中国碳达峰路径的Meta回归分析

赵明轩， 吕连宏*， 王 深， 白梓函， 张 楠， 罗 宏， 付加锋

1.中国环境科学研究院环境管理研究中心， 北京 100012 2.中国环境科学研究院，环境基准与风险评估国家重点实验室， 北京 100012

减少CO2排放是应对气候变化的重要抓手. 中国实施积极应对气候变化国家战略，提高国家自主贡献力度，提出2030年前碳达峰、2060年前碳中和的目标. 开展碳达峰路径研究，对中国合理制定2030年碳达峰目标和措施具有重大现实意义. 对中国碳达峰路径的研究主要分为产业、区域2个层面. 产业研究结果表明，不同行业碳达峰难度不同，达峰时间在2026—2045年间. 第二产业尤其工业是CO2排放的主要来源，虽然产业发展模式逐渐转变导致CO2排放增速变缓[1]，但未来依旧呈上涨态势，提升工业能源研发强度和能源效率是有效降低CO2排放的重要手段，预测在2030年实现碳达峰[2-4]. 电力是控制CO2排放的关键工业行业，通过科学控制火电规模、提高可再生能源发电和技术节能等路径，中国电力行业有望于2030年前碳达峰[5]. 相较于工业，建筑业碳达峰难度更大[6]，控制城镇化发展质量是实现碳达峰的重要路径，中国建筑业将于2037年碳达峰[7]. 第三产业中，交通行业碳排放占比较高、增速较快，是仅次于工业的能源密集型行业，可通过提升机动车能源效率、增加燃油税和碳税、提高电动汽车使用量等路径，于2040—2045年碳达峰[8]. 农业易受气候变化影响[9]，通过碳库兹涅茨曲线预测中国农业将于2026年碳达峰[10].

区域研究层面包括城市和全国. 典型城市碳达峰路径研究对其余城市甚至全国均具有参考价值，已有研究[11]选取6个超大城市(北京市、上海市、广州市、深圳市、天津市、重庆市)，综合考虑人口规模、能源强度、能源结构、技术进步等路径，发现不同路径下碳达峰峰值及时间略有差异，在高能源强度下降率情景中，6个超大城市均将于2030年前碳达峰. 基于BP模型测算，通过优化人口规模、降低煤炭消费占比、提高第三产业GDP增速等路径，预计试点低碳城市——保定市于2024年碳达峰，峰值为59.74 Mt CO2[12]. 全国研究路径与城市相似，碳达峰路径主要包含能源结构、技术进步、经济增速等. 通过能源结构调整，运用简单分解模型和不同路径下情景分析，预测低碳情景下中国将于2025年碳达峰，峰值约10.37 Gt CO2[13]. 虽然控制能源系统碳强度与非化石能源占比对碳达峰至关重要[14]，但能源效率和技术进步对碳达峰更有效[15]. 在区域研究中，碳达峰路径设定差异导致模型预测结果各异，因而选取路径偏差会影响碳达峰峰值及时间[16-17].

总体上看，中国碳达峰路径、峰值及时间是近年来的研究热点[10,18-26]，但鉴于数据选取、研究范围、模型构建以及经济增速、能源结构、能源效率等路径的设定差异，导致峰值和时间预测结果有所不同. 中国在制定2030年前碳达峰行动方案中，哪些因素对碳达峰过程影响较大？不同路径对碳达峰峰值及时间是何影响程度？哪些碳达峰路径更应被政府重视？基于上述问题，该研究采用Meta回归分析，就影响中国峰值与时间的重要路径进行定量分析，探析碳达峰路径影响差异，以期为中国制定2030年前碳达峰行动方案、选择碳达峰路径、开展相关后续研究提供支撑.

1 研究方法与数据

1.1 Meta回归分析方法

Meta回归分析(Meta regression analysis, MRA)由Meta分析(Meta analysis)发展而来. Meta分析起初用于研究心理学、医学等领域试验结果不一致的问题[27]，Meta回归分析提出后开始应用于经济学领域[28]，作为一种以回归模型为基础的数量型文献分析方法，能够辨析影响研究结果不一致性的因素，以及因素对结果不一致性的影响程度[29].

Meta回归分析模型建立如式(1)所示：

(1)

式中：Y为效应值；β0为截距项系数；βi为自变量系数；Xi为自变量，主要包括样本特征、样本变量和发表特征；ε为残差项；i为研究特征变量类别；k为自变量个数.

1.2 数据来源

以“碳达峰+中国+2030”“碳排放+中国+2030”“CO2排放+中国+2030”为关键词，在中国知网(CNKI)数据库进行检索，以“peak carbon emissions+China+2030”“peak CO2emissions+China+2030”“CO2emissions+China+2030”为关键词，在Elsevier、Web of Science、Google scholar数据库上检索. 对收集到的文献按如下标准筛选：①剔除综述，仅保留定量研究文献. ②剔除以省(自治区、直辖市)为研究对象的文献，仅保留以全国为研究对象的文献. ③剔除单一行业研究，仅保留全行业研究的文献. ④剔除结果为不可碳达峰的文献，仅保留结果为可碳达峰的文献. ⑤剔除研究数据阐述不详细的文献，仅保留情景设定及情景结果表述清晰的文献. ⑥研究方法、结果相似，视为同一篇文献. ⑦为保证文献结果的准确性，降低因文献选择偏误对研究结果的影响，剔除学位论文，保留中文期刊为中文核心期刊或CSSCI来源期刊，英文期刊为中国科学院JCR二区及以上期刊.

经过严格筛选，最终得到18篇文献，其中中文5篇、英文13篇，整理出36组样本数据进行分析，结果如表1所示.

表1 筛选获取的文献与样本数据列表

1.3 数据处理

1.3.1效应值选取

Stanley等[43]指出，经济学领域效应值的选取应能衡量变量变动关系，包含一定经济意义，如选取弹性、相关系数等为效应值. 该研究情况有所不同：首先由于研究样本在峰值处边际弹性为零，且样本文献大多未使用计量模型进行回归分析，无法提取相应统计量，不能按常规做法对碳达峰峰值进行编码；其次，以往文献预测碳达峰时间基于模型峰值，不存在回归统计关系. 该研究选取碳达峰峰值(peakCO2)、时间(time)作为效应值，且所有样本文献CO2排放数据均基于能源消耗.

1.3.2自变量编码

根据彭俞超等[29]研究，将自变量分为样本特征、样本变量两类. 样本特征包括发表时间(PT)、文献类型(PTY)、影响因子(IF). 样本特征编码规则如下：根据文献样本特征，发表时间主要在2015年及以后，故将2015年设定为0；文献类型设定为虚变量，中文设定为0，英文设定为1；影响因子为文献来源期刊2020年的影响因子.

影响碳达峰的主要因素有经济增长、能源消耗、能源结构、人口规模等[44-45]，该研究根据文献数据结果选取样本变量，包括碳达峰时煤炭占比分类变量(yblcoal)、碳达峰时煤炭占比(peakcoal)、碳达峰时非化石能源占比(pnf)、2030年非化石能源占比(nf)、非化石能源占比年均增长率(nonfossil)、碳排放强度年均下降率(CEI)、碳达峰时碳排放强度下降率(peakCEI)、2030年碳排放强度目标(yblCEIG)、经济年均增长率(GDP)、经济增速分类变量(GDPY)等. 根据样本数据特征，将碳达峰时煤炭占比分类变量(yblcoal)按以下标准分类：煤炭占比小于40%(不含40%)时，设定为0；煤炭占比为40%～49.99%时，设定为1；煤炭占比为50%～59.99%时，设定为2；煤炭占比大于60%(含60%)时，设定为3. 碳达峰时煤炭占比(peakcoal)、碳达峰时非化石能源占比(pnf)、2030年非化石能源占比(nf)数据选自样本结果. 非化石能源占比年均增长率是测算到碳达峰时的年均变化率. 碳排放强度年均下降率是以2005年为基期，测算到碳达峰时的年均变化率. 碳达峰时碳排放强度下降率(peakCEI)是以2005年为基期，测算到碳达峰时的碳排放强度下降率. 2030年碳排放强度目标(yblCEIG)：将实现了碳排放强度下降65%(含65%)以上设定为1；将未实现碳排放强度下降目标设定为0. 经济年均增速(GDP)是测算到碳达峰时的年均变化率. 经济增速分类变量(GDPY)：根据样本数据特征，将年均增速在3%(不含3%)以下设定为0；将年均增速在3%～3.99%之间设定为1；将年均增速在4%～4.99%之间设定为2；将年均增速在5%～5.99%之间设定为3；将年均增速在6%(含6%)以上设定为4. 样本变量所有数据均选自样本文献.

效应值和自变量描述性统计见表2.

表2 变量描述性统计结果

2 数据检验与分析

2.1 异质性检验

由于样本文献存在多情景预测，可能会产生样本数据的非独立性，为保证研究假设的有效性，首先对样本数据进行异质性检验[46]. 选取统计量Q检验法，若异质性较小，采用固定效应模型回归分析；若异质性较大，采用随机效应模型对效应值修正，使结果偏向于无偏估计[47].

异质性检验结果如表3所示. 由表3可见，Q检验的P值均大于0.05，且I2均为0.00，表明样本数据不存在显著异质性，因此采用固定效应模型进行回归. 最小二乘法(OLS)较为常用，但未考虑样本量对效应值的影响. 该研究采用Nelson[48]的方法，将样本量平方根倒数作为自变量权重，对Meta回归模型使用加权最小二乘法(WLS)，以修正数据非独立性.

表3 样本数据异质性检验结果

2.2 MRA估计结果

以36组样本数据中碳达峰峰值(peakCO2)和时间(time)为因变量，分别检验样本特征、样本变量对因变量的影响，模型构建如下：

(2)

(3)

式中：Y1为CO2排放峰值，108t；Y2为碳达峰时间.

MRA模型估计结果如表4所示.

表4 MRA模型估计结果

2.3 MRA结果分析

2.3.1碳达峰峰值分析

a) 样本特征. 文献发表时间对CO2排放峰值具有显著性，其每增加1个单位，CO2峰值提高0.67个单位，可能由于能源统计数据公布较晚，且2013—2016年CO2排放总量有所下降，导致早期文献对峰值计算偏低. 文献类型对CO2排放峰值具有显著性，其每增加1个单位，峰值增加9.42个单位；影响因子对CO2排放峰值具有显著性，其每增加1个单位，峰值降低1.92个单位，可能由于英文文献发表较晚，对未来峰值预测较高，且影响因子较高期刊对情景设定合理性的要求较高，路径设定相对保守，峰值预测水平较低；从模型构建来看，也可能由于英文样本文献主要采用自顶向下的能源模型，而中文样本文献主要采用混合能源模型，对能源系统拟合、模拟仿真结果或更贴合现实特征.

b) 煤炭占比. 碳达峰时煤炭占比分类变量对CO2排放峰值具有显著性，其每增加1个单位，CO2峰值提高9.17个单位；碳达峰时煤炭占比对CO2排放峰值具有显著性，其每增加1个单位，峰值提高1.19个单位.

c) 非化石能源占比. 碳达峰时非化石能源占比对CO2排放峰值具有显著性，其每增加1个单位，峰值降低1.27个单位；2030年非化石能源占比对CO2排放峰值具有显著性，其每增加1个单位，峰值降低1.68个单位；非化石能源占比年均增长率对CO2排放峰值具有显著性，其每增加1个单位，峰值降低5.02个单位. 从能源结构看，应提高非化石能源发展速度，扩大非化石能源消费规模，同时控制煤炭总量及煤炭占比，降低碳达峰峰值.

d) 碳排放强度. 碳排放强度年均下降率对CO2排放峰值具有显著性，其每增加1个单位，峰值降低1.38个单位；碳达峰时碳排放强度下降率对CO2排放峰值不具有显著性；2030年碳排放强度目标对CO2排放峰值具有显著性，其每增加1个单位，峰值降低5.88个单位.

e) 经济增速. 经济年均增长率对CO2排放峰值具有显著性，其每增加1个单位，峰值降低4.33个单位，但经济增速不宜过快，经济增速分类变量结果显示，其对CO2排放峰值具有显著性，且每增加1个单位，峰值提高4.86个单位；当能源结构调整过慢，可能会增加高碳能源消费，扩大高耗能产业规模，提高碳排放峰值，因而应重视经济发展质量，不应盲目追求经济增速.

2.3.2碳达峰时间分析

a) 样本特征. 文献发表时间对碳达峰时间具有显著性，其每增加1个单位，达峰时间缩短0.32个单位，可能由于文献发表时间越晚，对未来经济发展水平、能源消费结构、人口规模等预测更合理，达峰时间预测提前；也可能由于能源统计体系和温室气体清单不断完善，使得基于历史数据预测未来更加合理. 文献类型对碳达峰时间不具有显著性；影响因子对碳达峰时间不具有显著性.

b) 煤炭占比. 碳达峰时煤炭占比分类变量对碳达峰时间不具有显著性.

c) 非化石能源占比. 碳达峰时非化石能源占比对碳达峰时间不具有显著性，可能由于能源结构对达峰时间具有一定滞后期，碳达峰时煤炭占比对碳达峰时间具有显著性，其每增加1个单位，达峰时间增加0.31个单位；2030年非化石能源占比对碳达峰时间具有显著性，其每增加1个单位，达峰时间缩短0.6个单位；非化石能源占比年均增长率对碳达峰时间具有显著性，其每增加1个单位，达峰时间缩短8.46个单位.

d) 碳排放强度. 碳排放强度年均下降率对碳达峰时间具有显著性，其每增加1个单位，达峰时间缩短0.74个单位；碳达峰时碳排放强度下降率对碳达峰时间具有显著性，其每增加1个单位，达峰时间缩短0.12个单位；2030年碳排放强度降低目标对碳达峰时间具有显著性，其每增加1个单位，碳达峰时间缩短3.49个单位. 从能源强度与能源结构来看，提高2030年碳强度下降目标，加快非化石能源发展，有利于缩短达峰时间.

e) 经济增速. 经济年均增长率对碳达峰时间具有显著性，其每增加1个单位，碳达峰时间缩短1.71个单位，但经济增速分类变量结果显示，其每增加1个单位，达峰时间增加1.97个单位，经济增速不仅影响碳达峰峰值，也会影响碳达峰时间，且经济增速过快会推迟碳达峰时间，应控制经济发展速度，使其与产业结构调整、能源结构转变相适应.

2.4 稳健性检验

对自变量碳达峰时煤炭占比分类变量(yblcoal)及经济增速分类变量进行哑变量编码时，依据样本特征设定存在一定主观性. 为减少人为评判因素影响而对其重新编码以检验变量稳健性. 碳达峰时煤炭占比分类变量(yblcoal)：煤炭占比在45.00%(不含45.00%)以下，设定为0；煤炭占比在45.00%～49.99%之间设定为1；煤炭占比在50.00%～54.99%之间设定为2；煤炭占比在55.00%(含55.00%)以上设定为3. 经济增速分类变量(GDPY)：年均增速在4.50%(不含4.50%)以下设定为1；年均增速在4.50%～4.99%之间设定为2；年均增速在5.00%～5.49%之间设定为3；年均增速在5.50%(含5.50%)以上设定为4. 稳健性检验结果(见表5)表明，当碳达峰时煤炭占比分类变量及经济增速分类变量重新编码后，回归拟合程度和各变量系数、显著性结果与编码前回归具有一定相似性，哑变量缩小编码范围导致回归系数呈不同程度降低，变量显著性特征相似，证实研究结论具有稳健性.

表5 稳健性检验结果

3 结论与建议

3.1 结论

a) 从样本统计分析结果来看，在36组情景样本中，83%的研究情景均预测中国碳达峰时间不晚于2030年，有12组情景是2030年前碳达峰，18组情景是2030年达峰，6组情景是2030年后碳达峰，其中达峰时间最早在2020年，最晚是在2040年. 不同情景预测的峰值范围为9.4～12.5 Gt CO2，平均值为10.9 Gt CO2. 达峰时非化石能源占比不低于22.4%，碳排放强度下降率不低于54.0%.

b) 从样本特征来看，文献发表时间、文献类型、影响因子对CO2排放峰值具有显著影响，文献发表时间对碳达峰时间具有显著性，且对CO2排放峰值具有正向显著性，对碳达峰时间具有负向显著性，说明文献发表时间越晚，CO2排放峰值水平越高，同时缩短碳达峰时间，与能源统计口径不断完善及对未来发展预测更贴合实际有关. 文献类型对CO2排放峰值具有正向显著性，说明英文文献对峰值预测较高，与英文期刊模型参数设定及模型构建类型有关；影响因子对CO2排放峰值具有负向显著性，说明影响因子较高的期刊对峰值预测较低，因高影响因子期刊情景设定相对合理与保守，峰值预测水平较低.

c) 从碳达峰峰值来看，碳达峰时煤炭占比分类变量、碳达峰时煤炭占比对CO2排放峰值具有正向显著性，碳达峰时煤炭占比每下降1%，峰值降低0.119 Gt CO2. 碳达峰时非化石能源占比、2030年非化石能源占比、非化石能源占比年均增长率对CO2排放峰值具有负向显著性，碳达峰时非化石能源占比每提高1%，CO2排放峰值降低0.127 Gt CO2；2030年非化石能源占比每增加1%，CO2排放峰值会降低0.168 Gt CO2. 碳排放强度年均下降率、2030年碳排放强度目标对CO2排放峰值具有负向显著性，碳排放强度年均下降率每提高1%，CO2排放峰值降低0.138 Gt CO2. 经济年均增长率对CO2排放峰值具有负向显著性，但经济增速分类变量对CO2排放峰值具有负向显著性，经济年均增长率每提高1%，CO2排放峰值会降低0.433 Gt CO2，经济增速分类变量每提高1类，CO2排放峰值会提高0.486 Gt CO2.

d) 从碳达峰时间来看，碳达峰时煤炭占比对碳达峰时间具有正向显著性，碳达峰时煤炭占比每下降1%，碳达峰时间会提前4个月. 2030年非化石能源占比、非化石能源占比年均增长率对碳达峰时间具有负向显著性，2030年非化石能源占比每提高1%，碳达峰时间会提前8个月. 碳排放强度年均下降率、碳达峰时碳排放强度下降率、2030年碳排放强度目标对碳达峰时间具有负向显著性，碳排放强度年均下降率每提高1%，碳达峰时间会缩短近9个月. 经济年均增长率对碳达峰时间具有负向显著性，经济增速分类变量对碳达峰时间具有正向显著性，经济年均增长率每增加1%，碳达峰时间会缩短近21个月，经济增速变量每提高1类，碳达峰时间会延长2年.

3.2 建议

a) 研究筛选的样本对碳达峰路径预测结果与中国2030年前碳达峰目标基本一致，具有一定的理论研究基础及参考价值，未来亦应开展不同能源结构达峰路径下的成本效益研究，探寻成本效益最优路径.

b) 早期研究对中国达峰峰值预估偏低、达峰时间滞后，随着中国社会向绿色低碳方向转型，虽然对达峰时间预测有所提前，但达峰峰值却有所增加. 未来应进一步建立以国家、省、市、区县以及行业能源平衡表为基础的能源统计体系，实施温室气体清单核算排放因子本地化工作，建立不同核算主体差异化的清单审核与公开机制.

c) 能源技术进步对建设“清洁低碳、安全高效能源体系”尤为重要，未来应提高对清洁能源技术的研发力度，扩大清洁能源使用规模，实现碳排放强度加快下降. 要使2030年非化石能源占比达到25%以上，克服可再生能源大比例进入能源电网而导致的电力系统安全稳定运行风险，加大对可再生能源并网的投入力度，提高清洁能源大规模有效供应，充分运用市场机制倒逼行业低碳技术提升，推动全社会电气化发展规模与水平，逐步摆脱对煤炭的高度依赖，力争实现2030年煤炭占比低于50%的水平.

d) 要实现2030年前碳达峰目标，既要保持经济增长速度，又要控制经济发展质量，使经济增长维持在合理区间，继续保持以创新引领经济发展的增长模式. 同时仍需从产业结构、地区合作、消费观念等方面降低碳排放： ①加快产业结构转型升级，实现产业向高端智能化、数字化方向发展；②加强东西部地区之间经济交流合作，引导西部地区产业结构调整，避免粗放型经济增长模式；③积极引导居民消费模式转变，建立公众低碳消费观念，打破当前能源消费惯性，逐步实现深度脱碳发展.