J]， Applied Energy， 2016， 184： 742-750.

[39] Lu Chunyan， Li Lin， Lei Yifan， Ren Chunying， Su Ying， Huang Yufei， Chen Yu， Lei Shaohua and Fu Weiwei， “Coupling Coordination Relationship Between Urban Sprawl and Urbanization Quality in the West Taiwan Strait Urban Agglomeration， China： Observation and Analysis From DMSP/OLS Nighttime Light Imagery and Panel Data”[J]， Remote Sensing， 2020， 12（19）： 3217.

[40] Xiao Hongwei， Ma Zhongyu， Mi Zhifu， Kelsey John， Zheng Jiali， Yin Weihua and Yan Min， “Spatio-Temporal Simulation of Energy Consumption in China's Provinces Based on Satellite Night-Time Light Data”[J]， Applied Energy， 2018， 231： 1070-1078.

[41] Shi Kaifang， Chen Yun， Yu Bailang， Xu Tingbao， Chen Zuoqi， Liu Rui， Li Linyi and Wu Jianping， “Modeling Spatiotemporal CO2 （Carbon Dioxide） Emission Dynamics in China From DMSP-OLS Nighttime Stable Light Data Using Panel Data Analysis”[J]， Applied Energy， 2016， 168： 523-533.

[42] Zhou Yuan， Chen Mingxing， Tang Zhipeng and Zhao You， “City-Level Carbon Emissions Accounting and Differentiation Integrated Nighttime Light and City Attributes”[J]， Resources， Conservation and Recycling， 2022， 182： 106337.

[43] 常建波、付興濤、鄭美君、郝舒哲：《能源消耗碳排放的時(shí)空演變與預(yù)測：基于山西省夜間燈光數(shù)據(jù)》[J]，《環(huán)境科學(xué)與技術(shù)》2023年第3期，第81-89頁。

[44] Shan Yuli， Guan Yuru， Hang Ye， Zheng Heran， Li Yanxian， Guan Dabo， Li Jiashuo， Zhou Ya， Li Li and Hubacek Klaus， “City-Level Emission Peak and Drivers in China”[J]， Science Bulletin， 2022， 67（18）： 1910-1920.

[45] 王少劍、莫惠斌、方創(chuàng)琳：《珠江三角洲城市群城市碳排放動態(tài)模擬與碳達(dá)峰》[J]，《科學(xué)通報(bào)》2022年第7期，第670-684頁。

[46] 同[45]。

[47] Zhang Fan， Deng Xiangzheng， Xie Li and Xu Ning， “China's Energy-Related Carbon Emissions Projections for the Shared Socioeconomic Pathways”[J]， Resources， Conservation and Recycling， 2021， 168： 105456.

[48] Huo Tengfei， Ma Yuling， Cai Weiguang， Liu Bingsheng and Mu Lingling， “Will the Urbanization Process Influence the Peak of Carbon Emissions in the Building Sector？ A Dynamic Scenario Simulation”[J]， Energy and Buildings， 2021， 232： 110590.

[49] Muntean Marilena， Janssens-Maenhout Greet， Song Shaojie， Giang Amanda， Selin Noelle E.， Zhong Hui， Zhao Yu， Olivier Jos G. J.， Guizzardi Diego， Crippa Monica， Schaaf Edwin and Dentener Frank， “Evaluating Edgarv4.Tox2 Speciated Mercury Emissions Ex-Post Scenarios and Their Impacts on Modelled Global and Regional Wet Deposition Patterns”[J]， Atmospheric Environment， 2018， 184： 56-68.

注釋：

①人民網(wǎng)：《深入分析推進(jìn)碳達(dá)峰碳中和工作面臨的形勢任務(wù) 扎扎實(shí)實(shí)把黨中央決策部署落到實(shí)處》[DB/OL]，2022年1月26日，http：//cpc.people.com.cn/n1/2022/0126/c64094—32339885.html，訪問日期：2024年5月20日。

②新華社：《粵港澳大灣區(qū)經(jīng)濟(jì)總量突破13萬億元人民幣》[DB/OL]，2023年3月22日，https：//www.gov.cn/xinwen/2023-03/22/content_5747768.htm，訪問日期：2024年4月28日。

③香港貿(mào)發(fā)局經(jīng)貿(mào)研究：《粵港澳大灣區(qū)統(tǒng)計(jì)數(shù)字》[DB/OL]，https：//research.hktdc.com/sc/article/MzYzMDE5NzQ5，

訪問日期：2024年4月28日。

作者簡介：徐維軍，華南理工大學(xué)工商管理學(xué)院教授，廣州金融服務(wù)創(chuàng)新與風(fēng)險(xiǎn)管理研究基地主任。肖宇光，廣州金融服務(wù)創(chuàng)新與風(fēng)險(xiǎn)管理研究基地研究員，華南理工大學(xué)工商管理學(xué)院工業(yè)工程與管理專業(yè)碩士。

【基金項(xiàng)目】教育部人文社會科學(xué)研究規(guī)劃項(xiàng)目“綠色金融支持我國‘雙碳目標(biāo)實(shí)現(xiàn)路徑研究”（22YJA630099）、廣東省哲學(xué)社會科學(xué)規(guī)劃項(xiàng)目“綠色金融支持粵港澳大灣區(qū)雙碳先行示范研究”（GD23CGL10）、廣州市哲學(xué)社會科學(xué)規(guī)劃課題“廣州統(tǒng)籌推進(jìn)碳達(dá)峰碳中和與經(jīng)濟(jì)社會協(xié)同發(fā)展研究”（2023GZYB09）成果。

責(zé)任編輯：李 ???鈞