區域雙碳目標與預測研究

劉東格,孟繁華,馮 瑞,衣麗葵

(沈陽工程學院電力學院,遼寧 沈陽 110136)

0 引言

隨著全球變暖和溫室氣體排放的增加,各國紛紛意識到減少碳排放的重要性,并開始制定碳減排目標。區域雙碳目標是指在國家或地區范圍內制定的碳減排目標,旨在應對氣候變化和實現可持續發展[1]。

許多國家和國際組織已開始研究區域雙碳目標與路徑規劃[2]、氣候科學、能源經濟學、環境科學等多個領域[3],主要集中在制定雙碳目標的原則、碳減排政策等理論,并未給出系統的評估方法[4]。本文在區域雙碳目標與路徑規劃研究基礎上,進一步探討德爾菲法[5]、差異性分析法[6-7]和多元線性回歸模型[8]在此領域的應用。研究范圍包括指標體系的確立、與碳減排目標相關的因素分析、路徑規劃的決策支持和政策評估等[9]。

為了選取合適的理論和技術方案,參考相關研究成果和理論框架,并結合具體的研究對象和目標進行選取。德爾菲法作為一種專家咨詢方法,可用于獲取專家意見和建立共識;差異性分析法可幫助比較不同方案的優缺點;多元線性回歸模型可提供經驗分析和預測能力[10]。這些方法的選取基于在區域雙碳目標與路徑規劃研究中的適用性和有效性。通過對多種分析方法的運用,為決策者提供科學、準確的數據和方法支持,以制定可行的路徑規劃方案。

1 評估指標體系的構建

1.1 篩選方法

通過文獻研究,結合建立社會穩定風險評價的特殊性和繁雜性,本文主要運用專家問卷法進行風險評價的指標體系構建,對該方法的應用原理和適用性進行說明。德爾菲法是指調查人員按照規定的流程對專家發放調查問卷,在專家對調查人員提出的問題回答完畢后,統一對數據歸納整理,并再次向專家征詢意見,進一步整理數據,最終產生結果。這種方法可有效減少主觀因素造成的影響[5]。

德爾菲法選取指標的主要步驟如圖1所示。

圖1 德爾菲法流程

1.2 指標體系確定

根據三輪征詢,并不斷修訂與完善,最終確定人口、生產總值、能源消費量、產業能耗結構、能耗品種結構、碳排放量、能源消費部門碳排放因子、外地調入電力碳排放因子為區域碳排放量及經濟、人口、能源消費量評價指標體系。

2 區域碳排放量分析及其影響因素

2.1 碳排放量狀況

對某區域數據進行匯總,得出2011年—2020年期間的碳排放量狀況,如圖2所示。

圖2 某區域碳排放量狀況

在十二五期間(2011年—2015年),總體上碳排放量呈增長趨勢。在十三五期間(2016年—2020年),碳排放量繼續增長,但在2020年稍有下降;第三產業和居民生活的碳排放量在10年中呈上升趨勢。

2.2 碳排放總量對比

計算2011年—2015年和2016年—2020年2個時期的總碳排放量,如圖3所示。

圖3 十二五與十三五碳排放總量對比

由圖3可知,在十三五期間的碳排放總量比十二五期間增加約26 835.92萬tCO2,說明在這2個五年計劃期間,碳排放總量仍在增加。

3 差異性分析

差異性分析是一種用于比較不同組別之間差異的統計方法,主要目的是確定組與組之間的差異是否顯著,進而推斷這些差異是否由隨機因素引起。常用于比較2個或多個組的均值、比例或其他統計指標。在差異性分析中,常用方法包括方差分析(ANOVA)、T檢驗、卡方檢驗、回歸分析等。這些方法可以幫助研究者評估組別間的差異是否顯著,并提供統計支持[11-18]。

差異性分析步驟如圖4所示。

圖4 差異性分析流程

3.1 正態性檢驗

根據上述數據可得其正態性檢驗結果如表1所示。

表1 正態性檢驗 單位:萬tCO2

結果分析均采用S-W檢驗:

a.碳排放量總量的顯著性P值為0.495,水平上不呈現顯著性,不能拒絕原假設,因此數據滿足正態分布;

b.第一產業-農林消費部門,顯著性P值為0.123,水平上不呈現顯著性,不能拒絕原假設,因此數據滿足正態分布;

c.第二產業-工業消費部門,顯著性P值為0.481,水平上不呈現顯著性,不能拒絕原假設,因此數據滿足正態分布;

d.第三產業-總量,顯著性P值為0.557,水平上不呈現顯著性,不能拒絕原假設,因此數據滿足正態分布;

e.居民生活-居民生活消費,顯著性P值為0.367,水平上不呈現顯著性,不能拒絕原假設,因此數據滿足正態分布。

利用觀測數據判斷總體是否服從正態分布的檢驗稱為正態性檢驗,是統計判決中重要又特殊的擬合優度假設檢驗。

根據數據正態性檢驗的結果,若正態圖基本呈現鐘形(中間高,兩端低),說明數據雖然不是絕對正態,但基本為正態分布。碳排放量-總量、第一產業-農林消費部門、第二產業-工業消費部門、第三產業-總量、居民生活-居民生活消費的正態性檢驗結果如圖5所示。

(a)碳排放量-總量

img id="7f6f3cdee3edfc07a7969a5a22468134" class="picture_figure" src="images/71201ed80d5d37c3018a2d0a5bbe0c98.jpg" width="213" height="102" title="width=213,height=102,dpi=110" />

(e)居民生活-居民生活消費

圖5 正太性檢驗結果

Q-Q圖的全稱是“Quantile-Quantile Plot”,在 MATLAB中,使用qqplot函數生成Q-Q圖,通過直觀觀察Q-Q圖的形狀來評估數據是否符合正態分布。在Q-Q圖中,如果圖中的點大致沿著一條直線分布,且曲線形狀近似于鐘形,那么數據更可能近似正態分布。

3.2 方差齊性檢驗

根據上述數據可得其正態性檢驗結果,如表2所示。

表2 方差齊性檢驗 單位:萬tCO2

方差齊性檢驗的結果顯示:對于碳排放量-第二產業-工業消費部門,顯著性P值為0.219;對于碳排放量-第三產業-總量,顯著性P值為0.255;對于碳排放量-居民生活-居民生活消費,顯著性P值為0.378,水平上均不呈現顯著性,均不能拒絕原假設,因此數據均滿足方差齊性。

3.3 獨立樣本T檢驗分析結果

根據上述結論及其數據可得其獨立樣本T檢驗分析結果,如表3所示。

表2和表3中,“***”、“**”、“*”分別代表1%、5%、10%的顯著性水平;0.20,0.50和0.80分別對應小、中、大臨界點。

根據表3可知,十二五、十三五在碳排放量-碳排放量-總量的均值分別為66 074.683/71 441.868;由于滿足方差齊性,采用獨立樣本T檢驗,顯著性結果P值為0.001***,因此統計結果顯著,說明十二五、十三五在碳排放量-碳排放量-總量存在顯著差異;其差異幅度Cohen’sd值為3.185,差異幅度非常大。

表3 獨立樣本T檢驗分析 單位:萬tCO2

十二五、十三五在碳排放量-第一產業-農林消費部門的均值分別為1077.459/1253.737;由于不滿足方差齊性,采用Welch’s T檢驗,顯著性結果P值為0.005***,統計結果顯著,說明十二五和十三五在碳排放量-第一產業-農林消費部門存在顯著差異;其差異幅度Cohen’sd值為2.895,差異幅度非常大。

十二五、十三五在碳排放量-第二產業-工業消費部門上的均值分別為52 308.601/53 010.888;由于滿足方差齊性,采用獨立樣本T檢驗,顯著性結果P值為0.309,因此統計結果不顯著,說明十二五和十三五在碳排放量-第二產業-工業消費部門不存在顯著差異;其差異幅度Cohen’sd值為0.688,差異幅度中等。

十二五、十三五在碳排放量-第三產業-總量的均值分別為7502.882/10 160.826;由于滿足方差齊性,采用獨立樣本T檢驗,顯著性結果P值為0.001***,因此統計結果顯著,說明十二五和十三五在碳排放量-第三產業-總量存在顯著差異;其差異幅度Cohen’sd值為3.177,差異幅度非常大。

十二五、十三五在碳排放量-居民生活-居民生活消費的均值分別為5185.741/7016.417;由于滿足方差齊性,采用獨立樣本T檢驗,顯著性結果P值為0.001***,因此統計結果顯著,說明十二五和十三五在碳排放量-居民生活-居民生活消費存在顯著差異;其差異幅度Cohen’sd值為3.523,差異幅度非常大。

4 區域碳排放量及其關聯模型

4.1 相關指標變化

同比是今年某個階段與去年相同時段相比,適用于觀察某個指標在不同年度的變化;環比是某個階段與其上一個時長相等的階段作比較。其計算方法為

環比增長率=(本期數-上期數)/上期數×100%

(1)

同比增長率=(本期數-同期數)/同期數×100%

(2)

通過同比和環比分析,可了解數據的增長趨勢。同比可知年度趨勢,而環比則有助于觀察季度或月度內的波動。這2種方法都有助于制定經營策略和預測未來趨勢。

根據已知數據可得同比和環比對比圖,如圖6、圖7所示。

圖6 同比增長對比

由圖6、圖7可知,在2010年—2020年期間,中國人口同比增長約7.72%;GDP同比增長約114.17%;能源消耗量同比增長約33.57%;碳排放量同比增長約28.87%;然而在2019年—2020年,能源消耗量和碳排放量均出現下降,分別下降約2.45%和1.97%,可能與能源效率的改善和環保政策的實施有關。

圖7 環比增長對比

4.2 多元線性回歸模型

多元線性回歸模型是一種用于建立和分析多個自變量與一個因變量之間關系的統計模型,是線性回歸分析的擴展,可以同時考慮多個自變量對因變量的影響。

在多元線性回歸模型中,假設因變量與自變量之間存在線性關系。模型的目標是通過最小化觀測值與模型預測值之間的差異來估計自變量系數,并建立一個能夠解釋因變量變異的模型[8]。

根據上述數據,可建立人口、生產總值、能源消費量、產業能耗結構、能耗品種結構、碳排放量、能源消費部門碳排放因子、外地調入電力碳排放因子和碳排放量之間的關聯關系模型。其關系可用多元線性回歸模型來表示,其中人口、生產總值、能源消費量、產業能耗結構、能耗品種結構、碳排放量、能源消費部門碳排放因子、外地調入電力碳排放因子作為自變量,分別表示為X1～X8,碳排放量作為因變量。本文的時間跨度為2010年—2020年。

碳排放量=α+β1X1+β2X2+…+β8X8+ε

(3)

式中:α為截距項,表示當所有自變量為零時的碳排放量;β1-β8為回歸系數,表示各自自變量對碳排放量的影響;ε為去除自變量X1-X8對因變量碳排放量產生的隨機誤差。

模型的核心假設自變量與某區域碳排放量之間的關系可用線性方程來表示,說明自變量的變化可反應某區域碳排放量的變化。

根據已知數據結合MATLAB進行多元線性回歸分析模型處理可得表4。

表4 多元線性分析參數

通過分析這些模型參數,可以了解因變量隨著每個自變量的演變趨勢。表4中SE(standard error)為標準誤差;tStart(t-statistic)為用于檢驗一個參數估計值與零假設之間的差異是否顯著的統計量,無論tStart 統計量的值是正還是負,其絕對值越大,表示對應的回歸系數的顯著性越高。以人口(X1)為例,估計系數為 6.7772,X1的tStart為正,P值為0.846 73(如果P值小于顯著性水平0.05,則估計系數被認為是顯著的),說明人口對碳排放量的估計系數不顯著。即在這個模型下,人口對碳排放量的影響不顯著。

4.3 碳排放預測模型

結合上述數據運用MATLAB對未來10年的碳排放量進行預測,觀測次數為11次,誤差自由度為2,均方根誤差為809,R2=0.999,調整后的R2=0.993,F統計量與常數模型為179,P=0.005 58,預測結果如圖8所示。

圖8 未來10年碳排放量預測

預測結果可知R2接近1,F統計量和P值表明模型的整體性能非常好,說明模型可以很好地用于預測數據。

5 結論

本文討論了指標體系的評估問題,利用歷史的樣本數據,建立差異性分析及多元線性回歸分析模型,對回歸系數進行預測,驗證了模型擬合、預測結果的可行性和有效性。本文所提方法還有很大的理論探討空間,制定雙碳路徑規劃需考慮差異化。

a.產業結構調整。重點減少工業部門的碳排放,鼓勵高效低碳生產方式,推動產業升級和轉型。

b.能源轉型。大力發展可再生能源,減少對化石燃料的依賴,提高能源效率,同時推動電動交通等低碳交通方式。

c.碳定價機制。引入碳定價機制,通過碳市場激勵企業減少碳排放,鼓勵碳交易和碳匯市場發展。

d.居民生活。通過教育和政策措施,鼓勵居民采用更環保的生活方式,包括節能碳減排、綠色出行和垃圾分類等。

雙碳路徑規劃應該綜合性考慮,需要在政府、企業和居民之間形成共識,確保可持續發展的同時減少碳排放。