碳排放的影響因素范文

導語：如何才能寫好一篇碳排放的影響因素，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

與現有研究文獻相比,本文的創新與研究特色體現在以下幾個方面:(1)對鋼鐵工業產品和能源剛性需求的考慮。在現有文獻中大多沒有考慮到我國鋼鐵工業能源和產品需求剛性特征,這兩個因素可以說對我國鋼鐵工業碳排放和制定減排策略尤為重要。(2)方法創新。本文采用鋼鐵工業的五大工序的能源消耗和產出數據,根據各種能源的碳排放因子,來計算各工序的碳排放數據,計算結果更為準確。(3)確立了鋼鐵工業碳排放與其影響因素之間的關系。本文依據日本學者YoichiKaya提出的Kaya[16]恒等式將鋼鐵工業的碳排放量分解為各因素之和,確立了每一個影響因素與碳排放量之間的關系。

模型和數據

1模型與數據

鋼鐵工業二氧化碳排放總量的數據來源于二氧化碳信息分析中心和中國能源統計年鑒,其他數據均來源中國鋼鐵統計年鑒、中國統計年鑒以及國泰安數據庫,樣本區間為1981~2010年,采用的計量分析軟件為Eviews7•0。根據前文的評述,結合日本學者YoichiKaya提出的Kaya恒等式和林伯強、劉希穎的研究將鋼鐵工業的碳排放分解為4個主要影響要素:CP(工業增加值碳強度)、EP(能源消耗強度)、GE(能源消耗經濟效益強度)和PE(鋼鐵消耗量),以解釋鋼鐵工業的經濟活動與碳排放之間的關系。其中,CO代表鋼鐵工業二氧化碳排放量,EC代表鋼鐵工業的能源消耗量,GP代表鋼鐵工業的增加值,PR代表鋼鐵消耗量,CP=CO/GP表示工業增加值碳強度,EP=EC/PR表示能源消耗強度,GE=GP/EC表示能源消耗經濟效益強度(具體如表1所示)。本文針對我國工業化的特征,利用協整方法分析我國鋼鐵工業碳排放與各個影響因素之間的長期均衡關系。通過建立我國鋼鐵工業二氧化碳排放量與產業增加值強度(CP)、能源消耗強度(EP)、能源消耗經濟效益強度(EP)和鋼鐵消耗量(PR)之間的協整方程來探究這4種因素與鋼鐵工業二氧化碳排放之間的長期均衡關系:CO=f(CP,EP,GE,PR)(2)其中,本文對二氧化碳排放量的計算做詳細說明,二氧化碳排放量為生產鋼鐵產品過程中的直接排放量和間接排放量之和,在生產鋼鐵過程中燃料消耗直接排放的二氧化碳和工藝過程中排放的二氧化碳稱為直接排放。將因耗外購電力、外購焦炭、進口鋼鐵而導致的二氧化碳排放稱為間接排放。其直接排放的計算方法與參數設定參照林伯強[8]和涂正革[17]的設定方法,燃煤、焦炭和天然氣燃燒的碳排放分別等于其能源消費量、能源轉化率和二氧化碳排放系數三者的乘積之和。

2模型求解

在時間序列的數據研究中,我們會經常遇到本身是非平穩的經濟變量。但是,它們的線性組合確有可能是平穩序列。這種平穩的線性組合被稱為協整方程,且可被解釋為變量之間的長期穩定的均衡關系[18]。對于多個變量之間的協整關系檢驗通常采用的是Johansen協整檢驗方法,它是一種以VAR模型為基礎的檢驗回歸系數方法。其P階的VAR模型具體形式如下:Yt=A1Yt-1+A2Yt-2+……+ApYp-1+BXt+εt(4)其中,Yt是k維的非平穩的I(1)向量,Xt是d維的確定性的外生變量。(1)在進行協整檢驗之前,必須對每一個變量進行平穩性檢驗,只有在得出序列為平穩性序列之后,才能對其進行協整檢驗分析。本文在綜合考慮前人研究的基礎上采用ADF(AugmentedDickey-Fuller)檢驗和PP(Phillips-Perron)檢驗兩種檢驗方法。通過Eviews7•0得出所有變量均在5%的顯著水平下達到二階平穩(結果如表3所示),滿足建立協整方程的必要條件。(2)本文采用Johansen協整檢驗方法,依據Eviews7•0的檢驗結果,在5%的水平下,提取一個協整方程如下(括號內為標準差)如式(5)所示:根據式(5)可以看出,所有變量系數均符合其經濟意義,且在5%的置信水平下通過t統計量檢驗,R2為0•997189說明模型的整體擬合度較高。另外,也可以看出在1981~2010年間,我國鋼鐵工業的碳排放量與工業增加值碳強度、能源消耗強度、能源消耗經濟效益強度和鋼鐵消耗量有著穩定的均衡關系。并且從影響度的大小來看,對鋼鐵工業的碳排放影響最為顯著的是工業增加值碳強度和能源消耗強度,其次為能源經濟效益強度和鋼鐵消耗量。其中,工業增加值碳強度、能源消耗強度和鋼鐵消耗量每增加1個百分點分別會帶動鋼鐵工業的碳排放同向變動0•686個百分點、0•251個百分點和0•173個百分點,而能源消耗經濟效益強度增加1百分點會帶動鋼鐵工業的碳排放反向變動0•242個百分點。可見,未來政策調整的重點應該在于降低鋼鐵工業增加值碳強度和提高能源消耗經濟效益強度這兩個影響指標。并且根據式(5)降低工業增加值碳強度能夠為我國鋼鐵工業碳減排帶來顯著的效果。

鋼鐵工業碳排放的影響因素分析

1鋼鐵工業二氧化碳排放量:現狀及原因

我國鋼鐵工業一直以來作為我國高能耗、高排放產業之一,其每年的能源消耗量約占我國能源消費總量的15%,占工業能源消費總量的23%左右,如1981~2010年間其能源消費總量從6496萬噸標煤增長到61982•12萬噸標煤,增長了8•54倍多,年均能源消耗量為1900萬噸左右。相應的隨著能源消耗量的增長,鋼鐵工業的碳排放也在大幅度的增長。據本文計算顯示,我國鋼鐵工業二氧化碳排放量從1981年的15915•2萬噸增長到2010年的151856•19萬噸,年均增長率為8•35%。對此,本文認為有以下幾種原因:(1)近幾年以來,我國經濟的高速增長,特別是2003~2005年我國GDP增長率都在10%以上,高速的經濟增長帶動了我國鋼鐵工業的快速發展,我國鋼鐵消耗量從2000年的14742•14萬噸增加到2010年的81270•31萬噸,增長了4•51倍。由上文鋼鐵消耗量與碳排放的關系可知,鋼鐵消耗量的增加導致了碳排放的快速增長;(2)我國正處于工業化發展的后期和城市化進程中,對鋼鐵產品需求量也逐步的加大。由此同理可知,工業化和城市化進程中的碳排放量也將逐漸加大;(3)目前我國鋼鐵工業的生產方式還是粗放型的生產方式,在鋼鐵工業中還沒有大規模采用降低二氧化碳的技術。因此,在我國鋼鐵工業粗放型增長階段中,碳排放必然也呈現快速的增長趨勢。從不同發展階段來看,1981~1994年我國鋼鐵工業二氧化碳排放量增長了0•86倍,年均增長率為4•92%;1995~2010年我國鋼鐵工業二氧化碳排放量增長了4•01倍,年均增長率為11•13%,比1981~1999年階段年均增長率高6•21個百分點。可見,鋼鐵工業規模的擴大對鋼鐵工業碳排放增幅的貢獻逐步增大。從不同工序來看,煉鐵工序是鋼鐵生產中能耗最大的工序,其單位產品能耗約占整個鋼鐵過程的70%。2005年重點鋼鐵企業中煉鐵工序單位產品的碳排放量為936•81千克/噸,分別是焦化工序和燒結工序的3•16倍和7•07倍。2009年隨著對節能減排的重視,重點鋼鐵企業煉鐵工序的單位產品碳排放量有所下降為830•78千克/噸,分別是焦化工序和燒結工序的3•52倍和7•39倍。但從不同工序來說,煉鐵工序碳排放分別與焦化工序碳排放、燒結工序碳排放相比有所提高。

2工業增加值碳強度與碳排放

(1)按照1978年價格計算,我國鋼鐵工業增加值從1981年的91•07億元,增長到2010年的3068•16億元,年均增長率為14•91%。根據涂正革[17]的研究,在其他條件不變的情況下,因產業增加值的逐年擴大導致其碳排放量的增加稱為碳排放的理論增長規模。1981~2010年我國鋼鐵工業增加值的年均增長率約為15%,相應地,鋼鐵工業碳排放的年均增長率理論上應該為10•29%。這也就是說,如果不考慮其他因素,按照目前我國鋼鐵工業增加值的增長速度,其碳排放量理論上年均增長速度為10•29%。(2)分階段來看,1981~1994年我國鋼鐵工業增加值年均增長率為13•9%,理論上帶動二氧化碳年均增量為1517•58萬噸;1995~2010年間我國鋼鐵工業增加值的年均增長率為15•72%,理論上帶動我國鋼鐵工業二氧化碳排放年均增長量為1715•64萬噸,比1981~1994年間的年均增長量多了198•06萬噸。可見,鋼鐵工業增加值的擴大對其碳排放量增幅的貢獻逐步增大。但是,根據我國鋼鐵工業的實際發展現狀,目前我國鋼鐵工業的過剩產能將超過2億噸,按照每噸鋼材產能投資5000元計算,中國鋼鐵工業的投資浪費已達1萬億元之多,特別是近幾年我國鋼鐵工業的噸鋼利潤只有同期國外企業的1/3~1/5[19]。因此,未來從降低我國鋼鐵工業增加值這一途徑來降低其碳減排的空間和潛力不大。但是,若在維持我國鋼鐵工業增加值增長率的前提下降低其碳排放量(如提高技術水平),仍有較大的潛力。

3能源消耗強度、能源消耗經濟效益強度與減排能力

能源消耗強度和能源消耗經濟效益強度利用的高低反映能源利用效率水平,能源消耗強度的降低和能源消耗經濟效益強度的提升代表著我國鋼鐵工業技術水平的提高。我國鋼鐵工業能源消耗強度和能源消耗經濟效益強度分別從1981年的2•16噸標煤和140•19元下降和上升到2010年的0•76噸標煤和495•01元,下降了和上升了64•81%、253•1%。而鋼鐵工業能源消耗強度的下降和能源消耗經濟效益強度的提升與我國鋼鐵工業節能減排技術的推廣應用密不可分。因此,節能減排技術的提高是我國鋼鐵工業能源消耗強度下降和能源消耗經濟效益強度提升的主要影響因素。我國鋼鐵工業能源消耗強度和能源消耗經濟效益強度自1981~2010年有了較大幅度的下降和提升,1981年分別為2•16噸標煤和140•19元,2010年分別下降和上升為0•76噸標煤和495•01元,年均下降率和上升率分別為3•1%和5•83%。根據式(5)理論上能源消耗強度和能源消耗經濟效益強度的下降導致碳排放的年均下降率分別為0•53%和1•41%。分階段分析,1981~1994年間,我國鋼鐵工業能源消耗強度和能源消耗經濟效益強度年均下降率和上升率分別為4•26%和8•44%,而能源消耗強度下降和能源消耗經濟效益強度上升導致碳排放的年均下降率分別為0•73%和2•04%。1995~2010年我國鋼鐵工業能源消耗強度和能源消耗經濟效益強度年均下降率和上升率分別為2•15%和3•71%,從而導致鋼鐵工業碳排放年均下降率分別為0•37%和0•89%。而在我國鋼鐵工業碳排放下降的拉動因素中,節能減排技術拉動占居著重要因素,如:近幾年來,我國鋼鐵工業采用的轉爐負能煉鋼技術可使噸鋼產品節能23•6kg標煤,減少煙塵排放量10mg/m3;電爐優化供電技術可節約用電10~30千瓦時/噸,電爐煉鋼生產效率提高5%左右。按照目前我國所處的經濟發展階段,能源消耗強度不可能無限的下降。根據涂正革的研究,我國目前的能源消耗強度仍然處于一個很高的水平。2006年中國單位GDP能耗為世界平均水平的3倍,巴西的3倍,美國的4•5倍,日本的9倍,在全球30個主要國家和地區的排名中倒數第4。因此,提高技術水平降低能源消耗強度,作為我國鋼鐵工業實現低碳排放的主要途徑,仍有較大的空間。

4鋼材消耗量與減排空間

鋼鐵工業是我國國民經濟發展的重要產業。改革開放以來,我國經濟高速發展,經濟規模迅猛擴大,帶動著我國消費結構的升級和基礎設施投資的加大以及城市化進程的加快,這也是我國工業化發展的必經階段,也是我國工業化和城市化的快速發展時期。因此,這段時期對我國鋼材產量的需求也呈現快速的增長態勢,據有關資料統計,1981~2010年由于我國工業化和城市化所帶動的鋼材消耗量增長了26•07倍,并導致二氧化碳排放增長了33985•25萬噸。分階段來看,1981~1994年間我國鋼材消耗量年均增長率為11•08%,帶動碳排放的年均增長率為2•77%;1995~2010年我國鋼材消耗量年均增長率為13•82%,帶動碳排放年均增長率為3•46%。然而,根據我國目前的經濟發展概況,吳文東[20]利用組合模型對我國鋼材需求量的結果進行了預測,結果表明我國鋼材需求量在2020年將達到6•6億噸左右,并在5~10年內將保持這一水平。何維達[21]也預測了我國鋼鐵工業未來3年的國內市場需求增長率分別為38•96%,40•82%和45•32%。這主要是因為國內需求的拉動、國內制造業和建筑業的迅速發展、機電產業以及房地產業、交通運輸業等等都為我國鋼材需求量提供了廣闊的市場。因此,未來我國鋼材消耗量也必將隨之增長。可見,未來提高我國鋼材生產的技術水平,降低鋼材消耗強度,是當前我國鋼鐵工業碳減排的重要任務。

主要結論與政策含義

1主要結論

通過以上分析,可以得到幾個基本結論:(1)我國國民經濟已經進入工業化的快速發展階段,城市化、房地產等產業的快速發展,拉動鋼材消耗迅猛增長,而隨之的能源消耗需求也與日俱增,碳排放量迅猛增長,這是我國面臨的巨大的挑戰之一;(2)我國公布了到2020年單位國內生產總值二氧化碳排放比2005年下降40%~45%的減排目標,這一目標對鋼鐵企業乃至整個鋼鐵工業將產生巨大且深遠的影響,這是我國面臨的巨大挑戰之二。以此為背景,本文通過考察1981~2010年我國鋼鐵工業碳排放的趨勢和特征,采用Jo-hansen協整檢驗方法研究了二氧化碳排放量和工業增加值碳強度、能源消耗強度、能源消耗經濟效益強度和鋼鐵消耗量4個主要影響因素之間的關系。結果表明:從影響度的大小來看,對鋼鐵工業的碳排放影響最為顯著的是工業增加值碳強度和能源消耗強度,其次為能源經濟效益強度和鋼鐵消耗量。其中,工業增加值碳強度、能源消耗強度和鋼鐵消耗量每增加1個百分點分別會帶動鋼鐵工業的碳排放同向變動0•686個百分點、0•251個百分點和0•173個百分點,而能源消耗經濟效益強度增加1百分點會帶動鋼鐵工業的碳排放反向變動0•242個百分點。

2政策建議

(1)適度降低我國鋼鐵工業的增長速度,轉變其增長方式,是我國鋼鐵工業碳減排的重大戰略選擇。根據前文的研究,可以說我國鋼鐵工業高速增長是碳排放量增長的最大影響因素。1981~2010年我國鋼鐵工業的增長規模為2977•09億元,導致鋼鐵工業碳排放理論上增長37•28億噸。平均而言,鋼鐵工業增加值每增長一個百分點,碳排放量增長25•58萬噸。因此,在保證我國鋼鐵工業增加值增長的前提下,適度的縮小其發展規模,實現粗放型的增長方式向技術推動型方式的轉變是降低其碳排放的首要戰略選擇。

(2)開發清潔能源技術,增加清潔能源的比例結構,是減少我國鋼鐵工業碳排放的重要途徑。目前,我國鋼鐵工業以煤為主的能源消費結構導致能源消耗碳強度一直居高不下是我國鋼鐵工業碳減排的主要障礙。1981~2010年我國鋼鐵工業的平均能源消耗強度為1•25,這也就是說我國鋼鐵工業能源消耗1噸標煤,釋放出的二氧化碳為1•25噸。總體來看,我國鋼鐵能源消耗強度呈現下降趨勢,但是相對于大量的碳排量來說能源消耗強度的下降所帶動的碳排放下降量非常的微弱。與此同時,我們也應該看到鋼鐵工業能源消耗強度的下降主要是依靠鋼鐵工業能源消耗結構調整的結果。

篇2

[關鍵詞]EKC；生豬養殖；碳排放

[基金項目]國家社會科學基金重大項目“長江經濟帶建設戰略引領下沿江地區經濟發展路徑研究”（2015YZD16）、國家自然科學基金項目“大湖地區畜禽養殖污染形成機理及管控政策研究――以鄱陽湖生態經濟區為例”（71303099）、江西省普通高校科技落地計劃科學前沿項目“鄱陽湖生態經濟區土地利用與生物多樣性變化及優化技術”（KJLD12065）和江西財經大學2015年度學生科研課題（XS306）的階段性成果。

[作者簡介]孔凡斌，江西省社會科學院研究員，江西財經大學二級教授，博士生導師，博士后合作導師（江西南昌 330077）；王智鵬，江西財經大學鄱陽湖生態經濟研究院農業經濟管理專業碩士研究生；潘丹，江西財經大學在站博士后（江西南昌 330032）。

一、引言

畜禽養殖碳排放是全球溫室氣體排放的重要來源。聯合國糧農組織（FAO）報告《畜牧的巨大陰影：環境問題與選擇》統計數據顯示，生豬、牛、羊和家禽的溫室氣體排放量占以二氧化碳當量計算的溫室氣體排放量的18%。在日益嚴峻的全球氣候變暖情形之下，以“低能耗、低污染、低排放”的低碳養殖模式呼吁而出，如何處理好經濟增長與生豬養殖碳排放的脫鉤發展，成為低碳養殖研究領域中十分關注的問題。目前，學者對畜禽養殖碳排放的研究主要集中在以下幾個方面：一是畜禽養殖碳排放的測算。學者主要運用碳轉化系數法、IPCC排放系數法、綜合調查法和碳排放指標體系等，對碳排放進行測算①。二是畜禽養殖碳排放與經濟發展之間的關系。國外學者對碳排放與經濟發展之間做了很多研究，發現不同國家的碳排放與經濟發展存在“正U型”“倒U型”“正N型”或“倒N型”等多種曲線關系①。國內學者應用環境庫茲涅茨曲線（EKC）模型驗證畜禽養殖碳排放與經濟發展關系的研究較少。孟祥海等運用EKC模型分析了我國畜禽污染與經濟增長之間的關系，研究表明：污染程度與人均GDP之間存在“倒U型”曲線關系，且已跨過曲線拐點②。田素妍等對中國畜禽養殖碳排放與經濟發展進行了EKC驗證，結果發現：東部地區畜禽養殖碳排放與經濟發展間存在顯著的“倒U型”關系，中、西部地區畜禽養殖碳排放與經濟發展則存在顯著的“正U型”關系③。

綜上所述，現有對畜禽養殖碳排放的研究多以國家、省際作為研究單位，對省、市級研究甚少。同時，目前對畜禽養殖碳排放的測算往往集中在腸道發酵與糞便管理④，很少從系統的角度去測算整個生命周期過程產生的污染物總量，這將導致碳排放量測算的不準確。而有學者研究表明，污染物測算不準、不全往往是導致EKC檢驗結果不準確的主要原因⑤。基于此，本文將以江西省生豬養殖為例，運用生命周期評價方法（LCA）系統測算生豬養殖碳排放量，在此基礎上對生豬養殖碳排放與經濟發展之間的EKC關系進行檢驗，并分析影響生豬養殖碳排放的主要因素。生豬養殖業在中國畜禽養殖業中占主導地位，是中國畜禽養殖碳排放的主要來源。江西省是全國十大生豬主產省之一，其生豬碳減排工作對全國生豬碳減排具有重要的意義。對致力于打造“生態明文先行示范區”和“美麗中國‘江西樣板’”的江西省而言，對生豬養殖碳排放進行EKC檢驗以及對碳排放影響因素進行分析顯得尤為迫切，具有重要的戰略意義和現實意義。

二、模型構建、變量選取及數據來源

（一）生豬養殖碳排放量測算

FAO溫室氣體排放評估框架《IPCC 2006年國家溫室氣體清單指南》指出⑥，生豬養殖直接的碳排放主要來源于生豬腸道發酵CH4排放與糞便管理系統中CH4、N2O排放，間接的碳排放主要來源于飼料糧種植、飼料糧運輸與加工、飼養環節耗能和豬肉產品屠宰加工等環節中能源與資源消耗所產生的排放。因此，本文結合江西省生豬養殖的實際情況，借鑒胡向東和孟祥海的研究成果⑦，運用生命周期評價方法（LCA），選取飼料糧種植、飼料糧運輸和加工、生豬腸道發酵、糞便管理系統、飼養環節耗能和豬肉產品屠宰加工六大環節，測算出生豬從幼仔養殖到出欄以及到豬肉產品銷售的整個生命周期過程中產生并排放到空氣中的CH4、N2O等溫室氣體折算成二氧化碳當量總和。目前，生命周期評價（LCA）已被廣泛應用于碳排放（即溫室氣體排放）研究領域①，但國內生命周期評價方法應用于畜禽養殖業特別是生豬養殖碳排放測算較少。

生豬養殖碳排放量測算公式如下：

C=EGF +ESM +EMT +ECD+EGE +ESF（1）

式（1）中：C為生豬養殖碳排放總量；EGF為飼料糧種植產生的碳排放量；ESM為飼料糧運輸與加工產生的碳排放量；EMT為生豬腸道發酵CH4排放產生的碳排放量；ECD為糞便管理系統中CH4、N2O排放產生的碳排放量；EGE為生豬飼養環節耗能產生的碳排放量；ESF為豬肉產品屠宰加工產生的碳排放量。

（二）生豬養殖碳排放的EKC模型設定

參照國內外學者對環境質量與經濟發展之間關系的研究成果②，根據測算的生豬養殖碳排放總量，環境質量指標選用碳排放量來衡量，經濟發展指標選用農村居民人均可支配收入來衡量。

同時，本文采用含參數估計的生豬養殖碳排放環境庫茲涅茨模型，來驗證江西省及各地市生豬養殖碳排放與經濟發展之間是否存在EKC拐點。EKC模型的設定多以二次、三次多項式為主，但三次多項式相對靈活③。為消除數據可能出現的異方差，分別對生豬養殖碳排放和農村居民可支配收入取自然對數，采用對數三次方作為回歸方程的基準方程對生豬碳排放進行EKC檢驗：

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

式（2）中：Ct為生豬養殖碳排放量；Yt為農村居民人均可支配收入；t為時間；θ0為截距項；θ1、θ2、θ3為模型估計參數；ε1為隨機誤差項。根據模型估計參數θ1、θ2、θ3，其取值的不同，可以反映出生豬養殖碳排放與經濟發展之間的不同關系。

（三）生豬養殖碳排放的影響因素研究

1.變量選取與說明

現有研究表明，碳排放具有不確定性和受人類活動影響等特點④，受經濟發展水平、人口規模、產業結構、城市化水平、交通便利情況、人力資本、市場需求和政府支持等因素影響⑤。基于此，本文結合江西省生豬養殖實際情況與現有的研究成果并考慮數據的可獲得性，選取以下七個變量作為生豬養殖碳排放的影響因素：

（1）豬肉消費總量（X1）：用人均豬肉消費量與城鎮人口之積來表示。一般情況下，人們對豬肉的消費總量越多，意味著生豬養殖總量越多，將會消耗更多的能源和資源，碳排放量越多。

（2）對外貿易程度（X2）：用對外出口的生豬總額與牧業生產總值之比來表示。一般情況下，對外貿易程度越高，說明對外出口的生豬數量越多，產生的碳排放量越高。

（3）公路密度（X3）：用每平方公里的公路里程來表示。通常而言，交通條件越便利，越有利于生豬的運輸以及對低碳養殖技術的推廣，生豬養殖的碳排放量將會越少。

（4）農村勞動力價格（X4）：用城鄉勞動力人均收入之比來衡量。城鄉勞動力人均收入之比越高，生豬養殖的機會成本就越高，在理性經濟人假設下，生豬養殖戶會選擇進城務工以獲取更高的非農收入，選擇生豬養殖的概率更低，生豬養殖數量下降，生豬養殖碳排放量下降。

（5）產業結構（X5）：用牧業生產總值與農業生產總值之比來衡量。牧業生產總值占農業生產總值比重越高，說明生豬產業發展越好，用于生豬養殖的資源越多，生豬養殖所產生的碳排放越高。

（6）政府環保管制（X6）：用政府環境治理投入與地區生產總值之比來衡量。政府環保管制越高，對低碳養殖技術（例如糞便處理技術推廣和沼氣池建設技術）等的補貼越高，從而降低生豬養殖所產生的碳排放。

（7）能源利用效率（X7）：用單位GDP能耗來表示。一般情況下，在生豬養殖的整個生命周期過程中，能源的利用會間接產生碳排放。能源利用率越高，生豬養殖產生的碳排放越低。

2.模型構建

為消除數據中可能出現的異方差同時不改變數據的特征，本文采用變量的對數值。生豬養殖碳排放影響因素的計量模型構建如下：

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

式（3）中：C表示生豬養殖碳排放量；Y表示農村居民人均可支配收入；Xi為解釋變量；θ0為常數；θ1、θ2、θ3、Yi為估計參數；ε為隨機誤差項。

（四）數據來源

生豬養殖碳排放量測算與EKC檢驗采用1990―2014年江西省及11個市區的面板數據，數據來源于1991―2015年《江西省統計年鑒》。由于2000年以前生豬養殖碳排放影響因素的相關數據缺失且較難獲取，因此，生豬養殖碳排放影響因素研究采用2000年之后的數據進行分析，數據來源于2001―2015年《中國統計年鑒》和《江西統計年鑒》。

三、實證結果與分析

（一）生豬養殖碳排放的EKC檢驗及拐點分析

采用固定效應模型對生豬養殖碳排放的EKC進行計量模型估計，結果如表1所示。

■

由表1可知，θ10，且θ3

第一，當農村居民人均可支配收入低于2454元時，該時期為1990―2003年，生豬養殖碳排放與經濟發展水平呈反向變化關系，即經濟發展水平保持增長的態勢，而生豬養殖碳排放呈下降趨勢。這一階段生豬養殖業多為農戶散養經營，生豬養殖總量相對較少，有足夠的土地吸納生豬養殖廢棄物，能夠有效實現“廢棄物―有機肥―種植業”的種養結合，廢棄物環境友好型處理率較高。且該時間段生豬養殖業的發展更多依賴于勞動力的投入，物資資本、能源等的投入未急劇增加，因此生豬養殖碳排放呈現下降態勢。

第二，當農村居民人均可支配收入介于2454元至10864元之間時，該時期為2004―2014年，生豬養殖碳排放與經濟發展之間呈現同步上升的趨勢，即隨著農村居民人均可支配收入的增加，生豬養殖碳排放也在增加。該階段隨著人口規模壯大和人們生活水平提高，豬肉市場需求增加使得生豬養殖總量不斷攀升，生豬養殖模式由傳統散養模式向小、中、大規模化養殖模式轉變。隨著生豬養殖業專業化、規模化程度日益提高，但養殖戶經濟基礎比較薄弱，且生豬養殖業在一般情況下屬于微利產業，污染治理投資與運行費用相對較高，多數養殖戶在資金需求上難以承受。因此，相當一部分生豬養殖場缺乏必要的糞污處理設施，大量未經處理的禽糞污隨意排入河流、稻田、荷塘等，使得大量生豬糞污及廢棄物不能實現資源化、循環化綜合利用，環境污染日益嚴重。農牧脫節，使得“廢棄物―有機肥―種植業”的種養結合模式難以實現。同時，政府對沼氣的推廣尚在起步階段，“廢棄物―沼氣―有機肥”的資源化循環經濟模式效果不顯著。而且，隨著勞動力對生豬養殖產出的貢獻力逐漸減弱，生豬養殖產業的發展更多依賴于物資資本及能源的投入增加。因此，該階段生豬養殖碳排放和經濟發展水平處于同步上升的態勢。

第三，當農村居民可支配收入大于10864元時，隨著經濟的進一步發展，生豬養殖碳排放將逐漸降低。這一階段，人民生活水平逐漸提高、環保意識逐漸增強、對環境質量需求也不斷提高。政府對生豬清潔生產更加重視，對生豬低碳養殖技術和清潔生產技術的補貼力度加大，如沼氣池建設、干清糞工藝、尿糞固液分離工藝推廣等。同時，政府采取一定的激勵或者強制措施，促進生豬糞便還田，減少生豬糞便向環境排放。實施生豬養殖業廢棄物綜合利用工程。大力發展養殖業循環經濟，建立以沼氣為紐帶形成“豬―沼―菜”“豬―沼―果”“豬―沼―林”“豬―沼―魚”多功能生態養殖和循環經濟模式。減量化、資源化、再循環模式成效的顯現，使得該階段生豬養殖碳排放會隨著經濟發展水平的提高而降低。

（二）生豬養殖碳排放EKC拐點的時空特征分析

1.空間分布特征

2014年江西省農村居民人均可支配收入為9997.0元，還處于臨界值（10864元）左端，意味著當前江西省生豬養殖碳排放隨著經濟發展仍然呈現上升的趨勢。將江西省十一個設區市2014年農村居民人均可支配收入與臨界值（10864元）進行對比分析后發現：南昌市（12266.8元）、景德鎮市（11410.1元）、萍鄉市（12617.6元）、新余市（12678.9元）和鷹潭市（11215.4元）五個市的農村居民人均可支配收入已經超過其臨界值，生豬養殖碳排放將隨著經濟發展水平的提高逐漸降低。可能的原因是：2014年景德鎮市、萍鄉市、新余市和鷹潭市生豬養殖量分別為25萬頭、66萬頭、40萬頭和58萬頭，遠小于江西省129萬頭的生豬平均養殖量。這四個設區市生豬養殖量較小，可以較好地實現“廢棄物―有機肥―種植業”的種養結合，以及政府對生態環境保護的重視和養殖技術的推廣，如“廢棄物―沼氣―有機肥”循環經濟模式等，廢棄物的資源化利用使得這四個區域生豬養殖碳排放經過高拐點值進入了下降階段。南昌市是江西省的省會城市與經濟發展中心，政府對生豬養殖造成的環境污染更加重視，且南昌市生豬養殖專業化、規模化程度較高，中、大規模養殖場較多，得到的補貼更高；較好地實現了“廢棄物―沼氣―有機肥”多功能生態養殖和循環經濟模式，使得南昌市生豬碳排放從高拐點值開始逐步降低。其余六個設區市生豬養殖碳排放還未到達高拐點值，即隨著經濟發展水平的提高生豬養殖碳排放仍然呈現上升的趨勢。那么，這六個設區市的生豬養殖碳排放何時才能到達高拐點值？接下來本文將對各市到達高拐點值的時間路徑進行分析。

2.時間路徑特征

根據到2020年全面實現小康社會的目標以及各市2010―2014年間農村居民人均可支配收入的平均增速，首先預測出各市農村居民人均可支配收入，并且將其作為預估時間的年均增速；然后，計算出各市到達高拐點值所需要的時間；最后，確定到達的具體年份。根據計算方法，得出的結果如表2所示。

從表2可知，在2015年到達EKC高拐點值的市包括九江市、宜春市、撫州市，在2016年到達EKC高拐點值的市包括吉安市和上饒市，贛州市將在2018年到達EKC高拐點值。不同市到達EKC高拐點值的時間不同，可能由于各市生豬養殖碳排放與經濟發展水平的差異造成的。九江市、宜春市、撫州市、吉安市和上饒市生豬養殖業占有重要地位，2014年這五市生豬養殖量分別達到了95萬頭、284萬頭、124萬頭、175萬頭和127萬頭，分別占江西省生豬養殖總量的6.66%、19.99%、8.73%、12.30%和8.92%。這五市生豬養殖量大，碳排放總量更高，使得生豬養殖碳排放量更高。生豬養殖業蓬勃發展，使得農村居民人均可支配收入更高，到達曲線高拐點值的時間相對較短。贛州市位于贛南地區，面積相對廣闊，主要還是以包括生豬養殖業在內的農業發展為主，經濟發展相對較慢，農村居民人均可支配收入較低，到達曲線高拐點值的時間相對較長。

（三）生豬養殖碳排放影響因素分析

運用stata10.0統計軟件進行生豬養殖碳排放影響因素回歸分析，結果如表3所示：采用固定效應模型處理數據，模型R2為0.9985，且F值為265.6139，說明模型整體擬合優度較好。在控制其他變量不變的情況下，經濟發展水平的系數滿足θ10，且θ3

表3結果顯示，豬肉消費總量（X1）的系數為0.1378，且通過了10%的顯著性檢驗，說明豬肉消費總量對江西省生豬養殖碳排放具有正影響作用，與預期一致。這表明，隨著豬肉消費總量的上升，在其他條件不變的情況下，生豬養殖碳排放呈上升趨勢。

對外貿易程度（X2）的系數為0.0963，且通過了5%的顯著性檢驗，說明對外貿易程度對江西省生豬養殖碳排放具有正影響作用，與預期一致。這表明，隨著對外貿易程度的提高，在其他條件不變的情況下，生豬養殖碳排放呈上升趨勢。可能的原因是：發達國家的生豬從我國進口，使得碳排放環節發生在我國，出現了“碳轉移排放”現象，這與林百強和蔣竺均研究相符①。

公路密度（X3）的系數為0.0880，且通過了10%的顯著性檢驗，說明公路密度對江西省生豬養殖碳排放具有正影響作用，與預期并不一致。可能的原因是：隨著公里密度的提升，交通條件更為便利，生豬規模飼養數量將會增多，生豬養殖碳排放量增加。

農村勞動力價格（X4）的系數為-0.5527，且通過了1%的顯著性檢驗，說明農村勞動力價格對江西省生豬養殖碳排放具有負影響作用，與預期一致。這表明，在其他條件不變的情況下，在城市收入越高，養殖戶生豬養殖的機會成本就會越高。基于人們對經濟效益的抉擇，城市務工收入越高，從事生豬養殖人員就會相對越少。這與鄧力群的研究類似，養殖機會成本對養殖戶飼養行為產生負影響，即農村勞動力價格將會抑制生豬養殖碳排放的增長①。

產業結構（X5）的系數為0.8767，且通過了1%的顯著性檢驗，說明產業結構對江西省生豬養殖碳排放具有正影響作用，與預期一致。這說明，在其他條件不變的情況下，產業結構的提升會使得生豬養殖碳排放呈上升趨勢。這與杜江和劉渝的研究結果相符②。

政府環保管制（X6）的系數為-0.1549，且通過了1%的顯著性檢驗，說明政府環保管制對江西省生豬養殖碳排放具有負影響作用，與預期一致。張學剛和王玉婧認為，政府對環境的管制等對環境質量改善有重要影響③，在其他條件不變的情況下，政府對環境保護越重視，對生豬低碳養殖重視會越高，使得生豬養殖碳排放下降顯著。

能源利用效率（X7）的系數為-6.6554，且通過了1%的顯著性檢驗，說明能源利用效率對江西省生豬養殖碳排放具有負影響作用，與預期一致。趙愛文和李東研究發現，能源利用效率的不斷提高，顯著影響能源使用強度①。在生豬整個生命周期過程中，能源利用效率的提升，使得能源使用強度顯著下降，使得生豬養殖碳排放減少。

四、結論與政策建議

本文基于1990―2014年江西省及十一個設區市的面板數據，運用生命周期評價方法（LCA）測算出江西省及各市生豬養殖碳排放總量，利用EKC模型檢驗了江西省及各市生豬養殖碳排放與經濟發展水平之間的EKC關系，并對各市的碳排放拐點變動及時空特征進行了實證研究，最后對江西省生豬養殖碳排放的主要影響因素進行分析。得出以下結論：

第一，從長期發展來看，江西省生豬養殖碳排放與經濟發展之間存在“倒N型”的EKC關系，且存在臨界值分別為2454元和10864元的雙拐點。研究表明，當經濟發展水平低于2454元時，生豬養殖碳排放處于下降的態勢；當經濟發展水平超過2454元而低于10864元時，生豬養殖碳排放由低拐點值隨著經濟發展呈現同步上升態勢；當經濟發展水平超過10864元時，生豬養殖碳排放由高拐點值向下呈現逐步下降趨勢。

第二，從空間分布來看，2014年江西省農村居民人均可支配收入為9997.0元，還處于臨界值（10864元）左端，意味著當年江西省生豬養殖碳排放隨著經濟發展仍然呈現上升的趨勢。江西省有五個市生豬養殖碳排放超過了高拐點值，其中包括南昌市、景德鎮市、萍鄉市、新余市和鷹潭市；其余六個市當前生豬養殖碳排放還仍未到達高拐點值，即隨著經濟發展生豬養殖碳排放仍然呈現上升的趨勢。

第三，從時間路徑來看，在未來三年內，有三個設區市將到達EKC高拐點。九江市、撫州市和宜春市已在2015年到達EKC高拐點；吉安市和上饒市將在2016年到達EKC高拐點；贛州市將在2018年到達EKC高拐點。

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.

關鍵詞： 碳排放；STIRPAT模型；人均GDP；能源結構

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

中圖分類號：F206 文獻標識碼：A 文章編號：1006-4311（2013）32-0182-02

作者簡介：黃宜（1981-），女，湖南澧縣人，昆明理工大學管理與經濟學院在讀博士生，研究方向為戰略管理。

0 引言

隨著經濟的發展，我國的工業化進程不斷地加快，如何有效地減少和降低由于工業化進程的推進帶來的碳排放是我國必須要承擔的責任，也是面臨的重大挑戰。為了很好地踐行節能減排，為實現低碳經濟提供有價值的參考，需對碳排放的影響因素進行分析。本文以云南省為例進行研究。

1 云南省碳排放影響因素研究

1.1 模型研究 Ehrilich和Holden（1971）[1]提出了針對一個國家環境污染問題的IPAT模型，模型的表達式為I=P·A·T，其中I表示一國環境污染情況；P代表一國人口水平；A代表一國富裕程度；T代表一國技術水平。此模型將環境影響與各驅動因素之間的關系簡單地處理為同比例的線性關系，不能很好地反映出驅動因素變化時對環境影響的變化程度。鑒于此，York和Dietz，Rosa等（1994）[2]在IPAT 模型基礎上進行擴展，提出了隨機回歸影響模型（STIRPAT模型）；其表達式為I=aP■A■T■e。其中e為模型誤差。STIRPAT模型能夠克服IPAT的“各因素同比例影響碳排放”假設的不足，是對上述模型的修正和擴展。因此本文選取STIRPAT模型對碳排放影響因素進行分析。

1.2 因素選取 在以往研究的基礎上并結合云南省的實際情況，本文從STIRPAT模型的人口、富裕、技術水平3個方面出發擴展到人口指標、財富指標、結構化指標、技術性指標和能源結構這5個方面，并選取人口、城市化率、GDP總額、人均GDP、第二產業占GDP的比重、單位GDP能耗、煤炭消費比重共7個因素分別代表這5個方面來進行分析研究[3]。

1.3 影響因素分析 從STIRPAT模型的三個方面擴展到人口、城市化率、GDP總額、人均GDP、第二產業占GDP的比重、單位GDP能耗、煤炭消費比重共7個因素考慮對碳排放的影響。拓展后的STIRPAT模型表達式[4]為：

C■=aP■■U■■A■■I■■T■■E■■D■■ （1）

其中Ci，Pi，Ui，Ai，Ii，Ti，Ei，Di分別表示第i年的碳排放量、人口數、城市化率、GDP總額、人均GDP、第二產業占GDP的比重、單位GDP能耗、煤炭消費比重；其中b1，b2，b3，b4，b5，b6，b7均為模型參數。

由于STIRPAT模型是非線性的，為了方便使用相關軟件對其進行回歸分析，對該模型兩邊取對數，使其線性化：lnC=lna+b1lnP+b2lnU+b3lnA+b4lnI+b5lnT+b6lnE+b7lnD （2）

作為碳排放備選驅動因子，首先對其取對數，然后將數據輸入SPSS16.0軟件作偏相關分析。（此處所選取的數據年份為1978-2010年，數據來源于《云南統計年鑒2011》[5]和《云南能源統計年鑒2011》[6]）得到人口、GDP總額、人均GDP、第二產業比重的相關系數分別為0.968、0.983、0.985、0.894，與碳排放量具有高度正相關性；單位GDP能耗、煤炭消費比例的系數分別為-0.822、-0.665，與碳排放量具有較高的負相關性；城市化率的系數為0.511，具有較低的相關性，故刪除。選擇人口、GDP總額、人均GDP、第二產業比重、單位GDP能耗、煤炭消費比重6個因子作為碳排放的影響因子進行分析。

為了考慮各個變量之間是否存在明顯的多重共線關系，對6個影響因素進行VIF檢驗，得到GDP總額為已排除的變量，剩下的因素人口、人均GDP、第二產業比重、單位GDP能耗、煤炭消費比例的VIF值分別為126.569、106.428、7.299、10.146、2.682，其中人口、人均GDP、單位GDP能耗的VIF值大于10，因此說明此回歸方程存在嚴重的多重共線性。在保持自變量個數不變的前提下解決回歸方程存在多重共線性的方法有偏最小二乘法、主成分回歸法和嶺回歸法。此處選取嶺回歸方法來對原始數據擬合回歸。

由于在spss中沒有可視對話框進行嶺回歸的分析，需要編寫相應的程序，打開文件—新建—語法，在彈出的對話框中輸入以下語法命令：

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代表第二產業比重，x6代表單位GDP能耗，x7代表煤炭消費比重）

/dep=y （y代表碳排放量）

/inc=0.05.

運行得到當K值為0.4時，嶺跡圖開始變得平穩，同時可絕系數處在緩慢下降中。而當K=0.4時，X1，X4，X5，X6，X7的系數分別為0.283715，0.322386，0.190369，-0.061796，-0.027519。則匹配模型的方程為：

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

相應的決定系數為0.92142，雖然沒有原方程的0.957高，但是方程中的5個變量的系數前三個為正，后兩個為負數，符合專業知識。也就是說嶺回歸通過丟棄少量的信息，換來了方程系數的合理估計。

2 結果分析

從系數來看，人均GDP對二氧化碳排放的影響最大，其彈性系數為0.32，即人均GDP水平每增加1%，使得二氧化碳排放總量增長0.32%，由于人均GDP的增長使得人們的生活消費水平也不斷改善和提高，消費相應的高耗能和高排放產品數量也會明顯增加，對碳排放會造成一定的影響。

人口水平彈性系數達到了0.28，即人口每增加1%，可以使二氧化碳排放總量增加0.28%。這一結果較為符合，在云南近30年來的發展過程，由于氣候條件等先天的優勢，吸引了全國各地人民，人口數量的高速增長，人們的各種活動都會消耗能源并產生二氧化碳，其結果必然造成二氧化碳總量的“剛性”增加。

第二產業比重其彈性系數為0.19，即第二產業比重每增加1%，則二氧化碳排放量增加0.19%。主要是以工業為主的第二產業消耗的能源會造成大量二氧化碳的排放，隨著產業結構的調整，第三產業的比重越來越大，其對能源的需求和消費已取代了第二產業對于能源消費的需求，因此第二產業的高耗能排放不再那么顯著，取而代之的是第三產業碳排放逐漸增加。

單位GDP能耗其彈性系數為-0.06，與二氧化碳排放呈負相關關系，表示能源強度降低1%，二氧化碳排放增加0.06%，深入分析原因，1978年至2010年期間云南經濟發展迅速，能源消費增長8.14倍，但GDP增長22.15倍，單位GDP能耗下降0.92倍。能源強度雖然下降了，但是能源消費不斷增加，導致二氧化碳排放也呈現增加的態勢，單位GDP能耗對二氧化碳排放總量的減少作用幾乎沒有。

煤炭消費比重其彈性系數為-0.03，即煤炭消費比重降低1%，則二氧化碳排放量增長0.03個百分點。1978年到2010年的33年間，二氧化碳排放量增長6.65倍，雖然煤炭消費比重下降1.38倍，但是石油比重增長2.1倍，由煤炭消費減少帶來的二氧化碳排放被石油消費增加所帶來的二氧化碳排放抵消，因此煤炭消費比重的下降對二氧化碳排放量的減少幾乎為0，因此大力發展清潔能源，使用清潔能源才是發展的硬道理。

3 結論

本文從人口、GDP總額、城市化率、人均GDP、第二產業占GDP的比重、單位GDP能耗、煤炭消費比重共7個因素出發，利用STIRPAT模型對影響碳排放的因素進行了分析。構建了影響因素的方程模型，得到了各影響因素的影響因子，為更好地實現低碳經濟考核目標提出有價值的參考提供了依據。

參考文獻：

[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，劉樹林.碳排放影響因素研究的現狀、比較與啟示[J].經濟與管理評論，2012（3）：29-33.

[4]宋杰鯤.基于STIRPAT和偏最小二乘回歸的碳排放預測模型[J].統計與決策，2011（24）：19-22.

篇4

>> 天津市工業能源消費碳排放量核算及影響因素分解 物流業能源消耗碳排放量分析及低碳化策略 重慶市碳排放量測度及影響因素分析:1998~2008 山東省經濟增長、能源消費和碳排放量關系實證分析 京津冀地區碳排放量因素分析 河北省城市交通碳排放量及影響因素研究 重慶市碳排放量影響因素實證分析 北京市碳排放量影響因素分析（2002～2011） 我國碳排放量與能源消費和經濟增長的動態關系分析 經濟增長、產業結構、能源效率對吉林省碳排放量的影響效應分析 能源價格與中國碳排放量的調節 中國碳排放量現狀及低碳發展的對策建議 對外貿易對碳排放量的影響及其驅動因素 工業行業能源消費碳排放影響因素分析 中國人口結構對碳排放量影響研究 2排放量及其影響因素分析'> 投入產出法測算CO2排放量及其影響因素分析 河南省能源消費碳排放量演變及其與經濟增長關系的研究 中國能源消費的碳排放及其影響因素分析 中國環境規制、技術創新與碳排放量關系的動態分析 我國工業煙塵排放量變化主要影響因素分析 常見問題解答 當前所在位置：.

[15]中華人民共和國國家統計局.中國能源統計年鑒[M].北京：中國統計出版社，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.服務業增長：真實含義、多重影響和發展趨勢[J].經濟研究，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，龍如銀.基于LMDI的江蘇省能源消費總量增長效應分析[J].資源科學， 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方法的中國國際貿易隱含碳分解[J].中國人口?資源與環境，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

【關鍵詞】低碳經濟；因素分解；固定效應模型

一、引言

中國改革開放30年來，隨著經濟的快速發展，尤其是化石能源消費的快速增長，中國的碳排放增速一直居世界前列。我國要實現可持續發展，完成哥本哈根氣候大會上的承諾――2020年中國單位國內生產總值碳排放比2005年下降40%或50%，就必須積極尋求節能減排的途徑。而尋求節能減排的前提，是準確的分析和計量促使碳排放增加的影響因素，因此，深入分析碳排放相關因素尤為重要。

二、研究綜述

目前，國內外對于碳排放影響因素實證研究較多，常用的方法有結構分解分析（SDA）與指數分解分析（IDA）。

國內對于碳排放因素分解的研究大部分都采用了IDA方法。筆者從行業、地區、和宏觀經濟方面對國內碳排放影響因素文獻進行綜述。

王偉林、黃賢金（2008）以江蘇省為例，從橫向和縱向兩個方面分析影響碳排放強度變化的因素，表明江蘇省碳排放強度變動由行業碳排放強度和行業產出份額共同作用，其中，行業碳排放強度影響更大。查冬蘭，周德群（2007）利用絕對差異法、相對差異法和基尼系數對我國28個省區1995―2005年間利用能源效率的差異性進行了比較，結果顯示，各地區能源利用效率存在趨同現象。徐國泉、劉則淵、姜照華（2006）采用對數平均權重Divisia分解法（LMDI），建立中國人均碳排放的因素分解模型，結果顯示經濟發展對拉動中國人均碳排放的貢獻率呈指數增長。

綜上所述，我國對于碳排放影響因素研究沒有采用面板數據對碳排放影響因素進行全面分析，具有一定的局限性。本文通過選取中國29個省的碳排放、經濟發展、能源使用等數據，建立固定效應模型，實證分析了中國二氧化碳排放量與經濟增長、產業結構和能源利用效率的函數關系，得出結論并做了相應分析。

三、模型建立

建立回歸模型之前，我們選取了中國29個省的面板數據，一般認為，在相對而言在不是大樣本的情況下初步選擇固定效應模型是較為合適的。

本文假設碳排放量與其影響因素間的關系符合三次多項式簡化模型，模型表達式如下：

模型（1）-（2）中，Cit代表第i個省在第t年的碳排放量；Xit Yit Zit分別代表表人均GDP、能源效率和產業結構；ai為特定的截面效應，ai=a0+（i=1，2，…29；t=1，2，…，12），a0為總體均值截距項，為個體對總體均值偏離的個體截距項，而且有，即所有個體截距項偏離值和為0。

為隨機誤差項。表示各次解釋變量的待估系數。

四、數據選取

本文選取了1996-2007年12年間全國29個省的能源、經濟、人口面板數據。我們以人均GDP作為度量經濟發展水平的指標，第二產業創造的GDP占總GDP的比重作為衡量產業結構的指標，以單位GDP能耗作為衡量能源利用效率的指標。其中，人均GDP的數據取1996年的價格水平為基準計算得出，碳排放量是以各省各時期能源消費量為依據折算得出，折算公式為：

（i＝19；j＝1，2，3）（3）

其中Ejit為i省第t年第j種能源消費量；為第j種能源的碳排放系數，石油0.5825t(c)/t，煤炭0.7476t(c)/t，天然氣0.4435t(c)/t，天然氣密度取0.7174Kg/。

五、實證分析

1.碳排放量與經濟增長、產業結構、能源使用效率的協整分析

為了檢驗中國碳排放量與能源使用效率、經濟增長、產業結構之間是否有長期關系，我們先對模型（1）做OLS回歸，保留方程的殘差面板數據。然后，再對該殘差值進行單位根檢驗。經檢驗如果無單位根，則我們可以斷定碳排放量與能源使用效率、產業結構存在協整關系。

2.實證結果

經過豪斯曼檢驗，我們可確認與Xit相關，故應用固定效應模型。并且采用截面加權以消除截面異方差。

回歸結果表明，擬合優度指標與F統計量結果均令人滿意，說明模型具有一定的解釋力。

（1）碳排放量與人均GDP模型

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

a*為不同截面個體對總體均值偏離的個體截距項。

人均GDP和碳排放量可以表示為“N”型關系，但與典型的先上升再下降的“N”型不同，此曲線并不存在極大值和極小值，而是單調遞增的。我們看到當省人均GDP達到41368元時，曲線來到拐點。以2008年的數據來看，全國只有上海、北京和天津的人均GDP超過了41368元，其余各省均位于此點的左側。顯然我們的實證結果顯示中國并沒有經歷碳排放量隨著經濟發展而遞減的階段。

（2）碳排放與產業結構的關系模型

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

碳排放量和第二產業產值占總產值比重的回歸曲線為“U”型，存在一個對碳排放量來說最優的產業結構，當第二產業產值占總產值的比重位于22%左右時，這種產業結構對于碳排放，或者擴展來講對于環境的壓力是最小的。從1997年至2008年，各地區之間的數值雖有差別但第二產業產值占GDP的比重都不斷下降，國內有些省市已經逐漸接近了最優產業結構臨界點，比如海南省和北京市。

六、結論

通過分析我們得出以下的結論：

1.最近十余年內中國各省的碳排放量逐年上升，并且碳排放量與人均GDP、第二產業產值占總產值比重和單位GDP能耗有協整關系。

2.碳排放量與人均GDP呈正向關系，碳排放量由緩慢上升轉為急劇上升的拐點出現在人均GDP達到41368元之后。中國并沒有經歷庫茲涅茨經驗曲線假設的倒U型拐點。

3.碳排放量與第二產業比重呈U型關系，第二產業產值比重為21.6%時，碳排放量取最小值。中國各省第二產業產值占GDP比重逐年下降，平均值為46%，遠大于22%的最小環境壓力值。

4.實證結果表明我國碳排放量增長趨勢存在兩方面的力量。首先，產業結構不斷優化，表現在第二產業產值占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增長和單位GDP能耗的降低對碳排放量增加起到正面作用，它們是我國進一步控制碳排放的阻力。在GDP或者人均GDP增長成為政府主要政策目標的當代，如果想控制經濟發展對環境的壓力，我們只有通過改變產業結構，認識到產業技術發展對環境資源影響的加速器作用，才能在保證經濟平穩發展的前提下實現減排目標。

參考文獻

[1]岳瑞峰,朱永杰.1990―2007年中國能源碳排放的省域聚類分析[J].技術經濟,2009(3).

[2]鄒秀萍,陳劭鋒,寧淼,劉揚.中國省級區域碳排放影響因素的實證分析[J].生態經濟,2009(3).

篇6

關鍵詞:京津冀一體化;低碳經濟;指標體系;綜合評價法;實證研究

中圖分類號:F327 文獻標志碼:A 文章編號:1002－1302(2015)10－0561－04

當前京津冀地區一體化發展已經上升為國家戰略，三地的環境污染壓力日益增長，而且到了難以承受和不可持續的程度，因此加強生態環境保護和治理刻不容緩。由于在地理上毗鄰，京津冀的生態環境唇齒相依，在環保領域的跨地區合作成為解決問題的必然選擇。近年來加劇的“霧霾一體化”，使得京津冀地區在聯防聯治的治霾行動中聯系日益緊密，同時也在推動京津冀一體化發展的進程。雖然京津冀聯動防治大氣污染已經成為共識，但是實現這一協同并非易事。就目前實際情況看，三地環保標準難統一、地方經濟上短期難得利，都成為實現協同發展的絆腳石。本研究提出，京津冀一體化需要以發展綠色“低碳經濟”為導向，并在同一框架下構建低碳經濟發展水平評價指標體系并加以實證研究，旨在找出京津冀地區低碳經濟發展的趨勢和未來發展的路徑。

1京津冀地區碳排放的現狀和影響

發展低碳經濟就是在經濟條件約束的情況下有效地減少碳排放量。正如環境庫茲涅茨曲線(倒“U”形曲線)描述的，當一個國家經濟發展水平較低的時候，環境污染的程度與人均收入呈反向變化關系;當經濟發展達到一定水平后，到達某個臨界點或稱“拐點”以后，環境質量和經濟水平可以出現“雙贏”的局面。京津冀地區是繼“珠三角”和“長三角”之后中國重要的經濟增長引擎，經濟發展活力凸顯，在低碳經濟發展方面積累了一定的優勢。本研究通過測算京津冀地區2005—2012年的碳排放總量，了解其低碳發展現狀，以期進一步分析京津冀地區碳排放與經濟發展之間的關系。

1．1測算京津冀地區碳排放總量

用于計算碳排放總量的Kaya公式包含的影響因素有:人口總量、人均GDP、能源消費強度、碳排放強度，即碳排放量=人口×人均GDP×單位GDP的能源消耗量×單位能源消耗量的碳排放量。出于數據的搜集和計算的簡便性，上述公式可以簡化變形轉換為:式中:C為碳排放總量;ci為第i種能源的碳排放量;Ei為第i種能源的消費量(單位折算為標準煤);δi為第i類能源的碳排放系數。影響我國碳排放量的主要能源是煤炭、原油和天然氣，因此在計算過程中我們采用這3類能源的數據;碳排放系數采用各能源消耗的碳排放系數(美國能源信息署、IPCC指南、國家發改委能源研究所等)的平均值，即煤炭0．7329、石油0．5574、天然氣0．4226。對于京津冀地區碳排放量的測算采用的碳排放關系式是:C=0．7329×E煤炭+0．5574×E原油=0．4226×E天然氣。根據《中國能源統計年鑒2013》整理出2005—2012年的北京、天津和河北3個地區的能源消費數據，進一步測算得出京津冀地區的碳排放量，詳見表1。

1．2京津冀地區碳排放總量與經濟增長影響分析

明確了京津冀地區碳排放量的現狀，下面以京津冀地區2005—2012年的碳排放量和地區人均GDP為數據基礎研究京津冀地區碳排放總量與經濟增長之間的關系。由圖1可知，京津冀地區碳排放總量與經濟增長之間的關系仍處于倒“U”形曲線緩慢上升階段，即隨著人均收入的增加，碳排放量由低到高，環境污染趨于嚴重。由此可見，京津冀地區經濟的高速發展仍然是以犧牲環境為代價的;為了實現區域經濟的可持續發展，有效地降低碳排放量至關重要。為此，京津冀地區應該在環境污染治理方面加強合作，以發展綠色低碳經濟為導向，促進區域內產業結構優化升級，從而從根本上解決環境問題。

2京津冀地區低碳經濟發展水平的影響因素分析

低碳經濟的定義是指在碳排放約束條件下，通過產業結構的調整和能源效率的提高等手段提高碳減排能力、減少碳排放壓力，進而促進產出效率提高的一種長期可持續發展的經濟形態。結合京津冀地區低碳經濟發展現狀，本研究將影響低碳經濟發展的因素分為直接影響因素、間接影響因素兩大類。直接因素指可以直接影響某地區碳排放總量的因素，進而從宏觀總量方面影響低碳經濟發展水平;間接因素主要是指間接影響低碳經濟發展水平的技術影響因素。

2．1直接影響因素

直接影響因素包括經濟發展水平、碳排放水平，可以直接衡量一個地區的低碳經濟發展水平。(1)經濟發展水平包括GDP總量、GDP增長率、居民消費能力和第三產業所占比重。低碳經濟發展水平不僅僅強調碳減排能力，也注重經濟能力的提高，即生產率的提高。一般用GDP衡量國家或地區經濟發展綜合水平，GDP增長率=(本年度末的GDP總值－上一年度末的GDP總值)/上一年度末的GDP總值，可以反映區域經濟發展速度。居民消費能力由城鎮居民人均可支配收入和城鎮居民的實際收入中能用于安排日常生活的收入組成，常用來衡量城市居民的收入水平和生活水平;農村居民家庭純收入，是對區域農村居民收入平均水平的直接反映。居民可支配收入越高，表明經濟效益越高。各地區第三產業比重越高，表明經濟結構優化程度越高，越具有強有力的低碳經濟競爭力優勢。(2)碳排放水平包含能源消耗總量、碳排放總量、單位GDP能耗、人均碳排放量、碳排放強度。碳排放總量是指一個地區在一定時期內所產生的碳排放的總和。根據Kaya公式原理，碳排放總量的影響因素諸多，主要包括人口數量、能源強度、能源結構以及各類能源碳排放強度。碳排放強度是碳排放指標的最主要影響指標，碳排放強度=二氧化碳排放量/GDP。一個地區的二氧化碳排放量增長速度高于GDP的增長速度，則表示該地區的低碳經濟發展水平較低;該指標值越大，說明單位產值碳排放量越多。

2．2間接影響因素

間接影響因素主要有碳匯基礎、低碳技術的發展對低碳經濟的支持2個方面，兩者通過提高社會經濟發展水平、降低能源消耗和排放量，進而對低碳經濟的發展起到促進作用。(1)碳匯基礎因素包括森林覆蓋率、人均公共綠地面積、城鎮建成區覆蓋率、自然保護區占轄區面積。碳匯基礎反映了地區的低碳資源稟賦以及資源利用狀況。森林作為生態系統中最大的碳存儲庫，在吸收二氧化碳、凈化空氣方面起著重要作用，森林覆蓋率越高，地區發展低碳經濟的碳匯基礎越牢固。城鎮建成區覆蓋率主要是衡量城市建成區的綠化水平、城市碳匯基礎及居民生活水平的重要指標之一，綠化環境狀況還包括人均公共綠地面積和自然保護區所占比例。地區碳匯基礎越好，越有利于降低碳排放量，從而有利于低碳經濟發展。(2)碳減排能力。低碳技術主要包括生活低碳技術、工業低碳技術2個方面。日常生活方面的低碳技術涉及到生活垃圾無害化處理率、城市污水集中處理率、新型動力汽車相關技術投入等方面;工業低碳技術水平可以通過工業固體廢物綜合利用率、低碳技術研發經費投入、環境污染治理投入等方面來體現［5］。低碳技術的發展需要以經濟實力作后盾，只有當經濟發展到一定水平，才有能力支撐低碳技術的研發投入和推廣應用，從而降低碳排放量，低碳經濟水平才會隨之提高。

3京津冀地區低碳評價指標體系的構建及實證分析

3．1篩選評價指標

基于上述低碳經濟發展水平影響因素分析，擬構建1套科學、客觀、能夠全面準確反映京津冀地區低碳經濟發展水平和高低的指標體系。本指標體系分為3個層次，由一級指標、二級指標和三級指標組成。一級指標為低碳經濟發展水平;二級指標由經濟環境、碳匯基礎、碳減排能力、碳排放水平4個子系統構成;三級指標由二級指標的影響因素或評價指標組成，三級指標最終構成評價低碳經濟發展水平的終極指標。具體的指標體系框架見表2。

3．2確定評價指標權重

在遴選出低碳經濟評價指標的基礎上，需要對各指標賦予不同權重，而科學合理的權重是正確評價低碳經濟發展水平的前提條件。本研究采用的變異系數法(coefficientofvariationmethod)是對所選取的各項指標中的內容加以計算從而得到指標的權重，是一種客觀賦權的方法［1］。本方法的基本原理是:在構建的評價指標體系中，指標取值差異越大，就意味著該指標越難以實現，也就表示該指標更能反映出被評價的個體之間的差距［2］。由于評價指標體系中各項指標的量綱不同，不宜直接比較其差別程度。本研究為了消除各項評價指標的量綱不同的影響，需要用各項指標的變異系數來衡量各項指標取值的差異程度。其他指標的權重都以此類推。最后，京津冀地區低碳經濟發展水平的各項指標的權重均可用變異系數法計算得出，結果見表3。

3．3指標數據的標準化

由于各指標的產生方法不同，量綱不同，并且有正向、負向指標之分，直接運算就會使評價指標體系不合理，為了使其具有可比性，必須對其進行標準化處理。從評價的角度看，通常將評價指標劃分為3類:第一類指標值越大越好，這類指標就是正向作用型指標;第二類指標值越小越好，這類指標就是負向作用型指標;第三類指標則是為中位作用型指標［3－4］。為了便于指標數據的比較分析，研究中通常對指標進行無量綱化處理，目的是讓經過轉換后的指標數據有統一量綱。標準化處理后的指標越大，表明指標對該區域低碳化水平影響越大。

3．4低碳經濟發展水平綜合評價

本研究采用線性加權法計算低碳經濟發展水平綜合評價得分，即用13個指標的標準化數值(借助SPSS軟件算出)分別乘以各自的權重然后加總，得出總的低碳發展水平綜合評價指數。經過計算，京津冀地區各年度低碳經濟發展水平綜合評價指數如表4所示。根據指標體系評價結果可知，2005—2012年期間，京津冀地區低碳經濟發展整體上呈波動上升趨勢，水平明顯提高，分別從0．0860、－0．1949、－3580提高到0．7458、0．5847、0．7859，特別是天津市、北京市、河北省分別于2010年、2008年、2009年突破0值，低碳經濟發展水平取得了較大的成績。但同時也可以看出，3個地區低碳經濟的發展過程存在較大差異，但最終趨于統一，也為京津冀一體化治理提供了數據支持。

4京津冀地區一體化發展低碳經濟的對策建議

通過對實證數據以及各指標對總評價指標的影響權重的詳細分析可以得出，京津冀地區要進一步提高低碳經濟發展水平，還需要在下列環節加大建設力度。(1)加快調整工業內部結構。尤其是鋼鐵、化工、建材等行業成為京津冀地區節能減排的重點，河北省和天津市也是該領域碳減排的主要對象。要堅決淘汰京津冀地區高耗能行業和升級改造中的落后產能，要有效化解過剩產能，盡快疏解不符合北京市首都功能要求的產能，與此同時津冀兩地應做好積極承接工作［5］。(2)大力發展低碳產業［6－8］，特別是包括旅游業、金融業等在內的第三產業。第三產業占GDP的比重對評價地區低碳經濟的發展具有重要意義，大力發展低碳產業、推動傳統產業升級、加快現代服務業的發展將是提高低碳經濟發展水平的必要途徑。京津冀地區的產業布局應該是:北京市以發展第三產業為主，而天津市、河北省的經濟發展以第二產業為主。此外，北京市應進一步扶持符合首都功能要求的第三產業的發展;天津市、河北省應加大對第三產業的支持力度，尤其是新能源服務業、養老產業、互聯網信息服務業、綠色信貸業等新興服務業，進一步降低行業準入門檻，鼓勵民營資本進入等。(3)京津冀低碳化發展統一規劃。在京津冀協同發展的背景下，要想實現京津冀地區低碳發展一體化進程，保證跨行政區合作協議的有效實施，京津冀地區應該在高層次的經濟和環境合作方面建立高層次的常設機構，建立京津冀地區定期政府會晤機制，制定統一協調的政策。對于三地的低碳經濟發展，各省(市)政府應該在充分利用和整合各自資源、發揮自身優勢的基礎上，建立低碳產業集群，對三地的區域整體規劃要銜接一致，建立統一、有效的交流平臺。由三地共同出資建立節能減排技術和研發中心，并將研發成果應用到整個區域，從而有力地推廣節能減排技術和低碳消費觀念。

參考文獻:

［1］呂學都，王艷萍，黃超，等．低碳經濟指標體系的評價方法研究［J］．中國人口•資源與環境，2013，23(7):27－33．

［2］孔凱．農業干旱災害風險管理研究［D］．泰安:山東農業大學，2012．

［3］楊洪艷．河北省低碳經濟評價指標體系及對策研究［D］．保定:河北農業大學，2012．

［4］王相東．吉林省農業循環經濟發展的問題研究［D］．長春:長春理工大學，2009．

［5］王彥超，許艷玲，蔣春來．京津冀及周邊地區低碳經濟發展水平評價［J］．環境與可持續發展，2014，39(3):107－111．

［6］汪翔，陸五一，周力．基于結構方程模型的農戶低碳養殖認知分析［J］．江蘇農業學報，2013，29(1):189－194．

［7］蔣艷萍，呂建秋，楊征，等．廣東省發展低碳農業存在的問題與對策［J］．江蘇農業科學，2013，41(2):4－6．

篇7

一、引言

20世紀90年代以來，世界經濟迅猛發展，能源需求量逐年增加。能源消費所導致的二氧化碳排放在人為溫室氣體排放總量中占有絕對優勢。碳排放問題正日益受到國際社會的廣泛關注，對其測算及影響因素問題，國內外很多學者從不同角度、應用不同方法進行了大量實證研究。國內碳排放研究方面，宋德勇等用“兩階段”LMDI方法，從全國層面將一次性能源消費產生的二氧化碳排放相關影響因素分解并進行了周期性波動研究［1］。李國志等利用狀態空間模型構造可變參數數據模型，分析了出口貿易結構對二氧化碳排放的影響［2］。胡初枝等通過經驗數據對江蘇區域碳排放進行估算，分析了蘇南、蘇中、蘇北三大區域產業結構的碳排放效應差異［3］。馬軍杰等測算了1990年—2006年我國省域一次能源CO2排放量并對其影響因素進行了空間計量經濟分析［4］。姚亮等采用結構分解分析（SDA）方法對影響居民消費碳排放量變化的驅動因素進行了分析［5］。可見，現有關于碳排放的研究多以傳統的時間序列數據分析為基礎，主要集中在測算碳排放量及其因素分解方面，忽略了截面數據包含的空間效應。事實上，在多區域的經濟和環境系統中，一個區域由于能源消費導致的碳排放行為不僅受該地區內部決定因素的影響，而且越來越多地受到周邊地區碳排放量的關聯作用，區域之間的能源消費及碳排放活動呈現出明顯的空間自相關性［4］。可見，在理論和實證研究中忽略空間鄰近效應，勢必會影響傳統OLS模型參數的無偏估計，導致研究結論的可靠性受到質疑。

為此，本文在考慮空間效應的前提下，利用“十一五”規劃期間的碳排放數據，研究中國省域碳排放量的驅動因素，分析省域碳排放的空間依賴及鄰近省域碳排放量的空間溢出效應，從而為國家和各省域制定節能減排政策提供決策支持依據。

二、省際碳排放的決定因素及理論假說

現有對碳排放決定因素模型的研究主要有EKC模型和IPAT模型。但是大多研究僅考慮了人口、經濟發展、能源消費強度等因素的影響，忽略了技術創新和城市化因素的作用。根據有關經驗研究，本文對IPAT模型進行改進，重點考慮人口、經濟發展水平、能源消費強度、產業結構、技術創新及城市化等六個決定因素，使用空間計量經濟模型研究其對中國省域碳排放量的作用。

1.　人口規模（POP）。中國作為人口大國，為滿足廣大人民群眾日益提高的生活水平，剛性的能源消費需求必然會導致區域碳排放量的不斷增大。因此，人口是影響碳減排壓力的一個重要變量，本文預期其與碳排放之間呈正相關關系。

2.　經濟發展水平（PGDP）。在經濟快速發展的同時，也必然伴隨著相應的能源消耗及其碳排放。本文選用人均GDP衡量一個地區的富裕度和經濟發展水平，用以檢驗其對碳排放的影響。一般來說，區域經濟發展水平越高，能源消費量相對越大，由此產生的碳排放量也就相應越多，二者之間應為正相關關系。

3.　能源消費強度（ENERGY）。能源消費強度定義為生產單位GDP所消耗的能源數量，能源強度越低，意味著能源利用效率越高。能源利用效率的不斷提高，使得單位GDP所消耗的能源減少，從而減少碳排放量。因此，本文將能源消費強度納入影響碳排放的驅動因素之一，并預計兩者呈正相關關系。

4.　產業結構（STRU）。經濟增長方式的轉變同樣影響著能源消耗和碳排放量的大小。長期以來，中國經濟增長方式粗放，直接影響以煤碳為主的能效的提高，使得碳排放增長的態勢難以遏制。實現經濟方式由粗放式向集約式的轉變是減少碳排放的必然選擇。本文以第二產業與第三產業產值之比刻畫產業結構對碳排放的作用。鑒于我國目前正處于產業結構轉型過程中，預期其對碳排放的作用尚未充分發揮。

5.　城市化（URB）。近年來，中國城市化過程中的人口遷移對能源消耗和碳排放產生沖擊，大規模城市基礎設施和住房建設所需要的大量水泥與鋼鐵生產，導致高能耗高排放。城市化進程也是影響碳排放量的重要因素。本文選用城鎮人口占總人口的比重衡量城市化［6］，初步預期其對碳排放產生正向作用。

6.　技術創新（RD）。中國每年巨大的能源消耗支撐著經濟的快速增長，而經濟迅速發展的同時，也帶來了開發新技術新工藝的大量投入。但是，對于生產工藝和設備的引進，以及各種研發活動，到底對地區企業的節能減排產生了何種影響，目前的研究結果并不確定。本文選用各省域研究與試驗發展（R&D）經費內部支出來衡量技術創新對碳排放的影響，其作用還有待檢驗。

三、模型設定與數據來源

（一）模型設定

基于以上解釋變量，利用柯布—道格拉斯生產函數形式的雙對數經驗形式，建立如下碳排放影響因素模型：

（1）

其中，i表示30個省級地區，LnCARBON為被解釋變量各地區碳排放量；LnPOP表示各地區人口數量；LnPGDP表示人均GDP；LnENERGY表示能源消費強度；LnSTRU表示第二產業產值占第三產業比重；LnURB表示城市化水平，LnRD表示技術創新。參數β分別反映了六個解釋變量對被解釋變量碳排放的影響。

假定模型（1）為沒有考慮鄰近地區空間效應的碳排放影響因素模型，可用OLS方法估計。但是，如果地區碳排放存在著空間自相關性，則有必要采用納入了空間相關性效應的空間滯后模型、空間誤差模型等空間計量經濟模型。

空間滯后模型（Spatial　Lag　Model，SLM）主要探討地區碳排放變量是否存在鄰近地區碳排放溢出效應的情況。其模型表達式為：

（2）

式中，WlnCARBON為空間滯后被解釋變量，反映鄰近地區的碳排放對區域碳排放行為的作用大小和程度；ρ為空間滯后回歸系數；W為n×n階的空間權值矩陣，w表示W中的元素，一般用空間鄰接矩陣；ε為隨機誤差項向量。

當一些決定地區間碳排放的因素沒有被考慮到解釋變量中時，則需要采用空間誤差模型（Spatial　Error　Model，SEM）。空間誤差模型的形式為：

（3）

式中，ε為隨機誤差項向量，λ為n×1階的被解釋變量向量的空間誤差系數，μ為正態分布的隨機誤差向量。參數λ為存在于擾動誤差項之中的空間依賴變量，衡量相 鄰地區忽略的具有空間依賴性的碳排放被解釋變量的誤差沖擊對地區碳排放的影響方向和程度。

（二）數據來源

實證研究中所用到的空間樣本為除了西藏外（缺少能源數據）的中國大陸30個省、自治區和直轄市（簡稱省域或地區）。作為我國國民經濟和社會發展“十一五”規劃的基數年份，2005年是中國經濟發展的一個關鍵年份，國家致力于通過宏觀調控促進經濟增長方式轉變，力圖在結構調整方面取得實質性進展。本文重點考察2005年—2010年之間我國各省域碳排放的決定因素，所用數據來源于2006年—2011年的《中國統計年鑒》、《中國能源統計年鑒》、《中國科技統計年鑒》和《中國區域經濟年鑒》，實證變量數據取算術平均數，以消除年度波動影響。在碳排放行為研究中的一個基礎工作是測算各種類型能源消耗的碳排放系數。雖然國內外各種能源研究機構和相關學者對各類能源消耗的碳排放系數進行了測算研究，但是大家獲得的結果略有差異。國際機構使用的碳排放系數據其所在國情況測算，直接用來計算中國能源消耗碳排放是有問題的。本文綜合考察了國內外相關研究，最終確定采用國家發展和改革委員會能源研究所在《中國可持續發展能源暨碳排放情景分析》中推薦的碳排放系數：即煤炭的碳排放系數為0.7476、石油為0.5825、天然氣為0.443。

四、實證估計與結果分析

為了描述中國30個省級地區碳排放量的空間分布情況，本文首先采用空間自相關的Moran’s　I測算各省碳排放量是否存在聚群現象［4］。在做空間相關分析時，選擇了常用的描述地區間鄰近關系的一階、二階和三階rook權值矩陣進行比較分析，最終再確定階數。表1報告了三類rook權值矩陣的省際碳排放量空間自相關性的計算結果。

表1顯示，基于rook一階空間權值矩陣W1計算的30個省域碳排放的Moran’s　I為0.2227，在0.19%的水平上顯著，表明中國省域之間的碳排放量在空間分布上并非分散（隨機）分布，具有明顯的正自相關關系（空間依賴性），表現出某些省域碳排放量的相似值之間在空間上趨于集群的現象。同時計算發現，rook鄰近從低階到高階，全域Moran’s　I值逐階下降，表明地區間碳排放量的空間相關性隨著其空間距離的增大而衰減。由此，選擇rook一階空間權值矩陣符合現實，在研究區域碳排放問題時有必要考慮空間效應，否則得到的結果可能存在較大偏差。

表1　Moran’s　I檢驗結果

注：表中W1為rook一階空間權值矩陣，W2為rook二階空間權值矩陣，W3為rook三階空間權值矩陣。

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長存在正相關（溢出效應），而另一部分省域存在負相關（回流效應），二者將會抵消，則可能顯示省域間的碳排放不存在空間相關性。此外，省際碳排放溢出與回流效應也未必局限于有共同邊界的相鄰省域間。因此，本文還進行了基于W1的空間關聯局域指標LISA檢驗Moran散點圖（略）分析，結果表明：位于第I象限的省域有黑龍江、內蒙古、遼寧、河北、山西、陜西、江蘇、山東、河南和安徽，表現為高碳排放量的省域被高排放量的省域所包圍（High—High，高—高集聚）；位于第II象限的省域有吉林、北京、天津、寧夏、重慶、江西、福建和廣西，為低碳排放量的省域被高排放量的省域所包圍（Low—High，低—高集聚）；位于第III象限的省域有新疆、甘肅、青海、貴州和云南，為低碳排放量的省域被低排放量的省域所包圍（Low—Low，低—低集聚）；位于第IV象限的有廣東、湖南和四川，為高碳排量的省域被低排放量的省域所包圍（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，湖北和浙江同時跨越了第IV、I象限。顯見，各省域碳排放量的空間集聚性非常明顯，正向局域相關和集聚的典型特征非常顯著，存在一個明顯的空間趨同。省域碳排量在地理空間分布上呈非均衡，15個省域（50%）顯示了相似的空間關聯，其中10個（33.33%）的省域在第I象限（HH：高碳排放量—高空間滯后），5個（16.67%）的省域在第III象限（LL：低碳排放量—低空間滯后）。另外，對空間不穩定性和非典型區域偏離了全域正向空間自相關的省域識別結果顯示：2005年—2010年平均來看，11個省域（36.67%）顯示了非相似值的空間關聯，其中8個省域在第Ⅱ象限（LH），3個省域在第IV象限（HL）。這表明各省域的碳排量行為的空間局域依賴性和差異性是同時存在的。

以上空間統計分析結果證明，中國省域碳排放量存在著較強的空間依賴性，有必要建立空間計量經濟學模型來分析，將空間效應的省域碳排放量納入影響因素。經典計量經濟學模型假設空間是均質的，沒有考慮到空間依賴效應，由于空間自相關性的存在，使得普通最小二乘估計無效，假若忽視空間自相關性，則可能無法得到穩健的回歸結果。因此，需要建立空間計量經濟學模型來克服OLS無法解決的空間依賴效應。為了與空間計量經濟學模型的結果進行比對，本文先采用OLS進行估計，以顯示空間計量經濟模型估計結果的效果。

表2中六個解釋變量的地區碳排放OLS估計結果顯示，調整后的R2高達0.9193，模型的解釋能力很強，F統計量為56.0299，通過了1%的方程顯著性水平檢驗，因此模型的擬合程度很好。DW值為1.9197，表明模型殘差不存在序列相關問題。變量的t檢驗結果顯示，LnPOP、LnENERGY、LnPGDP均至少可通過0.28%顯著性水平的檢驗，而LnSTRU、LnURB和LnRD均沒有通過10%的顯著性水平檢驗，表明這三個變量的作用不明顯。進一步對解釋變量的多重共線性檢驗發現，LnPGDP和LnUrban的方差膨脹因子（VIF）分別為12.9358和12.9453，大于10的臨界值，表明這兩個變量存在較高的共線性，不能同時進入回歸模型，lnRD的VIF為9.7701，也存在一定程度的共線性。逐步回歸分析獲得的表2中三個解釋變量的回歸結果表明，當剔除不顯著的LnSTRU、LnURB和LnRD三個變量后，VIF檢驗發現模型不存在共線性，而且三個解釋變量的t統計量均至少能通過小于0.01%的變量顯著性檢驗，因此三解釋變量省域碳排放模型是更為可取的模型。

實際上，空間統計的Moran指數檢驗已經證明了我國30個省域的碳排放具有明顯的空間自相關性，經典線性回歸模型的OLS估計可 能存在忽略空間效應的模型設定不當問題。為了進一步驗證空間自相關性的存在，本文進行了省域碳排放的空間滯后和空間誤差模型檢驗，結果如表3所示。

表3中的六個解釋變量和三個解釋變量模型Moran指數檢驗、兩個拉格朗日乘數的空間依賴性檢驗結果顯示：Moran指數（誤差）檢驗證明經典回歸OLS估計誤差在4.98%和1.35%的顯著性水平下具有顯著的的空間依賴性（相關性）；區分內生空間滯后還是空間誤差自相關的拉格朗日乘子滯后、誤差及其穩健性檢驗表明：LMLAG和R-LMLAG分別在2.92%和3.78%、2.08%和2.37%的水平上較顯著，而LMERR和R-LMERR則均不顯著，顯見空間滯后模型SLM應是更加恰當的模型形式。

最后，比較表2中的檢驗結果發現，空間滯后模型（SLM）中擬合優度的值（94.16%）、對數似然值LOGL（8.1831）都大于空間誤差模型（SEM）和經典回歸估計模型（OLS）的估計值，而SLM的AIC值（-0.3662）、SC值（10.8434）則均小于SEM和OLS的估計值。綜合以上檢驗結果，SLM為最優模型。因此，本文以下的分析以SLM結果為主。表2中的三個解釋變量省域碳排放模型的拉格朗日乘子誤差和滯后及其穩健性檢驗顯示，引入空間效應的模型較之OLS模型均有明顯改善，SLM較之SEM是更為可取的模型形式，更好地反映了省域碳排放行為。

表2的空間計量分析結果顯示，SLM的空間滯后估計參數ρ通過了1.22%和2.03%的顯著性水平檢驗，表明省際碳排放存在空間集聚（回流）效應，即臨近地區的碳排放量每增加1%，本地區碳排放量減少0.0782%和0.0618%；SEM的空間誤差估計參數λ為0.4854和0.5250，通過了1.11%和0.40%的顯著性水平檢驗，表明省際碳排放存在較強的空間依賴作用，忽略掉的一些因素如資源配置、勞動者素質、管理水平和市場化程度等也可能通過誤差項對該地區碳排放產生著一定的作用。

最后，三解釋變量模型估計結果顯示：能源消費強度對省域碳排放的回歸系數最大，為1.4433，表明在不考慮其他因素的情況下，地區能源消費強度每增加1%，碳排放總量平均增加1.4433%；其次是人均GDP的回歸系數為1.1591，人均GDP每增加1%，碳排放量平均增加1.1591%；人口增長的回歸系數為1.1088，人口每增加1%，碳排放量平均增加1.1088%；這三個決定因素的作用與理論預期一致。而城市化、產業結構及技術創新的回歸系數均不顯著，原因主要是：我國東中西部處于不同城市化發展階段，“十一五”規劃的宏觀調控目標及經濟增長方式轉變對地區碳排放的作用還不夠明顯，各個地區的企業在生產和工藝環節方面還有待采用更為有效的節能減排技術，需要繼續增強技術創新對消減地區碳排放的作用。

五、結論與啟示

本文構建了省域碳排放量決定因素實證模型，對碳排放決定因素及其空間溢出效應進行了空間計量分析，得到如下主要結論及啟示。

1.　中國30個省域相鄰地區的碳排放行為普遍存在著正相關性，省域之間的碳排放行為存在空間集聚（回流）效應，制定省域碳排放政策時需要考慮碳排放行為的空間效應。

2.　能源消費強度是影響碳排放的最主要驅動因素。碳排放的實質是能源消耗，驅動中國經濟增長的能源消費主要以煤炭為主。長期以來，低下的能源利用效率使得單位GDP的碳排放量較高。從長遠利益考慮，中央及各級地方政府應在技術資金政策上鼓勵新能源開發，實現節能減排，各省域要增加清潔能源如水能、風能、核能等的使用，各企業單位要提高能效、降低碳排放。

3.　人均GDP和人口規模的影響僅次于能源消費強度。雖然“十一五”期間的宏觀調控與促進經濟增長方式轉變取得了一些成績，但效果比較有限。提高經濟增長質量和經濟效益勢在必行。同時，鑒于各省域人口總量增長慣性仍在持續，在繼續嚴格執行計劃生育政策的同時，提倡和鼓勵居民理性消費、綠色消費，逐步促進城鎮和農村居民消費向“綠色低碳”模式轉變，構建資源節約型和環境友好型社會。

4.　產業結構對碳排放的影響不顯著。1995年以來，我國大多數省域的產業結構變動并不大，第二產業比重基本上保持了小幅上升趨勢，有些省域甚至出現了較大幅度下降（如北京、上海、云南）。優化產業結構，促進綠色產業發展是當下各省域實現產業升級的關鍵。各地方政府要淘汰高能耗、高污染的落后產業，大力發展高新技術產業和現代服務業，尤其是高產出低能耗的產業，如信息產業、生態旅游、新能源開發等，不斷提高第三產業在國民經濟中的比重，以降低能源消耗和碳排放量。

5.　城市化對碳排放的影響不顯著。城市化既可能提升環境效率，也可能對環境產生負面影響。由于東部地區城市化水平較高，提升了第三產業、優化了產業結構，同時不完全競爭條件下的規模收益遞增、人口和經濟要素的集聚以及相應的知識、技術溢出，提高了整個東部地區的能源利用效率，減少了碳排放；中部地區還處于初級城市化階段，建設項目主要集中在生活基礎設施以及工業化基礎設施方面，經濟發展水平及能源利用效率相對較低，因而其城市化的提升反而帶來了碳排放的增加；西部地區城市化進程緩慢，對碳排放的影響并不顯著，導致全國省域城市化水平平均效應對碳排放的影響不顯著。

6.　技術創新的作用不顯著。由于技術創新雖然改善了能源效率而節約了能源，但技術創新同樣促進了經濟的快速發展，這又將導致對能源需求的增加，出現效率提高所節約的能源被因經濟快速增長帶來的額外能源消耗（部分地）抵消，即能源的回彈效應，最終導致各省域的研發投資對減少其碳排放數量的作用沒有顯現出來。為此，各省域的工業企業應該進一步加大清潔能源的研發資金投入，中央政府和各級地方政府要出臺鼓勵節能技術研發和推廣的支持政策，重點提高節能減排投資的效率。

參考文獻：

［1］宋德勇，盧忠寶.中國碳排放影響因素分解及其周期性波動研究［J］.中國人口·資源與環境，2009（3）：18-24.

［2］李國志，王群偉.中國出口貿易結構對二氧化碳排放的動態影響——基于變參數模型的實證分析［J］.國際貿易問題，2011（1）：82-89.

［3］胡初枝，黃賢金.區域產業結構變化的碳排放效應研究——以江蘇省為例［C］.//中國地理學會2007年學術年會論文摘要集，2007：34-39.

［4］馬 軍杰，陳震，尤建新.省域一次能源CO2排放的空間計量經濟分析［J］.技術經濟，2010（12）：62-67.

［5］姚亮，劉晶茹，王如松.中國城鄉居民消費隱含的碳排放對比分析［J］.中國人口·資源與環境，2011（4）：25-29.

［6］林伯強，劉希穎.中國城市化階段的碳排放：影響因素和減排策略［J］.經濟研究，2010（8）：66-78.

篇8

摘要：本文結合建筑全壽命周期理論、選擇應用碳排放量化方法來研究典型城市住宅碳排放問題，給出了住宅建筑全壽命周期碳排放計算模型，分析影響其各階段碳排放的因素，以此提出城市住宅建筑節能減排的措施和改進對策的建議。

關鍵詞：全壽命周期；碳排放；影響因素；改進對策

1.引言

全球氣候變化是人類迄今為止所面臨的最為嚴重的環境問題，2013年政府氣候變化專門委員會（IPCC）的氣候變化第五次評估報告得出，人類活動是20世紀中期以來全球變暖的主要原因。而全球氣溫升高造成大范圍積雪、冰融化和海平面上升。溫室氣體則是引起全球變暖的最主要原因，溫室氣體包括CO2、CH4、N2O等氣體，其中CO2對全球溫室效益貢獻率最大。而建筑業是一個需要大量資源和能源消耗的產業。據統計，中國能耗總量的27.5%是來自建筑業。隨著經濟社會的飛躍發展與城鎮化速度的推進，城市人口的快速增加，城市化面積不斷增大。為滿足日益增長的城市人口需求，建筑總量不斷增加，尤其是城市住宅建筑。因此，住宅建筑的節能減排對緩解全球能源危機和控制氣候變暖意義重大。

2.城市住宅建筑全壽命周期碳排放計算模型

2.1各階段碳排放來源

本文將本文將城市住宅建筑全壽命周期劃分為建造施工階段、使用維護階段、拆除回收階段三個階段。在建造施工階段中建筑材料的生產、機械、設備的使用以及材料運輸會消耗能源，產生碳排放。在使用維護階段包括建筑運營階段中建筑照明、采暖、通風、空調等建筑設備能源的消耗。在拆除回收階段中，由于建筑物拆除是由于爆破等使用的的施工機具會產生碳排放、以及回收產生的負碳排放量。

2.2壽命周期碳排放計算模型

2.2.1建造施工階段

施工建造階段碳排放來源包括建筑材料生產、建筑材料、構件、設備的運輸、施工機械設備的使用、施工現場的管理活動過程產生的碳排放。其碳排放量計算模型：

EJZ=EJC+EJX+EXC

式中，EJZ為建造施工階段碳排放量（tCO2）；EJC、EJX、EXC分別為建材生產、運輸機械臺班、施工現場管理活動碳排放量（tCO2）。

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

式中AMZTi、AMWHi、AMTCi分別為建筑主體結構、維護結構、填充結構材料用量（t），fZTi、fWHi、fTCi為建筑主體結構材料、維護結構、填充結構材料碳排放因子，i―建筑材料種類。

EJX=∑i=ni=1（AMJXi×fJXi）

式中AMJXi為建筑施工、運輸機械臺班使用量（臺班），fJXi為建筑施工、運輸機械臺班碳排放量因子，i為建筑施工、運輸機械種類

EXC=∑i=ni=1（AMXCi×fXCi）

式中AMXCi為建筑施工現場管理活動能源消耗量（t/kwh），fXCi為能源碳排放因子，i為建筑現場管理活動能源消耗種類。

2.2.2城市住宅建筑使用維護階段

城市住宅建筑使用維護階段包括使用過程和維護過程，其碳排放量計算模型：

ESYWH=ESY+ETH

式中ESYWH為建筑使用維護階段碳排放量（tCO2），ESY、ETH為建筑使用過程、設備材料更替過程碳排放量（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分別為建筑使用過程煤、燃油、燃氣、電（kwh）、水能源消耗量（t），fSYMifSYYifSYQifSYDifSYSi分別為煤、燃油、燃氣、電、水能源碳排放因子，i―建筑設備種類。

ETH=∑i=ni=1（AMTHJCi×fTHJCi）

式中AMTHJCi為建筑使用維護階段替換材料、設備使用量（t），fTHJCi為替換材料、設備碳排放因子，i為替換材料、設備建筑設備種類。

2.2.3建筑拆除回收階段

建筑拆除回收階段包括建筑拆除過程與建材回收過程，其碳排放量計算模型如下：

ECSHS=ECS-EHS

式中ECSHS為建筑拆除回收階段碳排放量（tCO2），ECS、EHS為建筑拆除過程、回收過程碳排放量（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分別為建筑拆除過程煤、燃油、燃氣、電（kwh）、水能源消耗量（m3），fCSMi、fCSYi、fCSQi、fCSDi、fCSSi分別為煤、燃油、燃氣、電、水能源碳排放因子，i為建筑拆除結構種類。

EHS=∑i=ni=1（AMHSi×η×fHSi）

式中AMHSi為建筑回收材料量（t），η為建筑材料回收系數，fHSi為建筑回收材料碳排放因子，i―回收材料種類。

3.碳排放影響因素分析

3.1建造施工階段

建造施工階段影響因素眾多主要包括建筑結構類型、建筑層高、建筑面積、選擇低能耗材料情況、施工機械選擇、能耗使用效率、運輸方式、運輸距離、工人操作技能、施工管理、施工企業資質等。

3.2使用維護階段

為維持建筑的使用功能而采取了通風、照明、采暖、制冷、電梯等系統設備，其運行產生大量能耗和碳排放。其能源結構、能源消費強度、居民消費水平、人口密度、建筑面積等都是影響使用維護階段碳排放的重要因素。

3.3拆除回收階段

拆除回收階段碳排放包括拆除階段能耗碳排放以及回收階段負碳排放。其影響因素包括拆除方式、建筑類型、建筑面積、建筑層數、運輸方式、廢棄物處理方式、機械選擇、回收材料系數等。

4.城市住宅建筑低碳對策分析

4.1推廣低碳施工先進技術和低碳施工管理體系

實現建筑施工低碳化，需借鑒國、國內先進經驗，引進先進技術與設備，優化能源結構，積極推動太陽能、風能、地熱能等清潔能源在施工過程中的應用。同時要依靠政府的行政手段，使用國家和行業推薦的節能降耗的產品，如施工現場全面使用節能照明燈，選用高效機械設備等。建立系統科學的低碳施工管理體系，有助于提高提高施工管理水平，根據施工現場實際情況，做出合理的施工規劃、選擇最優的施工方案。同時各參與方應以積極配合與監督施工企業現場的低碳施工執行情況。

4.2推動建筑能源價格改革

通過推動建筑能源價格改革，由按面積收費向按熱量收費的同時，改革現行單一的價格政策，推行階梯價格等價格制度。另一方面，增加對低碳能源的價格補貼，降低低碳能源的使用成本，促進建筑能源需求結構的清潔化、低碳化。

4.3培育居民低碳意識

從相關調查來看，住宅居民低碳意識均較薄弱。為此，可以采取創新宣傳方式、加強示范引領、發揮社會低碳組織的力量等方式，支持社會力量建立低碳社團等社會組織，鼓勵社會組織開展宣傳低碳意識、培育低碳文化的各類活動，營造先進的低碳意識與低碳理念。

5.結語

本文通過分析城市住宅建筑全壽命周期碳排放來源，研究其個階段碳排放計算模型，更進一步分析其碳排放影響因素。論述住宅建筑建筑節能減排對策，為我國住宅建筑碳排放測算以及低碳住宅建筑提供一定參考。（作者單位：重慶交通大學管理學院）

參考文獻：

[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]陳孚江，陳煥新，華虹，楊鴻翥，吳麗麗.建筑能耗生命周期評價.全國曖通空調制冷2008年學術年會論文集.

[4]王志剛，鄢濤.居住建筑能耗與各建筑因素關系分析.智能與綠色建筑文集2――第二屆國際智能、綠色建筑與建筑節能大會.

篇9

“低碳經濟”最早見諸于政府文件是在2003年的英國公布的《能源白皮書》，意指保持經濟穩定增長的同時實現溫室氣體排放的低增長或負增長。中國發展以低能耗、低污染、低排放為特征的低碳經濟是落實科學發展觀、轉變經濟發展方式、建設資源節約型和環境友好型社會的有效途徑，也是獲得世界低碳革命的先發優勢和國際話語權的必然選擇。經濟發展水平、人口規模、能源結構、產業結構、技術研發創新、碳金融體系等眾多因素，被普遍認為對我國發展低碳經濟有影響，所以系統地闡明這些影響因素，并理順影響因素間的層次結構關系，對我國走可持續發展道路有重要意義，這也是本文的研究重點。

二、ISM模型理論介紹

ISM（Interpretative Structural Modeling），即解釋結構模型法，是美國學者Warfield于1973年作為分析復雜社會經濟系統結構問題而開發出的一種系統分析方法。該方法的特點是通過系統元素間相互影響關系（包括單向或雙向的因果關系、大小關系、排斥關系、相關關系，從屬或領屬關系等）的辨識，將復雜的系統分解成為層次清晰的多級梯階結構形式，使得眾多元素錯綜復雜的關系層次化、條理化。

三、低碳經濟影響因素的ISM模型法

第一，低碳經濟影響因素分析。

中國發展低碳經濟需要產業結構的轉型、能源消費結構的改善、技術研發創新和居民低碳意識的增強等等，其影響因素具有復雜性和綜合性。本文通過文獻檢索和專家咨詢相結合的方式，舉例分析了9個影響中國發展低碳經濟的因素，總結如下：

S1：人口規模及城市化水平（P&U）——人口因素是未來中國溫室氣體排放增長的貢獻者之一。人口越多，消耗的能源就越多，所產生的碳排放量也就越大。同時，人口增長不可避免地改變自然生態環境，增加了碳排放量。

S2：經濟發展方式（ECOD）——經濟發展離不開大量煤炭、石油等石化能源的投入和使用，而能源消費的增加必然會促進碳排放量的增加。從2003年至今，我國能源消費彈性系數平均水平在0.9以上，最高曾達到1.60，這說明我國經濟的增長依賴能源的數量而不是質量，呈現資源消耗型經濟的特點，即經濟粗放式發展。

S3：能源強度（ET）——表示一個國家在一定時期內單位國內生產總值的能源消耗量，是一個衡量能源利用效率的指標。 目前我國的能源利用率遠低于世界平均水平，中國一次能源消費占世界的17.73%，但產出只占世界的7.14%；美國一次能源消費占世界的20.35%，但其產出占世界的23.44%，可見我國還屬于高能源低產出的經濟模式，能源強度偏高。

S4：能源結構（ES）—— 碳排放主要來自化石能源，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，再次是天然氣。而在我國已探明的能源儲量中，煤炭占94%，石油占5.4%，天然氣占0.6%，這種“富煤貧油少氣”的能源結構，決定了中國以煤為主的能源生產和消費格局將長期存在，碳排放強度必然較高。

S5：產業結構（IS）——不同產業部門消耗的能源類型和結構是不同的，導致碳排放量也各不相同。由于第二產業終端能源消費占到全部終端能源消費的60%以上，因此第二產業在國民經濟中比例的變化在一定程度上決定了碳排放量的變化。目前我國一、二、三產業間的比重約為1：5：4。

S6：國際貿易分工（ITD）——國際貿易中存在碳排放轉移的問題：進口高耗能的資源密集型的產品則減少了本地區此類產品的生產，從而減少碳排放量；而出口高耗能的資源密集型產品則增加了本地區此類產品的生產，從而增加碳排放量。在國際貿易中，中國出口的商品相當一部分為高能耗、高度依賴于原料加工的勞動密集型和資源密集型商品。

S7：碳交易機制（CT）——碳交易是利用市場機制引領低碳經濟發展的必由之路。俗稱“既減排又賺錢的CDM”，即清潔發展機制，是中國企業轉型發展低碳經濟的機遇。 從目前來看，我國的碳排污權交易尚處于試點階段，相關法規政策和部門缺位，碳交易機制還未建立完善。

S8：投資與融資（I&F）——對于工業化中期的中國來說，清潔能源開發、高效能技術的運用以及低碳生活模式的建立等都意味著大轉變、高投入、長周期，對投資者的短期吸引不足；碳金融體系及相關配套措施發展滯后，無法給予充分的資金支持。

S9：技術研發創新（TRI）——低碳經濟必然依賴于低碳技術的創新和運用。由于資金投入和前期回報不匹配、自身技術研發創新能力有限以及先進技術引進困難等因素影響，我國企業在低碳技術的研發利用方面還遠落后于發達國家。

第二，影響因素相互關系分析。

建立ISM模型，先要理清上述九個影響因素之間的相互關系。通過咨詢相關專家和檢索文獻，確立了影響因素間的兩兩關系，建立鄰接矩陣A。規定要素Si 對Sj 有影響時，矩陣元素aij為1，要素Si對Sj無影響時，矩陣元素aij為0，得到9×9方形矩陣A。（如圖1.左）

通過布爾代數運算，可由矩陣A計算得到可達矩陣M，即根據定義公式M=（A+I）n-1 =（A+I）n ≠（A+I）n+1，經運算求得n=3，得到可達矩陣M。（如圖1.右）

第三，影響因素層次結構。

對可達矩陣M進行層級劃分，可以更清晰地了解系統中各要素之間的層級關系。可達集 R（Si）是指在可達矩陣中Si 可到達的諸要素所構成的集合；先行集Q（Si）是指在可達矩陣中可到達Si的諸要素所構成的集合，根據R（Si）∩Q（Si）= R（Si）條件來進行層級的抽取，最頂層表示系統的最終目標，往下各層分別表示是上一層的原因。

根據可達矩陣M列出各要素的可達集 R（Si）、先行集Q（Si）和共同集R（Si）∩Q（Si），通過分析發現，由于R（S3）∩Q（S3）= R（S3）且R（S6）∩Q（S6）= R（S6），所以S3（ET）、S6（ITD）作為層次結構的最高級，即L1={S3，S6}；確定最高層級后，將其從可達矩陣中劃去相應的行和列，形成新的可達集和先行集的關系表，又根據R（Si）∩Q（Si），可得S4（ES）為第二級L2；依次類推，可得S5（IS）、S8（I&F）、S9（TRI）為第三級L3；S7（CT）為第四級L4；S1（P&U）、S2（ECOD）為第五級L5。

在此基礎上作出發展低碳經濟的影響因素層級結構圖（如圖2.所示）。從層次結構圖中可以清晰地看出，9個中國發展低碳經濟的影響因素被分配在5個層級內，表層因素主要體現在L1，即能源強度（ET）和國際貿易分工（ITD），而中層因素主要體現在L2、L3、L4，深層因素則反映在L5，即人口規模及城市化水平（P&U）和經濟發展方式（ECOD）。所以，這兩個深層因素對其他6個因素產生直接或間接的影響，也意味著把握好這兩個因素對我國發展低碳經濟有著重要影響，指引政府戰略規劃的決策方向，決定中國節能減排的效果和政策措施的執行效率。

四、結論及建議

本文通過ISM模型對影響我國發展低碳經濟的9個因素進行分析，理順了影響因素之間的邏輯關系，同時有助于決策者利用有限的財力物力和人力，把握好發展低碳經濟的機遇，采取優先順序處理阻障和挑戰。鑒于影響因素眾多且復雜，本文著重針對模型最終得出的兩個深層因素：經濟發展方式（ECOD）和人口規模及城市化水平（P&U）。根據結論，本文認為：

首先，我國應健全法律制度。目前我國尚未出臺專門的低碳經濟法案，整體上還沒有形成規范低碳經濟發展行為的法律法規體系。我國應加快低碳經濟相關立法的進程，結合我國的國情，制訂詳盡且具有可操作性的法律法規。通過法律法規的強制性作用，引導政府的工作決策，推動企業低碳經濟行為。

其次，宣揚低碳理念，改變消費方式。中國作為世界人口大國，個人的生活模式和消費方式對我國節能減排的意義重大。通過低碳教育提高城鎮居民的低碳消費意識，結合傳媒對低碳消費進行宣傳，達到調整居民的消費結構，實現低碳的消費的效果。

篇10

關鍵詞：工業碳排放； 能源消費； 影響因素； 合肥市

中圖分類號：X502

文獻標識碼：A 文章編號：1674-9944（2016）20-0032-06

1 引言

2014年11月12日，作為世界上最大的CO2排放國，中國在《中美聯合氣候變化聯合聲明》中承諾，計劃2030年左右CO2排放達到頂峰且將努力早日達到頂峰，并計劃到2030年非化石燃料能源占能源消費比重1到20%左右。根據氣候變化第二次國家信息通報[1]，我國2005年化石能源消費導致的CO2排放占CO2排放總量的93.66%。工業是國民經濟的基礎產業，同時也是能源密集型行業，因此由工業直接導致的CO2排放量在碳排放中占主導地位，這在國內外眾多學者的研究中得到了佐證[2～5]。因此，研究工業部門碳排放的影響因素對今后節能工作的展開具有重要參考作用。就目前的研究來看，主要是利用SDA 、IDA等因素分解方法討論能源碳排放的影響因素及影響程度。由于SDA對數據有著較高的要求，沒有IDA應用廣泛。Ang[6]綜合分析了眾多IDA，認為LMDI在理論基礎、技術特點、應用領域以及結果表達等方面最具優勢，主要是該法具有時間獨立性、有效處理零值和數據匯集一致性等優點。更重要的是，LMDI的加法和乘法形式易于轉化，能消除殘差項，使模型更加可靠[7]。Wang等[8]通過LMDI分解法對2005～2009年中國水泥行業的溫室氣體排放的驅動因素進行分析，結果表明能源強度在降低溫室氣體排放總量中發揮了積極作用。Xu等[9]通過利用LMDI分析了我國1995～2011年中國化石能源碳排放的影響因素，認為經濟產出、人口規模是碳排放的主要因素。王媛等[10]采用LMDI論證了能源結構效應對天津市碳排放的影響。以上研究為深入研究碳排放量年際變動的不同因素的作用機制打下了基礎，對于研究碳排放動態具有重要作用。以合肥市為例，深入工業內部的各個行業中，全面、系統地剖析工業經濟發展、能源效率提高、能源結構以及產業結構的變動等對CO2排放量的影響，以期確定主要影響因素，然后制定相應的減排措施。

2 數據來源及研究方法

2.1 數據來源

根據《國民經濟行業分類標準》（GB/T 4754―2011）并結合合肥市工業發展的實際情況，將合肥市工業分為采掘業，制造業，電力、熱力、燃氣及水的生產和供應業三大類共33個行業。其中各行業的能源消費數據和經濟發展等相關數據來源于《合肥統計年鑒》[11]，部分數據來源于相關部門調研，有關涉及工業和各行業歷年總產值數據以2000年不變價格折算以剔除價格變動因素；各種能源的平均低位發熱量、折標煤系數參考《中國能源統計年鑒2013》[12]；各種化石能源的碳氧化率、單位熱值含碳量源自《省級溫室氣體清單編制指南（試行）》。

2.2 碳排放計算方法

科學測度CO2排放量是減少CO2排放和制定未來能源戰略的前提和基礎。由于合肥市至今沒有CO2排放監測數據，只能基于能源消費量的基礎上計算CO2排放量。目前，合肥市工業消費的能源有化石能源、熱力、電力以及包括生物質能、核能、風能、水能等在內的其他能源。其中，各行業消費熱力、電力不會直接引起CO2的排放，將熱力能源生產和火力發電的能源消費產生的CO2排放直接計入電力、熱力的生產和供應業，以避免重復計算。由于生物質能生產過程中吸收的CO2與燃燒排放的CO2基本相等，消費生物質能幾乎不會引起CO2凈排放。而核能、風能、水能等能源幾乎不產生CO2。因此，計算工業各個行業能源消費導致的CO2排放只需計算化石能源消費導致的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、焦爐煤氣、其他煤氣、原油、汽油、煤油、柴油、液化石油氣、燃料油、天然氣等14類。綜合衡量CO2排放量估算的相對嚴謹性和可操作性，可以采用公式（1）估算合肥市工業化石能源消費的CO2排放量：

式（1）中：CEFC表示化石能源消費的CO2排放量（tCO2）；FCij表示第i種行業第j種化石能源種類（t，萬Nm3）；CEFj表示第j種化石能源的CO2排放系數（tCO2/t，tCO2/萬Nm3）。

第j種化石能源的CO2排放系數CEFj用以下公式計算：

首先用公式（2）計算第j種化石能源的CO2排放因子EFj：

式（2）中：EFj表示第j種化石能源的排放因子（tCO2/TJ）；CCj表示第j種化石能源的單位熱值含碳量（tC/TJ）；OFj表示第j種化石能源的碳氧化率（%）；4412表示CO2與C的分子量之比。

結合公式（2），利用公式（3）計算第j種化石能源的CO2排放系數：

式（3）中：NCVj表示第j種化石能源的平均低位發熱值（MJ/t，MJ/萬Nm3）。

根據公式（2）、（3）計算的各類化石能源CO2排放系數見表1所示。

2.3 碳排放因素分解方法

本文利用LMDI模型對擴展后的Kaya公式進行分析，以期確定排放因子、工業各行業的能源結構、工業各行業的能源效率、工業的產業結構、工業各行業的經濟發展規模這幾個因素對合肥市能源消費導致的CO2排放的貢獻值。利用公式（4）將第T年的CO2排放量分解：

T-1年到T年合肥市工業CO2排放量的變化量可用公式（5）進行計算：

從T-1年到T年合肥市工業CO2排放量在排放因子效應、能源結構效應、能源效率效應、產業結構效應、經濟發展效應作用下分別產生的變化量由公式（6）～（10）計算：

其中， IEFeffect、IESeffect、IEEeffect、IISeffect、IEDeffect分別表示排放因子、能源結構、能源效率、產業結構、經濟發展造成的CO2排放增加量，即5個因素的效應值。由于本研究分析合肥市工業2000～2014年的碳排放數據，研究時間較短，因而假定碳排放系數不變，即IEFeffect=0。

3 合肥市工業能源消費碳排放的時間序列分析

3.1 工業能源消費的CO2排放量及工業生產值變化時間序列分析

合肥市工業生產值、工業能源消費量及工業CO2排放量均呈現增長現象由圖1可見。2001～2014年合肥市工業增加值年均增長率達22.40%，高于安徽省同期水平（18.72%）。工業經濟的快速發展導致了能源消費、CO2排放量的持續增長。“十五”期間，合肥市工業能源消費、CO2排放量年均分別增長24.67%、25.06%，遠高于工業增加值年均增速（19.22%）。這跟中國在此期間偏離2020年能源戰略目標，依靠高能耗支撐工業經濟的發展有關；隨著“十一五”期間節能減排及合肥市“工業立市”戰略的實施，工業經濟以年均27.53%高速發展，工業能源消費、CO2排放量降至10.94%、8.40%。進入“十二五”以來，合肥市工業生產值的增長率在2011年達到頂峰（39.12%）后維持在13%左右，而能源消費、CO2排放量增長率也由2011年的64.71%、57.89%降至2014年的-3.79%、-1.31%。

3.2 工業能源消費的結構變化時間序列分析

合肥市2000～2014年能源消費的結構變化如圖2所示 。由圖2可知，化石能源的平均比重達到了85.71 %，煤炭以83.66 %的比例在能源消費中占據著絕對地位，石油（1.93%）、天然氣（0.12%）所占比重較小。此外，熱力、電力、其他能源的平均比重分別為2.43%、11.51%、0.19%。從整體來看，能源消費結構變動不大（液化天然氣、其他能源在2010年才進入合肥市工業能源結構中）。在化石能源消費引起的CO2排放中，合肥市平均煤炭CO2排放量占CO2總排放量的98.33%，石油、天然氣CO2排放量分別占1.50%、0.17%。煤炭CO2排放量明顯偏高，其原因可能有以下兩點。①與合肥市工業的產業結構相關，合肥市工業以電力、化工、冶金等重工業為主，對煤炭的需求量極大；②安徽省“富煤、貧油、少氣”的資源稟賦特點決定了合肥市工業能源消費結構中煤炭所占據的主導地位。

3.3 工業能源消費的能源強度變化時間序列分析

由2000～2014年合肥市能源消費、CO2排放量及工業經濟發展的變化趨勢可看出，以工業能源消費年均增長17.38%的代價換取了工業經濟年均增長22.40%的快速發展，并由此帶來了CO2排放量以年均16.35%的速度增長。合肥市2000～2014年單位工業GDP能源強度、單位工業GDP碳排放強度計算結果如圖3，可以看出：自2002年起，能源強度、碳強度整體呈現下降趨勢，僅在2011年有所反彈，實現小幅攀升態勢。2014年與2000年相比，能源強度下降幅度達到61.05%，碳排放強度下降幅度則達到55.10%。其中，兩項指標在“十五”期間初期呈現大幅攀升趨勢，并在“十一五期間”實現逐年下降，這說明在此期間合肥市工業節能減排工作效果顯著。同時，僅2001年、2002年、2004年、2011年的能源彈性系數和CO2排放對工業GDP彈性系數大于1，能源消耗、CO2排放增幅高于工業GDP增幅，呈現 “粗放增長”的狀態。值得關注的是，合肥市自2000年加速工業化以來，能源彈性系數僅為0.92，低于日本同期水平（1.21）[13]，這說明合肥市工業對能源的利用率相對較高。

何建坤等[14]認為，GDP的增長率小于碳排放強度的下降率時才能實現CO2的絕對減排。合肥市僅2012年二氧化碳排放強度的下降率（18.94 %）大于當年工業GDP增長率（16.25%），實現了CO2的絕對減排。因此，合肥市應進一步提高能源利用效率，調整能源結構，以期進一步降低能源強度、碳排放強度。

4 合肥市工業能源消費碳排放影響因素分析

利用LMDI模型，根據公式（6）～（10）對合肥市工業2000～2014年的工業能源消費的CO2排放增量進行分解，計算出能源結構效應（IESeffect）、能源效率效應（IEEeffect）、產業結構效應（IISeffect）、經濟發展效應（IEDeffect），得到各分解因素的作用效果見表2所列。各因素對合肥市工業能源消費的CO2排放的累積增量見圖4。根據表2、圖4可知，2000～2014年，合肥市工業能源消費CO2排放總量增加了2183.62 萬t。其中，經濟發展效應導致CO2排放總量增加了3734.59 萬t，能源結構效應、能源效率效應、產業結構效應分別導致CO2的排放量減少151.06 萬t、1251.34萬t、148.57萬t。其中電力熱力的生產和供應業、非金屬礦物制品業、黑色金屬冶煉及壓延加工業、化學原料及化學制品制造業是合肥市工業主要CO2排放增加行業，共增加了2241.15萬tCO2排放（見表3）。

4.1 經濟發展效應

經濟發展對合肥市工業能源消費CO2排放的貢獻度一直表現為較大的正增量效應。經濟發展效應對CO2排放量的貢獻率由2001年的22.89%上升至2014年的171.03%，累計平均貢獻率為137.51%，證明了工業經濟的快速發展是造成合肥市工業能源消費CO2排放增加的重要原因。2000～2014年，各行業經濟發展對工業能源消費CO2排放的貢獻均為正向，其中，合肥市電力熱力的生產和供應業、非金屬礦物制品業、黑色金屬冶煉及壓延加工業、化學原料及化學制品制造業四大能源密集型行業的工業經濟發展對CO2排放變化的貢獻值較其他行業大，共為3379.27萬t，占經濟發展效應的90.49%。在此期間，四大能源密集型行業的工業生產值增加了400.88億元，可計算得合肥市能源密集型行業每增加1萬元會導致8.43 t CO2排放，遠高于同期其他行業的平均值（0.20 t CO2/萬元）。因此，適當放緩重點能源密集型行業經濟增長速度、促進非能源密集型行業的發展有利于減少合肥市工業CO2排放。

4.2 能源效率效應

落后的生產技術和過低的能源利用效率使得能源強度在2005年前是CO2排放量增長的促進因素。自2005年起，能源效率成為抑制CO2排放量增加的主要因素，合肥市工業能源效率效應對能源消費CO2排放的累積年平均貢獻率達-42.57%，是抑制合肥市工業CO2排放量增加的主要原因。個別年份能源效率對合肥市工業能源消費CO2排放的貢獻度表現為正增量效應，這是由于在此期間某個行業能源強度的反彈引起的。如2011年能源效率貢獻值為405.53萬t，其中非金屬礦物制品業，電力熱力的生產和供應業對CO2排放量的貢獻值分別為154.98萬t、333.90萬t，原因在于這2個行業的能源強度由2010年的0.49和6.34t/萬t上升至2011年的2.27和8.63 t/萬t。

2000～2014年，黑色金屬冶煉及壓延加工業、電力熱力的生產和供應業、化學原料及化學制品制造業能源效率因素對CO2排放變化的貢獻值較大，共減少1077.55萬tCO2排放，占能源效率貢獻的86.11%，原因是這三大行業的平均能源強度由2000年的5.29 t/萬t降至2014年的2.74t/萬t，因此這三大行業的平均能源強度每下降1t/萬t，CO2排放將減少422.57萬t。盡管三大行業的能源強度在下降，但這三大行業在此期間的累積能耗達7890.50萬t，占總能耗的77.09%，但其工業產值只占整個總產值的14.93%，因此，合肥市應該減排重點集中到此類高CO2排放行業，提高其能源使用效率。

4.3 產業結構效應

2000～2013年，合肥市行業結構效應整體呈現負增量效應。2014年行業結構對CO2排放增量的貢獻轉為正向，貢獻值為395.02萬t，高于當年經濟發展的貢獻值（271.97萬t）。其中電力熱力的生產和供應業對CO2排放的貢獻值為395.25萬t，主要是該行業的工業產值占總產值的比重由2013年的3.12%上升至2014年的5.34%。

電力熱力的生產和供應業、黑色金屬冶煉及壓延加工業、化學原料及化學制品制造業這三大行業的增加值占工業增加值的比例由2000年的59.88%降至2014年的9.05%，對CO2排放的貢獻值共為-141.23萬t，占行業結構貢獻的95.05%。這充分凸顯了能源密集型產業結構調整對CO2排放量的影響。結合經濟發展效應對CO2排放的影響分析，可知電力熱力的生產和供應業、化學原料及化學制品制造業、黑色金屬冶煉及壓延加工業這三大行業的經濟發展對CO2排放貢獻量很大，但是通過調整產業結構、降低其工業產出比重能在一定程度上抵消經濟發展效應所導致的CO2排放量增加。2000～2014年這三個行業的產業結構效應抵消了4.45%的經濟發展效應。合肥市應進一步降低能源密集型行業的規模，積極扶持電子計算機等技術密集型產業的發展，使之成為拉動經濟增長的強勁動力，以期減少CO2排放量。

4.4 能源結構效應

在2000～2014年間，能源結構變動對CO2排放變動的總體影響較小，平均年貢獻率僅為-1.48%，這主要是由于合肥市工業能源結構無顯著變化，具有高碳排放系數的煤炭在工業能源消費中一直占據著主導地位。大多數行業中非化石能源比例的提高對減少CO2排放起促進作用。但非金屬礦物制品能源結構變動則使CO2排放量增加了17.60萬t，這主要源于該行業煤炭消費比重分別由2000年的69.67%上升至2014年的79.85%。合肥市工業煤炭消費比例較高，存在著下調空間。由于安徽省油氣資源相對匱乏，調高各行業特別是能源密集型行業其他能源的消費比例，降低煤炭消費份額，有利于抑制CO2排放增長。

5 結論和政策建議

5.1 結論

（1）2000～2014年間，合肥市工業能源消費以年均增長17.38%的代價換取了工業經濟年均增長22.40%的快速發展，并由此帶來了CO2排放量以年均16.35%的速度增長。與此同時，能源強度、碳強度分別由2000年的1.24 t/萬t、2.91 t/萬元降至2014年的0.55 t/萬t、1.13 t/萬元，下降幅度分別達到55.10%、61.05%，由此可見合肥市工業節能減排工作效果顯著。從合肥市工業能源消費結構來看，煤炭以83.66 %的比例在能源消費中占據著絕對地位，石油、天然氣所占比重較小。在化石能源消費引起的CO2排放中，合肥市平均煤炭CO2排放量占總CO2排放量的98.33%，石油、天然氣CO2排放量分別占1.50%、0.17%。煤炭CO2排放量明顯偏高，是未來合肥市工業CO2減排的重點。

（2）經濟發展是促進合肥市工業CO2排放量持續增長的主要原因，能源效率、產業結構、能源結構的變動都不同程度地抑制了CO2排放量增加。通過對工業行業進一步分解分析表現，電力熱力的生產和供應業、黑色金屬冶煉及壓延加工業、化學原料及化學制品制造業、非金屬礦物制品業等四大能源密集型行業的經濟發展、能源效率等因素嚴重影響著工業能源消費CO2排放量的變化。其中這四大能源密集型行業每增加1萬元產值會導致8.43 t CO2排放，遠高于同期其他行業的平均值（0.20 t CO2/萬元）；黑色金屬冶煉及壓延加工業、電力熱力的生產和供應業、化學原料及化學制品制造業這三大行業的平均能源強度每下降1 t/萬t，CO2排放將減少422.57萬t；電力熱力的生產和供應業的工業產值占總產值的比重每增加1%，會引起178.04萬t CO2排放；非金屬礦物制品行業煤炭比重每上升1%，會增加1.73萬tCO2排放。

5.2 政策建議

根據對合肥市工業碳排放特征及碳排放影響因素研究，本文從以下幾個方面提出減排的政策建議。

（1）合肥工業化剛進入中期階段，工業經濟將繼續保持快速發展。構建低碳經濟模式，發展低消耗、低排放、低污染為特征的低碳工業，實現工業經濟和環境的協調發展。

（2）作為國家首批創新型試點城市，合肥市應進一步強化科技創新和進步，引進整體煤氣化循環發電技術等先進節能技術。同時，協調以市場為導向的產學研創新體系，加快節能技術成果的應用和轉化。

（3）合肥市應逐步完善環境準入條件，建立落后產能退出機制，加快淘汰落后技術、產能和裝備，降低能源密集型行業的規模。同時，結合合肥市工業發展現狀，大力扶持高新技術產業發展，特別是新能源汽車、集成電路等戰略性新興產業的發展。

（4）合肥市油氣資源相對貧乏，煤炭在合肥市工業能源結構中占據著絕對地位。要想改變以煤炭為主的能源消費結構，應加快推進核能、風能、水能等新能源的開發和利用，提高非化石能源的使用比例，全面構建低碳能源體系。

參考文獻：

[1]蘇 偉. 中華人民共和國氣候變化第二次國家信息通報[M]. 北京：中國經濟出版社， 2013.

[2]張 穎. 能源消耗、二氧化碳排放與中國工業可持續發展的脫鉤分布研究[J]. 開發研究， 2013（1）：104～108.

[3]潘佳佳， 李廉水. 中國工業二氧化碳排放的影響因素分析[J]. 環境科學與技術， 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]合肥市統計局.合肥市統計統計年鑒：2000～2014[M].合肥：合肥市統計局，2015.

[7]國家統計局.中國能源統計年鑒[M].北京：中國統計局，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， 盧忠寶. 中國碳排放影響因素分解及其周期性波動研究[J]. 中國人口?資源與環境， 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， 賈皎皎， 趙鵬，等. LMDI方法分析結構效應對天津市碳排放的影響及對策[J]. 天津大學學報（社會科學版）， 2014（6）：509～514.