碳排放的影响因素范文

导语：如何才能写好一篇碳排放的影响因素，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。

篇1

与现有研究文献相比,本文的创新与研究特色体现在以下几个方面:(1)对钢铁工业产品和能源刚性需求的考虑。在现有文献中大多没有考虑到我国钢铁工业能源和产品需求刚性特征,这两个因素可以说对我国钢铁工业碳排放和制定减排策略尤为重要。(2)方法创新。本文采用钢铁工业的五大工序的能源消耗和产出数据,根据各种能源的碳排放因子,来计算各工序的碳排放数据,计算结果更为准确。(3)确立了钢铁工业碳排放与其影响因素之间的关系。本文依据日本学者YoichiKaya提出的Kaya[16]恒等式将钢铁工业的碳排放量分解为各因素之和,确立了每一个影响因素与碳排放量之间的关系。

模型和数据

1模型与数据

钢铁工业二氧化碳排放总量的数据来源于二氧化碳信息分析中心和中国能源统计年鉴,其他数据均来源中国钢铁统计年鉴、中国统计年鉴以及国泰安数据库,样本区间为1981~2010年,采用的计量分析软件为Eviews7•0。根据前文的评述,结合日本学者YoichiKaya提出的Kaya恒等式和林伯强、刘希颖的研究将钢铁工业的碳排放分解为4个主要影响要素:CP(工业增加值碳强度)、EP(能源消耗强度)、GE(能源消耗经济效益强度)和PE(钢铁消耗量),以解释钢铁工业的经济活动与碳排放之间的关系。其中,CO代表钢铁工业二氧化碳排放量,EC代表钢铁工业的能源消耗量,GP代表钢铁工业的增加值,PR代表钢铁消耗量,CP=CO/GP表示工业增加值碳强度,EP=EC/PR表示能源消耗强度,GE=GP/EC表示能源消耗经济效益强度(具体如表1所示)。本文针对我国工业化的特征,利用协整方法分析我国钢铁工业碳排放与各个影响因素之间的长期均衡关系。通过建立我国钢铁工业二氧化碳排放量与产业增加值强度(CP)、能源消耗强度(EP)、能源消耗经济效益强度(EP)和钢铁消耗量(PR)之间的协整方程来探究这4种因素与钢铁工业二氧化碳排放之间的长期均衡关系:CO=f(CP,EP,GE,PR)(2)其中,本文对二氧化碳排放量的计算做详细说明,二氧化碳排放量为生产钢铁产品过程中的直接排放量和间接排放量之和,在生产钢铁过程中燃料消耗直接排放的二氧化碳和工艺过程中排放的二氧化碳称为直接排放。将因耗外购电力、外购焦炭、进口钢铁而导致的二氧化碳排放称为间接排放。其直接排放的计算方法与参数设定参照林伯强[8]和涂正革[17]的设定方法,燃煤、焦炭和天然气燃烧的碳排放分别等于其能源消费量、能源转化率和二氧化碳排放系数三者的乘积之和。

2模型求解

在时间序列的数据研究中,我们会经常遇到本身是非平稳的经济变量。但是,它们的线性组合确有可能是平稳序列。这种平稳的线性组合被称为协整方程,且可被解释为变量之间的长期稳定的均衡关系[18]。对于多个变量之间的协整关系检验通常采用的是Johansen协整检验方法,它是一种以VAR模型为基础的检验回归系数方法。其P阶的VAR模型具体形式如下:Yt=A1Yt-1+A2Yt-2+……+ApYp-1+BXt+εt(4)其中,Yt是k维的非平稳的I(1)向量,Xt是d维的确定性的外生变量。(1)在进行协整检验之前,必须对每一个变量进行平稳性检验,只有在得出序列为平稳性序列之后,才能对其进行协整检验分析。本文在综合考虑前人研究的基础上采用ADF(AugmentedDickey-Fuller)检验和PP(Phillips-Perron)检验两种检验方法。通过Eviews7•0得出所有变量均在5%的显著水平下达到二阶平稳(结果如表3所示),满足建立协整方程的必要条件。(2)本文采用Johansen协整检验方法,依据Eviews7•0的检验结果,在5%的水平下,提取一个协整方程如下(括号内为标准差)如式(5)所示:根据式(5)可以看出,所有变量系数均符合其经济意义,且在5%的置信水平下通过t统计量检验,R2为0•997189说明模型的整体拟合度较高。另外,也可以看出在1981~2010年间,我国钢铁工业的碳排放量与工业增加值碳强度、能源消耗强度、能源消耗经济效益强度和钢铁消耗量有着稳定的均衡关系。并且从影响度的大小来看,对钢铁工业的碳排放影响最为显著的是工业增加值碳强度和能源消耗强度,其次为能源经济效益强度和钢铁消耗量。其中,工业增加值碳强度、能源消耗强度和钢铁消耗量每增加1个百分点分别会带动钢铁工业的碳排放同向变动0•686个百分点、0•251个百分点和0•173个百分点,而能源消耗经济效益强度增加1百分点会带动钢铁工业的碳排放反向变动0•242个百分点。可见,未来政策调整的重点应该在于降低钢铁工业增加值碳强度和提高能源消耗经济效益强度这两个影响指标。并且根据式(5)降低工业增加值碳强度能够为我国钢铁工业碳减排带来显著的效果。

钢铁工业碳排放的影响因素分析

1钢铁工业二氧化碳排放量:现状及原因

我国钢铁工业一直以来作为我国高能耗、高排放产业之一,其每年的能源消耗量约占我国能源消费总量的15%,占工业能源消费总量的23%左右,如1981~2010年间其能源消费总量从6496万吨标煤增长到61982•12万吨标煤,增长了8•54倍多,年均能源消耗量为1900万吨左右。相应的随着能源消耗量的增长,钢铁工业的碳排放也在大幅度的增长。据本文计算显示,我国钢铁工业二氧化碳排放量从1981年的15915•2万吨增长到2010年的151856•19万吨,年均增长率为8•35%。对此,本文认为有以下几种原因:(1)近几年以来,我国经济的高速增长,特别是2003~2005年我国GDP增长率都在10%以上,高速的经济增长带动了我国钢铁工业的快速发展,我国钢铁消耗量从2000年的14742•14万吨增加到2010年的81270•31万吨,增长了4•51倍。由上文钢铁消耗量与碳排放的关系可知,钢铁消耗量的增加导致了碳排放的快速增长;(2)我国正处于工业化发展的后期和城市化进程中,对钢铁产品需求量也逐步的加大。由此同理可知,工业化和城市化进程中的碳排放量也将逐渐加大;(3)目前我国钢铁工业的生产方式还是粗放型的生产方式,在钢铁工业中还没有大规模采用降低二氧化碳的技术。因此,在我国钢铁工业粗放型增长阶段中,碳排放必然也呈现快速的增长趋势。从不同发展阶段来看,1981~1994年我国钢铁工业二氧化碳排放量增长了0•86倍,年均增长率为4•92%;1995~2010年我国钢铁工业二氧化碳排放量增长了4•01倍,年均增长率为11•13%,比1981~1999年阶段年均增长率高6•21个百分点。可见,钢铁工业规模的扩大对钢铁工业碳排放增幅的贡献逐步增大。从不同工序来看,炼铁工序是钢铁生产中能耗最大的工序,其单位产品能耗约占整个钢铁过程的70%。2005年重点钢铁企业中炼铁工序单位产品的碳排放量为936•81千克/吨,分别是焦化工序和烧结工序的3•16倍和7•07倍。2009年随着对节能减排的重视,重点钢铁企业炼铁工序的单位产品碳排放量有所下降为830•78千克/吨,分别是焦化工序和烧结工序的3•52倍和7•39倍。但从不同工序来说,炼铁工序碳排放分别与焦化工序碳排放、烧结工序碳排放相比有所提高。

2工业增加值碳强度与碳排放

(1)按照1978年价格计算,我国钢铁工业增加值从1981年的91•07亿元,增长到2010年的3068•16亿元,年均增长率为14•91%。根据涂正革[17]的研究,在其他条件不变的情况下,因产业增加值的逐年扩大导致其碳排放量的增加称为碳排放的理论增长规模。1981~2010年我国钢铁工业增加值的年均增长率约为15%,相应地,钢铁工业碳排放的年均增长率理论上应该为10•29%。这也就是说,如果不考虑其他因素,按照目前我国钢铁工业增加值的增长速度,其碳排放量理论上年均增长速度为10•29%。(2)分阶段来看,1981~1994年我国钢铁工业增加值年均增长率为13•9%,理论上带动二氧化碳年均增量为1517•58万吨;1995~2010年间我国钢铁工业增加值的年均增长率为15•72%,理论上带动我国钢铁工业二氧化碳排放年均增长量为1715•64万吨,比1981~1994年间的年均增长量多了198•06万吨。可见,钢铁工业增加值的扩大对其碳排放量增幅的贡献逐步增大。但是,根据我国钢铁工业的实际发展现状,目前我国钢铁工业的过剩产能将超过2亿吨,按照每吨钢材产能投资5000元计算,中国钢铁工业的投资浪费已达1万亿元之多,特别是近几年我国钢铁工业的吨钢利润只有同期国外企业的1/3~1/5[19]。因此,未来从降低我国钢铁工业增加值这一途径来降低其碳减排的空间和潜力不大。但是,若在维持我国钢铁工业增加值增长率的前提下降低其碳排放量(如提高技术水平),仍有较大的潜力。

3能源消耗强度、能源消耗经济效益强度与减排能力

能源消耗强度和能源消耗经济效益强度利用的高低反映能源利用效率水平,能源消耗强度的降低和能源消耗经济效益强度的提升代表着我国钢铁工业技术水平的提高。我国钢铁工业能源消耗强度和能源消耗经济效益强度分别从1981年的2•16吨标煤和140•19元下降和上升到2010年的0•76吨标煤和495•01元,下降了和上升了64•81%、253•1%。而钢铁工业能源消耗强度的下降和能源消耗经济效益强度的提升与我国钢铁工业节能减排技术的推广应用密不可分。因此,节能减排技术的提高是我国钢铁工业能源消耗强度下降和能源消耗经济效益强度提升的主要影响因素。我国钢铁工业能源消耗强度和能源消耗经济效益强度自1981~2010年有了较大幅度的下降和提升,1981年分别为2•16吨标煤和140•19元,2010年分别下降和上升为0•76吨标煤和495•01元,年均下降率和上升率分别为3•1%和5•83%。根据式(5)理论上能源消耗强度和能源消耗经济效益强度的下降导致碳排放的年均下降率分别为0•53%和1•41%。分阶段分析,1981~1994年间,我国钢铁工业能源消耗强度和能源消耗经济效益强度年均下降率和上升率分别为4•26%和8•44%,而能源消耗强度下降和能源消耗经济效益强度上升导致碳排放的年均下降率分别为0•73%和2•04%。1995~2010年我国钢铁工业能源消耗强度和能源消耗经济效益强度年均下降率和上升率分别为2•15%和3•71%,从而导致钢铁工业碳排放年均下降率分别为0•37%和0•89%。而在我国钢铁工业碳排放下降的拉动因素中,节能减排技术拉动占居着重要因素,如:近几年来,我国钢铁工业采用的转炉负能炼钢技术可使吨钢产品节能23•6kg标煤,减少烟尘排放量10mg/m3;电炉优化供电技术可节约用电10~30千瓦时/吨,电炉炼钢生产效率提高5%左右。按照目前我国所处的经济发展阶段,能源消耗强度不可能无限的下降。根据涂正革的研究,我国目前的能源消耗强度仍然处于一个很高的水平。2006年中国单位GDP能耗为世界平均水平的3倍,巴西的3倍,美国的4•5倍,日本的9倍,在全球30个主要国家和地区的排名中倒数第4。因此,提高技术水平降低能源消耗强度,作为我国钢铁工业实现低碳排放的主要途径,仍有较大的空间。

4钢材消耗量与减排空间

钢铁工业是我国国民经济发展的重要产业。改革开放以来,我国经济高速发展,经济规模迅猛扩大,带动着我国消费结构的升级和基础设施投资的加大以及城市化进程的加快,这也是我国工业化发展的必经阶段,也是我国工业化和城市化的快速发展时期。因此,这段时期对我国钢材产量的需求也呈现快速的增长态势,据有关资料统计,1981~2010年由于我国工业化和城市化所带动的钢材消耗量增长了26•07倍,并导致二氧化碳排放增长了33985•25万吨。分阶段来看,1981~1994年间我国钢材消耗量年均增长率为11•08%,带动碳排放的年均增长率为2•77%;1995~2010年我国钢材消耗量年均增长率为13•82%,带动碳排放年均增长率为3•46%。然而,根据我国目前的经济发展概况,吴文东[20]利用组合模型对我国钢材需求量的结果进行了预测,结果表明我国钢材需求量在2020年将达到6•6亿吨左右,并在5~10年内将保持这一水平。何维达[21]也预测了我国钢铁工业未来3年的国内市场需求增长率分别为38•96%,40•82%和45•32%。这主要是因为国内需求的拉动、国内制造业和建筑业的迅速发展、机电产业以及房地产业、交通运输业等等都为我国钢材需求量提供了广阔的市场。因此,未来我国钢材消耗量也必将随之增长。可见,未来提高我国钢材生产的技术水平,降低钢材消耗强度,是当前我国钢铁工业碳减排的重要任务。

主要结论与政策含义

1主要结论

通过以上分析,可以得到几个基本结论:(1)我国国民经济已经进入工业化的快速发展阶段,城市化、房地产等产业的快速发展,拉动钢材消耗迅猛增长,而随之的能源消耗需求也与日俱增,碳排放量迅猛增长,这是我国面临的巨大的挑战之一;(2)我国公布了到2020年单位国内生产总值二氧化碳排放比2005年下降40%~45%的减排目标,这一目标对钢铁企业乃至整个钢铁工业将产生巨大且深远的影响,这是我国面临的巨大挑战之二。以此为背景,本文通过考察1981~2010年我国钢铁工业碳排放的趋势和特征,采用Jo-hansen协整检验方法研究了二氧化碳排放量和工业增加值碳强度、能源消耗强度、能源消耗经济效益强度和钢铁消耗量4个主要影响因素之间的关系。结果表明:从影响度的大小来看,对钢铁工业的碳排放影响最为显著的是工业增加值碳强度和能源消耗强度,其次为能源经济效益强度和钢铁消耗量。其中,工业增加值碳强度、能源消耗强度和钢铁消耗量每增加1个百分点分别会带动钢铁工业的碳排放同向变动0•686个百分点、0•251个百分点和0•173个百分点,而能源消耗经济效益强度增加1百分点会带动钢铁工业的碳排放反向变动0•242个百分点。

2政策建议

(1)适度降低我国钢铁工业的增长速度,转变其增长方式,是我国钢铁工业碳减排的重大战略选择。根据前文的研究,可以说我国钢铁工业高速增长是碳排放量增长的最大影响因素。1981~2010年我国钢铁工业的增长规模为2977•09亿元,导致钢铁工业碳排放理论上增长37•28亿吨。平均而言,钢铁工业增加值每增长一个百分点,碳排放量增长25•58万吨。因此,在保证我国钢铁工业增加值增长的前提下,适度的缩小其发展规模,实现粗放型的增长方式向技术推动型方式的转变是降低其碳排放的首要战略选择。

(2)开发清洁能源技术,增加清洁能源的比例结构,是减少我国钢铁工业碳排放的重要途径。目前,我国钢铁工业以煤为主的能源消费结构导致能源消耗碳强度一直居高不下是我国钢铁工业碳减排的主要障碍。1981~2010年我国钢铁工业的平均能源消耗强度为1•25,这也就是说我国钢铁工业能源消耗1吨标煤,释放出的二氧化碳为1•25吨。总体来看,我国钢铁能源消耗强度呈现下降趋势,但是相对于大量的碳排量来说能源消耗强度的下降所带动的碳排放下降量非常的微弱。与此同时,我们也应该看到钢铁工业能源消耗强度的下降主要是依靠钢铁工业能源消耗结构调整的结果。

篇2

[关键词]EKC；生猪养殖；碳排放

[基金项目]国家社会科学基金重大项目“长江经济带建设战略引领下沿江地区经济发展路径研究”（2015YZD16）、国家自然科学基金项目“大湖地区畜禽养殖污染形成机理及管控政策研究――以鄱阳湖生态经济区为例”（71303099）、江西省普通高校科技落地计划科学前沿项目“鄱阳湖生态经济区土地利用与生物多样性变化及优化技术”（KJLD12065）和江西财经大学2015年度学生科研课题（XS306）的阶段性成果。

[作者简介]孔凡斌，江西省社会科学院研究员，江西财经大学二级教授，博士生导师，博士后合作导师（江西南昌 330077）；王智鹏，江西财经大学鄱阳湖生态经济研究院农业经济管理专业硕士研究生；潘丹，江西财经大学在站博士后（江西南昌 330032）。

一、引言

畜禽养殖碳排放是全球温室气体排放的重要来源。联合国粮农组织（FAO）报告《畜牧的巨大阴影：环境问题与选择》统计数据显示，生猪、牛、羊和家禽的温室气体排放量占以二氧化碳当量计算的温室气体排放量的18%。在日益严峻的全球气候变暖情形之下，以“低能耗、低污染、低排放”的低碳养殖模式呼吁而出，如何处理好经济增长与生猪养殖碳排放的脱钩发展，成为低碳养殖研究领域中十分关注的问题。目前，学者对畜禽养殖碳排放的研究主要集中在以下几个方面：一是畜禽养殖碳排放的测算。学者主要运用碳转化系数法、IPCC排放系数法、综合调查法和碳排放指标体系等，对碳排放进行测算①。二是畜禽养殖碳排放与经济发展之间的关系。国外学者对碳排放与经济发展之间做了很多研究，发现不同国家的碳排放与经济发展存在“正U型”“倒U型”“正N型”或“倒N型”等多种曲线关系①。国内学者应用环境库兹涅茨曲线（EKC）模型验证畜禽养殖碳排放与经济发展关系的研究较少。孟祥海等运用EKC模型分析了我国畜禽污染与经济增长之间的关系，研究表明：污染程度与人均GDP之间存在“倒U型”曲线关系，且已跨过曲线拐点②。田素妍等对中国畜禽养殖碳排放与经济发展进行了EKC验证，结果发现：东部地区畜禽养殖碳排放与经济发展间存在显著的“倒U型”关系，中、西部地区畜禽养殖碳排放与经济发展则存在显著的“正U型”关系③。

综上所述，现有对畜禽养殖碳排放的研究多以国家、省际作为研究单位，对省、市级研究甚少。同时，目前对畜禽养殖碳排放的测算往往集中在肠道发酵与粪便管理④，很少从系统的角度去测算整个生命周期过程产生的污染物总量，这将导致碳排放量测算的不准确。而有学者研究表明，污染物测算不准、不全往往是导致EKC检验结果不准确的主要原因⑤。基于此，本文将以江西省生猪养殖为例，运用生命周期评价方法（LCA）系统测算生猪养殖碳排放量，在此基础上对生猪养殖碳排放与经济发展之间的EKC关系进行检验，并分析影响生猪养殖碳排放的主要因素。生猪养殖业在中国畜禽养殖业中占主导地位，是中国畜禽养殖碳排放的主要来源。江西省是全国十大生猪主产省之一，其生猪碳减排工作对全国生猪碳减排具有重要的意义。对致力于打造“生态明文先行示范区”和“美丽中国‘江西样板’”的江西省而言，对生猪养殖碳排放进行EKC检验以及对碳排放影响因素进行分析显得尤为迫切，具有重要的战略意义和现实意义。

二、模型构建、变量选取及数据来源

（一）生猪养殖碳排放量测算

FAO温室气体排放评估框架《IPCC 2006年国家温室气体清单指南》指出⑥，生猪养殖直接的碳排放主要来源于生猪肠道发酵CH4排放与粪便管理系统中CH4、N2O排放，间接的碳排放主要来源于饲料粮种植、饲料粮运输与加工、饲养环节耗能和猪肉产品屠宰加工等环节中能源与资源消耗所产生的排放。因此，本文结合江西省生猪养殖的实际情况，借鉴胡向东和孟祥海的研究成果⑦，运用生命周期评价方法（LCA），选取饲料粮种植、饲料粮运输和加工、生猪肠道发酵、粪便管理系统、饲养环节耗能和猪肉产品屠宰加工六大环节，测算出生猪从幼仔养殖到出栏以及到猪肉产品销售的整个生命周期过程中产生并排放到空气中的CH4、N2O等温室气体折算成二氧化碳当量总和。目前，生命周期评价（LCA）已被广泛应用于碳排放（即温室气体排放）研究领域①，但国内生命周期评价方法应用于畜禽养殖业特别是生猪养殖碳排放测算较少。

生猪养殖碳排放量测算公式如下：

C=EGF +ESM +EMT +ECD+EGE +ESF（1）

式（1）中：C为生猪养殖碳排放总量；EGF为饲料粮种植产生的碳排放量；ESM为饲料粮运输与加工产生的碳排放量；EMT为生猪肠道发酵CH4排放产生的碳排放量；ECD为粪便管理系统中CH4、N2O排放产生的碳排放量；EGE为生猪饲养环节耗能产生的碳排放量；ESF为猪肉产品屠宰加工产生的碳排放量。

（二）生猪养殖碳排放的EKC模型设定

参照国内外学者对环境质量与经济发展之间关系的研究成果②，根据测算的生猪养殖碳排放总量，环境质量指标选用碳排放量来衡量，经济发展指标选用农村居民人均可支配收入来衡量。

同时，本文采用含参数估计的生猪养殖碳排放环境库兹涅茨模型，来验证江西省及各地市生猪养殖碳排放与经济发展之间是否存在EKC拐点。EKC模型的设定多以二次、三次多项式为主，但三次多项式相对灵活③。为消除数据可能出现的异方差，分别对生猪养殖碳排放和农村居民可支配收入取自然对数，采用对数三次方作为回归方程的基准方程对生猪碳排放进行EKC检验：

lnCt=θ0+θ1lnYt+θ2（lnYt）2+θ3（lnYt）3+εt（2）

式（2）中：Ct为生猪养殖碳排放量；Yt为农村居民人均可支配收入；t为时间；θ0为截距项；θ1、θ2、θ3为模型估计参数；ε1为随机误差项。根据模型估计参数θ1、θ2、θ3，其取值的不同，可以反映出生猪养殖碳排放与经济发展之间的不同关系。

（三）生猪养殖碳排放的影响因素研究

1.变量选取与说明

现有研究表明，碳排放具有不确定性和受人类活动影响等特点④，受经济发展水平、人口规模、产业结构、城市化水平、交通便利情况、人力资本、市场需求和政府支持等因素影响⑤。基于此，本文结合江西省生猪养殖实际情况与现有的研究成果并考虑数据的可获得性，选取以下七个变量作为生猪养殖碳排放的影响因素：

（1）猪肉消费总量（X1）：用人均猪肉消费量与城镇人口之积来表示。一般情况下，人们对猪肉的消费总量越多，意味着生猪养殖总量越多，将会消耗更多的能源和资源，碳排放量越多。

（2）对外贸易程度（X2）：用对外出口的生猪总额与牧业生产总值之比来表示。一般情况下，对外贸易程度越高，说明对外出口的生猪数量越多，产生的碳排放量越高。

（3）公路密度（X3）：用每平方公里的公路里程来表示。通常而言，交通条件越便利，越有利于生猪的运输以及对低碳养殖技术的推广，生猪养殖的碳排放量将会越少。

（4）农村劳动力价格（X4）：用城乡劳动力人均收入之比来衡量。城乡劳动力人均收入之比越高，生猪养殖的机会成本就越高，在理性经济人假设下，生猪养殖户会选择进城务工以获取更高的非农收入，选择生猪养殖的概率更低，生猪养殖数量下降，生猪养殖碳排放量下降。

（5）产业结构（X5）：用牧业生产总值与农业生产总值之比来衡量。牧业生产总值占农业生产总值比重越高，说明生猪产业发展越好，用于生猪养殖的资源越多，生猪养殖所产生的碳排放越高。

（6）政府环保管制（X6）：用政府环境治理投入与地区生产总值之比来衡量。政府环保管制越高，对低碳养殖技术（例如粪便处理技术推广和沼气池建设技术）等的补贴越高，从而降低生猪养殖所产生的碳排放。

（7）能源利用效率（X7）：用单位GDP能耗来表示。一般情况下，在生猪养殖的整个生命周期过程中，能源的利用会间接产生碳排放。能源利用率越高，生猪养殖产生的碳排放越低。

2.模型构建

为消除数据中可能出现的异方差同时不改变数据的特征，本文采用变量的对数值。生猪养殖碳排放影响因素的计量模型构建如下：

lnC=θ0+θ1lnY+θ2（lnY）2+θ3（lnY）3+Yi lnXi+ε；i=1，2…（3）

式（3）中：C表示生猪养殖碳排放量；Y表示农村居民人均可支配收入；Xi为解释变量；θ0为常数；θ1、θ2、θ3、Yi为估计参数；ε为随机误差项。

（四）数据来源

生猪养殖碳排放量测算与EKC检验采用1990―2014年江西省及11个市区的面板数据，数据来源于1991―2015年《江西省统计年鉴》。由于2000年以前生猪养殖碳排放影响因素的相关数据缺失且较难获取，因此，生猪养殖碳排放影响因素研究采用2000年之后的数据进行分析，数据来源于2001―2015年《中国统计年鉴》和《江西统计年鉴》。

三、实证结果与分析

（一）生猪养殖碳排放的EKC检验及拐点分析

采用固定效应模型对生猪养殖碳排放的EKC进行计量模型估计，结果如表1所示。

■

由表1可知，θ10，且θ3

第一，当农村居民人均可支配收入低于2454元时，该时期为1990―2003年，生猪养殖碳排放与经济发展水平呈反向变化关系，即经济发展水平保持增长的态势，而生猪养殖碳排放呈下降趋势。这一阶段生猪养殖业多为农户散养经营，生猪养殖总量相对较少，有足够的土地吸纳生猪养殖废弃物，能够有效实现“废弃物―有机肥―种植业”的种养结合，废弃物环境友好型处理率较高。且该时间段生猪养殖业的发展更多依赖于劳动力的投入，物资资本、能源等的投入未急剧增加，因此生猪养殖碳排放呈现下降态势。

第二，当农村居民人均可支配收入介于2454元至10864元之间时，该时期为2004―2014年，生猪养殖碳排放与经济发展之间呈现同步上升的趋势，即随着农村居民人均可支配收入的增加，生猪养殖碳排放也在增加。该阶段随着人口规模壮大和人们生活水平提高，猪肉市场需求增加使得生猪养殖总量不断攀升，生猪养殖模式由传统散养模式向小、中、大规模化养殖模式转变。随着生猪养殖业专业化、规模化程度日益提高，但养殖户经济基础比较薄弱，且生猪养殖业在一般情况下属于微利产业，污染治理投资与运行费用相对较高，多数养殖户在资金需求上难以承受。因此，相当一部分生猪养殖场缺乏必要的粪污处理设施，大量未经处理的禽粪污随意排入河流、稻田、荷塘等，使得大量生猪粪污及废弃物不能实现资源化、循环化综合利用，环境污染日益严重。农牧脱节，使得“废弃物―有机肥―种植业”的种养结合模式难以实现。同时，政府对沼气的推广尚在起步阶段，“废弃物―沼气―有机肥”的资源化循环经济模式效果不显著。而且，随着劳动力对生猪养殖产出的贡献力逐渐减弱，生猪养殖产业的发展更多依赖于物资资本及能源的投入增加。因此，该阶段生猪养殖碳排放和经济发展水平处于同步上升的态势。

第三，当农村居民可支配收入大于10864元时，随着经济的进一步发展，生猪养殖碳排放将逐渐降低。这一阶段，人民生活水平逐渐提高、环保意识逐渐增强、对环境质量需求也不断提高。政府对生猪清洁生产更加重视，对生猪低碳养殖技术和清洁生产技术的补贴力度加大，如沼气池建设、干清粪工艺、尿粪固液分离工艺推广等。同时，政府采取一定的激励或者强制措施，促进生猪粪便还田，减少生猪粪便向环境排放。实施生猪养殖业废弃物综合利用工程。大力发展养殖业循环经济，建立以沼气为纽带形成“猪―沼―菜”“猪―沼―果”“猪―沼―林”“猪―沼―鱼”多功能生态养殖和循环经济模式。减量化、资源化、再循环模式成效的显现，使得该阶段生猪养殖碳排放会随着经济发展水平的提高而降低。

（二）生猪养殖碳排放EKC拐点的时空特征分析

1.空间分布特征

2014年江西省农村居民人均可支配收入为9997.0元，还处于临界值（10864元）左端，意味着当前江西省生猪养殖碳排放随着经济发展仍然呈现上升的趋势。将江西省十一个设区市2014年农村居民人均可支配收入与临界值（10864元）进行对比分析后发现：南昌市（12266.8元）、景德镇市（11410.1元）、萍乡市（12617.6元）、新余市（12678.9元）和鹰潭市（11215.4元）五个市的农村居民人均可支配收入已经超过其临界值，生猪养殖碳排放将随着经济发展水平的提高逐渐降低。可能的原因是：2014年景德镇市、萍乡市、新余市和鹰潭市生猪养殖量分别为25万头、66万头、40万头和58万头，远小于江西省129万头的生猪平均养殖量。这四个设区市生猪养殖量较小，可以较好地实现“废弃物―有机肥―种植业”的种养结合，以及政府对生态环境保护的重视和养殖技术的推广，如“废弃物―沼气―有机肥”循环经济模式等，废弃物的资源化利用使得这四个区域生猪养殖碳排放经过高拐点值进入了下降阶段。南昌市是江西省的省会城市与经济发展中心，政府对生猪养殖造成的环境污染更加重视，且南昌市生猪养殖专业化、规模化程度较高，中、大规模养殖场较多，得到的补贴更高；较好地实现了“废弃物―沼气―有机肥”多功能生态养殖和循环经济模式，使得南昌市生猪碳排放从高拐点值开始逐步降低。其余六个设区市生猪养殖碳排放还未到达高拐点值，即随着经济发展水平的提高生猪养殖碳排放仍然呈现上升的趋势。那么，这六个设区市的生猪养殖碳排放何时才能到达高拐点值？接下来本文将对各市到达高拐点值的时间路径进行分析。

2.时间路径特征

根据到2020年全面实现小康社会的目标以及各市2010―2014年间农村居民人均可支配收入的平均增速，首先预测出各市农村居民人均可支配收入，并且将其作为预估时间的年均增速；然后，计算出各市到达高拐点值所需要的时间；最后，确定到达的具体年份。根据计算方法，得出的结果如表2所示。

从表2可知，在2015年到达EKC高拐点值的市包括九江市、宜春市、抚州市，在2016年到达EKC高拐点值的市包括吉安市和上饶市，赣州市将在2018年到达EKC高拐点值。不同市到达EKC高拐点值的时间不同，可能由于各市生猪养殖碳排放与经济发展水平的差异造成的。九江市、宜春市、抚州市、吉安市和上饶市生猪养殖业占有重要地位，2014年这五市生猪养殖量分别达到了95万头、284万头、124万头、175万头和127万头，分别占江西省生猪养殖总量的6.66%、19.99%、8.73%、12.30%和8.92%。这五市生猪养殖量大，碳排放总量更高，使得生猪养殖碳排放量更高。生猪养殖业蓬勃发展，使得农村居民人均可支配收入更高，到达曲线高拐点值的时间相对较短。赣州市位于赣南地区，面积相对广阔，主要还是以包括生猪养殖业在内的农业发展为主，经济发展相对较慢，农村居民人均可支配收入较低，到达曲线高拐点值的时间相对较长。

（三）生猪养殖碳排放影响因素分析

运用stata10.0统计软件进行生猪养殖碳排放影响因素回归分析，结果如表3所示：采用固定效应模型处理数据，模型R2为0.9985，且F值为265.6139，说明模型整体拟合优度较好。在控制其他变量不变的情况下，经济发展水平的系数满足θ10，且θ3

表3结果显示，猪肉消费总量（X1）的系数为0.1378，且通过了10%的显著性检验，说明猪肉消费总量对江西省生猪养殖碳排放具有正影响作用，与预期一致。这表明，随着猪肉消费总量的上升，在其他条件不变的情况下，生猪养殖碳排放呈上升趋势。

对外贸易程度（X2）的系数为0.0963，且通过了5%的显著性检验，说明对外贸易程度对江西省生猪养殖碳排放具有正影响作用，与预期一致。这表明，随着对外贸易程度的提高，在其他条件不变的情况下，生猪养殖碳排放呈上升趋势。可能的原因是：发达国家的生猪从我国进口，使得碳排放环节发生在我国，出现了“碳转移排放”现象，这与林百强和蒋竺均研究相符①。

公路密度（X3）的系数为0.0880，且通过了10%的显著性检验，说明公路密度对江西省生猪养殖碳排放具有正影响作用，与预期并不一致。可能的原因是：随着公里密度的提升，交通条件更为便利，生猪规模饲养数量将会增多，生猪养殖碳排放量增加。

农村劳动力价格（X4）的系数为-0.5527，且通过了1%的显著性检验，说明农村劳动力价格对江西省生猪养殖碳排放具有负影响作用，与预期一致。这表明，在其他条件不变的情况下，在城市收入越高，养殖户生猪养殖的机会成本就会越高。基于人们对经济效益的抉择，城市务工收入越高，从事生猪养殖人员就会相对越少。这与邓力群的研究类似，养殖机会成本对养殖户饲养行为产生负影响，即农村劳动力价格将会抑制生猪养殖碳排放的增长①。

产业结构（X5）的系数为0.8767，且通过了1%的显著性检验，说明产业结构对江西省生猪养殖碳排放具有正影响作用，与预期一致。这说明，在其他条件不变的情况下，产业结构的提升会使得生猪养殖碳排放呈上升趋势。这与杜江和刘渝的研究结果相符②。

政府环保管制（X6）的系数为-0.1549，且通过了1%的显著性检验，说明政府环保管制对江西省生猪养殖碳排放具有负影响作用，与预期一致。张学刚和王玉婧认为，政府对环境的管制等对环境质量改善有重要影响③，在其他条件不变的情况下，政府对环境保护越重视，对生猪低碳养殖重视会越高，使得生猪养殖碳排放下降显著。

能源利用效率（X7）的系数为-6.6554，且通过了1%的显著性检验，说明能源利用效率对江西省生猪养殖碳排放具有负影响作用，与预期一致。赵爱文和李东研究发现，能源利用效率的不断提高，显著影响能源使用强度①。在生猪整个生命周期过程中，能源利用效率的提升，使得能源使用强度显著下降，使得生猪养殖碳排放减少。

四、结论与政策建议

本文基于1990―2014年江西省及十一个设区市的面板数据，运用生命周期评价方法（LCA）测算出江西省及各市生猪养殖碳排放总量，利用EKC模型检验了江西省及各市生猪养殖碳排放与经济发展水平之间的EKC关系，并对各市的碳排放拐点变动及时空特征进行了实证研究，最后对江西省生猪养殖碳排放的主要影响因素进行分析。得出以下结论：

第一，从长期发展来看，江西省生猪养殖碳排放与经济发展之间存在“倒N型”的EKC关系，且存在临界值分别为2454元和10864元的双拐点。研究表明，当经济发展水平低于2454元时，生猪养殖碳排放处于下降的态势；当经济发展水平超过2454元而低于10864元时，生猪养殖碳排放由低拐点值随着经济发展呈现同步上升态势；当经济发展水平超过10864元时，生猪养殖碳排放由高拐点值向下呈现逐步下降趋势。

第二，从空间分布来看，2014年江西省农村居民人均可支配收入为9997.0元，还处于临界值（10864元）左端，意味着当年江西省生猪养殖碳排放随着经济发展仍然呈现上升的趋势。江西省有五个市生猪养殖碳排放超过了高拐点值，其中包括南昌市、景德镇市、萍乡市、新余市和鹰潭市；其余六个市当前生猪养殖碳排放还仍未到达高拐点值，即随着经济发展生猪养殖碳排放仍然呈现上升的趋势。

第三，从时间路径来看，在未来三年内，有三个设区市将到达EKC高拐点。九江市、抚州市和宜春市已在2015年到达EKC高拐点；吉安市和上饶市将在2016年到达EKC高拐点；赣州市将在2018年到达EKC高拐点。

篇3

Abstract： Taking Yunnan province as an example， this article studies the influencing factors of carbon emissions from population， urbanization rate， total GDP， per capita GDP， secondary industry share of GDP， energy consumption per unit of GDP， the proportion of coal consumption based on STIRPAT model. An equation model is constructed. Finally the relationship and influencing degree of the factors are analyzed.

关键词： 碳排放；STIRPAT模型；人均GDP；能源结构

Key words： carbon emission；STIRPAT model；per capita GDP；energy structure

中图分类号：F206 文献标识码：A 文章编号：1006-4311（2013）32-0182-02

作者简介：黄宜（1981-），女，湖南澧县人，昆明理工大学管理与经济学院在读博士生，研究方向为战略管理。

0 引言

随着经济的发展，我国的工业化进程不断地加快，如何有效地减少和降低由于工业化进程的推进带来的碳排放是我国必须要承担的责任，也是面临的重大挑战。为了很好地践行节能减排，为实现低碳经济提供有价值的参考，需对碳排放的影响因素进行分析。本文以云南省为例进行研究。

1 云南省碳排放影响因素研究

1.1 模型研究 Ehrilich和Holden（1971）[1]提出了针对一个国家环境污染问题的IPAT模型，模型的表达式为I=P·A·T，其中I表示一国环境污染情况；P代表一国人口水平；A代表一国富裕程度；T代表一国技术水平。此模型将环境影响与各驱动因素之间的关系简单地处理为同比例的线性关系，不能很好地反映出驱动因素变化时对环境影响的变化程度。鉴于此，York和Dietz，Rosa等（1994）[2]在IPAT 模型基础上进行扩展，提出了随机回归影响模型（STIRPAT模型）；其表达式为I=aP■A■T■e。其中e为模型误差。STIRPAT模型能够克服IPAT的“各因素同比例影响碳排放”假设的不足，是对上述模型的修正和扩展。因此本文选取STIRPAT模型对碳排放影响因素进行分析。

1.2 因素选取 在以往研究的基础上并结合云南省的实际情况，本文从STIRPAT模型的人口、富裕、技术水平3个方面出发扩展到人口指标、财富指标、结构化指标、技术性指标和能源结构这5个方面，并选取人口、城市化率、GDP总额、人均GDP、第二产业占GDP的比重、单位GDP能耗、煤炭消费比重共7个因素分别代表这5个方面来进行分析研究[3]。

1.3 影响因素分析 从STIRPAT模型的三个方面扩展到人口、城市化率、GDP总额、人均GDP、第二产业占GDP的比重、单位GDP能耗、煤炭消费比重共7个因素考虑对碳排放的影响。拓展后的STIRPAT模型表达式[4]为：

C■=aP■■U■■A■■I■■T■■E■■D■■ （1）

其中Ci，Pi，Ui，Ai，Ii，Ti，Ei，Di分别表示第i年的碳排放量、人口数、城市化率、GDP总额、人均GDP、第二产业占GDP的比重、单位GDP能耗、煤炭消费比重；其中b1，b2，b3，b4，b5，b6，b7均为模型参数。

由于STIRPAT模型是非线性的，为了方便使用相关软件对其进行回归分析，对该模型两边取对数，使其线性化：lnC=lna+b1lnP+b2lnU+b3lnA+b4lnI+b5lnT+b6lnE+b7lnD （2）

作为碳排放备选驱动因子，首先对其取对数，然后将数据输入SPSS16.0软件作偏相关分析。（此处所选取的数据年份为1978-2010年，数据来源于《云南统计年鉴2011》[5]和《云南能源统计年鉴2011》[6]）得到人口、GDP总额、人均GDP、第二产业比重的相关系数分别为0.968、0.983、0.985、0.894，与碳排放量具有高度正相关性；单位GDP能耗、煤炭消费比例的系数分别为-0.822、-0.665，与碳排放量具有较高的负相关性；城市化率的系数为0.511，具有较低的相关性，故删除。选择人口、GDP总额、人均GDP、第二产业比重、单位GDP能耗、煤炭消费比重6个因子作为碳排放的影响因子进行分析。

为了考虑各个变量之间是否存在明显的多重共线关系，对6个影响因素进行VIF检验，得到GDP总额为已排除的变量，剩下的因素人口、人均GDP、第二产业比重、单位GDP能耗、煤炭消费比例的VIF值分别为126.569、106.428、7.299、10.146、2.682，其中人口、人均GDP、单位GDP能耗的VIF值大于10，因此说明此回归方程存在严重的多重共线性。在保持自变量个数不变的前提下解决回归方程存在多重共线性的方法有偏最小二乘法、主成分回归法和岭回归法。此处选取岭回归方法来对原始数据拟合回归。

由于在spss中没有可视对话框进行岭回归的分析，需要编写相应的程序，打开文件—新建—语法，在弹出的对话框中输入以下语法命令：

INCLUDE'C：＼Program Files （x86）＼SPSSInc＼PASWStatist-

ics18＼Samples＼English＼ridge regression.sps'.

RIDGEREG enter=x1，x4，x5，x6，x7（x1代表人口，x4代表人均GDP，x5代表第二产业比重，x6代表单位GDP能耗，x7代表煤炭消费比重）

/dep=y （y代表碳排放量）

/inc=0.05.

运行得到当K值为0.4时，岭迹图开始变得平稳，同时可绝系数处在缓慢下降中。而当K=0.4时，X1，X4，X5，X6，X7的系数分别为0.283715，0.322386，0.190369，-0.061796，-0.027519。则匹配模型的方程为：

Y*=0.283715X■■+0.322386X■■+0.190369X■■-0.061796X■■-0.027519X■■

相应的决定系数为0.92142，虽然没有原方程的0.957高，但是方程中的5个变量的系数前三个为正，后两个为负数，符合专业知识。也就是说岭回归通过丢弃少量的信息，换来了方程系数的合理估计。

2 结果分析

从系数来看，人均GDP对二氧化碳排放的影响最大，其弹性系数为0.32，即人均GDP水平每增加1%，使得二氧化碳排放总量增长0.32%，由于人均GDP的增长使得人们的生活消费水平也不断改善和提高，消费相应的高耗能和高排放产品数量也会明显增加，对碳排放会造成一定的影响。

人口水平弹性系数达到了0.28，即人口每增加1%，可以使二氧化碳排放总量增加0.28%。这一结果较为符合，在云南近30年来的发展过程，由于气候条件等先天的优势，吸引了全国各地人民，人口数量的高速增长，人们的各种活动都会消耗能源并产生二氧化碳，其结果必然造成二氧化碳总量的“刚性”增加。

第二产业比重其弹性系数为0.19，即第二产业比重每增加1%，则二氧化碳排放量增加0.19%。主要是以工业为主的第二产业消耗的能源会造成大量二氧化碳的排放，随着产业结构的调整，第三产业的比重越来越大，其对能源的需求和消费已取代了第二产业对于能源消费的需求，因此第二产业的高耗能排放不再那么显著，取而代之的是第三产业碳排放逐渐增加。

单位GDP能耗其弹性系数为-0.06，与二氧化碳排放呈负相关关系，表示能源强度降低1%，二氧化碳排放增加0.06%，深入分析原因，1978年至2010年期间云南经济发展迅速，能源消费增长8.14倍，但GDP增长22.15倍，单位GDP能耗下降0.92倍。能源强度虽然下降了，但是能源消费不断增加，导致二氧化碳排放也呈现增加的态势，单位GDP能耗对二氧化碳排放总量的减少作用几乎没有。

煤炭消费比重其弹性系数为-0.03，即煤炭消费比重降低1%，则二氧化碳排放量增长0.03个百分点。1978年到2010年的33年间，二氧化碳排放量增长6.65倍，虽然煤炭消费比重下降1.38倍，但是石油比重增长2.1倍，由煤炭消费减少带来的二氧化碳排放被石油消费增加所带来的二氧化碳排放抵消，因此煤炭消费比重的下降对二氧化碳排放量的减少几乎为0，因此大力发展清洁能源，使用清洁能源才是发展的硬道理。

3 结论

本文从人口、GDP总额、城市化率、人均GDP、第二产业占GDP的比重、单位GDP能耗、煤炭消费比重共7个因素出发，利用STIRPAT模型对影响碳排放的因素进行了分析。构建了影响因素的方程模型，得到了各影响因素的影响因子，为更好地实现低碳经济考核目标提出有价值的参考提供了依据。

参考文献：

[1]Ehrlich P R，Holden J P. Impact of population growth[J]. Sci- ence，1971，171：1212 -1217.

[2]Dietz T， Rosa E A. Rethinking the Environmental Impacts of Population， Affluence， and Technology[J].Human Ecology Review 1，277-300，1994.

[3]秦昌才，刘树林.碳排放影响因素研究的现状、比较与启示[J].经济与管理评论，2012（3）：29-33.

[4]宋杰鲲.基于STIRPAT和偏最小二乘回归的碳排放预测模型[J].统计与决策，2011（24）：19-22.

篇4

>> 天津市工业能源消费碳排放量核算及影响因素分解 物流业能源消耗碳排放量分析及低碳化策略 重庆市碳排放量测度及影响因素分析:1998~2008 山东省经济增长、能源消费和碳排放量关系实证分析 京津冀地区碳排放量因素分析 河北省城市交通碳排放量及影响因素研究 重庆市碳排放量影响因素实证分析 北京市碳排放量影响因素分析（2002～2011） 我国碳排放量与能源消费和经济增长的动态关系分析 经济增长、产业结构、能源效率对吉林省碳排放量的影响效应分析 能源价格与中国碳排放量的调节 中国碳排放量现状及低碳发展的对策建议 对外贸易对碳排放量的影响及其驱动因素 工业行业能源消费碳排放影响因素分析 中国人口结构对碳排放量影响研究 2排放量及其影响因素分析'> 投入产出法测算CO2排放量及其影响因素分析 河南省能源消费碳排放量演变及其与经济增长关系的研究 中国能源消费的碳排放及其影响因素分析 中国环境规制、技术创新与碳排放量关系的动态分析 我国工业烟尘排放量变化主要影响因素分析 常见问题解答 当前所在位置：.

[15]中华人民共和国国家统计局.中国能源统计年鉴[M].北京：中国统计出版社，2010. [National Bureau of Statistics of China. China Energy Statistical Yearbook[M].Beijing： China Statisties Press，2010.]

[16]Shrestha R M， Timilsina G R. Factors Affecting CO2 Intensities of Power Sector in Asia： A Divisia Decomposition Analysis[J].Energy Economics，1996，18（4）：283-293.

[17]Lu I J， Lin S J， Lewis C. Decomposition and Decoupling Effects of Carbon Dioxide Emission from Highway Transportation in Taiwan， Germany， Japan and South Korea[J].Energy Policy，2007，35（6）：3226-3235.

[18]Chang Y F， Lin S J. Structural Decomposition of Industrial CO2 Emission in Taiwan： An Inputoutput Approach[J].Energy Policy，1998，26（1）：5-12.

[19]Ang B W， Zhang F Q， Choi K H. Factorizing Changes in Energy and Environ Indicators through Decomposition[J]. Energy， 1998，23（6）： 489-495.

[20]Ang B W. The LMDI Approach to Decomposition Analysis： A Practical Guide[J]. Energy Policy， 2005，33（7）： 867-871.

[21]江小涓.服务业增长：真实含义、多重影响和发展趋势[J].经济研究，2011，（4）：4-14，79.[Jiang Xiaojuan. Growth of Service Industries： True Meaning， Multiple Influences and Trend[J]. Economic Research Journal， 2011，（4）：4-14，79.]

[22]Nobuko Y. An Analysis of CO2 Emissions of Japanese Industries during the Period between 1985 and 1995[J]. Energy Policy， 2004， 32： 595-610.

[23]岳婷，龙如银.基于LMDI的江苏省能源消费总量增长效应分析[J].资源科学， 2010，32（7）：1266-1271.[Yue Ting， Long Ruyin. Analysis of Factors Affecting the Energy Intensity Growth in Jiangsu Province Based on LMDI[J].Resources Science， 2010，32（7）：1266-1271.]

[24]王媛，魏本勇，方修琦，等.基于LMDI方法的中国国际贸易隐含碳分解[J].中国人口・资源与环境，2011，21（2）：141-146.[Wang Yuan， Wei Benyong， Fang Xiuqi， et al. Using LMDI Method in Decomposition Analysis of Carbon Emissions Embodied in China’s International Trade[J].China Population， Resources and Environment， 2011，21 （2）： 141-146.]

篇5

【关键词】低碳经济；因素分解；固定效应模型

一、引言

中国改革开放30年来，随着经济的快速发展，尤其是化石能源消费的快速增长，中国的碳排放增速一直居世界前列。我国要实现可持续发展，完成哥本哈根气候大会上的承诺――2020年中国单位国内生产总值碳排放比2005年下降40%或50%，就必须积极寻求节能减排的途径。而寻求节能减排的前提，是准确的分析和计量促使碳排放增加的影响因素，因此，深入分析碳排放相关因素尤为重要。

二、研究综述

目前，国内外对于碳排放影响因素实证研究较多，常用的方法有结构分解分析（SDA）与指数分解分析（IDA）。

国内对于碳排放因素分解的研究大部分都采用了IDA方法。笔者从行业、地区、和宏观经济方面对国内碳排放影响因素文献进行综述。

王伟林、黄贤金（2008）以江苏省为例，从横向和纵向两个方面分析影响碳排放强度变化的因素，表明江苏省碳排放强度变动由行业碳排放强度和行业产出份额共同作用，其中，行业碳排放强度影响更大。查冬兰，周德群（2007）利用绝对差异法、相对差异法和基尼系数对我国28个省区1995―2005年间利用能源效率的差异性进行了比较，结果显示，各地区能源利用效率存在趋同现象。徐国泉、刘则渊、姜照华（2006）采用对数平均权重Divisia分解法（LMDI），建立中国人均碳排放的因素分解模型，结果显示经济发展对拉动中国人均碳排放的贡献率呈指数增长。

综上所述，我国对于碳排放影响因素研究没有采用面板数据对碳排放影响因素进行全面分析，具有一定的局限性。本文通过选取中国29个省的碳排放、经济发展、能源使用等数据，建立固定效应模型，实证分析了中国二氧化碳排放量与经济增长、产业结构和能源利用效率的函数关系，得出结论并做了相应分析。

三、模型建立

建立回归模型之前，我们选取了中国29个省的面板数据，一般认为，在相对而言在不是大样本的情况下初步选择固定效应模型是较为合适的。

本文假设碳排放量与其影响因素间的关系符合三次多项式简化模型，模型表达式如下：

模型（1）-（2）中，Cit代表第i个省在第t年的碳排放量；Xit Yit Zit分别代表表人均GDP、能源效率和产业结构；ai为特定的截面效应，ai=a0+（i=1，2，…29；t=1，2，…，12），a0为总体均值截距项，为个体对总体均值偏离的个体截距项，而且有，即所有个体截距项偏离值和为0。

为随机误差项。表示各次解释变量的待估系数。

四、数据选取

本文选取了1996-2007年12年间全国29个省的能源、经济、人口面板数据。我们以人均GDP作为度量经济发展水平的指标，第二产业创造的GDP占总GDP的比重作为衡量产业结构的指标，以单位GDP能耗作为衡量能源利用效率的指标。其中，人均GDP的数据取1996年的价格水平为基准计算得出，碳排放量是以各省各时期能源消费量为依据折算得出，折算公式为：

（i＝19；j＝1，2，3）（3）

其中Ejit为i省第t年第j种能源消费量；为第j种能源的碳排放系数，石油0.5825t(c)/t，煤炭0.7476t(c)/t，天然气0.4435t(c)/t，天然气密度取0.7174Kg/。

五、实证分析

1.碳排放量与经济增长、产业结构、能源使用效率的协整分析

为了检验中国碳排放量与能源使用效率、经济增长、产业结构之间是否有长期关系，我们先对模型（1）做OLS回归，保留方程的残差面板数据。然后，再对该残差值进行单位根检验。经检验如果无单位根，则我们可以断定碳排放量与能源使用效率、产业结构存在协整关系。

2.实证结果

经过豪斯曼检验，我们可确认与Xit相关，故应用固定效应模型。并且采用截面加权以消除截面异方差。

回归结果表明，拟合优度指标与F统计量结果均令人满意，说明模型具有一定的解释力。

（1）碳排放量与人均GDP模型

C=+493.769+0.242*X-5.38e-6*(X)^2+4.335e-11*(X)^3+[AR(1)=0.8264837222]

a*为不同截面个体对总体均值偏离的个体截距项。

人均GDP和碳排放量可以表示为“N”型关系，但与典型的先上升再下降的“N”型不同，此曲线并不存在极大值和极小值，而是单调递增的。我们看到当省人均GDP达到41368元时，曲线来到拐点。以2008年的数据来看，全国只有上海、北京和天津的人均GDP超过了41368元，其余各省均位于此点的左侧。显然我们的实证结果显示中国并没有经历碳排放量随着经济发展而递减的阶段。

（2）碳排放与产业结构的关系模型

Log（C）=+10.572-0.173*Y+0.004*(Y)^2+[AR(1)=0.9350648985]

碳排放量和第二产业产值占总产值比重的回归曲线为“U”型，存在一个对碳排放量来说最优的产业结构，当第二产业产值占总产值的比重位于22%左右时，这种产业结构对于碳排放，或者扩展来讲对于环境的压力是最小的。从1997年至2008年，各地区之间的数值虽有差别但第二产业产值占GDP的比重都不断下降，国内有些省市已经逐渐接近了最优产业结构临界点，比如海南省和北京市。

六、结论

通过分析我们得出以下的结论：

1.最近十余年内中国各省的碳排放量逐年上升，并且碳排放量与人均GDP、第二产业产值占总产值比重和单位GDP能耗有协整关系。

2.碳排放量与人均GDP呈正向关系，碳排放量由缓慢上升转为急剧上升的拐点出现在人均GDP达到41368元之后。中国并没有经历库兹涅茨经验曲线假设的倒U型拐点。

3.碳排放量与第二产业比重呈U型关系，第二产业产值比重为21.6%时，碳排放量取最小值。中国各省第二产业产值占GDP比重逐年下降，平均值为46%，远大于22%的最小环境压力值。

4.实证结果表明我国碳排放量增长趋势存在两方面的力量。首先，产业结构不断优化，表现在第二产业产值占GDP比重逐年下降有利于碳排放量的控制。然而另一方面，人均GDP增长和单位GDP能耗的降低对碳排放量增加起到正面作用，它们是我国进一步控制碳排放的阻力。在GDP或者人均GDP增长成为政府主要政策目标的当代，如果想控制经济发展对环境的压力，我们只有通过改变产业结构，认识到产业技术发展对环境资源影响的加速器作用，才能在保证经济平稳发展的前提下实现减排目标。

参考文献

[1]岳瑞峰,朱永杰.1990―2007年中国能源碳排放的省域聚类分析[J].技术经济,2009(3).

[2]邹秀萍,陈劭锋,宁淼,刘扬.中国省级区域碳排放影响因素的实证分析[J].生态经济,2009(3).

篇6

关键词:京津冀一体化;低碳经济;指标体系;综合评价法;实证研究

中图分类号:F327 文献标志码:A 文章编号:1002－1302(2015)10－0561－04

当前京津冀地区一体化发展已经上升为国家战略，三地的环境污染压力日益增长，而且到了难以承受和不可持续的程度，因此加强生态环境保护和治理刻不容缓。由于在地理上毗邻，京津冀的生态环境唇齿相依，在环保领域的跨地区合作成为解决问题的必然选择。近年来加剧的“雾霾一体化”，使得京津冀地区在联防联治的治霾行动中联系日益紧密，同时也在推动京津冀一体化发展的进程。虽然京津冀联动防治大气污染已经成为共识，但是实现这一协同并非易事。就目前实际情况看，三地环保标准难统一、地方经济上短期难得利，都成为实现协同发展的绊脚石。本研究提出，京津冀一体化需要以发展绿色“低碳经济”为导向，并在同一框架下构建低碳经济发展水平评价指标体系并加以实证研究，旨在找出京津冀地区低碳经济发展的趋势和未来发展的路径。

1京津冀地区碳排放的现状和影响

发展低碳经济就是在经济条件约束的情况下有效地减少碳排放量。正如环境库兹涅茨曲线(倒“U”形曲线)描述的，当一个国家经济发展水平较低的时候，环境污染的程度与人均收入呈反向变化关系;当经济发展达到一定水平后，到达某个临界点或称“拐点”以后，环境质量和经济水平可以出现“双赢”的局面。京津冀地区是继“珠三角”和“长三角”之后中国重要的经济增长引擎，经济发展活力凸显，在低碳经济发展方面积累了一定的优势。本研究通过测算京津冀地区2005—2012年的碳排放总量，了解其低碳发展现状，以期进一步分析京津冀地区碳排放与经济发展之间的关系。

1．1测算京津冀地区碳排放总量

用于计算碳排放总量的Kaya公式包含的影响因素有:人口总量、人均GDP、能源消费强度、碳排放强度，即碳排放量=人口×人均GDP×单位GDP的能源消耗量×单位能源消耗量的碳排放量。出于数据的搜集和计算的简便性，上述公式可以简化变形转换为:式中:C为碳排放总量;ci为第i种能源的碳排放量;Ei为第i种能源的消费量(单位折算为标准煤);δi为第i类能源的碳排放系数。影响我国碳排放量的主要能源是煤炭、原油和天然气，因此在计算过程中我们采用这3类能源的数据;碳排放系数采用各能源消耗的碳排放系数(美国能源信息署、IPCC指南、国家发改委能源研究所等)的平均值，即煤炭0．7329、石油0．5574、天然气0．4226。对于京津冀地区碳排放量的测算采用的碳排放关系式是:C=0．7329×E煤炭+0．5574×E原油=0．4226×E天然气。根据《中国能源统计年鉴2013》整理出2005—2012年的北京、天津和河北3个地区的能源消费数据，进一步测算得出京津冀地区的碳排放量，详见表1。

1．2京津冀地区碳排放总量与经济增长影响分析

明确了京津冀地区碳排放量的现状，下面以京津冀地区2005—2012年的碳排放量和地区人均GDP为数据基础研究京津冀地区碳排放总量与经济增长之间的关系。由图1可知，京津冀地区碳排放总量与经济增长之间的关系仍处于倒“U”形曲线缓慢上升阶段，即随着人均收入的增加，碳排放量由低到高，环境污染趋于严重。由此可见，京津冀地区经济的高速发展仍然是以牺牲环境为代价的;为了实现区域经济的可持续发展，有效地降低碳排放量至关重要。为此，京津冀地区应该在环境污染治理方面加强合作，以发展绿色低碳经济为导向，促进区域内产业结构优化升级，从而从根本上解决环境问题。

2京津冀地区低碳经济发展水平的影响因素分析

低碳经济的定义是指在碳排放约束条件下，通过产业结构的调整和能源效率的提高等手段提高碳减排能力、减少碳排放压力，进而促进产出效率提高的一种长期可持续发展的经济形态。结合京津冀地区低碳经济发展现状，本研究将影响低碳经济发展的因素分为直接影响因素、间接影响因素两大类。直接因素指可以直接影响某地区碳排放总量的因素，进而从宏观总量方面影响低碳经济发展水平;间接因素主要是指间接影响低碳经济发展水平的技术影响因素。

2．1直接影响因素

直接影响因素包括经济发展水平、碳排放水平，可以直接衡量一个地区的低碳经济发展水平。(1)经济发展水平包括GDP总量、GDP增长率、居民消费能力和第三产业所占比重。低碳经济发展水平不仅仅强调碳减排能力，也注重经济能力的提高，即生产率的提高。一般用GDP衡量国家或地区经济发展综合水平，GDP增长率=(本年度末的GDP总值－上一年度末的GDP总值)/上一年度末的GDP总值，可以反映区域经济发展速度。居民消费能力由城镇居民人均可支配收入和城镇居民的实际收入中能用于安排日常生活的收入组成，常用来衡量城市居民的收入水平和生活水平;农村居民家庭纯收入，是对区域农村居民收入平均水平的直接反映。居民可支配收入越高，表明经济效益越高。各地区第三产业比重越高，表明经济结构优化程度越高，越具有强有力的低碳经济竞争力优势。(2)碳排放水平包含能源消耗总量、碳排放总量、单位GDP能耗、人均碳排放量、碳排放强度。碳排放总量是指一个地区在一定时期内所产生的碳排放的总和。根据Kaya公式原理，碳排放总量的影响因素诸多，主要包括人口数量、能源强度、能源结构以及各类能源碳排放强度。碳排放强度是碳排放指标的最主要影响指标，碳排放强度=二氧化碳排放量/GDP。一个地区的二氧化碳排放量增长速度高于GDP的增长速度，则表示该地区的低碳经济发展水平较低;该指标值越大，说明单位产值碳排放量越多。

2．2间接影响因素

间接影响因素主要有碳汇基础、低碳技术的发展对低碳经济的支持2个方面，两者通过提高社会经济发展水平、降低能源消耗和排放量，进而对低碳经济的发展起到促进作用。(1)碳汇基础因素包括森林覆盖率、人均公共绿地面积、城镇建成区覆盖率、自然保护区占辖区面积。碳汇基础反映了地区的低碳资源禀赋以及资源利用状况。森林作为生态系统中最大的碳存储库，在吸收二氧化碳、净化空气方面起着重要作用，森林覆盖率越高，地区发展低碳经济的碳汇基础越牢固。城镇建成区覆盖率主要是衡量城市建成区的绿化水平、城市碳汇基础及居民生活水平的重要指标之一，绿化环境状况还包括人均公共绿地面积和自然保护区所占比例。地区碳汇基础越好，越有利于降低碳排放量，从而有利于低碳经济发展。(2)碳减排能力。低碳技术主要包括生活低碳技术、工业低碳技术2个方面。日常生活方面的低碳技术涉及到生活垃圾无害化处理率、城市污水集中处理率、新型动力汽车相关技术投入等方面;工业低碳技术水平可以通过工业固体废物综合利用率、低碳技术研发经费投入、环境污染治理投入等方面来体现［5］。低碳技术的发展需要以经济实力作后盾，只有当经济发展到一定水平，才有能力支撑低碳技术的研发投入和推广应用，从而降低碳排放量，低碳经济水平才会随之提高。

3京津冀地区低碳评价指标体系的构建及实证分析

3．1筛选评价指标

基于上述低碳经济发展水平影响因素分析，拟构建1套科学、客观、能够全面准确反映京津冀地区低碳经济发展水平和高低的指标体系。本指标体系分为3个层次，由一级指标、二级指标和三级指标组成。一级指标为低碳经济发展水平;二级指标由经济环境、碳汇基础、碳减排能力、碳排放水平4个子系统构成;三级指标由二级指标的影响因素或评价指标组成，三级指标最终构成评价低碳经济发展水平的终极指标。具体的指标体系框架见表2。

3．2确定评价指标权重

在遴选出低碳经济评价指标的基础上，需要对各指标赋予不同权重，而科学合理的权重是正确评价低碳经济发展水平的前提条件。本研究采用的变异系数法(coefficientofvariationmethod)是对所选取的各项指标中的内容加以计算从而得到指标的权重，是一种客观赋权的方法［1］。本方法的基本原理是:在构建的评价指标体系中，指标取值差异越大，就意味着该指标越难以实现，也就表示该指标更能反映出被评价的个体之间的差距［2］。由于评价指标体系中各项指标的量纲不同，不宜直接比较其差别程度。本研究为了消除各项评价指标的量纲不同的影响，需要用各项指标的变异系数来衡量各项指标取值的差异程度。其他指标的权重都以此类推。最后，京津冀地区低碳经济发展水平的各项指标的权重均可用变异系数法计算得出，结果见表3。

3．3指标数据的标准化

由于各指标的产生方法不同，量纲不同，并且有正向、负向指标之分，直接运算就会使评价指标体系不合理，为了使其具有可比性，必须对其进行标准化处理。从评价的角度看，通常将评价指标划分为3类:第一类指标值越大越好，这类指标就是正向作用型指标;第二类指标值越小越好，这类指标就是负向作用型指标;第三类指标则是为中位作用型指标［3－4］。为了便于指标数据的比较分析，研究中通常对指标进行无量纲化处理，目的是让经过转换后的指标数据有统一量纲。标准化处理后的指标越大，表明指标对该区域低碳化水平影响越大。

3．4低碳经济发展水平综合评价

本研究采用线性加权法计算低碳经济发展水平综合评价得分，即用13个指标的标准化数值(借助SPSS软件算出)分别乘以各自的权重然后加总，得出总的低碳发展水平综合评价指数。经过计算，京津冀地区各年度低碳经济发展水平综合评价指数如表4所示。根据指标体系评价结果可知，2005—2012年期间，京津冀地区低碳经济发展整体上呈波动上升趋势，水平明显提高，分别从0．0860、－0．1949、－3580提高到0．7458、0．5847、0．7859，特别是天津市、北京市、河北省分别于2010年、2008年、2009年突破0值，低碳经济发展水平取得了较大的成绩。但同时也可以看出，3个地区低碳经济的发展过程存在较大差异，但最终趋于统一，也为京津冀一体化治理提供了数据支持。

4京津冀地区一体化发展低碳经济的对策建议

通过对实证数据以及各指标对总评价指标的影响权重的详细分析可以得出，京津冀地区要进一步提高低碳经济发展水平，还需要在下列环节加大建设力度。(1)加快调整工业内部结构。尤其是钢铁、化工、建材等行业成为京津冀地区节能减排的重点，河北省和天津市也是该领域碳减排的主要对象。要坚决淘汰京津冀地区高耗能行业和升级改造中的落后产能，要有效化解过剩产能，尽快疏解不符合北京市首都功能要求的产能，与此同时津冀两地应做好积极承接工作［5］。(2)大力发展低碳产业［6－8］，特别是包括旅游业、金融业等在内的第三产业。第三产业占GDP的比重对评价地区低碳经济的发展具有重要意义，大力发展低碳产业、推动传统产业升级、加快现代服务业的发展将是提高低碳经济发展水平的必要途径。京津冀地区的产业布局应该是:北京市以发展第三产业为主，而天津市、河北省的经济发展以第二产业为主。此外，北京市应进一步扶持符合首都功能要求的第三产业的发展;天津市、河北省应加大对第三产业的支持力度，尤其是新能源服务业、养老产业、互联网信息服务业、绿色信贷业等新兴服务业，进一步降低行业准入门槛，鼓励民营资本进入等。(3)京津冀低碳化发展统一规划。在京津冀协同发展的背景下，要想实现京津冀地区低碳发展一体化进程，保证跨行政区合作协议的有效实施，京津冀地区应该在高层次的经济和环境合作方面建立高层次的常设机构，建立京津冀地区定期政府会晤机制，制定统一协调的政策。对于三地的低碳经济发展，各省(市)政府应该在充分利用和整合各自资源、发挥自身优势的基础上，建立低碳产业集群，对三地的区域整体规划要衔接一致，建立统一、有效的交流平台。由三地共同出资建立节能减排技术和研发中心，并将研发成果应用到整个区域，从而有力地推广节能减排技术和低碳消费观念。

参考文献:

［1］吕学都，王艳萍，黄超，等．低碳经济指标体系的评价方法研究［J］．中国人口•资源与环境，2013，23(7):27－33．

［2］孔凯．农业干旱灾害风险管理研究［D］．泰安:山东农业大学，2012．

［3］杨洪艳．河北省低碳经济评价指标体系及对策研究［D］．保定:河北农业大学，2012．

［4］王相东．吉林省农业循环经济发展的问题研究［D］．长春:长春理工大学，2009．

［5］王彦超，许艳玲，蒋春来．京津冀及周边地区低碳经济发展水平评价［J］．环境与可持续发展，2014，39(3):107－111．

［6］汪翔，陆五一，周力．基于结构方程模型的农户低碳养殖认知分析［J］．江苏农业学报，2013，29(1):189－194．

［7］蒋艳萍，吕建秋，杨征，等．广东省发展低碳农业存在的问题与对策［J］．江苏农业科学，2013，41(2):4－6．

篇7

一、引言

20世纪90年代以来，世界经济迅猛发展，能源需求量逐年增加。能源消费所导致的二氧化碳排放在人为温室气体排放总量中占有绝对优势。碳排放问题正日益受到国际社会的广泛关注，对其测算及影响因素问题，国内外很多学者从不同角度、应用不同方法进行了大量实证研究。国内碳排放研究方面，宋德勇等用“两阶段”LMDI方法，从全国层面将一次性能源消费产生的二氧化碳排放相关影响因素分解并进行了周期性波动研究［1］。李国志等利用状态空间模型构造可变参数数据模型，分析了出口贸易结构对二氧化碳排放的影响［2］。胡初枝等通过经验数据对江苏区域碳排放进行估算，分析了苏南、苏中、苏北三大区域产业结构的碳排放效应差异［3］。马军杰等测算了1990年—2006年我国省域一次能源CO2排放量并对其影响因素进行了空间计量经济分析［4］。姚亮等采用结构分解分析（SDA）方法对影响居民消费碳排放量变化的驱动因素进行了分析［5］。可见，现有关于碳排放的研究多以传统的时间序列数据分析为基础，主要集中在测算碳排放量及其因素分解方面，忽略了截面数据包含的空间效应。事实上，在多区域的经济和环境系统中，一个区域由于能源消费导致的碳排放行为不仅受该地区内部决定因素的影响，而且越来越多地受到周边地区碳排放量的关联作用，区域之间的能源消费及碳排放活动呈现出明显的空间自相关性［4］。可见，在理论和实证研究中忽略空间邻近效应，势必会影响传统OLS模型参数的无偏估计，导致研究结论的可靠性受到质疑。

为此，本文在考虑空间效应的前提下，利用“十一五”规划期间的碳排放数据，研究中国省域碳排放量的驱动因素，分析省域碳排放的空间依赖及邻近省域碳排放量的空间溢出效应，从而为国家和各省域制定节能减排政策提供决策支持依据。

二、省际碳排放的决定因素及理论假说

现有对碳排放决定因素模型的研究主要有EKC模型和IPAT模型。但是大多研究仅考虑了人口、经济发展、能源消费强度等因素的影响，忽略了技术创新和城市化因素的作用。根据有关经验研究，本文对IPAT模型进行改进，重点考虑人口、经济发展水平、能源消费强度、产业结构、技术创新及城市化等六个决定因素，使用空间计量经济模型研究其对中国省域碳排放量的作用。

1.　人口规模（POP）。中国作为人口大国，为满足广大人民群众日益提高的生活水平，刚性的能源消费需求必然会导致区域碳排放量的不断增大。因此，人口是影响碳减排压力的一个重要变量，本文预期其与碳排放之间呈正相关关系。

2.　经济发展水平（PGDP）。在经济快速发展的同时，也必然伴随着相应的能源消耗及其碳排放。本文选用人均GDP衡量一个地区的富裕度和经济发展水平，用以检验其对碳排放的影响。一般来说，区域经济发展水平越高，能源消费量相对越大，由此产生的碳排放量也就相应越多，二者之间应为正相关关系。

3.　能源消费强度（ENERGY）。能源消费强度定义为生产单位GDP所消耗的能源数量，能源强度越低，意味着能源利用效率越高。能源利用效率的不断提高，使得单位GDP所消耗的能源减少，从而减少碳排放量。因此，本文将能源消费强度纳入影响碳排放的驱动因素之一，并预计两者呈正相关关系。

4.　产业结构（STRU）。经济增长方式的转变同样影响着能源消耗和碳排放量的大小。长期以来，中国经济增长方式粗放，直接影响以煤碳为主的能效的提高，使得碳排放增长的态势难以遏制。实现经济方式由粗放式向集约式的转变是减少碳排放的必然选择。本文以第二产业与第三产业产值之比刻画产业结构对碳排放的作用。鉴于我国目前正处于产业结构转型过程中，预期其对碳排放的作用尚未充分发挥。

5.　城市化（URB）。近年来，中国城市化过程中的人口迁移对能源消耗和碳排放产生冲击，大规模城市基础设施和住房建设所需要的大量水泥与钢铁生产，导致高能耗高排放。城市化进程也是影响碳排放量的重要因素。本文选用城镇人口占总人口的比重衡量城市化［6］，初步预期其对碳排放产生正向作用。

6.　技术创新（RD）。中国每年巨大的能源消耗支撑着经济的快速增长，而经济迅速发展的同时，也带来了开发新技术新工艺的大量投入。但是，对于生产工艺和设备的引进，以及各种研发活动，到底对地区企业的节能减排产生了何种影响，目前的研究结果并不确定。本文选用各省域研究与试验发展（R&D）经费内部支出来衡量技术创新对碳排放的影响，其作用还有待检验。

三、模型设定与数据来源

（一）模型设定

基于以上解释变量，利用柯布—道格拉斯生产函数形式的双对数经验形式，建立如下碳排放影响因素模型：

（1）

其中，i表示30个省级地区，LnCARBON为被解释变量各地区碳排放量；LnPOP表示各地区人口数量；LnPGDP表示人均GDP；LnENERGY表示能源消费强度；LnSTRU表示第二产业产值占第三产业比重；LnURB表示城市化水平，LnRD表示技术创新。参数β分别反映了六个解释变量对被解释变量碳排放的影响。

假定模型（1）为没有考虑邻近地区空间效应的碳排放影响因素模型，可用OLS方法估计。但是，如果地区碳排放存在着空间自相关性，则有必要采用纳入了空间相关性效应的空间滞后模型、空间误差模型等空间计量经济模型。

空间滞后模型（Spatial　Lag　Model，SLM）主要探讨地区碳排放变量是否存在邻近地区碳排放溢出效应的情况。其模型表达式为：

（2）

式中，WlnCARBON为空间滞后被解释变量，反映邻近地区的碳排放对区域碳排放行为的作用大小和程度；ρ为空间滞后回归系数；W为n×n阶的空间权值矩阵，w表示W中的元素，一般用空间邻接矩阵；ε为随机误差项向量。

当一些决定地区间碳排放的因素没有被考虑到解释变量中时，则需要采用空间误差模型（Spatial　Error　Model，SEM）。空间误差模型的形式为：

（3）

式中，ε为随机误差项向量，λ为n×1阶的被解释变量向量的空间误差系数，μ为正态分布的随机误差向量。参数λ为存在于扰动误差项之中的空间依赖变量，衡量相 邻地区忽略的具有空间依赖性的碳排放被解释变量的误差冲击对地区碳排放的影响方向和程度。

（二）数据来源

实证研究中所用到的空间样本为除了西藏外（缺少能源数据）的中国大陆30个省、自治区和直辖市（简称省域或地区）。作为我国国民经济和社会发展“十一五”规划的基数年份，2005年是中国经济发展的一个关键年份，国家致力于通过宏观调控促进经济增长方式转变，力图在结构调整方面取得实质性进展。本文重点考察2005年—2010年之间我国各省域碳排放的决定因素，所用数据来源于2006年—2011年的《中国统计年鉴》、《中国能源统计年鉴》、《中国科技统计年鉴》和《中国区域经济年鉴》，实证变量数据取算术平均数，以消除年度波动影响。在碳排放行为研究中的一个基础工作是测算各种类型能源消耗的碳排放系数。虽然国内外各种能源研究机构和相关学者对各类能源消耗的碳排放系数进行了测算研究，但是大家获得的结果略有差异。国际机构使用的碳排放系数据其所在国情况测算，直接用来计算中国能源消耗碳排放是有问题的。本文综合考察了国内外相关研究，最终确定采用国家发展和改革委员会能源研究所在《中国可持续发展能源暨碳排放情景分析》中推荐的碳排放系数：即煤炭的碳排放系数为0.7476、石油为0.5825、天然气为0.443。

四、实证估计与结果分析

为了描述中国30个省级地区碳排放量的空间分布情况，本文首先采用空间自相关的Moran’s　I测算各省碳排放量是否存在聚群现象［4］。在做空间相关分析时，选择了常用的描述地区间邻近关系的一阶、二阶和三阶rook权值矩阵进行比较分析，最终再确定阶数。表1报告了三类rook权值矩阵的省际碳排放量空间自相关性的计算结果。

表1显示，基于rook一阶空间权值矩阵W1计算的30个省域碳排放的Moran’s　I为0.2227，在0.19%的水平上显著，表明中国省域之间的碳排放量在空间分布上并非分散（随机）分布，具有明显的正自相关关系（空间依赖性），表现出某些省域碳排放量的相似值之间在空间上趋于集群的现象。同时计算发现，rook邻近从低阶到高阶，全域Moran’s　I值逐阶下降，表明地区间碳排放量的空间相关性随着其空间距离的增大而衰减。由此，选择rook一阶空间权值矩阵符合现实，在研究区域碳排放问题时有必要考虑空间效应，否则得到的结果可能存在较大偏差。

表1　Moran’s　I检验结果

注：表中W1为rook一阶空间权值矩阵，W2为rook二阶空间权值矩阵，W3为rook三阶空间权值矩阵。

由于全域Moran’s　I有很大的局限性：如果一部分省域的碳排放增长存在正相关（溢出效应），而另一部分省域存在负相关（回流效应），二者将会抵消，则可能显示省域间的碳排放不存在空间相关性。此外，省际碳排放溢出与回流效应也未必局限于有共同边界的相邻省域间。因此，本文还进行了基于W1的空间关联局域指标LISA检验Moran散点图（略）分析，结果表明：位于第I象限的省域有黑龙江、内蒙古、辽宁、河北、山西、陕西、江苏、山东、河南和安徽，表现为高碳排放量的省域被高排放量的省域所包围（High—High，高—高集聚）；位于第II象限的省域有吉林、北京、天津、宁夏、重庆、江西、福建和广西，为低碳排放量的省域被高排放量的省域所包围（Low—High，低—高集聚）；位于第III象限的省域有新疆、甘肃、青海、贵州和云南，为低碳排放量的省域被低排放量的省域所包围（Low—Low，低—低集聚）；位于第IV象限的有广东、湖南和四川，为高碳排量的省域被低排放量的省域所包围（High—Low，高—低集聚）；其中上海跨越了第I、Ⅱ象限，海南跨越了第Ⅱ、IV象限，湖北和浙江同时跨越了第IV、I象限。显见，各省域碳排放量的空间集聚性非常明显，正向局域相关和集聚的典型特征非常显著，存在一个明显的空间趋同。省域碳排量在地理空间分布上呈非均衡，15个省域（50%）显示了相似的空间关联，其中10个（33.33%）的省域在第I象限（HH：高碳排放量—高空间滞后），5个（16.67%）的省域在第III象限（LL：低碳排放量—低空间滞后）。另外，对空间不稳定性和非典型区域偏离了全域正向空间自相关的省域识别结果显示：2005年—2010年平均来看，11个省域（36.67%）显示了非相似值的空间关联，其中8个省域在第Ⅱ象限（LH），3个省域在第IV象限（HL）。这表明各省域的碳排量行为的空间局域依赖性和差异性是同时存在的。

以上空间统计分析结果证明，中国省域碳排放量存在着较强的空间依赖性，有必要建立空间计量经济学模型来分析，将空间效应的省域碳排放量纳入影响因素。经典计量经济学模型假设空间是均质的，没有考虑到空间依赖效应，由于空间自相关性的存在，使得普通最小二乘估计无效，假若忽视空间自相关性，则可能无法得到稳健的回归结果。因此，需要建立空间计量经济学模型来克服OLS无法解决的空间依赖效应。为了与空间计量经济学模型的结果进行比对，本文先采用OLS进行估计，以显示空间计量经济模型估计结果的效果。

表2中六个解释变量的地区碳排放OLS估计结果显示，调整后的R2高达0.9193，模型的解释能力很强，F统计量为56.0299，通过了1%的方程显著性水平检验，因此模型的拟合程度很好。DW值为1.9197，表明模型残差不存在序列相关问题。变量的t检验结果显示，LnPOP、LnENERGY、LnPGDP均至少可通过0.28%显著性水平的检验，而LnSTRU、LnURB和LnRD均没有通过10%的显著性水平检验，表明这三个变量的作用不明显。进一步对解释变量的多重共线性检验发现，LnPGDP和LnUrban的方差膨胀因子（VIF）分别为12.9358和12.9453，大于10的临界值，表明这两个变量存在较高的共线性，不能同时进入回归模型，lnRD的VIF为9.7701，也存在一定程度的共线性。逐步回归分析获得的表2中三个解释变量的回归结果表明，当剔除不显著的LnSTRU、LnURB和LnRD三个变量后，VIF检验发现模型不存在共线性，而且三个解释变量的t统计量均至少能通过小于0.01%的变量显著性检验，因此三解释变量省域碳排放模型是更为可取的模型。

实际上，空间统计的Moran指数检验已经证明了我国30个省域的碳排放具有明显的空间自相关性，经典线性回归模型的OLS估计可 能存在忽略空间效应的模型设定不当问题。为了进一步验证空间自相关性的存在，本文进行了省域碳排放的空间滞后和空间误差模型检验，结果如表3所示。

表3中的六个解释变量和三个解释变量模型Moran指数检验、两个拉格朗日乘数的空间依赖性检验结果显示：Moran指数（误差）检验证明经典回归OLS估计误差在4.98%和1.35%的显著性水平下具有显著的的空间依赖性（相关性）；区分内生空间滞后还是空间误差自相关的拉格朗日乘子滞后、误差及其稳健性检验表明：LMLAG和R-LMLAG分别在2.92%和3.78%、2.08%和2.37%的水平上较显著，而LMERR和R-LMERR则均不显著，显见空间滞后模型SLM应是更加恰当的模型形式。

最后，比较表2中的检验结果发现，空间滞后模型（SLM）中拟合优度的值（94.16%）、对数似然值LOGL（8.1831）都大于空间误差模型（SEM）和经典回归估计模型（OLS）的估计值，而SLM的AIC值（-0.3662）、SC值（10.8434）则均小于SEM和OLS的估计值。综合以上检验结果，SLM为最优模型。因此，本文以下的分析以SLM结果为主。表2中的三个解释变量省域碳排放模型的拉格朗日乘子误差和滞后及其稳健性检验显示，引入空间效应的模型较之OLS模型均有明显改善，SLM较之SEM是更为可取的模型形式，更好地反映了省域碳排放行为。

表2的空间计量分析结果显示，SLM的空间滞后估计参数ρ通过了1.22%和2.03%的显著性水平检验，表明省际碳排放存在空间集聚（回流）效应，即临近地区的碳排放量每增加1%，本地区碳排放量减少0.0782%和0.0618%；SEM的空间误差估计参数λ为0.4854和0.5250，通过了1.11%和0.40%的显著性水平检验，表明省际碳排放存在较强的空间依赖作用，忽略掉的一些因素如资源配置、劳动者素质、管理水平和市场化程度等也可能通过误差项对该地区碳排放产生着一定的作用。

最后，三解释变量模型估计结果显示：能源消费强度对省域碳排放的回归系数最大，为1.4433，表明在不考虑其他因素的情况下，地区能源消费强度每增加1%，碳排放总量平均增加1.4433%；其次是人均GDP的回归系数为1.1591，人均GDP每增加1%，碳排放量平均增加1.1591%；人口增长的回归系数为1.1088，人口每增加1%，碳排放量平均增加1.1088%；这三个决定因素的作用与理论预期一致。而城市化、产业结构及技术创新的回归系数均不显著，原因主要是：我国东中西部处于不同城市化发展阶段，“十一五”规划的宏观调控目标及经济增长方式转变对地区碳排放的作用还不够明显，各个地区的企业在生产和工艺环节方面还有待采用更为有效的节能减排技术，需要继续增强技术创新对消减地区碳排放的作用。

五、结论与启示

本文构建了省域碳排放量决定因素实证模型，对碳排放决定因素及其空间溢出效应进行了空间计量分析，得到如下主要结论及启示。

1.　中国30个省域相邻地区的碳排放行为普遍存在着正相关性，省域之间的碳排放行为存在空间集聚（回流）效应，制定省域碳排放政策时需要考虑碳排放行为的空间效应。

2.　能源消费强度是影响碳排放的最主要驱动因素。碳排放的实质是能源消耗，驱动中国经济增长的能源消费主要以煤炭为主。长期以来，低下的能源利用效率使得单位GDP的碳排放量较高。从长远利益考虑，中央及各级地方政府应在技术资金政策上鼓励新能源开发，实现节能减排，各省域要增加清洁能源如水能、风能、核能等的使用，各企业单位要提高能效、降低碳排放。

3.　人均GDP和人口规模的影响仅次于能源消费强度。虽然“十一五”期间的宏观调控与促进经济增长方式转变取得了一些成绩，但效果比较有限。提高经济增长质量和经济效益势在必行。同时，鉴于各省域人口总量增长惯性仍在持续，在继续严格执行计划生育政策的同时，提倡和鼓励居民理性消费、绿色消费，逐步促进城镇和农村居民消费向“绿色低碳”模式转变，构建资源节约型和环境友好型社会。

4.　产业结构对碳排放的影响不显著。1995年以来，我国大多数省域的产业结构变动并不大，第二产业比重基本上保持了小幅上升趋势，有些省域甚至出现了较大幅度下降（如北京、上海、云南）。优化产业结构，促进绿色产业发展是当下各省域实现产业升级的关键。各地方政府要淘汰高能耗、高污染的落后产业，大力发展高新技术产业和现代服务业，尤其是高产出低能耗的产业，如信息产业、生态旅游、新能源开发等，不断提高第三产业在国民经济中的比重，以降低能源消耗和碳排放量。

5.　城市化对碳排放的影响不显著。城市化既可能提升环境效率，也可能对环境产生负面影响。由于东部地区城市化水平较高，提升了第三产业、优化了产业结构，同时不完全竞争条件下的规模收益递增、人口和经济要素的集聚以及相应的知识、技术溢出，提高了整个东部地区的能源利用效率，减少了碳排放；中部地区还处于初级城市化阶段，建设项目主要集中在生活基础设施以及工业化基础设施方面，经济发展水平及能源利用效率相对较低，因而其城市化的提升反而带来了碳排放的增加；西部地区城市化进程缓慢，对碳排放的影响并不显著，导致全国省域城市化水平平均效应对碳排放的影响不显著。

6.　技术创新的作用不显著。由于技术创新虽然改善了能源效率而节约了能源，但技术创新同样促进了经济的快速发展，这又将导致对能源需求的增加，出现效率提高所节约的能源被因经济快速增长带来的额外能源消耗（部分地）抵消，即能源的回弹效应，最终导致各省域的研发投资对减少其碳排放数量的作用没有显现出来。为此，各省域的工业企业应该进一步加大清洁能源的研发资金投入，中央政府和各级地方政府要出台鼓励节能技术研发和推广的支持政策，重点提高节能减排投资的效率。

参考文献：

［1］宋德勇，卢忠宝.中国碳排放影响因素分解及其周期性波动研究［J］.中国人口·资源与环境，2009（3）：18-24.

［2］李国志，王群伟.中国出口贸易结构对二氧化碳排放的动态影响——基于变参数模型的实证分析［J］.国际贸易问题，2011（1）：82-89.

［3］胡初枝，黄贤金.区域产业结构变化的碳排放效应研究——以江苏省为例［C］.//中国地理学会2007年学术年会论文摘要集，2007：34-39.

［4］马 军杰，陈震，尤建新.省域一次能源CO2排放的空间计量经济分析［J］.技术经济，2010（12）：62-67.

［5］姚亮，刘晶茹，王如松.中国城乡居民消费隐含的碳排放对比分析［J］.中国人口·资源与环境，2011（4）：25-29.

［6］林伯强，刘希颖.中国城市化阶段的碳排放：影响因素和减排策略［J］.经济研究，2010（8）：66-78.

篇8

摘要：本文结合建筑全寿命周期理论、选择应用碳排放量化方法来研究典型城市住宅碳排放问题，给出了住宅建筑全寿命周期碳排放计算模型，分析影响其各阶段碳排放的因素，以此提出城市住宅建筑节能减排的措施和改进对策的建议。

关键词：全寿命周期；碳排放；影响因素；改进对策

1.引言

全球气候变化是人类迄今为止所面临的最为严重的环境问题，2013年政府气候变化专门委员会（IPCC）的气候变化第五次评估报告得出，人类活动是20世纪中期以来全球变暖的主要原因。而全球气温升高造成大范围积雪、冰融化和海平面上升。温室气体则是引起全球变暖的最主要原因，温室气体包括CO2、CH4、N2O等气体，其中CO2对全球温室效益贡献率最大。而建筑业是一个需要大量资源和能源消耗的产业。据统计，中国能耗总量的27.5%是来自建筑业。随着经济社会的飞跃发展与城镇化速度的推进，城市人口的快速增加，城市化面积不断增大。为满足日益增长的城市人口需求，建筑总量不断增加，尤其是城市住宅建筑。因此，住宅建筑的节能减排对缓解全球能源危机和控制气候变暖意义重大。

2.城市住宅建筑全寿命周期碳排放计算模型

2.1各阶段碳排放来源

本文将本文将城市住宅建筑全寿命周期划分为建造施工阶段、使用维护阶段、拆除回收阶段三个阶段。在建造施工阶段中建筑材料的生产、机械、设备的使用以及材料运输会消耗能源，产生碳排放。在使用维护阶段包括建筑运营阶段中建筑照明、采暖、通风、空调等建筑设备能源的消耗。在拆除回收阶段中，由于建筑物拆除是由于爆破等使用的的施工机具会产生碳排放、以及回收产生的负碳排放量。

2.2寿命周期碳排放计算模型

2.2.1建造施工阶段

施工建造阶段碳排放来源包括建筑材料生产、建筑材料、构件、设备的运输、施工机械设备的使用、施工现场的管理活动过程产生的碳排放。其碳排放量计算模型：

EJZ=EJC+EJX+EXC

式中，EJZ为建造施工阶段碳排放量（tCO2）；EJC、EJX、EXC分别为建材生产、运输机械台班、施工现场管理活动碳排放量（tCO2）。

EJC=∑i=ni=1（AMZTi×fZTi）+∑i=ni=1（AMWHi×fWHi）+∑i=ni=1（AMTCi×fTCi）

式中AMZTi、AMWHi、AMTCi分别为建筑主体结构、维护结构、填充结构材料用量（t），fZTi、fWHi、fTCi为建筑主体结构材料、维护结构、填充结构材料碳排放因子，i―建筑材料种类。

EJX=∑i=ni=1（AMJXi×fJXi）

式中AMJXi为建筑施工、运输机械台班使用量（台班），fJXi为建筑施工、运输机械台班碳排放量因子，i为建筑施工、运输机械种类

EXC=∑i=ni=1（AMXCi×fXCi）

式中AMXCi为建筑施工现场管理活动能源消耗量（t/kwh），fXCi为能源碳排放因子，i为建筑现场管理活动能源消耗种类。

2.2.2城市住宅建筑使用维护阶段

城市住宅建筑使用维护阶段包括使用过程和维护过程，其碳排放量计算模型：

ESYWH=ESY+ETH

式中ESYWH为建筑使用维护阶段碳排放量（tCO2），ESY、ETH为建筑使用过程、设备材料更替过程碳排放量（tCO2）。

ESY=∑i=ni=1（AMSYMi×fSYMi）+∑i=ni=1（AMSYYi×fSYYi）+∑i=ni=1（AMSYQi×fSYQi）+∑i=ni=1（AMSYDi×fSYDi）+∑i=ni=1（AMSYSi×fSYSi）

式中AMSYMi、AMSYYi、AMSYQi、AMSYDi、AMSYSi分别为建筑使用过程煤、燃油、燃气、电（kwh）、水能源消耗量（t），fSYMifSYYifSYQifSYDifSYSi分别为煤、燃油、燃气、电、水能源碳排放因子，i―建筑设备种类。

ETH=∑i=ni=1（AMTHJCi×fTHJCi）

式中AMTHJCi为建筑使用维护阶段替换材料、设备使用量（t），fTHJCi为替换材料、设备碳排放因子，i为替换材料、设备建筑设备种类。

2.2.3建筑拆除回收阶段

建筑拆除回收阶段包括建筑拆除过程与建材回收过程，其碳排放量计算模型如下：

ECSHS=ECS-EHS

式中ECSHS为建筑拆除回收阶段碳排放量（tCO2），ECS、EHS为建筑拆除过程、回收过程碳排放量（tCO2）。

ECS=∑i=ni=1（AMCSMi×fCSMi）+∑i=ni=1（AMCSYi×fCSYi）+∑i=ni=1（AMCSQi×fCSQi）+∑i=ni=1（AMCSDi×fCSDi）+∑i=ni=1（AMCSSi×fCSSi）

式中AMCSMi、AMCSYi、AMCSQi、AMCSDi、AMCSSi分别为建筑拆除过程煤、燃油、燃气、电（kwh）、水能源消耗量（m3），fCSMi、fCSYi、fCSQi、fCSDi、fCSSi分别为煤、燃油、燃气、电、水能源碳排放因子，i为建筑拆除结构种类。

EHS=∑i=ni=1（AMHSi×η×fHSi）

式中AMHSi为建筑回收材料量（t），η为建筑材料回收系数，fHSi为建筑回收材料碳排放因子，i―回收材料种类。

3.碳排放影响因素分析

3.1建造施工阶段

建造施工阶段影响因素众多主要包括建筑结构类型、建筑层高、建筑面积、选择低能耗材料情况、施工机械选择、能耗使用效率、运输方式、运输距离、工人操作技能、施工管理、施工企业资质等。

3.2使用维护阶段

为维持建筑的使用功能而采取了通风、照明、采暖、制冷、电梯等系统设备，其运行产生大量能耗和碳排放。其能源结构、能源消费强度、居民消费水平、人口密度、建筑面积等都是影响使用维护阶段碳排放的重要因素。

3.3拆除回收阶段

拆除回收阶段碳排放包括拆除阶段能耗碳排放以及回收阶段负碳排放。其影响因素包括拆除方式、建筑类型、建筑面积、建筑层数、运输方式、废弃物处理方式、机械选择、回收材料系数等。

4.城市住宅建筑低碳对策分析

4.1推广低碳施工先进技术和低碳施工管理体系

实现建筑施工低碳化，需借鉴国、国内先进经验，引进先进技术与设备，优化能源结构，积极推动太阳能、风能、地热能等清洁能源在施工过程中的应用。同时要依靠政府的行政手段，使用国家和行业推荐的节能降耗的产品，如施工现场全面使用节能照明灯，选用高效机械设备等。建立系统科学的低碳施工管理体系，有助于提高提高施工管理水平，根据施工现场实际情况，做出合理的施工规划、选择最优的施工方案。同时各参与方应以积极配合与监督施工企业现场的低碳施工执行情况。

4.2推动建筑能源价格改革

通过推动建筑能源价格改革，由按面积收费向按热量收费的同时，改革现行单一的价格政策，推行阶梯价格等价格制度。另一方面，增加对低碳能源的价格补贴，降低低碳能源的使用成本，促进建筑能源需求结构的清洁化、低碳化。

4.3培育居民低碳意识

从相关调查来看，住宅居民低碳意识均较薄弱。为此，可以采取创新宣传方式、加强示范引领、发挥社会低碳组织的力量等方式，支持社会力量建立低碳社团等社会组织，鼓励社会组织开展宣传低碳意识、培育低碳文化的各类活动，营造先进的低碳意识与低碳理念。

5.结语

本文通过分析城市住宅建筑全寿命周期碳排放来源，研究其个阶段碳排放计算模型，更进一步分析其碳排放影响因素。论述住宅建筑建筑节能减排对策，为我国住宅建筑碳排放测算以及低碳住宅建筑提供一定参考。（作者单位：重庆交通大学管理学院）

参考文献：

[1]IPCC.C1imate change 2013the Physical science basis summary 5.for Policymakers[EB/OL].http//ipcc.ch/

[2]Leif Gustavsson，Anna Joelsson，Roger Sathre.Life cycle primary energy use and carbon emission of an eight-storey wood-framed apartment building[J].Energy and Buildings，2010，42（2）：230-242.

[3]陈孚江，陈焕新，华虹，杨鸿翥，吴丽丽.建筑能耗生命周期评价.全国暧通空调制冷2008年学术年会论文集.

[4]王志刚，鄢涛.居住建筑能耗与各建筑因素关系分析.智能与绿色建筑文集2――第二届国际智能、绿色建筑与建筑节能大会.

篇9

“低碳经济”最早见诸于政府文件是在2003年的英国公布的《能源白皮书》，意指保持经济稳定增长的同时实现温室气体排放的低增长或负增长。中国发展以低能耗、低污染、低排放为特征的低碳经济是落实科学发展观、转变经济发展方式、建设资源节约型和环境友好型社会的有效途径，也是获得世界低碳革命的先发优势和国际话语权的必然选择。经济发展水平、人口规模、能源结构、产业结构、技术研发创新、碳金融体系等众多因素，被普遍认为对我国发展低碳经济有影响，所以系统地阐明这些影响因素，并理顺影响因素间的层次结构关系，对我国走可持续发展道路有重要意义，这也是本文的研究重点。

二、ISM模型理论介绍

ISM（Interpretative Structural Modeling），即解释结构模型法，是美国学者Warfield于1973年作为分析复杂社会经济系统结构问题而开发出的一种系统分析方法。该方法的特点是通过系统元素间相互影响关系（包括单向或双向的因果关系、大小关系、排斥关系、相关关系，从属或领属关系等）的辨识，将复杂的系统分解成为层次清晰的多级梯阶结构形式，使得众多元素错综复杂的关系层次化、条理化。

三、低碳经济影响因素的ISM模型法

第一，低碳经济影响因素分析。

中国发展低碳经济需要产业结构的转型、能源消费结构的改善、技术研发创新和居民低碳意识的增强等等，其影响因素具有复杂性和综合性。本文通过文献检索和专家咨询相结合的方式，举例分析了9个影响中国发展低碳经济的因素，总结如下：

S1：人口规模及城市化水平（P&U）——人口因素是未来中国温室气体排放增长的贡献者之一。人口越多，消耗的能源就越多，所产生的碳排放量也就越大。同时，人口增长不可避免地改变自然生态环境，增加了碳排放量。

S2：经济发展方式（ECOD）——经济发展离不开大量煤炭、石油等石化能源的投入和使用，而能源消费的增加必然会促进碳排放量的增加。从2003年至今，我国能源消费弹性系数平均水平在0.9以上，最高曾达到1.60，这说明我国经济的增长依赖能源的数量而不是质量，呈现资源消耗型经济的特点，即经济粗放式发展。

S3：能源强度（ET）——表示一个国家在一定时期内单位国内生产总值的能源消耗量，是一个衡量能源利用效率的指标。 目前我国的能源利用率远低于世界平均水平，中国一次能源消费占世界的17.73%，但产出只占世界的7.14%；美国一次能源消费占世界的20.35%，但其产出占世界的23.44%，可见我国还属于高能源低产出的经济模式，能源强度偏高。

S4：能源结构（ES）—— 碳排放主要来自化石能源，但不同的化石能源的碳含量是不同的，其中煤的碳含量最高，其次是石油，再次是天然气。而在我国已探明的能源储量中，煤炭占94%，石油占5.4%，天然气占0.6%，这种“富煤贫油少气”的能源结构，决定了中国以煤为主的能源生产和消费格局将长期存在，碳排放强度必然较高。

S5：产业结构（IS）——不同产业部门消耗的能源类型和结构是不同的，导致碳排放量也各不相同。由于第二产业终端能源消费占到全部终端能源消费的60%以上，因此第二产业在国民经济中比例的变化在一定程度上决定了碳排放量的变化。目前我国一、二、三产业间的比重约为1：5：4。

S6：国际贸易分工（ITD）——国际贸易中存在碳排放转移的问题：进口高耗能的资源密集型的产品则减少了本地区此类产品的生产，从而减少碳排放量；而出口高耗能的资源密集型产品则增加了本地区此类产品的生产，从而增加碳排放量。在国际贸易中，中国出口的商品相当一部分为高能耗、高度依赖于原料加工的劳动密集型和资源密集型商品。

S7：碳交易机制（CT）——碳交易是利用市场机制引领低碳经济发展的必由之路。俗称“既减排又赚钱的CDM”，即清洁发展机制，是中国企业转型发展低碳经济的机遇。 从目前来看，我国的碳排污权交易尚处于试点阶段，相关法规政策和部门缺位，碳交易机制还未建立完善。

S8：投资与融资（I&F）——对于工业化中期的中国来说，清洁能源开发、高效能技术的运用以及低碳生活模式的建立等都意味着大转变、高投入、长周期，对投资者的短期吸引不足；碳金融体系及相关配套措施发展滞后，无法给予充分的资金支持。

S9：技术研发创新（TRI）——低碳经济必然依赖于低碳技术的创新和运用。由于资金投入和前期回报不匹配、自身技术研发创新能力有限以及先进技术引进困难等因素影响，我国企业在低碳技术的研发利用方面还远落后于发达国家。

第二，影响因素相互关系分析。

建立ISM模型，先要理清上述九个影响因素之间的相互关系。通过咨询相关专家和检索文献，确立了影响因素间的两两关系，建立邻接矩阵A。规定要素Si 对Sj 有影响时，矩阵元素aij为1，要素Si对Sj无影响时，矩阵元素aij为0，得到9×9方形矩阵A。（如图1.左）

通过布尔代数运算，可由矩阵A计算得到可达矩阵M，即根据定义公式M=（A+I）n-1 =（A+I）n ≠（A+I）n+1，经运算求得n=3，得到可达矩阵M。（如图1.右）

第三，影响因素层次结构。

对可达矩阵M进行层级划分，可以更清晰地了解系统中各要素之间的层级关系。可达集 R（Si）是指在可达矩阵中Si 可到达的诸要素所构成的集合；先行集Q（Si）是指在可达矩阵中可到达Si的诸要素所构成的集合，根据R（Si）∩Q（Si）= R（Si）条件来进行层级的抽取，最顶层表示系统的最终目标，往下各层分别表示是上一层的原因。

根据可达矩阵M列出各要素的可达集 R（Si）、先行集Q（Si）和共同集R（Si）∩Q（Si），通过分析发现，由于R（S3）∩Q（S3）= R（S3）且R（S6）∩Q（S6）= R（S6），所以S3（ET）、S6（ITD）作为层次结构的最高级，即L1={S3，S6}；确定最高层级后，将其从可达矩阵中划去相应的行和列，形成新的可达集和先行集的关系表，又根据R（Si）∩Q（Si），可得S4（ES）为第二级L2；依次类推，可得S5（IS）、S8（I&F）、S9（TRI）为第三级L3；S7（CT）为第四级L4；S1（P&U）、S2（ECOD）为第五级L5。

在此基础上作出发展低碳经济的影响因素层级结构图（如图2.所示）。从层次结构图中可以清晰地看出，9个中国发展低碳经济的影响因素被分配在5个层级内，表层因素主要体现在L1，即能源强度（ET）和国际贸易分工（ITD），而中层因素主要体现在L2、L3、L4，深层因素则反映在L5，即人口规模及城市化水平（P&U）和经济发展方式（ECOD）。所以，这两个深层因素对其他6个因素产生直接或间接的影响，也意味着把握好这两个因素对我国发展低碳经济有着重要影响，指引政府战略规划的决策方向，决定中国节能减排的效果和政策措施的执行效率。

四、结论及建议

本文通过ISM模型对影响我国发展低碳经济的9个因素进行分析，理顺了影响因素之间的逻辑关系，同时有助于决策者利用有限的财力物力和人力，把握好发展低碳经济的机遇，采取优先顺序处理阻障和挑战。鉴于影响因素众多且复杂，本文着重针对模型最终得出的两个深层因素：经济发展方式（ECOD）和人口规模及城市化水平（P&U）。根据结论，本文认为：

首先，我国应健全法律制度。目前我国尚未出台专门的低碳经济法案，整体上还没有形成规范低碳经济发展行为的法律法规体系。我国应加快低碳经济相关立法的进程，结合我国的国情，制订详尽且具有可操作性的法律法规。通过法律法规的强制性作用，引导政府的工作决策，推动企业低碳经济行为。

其次，宣扬低碳理念，改变消费方式。中国作为世界人口大国，个人的生活模式和消费方式对我国节能减排的意义重大。通过低碳教育提高城镇居民的低碳消费意识，结合传媒对低碳消费进行宣传，达到调整居民的消费结构，实现低碳的消费的效果。

篇10

关键词：工业碳排放； 能源消费； 影响因素； 合肥市

中图分类号：X502

文献标识码：A 文章编号：1674-9944（2016）20-0032-06

1 引言

2014年11月12日，作为世界上最大的CO2排放国，中国在《中美联合气候变化联合声明》中承诺，计划2030年左右CO2排放达到顶峰且将努力早日达到顶峰，并计划到2030年非化石燃料能源占能源消费比重1到20%左右。根据气候变化第二次国家信息通报[1]，我国2005年化石能源消费导致的CO2排放占CO2排放总量的93.66%。工业是国民经济的基础产业，同时也是能源密集型行业，因此由工业直接导致的CO2排放量在碳排放中占主导地位，这在国内外众多学者的研究中得到了佐证[2～5]。因此，研究工业部门碳排放的影响因素对今后节能工作的展开具有重要参考作用。就目前的研究来看，主要是利用SDA 、IDA等因素分解方法讨论能源碳排放的影响因素及影响程度。由于SDA对数据有着较高的要求，没有IDA应用广泛。Ang[6]综合分析了众多IDA，认为LMDI在理论基础、技术特点、应用领域以及结果表达等方面最具优势，主要是该法具有时间独立性、有效处理零值和数据汇集一致性等优点。更重要的是，LMDI的加法和乘法形式易于转化，能消除残差项，使模型更加可靠[7]。Wang等[8]通过LMDI分解法对2005～2009年中国水泥行业的温室气体排放的驱动因素进行分析，结果表明能源强度在降低温室气体排放总量中发挥了积极作用。Xu等[9]通过利用LMDI分析了我国1995～2011年中国化石能源碳排放的影响因素，认为经济产出、人口规模是碳排放的主要因素。王媛等[10]采用LMDI论证了能源结构效应对天津市碳排放的影响。以上研究为深入研究碳排放量年际变动的不同因素的作用机制打下了基础，对于研究碳排放动态具有重要作用。以合肥市为例，深入工业内部的各个行业中，全面、系统地剖析工业经济发展、能源效率提高、能源结构以及产业结构的变动等对CO2排放量的影响，以期确定主要影响因素，然后制定相应的减排措施。

2 数据来源及研究方法

2.1 数据来源

根据《国民经济行业分类标准》（GB/T 4754―2011）并结合合肥市工业发展的实际情况，将合肥市工业分为采掘业，制造业，电力、热力、燃气及水的生产和供应业三大类共33个行业。其中各行业的能源消费数据和经济发展等相关数据来源于《合肥统计年鉴》[11]，部分数据来源于相关部门调研，有关涉及工业和各行业历年总产值数据以2000年不变价格折算以剔除价格变动因素；各种能源的平均低位发热量、折标煤系数参考《中国能源统计年鉴2013》[12]；各种化石能源的碳氧化率、单位热值含碳量源自《省级温室气体清单编制指南（试行）》。

2.2 碳排放计算方法

科学测度CO2排放量是减少CO2排放和制定未来能源战略的前提和基础。由于合肥市至今没有CO2排放监测数据，只能基于能源消费量的基础上计算CO2排放量。目前，合肥市工业消费的能源有化石能源、热力、电力以及包括生物质能、核能、风能、水能等在内的其他能源。其中，各行业消费热力、电力不会直接引起CO2的排放，将热力能源生产和火力发电的能源消费产生的CO2排放直接计入电力、热力的生产和供应业，以避免重复计算。由于生物质能生产过程中吸收的CO2与燃烧排放的CO2基本相等，消费生物质能几乎不会引起CO2净排放。而核能、风能、水能等能源几乎不产生CO2。因此，计算工业各个行业能源消费导致的CO2排放只需计算化石能源消费导致的CO2即可。利用的化石能源包括原煤、洗精煤、其他洗煤、煤制品、焦炭、焦炉煤气、其他煤气、原油、汽油、煤油、柴油、液化石油气、燃料油、天然气等14类。综合衡量CO2排放量估算的相对严谨性和可操作性，可以采用公式（1）估算合肥市工业化石能源消费的CO2排放量：

式（1）中：CEFC表示化石能源消费的CO2排放量（tCO2）；FCij表示第i种行业第j种化石能源种类（t，万Nm3）；CEFj表示第j种化石能源的CO2排放系数（tCO2/t，tCO2/万Nm3）。

第j种化石能源的CO2排放系数CEFj用以下公式计算：

首先用公式（2）计算第j种化石能源的CO2排放因子EFj：

式（2）中：EFj表示第j种化石能源的排放因子（tCO2/TJ）；CCj表示第j种化石能源的单位热值含碳量（tC/TJ）；OFj表示第j种化石能源的碳氧化率（%）；4412表示CO2与C的分子量之比。

结合公式（2），利用公式（3）计算第j种化石能源的CO2排放系数：

式（3）中：NCVj表示第j种化石能源的平均低位发热值（MJ/t，MJ/万Nm3）。

根据公式（2）、（3）计算的各类化石能源CO2排放系数见表1所示。

2.3 碳排放因素分解方法

本文利用LMDI模型对扩展后的Kaya公式进行分析，以期确定排放因子、工业各行业的能源结构、工业各行业的能源效率、工业的产业结构、工业各行业的经济发展规模这几个因素对合肥市能源消费导致的CO2排放的贡献值。利用公式（4）将第T年的CO2排放量分解：

T-1年到T年合肥市工业CO2排放量的变化量可用公式（5）进行计算：

从T-1年到T年合肥市工业CO2排放量在排放因子效应、能源结构效应、能源效率效应、产业结构效应、经济发展效应作用下分别产生的变化量由公式（6）～（10）计算：

其中， IEFeffect、IESeffect、IEEeffect、IISeffect、IEDeffect分别表示排放因子、能源结构、能源效率、产业结构、经济发展造成的CO2排放增加量，即5个因素的效应值。由于本研究分析合肥市工业2000～2014年的碳排放数据，研究时间较短，因而假定碳排放系数不变，即IEFeffect=0。

3 合肥市工业能源消费碳排放的时间序列分析

3.1 工业能源消费的CO2排放量及工业生产值变化时间序列分析

合肥市工业生产值、工业能源消费量及工业CO2排放量均呈现增长现象由图1可见。2001～2014年合肥市工业增加值年均增长率达22.40%，高于安徽省同期水平（18.72%）。工业经济的快速发展导致了能源消费、CO2排放量的持续增长。“十五”期间，合肥市工业能源消费、CO2排放量年均分别增长24.67%、25.06%，远高于工业增加值年均增速（19.22%）。这跟中国在此期间偏离2020年能源战略目标，依靠高能耗支撑工业经济的发展有关；随着“十一五”期间节能减排及合肥市“工业立市”战略的实施，工业经济以年均27.53%高速发展，工业能源消费、CO2排放量降至10.94%、8.40%。进入“十二五”以来，合肥市工业生产值的增长率在2011年达到顶峰（39.12%）后维持在13%左右，而能源消费、CO2排放量增长率也由2011年的64.71%、57.89%降至2014年的-3.79%、-1.31%。

3.2 工业能源消费的结构变化时间序列分析

合肥市2000～2014年能源消费的结构变化如图2所示 。由图2可知，化石能源的平均比重达到了85.71 %，煤炭以83.66 %的比例在能源消费中占据着绝对地位，石油（1.93%）、天然气（0.12%）所占比重较小。此外，热力、电力、其他能源的平均比重分别为2.43%、11.51%、0.19%。从整体来看，能源消费结构变动不大（液化天然气、其他能源在2010年才进入合肥市工业能源结构中）。在化石能源消费引起的CO2排放中，合肥市平均煤炭CO2排放量占CO2总排放量的98.33%，石油、天然气CO2排放量分别占1.50%、0.17%。煤炭CO2排放量明显偏高，其原因可能有以下两点。①与合肥市工业的产业结构相关，合肥市工业以电力、化工、冶金等重工业为主，对煤炭的需求量极大；②安徽省“富煤、贫油、少气”的资源禀赋特点决定了合肥市工业能源消费结构中煤炭所占据的主导地位。

3.3 工业能源消费的能源强度变化时间序列分析

由2000～2014年合肥市能源消费、CO2排放量及工业经济发展的变化趋势可看出，以工业能源消费年均增长17.38%的代价换取了工业经济年均增长22.40%的快速发展，并由此带来了CO2排放量以年均16.35%的速度增长。合肥市2000～2014年单位工业GDP能源强度、单位工业GDP碳排放强度计算结果如图3，可以看出：自2002年起，能源强度、碳强度整体呈现下降趋势，仅在2011年有所反弹，实现小幅攀升态势。2014年与2000年相比，能源强度下降幅度达到61.05%，碳排放强度下降幅度则达到55.10%。其中，两项指标在“十五”期间初期呈现大幅攀升趋势，并在“十一五期间”实现逐年下降，这说明在此期间合肥市工业节能减排工作效果显著。同时，仅2001年、2002年、2004年、2011年的能源弹性系数和CO2排放对工业GDP弹性系数大于1，能源消耗、CO2排放增幅高于工业GDP增幅，呈现 “粗放增长”的状态。值得关注的是，合肥市自2000年加速工业化以来，能源弹性系数仅为0.92，低于日本同期水平（1.21）[13]，这说明合肥市工业对能源的利用率相对较高。

何建坤等[14]认为，GDP的增长率小于碳排放强度的下降率时才能实现CO2的绝对减排。合肥市仅2012年二氧化碳排放强度的下降率（18.94 %）大于当年工业GDP增长率（16.25%），实现了CO2的绝对减排。因此，合肥市应进一步提高能源利用效率，调整能源结构，以期进一步降低能源强度、碳排放强度。

4 合肥市工业能源消费碳排放影响因素分析

利用LMDI模型，根据公式（6）～（10）对合肥市工业2000～2014年的工业能源消费的CO2排放增量进行分解，计算出能源结构效应（IESeffect）、能源效率效应（IEEeffect）、产业结构效应（IISeffect）、经济发展效应（IEDeffect），得到各分解因素的作用效果见表2所列。各因素对合肥市工业能源消费的CO2排放的累积增量见图4。根据表2、图4可知，2000～2014年，合肥市工业能源消费CO2排放总量增加了2183.62 万t。其中，经济发展效应导致CO2排放总量增加了3734.59 万t，能源结构效应、能源效率效应、产业结构效应分别导致CO2的排放量减少151.06 万t、1251.34万t、148.57万t。其中电力热力的生产和供应业、非金属矿物制品业、黑色金属冶炼及压延加工业、化学原料及化学制品制造业是合肥市工业主要CO2排放增加行业，共增加了2241.15万tCO2排放（见表3）。

4.1 经济发展效应

经济发展对合肥市工业能源消费CO2排放的贡献度一直表现为较大的正增量效应。经济发展效应对CO2排放量的贡献率由2001年的22.89%上升至2014年的171.03%，累计平均贡献率为137.51%，证明了工业经济的快速发展是造成合肥市工业能源消费CO2排放增加的重要原因。2000～2014年，各行业经济发展对工业能源消费CO2排放的贡献均为正向，其中，合肥市电力热力的生产和供应业、非金属矿物制品业、黑色金属冶炼及压延加工业、化学原料及化学制品制造业四大能源密集型行业的工业经济发展对CO2排放变化的贡献值较其他行业大，共为3379.27万t，占经济发展效应的90.49%。在此期间，四大能源密集型行业的工业生产值增加了400.88亿元，可计算得合肥市能源密集型行业每增加1万元会导致8.43 t CO2排放，远高于同期其他行业的平均值（0.20 t CO2/万元）。因此，适当放缓重点能源密集型行业经济增长速度、促进非能源密集型行业的发展有利于减少合肥市工业CO2排放。

4.2 能源效率效应

落后的生产技术和过低的能源利用效率使得能源强度在2005年前是CO2排放量增长的促进因素。自2005年起，能源效率成为抑制CO2排放量增加的主要因素，合肥市工业能源效率效应对能源消费CO2排放的累积年平均贡献率达-42.57%，是抑制合肥市工业CO2排放量增加的主要原因。个别年份能源效率对合肥市工业能源消费CO2排放的贡献度表现为正增量效应，这是由于在此期间某个行业能源强度的反弹引起的。如2011年能源效率贡献值为405.53万t，其中非金属矿物制品业，电力热力的生产和供应业对CO2排放量的贡献值分别为154.98万t、333.90万t，原因在于这2个行业的能源强度由2010年的0.49和6.34t/万t上升至2011年的2.27和8.63 t/万t。

2000～2014年，黑色金属冶炼及压延加工业、电力热力的生产和供应业、化学原料及化学制品制造业能源效率因素对CO2排放变化的贡献值较大，共减少1077.55万tCO2排放，占能源效率贡献的86.11%，原因是这三大行业的平均能源强度由2000年的5.29 t/万t降至2014年的2.74t/万t，因此这三大行业的平均能源强度每下降1t/万t，CO2排放将减少422.57万t。尽管三大行业的能源强度在下降，但这三大行业在此期间的累积能耗达7890.50万t，占总能耗的77.09%，但其工业产值只占整个总产值的14.93%，因此，合肥市应该减排重点集中到此类高CO2排放行业，提高其能源使用效率。

4.3 产业结构效应

2000～2013年，合肥市行业结构效应整体呈现负增量效应。2014年行业结构对CO2排放增量的贡献转为正向，贡献值为395.02万t，高于当年经济发展的贡献值（271.97万t）。其中电力热力的生产和供应业对CO2排放的贡献值为395.25万t，主要是该行业的工业产值占总产值的比重由2013年的3.12%上升至2014年的5.34%。

电力热力的生产和供应业、黑色金属冶炼及压延加工业、化学原料及化学制品制造业这三大行业的增加值占工业增加值的比例由2000年的59.88%降至2014年的9.05%，对CO2排放的贡献值共为-141.23万t，占行业结构贡献的95.05%。这充分凸显了能源密集型产业结构调整对CO2排放量的影响。结合经济发展效应对CO2排放的影响分析，可知电力热力的生产和供应业、化学原料及化学制品制造业、黑色金属冶炼及压延加工业这三大行业的经济发展对CO2排放贡献量很大，但是通过调整产业结构、降低其工业产出比重能在一定程度上抵消经济发展效应所导致的CO2排放量增加。2000～2014年这三个行业的产业结构效应抵消了4.45%的经济发展效应。合肥市应进一步降低能源密集型行业的规模，积极扶持电子计算机等技术密集型产业的发展，使之成为拉动经济增长的强劲动力，以期减少CO2排放量。

4.4 能源结构效应

在2000～2014年间，能源结构变动对CO2排放变动的总体影响较小，平均年贡献率仅为-1.48%，这主要是由于合肥市工业能源结构无显著变化，具有高碳排放系数的煤炭在工业能源消费中一直占据着主导地位。大多数行业中非化石能源比例的提高对减少CO2排放起促进作用。但非金属矿物制品能源结构变动则使CO2排放量增加了17.60万t，这主要源于该行业煤炭消费比重分别由2000年的69.67%上升至2014年的79.85%。合肥市工业煤炭消费比例较高，存在着下调空间。由于安徽省油气资源相对匮乏，调高各行业特别是能源密集型行业其他能源的消费比例，降低煤炭消费份额，有利于抑制CO2排放增长。

5 结论和政策建议

5.1 结论

（1）2000～2014年间，合肥市工业能源消费以年均增长17.38%的代价换取了工业经济年均增长22.40%的快速发展，并由此带来了CO2排放量以年均16.35%的速度增长。与此同时，能源强度、碳强度分别由2000年的1.24 t/万t、2.91 t/万元降至2014年的0.55 t/万t、1.13 t/万元，下降幅度分别达到55.10%、61.05%，由此可见合肥市工业节能减排工作效果显著。从合肥市工业能源消费结构来看，煤炭以83.66 %的比例在能源消费中占据着绝对地位，石油、天然气所占比重较小。在化石能源消费引起的CO2排放中，合肥市平均煤炭CO2排放量占总CO2排放量的98.33%，石油、天然气CO2排放量分别占1.50%、0.17%。煤炭CO2排放量明显偏高，是未来合肥市工业CO2减排的重点。

（2）经济发展是促进合肥市工业CO2排放量持续增长的主要原因，能源效率、产业结构、能源结构的变动都不同程度地抑制了CO2排放量增加。通过对工业行业进一步分解分析表现，电力热力的生产和供应业、黑色金属冶炼及压延加工业、化学原料及化学制品制造业、非金属矿物制品业等四大能源密集型行业的经济发展、能源效率等因素严重影响着工业能源消费CO2排放量的变化。其中这四大能源密集型行业每增加1万元产值会导致8.43 t CO2排放，远高于同期其他行业的平均值（0.20 t CO2/万元）；黑色金属冶炼及压延加工业、电力热力的生产和供应业、化学原料及化学制品制造业这三大行业的平均能源强度每下降1 t/万t，CO2排放将减少422.57万t；电力热力的生产和供应业的工业产值占总产值的比重每增加1%，会引起178.04万t CO2排放；非金属矿物制品行业煤炭比重每上升1%，会增加1.73万tCO2排放。

5.2 政策建议

根据对合肥市工业碳排放特征及碳排放影响因素研究，本文从以下几个方面提出减排的政策建议。

（1）合肥工业化刚进入中期阶段，工业经济将继续保持快速发展。构建低碳经济模式，发展低消耗、低排放、低污染为特征的低碳工业，实现工业经济和环境的协调发展。

（2）作为国家首批创新型试点城市，合肥市应进一步强化科技创新和进步，引进整体煤气化循环发电技术等先进节能技术。同时，协调以市场为导向的产学研创新体系，加快节能技术成果的应用和转化。

（3）合肥市应逐步完善环境准入条件，建立落后产能退出机制，加快淘汰落后技术、产能和装备，降低能源密集型行业的规模。同时，结合合肥市工业发展现状，大力扶持高新技术产业发展，特别是新能源汽车、集成电路等战略性新兴产业的发展。

（4）合肥市油气资源相对贫乏，煤炭在合肥市工业能源结构中占据着绝对地位。要想改变以煤炭为主的能源消费结构，应加快推进核能、风能、水能等新能源的开发和利用，提高非化石能源的使用比例，全面构建低碳能源体系。

参考文献：

[1]苏 伟. 中华人民共和国气候变化第二次国家信息通报[M]. 北京：中国经济出版社， 2013.

[2]张 颖. 能源消耗、二氧化碳排放与中国工业可持续发展的脱钩分布研究[J]. 开发研究， 2013（1）：104～108.

[3]潘佳佳， 李廉水. 中国工业二氧化碳排放的影响因素分析[J]. 环境科学与技术， 2011， 34（4）：86～92.

[4]IPCC. Climate Change2014：Synthesis RePort[R].Summary for Policy makers，2014.

[5]Diakoulaki D， Mandaraka M. Decomposition Analysis for Assessing the Progress in Decoupling Industrial Growth from CO2 Emissions in the EU Manufacturing Sector [J]. Energy Economics，2007，29（4）：636 -664.

[6]合肥市统计局.合肥市统计统计年鉴：2000～2014[M].合肥：合肥市统计局，2015.

[7]国家统计局.中国能源统计年鉴[M].北京：中国统计局，2013.

[8]Ang B W. Decomposition analysis for policymaking in energy：： which is the preferred method[J]. Energy Policy， 2004， 32（9）：1131～1139.

[9]宋德勇， 卢忠宝. 中国碳排放影响因素分解及其周期性波动研究[J]. 中国人口・资源与环境， 2009， 19（3）：18～24.

[10]Wang Y， Zhu Q， Geng Y. Trajectory and driving factors for GHG emissions in the Chinese cement industry[J]. Journal of Cleaner Production， 2013， 53（16）：252～260.

[11]Xu S C， He Z X， Long R Y. Factors that influence carbon emissions due to energy consumption in China： Decomposition analysis using LMDI[J]. Applied Energy， 2014， 127（6）：182～193.

[12]王 媛， 贾皎皎， 赵鹏，等. LMDI方法分析结构效应对天津市碳排放的影响及对策[J]. 天津大学学报（社会科学版）， 2014（6）：509～514.