中國雙碳目標(biāo)達(dá)成的區(qū)域差異預(yù)測(cè)及其影響因素

摘要

為明晰我國區(qū)域間雙碳目標(biāo)達(dá)成的進(jìn)度和峰值的差異性特征，進(jìn)而展開區(qū)域雙碳目標(biāo)壓力測(cè)試，選用中國30個(gè)省域21年的數(shù)據(jù)，先從省域人均碳排放和人均RGDP兩個(gè)指標(biāo)維度對(duì)各省域的低碳經(jīng)濟(jì)發(fā)展現(xiàn)狀展開聚類分析，接著利用半?yún)⒒貧w方法驗(yàn)證人均碳排放峰值存在性，并運(yùn)用FGLS實(shí)證方法檢驗(yàn)基于EKC模型、IPAT模型以及ImPACT模型構(gòu)建的實(shí)證模型穩(wěn)健性，進(jìn)而分別對(duì)常住人口、RGDP、碳強(qiáng)度和能源結(jié)構(gòu)四個(gè)關(guān)鍵影響因素設(shè)置高低情景，運(yùn)用上述實(shí)證模型對(duì)全樣本、分組樣本和省域樣本進(jìn)行峰值預(yù)測(cè)和比較分析。結(jié)果顯示：①各分組樣本的半?yún)⒒貧w結(jié)果接近于“倒U型”，預(yù)示了人均碳排放峰值的客觀存在性，為使用實(shí)證模型展開峰值分析提供了支持。②各組樣本在不同實(shí)證模型下計(jì)算出來的峰值比較接近，但單個(gè)模型下各組峰值差異明顯，說明不同類型省域出現(xiàn)峰值所對(duì)應(yīng)的人均RGDP水平差別較大。③通過比較各組系數(shù)和峰值數(shù)據(jù)可知人口和經(jīng)濟(jì)增長對(duì)峰值的影響最為關(guān)鍵。④預(yù)測(cè)結(jié)果顯示，30個(gè)省域呈現(xiàn)出兩類分化特征，能源消費(fèi)結(jié)構(gòu)是導(dǎo)致區(qū)域達(dá)峰時(shí)間和峰值大小產(chǎn)生差異的關(guān)鍵因素。

關(guān)鍵詞

雙碳目標(biāo)；碳排放峰值；區(qū)域差異；影響因素

為了踐行中國2030、2060年達(dá)成雙碳目標(biāo)的承諾，2022年1月，國務(wù)院印發(fā)了《“十四五”節(jié)能減排綜合工作方案》，隨后各地相繼出臺(tái)了減排階段性目標(biāo)和實(shí)施細(xì)則。由于各地區(qū)的經(jīng)濟(jì)增長速度、能源結(jié)構(gòu)、產(chǎn)業(yè)結(jié)構(gòu)、節(jié)能減排技術(shù)、常住人口等存在較大差異，其碳達(dá)峰和碳中和的進(jìn)度也存在顯著差異，不同區(qū)域碳達(dá)峰后到2060年之前實(shí)現(xiàn)碳中和目標(biāo)面臨的減排壓力各不相同。對(duì)此，有必要實(shí)行創(chuàng)新性和差異化的減排措施確保雙碳目標(biāo)實(shí)現(xiàn)。

國內(nèi)有關(guān)碳達(dá)峰問題的研究早期側(cè)重于對(duì)某個(gè)國家或區(qū)域總體的達(dá)峰預(yù)測(cè)［1-7］，稍晚出現(xiàn)了行業(yè)碳達(dá)峰差異的相關(guān)研究［8-9］。更晚一些才開始少量出現(xiàn)區(qū)域碳達(dá)峰差異的研究［10-12］。有學(xué)者對(duì)中國部分省域或市域開展了層次聚類分析，將研究樣本基于經(jīng)濟(jì)發(fā)展、產(chǎn)業(yè)結(jié)構(gòu)、能源消費(fèi)和排放特征等異質(zhì)性劃進(jìn)行分類，并結(jié)合各省的達(dá)峰行動(dòng)進(jìn)度對(duì)各自面臨的達(dá)峰形勢(shì)進(jìn)行了分析，給出了差異化的達(dá)峰行動(dòng)路徑［13-15］。還有部分學(xué)者開始關(guān)注碳排放公平性的區(qū)域差異問題，認(rèn)為碳排放公平性不僅受本地區(qū)因素的影響，還受到相鄰地區(qū)經(jīng)濟(jì)社會(huì)因素的影響［16-17］。有關(guān)碳達(dá)峰預(yù)測(cè)的研究中，部分文獻(xiàn)沒有設(shè)置不同情景［18-20］，也有一些研究采用情景模擬法以提高碳排放峰值預(yù)測(cè)的適用性［21-22］。以上文獻(xiàn)拓展了我們認(rèn)識(shí)碳達(dá)峰問題的廣度和深度，但仍存在可進(jìn)一步完善的空間：第一，可以對(duì)各省域碳達(dá)峰差異作聚類分析以觀察各省域低碳發(fā)展的長期發(fā)展趨勢(shì)；第二，基于真實(shí)GDP（國民生產(chǎn)總值，Gross Domestic Production）、常住人口、能源結(jié)構(gòu)和減排技術(shù)四個(gè)指標(biāo)優(yōu)化預(yù)測(cè)情景的設(shè)置。

學(xué)術(shù)界對(duì)區(qū)域碳排放差異影響因素的研究近年來逐漸深入和細(xì)化。早期的研究著重考慮能源結(jié)構(gòu)、能源效率和經(jīng)濟(jì)發(fā)展等因素對(duì)人均碳排放的影響。在主要經(jīng)濟(jì)部門中，經(jīng)濟(jì)活動(dòng)對(duì)二氧化碳排放變化的積極影響最大，碳強(qiáng)度的影響相對(duì)較小，同時(shí)降低碳強(qiáng)度也有助于交通部門碳排放的減少［23-24］。經(jīng)濟(jì)增長中產(chǎn)業(yè)結(jié)構(gòu)、能源結(jié)構(gòu)、城鎮(zhèn)化水平、對(duì)外貿(mào)易和技術(shù)進(jìn)步與碳排放總量和碳強(qiáng)度高度相關(guān)，這表明經(jīng)濟(jì)增長方式會(huì)影響區(qū)域碳排放［5，25］。人口規(guī)模和采暖需求的增長都會(huì)顯著提高城市的二氧化碳排放，部分城市二氧化碳排放會(huì)隨著富裕程度的上升呈現(xiàn)先增加后減少的趨勢(shì)［26-28］。碳排放目標(biāo)的實(shí)現(xiàn)取決于經(jīng)濟(jì)增速與碳排放降速的相對(duì)關(guān)系，二者的相對(duì)脫鉤是中國碳排放目標(biāo)實(shí)現(xiàn)的前提［29-31］。工業(yè)生產(chǎn)碳排放是中國生產(chǎn)部門碳排放的最主要來源，許多文獻(xiàn)對(duì)此進(jìn)行了測(cè)度并分析區(qū)域工業(yè)部門碳排放的區(qū)域差異和影響因素［32-33］。

基于前述文獻(xiàn)的貢獻(xiàn)和不足，本文將從以下幾個(gè)方面進(jìn)一步研究：①選取省域人均碳排放和人均真實(shí)GDP兩個(gè)指標(biāo)對(duì)各省域低碳經(jīng)濟(jì)增長模式作圖并分區(qū)討論，對(duì)比2000年和2020年的變化；②運(yùn)用半?yún)⒒貧w方法驗(yàn)證人均碳排放峰值存在的可能性，并構(gòu)建實(shí)證模型分析影響區(qū)域人均碳排放差異的主要影響因素；③基于上述實(shí)證模型，對(duì)常住人口、真實(shí)GDP、碳減排技術(shù)和碳能源消費(fèi)占比四個(gè)指標(biāo)設(shè)置高低情景，將是否實(shí)施地方性碳交易市場(chǎng)政策設(shè)置虛擬變量納入模型，展開省域人均碳排放預(yù)測(cè)；④基于上述預(yù)測(cè)結(jié)果展開省域雙碳目標(biāo)壓力測(cè)試，并結(jié)合第一小點(diǎn)中的分區(qū)討論結(jié)果，進(jìn)一步探討區(qū)域差異性特征，分析導(dǎo)致區(qū)域達(dá)峰時(shí)間和峰值大小產(chǎn)生差異的關(guān)鍵因素。

1數(shù)據(jù)來源和省域低碳經(jīng)濟(jì)增長模式分區(qū)討論

1.1數(shù)據(jù)來源

本文將基于中國30個(gè)省域（西藏?cái)?shù)據(jù)缺失）2000-2020年的數(shù)據(jù)展開研究。人口（Population，POP）指標(biāo)采用《中國統(tǒng)計(jì)年鑒》各省域的常住人口數(shù)據(jù)。真實(shí)經(jīng)濟(jì)增長（Real GDP，RGDP）指標(biāo)使用各省域歷年名義GDP數(shù)據(jù)以2000年為基期運(yùn)用各省商品零售價(jià)格指數(shù)做平減處理，得到真實(shí)GDP。碳排放（CO2 emission，CO2）數(shù)據(jù)則基于《中國能源統(tǒng)計(jì)年鑒》能源平衡表中各省域主要能源終端消費(fèi)量和相應(yīng)的碳排放系數(shù)參考《綜合能耗計(jì)算通則》（GB/T2589-2020）測(cè)算而得。本文能源消費(fèi)類型主要包括各種煤（原煤、其他洗煤、型煤等合并計(jì)入，為簡化統(tǒng)計(jì)，將洗中煤和洗精煤一并計(jì)入原煤，使用原煤的碳排放系數(shù)來計(jì)算）、焦炭、原油（由于統(tǒng)計(jì)后期石油制品種類增加，為了保持一致性將原油、石腦油、潤滑油、石蠟、溶劑油、石油瀝青以及其他石油制品一并歸入原油項(xiàng)作簡化處理，它們的碳排放系數(shù)接近）、汽油、煤油、柴油、燃料油/重油、液化石油氣、干氣、天然氣、煤氣（將焦?fàn)t煤氣、高爐煤氣、轉(zhuǎn)爐煤氣和其他煤氣合并計(jì)入）。作為二次能源的電力，只考慮產(chǎn)生碳排放的火力發(fā)電部分，可以通過各省域能源平衡表中煤的火力發(fā)電投入數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，以免重復(fù)計(jì)算［34］。同理熱力也是二次能源，須將能源平衡表中各項(xiàng)能源用于加工轉(zhuǎn)換投入于加熱的能耗數(shù)據(jù)加以統(tǒng)計(jì)。

總樣本的數(shù)據(jù)描述性統(tǒng)計(jì)情況如表1所示。文章后續(xù)實(shí)證部分用到的第二產(chǎn)業(yè)占比Second Industry，SI）、總能耗（Total Energy，TE）、反映能源消費(fèi)結(jié)構(gòu)的指標(biāo)（煤合計(jì)＋焦炭）在能源消費(fèi)總量占比（Coal Percent，PCTCOAL）、石油及其相關(guān)制品占能源消費(fèi)總量占比（Petroleum Percent，PCTPET）、非火電占比（Green electronic Percent，PCTELC）的數(shù)據(jù)主要來自于《中國統(tǒng)計(jì)年鑒》、《中國能源統(tǒng)計(jì)年鑒》和ESP數(shù)據(jù)庫。其中總能耗（TE）指標(biāo)的計(jì)算需要將不同單位的能源類型如天然氣、電力（非火電部分）、熱力等通過為單位換算，全部統(tǒng)一以萬噸標(biāo)準(zhǔn)煤為單位進(jìn)行匯總。碳強(qiáng)度（Carbon Intensity，CI）、能源強(qiáng)度（Energy Intensity，TERGDP）、人均碳排放（CO2 per capita，CO2 POP）、人均真實(shí)GDP(Real GDP per capita，RGDPPOP）等指標(biāo)則可以基于前面各項(xiàng)數(shù)據(jù)計(jì)算而得。虛擬變量（Dummy）是根據(jù)各省域是否開設(shè)以及哪一年開始開設(shè)碳交易市場(chǎng)來取值，開設(shè)的省域年份取值為1，反之為0。限于篇幅，后續(xù)實(shí)證分組的描述性統(tǒng)計(jì)表格略。

1.2省域低碳經(jīng)濟(jì)增長模式分區(qū)討論

這部分將圍繞著省域人均碳排放和人均真實(shí)GDP這兩個(gè)指標(biāo)觀察各省域從2000年到2020年的低碳經(jīng)濟(jì)發(fā)展情況。下面基于兩項(xiàng)指標(biāo)2000年和2020年數(shù)值分別繪制圖1和圖2，作十字輔助線將所有坐標(biāo)點(diǎn)歸入四個(gè)區(qū)域展開聚類分析。圖1的區(qū)域I表示“高增長高排放”類型，包括北京、上海和天津。區(qū)域Ⅲ代表“低增長高排放”，包括寧夏、山西和遼寧。區(qū)域IV涵蓋了其它所有省域，屬于“低增長低排放”類型。區(qū)域Ⅱ代表“高增長低排放”發(fā)展模式，2000年我國尚無省域進(jìn)入。從雙碳目標(biāo)約束來看，最理想的發(fā)展模式為右下方的區(qū)域Ⅱ模式，區(qū)域I和IV模式各有缺陷，左上方的區(qū)域Ⅲ模式最不理想。

經(jīng)過二十年發(fā)展，各省域經(jīng)濟(jì)大幅增長，大多碳排放數(shù)值也增長明顯。圖2我們?nèi)杂^察各省域的相對(duì)坐標(biāo)位置作十字輔助線劃分四個(gè)區(qū)域，表示“高增長高排放”的區(qū)域I沒有樣本進(jìn)入，代表“高增長低排放”的區(qū)域Ⅱ包含七省域：遙遙領(lǐng)先的北京和上海，以及天津、江蘇、浙江、福建和廣東。代表“低增長高排放”的區(qū)域Ⅲ有五個(gè)省域：內(nèi)蒙古、寧夏、山西、新疆和遼寧。其余18個(gè)省域歸入代表“低增長低排放”的第IV區(qū)域。

進(jìn)一步比較圖1和圖2，可以觀察到20年來各省域發(fā)展模式的三個(gè)主要變化。變化一是原本位于I區(qū)的北京、上海和天津在保持較快人均經(jīng)濟(jì)增長的同時(shí)也維持著較低的人均碳排放水平，位置遷移到了圖2的第Ⅱ區(qū)域。值得關(guān)注的是，天津的位置后期和北京上海差距拉大，靠近四個(gè)海省份，這主要是因?yàn)?019年全國第四次經(jīng)濟(jì)普查修訂了各省域2018年的GDP數(shù)據(jù)，隸屬總部的分支機(jī)構(gòu)GDP不再計(jì)本地區(qū)，大量在天津的央企、國企分支GDP被劃入北京，導(dǎo)致2019年天津的真實(shí)人均GDP水平銳減。同時(shí)期北京的真實(shí)人均GDP從2018年的9.85萬元躍升至2019年的11.24萬元，且2020年（冬奧會(huì)前）碳排放總量銳減，從9750t降至7902t，使其坐標(biāo)位置2020年大幅反超上海，遷至區(qū)域Ⅱ最右方。

變化二是2000年位于第Ⅳ區(qū)域的廣東、浙江、江蘇和福建四沿海省經(jīng)過20年的發(fā)展逐漸和其它同內(nèi)地省份拉大了距離，2020年進(jìn)入圖2區(qū)域Ⅱ的左側(cè)，且這四個(gè)省份的歷年數(shù)據(jù)沒有明顯斷層（限于篇幅，歷年數(shù)據(jù)不在文中列出），說明這二十年來它們?cè)诘吞荚鲩L方面相對(duì)領(lǐng)先。變化三是2000年位于第IV區(qū)域的新疆和內(nèi)蒙古2020年落入了區(qū)域Ⅲ，和寧夏、山西、遼寧并列，這說明它們?cè)谶@二十年走的“低增長高排放”發(fā)展模式。觀察這幾個(gè)省的碳排放數(shù)據(jù)，發(fā)現(xiàn)它們的煤炭消費(fèi)量增長較快，尤其是內(nèi)蒙古人均經(jīng)濟(jì)增長緩慢，人均碳排放卻反超寧夏達(dá)全國第一，可見該省二十年來對(duì)煤炭開采拉動(dòng)經(jīng)濟(jì)增長路徑依賴非常嚴(yán)重，后續(xù)將面臨較大的減排壓力。

以上分析將各個(gè)省域二十年發(fā)展模式歸類的同時(shí)，也將作為后續(xù)實(shí)證研究樣本分組的依據(jù)?；诮?jīng)濟(jì)增長和碳減排維度將30個(gè)省域分為四組，比較契合本文的研究主題。

2模型構(gòu)建

Kuznets(1955)［35］提出的環(huán)境庫茲涅茨曲線（EKC）模型常被用于預(yù)測(cè)碳排放峰值。該模型主要考察經(jīng)濟(jì)增長和污染物排放之間的關(guān)系，認(rèn)為隨著經(jīng)濟(jì)的增長，污染物排放會(huì)經(jīng)歷一個(gè)先上升后下降的過程，呈現(xiàn)出“倒U型”?？紤]到兩因素之間的關(guān)系也存在直線型或者“N”型的可能，本文在應(yīng)用該模型之前先使用半?yún)⒒貧w法，嘗試將核心解釋變量人均真實(shí)GDP(RGDPPOP)等變量依次設(shè)定為非參數(shù)函數(shù)，并使用部分線性函數(shù)的半?yún)⒛Ｐ瓦M(jìn)行分組實(shí)證分析，觀察非參解釋變量和被解釋變量人均碳排放（CO2POP）的關(guān)聯(lián)圖形態(tài)。

比較多種非參設(shè)置下的半?yún)⒛Ｐ蛯?shí)證結(jié)果圖，我們發(fā)現(xiàn)只有將RGDPPOP設(shè)置為非參時(shí)，關(guān)聯(lián)圖接近于倒U型曲線（圖3）。限于篇幅，其它非參設(shè)置下所繪圖形不一一展示。圖3橫坐標(biāo)刻度值明顯小于縱坐標(biāo)，說明RGDPPOP對(duì)CO2POP的影響力比較大。相較其它非參設(shè)置，將RGDPPOP設(shè)置為非參，各樣本組半?yún)⒒貧w圖接近于拋物線形態(tài)，這預(yù)示了峰值出現(xiàn)的可能性，為本文選用對(duì)稱分布的EKC模型展開研究提供了依據(jù)。

在EKC模型的基礎(chǔ)上，本文還借鑒了影響力較大的IPAT[36-37]、STIRPAT[38]和ImPact模型[39-41]提及的環(huán)境影響因素，包括人口、財(cái)富和技術(shù)等，構(gòu)建實(shí)證模型如下：

其中碳強(qiáng)度(CI)是碳排放總量與真實(shí)GDP之比。CO2/POP的單位是噸二氧化碳當(dāng)量/人，RGDP/POP的單位是萬元/人，SI、PCTCOAL、PCTPET、PCTELC都是百分比。CI的單位是噸二氧化碳當(dāng)量/萬元。Dummy為虛擬變量，當(dāng)某個(gè)省域從某一年開始運(yùn)行碳排放交易市場(chǎng)，取值為1，暫未開展地方性碳交易的省域取值為0。我國先后成立了北京(2013)、天津(2013)、上海(2013)、湖北(2014)、廣東(2014)、重慶(2014)、四川(2016)、福建(2016)八個(gè)地方性碳交易市場(chǎng)，后續(xù)可以觀察虛擬變量的系數(shù)符號(hào)會(huì)否顯著為負(fù)，即地方碳交易能降低人均碳排放。表2是實(shí)證模型一覽表，對(duì)應(yīng)上述四個(gè)數(shù)學(xué)表達(dá)式。

本面板數(shù)據(jù)包括30個(gè)省域，21年，共630個(gè)觀測(cè)值。先對(duì)面板數(shù)據(jù)進(jìn)行協(xié)整檢驗(yàn)。相較于HT檢驗(yàn)、LLC檢驗(yàn)、Breitung檢驗(yàn)而言，IPS檢驗(yàn)允許每個(gè)樣本具有不同自回歸系數(shù)，這更貼近現(xiàn)實(shí)，且它既適用于本研究這種短面板且時(shí)期/截面數(shù)量固定的數(shù)據(jù)面板。依次對(duì)這四組面板數(shù)據(jù)做IPS單位根檢驗(yàn)(表3)，結(jié)果顯示大多數(shù)變量是平穩(wěn)的。

此外，即便是變量數(shù)據(jù)非協(xié)整，只要整體面板數(shù)據(jù)樣本量不算太小，回歸結(jié)果也可能可信。再者，當(dāng)一些宏觀數(shù)據(jù)出現(xiàn)過某些特殊斷層或拐點(diǎn)時(shí)也會(huì)導(dǎo)致單位根。本研究數(shù)據(jù)中部分省域的人口、GDP、產(chǎn)業(yè)結(jié)構(gòu)、碳排放等數(shù)據(jù)指標(biāo)出現(xiàn)過斷層現(xiàn)象，如果就此認(rèn)定數(shù)據(jù)非協(xié)整，可能犯實(shí)證分析的第一類錯(cuò)誤。

3實(shí)證結(jié)果分析

結(jié)合本研究的數(shù)據(jù)特點(diǎn)和研究目標(biāo)，我們需要對(duì)各種實(shí)證方法進(jìn)行比較。就常用的多元混合回歸、固定效應(yīng)和隨機(jī)效應(yīng)回歸三種方法而言，后兩種的回歸結(jié)果優(yōu)于第一種，固定效應(yīng)回歸中時(shí)間固定效應(yīng)不太顯著，地點(diǎn)固定效應(yīng)比較明顯。此外，考慮到樣本做了分組，為排除各樣本組之間組間異方差、組間同期相關(guān)以及組內(nèi)自相關(guān)問題，筆者先后做了針對(duì)組間異方差的Wald檢驗(yàn)、組間同期相關(guān)的BP-LM檢驗(yàn)［42］以及組內(nèi)自相關(guān)的Wald檢驗(yàn)［43］。結(jié)果發(fā)現(xiàn)不存在一階組內(nèi)自相關(guān)，但組間存在異方差且無法排除組間同期相關(guān)。于是，實(shí)證擬選用全面可行廣義最小二乘法（FGLS），此法能有效解決以上問題，大幅提升估計(jì)結(jié)果的可信度。下面基于四個(gè)模型依次展開分組回歸，結(jié)果見表4。

表中的模型1是基礎(chǔ)庫茲涅茨曲線模型，只包含人均RGDP及其平方項(xiàng)兩個(gè)解釋變量。觀察回歸系數(shù)符號(hào)，二次項(xiàng)為負(fù)，說明曲線開口朝下存在峰值，根據(jù)峰值橫坐標(biāo)的計(jì)算公式-β2/2β1，可以算出各樣本組的峰值對(duì)應(yīng)的人均RGDP。其中，第一梯隊(duì)的二次項(xiàng)系數(shù)顯著度只有一顆星，其它幾組都很顯著，各組峰值對(duì)應(yīng)的人均RGDP差異較大。模型2加入了代表產(chǎn)業(yè)結(jié)構(gòu)變量SI和能源消費(fèi)結(jié)構(gòu)變量PCTCOAL、PCTPET、PCTELC，結(jié)果表明除第一梯隊(duì)的二次項(xiàng)不顯著以外，總樣本和其它三組樣本的二次項(xiàng)系數(shù)都很顯著，能夠算出峰值對(duì)應(yīng)的人均RGDP。SI系數(shù)較小且顯著為正，說明第二產(chǎn)業(yè)占比提升會(huì)提高人均碳排放水平，但提升幅度不大。PCTCOAL和PCTPET的系數(shù)較大且顯著為正，說明化石能源消費(fèi)會(huì)顯著推高人均碳排放水平。PCTELC的系數(shù)多顯著為負(fù)，數(shù)值較小，說明非化石能源的比重越高有助于降低人均碳排放，但影響力很有限。模型3進(jìn)一步將反映碳減排技術(shù)的指標(biāo)CI納入模型。結(jié)果顯示，各樣本組的二次項(xiàng)顯著為負(fù)，存在峰值，其余變量的系數(shù)大多較為顯著，符號(hào)基本符合預(yù)期，產(chǎn)業(yè)結(jié)構(gòu)系數(shù)和能耗占比系數(shù)都與模型2較為接近，實(shí)證模型比較穩(wěn)健。CI系數(shù)顯著為正，說明碳減排技術(shù)越高(CI越低)則人均碳排放水平越低，符合預(yù)期。模型4繼續(xù)加入代表地方性碳交易政策的虛擬變量Dummy。結(jié)果顯示，各樣本組二次項(xiàng)系數(shù)都顯著為負(fù)，除了部分組別的PCTELC的系數(shù)不太顯著，其余解釋變量都比較顯著且符號(hào)符合預(yù)期。觀察五組樣本虛擬變量系數(shù)，發(fā)現(xiàn)該變量在總樣本和第三梯隊(duì)樣本顯著為負(fù)，可理解為實(shí)施碳交易政策的地區(qū)人均碳排放較低。第一和第二梯隊(duì)的虛擬變量系數(shù)雖然不顯著，可能和兩個(gè)樣本組的樣本量太小(分別只有兩個(gè)和五個(gè)省域)有關(guān)。第四梯隊(duì)省域因?yàn)闆]有設(shè)立碳交易市場(chǎng)，虛擬變量取值全部為零，回歸結(jié)果系數(shù)也就為零。

比較各模型回歸結(jié)果，單個(gè)樣本組在不同模型下計(jì)算的峰值比較接近，但單個(gè)模型下不同樣本組之間的峰值差異明顯。這說明不同樣本組省域出現(xiàn)人均碳排放峰值所對(duì)應(yīng)的人均RGDP水平排序是比較穩(wěn)健的。由北京和上海組成的第一梯隊(duì)峰值對(duì)應(yīng)的人均RGDP高于其余三組，遠(yuǎn)超第三和第四梯隊(duì)，這和各樣本組之間經(jīng)濟(jì)增長水平差異較大有關(guān)。由沿海五省組成的第二梯隊(duì)在人均RGDP達(dá)到91244元時(shí)達(dá)峰，該數(shù)值也顯著高于第三和第四梯隊(duì)，與這五省經(jīng)濟(jì)增長水平領(lǐng)先關(guān)系較大。

4對(duì)各省域人均碳排放峰值和碳中和壓力的預(yù)測(cè)

接著，對(duì)各省域歷史數(shù)據(jù)做技術(shù)推演得到預(yù)測(cè)數(shù)據(jù)，并應(yīng)用實(shí)證模型4，對(duì)各省域峰值對(duì)應(yīng)的人均RGDP進(jìn)行情景預(yù)測(cè)，探討各省域是否能按時(shí)達(dá)成雙碳目標(biāo)。

預(yù)測(cè)將使用的各項(xiàng)歷史統(tǒng)計(jì)數(shù)據(jù)（2000年至2020年）來源于《中國統(tǒng)計(jì)年鑒》、《中國能源統(tǒng)計(jì)年鑒》、ESP數(shù)據(jù)庫以及各省域統(tǒng)計(jì)年鑒。2021年至2040年的預(yù)測(cè)主要是對(duì)省域常住人口、真實(shí)GDP、碳能源消費(fèi)占比以及碳排放強(qiáng)度四個(gè)變量分別設(shè)置高低兩種情景進(jìn)行預(yù)測(cè)。其中，考慮到各省域常住人口趨勢(shì)近幾年受老齡化和出生率下降、地方政策性因素、經(jīng)濟(jì)增速以及就業(yè)機(jī)會(huì)的影響比較明顯［44-45］，歷史數(shù)據(jù)更新到了2022年，并基于前三年或者前五年的移動(dòng)平均數(shù)據(jù)進(jìn)行推演，設(shè)置高低情景；真實(shí)GDP的預(yù)測(cè)數(shù)據(jù)也做了類似處理，歷史數(shù)據(jù)擴(kuò)展至2022年，使用五年移動(dòng)平均法進(jìn)行推演，設(shè)置高低情景；煤炭能源消費(fèi)占比使用2016至2020年五年的平均數(shù)值變動(dòng)量作為后二十年預(yù)測(cè)基準(zhǔn)，設(shè)置高低情景；碳排放強(qiáng)度同上；各省域第二產(chǎn)業(yè)占比、非火力發(fā)電消費(fèi)占比的預(yù)測(cè)值同樣是基于2016至2020年的五年平均變動(dòng)數(shù)據(jù)，由于從上一部分實(shí)證模型的結(jié)果來看，二者對(duì)被解釋變量的影響很小，不設(shè)置高低情景。下文使用大寫字母H表示較高取值指標(biāo)情景，用Ｌ代表較低取值指標(biāo)情景，將常住人口、真實(shí)GDP、煤炭能源消費(fèi)占比以及碳排放強(qiáng)度四個(gè)變量的高低情景排列組合即得到16種模擬預(yù)測(cè)情景（以下代表情景的四個(gè)字母依次對(duì)應(yīng)四個(gè)變量）。

表5是基于實(shí)證模型４對(duì)全樣本省域進(jìn)行預(yù)測(cè)得到的結(jié)果。16種情境下的各項(xiàng)解釋變量系數(shù)都很顯著，且符號(hào)都符合預(yù)期，二次項(xiàng)的符號(hào)都顯著為負(fù)，說明存在峰值。觀察各情景下峰值對(duì)應(yīng)的人均RGDP計(jì)算結(jié)果，前四種情景(HHHH、HHHL、HHLH、HHLL)的峰值對(duì)應(yīng)的人均RGDP相對(duì)較高，后四種情景(LLHH、LLHL、LLLH、LLLL)最低，是因?yàn)榍八姆N情景設(shè)定了高人口增長和高經(jīng)濟(jì)增長，后四種情景設(shè)定的低人口增長和低經(jīng)濟(jì)增長，二者對(duì)峰值影響最為關(guān)鍵?若將中間的八種情景分成兩組對(duì)比其峰值結(jié)果，發(fā)現(xiàn)其中前四種(HLHH、HLHL、HLLH、HLLL)峰值對(duì)應(yīng)的人均RGDP數(shù)值全部低于后四種(LHHH、LHHL、LHLH、LHLL)，由于四個(gè)字母的第一個(gè)字母表示人口，第二個(gè)字母為真實(shí)經(jīng)濟(jì)增長水平，可以理解為人口因素對(duì)峰值的影響略小于經(jīng)濟(jì)增長因素。

下面將該情景設(shè)置的思路應(yīng)用于對(duì)單個(gè)省域峰值的預(yù)測(cè)。先采用ADF檢驗(yàn)[46]和DF-GLS檢驗(yàn)對(duì)單個(gè)省域的時(shí)間序列數(shù)據(jù)的進(jìn)行平穩(wěn)性檢驗(yàn)，各組數(shù)據(jù)均未能通過5%顯著性水平下的檢驗(yàn)，不能拒絕存在單位根的原假設(shè)，可判斷為非平穩(wěn)序列。取一階差分后再做ADF檢驗(yàn)，結(jié)果依然通不過。然而，單個(gè)序列非平穩(wěn)并不能排除模型各變量時(shí)間序列之間協(xié)整的可能［47］，接著再做各變量時(shí)間序列的協(xié)整檢驗(yàn)，發(fā)現(xiàn)存在協(xié)整關(guān)系。

接著應(yīng)用模型4對(duì)各省域設(shè)置模擬情景進(jìn)行預(yù)測(cè)的結(jié)果，為了簡化表達(dá)參考表5的分析結(jié)論，我們僅展示HHHH情景和LLLL情景下峰值對(duì)應(yīng)的人均RGDP水平(表6)，并回到各省域的數(shù)據(jù)表中去比對(duì)該人均RGDP對(duì)應(yīng)的年份，即可找到當(dāng)年的人均碳排放數(shù)值。分析表6各省域的達(dá)峰時(shí)間和峰值高低特征，我們可將所有省域分為兩類展開討論。

第一類包括隸屬于第一梯隊(duì)的上海，第二梯隊(duì)的福建，第三梯隊(duì)的河北、吉林、黑龍江、海南、甘肅、山東、江西、安徽以及第四梯隊(duì)的寧夏、新疆、山西和內(nèi)蒙古。這些省域的共同特征是在HHHH情景下二次項(xiàng)系數(shù)不顯著（無峰值）或雖顯著卻無法在2060年（不含）之前達(dá)峰，而在LLLL情境下二次項(xiàng)系數(shù)顯著（有峰值）且可以在2060年之前達(dá)峰。值得注意的是，其中個(gè)別省域在LLLL情景下雖能達(dá)峰但時(shí)間太晚，如寧夏和新疆將分別于2060和2055年才達(dá)到峰值；有的省域峰值相對(duì)過高，如內(nèi)蒙古的峰值高達(dá)97.37tCO2e/人，比照2060年實(shí)現(xiàn)碳中和的目標(biāo)，短時(shí)間內(nèi)將過高的峰值降為零難度很大，故以上兩種情況都非常不利于各省域雙碳目標(biāo)的實(shí)現(xiàn)。究其原因，寧夏、新疆、山西和內(nèi)蒙古這四個(gè)省份化石能源消費(fèi)占比基數(shù)較大，且近年來能源結(jié)構(gòu)的轉(zhuǎn)型力度相對(duì)其它省份不足。

第二類則包括第一梯隊(duì)的北京，第二梯隊(duì)的江蘇、浙江、廣東，第三梯隊(duì)的青海、廣西、云南、湖南、河南、四川、湖北、陜西和重慶以及第四梯隊(duì)的遼寧。這些省域在HHHH和LLLL情境下二次項(xiàng)系數(shù)都顯著為負(fù)且峰值都能在2060年之前實(shí)現(xiàn)。各省域HHHH情景峰值對(duì)應(yīng)的人均RGDP明顯高于LLLL情景，且HHHH情境對(duì)應(yīng)峰值也明顯高于LLLL情景，HHHH情境下達(dá)峰的時(shí)間明顯晚于LLLL情景，這些特征都與表5一致。雙碳目標(biāo)約束下，相較于第一類省域，第二類省域的減排壓力總體較小。值得注意的是，重慶和青海雖然能于2060年之前碳達(dá)峰，但達(dá)峰時(shí)間相對(duì)較晚，且峰值較高，2060年實(shí)現(xiàn)碳中和難度較大。

此外，貴州兩種情景下二次項(xiàng)系數(shù)都不顯著，無法預(yù)測(cè)其達(dá)峰時(shí)間和峰值大小。天津的ＲGDP數(shù)據(jù)在2019年經(jīng)歷了重大調(diào)整，其峰值預(yù)測(cè)結(jié)果可信度較低，故不討論。

下面將表6聯(lián)系圖1和圖2分析。表6中第四梯隊(duì)五省域離雙碳目標(biāo)差距大，壓力較大。寧夏、內(nèi)蒙古、山西和新疆只在LLLL情境下才有峰值或能于2060年之前達(dá)峰，但即便達(dá)峰又面臨著達(dá)峰時(shí)間太晚亦或是峰值過高的窘境，實(shí)現(xiàn)碳中和難度大。遼寧雖然在兩種情境下都能于2060年前達(dá)峰，但同樣面臨著達(dá)峰較晚且峰值較大的問題。通過數(shù)據(jù)觀察和分析，筆者認(rèn)為其關(guān)鍵原因是這幾個(gè)省份的能源結(jié)構(gòu)過于依賴煤炭，且在其它省域積極推能源結(jié)構(gòu)轉(zhuǎn)型時(shí)這五省的轉(zhuǎn)型力度和成效是很不夠的。圖2同屬II區(qū)的七省域中北京、廣東和浙江相對(duì)于其他省域達(dá)峰時(shí)間較早或峰值較低。究其原因，可將相鄰的浙江和江蘇、廣東和福建的經(jīng)濟(jì)增速和能源結(jié)構(gòu)轉(zhuǎn)型數(shù)據(jù)進(jìn)行結(jié)對(duì)比較，會(huì)發(fā)現(xiàn)浙江和廣東分別優(yōu)于江蘇和福建。相對(duì)于北京而言，同為第一梯隊(duì)的上海在HHHH情境下達(dá)峰時(shí)間將晚于2060年，LLLL情境下將于2031年達(dá)峰，該時(shí)間和LLLL情境下北京的達(dá)峰時(shí)間相同，但峰值為11.01tCO2e/人，顯著高于北京同期的3.6tCO2e/人。通過對(duì)比北京和上海兩地能源消費(fèi)結(jié)構(gòu)的變化趨勢(shì)可發(fā)現(xiàn)北京2013年以來能源消費(fèi)結(jié)構(gòu)轉(zhuǎn)型非常劇烈，煤炭消量占比從2013年的22.58%陡降至2020年的1.28%，同期上海僅從31.54%降至25.20%，因此同在經(jīng)濟(jì)增速較快的背景下，北京的減排速度明顯高于上海，這是圖1和圖2中兩地相對(duì)位置變化——北京逆襲上海的關(guān)鍵原因。河北省比鄰省河南煤炭能源占比的基數(shù)較大，且減速相對(duì)比較落后，于是河南省無論是達(dá)峰時(shí)間還是峰值大小的預(yù)測(cè)結(jié)果明顯優(yōu)于河北省。東三省的預(yù)測(cè)結(jié)果總體不佳，遼寧雖然能達(dá)峰，但峰值較高，吉林和黑龍江則不能在HHHH情境下早于2060年達(dá)峰。

5結(jié)論及政策建議

（1）當(dāng)把RGDPPOP設(shè)置為非參，各樣本的半?yún)⒒貧w結(jié)果都比較接近于拋物線的形態(tài)，這預(yù)示了人均碳排放峰值的客觀存在性，為本文選取的實(shí)證模型提供了支持。

（2）四個(gè)實(shí)證模型在經(jīng)典EKC模型的基礎(chǔ)上依次加入了產(chǎn)業(yè)結(jié)構(gòu)指標(biāo)、能源消費(fèi)結(jié)構(gòu)指標(biāo)、碳減排技術(shù)以及代表地方碳交易政策的虛擬變量，通過比較各模型的分組回歸結(jié)果可知，同一樣本在不同的實(shí)證模型下峰值比較接近，但單個(gè)模型下各組之間的峰值差異明顯。這意味著樣本組的省域峰值所對(duì)應(yīng)的人均RGDP水平差別很大?？傮w而言，實(shí)證模型結(jié)果比較符合預(yù)期且穩(wěn)健。

（3）基于模型4對(duì)全樣本在十六種模擬情境下的預(yù)測(cè)結(jié)果顯示，各解釋變量系數(shù)都很顯著，且符號(hào)與預(yù)期一致，尤其是二次項(xiàng)的符號(hào)都顯著為負(fù)，證實(shí)了峰值的存在，且通過比較各樣本組系數(shù)和峰值可知人口和經(jīng)濟(jì)增長對(duì)峰值的影響最為關(guān)鍵。

（4）基于模型4對(duì)各省域HHHH和LLLL兩種情景進(jìn)行峰值預(yù)測(cè)的結(jié)果顯示，30個(gè)省域呈現(xiàn)出兩類分化特征，第一類14省域在HHHH情景下沒有峰值或是峰值晚于2060年出現(xiàn)，在LLLL情景下則能于2060年前達(dá)峰；第二類14省域在兩種情景下都能在2060年之前達(dá)峰。將這兩類特征和圖2中結(jié)合起來分析，發(fā)現(xiàn)能源消費(fèi)結(jié)構(gòu)是導(dǎo)致區(qū)域間達(dá)峰時(shí)間和峰值大小差異的關(guān)鍵因素。

基于上述結(jié)論，我們基本明晰了各省域距雙碳目標(biāo)達(dá)成的地區(qū)差異情況，雙碳目標(biāo)約束下第四梯隊(duì)（寧夏、新疆、山西、內(nèi)蒙古和遼寧）壓力最大，這幾省能源消費(fèi)結(jié)構(gòu)基數(shù)高度依賴化石能源，且近年來低碳轉(zhuǎn)型相對(duì)其它省域步伐太小，后續(xù)須采取更強(qiáng)的措施優(yōu)化能源消費(fèi)結(jié)構(gòu)，提升碳減排技術(shù)。其中特別要注意山西、內(nèi)蒙古兩省作為北線火力發(fā)電主要輸出地、華北地區(qū)重要的西電東輸腹地，其能源消費(fèi)結(jié)構(gòu)的低碳轉(zhuǎn)型需要電力輸送上下游地區(qū)的共同努力，或須建立碳補(bǔ)償機(jī)制。第二梯隊(duì)的浙江、廣東以及第三梯隊(duì)的廣西、云南、河南、湖南、四川這七省域橫跨中國東部沿海發(fā)達(dá)區(qū)域、中部六省以及西部地區(qū)，雖自然稟賦和經(jīng)濟(jì)基礎(chǔ)差異較大，但它們?cè)诒疚脑O(shè)置的HHHH和LLLL兩種情景下都能較早達(dá)峰且峰值相對(duì)較小，面臨的雙碳目標(biāo)壓力相對(duì)較小，這主要得益于它們的能源消費(fèi)結(jié)構(gòu)基礎(chǔ)較好（如湖南、四川）或是近年來能源結(jié)構(gòu)轉(zhuǎn)型力度較大（如廣東、浙江），廣西和云南擁有豐富的水利和光伏資源，雖然期初（2000年）煤炭消費(fèi)占比高達(dá)近80%，但經(jīng)過近年來發(fā)電方式的持續(xù)轉(zhuǎn)型，煤炭消費(fèi)占比明顯下降，非火力發(fā)電占比逐年大幅提升，這應(yīng)該是兩省達(dá)峰預(yù)測(cè)結(jié)果相對(duì)較好的主要原因。這些省份的減排舉措非常值得參考和仿效。第一梯隊(duì)的北京和上海是中國經(jīng)濟(jì)最為發(fā)達(dá)的地區(qū)，從表6來看，北京在HHHH情景下的達(dá)峰時(shí)間較晚；在LLLL情景下，受政策因素影響數(shù)據(jù)統(tǒng)計(jì)口徑發(fā)生突變，上海峰值出現(xiàn)的時(shí)間遲于北京（HHHH情景）且峰值數(shù)值顯著偏高（LLLL情景），累及天津因數(shù)據(jù)斷層不便測(cè)算峰值，這提醒我們?cè)谥贫ㄌ紲p排政策時(shí)需要更好的兼顧公平和效率原則。

在本研究基礎(chǔ)上后續(xù)還可以從三個(gè)方面繼續(xù)深入研究：一是2021年成立的全國碳交易市場(chǎng)對(duì)各省域碳減排的影響將隨著時(shí)間的推移逐步體現(xiàn)出來，可以將該影響因素設(shè)置虛擬變量納入實(shí)證模型，提升模型精度；二是各省份出生率、老齡化和人口流動(dòng)的變化差異以及疫情后經(jīng)濟(jì)增長的差距可能會(huì)給區(qū)域雙碳進(jìn)程帶來深遠(yuǎn)的影響，后續(xù)研究將持續(xù)關(guān)注這些因素。三是研究省域之間的碳轉(zhuǎn)移問題，進(jìn)而探索區(qū)域間碳補(bǔ)償機(jī)制。