關注森林網

中國雙碳目標達成的區域差異預測及其影響因素

摘要

為明晰我國區域間雙碳目標達成的進度和峰值的差異性特征，進而展開區域雙碳目標壓力測試，選用中國30個省域21年的數據，先從省域人均碳排放和人均RGDP兩個指標維度對各省域的低碳經濟發展現狀展開聚類分析，接著利用半參回歸方法驗證人均碳排放峰值存在性，并運用FGLS實證方法檢驗基于EKC模型、IPAT模型以及ImPACT模型構建的實證模型穩健性，進而分別對常住人口、RGDP、碳強度和能源結構四個關鍵影響因素設置高低情景，運用上述實證模型對全樣本、分組樣本和省域樣本進行峰值預測和比較分析。結果顯示：①各分組樣本的半參回歸結果接近于“倒U型”，預示了人均碳排放峰值的客觀存在性，為使用實證模型展開峰值分析提供了支持。②各組樣本在不同實證模型下計算出來的峰值比較接近，但單個模型下各組峰值差異明顯，說明不同類型省域出現峰值所對應的人均RGDP水平差別較大。③通過比較各組系數和峰值數據可知人口和經濟增長對峰值的影響最為關鍵。④預測結果顯示，30個省域呈現出兩類分化特征，能源消費結構是導致區域達峰時間和峰值大小產生差異的關鍵因素。

關鍵詞

雙碳目標；碳排放峰值；區域差異；影響因素

為了踐行中國2030、2060年達成雙碳目標的承諾，2022年1月，國務院印發了《“十四五”節能減排綜合工作方案》，隨后各地相繼出臺了減排階段性目標和實施細則。由于各地區的經濟增長速度、能源結構、產業結構、節能減排技術、常住人口等存在較大差異，其碳達峰和碳中和的進度也存在顯著差異，不同區域碳達峰后到2060年之前實現碳中和目標面臨的減排壓力各不相同。對此，有必要實行創新性和差異化的減排措施確保雙碳目標實現。

國內有關碳達峰問題的研究早期側重于對某個國家或區域總體的達峰預測［1-7］，稍晚出現了行業碳達峰差異的相關研究［8-9］。更晚一些才開始少量出現區域碳達峰差異的研究［10-12］。有學者對中國部分省域或市域開展了層次聚類分析，將研究樣本基于經濟發展、產業結構、能源消費和排放特征等異質性劃進行分類，并結合各省的達峰行動進度對各自面臨的達峰形勢進行了分析，給出了差異化的達峰行動路徑［13-15］。還有部分學者開始關注碳排放公平性的區域差異問題，認為碳排放公平性不僅受本地區因素的影響，還受到相鄰地區經濟社會因素的影響［16-17］。有關碳達峰預測的研究中，部分文獻沒有設置不同情景［18-20］，也有一些研究采用情景模擬法以提高碳排放峰值預測的適用性［21-22］。以上文獻拓展了我們認識碳達峰問題的廣度和深度，但仍存在可進一步完善的空間：第一，可以對各省域碳達峰差異作聚類分析以觀察各省域低碳發展的長期發展趨勢；第二，基于真實GDP（國民生產總值，Gross Domestic Production）、常住人口、能源結構和減排技術四個指標優化預測情景的設置。

學術界對區域碳排放差異影響因素的研究近年來逐漸深入和細化。早期的研究著重考慮能源結構、能源效率和經濟發展等因素對人均碳排放的影響。在主要經濟部門中，經濟活動對二氧化碳排放變化的積極影響最大，碳強度的影響相對較小，同時降低碳強度也有助于交通部門碳排放的減少［23-24］。經濟增長中產業結構、能源結構、城鎮化水平、對外貿易和技術進步與碳排放總量和碳強度高度相關，這表明經濟增長方式會影響區域碳排放［5，25］。人口規模和采暖需求的增長都會顯著提高城市的二氧化碳排放，部分城市二氧化碳排放會隨著富裕程度的上升呈現先增加后減少的趨勢［26-28］。碳排放目標的實現取決于經濟增速與碳排放降速的相對關系，二者的相對脫鉤是中國碳排放目標實現的前提［29-31］。工業生產碳排放是中國生產部門碳排放的最主要來源，許多文獻對此進行了測度并分析區域工業部門碳排放的區域差異和影響因素［32-33］。

基于前述文獻的貢獻和不足，本文將從以下幾個方面進一步研究：①選取省域人均碳排放和人均真實GDP兩個指標對各省域低碳經濟增長模式作圖并分區討論，對比2000年和2020年的變化；②運用半參回歸方法驗證人均碳排放峰值存在的可能性，并構建實證模型分析影響區域人均碳排放差異的主要影響因素；③基于上述實證模型，對常住人口、真實GDP、碳減排技術和碳能源消費占比四個指標設置高低情景，將是否實施地方性碳交易市場政策設置虛擬變量納入模型，展開省域人均碳排放預測；④基于上述預測結果展開省域雙碳目標壓力測試，并結合第一小點中的分區討論結果，進一步探討區域差異性特征，分析導致區域達峰時間和峰值大小產生差異的關鍵因素。

1數據來源和省域低碳經濟增長模式分區討論

1.1數據來源

本文將基于中國30個省域（西藏數據缺失）2000-2020年的數據展開研究。人口（Population，POP）指標采用《中國統計年鑒》各省域的常住人口數據。真實經濟增長（Real GDP，RGDP）指標使用各省域歷年名義GDP數據以2000年為基期運用各省商品零售價格指數做平減處理，得到真實GDP。碳排放（CO2 emission，CO2）數據則基于《中國能源統計年鑒》能源平衡表中各省域主要能源終端消費量和相應的碳排放系數參考《綜合能耗計算通則》（GB/T2589-2020）測算而得。本文能源消費類型主要包括各種煤（原煤、其他洗煤、型煤等合并計入，為簡化統計，將洗中煤和洗精煤一并計入原煤，使用原煤的碳排放系數來計算）、焦炭、原油（由于統計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作簡化處理，它們的碳排放系數接近）、汽油、煤油、柴油、燃料油/重油、液化石油氣、干氣、天然氣、煤氣（將焦爐煤氣、高爐煤氣、轉爐煤氣和其他煤氣合并計入）。作為二次能源的電力，只考慮產生碳排放的火力發電部分，可以通過各省域能源平衡表中煤的火力發電投入數據進行統計，以免重復計算［34］。同理熱力也是二次能源，須將能源平衡表中各項能源用于加工轉換投入于加熱的能耗數據加以統計。

總樣本的數據描述性統計情況如表1所示。文章后續實證部分用到的第二產業占比Second Industry，SI）、總能耗（Total Energy，TE）、反映能源消費結構的指標（煤合計＋焦炭）在能源消費總量占比（Coal Percent，PCTCOAL）、石油及其相關制品占能源消費總量占比（Petroleum Percent，PCTPET）、非火電占比（Green electronic Percent，PCTELC）的數據主要來自于《中國統計年鑒》、《中國能源統計年鑒》和ESP數據庫。其中總能耗（TE）指標的計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，全部統一以萬噸標準煤為單位進行匯總。碳強度（Carbon Intensity，CI）、能源強度（Energy Intensity，TERGDP）、人均碳排放（CO2 per capita，CO2 POP）、人均真實GDP(Real GDP per capita，RGDPPOP）等指標則可以基于前面各項數據計算而得。虛擬變量（Dummy）是根據各省域是否開設以及哪一年開始開設碳交易市場來取值，開設的省域年份取值為1，反之為0。限于篇幅，后續實證分組的描述性統計表格略。

1.2省域低碳經濟增長模式分區討論

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

經過二十年發展，各省域經濟大幅增長，大多碳排放數值也增長明顯。圖2我們仍觀察各省域的相對坐標位置作十字輔助線劃分四個區域，表示“高增長高排放”的區域I沒有樣本進入，代表“高增長低排放”的區域Ⅱ包含七省域：遙遙領先的北京和上海，以及天津、江蘇、浙江、福建和廣東。代表“低增長高排放”的區域Ⅲ有五個省域：內蒙古、寧夏、山西、新疆和遼寧。其余18個省域歸入代表“低增長低排放”的第IV區域。

進一步比較圖1和圖2，可以觀察到20年來各省域發展模式的三個主要變化。變化一是原本位于I區的北京、上海和天津在保持較快人均經濟增長的同時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區域。值得關注的是，天津的位置后期和北京上海差距拉大，靠近四個海省份，這主要是因為2019年全國第四次經濟普查修訂了各省域2018年的GDP數據，隸屬總部的分支機構GDP不再計本地區，大量在天津的央企、國企分支GDP被劃入北京，導致2019年天津的真實人均GDP水平銳減。同時期北京的真實人均GDP從2018年的9.85萬元躍升至2019年的11.24萬元，且2020年（冬奧會前）碳排放總量銳減，從9750t降至7902t，使其坐標位置2020年大幅反超上海，遷至區域Ⅱ最右方。

變化二是2000年位于第Ⅳ區域的廣東、浙江、江蘇和福建四沿海省經過20年的發展逐漸和其它同內地省份拉大了距離，2020年進入圖2區域Ⅱ的左側，且這四個省份的歷年數據沒有明顯斷層（限于篇幅，歷年數據不在文中列出），說明這二十年來它們在低碳增長方面相對領先。變化三是2000年位于第IV區域的新疆和內蒙古2020年落入了區域Ⅲ，和寧夏、山西、遼寧并列，這說明它們在這二十年走的“低增長高排放”發展模式。觀察這幾個省的碳排放數據，發現它們的煤炭消費量增長較快，尤其是內蒙古人均經濟增長緩慢，人均碳排放卻反超寧夏達全國第一，可見該省二十年來對煤炭開采拉動經濟增長路徑依賴非常嚴重，后續將面臨較大的減排壓力。

以上分析將各個省域二十年發展模式歸類的同時，也將作為后續實證研究樣本分組的依據?；诮洕鲩L和碳減排維度將30個省域分為四組，比較契合本文的研究主題。

2模型構建

Kuznets(1955)［35］提出的環境庫茲涅茨曲線（EKC）模型常被用于預測碳排放峰值。該模型主要考察經濟增長和污染物排放之間的關系，認為隨著經濟的增長，污染物排放會經歷一個先上升后下降的過程，呈現出“倒U型”?？紤]到兩因素之間的關系也存在直線型或者“N”型的可能，本文在應用該模型之前先使用半參回歸法，嘗試將核心解釋變量人均真實GDP(RGDPPOP)等變量依次設定為非參數函數，并使用部分線性函數的半參模型進行分組實證分析，觀察非參解釋變量和被解釋變量人均碳排放（CO2POP）的關聯圖形態。

比較多種非參設置下的半參模型實證結果圖，我們發現只有將RGDPPOP設置為非參時，關聯圖接近于倒U型曲線（圖3）。限于篇幅，其它非參設置下所繪圖形不一一展示。圖3橫坐標刻度值明顯小于縱坐標，說明RGDPPOP對CO2POP的影響力比較大。相較其它非參設置，將RGDPPOP設置為非參，各樣本組半參回歸圖接近于拋物線形態，這預示了峰值出現的可能性，為本文選用對稱分布的EKC模型展開研究提供了依據。

在EKC模型的基礎上，本文還借鑒了影響力較大的IPAT[36-37]、STIRPAT[38]和ImPact模型[39-41]提及的環境影響因素，包括人口、財富和技術等，構建實證模型如下：

其中碳強度(CI)是碳排放總量與真實GDP之比。CO2/POP的單位是噸二氧化碳當量/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量/萬元。Dummy為虛擬變量，當某個省域從某一年開始運行碳排放交易市場，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)八個地方性碳交易市場，后續可以觀察虛擬變量的系數符號會否顯著為負，即地方碳交易能降低人均碳排放。表2是實證模型一覽表，對應上述四個數學表達式。

本面板數據包括30個省域，21年，共630個觀測值。先對面板數據進行協整檢驗。相較于HT檢驗、LLC檢驗、Breitung檢驗而言，IPS檢驗允許每個樣本具有不同自回歸系數，這更貼近現實，且它既適用于本研究這種短面板且時期/截面數量固定的數據面板。依次對這四組面板數據做IPS單位根檢驗(表3)，結果顯示大多數變量是平穩的。

此外，即便是變量數據非協整，只要整體面板數據樣本量不算太小，回歸結果也可能可信。再者，當一些宏觀數據出現過某些特殊斷層或拐點時也會導致單位根。本研究數據中部分省域的人口、GDP、產業結構、碳排放等數據指標出現過斷層現象，如果就此認定數據非協整，可能犯實證分析的第一類錯誤。

3實證結果分析

結合本研究的數據特點和研究目標，我們需要對各種實證方法進行比較。就常用的多元混合回歸、固定效應和隨機效應回歸三種方法而言，后兩種的回歸結果優于第一種，固定效應回歸中時間固定效應不太顯著，地點固定效應比較明顯。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、組間同期相關以及組內自相關問題，筆者先后做了針對組間異方差的Wald檢驗、組間同期相關的BP-LM檢驗［42］以及組內自相關的Wald檢驗［43］。結果發現不存在一階組內自相關，但組間存在異方差且無法排除組間同期相關。于是，實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，大幅提升估計結果的可信度。下面基于四個模型依次展開分組回歸，結果見表4。

表中的模型1是基礎庫茲涅茨曲線模型，只包含人均RGDP及其平方項兩個解釋變量。觀察回歸系數符號，二次項為負，說明曲線開口朝下存在峰值，根據峰值橫坐標的計算公式-β2/2β1，可以算出各樣本組的峰值對應的人均RGDP。其中，第一梯隊的二次項系數顯著度只有一顆星，其它幾組都很顯著，各組峰值對應的人均RGDP差異較大。模型2加入了代表產業結構變量SI和能源消費結構變量PCTCOAL、PCTPET、PCTELC，結果表明除第一梯隊的二次項不顯著以外，總樣本和其它三組樣本的二次項系數都很顯著，能夠算出峰值對應的人均RGDP。SI系數較小且顯著為正，說明第二產業占比提升會提高人均碳排放水平，但提升幅度不大。PCTCOAL和PCTPET的系數較大且顯著為正，說明化石能源消費會顯著推高人均碳排放水平。PCTELC的系數多顯著為負，數值較小，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進一步將反映碳減排技術的指標CI納入模型。結果顯示，各樣本組的二次項顯著為負，存在峰值，其余變量的系數大多較為顯著，符號基本符合預期，產業結構系數和能耗占比系數都與模型2較為接近，實證模型比較穩健。CI系數顯著為正，說明碳減排技術越高(CI越低)則人均碳排放水平越低，符合預期。模型4繼續加入代表地方性碳交易政策的虛擬變量Dummy。結果顯示，各樣本組二次項系數都顯著為負，除了部分組別的PCTELC的系數不太顯著，其余解釋變量都比較顯著且符號符合預期。觀察五組樣本虛擬變量系數，發現該變量在總樣本和第三梯隊樣本顯著為負，可理解為實施碳交易政策的地區人均碳排放較低。第一和第二梯隊的虛擬變量系數雖然不顯著，可能和兩個樣本組的樣本量太小(分別只有兩個和五個省域)有關。第四梯隊省域因為沒有設立碳交易市場，虛擬變量取值全部為零，回歸結果系數也就為零。

比較各模型回歸結果，單個樣本組在不同模型下計算的峰值比較接近，但單個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人均碳排放峰值所對應的人均RGDP水平排序是比較穩健的。由北京和上海組成的第一梯隊峰值對應的人均RGDP高于其余三組，遠超第三和第四梯隊，這和各樣本組之間經濟增長水平差異較大有關。由沿海五省組成的第二梯隊在人均RGDP達到91244元時達峰，該數值也顯著高于第三和第四梯隊，與這五省經濟增長水平領先關系較大。

4對各省域人均碳排放峰值和碳中和壓力的預測

接著，對各省域歷史數據做技術推演得到預測數據，并應用實證模型4，對各省域峰值對應的人均RGDP進行情景預測，探討各省域是否能按時達成雙碳目標。

預測將使用的各項歷史統計數據（2000年至2020年）來源于《中國統計年鑒》、《中國能源統計年鑒》、ESP數據庫以及各省域統計年鑒。2021年至2040年的預測主要是對省域常住人口、真實GDP、碳能源消費占比以及碳排放強度四個變量分別設置高低兩種情景進行預測。其中，考慮到各省域常住人口趨勢近幾年受老齡化和出生率下降、地方政策性因素、經濟增速以及就業機會的影響比較明顯［44-45］，歷史數據更新到了2022年，并基于前三年或者前五年的移動平均數據進行推演，設置高低情景；真實GDP的預測數據也做了類似處理，歷史數據擴展至2022年，使用五年移動平均法進行推演，設置高低情景；煤炭能源消費占比使用2016至2020年五年的平均數值變動量作為后二十年預測基準，設置高低情景；碳排放強度同上；各省域第二產業占比、非火力發電消費占比的預測值同樣是基于2016至2020年的五年平均變動數據，由于從上一部分實證模型的結果來看，二者對被解釋變量的影響很小，不設置高低情景。下文使用大寫字母H表示較高取值指標情景，用Ｌ代表較低取值指標情景，將常住人口、真實GDP、煤炭能源消費占比以及碳排放強度四個變量的高低情景排列組合即得到16種模擬預測情景（以下代表情景的四個字母依次對應四個變量）。

表5是基于實證模型４對全樣本省域進行預測得到的結果。16種情境下的各項解釋變量系數都很顯著，且符號都符合預期，二次項的符號都顯著為負，說明存在峰值。觀察各情景下峰值對應的人均RGDP計算結果，前四種情景(HHHH、HHHL、HHLH、HHLL)的峰值對應的人均RGDP相對較高，后四種情景(LLHH、LLHL、LLLH、LLLL)最低，是因為前四種情景設定了高人口增長和高經濟增長，后四種情景設定的低人口增長和低經濟增長，二者對峰值影響最為關鍵?若將中間的八種情景分成兩組對比其峰值結果，發現其中前四種(HLHH、HLHL、HLLH、HLLL)峰值對應的人均RGDP數值全部低于后四種(LHHH、LHHL、LHLH、LHLL)，由于四個字母的第一個字母表示人口，第二個字母為真實經濟增長水平，可以理解為人口因素對峰值的影響略小于經濟增長因素。

下面將該情景設置的思路應用于對單個省域峰值的預測。先采用ADF檢驗[46]和DF-GLS檢驗對單個省域的時間序列數據的進行平穩性檢驗，各組數據均未能通過5%顯著性水平下的檢驗，不能拒絕存在單位根的原假設，可判斷為非平穩序列。取一階差分后再做ADF檢驗，結果依然通不過。然而，單個序列非平穩并不能排除模型各變量時間序列之間協整的可能［47］，接著再做各變量時間序列的協整檢驗，發現存在協整關系。

接著應用模型4對各省域設置模擬情景進行預測的結果，為了簡化表達參考表5的分析結論，我們僅展示HHHH情景和LLLL情景下峰值對應的人均RGDP水平(表6)，并回到各省域的數據表中去比對該人均RGDP對應的年份，即可找到當年的人均碳排放數值。分析表6各省域的達峰時間和峰值高低特征，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的上海，第二梯隊的福建，第三梯隊的河北、吉林、黑龍江、海南、甘肅、山東、江西、安徽以及第四梯隊的寧夏、新疆、山西和內蒙古。這些省域的共同特征是在HHHH情景下二次項系數不顯著（無峰值）或雖顯著卻無法在2060年（不含）之前達峰，而在LLLL情境下二次項系數顯著（有峰值）且可以在2060年之前達峰。值得注意的是，其中個別省域在LLLL情景下雖能達峰但時間太晚，如寧夏和新疆將分別于2060和2055年才達到峰值；有的省域峰值相對過高，如內蒙古的峰值高達97.37tCO2e/人，比照2060年實現碳中和的目標，短時間內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的實現。究其原因，寧夏、新疆、山西和內蒙古這四個省份化石能源消費占比基數較大，且近年來能源結構的轉型力度相對其它省份不足。

第二類則包括第一梯隊的北京，第二梯隊的江蘇、浙江、廣東，第三梯隊的青海、廣西、云南、湖南、河南、四川、湖北、陜西和重慶以及第四梯隊的遼寧。這些省域在HHHH和LLLL情境下二次項系數都顯著為負且峰值都能在2060年之前實現。各省域HHHH情景峰值對應的人均RGDP明顯高于LLLL情景，且HHHH情境對應峰值也明顯高于LLLL情景，HHHH情境下達峰的時間明顯晚于LLLL情景，這些特征都與表5一致。雙碳目標約束下，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年之前碳達峰，但達峰時間相對較晚，且峰值較高，2060年實現碳中和難度較大。

此外，貴州兩種情景下二次項系數都不顯著，無法預測其達峰時間和峰值大小。天津的ＲGDP數據在2019年經歷了重大調整，其峰值預測結果可信度較低，故不討論。

下面將表6聯系圖1和圖2分析。表6中第四梯隊五省域離雙碳目標差距大，壓力較大。寧夏、內蒙古、山西和新疆只在LLLL情境下才有峰值或能于2060年之前達峰，但即便達峰又面臨著達峰時間太晚亦或是峰值過高的窘境，實現碳中和難度大。遼寧雖然在兩種情境下都能于2060年前達峰，但同樣面臨著達峰較晚且峰值較大的問題。通過數據觀察和分析，筆者認為其關鍵原因是這幾個省份的能源結構過于依賴煤炭，且在其它省域積極推能源結構轉型時這五省的轉型力度和成效是很不夠的。圖2同屬II區的七省域中北京、廣東和浙江相對于其他省域達峰時間較早或峰值較低。究其原因，可將相鄰的浙江和江蘇、廣東和福建的經濟增速和能源結構轉型數據進行結對比較，會發現浙江和廣東分別優于江蘇和福建。相對于北京而言，同為第一梯隊的上海在HHHH情境下達峰時間將晚于2060年，LLLL情境下將于2031年達峰，該時間和LLLL情境下北京的達峰時間相同，但峰值為11.01tCO2e/人，顯著高于北京同期的3.6tCO2e/人。通過對比北京和上海兩地能源消費結構的變化趨勢可發現北京2013年以來能源消費結構轉型非常劇烈，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%，因此同在經濟增速較快的背景下，北京的減排速度明顯高于上海，這是圖1和圖2中兩地相對位置變化——北京逆襲上海的關鍵原因。河北省比鄰省河南煤炭能源占比的基數較大，且減速相對比較落后，于是河南省無論是達峰時間還是峰值大小的預測結果明顯優于河北省。東三省的預測結果總體不佳，遼寧雖然能達峰，但峰值較高，吉林和黑龍江則不能在HHHH情境下早于2060年達峰。

5結論及政策建議

（1）當把RGDPPOP設置為非參，各樣本的半參回歸結果都比較接近于拋物線的形態，這預示了人均碳排放峰值的客觀存在性，為本文選取的實證模型提供了支持。

（2）四個實證模型在經典EKC模型的基礎上依次加入了產業結構指標、能源消費結構指標、碳減排技術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果可知，同一樣本在不同的實證模型下峰值比較接近，但單個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應的人均RGDP水平差別很大?？傮w而言，實證模型結果比較符合預期且穩健。

（3）基于模型4對全樣本在十六種模擬情境下的預測結果顯示，各解釋變量系數都很顯著，且符號與預期一致，尤其是二次項的符號都顯著為負，證實了峰值的存在，且通過比較各樣本組系數和峰值可知人口和經濟增長對峰值的影響最為關鍵。

（4）基于模型4對各省域HHHH和LLLL兩種情景進行峰值預測的結果顯示，30個省域呈現出兩類分化特征，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，在LLLL情景下則能于2060年前達峰；第二類14省域在兩種情景下都能在2060年之前達峰。將這兩類特征和圖2中結合起來分析，發現能源消費結構是導致區域間達峰時間和峰值大小差異的關鍵因素。

基于上述結論，我們基本明晰了各省域距雙碳目標達成的地區差異情況，雙碳目標約束下第四梯隊（寧夏、新疆、山西、內蒙古和遼寧）壓力最大，這幾省能源消費結構基數高度依賴化石能源，且近年來低碳轉型相對其它省域步伐太小，后續須采取更強的措施優化能源消費結構，提升碳減排技術。其中特別要注意山西、內蒙古兩省作為北線火力發電主要輸出地、華北地區重要的西電東輸腹地，其能源消費結構的低碳轉型需要電力輸送上下游地區的共同努力，或須建立碳補償機制。第二梯隊的浙江、廣東以及第三梯隊的廣西、云南、河南、湖南、四川這七省域橫跨中國東部沿海發達區域、中部六省以及西部地區，雖自然稟賦和經濟基礎差異較大，但它們在本文設置的HHHH和LLLL兩種情景下都能較早達峰且峰值相對較小，面臨的雙碳目標壓力相對較小，這主要得益于它們的能源消費結構基礎較好（如湖南、四川）或是近年來能源結構轉型力度較大（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）煤炭消費占比高達近80%，但經過近年來發電方式的持續轉型，煤炭消費占比明顯下降，非火力發電占比逐年大幅提升，這應該是兩省達峰預測結果相對較好的主要原因。這些省份的減排舉措非常值得參考和仿效。第一梯隊的北京和上海是中國經濟最為發達的地區，從表6來看，北京在HHHH情景下的達峰時間較晚；在LLLL情景下，受政策因素影響數據統計口徑發生突變，上海峰值出現的時間遲于北京（HHHH情景）且峰值數值顯著偏高（LLLL情景），累及天津因數據斷層不便測算峰值，這提醒我們在制定碳減排政策時需要更好的兼顧公平和效率原則。

在本研究基礎上后續還可以從三個方面繼續深入研究：一是2021年成立的全國碳交易市場對各省域碳減排的影響將隨著時間的推移逐步體現出來，可以將該影響因素設置虛擬變量納入實證模型，提升模型精度；二是各省份出生率、老齡化和人口流動的變化差異以及疫情后經濟增長的差距可能會給區域雙碳進程帶來深遠的影響，后續研究將持續關注這些因素。三是研究省域之間的碳轉移問題，進而探索區域間碳補償機制。