全球变暖、冰川融化、海平面上升、雾霾天气等一系列现象表明温室效应带来的气候变化正严重影响着人类未来生存^[1-2]。作为碳排放大国，我国在第75届联合国大会上提出要在2030年实现碳达峰，2060年实现碳中和的目标。“双碳战略”已经成为全社会关注的焦点和热点。据国际能源署统计，我国工业生产部门碳排放量占所有排放源排放量的比例从1990年的71%上升至2018年的83%。2020年，根据清华大学气候变化与可持续发展研究院《中国长期低碳发展战略与转型路径研究：综合报告》，全年电力、工业、建筑、交通4部门二氧化碳(CO₂)排放占比分别为40.5%，37.6%，10.0%，9.9%；若算上用电带来的间接排放，则根据工业、建筑、交通用电量占比计算，三者排放占比约为70%，20%，10%。因此，工业是节能降碳的重点领域，许多学者对工业碳排放进行了多维度探究。吴英姿等^[3]基于改进的可拓展的随机性的环境影响评估模型(STIRPAT)研究了我国工业碳排放与经济增长关系具有U型曲线特征。黄蕊等^[1]利用STIRPAT模型定量分析了各碳排放量的影响因素，并对其影响进行了系统分析，当人口、经济保持低速增长，并保持高技术增长率时，有利于控制江苏省的能源消费碳排放量，对降低区域碳排放具有重要的指导意义。张巍等^[4]根据联合国政府间气候变化专门委员会(IPCC)碳排放计算方法计算了2005—2014年陕西省37个主要工业产业的能源消费碳排放量，运用对数平均权重分解(LMDI)方法建立了因素分解模型，定量分析了碳排放影响因素的作用程度；研究发现陕西省工业碳排放的主要驱动因素是产业经济规模，提出了减少陕西省工业碳排放量的对策建议。

就区域而言，摸清碳排放现状和影响碳排放的因素，是制定该区域低碳发展目标及相关减排政策的基石。目前，关于碳排放的研究大多集中在国家和省域等大范围区域层面，对市域等范围的研究较少。闵行区地处长江三角洲东南前沿，位于整个上海市地域的腹部和版图的中心，作为上海重要的高科技产业和现代工业基地，既是工业企业聚集区，又是人口居住密集区，深入分析区域内降碳路径，可对区域层面碳减排起到良好的示范作用，对巩固生态环境保护成果，谋划和发展各项生态环境保护工作意义重大。

1 数据来源与研究方法 1.1 数据来源

基础数据来源于环境统计和《闵行统计年鉴》，收集闵行区2006—2020年的工业能源消费资料，主要为不同行业规模以上工业企业不同能源(原煤、洗精煤、焦炭、天然气、燃料油、汽油、煤油、柴油、电力、热力等20余种能源)的消费量数据。

1.2 研究方法 1.2.1 工业能源碳排放量计算方法

参考《上海市温室气体排放核算与报告指南(试行)》^[5]，对闵行区规模以上工业企业能源消费引起的CO₂排放量进行核算，公式如下：

$ 排放量=\sum{\left( {{消耗量}_{i}}\times {{低位热值}_{i}}\times {{单位热值含碳量}_{i}}\times {{氧化率}_{i}}\times \frac{44}{12} \right)} $

(1)

式中：i——不同燃料类型；消耗量——t或m³；低位热值——TJ/t或TJ/m³；单位热值含碳量——t/TJ；氧化率——%。使用外购的电力所导致的温室气体排放，可采用电力排放因子进行测算，电力排放因子缺省值为4.2×10^-4 t/kWh(以CO₂计)。

1.2.2 碳排放影响因素分解方法

由IPAT模型发展而来的STIRPAT模型因在变量设置上采取了随机形式，易于进行扩展等优势而得到广泛应用^[6-11]。该模型表达式为：

$ I=a P^b A^c T^d e $

(2)

式中：a——模型的系数；I、P、A、T——环境压力、人口规模、富裕程度和当地技术水平；b、c、d——P、A、T三者的指数系数；e——模型的误差。

本研究对相关变量进行了相应的修正和扩展。将原表达式中的人口规模变量P替换为产业规模，变成工业总产值A和工业增加值B；原表达式中的富裕程度A用人均工业产出D(即人均工业产值)和工业化率E(工业增加值在生产总值中的占比)表示；结合闵行区工业能源消费中煤炭占比较高的实际情况，将原表达式中的技术水平变量T扩展为3个与碳排放密切相关的变量——能源强度F、能源结构和劳动生产率I，其中，能源强度由单位工业增加值的能源消耗反映，能源结构分别由能源消费中煤炭和电力所占比重度量(G和H)。

构建的新的STIRPAT模型为：

$ T=a A^{b_1} B^{b_2} D^{b_3} E^{b_4} F^{b_5} G^{b_6} H^{b_7} I^{b_8} e。$

(3)

式中：T——工业能源消费产生的碳排放量，万t；A——工业总产值，亿元；B——工业增加值，亿元；D——人均工业产值，元/人；E——工业增加值在生产总值中的占比，%；F——单位工业增加值能耗，t/万元(以标准煤计)；G——煤炭所占能源消费比重，%；H——电力所占能源消费比重，%；I——劳动生产率，即工业增加值/从业人数，元/人；a——常数；b₁、b₂、b₃、b₄、b₅、b₆、b₇、b₈——弹性系数；e——误差项。

对相关变量进行对数化处理，新的分解模型为：

$ \begin{aligned} \ln T=\ln a+b_1 \ln A+b_2 \ln B+b_3 \ln D+b_4 \ln E+ \\ b_5 \ln F+b_6 \ln G+b_7 \ln H+b_8 \ln I+\ln e \end{aligned} $

(4)

2 结果与讨论 2.1 闵行区工业能源消费及碳排放现状 2.1.1 工业能源消费情况

2006—2020年，闵行区工业企业能源消耗情况见图 1。闵行区工业能源消耗主要以煤炭、电力、天然气为主，占总量的82.04%~91.07%。工业企业能源消耗总量基本呈下降趋势，由2006年的1 093.26万t(以标准煤计，下同)下降至2020年的633.52万t；2010年和2012年环比下降明显，分别下降了12.5%和16.0%。煤炭是闵行区工业部门最主要的消耗能源，占能源消耗总量的50%以上，占比为50.79%~59.84%；随着工业能源消耗总量的下降，煤炭的消耗量也呈下降趋势。电力和天然气分别位居闵行区工业能源消耗总量的第2和第3，电力的比重为22.23%~31.85%，天然气的占比呈上升趋势，从2006年的2.79%上升至2020年的8.47%。

2.1.2 工业能源碳排放量及碳排放强度

2006—2020年，闵行区工业能源碳排放量及碳排放强度变化趋势见图 2。由图 2可见，工业能源碳排放量和碳排放强度均呈下降趋势，与工业能源消耗总量变化趋势一致。2006—2020年闵行区工业能源碳排放量年均下降率为3.80%。这与武汉^[12]、长沙^[13]、兰州^[14-15]、云南^[16]、陕西^[17-18]等中西部地区，甚至长三角部分地区^[19-21]碳排放趋势不同；可以看出，闵行区在积极增长工业经济的同时，在生态环境领域做出的努力，在推进节能减排中加快能源结构的调整，开发利用新能源，促进工业经济绿色、可持续发展初见成效。自2000年以来，闵行区连续实施环保三年行动计划，2006—2020年共实施了5轮环保三年行动计划，开展了大气环境治理与保护项目74个。为打赢打好污染防治攻坚战，闵行区滚动实施蓝天保卫战，在开展的第一轮清洁空气行动计划中，基本取消了燃煤及其他污染燃料使用，在第二轮清洁空气行动计划中进一步对中小燃油(气)锅炉实施低氮燃烧改造。

闵行工业部门消费的能源主要为煤炭、天然气和电力。各主要消耗能源碳排放量及比重见图 3。由图 3可见，闵行区工业能源碳排放主要是以煤炭为主，随着煤炭消耗量的下降，工业能源碳排放总量也有所下降，由2006年的1 754.7万t下降至2020年的977.1万t，年均下降4.09%；在工业碳排放总量中，煤炭所占的比重最大，占比为65.8%~73.9%，略有下降趋势。电力在闵行工业能源中的需求量较高，电力消费的碳排放量先略有上升后呈下降趋势，占比为12.3%~19.2%。随着天然气使用量的增加，天然气的碳排放量呈上升趋势，由2006年的51.3万t上升至2020年的88.6万t，占比也呈上升趋势，由2.12%上升至6.31%。天然气作为一种清洁能源，燃烧时产生的CO₂少于其他化石燃料，有助于减缓地球温室效应。为改善环境质量，我国政府已制定行动计划，将大力提高天然气消费规模和比重，预计到2030年，天然气在我国一次能源消费中的比重将达到15%左右。上海市积极落实国家下达的可再生能源电力消纳责任权重，推动可再生能源项目有序开发建设，《上海市碳达峰实施方案》中提出大力推进光伏大规模开发和高质量发展。《闵行区节能降耗“十四五”规划》规定，要推动本区能源结构转型，促进光伏发电高质量发展。

2.2 闵行区工业能源碳排放的影响因素分析

摸清家底，掌握碳排放数据后，对影响工业能源碳排放的因素进行分析是制定针对性减排政策的前提。

2.2.1 相关性分析

用SPSS软件将对数化处理后的闵行区工业能源碳排放影响因素进行自变量相关性分析，结果见表 1。在所选取的8项工业能源碳排放影响因素中，工业增加值、人均工业产值、工业化率、工业能源强度、工业能源结构与工业能源碳排放呈现较高的相关性，工业总产值和劳动生产率与工业碳排放呈现较低的相关性，在0.01和0.05水平均不显著相关，所以剔除这2项影响因素。对工业增加值、人均工业产值、工业化率、工业能源强度、煤炭所占工业能源消费比重和电力所占工业能源消费比重6项影响因素进行回归分析。

2.2.2 多重共线性检验

多重共线性^[22]指在回归方程中自变量不仅与因变量有相关关系，还与其他自变量也存在高度相关关系，一般用方差膨胀因子(VIF)判断多重共线性，如果回归方程中存在多个自变量的VIF＞10的情况，说明这些自变量之间存在多重共线性。运用SPSS软件，采用多元线性回归方法对闵行区工业能源碳排放影响因素模型进行多重共线性检验，分析结果见表 2。从表 2可见，lnB、lnE、lnF这3项因素的VIF均＞10，其余3个变量的VIF值在4~10，可以判断6个自变量之间存在多重共线性问题。

2.2.3 岭回归拟合

为解决多重共线性，采用岭回归估计方法^[23-24]，在SPSS软件中通过编写程序实现岭回归。岭回归分析是一种专门用于共线性数据分析的有偏估计方法，它是一种改良的最小二乘法，允许回归系数的有偏估计量存在，通过放弃部分精确度为代价来寻求效果稍差但更符合实际的回归过程^[14]。岭迹图见图 4。根据方差扩大因子法确定岭回归系数k=0.18，通过岭迹图可以看出，k为0.18时，各个自变量的标准化回归系数趋于稳定，模型的拟合优度R²=0.973，意味着lnB、lnD、lnE、lnF、lnG、lnH可以解释lnT的97.3%变化原因。对k=0.18时的岭回归方程进行拟合，各变量的非标准化系数与标准化系数结果见表 3。

岭回归的拟合结果显示：基于F检验显著性P值在0.01和0.05水平上均呈现显著性，表明自变量与因变量之间存在着回归关系。得到岭回归方程为：lnT=2.458-0.178lnB+0.273lnD+0.229 lnE +0.188lnF+0.606lnG-0.101lnH。

lnB的回归系数值为-0.178(t=-2.079，p=0.071＞0.05)，lnH的回归系数值为-0.101(t=-1.607，p=0.147＞0.05)，意味着lnB、lnH并不会对lnT产生影响关系。lnD的回归系数值为0.273(t=3.769，p=0.005＜0.01)，lnE的回归系数值为0.229(t=6.923，p=0.000＜0.01)，lnF的回归系数值为0.188(t=9.521，p=0.000＜0.01)，lnG的回归系数值为0.606(t=2.527，p=0.035＜0.05)，意味着lnD、lnE、lnF、lnG会对lnT产生显著的正向影响关系。各因素中煤炭所占工业能源消费比重对闵行区工业能源碳排放影响最大，每增加1%，会促使工业能源碳排放增加0.606%；其次是人均工业产值、工业化率和工业能源强度，每增加1%，分别会促使工业能源碳排放增加0.273%，0.229%，0.188%。工业增加值、电力所占工业能源消费比重对闵行区工业能源碳排放基本没有影响。

2.3 闵行区工业低碳发展对策与建议

由闵行区工业能源碳排放的影响因素分析可知，煤炭所占工业能源消费比重、人均工业产值、工业化率和工业能源强度4个因素与闵行区工业能源碳排放呈正相关关系，为促进闵行区工业向低碳、绿色发展，提出如下对策建议。

(1) 调整能源消费结构。改善能源消费结构，大力发展清洁能源，构建清洁、低碳、安全、高效的现代能源体系和新型电力系统。统筹煤炭与其他类型能源之间的比例关系，减少煤炭的使用量，开发新能源、可再生能源。

(2) 优化产业结构。不断优化制造业结构，全面推进绿色制造，推进一批绿色工厂、零碳园区、绿色产品和绿色供应示范单位，打造高效清洁低碳循环的绿色制造体系。大力发展战略性新兴产业，打造高端装备、新一代信息技术、生物医药和人工智能4大主导产业集群，加快形成闵行区南北联动、互相支撑的产业格局。推动制造业向高端化、智能化、绿色化优化升级，加强战略性新兴产业与绿色低碳产业的深度融合。

(3) 提高能源利用效率。原材料的加工、生产设备的制造以及机器的使用过程中都会伴随着大量的能源消耗，应努力将能源的损耗和浪费降到最低。首先，提高技术的创新和改造，加强高效、低碳的能源技术研究；其次，建立健全相关节能法规和制度，奖励与惩罚措施并行，实现法律、经济和行政手段的统一。将市场调节、政府调控和社会调整3大机制结合起来，提高人们自觉实施节能减排的意识。

3 结论

(1) 对闵行区2006—2020年工业能源碳排放的核算表明，工业能源碳排放总量、碳排放强度与工业能源消耗量变化趋势一致，呈逐步下降的趋势。

(2) 通过建立STIRPAT模型，回归分析得出，煤炭所占工业能源消费比、人均工业产值、工业化率和工业能源强度4项因素与闵行区工业能源碳排放呈正相关关系，其中煤炭所占工业能源消费比重对闵行区工业能源碳排放影响最大，工业增加值、电力所占工业能源消费比重对闵行区工业能源碳排放基本没有影响。

(3) 基于因素分析结果，优化闵行区能源结构对控制工业能源碳排放最为有效，而能源结构优化在很大程度上依赖于技术水平的提高。因此，未来闵行区可从调整能源消费结构、优化产业结构、提高能源利用效率等方面推进工业向低碳绿色持续发展。