“双碳”目标下全国碳排放特征与预测研究

摘 要：近年来，全球气候变化引起广泛关注。为降低人类活动对气候的影响，世界各国纷纷制定相关减排目标。中国在2020年提出“双碳”目标，即到2030年前实现碳达峰，到2060年前实现碳中和。党的二十大报告也指出“积极稳妥推进碳达峰碳中和”。该文旨在基于我国碳排放核算数据库1970—2020年碳排放量、国内生产总值（GDP）、人口数量等数据，探究全国碳排放的时空特征，并采用LSTM模型对2030年的碳排放峰值进行预测。

关键词：“双碳”目标；LSTM模型；碳排放特征；减排；碳排放预测

中图分类号：X321 文献标志码：A 文章编号：2095-2945（2024）28-0026-05

Abstract： In recent years， global climate change has attracted widespread attention. In order to reduce the impact of human activities on the climate， countries around the world have formulated relevant emission reduction targets. China proposed "Double Carbon" goals in 2020， that is， to achieve carbon peak by 2030 and achieve carbon neutrality by 2060. The report of the 20th National Congress of the Communist Party of China also pointed out that "actively and steadily promote carbon peak and carbon neutrality." This paper aims to explore the spatio-temporal characteristics of national carbon emissions based on data such as carbon emissions， gross domestic product （GDP）， and population from 1970 to 2020 in China's carbon emissions accounting database， and uses the LSTM model to predict the peak carbon emissions in 2030.

Keywords： "Double Carbon" goals; LSTM model; carbon emission characteristics; emission reduction; carbon emission prediction

目前，全球面临着日益严峻的气候变化问题，《中共中央关于制定国民经济和社会发展第十四个五年规划和二○三五年远景目标的建议》提出，广泛形成绿色生产生活方式，碳排放达峰后稳中有降，生态环境根本好转，美丽中国建设目标基本实现。在第七十五届联合国大会一般性辩论中，第一次提出了“碳中和”的具体目标，二氧化碳排放力争于2030年前达到峰值，努力争取2060年前实现碳中和。在气候雄心峰会上，中国进一步宣布：到2030年，中国单位国内生产总值二氧化碳排放将比2005年下降65％以上，非化石能源占一次能源消费比重将达到25％左右，森林蓄积量将比2005年增加60亿立方米，风电、太阳能发电总装机容量将达到12亿千瓦以上。

2021年，“双碳”目标相继被写入政府工作报告和“十四五”规划，中国开启“双碳”元年。“双碳”目标充分体现了中国的国际责任和大国担当，同时与国内的发展战略、发展进程高度吻合。但究竟如何做才能达到“双碳”目标尚需各方共同努力。国内学者积极对此领域问题展开研究[1-2]，同时各行业也积极响应国家政策指定标准，如2022年4月8日我国公路货运车货匹配领域首个碳减排团体标准——《公路货运智能匹配系统的温室气体减排量评估技术规范》正式出台[3]。

1 我国碳排放时空特征分析

基于1970—2020年除港、澳、台之外30个省市自治区碳排放量数据对我国碳排放的时空特征进行分析。

1.1 我国碳排放时间特征分析

由国家统计局发布的数据（图1）可知，中国的碳排放总量从3 465.45百万t增长到11 680.42百万t，整体上呈现逐年递增态势。其中，1999—2013年增长速度较快，这与该期间消耗大量化石能源助力经济的快速增长密切相关，2013之后碳排放增长速度减缓，源于国家开始高度重视温室气体排放的持续增加对环境的危害，国家经济发展模式向可持续发展方向转型，人们对生活质量的要求也越来越高，全民环保意识不断增强，产业生态化，使得我国碳排放总量虽然仍在增加，但增速开始下降。

人均碳排放量是二氧化碳排放总量和总人口的比值，能够反映地区二氧化碳排放的实际增速，1990—2020年，我国人口总数变化幅度较小，使得我国人均碳排放量与碳排放总量变动趋势保持基本一致，2005年开始，中国碳排放强度一直处在不断走低的趋势，表明中国虽然在碳排放总量和人均碳排放量依旧维持较强的增长势头，并且中国人均碳排放量低于世界人均碳排放量（图2），但中国在经济发展上正逐步降低不合理、滥用化石能源的情况，也表明中国长期一直坚持发展低碳经济，落实节能减排的政策有效。

单位GDP碳排放量是随着技术进步和经济增长而下降，由图3可知，1990—2020年我国单位GDP碳排放量整体呈快速下降趋势，其中2002—2005年呈现增长态势，主要是中国加入WTO后经济高速增长，自2005年我国提出节能减排，注重经济发展与环境保护并行后，单位GDP碳排放量又呈下降态势，尤其是在2011年后，趋势更加显著，主要是与我国在《国民经济和社会发展第十二个五年规划纲要》中明确提出逐步建立碳排放交易市场、着力推动供给侧改革、淘汰落后产能和提高资源利用率等措施息息相关。

1.2 我国碳排放空间特征分析

1.2.1 碳排放量的地域特征分析

进一步研究碳排放的影响因素，根据30个省市自治区（除港、澳、台）及其对应48个行业的1997—2019年碳排放总量与排放强度量的数据，得出碳排放量排名位列前8的省份分别是：山东、河北、江苏、内蒙古、广东、山西、辽宁和河南。

山东、河南、河北都是人口大省，且都位于北方地区，产业结构以重工业为主，能源结构以化石燃料为主，城镇化水平不断提高，城市的高碳生活消费需求进一步提高碳排放量；江苏、广东经济发达，科技型产业密集，交通运输业发达，能源消耗量大，人均GDP高，且人口基数也较为庞大；内蒙古经济社会尚处于工业化、城镇化的快速发展阶段，城镇化水平偏低，高能耗、高碳化发展路径依然明显，气候长年寒冷，消耗大量化石燃料；山西、辽宁能源结构矿产资源丰富，能源消费结构以煤炭石油为主，其单位碳排放量大。

1.2.2 碳排放量的行业特征分析

根据1997—2019年排名前8省份碳排放量的数据，基于Python语言处理得到省份及自治区48个行业的碳排放特征热力图，得到影响碳排放量的主要因素有非金属矿物产品，黑色金属的冶炼和压制，电力、蒸汽、热水的生产和供应，交通运输、仓储、邮电通信服务业，结果见表1。

2 我国碳排放量预测

2.1 LSTM模型原理

LSTM是一种特殊的循环神经网络（RNN），专门设计用于解决传统RNN中的长期依赖问题。它在序列数据处理中表现出色，被广泛应用于语言建模、时间序列预测、自然语言处理等领域。LSTM的核心是其复杂的内部结构，包括3个关键的门：遗忘门、输入门、输出门。这些门的作用是控制信息的流动，从而有效地捕捉序列中的长期依赖关系。

遗忘门为

ft=σ（Wf×[ht-1]，xt+bf），

式中：ft为遗忘门的输出；Wf为权重矩阵；ht-1为上一个时间步的隐藏状态；xt为当前时间步的输入；σ为Sigmoid激活函数。

输入门为

it=σ（Wi×[ht-1]+bi），

i=tanh（Wc×[ht-1]+bc），

式中：it为输入门的输出；i为当前时间步的细胞状态的候选值；Wi、Wc为权重矩阵；ht-1为上一个时间步的隐藏状态；σ为Sigmoid激活函数；tanh为双曲正切激活函数。

细胞更新状态为

ct=ft×ct-1+it×i ，

式中：ct为当前时间步的细胞状态；ft为遗忘门的输出；ct-1为上一个时间步的细胞状态；it为输入门的输出；■i为当前时间步的细胞状态的候选值。

输出门为

ot=σ（Wo×[ht-1，xt]+bo），

ht=ot×tanh（ct），

式中：ot为输出门的输出；ht为当前时间步的隐藏状态；Wo为权重矩阵；ht-1为上一个时间步的隐藏状态；xt为当前时间步的输入；ct为当前时间步的细胞状态；σ为Sigmoid激活函数；tanh为双曲正切激活函数。

上述公式描述了LSTM的内部运算过程，使其能够有效地处理长序列信息并减轻梯度消失问题。

2.2 数据处理和建立模型

在“双碳”目标下，对我国碳排放量预测有着至关重要的作用。通过深度学习LSTM模型，可以更好地理解数据的复杂关系，从而提高预测的准确性，窗口大小将时间序列数据划分成多个样本，每个样本包含了过去一段时间的数据作为输入特征，以及对应时间步的数据作为目标值，这样的数据划分有助于训练模型学习时间序列的模式和趋势。首先对数据进行预处理，包括计算差异、删除缺失值及将数据转换为一维数组，创建了一个LSTM模型，并添加一个密集层以输出预测结果，训练完成后，使用最后一个数据作为输入来预测国民总收入的占比均值，占比均值最大值和占比均值最小值，再根据碳排放量预测国民总收入的占比变化，得到碳排放量均值、最大值、最小值，从而预测碳排均值，同时得到碳排放量的上下界，结果如图4和表2所示。

3 总结

针对我国碳“双碳”目标碳排放量的研究难题，本文根据国家统计局（ｈｔｔｐ：／／ｗｗｗ．ｓｔａｔｓ．ｇｏｖ．ｃｎ／）发布的数据，从碳排放总量分布和人均碳排放、单位GDP碳排放得出我国碳排放整体呈增长模式，但增速下降，是国家政策导向作用的体现；再对碳排放量较高地区的各行业进行分析，得到碳排放量的主要影响因素为非金属矿物产品，黑色金属的冶炼和压制，电力、蒸汽、热水的生产和供应，交通运输、仓储、邮电通信服务；最后利用LSTM模型，通过碳排放量对国民总收入的占比变化构建模型，预估2023—2030年我国的碳排放量呈现下降的趋势，总量呈现上升趋势，预计在2030年达到峰值，2030年碳排放量的预测范围在3 065.571 248～14 435.709 27百万t。

4 建议

调整能源消费结构，减少化石燃料的使用，鼓励开发使用清洁能源，推动能源转型，促进可再生能源的发展。

加快对产业结构和各类产品的优化，特别是对工业、制造业及新技术产业进行结构和产品优化，尽可能避免依赖高耗能、高污染、高排放产业的发展，提高能源使用效率，将节能减排落到实处。

加大宣传力度，使低碳生活的理念深入人心，鼓励全民积极践行低碳环保生活，降低人均碳排放量。

构建绿色低碳交通体系。调整运输结构，减少大宗货物公路运输量，增加铁路和水路运输量。以“绿色货运配送示范城市”建设为契机，加快建立“集约、高效、绿色、智能”的城市货运配送服务体系。

利用好政策的导向性作用，加快全国碳排放权交易市场的建设，建立长效机制，优化配额分配方法，开展相关计量技术的研究，建立健全测试服务计量体系。

参考文献：

[1] 刘淳森，曲建升，葛钰洁，等.基于LSTM模型的中国交通运输业碳排放预测[J].中国环境科学，2023，43（5）：2574-2582.

[2] 肇晓楠，谢新连，赵瑞嘉.基于滑动窗口动态输入LSTM网络的铁路运输系统碳排放量预测方法[J].交通信息与安全，２０２３，４１（１）：１６９－１７８．

[3] 中国表观碳排放清单[EB/OL].https：//www.ceads.net.cn/data/province/by_apparent_accounting/.