第38卷第11期2020年11月环境工程EnvironmentalEngineeringVol．38No．11Nov．2020城市碳排放达峰和低碳发展研究：以上海市为例张哲1任怡萌2董会娟3（1．上海交通大学中英国际低碳学院，上海200240；2．中国人民大学统计学院，北京100872；3．上海交通大学环境科学与工程学院，上海200240）摘要：在2015年巴黎气候变化大会上，中国政府提出“2030年前后碳排放达到峰值并加快实现”等一系列新阶段目标。城市是能源资源消耗和碳排放的集聚区域，推动城市低碳发展成为各国面临的共同挑战。采用STIRPAT模型，探究上海市过去20年发展总体形势，分析碳排放影响因素，判断上海在2025年是否可以达峰。结果表明：无论基准情景还是超低碳情景，上海市在2025年之前达峰的目标均可以实现。在对上海市碳排放各影响因素中，城市化率对其影响最大，其次是人均GDP水平。关键词：应对气候变化；碳排放达峰；低碳城市；STIRPAT模型DOI：10.13205/j．hjgc．202011003RESEARCHONCARBONEMISSIONSPEAKINGANDLOW-CARBONDEVELOPMENTOFCITIES：ACASEOFSHANGHAIZHANGZhe1，RENYi-meng2，DONGHui-juan3（1．China-UKLowCarbonCollege，ShanghaiJiaoTongUniversity，Shanghai200240，China；2．SchoolofStatistics，RenminUniversity，Beijing100872，China；3．SchoolofEnvironmentalScienceandEngineering，ShanghaiJiaoTongUniversity，Shanghai200240，China）Abstract：Onthe2015ParisClimateChangeConference，Chinesegovernmentputforwardaseriesofnewgoalssuchas“peakcarbonemissionsaround2030andacceleratetheirrealization”．Citiesaremainsourcesofenergyconsumptionandcarbonemissions，thuspromotinglow-carbondevelopmentofcitiesbecomesacommonchallengefacingallcountries．ThisstudyusedtheSTIRPATmodeltoexplorethedevelopmentsituationofShanghaiinthepast20years，andanalyzedtheimpactfactorsofitscarbonemissionstoidentitywhetherShanghaicanpeakcarbonemissionsin2025．Theresultsshowedthatshanghaicouldpeakitscarbonemissionsby2025undereitherthebaselinescenarioortheultra-lowcarbonscenario．ItwasalsofoundthaturbanizationratewasthedominantimpactfactorsforShanghai’scarbonemissions，followedbythelevelofpercapitaGDP．Keywords：climatechange；peakcarbonemissions；low-carboncities；STIRPATmodel收稿日期：2020－06－21基金名称：国家自然科学基金项目“城市生活垃圾分类回收体系全过程仿真与优化调控机制研究”（71974126）；国家自然科学基金项目“经济发展新常态下的绿色低碳转型特征与模式研究”（71690241）。第一作者：张哲（1996－），女，硕士，主要研究方向为碳排放。zzcheryl@sjtu．edu．cn通信作者：董会娟（1981－），女，博士，副教授，主要研究方向为环境管理。donghj@sjtu．edu．cn0引言《巴黎协定》指出，为了避免气候变化对经济、社会、生态产生严重影响，全球平均升温须控制在2℃以内。为了实现温控目标，全球温室气体应在2020年或者更早达到峰值，到21世纪下半叶实现净零排放［1］。因此，2015年中国政府确定了2030年左右CO2排放达到峰值，并争取尽早达峰的碳减排自主行动目标［2］。碳排放达峰并不单指在某一年达到最大排放量，而是一个过程，即碳排放首先进入平台期并可能在一定范围内波动，然后进入平稳下降阶段。城市是人类生活主要的空间载体和温室气体主要的排放源，中国70%的碳排放来自城市，到2030年第11期张哲，等：城市碳排放达峰和低碳发展研究：以上海市为例这一比例还将升至80%［3］。尤其随着城市化进程的加快，城市碳排放减排和达峰控制对我国的达峰目标的实现将发挥越来越重要的作用。目前，北京、上海、天津、深圳及广州等低碳试点城市已经公布碳排放达峰时间。上海作为引领我国城市发展的超大型城市典型代表之一，其能源消费和碳排放也遥遥领先，其已提出2025年全市的碳排放总量与人均碳排放达到峰值［4］。为了预测上海能否实现达峰目标，本文采用STIRPAT模型探究上海市未来发展总体形势，分析其现有政策下和更低碳政策下碳排放的达峰情况，并提出其碳减排和达峰路径相关政策建议。此外，判断上海在2025年是否可以达峰，也可为全国其他省市“十四五”期间乃至更长一段时间做好低碳减排工作和推动碳排放达峰提供参考。1碳排放达峰研究综述碳排放达峰研究主要集中在2个方面：1）碳排放究竟会不会达峰以及达峰相关理论问题；2）具备什么条件才能出现峰值以及如何预测具体峰值问题。分别综述如下。1.1碳排放达峰理论研究碳排放峰值理论最早是世界银行《世界发展报告》（1992年）提出，环境污染程度与人均GDP的关系是倒U形，经济刚起步时，环境污染随着人均GDP增长而增加，经济发展到一定水平之后，环境污染开始出现拐点，之后环境污染随着人均GDP继续增加反而逐步下降，这种现象也被称为环境库兹涅茨曲线（EKC）。随后，开始有学者研究碳排放与经济增长之间的关系，一部分学者支持碳排放量与经济发展存在倒U形关系，即存在碳排放峰值。Al-mulali等［5］对18个拉美国家1980—2010年的数据进行分析，探讨了可再生和不可再生电力消耗对经济增长的影响。Kasman等［6］搜集1992—2010年欧盟新成员国和候选国的能源消费、碳排放与经济增长、城市化率和贸易开放之间的因果关系，结果显示：样本国家的环境与经济之间存在倒U形关系。Zoundi［7］通过将面板数据与EKC模型结合研究了中国30个省市经济增长与碳排放之间的关系，并进行非空间面板模型和空间面板模型转折点之间的对比分析。许广月等［8］从国家、地区层面分别进行研究，结果显示：国家和东部地区存在经济发展与碳排放的环境库兹涅茨曲线，但在西部地区是不存在的。刘华军等［9］发现人均GDP与碳排放量之间的倒U形关系，除北京、上海、天津地区，其他地区人均碳排放量均处于上升阶段。以上这些研究均证实了环境库兹涅茨曲线，即存在碳排放峰值。杜强等［10］发现EKC曲线适用于市域建筑业碳排放研究。李国志［11］基于中国1965—2015年数据，对中国碳排放EKC拐点的存在性进行实证分析，结果表明1990—2015年存在典型的倒U形EKC曲线和拐点。但是有一部分学者通过研究认为不存在碳排放的峰值。Friedl等［12］运用协整方法，分析了奥地利1960—1999年的面板数据，结果表明：澳大利亚经济增长和碳排放之间的N形曲线关系，碳排放不仅取决于经济增长，还取决于GDP的短期波动和气候条件。Fodha等［13］运用协整分析方法，以突尼斯1961—2004年长面板数据为基础，发现经济增长与二氧化硫之间呈倒U形关系，但是与CO2之间的关系是单调递增的。郑长德等［14］运用空间计量模型方法，发现我国碳排放量在地区上存在集聚效应，经济增长和碳排放量呈正线性相关。1.2碳排放峰值预测研究2014年《中美气候变化联合声明》中，我国首次提出要在2030年左右达到碳排放峰值。我国碳排放总量达峰和各省市碳排放达峰方面，国内外已有许多学者开展了相关研究（表1）。Chai等［15］研究显示，中国受到经济发展和能源转型的影响，将在2025年之后达到碳排放峰值，预计峰值为110亿～120亿t，人均8.0～8.5t。大部分工业化基础设施建设基本完成，城市化率将近70%，人均收入将达到20000美元（按2005年不变价）。Niu等［16］在综合考虑中国能源强度、经济增长、单位能源利用率后，预计中国将在2035年达到碳排放峰值，为111.5亿～132亿t，比2013年的基准线高出9.02%～29.05%。但前提是中国必须增强技术进步，能源结构持续升级。Zhang等［17］采用C-GEM模型，发现煤炭使用量在2020年左右达到峰值，碳排放在2030年左右稳定在100亿t。Yang等［18］采用自下而上的模型研究了碳排放达峰和空气质量之间的关系，情景分析表明，如果维持现有的减排措施，碳减排将无法在2030年之前达到峰值，空气质量也将随着能源消耗的增加而恶化。必须实施共同控制措施和强有力的末端治理方式，以减少碳排放和空气污染物。Mi等［19］采用基于投入产出优化模型－经济与气候模型31环境工程第38卷表1中国CO2排放达峰的研究总结Table1ResearchsummaryofChina’scarbondioxideemissionspeaking文献来源地区达峰时间/a峰值/亿t预测模型Chai等［15］中国2025—2030110～120综合评估模型Niu等［16］中国2035111.5～132灰色预测模型（GM1，1）Zhang等［17］中国2030100中国－全球能源模型（C-GEM）Yang等［18］中国2030118.8自下而上情景Mi等［19］中国2026112投入产出优化模型—经济与气候模型（IMEC）Gallagher等［20］中国2026118系统动力学Zhou等［21］中国202595.9LEAPmodelandDREAM模型Wang等［22］中国2021130～160Regression模型曹斌等［23］厦门市——LEAP模型龙妍等［24］湖北省2030—LEAP模型邱硕等［25］陕西省20210.00025LEAP模型冯宗宪等［26］陕西省20300.00045情景分析＆蒙特卡罗模拟法邓小乐等［27］西北五省2020—2025—STIRPAT模型李强等［28］长江经济带11个省市2024—202951.31～52.37STIRPAT模型毕莹等［29］辽宁省2034—2040—STIRPAT模型陈丽君等［30］浙江省2025—LEAP模型（IMEC），发现中国将在2026年达到CO2最高排放水平，达到112亿t的峰值，然后在2030年下降至108.4亿t。Gallagher等［20］在《自然－通讯》发表的中美合作研究，针对中国现行减排政策进行了分析，其模型的研究结果指出，中国有望在2030年前达到碳排放峰值，但前提是中国必须全面有效落实所有现行政策，成功完成电力行业改革，并全面建立全国碳排放交易体系。Zhou等［21］研究表明，中国的CO2排放从2022年开始处于稳定水平，2025年达到9590MtCO2的峰值。工业部门的排放量率先在2017年左右达到峰值，其实是建筑业于2029年达到峰值，2035年运输业达到峰值。Wang等［22］研究2000—2016年中国50个城市的CO2排放量，认为人均GDP为21000美元时可达到人均排放量的峰值，根据中国的历史排放量，预测出2021年中国的碳排放量将达到130亿～160亿t的峰值。对于我国不同省份的碳达峰情况，不同研究学者也做出了相关预测。曹斌等［23］采用LEAP模型，通过设置基准情景和综合控制情景对厦门市节能减排潜力进行研究，并详细分析了不同控制情景和不同部门的节能减排贡献率，发现厦门市已经出台的一系列节能减排政策在被良好实施的情况下拥有巨大的节能减排潜力。龙妍等［24］利用LEAP模型，构建了湖北省基准情景、节能情景和强化节能情景3种情形。结果显示：单纯地从技术进步、能源结构、产业结构、新能源发展等完成2030年达峰目标难度很大，保持GDP增速合理化才是2030年湖北省碳排放达峰的重点。邱硕等［25］采用LEAP模型，在节能减排综合情景下，陕西省CO2排放量在2021年达到2.46万t。认为在综合节能减排情景下，2030年一次能源消耗量与基准情景相比可望降低20.35%，温室气体排放量将降低27.29%，其中工业、交通及发电部门贡献水平最高。冯宗宪等［26］基于情景分析法以及蒙特卡罗模拟法对陕西省的碳排放峰值进行预测表明，碳排放峰值大约出现在2030年，峰值约为4.46万t。邓小乐等［27］利用STIRPAT模型和1990—2010年时间序列数据对为未来西北5省区碳排放峰值进行预测。研究表明，可以通过提高人均GDP使碳排放峰值提前，西北5省将在2030年之前达峰，达峰时间为2020—2025年。李强等［28］运用STIRPAT模型，基于长江经济带11个省市的2000—2014年面板数据，预测其碳排放峰值。研究发现，在经济增长情况下，保持碳排放强度合理下降，长江经济带碳排放将在2030年前达峰，达峰时间为2024—2029年，峰值为51.31亿～52.37亿t。毕莹等［29］采用拓展的STIRPAT模型对辽宁省碳排放的影响因素进行筛选和分析，结果表明，低碳情景是实现辽宁省碳排放达峰的最佳发展模式，低碳发展下达峰时间最早（2034年），且峰值最低；激进排放情景则是最不理想的发展模型，达峰时间最晚（2040年），峰值也最高。陈丽君等［30］采用LEAP模型，分析认为在注重绿色节能理念，控制高耗能高排放行业发展，经济增长速度也相对放缓的渐进式发展情景下，浙江省预计在2025年左右达峰。1.3文献总结总体而言，针对国内省市碳排放达峰的研究方法大多是LEAP模型和STIRPAT模型分析，其参数设置均有不同，预测结果也不尽相同。在模型预测中，参数设置对结果的影响十分重要。在已有研究中，大部分的参数设定是根据历史增长率推算的，其误差较大。因此，本文将采用STIRPAT模型预测上海市碳排放达峰情况，并根据上海市所颁布的相关政策文件41第11期张哲，等：城市碳排放达峰和低碳发展研究：以上海市为例设定相应参数，减少误差。2研究方法和数据来源2.1STIRPAT模型STIRPAT（stochasticimpactsbyregressiononpopulation，affluence，andtechnology，可拓展的随机性的环境影响评估）模型的基本形式为Ii=αPaiAbiTciei；其中：P为人口规模；A为人均富裕程度；T为技术水平；a为人口规模系数；b为人均富裕程度系数；c为技术水平系数；e为随机环境误差。因变量I为环境影响程度，如CO2排放量，该模型是STIRPAT方程的随机形式，可对各因素对环境造成的非比例影响进行研究（表2）。除上述自变量外，其他可以对环境造成影响的因素也可引入该模型进行扩展，从而分析其对环境的影响。本文选取人口总量（P）、人均GDP（A）、城市化率（U）、能源强度（T）、能源结构（F）和产业结构（C）6项因素作为自变量对STIRPAT模型进行扩展，得到扩展后的模型见式（1）。E=αPaiAbiUciTdiFfiCgie（1）为了消除模型中可能存在的异方差影响，本文将所有变量进行对数化处理，取对数化后的STIRPAT模型如下：lnE=lnα+alnP+blnA+clnU+dlnT+flnF+glnC+lne（2）表2STIRPAT模型变量说明Table2Variables’descriptionofSTIRPATmodel变量符号变量名称变量说明单位E碳排放量城市范围1和范围2碳排放万tP人口总量城市常住人口数据万人A人均GDP人均GDP万元/人，1997年不变价U城市化率城镇人口占城市人口比重%T能源强度单位GDP标煤能耗t（标煤）/万元，1997年不变价F能源结构煤炭占一次能源的比重%C产业结构第三产业占比%已有关于碳排放影响因素的研究发现，使用STIRPAT模型时，选取的自变量之间可能存在一定程度的相关性，如果直接建立多元线性回归模型，则可能会产生多重共线性的问题，导致普通最小二乘法无法求解的情况。为解决这一问题，本文使用偏最小二乘法（PLS）进行回归分析。2.2达峰情景设置“十三五”期间，上海市出台许多应对气候变化规划政策文件，不断加强应对气候变化工作，大力进行产业结构和能源消费结构的优化升级。根据上海市发布的政策文件，对上海市2018—2035年人口、人均GDP、城市化率、第三产业占比、能源强度、能源结构进行预测。将设置2个情景，其中，基准情景完全参考上海市相关的气候变化规划政策文件，超低碳情景对参数的设置将比基准情景更低碳，人口控制更严格，城市化进程更缓慢，能源强度、能源结构和产业结构控制更严格。1）人口。2018—2019年上海市常住人口数据来自《2018年上海市国民经济和社会发展统计公报》《2019年上海市国民经济和社会发展统计公报》［31］，2020—2035年人口增长率来自联合国人口预测。基准情景下：2020年人口增长率为0.46%，2021—2025年人口增长率为0.26%，2026—2030年人口增长率为0.09%，2031—2035年人口增长率为－0.05%。超低碳情景下：2020年人口增长率为0.46%，2021—2025年人口增长率为0.1%，2026—2030年人口增长率为－0.14%，2031—2035年人口增长率为－0.32%。2）经济情况。2018—2019年上海市GDP数据来自《2018年上海市国民经济和社会发展统计公报》《2019年上海市国民经济和社会发展统计公报》［31］；鉴于2020年新型冠状病毒疫情对中国各省市经济活动造成一定程度的影响，根据不同研究机构的预测（表3），综合我国经济结构实际情况，最终确定中国2020年GDP增速为4.5%，上海市2020年GDP增长率为4.5%。基准情景下：2021—2025年GDP增长率来自国家信息中心《经济社会发展和形势预测》；2026—2030年GDP增长率假设为5%，2031—2035年GDP增长率假设为4.5%。超低碳情景下：2021—2030年GDP增长率假设为5%，2031—2035年GDP增长率假设为4.5%。表3各机构对2020年中国经济的预测Table3ForecastofChina’seconomyin2020bydifferentinstitutions机构名称预测数据（GDP增长率）/%预测时间世界银行（WB）［32］2.32020-03OECD［33］4.92020-03投行野村［33］4.82020-03渣打银行［33］42020-033）城市化率。城镇化是影响碳排放的重要因素之一［34，35］，上海市城镇化水平一直处于中国各省市前列。2018年已经达到88.1%，位列全国第1。上海市已开始严重控制［36］外来人口数量，未来城镇化水平将增长缓慢。在基准情景中，2035年上海市城市51环境工程第38卷化率将达到90%，2019—2035年，上海市城市化率将以线性逐年增长。在超低碳情景中，2035年上海市城市化率将达到91%，2019—2035年，上海市城市化率将以线性逐年增长。4）能源强度。根据《上海市城市总体规划（2017—2035）》［4］要求，2035年万元地区生产总值（GDP）能耗控制在0.22t标煤以下。基准情景下，2018—2035年能源强度从0.27t标煤/万元线性下降至0.22t标煤/万元。超低碳情景下，2018—2035年能源强度从0.27t标煤/万元线性下降至0.20t标煤/万元。5）能源结构。根据《上海市能源发展“十三五”规划》［37］要求，2020年，煤炭占一次能源消费比重从2015年的36%下降到33%。基准情景下，2021—2025年线性下降至30%，2026—2035年线性下降至25%。超低碳情景下，2021—2025年线性下降至28%，2026—2035年线性下降至20%。6）产业占比。产业结构升级是经济增长的原因，也是碳排放增长的原因［38］。目前上海市第三产业占比在70%以上，并且呈逐渐增长趋势，2015—2019年第三产业占比年均增长1.2百分点。基准情景下，2020—2025年年均增长1百分点，2026—2035年年均增长0.8百分点。超低碳情景下，2020—2025年年均增长1.2百分点，2026—2035年年均增长1百分点。2.3数据来源1997—2017年碳排放量采用中国碳排放数据库（CEADs）数据，人口总量、人均GDP、城市化率、能源强度、能源结构和产业占比数据来源于历年《上海市统计年鉴》。为排除通货膨胀等物价上涨因素，GDP采用1997年不变价进行折算。3结果与分析3.1回归结果分析原始指标的Pearson相关系数矩阵如表4所示。可以看出，大部分指标之间存在高度相关性。其中，人均GDP和人口数的相关系数高达0.96，城市化率与能源强度和人口之间的相关系数绝对值也超过0.86。由于各个变量之间的相关性较强，可以使用主成分分析提取主成分。计算主成分对原始指标的方差贡献率，得到4个主成分的累计方差贡献为50%、99%、99.98%和99.99%，已经可以充分解释原始指标的信息。其中，每个主成分分别能解释总方差的50%、49%、0.98%和0.01%，使得方差的累积贡献率达到99%以上。根据上述步骤，得到提取各成分时R2分别为0.9077、0.7296、0.0027、0.0037。提取4个主成分对碳排放的累积解释能力（R2累积）已高达99.38%，因此偏最小二乘回归时提取4个主成分即可。表4Pearson相关系数矩阵Table4Pearsoncorrelationcoefficients’matrix项目人口人均GDP城市化率能源强度能源结构产业占比人口10.9567100.9525550.886694－0.984969－0.963479人均GDP0.95671010.8560810.963824－0.9760239－0.967363城市化率0.9525550.85608110.735216－0.926291－0.934274能源强度0.8866940.9638240.7352161－0.921885－0.897944能源结构－0.984969－0.976024－0.926291－0.92188510.981230产业占比－0.963479－0.967363－0.934274－0.8979440.9812301使用主成分分析步骤确定的主成分数量，提取4个主成分t1，t2，t3，t4。首先，对原数据的X和Y都进行标准化，再通过PLS算法，得到回归方程为：lnE=2.24+0.02lnP+0.68lnA+1.32lnU－0.34lnT+0.11lnF+0.44lnC（3）从得到的回归方程式（3）来看：对于上海地区，在保持其他变量不变的情况下，城市人口每提高1%，则碳排放平均增长0.02%；人均GDP每提高1%，则碳排放平均增长0.68%；城市化率每提高1%，则碳排放平均增长1.32%；能源强度每提高1%，则碳排放平均下降0.34%；能源结构每提高1%，则碳排放平均增长0.11%；产业结构每提高1%，则碳排放平均增长0.44%。实际排放与拟合结果如图1所示，误差在－4%～3.2%。3.2碳排放达峰情景分析根据设置的2种不同情景，2018—2035年上海市碳排放如图2所示。《城市达峰指导手册》中指出：城市碳排放达峰不仅仅指某一年碳排放达到峰值，而是城市的碳排放量出现持续稳定下降。在基准情景下，上海市2018—2024年一直处于平台期，碳排放在小幅度波动变化，维持在19500万t左右，在2024年达到峰值，为19671.96万t。在2025年后，排放量开始有大幅度下降，在2035年降至17546万t。在超低碳情景下，上海市在2022年达到峰值，为61第11期张哲，等：城市碳排放达峰和低碳发展研究：以上海市为例—■—实际排放量；—●—拟合排放量。图1上海市碳排放实际排放与回归结果误差分析Figure1AnalysisoferrorsbetweenactualemissionsandregressionresultsinShanghai19506.48万t。2022年之后，排放量开始下降，在2035年降至16122万t。超低碳情景在2035年比基准情景少排放1424万t。基准情景和超低碳情景下，上海市均会在2025年之前达峰，碳排放峰值不超过2亿t，之后均开始有大幅度下降。—■—实际排放量；—●—基准情景；—▲—超低碳情景。图22018—2035年上海市碳排放预测Figure2Shanghaicarbonemissionforecastin2018—2035从模型系数的大小上看，城市化率是影响上海市碳排放最重要的因素，城市化率每提高1%，则碳排放平均增长1.32%。在2013年的碳排放上升也证实了这一点。2011—2013年城市化率较高，维持在89%～90%，碳排放量可达到2亿t。从2015年开始，上海城市化率维持在87%～88%，碳排放量则保持在1.8亿～1.95亿t。目前来看，上海市达到城市化演进后期阶段对碳排放的抑制作用尚未体现，也说明国内大都市虽然城市化水平很高，居民收入或产业结构已接近国内中等富裕水平，但是城市化率仍对碳排放正向促进作用。人均GDP是影响上海市碳排放的另一个重要因素，人均GDP每提高1%，则碳排放平均增长0.68%。人均收入水平对应富裕程度，通常富裕程度高的城市在基础设施建设和交通等方面比富裕程度低的城市消耗的资源和能源更高，产生环境效应影响压迫更大，因此碳排放量也更高，但在发达国家城市存在截然不同的情况。2020年由于受新型冠状病毒肺炎疫情的影响，GDP增速会有所降低，人均收入随之降低，导致在情景预测下，2020年碳排放比2019年有轻微下降。之后GDP增长回归正常涨幅，碳排放将在2021年有所回升。4结论与政策建议本文以上海市为研究对象，通过STIRPAT模型分析1997—2017年历史排放，研究人口、人均GDP、城市化率、产业结构、能源结构和能源强度对碳排放的影响。设置不同的情景参数，研究上海市未来碳排放达峰情况。结果表明：从历史排放上来看，城市化率对于碳排放的影响最大，其次是人均GDP。无论基准情景和超低碳情景，2025年上海市的碳排放达峰的目标均可实现。基准情景下，上海市碳排放于2024年达到峰值，2024年之后开始下降。超低碳情景下，在2022年达到峰值，2011—2022年一直处于平台期，之后开始稳定下降。基准情景均是参照上海市目前推行的政策文件内容所设置的，2025年之前碳排放达峰的目标是可以实现的。对于现有的政策文件，如《上海市城市总体规划（2017—2035）》《上海市能源发展“十三五”规划》等。对于人口、能源结构和能源强度等指标，需按照文件要求必须严格执行并落实。在完成度较好的情况下，可以加强该指标设定，力求实现上海市尽早达峰。从上海市历史排放来看，城镇化进展对上海市的碳排放影响较大。需进一步完善城市低碳化整体规划，不断加大财政投入与政策扶持，探索低碳城镇化的新路径。避免传统“摊大饼”式城市发展思路，建设低碳环保城市，摒弃高碳排的城镇化道路［38］。这样才保证上海市碳排放达到峰值，甚至提早达峰。参考文献［1］UNFCCC．TheParisAgreement［R］．NewYork，2015．［2］李海鹰．浅谈巴黎气候大会后中国碳减排问题［J］．现代商业，2017（11）：163-164．［3］冯辰，郭秀锐，路路．北京市能源需求及碳排放情景分析［D］．71环境工程第38卷北京：北京工业大学，2012．［4］上海市人民政府．上海市城市总体规划（2017—2035年）［R］．上海，2017．［5］AL-MULALIU，FEREIDOUNIHG，LEEJYM．Electricityconsumptionfromrenewableandnon-renewablesourcesandeconomicgrowth：evidencefromLatinAmericancountries［J］．RenewableandSustainableEnergyReviews，2014，30：290-298．［6］KASMANA，DUMANYS．CO2emissions，economicgrowth，energyconsumption，tradeandurbanizationinnewEUmemberandcandidatecountries：apaneldataanalysis［J］．EconomicModelling，2015，44：97-103．［7］ZOUNDIZ．CO2emissions，renewableenergyandtheEnvironmentalKuznetsCurve，apanelcointegrationapproach［J］．Renewable＆SustainableEnergyReviews，2016．［8］许广月，宋德勇．中国碳排放环境库兹涅茨曲线的实证研究：基于省域面板数据［J］．中国工业经济，2010（5）：37-47．［9］刘华军，闫庆悦，孙曰瑶．中国二氧化碳排放的环境库兹涅茨曲线：基于时间序列与面板数据的经验估计［J］．中国科技论坛，2011（4）：108-113．［10］杜强，冯新宇，孙强．市域建筑业碳排放与经济发展关系及影响因素研究：以西安市为例［J］．环境工程，2017，35（2）：174-179．［11］李国志．基于变参数模型的中国碳排放与经济增长EKC拐点研究［J］．环境工程，2018，36（2）：142-146．［12］FRIEDLB，GETZNERM．DeterminantsofCO2emissionsinasmallopeneconomy［J］．EcologicalEconomics，2003，45（1）：133-148．［13］FODHAM，ZAGHDOUDO．EconomicgrowthandpollutantemissionsinTunisia：anempiricalanalysisoftheenvironmentalKuznetscurve［J］．EnergyPolicy，2010，38（2）：1150-1156．［14］郑长德，刘帅．基于空间计量经济学的碳排放与经济增长分析［J］．中国人口·资源与环境，2011，21（5）：80-86．［15］CHAIQM，XUHQ．ModelinganemissionspeakinChinaaround2030：synergiesortrade-offsbetweeneconomy，energyandclimatesecurity［J］．AdvancesinClimateChangeResearch，2014，5（4）：169-180．［16］NIUSW，LIUYY，DINGYX，etal．China’senergysystemstransformationandemissionspeak［J］．RenewableandSustainableEnergyReviews，2016，58：782-795．［17］ZHANGXL，KARPLUSVJ，QITY，etal．CarbonemissionsinChina：Howfarcanneweffortsbendthecurve？［J］．EnergyEconomics，2016，54：388-395．［18］YANGX，TENGF．AirqualitybenefitofChina’smitigationtargettopeakitsemissionby2030［J］．ClimatePolicy，2017，18（1）：99-110．［19］MIZF，WEIYM，WANGB，etal．SocioeconomicimpactassessmentofChina’sCO2emissionspeakpriorto2030［J］．JournalofCleanerProduction，2017，142（4）：2227-2236．［20］GALLAGHERKS，ZHANGF，ORVISR，etal．AssessingthePolicygapsforachievingChina’sclimatetargetsintheParisAgreement［J］．NatureCommunications，2019，10（1）：1256．［21］ZHOUN，PRICEL，YANDED，etal．AroadmapforChinatopeakcarbondioxideemissionsandachievea20%shareofnon-fossilfuelsinprimaryenergyby2030［J］．AppliedEnergy，2019，239：793-819．［22］WANGHK，LUX，DENGY，etal．China’sCO2peakbefore2030impliedfromcharacteristicsandgrowthofcities［J］．NatureSustainability，2019，2（8）：748-754．［23］曹斌，林剑艺，崔胜辉，等．基于LEAP的厦门市节能与温室气体减排潜力情景分析［J］．生态学报，2010，30（12）：3358-3367．［24］龙妍，丰文先，王兴辉．基于LEAP模型的湖北省能源消耗及碳排放分析［J］．电力科学与工程，2016，32（5）：1-6，19．［25］邱硕，王雪强，毕胜山，等．LEAP模型下的陕西省节能与温室气体减排潜力分析［J］．西安交通大学学报，2016，50（11）：28-35．［26］冯宗宪，王安静．陕西省碳排放因素分解与碳峰值预测研究［J］．西南民族大学学报（人文社科版），2016，37（8）：112-119．［27］邓小乐，孙慧．基于STIRPAT模型的西北五省区碳排放峰值预测研究［J］．生态经济，2016，32（9）：36-41．［28］李强，左静娴．基于STIRPAT模型的长江经济带碳排放峰值预测研究［J］．东北农业大学学报（社会科学版），2017，15（5）：53-58．［29］毕莹，杨方白．辽宁省碳排放影响因素分析及达峰情景预测［J］．东北财经大学学报，2017（4）：91-97．［30］陈丽君，吴红梅，范玲，等．浙江省碳排放峰值判断及其对策研究［J］．中国能源，2017，39（4）：43-47．［31］上海市统计局．2019年上海市国民经济和社会发展统计公报［EB/OL］．http：//tjj．sh．gov．cn/tjgb/20200329/05f0f4abb2d448a69e4517f6a6448819．html．2020-3-9．［32］BankW．GlobalEconomicProspects，June2020［EB/OL］．https：//openknowledge．worldbank．org/handle/10986/33748．2020-6．［33］OECD．Coronavirus：Theworldeconomyatrisk［EB/OL］．http：//www．oecd．org/economic-outlook/march-2020/．2020-3-2．［34］徐丽娜．城镇化进程中山西省碳排放量影响因素分析及预测研究［D］．天津：天津大学，2014．［35］王世进．我国城镇化进程中碳排放影响因素的实证研究［J］．环境工程，2017，35（6）：146-150．［36］何永贵，于江浩．基于STIRPAT模型的我国碳排放和产业结构优化研究［J］．环境工程，2018，36（7）：174-178，184．［37］上海市人民政府．上海市能源发展“十三五”规划［EB/OL］．http：//www．shanghai．gov．cn/nw2/nw2314/nw2319/nw12344/u26aw51932．html．2017-3-15．［38］李欢，杨珊，陈建宏，等．湖南省能源消费碳排放驱动因素及趋势预测实证分析［J］．环境工程，2018，36（2）：152-157．81