1 引言(Introduction)

由温室效应引发的气候变化是威胁人类生存的挑战之一, 而人类活动产生的碳排放在很大程度上是导致全球升温的主要原因(Solomon et al., 2007).针对二氧化碳排放的研究不但有助于减轻温室效应, 减少气候变化所带来的不利影响, 还能节约化石能源的消耗.重庆市地处我国西南地区, 位于长江上游, 是我国面积最大、最“年轻”的直辖市, 肩负统筹城乡协调发展的重任.在产业结构方面, 重庆作为全国老工业基地, 第二产业消耗的化石能源是产生碳排放主要来源；在能源结构方面, 重庆市能源消耗以煤类为主, 但能源利用率偏低, 面临资源环境约束趋紧的问题.其市情与我国国情类似, 是一个能较好地代表快速工业化发展中国家现状的城市.

开展重庆市碳排放峰值研究, 是着眼于未来发展面临的国际国内两个大局、贯彻落实十八大精神、推进生态文明建设和应对气候变化的客观需要, 不仅能够对重庆市未来如何开展碳减排工作和低碳经济转型提供决策依据和基础支撑, 也可为我国探索经济平稳运行下的碳排放下降方案和分类指导各地区低碳发展提供战略决策依据.

从国内外针对中国碳排放的预测研究来看, 国外主要从能源供需入手进行碳排放分析, 并通过不同的模型进行情景预测, 包括国际能源署(IEA) 采用大规模自下而上数学模型, 通过2种情景预测中国2030年碳排放(International Energy Agency, 2009)；亚太能源研究中心(APEC) 针对中国的能源供需和碳排放情况, 在趋势照常(BUA) 情景下对2005—2030年碳排放进行了展望(Asia Pacific Energy Research Center, 2010)；日本能源经济研究所(IEEJ) 以2007年为基年，采用能源供需模型、宏观经济模型和技术估计模型等综合分析方法, 在参考情景和技术先进情景下对中国2035年的碳排放进行了预测(Institute of Energy Economics, 2011)；美国劳伦斯伯克利国家实验室(LBNL) 于2009年通过自上而下方法，基于技术和终端, 使用统计数据模型, 在继续和加速发展的2种情景下, 对中国到2050年的碳排放进行了预测(Zhen et al., 2010)；而在碳排放的影响因素方面, 只是主要考虑GDP、人口、石油价格等因素.

相比较而言, 由于国内多选用经由不同的影响因素扩展的STIRPAT排放模型进行预测, 因此, 涉及的影响因素种类也更多, 情景设置也趋于多样化. 郭运功(2009)通过人口、经济、城市化和技术等因素进行STIRPAT模型扩展, 通过情景分析法核算上海能源结构和产业结构调整下的温室气体减排量；朱勤等(2010)运用STIRPAT排放模型, 将人口因素分为人口数量和城市化率进行模型扩展, 基于1980—2007年的数据, 分析发现人口和消费对碳排放有重要影响；渠慎宁等(2010)运用STIRPAT排放模型, 通过加入产业结构因素和将ln A(A表示人均GDP) 分为ln A和(ln A) ²两项进行模型扩展, 并通过情景分析预测中国的碳排放峰值；杜强等(2012)运用STIRPAT排放模型, 通过加入表征科技进步的变量对模型进行扩展, 并通过情景分析预测中国的碳排放峰值.

除此之外, 王冰妍等(2004)运用LEAP模型对上海市到2020年分情景的能源消耗和碳排放量进行了预测；姜克隽等(2009)运用IPAC模型组对我国3种情景下的碳排放进行预测；纪广月(2014)运用灰色关联分析方法对影响中国碳排放的因素进行筛选, 并利用神经网络进行学习仿真, 用检验合格后的模型预测中国的碳排放量.综合而言, 国内外主要通过添加或优化碳排放影响因素或采用综合化模型来提高预测精度, 并在情景设置中尝试不同形式的组合.

本文针对重庆市进行碳排放峰值预测研究, 首先利用统计数据对重庆市1997—2012年的碳排放进行核算, 然后依据重庆市经济社会发展状况, 通过对数平均迪氏指数(Logarithmic Mean Divisia Index, LMDI) 因素分解法找出影响碳排放的主要因素, 以此作参考建立重庆市STIRPAT碳排放模型, 对9种情景模式下的重庆市2013—2050年碳排放量进行预测, 并对不同情景下的碳排放峰值进行对比分析, 以期找出能降低重庆市碳排放量的有效途径.

2 研究方法与数据来源(Method and data sources) 2.1 碳排放核算

使用联合国政府间气候变化专门委员会(Intergovernmental Panel on Climate Change, IPCC) 提供的核算方法1对重庆市基于化石能源消耗的排放量进行核算.IPCC发布的第4次评估报告明确指出, 温室气体激增主要是由化石能源燃烧引起的, 2004年全球化石能源活动产生的CO₂占全年总碳排放量的95.3%, 而能源部门作为温室气体排放清单中的最重要部门, 在发达国家其贡献一般占CO₂排放量的90%以上(郝千婷等, 2011), 因此, 国内研究中有通过核算化石能源燃烧产生的CO₂来统计碳排放量的(刘宇光, 2013).《省级温室气体清单编制指南(试行)》提供了2种温室气体核算办法, 其中, 基于各种化石燃料的表观消费量的IPCC方法1相较以详细技术为基础的部门方法IPCC方法2, 所需数据相对较少也易收集, 是计算区域碳排放量的最低要求.目前, 各大机构EIA、WRI、UNFCCC和IEA等都采用IPCC方法1来计算能源燃烧产生的CO₂(郝千婷等, 2011).具体公式为：

(1)

式中, I为二氧化碳排放量(t)；Q为能源消费量(t)；C为单位发热值(kJ·kg ^-1)；T为单位热值含碳量(t·TJ ^-1, 以C计)；O为碳氧化率.

研究所需能源活动水平数据主要来自1997—2012年的重庆能源平衡表(分别摘自中国能源统计年鉴1998—2013年), 从能源平衡表中进行能源数据汇总的过程应注意以下几点：①单一能源消耗量统计方法是用“终端消费量”加上“加工转换投入产出量(只统计转火电、供热, 其他加工转化用途多为能源的物理分选或提炼, 因此可忽略不计)”；②对单一能源电力的核算, 由重庆能源平衡表中电力消耗数据可知, C_4con=C_4pes+ C_4tra=C_4tfc+ C_4loss, C_4pes=C_4ind + C_4iot, 其中, C_4con为电力消耗量, C_4pes为可供本地区消费电量, C_4tra为电力加工转换投入量, C_4tfc为电力终端消费量, C_4loss为电力损失量, C_4ind为电力作为一次能源的生产量, C_4iot为调入(出) 间接电量, 以上变量单位均为kWh, C_4ind不产生碳排放, 而C_4loss中有部分来自C_4ind, 因此, 在公式验证时忽略C_4loss, 数据验证时还需计算；③电力调入调出量的计算按照《省级温室气体清单编制指南》要求, 具体核算公式为：E_4iot=C_4iot× E_4fcr, 其中, E_4iot为电力调入(出) 间接排放量(kg), E_4fcr为区域电网供电平均排放因子(kg·kWh ^-1), 重庆市归属华中区, 其2005年碳排放系数为0.801 kg·kWh ^-1.

为方便后文对跨能源、部门的交叉分析, 本文在按能源种类分类汇总能源消耗量的同时, 加入按产业部门分类汇总的方法(表 1), 以确保能源统计数据的准确性和代表性.具体的数据汇总方式如下：①按能源种类分类方式, 将主要能源按煤类、油类、汽类进行分类, 其中, 煤类包括原煤、洗精煤、其他洗煤、型煤、煤矸石、焦炭、其他焦化产品；油类包括原油、汽油、煤油、柴油、燃料油、石脑油、润滑油；汽类包括天然气、液化天然气、液化石油气、炼厂干气、焦炉煤气、转炉煤气、高炉煤气、其他煤气；由于排放因子的收集难度, 以上分类只统计了能源平衡表中的主要能源品种；②按产业部门分类方式, 具体分类如下：第一产业(农林牧渔水利业)、第二产业(工业、建筑业)、第三产业(交通运输仓储和邮政业、批发零售业和住宿餐饮、生活消费、其他等).

经验证, 按能源种类分类汇总和按产业部门分类汇总的碳排放总量一致, 即S=E, 因此, 能源消耗量也一致.定义E_1tra为煤类加工转换成电力排放量, E_2tra为油类加工转换成电力排放量, E_3tra为汽类加工转换成电力排放量, E_4loss为电力损耗的排放量, E_4sup为可供本地区消耗电力的排放量, E_4ind为电力作为一次能源产生的排放量, 公式验证过程如下.

分能源排放总量E=E₁+ E₂+ E₃+ E₄, 其中, E₁=SE₁+ E_1tra, E₂=SE₂+ E_2tra, E₃=SE₃+ E_3tra；分部门排放总量S=SE₁+SE₂+SE₃+SE₄, 其中, SE₁=S₁E₁+S₂E₁+…+S₇E；SE₂=S₁E₂+S₂E₂+…+S₇E₂；SE₃=S₁E₃+S₂E₃+…+S₇E₃；SE₄=S₁E₄+S₂E₄+…+S₇E₄.因此, 要证明S=E, 即证明E₄+ E_1tra+ E_2tra+ E_3tra=SE₄+ E_4loss(公式验证忽略).

而由能源平衡表中电力能源消耗表可知：① E_4sup=E₄+ E_4ind(不产生排放)；② E_4sup+ E_1tra+ E_2tra+ E_3tra = SE₄+ E_4loss(公式验证忽略).将①代入②得：E₄+ E_1tra+ E_2tra+ E_3tra=SE₄, 因此, E=S.

数据验证如下：以2012年重庆市能源平衡表电力消耗数据为例进行验证如下.间接电力(E₄), 即外省调入量(231.55×10 ⁸ kWh) 与调出量(56.54×10 ⁸ kWh) 的差值, 为175.01×10 ⁸ kWh, 核算后碳排放量为1401.83万t；煤油汽类加工转换电力为349.05×10 ⁸ kWh, 核算后碳排放量为2795.89万t.

7部门电力消耗(723.03×10 ⁸ kWh) 为7部门终端消费量(675.80×10 ⁸ kWh) 与电力损失量(47.23×10 ⁸ kWh) 之和, 核算后排放量为5791.47万t；但由于7部门消耗的电力包括清洁生产产生的电量, 因此, 应扣减电力作为一次能源的生产量(198.97×10 ⁸ kWh) 所对应的排放量1593.75万t.

综上, 电力差值(调入-调出) 排放(1401.83万t) 与煤油汽类加工转化电能的排放量(2795.89万t) 之和在数值上等于7部门电力消耗排放量(5791.47万t) 与电力作为一次能源产生的排放量(1593.75万t) 之差, 为4197.72万t, 即E₄+ E_1tra+ E_2tra+ E_3tra =SE₄+ E_4loss(数据验证保留), 因此, E=S.

2.2 LMDI因素分解分析

LMDI因素分解法是把一个目标变量分解成若干个影响因素的组合, 从而分析各影响因素对目标变量的影响效应, 而且还可以逐层进行分解, 以区分不同影响因素对目标变量的影响.由于该方法没有残差, 能够处理出现零值的情况, 是一种通过实用和简洁性弥补其在准确性上欠缺的分解分析方法(林骋等, 2010), 因此, 运用较为广泛(Ang, 2004).

根据能源平衡表中的数据, 并结合IPCC方法1计算得出1997—2012年重庆市碳排放量和能源消耗量.再根据重庆市1997—2012年国内生产总值和常住人口数量等数据, 计算得到1997—2012年的能源强度和人均GDP, 结果如表 2所示.

本文首先将重庆市碳排放分解为：人口(P)、人均GDP(A)、产业结构(IS)、能源结构(U)、能源强度(S) 和碳排放系数(F)(孙敬水等, 2011), 分解方式如下所示：

(2)

(3)

式中, I表示碳排放总量(t, 以CO₂计), 指不同能源种类消耗所产生的碳排放量, 用i表示不同的产业, 用j表示不同的能源种类, 则I_ij 表示第i种产业中第j种能源消耗产生的碳排放量；E_i 表示第i种产业的能耗量(t), E_ij 表示第i种产业第j种能源的消费量(t)；Q表示地区生产总值(亿元), Q_i 表示第i种产业的生产总值(亿元)；P代表人口(人); F_ij 表示碳排放系数(t·t ^-1, 以CO₂计), 表征技术水平, 是第i种产业第j种能源的碳排放系数, F_ij =I_ij/E_ij ；U_ij 表示第i种产业第j种能源占总能耗量的比例, U_ij =E_ij/E_i ；S_i 表示第i种产业的能源强度(t·万元^-1), S_i =E_i/Q_i ；IS_i 表示第i种产业的生产总值占比, IS_i =Q_i/Q；A=Q/P, 为人均GDP(元·人^-1)；C^T、C⁰分别为t、0时刻的碳排放的影响效应值.

(4)

(5)

(6)

(7)

(8)

(9)

将表 2中数据通过上述影响效应公式(4)~(9), 计算得到各影响因素的影响效应, 结果见图 1.从图 1可以看出, 影响重庆市碳排放的所有因素中, 人均GDP和能源强度的影响效应最大；其中, 人均GDP、产业占比及能源结构因素对碳排放量的影响效应为正值；能源强度因素的影响效应始终为负值；人口因素从2010年开始由之前的减碳的负效应逐步转变成增碳的正效应, 具体分析如下.

人口因素方面, 人口增长扩大社会总需求, 各行业增产导致能源消耗增加, 直接导致碳排放量增加(朱勤等, 2010).人口老龄化和开放二孩政策的双重作用下, 重庆市人口数量发生大幅变化的可能性较小, 因此, 人口因素对重庆市二氧化碳排放量变化的影响效果有限.

人均GDP因素方面, 重庆市自1997年成为直辖市以来, 经济快速发展伴随着能源能耗和碳排放增长.从图 1中的数据可以发现, 重庆市人均GDP逐年增加对碳排放总量的增加起到正效应.其中, 人均GDP提高的背后受惠于人口稳步增长提供的充足劳动力, 以及城市化率提高带来的生产效率的提高.从拉动GDP增长的投资、出口、消费来看, 未来在国家稳增长的基调下对重庆的固定投资不会减少, 但出口方面受限于全球经济疲软, 消费则很大程度上依靠人口增长和城市化率的提高, 因此, 重庆人均GDP增长的背后是固定投资和城市化率的不断提高, 尤其是固定投资促进第二产业发展, 而第二产业是能耗放排大户, 因此, 导致人均GDP的增碳效应最高(李国志等, 2010).

能源强度因素方面, 其对重庆市碳排放因素的影响效应总体上为负值.从各产业情况来看, 第二产业的能源强度降幅最大, 从1997年的2.32 t·万元^-1下降到2012年的0.69 t·万元^-1, 因此, 能源强度的减碳效应主要是第二产业能源强度下降的贡献.重庆市统计年鉴显示, 1997—2012年重庆市GDP持续增长, 通过表 1可以看出, 能源强度总体逐渐下降, 因此, 能源强度的下降是能源利用效率及清洁能源消耗占比提升和GDP增长共同作用的结果, 而第三产业的能源强度从1997年的0.614 t·万元^-1下降到2012年的0.379 t·万元^-1, 低于2012全产业能源强度0.601 t·万元^-1, 说明第三产业产生单位GDP的能源消耗最低, 应坚持产业结构调整, 大力发展第三产业.因此, 技术的进步、增加清洁能源使用比例和产业结构的调整可以有效降低能源强度.

能源结构因素方面, 对重庆市碳排放的影响效应为正值, 1997—2012年煤类消耗和碳排放占比逐渐减小, 油类、汽类和间接电力的消耗和碳排放占比逐渐增加, 但各能源消耗和排放总量都在持续升高.能源类别划分导致的煤、油、汽类能源排放因子相差并不大, 因此, 能源结构因素对碳排放的影响并不体现在煤类、油类、汽类能源的消耗占比上, 而是化石能源消耗量上(王俊松等, 2010).

产业占比因素方面, 1997—2003年对重庆市碳排放因素的影响效应整体上为正值, 其中, 第二产业占比以2003年为界, 先下降后上升, 对碳排放总量有一个先向下后向上的拉动作用；第一产业占比自1997以来持续下降, 对碳排放总量起到向下拉动的效应；第三产业占比基本维持在37%~42%之间；即第一产业占比下降, 第三产业占比不动, 第二产业占比增加.因此, 产业占比对碳排放增加的正效应主要是第二产业占比上升的贡献.

2.3 模型扩展及情景设置

STIRPAT模型是在分析环境压力时引入多个自变量来分析对环境压力的影响, 且由于STIRPAT是非线性模型, 可以将指数引入该模型来分析其它因素对于环境的非等比例影响.基于模型对重庆市碳排放进行建模: I=aP ^bA ^cT ^d e, 等式两边取对数得：

(10)

式中, I为排放量(万t), P为人口(万人), A为人均GDP(元·人^-1), T为碳排放强度(t·万元^-1, 以CO₂计), a为常数项, e为模型误差项, 系数b、c、d表示各因素对被解释变量的影响程度, 其中, 系数的绝对值大小表示影响程度高低, 系数的正负则表示影响方向.通过总结国内外学者的扩展模型思路和方法, 发展扩展模型需要遵守一定原则, 即模型中可直接引入无量纲变量, 但若变量有量纲, 则需要结合LMDI模型进行无残差分解.

由2.2节LMDI因素分解分析发现, 人口、人均GDP、能源结构、能源强度和碳排放系数对重庆市碳排放有不同影响.为了更直观地表征低碳技术发展水平, 本文将碳排放系数与能源强度合并为碳排放强度.

由能源平衡表数据核算发现, 重庆市第二产业能源消耗及碳排放量比重较大, 且考虑到其在全市经济发展中的重要地位, 将第二产业占比(LNDS) 引入STIRPAT模型.同样, 由于煤类在化石燃料中的使用和碳排放比重较大, 因此, 将能源结构用煤类消耗占比(ES) 代替引入模型.考虑到城市化率(UR), 即城镇人口占总人口(常住人口) 的比重也对碳排放有影响(王亚菲, 2011), 因此, 也将其加入模型.综上所述, 经过扩展后的STIRPAT模型为：

(11)

式中, b、c、d、e、f、g为指数项系数, h为误差.

首先用最小二乘法进行多元线性回归来拟合模型, 通过SPSS19进行最小二乘法拟合, 结果显示, 修正的可决系数R²=1, F检验显著, 但自变量的系数无法通过T检验, 通过自变量的方差膨胀因子(VIF) 可以看出, 多个变量VIF > 10, 说明自变量之间存在严重的多重共线性.

为了消除多重共线性对计算结果的干扰, 本文选择使用岭回归方法.岭回归是基于最小二乘法的改进算法, 当自变量存在多重相关性时, 岭回归方法在其标准化矩阵的元素主对角线上人为地加入一个非负因子k, 虽然使得回归系数的估计稍有偏差, 但却明显提高了估计的稳定性.

根据建立的STIRPAT扩展模型, 以ln I为因变量, 以ln P、ln A、ln T、lnLNDS、lnES、lnUR为自变量, 在SPSS 19软件中使用岭回归代码进行岭回归分析, 岭回归系数在k在0~1之间分布, 若将搜索步长设为0.01, 经过岭回归拟合, 此时各变量在不同岭参数k情况下的岭迹图见图 2, 各k值对应的R²值见图 3，此时各变量的拟合结果见表 3~ 5.

当选择k=0.2, 自变量的岭迹图的变化趋于稳定, 模型的可决系数R²=0.9688, 拟合优度较高.对拟合结果的方差分析表明(表 4), F验显著(F=46.6, Sig.=0.00), 但T检验中X3和X5的Sig.＞0.05, 标准回归系数的T检验不通过.因此, 需要替换或剔除变量重新进行拟合.根据LMDI因素分解分析得出煤类消耗占比(ES) 对排放影响作用有限, 尝试剔除该因素.

再次岭回归选择k=0.04时, 自变量岭迹图变化趋于稳定, 此时各变量拟合结果显示, R²=0.9783，说明方程拟合度较好；对拟合结果的方差分析表明, F检验显著(F=136.52, Sig.=0.00), 各自变量标准回归系数的T检验Sig < 0.05, 拟合结果符合检验要求, 满足统计学意义.因此, 对应的标准化岭回归方程为：

(12)

拟合得到的式(12) 是重庆市碳排放与人口、人均GDP、技术水平、产业结构和城市化率之间的函数关系式, 为了验证模型的有效性, 需要对模型的误差进行检验.将表 2中1997—2012年人口、人均GDP、碳排放强度、第二产业占比和城市化率的数据代入方程式(12), 计算1997—2012年重庆市碳排放的模拟值, 并将模拟值和实测值进行对比, 结果如图 4所示.

模型检验显示, 平均误差约为3.64%, 计算的1997—2012年碳排放模拟值与实际值基本吻合, 说明修正的方程式(12) 满足实际意义.

通过情景分析法(Scenario Analysis), 各变量的预测值设置参考相关政策规划及发达国家发展规律, 并与过往不同阶段的变化率进行对照, 确保数据的设置符合重庆市经济社会发展实际.其中, 选取2015年为预测值设置的基准年, 由于2014、2015年数据暂不可得, 采用过往不同阶段变化率得出的推测值, 若与政策规划值相近则采用规划值, 若偏差过大, 则采用推测值.

由于预测周期设置到2050年, 本文将其分为8个阶段：第1阶段(2011—2015年)、第2阶段(2016—2020年)、第3阶段(2021—2025年)、第4阶段(2026—2030年)、第5阶段(2031—2035年)、第6阶段(2036—2040年)、第7阶段(2041—2045年)、第8阶段(2046—2050年).

人口因素方面的基本判断为：人口数量不断增加, 增长达到一定峰值后开始下降.

设置依据：《重庆市人民政府办公厅关于印发重庆市人口和计划生育事业发展“十二五”规划的通知》(渝办发〔2012〕97号, 以下简称《规划通知》) 中预计2015年末常住人口3200万, 2015年自然增长率为5.5‰.但依据重庆市统计年鉴, 2011—2013年年均增长率为9.7715‰, 过去5年(2009—2013年) 年均增长率为9.0641‰, 过去8年(2006—2013年, 2004—2005年数据波动较大) 年均增长率为7.49‰, 因此, 假设2014、2015年年均增长率均为9‰, 则到2015年重庆市常住人口为3023.7万人, 尚未达到《规划通知》预测的3200万人, 考虑到《规划通知》是2012年编制的, 其对2015年的预测存在合理误差, 因此, 本文情景设置2014、2015年年均增长率为9‰, 即到2015年时重庆常住人口按3023.7万设置.

因此, 中增长率模式下设置人口平均增长率从第1阶段的9.46‰下降到第8阶段的-2.2100‰, 其中, 2033年达到人口峰值3249.99万人, 增长率为0‰, 2013—2033年每年下降0.47‰, 2033—2050年每年下降0.15‰；高增长率模式下, 从第1阶段的平均增长率9.46‰下降到2050年第8阶段的-1.5‰, 其中, 2038年达到人口峰值3326.58万人, 人口增长率为0‰, 2013—2038年每年下降0.38‰, 2038—2050年每年下降0.13‰.

人均GDP因素方面的基本判断为：随着经济社会的不断发展, 人均GDP增长率不断下降.参考《重庆市人民政府关于印发“十二五”国民经济和社会发展工作方案的通知》(以下简称《工作通知》) 和过往变化率.

设置依据：《重庆市人民政府关于印发“十二五”国民经济和社会发展工作方案的通知》中, 2010年实现人均GDP 27000元·人^-1(实际2010年人均GDP为27475元·人^-1), 2015年实现人均GDP 50000万元, 平均增长率为12.72%.已知2011—2013年人均GDP年均增长率为15.9287%, 过去5年(2009—2013年) 年均增长率为16%, 过去10年(2004—2013年) 年均增长率为16.775%, 由于经济下行压力, 2013年人均GDP增长率下降到10%, 因此, 假定2014、2015人均GDP增长率保持10%不变, 2015年即达到51560.942元·人^-1, 得出“十二五”期间人均GDP年均增长率为13.1153%.预估值与规划值相近, 情景设置采信《工作通知》中的“十二五”年均增长率预测值12.72%.

综上所述, 设置中增长率模式从第1阶段的12.72%逐渐下降到第8阶段的2%, 高增长率模式从第1阶段的12.72%逐渐下降到第8阶段的3%, 低增长率模式从第1阶段的12.72%逐渐下降到第8阶段的1%.

碳排放强度因素方面的基本判断为：随着经济社会的发展, 碳排放强度不断降低, 减排难度逐渐增加, 下降速率不断减小(王伟林等, 2008).参考中国近期刚出台《国家应对气候变化规则(2014—2020)》国家专项规划和过往变化率.

设置依据：中国近期刚出台《国家应对气候变化规则(2014—2020)》国家专项规划, 确保实现2020年碳排放强度比2005年下降40%~45%.重庆市近10年的碳排放强度平均下降率偏差较大, 缺乏规律性.重庆“十二五”规划指出, 2015年碳排放强度要比2010年下降17%, 年均下降率为3.658%, 因此, 计算出2015年的碳排放强度(以CO₂计) 为1.4469 t·万元^-1.过去10年(2003—2012年) 年均下降率为6.079%, 过去5年(2008—2012年) 年均下降率为5.4869%, “十二五”期间(2010—2012年) 平均下降率为7.5875%, 由于2012年碳排放强度为1.3810 t·万元^-1, 如果达到“十二五”规划目标, 即2015年碳排放强度为1.4469 t·万元^-1, 那么需要设置2013、2014、2015的碳排放强度不降反升, 与近年来重庆CO₂排放增长缓慢、GDP发展迅速的规律相违背, 因此, 认为重庆“十二五”碳排放强度下降17%的目标已经提前达到.为了确保情景设置的准确性, 采用估算值, 即过去3年(2013—2015年) 下降率均为3%, 2015年碳排放强度为1.2604 t·万元^-1.

因此, 设置中下降率模式的年平均下降率从第1阶段的4.42%减少到第8阶段的0.2%；设置高下降率模式的年平均下降率从第1阶段的4.42%减少到第8阶段的0.4%.由于碳排放强度是由碳排放和生产总值计算得来, 为避免长期情景设置出现偏差, 利用中长期设置值进行检验：长期2050年平均下降率设置中, 得出中、高模式2050年碳排放强度分别为0.6182、0.5936 t·万元^-1, 符合2050年比2005年下降70%的目标, 因此, 长期设置具有合理性；中期2020年平均下降率设置中, 得出中、高模式相较2005年碳排放强度分别下降55.63%、55.7%, 参照2020年碳排放强度比2005年下降40%~45%的目标, 考虑到近年经济下行压力, 化石能源排放进一步减少, 因此, 中期设置具有合理性.

第二产业占比因素方面的基本判断为：随着经济社会的不断发展, 第二产业占比由增加改为下降.参考重庆市“十二五”规划产业结构规划目标和过往增长率.

设置依据：重庆市“十二五”规划产业结构规划目标是第二产业占比由2010年的55.0%下降到2015年的47.6%, 即年均增长率为-2.8486%.通过过去10年(2003—2013年) 数据算出年均增长率为1.3681%, 过去5年(2009—2013年) 年均增长率为-0.8035%, “十二五”期间(2011—2013年) 年均增长率为-2.7404%.假定2014、2015的年均增长率为-2.5%.即2015年第二产业占比为48.05%, 与规划值接近, 故采信规划值, 即2015年第二产业占比为47.6%.因此, 设置2015年第二产业占比维持2012年的峰值47.6%不变, 中模式下逐步减少到2050年的34%，高模式下逐步减少到2050年的30%.

城市化率因素的基本判断为：随着经济社会的不断发展, 城市化率先逐步增加, 增加到一定水平后由逐步回落.参考重庆市“十二五”规划数据和过往增长率.

设置依据：根据重庆市“十二五”规划数据, 2010年重庆市城市化率为53%, 计划2015年城市化率达到60%, “十二五”规划年均增长率为2.5121%, 过去10年(2004—2013年) 平均增长率为3.366%, 过去5年(2009—2013年) 平均增长率为3.135%, “十二五”期间(2011—2013年) 平均增长率为3.253%.因此, 设置2014、2015年平均增长率为2%, 那么2015年城市化率为60.7%, 与“十二五”规划目标接近, 故采信“十二五”规划值, 将2015年城镇化率设置为60%, 第1阶段的平均增长率按规划设置为2.512%.

假定重庆城市化率已超过高增长时期, 重庆市中模式和高模式的城市化率呈缓慢增加趋势.以第4阶段为界, 后阶段增长率下降慢于前阶段, 并使得2050年重庆市城市化率接近80%.因此, 设置中增长率模式从第1阶段的2.51%逐步下降到第4阶段的0.8%, 再逐步降到第8阶段的0.02%；高增长率模式从第1阶段的2.51%逐步下降到第4阶段的0.83%, 再逐步降到第8阶段的0.05%.

由情景设置计算得出2013—2050年间的各变量设置值, 具体见表 6.通过将表 6中各变量设置值的不同组合进行情景组合设置, 9种情景模式如表 7所示.结合我国未来经济社会发展下，各因素的实际变化趋势对碳排放量的增减影响, 将“人口”、“经济”和“城市化率”归为积极因素, 将“第二产业占比”和“碳排放强度”归为消极因素(刘俊杰等, 2012).

3 结果(Results)

利用岭回归得到的方程对重庆市碳排放进行预测, 将式(10) 两边同时变成以e为底的指数形式, 具体如下：

(13)

再将表 6中各变量的情景设置数值按表 7的情景组合代入到式(13), 则可预测出9种情景下重庆市2013—2050年碳排放量, 结果见图 5.M模式下各因素均为中速, 因而又称基准模式, 其碳排放峰值在2035年出现, 为32135.38万t, 这与最近中国气候变化自主贡献文件中提到的2030年全国碳排放峰值有一定出入, 但考虑到重庆作为西部工业城市, 相比沿海地区在发展阶段和经济结构调整方面还有待提高, 并且除化石能源排放外, 全社会排放还包括工业生产过程、农业、林业、土地利用变化及废弃物处理等方面的排放.因此, 认可化石能源碳排放峰值出现与全社会碳排放峰值出现的时间和大小之间存在出入.

HLT模式是激进排放模式, 其人口、人均GDP、城市化率均为高速, 而第二产业占比、碳排放强度稳步下降, 其碳排放峰值为最高的35989.44万t, 出现时间也在最晚的2038年.从峰值分布(表 8) 可以看出, 人口、人均GDP、城市化率对促进碳排放起到积极作用, 称其为积极因素, 高速比中速造成排放峰值更大和更早出现; 第二产业占比和碳排放强度的下降对碳排放的增加起消极作用, 称其为消极因素, 其高速比中速造成碳排放峰值更小和更晚出现.通过M模式与ML、MT模式的对比, 以及MLT模式与ML、MT模式的对比可以看出, 单独加速降低第二产业占比对排放峰值更早出现和使峰值更小的作用比碳排放强度大.由于积极因素高速作用下碳排放峰值增大且较晚出现, 消极因素高速作用下碳排放峰值减小且较早出现, 将M模式与MLT模式的峰值大小和出现时间进行对比, 可以看出, 消极因素由中速变高速时, 排放峰值减少1913.26万t, 峰值出现时间提前3年; 而在MLT模式基础上, 将积极因素由中速变回高速即H模式, 排放峰值增加3220万t, 峰值出现时间延后4年.由此可以看出, 积极因素比消极因素对碳排放峰值大小和出现时间的影响大.

4 结论(Conclusions)

通过对重庆市经济社会分析、LMDI因素分解及情景预测结果分析得出, 固定投资的增长和城市化率的提高对重庆市碳排放增长起到最大的拉动作用, 其中, 第二产业的化石能源消耗是碳排放增加的直接原因, 提高能源利用技术、增加清洁能源使用比例及大力发展第三产业, 能在不降低经济发展的情况下有效降低重庆市碳排放.而通过对M、MLT和H模式排放峰值的对比可知, 积极因素比消极因素对碳排放峰值的大小和出现时间影响更大, 增排容易减排难.消极因素中的第二产业占比下降比碳排放强度下降对碳排放的抑制作用更加明显.因此, 重庆要完成兼顾经济发展又实现节能减排的双重任务, 首先要继续保持固定投资占比, 不断推进城镇化, 积极发展第三产业, 优化产业结构; 其次要利用低碳政策优势和碳交易市场, 进一步提高能源利用效率, 积极开发清洁可再生能源, 提高非化石能源消耗占比.