1 1. 题目与分析范围

题目要求结合附件 1 和附件 2 的碳排放数据，参考中国统计年鉴中的能源结构及相关指标，完成四项任务：

判断各省碳排放核心指标是否存在显著空间差异，并构建分类分级指标体系。
结合能源结构数据，识别影响碳排放的基本因素，建立预测模型。
在不同情景下预测 2026-2045 年碳排放总量与强度变化。
给出面向双碳目标的政策建议。

本文形成问题 1-4 的基准分析框架：先用省级排放清单检验空间差异并分类分级，再用省级面板和能源经济变量识别影响因素，最后基于情景驱动的 Kaya 预测模型判断 2026-2045 年排放趋势并提出建议。

2 2. 数据口径

2.1 2.1 附件 2 省级排放清单

附件 2 的省级排放清单按 sheet 存储，每个 sheet 对应一个省份。清洗策略与 proto.R 保持一致：

仅保留 Emission_Inventory、Scope_1_Total 等核心字段。
剔除 unit、Notes、Total 等元数据和汇总行。
统一省份命名，去掉 2022 后缀。

2.2 2.2 年鉴经济变量

年鉴经济变量通过 build_economics_2022.R 生成 economics_2022.csv。

需要特别说明两点：

这里使用的是 2023 年统计年鉴中记录的 2022 年地区数据，因此和附件 2 的年份对齐。
当前目录里已经补齐能源年鉴清洗结果：全国能源消费结构、省级标准煤消费总量和省级能源平衡表。
省级标准煤总量目前覆盖 2015-2019，省级能源平衡表覆盖 2018-2022。Energy_Consum_2022 仍先使用 省级用电量 作为代理字段，因为 2022 之后的统一标准煤总量还需要按附录系数继续折算。
若需要把 2023-2025 的省级能耗变量接到报告，短期优先用 GDP * 单位 GDP 能耗 重构省级能源消费总量，再按能源平衡表和附录折标系数回推统一标准煤口径。

2.3 2.3 2024-2025 宏观控制数

C/web/2024gdp/ 新增了国家统计局“2024 年国内生产总值最终核实”公告的本地存档和原始链接。报告后续进行 2024-2025 外推、情景预测或省级加总校准时，应优先采用最终核实数，而不是 2024 年统计公报中的初步核算值。

指标	2024 年口径	当前处理
GDP 现价总量	1,348,066 亿元	用作 2024 年全国 GDP 控制总数
GDP 修订幅度	较初步核算数减少 1,018 亿元	省级/全国校准时优先用最终核实数
不变价增速	5.0%	与初步核算数持平

C/web/懒得抄了没抄完.txt 还整理了 2024-2025 年全国 GDP、能源消费总量、一次能源生产、全社会用电量、煤炭消费占比和清洁能源消费占比等控制总数。2025 年国家统计局公报已经给出 GDP 1401879 亿元、能源消费总量 61.7 亿吨标准煤、煤炭消费占比 51.4%、清洁能源消费占比 30.4% 和万元 GDP 能耗下降 5.1%；全社会用电量可再结合中电联预测值补齐。由于 2026 年 5 月时点仍缺完整省级年鉴，2025 年省级变量仍只能先用各省统计公报补缺，并在模型中标注为“公报初步核算/推算口径”。

kable(
  head(econ),
  caption = "economics_2022.csv 预览"
)

economics_2022.csv 预览
Province	GDP_2022	Second_Industry_Share_2022	Energy_Consum_2022
Shanghai	44652.8	0.2566110	1750
Yunnan	28954.2	0.3616470	2139
InnerMongolia	23158.6	0.4854266	3957
Beijing	41610.9	0.1587349	1233
Jilin	13070.2	0.3541109	843
Sichuan	56749.8	0.3728136	3275

kable(
  yearbook_national,
  digits = 2,
  caption = "全国能源消费结构面板"
)

全国能源消费结构面板
	yearbook_year	stats_year	source_file	sheet_name	total_energy_consumption_10k_tce	coal_share_pct	petroleum_share_pct	natural_gas_share_pct	primary_electricity_other_share_pct	hydro_share_pct	nuclear_share_pct
1	2019	2018	2019/4能源消费/4-1 能源消费总量及构成.xls	1-2	435649	63.9	20.4	8.3	7.4	3.5	0.8
3	2020	2019	2020/4能源消费/四、能源消费.xlsx	4-1 能源消费总量及构成	447597	62.8	20.7	8.7	7.8	3.6	1.0
4	2021	2020	2021/EXCEL/四、能源消费.xlsx	4-1 能源消费总量及构成	455737	62.2	20.6	9.2	8.0	3.7	1.0
5	2022	2021	2022/四、能源消费.xlsx	4-1 能源消费总量及构成	479161	61.3	20.5	9.7	8.5	3.4	1.0
2	2023	2022	2023/4能源消费/4-1 能源消费总量及构成.xls	1-2	490237	61.8	19.9	9.3	9.1	3.4	1.0

kable(
  head(yearbook_standard),
  digits = 2,
  caption = "省级标准煤消费总量面板预览"
)

省级标准煤消费总量面板预览
	yearbook_year	stats_year	province	province_cn	source_file	sheet_name	total_energy_consumption_10k_tce	coal_10k_tons	coke_10k_tons	petroleum_10k_tons	crude_oil_10k_tons	gasoline_10k_tons	kerosene_10k_tons	diesel_10k_tons	fuel_oil_10k_tons	lpg_10k_tons	natural_gas_100m3	electricity_100m_kwh
12	2019	2015	Anhui	安徽	2019/4能源消费/4-22 分地区分品种能源消费量-2015.xls	1	12301	15673.49	1164.77	1368.61	690.59	456.60	14.08	611.80	13.44	96.84	34.83	1639.79
1	2019	2015	Beijing	北京	2019/4能源消费/4-22 分地区分品种能源消费量-2015.xls	1	6803	1165.18	0.44	1583.81	991.54	462.75	544.38	182.35	4.91	51.15	146.88	951.25
22	2019	2015	Chongqing	重庆	2019/4能源消费/4-22 分地区分品种能源消费量-2015.xls	1	7747	5047.19	169.91	793.06	NA	199.98	66.63	491.21	13.90	20.18	88.37	875.37
13	2019	2015	Fujian	福建	2019/4能源消费/4-22 分地区分品种能源消费量-2015.xls	1	11863	7659.95	625.60	2071.71	2164.85	465.09	111.81	445.30	174.86	63.24	45.38	1851.86
27	2019	2015	Gansu	甘肃	2019/4能源消费/4-22 分地区分品种能源消费量-2015.xls	1	7489	6585.06	590.00	864.37	1446.50	171.20	5.86	299.50	4.97	9.19	26.04	1098.72
19	2019	2015	Guangdong	广东	2019/4能源消费/4-22 分地区分品种能源消费量-2015.xls	1	30117	16587.32	543.02	5619.24	4899.60	1229.09	275.02	1587.87	403.47	736.06	145.16	5310.69

kable(
  head(yearbook_balance_panel),
  digits = 2,
  caption = "省级能源平衡表关键字段面板预览"
)

省级能源平衡表关键字段面板预览
	yearbook_year	stats_year	province	source_file	sheet_name	coal_total_10k_tons	petroleum_products_total_10k_tons	natural_gas_100m3	electricity_100m_kwh	other_energy_10k_tce
4	2019	2018	Anhui	2019/6地区能源平衡表/6-12 安徽能源平衡表(实物量)-2018.xls	1-2	3781.91	1539.19	NA	NA	NA
1	2019	2018	Beijing	2019/6地区能源平衡表/6-1 北京能源平衡表(实物量)-2018.xls	1-2	129.82	1655.26	NA	NA	NA
15	2019	2018	Chongqing	2019/6地区能源平衡表/6-22 重庆能源平衡表(实物量)-2018.xls	1-2	2310.71	NA	NA	NA	NA
5	2019	2018	Fujian	2019/6地区能源平衡表/6-13 福建能源平衡表(实物量)-2018.xls	1-2	2398.08	1824.25	NA	NA	NA
20	2019	2018	Gansu	2019/6地区能源平衡表/6-27 甘肃能源平衡表(实物量)-2018.xls	1-2	1550.42	717.65	NA	NA	NA
11	2019	2018	Guangdong	2019/6地区能源平衡表/6-19 广东能源平衡表(实物量)-2018.xls	1-2	3433.33	6093.59	NA	NA	NA

kable(
  annual_prov %>%
    arrange(Year, Province) %>%
    head(12),
  digits = 2,
  caption = "2019-2025 省级年度碳排放面板预览"
)

2019-2025 省级年度碳排放面板预览
Province	Year	Emission_Scale
Anhui	2019	424.82
Beijing	2019	114.71
Chongqing	2019	127.56
Fujian	2019	267.67
Gansu	2019	169.58
Guangdong	2019	498.46
Guangxi	2019	220.92
Guizhou	2019	292.68
Hainan	2019	51.13
Hebei	2019	1192.94
Heilongjiang	2019	198.74
Henan	2019	491.65

3 3. 问题 1：空间差异与分类分级

3.1 3.1 宏观趋势

先对附件 1 的月度总排放做时间趋势检验，验证数据具备显著时间演化特征。

macro_monthly <- df_macro_total %>%
  group_by(Date_Month) %>%
  summarise(Total_CO2 = sum(CO2..Mt., na.rm = TRUE), .groups = "drop")

kable(
  summary(trend_model)$coefficients,
  digits = 4,
  caption = "月度总排放时间趋势回归结果"
)

月度总排放时间趋势回归结果
	Estimate	Std. Error	t value	Pr(>\|t\|)
(Intercept)	360.9525	240.8842	1.4984	0.1380
Date_Month	0.0315	0.0126	2.5038	0.0143

Date_Month 的回归系数为正，说明总体排放存在显著上升趋势。

ggplot(macro_monthly, aes(x = Date_Month, y = Total_CO2)) +
  geom_line(color = "steelblue", linewidth = 0.9) +
  geom_smooth(method = "lm", color = "firebrick", linetype = "dashed", se = FALSE) +
  theme_minimal() +
  labs(x = "Date", y = "Total CO2 (Mt)", title = "Monthly CO2 Trend")

Monthly CO2 trend

3.2 3.2 空间显著性检验

采用 Kruskal-Wallis 检验判断省际碳排放是否存在显著空间异质性。

kw_test

## 
##  Kruskal-Wallis rank sum test
## 
## data:  Emission_Scale by Province
## Kruskal-Wallis chi-squared = 206.18, df = 29, p-value < 2.2e-16

结果表明，不同省份的碳排放分布差异显著，可以支持问题 1 的空间异质性判断。

3.3 3.3 多维指标体系

根据题意和年鉴口径，最终用于分类分级的特征包括：

Emission_Scale：碳排放规模
Emission_Intensity：碳强度，定义为 Emission_Scale / GDP_2022
Emission_Efficiency：碳排放效率，定义为 Emission_Scale / Energy_Consum_2022
Second_Industry_Share_2022：第二产业占比

kable(
  prov_features %>%
    arrange(desc(Emission_Scale)) %>%
    select(Province, Emission_Scale, GDP_2022, Energy_Consum_2022, Second_Industry_Share_2022) %>%
    head(10),
  digits = 3,
  caption = "省级特征表前 10 行"
)

省级特征表前 10 行
Province	Emission_Scale	GDP_2022	Energy_Consum_2022	Second_Industry_Share_2022
Hebei	1077.733	42370.4	4294	0.402
Shandong	1032.275	87435.1	7383	0.400
Jiangsu	884.201	122875.6	7101	0.455
InnerMongolia	652.775	23158.6	3957	0.485
Shanxi	567.492	25642.6	2608	0.540
Hubei	557.866	53734.9	2472	0.395
Guangdong	536.785	129118.6	7867	0.409
Liaoning	530.329	28975.1	2576	0.406
Henan	491.892	61345.1	3647	0.415
Anhui	451.418	45045.0	2715	0.413

3.4 3.4 聚类结果

使用 Z-score 标准化后进行 K-means 聚类，k = 4。

kable(
  prov_features %>%
    select(Province, Emission_Scale, Emission_Intensity, Emission_Efficiency, Second_Industry_Share_2022, Cluster) %>%
    arrange(Cluster, desc(Emission_Scale)),
  digits = 4,
  caption = "省级分类分级结果"
)

省级分类分级结果
Province	Emission_Scale	Emission_Intensity	Emission_Efficiency	Second_Industry_Share_2022	Cluster
InnerMongolia	652.7747	0.0282	0.1650	0.4854	1
Xinjiang	410.1263	0.0231	0.1185	0.4098	1
Ningxia	194.7455	0.0384	0.1682	0.4831	1
Qinghai	93.9587	0.0260	0.1095	0.4392	1
Jiangsu	884.2009	0.0072	0.1245	0.4548	2
Guangdong	536.7854	0.0042	0.0682	0.4093	2
Henan	491.8919	0.0080	0.1349	0.4151	2
Anhui	451.4184	0.0100	0.1663	0.4127	2
Zhejiang	429.0999	0.0055	0.0778	0.4273	2
Shaanxi	347.6204	0.0106	0.1568	0.4862	2
Sichuan	304.7157	0.0054	0.0930	0.3728	2
Fujian	294.8847	0.0056	0.1039	0.4722	2
Yunnan	286.7675	0.0099	0.1341	0.3616	2
Guangxi	283.4363	0.0108	0.1266	0.3399	2
Hunan	254.6809	0.0052	0.1182	0.3941	2
Jiangxi	238.8847	0.0074	0.1282	0.4477	2
Guizhou	238.1937	0.0118	0.1367	0.3527	2
Gansu	188.3237	0.0168	0.1260	0.3522	2
Chongqing	144.8195	0.0050	0.1080	0.4015	2
Heilongjiang	194.8854	0.0123	0.1790	0.2924	3
Shanghai	141.7267	0.0032	0.0810	0.2566	3
Beijing	108.9409	0.0026	0.0884	0.1587	3
Hainan	56.4073	0.0083	0.1393	0.1923	3
Hebei	1077.7334	0.0254	0.2510	0.4024	4
Shandong	1032.2751	0.0118	0.1398	0.4005	4
Shanxi	567.4918	0.0221	0.2176	0.5398	4
Hubei	557.8655	0.0104	0.2257	0.3953	4
Liaoning	530.3295	0.0183	0.2059	0.4057	4
Tianjin	221.5962	0.0136	0.2257	0.3702	4
Jilin	184.7143	0.0141	0.2191	0.3541	4

fviz_cluster(
  kmeans_result,
  data = clustering_data,
  palette = c("#2E9FDF", "#00AFBB", "#E7B800", "#FC4E07"),
  ellipse.type = "convex",
  star.plot = TRUE,
  repel = TRUE,
  ggtheme = theme_minimal(),
  main = "Province Carbon Emission Clustering (PCA View)"
)

Province carbon emission clustering

4 4. 问题 2：影响因素识别与预测模型

4.1 4.1 变量体系

考虑到 2025 年完整省级年鉴尚未发布，问题 2 采用“因素识别模型 + 长期预测模型”的组合框架：省级面板回归负责识别影响因素，全国 Kaya 情景模型负责 2026-2045 年长期预测。这样既能利用已有的 2019-2025 省级排放面板，又避免用缺失的 2025 省级经济变量制造虚假精度。

因素识别变量包括：

经济规模：2022 年省级 GDP；
产业结构：第二产业增加值占 GDP 比重；
能源消费代理：分地区用电量；
部门排放结构：工业和电力部门排放占比；
时间趋势：2019-2025 年省级年度排放变化。

4.2 4.2 因素模型结果

先用 2022 横截面模型解释省际差异，再用 2019-2025 省级面板模型加入时间趋势和部门结构：

\[\ln(CO_2)=\alpha+\beta_1\ln(GDP)+\beta_2 S_2+\beta_3\ln(Elec)+\beta_4 Share_{Industry}+\beta_5 Share_{Power}+\varepsilon\]

kable(
  model_factor_summary %>%
    mutate(
      estimate = round(estimate, 4),
      std_error = round(std_error, 4),
      statistic = round(statistic, 3),
      p_value = signif(p_value, 3),
      r_squared = round(r_squared, 3),
      adj_r_squared = round(adj_r_squared, 3)
    ),
  caption = "影响因素模型结果"
)

影响因素模型结果
model_name	term	estimate	std_error	statistic	p_value	r_squared	adj_r_squared
2022 cross-section factor model	(Intercept)	-0.9917	0.7467	-1.328	0.196000	0.812	0.790
2022 cross-section factor model	log_gdp_2022	-0.0357	0.1386	-0.258	0.799000	0.812	0.790
2022 cross-section factor model	Second_Industry_Share_2022	1.6480	0.9668	1.705	0.100000	0.812	0.790
2022 cross-section factor model	log_electricity_proxy	0.8349	0.1940	4.303	0.000211	0.812	0.790
2019-2025 province panel factor model	(Intercept)	-0.7016	0.3133	-2.239	0.026200	0.809	0.804
2019-2025 province panel factor model	year_index	0.0195	0.0107	1.818	0.070500	0.809	0.804
2019-2025 province panel factor model	log_gdp_2022	-0.0623	0.0542	-1.150	0.252000	0.809	0.804
2019-2025 province panel factor model	Second_Industry_Share_2022	0.8957	0.4323	2.072	0.039500	0.809	0.804
2019-2025 province panel factor model	log_electricity_proxy	0.7992	0.0808	9.890	0.000000	0.809	0.804
2019-2025 province panel factor model	share_Industry	0.6568	0.2652	2.477	0.014100	0.809	0.804
2019-2025 province panel factor model	share_Power	0.5606	0.3474	1.613	0.108000	0.809	0.804

结果显示，能源消费代理变量在横截面和面板模型中均显著为正；第二产业占比和工业部门排放占比在面板模型中为正，说明工业结构和能源消费强度是省际排放差异的主要来源。GDP 系数在加入用电量代理后不显著，表明“经济规模”主要通过能源消费和产业结构传导到排放。

4.3 4.3 模型选择与衔接

回归模型的作用是回答“哪些因素影响碳排放”：能源消费代理、第二产业占比和工业部门排放占比进入模型后，能够解释省际排放差异。长期预测阶段如果直接把回归方程外推到 2045 年，需要为 30 个省份逐年构造 GDP、用电量、产业结构和部门占比序列，而 2025 年省级变量本身仍不完整，误差会在长期递推中累积。

因此，本文把基于情景驱动的 Kaya 模型作为最优长期预测模型。它保留了回归模型识别出的核心机制：经济规模对应 GDP，能源消费约束对应 EI，能源结构和电力低碳化对应 CF。同时，Kaya 模型可以直接嵌入 GDP 增速、能耗强度下降、非化石能源替代和碳排放因子下降等政策情景，更适合回答赛题要求的 2026-2045 年全国总量与强度预测。

长期预测采用 Kaya 恒等式：

\[CO_2 = GDP \times EI \times CF\]

其中 EI 为单位 GDP 能源消费，CF 为单位能源消费碳排放因子。2025 年基线使用全国 GDP 1401879 亿元、能源消费总量 61.7 亿吨标准煤，以及附件 1 的 1-9 月排放按 2019-2024 年同期占比放大全年得到的排放估计。2026-2045 年按情景参数逐年递推 GDP、能源强度和碳排放因子。

kable(
  forecast_history,
  digits = 2,
  caption = "全国历史排放基线与 2025 年估算"
)

全国历史排放基线与 2025 年估算
Year	co2_mt_observed	co2_mt	estimate_type
2019	11148.50	11148.50	observed full year
2020	11193.00	11193.00	observed full year
2021	11619.03	11619.03	observed full year
2022	11627.06	11627.06	observed full year
2023	11952.40	11952.40	observed full year
2024	11901.44	11901.44	observed full year
2025	8615.64	11639.66	partial-year scaled by 2019-2024 same-month share

5 5. 问题 3：三情景预测

5.1 5.1 情景设定

三套情景的核心差异是经济增速、能源强度下降速度和碳排放因子下降速度：

基准情景：延续现有政策和能源结构改善惯性；
低碳情景：强化节能改造、可再生能源替代和重点行业低碳技术；
强化低碳情景：更快压降煤炭依赖、扩大碳市场约束，并推进 CCUS、绿电和电气化替代。

核心参数如下。GDP 增速参考国内外机构对中国中长期潜在增速的判断和政府工作报告目标区间；能源强度下降率参考统计公报中万元 GDP 能耗下降、十五五能耗强度约束和历史下降速度；碳排放因子节点值由 2025 年全国排放、能源消费总量校准，并结合煤炭占比下降、清洁能源占比提高和非化石能源目标设定。完整来源摘记见 scenario_parameters.md，可复现计算由 forecast_scenarios.R 生成。

kable(
  scenario_rate_parameters %>%
    mutate(
      gdp_growth_pct = gdp_growth * 100,
      energy_intensity_change_pct = energy_intensity_change * 100
    ) %>%
    select(
      scenario, period_start, period_end,
      gdp_growth_pct, energy_intensity_change_pct
    ),
  digits = 2,
  caption = "三情景 GDP 增速与能源强度变化参数（%）"
)

三情景 GDP 增速与能源强度变化参数（%）
scenario	period_start	period_end	gdp_growth_pct	energy_intensity_change_pct
Baseline	2026	2030	5.0	-2.1
Baseline	2031	2035	4.5	-2.0
Baseline	2036	2040	3.8	-1.8
Baseline	2041	2045	3.3	-1.5
Low-carbon	2026	2030	4.8	-2.5
Low-carbon	2031	2035	4.3	-2.5
Low-carbon	2036	2040	3.5	-2.2
Low-carbon	2041	2045	3.0	-2.0
Enhanced low-carbon	2026	2030	4.5	-3.0
Enhanced low-carbon	2031	2035	4.0	-3.0
Enhanced low-carbon	2036	2040	3.2	-2.8
Enhanced low-carbon	2041	2045	2.7	-2.5

kable(
  scenario_carbon_factor_targets,
  digits = 3,
  caption = "三情景碳排放因子节点值（吨 CO2/吨标准煤）"
)

三情景碳排放因子节点值（吨 CO2/吨标准煤）
scenario	year	carbon_factor_tco2_per_tce
Baseline	2025	1.886
Baseline	2030	1.900
Baseline	2035	1.820
Baseline	2040	1.750
Baseline	2045	1.680
Low-carbon	2025	1.886
Low-carbon	2030	1.820
Low-carbon	2035	1.680
Low-carbon	2040	1.520
Low-carbon	2045	1.350
Enhanced low-carbon	2025	1.886
Enhanced low-carbon	2030	1.730
Enhanced low-carbon	2035	1.550
Enhanced low-carbon	2040	1.350
Enhanced low-carbon	2045	1.150

上述参数进入 Kaya 递推时，GDP 和能源强度按年度增长率逐年更新，碳排放因子在节点年份之间做线性插值。由此得到年度总排放 CO2 和碳强度 CO2/GDP。

5.2 5.2 预测结果

kable(
  scenario_forecast %>%
    filter(year %in% c(2025, 2030, 2035, 2040, 2045)) %>%
    select(
      scenario, year, gdp_trillion_yuan, total_energy_100m_tce,
      co2_gt, carbon_intensity_t_per_10k_yuan
    ),
  digits = 3,
  caption = "2026-2045 三情景关键年份预测"
)

2026-2045 三情景关键年份预测
scenario	year	gdp_trillion_yuan	total_energy_100m_tce	co2_gt	carbon_intensity_t_per_10k_yuan
Baseline	2025	140.188	61.700	11.640	0.830
Baseline	2030	178.919	70.818	13.455	0.752
Baseline	2035	222.966	79.773	14.519	0.651
Baseline	2040	268.674	87.781	15.362	0.572
Baseline	2045	316.029	95.738	16.084	0.509
Enhanced low-carbon	2025	140.188	61.700	11.640	0.830
Enhanced low-carbon	2030	174.700	66.028	11.423	0.654
Enhanced low-carbon	2035	212.549	68.984	10.693	0.503
Enhanced low-carbon	2040	248.804	70.062	9.458	0.380
Enhanced low-carbon	2045	284.256	70.527	8.111	0.285
Low-carbon	2025	140.188	61.700	11.640	0.830
Low-carbon	2030	177.222	68.725	12.508	0.706
Low-carbon	2035	218.745	74.741	12.556	0.574
Low-carbon	2040	259.801	79.425	12.073	0.465
Low-carbon	2045	301.180	83.228	11.236	0.373

ggplot(scenario_forecast, aes(x = year, y = co2_gt, color = scenario)) +
  geom_line(linewidth = 1) +
  geom_point(data = scenario_forecast %>% filter(year %in% c(2025, 2030, 2035, 2040, 2045)), size = 2) +
  theme_minimal() +
  labs(x = "Year", y = "CO2 emissions (Gt)", color = "Scenario", title = "2026-2045 Scenario Forecast")

Scenario forecast for national CO2 emissions

ggplot(scenario_forecast, aes(x = year, y = carbon_intensity_t_per_10k_yuan, color = scenario)) +
  geom_line(linewidth = 1) +
  theme_minimal() +
  labs(x = "Year", y = "Carbon intensity (t/10k yuan)", color = "Scenario", title = "Carbon Intensity Forecast")

Scenario forecast for carbon intensity

5.3 5.3 达峰判断

kable(
  scenario_peak_summary,
  digits = 3,
  caption = "三情景达峰年份与峰值水平"
)

三情景达峰年份与峰值水平
scenario	peak_year	peak_co2_gt	peak_co2_mt	co2_2030_gt	co2_2035_gt	co2_2045_gt	carbon_intensity_2045_t_per_10k_yuan
Baseline	2045	16.084	16083.97	13.455	14.519	16.084	0.509
Enhanced low-carbon	2025	11.640	11639.66	11.423	10.693	8.111	0.285
Low-carbon	2035	12.556	12556.50	12.508	12.556	11.236	0.373

在当前参数下，基准情景排放仍随经济规模扩大而上升，说明仅依赖现有改善惯性不足以稳定达峰。低碳情景在 2035 年附近达到峰值，强化低碳情景则在 2025 年基线之后持续下降，能够更稳妥地满足 2030 年前达峰要求。该结果说明，若要把碳达峰时间前移，关键不只是降低 GDP 能耗，还必须同步降低单位能源碳排放因子。

5.4 5.4 敏感性分析

为检验情景预测的稳健性，选取两个直接影响 Kaya 模型的参数做 5% 扰动：一是能源强度下降速度，二是碳排放因子目标值。前者对应节能效率和产业能效改造，后者对应能源结构清洁化、绿电替代和煤炭消费压降。

sensitivity_summary <- scenario_sensitivity %>%
  distinct(base_scenario, sensitivity_case, peak_year, peak_co2_gt, co2_2045_gt) %>%
  arrange(base_scenario, sensitivity_case)

kable(
  sensitivity_summary,
  digits = 3,
  caption = "关键参数 5% 扰动下的达峰敏感性"
)

关键参数 5% 扰动下的达峰敏感性
base_scenario	sensitivity_case	peak_year	peak_co2_gt	co2_2045_gt
Baseline	Base path	2045	16.084	16.084
Baseline	Carbon factor target looser 5%	2045	16.888	16.888
Baseline	Carbon factor target stricter 5%	2045	15.280	15.280
Baseline	Energy intensity improvement +5%	2045	15.783	15.783
Baseline	Energy intensity improvement -5%	2045	16.390	16.390
Enhanced low-carbon	Base path	2025	11.640	8.111
Enhanced low-carbon	Carbon factor target looser 5%	2030	11.994	8.516
Enhanced low-carbon	Carbon factor target stricter 5%	2025	11.640	7.705
Enhanced low-carbon	Energy intensity improvement +5%	2025	11.640	7.878
Enhanced low-carbon	Energy intensity improvement -5%	2025	11.640	8.350
Low-carbon	Base path	2035	12.556	11.236
Low-carbon	Carbon factor target looser 5%	2035	13.184	11.798
Low-carbon	Carbon factor target stricter 5%	2035	11.929	10.674
Low-carbon	Energy intensity improvement +5%	2030	12.428	10.974
Low-carbon	Energy intensity improvement -5%	2035	12.718	11.503

ggplot(
  scenario_sensitivity,
  aes(x = year, y = co2_gt, color = sensitivity_case, linetype = sensitivity_case)
) +
  geom_line(linewidth = 0.8) +
  facet_wrap(~ base_scenario, scales = "free_y") +
  theme_minimal() +
  labs(
    x = "Year",
    y = "CO2 emissions (Gt)",
    color = "Sensitivity case",
    linetype = "Sensitivity case",
    title = "Sensitivity Analysis of Scenario Forecasts"
  )

Sensitivity of emission paths to key parameter changes

敏感性结果表明，碳排放因子目标值的扰动对 2045 年排放水平影响更直接：在基准情景下，碳因子目标放松 5% 会把 2045 年排放推高到约 16.89 Gt，而加严 5% 可降至约 15.28 Gt。低碳情景下，能源强度改善速度加快可使达峰时间由 2035 年提前到 2030 年，但碳因子加严对峰值压降更明显。这说明政策重点不能停留在“控能耗”，还要尽快转向“降单位能源碳含量”。

6 6. 问题 4：建议书

6.1 6.1 分省分类治理

根据 2022 年排放规模和强度，省份可进一步划分为四类治理对象。

kable(
  province_policy_groups,
  digits = 3,
  caption = "省级治理优先级分组"
)

省级治理优先级分组
Province	Emission_Scale	GDP_2022	Energy_Consum_2022	Second_Industry_Share_2022	emission_intensity	group
Xinjiang	410.126	17741.3	3460	0.410	0.023	Efficiency improvement priority
Ningxia	194.746	5069.6	1158	0.483	0.038	Efficiency improvement priority
Gansu	188.324	11201.6	1495	0.352	0.017	Efficiency improvement priority
Qinghai	93.959	3610.1	858	0.439	0.026	Efficiency improvement priority
Hebei	1077.733	42370.4	4294	0.402	0.025	High-emission restructuring priority
InnerMongolia	652.775	23158.6	3957	0.485	0.028	High-emission restructuring priority
Shanxi	567.492	25642.6	2608	0.540	0.022	High-emission restructuring priority
Liaoning	530.329	28975.1	2576	0.406	0.018	High-emission restructuring priority
Shandong	1032.275	87435.1	7383	0.400	0.012	Large-scale mitigation priority
Jiangsu	884.201	122875.6	7101	0.455	0.007	Large-scale mitigation priority
Hubei	557.866	53734.9	2472	0.395	0.010	Large-scale mitigation priority
Guangdong	536.785	129118.6	7867	0.409	0.004	Large-scale mitigation priority
Henan	491.892	61345.1	3647	0.415	0.008	Low-carbon consolidation priority
Anhui	451.418	45045.0	2715	0.413	0.010	Low-carbon consolidation priority
Zhejiang	429.100	77715.4	5514	0.427	0.006	Low-carbon consolidation priority
Shaanxi	347.620	32772.7	2217	0.486	0.011	Low-carbon consolidation priority
Sichuan	304.716	56749.8	3275	0.373	0.005	Low-carbon consolidation priority
Fujian	294.885	53109.9	2837	0.472	0.006	Low-carbon consolidation priority
Yunnan	286.767	28954.2	2139	0.362	0.010	Low-carbon consolidation priority
Guangxi	283.436	26300.9	2238	0.340	0.011	Low-carbon consolidation priority
Hunan	254.681	48670.4	2155	0.394	0.005	Low-carbon consolidation priority
Jiangxi	238.885	32074.7	1863	0.448	0.007	Low-carbon consolidation priority
Guizhou	238.194	20164.6	1743	0.353	0.012	Low-carbon consolidation priority
Tianjin	221.596	16311.3	982	0.370	0.014	Low-carbon consolidation priority
Heilongjiang	194.885	15901.0	1089	0.292	0.012	Low-carbon consolidation priority
Jilin	184.714	13070.2	843	0.354	0.014	Low-carbon consolidation priority
Chongqing	144.819	29129.0	1341	0.401	0.005	Low-carbon consolidation priority
Shanghai	141.727	44652.8	1750	0.257	0.003	Low-carbon consolidation priority
Beijing	108.941	41610.9	1233	0.159	0.003	Low-carbon consolidation priority
Hainan	56.407	6818.2	405	0.192	0.008	Low-carbon consolidation priority

高排放且高强度省份应优先控制煤电、钢铁、焦化、水泥等存量高碳资产，新增项目实行能耗和碳排双约束；排放规模大但强度较低的省份应把重点放在电力系统低碳化和产业链协同减排；排放强度高但规模较小的省份应优先改造能源效率和资源型产业结构；低碳巩固类省份应发展绿色服务业、绿电交易和技术输出。

6.2 6.2 面向双碳目标的政策建议

第一，考核指标应从“总量控能”转向“强度降碳”。因素模型显示能源消费代理变量和工业占比是排放差异的核心因素，敏感性分析进一步表明碳排放因子目标放松会显著抬高 2045 年排放。因此地方年度考核不应只看 GDP 能耗，还应加入单位能源碳排放、绿电消费占比和煤炭消费占比。

第二，优先推进电力低碳化。面板模型中工业和电力部门占比为正，说明终端电气化如果没有绿电支撑，会把排放压力集中到电力侧。电力部门排放占比高的省份应优先配置绿电消纳、跨省输电、储能和煤电灵活性改造。

第三，对高耗能产业实行分行业技术路线。第二产业占比在面板模型中为正，说明产业结构调整是减排的关键路径。钢铁行业推动短流程电炉和氢冶金试点，水泥行业推广替代燃料和熟料比例控制，化工行业加强原料低碳替代和余热回收。

第四，扩大碳市场覆盖范围并提高数据质量。敏感性分析显示碳因子目标变化对长期排放路径影响明显，因此应把钢铁、水泥、电解铝、石化等行业逐步纳入全国碳市场，用价格信号倒逼企业降低单位能源碳含量。同时统一省级能源平衡表、标准煤折算和碳排放核算口径。

第五，保留差异化转型节奏。省级分组结果表明，不同地区的排放规模、强度和产业结构差异明显。资源型省份需要“减煤、稳供、转产业”同步推进，东部制造业大省应通过产业链低碳标准带动上下游减排，服务业占比较高地区则应承担绿色金融、技术输出和消费端减排示范功能。

7 7. 结论

本文基于附件 1、附件 2、Carbon Monitor 省级数据和统计年鉴能源经济变量，得到以下结论：

各省碳排放存在显著空间异质性，可以用排放规模、排放强度、能源效率和第二产业占比构建分类分级体系；
能源消费代理、第二产业占比和工业部门排放占比是解释省际排放差异的关键因素；
基准情景下现有改善速度不足以支撑 2030 年前稳定达峰，低碳情景在 2035 年附近达峰，强化低碳情景才能形成持续下降路径；
敏感性分析表明碳排放因子目标对长期排放水平影响突出，双碳政策应从单纯能耗控制转向“能源强度 + 碳排放因子 + 产业结构”的组合治理。

我国碳排放数据分析与研究

基于 proto.R 的可重复分析报告

Qedexpress

2026-05-09